Компьютерное зрение активно внедряется в сельскохозяйственную отрасль с целью повышения эффективности производства, оптимизации ресурсных затрат и увеличения урожайности.
Ключевые области применения:
- Мониторинг состояния посевов: Анализ изображений позволяет выявить признаки дефицита питательных веществ или водного стресса у растений, что дает возможность фермерам оперативно реагировать на эти проблемы.
- Борьба с вредителями и болезнями: Алгоритмы компьютерного зрения способны обнаруживать зараженные участки или вредителей на ранней стадии развития, что позволяет проводить точечную обработку и предотвратить распространение заболеваний.
- Точное земледелие: Компьютерное зрение помогает определить оптимальные дозы удобрений, пестицидов и воды для конкретных участков поля, минимизируя расход ресурсов и повышая эффективность использования.
- Оценка урожайности: Системы на основе компьютерного зрения могут оценить стадию зрелости растений и потенциальный объем урожая, что позволяет фермерам планировать время сбора.
- Автоматизация сбора урожая: Роботы-сборщики, оснащенные системами компьютерного зрения, способны идентифицировать спелые плоды и осуществлять их сбор, повышая эффективность и снижая трудозатраты.
- Мониторинг животных: Технологии компьютерного зрения используются для наблюдения за скотом, выявления заболеваний, контроля процессов доения и оценки качества молока.
Принцип работы:
- Сбор данных: Камеры, установленные на беспилотниках, тракторах или стационарных устройствах, собирают изображения полей, растений и животных.
- Обучение моделей: Алгоритмы машинного обучения (например, YOLO) обучаются на больших наборах помеченных изображений для распознавания различных объектов, таких как сорняки, урожай или животные.
- Анализ и принятие решений: Обученные модели анализируют изображения в режиме реального времени, предоставляя фермерам точную информацию для принятия обоснованных решений об орошении, внесении удобрений и других агротехнических мероприятиях.
В последнее время компьютерное зрение и машинное обучение набирают популярность в сельском хозяйстве. Технологии компьютерного зрения (CV) меняют подход к ведению сельского хозяйства, позволяя использовать бесконтактные и масштабируемые решения для датчиков. Использование методов компьютерного зрения в сочетании с получением изображений с помощью удаленных камер открыло ряд новых возможностей для применения в сельскохозяйственном секторе: от снижения производственных затрат за счет интеллектуальной автоматизации до повышения производительности.
В данной статье представлен обзор компьютерного зрения в сельском хозяйстве и приложений для интеллектуального земледелия. В частности, мы рассмотрим:
- Мониторинг животноводства, птицеводства и аквакультуры
- Мониторинг сельскохозяйственных культур и оценка урожайности
- Мониторинг безопасности и соответствия требованиям
Аграрный сектор стал свидетелем значительного вклада искусственного интеллекта (ИИ) и компьютерного зрения в таких областях, как обнаружение и мониторинг здоровья растений, посадка, прополка, сбор урожая и расширенный анализ погодных условий.
Многочисленные примеры использования интеллектуального земледелия влияют на всю цепочку поставок продовольствия, предоставляя полезную информацию обо всех процессах сельскохозяйственного производства, упрощая принятие оперативных решений в режиме реального времени и совершенствуя методы ведения сельского хозяйства за счет внедрения интеллектуальных датчиков и устройств на полях.
Обнаружение животных: компьютерное зрение для обнаружения овец
Как компьютерное зрение помогает в сельском хозяйстве?
Компьютерное зрение, подраздел искусственного интеллекта, позволяет машинам воспринимать и интерпретировать визуальный мир подобно людям. Сочетание технологий компьютерного зрения с удаленными камерами для получения изображений позволяет использовать бесконтактные и масштабируемые сенсорные решения в сельском хозяйстве.
Некоторые области применения в сельском хозяйстве включают мониторинг животных с использованием машинного зрения, визуальный контроль качества, автоматизированные проверки на соответствие стандартам качества и мониторинг инфраструктуры. Кроме того, компьютерное зрение может значительно улучшить мониторинг сельскохозяйственных культур и прогнозирование урожайности, используя анализ изображений для определения состояния растений, характера их роста и потенциальных факторов стресса.
Тенденции технологий ИИ в сельскохозяйственных приложениях компьютерного зрения
Как правило, компьютерное зрение работает в три основных этапа:
- Получение изображения/видео с камеры,
- Обработка изображения и
- Анализ изображения.
