ស្រូវជាដំណាំអាហារសំខាន់ត្រូវបានដាំដុះលើផ្ទៃដីជិត ១៦២ លានហិកតានៅទូទាំងពិភពលោក។ វិធីសាស្រ្តមួយក្នុងចំនោមវិធីសាស្រ្តដែលគេប្រើច្រើនបំផុតក្នុងការគណនាបរិមាណផលិតកម្មស្រូវគឺការរាប់ចំនួនដើមស្រូវ។ បច្ចេកទេសនេះត្រូវបានប្រើដើម្បីប៉ាន់ប្រមាណទិន្នផល វិភាគកំណើន និងវាយតម្លៃការខាតបង់ក្នុងស្រែ។ ដំណើរការរាប់ស្រូវភាគច្រើននៅទូទាំងពិភពលោកនៅតែត្រូវបានអនុវត្តដោយដៃ។ ទោះជាយ៉ាងណាក៏ដោយ នេះគឺជាការធុញទ្រាន់ នឿយហត់ និងចំណាយពេលច្រើន ដែលបង្ហាញពីតម្រូវការសម្រាប់ដំណោះស្រាយតាមម៉ាស៊ីនលឿន និងមានប្រសិទ្ធភាពជាងមុន។
ក្រុមអ្នកស្រាវជ្រាវមកពីប្រទេសចិន និងសិង្ហបុរីនាពេលថ្មីៗនេះ បានបង្កើតវិធីសាស្រ្តមួយដើម្បីជំនួសការរាប់អង្ករដោយដៃ ជាមួយនឹងវិធីសាស្រ្តដ៏ទំនើបជាងនេះ ដោយពាក់ព័ន្ធនឹងការប្រើប្រាស់យានជំនិះគ្មានមនុស្សបើក (UAVs) ឬយន្តហោះគ្មានមនុស្សបើក។
យោងតាមសាស្ត្រាចារ្យ Jianguo Yao មកពីសាកលវិទ្យាល័យ Nanjing University of Posts and Telecommunications ក្នុងប្រទេសចិន ដែលបានដឹកនាំការសិក្សានេះ បាននិយាយថា "បច្ចេកទេសថ្មីនេះប្រើប្រាស់ UAVs ដើម្បីចាប់យករូបភាព RGB-រូបភាពដែលផ្សំឡើងជាចម្បងជាមួយនឹងពន្លឺក្រហម បៃតង និងខៀវ-នៃវាលស្រែ។ បន្ទាប់មករូបភាពទាំងនេះត្រូវបានដំណើរការដោយប្រើ a បណ្តាញសិក្សាជ្រៅ ដែលយើងបានបង្កើត ហៅថា RiceNet ដែលអាចកំណត់បានយ៉ាងត្រឹមត្រូវនូវដង់ស៊ីតេនៃដំណាំស្រូវក្នុងស្រែ ក៏ដូចជាផ្តល់នូវលក្ខណៈន័យន័យកម្រិតខ្ពស់ ដូចជាទីតាំង និងទំហំដំណាំ។
ក្រដាសរបស់ពួកគេត្រូវបានបោះពុម្ព រុក្ខជាតិ Phenomics.
ស្ថាបត្យកម្មបណ្តាញ RiceNet មានឧបករណ៍ទាញយកលក្ខណៈពិសេសមួយនៅផ្នែកខាងមុខដែលវិភាគរូបភាពបញ្ចូល និងម៉ូឌុលឌិកូដលក្ខណៈពិសេសចំនួនបីដែលទទួលខុសត្រូវក្នុងការប៉ាន់ប្រមាណដង់ស៊ីតេនៃរុក្ខជាតិនៅក្នុងវាលស្រែ ទីតាំងនៃរុក្ខជាតិនៅក្នុងវាលស្រែ និង ទំហំនៃរុក្ខជាតិរៀងៗខ្លួន។ លក្ខណៈពិសេសពីរចុងក្រោយគឺមានសារៈសំខាន់ជាពិសេសសម្រាប់ការស្រាវជ្រាវនាពេលអនាគតលើបច្ចេកទេសគ្រប់គ្រងដំណាំដោយស្វ័យប្រវត្តិ ដូចជាការបាញ់ថ្នាំ។
