Эконива семена
Рейтинг крупнейших молочных компаний

Искусственный интеллект в АПК: роботы, компьютерное зрение и весы для свиней


Искусственный интеллект в 2017 году начал покорять и отрасль сельского хозяйства и торговли продуктами питания. Сергей Николенко, научный руководитель платформы Neuromation.io, специально для Milknews рассказывает о будущих сельскохозяйственных приложениях, в которых могут быть использованы синтетические данные.
 

Компьютерное зрение для анализа посевов: смотреть и видеть

 

Современное сельское хозяйство — это огромная отрасль. Чтобы накормить миллиарды людей, нужно много земли, и обработать её вручную в наше время уже, конечно, невозможно. Болезни растений и нашествия насекомых часто приводят к неурожаям, а при современных масштабах сельского хозяйства такие нашествия сложно вовремя выявить и нейтрализовать в зародыше.

Это важная область, где могут помочь алгоритмы компьютерного зрения. Растениеводы используют компьютерное зрение для распознавания заболеваний культур: как на микроуровне, по снимкам листьев и растений крупным планом, так и на макроуровне, выявляя ранние признаки заболеваний растений или распространения вредителей по данным аэрофотосъёмки. Все эти проекты обычно основаны на основном современном подходе к компьютерному зрению: сверточных нейронных сетях (convolutional neural networks, CNN).

Заметим, что речь здесь идёт о компьютерном зрении в очень широком смысле. Во многих случаях фотографии — отнюдь не лучший источник данных, и многие важные аспекты жизни растений лучше изучать другими способами. Зачастую состояние растений можно лучше понять, например, собирая при помощи специальных датчиков гиперспектральные изображения или выполняя лазерное трехмерное сканирование; такие методы всё чаще используются в агрономии. Данные такого рода обычно имеют высокое разрешение и по своей природе ближе к медицинским снимкам, чем к фотографиям; одна из систем наблюдения за посадками прямо так и называется — AgMRI. Для обработки этих данных нужны специальные модели, но их пространственная структура позволяет применять современные технологии компьютерного зрения, в частности сверточные нейронные сети.

Недавно 37 миллионов долларов были вложены в создание Исследовательского центра фенотипирования и обработки изображений растений (Plant Phenotyping and Imaging Research Centre) в Университете Саскачевана (Saskatchewan). Это целая организация, основная задача которой — сбор больших наборов данных о культурах (обычно в виде фотографий или описанных выше трёхмерных изображений) и сопоставление данных о фенотипе с генотипом растений; результаты таких проектов можно использовать для совершенствования сельскохозяйственных технологий во всем мире.

Робототехника в сельском хозяйстве

 

Познакомьтесь с Prospero, автономным сельскохозяйственным роботом, который ужасно похож на WALL-E. Он может выкопать в земле ямку и посадить туда растение, следуя предустановленным общим шаблонам, но учитывая при этом и конкретные особенности ландшафта. Потом Prospero будет ухаживать за посадками, работая с каждым растением индивидуально. А когда настанет время, он соберёт урожай, и при этом снова будет обрабатывать каждое растение точно так, как нужно. Prospero основан на концепции "роевого земледелия”: посмотрите это видео и представьте себе армию маленьких Prospero, которая ползет по полям, оставляя за собой аккуратные ровные ряды растений.
Что интересно, Prospero на самом деле появился ещё в 2011 году, до расцвета современной революции глубокого обучения. Однако он по-прежнему остается прототипом, пока не нашедшим широкого применения. А сегодня роботы распространяются в сельском хозяйстве, позволяя автоматизировать всё больше рутинных задач:

  • автоматизированные беспилотные летательные аппараты опрыскивают сельскохозяйственные культуры; маленькие юркие дроны могут обеспечить более точную доставку опасных химикатов, чем обычные самолеты; более того, тех же дронов-опрыскивателей можно использовать и для аэрофотосъемки, из которой получатся данные для алгоритмов компьютерного зрения из первой части этой статьи;
  • всё больше развиваются и применяются специализированные роботы для сбора урожая: зерноуборочные комбайны существуют давно, но только сейчас, при помощи современных методов компьютерного зрения и робототехники, получилось разработать, например, робота, собирающего клубнику;
  • Hortibot, недавно разработанный учеными Орхусского университета (Aarhus University) в Дании, способен распознавать и уничтожать сорняки, удаляя их механическим способом или точечно опрыскивая гербицидами; это еще один большой успех современной робототехники и компьютерного зрения, поскольку отличать сорняки от полезных растений и работать с мелкими растениями при помощи манипуляторов раньше не особенно-то получалось.

