Дрон со шест ротори во лет – илустративна фотографија. Кредит на слика: Ричард Унтен преку Фликр, CC BY 2.0
Поради безбедноста на храната и економскиот поттик, земјоделците континуирано настојуваат да ги максимизираат своите пазарни приноси. Бидејќи растенијата растат неконзистентно, во времето на бербата, неизбежно ќе има варијации во квалитетот и големината на поединечните култури. Затоа, наоѓањето на оптимално време на жетва е приоритет за земјоделците.
Новиот пристап за користење на дронови и вештачка интелигенција демонстративно ја подобрува оваа проценка внимателно и прецизно анализа на одделни култури да се проценат нивните веројатни карактеристики на раст.
Гасовод за вештачка интелигенција базиран на беспилотни летала. Визуелен преглед на системот за снимање и анализа на податоците од сликите за земјоделските култури, што потоа информира модел за да им помогне на фармерите да знаат кое е најдоброто време за собирање на нивните полиња. Кредит на сликата: Гуо и сор. CC-BY
Некои оптимистички научно-фантастични приказни зборуваат за иднината по оскудица, каде што се задоволуваат човечките потреби, а напорната работа ја обезбедуваат машините. Постојат некои начини на кои оваа визија се чини дека предвидува некои елементи на тековниот технолошки напредок. Една таква област е земјоделското истражување, каде автоматизацијата има влијание.
За прв пат, истражувачите, вклучително и оние од Универзитетот во Токио, демонстрираа главно автоматизиран систем за подобрување на приносите на земјоделските култури, што може да им користи на многумина и може да помогне да се отвори патот за идните системи кои еден ден би можеле директно да ги берат културите.
„Идејата е релативно едноставна, но дизајнот, имплементацијата и извршувањето се извонредно сложени“, рече вонреден професор Веи Гуо од Лабораторијата за теренска феномика.
„Ако земјоделците го знаат идеалното време за собирање на полињата, тие можат да го намалат отпадот, што е добро за нив, за потрошувачите и за животната средина. Но, оптималните времиња на жетва не се лесни за предвидување и идеално бараат детално познавање на секое растение; таквите податоци би биле премногу трошок и време кога би биле вработени луѓе за нивно собирање. Тука влегуваат беспилотните летала“.
Гуо има искуство и во компјутерски науки и во земјоделски науки, така што е идеално погоден за наоѓање начини на кои најсовремениот хардвер и софтвер би можеле да му помогнат на земјоделството. Тој и неговиот тим покажаа дека некои евтини дронови со специјализиран софтвер можат да сликаат и анализираат млади растенија - брокула во случајот на оваа студија - и точно да ги предвидат нивните очекувани карактеристики на раст.
Беспилотните летала го спроведуваат процесот на снимање повеќе пати и го прават тоа без човечка интеракција, што значи дека системот бара малку во однос на трошоците за работна сила.
Визуелизација на податоци на воздушни фотографии. Трошоците за човечкиот труд и времето забрануваат рачно каталогизирање на поединечни растенија во полето. Овде, податоците од каталогот собрани од беспилотните летала и произведени од систем за длабоко учење се надредени на фотографии од полињата. Кредит на сликата: Гуо и сор. CC-BY
„Некои би можеле да ги изненади да знаат дека со жнеење на нива само еден ден пред или по оптималното време може да се намали потенцијалниот приход на тоа поле за земјоделецот за 3.7% до дури 20.4%,“ рече Гуо.
„Но, со нашиот систем, беспилотните летала ги идентификуваат и каталогизираат секое растение на теренот, а нивните податоци за слики даваат модел кој користи длабоко учење за да произведе лесно разбирливи визуелни податоци за фармерите. Со оглед на тековните релативно ниски трошоци на беспилотните летала и компјутери, комерцијалната верзија на овој систем треба да биде на дофат на многу фармери“.
Главниот предизвик на тимот беше во анализата на сликата и аспектите на длабоко учење. Самото собирање на податоците за сликата е релативно тривијално, но со оглед на начинот на кој растенијата се движат на ветрот и како светлината се менува со времето и годишните времиња, податоците за сликата содржат многу варијации што на машините често им е тешко да ги компензираат.
Така, кога го тренираше својот систем, тимот мораше да вложи огромно време за означување на различни аспекти на сликите што може да ги видат дроновите, со цел да му помогне на системот да научи да идентификува што точно гледа. Огромниот проток на податоци беше исто така предизвикувачки - податоците за сликата често беа од редот на трилиони пиксели, десетици илјади пати поголеми дури и од камерата на паметни телефони од висока класа.
„Инспириран сум да најдам повеќе начини на кои фенотипизацијата на растенијата (мерење на карактеристиките на растот на растенијата) може да оди од лабораторија на терен за да помогне во решавањето на главните проблеми со кои се соочуваме“, рече Гуо.
извор:Универзитетот во Токио
