В точные сроки

По соображениям продовольственной безопасности и экономической заинтересованности фермеры постоянно стремятся к максимизации урожая товарных культур. Поскольку растения растут непоследовательно, в момент сбора урожая неизбежно возникают различия в качестве и размерах отдельных культур. Поэтому поиск оптимального времени сбора урожая является приоритетной задачей для фермеров.

Новый подход, в котором активно используются БПЛА и искусственный интеллект, заметно улучшает эту оценку за счет тщательного и точного анализа отдельных культур для оценки их вероятных характеристик роста.

В некоторых оптимистичных научно-фантастических рассказах говорится о будущем, когда потребности человека будут удовлетворены, а тяжелый труд будет выполняться машинами. Такое видение позволяет предсказать некоторые элементы современного технологического прогресса. Одним из таких направлений являются сельскохозяйственные исследования, где автоматизация оказывает существенное влияние. Впервые исследователи, в том числе из Токийского университета, продемонстрировали в значительной степени автоматизированную систему повышения урожайности, которая может принести пользу многим и проложить путь к созданию будущих систем, способных в будущем собирать урожай напрямую.

«Идея относительно проста, но разработка, реализация и исполнение необычайно сложны, — говорит доцент Вэй Гуо из Лаборатории полевой феномики. — Если фермеры будут знать идеальное время для уборки урожая, они смогут сократить количество отходов, что будет полезно и для них, и для потребителей, и для окружающей среды. Однако оптимальное время сбора урожая предсказать нелегко, и в идеале для этого требуется детальное знание каждого растения; если бы для сбора таких данных привлекались люди, это было бы дорого и долго. Вот тут-то и приходят на помощь беспилотники».

Команда исследователей продемонстрировала, что некоторые недорогие беспилотники со специализированным программным обеспечением могут получать изображения и анализировать молодые растения — в данном случае брокколи — и точно предсказывать их ожидаемые характеристики роста. Беспилотники выполняют процесс получения изображений многократно и без участия человека, то есть система не требует больших трудозатрат.

«Возможно, кого-то удивит тот факт, что уборка урожая на поле всего лишь на день раньше или позже оптимального срока может снизить потенциальный доход фермера от 3,7% до 20,4%, — говорит Гуо. — Но в нашей системе беспилотники идентифицируют и каталогизируют каждое растение на поле, а данные их изображений поступают в модель, использующую глубокое обучение для получения удобных для понимания фермерами визуальных данных. Учитывая нынешнюю относительную дешевизну беспилотников и компьютеров, коммерческая версия этой системы должна быть доступна многим фермерам».

Основная сложность, с которой столкнулась команда, заключалась в анализе изображений и глубоком обучении. Сам сбор изображений относительно прост, но с учетом того, как растения двигаются под действием ветра и как меняется освещенность в зависимости от времени года, данные изображения содержат множество вариаций, которые машинам зачастую сложно компенсировать. Поэтому при обучении своей системы команде пришлось потратить огромное количество времени на изучение различных аспектов изображений, которые могут увидеть дроны, чтобы помочь системе научиться правильно идентифицировать то, что она видит. Не менее сложной задачей была и огромная пропускная способность данных. Размер изображений часто составлял порядка триллионов пикселей, что в десятки тысяч раз больше, чем даже у камеры высококлассного смартфона.

«Меня вдохновляет поиск новых путей, по которым фенотипирование растений (измерение признаков роста растений) может перейти из лаборатории в поле, чтобы помочь решить основные проблемы, с которыми мы сталкиваемся», — сказал Гуо.

На фото вверху: Визуализация данных на аэрофотоснимках. Стоимость человеческого труда и затраты времени не позволяют вручную каталогизировать отдельные растения на поле. Здесь данные каталога, собранные беспилотниками и полученные системой глубокого обучения, накладываются на фотографии полей.