В настоящем материале мы осветим тему компьютерного зрения как инструмента для оптимизации процессов в сельском хозяйстве, а не просто технологического увлечения. Будут представлены несколько кейсов, которые уже реализованы с использованием разработок в области компьютерного зрения.
Технология computer vision (CV) представляет собой анализ изображений и видеопотоков посредством искусственного интеллекта. CV позволяет извлекать из визуальной информации все необходимые данные для принятия обоснованных решений.
Согласно статистике, мировой рынок компьютерного зрения оценивается в $14 млрд. Российский рынок подобных решений, оцененный в 8 млрд рублей в 2019 году, прогнозируется на уровне 38 млрд рублей к концу 2023 года. Наиболее востребованными сферами применения CV являются видеонаблюдение и безопасность (32% рынка), промышленность (17%), медицина (14%) и торговля (10%).
В сельском хозяйстве компьютерное зрение также стремительно внедряется. Рынок сельскохозяйственного искусственного интеллекта оценивается в $600 млн, с прогнозом роста до $2,6 млрд к 2025 году.
Далее мы рассмотрим наиболее распространенные аргументы в пользу использования computer vision в сельском хозяйстве.
Компьютерное зрение ничем не отличается от обычных камер или видеорегистраторов
Представление о том, что системы компьютерного зрения идентичны обычным камерам видеонаблюдения, неверно.
Существенным отличием является способ обработки информации: камеры видеонаблюдения осуществляют пассивную запись всего происходящего, в то время как системы компьютерного зрения преобразуют визуальные данные с изображения в осмысленную информацию посредством специализированного программного обеспечения.
Архитектура систем компьютерного зрения включает в себя:
- Камеры: могут быть различными по функционалу, включая высокоскоростные камеры, тепловизоры для измерения расстояний и камеры высокой четкости.
- Программное обеспечение: осуществляет распознавание объектов, анализ сцены и выполнение других задач. Для повышения точности и эффективности систем используются библиотеки компьютерного зрения.
Важно отметить, что компьютерное зрение охватывает более широкий спектр задач, чем видеоаналитика. Последняя представляет собой лишь часть процесса обработки видеопотока и анализа информации в нем.
Возможности компьютерного зрения:
- Распознавание и идентификация лиц.
- Определение объектов, действий, событий, поведения и взаимоотношений.
- Геолокация, пространственное (3D) и плоское (2D) позиционирование.
- Определение сезона, даты и времени.
Системы компьютерного зрения способны не только архивировать видеозаписи, но и проводить онлайн-анализ происходящего. Кроме того, использование алгоритмов машинного обучения в сочетании с компьютерным зрением позволяет прогнозировать будущие события на основе анализа прошлого и настоящего.
Как работает
Представленная модель компьютерного зрения производит сегментацию каждого кадра видео для идентификации целевых объектов (животных). После количественной оценки объектов искусственным интеллектом, система отслеживания определяет траектории движения каждого объекта в кадре. Алгоритмы анализа активности затем вычисляют уровень активности для каждого уникального объекта на основе полученных координат.
Процесс начинается с локализации координат животных на каждом кадре. Далее, эти координаты отслеживаются в последовательности кадров, что позволяет оценить уровень активности животного по траектории его движения.
Для обеспечения точности анализа данных компания тесно сотрудничает с сельскохозяйственными предприятиями. Помимо количественных показателей из отчетов, необходимо проводить непосредственное наблюдение на фермах для сбора достоверной информации.
Обучение алгоритмов компьютерного зрения осуществляется путем сбора видеоданных. Для этого устанавливаются камеры (при их отсутствии) и организуется удаленное подключение через протокол RTSP для передачи видеопотока. Кроме того, используется защищенное хранилище данных, в которое можно загрузить записанный видеоматериал с камер для последующего анализа и обучения алгоритмов.
Компьютерное зрение никогда не сможет заменить человека
Действительно, ни одно устройство не способно полностью заменить опытного агронома. Однако современные технологии могут существенно упростить работу в сельском хозяйстве.
Например, компьютерное зрение, благодаря своей способности обнаруживать мельчайшие детали, незаметные для человеческого глаза, позволяет выявлять вредителей на ранней стадии, предотвращая ущерб урожаю. На ферме 80 Acres Farm эта технология успешно используется для своевременного обнаружения и уничтожения насекомых-вредителей.
