Добро пожаловать в первую часть серии блогов Voxel51, посвященных индустрии компьютерного зрения. Каждый месяц мы будем освещать, как различные отрасли — от строительства до климатических технологий, от розничной торговли до робототехники и т. д. — используют компьютерное зрение, машинное обучение и искусственный интеллект для внедрения инноваций. Мы подробно рассмотрим основные задачи компьютерного зрения, текущие и будущие проблемы, а также компании, находящиеся на переднем крае.
В этом первом выпуске мы сосредоточимся на сельском хозяйстве! Читайте дальше, чтобы узнать о компьютерном зрении в сельском хозяйстве.
Обзор отрасли
Сельскохозяйственная отрасль созрела для новых приложений искусственного интеллекта на основе компьютерного зрения. Перед фермерами всего мира стоит задача накормить планету, выращивая более здоровую и продуктивную пищу, корма, волокна для кормления, а также заботясь о своих землях и ресурсах. Как и в других отраслях, сельскохозяйственные организации используют компьютерное зрение и приложения ИИ для внедрения новых инноваций и раскрытия новых возможностей эффективности, которые помогут им достичь своих целей на фоне современных вызовов. Прежде чем мы углубимся в несколько популярных приложений технологий искусственного интеллекта на основе компьютерного зрения в сельском хозяйстве, вот некоторые проблемы отрасли, в которых CV и AI могут помочь.
Ключевые отраслевые проблемы в сельском хозяйстве
- Растущее население мира: ожидается, что к 2050 году число людей достигнет 9,8 миллиарда человек, что приведет к резкому увеличению спроса на продукты питания.
- Сокращение пахотных земель: количество пахотных земель на Земле сокращается, при этом некоторые исследования показывают, что пахотные земли могут быть сокращены вдвое в следующую четверть века.
- Сокращение рабочей силы: Число людей, работающих в сельском хозяйстве, сокращается с 40% рабочих в мире в 2000 году до всего 27% в мире в 2019 году. Нехватка рабочей силы может привести к тому, что скелетные бригады будут контролировать сотни тысяч акров.
- Увеличение нарушений, связанных с климатом: ожидается, что увеличение частоты экстремальных погодных явлений приведет к снижению урожайности сельскохозяйственных культур.
- Надоедливые вредители: По данным Продовольственной и сельскохозяйственной организации (ФАО), до 40% всех урожаев в мире погибает из-за вредителей. Ущерб только от болезней растений составляет 220 миллиардов долларов в год.
Другими словами, сельскохозяйственная отрасль должна будет кормить гораздо больше людей с меньшими ресурсами в сложных и меняющихся условиях. Изобретение и внедрение новых технологий будет иметь решающее значение для преодоления этих проблем. Искусственный интеллект в сельском хозяйстве уже оценивается более чем в 1 миллиард долларов в год, а с совокупным годовым темпом роста (CAGR) 20% прогнозируется, что к 2026 году он достигнет 2,6 миллиарда долларов. На приложения компьютерного зрения приходится большая часть существующий рынок, а также большую часть его ожидаемого роста.
Продолжайте читать, чтобы узнать, как приложения компьютерного зрения помогают организациям в сельском хозяйстве.
Применение компьютерного зрения в сельском хозяйстве
Точное земледелие
С ростом цен на пестициды, гербициды и семена точное земледелие помогает фермерам сократить свои расходы и получить больше от своей земли. Как следует из названия, точное земледелие — это более детальный контроль над существующими процессами, от размещения сельскохозяйственных культур до состава почвы и применения химических реагентов. Компьютерное зрение объединяется с робототехникой и другими новыми технологиями, чтобы обеспечить такой же уровень точности в сельском хозяйстве.
Методы зрения используются в полевых условиях для принятия решений в режиме реального времени. Методы обнаружения объектов используются для идентификации и локализации отдельных насекомых и сорняков для применения пестицидов и гербицидов соответственно. Точный контроль также выходит за рамки где и касается сколько: модели нелинейной регрессии, основанные на окраске, размере и других визуальных атрибутах растений, могут точно предсказать, какое количество каждого химического вещества растение должно получить. Это означает оптимизацию доходов при сохранении ресурсов.
Обзор методов компьютерного зрения в точном земледелии см. в разделе Системы машинного зрения в точном земледелии для растениеводства.
