Maskinlæring i landbruket: 100 % besparelser på plantevernmidler og menneskelige ressurser

Innowise inkorporerte datasynsteknologi i selvkjørende landbruksroboter, slik at de automatisk kan mate planter og fjerne ugress med laser.

Kunde

Industri

Landbruk, IoT

Region

Kunde siden

2021

Vår kunde er et selskap som produserer autonome landbruksroboter for å automatisere og akselerere gårdsarbeid i den europeiske regionen.

Detaljert informasjon om kunden kan ikke utleveres i henhold til bestemmelsene i NDA.

Utfordring: Å overvinne begrensningene ved manuell plantepleie med AI-teknologi i landbruket

Bruken av ML-landbrukssystemer og roboter i landbrukssektoren blir stadig viktigere på grunn av de betydelige hindringene ved manuell plantepleie, som krever omfattende menneskelig innsats, tid og utgifter. Disse avanserte teknologiene kan løse ulike utfordringer, inkludert knapphet på arbeidskraft og ressurseffektivitet. Dette resulterer i en mer omfattende og effektiv løsning på moderne landbruksproblemer.

Kunden vår produserer autonome roboter og enheter som skal automatisere prosessen med å dyrke og pleie planter. Selv om robotene kunne bevege seg rundt i bedene og åkrene, manglet de evnen til å skille mellom planter og ugress for selektiv gjødsling og vanning.

Ekspertene våre sto overfor en betydelig utfordring med å integrere spesialisert programvare i robotene som nøyaktig kunne skille og skille ut uttynnede planter. Det påfølgende målet for programmet var å eliminere spesifikke ugress ved hjelp av lasere med optimal nøyaktighet. Videre måtte ML-landbrukssystemer bestemme plantetypen og forsyne dem med en tilstrekkelig mengde egnet gjødsel, avhengig av deres klasse og tilstandsmålinger.

Oppsummert er arbeidsomfanget inkludert:

datainnsamling;
manuell markering av data;
dataforsterkning;
modellopplæring;
modellintegrasjon;
behandling i sanntid.

Løsning: Implementering av maskinlæring i landbrukssektoren for eliminering av ugress og selektiv plantefôring

Våre utviklere fullførte prosjektet og implementerte en AI-løsning i de autonome robotene for sanntidsbehandling av skannede feltbilder og identifisering av ugress på millisekunder. Utstyrt med nøyaktig kalibrerte lasere kan robotene fjerne opptil 100 000 ugress i timen. I tillegg er robotene nå i stand til å klassifisere planter og administrere gjødsel basert på deres individuelle behov. Videre kan de bestemme feltforhold og beregninger for å optimalisere landbrukspraksis og forbedre effektiviteten.

Ved hjelp av et integrert videokamera samlet og merket vi et datasett bestående av mer enn 10 000 plantebilder. Teamet vårt fortsatte deretter med å utføre oppgaver som merking, forstørrelse og modellopplæring på et utvidet datasett. Innowise har vellykket implementert en overvåket maskinlæringsmodell som automatisk kan etablere forbindelsen mellom inngangsvariabler og målutganger, noe som muliggjør presise prediksjoner på nye, usette stamme- og feltbilder. Dette legger til rette for ytterligere planteklassifisering og stengeldeteksjon, ugressutryddelse og selektiv gjødsling. Denne løsningen er et fremragende eksempel på bruk av maskinlæring i landbrukssektoren, og gir bemerkelsesverdige resultater når det gjelder automatisering av oppgaver, bevaring av ressurser, forbedring av fruktbarheten og reduksjon av negative miljøkonsekvenser forårsaket av plantevernmidler.

Nevrale nettverk for ende-til-ende-segmentering av planter og gjenkjenning av stilker

I datainnsamlingsfasen samlet vi inn bilder av planter og ugress ved hjelp av et videokamera festet til en landbruksrobot som navigerte på en åker. Når dataene var samlet inn, markerte landbruksspesialister dem for gjenkjenning og segmentering av objekter i påfølgende stadier av datautvidelse og -foredling.

Deretter utviklet teamet vårt et tilpasset nevralt nettverk som er i stand til å identifisere type og klasse av en plante fra et bilde og ta informerte beslutninger om plantebehandling basert på tidligere erfaring. Vi integrerte denne løsningen i en sluttenhet utstyrt med GPU, slik at den kan behandle sanntidsdata og skille planter fra tidligere innlærte datasett. Stengeldetektoren identifiserer plantens stengelplassering for å lette laserstyringen.

