AI στη γεωργία: Computer Vision, Robots και Scales for Pigs

Η τεχνητή νοημοσύνη κατακτά ραγδαία τη γεωργία και τη βιομηχανία τροφίμων.

Υπολογιστική όραση στην ανάλυση των καλλιεργειών

Για να ταΐσεις δισεκατομμύρια ανθρώπους, χρειάζεσαι πολλά εδάφη. Είναι αδύνατο να το καλλιεργήσετε με το χέρι αυτές τις μέρες. Ταυτόχρονα, οι ασθένειες των φυτών και οι εισβολές εντόμων συχνά οδηγούν σε αποτυχίες των καλλιεργειών. Με τη σύγχρονη κλίμακα των αγροτικών επιχειρήσεων, τέτοιες εισβολές είναι δύσκολο να εντοπιστούν και να εξουδετερωθούν εγκαίρως.

Αυτό εισάγει έναν ακόμη τομέα όπου οι αλγόριθμοι όρασης υπολογιστή μπορούν να βοηθήσουν. Οι καλλιεργητές χρησιμοποιούν την όραση υπολογιστή για να αναγνωρίσουν τις ασθένειες των καλλιεργειών, τόσο σε μικροεπίπεδο, από κοντινές εικόνες φύλλων και φυτών, όσο και σε μακροεπίπεδο, εντοπίζοντας πρώιμα σημάδια ασθένειας των φυτών ή παρασίτων από αεροφωτογράφηση. Αυτά τα έργα βασίζονται συνήθως στη δημοφιλή προσέγγιση της όρασης υπολογιστών: συνελικτικά νευρωνικά δίκτυα.

Σημειώστε ότι εδώ μιλάω για την όραση υπολογιστή με μια πολύ ευρεία έννοια. Σε πολλές περιπτώσεις, οι εικόνες δεν είναι η καλύτερη πηγή δεδομένων. Πολλές σημαντικές πτυχές της ζωής των φυτών μπορούν καλύτερα να μελετηθούν με άλλους τρόπους. Η υγεία των φυτών μπορεί συχνά να γίνει καλύτερα κατανοητή, για παράδειγμα, συλλέγοντας υπερφασματικές εικόνες με ειδικούς αισθητήρες ή εκτελώντας τρισδιάστατη σάρωση με λέιζερ. Τέτοιες μέθοδοι χρησιμοποιούνται όλο και περισσότερο στη γεωπονία. Αυτός ο τύπος δεδομένων είναι συνήθως υψηλής ανάλυσης και είναι πιο κοντά στην ιατρική απεικόνιση παρά στις φωτογραφίες. Ένα από τα συστήματα παρακολούθησης πεδίου ονομάζεται AgMRI. Για την επεξεργασία αυτών των δεδομένων, χρειάζονται ειδικά μοντέλα, αλλά η χωρική τους δομή επιτρέπει τη χρήση σύγχρονων τεχνολογιών όρασης υπολογιστών, ιδίως συνελικτικών νευρωνικών δικτύων.

Εκατομμύρια επενδύονται στην έρευνα φαινοτύπου και απεικόνισης φυτών. Το κύριο καθήκον εδώ είναι η συλλογή μεγάλων συνόλων δεδομένων για τις καλλιέργειες (συνήθως με τη μορφή φωτογραφιών ή τρισδιάστατων εικόνων) και η σύγκριση δεδομένων φαινοτύπου με τον γονότυπο του φυτού. Τα αποτελέσματα και τα δεδομένα μπορούν να χρησιμοποιηθούν για τη βελτίωση των γεωργικών τεχνολογιών σε όλο τον κόσμο.

