Урожайность растений можно предсказывать с помощью систем искусственного интеллекта

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

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.

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.

Обратите внимание

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.

Важно

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.

Совет

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.

Источник: https://agrovesti.net/news/indst/iskusstvennyj-intellekt-v-apk-roboty-kompyuternoe-zrenie-i-vesy-dlya-svinej.html

Как решения Artificial Intelligence помогут повысить урожайность полей

Засевая поле, вы хотите точно знать какой урожай получите. И повысить урожай прошлых лет. Заранее спланировать хранение продукции и логистику, договориться о продажах и наперед просчитать прибыль. А ещё – получить максимальный результат при минимальных вложениях. Сегодня всё это возможно при помощи систем искусственного интеллекта в агросфере.

Как это работает:

Система искусственного интеллекта собирает информацию по фотографиям растений в период цветения/вегетации, данные о погоде, вредителях, своевременном поливе, заболеваниях растений и использовании удобрений.

Все эти данные отправляются на ваш смартфон, что позволяет полностью контролировать процессы, происходящие на полях. И вместо того, чтобы играть с природой в везение, математически точно просчитывать риски и устранять их, чтобы получить хороший урожай и двойную прибыль.

Искусственный интеллект в борьбе с вредителями

Аграрии знают: тля, слизни, клещи, медведка, белокрылка, колорадский жук и прочие способны уничтожить большинство урожая.

Однако использование инсектицидов до появления вредителей способно нанести посевам не меньше вреда.

Но при помощи современных IT-технологий можно бороться с этими рисками в сфере агробизнеса: найти, отследить и предсказать миграцию вредителей при помощи спутников/дронов.

Как это работает:

Система использует данные о погоде, направления движения насекомых и статистическую информацию собранную за период от 5 и более лет и помогает определить место атаки на ваши посевы, а также подобрать наиболее действенные под каждый конкретный вид вредителя инсектициды. К тому же система подскажет необходимую дозировку, площадь и лучшее время для их распыления для более эффективной борьбы с вредителями.

Летом 2018 года техасский фермер Лукас Броуди узнал о приближении тли к его Штату. Он посмотрел направление ветра и решил, что насекомые атакуют юго-западный край его фермы.

Однако система искусственного интеллекта, которой он пользовался для мониторинга урожая на полях, сообщила, что тля приземлилась на другом краю его поля.

В своих наблюдениях фермер использовал личный опыт + направление ветра, система искусственного интеллекта же объединила данные о нашествиях тли за последние 5 лет и снимки со спутника, что позволило провести более точные расчеты.

Система распознавания заболеваний посевов

Известно, что чрезмерным уходом и питанием можно угробить любой посадочный материал. Но и отсутствие удобрений может привести к гибели урожая. Современные IT-технологии помогают найти идеальный баланс.

Как это работает:

Имея доступ к фотографиям со спутника, система по фото определяет заболевание или дефицит питательных веществ в растениях, сигнализирует на ваш смартфон и помогает подобрать удобрения/химию для устранения проблемы, учитывая реальное состояние растений и площадь поражения болезнью.

Где скачать приложение для повышения урожая:

Автоматизация процессов управления механизмами

Если вам хоть раз приходилось терять время, нервы или деньги из-за того, что тракторист запил и не мог выйти на работу, вы, наверняка, мечтали однажды суметь обойтись без них. Теперь это возможно. Потому что важны не только машины и оборудование в агробизнесе, но и умение правильно их использовать.

Благодаря IT-технологии самоуправляемых механизмов вы сможете самолично управлять всей техникой (включая системы автоматического полива), обслуживающей ваши поля, находясь в любой точке мира, и просто держа смартфон в руках.

Где найти: http://harvestcroorobotics.com/ – приложение, помогающее провести сбор и упаковку клубники.

Как искусственный интеллект помогает экономить

При помощи наших систем искусственного интеллекта вы гарантированно экономите на:

  • инсектицидах, гербицидах, удобрениях (используя их только локально, по прямому назначению. К тому же вы не только снизите расходы на средства, но и снизите шансы, что вредные растения выработают устойчивость гербицидам);
  • времени, топливе и рабочей силе (благодаря системам автономного управления с/х транспортом, вы сможете автономно построить оптимальный маршрут движения техники по полю).
Читайте также:  Почти все успешные трейдеры обладают искусственным интеллектом

Стоит ли при этом экономить на самих технологиях – посчитайте сами. А потом обращайтесь к нам: поможем понять какие именно системы нужны для вашего бизнеса, подскажем лучшие современные решения, чтобы посевы приносили больше прибыли при меньших затратах.

19.12.2018

Источник: https://evergreens.com.ua/ru/articles/ai-in-agribusiness.html

Искусственный интеллект в сельском хозяйстве

Интерес к искусственному интеллекту растёт с каждым годом: в 2011 году было осуществлено 67 сделок с компаниями, которые занимаются разработкой технологий ИИ (Artificial Intelligence), а уже в 2015 году — около 400. В первом квартале 2016 финансового года состоялось более 140 сделок — рекордный показатель за историю сектора.

В 2012 году компания Autonomous Tractor Cooperation (ATC) показала прототип беспилотного трактора Spirit, заявив, что это «первый полностью беспилотный трактор для сельского хозяйства».

Сейчас ATC продолжает работать над улучшением прототипа.