В последнее время новые технологии глубокого обучения достигли значительных прорывов в области распознавания изображений. По сравнению с традиционным компьютерным зрением, современные алгоритмы глубокого обучения гораздо более надежны и обеспечивают высокоточное распознавание изображений в режиме реального времени. Таким образом, методы глубокого обучения можно использовать для видеоаналитики с использованием видео с обычных камер наблюдения или веб-камер.
Последние тенденции объединяют периферийные вычисления с машинным обучением на устройствах; этот метод также называется периферийным ИИ. Перенос обработки ИИ из облака на периферийные устройства позволяет использовать машинное обучение повсеместно, объединяя Интернет вещей и ИИ для создания масштабируемых приложений компьютерного зрения.
Инфраструктура для разработки и эксплуатации систем компьютерного зрения
Для эффективного создания и развертывания таких приложений мы создали платформу компьютерного зрения, которая помогает лидерам различных отраслей предоставлять все свои приложения на основе ИИ-зрения в 10 раз быстрее и эффективнее. Начните работу и используйте лучшие возможности компьютерного зрения прямо из коробки, используя инфраструктуру корпоративного уровня.
Далее мы перечислим некоторые из наиболее важных приложений ИИ-зрения в сельском хозяйстве. Учитывая последние технологические достижения, мы ожидаем увидеть в скором времени гораздо больше вариантов использования и масштабных приложений компьютерного зрения. Рассмотрим наиболее яркие примеры применения компьютерного зрения в сельском хозяйстве:
- Системы компьютерного зрения в животноводстве
- Системы компьютерного зрения в птицеводстве
- Рыбоводство с компьютерным зрением
- Оценка урожайности с помощью подсчета фруктов и овощей
- Мониторинг безопасности на удаленных фермах
- Соблюдение законодательства о защите животных
- Мониторинг посевов с помощью дронов
- Обнаружение и борьба с сорняками
- Оценка состояния почвы
Примеры применения компьютерного зрения
1. Системы компьютерного зрения в животноводстве
Продовольственная безопасность — одна из важнейших мировых проблем. Животноводство и птица обеспечивают значительную долю (30%) ежедневного потребления белка за счёт таких продуктов, как мясо, молоко, яйца и субпродукты. Ожидается, что производство животноводческой продукции будет соответственно увеличиваться, чтобы прокормить растущее население.
По мере интенсификации производства для удовлетворения растущего спроса производители сталкиваются с растущим давлением, связанным с необходимостью предоставления качественного ухода за всё большим количеством животных на единицу управления. Это становится ещё сложнее, учитывая ожидаемый дефицит рабочей силы для сельскохозяйственных работ в будущем.
Система мониторинга животных на основе алгоритма для обнаружения объектов
Системы компьютерного зрения контролируют животных, таких как крупный рогатый скот, овцы, свиньи и другие, с помощью камер. Нейронные сети используются для анализа видеосигналов в режиме реального времени. Преимущества систем компьютерного зрения заключаются в их возможности автоматического, неинвазивного и недорогого мониторинга животных.
Системы машинного зрения на основе искусственного интеллекта позволяют извлекать информацию с минимальными внешними вмешательствами (настройка датчиков человеком, обслуживание) и по доступной цене.
Компьютерное зрение в животноводстве
Таким образом, компьютерное зрение необходимо для сбора, анализа данных и принятия решений в животноводстве. Полученные знания способствуют улучшению благополучия, состояния окружающей среды, инженерии, генетики и управления сельскохозяйственными животными благодаря проектированию объектов и управлению фермерским хозяйством на основе фактических данных.
Системы мониторинга животных обеспечивают непрерывный мониторинг в режиме реального времени и помогают производителям принимать управленческие решения. Они также обеспечивают раннее выявление и профилактику заболеваний и снижения эффективности производства. Искусственное зрение позволяет получать объективные данные о поведении и фенотипах животных в отличие от субъективного ручного наблюдения.
2. Системы компьютерного зрения в птицеводстве
Передовые алгоритмы глубокого обучения достаточно надежны для применения в птицеводстве. Термин «птица» включает в себя ряд одомашненных видов, включая кур, индеек, уток, гусей, охотничьих птиц и бескилевых (например, эму и страусов).
На птицеводческих фермах технологии компьютерного зрения направлены на профилактику заболеваний и обеспечение продовольственной безопасности, а также на повышение общей производительности за счет снижения затрат и предоставления информации для повышения качества продукции.
Сегодня компьютерное зрение широко используется в системах птицеводства. Оно включает в себя автоматизацию управления помещениями, анализ поведения, контроль благополучия животных, выявление заболеваний, измерение веса, экспертизу яиц и многое другое.
