Шестироторний дрон у польоті – ілюстративне фото. Автор зображення: Річард Антен через Flickr, CC BY 2.0
З міркувань продовольчої безпеки та економічного стимулювання фермери постійно прагнуть максимізувати товарну врожайність. Оскільки рослини ростуть нерівномірно, під час збору врожаю неминуче будуть варіації якості та розміру окремих культур. Тому пошук оптимального часу збору врожаю є пріоритетом для фермерів.
Новий підхід до використання безпілотних літальних апаратів і штучного інтелекту явно покращує цю оцінку завдяки ретельному й точному аналіз окремих культур щоб оцінити їхні ймовірні характеристики росту.
Конвеєр ШІ на основі дронів. Візуальний огляд системи для отримання та аналізу даних зображення про посіви, які потім інформують модель, щоб допомогти фермерам визначити найкращий час для збору врожаю на своїх полях. Кредит зображення: Guo et al. CC-BY
Деякі оптимістичні науково-фантастичні оповідання розповідають про майбутнє після дефіциту, де потреби людей задовольняються, а важка праця забезпечується машинами. Є певні способи, якими це бачення, здається, передбачає деякі елементи поточного технологічного прогресу. Однією з таких сфер є сільськогосподарські дослідження, де автоматизація має вплив.
Вперше дослідники, включно з Токійським університетом, продемонстрували значною мірою автоматизовану систему для підвищення врожайності, яка може принести користь багатьом і може допомогти прокласти шлях для майбутніх систем, які одного дня зможуть безпосередньо збирати врожай.
«Ідея відносно проста, але дизайн, реалізація та реалізація надзвичайно складні», — сказав доцент Вей Гуо з Лабораторії польової феноміки.
«Якщо фермери знають ідеальний час для збирання врожаю на полях, вони можуть зменшити кількість відходів, що буде корисно для них, споживачів і навколишнього середовища. Але оптимальні строки збору врожаю непросто передбачити, і в ідеалі вони вимагають детального знання кожної рослини; такі дані були б непосильними за кошти та час, якби для їх збору були найняті люди. Тут на допомогу приходять дрони».
Гуо має досвід як у інформатиці, так і в сільськогосподарській науці, тому він ідеально підходить для пошуку шляхів, за допомогою яких передове обладнання та програмне забезпечення можуть допомогти сільському господарству. Він і його команда продемонстрували, що деякі недорогі дрони зі спеціальним програмним забезпеченням можуть знімати й аналізувати молоді рослини — брокколі у випадку цього дослідження — і точно прогнозувати очікувані характеристики їх росту.
Безпілотники виконують процес створення зображень кілька разів і роблять це без участі людини, що означає, що система потребує невеликих затрат праці.
Візуалізація даних на аерофотознімках. Витрати людської праці та часу забороняють ручну каталогізацію окремих рослин у полі. Тут дані каталогу, зібрані дронами та створені системою глибокого навчання, накладаються на фотографії полів. Кредит зображення: Guo et al. CC-BY
«Декого може здивувати, дізнавшись, що збирання врожаю на полі лише за день до або після оптимального часу може зменшити потенційний дохід цього поля для фермера на 3.7% до 20.4%», — сказав Го.
«Але з нашою системою дрони ідентифікують і каталогізують кожну рослину в полі, а дані їх зображень передають модель, яка використовує глибоке навчання для отримання легких для розуміння візуальних даних для фермерів. Враховуючи нинішню відносну низьку вартість дронів і комп’ютерів, комерційна версія цієї системи має бути доступною для багатьох фермерів».
Головне завдання команди полягало в аналізі зображень і глибокому навчанні. Сам збір даних зображення відносно тривіальний, але враховуючи те, як рослини рухаються на вітрі та як світло змінюється з часом і сезонами, дані зображення містять багато варіацій, які машинам часто важко компенсувати.
Тож під час навчання своєї системи команді довелося витратити величезну кількість часу на позначення різних аспектів зображень, які можуть бачити дрони, щоб допомогти системі навчитися правильно визначати те, що вона бачить. Величезна пропускна здатність даних також була складною — дані зображення часто складали трильйони пікселів, що в десятки тисяч разів більше, ніж навіть камера висококласного смартфона.
«Мене надихає знайти більше способів, за допомогою яких фенотипування рослин (вимірювання ознак росту рослин) може перейти з лабораторії на поле, щоб допомогти вирішити основні проблеми, з якими ми стикаємося», — сказав Го.
джерело:Токійський університет
