Av skäl för livsmedelssäkerhet och ekonomiska incitament, försöker bönder kontinuerligt maximera sina säljbara skördar. Eftersom växter växer inkonsekvent, vid tidpunkten för skörd, kommer det oundvikligen att finnas variationer i kvalitet och storlek på enskilda grödor. Därför är det en prioritet för bönderna att hitta den optimala skördetiden.
En ny metod för att använda drönare och artificiell intelligens förbättrar bevisligen denna uppskattning genom att noggrant och exakt analysera enskilda grödor för att bedöma deras sannolika tillväxtegenskaper.
Några optimistiska science fiction-historier talar om en framtid efter knapphet, där mänskliga behov tillgodoses och hårt arbete tillhandahålls av maskiner. Det finns några sätt på vilka denna vision verkar förutsäga vissa delar av nuvarande tekniska framsteg. Ett sådant område är inom jordbruksforskningen, där automatisering har slagit igenom.
För första gången har forskare, inklusive de från Tokyos universitet, demonstrerat ett till stor del automatiserat system för att förbättra skörden, vilket kan gynna många och kan hjälpa till att bana väg för framtida system som en dag skulle kunna skörda skörden direkt.
"Idén är relativt enkel, men designen, implementeringen och utförandet är utomordentligt komplext", säger docent Wei Guo från Laboratory of Field Phenomics.
"Om bönder vet den perfekta tiden att skörda åkrar på kan de minska avfallet, vilket är bra för dem, för konsumenterna och miljön. Men optimala skördetider är inte en lätt sak att förutse och kräver helst detaljerad kunskap om varje planta; Sådana uppgifter skulle vara oöverkomliga för kostnader och tid om människor anställdes för att samla in dem. Det är här drönarna kommer in.”
Guo har en bakgrund inom både datavetenskap och jordbruksvetenskap, så den är idealisk för att hitta sätt som banbrytande hårdvara och mjukvara kan hjälpa jordbruket. Han och hans team har visat att några billiga drönare med specialiserad programvara kan avbilda och analysera unga växter - broccoli i fallet med denna studie - och exakt förutsäga deras förväntade tillväxtegenskaper.
Drönarna utför avbildningsprocessen flera gånger och gör det utan mänsklig interaktion, vilket innebär att systemet kräver lite när det gäller arbetskostnader.
"Det kan förvåna en del att veta att genom att skörda en åker så lite som en dag före eller efter den optimala tiden kan den potentiella inkomsten för den åkern för bonden minska med 3.7 % till så mycket som 20.4 %," sa Guo.
"Men med vårt system identifierar och katalogiserar drönare varje växt i fältet, och deras bilddata matar en modell som använder djupinlärning för att producera lättförståelig visuell data för lantbrukare. Med tanke på de nuvarande relativt låga kostnaderna för drönare och datorer borde en kommersiell version av detta system vara inom räckhåll för många bönder.”
Teamets främsta utmaning låg i aspekterna bildanalys och djupinlärning. Att samla in själva bilddatan är relativt trivialt, men med tanke på hur växter rör sig i vinden och hur ljuset förändras med tiden och årstiderna innehåller bilddatan mycket variation som maskiner ofta har svårt att kompensera för.
Så, när de tränade sitt system, var teamet tvunget att investera enormt mycket tid i att märka olika aspekter av bilder som drönarna kan se, för att hjälpa systemet att lära sig att identifiera vad det såg korrekt. Den stora datagenomströmningen var också utmanande – bilddata var ofta i storleksordningen biljoner pixlar, tiotusentals gånger större än till och med en avancerad smartphonekamera.
"Jag är inspirerad att hitta fler sätt som växtfenotypning (mätning av växttillväxtegenskaper) kan gå från labbet till fältet för att hjälpa till att lösa de stora problemen vi står inför," sa Guo.
Källa:University of Tokyo