Компьютерное зрение в сельском хозяйстве: кейсы, рекомендации

В последние годы современные технологии позволили обрабатывать огромные объёмы визуальных данных и алгоритмы Компьютерного зрения (Computer vision, CV). В результате технологию всё чаще используют во многих областях, таких как медицина, розничная торговля, производство.

Как использовать нейросеть для контроля допуска на территорию

Читать подробнее

Сельское хозяйство, животноводство и агрономия не являются исключениями из сфер применения технологий компьютерного зрения. Отмечается, что использование компьютерного зрения и других технологий поможет достичь экономии в обработке сельскохозяйственных культур до 50%.  

Системы CV позволяют фермерам и другим сельскохозяйственным работникам автоматизировать рабочие процессы, используя алгоритмы искусственного интеллекта (далее — ИИ) в реальном времени.  Помимо этого, методы компьютерного зрения вместе с удалёнными камерами позволяют использовать датчики, разработанные специально для сельскохозяйственного сектора (например, датчик оповещения человека при нестандартном поведении животного, датчик сорняка и другие).

Коротко от Computer vision (CV)

Computer vision (CV) или компьютерное зрение — это современная технология и раздел искусственного интеллекта, который позволяет машинам интерпретировать визуальные данные (изображения или видео) так же, как это делает человек.  

CV включает в себя алгоритмы глубокого обучения для анализа визуальных данных и извлечения из них соответствующих шаблонов для понимания содержимого. Системы компьютерного зрения используют массив визуальных данных для обучения в реальном времени и могут помочь отслеживать, маркировать, описывать, предсказывать и оценивать конкретные объекты в этих визуальных данных.

Например, согласно исследованию, некоторые данные (активность, температура, кашель и другие) собирают с помощью датчиков и камер, и анализируют методами компьютерного зрения. По результатам система начинает роботизированный надой. Технологии компьютерного зрения позволяют применять индивидуальный подход в сельском хозяйстве и фермерстве. Например, в данном примере качество и объем удоя увеличивается, чем при стандартном подходе, когда процесс происходит «по часам».

Для чего нужно CV в сельском хозяйстве

Сельское хозяйство играет жизненно важную роль в обеспечении глобальной продовольственной безопасности, поскольку является основным источником производства продовольствия для населения. Скот и птица, например, обеспечивают большую долю (30%) ежедневного потребления белка за счет таких продуктов, как мясо, молоко, яйца и субпродукты. С постоянно растущим населением мира, которое, по оценкам, достигнет почти 10 млрд к 2050 году, ожидается, что спрос на продовольствие значительно возрастет. 

Производители сталкиваются с растущим давлением, связанным с предоставлением качественного ухода за всё большим количеством животных или площадью посева на единицу управления. Это становится еще более сложным, учитывая ожидаемый дефицит рабочей силы для сельскохозяйственных работ в будущем. Поэтому использование систем компьютерного зрения дает конкурентное преимущество:

• Позволит снизить интенсивность труда: автоматизированные системы, управляемые компьютерным зрением, сокращают потребность в ручном труде при мониторинге и управлении фермами. 
• Поможет анализировать данные для принятия решений: компьютерное зрение генерирует большие объемы данных, намного превышающие объем, собранный вручную, которые можно анализировать для получения необходимой информации. 

Например, круглосуточное наблюдение за скотом с помощью CV позволяет одновременно делать оценку веса, поведения, температуры животных за любой заданный промежуток времени (день/ час / минута) для последующего анализа состояния скота, что превышает возможности ручного труда. 

С помощью новых технологий можно улучшить управление сельским хозяйством, повысить урожайность, снизить издержки из-за болезней почвы и растений.

В целом системы машинного зрения на базе ИИ позволяют извлекать информацию с минимальным участием человека, оставляя людям лишь настройку датчиков и техническое обслуживание оборудования. Это позволяет фермерам сосредоточиться на более стратегических и сложных аспектах управления сельскохозяйственными угодьями.  

Примеры применения компьютерного зрения в сельском хозяйстве

Когда говорят о применении CV в области сельского хозяйства, то в большинстве случаев подразумевают дроны. За последние несколько лет технология дронов приобрела огромную популярность благодаря своим возможностям автономного полета. Благодаря маневренности они легко добираются до нужной территории и обследуют ее с помощью встроенной камеры, делая высококачественные снимки. Поэтому они стали важным элементом в точном земледелии и фермерстве.