Количество идентифицированных цыплят и их распределение, определенное с помощью недавно разработанной модели машинного зрения (цыплята были в возрасте трех недель в (a), (b) и 4 недель в (c), (d); голубые прямоугольники представляют целевую зону извлечения по методу BP, а задние прямоугольники представляют пропущенную целевую область (цыпленка); желтые цифры указывают на истинное количество цыплят, а задние — на цыплят, распознанных моделью).
3. Рыбоводство с использованием компьютерного зрения
Автоматическое обнаружение рыбы с помощью компьютерного зрения — важный инструмент в точном земледелии, позволяющий добиться автоматического обнаружения рыбы. В частности, методы глубокого обучения продемонстрировали большой потенциал в идентификации видов рыб, подсчёте их численности и анализе поведения.
Кроме того, компьютерное зрение стремительно развивается и находит применение в эффективных интеллектуальных системах кормления. Такие системы основаны на предварительной обработке подводных изображений, обнаружении рыбы, оценке её веса и длины, а также анализе поведения.
Компьютерное зрение применяется для отслеживания, обнаружения и мониторинга рыб в аквариуме
Подсчёт рыбы всё ещё остаётся рудиментарным процессом во многих рыболовных хозяйствах. Системы на основе компьютерного зрения представляют собой экономичный метод подсчёта рыбы с использованием глубокого обучения. Автоматический подсчёт рыбы снижает затраты, способствует росту производства и повышению доступности рабочей силы. Например, компьютерное зрение используется для автоматического подсчёта живой молоди.
Связанные с этим новые примеры использования для предприятий аквакультуры включают анализ целостности и безопасности рыболовных сетей с помощью технологии глубокого обучения.
4. Оценка урожайности с помощью подсчёта фруктов и овощей
Оценка урожайности является важнейшей предуборочной практикой для большинства крупных сельскохозяйственных компаний. Она помогает принимать решения по распределению необходимых логистических решений, таких как транспортные средства, рабочая сила, расходные материалы и многое другое. Переоценка приводит к дополнительным затратам, влияющим на рентабельность; недооценка влечет за собой потенциальные потери урожая и дополнительные расходы. Прогнозирование урожайности также используется для оптимизации методов возделывания и профилактики заболеваний растений.
Разрабатываются алгоритмы глубоких сверточных сетей для обеспечения точного прогнозирования урожайности и автоматического подсчёта фруктов и овощей на изображениях. Современные методы глубокого обучения обеспечивают хорошую точность даже при наличии заслона в виде листьев или ветвей, освещённости и размера объекта.
Ручная оценка урожайности с помощью подсчёта таких продуктов, как фрукты или овощи, очень трудоёмка и затратна. Для автоматического подсчёта плодов или цветов можно использовать методы компьютерного зрения. Примером может служить автоматический подсчёт плодов на деревьях и оценка урожайности киви.
Приложение машинного зрения для классификации болезней растений манго
5. Мониторинг безопасности на удалённых фермах
Наблюдение в режиме реального времени и мониторинг безопасности на удалённых фермах — ещё одно актуальное применение МО в интеллектуальном сельском хозяйстве. Такие системы мониторинга и оповещения имеют большое значение для ферм. Изображения, полученные с помощью обычных систем видеонаблюдения, могут быть обработаны алгоритмами искусственного интеллекта для обнаружения вторжений и автоматического выявления аномалий.
Современные методы используют глубокие нейронные сети для точного распознавания лиц, инвариантного к изменениям освещённости. Это позволяет реализовать глубокое распознавание лиц на нескольких удалённых фермах.
Компьютерное зрение в сельском хозяйстве для удаленного мониторинга инфраструктуры
6. Соблюдение законодательства о защите животных
Системы компьютерного зрения позволяют автоматизировать регулярный мониторинг на ферме для обеспечения соблюдения законодательства о защите животных. Мониторинг животных с использованием алгоритмов глубокого обучения и условной логики может активировать сигналы тревоги для принятия корректирующих мер.
Интеллектуальные системы зрения используют камеры с искусственным интеллектом для объективного измерения благополучия животных в полевых условиях. Современные методы позволяют оценить ресурсы, предоставляемые животным (пространство, субстрат для лежания, доступ к поилке), и измерить состояние самих животных для выявления хромоты, признаков травм или заболеваний, а также отклонений в поведении. Таким образом, компьютерное зрение предоставляет количественные данные о благополучии животных, которые можно использовать для обеспечения соблюдения законодательства о защите животных на ферме.
