AI სოფლის მეურნეობაში: კომპიუტერული ხედვა, რობოტები და სასწორები ღორებისთვის

ხელოვნური ინტელექტი სწრაფად იპყრობს სოფლის მეურნეობას და კვების მრეწველობას.

კომპიუტერული ხედვა მოსავლის ანალიზში

მილიარდობით ადამიანის გამოსაკვებად საჭიროა ბევრი მიწა. მისი ხელით გაშენება დღეს შეუძლებელია. ამავდროულად, მცენარეთა დაავადებები და მწერების შემოსევა ხშირად იწვევს მოსავლის უკმარისობას. სოფლის მეურნეობის ბიზნესის თანამედროვე მასშტაბით, ასეთი შემოსევები ძნელია დროულად იდენტიფიცირება და განეიტრალება.

ეს წარმოგიდგენთ კიდევ ერთ სფეროს, სადაც კომპიუტერული ხედვის ალგორითმები დაგეხმარებათ. მწარმოებლები იყენებენ კომპიუტერულ ხედვას მოსავლის დაავადებების ამოცნობისთვის, როგორც მიკრო დონეზე, ფოთლებისა და მცენარეების ახლო ხედიდან, ასევე მაკრო დონეზე, მცენარეთა დაავადების ან მავნებლების ადრეული ნიშნების იდენტიფიცირებით აეროფოტოგრაფიიდან. ეს პროექტები ჩვეულებრივ ეფუძნება კომპიუტერული ხედვის პოპულარულ მიდგომას: კონვულსიური ნერვული ქსელები.

გაითვალისწინეთ, რომ მე აქ ვსაუბრობ კომპიუტერულ ხედვაზე ძალიან ფართო გაგებით. ხშირ შემთხვევაში, სურათები არ არის მონაცემთა საუკეთესო წყარო. მცენარეთა ცხოვრების მრავალი მნიშვნელოვანი ასპექტის შესწავლა საუკეთესოდ შეიძლება სხვა გზით. მცენარეთა ჯანმრთელობის უკეთ გაგება ხშირად შესაძლებელია, მაგალითად, ჰიპერსპექტრული სურათების შეგროვებით სპეციალური სენსორებით ან 3D ლაზერული სკანირებით. ასეთი მეთოდები სულ უფრო ხშირად გამოიყენება აგრონომიაში. ამ ტიპის მონაცემთა ტიპი, როგორც წესი, მაღალი გარჩევადობაა და უფრო ახლოს არის სამედიცინო გამოსახულებასთან, ვიდრე ფოტოსურათებთან. საველე მონიტორინგის ერთ-ერთ სისტემას ე.წ AgMRI. ამ მონაცემების დასამუშავებლად საჭიროა სპეციალური მოდელები, მაგრამ მათი სივრცითი სტრუქტურა საშუალებას იძლევა გამოიყენოს თანამედროვე კომპიუტერული ხედვის ტექნოლოგიები, კერძოდ, კონვოლუციური ნერვული ქსელები.

მილიონობით ინვესტიცია ხდება მცენარეთა ფენოტიპებისა და გამოსახულების კვლევაში. აქ მთავარი ამოცანაა კულტურების შესახებ მონაცემთა დიდი ნაკრების შეგროვება (ჩვეულებრივ, ფოტოების ან სამგანზომილებიანი გამოსახულების სახით) და ფენოტიპის მონაცემების შედარება მცენარის გენოტიპთან. შედეგები და მონაცემები შეიძლება გამოყენებულ იქნას სოფლის მეურნეობის ტექნოლოგიების გასაუმჯობესებლად მთელ მსოფლიოში.

