KI in der Landwirtschaft: Computer Vision, Roboter und Waagen für Schweine

Künstliche Intelligenz erobert die Landwirtschaft und die Lebensmittelindustrie immer mehr.

Computer Vision in der Pflanzenanalyse

Um Milliarden von Menschen zu ernähren, benötigt man viel Land. Es ist unmöglich, dies heutzutage manuell zu bewirtschaften. Gleichzeitig führen Pflanzenkrankheiten und Insekteninvasionen oft zu Ernteausfällen. Mit dem modernen Umfang des Agrarbusiness ist es schwierig, solche Invasionen rechtzeitig zu identifizieren und im Keim zu ersticken.

Dies führt zu einem weiteren Bereich, in dem Computer-Vision-Algorithmen helfen können. Landwirte verwenden Computer-Vision, um Pflanzenkrankheiten zu erkennen, sowohl auf mikroskopischer Ebene, durch Nahaufnahmen von Blättern und Pflanzen, als auch auf makroskopischer Ebene, indem sie frühzeitige Anzeichen von Pflanzenkrankheiten oder Schädlingen aus Luftaufnahmen identifizieren. Diese Projekte basieren in der Regel auf dem beliebten Ansatz der Computer-Vision: convolutional neural networks.

Beachten Sie, dass ich hier über Computer-Vision in einem sehr weiten Sinne spreche. In vielen Fällen sind Bilder nicht die beste Quelle für Daten. Viele wichtige Aspekte des Pflanzenlebens können auf andere Weise besser untersucht werden. Die Pflanzengesundheit kann beispielsweise oft besser durch die Erfassung von hyperspektralen Bildern mit speziellen Sensoren oder durch 3D-Laser-Scanning verstanden werden. Solche Methoden werden zunehmend in der Agronomie eingesetzt. Diese Datentypen sind in der Regel hochauflösend und ähneln eher medizinischen Bildern als Fotografien. Eines der Systeme für die Überwachung von Feldern heißt AgMRI. Um diese Daten zu verarbeiten, sind spezielle Modelle erforderlich, aber ihre räumliche Struktur ermöglicht die Verwendung moderner Computer-Vision-Technologien, insbesondere Convolutional Neural Networks.

Millionen werden in die Forschung zur Pflanzenphänotypisierung und -bildgebung investiert. Die Hauptaufgabe besteht hier darin, große Datensätze über Pflanzen (in der Regel in Form von Fotografien oder 3D-Bildern) zu sammeln und Phänotyp-Daten mit Pflanzengenotypen zu vergleichen. Die Ergebnisse und Daten können zur Verbesserung der Agrartechnologien auf der ganzen Welt verwendet werden.

Robotik in der Landwirtschaft

Autonome Landwirtschaftsroboter wie Prospero können ein Loch in den Boden graben und etwas hineinpflanzen, indem sie vorher festgelegte allgemeine Muster befolgen und die spezifischen Merkmale der Landschaft berücksichtigen. Roboter können auch den Wachstumsprozess überwachen, indem sie mit jeder Pflanze individuell arbeiten. Wenn der Zeitpunkt richtig ist, ernten die Roboter, indem sie jede Pflanze genau so behandeln, wie es sein sollte. Prospero basiert auf dem Konzept des Schwarm-Ackerbaus. Stellen Sie sich eine Armee von kleinen Prospero vor, die durch die Felder krabbelt und ordentliche, gleichmäßige Reihen von Pflanzen hinterlässt. Interessanterweise erschien Prospero bereits 2011, bevor die moderne Deep-Learning-Revolution begann. Heute verbreiten sich Roboter schnell in der Landwirtschaft, was es ermöglicht, immer mehr Routineaufgaben zu automatisieren:

• Automatisierte Drohnen besprühen Pflanzen. Kleine, agile Drohnen können gefährliche Chemikalien genauer abgeben als herkömmliche Flugzeuge. Darüber hinaus können Sprühdrohnen für Luftaufnahmen verwendet werden, um Daten für die oben erwähnten Computer-Vision-Algorithmen zu erhalten.
• Es werden immer mehr spezialisierte Roboter für die Ernte entwickelt und eingesetzt. Mähdrescher gibt es bereits seit langem. Erst jetzt, mit Hilfe moderner Computer-Vision- und Roboter-Methoden, war es möglich, beispielsweise einen Roboter zu entwickeln, der Erdbeeren pflückt.
• Roboter wie Hortibot können einzelne Unkrautpflanzen erkennen und mechanisch entfernen. Dies ist ein weiterer großer Erfolg der modernen Robotik und Computer-Vision, da es vorher unmöglich war, Unkraut von nützlichen Pflanzen zu unterscheiden und mit kleinen Pflanzen mit Manipulatoren zu arbeiten.

