Μοντέλα και πλατφόρμες AI
Η Τεχνητή Νοημοσύνη στη Γεωργία: Υπολογιστική Όραση, Ρομπότ και Ζυγαριά για Χοίρους
Βασικά σημείαΗ Neuromation χρησιμοποιεί υπολογιστική όραση για να εκτιμά το βάρος των χοίρων από…
Δείτε περισσότερα
- Η Neuromation χρησιμοποιεί υπολογιστική όραση για να εκτιμά το βάρος των χοίρων από φωτογραφίες, μειώνοντας το άγχος της χειροκίνητης ζύγισης.
- Η AgMRI εφαρμόζει συνελικτικά νευρωνικά δίκτυα σε υπερφασματικά και τρισδιάστατα δεδομένα λέιζερ για την έγκαιρη ανίχνευση ασθενειών των καλλιεργειών.
- Τα ρομπότ Prospero εφαρμόζουν γεωργία σμήνους για να φυτεύουν, να φροντίζουν και να συγκομίζουν αυτόνομα καλλιέργειες με ακρίβεια σε επίπεδο μεμονωμένου φυτού.
Η τεχνητή νοημοσύνη κατακτά γρήγορα τη γεωργία και την βιομηχανία τροφίμων.
Υπολογιστική όραση στην ανάλυση καλλιεργειών
Για να ταΐσετε δισεκατομμύρια ανθρώπους, χρειάζεστε πολλές εκτάσεις. Είναι αδύνατο να τις καλλιεργήσετε χειροκίνητα αυτές τις μέρες. Ταυτόχρονα, οι ασθένειες των φυτών και οι εισβολές εντόμων συχνά οδηγούν σε αποτυχίες καλλιεργειών. Με το σύγχρονο μέγεθος της γεωργικής επιχείρησης, τέτοιες εισβολές είναι δύσκολο να αναγνωριστούν και να εξουδετερωθούν εγκαίρως.
Αυτό εισάγει μια ακόμη περιοχή όπου οι αλγόριθμοι υπολογιστικής όρασης μπορούν να βοηθήσουν. Οι καλλιεργητές χρησιμοποιούν υπολογιστική όραση για να αναγνωρίσουν ασθένειες καλλιεργειών, τόσο στο μικροσκοπικό επίπεδο, από κοντινές εικόνες φύλλων και φυτών, όσο και στο μακροσκοπικό επίπεδο, αναγνωρίζοντας πρώιμα σημάδια ασθένειας φυτών ή εντόμων από αεροφωτογράφηση. Αυτά τα έργα βασίζονται συνήθως στην δημοφιλή προσέγγιση της υπολογιστικής όρασης: συνελικτικά νευρωνικά δίκτυα.
Σημειώστε ότι μιλάω εδώ για υπολογιστική όραση σε μια πολύ ευρεία έννοια. Σε πολλές περιπτώσεις, οι εικόνες δεν είναι η καλύτερη πηγή δεδομένων. Πολλά σημαντικά χαρακτηριστικά της ζωής των φυτών μπορούν να μελετηθούν καλύτερα με άλλους τρόπους. Η υγεία των φυτών μπορεί συχνά να κατανοηθεί καλύτερα, για παράδειγμα, συλλέγοντας υπερφασματικές εικόνες με ειδικούς αισθητήρες ή εκτελώντας 3D laser σάρωση. Τέτοιες μέθοδοι χρησιμοποιούνται όλο και περισσότερο στη γεωργία. Αυτός ο τύπος δεδομένων είναι συνήθως υψηλής ανάλυσης και είναι πιο κοντά στην ιατρική απεικόνιση παρά σε φωτογραφίες. Ένα από τα συστήματα για την παρακολούθηση των πεδίων ονομάζεται AgMRI. Για την επεξεργασία αυτών των δεδομένων, απαιτούνται ειδικά μοντέλα, αλλά η χωρική δομή τους επιτρέπει τη χρήση σύγχρονων τεχνολογιών υπολογιστικής όρασης, ιδίως συνελικτικών νευρωνικών δικτύων.
Εκατομμύρια επενδύονται στην έρευνα φαινοτύπησης και απεικόνισης φυτών. Η κύρια εργασία εδώ είναι να συλλεχθούν μεγάλα σύνολα δεδομένων για τις καλλιέργειες (συνήθως στην μορφή φωτογραφιών ή τρισδιάστατων εικόνων) και να συγκριθούν δεδομένα φαινοτύπου με γονότυπο φυτών. Τα αποτελέσματα και τα δεδομένα μπορούν να χρησιμοποιηθούν για τη βελτίωση των γεωργικών τεχνολογιών σε όλο τον κόσμο.