Точное животноводство
Точное животноводство, или PLF, направлено на то, чтобы получить детальное представление и добиться точного контроля над процессами, связанными с крупным рогатым скотом, овцами и другим домашним скотом. PLF можно применять для увеличения продуктивности, мониторинга или обеспечения здоровья животных, а также для уменьшения углеродного следа при эксплуатации.
В точном животноводстве методы компьютерного зрения часто используются в сочетании с GPS-отслеживанием и звуковыми сигналами для получения информации. Вместе эти методы можно использовать не только для идентификации и отслеживания отдельных животных, но и для анализа их объема, походки и уровня активности.
Вот лишь несколько способов использования компьютерного зрения в PLF:
- Кинетические датчики глубины для классификации и выявления агрессивного поведения свиней
- Оптический поток для прогнозирования повреждения пера у кур-несушек
- Технологии дистанционного тепловидения и ночного видения для улучшения управления ресурсами дикой природы, находящимися под угрозой исчезновения
Для получения дополнительной информации о точном животноводстве см. разделы Анализ изображений и применение компьютерного зрения в зоотехнике: обзор и Изучение потенциала технологий точного животноводства для улучшения благосостояния сельскохозяйственных животных.
Автономное сельскохозяйственное оборудование
Автономное сельскохозяйственное оборудование важно для того, чтобы меньшее количество фермеров могло обрабатывать больше земли. Наряду с достижениями в области управления роботами и управления ими, компьютерное зрение помогает фермерам автоматизировать свои операции. Модели машинного обучения для обнаружения и сегментации объектов пробираются на тракторы и комбайны.
Следите за новостями в нашей предстоящей публикации в блоге о компьютерном зрении в автономных транспортных средствах!
Мониторинг урожая
Для борьбы с потерей урожая фермеры используют данные комплектов датчиков почвы, локальные прогнозы погоды и многоуровневые изображения для удаленного наблюдения за большими участками земли. Эти данные могут быть объединены в «информацию об урожае», позволяющую фермерам принимать обоснованные меры, пока не стало слишком поздно.
Что касается компьютерного зрения, изображения со спутников, дронов и камер высокого разрешения используются для раннего обнаружения и мониторинга заболеваний, мониторинга состояния почвы и оценки урожайности.
Вот некоторые примеры:
- Автоматическая диагностика болезней растений с помощью мобильных улавливающих устройств на примере пшеницы
- Обнаружение развития рассады на основе глубокого обучения
- Анализ цвета почвы на основе RGB-камеры и искусственной нейронной сети для интеллектуального орошения: пилотное исследование
- Глубокий гауссовский процесс для прогнозирования урожайности на основе данных дистанционного зондирования
Более подробное обсуждение исследований и приложений в области мониторинга сельскохозяйственных культур см. в разделе Технология компьютерного зрения в автоматизации сельского хозяйства — обзор.
Фенотипирование растений
Изменение климата подвергнет многие растения воздействию повышенных температур, более высокого уровня углекислого газа и более изменчивых осадков. Это также сделает экстремальные погодные явления гораздо более частыми. Некоторые растения будут лучше подготовлены к выживанию и процветанию, чем другие.
Фенотипирование растений — это процесс выявления и понимания того, как генетические факторы и факторы окружающей среды проявляются физически в феномене растения. Компьютерное зрение становится важным инструментом в том, что широко признано ключом к глобальной продовольственной безопасности, благодаря неинвазивным методам обнаружения, сегментации и трехмерной реконструкции, дающим исследователям подробную информацию обо всем, от площади листа до уровня питательных веществ и биомассы растения. . Например, сегментация изображений ядерного магнитного резонанса может быть использована для картирования структуры трехмерной корневой системы растения, которая играет важную роль в потоке воды и питательных веществ.
Семинары в ICCV и ECCV в последние годы, посвященные проблемам фенотипирования растений, подчеркивают приверженность сообщества компьютерного зрения этой теме.
Некоторые документы, которые помогут вам начать, включают:
- Фенотипирование растений: от взвешивания фасоли до анализа изображений
- Будущие сценарии фенотипирования растений
- Регрессия высоты салата с помощью разреженного облака точек с одной перспективой
- Изучение метрик в полевых экспериментах с сорго
Оценка и сортировка
После того, как продукты собраны с поля и до того, как они попадут в отдел свежих продуктов вашего местного продуктового магазина, они могут быть подвергнуты процессам контроля качества. Для фруктов и овощей это принимает форму классификации и сортировки по размеру, форме, цвету и другим физическим характеристикам. С другой стороны, для зерна и бобов используются аналогичные процессы сортировки для обнаружения дефектов и фильтрации посторонних примесей.
