Боротьба зі шкідниками сільськогосподарських культур зазнає змін з появою Робот зі штучним інтелектом, здатний виявляти хвороби всього за 10 секунд і застосовувати саме в цей момент точну дозу пестициду лише там, де дерево цього потребує. Ця пропозиція ідеально відповідає європейському зобов'язанню точніше та сталіше сільське господарство, що зменшує надмірне використання пестицидів, не залишаючи плантації незахищеними.
Система, розроблена в науковій галузі та вже запатентована, була успішно випробувана в оливкові гаї та інші деревні культури Він розроблений для інтеграції в інтенсивне сільське господарство, де кожне дерево має значення, а норми прибутку невеликі. Ідею легко пояснити, хоча й складно втілити: машина може діагностувати стан дерева в режимі реального часу та діяти оперативно, замість того, щоб без розбору обприскувати все поле.
Союзник на базі штучного інтелекту проти шкідників, що руйнують врожай
Шкідники та хвороби залишаються одними з найбільших проблем сільськогосподарського сектору. Міжнародні організації оцінюють, що Близько 40% світового сільськогосподарського виробництва втрачається щороку через комах, грибки, бактерії та віруси, що вражають сільськогосподарські культури. За цими цифрами криються економічні втрати, ризики для продовольчої безпеки та постійний тиск на виробників.
Досі найпоширенішою реакцією на спалах було масова фумігація ділянокЯкщо проблема виявляється на одній ділянці, всю культуру обприскують без розрізнення здорових і хворих дерев. Це означає використання більшої кількості агрохімікатів, ніж необхідно, збільшення виробничих витрат і посилення впливу на навколишнє середовище, що суперечить цілям Європейського Союзу щодо скорочення використання пестицидів у найближчі роки.
Новий робот на базі штучного інтелекту був створений саме для того, щоб зламати цю логіку. Замість того, щоб розглядати поле як однорідну поверхню, Він аналізує стан кожного дерева та його листя в режимі реального часу.Система визначає, чи є захворювання, і на основі цього застосовує продукт локально. Таким чином, лікування застосовується лише там, де є реальна проблема, уникаючи марнування продукту на здорові ділянки.
Ця філософія добре поєднується з точне землеробство Ця технологія набирає обертів в Іспанії та Європі, особливо для інтенсивних культур, таких як оливкові гаї, цитрусові, кісточкові та зерняткові фрукти. Поєднуючи датчики, штучний інтелект та автоматизацію, вона відкриває шлях до набагато точнішого управління фермерським господарством, що цікаво як для великих маєтків, кооперативів, так і для невеликих, технологічно розвинених ферм.
З лабораторії в поле: як навчали штучний інтелект
Одним із найбільших викликів проекту було забезпечення того, щоб штучний інтелект функціонуватиме в реальних польових умовахІ не лише за допомогою ідеальних лабораторних фотографій. На практиці листя виглядає з тінями, змінами освітлення, різною орієнтацією і навіть змішаним з плодами чи квітами, що значно ускладнює автоматичну діагностику.
Щоб подолати цю перешкоду, а спеціальна база даних, що містить приблизно 4.000 зображень Фотографії, зроблені вручну в польових умовах, містили здорове листя, хворе листя, а також зразки, які могли ввести в оману, такі як частини плодів або розфокусовані ділянки.
З цим матеріалом, нейронні мережі системи щоб він навчився розрізняти здорове листя, хворе листя та некласифіковані зразкиЦя третя категорія є ключовою: коли зображення не пропонує достатньої якості (через тіні, погане освітлення або рух), штучний інтелект відкидає його замість того, щоб намагатися форсувати діагноз, тим самим зменшуючи ризик помилок.
Результатом цього безперервного процесу навчання є алгоритм, здатний досягти точності близької до 90% у виявленні захворюваньнавіть за змінних умов освітлення та за руху дерев під час просування робота. Йдеться не лише про те, щоб знати, чи дерево хворе, чи ні, але й про вимірювання ступеня пошкодження на основі співвідношення пошкодженого листя до здорового.
Паралельно з роботою комп'ютерного зору були визначені шаблони реагування системи: як тільки штучний інтелект розраховує ступінь пошкодження, перетворює інформацію на конкретні інструкції щодо дозування для аплікаційного обладнання, що дозволяє регулювати інтенсивність обробки відповідно до ступеня виявленого вогнища.
Робот, який діагностує та фумігує менш ніж за 10 секунд
Окрім алгоритмічної розробки, вражає в цій системі те, що швидкість, з якою він завершує весь робочий циклВід моменту, коли камера виявляє дерево, до моменту нанесення засобу, процес займає не більше десяти секунд, що особливо актуально на фермах, де роботу доводиться пересуватися вздовж довгих рядів рослин.
Пристрій об'єднує два основні модулі: у Спереду розташована камера, яка фотографує листя та крону. Під час руху по посівах, ззаду розташована роботизована рука, оснащена кількома дозуючими форсунками, підключеними до системи обприскування. Обидва елементи координуються штучним інтелектом для синхронної роботи.
Робочий процес можна звести до трьох пов'язаних кроків. Спочатку фронтальна камера сканує дерево та надсилає зображення до системи комп'ютерного зору. Потім штучний інтелект... Він класифікує наявність захворювання, визначає тип проблеми та розраховує рівень впливу. за лічені секунди. Зрештою, роботизована рука позиціонується та застосовує потрібну кількість пестициду саме в тій ділянці, де було виявлено зараження.
