Model dan platform AI
Kecerdasan Buatan di Pertanian: Penglihatan Komputer, Robot, dan Timbangan untuk Babi
Poin utamaNeuromation menggunakan visi komputer untuk memperkirakan berat babi dari foto…
Lihat selengkapnya
- Neuromation menggunakan visi komputer untuk memperkirakan berat babi dari foto, mengurangi stres akibat penimbangan manual.
- AgMRI menerapkan jaringan saraf konvolusional pada data hiperspektral dan laser 3D untuk deteksi dini penyakit tanaman.
- Robot Prospero menerapkan pertanian kawanan untuk menanam, merawat, dan memanen tanaman secara otonom dengan presisi per tanaman individu.
Kecerdasan buatan dengan cepat menguasai pertanian dan industri makanan.
Penglihatan komputer dalam analisis tanaman
Untuk memberi makan miliaran orang, Anda memerlukan banyak lahan. Mustahil untuk membudidayakan secara manual saat ini. Pada saat yang sama, penyakit tanaman dan invasi serangga sering menyebabkan kegagalan panen. Dengan skala bisnis pertanian modern, invasi tersebut sulit diidentifikasi dan dinetralkan pada waktunya.
Ini memperkenalkan satu area lagi di mana algoritma penglihatan komputer dapat membantu. Petani menggunakan penglihatan komputer untuk mengenali penyakit tanaman, baik pada tingkat mikro, dari gambar dekat daun dan tanaman, dan pada tingkat makro, dengan mengidentifikasi tanda-tanda awal penyakit tanaman atau hama dari fotografi udara. Proyek-proyek ini biasanya didasarkan pada pendekatan populer untuk penglihatan komputer: jaringan saraf konvolusional.
Perlu diingat bahwa saya berbicara di sini tentang penglihatan komputer dalam arti yang sangat luas. Dalam banyak kasus, gambar tidak merupakan sumber data terbaik. Banyak aspek penting kehidupan tanaman dapat dipelajari dengan cara lain. Kesehatan tanaman sering dapat dipahami lebih baik, misalnya, dengan mengumpulkan citra hiperspektral dengan sensor khusus atau melakukan pemindaian laser 3D. Metode-metode tersebut semakin banyak digunakan dalam agronomi. Tipe data ini biasanya memiliki resolusi tinggi dan lebih dekat dengan pemindaian medis daripada foto. Salah satu sistem untuk pemantauan lapangan disebut AgMRI. Untuk memproses data ini, model khusus diperlukan, tetapi struktur spasialnya memungkinkan penggunaan teknologi penglihatan komputer modern, terutama jaringan saraf konvolusional.
Jutaan diinvestasikan dalam penelitian fenotiping dan pencitraan tanaman. Tugas utama di sini adalah mengumpulkan set data besar tentang tanaman (biasanya dalam bentuk foto atau gambar tiga dimensi) dan membandingkan data fenotip dengan genotip tanaman. Hasil dan data dapat digunakan untuk meningkatkan teknologi pertanian di seluruh dunia.
Robotika dalam pertanian
Robot pertanian otonom seperti Prospero dapat menggali lubang di tanah dan menanam sesuatu di dalamnya, mengikuti pola umum yang telah ditentukan dan mempertimbangkan karakteristik lanskap yang spesifik. Robot juga dapat merawat proses pertumbuhan, bekerja dengan setiap tanaman secara individual. Ketika waktunya tepat, robot akan memanen, lagi-lagi menangani setiap tanaman dengan tepat seperti yang seharusnya. Prospero didasarkan pada konsep pertanian bergerombol. Bayangkan pasukan kecil Prospero merayap melalui ladang, meninggalkan barisan tanaman yang rapi dan teratur di belakangnya. Menariknya, Prospero sebenarnya sudah muncul pada tahun 2011, sebelum masa kejayaan revolusi pembelajaran mendalam yang modern. Saat ini, robot dengan cepat menyebar di pertanian, memungkinkan Anda untuk mengotomatisasi tugas-tugas rutin lebih lanjut:
- Drone otomatis menyemprot tanaman. Drone kecil dan lincah dapat mengirimkan bahan kimia berbahaya dengan lebih akurat daripada pesawat konvensional. Selain itu, drone penyemprot dapat digunakan untuk fotografi udara untuk mendapatkan data untuk algoritma penglihatan komputer yang disebutkan di awal artikel ini.
