AI i landbruket: Datavisjon, roboter og vekter for griser

Kunstig intelligens er i raskt tempo under erobring av landbruket og matindustrien.

Datavisjon i analyse av avlinger

For å mate milliarder av mennesker, trenger man mye land. Det er umulig å dyrke det manuelt i disse dager. Samtidig fører plantesykdommer og insektangrep ofte til avlingssvikt. Med det moderne omfanget av landbruk, er slike angrep vanskelige å identifisere og nøytralisere i tide.

Dette innfører ett nytt område hvor datavisjonsalgoritmer kan hjelpe. Dyrkere bruker datavisjon for å gjenkjenne avlingssykdommer, både på mikronivå, fra nærbilder av blader og planter, og på makronivå, ved å identifisere tidlige tegn på plantesykdommer eller skadedyr fra luftfotografering. Disse prosjektene er vanligvis basert på den populære tilnærmingen til datavisjon: convolutional neural networks.

Merk at jeg her snakker om datavisjon i en svært bred betydning. I mange tilfeller er bilder ikke den beste kilde til data. Mange viktige aspekter ved planteliv kan best studeres på andre måter. Plantehelse kan ofte forstås bedre, for eksempel, ved å samle inn hyperspektrale bilder med spesiale sensorer eller utføre 3D laser-skanning. Slike metoder brukes i økende grad i agronomi. Denne datatypen er vanligvis høyoppløst og er nærmere medisinsk bildebehandling enn fotografier. Ett av systemene for feltovervåking heter AgMRI. For å prosessere denne dataen, trengs spesialmodeller, men deres romlige struktur tillater bruken av moderne datavisjonsteknologier, spesielt convolutional neural networks.

Millioner investeres i plantefenotyping og bildeanalyse. Hovedoppgaven her er å samle inn store datamengder om avlinger (vanligvis i form av fotografier eller tredimensjonale bilder) og sammenligne fenotypdata med plantegen. Resultatene og dataene kan brukes til å forbedre landbruksteknologier over hele verden.

Robotikk i landbruket

Autonome landbruksroboter som Prospero kan grave et hull i bakken og plante noe i det, følge forhåndsbestemte mønster og ta hensyn til de spesifikke egenskapene til landskapet. Robotene kan også ta vare på vekstprosessen, arbeide med hver enkelt plante individuelt. Når tiden er inne, vil robotene høste, igjen behandle hver plante nøyaktig som den skal. Prospero er basert på konseptet swarm-landbruk. Forestill deg en armé av små Prospero som krabber gjennom feltene og etterlater seg rene, jevne rader av planter. Interessant nok dukket Prospero faktisk opp allerede i 2011, før den moderne dyplæringens storhetstid. I dag spres robotene raskt i landbruket, og gjør det mulig å automatisere flere og flere rutineoppgaver:

• Automatiske droner sprayer avlinger. Små, smidige droner kan levere farlige kjemikalier mer nøyaktig enn konvensjonelle fly. I tillegg kan sprayerdroner brukes til luftfotografering for å innhente data for datavisjonsalgoritmer nevnt i begynnelsen av denne artikkelen.
• Flere og flere spesialiserte roboter for høsting utvikles og brukes. Kornhøstere har eksistert i lang tid. Likevel har det først nå, med hjelp av moderne metoder for datavisjon og robotikk, vært mulig å utvikle, for eksempel, en robot som plukker jordbær.
• Robotene som Hortibot kan gjenkjenne og drepe enkelt ugras ved å mekanisk fjerne dem. Dette er en annen stor suksess for moderne robotikk og datavisjon, da det tidligere var umulig å skille ugras fra nyttige planter og arbeide med små planter med manipulatorer.

Selv om mange landbruksroboter fortsatt er prototyper eller testes i liten skala, er det allerede klart at ML, AI og robotikk kan fungere godt i landbruket. Det kan trygt forutsies at mer og mer landbruksarbeid vil bli automatisert i nær fremtid.

Omsorg for husdyr

Mange flere måter å bruke AI i landbruket utvikles aktivt. For eksempel, et pilotprosjekt av Neuromation bringer datavisjon til en industri som ikke har mottatt mye oppmerksomhet fra dyplæringsamfunnet ennå: husdyrhold.

Det har, naturligvis, vært forsøk på å bruke maskinlæring på husdyrsporingdata. For eksempel, introduserte pakistanske startup Cowlar en halsbånd som overvåker aktivitet og temperatur på kyr på avstand under slagordet “FitBit for kyr.” Franske forskere utvikler ansiktsgjenkjenning for kyr.

Det finnes også forsøk på å bruke datavisjon i en tidligere forlatt industri verdt hundredvis av milliarder dollar – grisoppdrett. På moderne gårder holdes griser i relativt små grupper, hvor de mest like dyrene er valgt. Hovedkosten i grisproduksjon er mat, og optimalisering av fektingsprosessen er det sentrale oppgaven i moderne grisproduksjon.

Bøndene ville sannsynligvis kunne løse dette problemet hvis de hadde detaljert informasjon om vekst hos griser. Ifølge dette nettstedet veies dyrene vanligvis bare to ganger i hele livet: ved begynnelsen og slutten av fektingen. Hvis ekspertene visste hvordan hver grisunge fekk vekst, ville det være mulig å lage en individuell fektingsprogram for hver gris, og selv en individuell sammensetning av fôrtilskudd, som ville betydelig forbedre avlingen. Det er ikke så vanskelig å drive dyrene inn på vekteren, men dette er en stor stress for dyret, og griser mister vekt på grunn av stress. Det nye AI-prosjektet planlegger å utvikle en ny, ikke-invasiv metode for å veie dyrene. Neuromation skal bygge en datavisjonsmodell som vil anslå vekten på griser fra foto- og videodata. Disse anslagene vil bli matet inn i allerede klassiske, analytiske maskinlæringsmodeller som vil forbedre fektingsprosessen.

Landbruket på grensen av kunstig intelligens

Landbruk og husdyrhold regnes ofte som gammeldags industrier. I dag, likevel, dukker landbruket stadig oftere opp på grensen av kunstig intelligens.

Hovedårsaken til dette er at mange oppgaver i landbruket er både:

• Komplekse nok til at de ikke kan automatiseres uten bruk av moderne kunstig intelligens og dyplæring. Dyrkede planter og griser, selv om de er like hverandre, har likevel ikke forlatt samme samlebånd, hver tomatbusk og hver gris trenger en individuell tilnærming, og derfor har det, helt til nylig, vært absolutt nødvendig med menneskelig inngripen.
• Enkle nok til at vi, med dagens utvikling av kunstig intelligens, kan løse dem, samtidig som vi tar hensyn til de individuelle forskjellene mellom planter og dyr, og også automatiserer teknologiene for å arbeide med dem. Å kjøre en traktor på en åpen mark er enklere enn å kjøre en bil i trafikken, og å veie en gris er enklere enn å lære å bestå Turing-testen.

Landbruket er fortsatt en av de største og viktigste industrier på planeten, og selv en liten økning i effektivitet vil gi enorme gevinster, bare på grunn av industrens enorme omfang.