静冈大学正在与雅马哈发动机有限公司合作,开发一种使用条件图像生成人工智能的新模型,用于农业领域等需要努力准备和创建充足且高质量的训练数据的机器学习任务。从事数据增强方法的研究和开发。
实现智慧农业需要大量的训练数据,从图像中标记农作物的特定部分。然而,农产品的图像数据根据条件和环境表现出不同的方面,并且具有不同的领域特征。花朵、果实、节、成熟度、疾病程度等标签也存在模糊性,导致难以创建大量高质量且一致的训练数据。
研究小组开发了一种使用条件图像生成人工智能来增强生成数据的新方法。在该方法中,从无人地面车辆(UGV)等捕获的视频数据中提取大量图像数据,并且首先使用这些大量图像数据来学习全局特征。接下来,通过准备少量的教师图像数据并另外学习局部特征,可以机械地自动生成具有满足指定条件的域特征的大量教师图像数据。
因此,我们从少量夜间图像中扩展了白天图像的生成数据,用于测量酿酒葡萄的生长情况,并通过各种目标检测模型和关键点检测模型验证了其有效性。结果,我们确认目标(BBox)检测任务的准确率将显着提高 28.7%,而零件(Keypoint)检测任务的准确率将显着提高 13.7%。
结果,准备教师图像数据(2,400 张图像)所需的劳动时间可以从 600 小时显着减少到大约 1 小时。它还可以应用于一天中的时间、天气、田地、生长阶段等的变化,并有望加速利用人工智能的农业DX(数字化转型)的发展,例如作物生长估算和产量预测。