- Robot khusus untuk pemanenan semakin dikembangkan dan digunakan. Combine harvester telah ada selama beberapa waktu. Namun, hanya sekarang, dengan bantuan metode penglihatan komputer dan robotika modern, telah memungkinkan untuk mengembangkan, misalnya, robot yang memetik stroberi.
- Robot seperti Hortibot dapat mengenali dan membunuh gulma individual dengan cara menghilangkan secara mekanis. Ini adalah keberhasilan lain dari robotika dan penglihatan komputer modern, karena sebelumnya mustahil untuk membedakan gulma dari tanaman yang berguna dan bekerja dengan tanaman kecil menggunakan manipulator.
Sementara banyak robot pertanian masih dalam bentuk prototipe atau diuji pada skala kecil, sudah jelas bahwa ML, AI, dan robotika dapat bekerja dengan baik di pertanian. Dapat diprediksi dengan aman bahwa lebih banyak pekerjaan pertanian akan diotomatisasi dalam waktu dekat.
Merawat hewan pertanian
Banyak cara lain untuk menggunakan AI di pertanian sedang dikembangkan secara aktif. Misalnya, proyek pilot oleh Neuromation membawa penglihatan komputer ke industri yang belum banyak mendapat perhatian dari komunitas pembelajaran mendalam: peternakan.
Tentu saja, telah ada upaya untuk menggunakan pembelajaran mesin pada data pelacakan hewan. Misalnya, startup Pakistan Cowlar memperkenalkan kalung yang memantau aktivitas dan suhu sapi dari jarak jauh dengan slogan yang menarik “FitBit untuk Sapi.” Ilmuwan Perancis sedang mengembangkan pengenalan wajah untuk sapi.
Ada juga upaya untuk menggunakan penglihatan komputer dalam industri yang sebelumnya diabaikan senilai ratusan miliar dolar – peternakan babi. Di peternakan modern, babi dipelihara dalam kelompok yang relatif kecil, di mana hewan yang paling serupa dipilih. Biaya utama dalam produksi babi adalah makanan, dan optimasi proses penggemukan adalah tugas utama produksi babi modern.
Peternak kemungkinan besar dapat menyelesaikan masalah ini jika mereka memiliki informasi rinci tentang kenaikan berat badan babi. Menurut situs ini, hewan biasanya hanya ditimbang dua kali dalam hidup mereka: di awal dan akhir proses penggemukan. Jika para ahli tahu bagaimana setiap anak babi bertambah gemuk, maka akan memungkinkan untuk membuat program penggemukan individual untuk setiap babi, bahkan komposisi aditif pakan yang disesuaikan untuk tiap babi yang akan meningkatkan hasil secara signifikan. Tidak terlalu sulit untuk mengarahkan hewan ke timbangan, tetapi ini merupakan stres besar bagi hewan, dan babi kehilangan berat badan karena stres. Proyek AI baru berencana mengembangkan metode non-invasif baru untuk menimbang hewan. Neuromation akan membangun model penglihatan komputer yang akan memperkirakan berat badan babi dari data foto dan video. Perkiraan ini akan dimasukkan ke dalam model pembelajaran mesin analitis klasik yang sudah lazim digunakan yang akan meningkatkan proses penggemukan.
Pertanian di garis depan kecerdasan buatan
Pertanian dan peternakan sering dianggap sebagai industri yang kuno. Namun, saat ini pertanian semakin muncul di garis depan kecerdasan buatan.
Alasan utama di sini adalah bahwa banyak tugas di pertanian secara bersamaan:
- Cukup kompleks sehingga tidak dapat diotomatisasi tanpa menggunakan kecerdasan buatan dan pembelajaran mendalam modern. Tanaman yang dibudidayakan dan babi, meskipun serupa, tidak meninggalkan jalur perakitan yang sama, setiap tanaman tomat dan setiap babi memerlukan pendekatan individual, dan oleh karena itu, sampai sangat baru-baru ini, intervensi manusia sangat diperlukan.
- Cukup sederhana sehingga dengan perkembangan kecerdasan buatan saat ini, kita dapat menyelesaikannya, mempertimbangkan perbedaan individual antara tanaman dan hewan sambil juga mengotomatisasi teknologi untuk bekerja dengan mereka. Mengemudi traktor di lapangan terbuka lebih mudah daripada mengemudi mobil di lalu lintas, dan menimbang babi lebih mudah daripada belajar melewati tes Turing.
Pertanian masih merupakan salah satu industri terbesar dan paling penting di planet ini, dan bahkan peningkatan efisiensi yang sangat kecil akan membawa keuntungan besar hanya karena skala industri ini.












