Исследователи улучшили выращивание клубники с помощью машинного обучения
Исследование из Университета Западного Онтарио (Western University) может помочь фермерам, используя искусственный интеллект (ИИ) и пассивное камерное наблюдение для улучшения выращивания клубники.
В статье, опубликованной в журнале Foods, инженеры описывают новый подход на основе машинного обучения, который демонстрирует самую высокую на сегодняшний день точность и прецизионность в обнаружении спелости и болезней у клубники по сравнению с предыдущими попытками.
ИИ и компьютерное зрение использовались для мониторинга различных культур в течение последних двух десятилетий, но часто наблюдение осуществлялось дорогостоящими сторонними частными компаниями, что лишало контроля самих фермеров.
Джошуа Пирс (John M. Thompson Chair в области информационных технологий и инноваций) и профессор Суде Никан, вместе с коллегами, работают над новым проектом. Их подход доступен всем. Бесплатно.
Один из подходов команды — использование компьютерного зрения и автоматического обнаружения. Исследователи применили открытый исходный код и интегрировали новейшие методы, чтобы значительно улучшить общую точность.
Хотя будущие исследования будут использовать проверенную модель для традиционных уличных культур, данный проект был выполнен в агровольтаическом агротоннеле. Это внутренняя система выращивания с высокой плотностью, сочетающая вертикальные аэропонные (выращивание в воздухе) и гидропонные (выращивание в воде) гибридные системы, использующие высокоэффективные светодиодные фитолампы со спектральной оптимизацией. Все внутренние системы питаются от агровольтаики (солнечных фотоэлектрических систем над посевами) снаружи.
ИИ использовался ранее для мониторинга культур, но не с такой точностью, как в этом исследовании. Учёные значительно повысили точность обнаружения различных болезней, а также определения яркости (цвета) клубники, что критически важно для понимания качества урожая и определения оптимального времени сбора.
Новая модель достигла почти 99% точности в классификации спелости и болезней клубники, что делает её потенциально ценным инструментом в борьбе с глобальной проблемой пищевых отходов. Её работа в реальном времени позволяет проводить непрерывную и точную оценку урожая на протяжении всего сезона выращивания.
Снижение затрат и открытый доступ
ИИ может обнаруживать с высокой точностью, но часто требует огромных наборов данных, хранящихся на компьютерах с большим объёмом памяти, что дорого.
Сосредоточившись на операторах агровольтаики/агротоннелей и малых/средних фермах, Пирс и Никан искали решение для всех в сельскохозяйственном секторе.
Целью было не только повысить точность (выше 98%), но и уменьшить размер моделей ИИ, чтобы сделать их реализуемыми для фермеров и локального производства.
Для исследования объединились эксперты в разных областях: Пирс — специалист по солнечной энергетике, открытому 3D-печати и переработке с использованием ИИ для контроля качества, а Никан имеет многолетний опыт работы с ИИ и компьютерным зрением в различных приложениях.
Новая модель Western требует лишь небольшого количества исходных данных (в данном случае изображений), чтобы сгенерировать гораздо больший рабочий набор данных для отслеживания спелости и обнаружения болезней.
Поскольку модель полностью имеет открытый исходный код, она уравнивает возможности всех ферм — больших и малых, работающих в помещении или на открытом воздухе.
Программное обеспечение полностью бесплатно и открыто, и фермеры любого типа могут загрузить и адаптировать его под свои нужды.
Следующие шаги
Следующим шагом Пирс и Никан планируют испытать программное обеспечение на открытом воздухе, возможно, с использованием дронов, для мониторинга традиционных полей клубники. Кроме того, они используют ИИ для генерации синтетических изображений, чтобы ещё больше сократить необходимое количество реальных фотографий.
Вместо съёмки миллионов изображений клубники (низкоэффективный и дорогой подход) исследователи используют синтетические изображения и открытое программное обеспечение для самостоятельного создания миллионов изображений с относительно низкими вычислительными затратами. Это позволяет делать высокодетализированные наблюдения за спелостью и болезнями для конкретных растений.