Koneellinen oppiminen maataloudessa: 100% torjunta-aineiden ja henkilöresurssien säästöt

Innowise sisällytti tietokonenäköteknologian itseohjautuviin maatalousrobotteihin, joiden avulla ne voivat automaattisesti ruokkia kasveja ja poistaa rikkaruohoja laserin avulla.

Asiakas

Teollisuus

Maatalous, IoT

Alue

Asiakas vuodesta

2021

Asiakkaamme on yritys, joka valmistaa autonomisia maatalousrobotteja automatisoimaan ja nopeuttamaan maataloustöitä Euroopan alueella.

Yksityiskohtaisia tietoja asiakkaasta ei voida luovuttaa NDA:n määräysten nojalla.

Haaste: AI-teknologian avulla maatalouden manuaalisen kasvinhoidon rajoitusten voittaminen.

ML-farmijärjestelmien ja robottien käyttö maatalousalalla on yhä tärkeämpää, koska manuaalinen kasvienhoito, joka vaatii paljon ihmisen työtä, aikaa ja kustannuksia, aiheuttaa merkittäviä esteitä. Näillä kehittyneillä teknologioilla voidaan vastata erilaisiin haasteisiin, kuten työvoiman niukkuuteen ja resurssitehokkuuteen. Näin saadaan kattavampi ja tehokkaampi ratkaisu nykyaikaisen maatalouden ongelmiin.

Asiakkaamme valmistaa autonomisia robotteja ja laitteita, joiden on tarkoitus automatisoida kasvien viljely- ja kasvatusprosessi. Vaikka robotit pystyivät liikkumaan sängyissä ja pelloilla, niiltä puuttui kyky erottaa kasvit ja rikkaruohot toisistaan valikoivaa lannoitusta ja kastelua varten.

Asiantuntijoidemme haasteena oli integroida robotteihin erikoisohjelmisto, jolla ohentuneet kasvit voitaisiin tarkasti erottaa ja erottaa toisistaan. Ohjelman myöhempänä tavoitteena oli poistaa tietyt rikkaruohot laserilla optimaalisen tarkasti. Lisäksi ML-farmijärjestelmien oli määritettävä kasvien tyyppi ja annettava niille riittävä määrä sopivaa lannoitetta niiden luokan ja kuntomittareiden mukaan.

Yhteenvetona voidaan todeta, että työtehtäviin kuuluivat:

tiedonkeruu;
manuaalinen tietojen merkintä;
tietojen lisääminen;
mallin koulutus;
mallin integrointi;
reaaliaikainen käsittely.

Ratkaisu: Ratkaisu: Koneoppimisen soveltaminen maataloudessa rikkaruohojen hävittämiseen ja kasvien valikoivaan ruokintaan.

Kehittäjämme saattoivat projektin onnistuneesti päätökseen ja toteuttivat AI-ratkaisun autonomisiin robotteihin skannattujen peltokuvien reaaliaikaista käsittelyä ja rikkaruohojen tunnistamista varten millisekunneissa. Tarkasti kalibroiduilla lasereilla varustetut robotit voivat poistaa jopa 100 000 rikkaruohoa tunnissa. Lisäksi robotit pystyvät nyt luokittelemaan kasvit ja antamaan lannoitteita niiden yksilöllisten vaatimusten mukaan. Lisäksi ne pystyvät määrittämään pellon olosuhteet ja mittarit maatalouskäytäntöjen optimoimiseksi ja tehokkuuden lisäämiseksi.

