Tekoäly maataloudessa: Tietokoneen näkö, robotiikka ja siat

Tekoäly valloittaa nopeasti maataloutta ja elintarviketeollisuutta.

Tietokoneen näkö viljan analyysissä

Jotta voitaisiin ruokkia miljardeja ihmisiä, tarvitaan paljon maata. On mahdotonta viljellä sitä käsin nykyään. Samalla kasvitaudit ja hyönteisten invaasiot johtavat usein viljelyepäonnistumisiin. Nykyisen maatalousliiketoiminnan mittakaavassa nämä invaasiot ovat vaikeita tunnistaa ja neutraloimaan ajoissa.

Tässä yhteydessä tietokoneen näköalgoritmit voivat auttaa. Viljelijät käyttävät tietokoneen näköä tunnistamaan kasvitauteja, sekä mikrotasolla, lähikuvista lehdistä ja kasveista, että makrotasolla, tunnistamalla varhaisia merkkejä kasvitaudeista tai tuholaisista ilmakuvauksella. Nämä projektit perustuvat usein suosittuun tietokoneen näkölähestymistapaan: konvoluutioneuraaliverkkoihin.

Huomaa, että puhun tässä tietokoneen näöstä hyvin laajassa mielessä. Monissa tapauksissa kuvat eivät ole paras tietolähde. Monet tärkeät kasvuelämän asiat voidaan parhaiten tutkia toisin. Kasvien terveyttä voidaan usein paremmin ymmärtää esimerkiksi keräämällä hyperspektrikuvia erityisillä antureilla tai suorittamalla 3D-laserkuvantamista. Nämä menetelmät ovat yhä enemmän käytössä agronomiassa. Tämä tietotyyppi on yleensä korkearesoluutioista ja lähempänä lääketieteellistä kuvantamista kuin valokuvia. Yksi kenttäseurantajärjestelmistä on nimeltään AgMRI. Tiedon prosessointiin tarvitaan erityisiä malleja, mutta niiden spatialinen rakenne mahdollistaa modernien tietokoneen näköteknologioiden käytön, erityisesti konvoluutioneuraaliverkkoja.

Miljoonia dollareita investoidaan kasvifenotyyppi- ja kuvantamistutkimukseen. Päätehtävänä on kerätä laajoja tietoja kasveista (yleensä valokuvien tai kolmiulotteisten kuvien muodossa) ja verrata fenotyyppitietoja kasvien genotyyppiin. Tulokset ja tiedot voidaan käyttää maatalousteknologioiden parantamiseen ympäri maailmaa.

Robotiikka maataloudessa

Autonomiset maatalousrobotit, kuten Prospero, voivat kaivaa reiän maahan ja istuttaa jotain siihen, seuraten ennalta määrättyjä yleisiä kuvioita ja ottaen huomioon maiseman erityispiirteet. Robotit voivat myös huolehtia kasvuprosessista, työskennellen jokaisen kasvin kanssa yksilöllisesti. Kun aika on oikea, robotit poimivat satoa, käsitellen jokaisen kasvin tarkasti. Prospero perustuu parvemaatalouden käsitteeseen. Kuvittele armeija pientä Prosperoa, joka ryömii pelloilla, jättäen jälkeensä siistejä, tasaisia rivejä kasveja. Mielenkiintoista kyllä, Prospero ilmestyi jo vuonna 2011, ennen modernin syväoppimisen aikakautta. Nykyään robotit leviävät nopeasti maataloudessa, mahdollistaen yhä enemmän rutiininomaisen työn automatisoinnin:

• Automaattiset droonit sumuttavat kasveja. Pienet ja ketterät droonit voivat toimittaa vaarallisia kemikaaleja tarkemmin kuin perinteiset lentokoneet. Lisäksi sumutusdroonit voidaan käyttää ilmakuvaukseen tietokoneen näköalgoritmien saamiseksi, joista on mainittu tämän artikkelin alussa.
• Yhä enemmän erikoistuneita roboteja kehitetään ja käytetään sadonkorjuuun. Kuorimakoneet ovat olleet olemassa jo kauan. Viime aikoina on kuitenkin kehitetty esimerkiksi robotti, joka poimii mansikkaa, modernien tietokoneen näkö- ja robottiikkamenetelmien avulla.
• Robotit, kuten Hortibot, pystyvät tunnistamaan ja tappamaan yksittäisiä rikkaruohoja mekaanisesti poistamalla ne. Tämä on taas yksi modernin robotiikan ja tietokoneen näön suuri saavutus, sillä aiemmin oli mahdotonta erottaa rikkaruohoja hyödyllisistä kasveista ja työskennellä pienten kasvien kanssa manipulaattoreiden avulla.

