Як штучний інтелект та роботи підвищують врожайність полів та ефективність сільського господарства
Ефективне застосування роботів та "розумних" систем, які базуються на методах штучного інтелекту (ШІ), зокрема нейронних мереж, в сільському господарстві дозволяє значно півдищити його ефективність, зекономити багато часу та ресурсів, підвищити врожайність. Нижче представлені деякі найбільш цікаві розробки.
Населення Землі стрімко зростає і за прогнозами ООН до 2030 року досягне 8,5 млрд осіб. Аналітики Світового банку вважають, що до 2050 року нам потрібно буде збільшити кількість продуктів харчування на 50 відсотків, щоб прогодувати зростаюче населення планети, а зміна клімату призведе до зниження врожайності на 25 відсотків на відкритому повітрі. Але території, які найкраще підходять для вирощування культурних рослин, вже обробляються. Знайти нові місця важко, а домогтися значного приросту врожайності — ще важче.
Вирішувати цю проблему потрібно за допомогою нових технологій. І тут найбільш перспективним напрямком здається використання нейромереж і штучного інтелекту для створення сільськогосподарських роботів і систем контролю врожаю.
Чому саме нейромережі? Вони найкраще підходять для вирішення прикладних завдань. Не будемо описувати технічні подробиці їх функціонування, краще опишемо переваги. Нейромережа не програмується в класичному розумінні цього процесу. Вона "навчається", знаходячи закономірності в завантажених даних і здатна використовувати їх в подальшій роботі.
Як і людина, нейромережа вміє швидко розпізнавати образи фото і відео, вміє прогнозувати та приймати рішення. При цьому штучні нейронні мережі працюють з великими обсягами даних швидше і ефективніше людини. Те, що потрібно для оптимізації сільгоспугідь, де площі вимірюються сотнями гектарів, персонал – тисячами співробітників, а поголів'я – мільйонами особин. Так-так, кількість овець в країні — це і є Big Data. Первинної інформації для навчання вистачить майже у будь-якої компанії в галузі. Головне – зібрати її в зрозумілому для навчання форматі і інтегрувати в робочі процеси.
Якість і кількість врожаю, збільшення поголів'я худоби залежать від багатьох факторів. Проаналізувати їх все, щоб прийняти правильне рішення, людина не в змозі, наскільки досвідченим би вона не була. Так що необхідність в сучасних технологах очевидна. Тим більше, що вже існує велика кількість успішних розробок, що допомагають фермерам збирати врожай, стежити за худобою і будувати прогнози. Розповімо про найцікавіші проекти з роботами і штучним інтелектом в сільському господарстві.
Роботи для сільського господарства
Почнемо з роботів. Вони бувають великими і маленькими, є навіть качко-роботи.
Іспанська компанія Agrobot запропонувала робота для автоматичного збору ніжних ягід полуниці. Пристрій повністю автономно і може орієнтуватися в просторі. Роботизовані руки (їх може бути до 24 штук) працюють незалежно, знімаючи з куща по одній ягоді. Для оцінки зрілості ягід робот використовує технології штучного інтелекту. Сенсори аналізують ягоди, а графічні процесори оцінюють колір плода і його товарний вигляд, причому в базу записуються дані про кожен плод.
За три дні Acrobat здатний зібрати полуницю з 800 соток. Після кожного зібраного ряду він зупиняється і пересилає інформацію оператору. Машина швидко справляється із завданням і підходить для різних фермерських ділянок. Перше успішне випробування полуничного робота провели на фермерському господарстві Driscoll в Каліфорнії.
Dogtooth Technologies
Конкурент іспанського робота, створений у Великобританії. Пристрій призначений для збору м'яких фруктів. Він здатний автономно пересуватися по рядах культур, знаходити і збирати стиглі фрукти, сортувати зібрані ягоди і фасувати їх в упаковки. Після збору ягід відеокамери оглядають плід з усіх боків, щоб визначити сорт, форму, виміряти масу, виявити дефекти (вм'ятини, цвіль і т. д.). Відбраковані плоди поміщаються в сміттєві контейнери.
