Πνευματική Ιδιοκτησία στη Γεωργία: Υπολογιστική Όραση, Ρομπότ και Ζυγαριά για Χοίρους

Η τεχνητή νοημοσύνη κατακτά γρήγορα τη γεωργία και την βιομηχανία τροφίμων.

Υπολογιστική όραση στη μελέτη των καλλιεργειών

Για να ταΐσετε δισεκατομμύρια ανθρώπων, χρειάζεστε πολλές εκτάσεις. Είναι αδύνατο να τις καλλιεργήσετε με το χέρι αυτές τις μέρες. Ταυτόχρονα, οι ασθένειες των φυτών και οι εισβολές εντόμων συχνά οδηγούν σε αποτυχίες των καλλιεργειών. Με το σύγχρονο μέγεθος της γεωργικής επιχείρησης, τέτοιες εισβολές είναι δύσκολο να αναγνωριστούν και να εξουδετερωθούν στο στάδιο της γέννησής τους.
Αυτό εισάγει μια ακόμη περιοχή όπου οι αλγόριθμοι υπολογιστικής όρασης μπορούν να βοηθήσουν. Οι καλλιεργητές χρησιμοποιούν υπολογιστική όραση για να αναγνωρίσουν τις ασθένειες των καλλιεργειών, τόσο στο μικροσκοπικό επίπεδο, από φωτογραφίες φύλλων και φυτών, όσο και στο μακροσκοπικό επίπεδο, αναγνωρίζοντας τις πρώτες ενδείξεις ασθενειών φυτών ή εντόμων από εναέριες φωτογραφίες. Αυτά τα έργα βασίζονται συνήθως στη δημοφιλή προσέγγιση της υπολογιστικής όρασης: convolutional neural networks.
Σημειώστε ότι μιλάω εδώ για υπολογιστική όραση σε πολύ ευρύ sentido. Σε πολλές περιπτώσεις, οι εικόνες δεν είναι η καλύτερη πηγή δεδομένων. Πολλά σημαντικά аспектs 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 μεθόδους χρησιμοποιούνται ολοένα και περισσότερο στη γεωργία. Αυτό το είδος δεδομένων είναι συνήθως υψηλής ανάλυσης και είναι πιο κοντά στη ιατρική απεικόνιση παρά στις φωτογραφίες. Ένα από τα συστήματα για την παρακολούθηση του πεδίου ονομάζεται AgMRI. Για την επεξεργασία αυτών των δεδομένων, απαιτούνται ειδικά μοντέλα, αλλά η χωρική δομή τους επιτρέπει τη χρήση σύγχρονων τεχνολογιών υπολογιστικής όρασης, ιδιαίτερα των convolutional neural networks.
Εκατομμύρια επενδύονται στην έρευνα φαινοτυπικής και εικόνας φυτών. Το κύριο καθήκον εδώ είναι να συλλέξουν μεγάλες σειρές δεδομένων για τις καλλιέργειες (συνήθως στη μορφή φωτογραφιών ή τρισδιάστατων εικόνων) και να συγκρίνουν τα δεδομένα φαινοτύπου με το γονότυπο των φυτών. Τα αποτελέσματα και τα δεδομένα μπορούν να χρησιμοποιηθούν για τη βελτίωση των γεωργικών τεχνολογιών σε όλο τον κόσμο.

Ρομποτική στη γεωργία

Αυτόνομες γεωργικές ρομπότ όπως το Prospero μπορούν να σκάψουν ένα λάκκο στο έδαφος και να φυτέψουν κάτι σε αυτό, ακολουθώντας προκαθορισμένα γενικά σχέδια και λαμβάνοντας υπόψη τις ιδιαίτερες χαρακτηριστικές του τοπίου. Τα ρομπότ μπορούν επίσης να φροντίσουν τη διαδικασία ανάπτυξης, εργαζόμενα με κάθε φυτό ξεχωριστά. Όταν έρθει η ώρα, τα ρομπότ θα θερίσουν, αντιμετωπίζοντας κάθε φυτό ακριβώς όπως πρέπει. Το Prospero βασίζεται στην концепция της σμήνους γεωργίας. Φανταστείτε ένα στρατό από μικρά Prospero που περπατούν μέσα από τα πεδία αφήνοντας καθαρές, ομοιόμορφες σειρές φυτών στο πέρασμά τους. Ενδιαφέρον είναι ότι το Prospero εμφανίστηκε πραγματικά το 2011, πριν από την εποχή της σύγχρονης επανάστασης του deep learning. Σήμερα, τα ρομπότ εξαπλώνονται γρήγορα στη γεωργία, επιτρέποντας να αυτοματοποιούνται ολοένα και περισσότερες ρουτινικές εργασίες:

• Αυτοματοποιημένα drones ψεκάζουν τις καλλιέργειες. Μικρά, ευέλικτα drones μπορούν να παραδώσουν επικίνδυνες ουσίες με μεγαλύτερη ακρίβεια από τα συμβατικά αεροσκάφη. Επιπλέον, drones ψεκασμού μπορούν να χρησιμοποιηθούν για εναέριες φωτογραφίες για να ληφθούν δεδομένα για τους αλγόριθμους υπολογιστικής όρασης που αναφέρθηκαν στην αρχή του άρθρου.
• Αναπτύσσονται και χρησιμοποιούνται ολοένα και περισσότεροι εξειδικευμένοι ρομπότ για τη θερισμό. Οι συνδυαστικοί θερισταί υπάρχουν για 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 φραγκοστάφυλα.
• Ρομπότ όπως το Hortibot μπορούν να αναγνωρίσουν και να σκοτώσουν отдельные ζιζάνια με τη μηχανική αφαίρεσή τους. 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 χειριστήρια.

