ШІ в сільському господарстві: комп’ютерний зір, роботи та ваги для свиней

Штучний інтелект стрімко завойовує сільське господарство та харчову промисловість.

Комп'ютерний зір в аналізі врожаю

Щоб прогодувати мільярди людей, потрібно багато землі. Вирощувати його вручну в наш час неможливо. У той же час хвороби рослин і нашестя комах часто призводять до неврожаїв. З огляду на сучасні масштаби сільськогосподарського бізнесу, такі вторгнення важко виявити та вчасно нейтралізувати на зародку.

Це відкриває ще одну область, де можуть допомогти алгоритми комп’ютерного зору. Виробники використовують комп’ютерний зір, щоб розпізнавати хвороби рослин як на мікрорівні, за зображеннями листя та рослин крупним планом, так і на макрорівні, визначаючи ранні ознаки хвороб рослин або шкідників на аерофотознімках. Ці проекти зазвичай базуються на популярному підході до комп’ютерного зору: згорткові нейронні мережі.

Зауважте, що я говорю тут про комп’ютерний зір у дуже широкому сенсі. У багатьох випадках зображення не є найкращим джерелом даних. Багато важливих аспектів життя рослин можна найкраще вивчити іншими способами. Здоров'я рослин часто можна краще зрозуміти, наприклад, збираючи гіперспектральні зображення за допомогою спеціальних датчиків або виконуючи 3D-лазерне сканування. Такі методи все ширше застосовуються в агрономії. Цей тип даних зазвичай має високу роздільну здатність і ближче до медичних зображень, ніж фотографії. Одна із систем польового моніторингу називається AgMRI. Для обробки цих даних потрібні спеціальні моделі, але їх просторова структура дозволяє використовувати сучасні технології комп’ютерного зору, зокрема, згорткові нейронні мережі.

Мільйони інвестуються в фенотипування рослин і дослідження зображень. Основним завданням тут є збір великих наборів даних про сільськогосподарські культури (зазвичай у вигляді фотографій або тривимірних зображень) і порівняння даних фенотипу з генотипом рослин. Результати та дані можуть бути використані для вдосконалення сільськогосподарських технологій у всьому світі.

Робототехніка в сільському господарстві

Автономні сільськогосподарські роботи, як Просперо може вирити яму в землі і посадити в ній що-небудь, дотримуючись заздалегідь визначених загальних схем і враховуючи специфічні характеристики ландшафту. Роботи також можуть піклуватися про процес вирощування, працюючи з кожною рослиною окремо. Коли настане відповідний час, роботи зберуть урожай, знову обробляючи кожну рослину так, як належить. Prospero базується на концепції ройового вирощування. Уявіть собі армію маленьких Просперо, які повзають полями, залишаючи за собою акуратні рівні ряди рослин. Цікаво, що насправді Prospero з’явився ще в 2011 році, ще до розквіту сучасної революції глибинного навчання. сьогодні, роботи швидко поширюються у сільському господарстві, що дозволяє автоматизувати все більше рутинних завдань:

• Автоматизовані дрони обприскують посіви. Маленькі спритні дрони здатні доставляти небезпечні хімічні речовини точніше, ніж звичайні літаки. Крім того, дрони-розпилювачі можна використовувати для аерофотозйомки для отримання даних для алгоритмів комп’ютерного зору, згаданих на початку цієї статті.
• Розробляється та використовується все більше спеціалізованих роботів для збирання врожаю. Зернозбиральні комбайни існують давно. Але тільки зараз за допомогою сучасних методів комп’ютерного зору та робототехніки вдалося розробити, наприклад, робота, який збирає полуницю.
• Роботи люблять Хортібот здатні розпізнавати та знищувати окремі бур’яни шляхом їх механічного видалення. Це ще один великий успіх сучасної робототехніки та комп’ютерного зору, адже раніше було неможливо відрізнити бур’яни від корисних рослин і працювати з маленькими рослинами за допомогою маніпуляторів.

Хоча багато сільськогосподарських роботів все ще є прототипами або випробовуються в невеликих масштабах, уже очевидно, що машинне навчання, штучний інтелект і робототехніка можуть добре працювати в сільському господарстві. Можна з упевненістю передбачити, що в найближчому майбутньому все більше сільськогосподарських робіт буде автоматизовано.

Догляд за сільськогосподарськими тваринами

Активно розробляється ще багато способів використання ШІ в сільському господарстві. Наприклад, пілотний проект від Нейромація привносить комп’ютерне бачення в галузь, яка ще не привернула уваги спільноти глибокого навчання: тваринництво.

Звичайно, були спроби використати машинне навчання на даних відстеження худоби. Наприклад, Пакистанський стартап Cowlar представила нашийник, який дистанційно контролює активність і температуру корів під помітним гаслом «FitBit для корів». Французькі вчені розробляють розпізнавання облич корів.

Існують також спроби використати комп’ютерний зір у раніше занедбаній галузі вартістю сотні мільярдів доларів – свинарстві. На сучасних фермах свиней містять відносно невеликими групами, в які відбирають найбільш схожих тварин. Основними витратами у свинарстві є продукти харчування, а оптимізація процесу відгодівлі є центральним завданням сучасного свинарства.

Фермери, швидше за все, змогли б вирішити цю проблему, якби мали детальну інформацію про приріст ваги свиней. Згідно цей сайт, тварин зазвичай зважують лише двічі за все життя: на самому початку і в самому кінці відгодівлі. Якби фахівці знали, як відгодовується кожне порося, то можна було б скласти для кожної свині індивідуальну програму відгодівлі та навіть індивідуальний склад харчових добавок, що значно покращило б урожайність. Загнати тварин на ваги не дуже складно, але це величезний стрес для тварини, і свині від стресу худнуть. Новий проект AI планує розробити новий, неінвазивний метод зважування тварин. Neuromation збирається побудувати модель комп’ютерного зору, яка буде оцінювати вагу свиней за фото- та відеоданими. Ці оцінки будуть введені в уже класичні аналітичні моделі машинного навчання, які покращать процес відгодівлі.

Сільське господарство на рубежі штучного інтелекту

Сільське господарство та тваринництво часто вважаються старомодними галузями. Однак сьогодні сільське господарство все частіше виступає в авангарді штучного інтелекту.

Основна причина тут полягає в тому, що багато завдань у сільському господарстві виконуються одночасно:

• Досить складні, тому їх неможливо автоматизувати без використання сучасного штучного інтелекту та глибокого навчання. Культурні рослини і свині, хоч і схожі один на одного, все ж не сходили з одного конвеєра, до кожного куща помідорів і до кожної свині потрібен індивідуальний підхід, а тому ще зовсім недавно втручання людини було конче необхідно.
• Досить просто, щоб із сучасним розвитком штучного інтелекту ми могли їх вирішувати, враховуючи індивідуальні відмінності рослин і тварин, а також автоматизуючи технології роботи з ними. Керувати трактором у відкритому полі легше, ніж керувати автомобілем у пробці, а зважити свиню легше, ніж навчитися проходити повз Тест Тьюрінга.

Сільське господарство все ще залишається однією з найбільших і найважливіших галузей промисловості на планеті, і навіть невелике підвищення ефективності принесе величезні прибутки просто через величезний масштаб цієї галузі.