از مزرعه تا روی میز ناهارخوری: چگونه هوش مصنوعی نوآوری در کشاورزی را هدایت می کند

گام به گام مشاهده کنید که چگونه هوش مصنوعی نوآوری را به کشاورزی آورده است تا از آن در رشد محصول، برداشت و تحویل محصولات کشاوری از مزرعه به روی میز ناهاری استفاده کند.

با توجه به اینکه انتظار می رود جمعیت جهان تا سال ۲۰۵۰، ۲ میلیارد نفر بیشتر می شود، برای ادامه روند تولید مواد غذایی برای افراد، به یک افزایش ۶۰ درصدی نیاز است. هوش مصنوعی (AI) با ایجاد نوآوری در کشاورزی به ما کمک می کند تا با این چالش مقابله کنیم. از نوآوری های هوش مصنوعی می توان برای نظارت بر دام، تجزیه و تحلیل رشد محصول، پیش بینی زمانی که تجهیزات مزرعه نیاز به تعمیر و نگهداری دارند و موارد دیگر استفاده کرد. کشاوری از نظر ما محدود به کاشت و برداشت است ولی این امر کاملا فراتر از این موضوع است.

برای درک بهتر تأثیر هوش مصنوعی در کشاورزی، اجازه دهید یک مثال خاص را در نظر بگیریم: در چرخه فرایند تولید یک میوه از مزرعه به درب خانه های ما چه اتفاقاتی می افتد؟

در این مقاله ما بررسی خواهیم کرد که چگونه هوش مصنوعی به ما در هر مرحله از فرآیند، از کاشت، رشد و برداشت گرفته تا پردازش، حمل و نقل و فروش میوه ها کمک می کند.

پذیرش فناوری جدید در کشاورزی برای کاشت میوه

اولین قدم در چرخه تولید میوه، انتخاب بذر و کاشت آنهاست. یک کشاورز باید تصمیم بگیرد که کدام میوه را برای این فصل بکارد. تکنیک‌های هوش مصنوعی مانند یادگیری ماشین می‌توانند برای تجزیه و تحلیل مقادیر زیادی از داده‌ها استفاده شوند تا به کشاورزان در انتخاب بهترین بذرها برای شرایط خاص مانند خاک و آب و هوا کمک کنند. با ارزیابی الگوهای آب و هوا، ترکیب خاک و داده‌های عملکرد محصول، هوش مصنوعی می‌تواند گونه‌های بهینه بذر را که احتمال رشد آن‌ها بیشتر است را توصیه کند. استفاده از هوش مصنوعی برای انتخاب بذر یک حوزه تحقیقاتی مداوم با علاقه و پتانسیل فراوان است.

برای مثال 2018 CGIAR Inspire Challenge حدود ۱۰۰ هزار دلار را به عنوان جایزه به یک پروژه اختصاص داد که بتواند با استفاده از یادگیری ماشین یک بذر را هوشمندانه انتخاب کند. این پروژه توسط محققان موسسه BioSense و CIMMYT رهبری شد. آنها از داده های مربوط به انواع مختلف ذرت در صدها ناحیه مورد ارزیابی در مکزیک برای توسعه مدل هایی استفاده کردند که عملکرد بذر را پیش بینی می کند. داشتن یک رویکرد داده محور، شانس یک برداشت موفق را افزایش داده و خطر شکست محصول را نیز کاهش می دهد. هنگامی که بهترین نوع دانه انتخاب شد، بینایی کامپیوتر می تواند برای بررسی کیفیت دانه ها وارد عمل شود.

استفاده از بینایی کامپیوتری برای ارزیابی کیفیت بذر

بینایی کامپیوتری می تواند برای تجزیه و تحلیل تصاویر با وضوح بالا از دانه های میوه استفاده کند تا عیوب، بیماری ها و ویژگی های ژنتیکی را که ممکن است با چشم انسان قابل مشاهده نباشد را شناسایی کند. برای تجزیه و تحلیل این تصاویر می توان از وظایف بینایی کامپیوتری مختلف از قبیل مرتب سازی، درجه بندی و ارزیابی کیفیت دانه ها استفاده کرد. با خودکارسازی این وظایف، هوش مصنوعی می‌تواند تضمین کند که فقط بذرهایی با بالاترین کیفیت کاشته می‌شوند و کشاورزان می‌توانند به محصول بهتری دست یابند.

