Salat have it:Machine learning til cr-optimering

På Earlham Institute (EI), kunstig intelligensbaserede teknikker som maskinlæring bevæger sig fra at være blot en spændende forudsætning til at have virkelige applikationer, hvor det er mest nødvendigt:forbedring af effektivitet og præcision på gården.

Forskere i Zhou Group på EI, i samarbejde med Ely-baserede G's Growers, har udviklet en machine learning -platform, AirSurf-Salat, som arbejder med edb-vision og ultra-skala billeder taget fra luften for at hjælpe med at kategorisere salatafgrøder på marker.

Den avancerede software inkluderer måling af mængde, størrelse og lokalisering for at hjælpe landmænd med at høste med præcision og få afgrøden på markedet på den mest effektive måde. Vigtigere, denne teknologi kan anvendes på andre afgrøder, udvide mulighederne for positiv indvirkning på tværs af fødekæden.

Salat er en stor forretning, især i East Anglia, med 122, 000 tons produceret i Storbritannien hvert år. Op til 30% af udbyttet kan gå tabt på grund af ineffektivitet i vækstprocessen samt høststrategier, hvilken, hvis der er gjort op, kunne give et betydeligt økonomisk løft.

Det er meget vigtigt, at landmænd og avlere præcist forstår, hvornår afgrøder bliver høstklare, så de kan sætte gang i planlægningen af ​​logistik, handel og markedsføring af deres produkter længere hen ad kæden.

Traditionelt set imidlertid, måling af afgrøder på marker har været meget tidskrævende og arbejdskrævende samt tilbøjelige til fejl; derfor kan nye AI -løsninger baseret på luftbilleder give en langt mere robust og effektiv metode.

En anden effektivitetsbarriere er, at dårlige vejrforhold, som har været stigende i de seneste år, kan kaste høsttiden ganske betydeligt, da afgrøder tager forskellig tid at modne.

AirSurf -teknologien - udviklet af medlemmer af Zhou Group, herunder første forfattere af papiret om projektet, Alan Bauer og Aaron Bostrom - bruger 'deep learning' (en dybt struktureret maskinindlæringsteknik) kombineret med sofistikeret, ultrabred skala-billeddannelsesanalyse til måling af isbjerggesalat i en tilstand med høj kapacitet. Dette er i stand til at identificere den præcise mængde og placering af salatplanter, med den ekstra fordel at anerkende afgrødekvaliteten, dvs. lille, mellemstore eller store salathoveder.

Kombination af dette system med GPS giver landmænd mulighed for nøjagtigt at spore størrelsesfordeling af salat på marker, som kun kan hjælpe med at øge præcisionen og effektiviteten af ​​landbrugspraksis, inklusive høsttid.

Første forfatter, Alan Bauer på EI, sagde:"Dette tværfaglige samarbejde integrerer computersyn og maskinlæring med salatvoksende forretninger for at demonstrere, hvordan vi kan forbedre afgrødeudbytterne ved hjælp af maskinlæring."

Gruppeleder hos EI, Dr. Ji Zhou, sagde:"Mit laboratorium er ivrig efter at søge alle mulige metoder til at oversætte vores offentligt finansierede forskning inden for algoritmedesign, maskinelæring, computersyn, og afgrødefænomener til teknikker og værktøjer, der kan bruges af akademiske og industrielle partnere til at løse udfordrende problemer inden for afgrødeforskning og afgrødeproduktion.

"Ved at udnytte vores forskningsarbejde støttet af BBSRC og andre offentligt og industrielt finansierede projekter, vi har indgået et partnerskab med G's, førende grøntsagsavlere i Storbritannien, at udstyre vores Agri-Food-sektor med smart og præcis afgrødeovervågning og analysemetoder, som vi er overbeviste om, at bedre afgrødeforvaltningsbeslutninger og forbedret afgrødeomsætning kunne opnås gennem vores fælles indsats ".

Industripartner hos G's Growers, Innovationschef Jacob Kirwan, tilføjede:"Landbrug i stor skala betyder, at præcision er afgørende, når vi sikrer, at vi producerer afgrøder på en miljømæssigt og økonomisk bæredygtig måde. Brug af teknologi som AirSurf betyder, at avlere er i stand til at forstå variationen i deres marker og afgrøder på et meget højere niveau detaljeringsniveau, der tidligere var muligt.

"De beslutninger, der derefter kan tages ud fra disse oplysninger, såsom varierende anvendelser af input og kunstvanding; ændre høststrategier og planlægge det optimale tidspunkt for salg af afgrøder, vil alle bidrage til at øge landbrugsudbyttet og forbedre landbrugets produktivitet. "