Хотя многие из этих роботов по-прежнему остаются прототипами или проходят испытания в небольших масштабах, уже ясно, что робототехника и сельское хозяйство созданы друг для друга. Можно смело предсказывать, что все больше и больше сельскохозяйственных работ будут автоматизированы в ближайшем будущем.
 

Видеонаблюдение за сельскохозяйственными животными: Большой Брат для Пятачка

 

И наконец, третье сельскохозяйственное применение искусственного интеллекта по большому счёту ещё даже не появилось. Это пилотный проект, который Neuromation планируем запустить в начале этого года. В этом проекте планируется внедрить современное компьютерное зрение в отрасли, которая пока не удостоилась большого внимания со стороны сообщества глубокого обучения: в животноводстве.
Попытки использовать машинное обучение на данных от слежения за домашним скотом, конечно, уже были. Например, пакистанский стартап Cowlar выпустил ошейник, который дистанционно отслеживает активность и температуру коров и буйволов, под броским девизом “FitBit for Cows”, а французские ученые разрабатывают ”распознавание лиц для коров”. Neuromation собирается автоматизировать сбор при помощи компьютерного зренияважнейших данных в ранее обойденной вниманием отрасли объемом в сотни миллиардов долларов — в свиноводстве.
На современных фермах свиней содержат относительно небольшими группами, в которые отбирают максимально похожих животных. Основная часть затрат в свиноводстве приходится на корм, и оптимизация процесса откорма — центральная задача современного свиноводства.
И фермеры, скорее всего, смогли бы решить эту задачу, если бы у них была подробная информация о привесе свиней. Но сейчас животных обычно взвешивают всего два раза за всю жизнь: в самом начале и в самом конце откорма. Если бы специалисты знали, как идет откорм каждого поросенка, можно было бы составить индивидуальную программу откорма каждой свиньи, а то и индивидуальный состав пищевых добавок, что существенно улучшило бы выход продукции.
Загнать животных на весы не очень сложно, но это огромный стресс для животного, а от стресса свиньи худеют. В новом проекте планируется разработать новый, неинвазивный метод взвешивания животных: Neuromation собирается построить модель компьютерного зрения, которая будет оценивать вес свиней по фото- и видеоданным. А эти оценки будут подаваться на вход уже классическим, аналитическим моделям машинного обучения, которые будут улучшать процесс откорма.
 

Сельское хозяйство как фронтир искусственного интеллекта

 

Земледелие и животноводство зачастую принято считать старомодными и отсталыми индустриями. Однако сегодня сельское хозяйство всё чаще оказывается на переднем крае искусственного интеллекта.

Основная причина здесь в том, что многие возникающие в сельском хозяйстве задачи одновременно:

  • достаточно сложны, чтобы их не получалось автоматизировать без использования современного искусственного интеллекта и глубокого обучения: культурные растения и свиньи, хоть и похожи друг на друга, но всё же не сошли с одного конвейера, к каждому кусту помидоров и каждой свинке нужен индивидуальный подход, и поэтому до самого последнего времени вмешательство человека была абсолютно необходимо;
  • но в то же время достаточно просты, чтобы уже при сегодняшнем развитии искусственного интеллекта мы могли бы их решить, учитывая индивидуальные различия между растениями и животными, но при этом автоматизируя общие технологии работы с ними; водить трактор в чистом поле проще, чем автомобиль в уличном потоке, а взвесить свинью проще, чем научиться проходить тест Тьюринга.
 

Сельское хозяйство по-прежнему остается одной из крупнейших и наиболее важных отраслей на планете, и даже небольшое повышение эффективности даст огромный выигрыш просто из-за огромного масштаба.

10427 просмотров

беларусь ТОП

Комментарии
Сергей
По предварительным расчетам, система компьютерного зрения может увеличить выручку свинокомплексов на 16% за счет прибавки среднесуточного привеса и повышения сохранности животных.
Для добавления комментариев вам необходимо авторизоваться
extenso
Спиракс 20.10
ВИДЕО 5 мин

ЮТЮБ
ИНТЕР ФУД УРАЛ 25.11
ДЗЕН кв
Подпишитесь на нашу рассылку
МЕГАМИКС 30.06


Аналитический центр Milknews
Дэйри теч 25 января
АГРОС 27 января
Дэйри теч 25 января
АГРОС 27 января