بینایی کامپیوتری و یادگیری عمیق در کشاورزی

بخش کشاورزی حکم ستون فقرات هر اقتصاد را دارد.  با این حال، با افزایش جمعیت، بخش کشاورزی تحت فشار قرار خواهد گرفت و نیاز خواهد داشت تا عرضه خود را به چندین برابر افزایش دهد تا با مصرف رو به رشد مقابله کند. علاوه بر این، عوامل نامعلومی مانند تغییرات آب و هوایی، بیماری ها و زمین های ناحاصلخیر نیز بخش کشاورزی را به سمت اتخاذ رویکردهای نوآورانه مانند بهره گیری از هوش مصنوعی سوق داده است تا محصول را محافظت و تولید را افزایش دهد.

هوش مصنوعی می تواند با کمک کردن  به کشاورزان در کاهش دادن خطرات بیماری، سازگاری فعال با شرایط متغیر آب و هوا، نظارت بر امنیت محصولات کشاورزی با استفاده از پهپادها و سایر موارد موثر عمل کرده و در حالی که هزینه های کار را پایین نگه می دارد، بخش کشاورزی را متحول کند (شکل 1). پیش بینی می شود که بازار کلی هوش مصنوعی در کشاورزی از حدود 1 میلیارد دلار در سال 2020 به 4 میلیارد دلار تا سال 2026 با نرخ رشد سالانه مرکب 25.5 درصد برسد.

مزایا

مزایای اصلی استفاده از هوش مصنوعی در بخش کشاورزی (شکل 2)

 کاهش ریسک و هزینه و افزایش بازدهی

کاربردهای هوش مصنوعی می توانند شرایط آب و هوا و خاک، مصرف آب و خطر بیماری ها را تجزیه و تحلیل کنند تا با ارائه اطلاعات ارزشمندی مانند زمان مناسب برای کاشت بذر، انتخاب صحیح محصول/بذر، به کشاورزان کمک کنند تا خطر شکست محصول را کاهش دهد. تشخیص زودهنگام بیماری ها، علف های هرز و آفات می تواند استفاده از مواد شیمیایی مانند علف کش ها و آفت کش ها را کاهش داده و هزینه ها را کاهش دهد. بسیاری از شرکت ها شروع به استفاده از ربات هایی کرده اند که می توانند تا 80 درصد از حجم مواد معمولا پاشیده شده روی محصولات را حذف کرده و هزینه های علف کش ها را تا 90 درصد کاهش دهند. علاوه بر این، استفاده از هوش مصنوعی در برداشت، چیدن و دستگاه های مکنده می تواند به سرعت مکان محصولات قابل برداشت را شناسایی کرده و به تعیین میوه های مناسب کمک کند. برداشت توت فرنگی یک مثال کلاسیک است. یک ربات می تواند به سرعت 8 هکتار در روز توت فرنگی بچیند. برداشت روزانه  به 30 انسان نیاز دارد. این می تواند در زمان صرفه جویی کرده و هزینه های کار را به طور قابل توجهی کاهش دهد.

تصمیم‌گیری درست

با استفاده از تصاویر ماهواره‌ای و داده‌های آب و هوا، برنامه‌های کاربردی هوش مصنوعی می‌توانند روند بازار مانند اینکه کدام محصولات تقاضای بیشتری دارند یا اینکه کدام محصولات سود بیشتری دارند را تجزیه و تحلیل کنند. این امر به کشاورزان کمک می‌کند تا با راهنمایی در مورد الگوهای قیمت آینده، سطح تقاضا، نوع محصول برای کاشت حداکثر سود، استفاده از آفت‌کش‌ها و غیره، درآمد خود را افزایش دهند.

