AI w rolnictwie: komputerowe widzenie, roboty i wagi dla świń

Sztuczna inteligencja w szybkim tempie podbija rolnictwo i przemysł spożywczy.

Widzenie komputerowe w analizie plonów

Aby wyżywić miliardy ludzi, potrzeba dużo ziemi. Nie jest już możliwe uprawianie jej ręcznie. Jednocześnie choroby roślin i inwazje owadów często prowadzą do niepowodzeń plonów. W przypadku nowoczesnej skali biznesu rolniczego takie inwazje są trudne do zidentyfikowania i neutralizacji w zarodku na czas.

To wprowadza kolejną dziedzinę, w której algorytmy widzenia komputerowego mogą pomóc. Rolnicy używają widzenia komputerowego do rozpoznawania chorób roślin, zarówno na poziomie mikro, z bliskich zdjęć liści i roślin, jak i na poziomie makro, poprzez identyfikację wczesnych objawów chorób roślin lub szkodników z fotografii lotniczej. Te projekty są zwykle oparte na popularnym podejściu do widzenia komputerowego: convolutional neural networks.

Zwróć uwagę, że mówię tu o widzeniu komputerowym w bardzo szerokim sensie. W wielu przypadkach obrazy nie są najlepszym źródłem danych. Wiele ważnych aspektów życia roślin można najlepiej badać w inny sposób. Zdrowie roślin można często lepiej zrozumieć, na przykład, zbierając hiperspektralne obrazy za pomocą specjalnych czujników lub przeprowadzając skanowanie laserowe 3D. Takie metody są coraz częściej stosowane w agronomii. Ten typ danych jest zwykle o wysokiej rozdzielczości i jest bliższy obrazowaniu medycznemu niż fotografiom. Jednym z systemów monitorowania pól jest AgMRI. Do przetwarzania tych danych potrzebne są specjalne modele, ale ich struktura przestrzenna pozwala na wykorzystanie nowoczesnych technologii widzenia komputerowego, w szczególności sieci neuronowych zwanych convolutional neural networks.

Miliony są inwestowane w badania fenotypowania i obrazowania roślin. Głównym zadaniem jest tutaj zebranie dużych zbiorów danych o plonach (zwykle w postaci zdjęć lub trójwymiarowych obrazów) i porównanie danych fenotypowych z genotypem roślin. Wyniki i dane mogą być wykorzystane do poprawy technologii rolniczych na całym świecie.

Robotyka w rolnictwie

Autonomiczne roboty rolnicze, takie jak Prospero, mogą wykopać dziurę w ziemi i posadzić coś w niej, śledząc wcześniej ustalone ogólne wzory i biorąc pod uwagę specyficzne cechy krajobrazu. Roboty mogą również opiekować się procesem wzrostu, pracując z każdą rośliną indywidualnie. Kiedy nadejdzie odpowiedni czas, roboty będą zbierać plony, ponownie traktując każdą roślinę dokładnie tak, jak powinny. Prospero opiera się na koncepcji swarm farming. Wyobraź sobie armię małych Prospero przesuwających się przez pola, pozostawiając za sobą ładne, równe rzędy roślin. Co ciekawe, Prospero pojawił się już w 2011 roku, zanim nastąpił okres rozkwitu nowoczesnej rewolucji głębokiego uczenia. Dziś roboty szybko się rozprzestrzeniają w rolnictwie, umożliwiając automatyzację coraz więcej rutynowych zadań:

• Automatyczne drony spryskują plony. Małe, zwinne drony są w stanie dostarczyć niebezpieczne chemikalia z większą precyzją niż konwencjonalne samoloty. Co więcej, drony spryskujące mogą być wykorzystywane do fotografii lotniczej w celu uzyskania danych dla algorytmów widzenia komputerowego, o których mowa na początku tego artykułu.
• Coraz więcej specjalistycznych robotów do zbioru jest rozwijanych i wykorzystywanych. Kombajny zbiorowe istnieją już od dawna. Dopiero jednak teraz, dzięki nowoczesnym metodom widzenia komputerowego i robotyki, udało się opracować, na przykład, robota, który zbiera truskawki.
• Roboty, takie jak Hortibot, są w stanie rozpoznać i zabić indywidualne chwasty, mechanicznie usuwając je. To kolejny wielki sukces nowoczesnej robotyki i widzenia komputerowego, ponieważ wcześniej nie było możliwe odróżnienie chwastów od użytecznych roślin i pracy z małymi roślinami za pomocą manipulatorów.

