AI v zemědělství: Počítačové vidění, robotika a váhy pro prasata

Umělá inteligence rychle dobývá zemědělství a potravinářský průmysl.

Počítačové vidění v analýze plodin

Aby bylo možné nakrmit miliardy lidí, je potřeba mnoho pozemků. Dnes je již nemožné je obhospodařovat ručně. Zároveň často vedou choroby rostlin a invaze hmyzu k neúrodě. S moderním rozsahem zemědělského podnikání je obtížné identifikovat a včas neutralizovat tyto invaze.

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 close-up obrazů listů a rostlin, tak na makro úrovni, identifikací raných příznaků chorob nebo škůdců z letecké fotografie. Tyto projekty jsou obvykle založeny na populárním přístupu k počítačovému vidění: convolutional neural networks.

Je třeba poznamenat, že zde mluvím o počítačovém vidění ve velmi širokém smyslu. V mnoha případech nejsou obrázky nejlepší zdrojem dat. Mnoho důležitých aspektů života rostlin lze nejlépe studovat jinými způsoby. Zdraví rostlin lze často lépe pochopit, například shromažďováním hyperspektrálních obrazů se speciálními senzory nebo prováděním 3D laserového skenování. Takové metody jsou stále více používány 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 convolutional neural networks.

Do výzkumu fenotypizace a zobrazování rostlin je investováno milionů. Hlavním úkolem zde je shromáždit velké sady dat o plodinách (obvykle ve formě fotografií nebo trojrozměrných obrazů) 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 do země a zasadit něco do ní, následujíce předem stanovené obecné vzory a zohledňující specifické charakteristiky krajiny. Roboty mohou také pečovat o proces růstu, pracují s každou rostlinou jednotlivě. Když nastane správný čas, roboty sklidí, opět zacházejí s každou rostlinou přesně, jak by měly. Prospero je založen na konceptu swarm farming. Představte si armádu malých Prospero procházejících pole a zanechávajících za sebou rovné, pravidelné řady rostlin. Zajímavé je, že Prospero vlastně vznikl již v roce 2011, před moderní hlubokou učící se revolucí. Dnes roboty rychle pronikají do zemědělství, umožňují automatizovat více a 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.
• Vývoj a použití více specializovaných robotů pro sklizeň. Kombajny existují již dlouho. 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 zabít 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 je testováno v malém měřítku, je již jasné, že ML, AI a robotika mohou dobře fungovat v zemědělství. Lze bezpečně předpovědět, že více a více zemědělských prací bude v blízké budoucnosti automatizováno.

Péče o hospodářská zvířata

Mnoho dalších způsobů, jak používat AI v zemědělství, je aktivně vyvíjeno. Například pilotní projekt Neuromation přináší počítačové vidění do odvětví, které dosud nedostalo dostatečnou pozornost od komunity hlubokého učení: chov zvířat.

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

Existují také pokusy použít počítačové vidění v dříve zanedbávaném odvětví, jehož hodnota se počítá na stovky miliard dolarů – chov prasat. Na moderních farmách se prasata chovají v relativně malých skupinách, ve kterých jsou vybrány nejpodobnější zvířata. Hlavní náklad ve výrobě prasat je potrava, a optimalizace procesu výkrmu je centrálním úkolem moderního chovu prasat.

Farmáři by pravděpodobně byli schopni tento problém vyřešit, kdyby měli podrobné informace o přírůstku hmotnosti prasat. Podle tohoto webu se zvířata obvykle váží pouze dvakrát v celém svém životě: na začátku a na konci výkrmu. Pokud by odborníci věděli, jak se každý prasátek vyvíjí, bylo by možné vytvořit individuální program výkrmu pro každé prase a dokonce i individuální složení potravinových doplňků, což by výrazně zlepšilo výnos. Není příliš obtížné vést zvířata na váhu, ale to je obrovský stres pro zvíře, a prasata ztrácejí váhu ze stresu. Nový projekt AI plánuje vyvinout novou, neinvazivní metodu vážení zvířat. Neuromation chce vytvořit model počítačového vidění, který bude odhadovat hmotnost prasat z fotografií a videí. Tyto odhady budou zahrnuty do již klasických, analytických modelů strojového učení, které budou zlepšovat proces výkrmu.

Zemědělství na hranici umělé inteligence

Zemědělství a chov zvířat jsou často považovány za zastaralá odvětví. Dnes však zemědělství stále více stojí na hranici umělé inteligence.

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

• Dostatečně komplexních, aby je nebylo možné automatizovat bez použití moderní umělé inteligence a hlubokého učení. Pěstované rostliny a prasata, ačkoli podobná, dosud neopustila stejnou montážní linku, každá rajčatová keř a každé prase potřebuje individuální přístup, a proto, až donedávna, byla absolutně nutná lidská intervence.
• Dostatečně jednoduchých, aby je s dnešním rozvojem umělé inteligence bylo možné vyřešit, přičemž se zohledňují 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 dokonce i malý nárůst efektivity přinese obrovské zisky pouze kvůli obrovskému rozsahu tohoto odvětví.