Maskinlæring i landbruget: 100% besparelser på pesticider og menneskelige ressourcer

Innowise indbyggede computervisionsteknologi i selvkørende landbrugsrobotter, så de automatisk kunne fodre planter og fjerne ukrudt med laser.

Kunde

Industri

Landbrug, IoT

Region

Kunde siden

2021

Vores kunde er en virksomhed, der producerer autonome landbrugsrobotter til at automatisere og fremskynde landbrugsarbejde i den europæiske region.

Detaljerede oplysninger om klienten kan ikke videregives i henhold til bestemmelserne i NDA.

Udfordring: At overvinde begrænsningerne ved manuel plantepleje med AI-teknologi i landbruget

Brugen af ML-landbrugssystemer og robotter i landbrugssektoren bliver stadig mere afgørende på grund af de betydelige forhindringer, der er forbundet med manuel plantepleje, som kræver omfattende menneskelig indsats, tid og udgifter. Disse avancerede teknologier kan løse forskellige udfordringer, herunder mangel på arbejdskraft og ressourceeffektivitet. Det resulterer i en mere omfattende og effektiv løsning på det moderne landbrugs problemer.

Vores kunde producerer autonome robotter og enheder, der skal automatisere processen med at dyrke og pleje planter. Selvom robotterne kunne bevæge sig rundt i bedene og på markerne, manglede de evnen til at skelne mellem planter og ukrudt med henblik på selektiv gødskning og vanding.

Vores eksperter stod over for en betydelig udfordring med at integrere specialiseret software i robotterne, der præcist kunne skelne og adskille udtyndede planter. Det efterfølgende mål for programmet var at fjerne specifikt ukrudt ved hjælp af lasere med optimal nøjagtighed. Desuden skulle ML-landbrugssystemer bestemme plantetypen og forsyne dem med en tilstrækkelig mængde egnet gødning, afhængigt af deres klasse og tilstandsmålinger.

Sammenfattende omfattede arbejdets omfang:

dataindsamling;
manuel dataopmærkning;
dataforøgelse;
modeltræning;
modelintegration;
Behandling i realtid.

Løsning: Implementering af maskinlæring i landbrugssektoren til ukrudtsbekæmpelse og selektiv plantefodring

Vores udviklere afsluttede projektet med succes og implementerede en AI-løsning i de autonome robotter til realtidsbehandling af scannede markbilleder og identifikation af ukrudt på millisekunder. Udstyret med præcist kalibrerede lasere kan robotterne fjerne op til 100.000 ukrudtsplanter i timen. Derudover er robotterne nu i stand til at klassificere planter og tildele gødning baseret på deres individuelle behov. Desuden kan de bestemme markforhold og måleparametre for at optimere landbrugspraksis og forbedre effektiviteten.

Ved hjælp af et integreret videokamera indsamlede og mærkede vi et datasæt bestående af mere end 10.000 plantebilleder. Vores team fortsatte derefter med at udføre opgaver som mærkning, forstærkning og modeltræning på et udvidet datasæt. Innowise har med succes implementeret en overvåget maskinlæringsmodel, der automatisk kan etablere forbindelsen mellem inputvariabler og måloutput, hvilket muliggør præcise forudsigelser på nye, usete stængel- og markbilleder. Dette letter yderligere planteklassificering og stængeldetektion, ukrudtsudryddelse og selektiv gødskning. Denne løsning er et fremragende eksempel på anvendelse af maskinlæring i landbrugssektoren og giver bemærkelsesværdige resultater med hensyn til automatisering af opgaver, bevarelse af ressourcer, forbedring af frugtbarheden og afbødning af den negative miljøpåvirkning, som pesticider forårsager.

End-to-end-segmentering af planter og neuralt netværk til registrering af stængler

I dataindsamlingsfasen indsamlede vi billeder af planter og ukrudt via et videokamera, der var fastgjort til en landbrugsrobot, der navigerede i en mark. Når de var indsamlet, markerede landbrugsspecialisterne dataene til objektdetektering og segmentering i de efterfølgende faser af dataforøgelse og -forbedring.