Ρομποτική στη γεωργία
Αυτόνομα γεωργικά ρομπότ όπως το Prospero μπορούν να σκάψουν ένα λάκκο στο έδαφος και να φυτέψουν κάτι σε αυτόν, ακολουθώντας προκαθορισμένα γενικά μοτίβα και λαμβάνοντας υπόψη τα συγκεκριμένα χαρακτηριστικά του τοπίου. Τα ρομπότ μπορούν επίσης να φροντίσουν τη διαδικασία ανάπτυξης, εργαζόμενα με κάθε φυτό ξεχωριστά. Όταν είναι η σωστή στιγμή, τα ρομπότ θα θερίσουν, αντιμετωπίζοντας κάθε φυτό ακριβώς όπως πρέπει. Το Prospero βασίζεται στην έννοια της γεωργίας με σμήνη ρομπότ. Φανταστείτε ένα στρατό μικρών Prospero που περπατάει μέσα από τα πεδία, αφήνοντας πίσω του τακτοποιημένες και ομοιόμορφες σειρές φυτών. Το Prospero εμφανίστηκε στην πραγματικότητα το 2011, πριν από την ακμή της σύγχρονης επανάστασης της βαθιάς μάθησης. Σήμερα, τα ρομπότ εξαπλώνονται γρήγορα στη γεωργία, επιτρέποντας την αυτοματοποίηση ολοένα και περισσότερων εργασιών ρουτίνας:
- Αυτοματοποιημένα drones ψεκάζουν καλλιέργειες. Μικρά, ευέλικτα drones μπορούν να παραδώσουν επικίνδυνες ουσίες με μεγαλύτερη ακρίβεια από τα συμβατικά αεροσκάφη. Επιπλέον, drones ψεκασμού μπορούν να χρησιμοποιηθούν για αεροφωτογράφηση για την απόκτηση δεδομένων για αλγόριθμους υπολογιστικής όρασης που αναφέρθηκαν στην αρχή του άρθρου.
- Αναπτύσσονται και χρησιμοποιούνται ολοένα και περισσότερα εξειδικευμένα ρομπότ για τη συγκομιδή. Οι θεριζοαλωνιστικές μηχανές υπάρχουν εδώ και πολύ καιρό. Όμως, μόνο τώρα, με τη βοήθεια των σύγχρονων μεθόδων υπολογιστικής όρασης και ρομποτικής, ήταν δυνατό να αναπτύξουν, για παράδειγμα, ένα ρομπότ που μαζεύει φράουλες.
- Ρομπότ όπως το Hortibot μπορούν να αναγνωρίσουν και να σκοτώσουν μεμονωμένα ζιζάνια με την αφαίρεση τους μηχανικά. Αυτό είναι μια ακόμη μεγάλη επιτυχία της σύγχρονης ρομποτικής και υπολογιστικής όρασης, καθώς πριν ήταν αδύνατο να διακρίνουν τα ζιζάνια από τα χρήσιμα φυτά και να εργαστούν με μικρά φυτά χρησιμοποιώντας ρομποτικούς χειριστές.
Ενώ πολλά γεωργικά ρομπότ είναι ακόμη πρωτότυπα ή δοκιμάζονται σε μικρή κλίμακα, είναι ήδη σαφές ότι η μηχανική μάθηση, η τεχνητή νοημοσύνη και η ρομποτική μπορούν να δουλέψουν καλά στη γεωργία. Μπορεί να προβλεφθεί με ασφάλεια ότι ολοένα και περισσότερο γεωργικό έργο θα αυτοματοποιηθεί στο κοντινό μέλλον.
Φροντίδα για τα ζώα της φάρμας
Πολλοί περισσότεροι τρόποι για τη χρήση της τεχνητής νοημοσύνης στη γεωργία αναπτύσσονται ενεργά. Για παράδειγμα, ένα πιλοτικό έργο από το Neuromation φέρνει την υπολογιστική όραση σε μια βιομηχανία που δεν έχει λάβει πολλή προσοχή από την κοινότητα της βαθιάς μάθησης: την κτηνοτροφία.
Υπήρξαν, φυσικά, προσπάθειες να χρησιμοποιηθεί η μηχανική μάθηση σε δεδομένα παρακολούθησης ζωικού κεφαλαίου. Για παράδειγμα, το πακιστανικό νεοφυές εγχείρημα Cowlar εισήγαγε ένα κολάρο που παρακολουθεί εξ αποστάσεως τη δραστηριότητα και τη θερμοκρασία των βοοειδών με το εύηχο σύνθημα “FitBit για βοοειδή”. Γάλλοι επιστήμονες αναπτύσσουν αναγνώριση προσώπου για βοοειδή.