რობოტიკა სოფლის მეურნეობაში

ავტონომიური ფერმერული რობოტები მოსწონთ Prospero შეუძლია მიწაში ორმოს გათხრა და მასში რაღაცის დარგვა წინასწარ განსაზღვრული ზოგადი ნიმუშების დაცვით და ლანდშაფტის სპეციფიკური მახასიათებლების გათვალისწინებით. რობოტებს შეუძლიათ ასევე იზრუნონ ზრდის პროცესზე, თითოეულ მცენარესთან ინდივიდუალურად მუშაობენ. როცა დრო დადგება, რობოტები მოსავალს იღებენ და ისევ ისე აქცევენ თითოეულ მცენარეს, როგორც უნდა. Prospero დაფუძნებულია swarm farming-ის კონცეფციაზე. წარმოიდგინეთ პატარა პროსპეროს არმია, რომელიც მინდვრებში ცოცავს და ტოვებს სუფთა, თუნდაც მცენარეების რიგებს. საინტერესოა, რომ პროსპერო რეალურად გამოჩნდა 2011 წელს, თანამედროვე ღრმა სწავლების რევოლუციის აყვავებამდე. დღეს, რობოტები სწრაფად ვრცელდება სოფლის მეურნეობაში, რაც საშუალებას გაძლევთ ავტომატიზირდეთ უფრო და უფრო მეტი რუტინული ამოცანები:

• ავტომატური დრონები ასხურებენ ნათესებს. პატარა, მოხერხებულ თვითმფრინავებს შეუძლიათ საშიში ქიმიკატების მიწოდება უფრო ზუსტად, ვიდრე ჩვეულებრივი თვითმფრინავები. უფრო მეტიც, მფრქვეველი დრონები შეიძლება გამოყენებულ იქნას აეროფოტოგრაფიისთვის, ამ სტატიის დასაწყისში ნახსენები კომპიუტერული ხედვის ალგორითმებისთვის მონაცემების მისაღებად.
• სულ უფრო და უფრო მეტი სპეციალიზირებული რობოტები ვითარდება და გამოიყენება მოსავლის აღებისთვის. კომბაინები დიდი ხანია არსებობს. და მაინც, მხოლოდ ახლა, კომპიუტერული ხედვისა და რობოტიკის თანამედროვე მეთოდების დახმარებით, შესაძლებელი გახდა, მაგალითად, მარწყვის კრეფის რობოტის შემუშავება.
• რობოტებს მოსწონთ ჰორტიბოტი შეუძლიათ ცალკეული სარეველების ამოცნობა და მოკვლა მათი მექანიკური მოცილებით. ეს არის თანამედროვე რობოტიკისა და კომპიუტერული ხედვის კიდევ ერთი დიდი წარმატება, რადგან ადრე შეუძლებელი იყო სარეველების გარჩევა სასარგებლო მცენარეებისგან და მცირე მცენარეებთან მუშაობა მანიპულატორების გამოყენებით.

მიუხედავად იმისა, რომ ბევრი სასოფლო-სამეურნეო რობოტი ჯერ კიდევ პროტოტიპებია ან მიმდინარეობს მცირე მასშტაბის ტესტირება, უკვე ნათელია, რომ ML, AI და რობოტიკა კარგად მუშაობს სოფლის მეურნეობაში. უსაფრთხოდ შეიძლება ვიწინასწარმეტყველოთ, რომ უახლოეს მომავალში უფრო და უფრო მეტი სასოფლო-სამეურნეო სამუშაოების ავტომატიზაცია მოხდება.

ფერმის ცხოველების მოვლა

სოფლის მეურნეობაში ხელოვნური ინტელექტის გამოყენების კიდევ მრავალი გზა აქტიურად ვითარდება. მაგალითად, საპილოტე პროექტი ნეირომაცია მოაქვს კომპიუტერული ხედვა ინდუსტრიაში, რომელსაც ჯერ არ მიუღია დიდი ყურადღება ღრმა სწავლის საზოგადოებისგან: მეცხოველეობა.

რა თქმა უნდა, იყო მცდელობები მანქანური სწავლების გამოყენების შესახებ პირუტყვის თვალთვალის მონაცემებზე. Მაგალითად, პაკისტანური სტარტაპი Cowlar წარმოადგინა საყელო, რომელიც დისტანციურად აკონტროლებს ძროხების აქტივობას და ტემპერატურას მიმზიდველი ლოზუნგით "FitBit for Cows". ფრანგი მეცნიერები ძროხებისთვის სახის ამოცნობას ავითარებენ.

