AI dalam Pertanian: Visi Komputer, Robot, dan Timbangan untuk Babi

Visi komputer dalam analisis tanaman

Untuk memberi makan miliaran orang, Anda membutuhkan banyak tanah. Tidak mungkin untuk mengolahnya secara manual hari ini. Pada saat yang sama, penyakit tanaman dan serangan serangga sering menyebabkan gagal panen. Dengan skala bisnis pertanian modern, invasi semacam itu sulit untuk diidentifikasi dan dinetralkan sejak awal.

Drone Penyiram Tanaman

Ini memperkenalkan satu area lagi di mana algoritma visi komputer dapat membantu. Petani menggunakan visi komputer untuk mengenali penyakit tanaman, baik di tingkat mikro, dari gambar close-up daun dan tanaman, dan di tingkat makro, dengan mengidentifikasi tanda-tanda awal penyakit tanaman atau hama dari foto udara. Proyek-proyek ini biasanya didasarkan pada pendekatan populer untuk visi komputer: jaringan saraf convolutional .

Perhatikan bahwa saya berbicara di sini tentang visi komputer dalam arti yang sangat luas. Dalam banyak kasus, gambar bukanlah sumber data terbaik. Banyak aspek penting dari kehidupan tanaman dapat dipelajari dengan baik dengan cara lain. Kesehatan tanaman seringkali dapat dipahami dengan lebih baik, misalnya, dengan mengumpulkan gambar hiperspektral dengan sensor khusus atau melakukan pemindaian laser 3D. Metode seperti itu semakin banyak digunakan dalam agronomi. Tipe data ini biasanya beresolusi tinggi dan lebih dekat dengan pencitraan medis daripada foto. Salah satu sistem untuk pemantauan lapangan disebut AgMRI . Untuk memproses data ini, diperlukan model khusus, tetapi struktur spasialnya memungkinkan penggunaan teknologi visi komputer modern, khususnya, jaringan saraf convolutional.

Jutaan orang diinvestasikan dalam fenotip tanaman dan penelitian pencitraan. Tugas utama di sini adalah mengumpulkan kumpulan besar data tanaman (biasanya dalam bentuk foto atau gambar tiga dimensi) dan membandingkan data fenotipe dengan genotipe tanaman. Hasil dan data dapat digunakan untuk meningkatkan teknologi pertanian di seluruh dunia.

Robotika di bidang pertanian

Robot pertanian otonom seperti Prospero dapat menggali lubang di tanah dan menanam sesuatu di dalamnya, mengikuti pola umum yang telah ditentukan dan dengan mempertimbangkan karakteristik khusus lanskap. Robot juga dapat menangani proses pertumbuhan, bekerja dengan setiap tanaman secara individual. Ketika waktunya tepat, robot akan memanen, sekali lagi memperlakukan setiap tanaman dengan tepat sebagaimana mestinya. Prospero didasarkan pada konsep swarm farming. Bayangkan pasukan Prospero kecil merangkak melalui ladang meninggalkan barisan tanaman yang rapi dan rata di belakang mereka. Menariknya, Prospero sebenarnya muncul kembali pada tahun 2011, sebelum masa kejayaan revolusi deep learning modern. Saat ini, robot menyebar dengan cepatdi bidang pertanian, memungkinkan Anda untuk mengotomatiskan lebih banyak tugas rutin:

• Drone otomatis menyemprot tanaman. Drone kecil dan gesit mampu mengirimkan bahan kimia berbahaya lebih akurat daripada pesawat konvensional. Selain itu, drone penyemprot dapat digunakan untuk fotografi udara untuk mendapatkan data untuk algoritma visi komputer yang disebutkan di awal artikel ini.
• Semakin banyak robot khusus untuk pemanenan sedang dikembangkan dan digunakan. Combine harvester sudah ada sejak lama. Namun, baru sekarang, dengan bantuan metode modern visi komputer dan robotika, telah dimungkinkan untuk mengembangkan, misalnya, robot yang memetik stroberi.
• Robot seperti Hortibot mampu mengenali dan membunuh gulma individu dengan menghilangkannya secara mekanis. Ini adalah kesuksesan besar lain dari robotika modern dan visi komputer karena sebelumnya tidak mungkin membedakan gulma dari tanaman yang berguna dan bekerja dengan tanaman kecil menggunakan manipulator.

