Искусственный интеллект в сельском хозяйстве

По прогнозам Продовольственной и сельскохозяйственной организации ООН, для того чтобы прокормить растущее население Земли, необходимо к 2050 году на 70% увеличить производство продуктов питания. В то же время в сельском хозяйстве наблюдается активный отток кадров, например, в ЕС за последнее десятилетие количество работников в этой отрасли сократилось на треть. Увеличить производство и сократить издержки при уменьшении количества работников можно за счет применения современных технологий: дроны, роботы, цифровизация и искусственный интеллект меняют сельское хозяйство так же, как это в XX веке сделали тракторы и комбайны. Технологии искусственного интеллекта находят множество применений в различных областях сельского хозяйства: биология, генетика, химия, животноводство, выращивание растений и др. Например, в области выращивания растений искусственный интеллект оказался полезным для решения множества задач: обнаружение проблем роста и болезней растений [1], прогнозирование урожайности и цен, картографирование, оптимизация использования воды, пестицидов и удобрений.

В отчете НАСА за 2022 год указано, что на орбите Земли находится более пяти тысяч действующих спутников, и хотя далеко не все из них способны принести непосредственную пользу сельскому хозяйству, тем не менее бесплатно предоставляемые данные таких программ, как Landsat, Sentinel и Modis, будут весьма полезны. Орбитальный цикл этих программ составляет 12–16 дней, а бортовое оборудование способно выполнять съемку в достаточно широком спектральном диапазоне, хотя разрешающая способность изображений и невелика — более 15 м. Тем не менее снимки подобных программ могут быть использованы для картографирования и классификации земель с использованием различных методов: статистика (метод опорных векторов (Support Vector Machine, SVM), случайный лес (Random Forest, RF), градиентный бустинг (Gradient Boosting, GB), дерево решений (Decision Tree, DT) и т. д.) или нейросетевых (искусственные нейронные сети (artificial neural network, ANN), сверточные нейронные сети (convolutional neural network, CNN), рекуррентные нейронные сети (Recurrent neural network, RCNN), глубинные нейронные сети (Deep neural network, DNN) и т. д.). Используя снимки из космоса и данные за несколько сезонов, можно подобрать оптимальную стратегию эксплуатации доступных земельных ресурсов. Любой человек может применить инструменты типа Google Earth Engine для анализа геопространственных данных, хотя это и потребует определенных навыков и знания базовых основ программирования. Намного проще использовать специализированные сервисы, такие как проект Onesoil использования данных дистанционного зондирования земли для нужд сельского хозяйства. Разрешение снимков общедоступных программ, используемых данным проектом, вполне достаточно для решения таких задач, как определение границ, общий анализ состояния почвы и растений, контроль посадок, планирование и прогнозирование урожая (рис. 1).

Рис. 1. Пример интерфейса приложения Onesoil с разными типами карт полей

Имеются коммерческие компании, предоставляющие спутниковые снимки высокого разрешения, выполненные в десятках спектральных каналов, — проекты типа Maxar или Planet.com могут предоставить снимки определенной территории с разрешением менее полуметра, выполненные в заданное время. Несмотря на достаточно высокую стоимость подобных данных, существуют сервисы, строящие свою аналитику на их базе. Российский проект Aerospace-agro существует с 2019 года и предоставляет широкий спектр инструментов для точного земледелия.

В задачах оперативного и детального анализа хорошо зарекомендовали себя беспилотные летательные аппараты, предоставляя данные для различных алгоритмов классификации, детекции и сегментации, они позволяют решать задачи контроля плотности всходов, оценки урожая и выявления сорняков, болезней и вредителей. Мультиспектральные камеры позволяют вычислять NDVI (Normalized Difference Vegetation Index — показатель количества фотосинтетически активной биомассы) и прочие индексы, необходимые для оценки состояния растений и почвы. Кроме анализа, БПЛА могут быть полезны при решении складских и логистических задач, а также способны выполнять такие агрономические операции, как полив, точное внесение удобрений и пестицидов, сбор урожая и даже уничтожение вредителей. На сегодняшний день они являются одним из лучших инструментов контроля в сельском хозяйстве, становясь таким же обыденным явлением на фермах, как тракторы и комбайны.