Ενώ πολλά γεωργικά ρομπότ είναι ακόμη πρωτότυπα ή δοκιμάζονται σε μικρή κλίμακα, είναι ήδη σαφές ότι η ML, η AI και η ρομποτική μπορούν να λειτουργήσουν 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

Πολλές περισσότερες τρόποι για να χρησιμοποιηθεί η AI στη γεωργία αναπτύσσονται ενεργά. Για παράδειγμα, ένα πιλοτικό έργο από Neuromation φέρνει υπολογιστική όραση σε μια βιομηχανία που δεν έχει λάβει πολλή προσοχή από την κοινότητα του deep learning μέχρι τώρα: την κτηνοτροφία.
Υπήρξαν, βέβαια, προσπάθειες να χρησιμοποιηθεί η μηχανική μάθηση σε δεδομένα παρακολούθησης ζωικού κεφαλαίου. Για παράδειγμα, ο Πακιστανικός εκκινητής Cowlar εισήγαγε ένα κολάρο που παρακολουθεί τη δραστηριότητα και τη θερμοκρασία των βοοειδών με το εύηχο σλόγκαν “FitBit για Βοοειδή”. Γάλλοι επιστήμονες αναπτύσσουν αναγνώριση προσώπου για βοοειδή.
Υπάρχουν επίσης προσπάθειες να χρησιμοποιηθεί υπολογιστική όραση σε μια προηγουμένως παραμελημένη βιομηχανία αξίας εκατοντάδων δισεκατομμυρίων δολαρίων – την κτηνοτροφία χοίρων. Σε σύγχρονες φάρμες, οι χοίροι κρατούνται σε σχετικά μικρές ομάδες, στις οποίες επιλέγονται τα πιο παρόμοια ζώα. Το κύριο κόστος στην παραγωγή χοίρων είναι η τροφή, και η βελτίωση της διαδικασίας πάχυνσης είναι το κεντρικό καθήκον της σύγχρονης κτηνοτροφίας χοίρων.
Οι αγρότες θα μπορούσαν πιθανώς να λύσουν αυτό το πρόβλημα αν είχαν λεπτομερείς πληροφορίες για την αύξηση του 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 διαδικασίας πάχυνσης. Αν οι εμπειρογνώμονες γνώριζαν πώς κάθε χοίρος παχαίνει, θα ήταν δυνατό να δημιουργηθεί ένα ατομικό πρόγραμμα πάχυνσης για κάθε χοίρο, και ακόμη και ένα ατομικό συνδυασμό τροφικών προσθέσεων, το οποίο θα βελτίωνε σημαντικά την απόδοση. Δεν είναι πολύ δύσκολο να οδηγήσετε τα ζώα στη ζυγαριά, αλλά αυτό είναι một τεράστιο στρες για το ζώο, και οι χοίροι χάνουν βάρος από το στρες. Το νέο έργο AI σχεδιάζει να αναπτύξει μια νέα, μη εισβατική μέθοδο ζύγισης των ζώων. Η Neuromation θα δημιουργήσει ένα μοντέλο υπολογιστικής όρασης που θα εκτιμά το βάρος των χοίρων από φωτογραφίες και βίντεο δεδομένα. Αυτές οι εκτιμήσεις θα τροφοδοτηθούν στα ήδη κλασικά, αναλυτικά μοντέλα μηχανικής μάθησης που θα βελτιώσουν τη διαδικασία πάχυνσης.

Η γεωργία στη前线 της τεχνητής νοημοσύνης

Η γεωργία και η κτηνοτροφία θεωρούνται συχνά παλιές βιομηχανίες. Σήμερα, όμως, η γεωργία εμφανίζεται ολοένα και περισσότερο στη前线 της τεχνητής νοημοσύνης.
Ο κύριος λόγος εδώ είναι ότι πολλές εργασίες στη γεωργία είναι ταυτόχρονα:

• Ικανές να αυτοματοποιηθούν χωρίς τη χρήση σύγχρονης τεχνητής νοημοσύνης και deep learning. Τα καλλιεργημένα φυτά και οι χοίροι, αν και παρόμοια μεταξύ τους, δεν βγήκαν από την ίδια γραμμή συναρμολόγησης, κάθε φυτό και κάθε χοίρος χρειάζονται μια ατομική προσέγγιση, και因此, μέχρι πολύ πρόσφατα, η ανθρώπινη παρέμβαση ήταν απόλυτα απαραίτητη.
• Απλά αρκετά ώστε, με τη σημερινή ανάπτυξη της τεχνητής νοημοσύνης, να μπορέσουμε να τις λύσουμε, 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 στη κυκλοφορία, και το ζύγισμα ενός χοίρου είναι πιο εύκολη από το να μάθεις να περάσεις το Turing test.

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 απλά και μόνο λόγω του μεγέθους αυτής της βιομηχανίας.