В то время как классификация и сортировка традиционно выполнялись вручную, компьютерное зрение теперь помогает людям выполнять большую часть этой работы. Оптическая сортировка использует методы обработки изображений, такие как обнаружение объектов, классификация и обнаружение аномалий, чтобы включить контроль качества в производство и приготовление пищи. Ожидается, что к 2027 году рынок оптической сортировки превысит 3,8 миллиарда долларов.
Последняя партия документов:
- Автоматизированная система сортировки фруктов на основе машинного зрения
- Система классификации фруктов на основе компьютерного зрения для оценки качества томатов в сельском хозяйстве
- Оценка качества фруктов и овощей с помощью компьютерного зрения: обзор
- Перспективы автоматизированных систем сортировки и сортировки с компьютерным зрением в сельскохозяйственной и пищевой продукции для оценки качества
Компании на переднем крае компьютерного зрения в сельском хозяйстве
Углеродная робототехника
Стартап сельскохозяйственной робототехники Carbon Robotics, основанный в 2018 году со штаб-квартирой в Сиэтле, привлек 35,9 млн долларов, чтобы помочь фермерам вести войну с сорняками с помощью лазеров, а не вибраторов. Технология компании LaserWeeder использует тепловую энергию 30 бортовых лазеров для уничтожения сорняков, не нанося вреда сельскохозяйственным культурам.
LaserWeeder использует обнаружение объектов для идентификации и точного определения местонахождения сорняков. Изображения высокого разрешения, снятые установленными камерами, передаются через встроенный графический процессор Nvidia, а прогнозы, сгенерированные за миллисекунды, передаются на лазеры для запуска. При подключении к трактору это орудие способно уничтожить 200 000 сорняков в час.
Autonomous LaserWeeder компании Carbon Robotics также использует методы компьютерного зрения в сочетании с данными о местоположении GPS для автономной навигации. В дополнение к модели обнаружения сорняков этот автономный агент также оснащен моделью обнаружения борозд, которая позволяет ему отличать след, по которому он должен следовать, от грядок растений.
Компания выступала спонсором ICCV в 2021 году.
OneSoil
Компания OneSoil, основанная в 2017 году в Цюрихе, использует методы компьютерного зрения на спутниковых снимках, чтобы помочь фермерам максимизировать урожайность и снизить затраты.
В 2018 году OneSoil выпустила OneSoil Map — полную карту сельскохозяйственных угодий в 59 странах. Для создания этой карты они использовали 250 Тб спутниковых снимков, сделанных спутником Европейского Союза Sentinel-2. Используя запатентованные модели компьютерного зрения, они обнаружили облака, тени и снег и удалили их, чтобы получить четкие изображения. Чтобы бороться с низким разрешением спутниковых снимков, они объединили снимки, сделанные за несколько лет.
Бесплатное приложение OneSoil, получившее награду Product Hunt Продукт года в области искусственного интеллекта и машинного обучения в 2018 году, позволяет фермерам увеличивать масштаб и выбирать свой участок земли без необходимости самостоятельно определять границы. Ключом к этой функции является модель обнаружения границ поля OneSoil. Чтобы обучить модель, они работали с рядом фермеров, чтобы получить небольшие выборки данных о границах полей, и использовали операции увеличения данных, чтобы увеличить размер своего набора обучающих данных на несколько порядков. Учитывая простоту использования, неудивительно, что приложение используют более 300 000 фермеров, что составляет около 5% пахотных земель мира.
По состоянию на 2023 год модели компьютерного зрения OneSoil могут идентифицировать 12 основных типов сельскохозяйственных культур, и компания использует эту информацию для создания зон продуктивности и карт яркости почвы, которые помогают фермерам лучше использовать свои земли.
Таранис
Компания Taranis, расположенная в Вестфилде, штат Индиана, существует уже почти десять лет и привлекла более 100 миллионов долларов, чтобы предоставить фермерам информацию на уровне листа. Команда Taranis собрала и оцифровала набор данных, состоящий из более чем 50 миллионов субмиллиметровых изображений с высоким разрешением и более 200 миллионов точек данных. Эти изображения используются для обучения специальных алгоритмов компьютерного зрения для обнаружения сорняков, больных растений, насекомых и дефицита питательных веществ.
