Rumah  >  Artikel  >  Peranti teknologi  >  Pertanian pintar: Penglihatan komputer dan robotik digunakan untuk meningkatkan kecekapan

Pertanian pintar: Penglihatan komputer dan robotik digunakan untuk meningkatkan kecekapan

WBOY
WBOYke hadapan
2023-04-09 08:31:061019semak imbas

Pertanian pintar: Penglihatan komputer dan robotik digunakan untuk meningkatkan kecekapan

Kecerdasan buatan dalam pertanian membantu dalam mengesan perosak, penyakit tumbuhan dan kekurangan zat makanan di ladang. Penderia AI boleh mengenal pasti dan menyasarkan rumpai sebelum memutuskan racun herba yang hendak digunakan di kawasan tersebut. Pertanian ketepatan, sering dirujuk sebagai sistem kecerdasan buatan, membantu meningkatkan kualiti keseluruhan dan ketepatan penuaian.

Peranan visi komputer

Kita memerlukan banyak tanah untuk memberi makan berbilion-bilion orang. Hari ini, penanaman manual tidak lagi boleh dilakukan. Pada masa yang sama, kegagalan tanaman sering disebabkan oleh serangga perosak dan penyakit tumbuhan. Memandangkan skala operasi pertanian moden, mengesan dan menghentikan pencerobohan perosak ini adalah mencabar.

Ini menambah aplikasi baharu pada teknologi penglihatan komputer. Petani boleh menggunakan fotografi udara untuk mengenal pasti penunjuk awal penyakit atau perosak tumbuhan di peringkat makro dan untuk mengenal pasti penyakit tanaman di peringkat mikro menggunakan foto dekat daun dan tumbuhan. Kaedah penglihatan komputer yang biasa digunakan dalam kajian ini ialah rangkaian saraf konvolusi. Hari ini, lebih banyak aplikasi kecerdasan buatan dalam pertanian sedang dibangunkan.

Perlu diingat bahawa kami menggunakan istilah "penglihatan komputer" secara meluas di sini. Imej biasanya bukan sumber maklumat yang paling boleh dipercayai. Banyak aspek penting dalam kehidupan tumbuhan sebaiknya dikaji menggunakan kaedah lain. Penderia khusus sering digunakan untuk mengumpul imej hiperspektral atau imbasan laser 3D digunakan untuk lebih memahami kesihatan tumbuhan. Dalam bidang agronomi, teknologi jenis ini semakin banyak digunakan kerana aplikasi kecerdasan buatan dalam pertanian.

Jenis data ini biasanya beresolusi tinggi dan lebih serupa dengan foto berbanding pengimejan perubatan. AgMRI ialah sistem pemantauan di tapak. Walaupun model khusus diperlukan untuk memproses data ini, rangkaian saraf konvolusional khususnya boleh digunakan disebabkan oleh organisasi spatial data.

Pelaburan berjuta-juta dolar dalam fenotaip tumbuhan dan penyelidikan pengimejan. Tugas utama sekarang ialah mengumpul set data tumbuhan tanaman yang besar, biasanya dalam bentuk gambar atau imej tiga dimensi, dan membandingkan maklumat fenotip dengan genotip tumbuhan. Hasil penyelidikan dan maklumat boleh digunakan untuk memajukan teknologi pertanian di seluruh dunia. Pertanian bukan satu-satunya bidang yang menggunakan sistem AI pintar, AI juga menjadi topik hangat dalam pengambilan pekerja.

Bagaimana robot digunakan dalam pertanian

Banyak robot pertanian autonomi mampu menggali lubang dan menyemai benih di dalam tanah sambil mematuhi corak asas yang telah ditetapkan dan mengambil kira ciri-ciri unik kawasan tersebut. Robot-robot tersebut juga mampu menguruskan proses pertumbuhan tumbuhan dan berinteraksi dengan setiap tumbuhan secara individu. Apabila tanaman sudah masak, robot akan menuainya, sekali lagi merawat setiap tumbuhan dengan cara yang sepatutnya dirawat.

Drone boleh menyembur tanaman secara automatik. Dron yang kecil dan lincah boleh menghantar bahan berbahaya dengan ketepatan yang lebih tinggi daripada pesawat yang lebih besar. Selain itu, fotografi udara yang ditangkap menggunakan dron semburan boleh digunakan untuk mengumpul data bagi algoritma penglihatan komputer yang diterangkan pada permulaan artikel ini.

Robot yang direka khusus untuk penuaian semakin banyak dicipta dan digunakan. Penuai gabungan telah digunakan untuk masa yang lama, manakala rumpai individu boleh dikenal pasti dan dikeluarkan secara mekanikal oleh robot. Ini adalah satu lagi pencapaian luar biasa robotik kontemporari dan penglihatan komputer, kerana sebelum ini, adalah mustahil untuk membezakan antara rumpai dan tumbuhan yang bermanfaat, atau menggunakan tangan robot untuk berinteraksi dengan tumbuhan kecil.

