AI in de landbouw: computer vision, robots en weegschalen voor varkens

Kunstmatige intelligentie veroverd de landbouw en de voedingsindustrie in snel tempo.

Computer vision in gewasanalyse

Om miljarden mensen te voeden, heb je veel land nodig. Het is onmogelijk om het landhandwerk tegenwoordig handmatig te bewerken. Tegelijkertijd leiden plantenziekten en insectenplagen vaak tot oogstverliezen. Met de moderne omvang van de landbouw is het moeilijk om deze plagen tijdig te identificeren en te neutraliseren.

Dit introduceert een ander gebied waar computer vision-algoritmen kunnen helpen. Telers gebruiken computer vision om gewasdziekten te herkennen, zowel op micro-niveau, vanuit close-upbeelden van bladeren en planten, als op macro-niveau, door vroege tekenen van plantenziekten of plagen te identificeren vanuit luchtfotografie. Deze projecten zijn meestal gebaseerd op de populaire benadering van computer vision: convolutional neural networks.

Let op dat ik hier over computer vision spreek in een zeer brede zin. In veel gevallen zijn beelden niet de beste bron van gegevens. Veel belangrijke aspecten van plantenleven kunnen het beste op andere manieren worden bestudeerd. De gezondheid van planten kan vaak beter worden begrepen door hyperspectrale beelden te verzamelen met speciale sensoren of 3D-laser-scanning uit te voeren. Dergelijke methoden worden steeds vaker gebruikt in de landbouw. Dit type gegevens is meestal van hoge resolutie en lijkt meer op medische beelden dan op foto’s. Een van de systemen voor veldbewaking heet AgMRI. Om deze gegevens te verwerken, zijn speciale modellen nodig, maar hun ruimtelijke structuur maakt het mogelijk om moderne computer vision-technologieën te gebruiken, met name convolutional neural networks.

Miljoenen worden geïnvesteerd in onderzoek naar plantfenotypering en -beeldvorming. De belangrijkste taak hier is om grote datasets over gewassen te verzamelen (meestal in de vorm van foto’s of driedimensionale beelden) en fenotypedata te vergelijken met plantgenotype. De resultaten en gegevens kunnen worden gebruikt om landbouwtechnologieën over de hele wereld te verbeteren.

Robotica in de landbouw

Autonome landbouwrobots zoals Prospero kunnen een gat in de grond graven en er iets in planten, volgens vooraf bepaalde algemene patronen en rekening houdend met de specifieke kenmerken van het landschap. Robots kunnen ook voor het groeiproces zorgen, waarbij elke plant individueel wordt behandeld. Wanneer het tijd is, zullen robots oogsten, weer met elke plant precies zoals het hoort. Prospero is gebaseerd op het concept van swarm-farming. Stel je een leger van kleine Prospero’s voor die door de velden kruipen en nette, gelijkmatige rijen planten achterlaten. Interessant is dat Prospero eigenlijk al in 2011 verscheen, voordat de moderne deep learning-revolutie plaatsvond. Tegenwoordig verspreiden robots zich snel in de landbouw, waardoor steeds meer routine-taken kunnen worden geautomatiseerd:

• Geautomatiseerde drones spuiten gewassen. Kleine, wendbare drones kunnen gevaarlijke chemicaliën nauwkeuriger afleveren dan conventionele vliegtuigen. Bovendien kunnen spuitdrones worden gebruikt voor luchtfotografie om gegevens te verzamelen voor computer vision-algoritmen die aan het begin van dit artikel worden genoemd.
• Er worden steeds meer gespecialiseerde robots voor de oogst ontwikkeld en gebruikt. Combine-oogstmachines bestaan al lang. Pas nu, met behulp van moderne methoden van computer vision en robotica, is het mogelijk geworden om bijvoorbeeld een robot te ontwikkelen die aardbeien plukt.
• Robots zoals Hortibot kunnen individuele onkruiden herkennen en doden door ze mechanisch te verwijderen. Dit is nog een groot succes van moderne robotica en computer vision, aangezien het voorheen onmogelijk was om onkruid te onderscheiden van nuttige planten en te werken met kleine planten met manipulators.

