هوش مصنوعی و پهپادها برای کمک به کشاورزان

به دلایل امنیت‌غذایی و انگیزه‌های اقتصادی، کشاورزان به طور مداوم به دنبال به حداکثر رساندن محصولات قابل فروش خود هستند. از آنجایی که گیاهان به طور ناهمسانی رشد می‌کنند، در زمان برداشت، ناگزیر تغییراتی در کیفیت و اندازه هر محصول وجود خواهد داشت. بنابراین یافتن زمان بهینه برای برداشت یکی از اولویت‌های کشاورزان است. رویکرد جدیدی که از پهپادها و هوش‌مصنوعی استفاده می‌کند، این تخمین را با تجزیه و تحلیل دقیق محصولات برای ارزیابی ویژگی‌های رشد احتمالی آن‌ها، به وضوح بهبود می‌بخشد.

برخی از داستان های علمی تخیلی که در مورد آینده صحبت می‌کنند، زمانی را به تصویر می‌کشند که کارهای سخت در زمینه‌های مختلف توسط ماشین‌ها انجام می‌شود. یکی از این زمینه‌ها کشاورزی است که در آن اتوماسیون تأثیر چشم‌گیری خواهد گذاشت. برای اولین بار، محققان دانشگاه توکیو، یک سیستمی نیمه‌خودکار را برای بهبود عملکرد برداشت محصول نشان داده‌اند که آینده روشنی خواهد داشت. این راهکار می‌تواند راه را برای پیشرفت‌های آینده هموار کند به این امید که روزی بتوانند کاملا خودکار شود و محصولات را مستقیماً برداشت کنند. دکتر وی گوئو از آزمایشگاه فنومیکس می‌گوید:« این ایده نسبتا ساده است، اما طراحی و اجرای آن فوق العاده پیچیده است. اگر کشاورزان زمان ایده‌آل برای برداشت مزارع را بدانند، می‌توانند ضرر را کاهش‌دهند که برای هم مصرف‌کنندگان و همچنین محیط‌زیست مفید است. اما تعیین کردن بهینه‌ترین زمان برداشت مسئله ساده‌ای برای پیش بینی نیست و در حالت ایده‌آل نیاز به اطلاعات دقیق هر گیاه دارد. اگر برای جمع‌آوری اطلاعات افرادی به کار گرفته شوند، هزینه و زمان زیادی خواهد داشت. اینجاست که پهپادها وارد می‌شوند.»

گوئو و تیمش نشان داده‌اند که برخی از پهپادهای ارزان‌قیمت با نرم‌افزارهای تخصصی می‌توانند گیاهان‌جوان مانند کلم بروکلی در مورد این مطالعه، تصویربرداری و تجزیه و تحلیل کنند و به طور دقیق ویژگی‌های رشد مورد انتظار آنها را پیش‌بینی کنند. پهپادها چندین بار فرآیند تصویربرداری را انجام می‌دهند و این کار کاملا بدون دخالت انسان‌ها انجام می‌شود، به این معنی که سیستم از نظر هزینه‌ها به نیروی کار کمی نیاز دارد. گوئو اضافه کرد:« ممکن است برخی تعجب کنند که با برداشت محصول یک مزرعه به اندازه یک روز قبل یا بعد از زمان بهینه، می توان درآمد آن مزرعه را ۳.۷٪ الی ۲۰٪ کاهش دهد. اما با این سیستم، پهپادها هر گیاهی را در مزرعه شناسایی و فهرست‌بندی می‌کنند. سپس داده‌های تصویربرداری را به مدلی که از یادگیری عمیق برای تولید داده‌های بصری قابل درک آسان برای کشاورزان ساخته‌ شده‌است، تغذیه می‌کنند.با توجه به هزینه‌های نسبتا پایین این سیستم‌ها، نسخه تجاری آن می‌تواند در دسترس بسیاری از کشاورزان قرار گیرد.»

در این مسیر چالش اصلی این تیم در تجزیه و تحلیل تصویر‌ها و جنبه‌های یادگیری عمیق بود. جمع‌آوری داده‌های تصویری نسبتاً آسان و بدون دردسر است، اما با توجه به نحوه حرکت گیاهان در باد و تغییر نور با زمان و فصول، داده‌های تصویری حاوی تغییرات زیادی است که اغلب ارزیابی را برای سیستم‌ها دشوار می‌کنند. بنابراین، هنگام ساخت مدل، مجبور شدند زمان زیادی را برای برچسب زدن جنبه‌های مختلف تصاویری که پهپادها ممکن است ببینند، صرف می‌کردند. در آخر دکتر گوئو اشاره کرد که امید دارد تا این سیستم بتواند از آزمایشگاه به مزرعه‌ها منتقل شود و به مشکلات عمده‌ای که در واقعیت با آن روبرو هستیم کمک کند.

منبع:‌ sciencedaily.com