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 Insektenbefall oft zu Ernteausfällen. Mit dem modernen Umfang des Agrarbusiness ist es schwierig, diese Befall zu identifizieren und rechtzeitig zu neutralisieren.

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 frühe 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 oft besser verstanden werden, indem man beispielsweise hyperspektrale Bilder mit speziellen Sensoren aufnimmt oder 3D-Laser-Scans durchführt. Solche Methoden werden immer mehr in der Agronomie eingesetzt. Diese Datentypen sind in der Regel hochauflösend und ähneln mehr der medizinischen Bildgebung als Fotografien. Eines der Systeme für die Überwachung von Feldern heißt AgMRI. Um diese Daten zu verarbeiten, werden spezielle Modelle benötigt, 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 Pflanzen-Genotypen zu vergleichen. Die Ergebnisse und Daten können verwendet werden, um landwirtschaftliche Technologien auf der ganzen Welt zu verbessern.

Roboter in der Landwirtschaft

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

• Automatisierte Drohnen besprühen Pflanzen. Kleine, wendige Drohnen können gefährliche Chemikalien genauer abgeben als herkömmliche Flugzeuge. Darüber hinaus können Sprühdrohnen für Luftaufnahmen verwendet werden, um Daten für Computer-Vision-Algorithmen zu erhalten, die am Anfang dieses Artikels erwähnt wurden.
• 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 Robotik-Methoden, konnte beispielsweise ein Roboter entwickelt werden, 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 Flächen getestet werden, ist es bereits klar, dass ML, KI und Robotik gut in der Landwirtschaft funktionieren können. Es kann sicher vorhergesagt werden, dass in naher Zukunft immer mehr landwirtschaftliche Arbeiten automatisiert werden.

Tierpflege auf dem Bauernhof

Es gibt noch viele weitere Möglichkeiten, KI in der Landwirtschaft einzusetzen. Zum Beispiel führt ein Pilotprojekt von Neuromation Computer-Vision in eine Branche ein, 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 der 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. Laut dieser Website werden Tiere normalerweise nur zweimal in ihrem ganzen Leben gewogen: am Anfang und am Ende des Mastprozesses. Wenn Experten wüssten, wie jedes Schweinchen zunimmt, könnten sie ein individuelles Mastprogramm für jedes Schwein erstellen und sogar eine individuelle Zusammensetzung von Nahrungszusätzen, was die Erträge 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 will ein Computer-Vision-Modell aufbauen, 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 werden zu können. Kultivierte Pflanzen und Schweine, obwohl sie ähnlich sind, sind nicht von derselben Fließbandproduktion gekommen, und jede Tomatenpflanze und jedes Schwein benötigt einen individuellen Ansatz, und daher war bis vor Kurzem menschliches Eingreifen absolut notwendig.
• Einfach genug sind, um mit heutiger künstlicher Intelligenz gelöst zu werden, wobei die individuellen Unterschiede zwischen Pflanzen und Tieren berücksichtigt werden und gleichzeitig 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 Lernen, den Turing-Test zu bestehen.

Die Landwirtschaft ist noch immer eine der größten und wichtigsten Branchen auf der Erde, und selbst eine winzige Steigerung der Effizienz wird aufgrund des enormen Umfangs dieser Branche enorme Gewinne bringen. Das Fahren auf einem offenen Feld ist einfacher als das Fahren eines Autos im Verkehr, und das Wiegen eines Schweins ist einfacher als das Lernen, den Turing-Test zu bestehen. Die Landwirtschaft ist noch immer eine der größten und wichtigsten Branchen auf der Erde, und selbst eine winzige Steigerung der Effizienz wird aufgrund des enormen Umfangs dieser Branche enorme Gewinne bringen.