Что такое технологии машинного обучения? Агро: версия 5.0

Дроны, беспилотники, робототехника и технологии точного земледелия пришли в сельское хозяйство надолго. Без современных технологий аграрная отрасль больше не в состоянии ответить на стоящие перед ней вызовы: кризис рабочей силы (особенно в странах Европы и США), загрязнение окружающей среды, растущий спрос на агропродукцию при ограниченных производственных ресурсах.

Растениеводство всё больше опирается на решения, обеспечивающие рациональное использование ресурсов, уменьшение затратности и повышение эффективности производства. В последние несколько лет неотъемлемой частью интеллектуального земледелия стало применение технологий:

• интернета вещей для обеспечения коммуникации устройств;
• искусственного интеллекта (ИИ) для частичной или полной автоматизации выполнения заданий;
• машинного обучения (МО) для делегирования технологиям сложных задач.

Искусственный интеллект — это общий термин, включающий технологии машинного обучения (Machine Learning), глубокого обучения и нейронные сети. Согласно одному из существующих определений, применение технологий машинного обучения обеспечивает оптимизацию производительности с использованием базы данных и прошлого опыта. Т.е. алгоритм машинного обучения — это компьютерная программа, опытным путём обучающаяся решать задачу и оценивающая результат с помощью некоторого показателя производительности. При этом в процессе самообучения показатель производительности должен вырасти.

Поскольку растениеводство сложный многозадачный процесс с большим количеством переменных, выполнение большинства рутинных задач сегодня требует от автономных механизмов наличия функций самообучения. Это задания, которые невозможно решить исходя из одного только опыта, в том числе задачи связанных с прогнозированием. В качестве подвида машинного обучения можно выделить глубокое обучение, помогающее повысить точность алгоритмов МО, обрабатывая данные. Благодаря функциям МО, используемые для решения задач технологии предоставляют аграриям рекомендации для принятия обоснованных решений по уходу за растениями, использованию техники и ресурсов.

Основные направления применения технологий МО в растениеводстве:

• обнаружение болезней и сорняков;
• оценка влагообеспеченности растений;
• прогнозирование урожайности;
• сбор урожая (плодоовощная продукция);
• другие задачи точного земледелия.

Обнаружение болезней и сорняков

Болезни растений и засорённость полей инвазивными видами — факторы, лимитирующие урожайность культур. Сохранение урожайности сильно зависит от их раннего обнаружения, возможного благодаря технологиям компьютерного зрения, способного самостоятельно извлекать информацию из снимков посевов. Камера — наиболее часто используемое устройство ввода данных. Системы ИИ используют снимки мультиспектральных, тепловых и RGB-камер.

Без помощи технологий компьютерного зрения и машинного обучения для автоматического обнаружения, падает эффективность агропроизводства:

• уменьшается эффективность использования пестицидов. Без создания карты засорённости поля невозможно дифференцированное внесение СЗР;
• увеличивается загрязнение окружающей среды (грунтовых вод, близлежащих водоёмов), ухудшается качество почв;
• снижается урожайность культур.

В большинстве случаев для идентификации болезней используются библиотеки данных, содержащие тысячи снимков растений с характерными симптомами. При определении степени засорённости полей с рядными культурами задача искусственного интеллекта в идентификации и отделении культурных растений и анализе остальной вегетативной массы.

Технологии МО для обнаружения сорняков и болезней отличаются высокой точностью и доступностью (аграрии уже работают со снимками БПЛА и спутников ДЗЗ). Часто исследуются изображения с повышенной контрастностью, снимки RGB-камер и камер ближней инфракрасной области.

Учёные также указывают на некоторые недостатки самообучающихся систем обнаружения болезней и сорняков:

• ошибочная идентификация постепенно разрушает систему обнаружения;
• многократное увеличение библиотеки снимков приводит к излишней чувствительности системы.

Системами цифрового обнаружения часто оборудуются современные роботы уничтожители сорняков.

Влагообеспеченность растений

Оценка определения влагообеспеченности растений требует анализа большого количества входных данных. В связи с этим решения для оптимизации использования воды сочетают технологии машинного обучения и интернета вещей.

Интеллектуальное орошение требует значительных затрат на установку датчиков влажности почвы и полевых метеостанций. Зачастую технология применяется для капельного или прецизионного полива высокомаржинальных культур, садов, ягодников. Помимо измерений сенсорной сети инструменты поддержки принятия решений по орошению культур используют массив исторических данных количества осадков в регионе и урожайности.

Прогноз урожайности

С точки зрения информатики, растениеводство — это процесс управления с обратной связью. Будущая урожайность закладывается в начале производственного цикла, и её сохранение зависит от раннего обнаружения проблем. Алгоритмы МО позволяют предвидеть последствия неблагоприятных условий роста культур, действуя как упреждающий контроль.

Алгоритмы прогнозирования урожайности построены на работе с большим набором данных (практически со всеми, которые собирает аграрий), включая: 

• сведения о состоянии растений;
• параметрах среды (pH, тип и качество почв, климатические условия);
• массиве исторических данных об урожайности и осадках. 

Задача разработчиков ПО в установлении зависимости между этими параметрами и их влиянии на итоговую урожайность. Большую роль в точном прогнозировании играет качественная работа с данными систем дистанционного мониторинга. Быстрые и точные прогнозы делаются с использованием алгоритмов регрессии.

По статистике прогнозирование урожайности наиболее распространенная область применения технологий машинного обучения.

Интеллектуальные системы уборки урожая

Робототехника с функциями искусственного интеллекта и машинного обучения, применяется для интеллектуальной уборки плодоовощной продукции и послеуборочной обработки плодов. Алгоритмы распознавания изображений, как правило, детально анализируют цвет плода или его размер, в зависимости от особенностей созревания. Для определения размера плода могут использоваться лазерные технологии (например, при уборке спаржи), для идентификации фруктов и овощей — спектральные и тепловые изображения. Интеллектуальная система сбора урожая имеет множество преимуществ по сравнению с традиционными подходами: уменьшение трудозатрат, исключение человеческого фактора, увеличение точности и продуктивности сбора урожая.

Опасность применения самообучающихся систем — ошибки в работе могут привести к несвоевременному сбору урожая, ведущему к экономическим потерям на финальной стадии производства культур.

Отдельно можно упомянуть системы сортировки урожая, которые позволяют идентифицировать повреждённые плоды и избежать потерь на этапе хранения продукции. Алгоритмы машинного обучения способны определять качество овощей и фруктов на основе их формы, размера, текстуры, цвета и обнаруженных дефектов. 

Процесс работы с изображениями состоит из этапов: 

1. сбора данных; 
2. предварительной обработки; 
3. сегментации изображений; 
4. извлечения признаков; 
5. классификации плодов.

Задачи точного земледелия

Ежедневно благодаря датчикам и сенсорам аграрий собирает со своих полей огромное количество данных. Интеллектуальная обработка этого массива, как правило, делегируется технологиям с функциями искусственного интеллекта. Алгоритмы фильтрации данных на основе МО могут сохранять в облаке только значимые измерения полевых сенсорных и оптических датчиков.

Некоторые стартапы используют технологии ИИ для оценки агрономического потенциала земель, потребности растений в питании и т.д.

Эволюция технологий в растениеводстве произошла так скоро, что многими осталась незамеченной. Технологии для решения большинства актуальных задач отрасли уже существуют, осталось лишь научиться ими пользоваться.