Sementara banyak robot pertanian masih berupa prototipe atau sedang diuji dalam skala kecil, sudah jelas bahwa ML, AI, dan robotika dapat bekerja dengan baik di bidang pertanian. Dapat diprediksi dengan aman bahwa semakin banyak pekerjaan pertanian akan diotomatisasi dalam waktu dekat.

Memelihara hewan ternak

Lebih banyak cara untuk menggunakan AI di bidang pertanian sedang dikembangkan secara aktif. Misalnya, proyek percontohan oleh Neuromation membawa visi komputer ke industri yang belum mendapat banyak perhatian dari komunitas pembelajaran mendalam: peternakan.

Tentu saja, ada upaya untuk menggunakan pembelajaran mesin pada data pelacakan ternak. Misalnya, perusahaan rintisan Pakistan, Cowlar , memperkenalkan kalung yang memantau aktivitas dan suhu sapi dari jarak jauh di bawah slogan menarik “FitBit for Cows.” Ilmuwan Prancis sedang mengembangkan pengenalan wajah untuk sapi.

Teknologi dalam pertanian

Ada juga upaya untuk menggunakan visi komputer dalam industri yang sebelumnya diabaikan yang bernilai ratusan miliar dolar – peternakan babi. Di peternakan modern, babi dipelihara dalam kelompok yang relatif kecil, di mana hewan yang paling mirip dipilih. Biaya utama dalam produksi babi adalah makanan, dan optimalisasi proses penggemukan adalah tugas utama produksi babi modern.

Para peternak kemungkinan besar akan dapat memecahkan masalah ini jika mereka memiliki informasi rinci tentang pertambahan berat badan babi. Sesuai situs ini, hewan biasanya ditimbang hanya dua kali sepanjang hidup mereka: di awal dan di akhir penggemukan. Jika para ahli tahu bagaimana setiap anak babi digemukkan, adalah mungkin untuk menyusun program penggemukan individu untuk setiap babi, dan bahkan komposisi aditif makanan individu, yang secara signifikan akan meningkatkan hasil. Tidak terlalu sulit untuk mengarahkan hewan ke timbangan, tetapi ini adalah tekanan besar bagi hewan, dan babi kehilangan berat badan karena stres. Proyek AI baru berencana untuk mengembangkan metode penimbangan hewan baru yang non-invasif. Neuromation akan membangun model visi komputer yang akan memperkirakan berat babi dari data foto dan video. Perkiraan ini akan dimasukkan ke dalam model pembelajaran mesin analitik klasik yang akan meningkatkan proses penggemukan.

Pertanian di perbatasan kecerdasan buatan

Pertanian dan peternakan sering dianggap industri kuno. Namun saat ini, pertanian semakin muncul di garis depan kecerdasan buatan.

Alasan utama di sini adalah bahwa banyak tugas di bidang pertanian secara bersamaan:

• Cukup kompleks sehingga tidak dapat diotomatisasi tanpa menggunakan kecerdasan buatan modern dan pembelajaran mendalam. Tanaman dan babi yang dibudidayakan, meskipun mirip satu sama lain, masih tidak meninggalkan jalur perakitan yang sama, setiap semak tomat dan setiap babi membutuhkan pendekatan individual, dan oleh karena itu, hingga saat ini, campur tangan manusia mutlak diperlukan.
• Cukup sederhana sehingga dengan perkembangan kecerdasan buatan saat ini, kita dapat menyelesaikannya, dengan mempertimbangkan perbedaan individu antara tumbuhan dan hewan sambil juga mengotomatiskan teknologi untuk bekerja dengan mereka. Mengemudi traktor di lapangan terbuka lebih mudah daripada mengendarai mobil di lalu lintas, dan menimbang babi lebih mudah daripada belajar bagaimana lulus tes Turing .

Pertanian masih merupakan salah satu industri terbesar dan terpenting di planet ini, dan bahkan peningkatan kecil dalam efisiensi akan membawa keuntungan besar hanya karena skala industri ini.

Berbagi :