AI-modeller og plattformer
AI i landbruket: Datavisjon, roboter og vekter for griser
Viktige punkterNeuromation bruker datasyn for å estimere vekten til griser fra bilder, noe som…
Vis mer
- Neuromation bruker datasyn for å estimere vekten til griser fra bilder, noe som reduserer stress fra manuell veiing.
- AgMRI anvender konvolusjonelle nevrale nettverk på hyperspektrale og 3D-laserdata for tidlig oppdagelse av avlingssykdommer.
- Prospero-roboter implementerer svermlandbruk for å autonomt plante, stelle og høste avlinger med presisjon på individuelle planter.
Kunstig intelligens er raskt på vei til å erobre 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 den moderne skalaen i landbruk, er slike angrep vanskelige å identifisere og nøytralisere i tide.
Dette introduserer ett område til hvor datavisjonsalgoritmer kan hjelpe. Bønder bruker datavisjon til 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: konvolusjonelle nevrale nettverk.
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 bedre forstås, for eksempel, ved å samle inn hyperspektrale bilder med spesielle sensorer eller utføre 3D laser-skanning. Slike metoder brukes stadig mer i agronomi. Denne datatypen er vanligvis høyoppløst og er nærmere medisinsk avbildning enn fotografier. Et av systemene for felt-overvåking heter AgMRI. For å prosessere denne dataen, trengs spesielle modeller, men deres romlige struktur tillater bruk av moderne datavisjonsteknologier, særlig konvolusjonelle nevrale nettverk.
Millioner investeres i plantefenotypering og bildeanalyse. Hovedoppgaven her er å samle inn store datamengder om avlinger (vanligvis i form av fotografier eller tredimensjonale bilder) og sammenligne fenotypdata med plantenes genotype. Resultatene og dataene kan brukes til å forbedre landbruksteknologier over hele verden.
Robotikk i landbruk
Autonome landbruksroboter som Prospero kan grave et hull i jorden og plante noe i det, følge forhåndsbestemte mønster og ta hensyn til landskapets spesielle egenskaper. Robotene kan også ta seg av 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 svermlandbruk. Forestill deg en armé av små Prospero som krabber gjennom feltene og etterlater seg rene, jevne rader av planter. Interessant nok dukket Prospero opp allerede i 2011, før storhetstiden for den moderne dyplæringsrevolusjonen. I dag spres roboter raskt i landbruket, og gjør det mulig å automatisere stadig flere rutineoppgaver:
- Automatiske droner sprayer avlinger. Små, smidige droner kan levere farlige kjemikalier mer nøyaktig enn konvensjonelle fly. I tillegg kan sprayer-droner brukes til luftfotografering for å samle inn data til datavisjonsalgoritmer nevnt i begynnelsen av denne artikkelen.
- Flere og flere spesialiserte roboter for høsting utvikles og brukes. Skurtreskere har eksistert lenge. Likevel, først nå, med hjelp av moderne metoder for datavisjon og robotikk, har det vært mulig å utvikle, for eksempel, en robot som plukker jordbær.
- Robotene som Hortibot kan gjenkjenne og drepe enkelt ugras ved å fysisk 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 på en liten skala, er det allerede klart at ML, AI og robotikk kan fungere godt i landbruket. Det kan trygt forutsies at stadig mer landbruksarbeid vil bli automatisert i nær fremtid.
Å ta vare på dyrene på gården
Mange flere måter å bruke AI i landbruk utvikles aktivt. For eksempel, et pilotprosjekt av Neuromation bringer datavisjon til en industri som ikke har fått mye oppmerksomhet fra dyplæringsmiljøet ennå: dyrehold.
Det har, naturligvis, vært forsøk på å bruke maskinlæring på dyre-sporing-data. For eksempel, introduserte pakistansk startup Cowlar et halsbånd som fjernovervåker aktiviteten og temperaturen til kyr under slagordet “FitBit for kyr”. Franske forskere utvikler ansiktsgjenkjenning for kyr.
Det finnes også forsøk på å bruke datavisjon i en tidligere oversett næring verdt hundrevis av milliarder dollar – grisoppdrett. På moderne gårder holdes griser i relativt små grupper, hvor de mest like dyrene velges. Hovedkostnaden i grisproduksjon er mat, og optimalisering av oppfetingsprosessen er den sentrale oppgaven i moderne grisproduksjon.
Bøndene ville sannsynligvis kunne løse dette problemet hvis de hadde detaljert informasjon om vektøkningen hos griser. Ifølge dette nettstedet veies dyrene vanligvis bare to ganger i hele livet: ved begynnelsen og slutten av oppfetingen. Hvis eksperter visste hvordan hver grisunge legger på seg, ville det være mulig å utarbeide et individuelt oppfetingsprogram for hver gris, og til og med en individuell sammensetning av fôrtilskudd, som ville betydelig forbedre produksjonsutbyttet. Det er ikke så vanskelig å drive dyrene opp på vekten, men dette er et stort 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 til griser fra foto- og video-data. Disse anslagene vil bli matet inn i de allerede klassiske, analytiske maskinlæringsmodellene som vil forbedre oppfetingsprosessen.
Landbruk i frontlinjen for kunstig intelligens
Landbruk og dyrehold regnes ofte som gammeldagse næringer. I dag, likevel, dukker landbruket stadig mer opp i frontlinjen for kunstig intelligens.
Hovedårsaken her er at mange oppgaver i landbruket er samtidig:
- 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, har likevel ikke forlatt samme samlebånd, hver tomatbusk og hver gris trenger en individuell tilnærming, og derfor, inntil helt nylig var menneskelig inngripen absolutt nødvendig.
- Enkle nok til at vi kan løse dem med dagens utvikling av kunstig intelligens, og samtidig ta hensyn til de individuelle forskjellene mellom planter og dyr, samt automatisere teknologiene for å arbeide med dem. Å kjøre en traktor på en åpen mark er enklere enn å kjøre en bil i trafikk, og å veie en gris er enklere enn å lære hvordan man kan bestå Turing-testen.
Landbruk er fortsatt en av de største og viktigste industrier på planeten, og selv en liten økning i effektivitet vil bringe enorme gevinster bare på grunn av industrens enorme skala.












