Machine learning in agricoltura: 100% di risparmio su pesticidi e risorse umane

Innowise ha incorporato la tecnologia di visione computerizzata nei robot agricoli a guida autonoma, consentendo loro di nutrire automaticamente le piante e rimuovere le erbacce con il laser.

Cliente

Industria

Agricoltura, IoT

Regione

Cliente da

2021

Il nostro cliente è un'azienda che produce robot agricoli autonomi per automatizzare e accelerare i lavori agricoli nella regione europea.

Le informazioni dettagliate sul cliente non possono essere divulgate in base alle disposizioni dell NDA.

Sfida: Superare i limiti della cura manuale delle piante con la tecnologia AI in agricoltura

L'utilizzo di sistemi agricoli ML e di robot nel settore agricolo sta diventando sempre più cruciale a causa dei notevoli ostacoli posti dalla cura manuale delle piante, che richiede un grande sforzo umano, tempo e spese. Queste tecnologie avanzate possono affrontare diverse sfide, tra cui la scarsità di manodopera e l'efficienza delle risorse. Ciò si traduce in una soluzione più completa ed efficiente ai problemi dell'agricoltura moderna.

Il nostro cliente produce robot e dispositivi autonomi che dovrebbero automatizzare il processo di coltivazione e cura delle piante. Sebbene i robot potessero muoversi all'interno delle aiuole e dei campi, non erano in grado di distinguere le piante dalle erbacce per una fertilizzazione e un'irrigazione selettive.

I nostri esperti hanno dovuto affrontare la sfida di integrare nei robot un software specializzato in grado di distinguere e separare con precisione le piante diradate. L'obiettivo successivo del programma era quello di eliminare specifiche erbe infestanti utilizzando il laser con una precisione ottimale. Inoltre, i sistemi agricoli ML dovevano determinare il tipo di piante e fornire loro una quantità sufficiente di fertilizzante adatto, in base alla loro classe e alle metriche di condizione.

In sintesi, l'ambito di lavoro comprendeva:

raccolta dati;
markup manuale dei dati;
aumento dei dati;
formazione del modello;
integrazione del modello;
elaborazione in tempo reale.

Soluzione: Implementazione dell'apprendimento automatico nel settore agricolo per l'eliminazione delle erbe infestanti e l'alimentazione selettiva delle piante

I nostri sviluppatori hanno portato a termine con successo il progetto e hanno implementato una soluzione AI nei robot autonomi per l'elaborazione in tempo reale delle immagini scansionate del campo e l'identificazione delle erbacce in pochi millisecondi. Dotati di laser calibrati con precisione, i robot possono eliminare fino a 100.000 erbacce all'ora. Inoltre, i robot sono ora in grado di classificare le piante e di somministrare fertilizzanti in base alle loro esigenze individuali. Inoltre, possono determinare le condizioni del campo e le metriche per ottimizzare le pratiche agricole e migliorare l'efficienza.

Utilizzando una videocamera integrata, abbiamo raccolto ed etichettato un set di dati composto da oltre 10.000 immagini di piante. Il nostro team ha poi eseguito operazioni quali la marcatura, l'incremento e l'addestramento del modello su un set di dati ampliato. Innowise ha implementato con successo un modello di apprendimento automatico supervisionato in grado di stabilire automaticamente la connessione tra le variabili di input e gli output di destinazione, consentendo previsioni precise su immagini inedite di steli e campi. Ciò facilita l'ulteriore classificazione delle piante e il rilevamento degli steli, l'eradicazione delle erbe infestanti e la fertilizzazione selettiva. Questa soluzione rappresenta un caso d'uso eccezionale dell'apprendimento automatico nel settore agricolo, con risultati notevoli in termini di automazione delle attività, conservazione delle risorse, miglioramento della fertilità e attenuazione dell'impatto ambientale negativo causato dai pesticidi.

Rete neurale per la segmentazione delle piante e l'individuazione del fusto

Durante la fase di acquisizione dei dati, abbiamo raccolto immagini di piante e infestanti attraverso una videocamera collegata a un robot agricolo che navigava in un campo. Una volta acquisiti, gli specialisti dell'agricoltura hanno marcato i dati per il rilevamento e la segmentazione degli oggetti nelle fasi successive di incremento e affinamento dei dati.

