Искусственный интеллект (ИИ) и машинное обучение (МО) уже не являются чем-то новым для сельского хозяйства, но их полный потенциал еще не раскрыт. Наша компания объединяет данные и ИИ с помощью решения на основе машинного зрения для свиноводства, чтобы помочь фермерам и предприятиям значительно упростить и ускорить сложную работу, которую необходимо выполнять каждую неделю.
По мере роста мирового населения сельское хозяйство сталкивается с растущим давлением в плане повышения эффективности и устойчивости производства продуктов питания. По данным Продовольственной и сельскохозяйственной организации ООН (ФАО), к 2050 году сельскохозяйственное производство должно увеличиться на 60%, чтобы удовлетворить потребности прогнозируемых 9,7 миллиардов человек. К другим вызовам современного сельского хозяйства относятся:
- растущий потребительский спрос;
- экологические риски;
- быстро меняющиеся погодные условия;
- во многих сельскохозяйственных районах ограничены водные ресурсы;
- определение оптимального времени для продажи урожая в условиях постоянно колеблющихся цен;
- высокие производственные и трудовые издержки;
- нехватка квалифицированных рабочих.
Технологии, такие как компьютерное зрение и машинное обучение в сельском хозяйстве, помогают решить эту задачу, способствуя повышению точности, масштабируемости и эффективности сельскохозяйственных работ. Интеграция компьютерного зрения и автоматизации в традиционные методы ведения сельского хозяйства привела к значительным улучшениям в сельском хозяйстве, чему способствуют передовые технологии компьютерного зрения и искусственного интеллекта. Современное состояние ИИ в сельском хозяйстве обещает повышение производительности сельского хозяйства и экономический рост, а также открывает потенциал для решения важных глобальных проблем, таких как продовольственная безопасность и устойчивое развитие.
Давайте рассмотрим реальные примеры успешного применения компьютерного зрения на основе ИИ в сельском хозяйстве и подумаем, как их можно адаптировать и масштабировать для удовлетворения потребностей вашего бизнеса.
Алгоритмы компьютерного зрения для поддержки принятия решений в свиноводстве
Проблема
В сельском хозяйстве рутинный мониторинг скота включает в себя физически тяжелую работу каждую неделю, в том числе взвешивание животных и проверку на наличие признаков заболеваний. Например, на традиционных фермах взвешивание свиней обычно требует перемещения их из загонов и наведения на весы. Этот процесс является физически тяжелым для работников и стрессовым для животных. Такое обращение может нарушить среду обитания свиней и способствовать повышению уровня стресса, что может повлиять на их самочувствие и даже на качество мяса.
Технологии
Компьютерное зрение представляет собой ценный инструмент, помогающий свиноводам принимать решения. Наша компания разработала для Barkom Ltd. встроенное решение на основе компьютерного зрения для автоматизации и улучшения условий содержания свиней. Для проекта эксперты собрали обучающий набор данных, состоящий из изображений свиней, сопоставленных с их весами. Эти сопоставления изображений и весов были использованы для разработки технологии на основе обученных сверточных нейронных сетей. Для повышения точности и обеспечения надежной работы в условиях низкой освещенности в технологию были включены две модернизированные камеры. Первая — это пассивная стереоскопическая камера Stereolabs, работающая в спектре RGB. Вторая — это Intel RealSense D435, которая захватывает 3D-сканы в инфракрасном спектре. После создания необходимого оборудования, оснащенного технологией компьютерного зрения, разработчики разработали алгоритм распознавания весов, который объединил неитеративные нейронные сети с разработанным ими решением для распознавания изображений. Этот подход позволил достичь точности почти 98% на данных, очищенных и предварительно обработанных вручную.
Интересный факт: во время тестирования свиньи засыпали на весах и даже группами наступали на них — и всё это происходило на фоне бликов, искажавших изображение с камер!
Возможности
Существует большой потенциал для расширения возможностей компьютерного зрения с целью оценки более широкого спектра показателей здоровья и состояния свиней. Дальнейшее развитие программного обеспечения и мобильного устройства в стационарную систему мониторинга могло бы обеспечить непрерывное отслеживание роста группы свиней, что позволило бы руководителям ферм выявлять проблемы со здоровьем или кормлением на ранних стадиях. Кроме того, усовершенствование алгоритма для точной оценки веса с различной высоты сделало бы устройство более адаптируемым к различным условиям.
