Isang anim na rotor na drone sa paglipad – larawan ng paglalarawan. Credit ng larawan: Richard Unten sa pamamagitan ng Flickr, CC BY 2.0
Para sa mga kadahilanan ng seguridad sa pagkain at pang-ekonomiyang insentibo, ang mga magsasaka ay patuloy na naghahangad na i-maximize ang kanilang mabibiling ani ng pananim. Habang lumalaki ang mga halaman nang hindi pare-pareho, sa oras ng pag-aani, hindi maiiwasang magkakaroon ng mga pagkakaiba-iba sa kalidad at laki ng mga indibidwal na pananim. Samakatuwid, ang paghahanap ng pinakamainam na oras ng pag-aani ay isang priyoridad para sa mga magsasaka.
Ang isang bagong diskarte sa paggamit ng mga drone at artificial intelligence ay nagpapakitang nagpapabuti sa pagtatantya na ito sa pamamagitan ng maingat at tumpak pagsusuri ng mga indibidwal na pananim upang masuri ang kanilang malamang na mga katangian ng paglago.
AI pipeline na nakabatay sa drone. Isang visual na pangkalahatang-ideya ng system upang makuha at suriin ang data ng imahe tungkol sa mga pananim, na pagkatapos ay nagpapaalam sa isang modelo upang matulungan ang mga magsasaka na malaman ang pinakamahusay na oras upang anihin ang kanilang mga bukid. Credit ng larawan: Guo et al. CC-BY
Ang ilang mga optimistikong kwento ng science fiction ay nagsasalita tungkol sa hinaharap pagkatapos ng kakulangan, kung saan ang mga pangangailangan ng tao ay natutugunan at ang mahirap na paggawa ay ibinibigay ng mga makina. Mayroong ilang mga paraan kung saan lumilitaw ang pananaw na ito upang mahulaan ang ilang elemento ng kasalukuyang pag-unlad ng teknolohiya. Ang isa sa mga lugar na ito ay sa pagsasaliksik sa agrikultura, kung saan nagkakaroon ng epekto ang automation.
Sa kauna-unahang pagkakataon, ang mga mananaliksik, kabilang ang mga mula sa Unibersidad ng Tokyo, ay nagpakita ng isang automated na sistema upang mapabuti ang mga ani ng pananim, na maaaring makinabang sa marami at maaaring makatulong na magbigay ng daan para sa hinaharap na mga sistema na maaaring direktang anihin ang mga pananim balang araw.
"Ang ideya ay medyo simple, ngunit ang disenyo, pagpapatupad at pagpapatupad ay hindi pangkaraniwang kumplikado," sabi ni Associate Professor Wei Guo mula sa Laboratory of Field Phenomics.
“Kung alam ng mga magsasaka ang perpektong oras para mag-ani ng mga taniman, mababawasan nila ang basura, na mabuti para sa kanila, para sa mga mamimili at sa kapaligiran. Ngunit ang pinakamainam na oras ng pag-aani ay hindi isang madaling bagay na mahulaan at perpektong nangangailangan ng detalyadong kaalaman sa bawat halaman; ang naturang data ay magiging mahal at oras kung ang mga tao ay nagtatrabaho upang mangolekta nito. Dito pumapasok ang mga drone."
Ang Guo ay may background sa parehong computer science at agricultural science, kaya angkop na angkop sa paghahanap ng mga paraan na makatutulong ang cutting-edge na hardware at software sa agrikultura. Siya at ang kanyang koponan ay nagpakita na ang ilang mga murang drone na may espesyal na software ay maaaring maglarawan at magsuri ng mga batang halaman - broccoli sa kaso ng pag-aaral na ito - at tumpak na mahulaan ang kanilang inaasahang mga katangian ng paglago.
Isinasagawa ng mga drone ang proseso ng imaging nang maraming beses at ginagawa ito nang walang pakikipag-ugnayan ng tao, ibig sabihin ang sistema ay nangangailangan ng kaunti sa mga tuntunin ng mga gastos sa paggawa.
Visualization ng data sa mga aerial na larawan. Ang halaga ng paggawa ng tao at oras na kasangkot ay nagbabawal sa manu-manong pag-catalog ng mga indibidwal na halaman sa isang bukid. Dito, ang data ng catalog na nakolekta ng mga drone at ginawa ng isang malalim na sistema ng pag-aaral ay nakapatong sa mga larawan ng mga field. Credit ng larawan: Guo et al. CC-BY
"Maaaring sorpresa ang ilan na malaman na sa pamamagitan ng pag-aani ng isang bukid kasing liit ng isang araw bago o pagkatapos ng pinakamainam na oras ay maaaring mabawasan ang potensyal na kita ng bukid na iyon para sa magsasaka ng 3.7% hanggang sa 20.4%," sabi ni Guo.
“Ngunit sa aming system, kinikilala at tinatala ng mga drone ang bawat halaman sa field, at ang kanilang imaging data ay nagpapakain ng isang modelo na gumagamit ng malalim na pag-aaral upang makagawa ng madaling maunawaan na visual na data para sa mga magsasaka. Dahil sa kasalukuyang kamag-anak na mababang gastos ng mga drone at computer, ang isang komersyal na bersyon ng sistemang ito ay dapat maabot ng maraming magsasaka."
Ang pangunahing hamon ng koponan ay sa pagsusuri ng imahe at mga aspeto ng malalim na pag-aaral. Ang pagkolekta ng data ng larawan mismo ay medyo maliit, ngunit dahil sa paraan ng paggalaw ng mga halaman sa hangin at kung paano nagbabago ang liwanag sa oras at mga panahon, ang data ng imahe ay naglalaman ng maraming pagkakaiba-iba na kadalasang nahihirapang bayaran ng mga makina.
Kaya, kapag sinasanay ang kanilang system, ang koponan ay kailangang mamuhunan ng isang malaking halaga ng oras sa pag-label ng iba't ibang mga aspeto ng mga imahe na maaaring makita ng mga drone, upang matulungan ang system na malaman kung ano ang nakikita nito nang tama. Ang malawak na data throughput ay mahirap din — ang data ng imahe ay kadalasang nasa ayos ng trilyong pixel, sampu-sampung libong beses na mas malaki kaysa sa isang high-end na camera ng smartphone.
"Inspirado akong maghanap ng higit pang mga paraan na ang phenotyping ng halaman (pagsukat ng mga katangian ng paglago ng halaman) ay maaaring pumunta mula sa lab patungo sa field upang makatulong na malutas ang mga pangunahing problemang kinakaharap natin," sabi ni Guo.
Source:University of Tokyo