Η ρομποτική στη γεωργία

Τα αυτόνομα ρομπότ γεωργίας όπως Prospero μπορεί να σκάψει μια τρύπα στο έδαφος και να φυτέψει κάτι σε αυτό, ακολουθώντας προκαθορισμένα γενικά μοτίβα και λαμβάνοντας υπόψη τα ιδιαίτερα χαρακτηριστικά του τοπίου. Τα ρομπότ μπορούν επίσης να φροντίσουν τη διαδικασία ανάπτυξης, δουλεύοντας με κάθε φυτό ξεχωριστά. Όταν έρθει η κατάλληλη στιγμή, τα ρομπότ θα τρυγήσουν, αντιμετωπίζοντας και πάλι κάθε φυτό ακριβώς όπως θα έπρεπε. Το Prospero βασίζεται στην έννοια της καλλιέργειας σμήνων. Φανταστείτε έναν στρατό από τον μικρό Πρόσπερο να σέρνεται στα χωράφια αφήνοντας τακτοποιημένες, ακόμη και σειρές φυτών στο πέρασμά τους. Είναι ενδιαφέρον ότι το Prospero εμφανίστηκε στην πραγματικότητα το 2011, πριν από την ακμή της σύγχρονης επανάστασης βαθιάς μάθησης. Σήμερα, τα ρομπότ εξαπλώνονται γρήγορα στη γεωργία, επιτρέποντάς σας να αυτοματοποιείτε όλο και περισσότερες εργασίες ρουτίνας:

• Αυτοματοποιημένα drones ψεκάζουν καλλιέργειες. Τα μικρά, ευκίνητα drones είναι σε θέση να μεταφέρουν επικίνδυνες χημικές ουσίες με μεγαλύτερη ακρίβεια από τα συμβατικά αεροσκάφη. Επιπλέον, τα μη επανδρωμένα αεροσκάφη ψεκασμού μπορούν να χρησιμοποιηθούν για αεροφωτογράφηση για τη λήψη δεδομένων για αλγόριθμους όρασης υπολογιστή που αναφέρονται στην αρχή αυτού του άρθρου.
• Όλο και περισσότερα εξειδικευμένα ρομπότ για συγκομιδή αναπτύσσονται και χρησιμοποιούνται. Οι θεριζοαλωνιστικές μηχανές υπάρχουν εδώ και πολύ καιρό. Ακόμα, μόνο τώρα, με τη βοήθεια σύγχρονων μεθόδων όρασης υπολογιστών και ρομποτικής, κατέστη δυνατή η ανάπτυξη, για παράδειγμα, ενός ρομπότ που μαζεύει φράουλες.
• Τα ρομπότ αρέσουν Hortibot είναι σε θέση να αναγνωρίσουν και να σκοτώσουν μεμονωμένα ζιζάνια αφαιρώντας τα μηχανικά. Αυτή είναι μια άλλη μεγάλη επιτυχία της σύγχρονης ρομποτικής και της όρασης υπολογιστών καθώς πριν ήταν αδύνατο να διακρίνει κανείς τα ζιζάνια από τα χρήσιμα φυτά και να εργαστεί με μικρά φυτά χρησιμοποιώντας χειριστές.

Ενώ πολλά γεωργικά ρομπότ εξακολουθούν να είναι πρωτότυπα ή να δοκιμάζονται σε μικρή κλίμακα, είναι ήδη σαφές ότι η ML, η τεχνητή νοημοσύνη και η ρομποτική μπορούν να λειτουργήσουν καλά στη γεωργία. Μπορεί να προβλεφθεί με ασφάλεια ότι όλο και περισσότερες γεωργικές εργασίες θα αυτοματοποιούνται στο εγγύς μέλλον.

Φροντίδα ζώων φάρμας

Πολλοί περισσότεροι τρόποι χρήσης της τεχνητής νοημοσύνης στη γεωργία αναπτύσσονται ενεργά. Για παράδειγμα, ένα πιλοτικό έργο από Νευρωμάτωση φέρνει την όραση των υπολογιστών σε μια βιομηχανία που δεν έχει λάβει ακόμη μεγάλη προσοχή από την κοινότητα βαθιάς μάθησης: την κτηνοτροφία.

Υπήρξαν, φυσικά, απόπειρες χρήσης μηχανικής μάθησης σε δεδομένα παρακολούθησης ζώων. Για παράδειγμα, Πακιστανική startup Cowlar παρουσίασε ένα κολάρο που παρακολουθεί εξ αποστάσεως τη δραστηριότητα και τη θερμοκρασία των αγελάδων κάτω από το συναρπαστικό σύνθημα «FitBit for Cows». Γάλλοι επιστήμονες αναπτύσσουν αναγνώριση προσώπου για αγελάδες.