Чтобы узнать больше, ознакомьтесь с нашим практическим примером мониторинга животных.
Компьютерное зрение в мониторинге животных
7. Мониторинг посевов с помощью дронов
За последние несколько лет технология беспилотных летательных аппаратов приобрела огромную популярность благодаря своим возможностям автономного полета. Дроны стали важным элементом точного земледелия и фермерства. Благодаря своим летным возможностям и возможности покрывать большие расстояния, дроны могут собирать огромные объемы данных с помощью встроенной камеры.
Алгоритмы компьютерного зрения обучаются на отснятом материале для помощи в картографировании и планировании посевов, а также в мониторинге окружающей среды на основе данных геозондирования. Поэтому изображения аннотируются для создания обучающих данных для алгоритмов. Модели компьютерного зрения выполняют обнаружение объектов и семантическую сегментацию для распознавания объектов и условий на снимках с дронов.
Различные типы беспилотных летательных аппаратов для мониторинга и оптимизации урожая.
8. Обнаружение и борьба с сорняками
Благодаря вышеупомянутой технологии дронов фермеры смогли оптимизировать обнаружение и борьбу с сорняками. Благодаря двустороннему подходу фермеры могут использовать дроны, оснащенные камерами для распознавания изображений, чтобы отличать сельскохозяйственные культуры от сорняков и определять их виды. Камеры собирают визуальные данные.
Точно определяя местонахождение сорняков, фермеры могут точно вносить гербициды, не допуская их дальнейшего распространения. Такой подход позволяет более эффективно бороться с сорняками и оптимизировать производительность сельского хозяйства, минимизируя при этом использование гербицидов.
Обнаружение и идентификация сорняков с помощью компьютерного зрения.
9. Оценка состояния почвы
Благодаря интеграции систем Интернета вещей с компьютерным зрением фермеры могут использовать наземные датчики, камеры с дронов и сети глубокого обучения для мониторинга состояния почвы. Эти системы могут выполнять такие тесты, как анализ состояния корней, мониторинг эрозии почвы и анализ pH.
Например, очень кислая почва, которая может выглядеть светло-коричневой и классифицироваться по RGB-кодам, подходит для выращивания клюквы, черники и брокколи. Если уровень pH почвы изменится, фермерам потребуется провести обработку почвы для восстановления желаемого уровня pH.
То же самое можно сделать и для мониторинга влажности почвы, что поможет фермерам в режиме реального времени определить, требуется ли дополнительное орошение культур.
Мониторинг профиля почвы. Обзор этапов интерактивной 2D- и 3D-визуализации почвенного профиля для количественного определения концентраций элементов с помощью портативной рентгенофлуоресцентной спектроскопии
На рисунке выше представлен обзор подхода к анализу почвенных профилей влажности почвы с использованием интерактивных визуализаций и данных pXRF. Сначала почвоведы собирают данные в полевых условиях. Затем данные предварительно обрабатываются и интерполируются перед созданием интерактивных 2D- и 3D-визуализаций для анализа. Полная интеграция этих этапов обеспечивает альтернативу для быстрой характеристики почвенных профилей.
Данные pXRF — это информация о элементном составе образцов, полученная с помощью портативного рентгенофлуоресцентного анализатора (Portable X-Ray Fluorescence, pXRF). Эти данные, собираемые непосредственно в полевых условиях, позволяют в реальном времени анализировать состав пород, руд, почвы и других материалов, что используется для разведки полезных ископаемых, контроля качества, мониторинга окружающей среды и оптимизации производственных процессов.
Если вы ищете инновационные и эффективные способы быстрой разработки и внедрения приложений компьютерного зрения для интеллектуального земледелия и сельского хозяйства, обратите внимание на нашу платформу.
Эта интегрированная платформа предоставляет все необходимые комплексные инструменты, фреймворки моделей машинного обучения и мощную программную инфраструктуру для ваших команд для разработки, развертывания и масштабирования решений для машинного зрения на основе глубокого обучения — без необходимости писать всё с нуля. Свяжитесь с нами и получите доступ к демонстрации в режиме реального времени.
Заключение
Компьютерное зрение активно используется в различных отраслях промышленности и сельское хозяйство не является исключением. В этой небольшой статье мы рассмотрели основные технологии компьютерного зрения и их применение в сельском хозяйстве. Благодаря использованию компьютерного зрения можно существенно упростить жизнь специалистам, занимающимся земледелием.