ជាផ្នែកមួយនៃការសិក្សានេះ ក្រុមស្រាវជ្រាវបានដាក់ពង្រាយ UAV ដែលបំពាក់ដោយកាមេរ៉ានៅលើវាលស្រែក្នុងទីក្រុង Nanchang ប្រទេសចិន ហើយបានវិភាគជាបន្តបន្ទាប់នូវទិន្នន័យដែលទទួលបានដោយប្រើបច្ចេកវិទ្យាទំនើប។ ការវិភាគរូបភាព បច្ចេកទេស។ បន្ទាប់មក អ្នកស្រាវជ្រាវបានប្រើប្រាស់សំណុំទិន្នន័យបណ្តុះបណ្តាល និងសំណុំទិន្នន័យសាកល្បង។ អតីតត្រូវបានគេប្រើជាឯកសារយោងដើម្បីបង្ហាត់ប្រព័ន្ធ ហើយក្រោយមកត្រូវបានប្រើដើម្បីធ្វើឱ្យមានសុពលភាពនៃការរកឃើញវិភាគ។
កាន់តែពិសេសជាងនេះទៅទៀត ក្នុងចំណោមរូបភាពទាំង 355 ដែលមាន 257,793 ចំណុចដាក់ស្លាកដោយដៃ 246 ត្រូវបានជ្រើសរើសដោយចៃដន្យ និងប្រើប្រាស់ជារូបភាពហ្វឹកហាត់ ចំណែក 109 ទៀតត្រូវបានប្រើប្រាស់ជារូបភាពសាកល្បង។ រូបភាពនីមួយៗមានដំណាំស្រូវជាមធ្យមចំនួន ៧២៦ ដើម។
យោងតាមក្រុមនេះ បច្ចេកទេស RiceNet ដែលប្រើសម្រាប់ការវិភាគរូបភាពមានសមាមាត្រសញ្ញាទៅសំឡេងរំខានល្អ។ ម៉្យាងទៀត វាអាចបែងចែកដើមស្រូវយ៉ាងមានប្រសិទ្ធភាពពីផ្ទៃខាងក្រោយ ដូច្នេះវាធ្វើអោយប្រសើរឡើងនូវគុណភាពនៃផែនទីដង់ស៊ីតេរុក្ខជាតិដែលបានបង្កើត។
លទ្ធផលនៃការសិក្សាបានបង្ហាញថា កំហុសឆ្គងដាច់ខាតមធ្យម និងកំហុសមធ្យមឫសការ៉េនៃបច្ចេកទេស RiceNet គឺ 8.6 និង 11.2 រៀងគ្នា។ ម៉្យាងទៀត ផែនទីដង់ស៊ីតេដែលបង្កើតដោយប្រើប្រាស់ RiceNet មានកិច្ចព្រមព្រៀងល្អជាមួយអ្នកដែលបានបង្កើតដោយប្រើវិធីសាស្ត្រដោយដៃ។
លើសពីនេះទៅទៀត ដោយផ្អែកលើការសង្កេតរបស់ពួកគេ ក្រុមការងារក៏បានចែករំលែកនូវអនុសាសន៍សំខាន់ៗមួយចំនួនផងដែរ។ ជាឧទាហរណ៍ ក្រុមការងារមិនណែនាំឱ្យទទួលបានរូបភាពនៅថ្ងៃវស្សាទេ។ វាក៏ស្នើឱ្យប្រមូលរូបភាពដែលមានមូលដ្ឋានលើ UAV ក្នុងរយៈពេល 4 ម៉ោងក្រោយថ្ងៃរះ ដើម្បីកាត់បន្ថយពេលវេលាអ័ព្ទ ក៏ដូចជាការកើតឡើងនៃស្លឹកស្រូវ ដែលទាំងពីរនេះប៉ះពាល់យ៉ាងធ្ងន់ធ្ងរដល់គុណភាពទិន្នផល។
“បន្ថែមពីលើនេះ យើងបានធ្វើឱ្យមានសុពលភាពបន្ថែមទៀតលើការអនុវត្តបច្ចេកទេសរបស់យើង ដោយប្រើសំណុំទិន្នន័យដំណាំពេញនិយមពីរផ្សេងទៀត។ លទ្ធផលបានបង្ហាញថាវិធីសាស្ត្ររបស់យើងមានប្រសិទ្ធភាពជាងបច្ចេកទេសទំនើបៗផ្សេងទៀត។ នេះគូសបញ្ជាក់អំពីសក្តានុពលរបស់ RiceNet ដើម្បីជំនួសវិធីសាស្រ្តប្រពៃណីនៃការរាប់អង្ករដោយដៃ” សាស្ត្រាចារ្យ Yao បញ្ចប់។
RiceNet បន្តត្រួសត្រាយផ្លូវឆ្ពោះទៅរក UAV- និងបច្ចេកទេសវិភាគដំណាំដែលផ្អែកលើការរៀនសូត្រស៊ីជម្រៅ ដែលអាចណែនាំការសម្រេចចិត្ត និងយុទ្ធសាស្រ្តដើម្បីកែលម្អការផលិតស្បៀងអាហារ និងដំណាំសាច់ប្រាក់នៅទូទាំងពិភពលោក។