Сортування плодів і їх упаковка відбувається на місці, тому додаткові витрати на працю сортувальників виключені, а продукт надходить на прилавки швидше. Орієнтація в просторі відбувається за допомогою високоточних координат GPS.
У робота є деякі цікаві особливості. Наприклад, англійці звикли купувати в торгових мережах стиглу полуницю з невеликою частиною стебла. Машина враховує цю особливість, збираючи ягоду в такому вигляді.
Vegebot
Vegebot-робочий прототип роботизованого збирача салату Айсберг, створений інженерами з Кембриджського університету. Пристрій може самостійно розпізнавати готові до зрізання неушкоджені качани салату, а також акуратно обробляти їх і збирати.
Wall-Ye V.I.N.
Дітище бургундського винахідника Крістофа Міллота (Франція) старанно працює на виноградниках. Пристрій з чотирма колесами, двома руками і шістьма камерами важить 20 кілограмів, вибирає шлях автоматично і використовує штучний інтелект для того, щоб визначити, чим зайнятися в даний момент. В день може обрізати до 600 виноградних лоз.
Wall-Ye V. I. N.займається не тільки обрізанням і пасинкуванням, але і накопичує важливі дані про стан грунту, плодів і лози. Він рухається від лози до лозі, виявляє ті чи інші особливості рослини, фотографує і записує дані з шести камер, відзначаючи кожну лозу, після чого в роботу включаються його маніпулятори.
Рука з секатором призначена не тільки для того, щоб обрізати гілки, за допомогою неї він може захиститися від злодіїв. В апарат вбудований гіроскоп, і якщо його піднімуть з землі, то він буде оборонятися за допомогою секатора, зітре з жорсткого диска всі дані і пошле власнику сигнал про допомогу. До того ж, вбудований приймач GPS не дозволить йому вийти за межі робочої зони.
Безіменний яблучний робот від Abundant Robotics
Каліфорнійський робот, у якого досі немає назви незважаючи на значні інвестиції з боку GV (раніше Google Ventures), створений для збору яблук. Пристрій переміщається по рядах між яблунями за допомогою лідара, який сканує простір лазерами і знаходить фрукти за допомогою машинного зору.
Оператори можуть адаптувати її для конкретного сорту яблук, порадившись з фермером, який з досвіду знає, який колір відповідає зрілому. Після розпізнавання ступеня зрілості яблук в режимі реального часу робот з допомогою вакуумної трубки втягує плоди з дерева, відправляючи їх по конвеєру в кошик. Робот може збирати яблука 24 години на добу, пропускаючи не зовсім дозрілі фрукти, щоб повернутися до них пізніше, як це зробив би людина-складальник.
ecoRobotix
Швейцарський ecoRobotix-робот, створений для автоматичного проріджування посадок і прополки бур'янів. Ідея витала в повітрі вже давно. Нейромережу можна навчити відрізняти корисні культури від бур'янів. «Вивчивши» на старті кілька мільйонів фотографій здорових і хворих рослин на різних стадіях росту, система з допомогою відеокамери може за кілька мілісекунд визначити, чи знаходиться перед нею здорова рослина чи бур'ян. А також зможе оцінити ступінь загрози для врожаю і запропонувати способи вирішення проблеми, якщо помітні ознаки зараження культур.
ecoRobotix оснащений системою комп'ютерного зору, призначеної для ідентифікації бур'янів. Орієнтація в просторі відбувається з використанням GPS і сенсорних датчиків. Здатний обробити близько 3 га посівів в день. При об'їзді "володінь" в разі необхідності обприскує бур'ян невеликою дозою гербіциду. Такий підхід знижує обсяг використання хімікатів в 2-3 рази.
