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

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:

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:

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:

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:

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:

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!

Что дальше?

Первоначально опубликовано на https://voxel51.com 30 января 2023 г.