Прогнозирование урожайности сельскохозяйственных культур на основе визуального анализа
Проблема
Оценка урожайности — важнейшая, но традиционно ненадежная часть сельскохозяйственного планирования. Для фермеров неточные прогнозы могут привести к неэффективному распределению рабочей силы, растрате удобрений, чрезмерным транспортным расходам или даже к неубранному урожаю. Для более широкого рынка противоречивые данные нарушают ценообразование на сырьевые товары и потоки поставок. В то же время на урожайность влияет множество непредсказуемых факторов, включая вредителей, вспышки болезней, состояние почвы и колебания климата. Без точной и своевременной информации фермеры вынуждены принимать важные решения вслепую, а инвесторы сталкиваются с непредсказуемой доходностью.
Технологии
Прогнозирование урожайности на основе компьютерного зрения сокращает этот разрыв. Например, компания MangoNet разработала свою архитектуру глубокого обучения для обнаружения и подсчета манго . Система, обученная на более чем 11 000 фрагментах изображений с пиксельной разметкой, полученных с RGB-камер, и протестированная на дополнительных 1500, обрабатывает прогнозы урожайности манго с помощью анализа связанных компонентов сегментированных выходных данных. Модель обучалась в два этапа : сначала на изображениях с манго, затем на более широком наборе данных, чтобы помочь ей выявить более общие закономерности. Результат: масштабируемые, готовые к использованию в полевых условиях модели, которые обеспечивают точность искусственного интеллекта при подсчете фруктов и прогнозировании урожайности.
Возможности
Для крупных фермерских хозяйств точное прогнозирование урожайности является стратегическим активом. Кроме того, оно открывает возможности для выращивания других видов сельскохозяйственных культур и позволяет более эффективно планировать трудовые ресурсы, транспортировку, распределение ресурсов и автоматизацию уборки урожая. Для инвесторов в агротехнологии эта технология представляет собой очевидный путь к окупаемости инвестиций: сокращение отходов, повышение рентабельности и получение аналитических данных о производительности, масштабируемых для различных культур и регионов.
Система обнаружения болезней и вредителей с помощью дронов
Проблема
Раннее выявление вредителей и болезней остается одним из наиболее затратных и непредсказуемых аспектов управления урожаем. Традиционно полагаясь на плановый осмотр полей и визиты агрономов, фермеры часто сталкиваются с задержками в диагностике, что может привести к значительным потерям урожая.
Технологии
Компьютерное зрение в сельском хозяйстве меняет подход фермеров к мониторингу состояния урожая. Узнайте, как это работает на практике на ферме Полмана в Сазерленде, штат Небраска. Используя систему съемки с помощью дронов, работающую на основе технологии компьютерного зрения IBM , фермер Рорик Полман получает аэрофотоснимки и изображения растений крупным планом на площади 10 000 акров — и все это доступно через единую мобильную платформу.
Дрон снимает кукурузные поля, а приложение на основе искусственного интеллекта анализирует как аэрофотоснимки, так и изображения крупным планом, чтобы выявить признаки стресса, болезней или заражения вредителями. Система использует модели распознавания изображений для сопоставления визуальных закономерностей с известными проблемами урожая. Вместо того чтобы ждать несколько дней приезда агронома, фермер теперь может сделать снимок и мгновенно получить обратную связь о том, что влияет на растения, прямо со смартфона.
Платформа сочетает в себе снимки, полученные с помощью дронов или мобильных устройств, с моделями искусственного интеллекта, обученными распознавать видимые симптомы на посевах. Она может выявлять вредителей, болезни, дефицит питательных веществ и признаки стресса, помогая фермерам быстрее принимать меры, часто еще до того, как проблема распространится.
Возможности
Системы обнаружения вредителей и болезней на основе искусственного интеллекта открывают значительные возможности для коммерческого сельского хозяйства и предоставляют дополнительные перспективы для развития. Платформу следует дополнительно адаптировать к переменному освещению, перекрытию листьев или ранним стадиям заражения, которые визуально незаметны. Кроме того, было бы полезно адаптировать наборы данных к конкретным регионам, чтобы учитывать местные штаммы вредителей и болезней.