Υπάρχουν επίσης προσπάθειες να χρησιμοποιηθεί η υπολογιστική όραση σε μια προηγουμένως παραμελημένη βιομηχανία αξίας εκατοντάδων δισεκατομμυρίων δολαρίων – τη χοιροτροφία. Σε σύγχρονες φάρμες, οι χοίροι κρατούνται σε σχετικά μικρές ομάδες, στις οποίες επιλέγονται τα πιο όμοια ζώα. Το κύριο κόστος στην παραγωγή χοίρων είναι η τροφή, και η βελτίωση της διαδικασίας πάχυνσης είναι ο κεντρικός στόχος της σύγχρονης παραγωγής χοίρων.
Οι αγρότες θα ήταν πιο πιθανό να λύσουν αυτό το πρόβλημα αν είχαν λεπτομερείς πληροφορίες σχετικά με την αύξηση βάρους των χοίρων. Σύμφωνα με αυτό το site, τα ζώα ζυγίζονται συνήθως μόνο δύο φορές στη διάρκεια της ζωής τους: στην αρχή και στο τέλος της πάχυνσης. Αν οι εμπειρογνώμονες ήξεραν πώς κάθε χοιρίδιο παχαίνει, θα ήταν δυνατό να δημιουργηθεί ένα ατομικό πρόγραμμα πάχυνσης για κάθε χοίρο, ακόμη και μια ατομική σύνθεση προσθέτων ζωοτροφών, που θα βελτίωνε σημαντικά την απόδοση. Δεν είναι πολύ δύσκολο να οδηγήσετε τα ζώα στη ζυγαριά, αλλά αυτό είναι ένα τεράστιο στρες για το ζώο, και οι χοίροι χάνουν βάρος από το στρες. Το νέο έργο τεχνητής νοημοσύνης προτίθεται να αναπτύξει μια νέα, μη επεμβατική μέθοδο ζύγισης των ζώων. Το Neuromation θα δημιουργήσει ένα μοντέλο υπολογιστικής όρασης που θα εκτιμά το βάρος των χοίρων από φωτογραφίες και βίντεο. Αυτές οι εκτιμήσεις θα τροφοδοτήσουν τα ήδη κλασικά, αναλυτικά μοντέλα μηχανικής μάθησης που θα βελτιώσουν τη διαδικασία πάχυνσης.
Η γεωργία στο μέτωπο της τεχνητής νοημοσύνης
Η γεωργία και η κτηνοτροφία συχνά θεωρούνται παλιές βιομηχανίες. Σήμερα, όμως, η γεωργία εμφανίζεται ολοένα και περισσότερο στο μέτωπο της τεχνητής νοημοσύνης.
Ο κύριος λόγος εδώ είναι ότι πολλές εργασίες στη γεωργία είναι ταυτόχρονα:
- Αρκετά σύνθετες ώστε να μην μπορούν να αυτοματοποιηθούν χωρίς τη χρήση σύγχρονης τεχνητής νοημοσύνης και βαθιάς μάθησης. Τα καλλιεργημένα φυτά και οι χοίροι, αν και παρόμοια μεταξύ τους, δεν βγήκαν από την ίδια γραμμή συναρμολόγησης, και κάθε τοματόφυτο και κάθε χοίρος χρειάζονται μια ατομική προσέγγιση, και επομένως, μέχρι πολύ πρόσφατα, η ανθρώπινη παρέμβαση ήταν απολύτως απαραίτητη.
- Αρκετά απλές ώστε με την τρέχουσα ανάπτυξη της τεχνητής νοημοσύνης, μπορούμε να λύσουμε αυτά τα προβλήματα, λαμβάνοντας υπόψη τις ατομικές διαφορές μεταξύ φυτών και ζώων, ενώ ταυτόχρονα αυτοματοποιούμε τις τεχνολογίες για την εργασία με αυτά. Η οδήγηση ενός τρακτέρ σε ένα ανοιχτό πεδίο είναι πιο εύκολη από την οδήγηση ενός αυτοκινήτου στην κυκλοφορία, και το ζύγισμα ενός χοίρου είναι πιο εύκολο από το να μάθεις να περάσεις το τεστ Turing.
Η γεωργία είναι ακόμη μια από τις μεγαλύτερες και πιο σημαντικές βιομηχανίες στον πλανήτη, και ακόμη και μια μικρή αύξηση της αποδοτικότητας θα φέρει τεράστια κέρδη απλώς και μόνο λόγω του τεράστιου μεγέθους αυτής της βιομηχανίας.












