Tarım’da Yapay Zeka: Bitki Analizi için Bilgisayarlı Görü, Tarım Robotları ve Domuzlar için Teraziler

Yapay zeka, tarım ve gıda endüstrilerini hızla ele geçirmektedir.

Bitki analizi için bilgisayarlı görü

Milyarlarca insanı beslemek için çok fazla araziye ihtiyaç vardır. Günümüzde bunu manuel olarak yapmak imkansızdır. Aynı zamanda, bitki hastalıkları ve haşere istilaları sık sık ürün kayıplarına neden olur. Modern tarım işinin boyutuyla, bu istilaları zamanında tespit etmek ve nötralize etmek zor trởür.

Bu, bilgisayar görü algoritmalarının yardım edebileceği bir başka alan daha tanıtır. Üreticiler, bilgisayar görü kullanarak bitki hastalıklarını tanır, hem mikro düzeyde, bitki ve yaprakların yakın çekim görüntülerinden, hem de makro düzeyde, havadan fotoğrafçılık yoluyla bitki hastalıklarının veya haşerelerin erken işaretlerini tanımlayarak. Bu projeler genellikle bilgisayar görü approachının popüler bir yaklaşımına dayanır: evrişimli sinir ağları.

Şuraya dikkat edin, burada bilgisayar görü hakkında çok geniş bir anlamda konuşuyorum. Çoğu durumda, görüntüler en iyi veri kaynağı değildir. Bitki yaşamının birçok önemli yönü başka yollarla daha iyi incelenebilir. Bitki sağlığı genellikle özel sensörlerle hiperspektral görüntüler toplamak veya 3D lazer taraması yapmak suretiyle daha iyi anlaşılabilir. Bu yöntemler giderek daha fazla agronomide kullanılmaktadır. Bu veri türü genellikle yüksek çözünürlüklüdür ve fotoğraflardan daha çok tıbbi görüntülemeye benzer. Tarla izleme sistemlerinden biri AgMRI olarak adlandırılır. Bu verileri işlemek için özel modellere ihtiyaç duyulur, ancak onların uzaysal yapısı, modern bilgisayar görü teknolojilerinin, özellikle de evrişimli sinir ağlarının kullanılmasını sağlar.

Bitki fenotiplendirme ve görüntüleme araştırmalarına milyonlarca dolar yatırım yapılmaktadır. Burada temel görev, bitkiler hakkında (genellikle fotoğraf veya üç boyutlu görüntüler şeklinde) büyük veri kümeleri toplamak ve fenotip verilerini bitki genotipi ile karşılaştırmaktır. Sonuçlar ve veriler, dünya çapındaki tarım teknolojilerini iyileştirmek için kullanılabilir.

Tarım’da robotik

Otonom tarım robotları gibi Prospero, önceden belirlenmiş genel desenlere uyarak ve manzaranın özel özelliklerini dikkate alarak toprağa bir delik kazabilir ve bir şeyler ekilebilir. Robotlar ayrıca büyüme sürecini, her bitkiyle bireysel olarak çalışarak, yönetebilir. Zamanı geldiğinde, robotlar hasat yapacak, yine her bitkiyi gerektiği gibi muamele edecek. Prospero, sürü tarımı kavramına dayanır. Küçük Prospero ordusunun tarlalarda düzenli, eşit bitki sıraları bırakan bir ordu gibi ilerlediğini hayal edin. İlginçtir ki, Prospero aslında 2011’de, modern derin öğrenme devriminin zirvesinden önce ortaya çıktı. Bugün, robotlar tarımda hızla yayılıyor ve daha fazla rutin görevi otomatikleştirmenize olanak tanır:

• Otomatik dronlar ürünleri spreyleyebilir. Küçük, çevik dronlar, geleneksel uçaklardan daha doğru bir şekilde tehlikeli kimyasalları teslim edebilir. Ayrıca, spreyleme dronları, bu makalenin başında bahsedilen bilgisayar görü algoritmaları için veri elde etmek amacıyla havadan fotoğrafçılık için kullanılabilir.
• Daha fazla uzmanlaşmış hasat robotları geliştiriliyor ve kullanılıyor. Kombine hasat makineleri uzun süredir var. Ancak modern bilgisayar görü ve robotik yöntemlerinin yardımıyla, şimdiye kadar mümkün olmayan, örneğin çilek toplamak için bir robota sahip olmak mümkün.
• Hortibot gibi robotlar, mekanik olarak onları çıkararak bireysel yabani otları tanıyabilir ve öldürebilir. Bu, modern robotik ve bilgisayar görü teknolojisinin bir başka büyük başarısıdır, çünkü önce yabani otları faydalı bitkilerden ayırt etmek ve küçük bitkilerle manipülatörler kullanarak çalışmak imkansızdı.

