Dron sześciowirnikowy w locie – zdjęcie poglądowe. Źródło zdjęcia: Richard Unten via Flickr, CC BY 2.0
Ze względu na bezpieczeństwo żywnościowe i zachęty ekonomiczne rolnicy stale dążą do maksymalizacji plonów nadających się do sprzedaży. Ponieważ rośliny rosną nierównomiernie, w momencie zbioru nieuchronnie wystąpią różnice w jakości i wielkości poszczególnych upraw. Dlatego znalezienie optymalnego terminu zbiorów jest priorytetem dla rolników.
Nowe podejście polegające na wykorzystaniu dronów i sztucznej inteligencji w widoczny sposób poprawia te szacunki, ponieważ są dokładne i dokładne analizując poszczególne uprawy w celu oceny ich prawdopodobnych cech wzrostu.
Rurociąg AI oparty na dronach. Wizualny przegląd systemu do przechwytywania i analizowania danych obrazowych o uprawach, które następnie stanowią podstawę modelu, który pomaga rolnikom określić najlepszy czas na zbiory z pól. Źródło zdjęcia: Guo i in. CC-BY
Niektóre optymistyczne historie science fiction mówią o przyszłości po niedoborze, w której ludzkie potrzeby są zaspokajane, a maszyny zapewniają ciężką pracę. Wizja ta wydaje się przewidywać pewne elementy obecnego postępu technologicznego. Jednym z takich obszarów są badania rolnicze, w których automatyzacja wywiera wpływ.
Po raz pierwszy naukowcy, w tym ci z Uniwersytetu Tokijskiego, zademonstrowali w dużej mierze zautomatyzowany system poprawiający plony, co może przynieść korzyści wielu osobom i pomóc utorować drogę przyszłym systemom, które pewnego dnia będą mogły bezpośrednio zbierać plony.
„Pomysł jest stosunkowo prosty, ale projekt, wdrożenie i wykonanie jest niezwykle złożone” – powiedział profesor nadzwyczajny Wei Guo z Laboratorium Fenomiki Polowej.
„Jeśli rolnicy znają idealny czas na zbiory pól uprawnych, mogą zmniejszyć ilość odpadów, co jest dobre dla nich, konsumentów i środowiska. Jednak optymalny czas zbiorów nie jest łatwy do przewidzenia i w idealnym przypadku wymaga szczegółowej wiedzy o każdej roślinie; takie dane byłyby zbyt kosztowne i czasochłonne, gdyby do ich gromadzenia zatrudniano ludzi. I tu z pomocą przychodzą drony.”
Guo ma doświadczenie zarówno w informatyce, jak i naukach rolniczych, więc idealnie nadaje się do poszukiwania sposobów, w jakie najnowocześniejszy sprzęt i oprogramowanie mogą pomóc rolnictwu. On i jego zespół wykazali, że niektóre niedrogie drony wyposażone w specjalistyczne oprogramowanie potrafią obrazować i analizować młode rośliny – w przypadku tego badania brokuły – oraz dokładnie przewidywać ich oczekiwaną charakterystykę wzrostu.
Drony wykonują proces obrazowania wielokrotnie i robią to bez interakcji człowieka, co oznacza, że system wymaga niewielkich nakładów pracy.
Wizualizacja danych na zdjęciach lotniczych. Koszty ludzkiej pracy i związanego z tym czasu uniemożliwiają ręczne katalogowanie poszczególnych roślin na polu. Tutaj dane katalogowe zebrane przez drony i wygenerowane przez system głębokiego uczenia są nakładane na zdjęcia pól. Źródło zdjęcia: Guo i in. CC-BY
„Niektórych może zaskoczyć fakt, że zebranie plonów z pola zaledwie dzień przed lub po optymalnym czasie może zmniejszyć potencjalny dochód rolnika z tego pola o 3.7% do nawet 20.4%” – powiedział Guo.
„Ale dzięki naszemu systemowi drony identyfikują i katalogują każdą roślinę na polu, a ich dane obrazowe stanowią podstawę modelu wykorzystującego głębokie uczenie się do tworzenia łatwych do zrozumienia danych wizualnych dla rolników. Biorąc pod uwagę obecne stosunkowo niskie koszty dronów i komputerów, komercyjna wersja tego systemu powinna być w zasięgu wielu rolników”.
Głównym wyzwaniem zespołu była analiza obrazu i aspekty głębokiego uczenia się. Samo zgromadzenie danych obrazowych jest stosunkowo proste, ale biorąc pod uwagę sposób, w jaki rośliny poruszają się na wietrze oraz zmiany światła w czasie i pory roku, dane obrazu zawierają wiele różnic, które maszynom często trudno skompensować.
Dlatego też podczas szkolenia systemu zespół musiał poświęcić mnóstwo czasu na etykietowanie różnych aspektów obrazów, które mogą zobaczyć drony, aby pomóc systemowi nauczyć się prawidłowo identyfikować to, co widzi. Ogromna przepustowość danych również stanowiła wyzwanie — dane obrazu często były rzędu bilionów pikseli, czyli dziesiątki tysięcy razy większe niż nawet wysokiej klasy aparat w smartfonie.
„Inspiruje mnie to, aby znaleźć więcej sposobów, w jaki fenotypowanie roślin (pomiar cech wzrostu roślin) może przejść z laboratorium do pola, aby pomóc w rozwiązaniu głównych problemów, przed którymi stoimy” – powiedział Guo.
Źródło:University of Tokio
