Дрон с шест ротора в полет – илюстративна снимка. Кредит на изображението: Richard Unten чрез Flickr, CC BY 2.0
От съображения за продоволствена сигурност и икономически стимул, фермерите непрекъснато се стремят да увеличат максимално добивите от своите продаваеми култури. Тъй като растенията растат непоследователно, по време на прибиране на реколтата, неизбежно ще има вариации в качеството и размера на отделните култури. Следователно намирането на оптимално време за прибиране на реколтата е приоритет за фермерите.
Нов подход за използване на дронове и изкуствен интелект очевидно подобрява тази оценка чрез внимателно и точно анализиране на отделни култури за оценка на техните вероятни характеристики на растеж.
Базиран на дрон AI тръбопровод. Визуален преглед на системата за улавяне и анализиране на данни за изображения за култури, които след това информират модел, за да помогнат на фермерите да знаят най-доброто време за прибиране на реколтата от полетата си. Кредит на изображението: Guo et al. CC-BY
Някои оптимистични научнофантастични истории говорят за бъдеще след недостига, където човешките нужди се задоволяват и тежкият труд се осигурява от машини. Има някои начини, по които тази визия изглежда предсказва някои елементи от текущия технологичен прогрес. Една такава област е в селскостопанските изследвания, където автоматизацията оказва влияние.
За първи път изследователи, включително тези от Токийския университет, демонстрираха до голяма степен автоматизирана система за подобряване на добивите от култури, която може да бъде от полза за мнозина и може да помогне да се проправи пътя за бъдещи системи, които един ден биха могли да събират реколтата директно.
„Идеята е сравнително проста, но дизайнът, внедряването и изпълнението са изключително сложни“, каза доцент Уей Гуо от Лабораторията по полева феномика.
„Ако фермерите знаят идеалното време за прибиране на реколтата от полетата, те могат да намалят отпадъците, което е добре за тях, за потребителите и околната среда. Но оптималните времена за прибиране на реколтата не са лесни за прогнозиране и в идеалния случай изискват подробно познаване на всяко растение; такива данни биха били непосилни за разходи и време, ако бяха наети хора за събирането им. Тук се намесват дроновете.“
Гуо има опит както в компютърните науки, така и в селскостопанските науки, така че е идеален за намиране на начини, по които авангарден хардуер и софтуер могат да помогнат на селското стопанство. Той и неговият екип демонстрираха, че някои евтини дронове със специализиран софтуер могат да изобразят и анализират млади растения - броколи в случая на това изследване - и точно да предскажат техните очаквани характеристики на растеж.
Дроновете извършват процеса на изобразяване многократно и го правят без човешко взаимодействие, което означава, че системата изисква малко по отношение на разходите за труд.
Визуализация на данни от въздушни снимки. Разходите за човешки труд и време забраняват ръчното каталогизиране на отделни растения в дадено поле. Тук каталожните данни, събрани от дроновете и произведени от система за дълбоко обучение, се наслагват върху снимки на полета. Кредит на изображението: Guo et al. CC-BY
„Може да изненада някои да знаят, че прибирането на поле само ден преди или след оптималното време може да намали потенциалния доход от това поле за фермера с 3.7% до 20.4%“, каза Гуо.
„Но с нашата система дроновете идентифицират и каталогизират всяко растение в полето и техните данни за изображения подават модел, който използва дълбоко обучение, за да произвежда лесни за разбиране визуални данни за фермерите. Предвид настоящите относително ниски разходи за дронове и компютри, търговска версия на тази система трябва да бъде достъпна за много фермери.
Основното предизвикателство пред екипа беше в аспектите на анализа на изображението и дълбокото обучение. Събирането на данните за изображението само по себе си е сравнително тривиално, но предвид начина, по който растенията се движат от вятъра и как светлината се променя с времето и сезоните, данните за изображението съдържат много вариации, които машините често намират трудно да компенсират.
Така че, когато тренираха своята система, екипът трябваше да инвестира огромно количество време в етикетиране на различни аспекти на изображенията, които дроновете може да видят, за да помогне на системата да се научи да идентифицира това, което вижда правилно. Огромната производителност на данни също беше предизвикателство - данните за изображения често бяха от порядъка на трилиони пиксели, десетки хиляди пъти по-големи дори от камера на смартфон от висок клас.
„Вдъхновен съм да намеря повече начини, по които фенотипизирането на растенията (измерване на характеристиките на растежа на растенията) може да премине от лабораторията към полето, за да помогне за решаването на основните проблеми, пред които сме изправени“, каза Гуо.
Източник:Токийски университет