Spirit оснащен разработанной компанией технологей AutoDrive, которая сочетает радионавигацию и лазерный гироскоп вместе с технологиями искусственного интеллекта.

Обратите внимание

Благодаря AutoDrive трактор сможет самостоятельно передвигаться по пути, по которому он предварительно проехал с водителем. «Трактор не станет фермером только из-за того, что мы дадим ему шаблон действий. Мы должны тренировать его, как начинающего агрария. Трактору нужно научиться обрабатывать землю, а не только правильно ездить», — говорит генеральный директор компании Крэйг Шульц.

В мае 2016 года российская компания Cognitive Technologies протестировала беспилотный трактор с системой компьютерного зрения. На тракторе были установлены видеокамеры, навигационный и инерционный датчики ГЛОНАСС и GPS и вычислительный блок.

«Система компьютерного зрения позволяет с высокой точностью детектировать опасные объекты, определять их размеры и координаты для составления высокоточных карт, — говорит президент компании Ольга Ускова.

— Благодаря точному знанию положения предметов на поле многие из них становится возможным удалить ещё до уборочной стадии, когда они могут представлять реальную угрозу механическим элементам сельхозтехники».

Трактор объезжает объекты, которые невозможно убрать при уборке урожая, а благодаря видеокамерам и датчикам он получает информацию о появлении новых объектах в режиме реального времени. По словам Ольги Усковой, технология должна быть готова для продажи потребителям через полтора года.

В августе 2016 года компания CNH Industrial представила концепт беспилотного трактора на основе существующего Case IH Magnum.

Трактор может работать без участия водителя, используя лидар (технология получения и обработки информации об удалённых объектах с помощью систем, использующих явления отражения света и его рассеяния — прим. ред.) и камеры для того, чтобы обнаруживать и избегать препятствия.

По словам представителей компании, беспилотные транспортные средства помогут повысить точность и продуктивность работ в секторе сельского хозяйства.

Компания Blue River Technology выпускает устройства LettuceBot, которые, используя технологию машинного обучения, распознают среди здоровых растений сорняки и опрыскивают их гербицидами. По словам разработчиков, LettuceBot фотографирует более 5000 растений в минуту.

Сотрудник Blue River Technology Бен Костнер уверен, что LettuceBot поможет фермерам сократить количество используемых препаратов на 90%. «Сельское хозяйство перестанет зависеть от человеческого труда в будущем», — говорит один из создателей трактора Хорхе Эро.

Важно

Cтартап Harvesting анализирует спутниковые данные и благодаря технологии машинного обучения помогает государственным учреждением распределять деньги между фермерами более эффективно. «Мы надеемся, что используя эту технологию, банки и государственные органы будут давать деньги правильным людям», — говорит генеральный директор компании Ручит Гарг.

Сайт PlantVillage собрал базу объёмом в более 50 тысяч фотографий здоровых и больных растений. Цель разработчиков — запустить приложение, где фермеры будут загружать изображения больных растений, а алгоритмы определять их диагноз. Издание Wired пишет, что аграрии тратят много денег и времени из-за неправильной диагностики, а искусственный интеллект сможет быстро и точно определить проблему.

Что дальше?

Технологии искусственного интеллекта будут применяться в вертикальных фермах, считает Нил Якобштейн, руководитель курса искусственного интеллекта и робототехники в Университете сингулярности в Кремниевой долине. Вертикальное фермерство — практика выращивания урожая в теплицах, где искусственно создаются все необходимые условия: свет, температура, влажность.

«ИИ поможет оптимизировать процессы выращивания урожая в вертикальных фермах. Он будет контролировать влагу, подогрев и атмосферное давление в теплицах», — говорит Якобштейн.

Украина и высокие технологии в агросекторе

Несмотря на сырьевую направленность агропромышленного комплекса, Украина в последнее время также активно уделяет внимание развитию инновационных технологий в агросекторе, включая разработки в сфере ИИ. Одну из инициатив, направленную на популяризацию высоких технологий в агросекторе внедряет ассоциация AgTech Ukraine.

В 2015 году ею был проведен первый агрохакатон в Тернополе «Agro It-Booster Hackathon», который дал импульс развитию сектора аграрных IT технологий в Украине.

Тогда в разработке инновационных IT продуктов приняло участие более 50 программистов и разработчиков, которые, объединившись в 8 сплоченных команд, боролись за призовой фонд, а также за право внедрения своих идей и разработок в аграрном производстве агрохолдинга «Агропродсервис».

Спустя пол года, в феврале 2016 года при поддержке Microsoft и МинАПК Украины, ассоциация AgTech Ukraine провела в Киеве Всеукраинский хакатон аграрных инноваций, который объединил более 150 участников и 20 знаковых менторов и экспертов в области IT и агросектора с целью создания новых технологических продуктов в агробизнесе.

Следом за эти событием в Украине состоялся первый всеукраинский форум, посвященный высоким технологиям для агропромышленности AgTech Forum 2016.

Совет

Мероприятие собрало более 300 участников, на нем встретились агропроизводители, представители технологического сектора, агросервисных, консалтинговых и дистрибьюторских компаний, ИТ-компании и системные интеграторы, банки, финансовые и страховые компании из разных уголков Украины.

Красной нитью через все выступления проходило одно утверждение: посредством синергии высоких технологий и агросектора Украина обретет прекрасный шанс занять сильную позицию в этой достаточно новой нише, потому для этого есть все необходимые ресурсы, включая интеллектуальный потенциал.

