爱荷华州立大学的科学家正致力于一个农民可以使用无人驾驶飞机发现甚至预测其作物中的疾病和压力的未来。他们的愿景依赖于机器学习，这是一种自动化过程，技术可以帮助农民更有效地应对植物压力。

Arti Singh是农学的兼职助理教授，正在领导一个多学科研究团队，该团队最近获得了美国农业部国家食品和农业研究所提供的3年499,845美元的资助，用于开发能够自动化该技能的机器学习技术。农民诊断大豆的一系列主要压力。正在开发的技术将利用附加在无人驾驶飞行器或无人机上的摄像机来收集大豆田的鸟瞰图像。一个计算机应用程序会自动分析图像，并提醒故障点的农民。

“最基本的是，机器学习只是训练机器做我们做的事情，”辛格说。“当你想教孩子汽车是什么时，你会向他们展示汽车。这就是我们正在做的培训计算机算法，展示大量各种大豆压力的图像来识别，分类，量化和预测压力。场。”

研究小组汇集了大量的大豆图像数据集，其中一些是健康的，一些是经历压力和疾病，然后标记出来。计算机程序遍历标记的图像并组装能够识别新图像中的压力的​​算法。辛格说，机器学习计划能够发现各种常见的大豆压力，包括真菌，细菌和病毒疾病，以及营养缺乏和除草剂伤害。

她说，使用高光谱成像或摄像机可以捕捉超出人眼所见的波长范围，可以让该技术在出现症状之前预测压力的存在，从而为农民提供额外的时间来解决问题。

辛格对机器学习的迷恋始于2014年，当时她参加了由ISU植物科学研究所主办的关于该主题的研讨会。她立即​​认为该技术对植物育种和植物病理学有希望，但对学术文献的调查显示，该领域的大部分工作来自工程学科，而非植物科学。她意识到需要更多的合作才能推动这一农业领域的发展。

“我们还需要包括植物科学家，”她说。“否则，我们将让工程师研究植物科学问题。各学科之间的合作使其成为可能。”

她帮助组建了一个跨学科团队，创建了一个应用程序，允许智能手机用户拍摄大豆植物的照片，以确定植物是否患有缺铁症。现在，研究团队的目标是从原始应用程序扩展他们的工作，这需要手动拍摄照片来诊断单一压力，能够从无人机拍摄图像并识别一系列压力的算法。

该技术的未来取决于科学家和工程师收集正确数据集的能力，然后开发分析该数据的能力。在授予结束时，辛格表示，该团队打算完成一个使用无人机进行数据收集的最佳实践框架。这包括确定最佳图像分辨率，以及无人机的最佳高度和速度。研究人员希望将数据收集，管理和分析无缝集成，从而将其应用于农田，以及时检测和减轻植物胁迫。辛格表示，该团队将在项目结束时公布他们的所有调查结果。

辛格说，这种方法也有可能应用于许多其他作物。