Umělá inteligence v zemědělství: počítačové vidění, robotika a váhy pro prasata

Umělá inteligence rychle dobývá zemědělství a potravinářský průmysl.

Počítačové vidění v analýze plodin

Abyste mohli nakrmit miliardy lidí, potřebujete mnoho pozemků. Dnes je již nemožné je obhospodařovat ručně. Současně často vedou choroby rostlin a invaze hmyzu k selhání plodin. S moderním rozsahem zemědělského podnikání je obtížné tyto invaze identifikovat a neutralizovat včas.

To představuje další oblast, ve které mohou pomoci algoritmy počítačového vidění. Pěstitele používají počítačové vidění k rozpoznání chorob plodin, a to jak na mikro úrovni, z blízkých snímků listů a rostlin, tak na makro úrovni, identifikací raných příznaků chorob rostlin nebo škůdců z letecké fotografie. Tyto projekty jsou obvykle založeny na populárním přístupu k počítačovému vidění: konvoluční neuronové sítě.

Je třeba poznamenat, že zde mluvím o počítačovém vidění ve velmi širokém smyslu. V mnoha případech nejsou obrázky nejlepším zdrojem dat. Mnoho důležitých aspektů života rostlin lze nejlépe studovat jinými způsoby. Zdraví rostlin lze často lépe pochopit, například shromažďováním hyperspektrálních snímků se speciálními senzory nebo prováděním 3D laserového skenování. Takové metody se stále více používají v agronomii. Tento typ dat je obvykle vysoce rozlišený a je bližší medicínskému zobrazování než fotografiiím. Jedním z systémů pro monitorování polí je AgMRI. Pro zpracování těchto dat jsou potřebné speciální modely, ale jejich prostorová struktura umožňuje použití moderních technologií počítačového vidění, zejména konvolučních neuronových sítí.

Milióny jsou investovány do výzkumu fenotypizace a zobrazování rostlin. Hlavním úkolem je shromáždit velké sady dat o plodinách (obvykle ve formě fotografií nebo trojrozměrných snímků) a porovnat fenotypová data s genotypem rostlin. Výsledky a data lze použít ke zlepšení zemědělských technologií po celém světě.

Robotika v zemědělství

Autonomní zemědělské roboty, jako je Prospero, mohou vykopat díru v zemi a zasadit něco do ní, následujíce předem stanovené obecné vzory a přihlížejíce ke specifickým charakteristikám krajiny. Roboty mohou také pečovat o proces růstu, pracujíce s každou rostlinou jednotlivě. Když nastane správný čas, roboty sklidí, opět zacházejíce s každou rostlinou přesně tak, jak by měly. Prospero je založen na konceptu roje farmářů. Představte si armádu malých Prosper, procházejících pole a zanechávajících za sebou rovné, pravidelné řady rostlin. Zajímavé je, že Prospero se objevilo již v roce 2011, před dobou moderní revoluce hlubokého učení. Dnes roboti se rychle šíří v zemědělství, umožňujíce automatizovat stále více rutinních úkolů:

• Automatizované drony postřikují plodiny. Malé, hbité drony jsou schopny dodávat nebezpečné chemikálie přesněji než konvenční letadla. Kromě toho lze postřikovací drony použít pro leteckou fotografii k získání dat pro algoritmy počítačového vidění zmíněné na začátku tohoto článku.
• Vyvíjí se a používají se stále více specializované roboty pro sklizeň. Kombajny existovaly již dlouhou dobu. Teprve nyní, s pomocí moderních metod počítačového vidění a robotiky, bylo možné vyvinout, například, robota, který sbírá jahody.
• Roboty, jako je Hortibot, jsou schopny rozpoznat a zničit jednotlivé plevely mechanickým odstraněním. To je další velký úspěch moderní robotiky a počítačového vidění, protože dříve nebylo možné rozlišit plevel od užitečných rostlin a pracovat s malými rostlinami pomocí manipulátorů.

