50,000 மரங்கள் கொண்ட ஒரு நர்சரி அவற்றை எண்ண மூன்று நாட்கள் செலவிட்டது. குழுக்கள் கிளிப்போர்டுகளுடன் வரிசைகளில் நடந்தன, மதிய வெப்பத்தில் எண்ணிக்கையை இழந்தன, மீண்டும் தொடங்கின. இப்போது ஒரு ட்ரோன் பறப்பும் மேலிருந்து ஒவ்வொரு மரத்தையும் வரைபடமாக்கும் AI மாடலும் போதுமானது.
மரம் மற்றும் செடி எண்ணுதல் நர்சரிகள், தோட்டங்கள் மற்றும் மறுகாடாக்கல் திட்டங்களில் அதிக நேரம் எடுக்கும் பணிகளில் ஒன்றாகும். காப்பீட்டு நிறுவனங்கள் துல்லியமான எண்கள் விரும்புகின்றன. வாங்குபவர்கள் ஏற்றுமதி அளவுகளை உறுதிப்படுத்த வேண்டும். மேலாளர்கள் குளிர்காலத்தில் எது தப்பிப்பிழைத்தது என்பதை அறிய வேண்டும். இந்த அளவில் கைமுறை எண்ணுதல் மெதுவானது, சீரற்றது மற்றும் விலையுயர்ந்தது. AI இயக்கும் வான எண்ணுதல் அதே பதில்களுக்கு வேகமான பாதையை வழங்குகிறது.
துல்லியமான மர எண்ணிக்கை ஏன் முக்கியம்
மரம் எண்ணுதல் வெறும் சரக்கு மேலாண்மை அல்ல. இது உண்மையான நிதி முடிவுகளை இயக்குகிறது.
நர்சரிகள் மரங்களை துல்லியமான எண்ணிக்கையில் விற்கின்றன. 10,000 நாற்றுகளுக்கான ஆர்டர் துல்லியமாக நிறைவேற்றப்பட வேண்டும், மேலும் நர்சரி வாக்குறுதிகள் அளிக்கும் முன் தன்னிடம் 10,000 உள்ளதா அல்லது 9,400 உள்ளதா என்பதை தெரிந்து கொள்ள வேண்டும். புயல் அல்லது நோய்க்குப் பிறகு காப்பீட்டு உரிமைகோரல்களுக்கு இழப்புகளை நிரூபிக்க ஆவணப்படுத்தப்பட்ட எண்ணிக்கை தேவை. தோட்ட மேலாளர்கள் மர எண்ணிக்கையின் அடிப்படையில் மகசூலை மதிப்பிடுகிறார்கள், எண்ணிக்கையில் 5% பிழை நேரடியாக அறுவடை திட்டமிடலில் 5% பிழையாக மாறுகிறது.
மறுகாடாக்கல் திட்டங்களுக்கு, நடப்பட்ட மரங்களை எண்ணுவது சுற்றுச்சூழல் விதிமுறைகள் மற்றும் கார்பன் கிரெடிட் உறுதிமொழிகளுக்கான இணக்கத்தை சரிபார்க்கிறது. இந்த எண்ணிக்கைகள் அடிக்கடி நூற்றுக்கணக்கான ஹெக்டேர் சீரற்ற நிலப்பரப்பை உள்ளடக்க வேண்டும், அங்கு ஒவ்வொரு வரிசையிலும் நடப்பது நடைமுறையில் சாத்தியமற்றது.
வான AI எண்ணுதல் எவ்வாறு செயல்படுகிறது
செயல்முறையில் மூன்று படிகள் உள்ளன: பறத்தல், படமெடுத்தல் மற்றும் எண்ணுதல்.
RGB கேமரா பொருத்தப்பட்ட ட்ரோன் மர அளவு மற்றும் அடர்த்தியைப் பொறுத்து 30 முதல் 80 மீட்டர் உயரத்தில் இலக்குப் பகுதி மீது கட்ட வடிவத்தில் பறக்கிறது. பறப்பு வயலின் ஒவ்வொரு பகுதியையும் உள்ளடக்கிய மேற்பொருந்தும் படங்களை எடுக்கிறது. 10 ஹெக்டேர் நர்சரிக்கு, பறப்பு 15 முதல் 30 நிமிடங்கள் எடுக்கும்.
