Опрыскивание с лучшей идентификацией сорняков


Опрыскивание с лучшей идентификацией сорняков

Создание эффективных возможностей глубокого обучения для применения гербицидов становится проще. Все, что требуется, – это хороший алгоритм определения сорняков, но хорошие алгоритмы требуют времени.

Искусственный интеллект (ИИ) все чаще позволяет фермерам и владельцам ранчо производить продукты питания с большей точностью. Однако разработка алгоритмов, лежащих в основе эффективного программирования искусственного интеллекта, может занять значительное время, особенно если целью является развитие способности к глубокому обучению.

Эта проблема особенно очевидна, когда решаемая проблема имеет большое разнообразие. Сорняки, например, могут быть высокими, короткими, толстыми, тонкими, отличаться по цвету или быть похожими на окружающие культуры, что значительно затрудняет идентификацию сорняков.

По словам Гая Коулмана, исследователя по борьбе с сорняками из Университета Сиднея, создание эффективных возможностей глубокого обучения для применения гербицидов становится проще. Тем не менее, это все еще не быстрое занятие по сравнению с более простым и общим программированием ИИ.

Несмотря на это, обе системы имеют преимущества и недостатки и играют все большую роль в системах применения гербицидов.

Идентификация сорняков в режиме реального времени

Применение на широких площадях остается стандартной практикой для борьбы с сорняками из-за сложности определения местоположения сорняков, говорит Коулман. Однако были достигнуты успехи, особенно с датчиками окраски, работающими на коричневом фоне (голая почва).

Выявление сорняков в условиях "зеленый на зеленом" - настоящая задача. Успешные результаты были достигнуты с помощью беспилотных летательных аппаратов и спутниковой съемки, хотя этот подход не работает в режиме реального времени.

“Я думаю, в будущем вы сможете устанавливать датчики и сопла на дроны. Полезная нагрузка будет проблемой ”, - говорит Коулман. Наземные системы, которые принимают меры на основе информации с камер, собирающих подробную информацию о цвете, форме и пространстве, являются важным шагом вперед.

“Мы можем использовать эту информацию, чтобы, не обязательно сразу переходить к машинному обучению, но начать работать только с формой, цветом, текстурой, местоположением, используя довольно простые алгоритмы…Проблема в том, что сорняки меняют цвет в течение дня, в разных условиях освещения от солнца. Они также меняют цвет в течение года, сезона, в различных условиях засухи [и других]. Вот почему этот метод не всегда лучший, но в некоторых сценариях он работает ”.

Преимущества старых алгоритмов

Более старые алгоритмы искусственного интеллекта и методы генерации алгоритмов сделали идентификацию сорняков в реальном времени реальностью. Коулман говорит, что при правильном оборудовании, встроенном в оборудование для наземного применения, алгоритмы, загружаемые небольшим количеством изображений, могут помочь производителям идентифицировать и контролировать большой процент сорняков на данном акре.

Например, австралийский производитель, с которым он недавно работал, добился успеха, введя всего 120 изображений полей в алгоритм искусственного интеллекта. Однако на 120 изображениях более 1000 сорняков пришлось идентифицировать вручную. По оценкам Коулмана, процесс идентификации занял бы от половины до одного полного дня – не смешное, но все же довольно трудоемкое занятие.

Коулман повторяет, что люди могут создавать довольно эффективные программы – например, в районе 80 процентов эффективности – за пару часов работы. Проблема заключается в ограниченном количестве изображений, загружаемых в алгоритм, что означает, что он не может обобщать. Алгоритм может работать, потенциально довольно хорошо, но только в тех условиях, для которых он предназначен. Для достижения эффективности на новых полях и в новых условиях требуется дополнительное время.

Учимся узнавать

Целью являются алгоритмы глубокого обучения или те, которые могут учиться и обобщать. Но там, где 100 изображений могли бы работать в старой системе, системам глубокого обучения требуются тысячи, сотни тысяч, возможно, даже миллионы изображений для развития способности к активному обучению. Эффективность увеличивается с увеличением объема обучающих данных, но также увеличивается и время, затрачиваемое разработчиками.

“Получение этой первой части - самая сложная часть, потому что алгоритм ничего не знает, пока вы не предоставите ему информацию”, - говорит Коулман, добавляя, что отдача также уменьшается по мере увеличения объема загружаемых данных. Первые 50 000 изображений могут обеспечить 90-процентную идентификацию сорняков, в то время как для учета последних пяти или 10 процентов может потребоваться еще 100 000 изображений.

