Шестироторный дрон в полете – иллюстративное фото. Изображение предоставлено: Ричард Унтен через Flickr, CC BY 2.0
По соображениям продовольственной безопасности и экономического стимулирования фермеры постоянно стремятся максимизировать урожайность своих товарных культур. Поскольку растения растут непостоянно, во время сбора урожая неизбежно будут различия в качестве и размере отдельных культур. Поэтому поиск оптимального времени сбора урожая является приоритетом для фермеров.
Новый подход к использованию дронов и искусственного интеллекта явно улучшает эту оценку, тщательно и точно анализ отдельных культур оценить их вероятные характеристики роста.
Конвейер искусственного интеллекта на основе дронов. Визуальный обзор системы для сбора и анализа данных изображений о сельскохозяйственных культурах, которые затем используются в модели, чтобы помочь фермерам узнать лучшее время для сбора урожая на своих полях. Изображение предоставлено: Guo et al. CC-BY
Некоторые оптимистичные научно-фантастические рассказы рассказывают о будущем после дефицита ресурсов, в котором человеческие потребности будут удовлетворены, а каторжный труд будет обеспечиваться машинами. В некотором смысле это видение предсказывает некоторые элементы текущего технологического прогресса. Одной из таких областей являются сельскохозяйственные исследования, где автоматизация оказывает свое влияние.
Впервые исследователи, в том числе из Токийского университета, продемонстрировали в значительной степени автоматизированную систему для повышения урожайности сельскохозяйственных культур, которая может принести пользу многим и может помочь проложить путь для будущих систем, которые однажды смогут напрямую собирать урожай.
«Идея относительно проста, но проектирование, реализация и исполнение чрезвычайно сложны», — сказал доцент Вэй Го из Лаборатории полевой феномики.
«Если фермеры знают идеальное время для сбора урожая на полях, они смогут сократить количество отходов, что пойдет на пользу им, потребителям и окружающей среде. Но оптимальное время сбора урожая предсказать непросто, и в идеале оно требует детального знания каждого растения; такие данные потребовали бы непомерных затрат и времени, если бы для их сбора были наняты люди. Вот тут-то и пригодятся дроны».
Го имеет опыт работы как в области компьютерных наук, так и в области сельскохозяйственных наук, поэтому он идеально подходит для поиска способов, которыми современное оборудование и программное обеспечение могут помочь сельскому хозяйству. Он и его команда продемонстрировали, что некоторые недорогие дроны со специализированным программным обеспечением могут отображать и анализировать молодые растения (в данном случае брокколи) и точно предсказывать ожидаемые характеристики их роста.
Дроны выполняют процесс визуализации несколько раз и делают это без участия человека, а это означает, что система требует небольших затрат на рабочую силу.
Визуализация данных на аэрофотоснимках. Стоимость человеческого труда и времени не позволяет вручную каталогизировать отдельные растения в поле. Здесь данные каталога, собранные дронами и созданные системой глубокого обучения, накладываются на фотографии полей. Изображение предоставлено: Guo et al. CC-BY
«Некоторых может удивить тот факт, что уборка поля всего лишь за день до или после оптимального времени может снизить потенциальный доход фермера от этого поля на 3.7% до целых 20.4%», — сказал Го.
«Но с нашей системой дроны идентифицируют и каталогизируют каждое растение на поле, а данные их изображений поступают в модель, которая использует глубокое обучение для создания простых для понимания визуальных данных для фермеров. Учитывая нынешнюю относительно низкую стоимость дронов и компьютеров, коммерческая версия этой системы должна быть доступна многим фермерам».
Основная задача команды заключалась в анализе изображений и аспектах глубокого обучения. Сбор данных изображения сам по себе относительно тривиален, но, учитывая то, как растения движутся на ветру и как свет меняется со временем и сезонами, данные изображения содержат множество изменений, которые машинам часто трудно компенсировать.
Таким образом, при обучении своей системы команде пришлось потратить огромное количество времени на маркировку различных аспектов изображений, которые могут видеть дроны, чтобы помочь системе научиться правильно идентифицировать то, что она видит. Огромная пропускная способность данных также была сложной задачей — данные изображений часто имели порядок триллионов пикселей, что в десятки тысяч раз больше, чем даже у камеры смартфона высокого класса.
«Меня вдохновляет поиск новых способов, с помощью которых фенотипирование растений (измерение характеристик роста растений) может перейти из лаборатории в полевые условия, чтобы помочь решить основные проблемы, с которыми мы сталкиваемся», — сказал Го.
Источник:Токийский университет
