AI lauksaimniecībā: datorredze, roboti un svari cūkām

Mākslīgais intelekts strauji iekaro lauksaimniecību un pārtikas rūpniecību.

Datorredze ražas analīzē

Lai pabarotu miljardus cilvēku, vajag daudz zemju. Mūsdienās to manuāli kultivēt nav iespējams. Tajā pašā laikā augu slimības un kukaiņu invāzijas bieži izraisa ražas neveiksmes. Mūsdienu lauksaimniecības biznesa mērogā šādus iebrukumus ir grūti noteikt un savlaicīgi neitralizēt.

Tas ievieš vēl vienu jomu, kurā var palīdzēt datorredzes algoritmi. Audzētāji izmanto datorredzi, lai atpazītu kultūraugu slimības gan mikrolīmenī, izmantojot lapu un augu tuvplāna attēlus, gan makro līmenī, identificējot agrīnas augu slimību vai kaitēkļu pazīmes no aerofotografēšanas. Šie projekti parasti ir balstīti uz populāro pieeju datorredzei: konvolucionālie neironu tīkli.

Ņemiet vērā, ka es šeit runāju par datora redzi ļoti plašā nozīmē. Daudzos gadījumos attēli nav labākais datu avots. Daudzus svarīgus augu dzīves aspektus vislabāk var izpētīt citos veidos. Augu veselību bieži var labāk izprast, piemēram, savācot hiperspektrālos attēlus ar īpašiem sensoriem vai veicot 3D lāzerskenēšanu. Šādas metodes arvien vairāk tiek izmantotas agronomijā. Šis datu veids parasti ir augstas izšķirtspējas un ir tuvāks medicīniskajai attēlveidošanai nekā fotogrāfijām. Viena no lauka monitoringa sistēmām tiek saukta AgMRI. Šo datu apstrādei ir nepieciešami īpaši modeļi, taču to telpiskā struktūra ļauj izmantot mūsdienu datorredzes tehnoloģijas, jo īpaši konvolucionālos neironu tīklus.

Miljoni tiek ieguldīti augu fenotipēšanas un attēlveidošanas pētījumos. Galvenais uzdevums šeit ir savākt lielus datu kopumus par kultūraugiem (parasti fotogrāfiju vai trīsdimensiju attēlu veidā) un salīdzināt fenotipu datus ar augu genotipu. Rezultātus un datus var izmantot, lai uzlabotu lauksaimniecības tehnoloģijas visā pasaulē.

Robotika lauksaimniecībā

Autonomiem lauksaimniecības robotiem patīk Prospero var izrakt bedri zemē un kaut ko tajā iestādīt, ievērojot iepriekš noteiktus vispārīgus modeļus un ņemot vērā ainavas specifiskās īpašības. Par audzēšanas procesu var parūpēties arī roboti, strādājot ar katru augu atsevišķi. Kad būs īstais laiks, roboti novāc ražu, atkal apstrādājot katru augu tieši tā, kā vajadzētu. Prospero pamatā ir spietu audzēšanas koncepcija. Iedomājieties mazo Prospero armiju, kas rāpo pa laukiem, atstājot sev līdzi glītas, vienmērīgas augu rindas. Interesanti, ka Prospero faktiski parādījās 2011. gadā, pirms mūsdienu dziļās mācīšanās revolūcijas uzplaukuma. Šodien roboti strauji izplatās lauksaimniecībā, ļaujot automatizēt arvien vairāk ikdienas uzdevumu:

• Automatizētie droni izsmidzina kultūras. Mazie, veiklie droni spēj piegādāt bīstamas ķīmiskas vielas precīzāk nekā parastie lidaparāti. Turklāt smidzinātājus var izmantot aerofotografēšanai, lai iegūtu datus šī raksta sākumā minētajiem datorredzes algoritmiem.
• Arvien vairāk tiek izstrādāti un izmantoti specializēti roboti ražas novākšanai. Kombaini pastāv jau ilgu laiku. Tomēr tikai tagad ar modernu datorredzes un robotikas metožu palīdzību izdevies izstrādāt, piemēram, robotu, kas lasa zemenes.
• Robotiem patīk Hortibot spēj atpazīt un iznīcināt atsevišķas nezāles, tās mehāniski iznīcinot. Tas ir vēl viens liels mūsdienu robotikas un datorredzes panākums, jo iepriekš nebija iespējams atšķirt nezāles no derīgajiem augiem un strādāt ar maziem augiem, izmantojot manipulatorus.

