Egy hatrotoros drón repül – szemléltető fotó. A kép forrása: Richard Unten via Flickr, CC BY 2.0
Élelmezésbiztonsági és gazdasági ösztönzési okokból a gazdálkodók folyamatosan törekszenek piacképes terméshozamuk maximalizálására. Mivel a növények nem következetesen nőnek, a betakarítás idején elkerülhetetlenül eltérések lesznek az egyes termények minőségében és méretében. Ezért a gazdálkodók számára kiemelten fontos az optimális betakarítási idő megtalálása.
A drónok és a mesterséges intelligencia alkalmazásának új megközelítése kimutathatóan javítja ezt a becslést azáltal, hogy gondosan és pontosan az egyes termények elemzése hogy felmérjék valószínű növekedési jellemzőiket.
Drónalapú mesterséges intelligencia csővezeték. A rendszer vizuális áttekintése a terményekről készült képadatok rögzítésére és elemzésére, amely azután egy modellt ad, amely segít a gazdálkodóknak megtudni, hogy mikor kell betakarításra a legjobban. A kép jóváírása: Guo et al. CC-BY
Néhány optimista sci-fi történet a szűkösség utáni jövőről beszél, ahol az emberi szükségleteket kielégítik, és a nehéz munkát gépek biztosítják. Ez a vízió bizonyos módon előrejelzi a jelenlegi technológiai fejlődés egyes elemeit. Az egyik ilyen terület a mezőgazdasági kutatás, ahol az automatizálás éreztette hatását.
A kutatók, köztük a Tokiói Egyetem kutatói most először mutattak be egy nagyrészt automatizált rendszert a terméshozamok javítására, ami sokak számára előnyös lehet, és elősegítheti az utat a jövőbeni rendszerek számára, amelyek egy napon közvetlenül is betakaríthatják a termést.
„Az ötlet viszonylag egyszerű, de a tervezés, a megvalósítás és a kivitelezés rendkívül összetett” – mondta Wei Guo docens, a Field Phenomics Laboratory munkatársa.
„Ha a gazdálkodók ismerik az ideális időpontot a termőföldek betakarítására, csökkenthetik a pazarlást, ami jó számukra, a fogyasztóknak és a környezetnek. De az optimális betakarítási időket nem könnyű megjósolni, és ideális esetben minden egyes növény részletes ismerete szükséges; az ilyen adatok költség- és időigényesek lennének, ha embereket alkalmaznának az összegyűjtésükhöz. Itt jönnek be a drónok.”
Guo informatikai és agrártudományi háttérrel rendelkezik, így ideálisan alkalmas arra, hogy megtalálja a módját, hogy az élvonalbeli hardver és szoftver a mezőgazdaságot segítse. Ő és csapata bebizonyította, hogy egyes speciális szoftverrel rendelkező olcsó drónok képesek leképezni és elemezni a fiatal növényeket – jelen tanulmány esetében a brokkolit –, és pontosan megjósolni várható növekedési jellemzőiket.
A drónok többször is végrehajtják a képalkotási folyamatot, és mindezt emberi beavatkozás nélkül, vagyis a rendszer kevés munkaköltséget igényel.
Adatvizualizáció légifotókon. Az emberi munka és idő költsége megtiltja az egyes növények manuális katalogizálását a területen. Itt a drónok által összegyűjtött és egy mély tanulási rendszerrel előállított katalógusadatok a mezők fotóira kerülnek. A kép jóváírása: Guo et al. CC-BY
„Sokan meglepődhet, ha tudják, hogy egy szántóföld betakarítása az optimális időpont előtt vagy után egy nappal 3.7%-kal, akár 20.4%-ra csökkentheti a mezőgazdasági termelő potenciális bevételét” – mondta Guo.
„A mi rendszerünkkel azonban a drónok minden növényt azonosítanak és katalogizálnak a területen, és képi adataik olyan modellt táplálnak, amely mély tanulást használ, hogy könnyen érthető vizuális adatokat állítson elő a gazdálkodók számára. Tekintettel a drónok és számítógépek jelenlegi viszonylag alacsony költségeire, a rendszer kereskedelmi változatának sok gazdálkodó számára elérhetőnek kell lennie.”
A csapat fő kihívása a képelemzés és a mély tanulási szempontok terén volt. Maga a képadatok gyűjtése viszonylag triviális, de tekintettel arra, hogy a növények hogyan mozognak a szélben, és hogyan változik a fény az idő és az évszakok függvényében, a képadatok sok eltérést tartalmaznak, amelyeket a gépek gyakran nehezen tudnak kompenzálni.
Így a rendszer képzése során a csapatnak rengeteg időt kellett befektetnie a drónok által esetleg látott képek különböző aspektusainak felcímkézésére, hogy segítsen a rendszernek megtanulni helyesen azonosítani, mit lát. A hatalmas adatátviteli sebesség is kihívást jelentett – a képadatok gyakran billió pixel nagyságrendűek voltak, tízezerszer nagyobbak, mint egy csúcskategóriás okostelefon kamerája.
„Ihletet kapok, hogy több módot találjak arra, hogy a növényi fenotipizálás (a növényi növekedési jellemzők mérése) a laboratóriumból a szántóföldre kerüljön, hogy segítsen megoldani az előttünk álló főbb problémákat” – mondta Guo.
Forrás:Tokiói Egyetem