Successivamente, il nostro team ha sviluppato una rete neurale personalizzata in grado di identificare il tipo e la classe di una pianta da un'immagine e di prendere decisioni informate sul trattamento della pianta in base all'esperienza precedente. Abbiamo integrato questa soluzione in un dispositivo finale dotato di GPU, consentendogli di elaborare dati in tempo reale e di distinguere le piante da serie di dati appresi in precedenza. Il rilevatore di steli identifica la posizione degli steli delle piante per facilitare la guida laser.

Il software consente al robot di prendere decisioni senza accesso a Internet mentre lavora nei campi agricoli. Quando si torna alla stazione e si accede alla rete, il set di dati può essere aggiornato con informazioni e impostazioni aggiuntive. Le capacità della rete neurale non sono limitate a un solo database: il sistema di apprendimento automatico supporta la riqualificazione delle reti neurali utilizzando set di dati aggiornati per coltivare nuovi tipi di piante ed eliminare vari tipi di erbe infestanti.

Oltre a identificare le classi di piante e di erbe infestanti, la rete neurale può anche accertare le condizioni del campo e le metriche chiave, utilizzate successivamente per regolare l'intensità dell'irrigazione.

Eliminazione laser di alta precisione delle erbe infestanti e nutrimento selettivo delle piante

I sistemi agricoli ML utilizzano una tecnologia all'avanguardia per rivoluzionare il settore agricolo. Durante la fase di acquisizione dei dati, la videocamera integrata raccoglie immagini di piante ed erbacce mentre il robot agricolo si muove nel campo. I dati raccolti vengono poi marcati da specialisti del settore agricolo per il successivo rilevamento e segmentazione degli oggetti.

La rete neurale di segmentazione delle colture e delle erbacce end-to-end fornisce un'accurata segmentazione semantica della scena, distinguendo colture, erbacce ed erba. Il sistema invia segnali a diversi moduli laser che operano simultaneamente, consentendo ai diserbatori autonomi di uccidere oltre 100.000 erbacce all'ora, automaticamente e senza l'uso di sostanze chimiche. L'elevata precisione del sistema laser è dovuta a rilevatori ultraprecisi, con parametri laser finemente regolati che consentono di determinare la portata fino a 2 mm.

Il sistema impiega anche l'alimentazione selettiva, che tratta ogni pianta sul campo individualmente. La visione computerizzata analizza lo stato attuale di ogni pianta, prendendo in considerazione fattori come lo stadio di crescita, lo stato di salute e il fabbisogno di nutrienti. Sulla base di queste informazioni, il sistema determina il trattamento più appropriato per ogni pianta, selezionando le giuste porzioni di mangime da applicare. Ciò comporta una riduzione delle risorse e un approccio più economico all'alimentazione delle piante.

I sistemi agricoli ML sono progettati per essere flessibili e adattabili a vari tipi di piante. La rete neurale può imparare e reimparare da nuovi set di dati, che possono essere utilizzati per addestrare il motore AI a identificare e trattare diverse specie di piante. Ciò comporta la raccolta e l'etichettatura delle immagini delle nuove piante, l'aumento dei dati e l'affinamento dei nuovi dati, consentendo al sistema di espandere continuamente la propria base di conoscenze e le proprie capacità.

Nel complesso, il sistema agricolo ML sviluppato da Innowise è un ottimo esempio dei vantaggi dell'apprendimento automatico nel settore agricolo, che consente soluzioni economiche ed efficienti per la gestione e il trattamento delle colture.

Tecnologie

ML e MLOps

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

Processo

Il nostro team ha condotto un incontro iniziale con il cliente per raccogliere i requisiti e comprendere le sue esigenze specifiche per i robot autonomi. Sulla base di questi requisiti, abbiamo creato un piano di progettazione completo per lo sviluppo del sistema software, che consisteva in due fasi principali: la raccolta e l'etichettatura dei dati mediante una videocamera integrata e l'implementazione di un modello di apprendimento automatico supervisionato.