Рис. 2. Дрон компании «Геоскан». Интерфейсы приложений «Спутник агро» и AssistAgro

«Геоскан» — российская компания, которая занимается разработкой и производством беспилотных летательных аппаратов и сопутствующих устройств, а также созданием программного обеспечения для фотограмметрической обработки данных (рис. 2). Компания AssistAgro предоставляет сервис полного цикла и цифровую платформу для эффективного управления агробизнесом с акцентом на такие задачи, как прогнозирование появления и развития сорняков, оценка густоты и качества размещения растений, отслеживание появления и развития сорняков и болезней, оценка урожая, определение приоритетных культур для посадок.

Для выполнения складских и агрономических операций, а также решения задач контроля и анализа используются автономные роботизированные платформы, представляющие собой устройства, передвигающиеся с использованием электромоторов на колесной или гусеничной базе и имеющие в своем составе все необходимое для функционирования в течение достаточно продолжительного времени. Роботизированные платформы превосходят дроны при выполнении таких операций, как посадка, прополка, сбор урожая, полив, окучивание, внесение удобрений и пестицидов. В то же время в задачах контроля и мониторинга дроны выигрывают за счет своей мобильности. Платформы могут быть как полностью, так и частично автоматизированы, но при любом исполнении в их работе используется компьютерное зрение и нейросетевые алгоритмы для перемещения, оценки ситуации и выполнения задач с высокой скоростью и точностью. Например, подобные платформы могут для удаления сорняков использовать различные инструменты, такие как пестициды, огонь, электричество, физическое воздействие или лазеры, что гораздо быстрее и эффективнее, чем это сделали бы люди.

В России полностью автоматизированных платформ мало. Интересные результаты показывал проект Siberian Tiger, однако решение не было доведено до промышленной реализации. В то же время значительные успехи были достигнуты в разработке средств автопилотирования для обычной сельскохозяйственной техники. Подобные решения превращают водителя трактора в оператора, перекладывая часть рутинных задач на систему автопилота. Компания Cognitive Technologies установила по всей стране сотни автономных систем управления на основе искусственного интеллекта. Стоимость подобной модернизации оценивается примерно в 5–10% от общей стоимости трактора, но ее внедрение позволяет повысить производительность труда на 20–25%, экономить около 7% топлива.

В области сбора урожая представлено меньше решений, однако и здесь есть подвижки, особенно для сбора фруктов, овощей и ягод. Базовая задача заключается в обнаружении объектов, оценке их состояния, определении координат и передаче необходимой информации механизму сбора урожая. Используются как дроны, так и роботизированные платформы различных конфигураций. Интересные решения предлагают компании из Австралии, Китая, Японии и Израиля. В России пока имеется лишь несколько исследовательских проектов, связанных со сбором фруктов и ягод, и все они еще далеки от стадии промышленной реализации.

Рис. 3. Примеры проектов вертикальных ферм

Развитие технологий и методов светодиодного освещения позволило перейти к выращиванию определенных видов растений в полностью контролируемой среде — это самое технологичное направление в области сельского хозяйства, вобравшее в себя передовые наработки в области инженерии, робототехники и искусственного интеллекта. За последнее десятилетие вертикальные фермы (рис. 3) успели не только достичь пика своей популярности, но и пройти его. Определенный спад интереса связан с тем, что ассортимент выращиваемых культур ограничен салатами, зеленью и ягодами, а цена готовой продукции может в несколько раз превышать цену выращенных на обычных полях. Тем не менее в местах с низкой платой за электроэнергию и высоким спросом на свежие продукты эта технология остается очень востребованной. Искусственный интеллект играет важную роль в подобных проектах, особенно в задачах классификации, обнаружения объектов и прогнозирования. Учитывая высокие производственные затраты, владельцы фермы должны точно оценивать будущий урожай и иметь возможность организовывать его эффективный сбыт. Контролируемая среда позволяет владельцам регулировать различные факторы: освещение, влажность, уровень удобрений в почве или растворах и др. Для анализа текущей ситуации и определения оптимальных параметров получения максимальной урожайности применяются нейросетевые (рекуррентные нейронные сети и глубинные нейронные сети), статистические методы (решающие деревья, случайный лес, множественная линейная регрессия), а также анализ ассоциативных правил (Association rule learning). Существуют руководства, описывающие, как следует выращивать различные культуры и реагировать на изменения различных параметров на ферме, и сервисы, реализующие функционал виртуального агронома, помогающего принимать взвешенные решения и реализовывать их в полуавтоматическом режиме.

