AI in jordbruk: Datorseende, robotar och vågar för grisar

Artificiell intelligens erövrar snabbt jordbruk och livsmedelsindustrin.

Datorseende i växtanalys

För att mata miljarder människor behövs mycket mark. Det är omöjligt att odla den manuellt dessa dagar. Samtidigt leder växtsjukdomar och insektsinvasioner ofta till skördefel. Med den moderna skalan av jordbruksföretag är sådana invasioner svåra att identifiera och neutralisera i tid.

Detta introducerar ett till område där datorseendealgoritmer kan hjälpa till. Odlare använder datorseende för att känna igen växtsjukdomar, både på mikronivå, från närbilder av blad och växter, och på makronivå, genom att identifiera tidiga tecken på växtsjukdomar eller skadedjur från luftfotografering. Dessa projekt är vanligtvis baserade på den populära ansatsen till datorseende: convolutional neural networks.

Observera att jag talar här om datorseende i en mycket bred bemärkelse. I många fall är bilder inte den bästa källan till data. Många viktiga aspekter av växtliv kan bäst studeras på andra sätt. Växtens hälsa kan ofta förstås bättre, till exempel, genom att samla in hyperspektrala bilder med specialsensorer eller genom att utföra 3D-laserskanning. Sådana metoder används alltmer inom agronomi. Denna datatyp är vanligtvis högupplöst och är mer lik medicinsk avbildning än fotografier. Ett av systemen för fältövervakning kallas AgMRI. För att bearbeta denna data behövs specialmodeller, men deras rumsliga struktur tillåter användning av moderna datorseendeteknologier, i synnerhet convolutional neural networks.

Miljontals investeras i växtfenotypning och bildforskningsprojekt. Det huvudsakliga målet här är att samla in stora datamängder om växter (vanligtvis i form av fotografier eller tredimensionella bilder) och jämföra fenotypdata med växtgenotyp. Resultaten och data kan användas för att förbättra jordbruks-teknologier runt om i världen.

Robotik inom jordbruk

Autonoma jordbruksrobotar som Prospero kan gräva ett hål i marken och plantera något i det, följande förutbestämda allmänna mönster och med hänsyn till landskapets specifika egenskaper. Robotar kan också ta hand om växandeprocessen, arbeta med varje växt individuellt. När tiden är rätt, skördar robotarna, behandlar varje växt exakt som den ska. Prospero bygger på konceptet swarm-jordbruk. Tänk dig en armé av små Prospero som kryper genom fälten och lämnar efter sig prydliga, jämna rader av växter. Intressant nog uppkom Prospero redan 2011, innan den moderna deep learning-revolutionen. Idag sprids robotar snabbt inom jordbruk, vilket möjliggör automatisering av allt fler rutinuppgifter:

• Automatiska drönare sprutar växter. Små, smidiga drönare kan leverera farliga kemikalier mer exakt än konventionella flygplan. Dessutom kan sprutdrönare användas för luftfotografering för att erhålla data för datorseendealgoritmer som nämns i början av denna artikel.
• Allt fler specialiserade robotar för skörd utvecklas och används. Skördetröskor har funnits länge. Men först nu, med hjälp av moderna metoder för datorseende och robotik, har det varit möjligt att utveckla, till exempel, en robot som plockar jordgubbar.
• Robotar som Hortibot kan känna igen och döda enskilda ogräs genom att mekaniskt avlägsna dem. Detta är en annan stor framgång för modern robotik och datorseende, eftersom det tidigare var omöjligt att skilja ogräs från nyttiga växter och arbeta med små växter med manipulatorer.

Medan många jordbruksrobotar fortfarande är prototyper eller testas i liten skala, är det redan tydligt att ML, AI och robotik kan fungera bra inom jordbruk. Det kan säkert förutsägas att allt fler jordbruksarbeten kommer att automatiseras inom den närmaste framtiden.

Omsorg för jordbruksdjur

Många fler sätt att använda AI inom jordbruk utvecklas aktivt. Till exempel tar ett pilotprojekt av Neuromation datorseende till en industri som ännu inte har fått mycket uppmärksamhet från deep learning-samhället: djurhållning.

Det har, naturligtvis, funnits försök att använda maskinlärning på data om boskapsrörelser. Till exempel introducerade pakistaniska startup-företaget Cowlar en halsband som fjärrövervakar aktivitet och temperatur hos kor under den catchiga sloganen “FitBit för kor.” Franska forskare utvecklar ansiktsigenkänning för kor.

Det finns också försök att använda datorseende inom en tidigare försummad industri som är värd hundratals miljarder dollar – grisuppfödning. På moderna gårdar hålls grisar i relativt små grupper, där de mest liknande djuren väljs. Den största kostnaden i grisproduktion är mat, och optimering av uppfödningsprocessen är det centrala målet för modern grisproduktion.

Gårdarna skulle troligen kunna lösa detta problem om de hade detaljerad information om viktökning hos grisar. Enligt denna webbplats vägs djur vanligtvis bara två gånger under hela deras liv: i början och slutet av uppfödningen. Om experter visste hur varje grisunge ökar i vikt, skulle det vara möjligt att skapa ett individuellt uppfödningsprogram för varje gris, och till och med en individuell sammansättning av foder-tillsatser, vilket skulle förbättra avkastningen avsevärt. Det är inte särskilt svårt att köra djur på vågar, men detta är en stor stress för djuret, och grisar förlorar vikt på grund av stress. Det nya AI-projektet planerar att utveckla en ny, icke-invasiv metod för att väga djur. Neuromation ska bygga en datorseendemodell som kommer att uppskatta vikten hos grisar från foto- och videodata. Dessa uppskattningar kommer att matas in i redan klassiska, analytiska maskinlärningsmodeller som kommer att förbättra uppfödningsprocessen.

Jordbruk på gränsen till artificiell intelligens

Jordbruk och djurhållning anses ofta vara gamla industrier. Idag, dock, framträder jordbruk alltmer på gränsen till artificiell intelligens.

Den huvudsakliga anledningen till detta är att många uppgifter inom jordbruk är samtidigt:

• Tillräckligt komplexa för att de inte kan automatiseras utan användning av modern artificiell intelligens och deep learning. Odlade växter och grisar, trots att de är lika, har inte lämnat samma monteringslinje, varje tomatbuske och varje gris behöver en individuell approach, och därför var det, tills mycket nyligen, absolut nödvändigt med mänskligt ingripande.
• Tillräckligt enkla för att, med dagens utveckling av artificiell intelligens, vi kan lösa dem, med hänsyn till de individuella skillnaderna mellan växter och djur, samtidigt som vi automatiserar teknologierna för att arbeta med dem. Att köra en traktor i ett öppet fält är lättare än att köra en bil i trafik, och att väga en gris är lättare än att lära sig att klara Turing-testet.

Jordbruk är fortfarande en av de största och viktigaste industrierna på planeten, och även en liten ökning av effektiviteten kommer att ge enorma vinster, enbart på grund av den enorma skalan av denna industri.