АНАЛИЗ РЫНКА ГОТОВЫХ РЕШЕНИЙ ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ СЕЛЬСКОГО ХОЗЯЙСТВА

MARKET ANALYSIS OF READY-MADE SOLUTIONS OF ARTIFICIAL INTELLIGENCE TECHNOLOGY FOR AGRICULTURE

Yuliya Zorina

student, Department of electrical and electronics engineering, Don State Technical University,

Russia, Rostov-on-Don

АННОТАЦИЯ

Увеличение урожайности, картографирование полей, роботизация сельхозтехники, интеллектуальный мониторинг посевов и культур, а также прогнозирование — машинное обучение даёт возможность сельскому хозяйству перейти от интуитивной практики к системе точного рационального управления ресурсами. Agtech-проекты (проекты с применением технологий, а именно программах и аппаратных комплексов в сельскохозяйственной области).

ABSTRACT

Increasing yields, mapping fields, robotization of agricultural machinery, intelligent monitoring of crops and crops, as well as forecasting — machine learning makes it possible for agriculture to move from intuitive practice to a system of precise rational resource management. Agtech projects (projects using technologies, namely software and hardware complexes in the agricultural field).

Ключевые слова: машинное обучение; технология машинного обучения; «точное» земледелие.

Keywords: machine learning; machine learning technology; "precision" farming.

На сегодняшний день над построениями алгоритмов машинного обучения в данной области работает достаточное количество компаний.

Китайская частная компания «DJI» производит запуск на массовый рынок дронов для «точного земледелия», которые будут контролировать домашний скот и сельскохозяйственные поля. Отдельные модели беспилотников имеют грузоподъемность до 20 кг, что, в частности, применяется для точечного опрыскивания сельскохозяйственных культур от вредителей.

В Минске разработчики при помощи машинного обучения и использования информации со спутников составили карту, которой можно воспользоваться в открытом доступе для «точного земледелия» под названием «OneSoil», эта карта включает в себя данные за три года (с 2016 по 2018) о 60 миллионах сельскохозяйственных полей и 27 культурах в 44 странах Европы. Карта дает возможность осуществлять мониторинг развития посевов как на региональном уровне, так и на уровне стран, подробно обозревать поля и наблюдать какая культура на конкретном поле произрастает, а также измерять NDWI (нормализованный разностный индекс воды) до сбора урожая.

Для создания данного информационного ресурса были использованы снимки со спутника «Sentinel-2» программы Европейского космического агентства «Copernicus». Работа с данными и статистикой осуществляется при помощи – базы данных «PostgreSOL» с расширением «PostGIS». Визуализация реализована при помощи сервиса «Mapbox». Для создания «OneSoil» было обработано 250 ПБ информации [1].

Принцип работы, для начала изображения обработали от облаков, снега, теней, а после определили границы сельскохозяйственных полей и классификации культур на моделях машинного обучения. Далее с полученными векторными картами производил работу девелопер.

Дополнительно цифровые инструменты для «точного земледелия». На данный момент аналитики полей возможно прогнозировать и увеличить производительность вплоть до каждого сантиметра сельскохозяйственного поля.

Еще один пример, израильская компания «Prospera» применяет computer vision (машинное зрение) и deep learning (глубокое обучение), для того чтобы определить какое количество жидкости необходимо сельскохозяйственным культурам для обеспечения жизнеспособности. Системы «Prospera», установленные в тепличных помещениях или на сельскохозяйственных полях, используют проксимальную камеру RGB, солнечную панель, а также датчики влажности, температуры и света (излучения).

Сельскохозяйственными культурами наблюдают камеры 24 часа в сутки и 7 дней в неделю. Как только будет обнаружена проблема, то сразу загружают фотоотчет и показатели с датчиков в облачное хранилище. Следующий шаг, система проводит анализ данных и формирует отчет в мобильном приложении, информируя работника хозяйства. Соответственно у фермера появляется возможность оперативно решать проблемы полива, вредителей, болезней и недостатка питательных веществ.

Также преимущество применения данной технологии то, что она работает и для закрытых (вертикальных) ферм, для которых не эффективно применение изображений, передаваемых со спутника или фотографии с дронов [2, с. 384].

Мобильное приложение «Plantix», разработанное в рамках берлинского стартапа «AI PEAT» идея заключатся в том, что в приложении с применением машинного обучения обрабатываются и распознаются изображения для дальнейшего анализа болезней и дефицита питательных веществ.

Нейросеть с поддержкой «PyTorch» анализирует каждый кадр в режиме реального времени, для определения вредоносных растений и посевов, сопоставив их местонахождение. «See & Spray» производит оценку весеннего гербицида, вносит коррективы и обучается в ходе выполнения задач.

Для непосредственно обучения, алгоритмов машинного обучения инженеры и программисты разработали пакет внутренних библиотек для «PyTorch» [3].

Роботизация агротехники связана с GPS-навигацией: для работы системам необходима высокая точность геопозиции (до сантиметра).

Также у компании «Blue River Technology» в наличии есть продукт – прицепное устройство «Lettuce Bot» для уборочной машины, сканирующее ряды салата, данное устройство сравнивает то, что попадает в обзор камеры с огромным количеством загруженных в базу компьютера изображений. Следующим этапом устройство выборочно уничтожает растения, которые препятствуют другим развиваться, а также устраняет сорняки. Благодаря «Lettuce Bot» качество урожая на выходе повышается [4].

Список литературы:

1. Machine Learning in Agriculture: What It Can Do Now and in the Future. – Режим доступа: https://www.iflexion.com/blog/machine-learning-agriculture/ (дата обращения 19.04.2022).
2. Pantazi X.E. Detection of biotic and abiotic stresses in crops by using hierarchical self organizing classifiers / D. Moshou, R. Oberti, J. West, A.M. Mouazen, D. Bochtis // Precision Agric – 2017. – Volume 18. – Pages 383-393.
3. Machine Learning in Agriculture: Applications and Techniques. – Режим доступа: https://www.kdnuggets.com/2019/05/machine-learning-agriculture-applications-techniques.html (дата обращения: 19.04.2022).
4. «APRO software» компания по разработке пользовательского программного обеспечения / Why Machine Learning Is Agriculture’s New Best Friend. – Режим доступа: https://apro-software.com/machine-learning-agriculture/ (дата обращения: 19.04.2022).