Бур'яни — взагалі хвора тема для аграріїв, так що є й інші проекти в цій сфері. Наприклад, індійський розумний обприскувач для садів з допомогою системи ультразвукових датчиків визначає розмір дерева і відстань до нього. Отримані дані аналізуються і впливають на потужність струменя і кількість фарби речовини. Тестування показало високу ефективність застосування системи, при зниженні до 26% витрати.
А компанії Bayer і Bosh розробляють технології розумного обприскування Smart Spraying. Вона буде відрізнятися від наявних на ринку систем завдяки здатності відрізняти більш точно бур'яни від сільськогосподарських культур. Передбачається, що система буде «впізнавати» бур'ян і визначати вид та необхідну кількість пестициду, з урахуванням запрограмованих параметрів застосування.
Схожі технології використовує компанія IBM. Причому успішно використовує! Для одного зі своїх клієнтів в Південно-Східній Азії компанія змогла передбачити стрес врожаю в регіоні через зараження шкідниками/хворобами. Потім наземній команді знадобилося кілька годин, щоб просто дістатися до цього місця.
"Розумні" системи
Системи на основі штучного інтелекту (ШI-системи) теж приносять користь фермерам. Спектр їх застосування трохи ширше, ніж у роботизованих пристроїв, однак і завдання часто інші. Хоча є і точки перетину.
Sonoma
Так, це не робоча технологія. Однак теж гідна уваги. Sonoma, що належить Microsoft, стала переможцем тепличного експерименту Autonomous Greenhouse Challenge, який проходив в Нідерландах з 27 серпня по 7 грудня. 5 ІТ-гігантів з'ясовували, як технології машинного навчання зможуть впоратися з вирощуванням рослин і наскільки реально використовувати ці технології в «традиційному» садівництві.
Системи автоматизованого збору врожаю застосовуються досить давно. Однак в експерименті йшлося про повний контроль і над виробництвом. Технологія команди Sonoma дозволила виростити 50 кг огірків на один квадратний метр. Нейронна мережа керувала іригацією, газовим складом, внесенням підгодівлі, температурним режимом та іншими аспектами, що впливають на зростання огірків.
Команда iGrow з Tencent і Китайська академія сільськогосподарських наук зайняли друге місце. Команда Deep Green з Intel зайняла останнє місце.
Taranis
Ізраїльський стартап Taranis дозволяє контролювати стан рослин, своєчасно виявляти негативні фактори і усувати їх. Для моніторингу використовуються показання польових датчиків спостереження, метеорологічні дані, аерофотозйомка. Для аналізу використовуються знімки з ультрависокою роздільною здатністю (до 8 см на піксель) компанії Mavr.
Вивчення великих обсягів даних дозволяє локалізувати ділянки посівів з пригнобленим зростанням, ідентифікувати хвороби рослин, проблеми з шкідниками, визначити забезпеченість рослин поживними речовинами, потенційну врожайність та ін. Система не тільки пропонує способи вирішення виявлених проблем, але і на основі метеорологічного прогнозу визначає оптимальні строки їх проведення.
Watson
Платформа Watson DecisionPlatform for Agriculture від IBM консультує фермерів за допомогою обробки даних дистанційного зондування Землі. Використовуючи ШІ для об'єднання даних з декількох супутників, рішення IBM здатне виявляти неефективні ділянки культури майже з тією ж точністю, що і у наземних датчиків Інтернету речей (IoT). Watson від IBM визначить для фермера вид, кількість і оптимальні терміни для обробки пестицидами уражених площ.
Допоможе в проведенні профілактичної обробки. З допомогою індексу рослинної активності з високою роздільною здатністю (HD-DVI) оцінити стан рослини, визначить необхідні профілактичні заходи (внесення добрив, поживних речовин і ін). Об'єднуючи дані про вологість (HSM) з даними про місцевість і метеорологічними вимірами моделюється динаміка зміни вологості грунту. Аграрій також отримує прогноз врожайності, динаміку зміни врожайності на основі знімків і дані минулих сезонів та ін.
