导读：从事繁育新品种的工作，在夏季高温下走入一排排大豆田是繁琐但必不可少的。研究人员每天在生长期的关键时期承受高温，以寻找表现出理想性状的植物，例如豆荚过早成熟。但是，如果没有自动检测这些性状的方法，育种者就无法在给定的一年内测试任意数量的地块...
从事繁育新品种的工作，在夏季高温下走入一排排大豆田是繁琐但必不可少的。研究人员每天在生长期的关键时期承受高温，以寻找表现出理想性状的植物，例如豆荚过早成熟。但是，如果没有自动检测这些性状的方法，育种者就无法在给定的一年内测试任意数量的地块，从而延长了将新品种推向市场的时间。
而在一项新研究中，研究人员使用无人机图像和人工智能预测了两天内的大豆成熟日期，从而大大减少了在地面上穿靴子的需求。
评估豆荚成熟度非常耗时，而且容易出错。它是基于豆荚颜色的评分系统，因此也容易受到人为偏见的影响。许多研究小组正在尝试使用无人机图片评估成熟度，但无法大规模进行。因此，我们想出了一种更精确的方法来做到这一点。实际上，这真的很又作用。
研究人员训练了计算机，以从在五个试验，三个生长季节和两个国家收集的无人机图像中检测冠层颜色的变化。重要的是，他能够解释“不良”图像以保持准确性。
假设每三天收集一次图像，但是有一天，有云或下着雨，所以不能这样。最终，当从不同年份或不同位置获取数据时，它们的外观将有所不同图像的数量和间隔等等。我们开发的主要创新之处在于我们如何能够说明我们能够收集的一切。我们的模型表现良好，而与收集数据的频率无关。
使用深度卷积神经网络的人工智能。CNN类似于人类大脑学习从我们的眼睛解释图像成分（颜色，形状，纹理）的方式。除了形状，边界和纹理外，CNN还能检测到颜色的细微变化。对于我们试图做的事情，颜色是最重要的。但是我们使用的人工智能模型的优势在于，使用相同的模型来预测另一个特征（例如产量或倒伏）将非常简单。因此，现在我们已经建立了这些模型，对于人们使用相同的架构和相同的策略来做更多的事情。
找到帮助育种者真正大规模决策的好方法是非常有意义的。