کاربردها

کشاورزی: دام، طیور و ماهی

دام، محصولات لبنی (شیر، پنیر و کره)، طیور (تخم مرغ و گوشت) و ماهی منبع اصلی پروتئین روزانه برای بخش قابل توجهی از جمعیت هستند. با افزایش تقاضای مصرف غذا، کشاورزان احساس فشار می کنند که محیطی با کیفیت برای تعداد فزاینده ای از حیوانات در هر واحد مدیریت حفظ کنند. علاوه بر این، کمبود نیروی کار، کار را چالش برانگیزتر می کند. مدل های بینایی کامپیوتری می توانند خروجی دوربین مدار بسته (CCTV) حیواناتی مانند گاو، خوک، گوسفند و مرغ را تجزیه و تحلیل کنند تا شرایط محیطی مناسب و رفاه را تضمین کنند. علاوه بر این، آنها می توانند از طریق اتوماسیون مدیریت خانه، تحلیل رفتار، تخمین بیماری، اندازه گیری وزن، بررسی تخم مرغ، تشخیص ماهی، شناسایی، شمارش و غیره، اطلاعات ارزشمندی ارائه دهند (شکل های 3 و 4).

دام: سیستم‌های هوش مصنوعی می‌توانند حرکت حیوانات (گاو، خوک، گوسفند) را  به دامدار منتقل کرده و تشخیص دهند که آیا حیوان در حال راه رفتن، نوشیدن یا غذا خوردن است، که این امر مدیریت حیوانات در انبارهای بزرگ را آسان‌تر می‌کند. چنین سیستم‌هایی همچنین می‌توانند با شناسایی قسمت‌های مختلف صورت حیوان و مقایسه آن‌ها با الگوهای استاندارد صورت ارائه شده توسط دامپزشکان تشخیص دهند که آیا حیوان با در حال درد کشیدن است یا خیر.

طیور: ربات‌های مبتنی بر هوش مصنوعی می‌توانند به طور مداوم به حیوانات غذا دهند، تخم‌مرغ جمع‌آوری کنند و کود را بردارند. آن‌ها همچنین می‌توانند شمارش و بسته‌بندی تخم‌مرغ‌ها را پس از بررسی کیفیت آن‌ها و حذف تخم‌مرغ‌هایی که نزدیک به جوجه شدن هستند، ترک خورده یا کثیف هستند (پر و خون دارند) را خودکار کنند. علاوه بر این، سیستم‌های هوش مصنوعی می‌توانند دقت باروری را در مراحل اولیه انکوباسیون را نیز تعیین کنند.

گروه ویسکون، VINOVO Live Embryo Detection را معرفی کرد تا با استفاده از یک سنسور ضربان قلب ثبت شده، جنین‌های زنده داخل تخم‌ها را تشخیص دهد. با این حال، وجود تخم‌های غیر زنده داخل محفظه جوجه کشی می‌تواند یک خطر بیولوژیکی باشد و فضای اضافی را به طور غیرضروری اشغال کند.

ماهی: پهپادها می‌توانند بر مزارع دریایی ماهی نظارت کنند و فرایند بازرسی را برای شناسایی هرگونه آسیب و سوراخ روی تورهای زیر آب انجام دهند. پهپادها همچنین می‌توانند اطلاعات ذخیره ماهی و تغییرات محیطی را ردیابی کرده و داده‌هایی مانند سطح اکسیژن، pH، شور بودن و سطح آلودگی آب را جمع‌آوری کنند. علاوه بر این، تشخیص سطح گرسنگی ماهی توسط سنسورها می‌تواند به کشاورزان یا حتی ربات‌ها کمک کند تا متناسب با آن به ماهی‌ها غذا دهند.

پلتفرم AquaCloud که توسط Seafood Innovation Cluster و IBM راه‌اندازی شد، منجر به پرورش عملی، مدیریت منطقه و کنترل پاتوژن‌ها با نظارت بر شپش‌های دریایی شد که گفته می‌شود تهدیدی برای جمعیت سالمون وحشی نروژ هستند.

برآورد و حداکثر کردن محصول

برآورد محصول: برآورد بیش از حد محصول می‌تواند بر سودآوری تأثیر بگذارد. با این حال، برآورد کم می‌تواند منجر به هدر رفتن محصول و هزینه‌های اضافی شود. به‌طور جایگزین، برآورد صحیح محصول می‌تواند به کشاورزان کمک کند تا بدانند چه زمانی باید برداشت را شروع کنند تا با فروش مناسب، سود خود را به حداکثر برسانند. چالش برآورد محصول این است که این فرایند به چندین عامل پویا مانند ژنوتیپ محصول، عوامل محیطی، شیوه‌های مدیریتی و تعاملات آن‌ها بستگی دارد.

