Náš svět se dnes mění rychleji než kdykoli předtím. Všichni jsme zažili tuto změnu v našem každodenním životě, ať už kupuje nové auto a zvykne si na nejnovější technologie automobilu, připojuje vaše domácí spotřebiče přes internet nebo jen pomáhá našim starým rodičům zvyknout si na Instagram. Tento exponenciální růst technologie v našem každodenním životě změnil svět, ve kterém žijeme.
Tato transformace nebyla nikdy zřetelnější než v zemědělství. Nyní je běžné, že traktory, kombajny, postřikovače atd. Mají automatické řízení, kde stroj automaticky řídí pole a aplikuje hnojivo pouze tam, kde je to potřeba, aplikací proměnné dávky. Tato schopnost auto-pohon přišla roky před schopností auto-drive, které dnes vidíme v autech. Kombinace dnes měří výnos sklizně v reálném čase, takže pěstitel může identifikovat vysoké a nízké výnosy pole. Navíc je k internetu připojeno mnoho strojů, což umožňuje pěstitelům stahovat svá data.
Dnešní zemědělec má k dispozici více dat a mnohem větší výpočetní výkon, než je tomu u člověka na měsíci.
Veškeré toto zpracování nezpracovaných dat se stává prací na plný úvazek, která se jen přelije výsledky, takže lze učinit rozhodnutí o snížení nákladů nebo zvýšení zisku. Tento časově náročný proces vytváří napětí, protože mnohokrát není známo, zda zvýšená časová investice zvýší efektivitu a zisk. Dnešnímu pěstiteli je poskytováno tolik dat prostřednictvím federovaných systémů, vice integrovaných systémů, že mnohokrát musí zpracovat data sama, aby mohli učinit rozhodnutí, které lze napadnout.
Nedávným přírůstkem do brašny na nářadí pěstitele jsou snímky dronů. Mnoho pěstitelů přijalo používání dronů, aby jim pomohlo v jejich rozhodovacím procesu. Snímky dronů se používají k hodnocení zdraví rostlin, detekce plevelů, tlaku plevelů, zamoření škůdci, odvodnění a zavlažování, počtu rostlin v poli pro přístup k příjmům ze sklizně atd. Drony mohou pokrývat pole o rozloze 100 hektarů ve 30 až 40 minut, což šetří cenný čas pěstitele oproti tradičním metodám.
Naštěstí je nyní možná automatická detekce plevelů pomocí strojového učení a umělé inteligence (AI). Výsledky ukazují značné úspory času pomocí algoritmů, snížení nákladů pěstitele a zvýšení jejich efektivity. Algoritmus strojového učení společnosti Picterra to dělá.
Proč je v zemědělství rozhodující detekce plevelů pomocí strojového učení
Dobrým příkladem je Shattercane ( Sorghum bicolor), běžný plevel ve Spojených státech, který může být obtížně kontrolovatelný. Tato rostlina roste rychle, agresivně soutěží s plodinou, může se zvětšit jako zralé rostliny kukuřice a připomíná kukuřici. Tento těžko kontrolovatelný plevel může představovat houby, bakterie a hlísty, což způsobí pěstiteli snížení výnosu a výnosu. Zabíjení plevelů herbicidem je drahé a snižuje pěstitelské rozpětí. Kromě toho se herbicidní postřikovače mohou dostat na kukuřičná pole pouze během první části vegetačního období z důvodu velikosti kukuřice v pozdní zralosti. Nejlepší obranou je samozřejmě zabránit tomu, aby plevel infikoval jiná pole. Pokud je však plevel po sklizni kukuřice puštěn do sklizně, semena Shattercane se snadno přenesou na jiná pole, zatímco plodina sklizně sklizně na jiných polích. Abyste tomu zabránili, pěstitel vystoupí z kombajnu před požitím a odstraní plevel. Aby to však mohli udělat, musí vědět, kde je plevel na poli.
Přichází snímky dronů, které pěstiteli přinášejí údaje, které lze použít, a umožňují detekci plevelů. Jakmile je pole přeletěno a všechny snímky jsou sešity dohromady, je čas na kontrolu umístění Shattercane.
V tomto příkladu existují dvě metody pro detekci plevelů a identifikaci Shattercane. Prvním z nich je ruční procházení obrázkem při vysoké úrovni zvětšení v georektifikované aplikaci, jako je Google Earth Professional. Druhou metodou je použití AI k automatizaci detekce plevelů.
Pojďme se podívat na invazivní druh zvaný Johnsongrass, tráva úzce spojená s Shattercane. Invaze může být pro pole dramatická, protože roste tak rychle, že může zabít osázenou plodinu. Před sklizní musí být odstraněna, protože může obsahovat dostatek kyanovodíku k zabití skotu a koní. Ve spolupráci s firmou Eagle Eye Imaging LLC , která získala snímky dronů na několika postižených polích, jsme vyškolili detektor plevelů Johnsongrass a posoudili jeho výkonnost a výhody z hlediska získaného času a přesnosti.
Ruční detekce plevelů
Manuální detekce plevelů, na rozdíl od detekce plevelů pomocí strojového učení, je tradičním způsobem vizuální kontroly prováděným shora. V případě Johnsongrassu, poté, co je pole přeletěno a fotografie jsou sešity dohromady, jak je znázorněno na obrázku 1, může začít ruční detekce plevelů. Vyžaduje, aby uživatel zobrazil sešívaný georektifikovaný obrázek v aplikaci, jako je Google Earth Professional. Umožňuje také určení souřadnic plevelů, které mohou být načteny do kombajnu nebo ručně sledovány pěstitelem na jiném navigačním zařízení. Tímto způsobem může pěstitel zastavit kombajn před požitím plevele do kombajnu a odstranit jej.
