Maskininlärning inom jordbruket: 100% besparingar på bekämpningsmedel och mänskliga resurser

Innowise införlivar datorsynsteknik i självkörande jordbruksrobotar, vilket gör det möjligt för dem att automatiskt mata växter och ta bort ogräs med lasrar.

Kund

Industri

Jordbruk, IoT

Region

Kund sedan

2021

Vår kund är ett företag som producerar autonoma jordbruksrobotar för att automatisera och påskynda jordbruksarbetet inom den europeiska regionen.

Detaljerad information om kunden kan inte lämnas ut enligt bestämmelserna i NDA.

Utmaning: övervinna begränsningar av manuell växtvård med AI-teknik inom jordbruket

Användningen av ML-jordbrukssystem och robotar inom jordbrukssektorn blir allt viktigare på grund av de betydande hinder som Manuell växtvård innebär, vilket kräver omfattande mänsklig ansträngning, tid och utgifter. Dessa avancerade tekniker kan hantera olika utmaningar, inklusive arbetskraftsbrist och resurseffektivitet. Detta resulterar i en mer omfattande och effektiv lösning på moderna jordbruksfrågor.

Vår kund producerar autonoma robotar och enheter som ska automatisera processen att odla och vårda växter. Även om robotarna kunde röra sig runt i sängar och fält, saknade de förmågan att skilja mellan växter och ogräs för selektiv befruktning och vattning.

Våra experter stod inför en betydande utmaning att integrera specialiserad programvara i robotarna som exakt kunde skilja och separera uttunna växter. Det efterföljande målet för programmet var att eliminera specifika ogräs med hjälp av lasrar med optimal noggrannhet. Dessutom behövde ML-jordbrukssystem bestämma typen av växter och förse dem med en tillräcklig mängd lämplig gödningsmedel, beroende på deras klass- och tillståndsmätningar.

Sammanfattningsvis omfattade arbetets omfattning:

datainsamling;
manuell datamarkering;
förstärkning av data;
modellutbildning;
modellintegration;
bearbetning i realtid.

Lösning: implementera maskininlärning inom jordbrukssektorn för eliminering av ogräs och selektiv växtmatning

Våra utvecklare slutförde projektet framgångsrikt och implementerade en AI-lösning i de autonoma robotarna för realtidsbehandling av skannade fältbilder och identifiering av ogräs på millisekunder. Utrustad med exakt kalibrerade lasrar kan robotarna eliminera upp till 100 000 ogräs per timme. Dessutom kan robotarna nu klassificera växter och administrera gödselmedel baserat på deras individuella behov. Dessutom kan de bestämma fältförhållanden och mätvärden för att optimera jordbruksmetoder och förbättra effektiviteten.

Med hjälp av en integrerad videokamera samlade vi och märkte en dataset bestående av mer än 10 000 växtbilder. Vårt team fortsatte sedan med att utföra uppgifter som märkning, förstärkning och modellutbildning på en utökad dataset. Innowise har framgångsrikt implementerat en övervakad maskininlärningsmodell som automatiskt kan upprätta sambandet mellan ingångsvariabler och målutgångar, vilket möjliggör exakta förutsägelser om nya, osynliga stam-och fältbilder. Detta underlättar ytterligare klassificering av växter och stamdetektering, utrotning av ogräs och selektiv befruktning. Denna lösning fungerar som ett enastående användningsfall för maskininlärning inom jordbrukssektorn, vilket ger anmärkningsvärda resultat när det gäller att automatisera uppgifter, spara resurser, förbättra fertiliteten och mildra den negativa miljöpåverkan som orsakas av bekämpningsmedel.

End-to-end växter segmentering och stamdetektering neurala nätverk

Under datainsamlingsfasen samlade vi växt- och ogräsbilder genom en videokamera ansluten till en jordbruksrobot som navigerar i ett fält. När de väl hade förvärvats, markerade jordbruksspecialister data för objektdetektering och segmentering i efterföljande stadier av dataförstoring och förfining.

Därefter utvecklade vårt team ett anpassat neuralt nätverk som kan identifiera typ och klass av en växt från en bild och fatta välgrundade beslut om växtbehandling baserat på tidigare erfarenhet. Vi integrerade denna lösning i en slutenhet utrustad med GPU, så att den kan bearbeta realtidsdata och skilja växter från tidigare lärda datasatser. Stamdetektorn identifierar växtstamplaceringar för att underlätta laserstyrning.

Programvaran möjliggör beslutsfattande av roboten utan internetåtkomst medan du arbetar på jordbruksfält. När du återvänder till stationen och öppnar nätverket kan datasetet uppdateras med ytterligare information och inställningar. Det neurala nätverkets funktioner är inte begränsade till en databas: maskininlärningssystemet stöder omskolning av neurala nätverk med hjälp av uppdaterade datasatser för att odla nya växttyper och utrota olika typer av ogräs.

Förutom att identifiera växt- och ogräsklasser kan det neurala nätverket också fastställa fältets tillstånd och viktiga mätvärden, som senare används för att reglera bevattningsintensiteten.

Eliminering av lasergräs med hög precision och selektiv växtmatning

ML farm systems använder avancerad teknik för att revolutionera jordbruksindustrin. Under datainsamlingsfasen samlar den integrerade videokameran in växt-och ogräsbilder när jordbruksroboten rör sig genom fältet. De insamlade uppgifterna markeras sedan av jordbruksspecialister för efterföljande objektdetektering och segmentering.

End-to-end grödor och ogräs segmentering neurala nätverk ger exakt semantisk segmentering av scenen, skilja grödor, ogräs och gräs. Systemet skickar signaler till flera lasermoduler som fungerar samtidigt, vilket gör att de autonoma ogräsarna kan döda över 100k ogräs per timme, automatiskt och kemikaliefritt. Lasersystemets höga noggrannhet beror på extremt exakta detektorer, med finjusterade laserparametrar som gör det möjligt att bestämma intervallet upp till 2 mm.

