Umělá inteligence v zemědělství: systém sledování populace prasat

Brutální inteligence. Umělá inteligence se naučila vážit prasata na dálku a ušetřit tak 50 milionů rublů. v roce

Tulský zemědělský komplex Lazarevskoye vyvinul systém AI, který využívá videokamery k vážení prasat a zjišťování jejich zdravotního stavu. Podle vývojářů produkt za rok ušetřil asi 50 milionů rublů. Zemědělský holding plánuje řešení komercializovat.

Denis
Telmanov
© ComNews
23.08.2023

Leonid Komionko, projektový manažer společnosti Lazarevskoe TECH, hovořil o vývoji AI řešení pro hodnocení kondice prasat na odborné diskusi „Jak vytěžit maximum z velkých dat?“ konference AI IN 2023 v Innopolis. Zavedení AI v tulské prasečí farmě podle něj umožnilo ušetřit 50 milionů rublů. v roce.

„Ekonomická efektivita na příkladu chovné farmy Lazarevskoye (PH) za jeden rok činila 50 milionů rublů. Účinek zvýšení bezpečnosti hospodářských zvířat o 1% je 3,9 milionu rublů. v roce. Snížení poměru konverze krmiva (FCC) o 0,2 dává 24,3 milionů rublů. za rok (KKK je poměr celkového množství krmiva vynaloženého na každé zvíře a celkového přírůstku jeho hmotnosti – Cca. ComNews). Zkrácení doby výkrmu o pět dní dává dalších 21,7 milionu rublů. za rok,“ řekl Leonid Komionko.

Zdůraznil, že těchto ukazatelů bylo dosaženo zavedením AI řešení pro analýzu chování prasat a jejich hmotnosti. „Cílem projektu Neinvazivní vážení je měření hmotnosti a bezpečnosti prasat v kotcích ve fázi výkrmu. Jedná se o včasné odhalení zvířat, která nepřibrala a díky tomu se snižují náklady na jejich výkrm. Součástí systému je také identifikace zvířat a výpočet vzorců jejich chování. Našimi partnery jsou Innopolis a Sber,“ řekl Leonid Komionko.

Zavedení systému podle něj umožňuje snížit konverzní poměr krmiva a zvýšit bezpečnost hospodářských zvířat, protože zvířata díky pravidelnému vážení nepociťují stres, nehubnou a méně onemocní, což je jeden z nejzávažnější faktory, které ovlivňují proces chovu zvířat.

„Doba držení zvířat ve fázi výkrmu se zkracuje – to znamená, že je možné sledovat přístup zvířete ke krmelci. Jak to vypadá: zvíře je neustále sledováno, a pokud zvíře nějakou dobu nepřijde ke krmelci – mohou to být čtyři hodiny nebo jiná doba – specialista dostane upozornění a ten pak cíleně pošle skupinu lidí tam kdo musí řešit situace. To pomáhá nevytvářet žádné nepříjemnosti pro zvířata a neovlivňuje hubnutí,“ poznamenal vývojář.

Řekl také, že projekt se objevil kvůli touze chovatelů hospodářských zvířat snížit kroky vážení. „To se na prasečích farmách stává jednou týdně, ne častěji. To ale neumožňuje sledovat účinnost krmiva, které je prasatům podáváno, a pokud je prase nemocné, pak se to chovatelé dozvědí až dodatečně – možná za týden, možná za dva, nebo možná za měsíc a ve skutečnosti to budou jíst celou dobu, aby se krmili, je to zbytečné,“ poznamenal zástupce farmy Lazarevskoye.

Jak to funguje

Leonid Komionko uvedl, že systém obsahuje čtyři moduly – měření hmotnosti, identifikaci prasat, detekci vzorců chování a výběr snímků. „Vypadá to takto krok za krokem: prvním krokem je najít rám s dobrým umístěním. Dále přichází na řadu určení polohy prasete – tedy určíme horní a spodní část prasete. Třetím krokem je nalezení obrysu. A čtvrtá je segmentace. Dále jsou všechny tyto informace přeneseny do modulu predikce hmotnosti a jsou již zpracovány. V důsledku toho vidíme, že přesnost modulu předčí jakéhokoli specialistu na hospodářská zvířata, což nám přináší velké finanční zisky,“ řekl Leonid Komionko.