படங்கள் வான மர கண்டறிதலுக்கு பயிற்சியளிக்கப்பட்ட AI மாடலில் பதிவேற்றப்படுகின்றன. மாடல் ஒவ்வொரு படத்தையும் ஸ்கேன் செய்கிறது, தனிப்பட்ட மர உச்சிகள் அல்லது தண்டுகளை அடையாளம் காண்கிறது, கண்டறிதல் புள்ளிகளால் குறிக்கிறது. மேற்பொருந்தும் படங்கள் இணைக்கப்படுகின்றன, எனவே ஒவ்வொரு மரமும் பிரேம்களுக்கு இடையில் நகல் இல்லாமல் ஒரு முறை மட்டுமே எண்ணப்படுகிறது.
வெளியீடு மொத்த எண்ணிக்கை மற்றும் கண்டறியப்பட்ட ஒவ்வொரு மரத்தின் துல்லியமான இருப்பிடத்தைக் காட்டும் புவிசார் குறிப்பு வரைபடம் ஆகும். நர்சரி மேலாளர்கள் பெரிதாக்கலாம், கண்டறிதல்களை சரிபார்க்கலாம், மரங்கள் காணாமல் போன அல்லது இறந்த இடங்களில் இடைவெளிகளைக் கண்டறியலாம்.
துல்லியத்தன்மை அளவுகோல்கள்
துல்லியம் உச்சி அடர்த்தி, பட தெளிவுத்திறன் மற்றும் மர இடைவெளி ஆகியவற்றைப் பொறுத்தது. சமீபத்திய ஆய்வுகளின் எண்கள் ஊக்கமளிக்கின்றன.
அடர்ந்த உச்சி நிலைமைகளில் 93 முதல் 95% துல்லியம். கைமுறை முயற்சியை 70%-க்கும் அதிகமாகக் குறைக்கிறது மற்றும் பாரம்பரிய முறைகளை விட கிட்டத்தட்ட 5 மடங்கு வேகமாக படங்களை செயலாக்குகிறது.
நிகழ்நேர UAS எண்ணுதல் அமைப்பு 99.09% F1 மதிப்பெண் பெற்றது, பறப்பின் போது மரங்களை சரியாக அடையாளம் கண்டது, புறப்பட்ட விநாடிகளில் முடிவுகள் கிடைத்தன.
தண்டு கண்டறிதலில் 95% துல்லியம் மற்றும் 0.977 சராசரி துல்லியம், கைமுறை முறைகளை விட 515% வேக மேம்பாடு.
வடிவம் நிலையானது: சீரான வரிசைகளில் நன்கு இடைவெளி விட்ட மரங்கள் 95%-க்கும் அதிகமான துல்லியத்தை அடைகின்றன. அடர்ந்த, மேற்பொருந்தும் உச்சிகள் துல்லியத்தை 90%-க்கு சற்று மேல் குறைக்கின்றன, ஏனெனில் மாடல் மேலிருந்து பார்க்கும்போது காட்சியாக இணையும் தனிப்பட்ட உச்சிகளை பிரிக்க சிரமப்படுகிறது.
மர வான புகைப்படங்களுக்கான சிறந்த நடைமுறைகள்
- கவரேஜ் மற்றும் தெளிவுத்திறனின் சிறந்த சமநிலைக்கு 40 முதல் 60 மீட்டர் உயரத்தில் பறக்கவும்
- முழுமையான கவரேஜ் மற்றும் துல்லியமான இணைப்புக்கு 70 முதல் 80% பட மேற்பொருத்தத்தைப் பயன்படுத்தவும்
- உச்சி கண்டறிதலைக் குழப்பும் நிழல்களைக் குறைக்க நண்பகல் அல்லது மேகமூட்டமான நிலைமைகளில் பறக்கவும்
- கிளைகள் ஆடி படங்கள் மங்கலாகும் காற்று நாட்களைத் தவிர்க்கவும்
- அடர்ந்த உச்சிகளுக்கு, மரத்திற்கான தெளிவுத்திறனை அதிகரிக்க தாழ்வாகப் பறக்கவும்
- முழு தரவுத்தொகுப்பிலும் சீரான அளவைப் பராமரிக்க நிலையான உயரத்தில் படங்களை எடுக்கவும்
எண்ணுதலுக்கு அப்பால்: வான AI வேறு என்ன வெளிப்படுத்துகிறது
ட்ரோன் படங்களிலிருந்து மர எண்ணுதல் ஒரு பயனுள்ள பக்க விளைவை உருவாக்குகிறது: இடைவெளி வரைபடம். காணாமல் போன மரங்கள், இறந்த மரங்கள் மற்றும் மோசமான வளர்ச்சியுள்ள பகுதிகள் கண்டறிதல் வடிவத்தில் துளைகளாகத் தோன்றும். நர்சரி மேலாளர்கள் இந்த இடைவெளி வரைபடங்களை மறுநடவு திட்டமிடல், நீர்ப்பாசன சரிசெய்தல் நிர்ணயம் மற்றும் பூச்சி அல்லது நோய் பரவலுக்கு முன் அவற்றை அடையாளம் காண பயன்படுத்துகின்றனர்.