Health Change Maps and Notifications
Розроблена компанією Farmers Edge І-платформа HealthChange Maps and Notifications інформує фермера про ефективність роботи техніки, стан рослин, появу шкідників або хвороб, дефіцит поживних речовин і ін Програма обробляє супутникові зображення і посилає користувачеві повідомлення про можливі ризики та необхідні заходи.
ET Agricultural Brain
«Свинячий» ШI-проект від Alibaba дозволяє виявляти вагітність свиней, що дозволяє фермерам визначити дату опоросу і підготуватися до подальшого процесу вагітності і народження посліду здорових поросят. Система розгортає інтелектуальні камери спостереження в сараях, та алгоритми машинного навчання дають результати, засновані на спостереженні за сном свиноматок, в положенні стоячи і за умовами харчування. Наприклад, свиноматка, швидше за все, буде вагітна, якщо вона спить на спині, стоїть на місці і мало бігає і споживає постійну кількість їжі. Інженери Alibaba також планують додати прогноз кількості підстилки на основі характеристик фігури вагітної свині.
Система використовує методи комп'ютерного зору для налаштування профілів для кожної свині — документування їх породи, віку, ваги, умов харчування, інтенсивності і частоти вправ, а також траєкторії руху. Між тим, алгоритми розпізнавання голосу використовуються для моніторингу здоров'я поросят і захисту від задухи, що знижує рівень смертності на три відсотка і збільшує щорічний рівень виробництва на три поросяти на свиноматку.
Фінансовий підрозділ іншого великого китайського холдингу JD.com також націлилася на скотарство. Минулого місяця компанія представила набір сільськогосподарських рішень на базі штучного інтелекту.
Cainthus
Продовжуючи тему тваринництва, розповімо про досить цікавий ірландський проект Cainthus, який журналісти охрестили «Facebook для корів». Ідентифікація корів за індивідуальним рисам мод дозволяє збирати різноманітну інформацію про кожну тварину, починаючи від особливостей їх поведінки, закінчуючи апетитом. Дані можуть бути використані власниками фермерських господарств для моніторингу здоров'я молочних корів та підвищення їх надоїв.
Компанія пропонує фермерам підвищити комфорт корів протягом усього життєвого циклу, відстежуючи їх індивідуальні потреби та негайно сигналізуючи про необхідність втручання, якщо з твариною щось не так. Для спостереження використовується система комп'ютерного зору.
На думку розробників, платформа надзвичайно актуальна і затребувана. Вони також стверджують, що вона єдина в своєму роді. Однак це не так.
Cattle Care
Ще один цікавий проект з російським корінням, Cattle Care, пропонує схожий функціонал. Розробники створили систему відеомоніторингу здоров'я і продуктивності корів на основі комп'ютерного зору. Відеоаналітика для молочних ферм дозволяє забезпечити максимально комфортні умови для кожної корівки.
Принцип роботи досить простий. Візерунок на шкурі корови унікальний подібно до людських відбитків пальців. Використовуючи цю особливість, навчена на фотографіях підопічних система збирає інформацію з відеокамер, встановлених на фермах, детектує і ідентифікує кожну конкретну корову. Підраховуючи кількість кроків, жувальних рухів, кількість спожитого корму, випитої води та інших поведінкових патернів комп'ютер складає медичну карту кожної корови. Завдяки Cattle Care фермер відразу бачить, якщо у його підопічної щось не в порядку.
На заключення
Як видно, штучний інтелект і роботи цілком здатні збільшити ефективність сільського господарства і спростити працю фермерів.
Тож впроваджуйте сучасні технології у своєму господарстві, підвищуйте його ефективність та насолоджуйтесь своєю працею.
Читайте більше новин за посиланнями стосовно використання штучного інтелекту в сільському господарстві та агророботів.