Hoewel veel landbouwrobots nog steeds prototypes zijn of op kleine schaal worden getest, is het al duidelijk dat ML, AI en robotica goed kunnen werken in de landbouw. Het is veilig te voorspellen dat steeds meer landbouwwerk in de nabije toekomst zal worden geautomatiseerd.

Verzorging van landbouwhuisdieren

Er worden nog veel meer manieren ontwikkeld om AI in de landbouw te gebruiken. Bijvoorbeeld, een pilotproject van Neuromation brengt computer vision naar een industrie die nog niet veel aandacht heeft gekregen van de deep learning-gemeenschap: veeteelt.

Er zijn natuurlijk pogingen gedaan om machine learning te gebruiken op gegevens over het volgen van vee. Bijvoorbeeld, Pakistaanse startup Cowlar introduceerde een halsband die op afstand de activiteit en temperatuur van koeien bewaakt onder de pakkende slogan “FitBit voor koeien.” Franse wetenschappers ontwikkelen gezichtsherkenning voor koeien.

Er zijn ook pogingen om computer vision te gebruiken in een eerder verwaarloosde industrie die honderden miljarden dollars waard is – varkenshouderij. Op moderne boerderijen worden varkens in relatief kleine groepen gehouden, waarin de meest gelijksoortige dieren worden geselecteerd. De belangrijkste kosten in varkensproductie zijn voedsel, en de optimalisatie van het vetmesten is de centrale taak van de moderne varkenshouderij.

De boeren zouden waarschijnlijk in staat zijn om dit probleem op te lossen als ze gedetailleerde informatie hadden over de gewichtstoename van varkens. Volgens deze site worden dieren meestal alleen twee keer in hun hele leven gewogen: aan het begin en het einde van het vetmesten. Als deskundigen wisten hoe elk varken vet werd, zou het mogelijk zijn om een individueel vetmestingsprogramma op te stellen voor elk varken, en zelfs een individuele samenstelling van voedseladditieven, wat de opbrengst aanzienlijk zou verbeteren. Het is niet moeilijk om dieren op de weegschaal te drijven, maar dit is een enorme stress voor het dier, en varkens verliezen gewicht door stress. Het nieuwe AI-project plant een nieuwe, niet-invasieve methode om dieren te wegen. Neuromation gaat een computer vision-model ontwikkelen dat het gewicht van varkens zal schatten op basis van foto’s en videodata. Deze schattingen zullen worden gevoerd in de al klassieke, analytische machine learning-modellen die het vetmesten zullen verbeteren.

Landbouw aan de voorhoede van kunstmatige intelligentie

Landbouw en veeteelt worden vaak beschouwd als ouderwetse industrieën. Tegenwoordig verschijnt de landbouw echter steeds vaker aan de voorhoede van kunstmatige intelligentie.

De belangrijkste reden hiervoor is dat veel taken in de landbouw tegelijkertijd:

• Complex genoeg zijn om zonder de hulp van moderne kunstmatige intelligentie en deep learning niet te kunnen worden geautomatiseerd. Gecultiveerde planten en varkens, hoewel vergelijkbaar met elkaar, zijn nog niet van dezelfde lopende band afkomstig, elke tomatenstruik en elk varken heeft een individuele aanpak nodig, en daarom was tot voor kort menselijke interventie absoluut noodzakelijk.
• Eenvoudig genoeg zijn om met de huidige ontwikkeling van kunstmatige intelligentie op te lossen, waarbij rekening wordt gehouden met de individuele verschillen tussen planten en dieren, en waarbij tegelijkertijd de technologieën voor het werken met hen worden geautomatiseerd. Een tractor besturen in een open veld is gemakkelijker dan een auto in het verkeer, en het wegen van een varken is gemakkelijker dan leren hoe je de Turing-test kunt doorstaan.

De landbouw is nog steeds een van de grootste en belangrijkste industrieën op aarde, en zelfs een kleine toename in efficiëntie zal enorme voordelen opleveren vanwege de enorme omvang van deze industrie. het wegen van een varken is gemakkelijker dan leren hoe je de Turing-test kunt doorstaan. De landbouw is nog steeds een van de grootste en belangrijkste industrieën op aarde, en zelfs een kleine toename in efficiëntie zal enorme voordelen opleveren vanwege de enorme omvang van deze industrie.