به عنوان مثال، دسته‌بندی Seed X یک دسته بند بذر با هوش مصنوعی است که فرآیند انتخاب بذر را بهبود می‌بخشد. دسته بند، بذرها را به دو دسته تقسیم می کند: بذرهای باکیفیت که احتمال جوانه زدن دارند و به داخل جعبه اولیه هدایت می شوند، در حالی که بذرهایی که بعید است جوانه بزنند در جعبه ثانویه دسته بندی می شوند. این دسته بند وظایفی مانند ارزیابی رنگ، شکل، اندازه، خلوص ژنتیکی و پیش‌بینی نرخ جوانه‌زنی را انجام می‌دهد. به لطف استفاده از این دسته بند، سرعت جوانه زنی را می توان تا بیش از ۹۰ درصد افزایش داد که این موضوع به این معنی است که بذرهای بیشتری می توانند با موفقیت به گیاهان سالم تبدیل می شوند.

هوش مصنوعی همچنین می تواند برای بهبود تجزیه و تحلیل خاک و نظارت بر محصول استفاده شود. هواپیماهای بدون سرنشین با دوربین های پیشرفته بر فراز مزارع میوه پرواز می کنند و تصاویر دقیقی از سلامت خاک و گیاهان می گیرند. این تصاویر برای ایجاد نقشه هایی پردازش می شوند که تغییرات رطوبت خاک، سطوح مواد مغذی و سلامت گیاه را نشان می دهد. بر اساس اطلاعات حاصل از تجزیه و تحلیل تصویر، کارهایی مانند تشخیص علف های هرز، نظارت بر رشد، تخمین عملکرد، تنظیم آبیاری، کاربرد دقیق کودها و اجرای کنترل هدفمند آفات می تواند انجام شود. نظارت بر زمان واقعی با استفاده از هوش مصنوعی می تواند به بهبود بازده محصولات میوه و ترویج شیوه های کشاورزی پایدار کمک کند.

برداشت یک محصول فقط یک روز قبل یا بعد از زمان بهینه می تواند درآمد بالقوه کشاورز را از ۳.۷ درصد تا ۲۰.۴ درصد کاهش دهد. هوش مصنوعی می تواند به تعیین بهترین لحظه برای چیدن میوه ها کمک کند. روش‌های برداشت سنتی به شدت به عملیات دستی متکی بوده و ناکارآمدتر و زمان‌برتر هستند. روش‌های برداشت به کمک هوش مصنوعی از حسگرهای پیشرفته و الگوریتم‌های یادگیری ماشینی برای تجزیه و تحلیل داده‌ها در مورد رنگ، اندازه و شرایط محیطی میوه برای پیش‌بینی رسیدن آن استفاده می‌کنند. به این ترتیب، میوه ها در بهترین حالت خود برداشت می شوند که این امر منجر به عملکرد بهتر و ضایعات کمتر می شود.

بعد از برداشت، مرحله کلیدی بعدی دسته بندی و درجه بندی میوه ها است تا بهترین محصول به دست مصرف کنندگان برسد. از هوش مصنوعی می تواند برای تجزیه و تحلیل حجمی تقسیم بندی میوه استفاده شود. با استفاده از مدل های بینایی کامپیوتری مانند Ultralytics YOLOv8 می توان اندازه، شکل و کیفیت میوه را ارزیابی کرد.

این فرآیند شامل گرفتن تصاویر با وضوح بالا از میوه ها بر روی تسمه نقاله، تقسیم بندی میوه ها با استفاده از مدل YOLOv8 و انجام تجزیه و تحلیل حجمی برای اندازه گیری اندازه و شکل و تشخیص عیوب است. بر اساس تجزیه و تحلیل، میوه ها به طور خودکار طبقه بندی و به دسته های مختلف برای بسته بندی، پردازش یا توزیع مناسب طبقه بندی می شوند. مرتب‌سازی و درجه‌بندی مبتنی بر هوش مصنوعی کارایی، دقت و ثبات را بهبود می‌بخشد، ضایعات را کاهش می‌دهد و ارزش برداشت را به حداکثر می‌رساند.

وقتی که میوه ها دسته بندی و درجه بندی شدند، ماشین های بسته بندی اتوماتیک می توانند به دقت آن ها را بسته بندی کنند. سیستم های تشخیص کاراکتر نوری مبتنی بر هوش مصنوعی می توانند بسته بندی را برای صحت، ارزیابی برچسب ها، بارکدها و اطلاعات مهم دیگر در زمینه استاندارد ها و مقررات را بررسی کنند. با بررسی بسته بندی  به این شیوه، از شرایط هایی مثل منقضی شدن رویه ها نیز می توان جلوگیری کرد. هوش مصنوعی می تواند برچسب های اشتباه یا داده های منقضی شده را علامت گذاری کرده تا قبل از رسیدن به دست مشتری اصلاح شوند.