ასევე არის მცდელობა გამოიყენოს კომპიუტერული ხედვა მანამდე მიტოვებულ ინდუსტრიაში, რომლის ღირებულება ასობით მილიარდი დოლარია - ღორის მეურნეობა. თანამედროვე ფერმებში ღორებს შედარებით მცირე ჯგუფებად ინახავენ, რომლებშიც ყველაზე მსგავს ცხოველებს არჩევენ. ღორის წარმოებაში ძირითადი ღირებულება საკვებია, ხოლო გასუქების პროცესის ოპტიმიზაცია თანამედროვე ღორის წარმოების ცენტრალური ამოცანაა.

ფერმერები, დიდი ალბათობით, შეძლებდნენ ამ პრობლემის მოგვარებას, თუ მათ ექნებოდათ დეტალური ინფორმაცია ღორების წონის მატების შესახებ. როგორც თითო საიტიცხოველებს, როგორც წესი, მთელი ცხოვრების განმავლობაში აწონებენ მხოლოდ ორჯერ: გასუქების დასაწყისში და ბოლოს. ექსპერტებმა რომ იცოდნენ, თუ როგორ იბზარება თითოეული გოჭი, შესაძლებელი იქნებოდა თითოეული ღორისთვის ინდივიდუალური გასუქების პროგრამის შედგენა და საკვები დანამატების ინდივიდუალური შემადგენლობისაც კი, რაც მნიშვნელოვნად გააუმჯობესებდა მოსავლიანობას. სასწორზე ცხოველების გაძევება არც ისე რთულია, მაგრამ ეს ცხოველისთვის უზარმაზარი სტრესია და ღორები სტრესისგან იკლებენ წონაში. ახალი ხელოვნური ინტელექტის პროექტი ცხოველების აწონვის ახალი, არაინვაზიური მეთოდის შემუშავებას გეგმავს. Neuromation აპირებს შექმნას კომპიუტერული ხედვის მოდელი, რომელიც შეაფასებს ღორების წონას ფოტო და ვიდეო მონაცემებიდან. ეს შეფასებები მიეწოდება უკვე კლასიკურ, ანალიტიკურ მანქანათმცოდნეობის მოდელებს, რომლებიც გააუმჯობესებს გასუქების პროცესს.

სოფლის მეურნეობა ხელოვნური ინტელექტის საზღვარზე

მიწათმოქმედება და მეცხოველეობა ხშირად ძველმოდურ ინდუსტრიებად ითვლება. თუმცა დღეს სოფლის მეურნეობა სულ უფრო მეტად ჩნდება ხელოვნური ინტელექტის წინა პლანზე.

აქ მთავარი მიზეზი ის არის, რომ სოფლის მეურნეობაში მრავალი ამოცანა ერთდროულად არის:

• საკმარისად რთული, რომ მათი ავტომატიზაცია შეუძლებელია თანამედროვე ხელოვნური ინტელექტისა და ღრმა სწავლის გარეშე. კულტივირებული მცენარეები და ღორები, თუმცა ერთმანეთის მსგავსი, მაინც არ დატოვეს ერთი და იგივე შეკრების ხაზი, თითოეულ პომიდვრის ბუჩქს და თითოეულ ღორს ინდივიდუალური მიდგომა სჭირდება და ამიტომ, ბოლო დრომდე, ადამიანის ჩარევა აბსოლუტურად აუცილებელი იყო.
• საკმარისად მარტივია, რომ ხელოვნური ინტელექტის დღევანდელი განვითარებით, ჩვენ შეგვიძლია მათი გადაჭრა მცენარეებსა და ცხოველებს შორის ინდივიდუალური განსხვავებების გათვალისწინებით, მათთან მუშაობის ტექნოლოგიების ავტომატიზირებით. ტრაქტორის ტარება ღია მინდორზე უფრო ადვილია, ვიდრე მანქანის მართვა ტრაფიკში, ხოლო ღორის აწონვა უფრო ადვილია, ვიდრე სწავლა ტურის ტესტი.

სოფლის მეურნეობა კვლავ არის ერთ-ერთი უდიდესი და ყველაზე მნიშვნელოვანი ინდუსტრია პლანეტაზე და ეფექტურობის მცირე ზრდაც კი უზარმაზარ მოგებას მოიტანს მხოლოდ ამ ინდუსტრიის დიდი მასშტაბის გამო.