Forudsige frugthøst med droner og kunstig intelligens

Outfield Technologies er en Cambridge-baseret agri-tech start-up virksomhed, der bruger droner og kunstig intelligens, at hjælpe frugtavlere med at maksimere deres høst fra frugtplantageafgrøder.

Outfield Technologies' grundlæggere Jim McDougall og Oli Hilbourne har arbejdet med Ph.D. studerende Tom Roddick fra instituttets Machine Intelligence Laboratory for at udvikle deres teknologiske evner til at kunne tælle blomsterne og æblerne på et træ via droner, der opmåler enorme æbleplantager.

"En nøjagtig vurdering af blomstringen eller estimering af høsten gør det muligt for avlerne at være mere produktive, bæredygtigt og miljøvenligt", forklarer Outfields kommercielle direktør Jim McDougall.

"Vores luftfotoanalyse fokuserer på udbytteestimering og er virkelig eftertragtet internationalt. Et af de største problemer, vi står over for i frugtsektoren, er nøjagtige udbytteprognoser. Dette system er udviklet sammen med avlere for at planlægge arbejdskraft, logistik og opbevaring. Det er nødvendigt i hele branchen, at planlægge markedsføring og distribution, og for at sikre, at der altid er æbler på hylderne. Estimater foretages i øjeblikket af avlere, og de gør et fantastisk stykke arbejde, men frugtplantager er utroligt varierende, og skøn er ofte forkerte med op til 20 %. Dette resulterer i tabt indkomst, ineffektiv drift og kan resultere i en betydelig mængde spild i usolgte afgrøder."

Outfields identifikationsmetoder er en glimrende anvendelse af den forskning, som ph.d. studerende Tom Roddick, vejledt af professor Roberto Cipolla, arbejder på. Tom er en del af Computer Vision and Robotics Group, som koncentrerer sig om kunstig intelligens og Machine Learning, ved hjælp af Deep Learning metoder, via kunstige neurale netværk (ANN'er).

ANN'er er computersystemer modelleret løst efter den menneskelige hjerne, der er designet til at genkende mønstre. De fortolker sensoriske data ved at mærke eller gruppere rå input. De mønstre, de genkender, er numeriske, hvori alle data fra den virkelige verden, det være sig billeder, lyd, tekst eller tidsserier, er oversat.

Sådanne systemer "lærer" at udføre opgaver ved at analysere eksempler, generelt uden at være programmeret med opgavespecifikke regler. For eksempel, i billedgenkendelse, ANN kan lære at identificere billeder, der indeholder æbler, ved at analysere eksempler på billeder, der manuelt er blevet mærket som "æble" eller "intet æble" og bruge resultaterne til at identificere æbler i andre billeder. Det gør de uden forudgående kendskab til æbler, for eksempel, æblefarver eller former. I stedet, de genererer automatisk identificerende karakteristika ud fra de eksempler, de behandler.

ANN'er grupperer og klassificerer ved først at detektere simple mønstre i dataene, såsom kanter i billeder eller lyde i tale, og derefter gradvist opbygge et hierarki af begreber, indtil komplekse funktioner som ansigter eller sætninger dukker op i dataene. Det oprindelige mål med ANN-tilgangen var at løse problemer på samme måde, som en menneskelig hjerne ville. Imidlertid, over tid, opmærksomheden er flyttet til at udføre specifikke opgaver. ANN'er er blevet brugt til en række forskellige opgaver, herunder computersyn, tale genkendelse, maskinoversættelse, filtrering af sociale netværk, spille bræt- og videospil og medicinsk diagnose.

Under sin ph.d. Tom har arbejdet på autonom kørsel, ser på gadebilleder optaget på kamera, annotering og mærkning af hvert element. Han udpeger, hvor bilerne er, fodgængere, kantstenen osv. For at gøre dette bruger han et værktøj kaldet semantisk segmentering til at mærke hver enkelt pixel for at give en forståelse på højt niveau af, hvad der foregår. Udmark har brug for at identificere æbler og blomster i deres frugtplantagefotografier, og en måde at gøre det på er at bruge denne semantiske segmenteringsmetode.

Et andet aspekt af Outfields dataindsamlingsmetode er at lokalisere, hvor deres droner er til enhver tid, og der er en anden del af computersyn, der koncentrerer sig om lokalisering, at finde ud af, hvor du er i verden, og hvad du ser på. Alumnus Kesar Breen, uafhængig maskinlærings- og computersynskonsulent, har taget tid ud af sin travle hverdag for at rådgive Jim og Oli. Kesar har hjulpet dem med et overblik over de teknologier, de kunne bruge til plantagens modellering og analyse for at finde ud af, hvor afgrøderne er, og udarbejdede en potentiel algoritme til at gøre dette, med tidsrammer og krav. Kesar siger, "Outfield laver nogle meget fede ting og arbejder med nogle interessante, men gennemprøvede teknologier, på et vigtigt forretningsproblem. Jeg tror, ​​det er meget sandsynligt, at det er kommercielt levedygtigt."

Taler om hans arbejde med Outfield, Tom siger, "Outfields semantiske segmenteringsbehov har nogle meget specifikke finesser, som er meget interessante fra et forskningsmæssigt synspunkt for eksempel. Jeg er vant til at se på billeder for at identificere store objekter som biler, som er nemme at få øje på, men det, Outfield har, er disse enorme luftbilleder af frugtplantager, der er millioner og atter millioner af pixels, og den ønsker at opdage hver blomst eller hvert stykke frugt for at beregne, hvor mange af dem der er. Jeg har kigget på, hvordan man gør det effektivt og robust for at kunne skelne mellem ting som; er dette et æble på et træ? Eller er det her et æble på jorden?"

Jim siger, "Storbritannien har noget af den bedste teknologi og de bedste teknologiforskere i verden. Vi er i øjeblikket i beta-testning, hvilket inkluderer brug af modellen med andre afgrøder end æbler.

"Vi har en robust plan for de næste to til tre år, og vi åbner en investeringsrunde i oktober 2019 for at lukke i 1. kvartal 2020. Dette vil give os mulighed for at få flere af holdet med på fuld tid og teste produkterne i stor skala i New Zealand og Storbritannien i løbet af det næste år."