Искусственный интеллект в АПК: роботы, компьютерное зрение и весы для свиней

Искусственный интеллект в АПК: роботы, компьютерное зрение и весы для свиней

Источник: http://milknews.ru

Искусственный интеллект в 2017 году начал покорять и отрасль сельского хозяйства и торговли продуктами питания. Сергей Николенко, научный руководитель платформы Neuromation.io, специально для Milknews рассказывает о будущих сельскохозяйственных приложениях, в которых могут быть использованы синтетические данные.

Компьютерное зрение для анализа посевов: смотреть и видеть

Современное сельское хозяйство — это огромная отрасль. Чтобы накормить миллиарды людей, нужно много земли, и обработать её вручную в наше время уже, конечно, невозможно. Болезни растений и нашествия насекомых часто приводят к неурожаям, а при современных масштабах сельского хозяйства такие нашествия сложно вовремя выявить и нейтрализовать в зародыше.

Это важная область, где могут помочь алгоритмы компьютерного зрения. Растениеводы используют компьютерное зрение для распознавания заболеваний культур: как на микроуровне, по снимкам листьев и растений крупным планом, так и на макроуровне, выявляя ранние признаки заболеваний растений или распространения вредителей по данным аэрофотосъёмки. Все эти проекты обычно основаны на основном современном подходе к компьютерному зрению: сверточных нейронных сетях (convolutional neural networks, CNN).

Заметим, что речь здесь идёт о компьютерном зрении в очень широком смысле. Во многих случаях фотографии — отнюдь не лучший источник данных, и многие важные аспекты жизни растений лучше изучать другими способами. Зачастую состояние растений можно лучше понять, например, собирая при помощи специальных датчиков гиперспектральные изображения или выполняя лазерное трехмерное сканирование; такие методы всё чаще используются в агрономии. Данные такого рода обычно имеют высокое разрешение и по своей природе ближе к медицинским снимкам, чем к фотографиям; одна из систем наблюдения за посадками прямо так и называется — AgMRI. Для обработки этих данных нужны специальные модели, но их пространственная структура позволяет применять современные технологии компьютерного зрения, в частности сверточные нейронные сети.

Недавно 37 миллионов долларов были вложены в создание Исследовательского центра фенотипирования и обработки изображений растений (Plant Phenotyping and Imaging Research Centre) в Университете Саскачевана (Saskatchewan). Это целая организация, основная задача которой — сбор больших наборов данных о культурах (обычно в виде фотографий или описанных выше трёхмерных изображений) и сопоставление данных о фенотипе с генотипом растений; результаты таких проектов можно использовать для совершенствования сельскохозяйственных технологий во всем мире.

Робототехника в сельском хозяйстве

Познакомьтесь с Prospero, автономным сельскохозяйственным роботом, который ужасно похож на WALL-E. Он может выкопать в земле ямку и посадить туда растение, следуя предустановленным общим шаблонам, но учитывая при этом и конкретные особенности ландшафта. Потом Prospero будет ухаживать за посадками, работая с каждым растением индивидуально. А когда настанет время, он соберёт урожай, и при этом снова будет обрабатывать каждое растение точно так, как нужно. Prospero основан на концепции "роевого земледелия”: посмотрите это видео и представьте себе армию маленьких Prospero, которая ползет по полям, оставляя за собой аккуратные ровные ряды растений.

Что интересно, Prospero на самом деле появился ещё в 2011 году, до расцвета современной революции глубокого обучения. Однако он по-прежнему остается прототипом, пока не нашедшим широкого применения. А сегодня роботы распространяются в сельском хозяйстве, позволяя автоматизировать всё больше рутинных задач:

  • автоматизированные беспилотные летательные аппараты опрыскивают сельскохозяйственные культуры; маленькие юркие дроны могут обеспечить более точную доставку опасных химикатов, чем обычные самолеты; более того, тех же дронов-опрыскивателей можно использовать и для аэрофотосъемки, из которой получатся данные для алгоритмов компьютерного зрения из первой части этой статьи;
  • всё больше развиваются и применяются специализированные роботы для сбора урожая: зерноуборочные комбайны существуют давно, но только сейчас, при помощи современных методов компьютерного зрения и робототехники, получилось разработать, например, робота, собирающего клубнику;
  • Hortibot, недавно разработанный учеными Орхусского университета (Aarhus University) в Дании, способен распознавать и уничтожать сорняки, удаляя их механическим способом или точечно опрыскивая гербицидами; это еще один большой успех современной робототехники и компьютерного зрения, поскольку отличать сорняки от полезных растений и работать с мелкими растениями при помощи манипуляторов раньше не особенно-то получалось.