Состояние растений и спелость с/х культур

С помощью дронов можно осуществлять мониторинг урожая в режиме реального времени, обнаруживая едва заметные изменения, которые могут быть невидимы невооруженным глазом. Высококачественные камеры делают подробные снимки, которые при обработке с помощью технологии компьютерного зрения дают представление о состоянии растений, дефиците питательных веществ и уровнях гидратации. Эти сведения позволят принимать решения, которые оптимизируют урожайность и использование ресурсов. Таким образом, алгоритм определения спелости продукта, например, помидора, может выглядеть следующим образом: 

1. снимки, полученные дроном, предварительно обрабатываются для улучшения качества, удаляются шумы;

2. затем обработанные снимки подвергаются сегментации, в процессе чего изображение делится на две области: фон и помидор;

3. ввиду того, что спелость томата в основном характеризуется его цветом, из сегментированного изображения извлекаются цветовые признаки, такие как среднее значение цвета (для каждого из 3 цветов Red Green Blue), однородность цвета, контраст, интенсивность и т.д. 

4. затем набор полученных признаков передается в нейронную сеть для классификации спелости томатов 

Но, конечно,чтобы этот алгоритм работал корректно, необходимо правильно подобрать методы предобработки, найти наиболее подходящую модель сегментации, подобрать наиболее информативную комбинацию признаков, и самое главное — обучить модель классификации на размеченных тренировочных данных.

Состояние почвы

Качество почвы оказывает на урожайность наибольшее влияние среди всех факторов. Именно свойства почвы определяют, какие культуры подойдут для посадки и насколько хороший урожай будет. Поэтому на этапе планирования посевов важно знать её свойства. Обычно это длительный и трудоемкий процесс, включающий в себя: 

• определение мест для взятия пробы: чем неоднороднее почва, тем большее количество проб необходимо взять (до 20 штук на каждые 3 га);
• измельчение почвы, ее сушка, удаление корней, камней и других посторонних объектов
• сокращение размера пробы путем нескольких повторений цикла: разровнять → отобрать половину → перемешать
• передачу полученной пробы химической лаборатории.

CV значительно ускоряет его с минимальными затратами человеческого труда. Для получения данных о свойствах почвы понадобятся только дрон с необходимым оборудованием (мультиспектральная камера) и модель для обработки полученных данных с камеры. 

На дроны, траектории полета которых автоматизированы, устанавливаются мультиспектральные камеры для составления карт почвы. Во время полета они собирают изображения в оптическом, ближнем и инфракрасном диапазонах. Интенсивность излучения, которое отражает или испускает почва, содержит ценную информацию о текстуре, влажности, кислотности, содержании минералов и т.д. После того, как автоматизированный сбор данных заканчивается, они передаются на стационарное устройство, где производится предобработка данных и генерирование карты с сегментированными участками почвы в зависимости от ее свойств.

Предварительная оценка урожая

Сбор урожая предполагает подготовку, а значит надо правильно оценить объем работ. Такая оценка требует высокой точности для избежания дополнительных расходов: она необходима для принятия решения по распределению ресурсов (таких как транспортные средства или рабочая сила).  

Так недооценка приведет к потере части урожая, которую не успеют собрать из-за недостатка ресурсов. Переоценка, в свою очередь, приведет к лишним тратам на ресурсы, что в итоге снизит прибыльность. 

Подсчитывать фрукты и овощи вручную — трудозатратно и долго. Для решения этой задачи отлично подходит компьютерное зрение, которое используют для автоматизации подсчета урожая. Кроме того, периодические оценки урожая и его спелости помогут эффективнее планировать графики сбора, позволяя собрать урожай в пиковый период.

Примером может служить автоматический подсчет яблок на дереве. Это технически сложная задача, которая включает в себя ряд подзадач: обнаружение фруктов моделью; сегментация фруктов и восстановление их формы; подсчет фруктов; отслеживание моделью уже подсчитанных фруктов для избежания двойного учета

Оценка качества урожая

Одно из важнейших применений компьютерного зрения — контроль качества собранной продукции. Проверки качества обычно проводятся уже на предприятиях по переработке пищевых продуктов с помощью специально разработанных систем машинного зрения со сложными возможностями обнаружения, неинвазивного тестирования и измерения.  

Благодаря тому, что на предприятии есть возможность легко создать необходимые условия окружающей среды, для оценки качества часто используют классические методы обработки изображений (такие как обнаружение границ объекта, сегментация и т.д.). 

Для более сложных продуктов (например, для зелени или винограда), чья форма более сложная и обнаружить дефекты сложнее, предпочтительнее использовать глубокие нейронные сети, которые лучше подходят для сложных объектов.

Определение заболеваний растений

Мониторинг в реальном времени имеет решающее значение для обнаружения вредителей или заболеваний растений. Опираясь на возможности дронов в мониторинге урожая, технология компьютерного зрения помогает обнаружить заболевания растений на ранней стадии. Снимая изображения с высоким разрешением и используя сложные алгоритмы, можно понять, что идёт не так.  

