AI i jordbruket: Datorseende, robotar och vågar för grisar

Artificiell intelligens erövrar snabbt jordbruket och livsmedelsindustrin.

Datorseende i grödaanalys

För att mata miljarder människor behöver man mycket mark. Det är omöjligt att odla den manuellt i dag. Samtidigt leder växtsjukdomar och insektsinvasioner ofta till skördeförluster. Med den moderna skalan av jordbruksverksamhet är det svårt att identifiera och neutralisera sådana invasioner i tid.

Detta introducerar ett 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 baseras vanligtvis på den populära ansatsen till datorseende: konvolutionsneuronnät.

Observera att jag talar 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. Växters hälsa kan ofta bättre förstås, till exempel, genom att samla in hyperspektralbilder med specialsensorer eller genom att utföra 3D-laserskanning. Sådana metoder används allt mer i agronomi. Denna datatyp är vanligtvis högupplöst och liknar mer medicinsk bildbehandling 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, särskilt konvolutionsneuronnät.

Miljontals investeras i forskning om växtfenotypning och avbildning. Det viktigaste målet här är att samla in stora datamängder om grödor (vanligtvis i form av fotografier eller tredimensionella bilder) och jämföra fenotypdata med växtgenotyp. Resultaten och data kan användas för att förbättra jordbruksteknologier runt om i världen.

Robotik i jordbruket

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 växtprocessen, arbeta med varje planta individuellt. När tiden är rätt kommer robotarna att skörda, igen behandla varje planta exakt som den ska. Prospero baseras på konceptet swarm-jordbruk. Tänk dig en armé av små Prospero som kryper genom fälten och lämnar efter sig prydliga, jämna rader av plantor. Intressant nog dök Prospero faktiskt upp redan 2011, före den moderna djupinlärningsrevolutionen. Idag sprids robotar snabbt i jordbruket, vilket möjliggör automatisering av allt fler rutinuppgifter:

• Automatiska drönare sprutar grödor. Små, smidiga drönare kan leverera farliga kemikalier mer exakt än konventionella flygplan. Dessutom kan sprutdrönare användas för luftfotografering för att få data för datorseendealgoritmer som nämns i början av den här artikeln.
• 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 plantor med manipulatorer.

Medan många jordbruksrobotar fortfarande är prototyper eller testas i liten skala, är det redan tydligt att maskinlärning, AI och robotik kan fungera bra i jordbruket. Det kan säkert förutsägas att allt mer jordbruksarbete kommer att automatiseras i närmaste framtiden.

Att ta hand om jordbruksdjur

Många fler sätt att använda AI i jordbruket utvecklas aktivt. Till exempel tar ett pilotprojekt av Neuromation datorseende till en industri som inte har fått mycket uppmärksamhet från djupinlärningsgemenskapen ännu: djurhållning.

Det har, naturligtvis, funnits försök att använda maskinlärning på data om boskapsövervakning. Till exempel introducerade den pakistanska startupen Cowlar en halsband som fjärrövervakar aktivitet och temperatur hos kor under den catchy sloganen “FitBit för kor”. Franska forskare utvecklar ansiktsigenkänning för kor.

Det finns också försök att använda datorseende i en tidigare försummad industri som är värderad till hundratals miljarder dollar – grisuppfödning. På moderna gårdar hålls grisar i relativt små grupper, där de mest liknande djuren väljs ut. 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 djuren vanligtvis bara två gånger under hela deras liv: i början och slutet av uppfödningen. Om experter visste hur varje grisunge ökade i vikt, skulle det vara möjligt att skapa ett individuellt uppfödningsprogram för varje gris, och till och med en individuell sammansättning av foder, vilket skulle förbättra avkastningen avsevärt. Det är inte särskilt svårt att köra djur på vågen, men detta är en enorm 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 på grisar från foto- och videodata. Dessa uppskattningar kommer att matas in i redan klassiska, analytiska maskinlärningsmodeller som kommer att förbättra uppfödningsprocessen.

Jordbruket på artificiell intelligens front

Jordbruk och djurhållning anses ofta vara gamla industrier. Idag, dock, dyker jordbruket allt mer upp på artificiell intelligens front.

Det främsta skälet till detta är att många uppgifter inom jordbruket samtidigt är:

• Tillräckligt komplexa för att de inte kan automatiseras utan användning av modern artificiell intelligens och djupinlärning. Odlade växter och grisar, trots att de liknar varandra, har inte lämnat samma monteringslinje, varje tomatbuske och varje gris behöver en individuell approach, och därför har mänskligt ingripande varit absolut nödvändigt tills nyligen.
• Tillräckligt enkla för att vi, med dagens utveckling av artificiell intelligens, 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 Turingtestet.

Jordbruket är fortfarande en av de största och viktigaste industrierna på planeten, och även en liten ökning av effektiviteten kommer att ge stora vinster enbart på grund av branschens enorma skala. 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 Turingtestet. Jordbruket är fortfarande en av de största och viktigaste industrierna på planeten, och även en liten ökning av effektiviteten kommer att ge stora vinster enbart på grund av branschens enorma skala.