Большинство людей полагают, что машинное обучение (МО) и искусственный интеллект (ИИ) предназначены для таких технических отраслей, как производство или дизайн, где изменения и итерации на основе анализа данных могут оказать большое влияние. Однако по мере повсеместной интеграции IoT-устройств в сочетании с программным обеспечением для искусственного интеллекта все больше отраслей начинают внедрять эти технологии, и сельское хозяйство — одна из них.
Об этом пишет agbz.ru.
Когда главной целью является оптимизация урожайности фруктов и овощей, производительности скота и так далее, очень важно понимать все сложные факторы, влияющие на это. Искусственный интеллект все чаще помогает фермерам отслеживать постоянно меняющиеся погодные условия, колебания температуры или состав почвы. Теперь восприятие в отрасли изменилось: от роли ИИ в снижении трудозатрат и повышении производительности до более сложных задач и серьезного решения болевых точек.
Фермеры также вынуждены искать новые решения в связи с нехваткой рабочей силы, ужесточением законодательства, ростом населения и сокращением числа фермеров. Так, ожидается, что общее число фермеров в мире сократится с 616 миллионов в 2020 году до 272 миллионов к 2100 году. Многие приложения ИИ в сельскохозяйственном секторе позволяют фермерам получать быстрые, масштабные и подробные сведения об урожае. Давайте рассмотрим некоторые из наиболее важных приложений ИИ и МО.
Определение качества почвы и состояния посевов
Компьютерное зрение с помощью МО играет незаменимую роль в сохранении жизнеспособности и продуктивности сельского хозяйства. Раньше оценка стадии роста таких растений, как пшеница, была невероятно трудоемкой. Именно здесь компьютерное зрение может сэкономить время, например, исследователи собирали изображения пшеницы на разных стадиях роста в течение нескольких лет и при разных условиях освещения. В результате была разработана модель ИИ, которая превзошла наблюдения человека.
Не менее сложной задачей для фермеров является обычная оценка почвы, традиционная методология которой требует взятия образцов с последующим трудоемким лабораторным анализом. Однако в одном из новаторских исследований был изучен потенциал обучения алгоритмов на данных изображений, полученных с помощью экономичного портативного микроскопа. Результат оказался поразительным: модель компьютерного зрения с высокой точностью оценила содержание песка и уровень органического вещества почвы, не уступая в точности дорогостоящим лабораторным процедурам.
Прогнозирование болезней растений
Помимо сбора изображений с помощью искусственного интеллекта, он также способен классифицировать и сегментировать их, что революционизирует подход фермеров к борьбе с вредителями и болезнями.
Используя технологию распознавания изображений на основе глубокого обучения, которая включает в себя такие методы, как классификация, обнаружение и сегментация изображений, фермеры могут использовать модели, которые эффективно отслеживают и оценивают состояние растений.
Ботаники уже смогли обучить глубокую конволюционную нейронную сеть на изображениях черной гнили яблок в соответствии с четырьмя основными стадиями тяжести. Альтернативой такому компьютерному видению может стать трудоемкий поиск и оценка, проводимая человеком. Однако модель искусственного интеллекта в этом исследовании смогла успешно определить и диагностировать степень тяжести заболевания с точностью более 90 %.
Роботы-тракторы и беспилотники
Роботы-тракторы разрабатывались в течение последних нескольких лет, но теперь мы видим их на полях гораздо чаще. Эти автоматизированные тракторы, использующие робототехнику, оснащены аппаратным обеспечением и множеством камер, а также медиа- и коммуникационными процессорами (MCP). Компания John Deere, например, представила свой полностью автономный трактор в 2022 году. С тех пор они обновили модель, добавив в нее новую технологию Exact Shot, которая ограничивает количество необходимых удобрений при посадке, распределяя стартовые удобрения по семенам сразу после их посадки.
Среди других достижений в области транспортных средств — беспилотные летательные аппараты (БПЛА), оснащенные искусственным интеллектом компьютерного зрения, позволяющие автоматизировать распыление пестицидов или удобрений по полю. Благодаря распознаванию целевых участков в режиме реального времени, беспилотные опрыскиватели могут работать с высокой точностью как в отношении количества удобрений, так и в отношении конкретных мест. Это значительно снижает риск загрязнения сельскохозяйственных культур, людей, животных и водных ресурсов.
Будущие возможности
Забегая вперед, отметим, что фермеры могут даже использовать эти приложения ИИ на платформе корпоративного программного обеспечения, что позволит им визуально отслеживать текущее состояние здоровья посевов удаленно в различных местах. Предупреждения в реальном времени, генерируемые алгоритмами ИИ, могут сигнализировать о потенциально нежелательных результатах, способствуя более эффективному личному осмотру.
Хотя корпоративное программное обеспечение пока не может напрямую управлять роботом-трактором, помимо автоматического опрыскивания, как уже говорилось выше, оно может сыграть ключевую роль, собирая данные со встроенных датчиков и передавая информацию о техническом обслуживании работникам фермы, когда это необходимо. Это не только повысит эффективность работы, но и снизит барьер для новых работников, даже если работа будет заключаться в управлении и обслуживании роботов, а не в посадке, обработке почвы или опрыскивании.
Очевидно, что ИИ играет решающую роль в решении многочисленных проблем в сельском хозяйстве — от повышения производительности до улучшения управления ресурсами и обеспечения устойчивых методов ведения сельского хозяйства. Продолжение инвестиций в ИИ поможет фермерам стать более эффективными и устойчивыми по мере того, как мы будем отказываться от традиционных методов ведения сельского хозяйства.
⚡️Следите за новостями Agroexpert в -> Telegram | Viber | Facebook | Instagram | News letter!
