Штучний інтелект у сільському господарстві: комп’ютерний зір, роботи та ваги для свиней

Штучний інтелект швидко завойовує сільське господарство та харчову промисловість.

Комп’ютерний зір у аналізі культур

Щоб прогодувати мільярди людей, потрібно багато землі. Сьогодні вже неможливо вирощувати її вручну. При цьому захворювання рослин і нашестя комах часто призводять до неврожаю. З сучасним масштабом сільськогосподарського бізнесу такі нашестя важко виявити та ліквідувати в зародку вчасно.

Це вводить ще одну область, де алгоритми комп’ютерного зору можуть допомогти. Виробники використовують комп’ютерний зір, щоб визначити захворювання культур, як на мікро рівні, з близьких зображень листя та рослин, так і на макро рівні, визначаючи перші ознаки захворювання рослин або комах з повітряної фотозйомки. Ці проекти зазвичай засновані на популярному підході до комп’ютерного зору: конволюційні нейронні мережі.

Відзначте, що я тут говорю про комп’ютерний зір у дуже широкому сенсі. У багатьох випадках зображення не є найкращим джерелом даних. Багато важливих аспектів життя рослин можна краще вивчити іншими способами. Здоров’я рослин часто можна краще зрозуміти, наприклад, збираючи гіперспектральні зображення з спеціальними датчиками або виконуючи 3D-лазерне сканування. Такі методи все частіше використовуються в агрономії. Цей тип даних зазвичай має високу роздільну здатність і ближчий до медичної візуалізації, ніж до фотографій. Одним із систем для моніторингу полів є AgMRI. Для обробки цих даних потрібні спеціальні моделі, але їх просторова структура дозволяє використовувати сучасні технології комп’ютерного зору, зокрема конволюційні нейронні мережі.

Мільйони інвестуються у дослідження фенотипування та зображення рослин. Основне завдання тут полягає у зборі великих наборів даних про культури (зазвичай у вигляді фотографій або тривимірних зображень) та порівнянні фенотипових даних з генотипом рослин. Результати та дані можна використовувати для поліпшення сільськогосподарських технологій у всьому світі.

Роботи у сільському господарстві

Автономні сільськогосподарські роботи, такі як Prospero, можуть викопати яму в землі та посадити щось у ній, слідуючи загальним заздалегідь визначеним шаблонам і враховуючи особливості ландшафту. Роботи також можуть доглядати за процесом росту, працюючи з кожною рослиною окремо. Коли наставить час, роботи збирають врожай, знову обробляючи кожну рослину точно так, як потрібно. Prospero заснований на концепції стайного господарства. Представьте собі армію маленьких Prospero, що рухається через поля, залишаючи за собою чіткі, рівномірні ряди рослин. Цікаво, що Prospero з’явився ще у 2011 році, до початку сучасної революції глибокого навчання. Сьогодні роботи швидко поширюються у сільському господарстві, дозволяючи автоматизувати все більше та більше рутинних завдань:

• Автоматичні безпілотники обробляють культури. Малі, рухливі безпілотники можуть доставляти небезпечні хімікати більш точно, ніж традиційні літаки. Крім того, безпілотники-розпилкувачі можна використовувати для повітряної фотозйомки для отримання даних для алгоритмів комп’ютерного зору, згаданих на початку цієї статті.
• Розробляються та використовуються все більше спеціалізовані роботи для збору врожаю. Комбайни існували вже давно. Однак тільки зараз, завдяки сучасним методам комп’ютерного зору та робототехніки, стало можливим розробити, наприклад, робота, який збирає клубнику.
• Роботи, такі як Hortibot, можуть визначати та вбивати окремі бур’ян, механічно видаляючи їх. Це ще одна велика перемога сучасної робототехніки та комп’ютерного зору, оскільки раніше було неможливо розрізняти бур’ян від корисних рослин та працювати з малими рослинами за допомогою маніпуляторів.

Хоча багато сільськогосподарських роботів ще є прототипами або тестуються на малих масштабах, вже зараз зрозуміло, що МЛ, штучний інтелект та робототехніка можуть добре працювати у сільському господарстві. Безпечно можна передбачити, що все більше сільськогосподарської роботи буде автоматизовано в найближчому майбутньому.

Догляд за тваринами на фермах

Багато інших способів використання штучного інтелекту у сільському господарстві активно розробляються. Наприклад, пілотний проект Neuromation вводить комп’ютерний зір у галузь, яка ще не отримала достатньої уваги від спільноти глибокого навчання: тваринництво.

Були, звичайно, спроби використовувати машинне навчання на даних про тварин. Наприклад, пакистанський стартап Cowlar представив ошейник, який віддалено контролює активність та температуру корів під привабливим слоганом “FitBit для корів”. Французькі вчені розробляють розпізнавання облич для корів.

Є також спроби використовувати комп’ютерний зір у галузі, раніше недооціненої, вартістю сотень мільярдів доларів – свиного господарства. На сучасних фермах свиней утримують у відносно малих групах, у яких вибирають найбільш схожих тварин. Основна вартість у виробництві свинини – це корм, а оптимізація процесу відгодівлі є центральним завданням сучасного свиного господарства.

Фермерам, ймовірно, вдалося б вирішити цю проблему, якщо б вони мали детальну інформацію про приріст ваги свиней. За даними цього сайту, тварин зазвичай зважують тільки двічі за все життя: на початку та в кінці відгодівлі. Якщо експерти знали б, як кожен поросінь товстіє, вони могли б розробити індивідуальну програму відгодівлі для кожної свині, а навіть індивідуальний склад кормових добавок, що значно покращило б врожайність. Не дуже складно завести тварин на ваги, але це великий стрес для тварини, і свині втрачають вагу через стрес. Новий проект штучного інтелекту планує розробити новий, неінвазивний метод зважування тварин. Neuromation планує створити модель комп’ютерного зору, яка оцінюватиме вагу свиней за фотографіями та відеоданими. Ці оцінки будуть використані в класичних аналітичних моделях машинного навчання, які покращать процес відгодівлі.

Сільське господарство на передовій штучного інтелекту

Сільське господарство та тваринництво часто вважаються старомодними галузями. Сьогодні, однак, сільське господарство все частіше з’являється на передовій штучного інтелекту.

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

• Достатньо складні, щоб їх не можна було автоматизувати без використання сучасного штучного інтелекту та глибокого навчання. Вирощені рослини та свині, хоча й схожі один на одного, все ж не залишили одну й ту саму збірну лінію, кожна томатна рослина та кожна свиня потребують індивідуального підходу, і тому до останнього часу людське втручання було абсолютно необхідним.
• Достатньо прості, щоб з сучасним розвитком штучного інтелекту ми могли вирішити їх, враховуючи індивідуальні відмінності між рослинами та тваринами, а також автоматизуючи технології для роботи з ними. Керування трактором у відкритому полі легше, ніж керування машиною у заторі, а зважування свині легше, ніж навчання проходження тесту Тьюринга.

Сільське господарство все ще залишається однією з найбільших та найважливіших галузей на планеті, і навіть маленьке збільшення ефективності принесе великі вигоди просто через величезний масштаб цієї галузі. Керування полем легше, ніж керування машиною у заторі, а зважування свині легше, ніж навчання проходження тесту Тьюринга. Сільське господарство все ще залишається однією з найбільших та найважливіших галузей на планеті, і навіть маленьке збільшення ефективності принесе великі вигоди просто через величезний масштаб цієї галузі.