Автоматизированные дроны с алгоритмами искусственного интеллекта и возможностями распознавания изображений успешно отслеживают посевы, чтобы сообщить идеальное время для сбора урожая.

По соображениям продовольственной безопасности и экономического стимулирования фермеры постоянно стремятся максимизировать свои товарные урожаи. Поскольку растения растут непоследовательно, во время сбора урожая неизбежно будут различия в качестве и размере отдельных культур. Поэтому поиск оптимального времени сбора урожая является приоритетом для фермеров.

Новый подход с использованием дронов и искусственного интеллекта заметно улучшает эту оценку, тщательно и точно анализируя отдельные культуры для оценки их вероятных характеристик роста.

В некоторых оптимистичных научно-фантастических историях рассказывается о будущем после дефицита, когда потребности человека будут удовлетворены, а тяжелый труд будет обеспечен машинами. Есть несколько способов, которыми это видение, по-видимому, предсказывает некоторые элементы текущего технологического прогресса. Одной из таких областей являются сельскохозяйственные исследования, где автоматизация оказывает влияние.

Впервые исследователи, в том числе из Токийского университета, продемонстрировали в значительной степени автоматизированную систему для повышения урожайности сельскохозяйственных культур, которая может принести пользу многим и может помочь проложить путь к будущим системам, которые однажды смогут собирать урожай напрямую.

«Идея относительно проста, но дизайн, реализация и исполнение чрезвычайно сложны», — сказал доцент Вэй Го из Лаборатории полевой феноменологии.

«Если фермеры будут знать идеальное время для уборки урожая на полях, они смогут сократить количество отходов, что пойдет на пользу им самим, потребителям и окружающей среде. Но оптимальные сроки сбора урожая предсказать непросто, и в идеале для этого требуются подробные знания о каждом растении; такие данные были бы непомерно дорогостоящими и временными, если бы для их сбора были наняты люди. Вот тут-то и пригодятся дроны».

Го имеет опыт работы как в области компьютерных наук, так и в области сельского хозяйства, поэтому идеально подходит для поиска путей, с помощью которых передовое аппаратное и программное обеспечение могло бы помочь сельскому хозяйству. Он и его команда продемонстрировали, что некоторые недорогие дроны со специализированным программным обеспечением могут отображать и анализировать молодые растения — брокколи в случае этого исследования — и точно прогнозировать их ожидаемые характеристики роста.

Дроны выполняют процесс визуализации многократно и делают это без участия человека, что означает, что система не требует особых затрат на рабочую силу.

«Некоторых может удивить тот факт, что уборка урожая с поля всего за день до или после оптимального времени может снизить потенциальный доход фермера с этого поля на 3,7% до целых 20,4%», — сказал Го.

«Но с помощью нашей системы дроны идентифицируют и каталогизируют каждое растение в поле, а их данные о изображениях формируют модель, которая использует глубокое обучение для получения простых для понимания визуальных данных для фермеров. Учитывая нынешнюю относительно низкую стоимость дронов и компьютеров, коммерческая версия этой системы должна быть доступна многим фермерам».

Основная задача команды заключалась в анализе изображений и аспектах глубокого обучения. Сбор данных изображения сам по себе относительно тривиален, но, учитывая то, как растения движутся на ветру и как меняется освещенность со временем и сезонами, данные изображения содержат много вариаций, которые машинам часто бывает трудно компенсировать.

Итак, при обучении своей системы команде пришлось потратить огромное количество времени на маркировку различных аспектов изображений, которые могли видеть дроны, чтобы помочь системе научиться правильно определять, что она видит. Огромная пропускная способность данных также была сложной задачей — данные изображения часто составляли порядка триллионов пикселей, что в десятки тысяч раз больше, чем даже у камеры смартфона высокого класса.

«Я вдохновлен поиском новых способов переноса фенотипирования растений (измерения признаков роста растений) из лаборатории в поле, чтобы помочь решить основные проблемы, с которыми мы сталкиваемся», — сказал Го.