На российском рынке представлено много компаний, работающих в данной области, например iFarm и City-Farmer. Компания НПЦ «Светокультура», разработавшая вертикальную установку GALAD Green Line, решает не только практические задачи, но и проводит исследования в области влияния различных спектров света на рост сельскохозяйственных культур, а также предлагает свой облачный сервис виртуального агронома.

Сегодня цифровизация — одно из основных направлений в сельском хозяйстве. Различные цифровые системы охватывают все этапы производства от получения кредита, планирования и отбора семян до реализации готовой продукции и заключения новых контрактов. Открытые базы знаний помогают находить оптимальные решения и обмениваться опытом. Облачные платформы объединяют фермеров с потребителями и предоставляют контро лирующим органам, страховым компаниям и банкам информацию о деятельности предприятий, а фермер может найти в таких системах подходящего бизнес-партнера, клиента или работников. Крупнейшим поставщиком разнонаправленных цифровых площадок в области сельского хозяйства на российском рынке является Росссельхозбанк — флагманская платформа «Свое фермерство» предоставляет широкий спектр сервисов и возможностей для эффективного ведения агробизнеса. Среди других примеров полезных и успешно развивающихся цифровых площадок можно назвать Аgraroom и Поле.рф.

Еще одна грань цифровизации — получение в реального времени данных о фермах. Стационарные датчики, размещенные в поле, теплицах или вертикальных фермах, и сложные сенсоры на борту роботизированных платформ или дронов могут предоставить сведения о влажности, освещенности, температуре, составе и состоянии почвы, наличии различных воздушных соединений и прочих показателях. Все эти данные передаются в локальные или облачные хранилища, позволяя создать цифрового двойника хозяйства. Туда же может поступать актуальная или историческая информация о погоде, ценах на удобрения и семенной материал, спросе на определенные виды продукции и сотнях других параметров. Эти огромные массивы данных используются различными статистическими и нейросетевыми алгоритмами для планирования, прогнозирования и поиска оптимальных способов увеличения доходов при уменьшении затрат и воздействия на окружающую среду. Один из примеров подобной платформы цифровизации сельского хозяйства — «Агросигнал» компании «Диджитал Агро».

В лаборатории информационных технологий имени Мещерякова ОИЯИ (МЛИТ) реализуются проекты, связанные с применением ИИ в сельском хозяйстве. Один из них — платформа и мобильное приложение DoctorP, способное по фотографиям распознавать 68 классов болезней и вредителей растений. С начала 2023 года платформой было обработано более 60 тыс. запросов пользователей. В качестве основы для моделей используются общедоступные архитектуры, хорошо зарекомендовавшие себя на глобальных соревнованиях по классификации изображений. Так, для небольших моделей используется MobileNet, а для моделей с количеством классов более 50 — ConvNeXt. Обучение производится с использованием трехчленной функции минимизации потерь, что позволяет добиться статистической точности моделей в 97%. Схожие алгоритмы классификации были использованы в совместном проекте с научным центром «Агротехнологии будущего» на базе Тимирязевской академии, в котором проводилось исследование влияния света на рост культур в определенных стадиях развития. Модели использовались для оценки степени развития и весовых групп растений.