Важно отметить, что для эффективной работы компьютерного зрения необходима предварительная настройка системы опытным специалистом, который предоставит нейронной сети необходимые данные для обучения.
Скорость обработки информации искусственным интеллектом также является несомненным преимуществом. Анализ каждого кадра видеозаписи занимает доли секунды, что позволяет получить моментальные результаты работы алгоритмов.
Комбинация компьютерного зрения с точными системами земледелия, беспилотными летательными аппаратами и роботами может стать решением проблемы нехватки рабочей силы в сельском хозяйстве. Такие разработки позволяют эффективно контролировать посевы, прогнозировать урожайность и отслеживать состояние здоровья животных.
Рассмотрим несколько примеров того, как компьютерное зрение помогает решить проблемы, с которыми сталкиваются люди.
Детекция свиней
Подсчёт поголовья животных представляет собой относительно простую задачу при небольшом количестве особей. Однако, когда речь идёт о тысячах животных, например, в свиноводческих комплексах, традиционные методы теряют свою эффективность. В таких случаях на помощь приходит технология сегментации и подсчёта животных на основе видеоданных. Данная технология позволяет оценить активность каждого животного в станке, обеспечивая точный и полный подсчёт поголовья. Уровень точности распознавания составляет 85%.
Определение координат спутниковых снимков
Спутниковые изображения находят широкое применение в геодезии, а также играют важную роль в поисково-спасательных операциях и мониторинге чрезвычайных ситуаций, таких как пожары. Однако традиционный метод сопоставления спутниковых снимков с реальными масштабами местности является трудоемким и не позволяет получать актуальную информацию в режиме онлайн.
Для ускорения процесса привязки спутникового снимка к местности и обеспечения достоверности данных используется нейронная сеть, прошедшая обучение. Эта сеть предсказывает координаты объектов на снимке и угол его поворота относительно реальной местности.
Спасти амурских тигров от браконьеров
В настоящее время на территории России обитает приблизительно 580 амурских тигров, и их популяция неуклонно сокращается. С целью защиты этих редких животных специалисты разработали модель машинного обучения для классификации особей. Для обнаружения тигров в лесных массивах используются фотоловушки и датчики движения.
Искусственный интеллект также способствовал идентификации амурской тигрицы Принцессы среди других особей. Уникальные узоры на боках животного, подобные отпечаткам пальцев человека, позволили системе распознать ее.
Разработанная модель машинного зрения демонстрирует высокую точность: идентификация животных происходит с вероятностью 99%, а распознавание конкретной особи – с точностью 96%.
Внедрить компьютерное зрение слишком долго и сложно
Эффективность применения компьютерного зрения в сельском хозяйстве зависит от ряда факторов. Во-первых, данная технология способна обеспечить крупным хозяйствам точный контроль за каждым животным. Во-вторых, внедрение компьютерного зрения целесообразно в хозяйствах, уже обладающих опытом использования современных технологий. Необходимо также четко определить, как именно компьютерное зрение может решить конкретные задачи на ферме.
Негативный пример применения компьютерного зрения наблюдался в Китае в 2019 году. В ходе вспышки африканской чумы свиней государство и крупные IT-компании пытались использовать Face ID для идентификации животных. Однако проект не увенчался успехом, поскольку разработчики не создали достаточной базы данных для точного отслеживания перемещений свиней. Кроме того, система распознавания лиц теряла свою актуальность при отправке животных на убой. Фермеры не понимали практическую ценность технологии и часто сталкивались с сложностями и высокими затратами на внедрение.
Успешное внедрение компьютерного зрения возможно при наличии человеческого фактора и потенциала для масштабирования проекта. Технология должна оптимизировать производственные процессы, делая работу проще и эффективнее. Для этого необходимо определить конкретные проблемы, которые планируется решить с помощью компьютерного зрения. Одним из методов сбора информации может быть опросник, позволяющий понять задачи предприятия и его готовность к внедрению новой технологии.
Компьютерное зрение способно оцифровать производство и выявить закономерности в хозяйстве. Хотя оно не сможет полностью заменить сотрудников, технология позволит избежать ошибок и ускорит подсчеты и анализ данных.
Как вы считаете, каким образом повсеместное внедрение компьютерного зрения изменит сельское хозяйство?