Мероприятия AgTech Ukraine позволили многим украинским проектам и командам обрести свою известность, наладить отношения с ключевыми потребителями и получить рекомендации от специалистов и экспертов отрасли.

Среди них: Kray Technologies (дроны для беспилотного внесения средств защиты растений); BioSens (сенсор для экспресс-диагностики безопасности продуктов питания); UABERRY (автоматизированные конструкции для выращивания клубники и системы фертигации); Grain Track (программное обеспечение для зернотрейдеров); AgriEye (картирование полей с помощью беспилотников с камерами собственной разработки); WattCMS (датчики мониторинга условий внешней среды); Fractal (визуальный конструктор для программирования взаимодействия «умных устройств»); Petiole (моментальное измерение площади листовой поверхности с помощью мобильного телефона); Рыбный Буй (мониторинг температуры воды и ее химических показателей для определения оптимального времени кормления рыбы) и многие другие.

B конце октября 2016 года ассоциация AgTech Ukraine проведет еще один Хакатон агарных инноваций в Одессе, тем самым расширит географию активности на южный регион и привлечет целевую аудиторию тех, кто заинтересован в высокотехнологическом развитии агросектора Украины.

Источник: https://inventure.com.ua/analytics/articles/iskusstvennyj-intellekt-v-selskom-hozyajstve

Искусственный интеллект позволит получить растения с заданными свойствами

Инженеры из Массачусетского Технологического Института разработали «пищевой компьютер» с искусственным интеллектом, который автоматически оптимизирует условия, такие как влажность и освещенность, для получения у растений необходимых качеств.

В отличие от других подобных разработок, система имеет открытый исходный код, а также инженеры выложили в общий доступ инструкции по ее самостоятельной сборке и настройке. Подробное описание и документация доступны на сайте MIT Media Lab, также о нем пишет издание Fast Company.

Для того чтобы увеличить эффективность выращивания растений путем уменьшения необходимого для этого пространства разрабатываются различные концепции, такие как вертикальные фермы и выращивание в контролируемой среде. В отличие от обычного сельского хозяйства, в них растения освещаются не солнечным светом, а светодиодами. Некоторые пытаются адаптировать их для массового внедрения и самостоятельной сборки.

Инженеры из MIT представили прототип своей системы еще в 2015 году, и назвали его OpenAg.

Обратите внимание

Прототип состоял из металлического контейнера, внутри которого располагались сенсоры, светодиоды, насосы для подачи воды и удобрений, и другие компоненты, которые позволяли менять климат внутри контейнера.

Также они представили более массивный вариант, помещенный в стандартный грузовой контейнер, и состоящий из нескольких ячеек, в каждой из которых поддерживались отдельные условия. Изначально ученые самостоятельно анализировали данные и подбирали наилучшие, по их мнению, условия.

В середине 2016 года команда исследователей начала сотрудничать с компанией, занимающейся разработками в области искусственного интеллекта.

Цель партнерства заключалась в том, чтобы ускорить и автоматизировать подбор необходимых условий. Исследователи выбрали в качестве модельного растения базилик.

Система непрерывно анализировала состояние растений из параллельно работающих ячеек и вносила коррективы в условия для выращивания следующего урожая.

Массив из нескольких изолированных друг от друга ячеек с разными условиями

Исследователи смогли оптимизировать алгоритм для того, чтобы в несколько раз усилить в растении синтез конкретных молекул, отвечающих за вкусовые качества.

В будущем они планируют научить систему оптимизировать условия для изменения множества различных характеристик, таких как вкус, размер или себестоимость.

Исследователи особо отмечают, что в отличие от других известных разработок в этой области, их система полностью открыта и доступна для самостоятельной постройки или модификации.

Источник: https://alev.biz/news/science-news/ai/iskusstvennyj-intellekt-pozvolit-poluchit-rasteniya-s-zadannymi-svojstvami/

Прикладное использование нейронных сетей. Нейросети в сельском хозяйстве. | Аграрий

Говоря о «новой революции» в сельском хозяйстве, часто эксперты обращаются к теме повсеместной автоматизации и роботизации отрасли, но обходят стороной основную тенденцию последних лет в области ПО – прикладное использование нейронных сетей и машинного обучения.

Тема эта действительна сложна для понимания. Вместе с тем, нейронные сети – это будущее, которое уже наступило. Александр Вартанян, директор по маркетингу Connectome.

ai, российского разработчика решений на базе технологий искусственного интеллекта, расскажет о применении нейросетей и машинного обучения для автоматизации сельского хозяйства.

Нейросеть – почти искусственный интеллект

История нейросетей – это история в разной степени успешных попыток моделирования нервной системы человека, её структуры и принципов функционирования.

Косвенным результатом этой деятельности стало появление нового класса программного обеспечения — искусственных нейронных сетей, применимых для решения прикладных задач.

Нет смысла подробно рассказывать о технических подробностях их функционирования, гораздо важнее выделить их преимущества.

Важно

Нейросеть не программируется в классическом понимании этого процесса. Она «обучается»: находит закономерности в доступных данных и использует их в дальнейшей работе. Зная, что 2+2=4 и 3+3=6, она сама предполагает, что 2+3=5. Подобно нервной система человека, искусственная нейронная сеть превосходно справляется с распознаванием образов на фото и видео, с прогнозированием и принятием решений.