Kecerdasan buatan meningkatkan kecekapan dalam pertanian

Walaupun banyak robot pertanian masih prototaip atau hanya diuji pada skala kecil, aplikasi ML, AI dan robotik dalam pertanian sudah terbukti . Adalah dipercayai bahawa dalam masa terdekat, semakin banyak aktiviti pertanian akan menggunakan mekanisasi.

Hari ini, lebih banyak aplikasi kecerdasan buatan dalam pertanian sedang dibangunkan. Sebagai contoh, projek perintis sebuah syarikat menggunakan visi komputer untuk penternakan, tetapi bidang ini masih belum menarik minat meluas daripada syarikat pembelajaran mendalam.

Pembelajaran Mesin dan Kepintaran Buatan dalam Pertanian

Sudah tentu, sudah ada beberapa inisiatif untuk menggunakan data penjejakan ternakan untuk pembelajaran mesin. Sebagai contoh, sebuah syarikat Pakistan telah melancarkan kolar yang boleh memantau aktiviti dan suhu badan lembu secara wayarles. Dan penyelidik Perancis sedang mengusahakan teknologi pengecaman muka untuk lembu.

Selain itu, terdapat rancangan untuk menggunakan kecerdasan buatan pada penternakan babi, industri yang sehingga kini kurang digunakan dengan nilai pasaran ratusan bilion dolar. Di ladang moden, babi ditempatkan dalam kumpulan yang agak kecil dan haiwan yang paling setanding dipilih. Makanan adalah perbelanjaan utama dalam pengeluaran babi dan, oleh itu, matlamat utama pengeluaran babi kontemporari adalah untuk memaksimumkan proses penggemukan.

Jika penternak mempunyai pemahaman yang menyeluruh tentang penambahan berat badan babi, mereka boleh menyelesaikan masalah ini. Haiwan biasanya ditimbang hanya dua kali dalam hidupnya, apabila ia dilahirkan dan ketika ia dijual. Sekiranya pakar tahu bagaimana setiap anak babi menambah berat badan, mereka boleh mereka bentuk program penggemukan yang unik untuk setiap babi, atau bahkan gabungan unik bahan tambahan makanan. Ini akan meningkatkan pengeluaran dengan ketara.

Walaupun mendapatkan haiwan ke dalam penimbang tidak begitu sukar, ia boleh menyebabkan banyak tekanan untuk mereka, dan babi yang tertekan akan menurunkan berat badan. Penyelidikan kecerdasan buatan baharu ini bertujuan untuk mencipta kaedah baharu yang tidak invasif untuk menimbang haiwan. Gunakan model penglihatan komputer untuk membuat kesimpulan berat babi daripada data foto dan video. Anggaran ini akan dimasukkan ke dalam model pembelajaran mesin analitik tradisional sedia ada untuk meningkatkan proses penggemukan.

Apakah masa depan kecerdasan buatan dalam bidang pertanian

Pertanian dan penternakan kadangkala dilihat sebagai profesion yang ketinggalan zaman. Walau bagaimanapun, hari ini, kecerdasan buatan dalam pertanian menjadi alat biasa di banyak ladang. Sebab utama fenomena ini adalah banyaknya pekerjaan yang dijalankan serentak dalam bidang pertanian.

Ia sangat menyusahkan sehingga pembelajaran mendalam dan kecerdasan buatan kontemporari mesti digunakan untuk mengautomasikannya. Walaupun tumbuhan dan babi yang diusahakan adalah sama, mereka tidak datang dari barisan pemasangan yang sama. Setiap semak tomato dan setiap babi memerlukan pendekatan yang unik, jadi campur tangan manusia sangat diperlukan.

Kami boleh memanfaatkan perkembangan semasa dalam kecerdasan buatan untuk menyelesaikan cabaran sambil mengautomasikan teknologi yang berinteraksi dengan haiwan dan tumbuhan serta mengambil kira ciri uniknya. Menimbang babi adalah lebih mudah daripada mempelajari cara untuk lulus ujian Turing, dan mengendalikan traktor di medan yang luas adalah lebih mudah daripada mengendalikan kereta dalam lalu lintas yang padat.

Memandangkan pertanian kekal sebagai salah satu industri terbesar dan terpenting di dunia, walaupun peningkatan kecil dalam kecekapan boleh membawa kepada keuntungan yang ketara. Inilah sebabnya mengapa banyak syarikat mengutamakan kecerdasan buatan dalam pertanian.

Atas ialah kandungan terperinci Pertanian pintar: Penglihatan komputer dan robotik digunakan untuk meningkatkan kecekapan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Kenyataan:
Artikel ini dikembalikan pada:51cto.com. Jika ada pelanggaran, sila hubungi admin@php.cn Padam