Per gestire il progetto in modo efficace, abbiamo seguito la metodologia Agile e tenuto riunioni quotidiane per monitorare i progressi e discutere eventuali problemi o preoccupazioni. Abbiamo anche utilizzato strumenti di comunicazione come Google Chat e software di gestione dei progetti come Jira e Confluence per assegnare i compiti e monitorare le prestazioni.

Dopo un mese e mezzo di sviluppo, siamo riusciti a creare la versione MVP della rete neurale, in grado di prendere decisioni efficaci senza ulteriori controlli. Questo approccio ci ha permesso di sviluppare un sistema flessibile e scalabile che potesse essere adattato a diversi contesti agricoli e casi d'uso, fornendo agli agricoltori una soluzione economica ed efficiente per la gestione delle loro attività.

Team

Responsabile di progetto

Ingegneri ML

Sviluppatore back-end

Risultati: Riduzione dell'uso di pesticidi e dei costi delle risorse umane

L'implementazione dell'apprendimento automatico in agricoltura attraverso l'uso di robot agricoli dotati di computer vision e motori basati sull'intelligenza artificiale offre numerosi vantaggi al settore. Promuove l'efficienza dei costi riducendo l'uso di fertilizzanti e prodotti chimici non necessari e migliorando la produttività agricola grazie al trattamento selettivo di ogni pianta. Inoltre, offre un monitoraggio e una mappatura dettagliata dei campi senza l'intervento umano, fornendo agli agricoltori informazioni vitali sulle condizioni dei loro campi.

Il risultato dell'implementazione di questa tecnologia per il cliente è una riduzione delle risorse complessivamente utilizzate, con conseguenti vantaggi economici grazie alla cura automatica continua delle colture, alle rese elevate e alla perfetta salute delle piante. Inoltre, l'eliminazione delle erbe infestanti basata sul laser e priva di sostanze chimiche protegge gli ecosistemi agricoli, riducendo al minimo l'impatto ambientale negativo delle pratiche agricole tradizionali. La capacità del sistema di apprendere e adattarsi continuamente consente agli agricoltori di aggiornare regolarmente il set di dati e di adattarsi a nuovi tipi di piante e lavori agricoli.

Nel complesso, l'integrazione della tecnologia AI in agricoltura ha un enorme potenziale per portare benefici al settore, all'ambiente e alla natura. I robot ML possono aumentare la qualità e la fertilità dei raccolti, ridurre i costi, preservare le risorse naturali ed eliminare i potenziali danni all'uomo completando automaticamente compiti complessi.

Durata del progetto

Settembre 2021 - Novembre 2022

64%

risparmio di fertilizzanti

100%

risparmio di pesticidi e risorse umane

Casi correlati

Contattateci!

Prenota una chiamata oppure compilate il modulo sottostante e sarete ricontattati una volta elaborata la vostra richiesta.

Nome

Azienda

Telefono

Messaggio Si prega di includere i dettagli del progetto, la durata, lo stack tecnologico, i professionisti IT necessari e altre informazioni pertinenti

Registra un messaggio vocale sul tuo
progetto per aiutarci a capirlo meglio

Allega ulteriori documenti se necessario

Caricare il file

È possibile allegare fino a 1 file di 2 MB complessivi. File validi: pdf, jpg, jpeg, png

Vi informiamo che cliccando sul pulsante Invia, Innowise tratterà i vostri dati personali in conformità con la nostra Informativa sulla privacy allo scopo di fornirvi informazioni adeguate.

Cosa succede dopo?

Dopo aver ricevuto ed elaborato la vostra richiesta, vi ricontatteremo a breve per illustrare le esigenze del progetto e firmare un NDA per garantire la riservatezza delle informazioni.

Dopo aver esaminato i requisiti, i nostri analisti e sviluppatori elaborano una proposta di progetto con l'ambito di lavoro, le dimensioni del team, i tempi e i costi stimati.

Organizziamo un incontro con voi per discutere l'offerta e giungere a un accordo.

Firmiamo un contratto e iniziamo a lavorare sul vostro progetto il prima possibile.