بینایی کامپیوتری در کشاورزی با کمک فناوریهای مختلف، در رشد بهینه گیاه، کنترل و رسیدگی و برداشت محصول کمککننده است.
در واقع، هزینههای بالای نیروی کار دستی و در دسترس نبودن حجم بالای نیروی کاری و یا افزایش استانداردهای علمی برای محصولات کشاورزی و توسعه رقابت جهانی، کشاورزان را تشویق میکند که از آخرین فناوریهای خودکارسازی در بخش کشاورزی استفاده کنند تا هزینه تولید خود را به حداقل برسانند و محصولات خود را با بهرهوری بیشتری در بازارها عرضه کنند.
بهرهمندی از هوش مصنوعی
شرکتهای هوش مصنوعی میتوانند از فناوری بینایی کامپیوتری استفادهشده در یادگیری ماشینی یا یادگیری عمیق در هوش مصنوعی استفاده کنند و به تولید ماشینآلاتی بپردازند که جنبههای مختلف تولید محصولات کشاورزی را تحت تاثیر قرار میدهد و در کشاورزی دقیق به کشاورزان کمک کنند.
هوش مصنوعی در رباتیک میتواند به انجام کارهای مختلفی مانند کاشت، کنترل علفهای هرز، برداشت و تشخیص سلامت گیاه در کشاورزی کمک کند.
چنین رباتهایی میتوانند وضعیت سلامتی گیاهان، علفهای هرز و میوهها یا سبزیجات را با قدرت تجزیهوتحلیلی که دارند تشخیص داده و سطح تولید آنها را برای تعیین زمان برداشت مشخص کنند و حتی به برداشت محصولات نیز اقدام کنند.
برای آموزش مدل هوش مصنوعی مبتنی بر بینایی کامپیوتری، از دادههای حاشیهنویسی در قالب تصاویر یا عکسها استفاده میشود تا موضوع یا شی موردنظر را از طریق الگوریتمهای یادگیری ماشینی برای پیشبینیهای مشابه در ماشینها قابلشناسایی کند.
چندین روش برای حاشیهنویسی تصاویر رباتیک مورداستفاده در کشاورزی وجود دارد. برای شناسایی محصولات، از حاشیه جعبه محدودکننده میوهها و سبزیجات استفاده میشود تا این گیاهان توسط ماشینآلات قابلتشخیص باشد.
شرکتهای هوش مصنوعی میتوانند از مدل حاشیهنویسی جعبه محدودکننده برای شناسایی گیاهان، بررسی سطح تولید و شناسایی علفهای هرز استفاده کنند. مدل حاشیهنویسی جعبه محدودکننده دادههای درستی را برای دید کامپیوتری برای تشخیص گیاه فراهم میکند.
نظارت بر محصولات
هواپیماهای بدون سرنشین نقش مهمی در کشاورزی دقیق دارند. این هواپیماها هنگام پرواز در هوا، بهطور مستقل میتوانند مقدار زیادی داده را از طریق دوربین نصبشده برای تشخیص و آموزش دید کامپیوتر ضبط کنند.
هواپیماهای بدون سرنشین مجهز به هوش مصنوعی میتوانند نمای کل مزارع یا زمینهای زراعی را به دست آورند و یک تصویر یا یک نقشه سهبعدی ایجاد کنند که میتوان آن را برای نظارت بر سلامت محصولات زراعی یا بررسی شرایط خاک از طریق حس ژئوسنسی و سنجش بینایی، از روی صفحه رایانه مشاهده کرد.
مبارزه با علفهای هرز و حصول اطمینان از اینکه محصولات برای تولید، فضای کافی دارند از دغدغههای اصلی و دائمی کشاورزان است. سیستم اسپری نقطهای WeedSeeker در نیوزیلند درواقع یک حسگر تجاری با کاربرد کشاورزی است که با استفاده از فناوری دیود ساطع کننده نور، علفهای هرز را برای سمپاشی، شناسایی میکند.
برنامه تشخیص تصویر Xarvio یکی دیگر از فنآوریهای پیشرفته پیشآگاهی است که میتواند با دقت 61 تا 100٪ برای شناسایی 123 نوع علفهای هرز از دوربین گوشیهای هوشمند استفاده کند.
برنامه Xarvio علاوه بر سیستم تجزیهوتحلیل خسارت برگ که آسیب برگها را بر اساس نسبت رنگ سبز تشخیص میدهد، میتواند بیماریهای مؤثر بر 37 محصول ذکرشده از این 123 محصول را نیز تشخیص داده و شناسایی کند.
برداشت با بینایی کامپیوتری در کشاورزی
برداشت خودکار، با استفاده از تجهیزات مختلف برای چیدن محصولات ظریف و بدون آسیب رساندن به آنها به کار میرود که چالشهای دیگری برای کشاورزان خصوصاً در سطح تجاری است.
دستگاه برداشت خودکار در کشاورزی در سه سطح اساسی تشخیص میوه، تشخیص مکان و تجهیزات برداشت فیزیکی برای برداشت و جدا کردن میوه از گیاه کاربرد دارد.