Ačkoli mnoho zemědělských robotů je stále ve fázi prototypu nebo testování v malém měřítku, je již jasné, že strojové učení, umělá inteligence a robotika mohou dobře fungovat v zemědělství. Lze bezpečně předpovědět, že stále více zemědělských prací bude automatizováno v blízké budoucnosti.

Péče o farmální zvířata

Mnoho dalších způsobů, jak využít umělou inteligenci v zemědělství, se aktivně vyvíjí. Například pilotní projekt Neuromation přináší počítačové vidění do odvětví, které dosud nedostalo mnoho pozornosti od komunity hlubokého učení: chov zvířat.

Samozřejmě, že již existovaly pokusy použít strojové učení na data o sledování hospodářských zvířat. Například pákistánský startup Cowlar představil obojek, který vzdáleně monitoruje aktivitu a teplotu krav pod chytlavým sloganem „FitBit pro krávy“. Francouzští vědci vyvíjí rozpoznávání obličeje pro krávy.

Existují také pokusy použít počítačové vidění v dříve zanedbaném odvětví, které má hodnotu stovek miliard dolarů – chov prasat. Na moderních farmách jsou prasata chována v relativně malých skupinách, ve kterých jsou vybrána podobná zvířata. Hlavní náklady na produkci prasat jsou potravou, a optimalizace procesu krmení je centrálním úkolem moderního chovu prasat.

Farmáři by pravděpodobně mohli vyřešit tento problém, kdyby měli podrobné informace o přírůstku hmotnosti prasat. Podle tohoto webu jsou zvířata obvykle vážena pouze dvakrát v celém svém životě: na začátku a na konci krmení. Pokud by odborníci věděli, jak se každé prase vyvíjí, mohli by vytvořit individuální program krmení pro každé prase a dokonce i individuální složení potravinových doplňků, což by významně zlepšilo výnos. Není příliš obtížné vést zvířata na váhu, ale to je obrovský stres pro zvíře, a prasata ztrácejí váhu kvůli stresu. Nový projekt umělé inteligence plánuje vyvinout novou, neinvazivní metodu vážení zvířat. Neuromation bude budovat model počítačového vidění, který bude odhadovat hmotnost prasat z fotografií a videí. Tyto odhady budou použity v již klasických analytických modelech strojového učení, které budou zlepšovat proces krmení.

Zemědělství na hranici umělých inteligencí

Zemědělství a chov zvířat jsou často považovány za staromódní odvětví. Dnes se však zemědělství stále více objevuje na hranici umělých inteligencí.

Hlavním důvodem je, že mnoho úkolů v zemědělství je současně:

• Dostatečně složitých, aby je nebylo možné automatizovat bez použití moderní umělé inteligence a hlubokého učení. Pěstované rostliny a prasata, ačkoli podobná, nebyla vyrobena na stejné montážní lince, každá rajčata a každé prase potřebují individuální přístup, a proto, až donedávna, byla absolutně nutná lidská intervence.
• Dostatečně jednoduchých, aby je s dnešním rozvojem umělých inteligencí bylo možné vyřešit, přičemž se bere v úvahu individuální rozdíly mezi rostlinami a zvířaty a zároveň se automatizují technologie pro práci s nimi. Řízení traktoru v otevřeném poli je snazší než řízení auta v provozu, a vážení prasete je snazší než učení se projít Turingovým testem.

Zemědělství je stále jedním z největších a nejvýznamnějších odvětví na planetě, a i malý nárůst efektivity přinese obrovské zisky pouze kvůli obrovskému rozsahu tohoto odvětví. Řízení pole je snazší než řízení auta v provozu, a vážení prasete je snazší než učení se projít Turingovým testem. Zemědělství je stále jedním z největších a nejvýznamnějších odvětví na planetě, a i malý nárůst efektivity přinese obrovské zisky pouze kvůli obrovskému rozsahu tohoto odvětví.