Programvaren gjør det mulig for roboten å ta beslutninger uten internettilgang mens den arbeider i åkrene. Når den kommer tilbake til stasjonen og får tilgang til nettverket, kan datasettet oppdateres med tilleggsinformasjon og innstillinger. Det nevrale nettverkets evner er ikke begrenset til én database: maskinlæringssystemet støtter omskolering av nevrale nettverk ved hjelp av oppdaterte datasett for å dyrke nye plantetyper og utrydde ulike typer ugress.

Bortsett fra å identifisere plante- og ugressklasser, kan det nevrale nettverket også fastslå feltets tilstand og viktige beregninger, som deretter brukes til å regulere vanningsintensiteten.

Eliminering av ugress med laser med høy presisjon og selektiv plantefôring

ML-landbrukssystemene bruker banebrytende teknologi for å revolusjonere landbruksindustrien. Under datainnsamlingsfasen samler det integrerte videokameraet inn bilder av planter og ugress mens landbruksroboten beveger seg gjennom åkeren. De innsamlede dataene markeres deretter av landbruksspesialister for påfølgende gjenkjenning og segmentering av objekter.

Det nevrale nettverket for ende-til-ende-segmentering av avlinger og ugress gir nøyaktig semantisk segmentering av scenen, og skiller mellom avlinger, ugress og gress. Systemet sender signaler til flere lasermoduler som opererer samtidig, slik at de autonome lukerne kan drepe over 100 000 ugress i timen, automatisk og kjemikaliefritt. Lasersystemets høye nøyaktighet skyldes ultra-presise detektorer, med finjusterte laserparametere som gjør det mulig å bestemme rekkevidden opp til 2 mm.

Systemet bruker også selektiv fôring, som behandler hver plante på åkeren individuelt. Datasynet analyserer hver plantes nåværende tilstand, med tanke på faktorer som vekststadium, helsestatus og næringsbehov. Basert på denne informasjonen bestemmer systemet den mest hensiktsmessige behandlingen for hver plante, og velger de riktige fôringsporsjonene som skal brukes. Dette fører til redusert ressursbruk og en mer kostnadseffektiv tilnærming til plantefôring.

ML-gårdssystemene er utformet for å være fleksible og tilpasningsdyktige til ulike typer planter. Det nevrale nettverket kan lære og lære på nytt fra nye datasett, som kan brukes til å trene AI-motoren til å identifisere og behandle forskjellige plantearter. Dette innebærer å samle inn og merke bilder av de nye plantene, utføre dataforsterkning og raffinering av de nye dataene, slik at systemet kontinuerlig kan utvide sin kunnskapsbase og kapasitet.

Samlet sett er ML Farm-systemet utviklet av Innowise et utmerket eksempel på fordelene med maskinlæring i landbrukssektoren, og muliggjør kostnadseffektive og effektive løsninger for avlingsforvaltning og -behandling.

Teknologier

ML & MLOps

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

Prosess

Teamet vårt gjennomførte et innledende møte med kunden for å samle inn krav og forstå deres spesifikke behov for de autonome robotene. Basert på disse kravene laget vi en omfattende designplan for utvikling av programvaresystemet, som besto av to hovedfaser: datainnsamling og merking ved hjelp av et integrert videokamera og implementering av en overvåket maskinlæringsmodell.

For å styre prosjektet effektivt fulgte vi Agile-metodikken og holdt daglige møter for å følge fremdriften og diskutere eventuelle problemer eller bekymringer. Vi brukte også kommunikasjonsverktøy som Google Chat og prosjektstyringsprogramvare som Jira og Confluence for å tildele oppgaver og overvåke resultatene.

Etter halvannen måneds utvikling var vi i stand til å lage MVP-versjonen av det nevrale nettverket, som var i stand til å ta effektive beslutninger uten ytterligere kontroll. Denne tilnærmingen gjorde det mulig for oss å utvikle et fleksibelt og skalerbart system som kunne tilpasses ulike landbruksmiljøer og brukstilfeller, og gi bøndene en kostnadseffektiv og effektiv løsning for å styre driften.