AcreForward Intelligence от Taranis использует изображения в режиме реального времени из нескольких источников, таких как беспилотники, самолеты и спутники, для выявления повреждений насекомыми на каждом листе, обнаружения сорняков до того, как они станут проблемой, выявления дефицита питательных веществ и подсчета количества растений в поле, чтобы фермеры могли принимать обоснованные решения о посадке и использовании ресурсов.
В 2022 году одна из крупнейших в мире венчурных компаний Andreessen Horowitz назвала Taranis одной из 50 лучших компаний, положивших начало обновлению в Америке.
Технология Голубой реки
Дочерняя компания John Deere, Blue River Tech, была приобретена сельскохозяйственной электростанцией в 2017 году за крутые 305 миллионов долларов. Когда компания начинала свою деятельность, они сосредоточились на выращивании салата, используя компьютерное зрение и модели машинного обучения, чтобы помочь растениям получить максимальный урожай. С тех пор, как это относительно скромное начало, возможности компьютерного зрения Blue River Tech расширились и теперь включают слияние датчиков, обнаружение объектов и сегментацию.
Все эти техники объединены в Технологии See & Spray. При традиционном разбрызгивании химикаты распыляются равномерно по всему полю. Эта практика приводит к расточительному расходу гербицидов, которые обходятся фермеру дорого, могут загрязнять окружающую среду и способствовать устойчивости к применяемым химикатам. See & Spray использует обнаружение объектов для выявления сорняков в режиме реального времени, поэтому гербицид можно применять только там, где это необходимо, что приводит к сокращению гербицида на 77%.
Blue River Tech совершенствует обнаружение сорняков, разместив свою технологию See & Spray в автономном тракторе, оснащенном 6 стереокамерами. Вместе эти камеры позволяют бортовому компьютеру оценивать информацию о глубине объектов, окружающих трактор, с помощью слияния датчиков. Цветовые (RGB) данные и информация о глубине передаются в модель семантической сегментации, которая делит мир на пять категорий: проходимая местность, небо, деревья, крупные объекты, такие как люди, животные и здания, а также навесное оборудование, используемое трактором.
Автономный трактор останавливается всякий раз, когда на его пути обнаруживается большой объект, и обучен ошибаться из соображений осторожности, взвешивая ложноотрицательные обнаружения крупных объектов более сильно, чем ложноположительные. Когда трактор останавливается, изображения отправляются в облако для просмотра людьми.
Модели компьютерного зрения Blue River Tech обучались на растущем наборе данных, который уже содержит более миллиона изображений.
Наборы сельскохозяйственных данных и конкурсы
Если вы заинтересованы в изучении применения компьютерного зрения в сельском хозяйстве, ознакомьтесь с этими наборами данных и конкурсами:
- Прогноз биомассы сорго
- Вызов сегментации корня
- Сегментация листьев и задачи подсчета
- Глобальный набор данных по пшенице и Вызов
- Набор данных о воздушных овцах
- DeepWeeds: набор данных изображений мультиклассовых видов сорняков для глубокого обучения
- PlantDoc: набор данных для визуального обнаружения болезней растений
Подробное обсуждение открытых наборов данных для борьбы с сорняками и выявления плодов см. в статье Обзор общедоступных наборов данных для задач компьютерного зрения в точном земледелии.
Если вы хотите, чтобы любой из этих или других наборов сельскохозяйственных данных компьютерного зрения был добавлен в Зоопарк наборов данных FiftyOne, свяжитесь с нами, и мы сможем работать вместе, чтобы это произошло!
Присоединяйтесь к сообществу FiftyOne!
Разработчики сельскохозяйственных приложений могут извлечь выгоду из способности FiftyOne легко фильтровать огромные объемы визуальных данных, ежедневно собираемых с ферм и других источников. Используя открытый исходный код FiftyOne, эти данные можно собирать в наборы данных для обучения модели или делиться с экспертами для аннотирования или анализа моделей CV. Присоединяйтесь к тысячам инженеров и специалистов по данным, уже использующих FiftyOne для решения некоторых из самых сложных задач в области компьютерного зрения уже сегодня!
- 1300+ участников FiftyOne Slack
- 2450+ звезд на GitHub
- 2800+ участников встречи
- Используется 234+ репозитория
- 55+ авторов
Что дальше?
- Если вам нравится то, что вы видите на GitHub, поставьте звезду проекту FiftyOne с открытым исходным кодом.
- Начните с FiftyOne! Мы упростили запуск и запуск за несколько минут.
- Присоединяйтесь к сообществу Slack FiftyOne, мы всегда рады помочь.
Первоначально опубликовано на https://voxel51.com 30 января 2023 г.