AI-mallit ja alustat

Tekoäly maataloudessa: konenäkö, robotit ja sikojen vaa’at

Alex Vakulov
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
Keskeiset kohdatNeuromation käyttää konenäköä sian painon arvioimiseen valokuvista, mikä vähentää…
Näytä lisää
  • Neuromation käyttää konenäköä sian painon arvioimiseen valokuvista, mikä vähentää manuaalisesta punnituksesta aiheutuvaa stressiä.
  • AgMRI soveltaa konvoluutioneuroverkkoja hyperspektri- ja 3D-laserdataan viljelykasvien tautien varhaiseen havaitsemiseen.
  • Prospero-robotit toteuttavat parviagrikulttuuria istuttaakseen, hoitaakseen ja korjatakseen satoja autonomisesti yksittäisen kasvin tarkkuudella.

Tekoäly valloittaa nopeasti maataloutta ja elintarviketeollisuutta.

Konenäkö viljelykasvien 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 tuholaisesiintymät on vaikea tunnistaa ja torjua ajoissa jo alkuvaiheessa.

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

Huomaa, että puhun tässä konenäöstä 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 tämän datan avaruudellinen rakenne mahdollistaa modernien konenäköteknologioiden käytön, erityisesti konvoluutioneuraaliverkkojen.

Miljoonia investoidaan kasvifenotyyppi- ja kuvantamistutkimukseen. Päätehtävänä on kerätä laajoja tietoja kasveista (yleensä valokuvien tai kolmiulotteisten kuvien muodossa) ja verrata fenotyyppitietoja kasvien genotyyppiin. Tuloksia ja tietoja 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 pienten Prospero-robottien armeija, 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 sumutusdrooneja voidaan käyttää ilmakuvaukseen datan hankkimiseksi konenäköalgoritmeille, joista on mainittu tämän artikkelin alussa.
  • Yhä enemmän erikoistuneita roboteja kehitetään ja käytetään sadonkorjuuseen. Leikkuupuimurit ovat olleet olemassa jo kauan. Viime aikoina on kuitenkin kehitetty esimerkiksi robotti, joka poimii mansikkaa, modernien konenäkö- ja robotiikkamenetelmien avulla.
  • Robotit, kuten Hortibot, pystyvät tunnistamaan ja tappamaan yksittäisiä rikkaruohoja mekaanisesti poistamalla ne. Tämä on taas yksi modernin robotiikan ja konenäön suuri saavutus, sillä aiemmin oli mahdotonta erottaa rikkaruohoja hyödyllisistä kasveista ja työskennellä pienten kasvien kanssa manipulaattoreiden avulla.

Vaikka monet maatalousrobotit ovat vielä prototyyppejä tai pienimuotoisessa testauksessa, 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 konenäön 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 konenäköä aiemmin laiminlyödyssä, satojen miljardien dollarien arvoisella alalla eli siankasvatuksessa. 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 sikojen painonnoususta. Kuten tämä sivu mainitsee, eläimiä punnitaan yleensä vain kahdesti koko elämänsä aikana: lihottamisen alussa ja lopussa. Jos asiantuntijat tietäisivät, miten jokainen porsas lihottuu, he voivat laatia yksilöllisen lihottamisohjelman jokaiselle sialle ja jopa yksilöllisen rehun lisäainekoostumuksen, mikä parantaisi tuotantoa merkittävästi. Eläinten ajaminen vaa’alle ei ole kovin vaikeaa, 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 konenäkömallin, joka arvioi sian painoa valokuvien ja videoiden perusteella. Nämä arviot syötetään jo klassisiin, analyysiin perustuviin koneoppimismalleihin, jotka parantavat lihottamisprosessia.

Maatalous tekoälyn rintamalla

Maataloutta ja karjankasvatusta pidetään usein vanhanaikaisina aloina. Nykyään maatalous kuitenkin ilmestyy yhä enemmän tekoälyn rintamalla.

Pääsyy tähän on, että monet maatalouden tehtävät ovat samanaikaisesti:

  • 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 oli aivan viime aikoihin asti 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 pienikin tehokkuuden lisäys tuo valtavat hyödyt jo pelkästään alan valtavan mittakaavan vuoksi.

Alex on kyberturvallisuuden tutkija, jolla on yli 20 vuoden kokemus haittaohjelmien analyysistä. Hänellä on vahvat taidot haittaohjelmien poistamiseen, ja hän kirjoittaa useille turvallisuuteen liittyville julkaisuille jakamaan turvallisuuskokemustaan.