Например, определять едва заметные изменения в окраске, текстуре и морфологии листьев, которые указывают на наличие заболевания растений задолго до того, как оно станет заметно невооруженному глазу. Такое непрерывное наблюдение за культурами позволяет не только отказаться от ручных проверок, но и оперативно предотвращать распространение болезней на другие близлежащие растения. Так, компьютерное зрение потенциально спасает целые поля от эпидемий.

Обработка почвы от сорняков

Ручное опыление сорняков гербицидами слишком трудозатратно, поэтому для обработки сорняков используются тракторы. Но человеческому глазу сложно отличить сорняк от культуры во время движения машины, зато опрыскиватель, оснащенный компьютерным зрением, может.  

Системы на базе искусственного интеллекта позволяют идентифицировать и классифицировать различные виды растений в режиме реального времени. Благодаря этому способны различать обычные культуры и нежелательные сорняки с точностью >90%.  

Модернизированный опрыскиватель с помощью камеры, бортовых процессоров и необходимого количества обучающих изображений (не менее 500 штук на каждый вид сорняка), может определить в режиме реального времени, является ли растение, которое он видит на поле, сорняком и распылить соответствующий гербицид только на сорняк.

Таким образом, внедрение технологии компьютерного зрения позволяет:

1) проводить обработку гербицидами только сорняков. Это обеспечивает экономию средств, сводя к минимуму использование гербицидов;
2) подбирать наиболее подходящий гербицид благодаря определению вида сорняка; 
3) снижать риск возникновения устойчивости к гербицидам среди популяций сорняков благодаря тщательному подбору. 
Такие системы компьютерного зрения могут быть установлены на тракторах или беспилотниках, обеспечивая обширный охват поля и постоянный мониторинг.

Контроль за животными

Возможности моделей CV, кроме управления растениеводством, охватывают и животноводство, где передовые системы компьютерного зрения помогают контролировать животных. Модели Computer vision позволяют:

• Собирать и обрабатывать данные о видах животных, их численности, перемещениях и состоянии здоровья. Например, определение индекса температуры и влажности вместе с активностью птиц путем покадрового отслеживания их перемещения позволяет отслеживать тепловой стресс у птиц без участия человека
• Оптимизировать ресурсы. Фермеры могут точно оценить количество корма и площадь, необходимые для выращивания скота. А при мониторинге птиц CV позволяет отслеживать вес птицы благодаря корреляции размера с весом и, исходя из графиков роста, оценивать корректировку количества корма

Постоянный мониторинг и контроль поведения скота позволяет немедленно выявлять и изолировать больных животных, предотвратить вспышки заболеваний. Кроме того, эта технология может помочь в управлении репродукцией, отслеживая поведение животного. Искусственный интеллект может предсказывать лучшее время для размножения, тем самым увеличивая показатели репродуктивного успеха.

Как подготовиться к внедрению CV в бизнес-процессы

ML-разработчики помогают решить задачи бизнеса с помощью алгоритмов машинного обучения и компьютерного зрения. Для лучшего результата перед началом совместной работы необходимо определиться с ответами на следующие вопросы: 

• Есть ли уже сформулированная задача, которую можно решить с помощью искусственного интеллекта?
• Подходят ли имеющиеся данные для проекта (формат, объем, размечены ли они и т.д.)?
• Как на данный момент выглядит процесс, который необходимо оптимизировать и что именно не устраивает в текущем решении?
• Какие показатели должно улучшить ИИ-решение и как будет измеряться эффективность внедрения?

Ответы на эти вопросы позволят разработчикам точнее понять запрос, а значит, подобрать решение, которое будет максимально удовлетворять требованиям заказчика.

Зачем внедрять компьютерное зрение в сельское хозяйство?

Модели машинного обучения и CV предоставляют фермерам точную и своевременную информацию о росте и здоровье сельскохозяйственных культур, условиях окружающей среды, заражении вредителями, потенциальных заболеваниях, делают анализ почвы и прогнозы урожайности.

Технологии искусственного интеллекта, которые задействованы в сельском хозяйстве, основаны на алгоритмах машинного обучения и компьютерного зрения. Здесь важна выборка данных и их анализ квалифицированными специалистами.  Эти данные помогают фермерам:

• эффективно распределять ресурсы;
• определять необходимое количество и тип удобрений или корма, систем орошения и пестицидов;
• планировать периоды сбора урожая;
• своевременно обнаруживать заболевания животных или сельскохозяйственных культур.

Чтобы технологии компьютерного зрения смогли принести выгоду фермерам, необходимо правильно подобрать метод CV, который будет наилучшим образом решать обозначенную проблему. Именно поэтому так важно подобрать подрядчика/исполнителя, который благодаря своему опыту и экспертизе сможет реализовать такой проект. 

Хотите узнать больше о применении CV для решения бизнес-задач? Оставьте свою заявку по телефону 8-800-200-99-24, на [email protected] или в telegram.