Derefter udviklede vores team et brugerdefineret neuralt netværk, der kan identificere en plantes type og klasse ud fra et billede og træffe informerede beslutninger om plantebehandling baseret på tidligere erfaringer. Vi integrerede denne løsning i en slutenhed udstyret med GPU, så den kunne behandle data i realtid og skelne planter fra tidligere lærte datasæt. Stængeldetektoren identificerer plantestænglernes placering for at lette laserstyringen.

Softwaren gør det muligt for robotten at træffe beslutninger uden internetadgang, mens den arbejder på markerne. Når man vender tilbage til stationen og får adgang til netværket, kan datasættet opdateres med yderligere oplysninger og indstillinger. Det neurale netværks evner er ikke begrænset til én database: Maskinlæringssystemet understøtter omskoling af neurale netværk ved hjælp af opdaterede datasæt til at dyrke nye plantetyper og udrydde forskellige typer ukrudt.

Ud over at identificere plante- og ukrudtsklasser kan det neurale netværk også fastslå markens tilstand og nøgletal, som efterfølgende bruges til at regulere vandingsintensiteten.

Laserbekæmpelse af ukrudt med høj præcision og selektiv plantefodring

ML-landbrugssystemerne bruger avanceret teknologi til at revolutionere landbrugsindustrien. I dataindsamlingsfasen indsamler det integrerede videokamera billeder af planter og ukrudt, mens landbrugsrobotten bevæger sig gennem marken. De indsamlede data markeres derefter af landbrugsspecialister til efterfølgende objektdetektering og -segmentering.

Det neurale netværk til segmentering af afgrøder og ukrudt fra ende til anden giver en præcis semantisk segmentering af scenen og skelner mellem afgrøder, ukrudt og græs. Systemet sender signaler til flere lasermoduler, der arbejder samtidigt, så de autonome ukrudtsryddere kan dræbe over 100.000 ukrudtsplanter i timen, automatisk og uden brug af kemikalier. Lasersystemets høje nøjagtighed skyldes ultrapræcise detektorer med finjusterede laserparametre, der gør det muligt at bestemme rækkevidden op til 2 mm.

Systemet anvender også selektiv fodring, som behandler hver plante på marken individuelt. Computervisionen analyserer hver enkelt plantes aktuelle tilstand og tager højde for faktorer som vækststadie, sundhedstilstand og næringsbehov. På baggrund af disse oplysninger bestemmer systemet den mest hensigtsmæssige behandling for hver plante og vælger de rigtige foderportioner, der skal anvendes. Dette fører til en reduktion af ressourcer og en mere omkostningseffektiv tilgang til plantefodring.

ML-gårdssystemerne er designet til at være fleksible og kunne tilpasses forskellige plantetyper. Det neurale netværk kan lære og genlære fra nye datasæt, som kan bruges til at træne AI-motoren til at identificere og behandle forskellige plantearter. Dette indebærer indsamling og mærkning af billeder af de nye planter, udførelse af dataforøgelse og forbedring af de nye data, så systemet løbende kan udvide sin vidensbase og sine evner.

Alt i alt er det ML-gårdssystem, som Innowise har udviklet, et fremragende eksempel på fordelene ved maskinlæring i landbrugssektoren, som muliggør omkostningseffektive og effektive løsninger til styring og behandling af afgrøder.

Teknologier

ML & MLOps

Python, PyTorch, OpenCV, MMSegmentation, TensorFlow, AWS (S3, Lambda, EC2, CloudWatch)

Proces

Vores team holdt et indledende møde med kunden for at indsamle krav og forstå deres specifikke behov for de autonome robotter. På baggrund af disse krav udarbejdede vi en omfattende designplan for udvikling af softwaresystemet, som bestod af to hovedfaser: dataindsamling og mærkning ved hjælp af et integreret videokamera og implementering af en overvåget maskinlæringsmodel.

For at styre projektet effektivt fulgte vi den agile metode og holdt daglige møder for at spore fremskridt og diskutere eventuelle problemer eller bekymringer. Vi brugte også kommunikationsværktøjer som Google Chat og projektstyringssoftware som Jira og Confluence til at tildele opgaver og overvåge resultaterne.