Мониторинг здоровья молочных коров с помощью оценки состояния тела на основе компьютерного зрения.
Проблема
Оценка упитанности (BCS) — важнейший показатель для оценки энергетических запасов и общего состояния здоровья молочных коров. Отклонения от оптимального диапазона BCS могут привести к серьезным последствиям, включая снижение молочной продуктивности, проблемы с репродуктивной функцией и даже метаболические расстройства у коров с избыточной упитанностью. Однако, несмотря на свою важность, рутинный мониторинг BCS по-прежнему применяется непоследовательно на коммерческих фермах.
Технологии
Последние достижения в области компьютерного зрения и машинного обучения в сельском хозяйстве привели к появлению автоматизированных систем оценки состояния тела (BCS), упрощающих этот процесс. Эти системы обычно используют камеры, расположенные на выходе из доильного зала, для ежедневной видеосъемки коров. Затем обученные алгоритмы оценивают физическое состояние каждого животного на основе визуальных маркеров.
Эта технология позволяет осуществлять непрерывный, объективный и менее трудоемкий мониторинг здоровья коров. Например, такие системы, как DeLaval BCS, продемонстрировали способность выявлять незначительные ежедневные изменения в показателе BCS. Этот технологический подход значительно превосходит традиционную ручную оценку и положительно влияет на материальное состояние коров.
Возможности
Благодаря постоянному обучению моделей ИИ на различных популяциях коров и в разных системах производства, эти инструменты потенциально могут стать ключевыми компонентами интеллектуального управления молочными фермами. В будущем разработка систем оценки состояния коров может использовать многоракурсную или 3D-визуализацию для повышения точности независимо от позы коровы или условий освещения. На данный момент гибридные подходы, сочетающие ручные и автоматизированные методы, позволяют фермерам извлекать выгоду из эффективности компьютерного зрения в сельском хозяйстве, обеспечивая при этом принятие важных решений на основе надежных, проверенных в полевых условиях данных.
Система распыления на основе искусственного интеллекта, обеспечивающая точную борьбу с сорняками.
Проблема
Традиционные методы опрыскивания предусматривают равномерное распределение гербицидов по всей поверхности поля, независимо от наличия сорняков. Такая практика приводит к чрезмерному использованию химикатов, увеличению затрат и ненужному воздействию на окружающую среду. Для крупных фермерских хозяйств эта неэффективность быстро накапливается как в экономическом, так и в экологическом плане.
Технологии
Компания John Deere, благодаря приобретению Blue River Technology, разработала See & Spray — роботизированную систему опрыскивания на основе искусственного интеллекта, обеспечивающую точную борьбу с сорняками. Используя камеры высокого разрешения и компьютерное зрение в реальном времени, система идентифицирует отдельные сорняки среди культур по мере перемещения машины по полю. После обнаружения микроцелевые форсунки наносят гербицид только на нежелательные растения, оставляя культуры нетронутыми. Весь процесс автоматизирован и оптимизирован в реальном времени с использованием алгоритмов глубокого обучения, обученных различать типы растений в различных условиях.
Возможность
Переход от сплошного к точному опрыскиванию обеспечивает ощутимые преимущества как для фермерских хозяйств, так и для окружающей среды. Минимизация воздействия химикатов на почву и растения способствует сохранению биоразнообразия и здоровья почвы. По мере развития систем опрыскивания на основе искусственного интеллекта закладывается основа для более интеллектуальной и эффективной защиты урожая, где средства применяются только тогда и там, где это действительно необходимо.
Система визуального контроля качества для сортировки и оценки качества яблок.
Проблема
Ручная проверка сельскохозяйственной продукции часто бывает непоследовательной, субъективной и трудоемкой. Это приводит к тому, что дефекты остаются незамеченными, увеличиваются послеуборочные потери и упускаются возможности для максимизации стоимости продукции по различным каналам сбыта. Для цепочек поставок скоропортящихся товаров раннее выявление поверхностных дефектов имеет решающее значение для сохранения срока годности, минимизации потерь и соответствия ожиданиям рынка.