Vaikka monet maatalousrobotit ovat vielä prototyyppejä tai testaamisen alaisia, on jo selvää, että ML, AI ja robotiikka voivat toimia hyvin maataloudessa. Voidaan turvallisin mielin ennustaa, että yhä enemmän maataloustyötä automatisoidaan lähitulevaisuudessa.

Eläinten hoito

Monia muita tapoja käyttää tekoälyä maataloudessa kehitetään aktiivisesti. Esimerkiksi Neuromationin pilottiprojekti tuo tietokoneen näön alalle, joka ei ole saanut paljon huomiota syväoppimisyhteisöltä: eläintenhoitoon.

On toki ollut yrityksiä käyttää koneoppimista eläinten jäljitystiedossa. Esimerkiksi pakistanilainen startup Cowlar esitteli kaulapannan, joka etäseurasi lehmien toimintaa ja lämpötilaa iskevällä sloganilla “FitBit lehmille”. Ranskalaiset tutkijat kehittävät kasvojen tunnistamista lehmille.

On myös yrityksiä käyttää tietokoneen näköä aiemmin laiminlyödyssä, satoja miljardeja dollareita arvoisessa teollisuudessa – siohoito. Nykyaikaisilla tiloilla siat pidetään suhteellisen pienissä ryhmissä, joissa valitaan samankaltaisia eläimiä. Sianlihan tuotannon pääkustannus on ruoka, ja lihottamisprosessin optimointi on modernin sianlihan tuotannon keskeinen tehtävä.

Maanviljelijät pystyisivätkin parhaiten ratkaisemaan tämän ongelman, jos heillä olisi yksityiskohtaiset tiedot siasta. Kuten tämä sivu mainitsee, eläimiä punnitaan yleensä vain kahdesti koko elämänsä aikana: vasta alussa ja lopussa lihottamisessa. Jos asiantuntijat tietäisivät, miten jokainen poikanen lihottuu, he voivat laatia yksilöllisen lihottamisohjelman jokaiselle sielle ja jopa yksilöllisen ravintolisäyksen, mikä parantaisi tuotantoa merkittävästi. Ei ole vaikeaajatonta ajaa eläimiä punnitsemaan, mutta se on valtava stressi eläimelle, ja siat menettävät painoa stressin vuoksi. Uusi tekoälyprojekti aikoo kehittää uuden, ei-invaasisen menetelmän eläinten punnitsemiseen. Neuromation aikoo rakentaa tietokoneen näkömallin, joka arvioi sian painoa valokuvien ja videoiden perusteella. Nämä arviot syötetään jo klassisiin, analyysiin perustuviin koneoppimismalleihin, jotka parantavat lihottamisprosessia.

Maatalous tekoälyn rintamalla

Maatalous ja eläintenhoito ovat usein vanhanaikaisia aloja. Nykyään maatalous kuitenkin ilmestyy yhä enemmän tekoälyn rintamalla.

Pääsyy tähän on, että monissa maatalouden tehtävissä on yhtäaikaisesti:

• Riittävän monimutkaisia, jotta niitä ei voida automatisoida ilman modernin tekoälyn ja syväoppimisen käyttöä. Kasvit ja siat, vaikka samankaltaisia, eivät ole tulleet samalta tuotantolinjalta, ja jokainen tomaattipensas ja jokainen sika tarvitsee yksilöllisen lähestymistavan, ja siksi ihmisen väliintulo on ollut aina välttämätöntä.
• Riittävän yksinkertaisia, jotta voidaan ratkaista ne nykyisen tekoälyn kehityksen avulla, ottaen huomioon yksilölliset erot kasvien ja eläinten välillä ja automatisoiden teknologiat niiden kanssa työskentelyyn. Traktorin ajaminen avoimella pellolla on helpompaa kuin auton ajaminen liikenteessä, ja sian punnitseminen on helpompaa kuin oppia läpäisemään Turingin testin.

Maatalous on edelleen yksi maailman suurimmista ja tärkeimmistä aloista, ja vaikka pienikin tehokkuuden lisäys tuo valtavat hyödyt yksin aloitteen mittakaavan vuoksi.