Team

Prosjektleder

ML Ingeniører

Back-end-utvikler

Resultater: Reduksjon i bruk av plantevernmidler og personalkostnader

Implementering av maskinlæring i landbruket gjennom bruk av landbruksroboter utstyrt med datasyn og AI-baserte motorer gir mange fordeler for næringen. Det fremmer kostnadseffektivitet ved å redusere bruken av unødvendig gjødsel og kjemikalier og forbedre landbruksproduktiviteten gjennom selektiv behandling av hver plante. I tillegg tilbyr den detaljert feltovervåking og kartlegging uten menneskelig inngripen, noe som gir bøndene viktig informasjon om tilstanden til jordene deres.

Resultatet av implementeringen av denne teknologien for kunden er en reduksjon i de samlede ressursene som brukes, noe som fører til økonomiske fordeler gjennom kontinuerlig automatisk avlingspleie, høye avlinger og perfekt plantehelse. I tillegg beskytter laserbasert, kjemikaliefri ugressbekjempelse landbrukets økosystemer og minimerer den negative miljøpåvirkningen av tradisjonell landbrukspraksis. Systemets evne til kontinuerlig læring og tilpasning gjør det mulig for bønder å oppdatere datasettet regelmessig og tilpasse seg nye typer planter og jordbruksarbeid.

Samlet sett har integrering av AI-teknologi i landbruket et enormt potensial for å gi fordeler for næringen, miljøet og naturen. ML-roboter kan øke avlingenes kvalitet og fruktbarhet, redusere kostnadene, bevare naturressursene og eliminere potensiell skade på mennesker ved å utføre komplekse oppgaver automatisk.

Prosjektets varighet

September 2021 - november 2022

64%

gjødselbesparelser

100%

besparelser på plantevernmidler og menneskelige ressurser

Relaterte saker

Ta kontakt med oss!

Bestill en samtale eller fyll ut skjemaet nedenfor, så kontakter vi deg så snart vi har behandlet forespørselen din.

Hva skjer videre?

Etter at vi har mottatt og behandlet forespørselen din, vil vi komme tilbake til deg innen kort tid for å beskrive prosjektbehovene dine og undertegne en taushetserklæring for å sikre informasjonens konfidensialitet.

Etter å ha undersøkt kravene, utarbeider våre analytikere og utviklere en prosjektforslag med arbeidsomfang, teamstørrelse, tid og kostnader estimater.

Vi arrangerer et møte med deg for å diskutere tilbudet og komme til en avtale.

Vi signerer en kontrakt og begynner å jobbe med prosjektet ditt så raskt som mulig.

Trenger du andre tjenester?

Utvikling av medie- og underholdningsprogramvare

Blockchain-utviklingsselskap

Ruby on rails

AWS

Programvareutvikling for landbruket

Selskap for utvikling av AI-chatbot

AIOps-tjenester

Konsulenttjenester for blokkjeder

AWS' skytjenester

Tjenester for datasyn

MLOps-konsulenttjenester

Python-utviklingsselskap

Maskinlæring i landbruket: 100 % besparelser på plantevernmidler og menneskelige ressurser

Kunde

Utfordring: Å overvinne begrensningene ved manuell plantepleie med AI-teknologi i landbruket

Løsning: Implementering av maskinlæring i landbrukssektoren for eliminering av ugress og selektiv plantefôring

Teknologier

Prosess

Team

Resultater: Reduksjon i bruk av plantevernmidler og personalkostnader

Relaterte saker

Ta kontakt med oss!

Hva skjer videre?

Trenger du andre tjenester?

La^●utvikler
programvare sammen!

Lukk

Maskinlæring i landbruket: 100 % besparelser på plantevernmidler og menneskelige ressurser

Kunde

Utfordring: Å overvinne begrensningene ved manuell plantepleie med AI-teknologi i landbruket

Løsning: Implementering av maskinlæring i landbrukssektoren for eliminering av ugress og selektiv plantefôring

Teknologier

Prosess

Team

Resultater: Reduksjon i bruk av plantevernmidler og personalkostnader

Relaterte saker

Ta kontakt med oss!

Hva skjer videre?

Trenger du andre tjenester?

La●utvikler programvare sammen!

Lukk

La^●utvikler
programvare sammen!