Podle něj byl pro realizaci projektu vytvořen datový soubor z videodat za 100 dní výkrmu prasat, bylo ručně označeno více než 1000 snímků, byly vyvinuty algoritmy pro automatické označování videozáznamů a byly provedeny výzkumné práce na cvičném umělém inteligenci k určení hmotnosti prasat. „Jsme již ve fázi realizace tohoto projektu na farmě Lazarevskoye – to je náš zákazník. Na základě výsledků aplikace bude projekt uvolněn k replikaci,“ zdůraznil vývojář.

Poznamenal, že chovná farma Lazarevskoye je největší v regionu Tula, má více než 60 tisíc kusů prasat, závod na zpracování masa s kapacitou 10 tisíc tun masa ročně, dílnu na produkci rostlin o rozloze 25 tisíc hektarů, krmivárna s kapacitou 45 tisíc tun ročně. V Lazarevskoje se také staví závod na výrobu osiv, který by měl být uveden do provozu v roce 2025.

Alexander Krainov, ředitel pro vývoj technologií umělé inteligence ve společnosti Yandex LLC, označil projekt neinvazivního vážení prasat za velmi zajímavé využití řešení AI v reálném světě.

„Jsem člověk z digitálního světa, a když se podíváte na to, jak ML a práce s daty obecně pomáhají v reálném světě, je to prostě super zajímavé. Chytlo mě to hned od prvního snímku – bylo to poprvé, co jsem viděl data měřená v tunách. A hlavní závěr, který jsem si pro sebe vyvodil, je ten, že o výsledcích vážení zřejmě není třeba mluvit, to lidi znervózňuje a hubne, a proč potřebujeme hubená prasata,“ hodnotil s humorem Lazarevského zprávu Alexander Krainov. .

Jaké jsou vyhlídky umělé inteligence v zemědělství?

Tisková služba Lazarevského nebyla schopna odpovědět na otázky ComNews o vyhlídkách na komercializaci programu pro neinvazivní vážení prasat s tím, že o tom připravuje zprávu na příští týden. Několik zemědělských podniků také odmítlo diskutovat o produktu Lazarevsky s tím, že podobná řešení vyvíjejí sami.

Tisková služba Aliance v oblasti AI řekla ComNews, že řešení AI jsou aktivně implementována v zemědělských podnicích. „Aliance v oblasti AI zahrnuje dvě společnosti v agroprůmyslovém komplexu – Rusagro a Uralchem, které široce využívají technologie AI. S jejich vedením jsme spustili průmyslový klub „AI v agro-průmyslovém komplexu (AIC)“, který zahrnuje také poskytovatele řešení AI a startupy. Mezi účastníky klubu jsou Agrosila, Tavros, Ak Bars, Smart Agro, Sber Business Soft, Geomir, Infobis, NTI Foodnet a další společnosti. Můžeme s jistotou říci, že průmyslová aplikace AI je absolutním trendem a zrychlení tempa implementace AI v průmyslových odvětvích je jedním z úkolů, na kterém pracujeme,“ uvedla tisková služba AI ​​Alliance.

Zejména podle tiskové služby Aliance byly během prvního setkání klubu schváleny srovnávací metriky pro vyhodnocování modelů strojového učení v odvětví, byly vyvinuty modely ML a interakční protokoly, význam vývoje systému pro školení zaměstnanců v oboru s odbornými znalostmi byla určena oblast umělé inteligence a význam zlepšení regulační základny a průmyslových dotací pro umělou inteligenci a standardizace základních průmyslových dat a mechanismů pro jejich výměnu.

„Členové klubu se chopili iniciativy vytvořit první velký průmyslový jazykový model v Rusku na příkladu agroprůmyslového komplexu. Řešení je zaměřeno na každodenní využití pole managementem společnosti i zemědělci: okruh požadavků může zahrnovat získání aktuálních dat o počasí, stavu práce na poli a vegetačním indexu. Na schůzce byly rovněž diskutovány vyhlídky na vytvoření oborových doporučovacích služeb pro používání minerálních hnojiv. Zavedení takových systémů může podle prognóz zajistit až několik desítek procent zvýšení ekonomické efektivity pro zemědělské výrobce stanovením optimálních aplikačních dávek s přihlédnutím k agronomickým charakteristikám každé konkrétní farmy,“ uvedl tiskový servis Aliance.