Obwohl viele landwirtschaftliche Roboter noch Prototypen sind oder auf kleinen Skalen getestet werden, ist bereits klar, dass ML, KI und Robotik in der Landwirtschaft gut funktionieren können. Es kann sicher vorhergesagt werden, dass in naher Zukunft immer mehr landwirtschaftliche Arbeiten automatisiert werden.

Pflege von Nutzvieh

Es gibt noch viele weitere Möglichkeiten, KI in der Landwirtschaft einzusetzen. Zum Beispiel bringt ein Pilotprojekt von Neuromation Computer-Vision in eine Branche, die bisher noch nicht viel Aufmerksamkeit von der Deep-Learning-Community erhalten hat: Tierhaltung.

Es gab natürlich bereits Versuche, Machine Learning auf Daten zur Tierverfolgung anzuwenden. Zum Beispiel stellte das pakistanische Startup Cowlar ein Halsband vor, das die Aktivität und Temperatur von Kühen remote überwacht, unter dem einprägsamen Slogan “FitBit für Kühe”. Französische Wissenschaftler entwickeln Gesichtserkennung für Kühe.

Es gibt auch Versuche, Computer-Vision in einer bisher vernachlässigten Branche im Wert von Hunderten von Milliarden Dollar einzusetzen – Schweinehaltung. Auf modernen Höfen werden Schweine in relativ kleinen Gruppen gehalten, in denen die ähnlichsten Tiere ausgewählt werden. Die Hauptkosten in der Schweineproduktion sind Nahrung, und die Optimierung des Mastprozesses ist die zentrale Aufgabe der modernen Schweineproduktion.

Die Landwirte könnten dieses Problem wahrscheinlich lösen, wenn sie detaillierte Informationen über das Gewichtszunahme der Schweine hätten. Wie diese Seite angibt, werden Tiere normalerweise nur zweimal in ihrem gesamten Leben gewogen: am Anfang und am Ende des Mastprozesses. Wenn Experten wüssten, wie jedes Schweinchen an Gewicht zunimmt, wäre es möglich, ein individuelles Mastprogramm für jedes Schwein zu erstellen, und sogar eine individuelle Zusammensetzung von Nahrungszusätzen, die den Ertrag erheblich verbessern würde. Es ist nicht sehr schwierig, die Tiere auf die Waage zu treiben, aber dies ist ein großer Stress für das Tier, und Schweine verlieren durch Stress Gewicht. Das neue KI-Projekt plant, eine neue, nicht-invasive Methode zur Gewichtsbestimmung von Tieren zu entwickeln. Neuromation wird ein Computer-Vision-Modell erstellen, das das Gewicht von Schweinen aus Foto- und Videodaten schätzt. Diese Schätzungen werden in die bereits klassischen, analytischen Machine-Learning-Modelle eingespeist, die den Mastprozess verbessern werden.

Landwirtschaft an der Grenze der künstlichen Intelligenz

Landwirtschaft und Tierhaltung gelten oft als altmodische Branchen. Heute jedoch erscheint die Landwirtschaft immer mehr an der Spitze der künstlichen Intelligenz.

Der Hauptgrund dafür ist, dass viele Aufgaben in der Landwirtschaft gleichzeitig:

• Komplex genug sind, um ohne den Einsatz moderner künstlicher Intelligenz und Deep Learning nicht automatisiert zu werden. Kultivierte Pflanzen und Schweine, obwohl sie ähnlich sind, sind noch nicht von der gleichen Montagelinie gekommen, und jede Tomatenpflanze und jedes Schwein benötigt einen individuellen Ansatz, und daher war bis vor kurzem menschliche Intervention absolut notwendig.
• Einfach genug sind, um mit der heutigen Entwicklung der künstlichen Intelligenz gelöst zu werden, unter Berücksichtigung der individuellen Unterschiede zwischen Pflanzen und Tieren, während auch die Technologien für die Arbeit mit ihnen automatisiert werden. Das Fahren eines Traktors auf einem offenen Feld ist einfacher als das Fahren eines Autos im Verkehr, und das Wiegen eines Schweins ist einfacher als das Bestehen des Turing-Tests.

Die Landwirtschaft ist noch eine der größten und wichtigsten Branchen auf dem Planeten, und selbst eine kleine Steigerung der Effizienz wird enorme Gewinne bringen, einfach weil die Branche so groß ist.