AI i landbruget: computersyn, robotter og vægte til svin

Kunstig intelligens erobrer hurtigt landbruget og fødevareindustrien.

Computersyn i afgrødeanalyse

For at brødføde milliarder af mennesker har du brug for en masse jord. Det er umuligt at dyrke det manuelt i disse dage. Samtidig fører plantesygdomme og insektinvasioner ofte til afgrødesvigt. Med den moderne skala inden for landbrugsvirksomhed er sådanne invasioner svære at identificere og neutralisere i opløbet i tide.

Dette introducerer endnu et område, hvor computervisionsalgoritmer kan hjælpe. Avlere bruger computersyn til at genkende afgrødesygdomme, både på mikroniveau, fra nærbilleder af blade og planter og på makroniveau ved at identificere tidlige tegn på plantesygdomme eller skadedyr fra luftfotografering. Disse projekter er normalt baseret på den populære tilgang til computersyn: konvolutionelle neurale netværk.

Bemærk, at jeg her taler om computersyn i meget bred forstand. I mange tilfælde er billeder ikke den bedste kilde til data. Mange vigtige aspekter af plantelivet kan bedst studeres på andre måder. Plantesundhed kan ofte forstås bedre, for eksempel ved at indsamle hyperspektrale billeder med specielle sensorer eller udføre 3D laserscanning. Sådanne metoder bliver i stigende grad brugt i agronomien. Denne datatype har normalt høj opløsning og er tættere på medicinsk billedbehandling end fotografier. Et af systemerne til feltovervågning kaldes AgMRI. For at behandle disse data er der brug for specielle modeller, men deres rumlige struktur tillader brugen af ​​moderne computervisionsteknologier, især konvolutionelle neurale netværk.

Der investeres millioner i plantefænotyping og billeddannelsesforskning. Hovedopgaven her er at indsamle store sæt data om afgrøder (normalt i form af fotografier eller tredimensionelle billeder) og sammenligne fænotypedata med plantegenotype. Resultaterne og dataene kan bruges til at forbedre landbrugsteknologier rundt om i verden.

Robotteknologi i landbruget

Autonome landbrugsrobotter kan lide Prospero kan grave et hul i jorden og plante noget i det, efter forudbestemte generelle mønstre og under hensyntagen til landskabets specifikke karakteristika. Robotter kan også tage sig af vækstprocessen og arbejde med hver plante individuelt. Når tiden er inde, vil robotter høste og igen behandle hver plante præcis, som den skal. Prospero er baseret på begrebet swarm farming. Forestil dig en hær af lille Prospero, der kravler gennem markerne og efterlader pæne, jævne rækker af planter i deres kølvand. Interessant nok dukkede Prospero faktisk op tilbage i 2011, før den moderne deep learning-revolutions storhedstid. I dag, robotter breder sig hurtigt i landbruget, så du kan automatisere flere og flere rutineopgaver:

• Automatiserede droner sprøjter afgrøder. Små, smidige droner er i stand til at levere farlige kemikalier mere præcist end konventionelle fly. Desuden kan sprøjtedroner bruges til luftfotografering for at få data til computersynsalgoritmer nævnt i begyndelsen af ​​denne artikel.
• Flere og flere specialiserede robotter til høst bliver udviklet og brugt. Mejetærskere har eksisteret i lang tid. Alligevel er det først nu, ved hjælp af moderne metoder til computersyn og robotteknologi, lykkedes at udvikle for eksempel en robot, der plukker jordbær.
• Robotter kan lide Hortibot er i stand til at genkende og dræbe individuelt ukrudt ved mekanisk at fjerne dem. Dette er endnu en stor succes for moderne robotteknologi og computervision, da det før var umuligt at skelne ukrudt fra nytteplanter og arbejde med små planter ved hjælp af manipulatorer.

Mens mange landbrugsrobotter stadig er prototyper eller bliver testet i lille skala, er det allerede klart, at ML, AI og robotteknologi kan fungere godt i landbruget. Det kan med sikkerhed forudsiges, at mere og mere landbrugsarbejde vil blive automatiseret i den nærmeste fremtid.

Pasning af husdyr

Mange flere måder at bruge kunstig intelligens på i landbruget bliver aktivt udviklet. Eksempelvis et pilotprojekt af Neuromation bringer computervision til en industri, der endnu ikke har fået meget opmærksomhed fra deep learning-samfundet: dyrehold.

Der har selvfølgelig været forsøg på at bruge maskinlæring på husdyrsporingsdata. For eksempel, Pakistansk startup Cowlar introducerede et halsbånd, der fjernovervåger køernes aktivitet og temperatur under det iørefaldende slogan "FitBit for Cows." Franske videnskabsmænd er ved at udvikle ansigtsgenkendelse til køer.

Der er også forsøg på at bruge computervision i en tidligere forsømt industri til en værdi af hundreder af milliarder af dollars – svineavl. På moderne gårde holdes grise i relativt små grupper, hvor de mest lignende dyr udvælges. Hovedomkostningerne i svineproduktionen er fødevarer, og optimering af opfedningsprocessen er den centrale opgave for moderne svineproduktion.

Landmændene ville højst sandsynligt være i stand til at løse dette problem, hvis de havde detaljerede oplysninger om grisenes vægtøgning. Som pr dette site, dyr vejes normalt kun to gange i hele deres liv: i begyndelsen og slutningen af ​​opfedningen. Hvis eksperter vidste, hvordan hver pattegris opfedes, ville det være muligt at udarbejde et individuelt opfedningsprogram for hver gris og endda en individuel sammensætning af fødevaretilsætningsstoffer, som ville forbedre udbyttet markant. Det er ikke særlig svært at køre dyr op på vægten, men det er en enorm stress for dyret, og grise taber sig af stress. Det nye AI-projekt planlægger at udvikle en ny, ikke-invasiv metode til vejning af dyr. Neuromation vil bygge en computervisionsmodel, der vil estimere vægten af ​​grise ud fra foto- og videodata. Disse estimater vil blive ført ind i de allerede klassiske, analytiske maskinlæringsmodeller, der vil forbedre opfedningsprocessen.

Landbrug ved en grænse for kunstig intelligens

Landbrug og dyrehold betragtes ofte som gammeldags industrier. I dag optræder landbruget dog i stigende grad i spidsen for kunstig intelligens.

Hovedårsagen her er, at mange opgaver i landbruget samtidig er:

• Komplekse nok til at de ikke kan automatiseres uden brug af moderne kunstig intelligens og dyb læring. Kultiverede planter og grise, selvom de ligner hinanden, forlod stadig ikke det samme samlebånd, hver tomatbusk og hver gris har brug for en individuel tilgang, og derfor var menneskelig indgriben indtil for nylig absolut nødvendig.
• Enkelt nok til, at vi med nutidens udvikling af kunstig intelligens kan løse dem under hensyntagen til de individuelle forskelle mellem planter og dyr og samtidig automatisere teknologierne til at arbejde med dem. At køre traktor på åben mark er lettere end at køre bil i trafikken, og at veje en gris er lettere end at lære at passere Turing-test.

Landbruget er stadig en af ​​de største og vigtigste industrier på planeten, og selv en lille stigning i effektiviteten vil bringe enorme gevinster blot på grund af denne industris store omfang.