Chociaż wiele robotów rolniczych wciąż jest prototypami lub testowanych w małej skali, już teraz wiadomo, że ML, AI i robotyka mogą dobrze współpracować w rolnictwie. Można bezpiecznie przewidzieć, że coraz więcej prac rolniczych będzie zautomatyzowanych w najbliższej przyszłości.

Opieka nad zwierzętami gospodarskimi

Wiele więcej sposobów wykorzystania AI w rolnictwie jest aktywnie rozwijanych. Na przykład, pilotowy projekt Neuromation wprowadza widzenie komputerowe do branży, która nie otrzymała jeszcze zbyt dużej uwagi ze strony społeczności głębokiego uczenia: hodowli zwierząt.

Oczywiście, były już próby wykorzystania uczenia maszynowego na danych śledzenia bydła. Na przykład, pakijski startup Cowlar wprowadził obrożę, która zdalnie monitoruje aktywność i temperaturę krów pod sloganem „FitBit for Cows”. Francuscy naukowcy rozwijają rozpoznawanie twarzy krów.

Są również próby wykorzystania widzenia komputerowego w dotąd zaniedbanej branży wartej setki miliardów dolarów – hodowli świń. Na nowoczesnych fermach świnie są trzymane w stosunkowo małych grupach, w których wybierane są najbardziej podobne zwierzęta. Główny koszt w produkcji świń to żywność, a optymalizacja procesu tuczenia jest centralnym zadaniem nowoczesnej produkcji świń.

Rolnicy najprawdopodobniej byli w stanie rozwiązać ten problem, gdyby mieli szczegółowe informacje o przyroście wagi świń. Zgodnie z tą stroną, zwierzęta są zwykle ważone tylko dwa razy w całym swoim życiu: na samym początku i na samym końcu tuczenia. Gdyby eksperci wiedzieli, jak każdy prosię tuczy się, byłoby możliwe opracowanie indywidualnego programu tuczenia dla każdego świń, a nawet indywidualnego składu dodatków pokarmowych, co znacznie poprawiłoby plony. Nie jest zbyt trudno poprowadzić zwierzęta na wagę, ale jest to ogromny stres dla zwierzęcia, a świnie tracą na wadze z powodu stresu. Nowy projekt AI planuje opracować nową, nieinwazyjną metodę ważenia zwierząt. Neuromation zamierza zbudować model widzenia komputerowego, który oszacuje wagę świń na podstawie danych fotograficznych i wideo. Te szacunki będą wprowadzane do już klasycznych, analitycznych modeli uczenia maszynowego, które poprawią proces tuczenia.

Rolnictwo na granicy sztucznej inteligencji

Rolnictwo i hodowla zwierząt są często uważane za stare, tradycyjne branże. Dziś jednak rolnictwo coraz częściej pojawia się na czele sztucznej inteligencji.

Głównym powodem jest tutaj fakt, że wiele zadań w rolnictwie jest jednocześnie:

• Na tyle złożonych, że nie mogą być zautomatyzowane bez użycia nowoczesnej sztucznej inteligencji i głębokiego uczenia. Uprawiane rośliny i świnie, chociaż podobne do siebie, nie pochodzą z tego samego taśma produkcyjnego, każdy krzew pomidorowy i każda świnia potrzebuje indywidualnego podejścia, a zatem aż do niedawna interwencja człowieka była absolutnie konieczna.
• Na tyle prostych, że z uwzględnieniem obecnych możliwości sztucznej inteligencji, możemy rozwiązać je, biorąc pod uwagę indywidualne różnice między roślinami i zwierzętami, a także automatyzując technologie pracy z nimi. Prowadzenie ciągnika w otwartym polu jest łatwiejsze niż prowadzenie samochodu w ruchu ulicznym, a ważenie świń jest łatwiejsze niż nauka przechodzenia testu Turinga.

Rolnictwo wciąż jest jedną z największych i najważniejszych branż na świecie, a nawet niewielki wzrost wydajności przyniesie ogromne korzyści tylko ze względu na ogromną skalę tej branży.