농업 분야의 AI: 돼지를 위한 컴퓨터 비전, 로봇 및 저울

인공 지능은 농업과 식품 산업을 빠르게 정복하고 있습니다.

작물 분석의 컴퓨터 비전

수십억 명의 사람들을 먹여 살리려면 많은 땅이 필요합니다. 요즘은 수동으로 재배하는 것이 불가능합니다. 동시에 식물 질병과 곤충 침입은 종종 농작물 실패로 이어집니다. 현대적인 규모의 농업 사업에서는 이러한 침입을 식별하고 적시에 중화하기가 어렵습니다.

이는 컴퓨터 비전 알고리즘이 도움이 될 수 있는 영역을 하나 더 소개합니다. 재배자는 컴퓨터 비전을 사용하여 잎과 식물의 클로즈업 이미지를 통해 미시적 수준에서, 항공 사진을 통해 식물 질병이나 해충의 초기 징후를 식별함으로써 거시적 수준에서 작물 질병을 인식합니다. 이러한 프로젝트는 일반적으로 컴퓨터 비전에 대한 대중적인 접근 방식을 기반으로 합니다. 컨볼 루션 신경망.

여기서는 매우 넓은 의미의 컴퓨터 비전에 대해 이야기하고 있습니다. 대부분의 경우 이미지는 최고의 데이터 소스가 아닙니다. 식물 생명의 많은 중요한 측면은 다른 방법으로 가장 잘 연구할 수 있습니다. 예를 들어 특수 센서로 초분광 이미지를 수집하거나 3D 레이저 스캐닝을 수행하면 식물 건강을 더 잘 이해할 수 있습니다. 이러한 방법은 농경학에서 점점 더 많이 사용되고 있습니다. 이 데이터 유형은 일반적으로 고해상도이며 사진보다 의료 영상에 가깝습니다. 필드 모니터링을 위한 시스템 중 하나는 AgMRI. 이 데이터를 처리하려면 특수 모델이 필요하지만 공간 구조를 통해 최신 컴퓨터 비전 기술, 특히 컨볼루션 신경망을 사용할 수 있습니다.

식물 표현형 및 이미징 연구에 수백만 달러가 투자되고 있습니다. 여기서 주요 작업은 작물에 대한 대규모 데이터 세트(일반적으로 사진 또는 XNUMX차원 이미지 형식)를 수집하고 표현형 데이터를 식물 유전자형과 비교하는 것입니다. 결과와 데이터는 전 세계 농업 기술을 개선하는 데 사용될 수 있습니다.

농업용 로봇

다음과 같은 자율 농업 로봇 프로스페로 땅에 구멍을 파고 그 안에 무언가를 심을 수 있으며, 미리 정해진 일반적인 패턴을 따르고 풍경의 특정 특성을 고려합니다. 로봇은 또한 각 식물과 개별적으로 작업하면서 성장 과정을 돌볼 수 있습니다. 적절한 시기가 되면 로봇이 수확을 하고 다시 한 번 각 식물을 정확하게 처리합니다. Prospero는 집단 농업의 개념을 기반으로 합니다. 작은 프로스페로 군대가 들판을 기어다니며 지나간 자리에 가지런히 늘어선 식물들을 남겨둔다고 상상해 보십시오. 흥미롭게도 Prospero는 현대 딥 러닝 혁명의 전성기 이전인 2011년에 실제로 등장했습니다. 오늘, 로봇이 빠르게 확산되고 있습니다. 농업 분야에서는 점점 더 많은 일상적인 작업을 자동화할 수 있습니다.

• 자동화된 드론이 농작물에 살포합니다. 작고 민첩한 드론은 기존 항공기보다 더 정확하게 위험한 화학 물질을 전달할 수 있습니다. 또한 분무기 드론은 이 기사의 시작 부분에서 언급한 컴퓨터 비전 알고리즘에 대한 데이터를 얻기 위해 항공 사진에 사용될 수 있습니다.
• 점점 더 전문화된 수확용 로봇이 개발되고 사용되고 있습니다. 콤바인 수확기는 오랫동안 존재해 왔습니다. 그러나 지금은 컴퓨터 비전과 로봇 공학의 현대적인 방법 덕분에 예를 들어 딸기를 따는 로봇을 개발하는 것이 가능했습니다.
• 로봇 같은 호티봇 잡초를 기계적으로 제거하여 개별 잡초를 인식하고 죽일 수 있습니다. 이것은 잡초와 유용한 식물을 구별하고 조작기를 사용하여 작은 식물과 작업하는 것이 불가능했던 이전과 마찬가지로 현대 로봇 공학과 컴퓨터 비전의 또 다른 큰 성공입니다.