Υπάρχουν επίσης προσπάθειες να χρησιμοποιηθεί η όραση υπολογιστή σε μια προηγουμένως παραμελημένη βιομηχανία αξίας εκατοντάδων δισεκατομμυρίων δολαρίων – τη χοιροτροφία. Στις σύγχρονες φάρμες, οι χοίροι διατηρούνται σε σχετικά μικρές ομάδες, στις οποίες επιλέγονται τα πιο παρόμοια ζώα. Το κύριο κόστος στην παραγωγή χοίρων είναι η τροφή και η βελτιστοποίηση της διαδικασίας πάχυνσης είναι το κεντρικό καθήκον της σύγχρονης παραγωγής χοίρων.

Οι αγρότες πιθανότατα θα μπορούσαν να λύσουν αυτό το πρόβλημα εάν είχαν λεπτομερείς πληροφορίες σχετικά με την αύξηση βάρους των χοίρων. Σύμφωνα με Αυτός ο δικτυακός τόπος, τα ζώα ζυγίζονται συνήθως μόνο δύο φορές σε όλη τους τη ζωή: στην αρχή και στο τέλος της πάχυνσης. Εάν οι ειδικοί γνώριζαν πώς παχαίνει κάθε χοιρίδιο, θα ήταν δυνατό να καταρτιστεί ένα μεμονωμένο πρόγραμμα πάχυνσης για κάθε γουρούνι, ακόμη και μια μεμονωμένη σύνθεση πρόσθετων τροφίμων, που θα βελτίωνε σημαντικά την απόδοση. Δεν είναι πολύ δύσκολο να οδηγήσετε ζώα στη ζυγαριά, αλλά αυτό είναι τεράστιο άγχος για το ζώο και οι χοίροι χάνουν βάρος από το άγχος. Το νέο έργο AI σχεδιάζει να αναπτύξει μια νέα, μη επεμβατική μέθοδο ζύγισης ζώων. Η Neuromation πρόκειται να κατασκευάσει ένα μοντέλο υπολογιστικής όρασης που θα υπολογίζει το βάρος των χοίρων από τα δεδομένα φωτογραφιών και βίντεο. Αυτές οι εκτιμήσεις θα τροφοδοτηθούν στα ήδη κλασικά, αναλυτικά μοντέλα μηχανικής μάθησης που θα βελτιώσουν τη διαδικασία πάχυνσης.

Η γεωργία στα σύνορα της τεχνητής νοημοσύνης

Η γεωργία και η κτηνοτροφία θεωρούνται συχνά παλιομοδίτικη βιομηχανία. Σήμερα, ωστόσο, η γεωργία εμφανίζεται όλο και περισσότερο στην πρώτη γραμμή της τεχνητής νοημοσύνης.

Ο κύριος λόγος εδώ είναι ότι πολλές εργασίες στη γεωργία είναι ταυτόχρονα:

• Αρκετά πολύπλοκα που δεν μπορούν να αυτοματοποιηθούν χωρίς τη χρήση σύγχρονης τεχνητής νοημοσύνης και βαθιάς μάθησης. Τα καλλιεργούμενα φυτά και οι χοίροι, αν και μοιάζουν μεταξύ τους, δεν άφησαν την ίδια γραμμή συναρμολόγησης, κάθε θάμνος ντομάτας και κάθε γουρούνι χρειάζεται μια ατομική προσέγγιση, και ως εκ τούτου, μέχρι πολύ πρόσφατα, η ανθρώπινη παρέμβαση ήταν απολύτως απαραίτητη.
• Αρκετά απλά ώστε με τη σημερινή ανάπτυξη της τεχνητής νοημοσύνης να μπορούμε να τα λύσουμε, λαμβάνοντας υπόψη τις ατομικές διαφορές μεταξύ φυτών και ζώων, ενώ παράλληλα αυτοματοποιούμε τις τεχνολογίες εργασίας μαζί τους. Η οδήγηση ενός τρακτέρ σε ανοιχτό χωράφι είναι ευκολότερη από την οδήγηση ενός αυτοκινήτου στην κίνηση και το ζύγισμα ενός χοίρου είναι ευκολότερο από το να μάθεις πώς να περνάς Δοκιμή Turing.

Η γεωργία εξακολουθεί να είναι μία από τις μεγαλύτερες και πιο σημαντικές βιομηχανίες στον πλανήτη, και ακόμη και μια μικρή αύξηση της αποτελεσματικότητας θα φέρει τεράστια κέρδη απλώς και μόνο λόγω της τεράστιας κλίμακας αυτής της βιομηχανίας.