Systemet använder också selektiv utfodring, som behandlar varje växt på fältet individuellt. Datorvisionen analyserar varje växts nuvarande tillstånd, med hänsyn till faktorer som tillväxtstadium, hälsotillstånd och näringsbehov. Baserat på denna information bestämmer systemet den lämpligaste behandlingen för varje växt och väljer rätt matningsdelar att tillämpa. Detta leder till en minskning av resurserna och ett mer kostnadseffektivt tillvägagångssätt för växtfoder.

ML farm-systemen är utformade för att vara flexibla och anpassningsbara till olika typer av växter. Det neurala nätverket kan lära sig och lära sig om från nya datamängder, som kan användas för att träna AI-motorn för att identifiera och behandla olika växtarter. Detta innebär att samla in och märka bilder av de nya anläggningarna, utföra dataförstoring och förfina de nya uppgifterna, vilket gör att systemet kontinuerligt kan utöka sin kunskapsbas och kapacitet.

Sammantaget är ML farm-systemet som utvecklats av Innowise ett utmärkt exempel på fördelarna med maskininlärning inom jordbrukssektorn, vilket möjliggör kostnadseffektiva och effektiva lösningar för hantering och behandling av grödor.

Teknik

ML och MLOps

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

Process

Vårt team genomförde ett första möte med kunden för att samla krav och förstå deras specifika behov för de autonoma robotarna. Baserat på dessa krav skapade vi en omfattande designplan för att utveckla mjukvarusystemet, som bestod av två huvudfaser: datainsamling och märkning med hjälp av en integrerad videokamera och implementering av en övervakad maskininlärningsmodell.

För att hantera projektet effektivt följde vi den Agila metodiken och höll dagliga möten för att spåra framsteg och diskutera eventuella problem eller problem. Vi använde också kommunikationsverktyg som Google Chat och projekthanteringsprogram som Jira och Confluence för att tilldela uppgifter och övervaka prestanda.

Efter en och en halv månad av utveckling kunde vi skapa MVP-versionen av det neurala nätverket, som kunde fatta effektiva beslut utan ytterligare kontroll. Detta tillvägagångssätt gjorde det möjligt för oss att utveckla ett flexibelt och skalbart system som kunde anpassas till olika jordbruksmiljöer och användningsfall, vilket gav jordbrukarna en kostnadseffektiv och effektiv lösning för att hantera sin verksamhet.

Team

Projektledare

ML Ingenjörer

Back-End-utvecklare

Resultat: minskad användning av bekämpningsmedel och personalkostnader

Implementeringen av maskininlärning i jordbruket genom användning av jordbruksrobotar utrustade med datorvision och AI-baserade motorer ger många fördelar för industrin. Det främjar kostnadseffektivitet genom att minska användningen av onödiga gödningsmedel och kemikalier och förbättra jordbruksproduktiviteten genom selektiv behandling av varje växt. Dessutom erbjuder den detaljerad fältövervakning och kartläggning utan mänsklig inblandning, vilket ger jordbrukarna viktig information om deras fältförhållanden.

Resultatet av att implementera denna teknik för kunden är en minskning av de totala resurserna som används, vilket leder till ekonomiska fördelar genom kontinuerlig automatisk växtskötsel, hög avkastning och perfekt växtskydd. Dessutom skyddar laserbaserad, kemikaliefri ogräsbekämpning jordbruksekosystemen, vilket minimerar den negativa miljöpåverkan av traditionella jordbruksmetoder. Systemets förmåga att kontinuerligt lära sig och anpassa sig gör det möjligt för jordbrukare att uppdatera datamängden regelbundet och anpassa sig till nya typer av växter och jordbruksarbete.

Sammantaget har integrationen av AI-teknik i jordbruket en enorm potential att ge fördelar för industrin, miljön och naturen. ML-robotar kan öka grödans kvalitet och fertilitet, minska kostnaderna, bevara naturresurserna och eliminera potentiell skada för människor genom att utföra komplexa uppgifter automatiskt.

Projektets löptid

September 2021 - november 2022

64%

gödselbesparingar

100%

besparingar på bekämpningsmedel och mänskliga resurser

Relaterade fall

Kontakta oss!

Boka ett samtal eller fyll i formuläret nedan så återkommer vi till dig när vi har behandlat din förfrågan.

Namn

Företag

E-post

Telefon

Meddelande Vänligen inkludera projektinformation, varaktighet, teknologistack, IT-proffs som behövs och annan relevant information

Spela in ett röstmeddelande om ditt projekt för att hjälpa oss att förstå det bättre

Bifoga ytterligare dokument vid behov

Ladda upp filen

Du kan bifoga upp till 1 fil på totalt 2 MB. Giltiga filer: pdf, jpg, jpeg, png

Observera att när du klickar på knappen Skicka kommer Innowise att behandla dina personuppgifter i enlighet med vår Integritetspolicy för att ge dig lämplig information.

Vad händer härnäst?

Efter att ha mottagit och behandlat din begäran kommer vi att återkomma till dig inom kort för att specificera dina projektbehov och underteckna en NDA för att säkerställa konfidentialitet av information.

Efter att ha undersökt kraven utarbetar våra analytiker och utvecklare en projektförslag med arbetets omfattning, lagets storlek, tid och kostnad uppskattningar.

Vi ordnar ett möte med dig för att diskutera erbjudandet och komma överens.

Vi skriver på ett kontrakt och börjar arbeta med ditt projekt så snabbt som möjligt.