Efter halvanden måneds udvikling var vi i stand til at skabe MVP-versionen af det neurale netværk, som var i stand til at træffe effektive beslutninger uden yderligere kontrol. Denne tilgang gjorde det muligt for os at udvikle et fleksibelt og skalerbart system, der kunne tilpasses forskellige landbrugsmiljøer og brugsscenarier og give landmændene en omkostningseffektiv og effektiv løsning til at styre deres drift.

Hold

Projektleder

ML Engineers

Backend-udvikler

Resultater: Reduktion af pesticidforbrug og omkostninger til menneskelige ressourcer

Implementeringen af maskinlæring i landbruget gennem brug af landbrugsrobotter udstyret med computersyn og AI-baserede motorer giver mange fordele for industrien. Det fremmer omkostningseffektiviteten ved at reducere brugen af unødvendig gødning og kemikalier og forbedre landbrugets produktivitet gennem selektiv behandling af hver enkelt plante. Desuden giver det mulighed for detaljeret overvågning og kortlægning af markerne uden menneskelig indgriben, hvilket giver landmændene vigtige oplysninger om deres markers tilstand.

Resultatet af at implementere denne teknologi for kunden er en reduktion i det samlede ressourceforbrug, hvilket fører til økonomiske fordele gennem kontinuerlig automatisk afgrødepleje, højt udbytte og perfekt plantesundhed. Derudover beskytter laserbaseret, kemikaliefri ukrudtsbekæmpelse landbrugets økosystemer og minimerer den negative miljøpåvirkning fra traditionelle landbrugsmetoder. Systemets evne til løbende at lære og tilpasse sig gør det muligt for landmænd at opdatere datasættet regelmæssigt og tilpasse sig nye typer planter og landbrugsarbejde.

Samlet set har integrationen af AI-teknologi i landbruget et enormt potentiale for at skabe fordele for industrien, miljøet og naturen. ML-robotter kan øge afgrødernes kvalitet og frugtbarhed, reducere omkostningerne, bevare naturressourcerne og eliminere potentielle skader på mennesker ved at udføre komplekse opgaver automatisk.

Projektets varighed

September 2021 - november 2022

64%

besparelser på gødning

100%

besparelser på pesticider og menneskelige ressourcer

Relaterede sager

Kontakt os

Book et opkald eller udfyld formularen nedenfor, så vender vi tilbage til dig, når vi har behandlet din anmodning.

Navn

Virksomhed

E-mail

Telefon

Besked

Send os en talebesked

Vedhæft dokumenter

Upload fil

Du kan vedhæfte 1 fil på op til 2 MB. Gyldige filformater: pdf, jpg, jpeg, png.

Ved at klikke på Send accepterer du, at Innowise behandler dine personlige data i henhold til vores Politik for beskyttelse af personlige oplysninger for at give dig relevante oplysninger. Ved at indsende dit telefonnummer accepterer du, at vi kan kontakte dig via taleopkald, sms og beskedapps. Opkalds-, besked- og datatakster kan være gældende.

Du kan også sende os din anmodning
til contact@innowise.com

Hvad sker der nu?

Når vi har modtaget og behandlet din anmodning, vender vi tilbage til dig for at beskrive dine projektbehov og underskriver en NDA for at sikre fortrolighed.

Når vi har undersøgt dine ønsker, behov og forventninger, udarbejder vores team et projektforslag med forslag med arbejdets omfang, teamstørrelse, tids- og omkostningsoverslag.

Vi arrangerer et møde med dig for at diskutere tilbuddet og få detaljerne på plads.

Til sidst underskriver vi en kontrakt og begynder at arbejde på dit projekt med det samme.

Maskinlæring i landbruget: 100% besparelser på pesticider og menneskelige ressourcer

Kunde

Udfordring: At overvinde begrænsningerne ved manuel plantepleje med AI-teknologi i landbruget

Løsning: Implementering af maskinlæring i landbrugssektoren til ukrudtsbekæmpelse og selektiv plantefodring

Teknologier

Proces

Hold

Resultater: Reduktion af pesticidforbrug og omkostninger til menneskelige ressourcer

Relaterede sager

Kontakt os

Hvad sker der nu?

Brug for andre tjenester?

Abonner til vores nyhedsbrev

Abonner
til vores nyhedsbrev