Umělá inteligence v zemědělství: roboti, počítačové vidění a váhy pro prasata

V roce 2017 začala umělá inteligence dobývat zemědělství a potravinářský průmysl. Sergey Nikolenko, vědecký ředitel platformy Neuromation.io, mluví speciálně pro Milknews o budoucích zemědělských aplikacích, ve kterých lze použít syntetická data.

Počítačové vidění pro analýzu plodin: podívejte se a uvidíte

Moderní zemědělství je obrovský průmysl. Abyste uživili miliardy lidí, potřebujete hodně půdy a obdělávat ji ručně v naší době už samozřejmě není možné. Choroby rostlin a invaze hmyzu často vedou k neúrodě a v moderním měřítku zemědělství je obtížné takové invaze včas identifikovat a neutralizovat v zárodku.

Toto je důležitá oblast, kde mohou pomoci algoritmy počítačového vidění. Pěstitelé plodin používají počítačové vidění k rozpoznání chorob plodin: jak na mikroúrovni pomocí detailních fotografií listů a rostlin, tak na makro úrovni, kdy pomocí leteckého snímkování identifikují rané příznaky chorob rostlin nebo šíření škůdců. Všechny tyto projekty jsou obvykle založeny na hlavním moderním přístupu k počítačovému vidění: konvoluční neuronové sítě (CNN).

Všimněte si, že zde mluvíme o počítačovém vidění ve velmi širokém smyslu. Fotografie v mnoha případech nejsou nejlepším zdrojem dat a mnoho důležitých aspektů života rostlin je lépe studovat jinými způsoby. Zdraví rostlin lze často lépe pochopit například sběrem hyperspektrálních snímků pomocí speciálních senzorů nebo prováděním 3D laserového skenování; Tyto metody se stále více používají v agronomii. Tento typ dat má obvykle vysoké rozlišení a je svou povahou bližší lékařským snímkům než fotografiím; Přesně tak se nazývá jeden ze systémů monitorování výsadby – AgMRI. Pro zpracování těchto dat jsou potřeba speciální modely, ale jejich prostorová struktura umožňuje využití moderních technologií počítačového vidění, zejména konvolučních neuronových sítí.

Nedávno bylo na univerzitě v Saskatchewanu investováno 37 milionů dolarů do zřízení výzkumného centra rostlinného fenotypování a zobrazování. Jedná se o celou organizaci, jejímž hlavním úkolem je shromažďovat velké soubory dat o plodinách (obvykle ve formě fotografií nebo výše popsaných trojrozměrných obrázků) a porovnávat fenotypová data s genotypem rostlin; výsledky takových projektů lze využít ke zlepšení zemědělských technologií po celém světě.

Robotika v zemědělství

Seznamte se s Prosperem, autonomním farmářským robotem, který vypadá strašně jako WALL-E. Dokáže vykopat díru v zemi a zasadit tam rostlinu podle předem stanovených obecných vzorů, ale také s přihlédnutím ke specifickým rysům krajiny. Poté se o výsadbu postará Prospero, přičemž bude pracovat s každou rostlinou individuálně. A až přijde čas, sklidí úrodu a zároveň každou rostlinu opět zpracuje přesně podle potřeby. Prospero je založeno na konceptu „rojového farmaření“: podívejte se na toto video a představte si armádu malých Prosperů, jak se plazí po polích a zanechávají za sebou úhledné řádky rostlin.
Zajímavé je, že Prospero se ve skutečnosti datuje do roku 2011, před vzestupem moderní revoluce hlubokého učení. Stále však zůstává prototypem, který zatím nenašel široké uplatnění. A dnes se v zemědělství rozšiřují roboty, které umožňují automatizovat stále více rutinních úkolů:

• automatizované drony postřikují plodiny; Malé, svižné drony dokážou dopravit nebezpečné chemikálie přesněji než konvenční letadla; Stejné stříkací drony lze navíc použít i pro letecké snímkování, ze kterých budou získávána data pro algoritmy počítačového vidění z první části tohoto článku;
• Stále více se vyvíjejí a používají specializovaní roboti pro sklizeň: sklízecí mlátičky existují již dlouhou dobu, ale teprve nyní se podařilo s pomocí moderních metod počítačového vidění a robotiky vyvinout například robota, který sbírá jahody;
• Hortibot, nedávno vyvinutý vědci z Aarhus University v Dánsku, je schopen rozpoznat a zničit plevel tím, že je odstraní mechanicky nebo bodovým postřikem herbicidy; Jde o další velký úspěch moderní robotiky a počítačového vidění, protože rozlišování plevelů od užitkových rostlin a práce s malými rostlinami pomocí manipulátorů nebyly dříve nijak zvlášť úspěšné.

