Stress Management

Exploiter l’intelligence artificielle et l’imagerie avancée pour une gestion précise du stress des plantes


Cet article a été révisé sous Science X processus d’édition
et politique.
modifier Les attributs suivants sont mis en valeur tout en assurant la crédibilité du contenu :

Fait vérifié

Source fiable

Relecture


Aperçu de la stratégie de recherche en 3 étapes utilisée dans ce SLR. Crédit: phénomique végétale

× fermeture


Aperçu de la stratégie de recherche en 3 étapes utilisée dans ce SLR. Crédit: phénomique végétale

Le phénotypage des plantes est essentiel pour améliorer les rendements des cultures, en particulier à mesure que la demande alimentaire mondiale augmente. Les progrès récents dans l’intelligence artificielle et la technologie des capteurs d’imagerie offrent des méthodes prometteuses pour une détection précoce et précise du stress des plantes, surmontant les limites de l’inspection visuelle traditionnelle.

Cependant, des défis subsistent, notamment le besoin d’algorithmes d’IA précis et puissants, le besoin d’ensembles de données diversifiés et de haute qualité pour la formation en IA, le coût élevé et la complexité des capteurs d’imagerie avancés et des capteurs plus accessibles tels que les caméras RVB. données limitées. Ces défis mettent en évidence la nécessité de poursuivre la recherche pour améliorer l’accessibilité, la fiabilité et l’efficacité de ces technologies dans les applications agricoles.

mars 2024, phénomique végétale publier Un article de synthèse intitulé « Avances en matière de capteurs d’imagerie et d’intelligence artificielle pour la détection du stress des plantes : une revue systématique de la littérature ». Dans cette revue, les chercheurs utilisent une approche de revue systématique de la littérature (SLR) pour mener une analyse complète de l’intelligence artificielle et des technologies d’imagerie dans la détection du stress des plantes. Leur enquête était basée sur un ensemble de questions de recherche prédéfinies et s’est concentrée sur l’exploration de l’utilisation de capteurs d’imagerie et de l’intelligence artificielle pour détecter les symptômes de stress des plantes, analyser les tendances et identifier les défis actuels.

L’examen a identifié un total de 2 704 études provenant de quatre bases de données majeures utilisant une stratégie de recherche hiérarchique par mots clés et un robot programmable innovant pour la récupération des données. Parmi celles-ci, 262 études ont été examinées et ont montré une nette préférence pour les capteurs RVB en raison de leur facilité d’utilisation, et polyvalence dans une variété d’environnements de recherche.

Malgré leur utilisation répandue, les capteurs RVB ne sont pas sans limites, notamment lors de la capture d’indicateurs de stress subtils, ce qui conduit les chercheurs à se tourner de plus en plus vers les capteurs d’imagerie spectrale.Ces capteurs peuvent améliorer les informations En capturant des données sur une large gamme spectrale, mais à un coût plus élevé et avec des exigences de traitement de données plus complexes.

En outre, leur analyse démontre une tendance croissante à intégrer l’intelligence artificielle, en particulier l’apprentissage profond, dans la recherche sur le stress des plantes, motivée par la disponibilité de grands ensembles de données open source tels que PlantVillage. Cette tendance souligne l’évolution vers des méthodes analytiques plus sophistiquées, capables de gérer la complexité des symptômes de stress et leur détection.

Cette revue souligne notamment l’intérêt d’explorer des technologies d’imagerie alternatives telles que la fluorescence, l’imagerie thermique, l’imagerie satellite et le lidar en raison de leurs capacités uniques en matière de détection de pression, bien que ces technologies soient actuellement limitées en raison de diverses limitations pratiques.

L’étude examine également en profondeur les algorithmes d’intelligence artificielle déployés dans la recherche sur le stress des plantes. Des recherches ont montré que l’apprentissage profond (en particulier CNN) est largement utilisé dans les tâches de classification d’images et d’extraction de caractéristiques. Malgré l’importance de l’apprentissage profond, les algorithmes d’apprentissage automatique tels que les machines à vecteurs de support et les réseaux de neurones artificiels sont encore largement utilisés, notamment en conjonction avec des données d’imagerie spectrale, en raison de leur efficacité à simplifier l’interprétation des résultats et à traiter efficacement des ensembles de données spectrales limitées.

En résumé, SLR fournit non seulement un aperçu de l’état actuel de l’application de l’intelligence artificielle et des capteurs d’imagerie dans la détection du stress des plantes, mais prédit également le rôle croissant de l’imagerie spectrale et de l’apprentissage profond dans l’avancement du phénotypage des plantes. Il appelle à une exploration plus approfondie des approches multimodales, à l’intégration des technologies d’imagerie émergentes et au développement de modèles d’intelligence artificielle plus puissants, capables de se généraliser à différentes espèces végétales et conditions de stress.

À mesure que les technologies d’intelligence artificielle et d’imagerie continuent de progresser, leur intégration devrait améliorer considérablement notre capacité à comprendre, détecter et gérer le stress des plantes. Cela ouvre la voie à des pratiques agricoles plus résilientes.

Plus d’information:
Jason John Walsh et al., Advances in Imaging Sensors and Artificial Intelligence for Plant Stress Detection: A Systematic Literature Review, phénomique végétale (2024). DOI : 10.34133/plantphenomics.0153



Source link

See also  Gérer le stress des voyages de vacances | Gestion de la continuité des activités

Related Articles

Leave a Reply

Your email address will not be published. Required fields are marked *

Back to top button