Приведём самый простой пример работы нейросети. У нас есть миллион фотографий разных животных, и нам нужно выделить из них только фотографии кошек.

Мы обучаем нейросеть на небольшом объеме данных, дав ей доступ к имеющимся в наличии изображением, на которых точно изображены кошки.

Она не сможет осознать, как выглядит это животное, но найдёт закономерности, характерные для кошек, которые и будет использовать при анализе миллиона фотографий. Чем больше база картинок с кошками, на которой происходило обучение, тем выше точность.

Для большей эффективности можно показать нейросети другие базы «точно-не-кошек»: собак, хорьков, енотов. В сложных случаях система может обращаться к человеку за помощью («Кажется, на картинке есть кошка, но я не уверена») и использовать ответ в дальнейшей работе. Чем «опытнее» будет нейросеть, тем выше будет её точность и скорость работы.

Читайте также:  Робот-акула отслеживает приливы и отливы

Подобным образом работает мозг ребёнка: увидев несколько кошек, он может сделать предположение, что тигр – тоже кошка, потому что он обладает частью «кошачьих» характеристик. Но детский мозг способен пойти дальше этой гипотезы благодарю наличию мышления.

Нейросеть мышлением не обладает и оценить верность гипотезы неспособна, поэтому такой искусственный интеллект называют «слабым». Слабый ИИ принимает решения на основе полученного опыта, но не способен мыслить и осознавать себя. Поэтому возможности человеческого мозга для него недостижимы.

Совет

Но областей применения новой технологии уже достаточно, мы сталкиваемся с готовыми решениями каждый день.

Подобную функциональность уже используют социальные сети при поиске лиц на фотографиях, а также поисковые системы при отображении картинок по запросу. Рассмотрим, как её можно применить в сельском хозяйстве.

Какие задачи можно доверить нейронным сетям?

Вся прелесть нейросетей в том, что они работают с большими объемами данных быстрее и эффективнее человека. В сельском хозяйстве площади измеряются сотнями гектаров, персонал – тысячами сотрудников, а поголовье – миллионами особей. Это и есть «большие данные». Первичной информации для обучения хватает почти у любой компании в отрасли, остаётся собрать её в понятном для обучения формате.

Терминатор против сорняков

Качество и количество урожая зависит от многих факторов. Проанализировать их все и принять правильное решение не в состоянии ни один самый опытный специалист, поэтому в этом направлении применение современных технологий просто неизбежно.

Нейросеть можно научить отличать полезные культуры от сорняков. «Изучив» несколько миллионов фотографий образцов необходимой культуры, система с помощью видеокамеры может за несколько миллисекунд определить, находится ли перед ней здоровый побег или сорняк.

После череды этапов применения гербицида и последующего анализа эффективности, нейросеть научится понимать, в каких случаях какое количества вещества действиетельно необходимо, и сама сможет принимать решения.

Это кажется фантастикой, но именно такая нейросеть управляет роботом-пропольщиком, разработанным в США.

Без особых сложностей можно научить сеть отличать не только полезную культуру от сорняка, но и здоровое растение от больного. Она будет работать по тому же принципу.

Изучив на старте базу изображений здоровых и больных растений на разных стадиях роста, система сможет оценить степень угрозы для урожая и предложить способы решения проблемы.

Внедрить такой «умный фильтр» можно для работы в полях и сортировки уже собранного урожая.

Обратите внимание

Уборка урожая машинами – далеко не новинка, автоматизировать этот этап массово начали в середине прошлого века. Но что будет, если доверить уборку искусственному интеллекту? Машина под управлением нейронной сети сможет сама оценить форму, вес и цвет ягод, собирая только спелые, пригодные для продажи единицы.

Стоит ли говорить, что эффективность такого робота превышает эффективность сборщика-человека? На Калифорнийский университет, разработавший и внедривший такую технологию, был подан коллективный иск от рабочих, в котором утверждалось, что финансирование государством подобных проектов ведёт к сокращению десятков тысяч рабочих мест.

Мясная промышленность и нейронные сети

В мясной индустрии по многим причинам переход к автоматизированному производству наиболее заметен. В развитых странах корпорации активно стремятся заменить людей машинами, но специфика работы не позволяет автоматизировать производство в полном объеме. В этом случае ИИ может работать с человеком сообща.

К примеру, уже создана технология, пригодная для прогнозирования расположения костей и суставов для разделки. Это наиболее актуально при производстве мяса птицы, где неправильный надрез может привести к повреждению кости и потенциальной порче продукта.

Хороший специалист может выполнять эту работу качественно, но чем меньше животное, тем труднее сохранять точность. Нейросеть может подсказать, как лучше провести надрез.

По словам разработчиков, такая система может предсказывать местоположение суставов и костей с погрешностью менее 5мм.

Участие человека на всех этапах производства в мясной промышленности создаёт ещё один фактор риска – потенциальную возможность переноса различных заболеваний с работников на продукцию при контакте. Разрабатываются регламенты, устанавливаются нормы санитарной обработки, но проблема сохраняется.

Часто это приводит к серьезным последствиям для компании и её потребителей. Для контроля выполнения санитарных процедур специалисты Connectome.ai разработали систему контроля выполнения регламента, в основе которой также лежит нейронная сеть. С помощью видеокамер она наблюдает за сотрудниками и собирает данные.