Integroidun videokameran avulla keräsimme ja merkitsimme yli 10 000 kasvikuvasta koostuvan tietokokonaisuuden. Tämän jälkeen ryhmämme suoritti merkitsemisen, lisäämisen ja mallin harjoittelun kaltaisia tehtäviä laajennetulla tietokokonaisuudella. Innowise on onnistuneesti toteuttanut valvotun koneoppimisen mallin, joka voi automaattisesti luoda yhteyden syötemuuttujien ja tavoiteltavien tuotosten välille, mikä mahdollistaa tarkat ennusteet uusille, näkemättömille varsi- ja kenttäkuville. Tämä helpottaa edelleen kasvien luokittelua ja varsien tunnistamista, rikkakasvien hävittämistä ja valikoivaa lannoitusta. Tämä ratkaisu on erinomainen koneoppimisen käyttötapaus maatalousalalla, ja se tuottaa merkittäviä tuloksia tehtävien automatisoinnissa, resurssien säästämisessä, hedelmällisyyden parantamisessa ja torjunta-aineiden aiheuttamien haitallisten ympäristövaikutusten lieventämisessä.

Kasvien segmentointi ja kantojen tunnistaminen alusta loppuun neuroverkolla

Tiedonkeruuvaiheessa keräsimme kasvien ja rikkaruohojen kuvia videokameran avulla, joka oli kiinnitetty pellolla navigoivaan maatalousrobottiin. Kun kuvat oli otettu, maatalousasiantuntijat merkitsivät tiedot kohteiden havaitsemista ja segmentointia varten myöhemmissä tietojen lisäämisen ja tarkentamisen vaiheissa.

Tämän jälkeen tiimimme kehitti räätälöidyn neuroverkon, joka pystyy tunnistamaan kasvin tyypin ja luokan kuvasta ja tekemään aiempaan kokemukseen perustuvia tietoon perustuvia päätöksiä kasvien käsittelystä. Integroimme tämän ratkaisun GPU:lla varustettuun päätelaitteeseen, jonka avulla se voi käsitellä reaaliaikaista dataa ja erottaa kasvit aiemmin opituista tietokokonaisuuksista. Varsianturi tunnistaa kasvien varsien sijainnit laserohjauksen helpottamiseksi.

Ohjelmiston avulla robotti voi tehdä päätöksiä ilman internetyhteyttä työskennellessään maatalouspelloilla. Kun robotti palaa asemalle ja pääsee verkkoon, tietokanta voidaan päivittää lisätiedoilla ja -asetuksilla. Neuroverkon ominaisuudet eivät rajoitu vain yhteen tietokantaan: koneoppimisjärjestelmä tukee neuroverkkojen uudelleenkouluttamista päivitettyjen tietokantojen avulla, jotta voidaan kasvattaa uusia kasvilajeja ja hävittää erilaisia rikkaruohoja.

Kasvi- ja rikkaruoholuokkien tunnistamisen lisäksi neuroverkko voi myös määrittää pellon tilan ja keskeiset mittarit, joita käytetään myöhemmin kastelun voimakkuuden säätelyyn.

Rikkakasvien poisto ja valikoiva kasvinsyöttö laserilla suurella tarkkuudella.

ML-farmijärjestelmät hyödyntävät huipputeknologiaa maatalousalan mullistamiseksi. Tiedonkeruuvaiheen aikana integroitu videokamera kerää kasvi- ja rikkaruohokuvia maatalousrobotin liikkuessa pellolla. Maatalousasiantuntijat merkitsevät kerätyt tiedot myöhempää kohteiden havaitsemista ja segmentointia varten.

Satojen ja rikkaruohojen segmentointi-neuroverkko tarjoaa tarkan semanttisen segmentoinnin, jossa erotetaan sato, rikkaruoho ja ruoho. Järjestelmä lähettää signaaleja useille lasermoduuleille, jotka toimivat samanaikaisesti, minkä ansiosta autonomiset rikkaruohomurskaimet voivat tappaa yli 100 000 rikkaruohoa tunnissa automaattisesti ja ilman kemikaaleja. Laserjärjestelmän suuri tarkkuus johtuu erittäin tarkoista ilmaisimista, joiden hienosäädettyjen laserparametrien ansiosta etäisyys voidaan määrittää jopa 2 mm:n tarkkuudella.