نوآوری های هوش مصنوعی در خرده فروشی و توزیع میوه ها

بیایید تصور کنیم که بهترین میوه ها را بسته بندی شده و آماده تحویل داریم. هوش مصنوعی می تواند بخش لجستیک و حمل و نقل میوه ها را با بهینه سازی مسیر بهبود بخشد. تازه نگه داشتن میوه ها در طول حمل و نقل و یافتن کارآمدترین مسیرهای تحویل از چالش های اصلی این حوزه است. الگوریتم‌های هوش مصنوعی می‌توانند الگوهای ترافیک، شرایط آب و هوایی و برنامه‌های تحویل را برای تعیین بهترین مسیرها و کاهش زمان و هزینه‌های سفر تجزیه و تحلیل کنند.

پس از رسیدن میوه ها به فروشگاه، هوش مصنوعی همچنان نقش مهمی در مدیریت موجودی و پیش بینی تقاضا دارد. سیستم‌های هوش مصنوعی می‌توانند داده‌های فروش، ترجیحات مشتری و روندهای فصلی را برای پیش‌بینی دقیق‌تر تقاضا تجزیه و تحلیل کنند. فروشگاه‌های خرده‌فروشی می‌توانند سطوح موجودی بهینه را بر اساس بینش‌های هوش مصنوعی حفظ کنند و خطر انباشت بیش از حد یا تمام شدن موجودی را کاهش دهند.

از بینایی کامپیوتر می توان برای نظارت بر قفسه ها به صورت لحظه ای استفاده کرد. با استفاده از تشخیص شی، دوربین هایی که از هوش مصنوعی بهره می گیرند می توانند کم بودن موجودی اقلام و یا قرار دادن اشتباه آن ها را شناسایی کنند و نحوه چینش آن در قفسه ها را نیز مجددا انجام دهند. هوش مصنوعی با اطمینان از اینکه مقدار مناسبی از محصولات تازه در زمان مناسب در دسترس است، به بهبود رضایت مشتری و کاهش ضایعات مواد غذایی کمک می کند.

تاثیر کلی هوش مصنوعی بر صنعت میوه

هوش مصنوعی این پتانسیل را دارد که نقش مهمی در کمک به مصرف‌کنندگان برای دریافت میوه‌های با کیفیت بهتر ایفا کند. یک کاربرد موفق استفاده از هوش مصنوعی در صنعت میوه Nature Fresh Farms است. Nature Fresh Farms حوزه فعالیت خود را با استفاده از فناوری هوش مصنوعی از بذر به فروشگاه تبدیل کرده است. حسگرهای مبتنی بر هوش مصنوعی و تجزیه و تحلیل داده ها به ردیابی و مدیریت همه چیز از سطح آب و هوا و رطوبت در گلخانه گرفته تا تدارکات حمل و نقل محصولات کمک می کنند. Nature Fresh Farms شرایط رشد، آبیاری کنترل شده و هزینه ها را بهینه کرده است. سیستم هوش مصنوعی همچنین می‌تواند ظرف ۲۴ تا ۴۸ ساعت پس از بسته‌بندی، محصولات را به قفسه‌های سوپرمارکت برساند و زمان حمل و نقل را به میزان قابل توجهی کاهش داده و تازگی را حفظ نماید.

علیرغم مزایای فراوان، استفاده از هوش مصنوعی در صنعت میوه دارای معایبی نیز است:

هزینه اجرا: سرمایه گذاری اولیه مورد نیاز در فناوری هوش مصنوعی می تواند زیاد باشد که این امر ممکن است مانعی برای برخی کشاورزان و تولیدکنندگان شود.

تعمیر و نگهداری: سیستم‌های هوش مصنوعی برای عملکرد مؤثر به تعمیر و نگهداری منظم و به‌روزرسانی نیاز دارند که این موضوع می‌تواند به هزینه‌های مداوم و پیچیدگی عملیاتی اضافه کند.

پیچیدگی استفاده: برخی از کشاورزان ممکن است درک و استفاده از فناوری هوش مصنوعی را امری دشوار بدانند که این موضوع فرایند آموزش و پشتیبانی را امری ضروری می کند.

فرایند برداشت در آینده چگونه خواهد بود

از انتخاب دانه‌ها تا رسیدن میوه‌ها، هوش مصنوعی در طول چرخه زندگی محصول، از مزارع گرفته تا رسیدن به میز ناهارخوری، کشاورزی را تغییر می‌دهد. این موضوع به کشاورزان کمک می کند تا بر سلامت خاک نظارت کنند، بهترین زمان برداشت را پیش بینی کنند و محصول را به طور دقیق مرتب نمایند. هوش مصنوعی با بهینه سازی منابع، کاهش ضایعات و بهبود عملکرد محصول، کشاورزی را کارآمدتر و پایدارتر می کند.