Хотя многие из этих роботов по-прежнему остаются прототипами или проходят испытания в небольших масштабах, уже ясно, что робототехника и сельское хозяйство созданы друг для друга. Можно смело предсказывать, что все больше и больше сельскохозяйственных работ будут автоматизированы в ближайшем будущем.

Видеонаблюдение за сельскохозяйственными животными: Большой Брат для Пятачка

И наконец, третье сельскохозяйственное применение искусственного интеллекта по большому счёту ещё даже не появилось. Это пилотный проект, который Neuromation планируем запустить в начале этого года. В этом проекте планируется внедрить современное компьютерное зрение в отрасли, которая пока не удостоилась большого внимания со стороны сообщества глубокого обучения: в животноводстве.

Попытки использовать машинное обучение на данных от слежения за домашним скотом, конечно, уже были. Например, пакистанский стартап Cowlar выпустил ошейник, который дистанционно отслеживает активность и температуру коров и буйволов, под броским девизом “FitBit for Cows”, а французские ученые разрабатывают ”распознавание лиц для коров”. Neuromation собирается автоматизировать сбор при помощи компьютерного зренияважнейших данных в ранее обойденной вниманием отрасли объемом в сотни миллиардов долларов — в свиноводстве.

На современных фермах свиней содержат относительно небольшими группами, в которые отбирают максимально похожих животных. Основная часть затрат в свиноводстве приходится на корм, и оптимизация процесса откорма — центральная задача современного свиноводства.

И фермеры, скорее всего, смогли бы решить эту задачу, если бы у них была подробная информация о привесе свиней. Но сейчас животных обычно взвешивают всего два раза за всю жизнь: в самом начале и в самом конце откорма. Если бы специалисты знали, как идет откорм каждого поросенка, можно было бы составить индивидуальную программу откорма каждой свиньи, а то и индивидуальный состав пищевых добавок, что существенно улучшило бы выход продукции.

Загнать животных на весы не очень сложно, но это огромный стресс для животного, а от стресса свиньи худеют. В новом проекте планируется разработать новый, неинвазивный метод взвешивания животных: Neuromation собирается построить модель компьютерного зрения, которая будет оценивать вес свиней по фото- и видеоданным. А эти оценки будут подаваться на вход уже классическим, аналитическим моделям машинного обучения, которые будут улучшать процесс откорма.

Сельское хозяйство как фронтир искусственного интеллекта

Земледелие и животноводство зачастую принято считать старомодными и отсталыми индустриями. Однако сегодня сельское хозяйство всё чаще оказывается на переднем крае искусственного интеллекта.

Основная причина здесь в том, что многие возникающие в сельском хозяйстве задачи одновременно:

  • достаточно сложны, чтобы их не получалось автоматизировать без использования современного искусственного интеллекта и глубокого обучения: культурные растения и свиньи, хоть и похожи друг на друга, но всё же не сошли с одного конвейера, к каждому кусту помидоров и каждой свинке нужен индивидуальный подход, и поэтому до самого последнего времени вмешательство человека была абсолютно необходимо;
  • но в то же время достаточно просты, чтобы уже при сегодняшнем развитии искусственного интеллекта мы могли бы их решить, учитывая индивидуальные различия между растениями и животными, но при этом автоматизируя общие технологии работы с ними; водить трактор в чистом поле проще, чем автомобиль в уличном потоке, а взвесить свинью проще, чем научиться проходить тест Тьюринга.

Сельское хозяйство по-прежнему остается одной из крупнейших и наиболее важных отраслей на планете, и даже небольшое повышение эффективности даст огромный выигрыш просто из-за огромного масштаба.

Реклама

Возможно, вам это будет интересно