Затем нейросеть идентифицирует сотрудников с помощью распознавания лиц, оценивает качество и время мытья рук, применение мыла и дезинфекционного раствора. Система управляет турникетом, и сама принимает решение, пускать или не пускать работника на производство.

Обо всех выявленных нарушениях моментально узнаёт руководство.

Другая значимая область применения нейросетей – контроль качества.

Важно

Технологии искусственного интеллекта позволяют в реальном времени распознавать дефекты на каждой единице продукции, оценивать общее состояние мяса и в реальном времени сообщать о найденных проблемах.

Такая система может работать 24/7, не устаёт и не теряет концентрацию. Для сбора данных используются камеры высокого разрешения, устанавливаемые на продуктовую линию.

Революция на рынке труда

Нейросети могут стать и обязательно станут надежным инструментом для решения самых сложных задач в руках специалистов. Они научат экономить ресурсы, помогут повысить качество и безопасность выпускаемой продукции, упростят многие процессы на всех этапах производства.

На стороне машин – скорость и точность работы, но на стороне человека – комплексное мышление и здравый смысл. Конечно, технологии ИИ в скором времени перевернут рынок труда в отрасли, но ведь такие решения кто-то должен создавать, обучать и контролировать

Источник: AGROFOODINFO.сom

Источник: https://agrarii.com/prikladnoe-ispolzovanie-nejronnyh-setej/

Искусственный интеллект позволит получить растения с заданными свойствами

Open Agriculture Initiative, MIT Media Lab (openag.mit.edu | CC-BY-SA 4.

0)

Инженеры из Массачусетского Технологического Института разработали «пищевой компьютер» с искусственным интеллектом, который автоматически оптимизирует условия, такие как влажность и освещенность, для получения у растений необходимых качеств.

В отличие от других подобных разработок, система имеет открытый исходный код, а также инженеры выложили в общий доступ инструкции по ее самостоятельной сборке и настройке. Подробное описание и документация доступны на сайте MIT Media Lab, также о нем пишет издание Fast Company.

Для того чтобы увеличить эффективность выращивания растений путем уменьшения необходимого для этого пространства разрабатываются различные концепции, такие как вертикальные фермы и выращивание в контролируемой среде. В отличие от обычного сельского хозяйства, в них растения освещаются не солнечным светом, а светодиодами. Некоторые пытаются адаптировать их для массового внедрения и самостоятельной сборки.

Инженеры из MIT представили прототип своей системы еще в 2015 году, и назвали его OpenAg.

Прототип состоял из металлического контейнера, внутри которого располагались сенсоры, светодиоды, насосы для подачи воды и удобрений, и другие компоненты, которые позволяли менять климат внутри контейнера.

Также они представили более массивный вариант, помещенный в стандартный грузовой контейнер, и состоящий из нескольких ячеек, в каждой из которых поддерживались отдельные условия. Изначально ученые самостоятельно анализировали данные и подбирали наилучшие, по их мнению, условия.

В середине 2016 года команда исследователей начала сотрудничать с компанией, занимающейся разработками в области искусственного интеллекта.

Цель партнерства заключалась в том, чтобы ускорить и автоматизировать подбор необходимых условий. Исследователи выбрали в качестве модельного растения базилик.

Совет

Система непрерывно анализировала состояние растений из параллельно работающих ячеек и вносила коррективы в условия для выращивания следующего урожая.

Массив из нескольких изолированных друг от друга ячеек с разными условиями Open Agriculture Initiative, MIT Media Lab (openag.mit.edu | CC-BY-SA 4.

0)Исследователи смогли оптимизировать алгоритм для того, чтобы в несколько раз усилить в растении синтез конкретных молекул, отвечающих за вкусовые качества.

В будущем они планируют научить систему оптимизировать условия для изменения множества различных характеристик, таких как вкус, размер или себестоимость.

Исследователи особо отмечают, что в отличие от других известных разработок в этой области, их система полностью открыта и доступна для самостоятельной постройки или модификации.

В 2016 году калифорнийский инженер сконструировал робота-садовника, который может самостоятельно сажать растения, а также ухаживать за ними, поливая их и удаляя растущие рядом сорняки.

Григорий Копиев

Источник: https://nplus1.ru/news/2017/06/14/plant-AI

Сельское хозяйство по-умному

Для решения проблем, связанных с увеличением численности мирового населения, человечеству необходимо изменить методы ведения сельскохозяйственной деятельности. Через 30 лет для того, чтобы прокормить население всего мира, понадобится на 70% больше еды, чем сейчас.

Снижение количества плодородных земель, перемена климата, высокая стоимость энерго­носителей — все это будет серьезно препятствовать производству многих продуктов питания.

Повысить урожайность и сократить издержки в таких условиях позволяет концепция «умного» сельского хозяйства, основанного на использовании фермерами различных инновационных решений.

Обратите внимание

По словам аналитиков Future Market Insights, переход к такому типу ведения хозяйства происходит медленно, но верно. Большая часть рынка (около 53%) сейчас расположена в Северной Америке, что во многом связано с высокой степенью заинтересованности «умными» инновациями со стороны фермеров США.

Интеллектуальные технологии наиболее активно внедряются в мелко­масштабное полевое хозяйство, животноводство и рыбный промысел. Наибольший прогресс в распространении «умных» решений наблюдается в сфере выращивания зерна.

Рассмотрим основные инновационные решения, относящиеся к концепции «умного» сельского хозяйства.