Järjestelmässä käytetään myös valikoivaa ruokintaa, joka käsittelee jokaista kasvia pellolla erikseen. Tietokonenäkö analysoi kunkin kasvin senhetkisen tilan ottaen huomioon sellaiset tekijät kuin kasvuvaihe, terveydentila ja ravinnetarpeet. Näiden tietojen perusteella järjestelmä määrittää kullekin kasville sopivimman käsittelyn ja valitsee oikeat rehuannokset. Tämä johtaa resurssien vähentämiseen ja kustannustehokkaampaan lähestymistapaan kasvien ruokinnassa.

ML-farmijärjestelmät on suunniteltu joustaviksi ja mukautettaviksi erityyppisille kasveille. Neuroverkko voi oppia ja uudelleenoppia uusista tietokokonaisuuksista, joiden avulla voidaan kouluttaa AI-moottori tunnistamaan ja käsittelemään eri kasvilajeja. Tähän kuuluu uusien kasvien kuvien kerääminen ja merkitseminen, tietojen lisääminen ja uusien tietojen jalostaminen, jolloin järjestelmä voi jatkuvasti laajentaa tietopohjaansa ja kykyjään.

Kaiken kaikkiaan Innowise:n kehittämä ML-farmijärjestelmä on erinomainen esimerkki koneoppimisen hyödyistä maatalousalalla, sillä se mahdollistaa kustannustehokkaat ja tehokkaat ratkaisut viljelykasvien hallintaan ja käsittelyyn.

Teknologiat

ML & MLOps

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

Prosessi

Tiimimme järjesti asiakkaan kanssa aloituskokouksen, jossa kerättiin vaatimuksia ja ymmärrettiin asiakkaan erityistarpeet autonomisille roboteille. Näiden vaatimusten perusteella loimme kattavan suunnittelusuunnitelman ohjelmistojärjestelmän kehittämiseksi, joka koostui kahdesta päävaiheesta: tietojen kerääminen ja merkitseminen integroidun videokameran avulla sekä valvotun koneoppimismallin toteuttaminen.

Projektin hallinnoimiseksi tehokkaasti noudatimme ketterää menetelmää ja pidimme päivittäisiä kokouksia, joissa seurasimme edistymistä ja keskustelimme mahdollisista ongelmista ja huolenaiheista. Käytimme myös viestintätyökaluja, kuten Google Chatia, ja projektinhallintaohjelmistoja, kuten Jiraa ja Confluencea, tehtävien jakamiseen ja suorituksen seurantaan.

Puolitoista kuukautta kestäneen kehitystyön jälkeen pystyimme luomaan neuroverkon MVP-version, joka pystyi tekemään tehokkaita päätöksiä ilman lisäohjausta. Tämän lähestymistavan ansiosta pystyimme kehittämään joustavan ja skaalautuvan järjestelmän, joka voitiin mukauttaa erilaisiin maatalousympäristöihin ja käyttötapauksiin ja tarjota viljelijöille kustannustehokas ja tehokas ratkaisu toimintojensa hallintaan.

Joukkue

Projektipäällikkö

ML Engineers

Back-End-kehittäjä

Tulokset: Torjunta-aineiden käytön ja henkilöresurssien kustannusten väheneminen.

Koneoppimisen toteuttaminen maataloudessa käyttämällä tietokonenäöllä ja AI-pohjaisilla moottoreilla varustettuja maatalousrobotteja tarjoaa alalle lukuisia etuja. Se edistää kustannustehokkuutta vähentämällä tarpeettomien lannoitteiden ja kemikaalien käyttöä ja parantamalla maatalouden tuottavuutta kunkin kasvin valikoivan käsittelyn avulla. Lisäksi se tarjoaa yksityiskohtaista peltojen seurantaa ja kartoitusta ilman ihmisen toimenpiteitä, mikä antaa viljelijöille elintärkeää tietoa peltojen tilasta.