많은 농업용 로봇이 여전히 프로토타입이거나 소규모로 테스트되고 있지만 ML, AI 및 로봇 공학이 농업에서 잘 작동할 수 있다는 것은 이미 분명합니다. 가까운 미래에 점점 더 많은 농업 작업이 자동화될 것이라고 안전하게 예측할 수 있습니다.

농장 동물 돌보기

농업에서 AI를 사용하는 더 많은 방법이 활발히 개발되고 있습니다. 예를 들어 파일럿 프로젝트는 신경화 딥 러닝 커뮤니티에서 아직 많은 관심을 받지 못한 산업인 축산업에 컴퓨터 비전을 제공합니다.

물론 가축 추적 데이터에 머신러닝을 활용하려는 시도도 있었습니다. 예를 들어, 파키스탄 스타트업 Cowlar 는 "FitBit for Cows"라는 슬로건 아래 소의 활동과 체온을 원격으로 모니터링하는 목걸이를 선보였습니다. 프랑스 과학자들은 소를 위한 얼굴 인식을 개발하고 있습니다.

이전에는 소홀히 여겨졌던 수천억 달러 규모의 양돈 산업에 컴퓨터 비전을 사용하려는 시도도 있습니다. 현대식 농장에서 돼지는 상대적으로 작은 그룹으로 사육되며 가장 유사한 동물이 선택됩니다. 돼지 생산의 주요 비용은 식량이며 비육 과정의 최적화는 현대 돼지 생산의 중심 과제입니다.

농부들은 돼지의 체중 증가에 대한 자세한 정보를 가지고 있다면 이 문제를 해결할 수 있을 것입니다. 에 따라 이 사이트, 동물은 일반적으로 평생 동안 두 번만 무게를 잰다: 살찌기 시작과 끝. 전문가가 각 새끼 돼지가 어떻게 살찌는지 안다면 각 돼지에 대한 개별 살찌기 프로그램과 개별 식품 첨가물 구성을 작성하여 수확량을 크게 향상시킬 수 있습니다. 동물을 저울에 올리는 것은 그리 어렵지 않지만 이것은 동물에게 큰 스트레스이며 돼지는 스트레스로 인해 체중이 줄어 듭니다. 새로운 AI 프로젝트는 새로운 비침습적 동물 체중 측정 방법을 개발할 계획입니다. Neuromation은 사진 및 비디오 데이터에서 돼지의 무게를 추정하는 컴퓨터 비전 모델을 구축할 예정입니다. 이러한 추정치는 살찌는 과정을 개선할 이미 고전적이고 분석적인 기계 학습 모델에 입력됩니다.

인공 지능의 최전선에 있는 농업

농업과 축산은 종종 구식 산업으로 간주됩니다. 그러나 오늘날 농업은 점점 더 인공 지능의 최전선에 등장하고 있습니다.

주된 이유는 농업의 많은 작업이 동시에 수행되기 때문입니다.

• 최신 인공 지능과 딥 러닝을 사용하지 않고는 자동화할 수 없을 정도로 복잡합니다. 재배 식물과 돼지는 서로 유사하지만 여전히 동일한 조립 라인을 떠나지 않았으며 각 토마토 덤불과 각 돼지는 개별 접근이 필요하므로 아주 최근까지 인간의 개입이 절대적으로 필요했습니다.
• 오늘날 인공 지능의 발달로 식물과 동물의 개별적인 차이를 고려하고 함께 작업하는 기술을 자동화하여 문제를 해결할 수 있을 만큼 간단합니다. 탁 트인 들판에서 트랙터를 운전하는 것은 교통 체증이 심한 차를 운전하는 것보다 쉽고, 돼지의 무게를 재는 것은 통과하는 법을 배우는 것보다 쉽습니다. 튜링 테스트.

농업은 여전히 ​​지구상에서 가장 크고 가장 중요한 산업 중 하나이며, 이 산업의 규모 때문에 효율성이 약간만 증가해도 막대한 이익을 가져올 것입니다.