Беспилотные транспортные средства

Рис. 1. Поставки сельскохозяйственных роботов в мире в 2015-2024 гг.

По данным консалтинговой компании Tractica (рис. 1), к 2024 г. поставки сельскохозяйственных роботов вырастут до 594 тыс. единиц, увеличившись с 32 тыс. по итогам 2016 г. К декабрю 2016 г. в мире насчитывалось свыше 150 отраслевых участников, поставляющих роботов для АПК. Аналитики Tractica отмечают следующие ключевые области применения роботов в АПК:

  • беспилотные тракторы и летательные аппараты;
  • управление материальными ресурсами;
  • автоматизированные системы вегетации агрокультур;
  • лесопользование, недропользование;
  • автоматизированные системы управления молочными фермами.

У беспилотных систем, установленных на тракторы и погрузчики, помимо снижения влияния человеческого фактора, есть еще одно весомое преимущество: они позволяют минимизировать риск кражи топлива и зерна. Системы точного позиционирования также помогают уменьшить зону перекрытия, снизить перерасход удобрений и химикатов.

Летом прошлого года российская компания Cognitive Technologies представила прототип первого отечественного беспилотного трактора, который способен без помощи человека обрабатывать землю и убирать урожай.

Несмотря на то, что по всему миру подобные проекты пока находятся в зачаточном состоянии, аналитики уже сейчас предсказывают, что беспилотные транспортные средства станут основой «умного» сельского хозяйства будущего.

Такие машины со временем позволят автоматизировать всю сельскохозяйственную деятельность: обработку земель, слежение за здоровьем растений, сбор и хранение урожая (рис. 2).

Рис. 2. Обследование сельхозугодий с помощью БПЛА. Источник: proximaview.com

В интеллектуальной ферме могут использоваться не только наземные беспилотные транспортные средства, но и беспилотные летательные аппараты (БПЛА), оснащенные камерами и высокочувствительными сенсорами.

БПЛА способны за несколько часов работы обследовать сельскохозяйственные участки внушительных размеров, а информация, собираемая с помощью камеры и сенсоров, позволяет фермеру создавать электронные карты полей в формате 3D, рассчитывать нормализованный вегетационный индекс (англ.

Normalized Difference Vegetation Index, NDVI) с целью эффективного удобрения культур, инвентаризировать проводимые работы, охранять угодья и т. д.

Рис. 3. Дрон, сажающий деревья. Источник: itc.ua

Сельскохозяйственные беспилотники могут выполнять следующие виды работ:

  • Анализ состояния почвы. С помощью камер и установленных на БПЛА датчиков фермеры анализируют состояние почвы на различных участках и определяют, на каких из них целесообразнее проводить посадку семян.
  • Посадка семян (рис. 3). В настоящий момент на рынке можно найти стартапы, предлагающие сажать растения с помощью специальных дронов, выстреливающих в почву капсулами с семенами. Примером подобного стартапа является BioCarbon Engineering, который громко заявил о себе весной 2015 г., объявив о своих планах сажать в будущем до 1 млрд деревьев в год.
  • Мониторинг состояния урожая. Для фермеров важно своевременно обнаружить вредителей, от которых страдают угодья, и принять необходимые меры. К примеру, давно известно, что первые признаки ухудшения состояния растений проявляются в изменении хлорофилла — поэтому, установив на БПЛА инфракрасные камеры, фермеры смогут сразу же узнать о начале гибели урожая.
  • Обработка урожая (рис. 4). Еще одна потенциальная сфера применения БПЛА в сельском хозяйстве — это равномерные опрыскивания урожая ядохимикатами и специальными удобрениями. С помощью беспилотников фермеры смогут проводить подобные работы удаленно.
  • Прогноз урожайности. Собранные в ходе мониторинга данные могут быть использованы для составления аналитических отчетов. В этом случае БПЛА будет применяться как платформа для сбора данных, в то время как основная работа ляжет на специализированное ПО, обрабатывающее собранную информацию. Многие эксперты даже полагают, что будущее «сельскохозяйственных» БПЛА — именно за этой моделью развития: сами аппараты станут «коммидити», в то время как основную ценность для рынка будут представлять специалисты, способные на основе результатов работы ПО принимать верные решения по дальнейшему развитию сельхозугодий.

    Рис. 4. Дрон обрабатывает с/х культуры. Источник: politeka.net

Читайте также:  «ростелеком» предложил развивать в россии «умные города»

В настоящий момент рынок «сельскохозяйственных» БПЛА находится на начальной стадии развития. Однако эксперты полагают, что в будущем сельское хозяйство станет одним из крупнейших сегментов рынка беспилотников. Markets and Markets в 2016 г.

оценил рынок «сельскохозяйственных» БПЛА в $864,4 млн, спрогнозировав до 2022 г. уверенный ежегодный рост отрасли в 30% (до $4,2 млрд).

По словам экспертов Markets and Markets, активному росту рынка будет способствовать постепенное улучшение нормативно-правовой конъюнктуры, которое сейчас наблюдается во многих странах.

Важно

Активное использование беспилотников в сельском хозяйстве сейчас происходит в США, Китае, Японии, Бразилии, странах ЕС, а среди крупнейших игроков мирового рынка БПЛА, ориентирующихся на сельское хозяйство, можно выделить AeroVironment Inc, AgEagle, DJI, Yamaha и др.