சில அமைப்புகள் எண்ணுதலை ஆரோக்கிய வகைப்பாடுடன் இணைக்கின்றன, அழுத்தத்தின் அறிகுறிகளைக் காட்டும் மரங்களைக் குறிக்க பல்வண்ண படங்களைப் பயன்படுத்துகின்றன. ஒரு ட்ரோன் பறப்பு சரக்கு எண்ணிக்கை, ஆரோக்கிய மதிப்பீடு மற்றும் இடைவெளி பகுப்பாய்வு ஆகியவற்றை வழங்க முடியும், இவை தரையில் தனித்தனி கைமுறை முயற்சிகள் தேவைப்படும் மூன்று பணிகள்.
தெரிந்துகொள்ள வேண்டிய வரம்புகள்
- அடர்ந்த, மேற்பொருந்தும் உச்சிகள் துல்லியத்தைக் குறைக்கின்றன, ஏனெனில் தனிப்பட்ட மரங்கள் மேலிருந்து காட்சியாக இணைகின்றன. முழு இலையுள்ள இலையுதிர் இனங்கள் குளிர்காலத்தில் வெற்றுக் கிளை மரங்களை விட பிரிக்க கடினம்.
- 30 சென்டிமீட்டருக்கு கீழ் உள்ள மிக இளம் நாற்றுகள் நிலையான ட்ரோன் உயரத்திலிருந்து நம்பகமாகக் கண்டறிய மிகச் சிறியதாக இருக்கலாம். தாழ்வான பறப்புகள் உதவுகின்றன ஆனால் கவரேஜைக் குறைக்கின்றன.
- வெவ்வேறு மர அளவுகள் மேற்பொருந்தும் கலப்பு இன நடவுகள் சீரான வரிசைகளில் பயிற்சியளிக்கப்பட்ட மாடல்களை குழப்பலாம்.
- விமான நிலையங்கள், நகர்ப்புறங்கள் அல்லது பாதுகாக்கப்பட்ட வான்வெளி அருகே ட்ரோன் பறப்பு மீதான ஒழுங்குமுறை கட்டுப்பாடுகள் நீங்கள் எங்கு பறக்கலாம் என்பதை வரம்பிடலாம்.
முடிவுரை
ட்ரோன் அடிப்படையிலான AI மர எண்ணுதல் பல நாள் கைமுறை வேலையை ஒரு பறப்பாக மாற்றுகிறது. துல்லியம் காப்பீட்டு உரிமைகோரல்கள், விற்பனை ஆர்டர்கள் மற்றும் ஒழுங்குமுறை இணக்கத்திற்கு போதுமானது, மேலும் ஒவ்வொரு புதிய மாடல் தலைமுறையிலும் மேம்படுகிறது.
உங்கள் செயல்பாடு கிளிப்போர்டுடன் வரிசைகளில் நடந்து மரங்களை எண்ணினால், அதே பகுதி மீது ஒரு ட்ரோனைப் பறக்கவிடுங்கள். ட்ரோன் தரையிறங்குவதற்கு முன்பே எண்ணிக்கை உங்கள் திரையில் இருக்கும், தரை மட்டத்தில் எந்த நடையும் வெளிப்படுத்த முடியாத விஷயங்களை வரைபடம் உங்களுக்குக் காட்டும்.