Lai gan daudzi lauksaimniecības roboti joprojām ir prototipi vai tiek testēti nelielā mērogā, jau ir skaidrs, ka ML, AI un robotika var labi darboties lauksaimniecībā. Var droši prognozēt, ka tuvākajā laikā arvien vairāk lauksaimniecības darbu tiks automatizēti.

Lauksaimniecības dzīvnieku pieskatīšana

Tiek aktīvi izstrādāti daudzi citi AI izmantošanas veidi lauksaimniecībā. Piemēram, pilotprojekts, ko veica Neiromatika ienes datorredzību nozarē, kas vēl nav saņēmusi lielu uzmanību no dziļas mācīšanās kopienas: lopkopībā.

Protams, ir bijuši mēģinājumi izmantot mašīnmācīšanos mājlopu izsekošanas datos. Piemēram, Pakistānas jaunuzņēmums Cowlar ieviesa kaklasiksnu, kas attālināti uzrauga govju aktivitāti un temperatūru ar āķīgu saukli “FitBit for Cows”. Franču zinātnieki izstrādā govju sejas atpazīšanu.

Ir arī mēģinājumi izmantot datorredzi agrāk novārtā simtiem miljardu dolāru vērtā nozarē – cūkkopībā. Mūsdienu fermās cūkas tiek turētas salīdzinoši nelielās grupās, kurās tiek atlasīti līdzīgākie dzīvnieki. Galvenās izmaksas cūkkopībā ir pārtika, un nobarošanas procesa optimizēšana ir mūsdienu cūkkopības galvenais uzdevums.

Zemnieki šo problēmu, visticamāk, varētu atrisināt, ja viņiem būtu detalizēta informācija par cūku svara pieaugumu. Saskaņā ar šī lapa, dzīvnieki parasti tiek nosvērti tikai divas reizes visā to dzīves laikā: pašā nobarošanas sākumā un pašās beigās. Ja speciālisti zinātu, kā katrs sivēns nobaro, varētu katrai cūkai sastādīt individuālu nobarošanas programmu un pat individuālu pārtikas piedevu sastāvu, kas būtiski uzlabotu ražu. Uzdzīt dzīvniekus uz svariem nav īpaši grūti, taču dzīvniekam tas ir milzīgs stress, un cūkas no stresa zaudē svaru. Jaunais AI projekts plāno izstrādāt jaunu, neinvazīvu dzīvnieku svēršanas metodi. Neuromation gatavojas izveidot datorredzes modeli, kas no foto un video datiem novērtēs cūku svaru. Šie aprēķini tiks iekļauti jau klasiskajos, analītiskajos mašīnmācīšanās modeļos, kas uzlabos nobarošanas procesu.

Lauksaimniecība uz mākslīgā intelekta robežas

Lauksaimniecība un lopkopība bieži tiek uzskatīta par vecmodīgām nozarēm. Tomēr mūsdienās lauksaimniecība arvien vairāk parādās mākslīgā intelekta priekšgalā.

Galvenais iemesls ir tas, ka daudzi uzdevumi lauksaimniecībā vienlaikus ir:

• Pietiekami sarežģīti, lai tos nevarētu automatizēt, neizmantojot modernu mākslīgo intelektu un dziļu mācīšanos. Kultivētie augi un cūkas, lai arī līdzīgi viens otram, tomēr neizgāja no vienas montāžas līnijas, katram tomātu krūmam un katrai cūkai nepieciešama individuāla pieeja, un tāpēc vēl pavisam nesen cilvēka iejaukšanās bija absolūti nepieciešama.
• Pietiekami vienkārši, lai ar mūsdienu mākslīgā intelekta attīstību mēs tos varētu atrisināt, ņemot vērā augu un dzīvnieku individuālās atšķirības, vienlaikus automatizējot tehnoloģijas darbam ar tiem. Braukt ar traktoru atklātā laukā ir vienkāršāk nekā braukt ar automašīnu satiksmē, un nosvērt cūku ir vieglāk nekā iemācīties braukt garām Tjūringa tests.

Lauksaimniecība joprojām ir viena no lielākajām un svarīgākajām nozarēm uz planētas, un pat neliels efektivitātes pieaugums nesīs milzīgus ieguvumus tikai šīs nozares milzīgā mēroga dēļ.