Sztuczna inteligencja w rolnictwie: analiza obrazu, robotyka i wagi dla świń

Sztuczna inteligencja w szybkim tempie podbija rolnictwo i przemysł spożywczy.

Analiza obrazu w rolnictwie

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. Wraz z nowoczesną skalą biznesu rolniczego, takie inwazje są trudne do zidentyfikowania i neutralizacji w zarodku na czas.

To wprowadza kolejną dziedzinę, w której algorytmy analizy obrazu mogą pomóc. Rolnicy używają analizy obrazu, aby rozpoznać choroby roślin, zarówno na poziomie mikro, z bliskich zdjęć liści i roślin, jak i na poziomie makro, identyfikując wczesne oznaki choroby roślin lub szkodników z fotografii lotniczej. Te projekty są zwykle oparte na popularnym podejściu do analizy obrazu: sieciach neuronowych zwanych convolutional neural networks.

Uwaga, mówię tu o analizie obrazu w bardzo szerokim sensie. W wielu przypadkach obrazy nie są najlepszym źródłem danych. Wiele ważnych aspektów życia roślin można najlepiej zbadać w inny sposób. Zdrowie roślin można często lepiej zrozumieć, na przykład, zbierając obrazy hiperspektralne z specjalnymi czujnikami lub wykonując skanowanie laserowe 3D. Takie metody są coraz częściej stosowane w agronomii. Ten typ danych jest zwykle o wysokiej rozdzielczości i jest bliższy obrazowania medycznemu niż fotografiom. Jednym z systemów do monitorowania pól jest AgMRI. Do przetwarzania tych danych potrzebne są specjalne modele, ale ich struktura przestrzenna pozwala na wykorzystanie nowoczesnych technologii analizy obrazu, w szczególności sieci neuronowych zwanych convolutional neural networks.

Miliony są inwestowane w badania fenotypowania roślin i obrazowania. Głównym zadaniem jest zebranie dużych zbiorów danych o plonach (zwykle w postaci zdjęć lub trójwymiarowych obrazów) i porównanie danych fenotypu 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 zbiorą plony, ponownie traktując każdą roślinę dokładnie tak, jak powinny. Prospero opiera się na koncepcji rolnictwa stada. Wyobraź sobie armię małych Prospero pełzających przez pola, pozostawiających za sobą schludne, 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 rozpylające pestycydy. Małe, zwinne drony są w stanie dostarczyć niebezpieczne chemikalia z większą precyzją niż konwencjonalne samoloty. Co więcej, drony rozpylające mogą być wykorzystywane do fotografii lotniczej w celu uzyskania danych dla algorytmów analizy obrazu, o których mowa na początku tego artykułu.
• Coraz więcej specjalistycznych robotów do zbioru jest rozwijanych i wykorzystywanych. Kombajny zbożowe istniały już od dawna. Jednak dopiero teraz, dzięki nowoczesnym metodom analizy obrazu 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 jest kolejny wielki sukces nowoczesnej robotyki i analizy obrazu, ponieważ wcześniej nie było możliwe odróżnienie chwastów od użytecznych roślin i pracy z małymi roślinami przy użyciu manipulatorów.

Chociaż wiele robotów rolniczych jest jeszcze w fazie prototypu lub testowanych na małą skalę, jest już jasne, że ML, AI i robotyka mogą dobrze działać w rolnictwie. Można bezpiecznie przewidzieć, że coraz więcej prac rolniczych będzie zautomatyzowanych w najbliższej przyszłości.

Opieka nad zwierzętami gospodarskimi

Wiele więcej sposobów wykorzystania sztucznej inteligencji w rolnictwie jest aktywnie rozwijanych. Na przykład, pilotowy projekt Neuromation wprowadza analizę obrazu do branży, która nie otrzymała jeszcze wiele uwagi ze strony społeczności głębokiego uczenia: hodowli zwierząt.

Były, oczywiście, próby wykorzystania uczenia maszynowego na danych śledzenia zwierząt. Na przykład, pakiścieński startup Cowlar wprowadził obrożę, która zdalnie monitoruje aktywność i temperaturę krów pod sloganem „FitBit for Cows.” Francuscy naukowcy rozwijają rozpoznawanie twarzy krów.

Istnieją również próby wykorzystania analizy obrazu w wcześniej zaniedbanej branży wartej setki miliardów dolarów – hodowli świń. Na nowoczesnych fermach świnie są trzymane w stosunkowo małych grupach, w których wybiera się najbardziej podobne zwierzęta. Główny koszt w produkcji świń jest żywnością, a optymalizacja procesu tuczu 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 tuczu. Gdyby eksperci wiedzieli, jak każdy prosię tuczy się, byłoby możliwe stworzenie indywidualnego programu tuczu dla każdego świń, a nawet indywidualnego składu dodatków pokarmowych, co znacznie poprawiłoby plon. 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 analizy obrazu, który oszacuje wagę świń na podstawie danych fotograficznych i wideo. Te szacunki będą wprowadzane do już klasycznych, analitycznych modeli uczenia maszynowego, które poprawią proces tuczu.

Rolnictwo na granicy sztucznej inteligencji

Rolnictwo i hodowla zwierząt są często uważane za stare modnie gałęzie przemysłu. Dziś jednak rolnictwo coraz częściej pojawia się na granicy sztucznej inteligencji.

Głównym powodem jest to, że wiele zadań w rolnictwie jest jednocześnie:

• Złożone do tego stopnia, że nie mogą być zautomatyzowane bez użycia nowoczesnej sztucznej inteligencji i głębokiego uczenia. Uprawiane rośliny i świnie, chociaż podobne do siebie, nie pochodzą z tej samej linii produkcyjnej, każdy krzew pomidorowy i każda świnia potrzebują indywidualnego podejścia, a zatem do niedawna interwencja ludzka była absolutnie konieczna.
• Proste do tego stopnia, że z dzisiejszym rozwojem sztucznej inteligencji, możemy rozwiązać je, biorąc pod uwagę indywidualne różnice między roślinami i zwierzętami, a jednocześnie 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, jak przejść test Turinga.

Rolnictwo jest nadal jedną z największych i najważniejszych gałęzi przemysłu na świecie, a nawet niewielki wzrost wydajności przyniesie ogromne korzyści ze względu na ogromną skalę tego przemysłu. pole jest łatwiejsze niż prowadzenie samochodu w ruchu ulicznym, a ważenie świń jest łatwiejsze niż nauka, jak przejść test Turinga. Rolnictwo jest nadal jedną z największych i najważniejszych gałęzi przemysłu na świecie, i nawet niewielki wzrost wydajności przyniesie ogromne korzyści ze względu na ogromną skalę tego przemysłu.