Рынок беспилотников в отрасли сельского хозяйства развивается и в России, несмотря на не слишком благоприятное нормативно-правовое регулирование. Среди наиболее активных участников рынка можно выделить «Беспилотные технологии» (Новосибирск), «Геоскан» (Санкт-Петербург), «Автономные аэрокосмические системы — «ГеоСервис» Красноярск) и ZALA AERO (Ижевск).

Спектр услуг, предоставляемых данными компаниями для сельского хозяйства, достаточно велик. Например, компания «Геоскан» предлагает сельхозпроизводителям помощь в инвентаризации сельхозугодий, создании электронных карт полей, мониторинге техники и состояния посевов, расчете NDVI и других индексов, в сопровождении и контроле агротехнических мероприятий.

«Специфика отечественного рынка, — говорит руководитель направления сельского хозяйства компании «Геоскан» Никита Прокофьев, — это огромные площади пашни, необходимость ведения сельского хозяйства в зоне рискованного земледелия, неравенство регионов по климатическому и почвенному потенциалу.

Например, Юг России и Черноземье благоприятны для земледелия, и там растениеводство представляет собой прибыльный бизнес. В менее благоприятных регионах у производителей сельхозпродукции может просто не быть свободных средств на модернизацию техники, внедрение ГИС и систем агроуправления.

Как производитель и поставщик услуг, мы ищем решения, которые были бы востребованы у заказчика независимо от его обеспеченности вышеупомянутыми средствами. В частности, речь идет о создании цифровых карт полей.

Сегодня картографирование с БПЛА — это единственный метод, сочетающий в себе точность, оперативность и низкую стоимость».

По мнению многих экспертов, процесс внедрения БПЛА в сельское хозяйство так же неизбежен, как и механизация отрасли, произошедшая в ХХ веке.

Однако для того чтобы эффективно использовать беспилотники в сельском хозяйстве, фермеры должны не только хорошо разбираться в полученных данных (термограммах, расчетах вегетационного индекса NDVI и др.

), но и уметь пользоваться ими на практике (сколько вносить удобрений на участках, как поливать растения и т. д.).

Датчики и сенсоры

Использование датчиков и сенсоров в сельскохозяйственной деятельности — важный шаг на пути к созданию интеллектуальной фермы. Разнесенные на десятки квадратных километров, они могут непрерывно передавать по радиоканалам информацию о состоянии контролируемых объектов — в частности, значение таких параметров, как влажность, температура, уровень здоровья растения, запас топлива и т. д.

Например, основой системы определения характеристик почвы являются сенсоры, которые устанавливаются в контрольных точках. Эти датчики предназначены для выявления неоднородности (рельефа, типа почв, освещенности, погоды, количества сорняков и паразитов). Получив необходимые данные, агрономы принимают решения о том, какие агрокультуры можно более эффективно выращивать на каждом участке поля.

После того как неоднородности выявлены, необходимо грамотно подойти к уходу за растениями. В этом помогут датчики влажности почвы.

Совет

Обычно при ручном поливе норма расхода воды рассчитывается заблаговременно и не принимает в расчет многие параметры, в результате чего из-за избыточной циркуляции воды может возникнуть эрозия почвы.

Датчики же, учитывая тип агрокультуры, фазу ее роста и другие факторы, могут выявить момент, когда почвенный слой достаточно увлажнен, и помочь избежать эрозии. Это значительно сокращает и расход воды.

Датчики помогают не только выращивать агрокультуры, но и хранить урожай.

Замеры влажности и температуры в складских помещениях проводятся по графику или в режиме реального времени, а настройка сенсоров под индивидуальные характеристики агрокультуры позволяет как можно дольше сохранять урожай. Современные системы позволяют обнаруживать загнивание, даже если овощи или фрукты хранятся в больших навалах

Также датчики и сенсоры предназначены для:

  • обнаружения сорняков;
  • определения вредителей;
  • распознавания болезней растений;
  • оценки урожайности;
  • определения повреждения листьев.

По оценкам эксперта, к 2020 г. порядка 40% российских хозяйств будут использовать для мониторинга текущей ситуации в полях различные сенсоры и соответствующее программное обеспечение.

IoT-платформы

Сети «Интернета вещей», как правило, используются для передачи информации от датчиков к центрам принятия решений агропредприятий. Раньше неустойчивое покрытие мобильной связи в сельской местности сдерживало применение некоторых технологий.

Сейчас же в распоряжении фермеров появляются сети «Интернета вещей». Устройства — датчики и сенсоры — в таких сетях могут работать от одного заряда батареи в течение нескольких лет, а стоимость развертывания IoT-сетей несколько ниже, чем у традиционных мобильных сетей.

К тому же использование нелицензируемой части спектра позволяет развернуть базовую станцию IoT намного быстрее, чем сеть 2G/3G/4G.

Одна такая станция позволяет обеспечить покрытием территорию в несколько десятков километров — при условии прямой видимости и отсутствия плотной застройки.

Например, компании Senet и Paige Ag в ноябре 2016 г. представили аграриям решение для умного полива, которое базируется на LPWAN технологии LoRa. В декабре 2016 г.

сервис по контролю уровня влажности почвы совместно запустили компания Ingenu, провайдер IoT-сети, и AgriSource Data, выбравшие для этого протокол RPMA.

Разработчики планируют также представить сервис по определению количества минеральных веществ и химического анализа почвы.

