Citrus, najvrednija svetska voćna kultura, nalazi se na raskrsnici sa usporavanjem rasta proizvodnje i fokusom na poboljšanje kvaliteta voća i procesa posle berbe. Ključ za ovo je razumevanje promene boje citrusa, kritičnog pokazatelja zrelosti voća, koji se tradicionalno meri ljudskim rasuđivanjem.
Nedavna unapređenja mašinskog vida i neuronske mreže nude objektivniju i robusniju analizu boja, ali se bore sa različitim uslovima i prevođenjem podataka o bojama u praktične procene zrelosti.
Ostaju praznine u istraživanju u predviđanju transformacije boja tokom vremena i razvoju tehnika vizuelizacije lakih za upotrebu. Pored toga, implementacija ovih naprednih algoritama na ivičnim uređajima u poljoprivredi je izazovna zbog njihovih ograničenih računarskih mogućnosti, naglašavajući potrebu za optimizovanim, efikasnim tehnologijama u ovoj oblasti.
U junu 2023. godine, Plant Phenomics je objavio istraživački članak pod naslovom „Predviđanje i vizuelizacija transformacije boje citrusa pomoću generativne mreže vođene dubokom maskom“.
U ovoj studiji, istraživači su razvili novi okvir za predviđanje i vizuelizaciju transformacije boje citrusnog voća u voćnjacima, što je dovelo do stvaranja Android aplikacije. Ovaj mrežni model obrađuje slike citrusa i određeni vremenski interval, dajući buduću sliku voća u boji.
Skup podataka, koji obuhvata 107 narandžastih slika snimljenih tokom transformacije boja, bio je ključan za obuku i validaciju mreže. Okvir koristi generativnu mrežu vođenu dubokom maskom za precizna predviđanja i ima dizajn koji zahteva manje resursa, olakšavajući implementaciju mobilnih uređaja. Ključni rezultati uključuju postizanje visokog srednjeg preseka preko unije (MIoU) za semantičku segmentaciju, što ukazuje na stručnost mreže u različitim uslovima.
Mreža se takođe istakla u predviđanju i vizuelizaciji citrusnih boja, što je demonstrirano visokim vršnim odnosom signal-šum (PSNR) i malim srednjim gubitkom lokalnog stila (MLSL), što ukazuje na manje izobličenja i visoku vernost generisanih slika. Robusnost generativne mreže bila je očigledna u njenoj sposobnosti da precizno replicira transformaciju boja, čak i sa različitim uglovima gledanja i bojama narandže.
Pored toga, objedinjeni dizajn mreže, koji uključuje slojeve za ugradnju, omogućio je tačna predviđanja u različitim vremenskim intervalima sa jednim modelom, smanjujući potrebu za više modela za različite vremenske okvire. Senzorni paneli su dodatno potvrdili efikasnost mreže, pri čemu je većina pronašla veliku sličnost između sintetizovanih i stvarnih slika.
Ukratko, inovativni pristup ove studije omogućava preciznije praćenje razvoja voća i optimalno vreme berbe, sa potencijalnom primenom koja se proteže i na druge vrste citrusa i voćne kulture. Prilagodljivost okvira na rubne uređaje kao što su pametni telefoni čini ga veoma praktičnim za upotrebu na terenu, demonstrirajući potencijal generativnih modela u poljoprivredi i šire.
