Z důvodů potravinové bezpečnosti a ekonomické pobídky se zemědělci neustále snaží maximalizovat své tržní výnosy plodin. Vzhledem k tomu, že rostliny rostou nekonzistentně, v době sklizně budou nevyhnutelně existovat rozdíly v kvalitě a velikosti jednotlivých plodin. Proto je pro zemědělce prioritou nalezení optimální doby sklizně.
Nový přístup k používání dronů a umělé inteligence prokazatelně zlepšuje tento odhad tím, že je pečlivě a přesně analýzu jednotlivých plodin k posouzení jejich pravděpodobné růstové charakteristiky.
Některé optimistické sci-fi příběhy hovoří o post-nedostatkové budoucnosti, kde jsou uspokojeny lidské potřeby a těžká práce je zajišťována stroji. Existuje několik způsobů, jak se zdá, že tato vize předpovídá některé prvky současného technologického pokroku. Jednou z takových oblastí je zemědělský výzkum, kde má automatizace vliv.
Vědci, včetně těch z Tokijské univerzity, poprvé předvedli do značné míry automatizovaný systém pro zlepšení výnosů plodin, který může být přínosem pro mnohé a může pomoci připravit cestu pro budoucí systémy, které by jednoho dne mohly sklízet plodiny přímo.
"Myšlenka je relativně jednoduchá, ale návrh, implementace a provedení jsou mimořádně složité," řekl docent Wei Guo z Laboratory of Field Phenomics.
„Pokud zemědělci znají ideální dobu pro sklizeň polí, mohou snížit množství odpadu, což je dobré pro ně, spotřebitele i životní prostředí. Optimální časy sklizně však není snadné předvídat a v ideálním případě vyžadují podrobné znalosti o každé rostlině; taková data by byla finančně a časově neúnosná, pokud by k jejich sběru byli zaměstnáni lidé. Tady přicházejí drony."
Guo má zkušenosti jak v informatice, tak v zemědělství, takže se ideálně hodí k hledání způsobů, jak by mohl špičkový hardware a software pomoci zemědělství. On a jeho tým prokázali, že některé levné drony se specializovaným softwarem dokážou zobrazit a analyzovat mladé rostliny – v případě této studie brokolici – a přesně předpovídat jejich očekávané růstové charakteristiky.
Drony provádějí proces snímkování vícekrát a dělají to bez lidské interakce, což znamená, že systém vyžaduje z hlediska mzdových nákladů málo.
„Někoho možná překvapí, že sklizeň pole jen jeden den před nebo po optimální době může snížit potenciální příjem z tohoto pole pro farmáře o 3.7 % až na 20.4 %,“ řekl Guo.
„Ale s naším systémem drony identifikují a katalogizují každou rostlinu na poli a jejich obrazová data poskytují model, který využívá hluboké učení k vytváření snadno srozumitelných vizuálních dat pro farmáře. Vzhledem k současným relativně nízkým nákladům na drony a počítače by komerční verze tohoto systému měla být dostupná mnoha farmářům.“
Hlavní výzvou týmu byla analýza obrazu a aspekty hlubokého učení. Samotné shromažďování obrazových dat je poměrně triviální, ale vzhledem k tomu, jak se rostliny pohybují ve větru a jak se mění světlo s časem a ročními obdobími, obsahují obrazová data mnoho variací, které stroje často těžko kompenzují.
Při trénování svého systému tak tým musel investovat obrovské množství času do označování různých aspektů obrázků, které mohou drony vidět, aby pomohl systému naučit se správně identifikovat, co vidí. Obrovská datová propustnost byla také náročná – obrazová data často dosahovala řádu bilionů pixelů, desítky tisíckrát větší než dokonce i špičkový fotoaparát smartphonu.
"Jsem inspirován k nalezení dalších způsobů, jak může fenotypování rostlin (měření růstových znaků rostlin) přejít z laboratoře na pole, aby pomohl vyřešit hlavní problémy, kterým čelíme," řekl Guo.
Zdroj:Tokijská univerzita