Çok sayıda tarım robotu hala prototip veya küçük ölçekte test edilirken, AI, ML ve robotların tarımda iyi çalışabileceği zaten açık. Güvenle öngörülebilir ki, gelecekte daha fazla tarım işi otomatikleştirilecek.

Çiftlik hayvanlarının bakımı

Tarım’da AI kullanımının daha birçok yolu aktif olarak geliştirilmektedir. Örneğin, Neuromation tarafından yürütülen bir pilot proje, derin öğrenme topluluğunun henüz çok dikkat etmediği bir endüstriye bilgisayar görü getirmektedir: hayvancılık.

Elbette, hayvan izleme verilerine makine öğrenimi uygulamak için girişimler olmuştur. Örneğin, Pakistani startup Cowlar, “inekler için FitBit” sloganıyla ineklerin aktivitesini ve sıcaklığını uzaktan izleyen bir yakayı tanıttı. Fransız bilim adamları inekler için yüz tanıma geliştiriyorlar.

Önceden ihmal edilen, yüz milyarlarca dolar değerindeki bir endüstri olan domuz yetiştiriciliği – bilgisayar görü kullanımına yönelik girişimler de vardır. Modern çiftliklerde, domuzlar tương đối küçük gruplar halinde tutulur ve bu gruplarda en benzer hayvanlar seçilir. Domuz üretiminde ana maliyet, yemdir ve yağlanma sürecinin optimizasyonu, modern domuz yetiştiriciliğinin merkezi görevidir.

Çiftçiler, her domuzun kilo alması hakkında ayrıntılı bilgi sahibi olsalardı, bu sorunu çözebilirlerdi. Bu siteye göre, hayvanlar genellikle tüm hayatları boyunca sadece iki kez tartılır: yağlanma sürecinin başlangıcında ve sonunda. Eğer uzmanlar her bir domuz yavrusunun nasıl yağlandığını bilseydi, her bir domuz için bireysel bir yağlanma programı ve hatta yem katkılarının bireysel bir bileşimi oluşturmak mümkün olacaktı, bu da verimi önemli ölçüde artıracaktı. Hayvanları terazilere sürmek çok zor değildir, ancak bu, hayvan için büyük bir strestir ve domuzlar stresten kilo kaybeder. Yeni AI projesi, hayvanları terazilere sürmeden onları tartmak için yeni, müdahaleci olmayan bir yöntem geliştirmeyi planlıyor. Neuromation, fotoğrafçılık ve video verilerini kullanarak domuzların ağırlığını tahmin eden bir bilgisayar görü modeli oluşturacak. Bu tahminler, zaten klasik olan analitik makine öğrenimi modellerine beslenecek ve yağlanma sürecini iyileştirecek.

Tarımın yapay zeka sınırında

Tarım ve hayvancılık genellikle eski moda endüstriler olarak görülür. Ancak bugün, tarım giderek yapay zeka sınırında ortaya çıkmaktadır.

Buradaki temel neden, tarım’daki birçok görevin aynı anda:

• Modern yapay zeka ve derin öğrenme usage olmadan otomatikleştirilemeyecek kadar karmaşıktır. Yetiştirilen bitkiler ve domuzlar, birbirlerine benzer olsalar da, aynı üretim hattından çıkmazlar ve her bir domuz ve her bir bitki için bireysel bir yaklaşım gerekir, bu nedenle, çok yakın zamanlara kadar, insan müdahalesi mutlak olarak gerekliydi.
• Modern yapay zeka gelişimiyle, bireysel farklılıkları dikkate alarak bitkiler ve hayvanlarla çalışmak için teknolojileri otomatikleştirebileceğimiz kadar basittir. Açık bir arazide traktör sürmek, trafikte araba sürmekten daha kolaydır ve bir domuzu tartmak, Turing testini geçmekten daha kolaydır.

Tarım, hala dünyanın en büyük ve en önemli endüstrilerinden biridir ve bu endüstrinin verimliliğindeki küçük bir artış, endüstrinin büyüklüğü nedeniyle büyük kazançlar getirecektir.