V tomto příkladu byl dron letěn v nadmořské výšce 91 metrů nad zemí, což vedlo k rozlišení 1,64 palce / pixel (4,17 centimetru / pixel). Ruční metoda detekce plevelů vyžaduje, aby uživatel přiblížil vysokou úroveň zvětšení, což umožňuje vizuální identifikaci plevele, jak je znázorněno na obrázku 2. Při potřebné vysoké úrovni zvětšení uprostřed pole, kde celá kukuřice vypadá Stejně jako bez identifikačních značek, bylo obtížné listovat polem, aniž by se ztratilo. Kvůli těmto faktorům se tato ruční metoda detekce plevelů stala časově náročnou. Jakmile byly plevele identifikovány a kolík spadl na sešívaný obraz, byly souřadnice plevelů ručně přeneseny do tabulky.
Zpracování dat zahrnovalo stahování fotografií z dronu, jejich spojování do georektifikované orthomosaiky, načtení prošitého obrázku do aplikace Google Earth Professional, prohlédnutí pole, zahodení kolíků a vytvoření souřadné tabulky. U tohoto 43 akrového pole trvalo dokončení tohoto procesu řádově tři hodiny, což se blíží jedné hodině na 10 akrů. I když je efektivní při identifikaci plevelů, tentokrát se investice pro větší pole zvětší. Při použití tohoto manuálního procesu identifikace plevelů musí tedy pěstitel vyvážit své hodinové náklady na kontrolu pole a umožnit přenos plevele na jiná pole a zabít jej drahými herbicidy.
Detekce plevelů pomocí strojového učení
Today’s drone technology provides a handy tool for our food producers. However, when done manually, it’s so time-consuming that it makes weed detection nearly impossible to be applied on a bigger scale. Weed detection using Machine Learning is a game-changer as it allows us to significantly cut the time spent on manual work and the cost of it.
With the Picterra platform, it’s possible to train and run the detector that will localize the exact position of the Johnsongrass. It doesn’t require any background in Machine Learning, Data Science, or even coding. All that needs to be done is to register on Picterra, upload good-quality images (multiple formats are available, including .tiff,.tif, .png, and .jpg) and to train the detector to differentiate between what you want to find and what you don’t.
Níže vidíte některé tréninkové oblasti a protiklady poskytnuté k tréninku modelu:
V tréninkových oblastech byl plevel označen polygony. Má jinou texturu než běžné plodiny a silnou intenzitu v blízkém infračerveném pásmu (NIR). Poté společnost Eagle Eye Imaging LLC zvýraznila tréninkové oblasti bez anotace, aby poskytla detektoru protiklad - rostlin, které uživatel nezajímá. Jako příklad byla také uvedena diskriminace zvířecími stopami. Trénink detektoru trval asi 30 minut (každá tréninková iterace modelu trvá asi 1min30). Spuštění detektoru po celém snímku trvalo asi 5 minut, což znamená, že celkový čas trénovat model a detekovat plevele na méně než hodinu.
Detektor mohl lokalizovat všechny rostliny plevelů lokalizované ručně fotointerpretací (vyvolání = 100%). Kromě toho umožnil detekci plevelů rostlin, které byly zmeškány v době fotointerpretace.
Při pohledu na různé velikosti rostlin plevelů jsou zde uvedeny detekce kategorizované podle velikosti:
- Alespoň 6m2 (modrá)
- Alespoň 2m2 (zelená)
- Vše (fialová)
Detektor byl přidán do knihovny detektorů a připraven k použití na jiných obrázcích. Když bylo použito na jiném poli, vyžadovalo se pouze přidat další tři příklady k detektoru, aby se přizpůsobil a zvládl další proměnné.
Pokud si chcete vytvořit vlastní detektor, vytvořte si účet na Picterra a neváhejte nás kontaktovat Tato e-mailová adresa je chráněna před spamboty. Pro její zobrazení musíte mít povolen Javascript..
Vlastní detektor pro detekci plevelů postavený na systému Picterra.
Klíčové jídlo s sebou
- Běžné plevele jako Shattercane (Sorghum bicolor) a Johnsongrass jsou náročné na kontrolu a mohou mít devastující dopad na zemědělství. Rostou rychle, zavádějí houby a bakterie a rychle přecházejí z jednoho pole na druhé. Proto musí výrobci potravin znát přesnou polohu těchto plevelů, než proti nim přijmou opatření.
- Technologie Drone je pro výrobce potravin hrací automat. Drony přelétají přes pole a pořizují kvalitní fotografie, které je třeba v aplikaci, jako je Google Earth Professional, spojit do jednoho georektifikovaného obrázku. Avšak pro úspěšnou detekci plevelů je mít obrázky pouze začátek - data musí být pečlivě analyzována. Lze to provést ručně, ale tento proces je časově náročný a náchylný k chybám. Výrobce potravin musí vyvážit čas potřebný k analýze fotografie proti pravděpodobnosti přenosu plevele na jiné pole. Toto obchodní rozhodnutí bylo mnohem jednodušší pomocí detektoru plevelů AI.
- Nejlepší možné výsledky detekce plevelů lze dosáhnout kombinací obrazů dronů a algoritmů Machine Learning. Díky Picterře bylo pro Eagle Eye Imaging LLC možné najít lokalizaci Johnsongrassu a mít připraven detektor plevele pro další pole během několika minut. Dříve jim trvalo několik hodin, než se vizuálně posouvali, aby získali podobné výsledky.