Высокопропускная фенотипизация цитрусовых с помощью БПЛА, мультиспектральной съёмки и искусственного интеллекта

Традиционные методы оценки при селекции растений требуют много времени, трудоёмки и высоких затрат. Точное и быстрое получение и анализ данных о фенотипических признаках могут улучшить геномный отбор и ускорить создание сортов. В данной работе разработана методика сбора данных и обработки изображений с использованием небольших беспилотных летательных аппаратов (БПЛА), мультиспектральной съёмки и сверточных нейронных сетей глубокого обучения для оценки фенотипических характеристик цитрусовых культур. Эта недорогая и автоматизированная высокопропускная фенотипирующая методика использует искусственный интеллект (AI) и машинное обучение (ML) для: (i) обнаружения, подсчёта и геолокации деревьев и пропусков деревьев; (ii) категоризации деревьев по размеру кроны; (iii) разработки индексов здоровья отдельных деревьев; и (iv) оценки сортов цитрусовых и подвоя. Предложенная методика дистанционного зондирования обнаружила и подсчитала деревья в саду из 4 931 дерева с точностью (precision) и полнотой (recall) 99,9% и 99,7% соответственно, оценила размер кроны с общей точностью 85,5% и обнаружила, подсчитала и геолокализовала пропуски деревьев с точностью и полнотой 100% и 94,6% соответственно. Этот метод на основе БПЛА обеспечивает последовательный, более прямой, экономически эффективный и быстрый способ оценки фенотипических характеристик сортов цитрусовых и подвоя.