شبکه‌های عصبی عمیق امروزی می‌توانند با شمارش تعداد میوه‌ها، سبزیجات و گل‌ها از طریق تصاویر/فیلم، محصول را به‌طور دقیق پیش‌بینی کنند. آن‌ها حتی در برابر انسداد ناشی از برگ‌ها، شاخه‌ها، روشنایی و غیره نیز مقاوم هستند.

الگوریتم‌های مختلف یادگیری ماشین با استفاده از رگرسیون خطی، رگرسیون تعقیب پیش‌بینی (Drummond et al., 2003)، رگرسیون وزنی (Marko et al., 2016)، درختان تصمیم‌گیری (Romero et al., 2013) و استخراج قوانین برای برآورد محصول پیشنهاد شده است. Rahnemoonfar و Sheppard (2017) یک شبکه برآورد محصول برای شمارش گوجه فرنگی پیشنهاد می‌کنند. آن‌ها برای آموزش، تصاویر مصنوعی با پر کردن کل تصویر با دایره‌های رنگ سبز و قهوه‌ای برای شبیه‌سازی پس‌زمینه و گیاه گوجه فرنگی تولید می‌کنند که بعداً با یک فیلتر گاوسی تار می‌شوند. چندین دایره با اندازه‌های تصادفی برای ایجاد گوجه فرنگی‌های با اندازه متغیر (شکل 5) رسم می‌شوند.

در معماری خود، آن‌ها از یک لایه اصلاح شده Inception-ResNet-A (شکل 6) استفاده می‌کنند. این لایه می‌تواند با ترکیب نتایج از لایه‌های مختلف کانولوشن، ویژگی‌ها را در مقیاس‌های مختلف ثبت کند. نتیجه این ترکیب سپس از یک تابع خطی تصحیح شده برای محاسبه عبور می‌کند.

مخالفی و همکاران در سال 2020 اولین شمارش و برآورد محصول کیوی با استفاده از بینایی کامپیوتری را با تأکید بر بررسی نوک کیوی به جای کل میوه پیشنهاد کرد، زیرا بررسی نوک این میوه می‌تواند شکل‌ها، جهت‌ها و انسدادهای مختلفی را نشان دهد.

حداکثر کردن بهره وری محصول: مایکروسافت در حال همکاری با کشاورزان منطقه آندرا پرادش برای ساخت یک سیستم یادگیری ماشین است که می‌تواند با ارائه توصیه هایی در زمینه سودآورترین محصولات برای کاشت، تاریخ مناسب کاشت، تقاضا و روند بازار، آماده‌سازی زمین، کاربرد کود حیوانی، تیمار بذر، عمق بهینه کاشت، بهترین سیستم آبیاری، مقدار مناسب کودها و آفت‌کش‌ها و غیره موجب بهره وری 30 درصدی شود. این مدل از Cortana Intelligence Suite مایکروسافت استفاده می‌کند.

یک مدل یادگیری ماشین  می‌تواند با در نظر گرفتن تقاضای کل یک محصول مشخص، تعیین کند که آیا منحنی کشش قیمت برای یک محصول معین انعطاف پذیر یا بسیار انعطاف پذیر است. دانستن این داده‌ها می‌تواند به کشاورزان در پیش‌بینی قیمت‌ها و صرفه‌جویی میلیون‌ها دلار در سال در درآمد از دست رفته در کسب‌وکارهای کشاورزی کمک کند.

الگوریتم‌هایی مانند ماشین بردار پشتیبان (SVM)، جنگل تصادفی، رگرسیون لجستیک، شبکه‌های عصبی عمیق و غیره می‌توانند به راحتی کشش قیمت را پیش‌بینی کنند. ویژگی‌هایی که چنین مدل‌هایی می‌توانند با آن مرتبط باشند شامل پارامترهای آب و هوا (بارندگی، دما و غیره)، کودهای استفاده شده، نوع زمین، اطلاعات مربوط به خاک و سایر موارد است.

