Beras, tanaman pangan utama, dibudidayakan di hampir 162 juta hektar lahan di seluruh dunia. Salah satu metode yang paling umum digunakan untuk mengukur produksi padi adalah penghitungan tanaman padi. Teknik ini digunakan untuk memperkirakan hasil, mendiagnosa pertumbuhan, dan menilai kerugian di sawah. Sebagian besar proses penghitungan beras di seluruh dunia masih dilakukan secara manual. Namun, ini sangat membosankan, melelahkan, dan memakan waktu, menunjukkan perlunya solusi berbasis mesin yang lebih cepat dan lebih efisien.
Peneliti dari China dan Singapura baru-baru ini mengembangkan metode untuk menggantikan penghitungan beras manual dengan metode yang jauh lebih canggih, yaitu dengan menggunakan kendaraan udara tak berawak (UAV) atau drone.
Menurut Profesor Jianguo Yao dari Universitas Pos dan Telekomunikasi Nanjing di Tiongkok, yang memimpin penelitian tersebut, “Teknik baru ini menggunakan UAV untuk menangkap gambar RGB—gambar yang tersusun terutama dengan cahaya merah, hijau, dan biru—dari sawah. Gambar-gambar ini kemudian diolah menggunakan a jaringan pembelajaran yang mendalam yang telah kami kembangkan, yang disebut RiceNet, yang dapat secara akurat mengidentifikasi kerapatan tanaman padi di lapangan, serta menyediakan fitur semantik tingkat tinggi, seperti lokasi dan ukuran tanaman.”
Makalah mereka telah diterbitkan Phenomik Tumbuhan.
Arsitektur jaringan RiceNet terdiri dari satu ekstraktor fitur, di ujung depan, yang menganalisis gambar input, dan tiga modul decoder fitur yang bertanggung jawab untuk memperkirakan kepadatan tanaman di sawah, lokasi tanaman di sawah, dan ukuran tanaman masing-masing. Dua fitur terakhir sangat penting untuk penelitian masa depan tentang teknik pengelolaan tanaman otomatis, seperti penyemprotan pupuk.
Sebagai bagian dari penelitian, tim peneliti mengerahkan UAV yang dilengkapi kamera di atas sawah di kota Nanchang, China, dan kemudian menganalisis data yang diperoleh menggunakan perangkat canggih. analisis gambar teknik. Selanjutnya, para peneliti menggunakan dataset pelatihan dan dataset uji. Yang pertama digunakan sebagai referensi untuk melatih sistem dan yang kedua digunakan untuk memvalidasi temuan analitis.
Lebih khusus lagi, dari 355 gambar dengan 257,793 titik yang diberi label secara manual, 246 dipilih secara acak dan digunakan sebagai gambar latih, sedangkan 109 sisanya digunakan sebagai gambar uji. Setiap gambar rata-rata mengandung 726 tanaman padi.
Menurut tim, teknik RiceNet yang digunakan untuk analisis citra memiliki rasio signal-to-noise yang baik. Dengan kata lain, mampu membedakan tanaman padi dari latar belakang secara efisien, sehingga meningkatkan kualitas peta kerapatan tanaman yang dihasilkan.
Hasil penelitian menunjukkan bahwa mean absolute error dan root mean square error dari teknik RiceNet masing-masing adalah 8.6 dan 11.2. Dengan kata lain, peta kerapatan yang dihasilkan dengan menggunakan RiceNet sangat cocok dengan yang dihasilkan dengan menggunakan metode manual.
Selain itu, berdasarkan pengamatan mereka, tim juga membagikan beberapa rekomendasi utama. Misalnya, tim tidak merekomendasikan pengambilan gambar pada hari hujan. Ini juga menyarankan untuk mengumpulkan gambar berbasis UAV dalam jangka waktu 4 jam setelah matahari terbit, untuk meminimalkan waktu kabut serta terjadinya keriting daun padi, yang keduanya berdampak buruk pada kualitas keluaran.
“Selain itu, kami selanjutnya memvalidasi kinerja teknik kami menggunakan dua kumpulan data tanaman populer lainnya. Hasilnya menunjukkan bahwa metode kami secara signifikan mengungguli teknik canggih lainnya. Ini menggarisbawahi potensi RiceNet untuk menggantikan metode tradisional penghitungan beras manual,” Profesor Yao menyimpulkan.
RiceNet selanjutnya membuka jalan menuju teknik analisis tanaman berbasis UAV dan pembelajaran mendalam lainnya, yang pada gilirannya dapat memandu keputusan dan strategi untuk meningkatkan produksi pangan dan tanaman komersial di seluruh dunia.