“Глубокое обучение показывает, что оно намного лучше адаптируется к этим различным условиям. Эти штуки очень, очень большие. Обычная сеть, я думаю, насчитывает около 100 миллионов параметров…Таковы масштабы этого в наши дни. Просто подумайте о масштабах этих вещей и количестве вычислений, которые происходят ”.

Как бы это ни было сложно, Коулман говорит, что количество усилий, затрачиваемых на системы идентификации сорняков с углубленным изучением, является значительным и уже приносит реальные результаты. Действительно, по его словам, многие крупные производители добились значительных успехов в борьбе с сорняками на ходу, будь то собственными силами или в партнерстве с компаниями, специализирующимися в этой области.

“Тот факт, что это работает, и мы видим примеры в полевых условиях в режиме реального времени, довольно круто…Вот почему все так взволнованы глубоким обучением, оно работает намного лучше, чем традиционное машинное обучение ”.

Наличие данных для идентификации сорняков

С точки зрения Коулмана, одной из самых захватывающих и удивительных вещей является доступность – и качество – данных идентификации сорняков. Он считает, что это большое благо для разработчиков и тех, кто заинтересован в точном контроле в целом.

“Уровень информации из открытых источников, это то, что действительно поразило меня. Я думаю, что сообщество машинного обучения процветает отчасти из-за открытости… Кто-то уже сделал кодирование для вас ”, - говорит он.

“Если сельское хозяйство сможет пойти по этому пути, я думаю, это помогло бы решить некоторые проблемы, связанные с [трудностями идентификации сорняков], и отказаться от сбора данных и скучных аннотаций…Это может открыть это для людей, которые могут изменить ситуацию, но которые не учитывают обнаружение сорняков в своей повседневной жизни ”.


Мэтт Макинтош

28.03.2023
11

Продукция

Контейнерная насосная станция

Контейнерная насосная станция – это важный элемент систем перекачки, откачки или подачи воды. Её комплектуют различными насосам...

Жир кормовой птичий

АО «АСК» — ведущий производитель высококачественного кормового сырья, предлагает оптовые поставки птичьего кормового жира КЧ до...

Ярославская порода коров

Благодаря скрещиванию ярославок с голштинскими быками появился новый тип ярославской породы — михайловский, имеющий высокую мол...

Голштинская порода коров

Коровы имеют мощный костяк, развитую мускулатуру и хорошо выраженные молочные формы. За сутки надой может составить более 60 кг...

Вся продукция

Статьи партнеров

Ящур — крайне опасное вирусное заболевание домашних и диких парнокопытных животных, которое может передаваться человеку. Вакцинация не гарантирует без...

167

Завершаем наш цикл интервью с представителями лаборатории Rock River. Сегодня мы выкладываем видео с вице-президентом лаборатории Заком Майером. Зак рассказал нам про историю ...

312

С Дастином мы поговорили про почвенный анализ, узнали что это такое, зачем он нужен, на что обращают внимание агрономы при получении этого анализа.

436

В феврале получили возможность познакомить вас ближе с Rock River Laboratory – нашими американскими партнёрами по исследованиям кормов и почвы. И сняли три интервью с разными сот...

429

Сенаж из люцерны является ценным источником питательных веществ для молочного стада. Повышение качества кормов за счет увеличения показателя TTNDFD по...

508

TMR Online – это простой и удобный калькулятор для расчёта полносмешанных рационов. Он позволяет бесплатно составить рацион кормления для крупного рог...

656

Микотоксины в кормосмеси: следим за опасным уровнем для КРС 44% образцов имели превышение хотя бы одного из пяти типов микотоксинов среди 255 кормосмесей, исследованных...

658

Анализ на антиген ВД КРС позволяет выявить персистентно-инфицированных животных, из-за которых вирус не уходит из стада, и приводит к дальнейшему заражению здоровых особей и их г...

644

Ветеринарный консультант лаборатории ЯРВЕТ поможет вам правильно выбрать животных, материал и время для исследования перед анализом, и окажет помощь в интерпретации результатов п...

687

Что такое de novo жирные кислоты, почему они важны для потребителей молочных продуктов и как они влияют на общую концентрацию молочного жира? Ниже пре...

726