Обратите внимание

В феврале о запуске сети «Интернета вещей» в регионах, где провести мобильную связь крайне сложно, сообщил провайдер глобальной мобильной спутниковой связи Inmarsat. Компания будет использовать спутниковый ресурс и базовые наземные станции LoRaWAN от Actility, чтобы отправлять агрономам информацию с последних через спутниковый интернет.

Такой сервис поможет, например, эффективно выращивать масличную пальму в Малайзии: датчики будут вести автоматический мониторинг уровня воды в резервуарах, собирать информацию о влажности почвы у корней растений. Это позволит избежать засухи на участках и, следовательно, потери урожая.

В России сети «Интернета вещей» развернуты компаниями «Стриж Телематика», «Сеть 868», EveryNet и некоторыми другими.

Сейчас на рынке появляются и компании, предлагающие услуги по развертыванию на IoT-платформе (рис. 5) специализированного ПО, способного грамотно обрабатывать собранные с помощью сенсоров данные. Среди отечественных компаний, предоставляющих такие услуги, можно выделить Rightech и kSense.

Рис. 5. IoT-платформа в «умном» сельском хозяйстве. Источник: gsmaintelligence.com

По словам представителей компании Rightech, созданная с использованием передовых технологий и уникальных запатентованных идей платформа Rightech IoT Cloud успешно конкурирует с мировыми аналогами. Высокая скорость и производительность при обработке больших объемов данных дают возможность клиентам воплотить в жизнь самые амбициозные проекты, связанные с автоматизацией бизнес-логики.

Вторая интеллектуальная платформа, kSense, поддерживает работу с различными типами источников данных — начиная от простейших сенсоров и локальных контроллеров и заканчивая серьезными вычислительными модулями. Платформа эффективно взаимодействует со множеством промышленных и коммуникационных технологий, протоколов и интерфейсов.

Главное преимущество kSense состоит в том, что в процессе работы не требуется программирования и участия специалистов, платформа автоматически адаптируется к изменениям окружающей среды и организует управление в зависимости от набора поставленных задач: ее математический аппарат построен на основе средств искусственного интеллекта и предиктивного анализа.

IoT-платформы Rigtech и kSense позволяют автоматизировать следующие аспекты сельскохозяйственной деятельности:

  • Мониторинг автотранспорта и сельхозтехники. Фермеры получают возможность непрерывно контролировать свой автотранспортный парк (автомобили, тракторы, комбайны и др.). В режиме реального времени доступна информация о скорости передвижения транспортных средств, расходе топлива, времени работы водителя и т. д.
  • Хранение и переработка сельхозпродукции. Автоматизация этих процессов позволяет фермерам снизить финансовые затраты на персонал и повысить качество хранения урожая. Фермеры могут круглосуточно управлять температурой своих хранилищ, влажностью, содержанием углекислого газа, вести учет объема собранного урожая и т. д.
  • Точное земледелие. В режиме реального времени контролируются основные аспекты земледелия. ПО позволяет оценивать уровень влажности и минерализации почвы, контролировать уровень света, которым питаются растения, и детально планировать механизмы поливки и сбора урожая. Для наглядности вся информация может быть представлена в виде интерактивной карты.
  • Управление животноводством. Фермеры получают возможность непрерывно контролировать состояние своего животноводческого хозяйства: отслеживать местоположение скота, вести наблюдения за беременными и больными особями, определять наиболее рациональное время дойки и т. д.

Аналитики прогнозируют, что степень использования IoT-устройств в сельском хозяйстве будет только расти. С 30 млн по итогам 2015 г. этот показатель вырастет до 75 млн в 2020 г.

Специфика российского рынка «умного» сельского хозяйства

Производительность сельско­хозяйственного труда в России в 3–5 раз хуже, чем в США и Западной Европе, что объясняется медленным освоением интеллектуальных решений. Несмотря на огромные посевные площади, которые составляют около 80 млн гектаров, «умные» технологии применятся только на 5–10% территорий.

Задача повышения конкурентоспособности отечественных аграриев сейчас решается на правительственном уровне. Основной способ решения проблемы — активный переход к «умному» сельскому хозяйству.

В конце 2016 г. вице-премьер Аркадий Дворкович дал поручение Минсельхозу, Минпромторгу и Минкомсвязи составить план внедрения в агропромышленный комплекс технологий «Интернета вещей». «Для аграриев планируется разработать и внедрить информационные системы и сервисы.

Важно

Для этого сначала необходимо обеспечить доступ в Интернет на сельскохозяйственных землях.

В дальнейшем для оценки эффективности использования земель будет проводиться космический мониторинг с публикацией результатов в Интернете», — прокомментировал тогда ситуацию представитель Правительственной комиссии по координации деятельности «Открытого правительства» Михаил Абызов.

Около месяца назад Фонд развития интернет-инициатив (ФРИИ) разработал «дорожную карту», в которой детально расписан план внедрения инновационных технологий в отечественный агропромышленный сектор до 2019 г.

К 2019 г. 30% российских фермерских хозяйств, по идее, должны будут активно использовать технологии «Интернета вещей». В этом году основной упор планируется сделать на госрегулировании «сельскохозяйственных» БПЛА.

На основе материалов с сайта iot.ru

Источник: https://controlengrussia.com/otraslevye-resheniya/sel-skoe-hozyajstvo/umnoe-sel-skoe-hozyajstvo/

Ссылка на основную публикацию
Adblock
detector