Tämän teknologian käyttöönoton tuloksena asiakas voi vähentää resurssien kokonaiskäyttöä, mikä johtaa taloudellisiin hyötyihin jatkuvan automaattisen viljelykasvien hoidon, korkeiden satojen ja täydellisen kasvinterveyden ansiosta. Lisäksi laserpohjainen, kemikaalivapaa rikkakasvien poisto suojaa maatalouden ekosysteemejä ja minimoi perinteisten viljelykäytäntöjen kielteiset ympäristövaikutukset. Järjestelmän kyky oppia ja sopeutua jatkuvasti antaa viljelijöille mahdollisuuden päivittää tietokokonaisuutta säännöllisesti ja sopeutua uusiin kasvityyppeihin ja maataloustöihin.

Kaiken kaikkiaan AI-teknologian integrointi maataloudessa tarjoaa valtavat mahdollisuudet tuoda etuja teollisuudelle, ympäristölle ja luonnolle. ML-robotit voivat parantaa sadon laatua ja hedelmällisyyttä, vähentää kustannuksia, säästää luonnonvaroja ja poistaa ihmiselle mahdollisesti aiheutuvat haitat suorittamalla monimutkaisia tehtäviä automaattisesti.

Hankkeen kesto

Syyskuu 2021 - marraskuu 2022

64%

lannoitesäästöt

100%

säästöt torjunta-aineissa ja henkilöresursseissa

Liittyvät tapaukset

Ota yhteyttä

Varaa puhelu tai täytä alla oleva lomake, niin otamme sinuun yhteyttä, kun olemme käsitelleet pyyntösi.

Nimi

Yritys

Sähköposti

Puhelin

Viesti

Lähetä meille ääniviesti

Liitä asiakirjoja

Lataa tiedosto

Voit liittää 1 enintään 2 Mt:n tiedoston. Hyväksytyt tiedostomuodot: pdf, jpg, jpeg, png.

Klikkaamalla Lähetä, annat suostumuksesi siihen, että Innowise käsittelee henkilötietojasi meidän Tietosuojakäytäntö antaa sinulle asiaankuuluvia tietoja. Antamalla puhelinnumerosi suostut siihen, että voimme ottaa sinuun yhteyttä puheluiden, tekstiviestien ja viestisovellusten kautta. Puhelu-, viesti- ja datahintoja voidaan soveltaa.

Voit myös lähettää meille pyyntösi
osoitteeseen contact@innowise.com

Mitä tapahtuu seuraavaksi?

Kun olemme vastaanottaneet ja käsitelleet pyyntösi, otamme sinuun yhteyttä ja kerromme yksityiskohtaisesti projektin tarpeet ja allekirjoitamme NDA-sopimuksen luottamuksellisuuden varmistamiseksi.

Tutkittuaan toiveesi, tarpeesi ja odotuksesi tiimimme suunnittelee projektin ehdotuksen, jossa esitetään työn laajuus, tiimin koko, aika- ja kustannusarviot.

Järjestämme kanssasi tapaamisen, jossa keskustellaan tarjouksesta ja sovitaan yksityiskohdista.

Lopuksi allekirjoitamme sopimuksen ja aloitamme projektisi toteuttamisen heti.

Koneellinen oppiminen maataloudessa: 100% torjunta-aineiden ja henkilöresurssien säästöt

Asiakas

Haaste: AI-teknologian avulla maatalouden manuaalisen kasvinhoidon rajoitusten voittaminen.

Ratkaisu: Ratkaisu: Koneoppimisen soveltaminen maataloudessa rikkaruohojen hävittämiseen ja kasvien valikoivaan ruokintaan.

Teknologiat

Prosessi

Joukkue

Tulokset: Torjunta-aineiden käytön ja henkilöresurssien kustannusten väheneminen.

Liittyvät tapaukset

Ota yhteyttä

Mitä tapahtuu seuraavaksi?

Tarvitsetko muita palveluja?

Tilaa osoitteeseen uutiskirjeemme

Tilaa
osoitteeseen uutiskirjeemme