Přestože jsou mnohé z těchto robotů stále prototypy nebo se testují v malém měřítku, už nyní je jasné, že robotika a zemědělství jsou stvořeny jedna pro druhou. Dá se s jistotou předpovědět, že v blízké budoucnosti bude stále více zemědělských prací automatizováno.

Video sledování hospodářských zvířat: Velký bratr pro prasátko

Konečně třetí zemědělská aplikace umělé inteligence z velké části ještě ani nevznikla. Jedná se o pilotní projekt, který společnost Neuromation plánuje spustit začátkem tohoto roku. Tento projekt plánuje přinést moderní počítačové vidění do odvětví, kterému se dosud nedostalo velké pozornosti ze strany komunity hlubokého učení: živočišného zemědělství.
Pokusy o využití strojového učení na datech sledování hospodářských zvířat již samozřejmě byly. Například pákistánský startup Cowlar vydal obojek, který na dálku monitoruje aktivitu a teplotu krav a buvolů pod chytlavým sloganem „FitBit for Cows“ a francouzští vědci vyvíjejí „rozpoznání obličeje pro krávy“. Neuromation si klade za cíl automatizovat sběr kritických dat pomocí počítačového vidění v dříve opomíjeném odvětví v hodnotě stovek miliard dolarů: v chovu prasat.
Na moderních farmách jsou prasata chována v relativně malých skupinách, do kterých jsou vybírána zvířata, která jsou si co nejvíce podobná. Hlavní část nákladů v chovu prasat pochází z krmiv a optimalizace procesu výkrmu je ústředním úkolem moderního chovu prasat.
A farmáři by tento problém s největší pravděpodobností dokázali vyřešit, kdyby měli podrobné informace o přírůstku hmotnosti prasat. Nyní se však zvířata za celý život obvykle váží jen dvakrát: na samém začátku a na samém konci výkrmu. Pokud by odborníci věděli, jak je každé sele vykrmováno, bylo by možné vytvořit pro každé prase individuální výkrmový program, případně i individuální složení potravinářských přídatných látek, které by výrazně zlepšily užitkovost.
Dostat zvířata na váhu není příliš obtížné, ale pro zvíře je to obrovský stres a prasata díky němu hubnou. Nový projekt plánuje vyvinout novou, neinvazivní metodu pro vážení zvířat: Neuromation vybuduje model počítačového vidění, který bude odhadovat hmotnost prasat z foto a video dat. A tyto odhady budou vloženy do vstupu klasických analytických modelů strojového učení, které zlepší proces výkrmu.

Zemědělství jako hranice pro umělou inteligenci

Zemědělství a chov zvířat jsou často považovány za zastaralá a zaostalá odvětví. Zemědělství je však dnes stále více v popředí umělé inteligence.

Hlavním důvodem je, že v zemědělství vzniká mnoho úkolů současně:

• jsou natolik složité, že je nelze automatizovat bez použití moderní umělé inteligence a hlubokého učení: pěstované rostliny a prasata, i když jsou si navzájem podobné, stále nevycházejí ze stejné montážní linky, každý keř rajčat a každé prase vyžadují individuální přístup; , a Proto až donedávna byl lidský zásah naprosto nezbytný;
• ale zároveň dostatečně jednoduché na to, abychom je i s dnešním rozvojem umělé inteligence dokázali vyřešit s přihlédnutím k individuálním rozdílům mezi rostlinami a zvířaty, ale zároveň s automatizací obecných technologií pro práci s nimi; řízení traktoru na otevřeném poli je jednodušší než řízení auta v provozu a vážení prasete je jednodušší než naučit se projít Turingovým testem.

Zemědělství je stále jedním z největších a nejdůležitějších průmyslových odvětví na planetě a i malá zlepšení v efektivitě přinesou obrovské zisky už jen díky pouhému rozsahu.