AI i landbrug: Computer vision, robotter og vægte til svin

Kunstig intelligens er hurtigt på vej til at erobre landbrug og fødevareindustrien.

Computer vision i afgrødeanalyse

For at føde milliarder af mennesker, har man brug for mange landbrugsarealer. Det er umuligt at dyrke dem manuelt i dag. Samtidig fører plantesygdomme og insektangreb ofte til afgrødefejl. Med den moderne skala af landbrugsforretning er det svært at identificere og neutralisere disse angreb i tide.

Dette introducerer endnu et område, hvor computer vision-algoritmer kan hjælpe. Landmænd bruger computer vision til at genkende afgrødesygdomme, både på mikro-niveau, fra nærbilleder af blade og planter, og på makro-niveau, ved at identificere tidlige tegn på plantesygdom eller skadedyr fra luftfotografering. Disse projekter er normalt baseret på den populære tilgang til computer vision: konvolutionelle neurale netværk.

Bemærk, at jeg her taler om computer vision i en meget bred forstand. I mange tilfælde er billeder ikke den bedste kilde til data. Mange vigtige aspekter af planteliv kan bedst studeres på andre måder. Plantens sundhed kan ofte bedst forstås, for eksempel, ved at indsamle hyperspektral billeder med speciale sensorer eller udføre 3D-laser-scanning. Sådanne metoder bliver mere og mere brugt i agronomi. Denne type data er normalt højopløst og ligner mere medicinsk billedbehandling end fotografier. Et af systemerne til markovervågning hedder AgMRI. Til at behandle denne data er der behov for speciale modeller, men deres rumlige struktur tillader brugen af moderne computer vision-teknologier, især konvolutionelle neurale netværk.

Millioner investeres i plantefenotypning og billedforskning. Den primære opgave her er at indsamle store datasæt om afgrøder (normalt i form af billeder eller tredimensionelle billeder) og sammenligne fenotypdata med plantegenotyp. Resultaterne og data kan bruges til at forbedre landbrugsteknologier over hele verden.

Robotter i landbrug

Selvstændige landbrugsrobotter som Prospero kan grave et hul i jorden og plante noget i det, følge forudbestemte generelle mønstre og tage hensyn til landskabets specifikke karakteristika. Robotter kan også tage sig af vækstprocessen, arbejde med hver enkelt plante individuelt. Når tiden er inde, vil robotterne høste, igen behandling hver enkelt plante præcist, som den skal. Prospero er baseret på konceptet swarm-landbrug. Forestil dig en hær af små Prospero, der kravler gennem markerne og efterlader pæne, jævne rækker af planter i deres kølvand. Interessant nok opstod Prospero allerede i 2011, før den moderne dybe lærings revolution. I dag breder robotter sig hurtigt i landbrug, hvilket tillader at automatisere mere og mere rutineopgaver:

• Automatiserede droner sprayer afgrøder. Små, agile droner kan levere giftige kemikalier mere præcist end konventionelle fly. Desuden kan sprayer-droner bruges til luftfotografering til at få data til computer vision-algoritmerne, som nævnt i starten af denne artikel.
• Der udvikles og bruges mere og mere specialiserede robotter til høst. Kombinerhøstere har eksisteret i lang tid. Men først nu, med hjælp af moderne metoder til computer vision og robotteknologi, har det været muligt at udvikle, for eksempel, en robot, der plukker jordbær.
• Robotter som Hortibot kan genkende og dræbe enkeltvej, ved at mekanisk fjerne dem. Dette er endnu en stor succes for moderne robotteknologi og computer vision, da det tidligere var umuligt at skelne mellem ukrudt og nyttige planter og arbejde med små planter med manipulatorer.

Selv om mange landbrugsrobotter stadig er prototyper eller testes på en lille skala, er det allerede klart, at ML, AI og robotteknologi kan fungere godt i landbrug. Det kan sikkert forudses, at mere og mere landbrugsarbejde vil blive automatiseret i den nærmeste fremtid.

At tage sig af landbrugsdyr

Der udvikles mange flere måder at bruge AI i landbrug på. For eksempel bringer et pilotprojekt af Neuromation computer vision til en industri, som ikke har fået megen opmærksomhed fra det dybe læringsfællesskab endnu: dyreavl.

Der har naturligvis været forsøg på at bruge maskinlæring på data om dyreforfølgning. For eksempel introducerede den pakistanske startup Cowlar en halsbånd, der fjernovervåger aktiviteten og temperaturen hos køer under sloganet “FitBit for køer.” Franske videnskabsmænd udvikler ansigtsgenkendelse til køer.

Der er også forsøg på at bruge computer vision i en tidligere forladt industri, der er værd hundredvis af milliarder dollars – svineavl. På moderne svinefarme holdes svin i relativt små grupper, hvor de mest lignende dyr er valgt. Den primære omkostning i svineproduktion er føde, og optimeringen af fedningsprocessen er den centrale opgave i moderne svineproduktion.

Landmændene ville sandsynligvis være i stand til at løse dette problem, hvis de havde detaljeret information om svindens vægtøgning. Ifølge dette websted vejes dyr normalt kun to gange i deres liv: ved starten og slutningen af fedningen. Hvis eksperterne vidste, hvordan hver svineunge voksede, ville det være muligt at udarbejde et individuelt fedningsprogram for hver svin, og endda en individuel sammensætning af føde tilføjelser, hvilket ville forbedre udbyttet betydeligt. Det er ikke særlig svært at køre dyrne på vægten, men dette er en enorm stress for dyret, og svin taber vægt på grund af stress. Det nye AI-projekt planlægger at udvikle en ny, ikke-invasiv metode til at veje dyr. Neuromation vil bygge en computer vision-model, der kan estime svindens vægt fra foto- og video-data. Disse estimeringer vil blive ført ind i de allerede klassiske, analytiske maskinlæringsmodeller, der vil forbedre fedningsprocessen.

Landbrug på kanten af kunstig intelligens

Landbrug og dyreavl bliver ofte betragtet som gammeldags industrier. I dag er landbrug dog mere og mere på forkanten af kunstig intelligens.

Den primære årsag her er, at mange opgaver i landbrug er samtidig:

• Komplekse nok til, at de ikke kan automatiseres uden brug af moderne kunstig intelligens og dyb læring. Dyrkede planter og svin, selv om de ligner hinanden, er ikke kommet fra samme samlebånd, hver tomatbusk og hver svin har brug for en individuel tilgang, og derfor har menneskelig indgriben været absolut nødvendig, indtil meget nylig.
• Simple nok til, at vi kan løse dem med i dagens udvikling af kunstig intelligens, hvor vi kan tage hensyn til de individuelle forskelle mellem planter og dyr, samtidig med at vi automatiserer teknologierne til at arbejde med dem. At køre en traktor i et åbent felt er nemmere end at køre en bil i trafik, og at veje et svin er nemmere end at lære at bestå Turing-testen.

Landbrug er stadig en af de største og vigtigste industrier på kloden, og selv en lille øgning i effektivitet vil give enorme gevinster blot på grund af industrens enorme skala. At køre en mark er nemmere end at køre en bil i trafik, og at veje et svin er nemmere end at lære at bestå Turing-testen. Landbrug er stadig en af de største og vigtigste industrier på kloden, og selv en lille øgning i effektivitet vil give enorme gevinster blot på grund af industrens enorme skala.