Дозування неоднорідне: робот може варіювати інтенсивність обробки залежно від ураженої частини дереваЯкщо зараження зосереджено у верхніх зонах, збільште дозу у верхній частині; якщо проблема знаходиться в середніх або нижніх частинах, скоригуйте застосування відповідно до цих зон. Крім того, розглядаються стратегії, за яких найбільш уражена зона отримує 100% цільового продукту, прилеглі зони - 50%, а найвіддаленіші точки - 25%, діючи превентивно, щоб уникнути поширення проблеми.
Така логіка дій робить робота інструментом, здатним поєднувати коригувальні, профілактичні та навіть прогностичні методи лікуваннязавжди базується на тому, що вона «бачить» та аналізує на місцях. Наступним запланованим кроком є встановлення системи на задній частині трактора та підключення її до GPS-приймача для автоматичне відображення кожне втручання, щось дуже корисне для довгострокового управління фермою.
Застосування в оливкових гаях, цитрусових та інших європейських культурах
Прототип спочатку був розроблений для інтенсивне виробництво оливкових гаївЦей сектор має значну вагу в таких регіонах, як Андалусія, Естремадура, Кастилія-Ла-Манча, а також у деяких частинах Італії та Греції, де оливкові дерева є ключовою культурою. Робота з оливковими деревами дозволила перевірити систему на деревному, багаторічному виді з високою економічною цінністю, шкідники та хвороби якого добре відомі галузі.
Однак, архітектура робота розроблена таким чином, щоб бути адаптується практично до будь-якого типу деревних культурЗа допомогою відповідного навчання та калібрування, ту саму технологію можна застосовувати до цитрусових (апельсинові, лимонні, мандаринові дерева), зерняткових (яблуні, груші), кісточкових (персики, слива, вишня) або навіть до певних конфігурацій виноградників з шпалерами.
У секторі цитрусових однією з сфер уваги є покращення раннє виявлення серйозних та важко лікованих захворюваньМожливість робота проходити по рядах, виявляти перші симптоми та позначати дерева, які необхідно видалити або обробити більш інтенсивно, пропонує корисний інструмент для зупинки поширення патологій, які в багатьох випадках не піддаються лікуванню та змушують видаляти уражені екземпляри.
Ця можливість швидкого та локалізованого виявлення відповідає стратегії контролю, що пропагуються в Європейському Союзі обмежити шкоду, спричинену новими патогенами та інвазивними шкідниками. Чим швидше спалах буде виявлено та усунено, тим менша ймовірність того, що він перетвориться на регіональну проблему з пов'язаними з цим економічними та комерційними наслідками.
Потенціал інструменту не обмежується діагностикою та лікуванням: інтегруючи інформацію, зібрану штучним інтелектом, із системами позиціонування та картографування, можливо… створити детальні карти розвитку хвороб у польових умовахЦе допомагає технікам планувати завдання, коригувати графіки лікування та приймати рішення на основі даних, а не лише випадкових візуальних оглядів.
Менше пестицидів, менший вплив на навколишнє середовище та економія коштів
Одна з сильних сторін цього робота зі штучним інтелектом полягає в тому, що Це пориває з моделлю масової фумігації який використовується десятиліттями. Обробляючи лише ті дерева та ділянки, які цього потребують, споживання продукту значно зменшується, а разом з ним і прямі витрати на кожну кампанію фітосанітарної обробки.
Зменшення обсягу використовуваних агрохімікатів має очевидний побічний ефект: Кількість пестицидів, що потрапляють у ґрунт, воду та навколишнє середовище, зменшується.Це зменшення впливу на навколишнє середовище особливо актуальне в той час, коли європейські правила стають дедалі суворішими, як щодо обмежень на відходи, так і щодо використання певних активних інгредієнтів.
Крім того, автоматизація частини процесу допомагає зменшити прямий вплив потенційно токсичних продуктів на операторівОскільки роботизована рука наближається до верхівки дерева та виконує обробку, працівники можуть перебувати на більшій відстані та зосередитися на таких завданнях, як нагляд, технічне обслуговування та керування обладнанням.
З економічної точки зору, можливість коригування доз та областей застосування відкриває двері до набагато ефективніші стратегії управлінняВ умовах зростання витрат на сировину та енергію, можливість заощаджувати продукцію без втрати ефективності боротьби зі шкідниками стає конкурентним фактором для багатьох фермерських господарств, як великих, так і середніх.
Зрештою, система пропонує додаткову перевагу: фіксуючи все, що робить культура, і як на це реагує, вона дозволяє створювати історичні дані, що сприяють прийняттю рішень у наступних сезонах. Знання того, де з'явилися нові спалахи, як вони відреагували на певні методи лікування або які закономірності повторюються сезон за сезоном, є цінною інформацією для будь-якого виробника, який хоче вдосконалити свою стратегію.
Поєднання машинного зору, нейронних мереж та локалізованого застосування в цьому роботу на базі штучного інтелекту пропонує чіткий приклад того, як технології можна інтегрувати в сільське господарство, щоб зробити його точнішим, ефективнішим та відповідальнішим. Оскільки польові випробування розширюються, а результати спостерігаються на різних фермах та культурах, все свідчить про те, що ці типи рішень відіграватимуть дедалі важливішу роль у щоденній роботі інтенсивних ферм в Іспанії та решті Європи.