Технологии
Компьютерное зрение и машинное обучение в сельском хозяйстве предлагают более надежную и масштабируемую альтернативу ручной сортировке. В одном из примеров инженеры разработали систему оценки яблок, используя изображения RGB для анализа цвета поверхности, текстуры и особенностей краев. Изображения были преобразованы в цветовое пространство HSV, а V-канал был бинаризован для различения дефектов. Гнилостные участки были идентифицированы с помощью анализа связанных компонентов, а для объединения всех признаков в окончательную классификацию использовалась логическая операция. Яблоки с нулевой площадью белых пикселей на конечном изображении были классифицированы как бездефектные. Этот автоматизированный процесс обеспечивает последовательную и объективную оценку, которую можно масштабировать для больших объемов.
Возможности
Интеграция систем машинного зрения в послеуборочную обработку позволяет производителям и дистрибьюторам повысить точность оценки качества, минимизируя при этом потери продуктов питания. Эти системы обеспечивают раннее выявление дефектов, лучшее соответствие рыночным стандартам качества и интеллектуальную маршрутизацию продукции по наиболее подходящим каналам сбыта — от рынков премиум-класса до перерабатывающих линий. По мере роста спроса на высококачественную, абсолютно экологически чистую продукцию автоматизированные решения для эффективной сортировки представляют собой привлекательную возможность для повышения эффективности и прибыльности всей сельскохозяйственной цепочки создания стоимости.
Разумное управление водными ресурсами и почвой в сельском хозяйстве
Проблема
Нехватка воды и растущий риск засухи представляют собой серьезные проблемы для мирового сельского хозяйства. Неэффективное орошение не только приводит к растрате ценных водных ресурсов, но и снижает урожайность сельскохозяйственных культур и способствует долгосрочной деградации почвы. Традиционные методы оценки того, когда и сколько воды нужно орошать, часто основаны на ручном наблюдении или устаревших графиках, которые не учитывают пространственную изменчивость на больших полях.
Технологии
Современные технологии дистанционного зондирования и компьютерного зрения меняют подход фермеров к управлению водными ресурсами. Например, в исследовании на северо-востоке Испании использовался метод DISPATCH, сочетающий данные микроволнового и оптического дистанционного зондирования для создания подробных карт влажности почвы. Затем эти карты используются для высокоточной оценки потребностей в орошении, оптимизации водопотребления и повышения урожайности. В бассейне реки Мутале на юге Африки снимки, полученные с помощью беспилотных летательных аппаратов в видимом и ближнем инфракрасном диапазоне, в сочетании с индексами растительности и регрессионным анализом позволили фермерам планировать орошение в разные сезоны и для разных типов культур с измеримым успехом.
Возможности
Интеллектуальные решения для управления водными ресурсами и почвой, основанные на дистанционном зондировании и искусственном интеллекте, позволяют разрабатывать более целенаправленные стратегии орошения, тем самым сокращая потери воды и повышая урожайность. Теперь фермеры могут принимать решения о том, когда и где орошать, основываясь на данных о почве и конкретных культурах, а не на общих графиках. Эти технологии не только способствуют повышению урожайности и экономии ресурсов, но и играют решающую роль в смягчении последствий засухи и обеспечении долгосрочной устойчивости.
Сотрудничайте с нами для создания решения в области компьютерного зрения для вашей фермы.
Компьютерное зрение преобразует сельское хозяйство, о чем свидетельствуют улучшенные системы прогнозирования урожайности, мониторинга скота и автоматизированного контроля качества. Однако настоящая сила этих технологий заключается в создании решений, адаптированных к уникальным задачам вашего хозяйства.
Мы специализируемся на разработке комплексных систем компьютерного зрения для сельского хозяйства, от интеграции IoT и специализированного программного обеспечения до носимых устройств и интеллектуальных платформ управления фермой. Независимо от того, нужно ли вам оптимизировать ежедневные операции, сократить ручной труд или получить информацию о ваших культурах и скоте в режиме реального времени, мы готовы помочь. Давайте вместе построим будущее сельского хозяйства — свяжитесь с нами, чтобы внедрить интеллектуальные, масштабируемые технологии компьютерного зрения в ваше агробизнес.