В другом проекте был реализован комбинированный алгоритм контроля салатов, выращиваемых на конвейерных лентах. На первом этапе для обнаружения объектов использовалась одна из самых известных нейронных сетей, предназначенных для обнаружения объектов, — YOLO (You Only Look Once), после чего производилась классификация салатов с использованием специализированных моделей. Такой подход позволил сократить издержки на разметку данных, при этом точность классификации достигла 99%. С использованием такого же комбинированного алгоритма обработки изображений была решена задача классификации блюд на подносах и оценки стоимости заказа на предприятиях общественного питания.

В совместном проекте МЛИТ с компанией «Дока-Генные Технологии» разрабатываются механизмы определения различных заболеваний картофеля. Поскольку одна из основных задач компании — выращивание высококачественного семенного материала, то определение болезней, особенно на ранних стадиях, имеет критически важное значение. Исследования ведутся сразу по нескольким направлениям. Для определения проблем на полях используются программно-аппаратные комплексы с камерами высокого разрешения, устанавливаемые на машины для санитарной обработки урожая. Наибольший интерес вызывают задачи детекции и сегментации. Первая состоит в определении областей изображения, внутри которых находится заданный объект. Вторая — выделение силуэтов объектов и определение всех принадлежащих им пикселей. На наборах изображений с различными заболеваниями были апробированы нейросетевые модели семейств YOLO 7, YOLO 8, YOLO NAS. Наиболее перспективны для решения текущих задач модели YOLO 8 класса 's-small' и 'n-nano', средние показатели точности которых превышают 80%, что позволяет эффективно определять проблемы, используя подходящий минимальный порог сходства распознавания объекта (confidence). Другое направление исследований — анализ гиперспектральных изображений для поиска закономерностей, позволяющих выявлять больные растения еще до появления видимых симптомов. Тестируются как различные подходы к обучению моделей классификации в условиях малой обучающей выборки (one-shot learning), так и статистические алгоритмы для работы на уровне пикселей.

Рис. 4. Интерфейсы систем и фото проектов, реализуемых в МЛИТ

Еще одно направление исследований МЛИТ — автоматизация анализа состояния растений в тепличных комплексах (рис. 4). Основной задачей проекта является исключение рутинных операций агрономов и предоставление им удобных инструментов учета и мониторинга. В ходе реализации разрабатывается автономная роботизированная платформа, способная передвигаться по различным типам поверхностей, фиксировать интересующие показатели и выполнять съемку на большой высоте. Основной проблемой в теплицах является отслеживание, локализация и идентификация вредителей на ранних стадиях их проявления, что требует разработки в нейросетях моделей и алгоритмов для классификации, сегментации, обнаружения и отслеживания объектов. В ближайшиее время планируется тестирование прототипа платформы в одном из тепличных комплексов Калужской области.

***

К 2050 году население Земли вплотную подойдет к отметке в 10 млрд. Накормить всех будет невозможно без использования передовых технологий точного и умного земледелия. Искусственный интеллект, как ожидается, может сыграть здесь важную роль, позволяя решать задачи планирования, прогнозирования, мониторинга, анализа и оптимизации. В ближайшие годы автоматизированная сельскохозяйственная техника и полностью автономное выращивание в контролируемых условиях станут реальностью. Уже сейчас фермы могут использовать данные со спутников, дронов, автономные платформы, роботов, датчики и цифровые системы для увеличения своих доходов и уменьшения затрат. Однако пока в России мало полностью автоматизированных платформ и почти нет промышленных решений.

Литература

1. Александр Ужинский. Искусственный интеллект против болезней растений // Открытые системы.СУБД. — 2023. — № 3. — С. 29–31. URL: www.osp.ru/os/2022/03/13056296 (дата обращения: 21.09.2023).

Александр Ужинский (auzhinskiy@jinr.ru) — ведущий программист, ОИЯИ (Дубна).

DOI: 10.51793/OS.2023.79.45.001