Az MI-alapon automatizált drónok ügyesen figyelik a termést, és képesek pontosan jelezni a betakarítás ideális időpontját.
Élelmezésbiztonsági- és gazdaságösztönzési okokból természetes, hogy a gazdálkodók folyamatosan törekszenek piacképes terméshozamuk maximalizálására. Mivel a növények nem egyformán és nem egy időben nőnek vagy hoznak termést, így a betakarítás idejében elkerülhetetlen eltérések adódnak majd az egyes termények vonatkozásában, és ez a minőségen és méreten keresztül a bevételeket is alapvetően befolyásolja. A gazdálkodók számára tehát kiemelten fontos, hogy megtalálják a betakarítás optimális időpontját. A főleg drónokat és mesterséges intelligenciát alkalmazó új megközelítés azt mutatta, hogy ez a becslés javítható azáltal, hogy gondosan és pontosan elemzik az egyes növények állapotát, hogy felmérjék azok várható növekedési jellemzőit.
A Tokiói Egyetem kutatói most először mutattak be egy olyan rendszert, ami nagyrészt automatizáltan működik a terméshozamok javítása érdekében. Ez elősegítheti a jövőbeni hasonló rendszerek kifejlesztésének megtervezésekor kijelölni azt a fejlődési utat, ami elvezethet azokhoz a gépekhez, melyek közvetlenül is önállóan betakaríthatják majd a termést.
„Az ötlet viszonylag egyszerű, de a tervezés, a megvalósítás és a kivitelezés rendkívül összetett”, mondta Wei Guo, a Field Phenomics Laboratory munkatársa. „Ha a gazdálkodók ismerik az ideális időpontot a termés betakarítására, csökkenthetik a pazarlást, ami ideális számukra, jó a fogyasztóknak és a környezetnek is. Azonban az optimális betakarítási időket nem könnyű megjósolni, és ideális esetben minden egyes növény részletes ismerete szükséges ehhez; az ilyen adatok beszerzése költség- és időigényes lenne, ha emberek végeznék el a munkát.”
Guo informatikai és agrártudományi háttérrel rendelkezik, így megfelelően képzett ahhoz, hogy megtalálja a módját, az élvonalbeli hardveres és szoftveres mezőgazdaság-támogatásnak. Csapatával bebizonyította, hogy az egyes speciális szoftverekkel rendelkező olcsó drónok képesek leképezni és elemezni a fiatal növények viselkedését – a friss kutatás esetében a brokkolit – és pontosan megjósolni annak várható növekedési jellemzőit. A drónok többször is végrehajtják a képalkotási folyamatot, és mindezt emberi beavatkozás nélkül, vagyis így a rendszer kevés munkaköltséget igényel.
„Sokan meglepődnének, ha megtudnák, hogy egy szántóföld betakarítása az optimális időpont előtt vagy után egy nappal 3,7% és 20,4% között csökkentheti a mezőgazdasági termelő potenciális bevételét”, mondta Guo. „A mi rendszerünkkel azonban a drónok minden növényt azonosítanak és katalogizálnak a területen, képi adataik olyan MI-modellt tanítanak fel, ami mélytanulást használ, hogy könnyen érthető vizuális adatokat állítson elő a gazdálkodók számára. Tekintettel a drónok és számítógépek jelenlegi viszonylag alacsony költségeire, a rendszer kereskedelmi változatának sok gazdálkodó számára elérhetőnek kell lennie.”
A csapat számára a fő kihívást a képelemzés és a mélytanulási algoritmusok jelentették. A képadatok begyűjtése viszonylag triviális feladat volt, de tekintettel arra, hogy a növények hogyan mozognak a szélben, és hogyan változnak a fény az idő és az évszakok függvényében, a képadatok is sok eltérést tartalmaztak, melyeket a gépek gyakran nehezen tudnak értelmezni. Így a rendszer képzése során a csapatnak rengeteg időt kellett befektetnie a drónok által látott képek különböző aspektusainak felcímkézésére, hogy segítsék a rendszert megtanulni helyesen azonosítani mindazt, amit lát. A nagy adatátviteli sebesség igénye is kihívást jelentett – a képadatok gyakran billió pixel nagyságrendűek voltak, tízezerszer nagyobb méretűek, mint amit egy csúcskategóriás okostelefon kamerája képes előállítani.
„Megihletett bennünket, hogy jobb módot találjunk arra, hogy a növényi fenotipizálás (a növényi növekedési jellemzők mérése) a laboratóriumból a szántóföldre kerüljön, hogy ez is segítsen megoldani az előttünk álló főbb problémákat”,– mondta Guo.