نظارت

تشخیص نفوذ:  ورودی های دریافتی نظارتی از دوربین‌های مدار بسته می‌توانند با تشخیص چهره، شناسایی نفوذ و ناهنجاری‌ها در مزارع بزرگ و ارسال هشدار به کشاورزان برای اقدام مناسب انجام دهند. این امر می‌تواند به جلوگیری از خطر تخریب محصولات و دام توسط حیوانات خانگی و وحشی کمک کند.

نظارت بر رشد/استرس: سیستم‌های بینایی کامپیوتری می‌توانند از اطلاعات دریافتی از  پهپادها برای نظارت بر الگوهای رشد محصولات، نقاط مرطوب/خشک، الگوهای خاص آب و تأثیر کودها و آفت‌کش‌ها استفاده کنند. علاوه بر این، سنسورها می‌توانند داده‌هایی درباره تغذیه خاک، محتوای آب، pH و شوری خاک ارائه دهند که می‌توان آن‌ها را برای انتخاب کودها و الگوهای آبیاری مناسب تجزیه و تحلیل کرد (شکل 7).

تصاویر با وضوح بالا و داده‌های چند حسگری از گیاهان می‌توانند به‌عنوان ورودی برای یک الگوریتم یادگیری ماشین برای فعال‌سازی ادغام داده‌ها و شناسایی ویژگی‌ها برای تشخیص استرس استفاده شوند. کل رویکرد را می‌توان برای تصمیم‌گیری بهتر به چهار مرحله (شناسایی، طبقه‌بندی، کمی‌سازی و پیش‌بینی) طبقه‌بندی کرد.

یک مثال از چنین استرسی،  در اینجا منظور ما استرس آبی است. این اتفاق به دلیل محدودیت دسترسی ریشه‌ها/خاک به آب یا افزایش تعرق رخ می‌دهد. تکنیک‌های یادگیری ماشین می‌توانند با نظارت و شناسایی چنین سناریوهایی، محتوای آب برگ (LWC) را تخمین بزنند. LWC یک شاخص ضروری برای بهره‌وری و عملکرد گیاه در مراحل اولیه رشد محصول است. روش‌های مبتنی بر رگرسیون و انسامبل می‌توانند به‌راحتی مقدار LWC را پیش‌بینی کنند که می‌توان آن را با پارامترهای دیگر ترکیب کرد تا سطوح استرس آبی را از طریق یک مدل طبقه‌بندی، طبقه‌بندی کرد.

مدیریت علف‌های هرز: علف‌های هرز باعث کاهش قابل توجه محصول می‌شوند زیرا مقدار زیادی از مواد مغذی خاک را مصرف می‌کنند. تحقیقات نشان می‌دهد که رقابت بین محصولات و علف‌های هرز بیش از 11 میلیارد دلار ضرر ایجاد می‌کند. بنابراین تشخیص و مدیریت آن‌ها برای کشاورزان بسیار مهم است. سیستم‌های بینایی کامپیوتری می‌توانند اطلاعات دریافتی پهپاد را برای جدا کردن علف‌های هرز از محصولات تجزیه و تحلیل کرده و آن‌ها را به‌صورت آنلاین از طریق لیزرها و اسپری‌ها حذف کنند.

BoniRob، یک ربات کشاورزی، از اطلاعات دریافتی دوربین و یک الگوریتم بینایی کامپیوتری برای شناسایی علف‌های هرز و حذف آن‌ها با رانندگی یک پیچ در خاک استفاده می‌کند. این الگوریتم با تجزیه و تحلیل اندازه، شکل و رنگ برگ‌ها، یاد گرفته است که بین محصولات و علف‌های هرز تمایز قائل شود. این امر به BoniRob امکان می‌دهد تا از طریق یک میدان سفر کند و گیاهان نامطلوب را به‌صورت آنلاین حذف کند (شکل 8).