تشخیص میوه یکی از بزرگترین چالشها در مبحث هوش مصنوعی کشاورزی است که عمدتاً به دلیل شرایط بسیار متنوع برداشت، پیچیده است. نور غیرقابلپیشبینی، اشکال ناسازگار، ایجاد انسداد توسط شاخ و برگ یا میوههای دیگر، همه این عوامل و موارد دیگر باعث میشود که تشخیص میوه در مزرعه کار مشکلی باشد.
یک مقاله تحقیقاتی در نیوزلند که در شماره ماه مه سال 2019 مجله Biosystems Engineering منتشرشده است، طرحی را برای ماشین برداشت خودکار کیوی ارائه میدهد که از دوربینهای رنگی جفت شده و یادگیری عمیق همراه با دوربینهای استریو برای شناسایی و تعیین محل میوه برای برداشت استفاده میکند.
چهار بازوی مجهز به گیرندههای عمودی میوه را شناسایی میکنند، آنها را پیدا میکنند و سپس کیویها را گرفته و میپیچانند تا از ساقه جدا شوند.
در سال 2016 توسعهدهندگان شرکت Abundant Robotics اولین دستگاه خلأ را ایجاد کردند که از بینایی کامپیوتری برای شناسایی سیبها استفاده میکند و سپس آنها را از طریق یک لوله نرم با سرعت یک سیب در ثانیه به داخل میکشد.
انواع مختلف محصولات کشاورزی، به سختافزاری بسیار متفاوتی برای برداشت نیاز دارند. توتفرنگی مانند بسیاری از انواع میوههای حساس، یک برنامه برداشت بسیار فشرده را طلب میکند. Abundant Robotics یک شرکت مبتنی بر فناوری است که طیف وسیعی از روباتها را برای کمک به حل چالشهای برداشت توتفرنگی تولید میکند.
یکی از برجستهترین پروژههای Agrobot، ربات 24 بازوی برداشت محصول است که برای چیدن توتفرنگی طراحیشده است. Agrobot از فناوری یادگیری ماشینی برای شناسایی و اندازهگیری میزان رسیدن توتفرنگی استفاده میکند، سپس میوه را درست از بالای گل میچیند تا به ظروف برداشت منتقل کند.
مدیریت دام
به همین ترتیب از تقسیمبندی معنایی تصاویر نیز برای شناسایی حیوانات و دام استفاده میشود که هوش مصنوعی را در مدیریت دام امکانپذیر میکند. یک پهپاد کاملاً آموزشدیده میتواند بدون کمک انسان دامها را شناسایی و ردیابی کند، آنها را بشمارد و کنترل کند.
حاشیهنویسیهای تصویری مانند روش جعبه محدودکننده نیز به تشخیص و شناسایی دام در دامداری بهمنظور بهرهوری بیشتر کمک میکند.
در کشاورزی با استفاده از الگوریتمهای مناسب، مدلهای مبتنی بر دید کامپیوتری به وجود میآیند تا انواع مختلف حیوانات را بدون کمک انسان تشخیص دهند.
پیشبینی عملکرد با استفاده از یادگیری عمیق
جدا از ماشینهای خودکار، هوش مصنوعی در کشاورزی میتواند با پیشبینی عملکرد محصول با استفاده از فناوری یادگیری عمیق کمک کند.
درواقع، با یادگیری عمیق با کمک تصاویر ماهوارهای، میتوان اطلاعات مختلفی مانند شرایط خاک، سطح نیتروژن، رطوبت، آبوهوای فصلی و اطلاعات عملکرد محصولات را برای کشاورزی دقیق جمعآوری کرد و همچنین با استفاده از فناوری یادگیری عمیق، نرمافزار یا برنامه هوش مصنوعی میتوانند برای تجزیهوتحلیل چنین مواردی طراحی شوند که با استفاده از دید کامپیوتری از طریق دوربین دستگاههای تلفنهای هوشمند یا رایانه لوحی مورداستفاده قرار گیرد.
مدیریت جنگلداری
از فناوری بینایی کامپیوتری در کشاورزی برای نظارت بر فعالیتهای جنگلزدایی و وضعیت سلامتی درختان استفاده میشود.
از تصاویر و دادههای ثبت شده بوسیه هواپیماهای بدون سرنشین یعنی پهپادها در جنگلداری برای آموزش مدل هوش مصنوعی در جهت انجام اقدامات دقیق، ارزیابی سلامت و رشد درختان و توانمند ساختن متخصصان جنگلداری برای تصمیمگیری دقیقتر استفاده میشود.
پاشش سموم دفع آفات بر محصولات
هواپیماهای بدون سرنشین مجهز به هوش مصنوعی، قادر به کنترل محصولات آلوده و پخش سموم دفع آفات برای جلوگیری از آسیب محصولات توسط حشرات و آفات هستند.
دید کامپیوتری به هواپیماهای بدون سرنشین این امکان را میدهد تا محصولات آلوده را بهطور دقیق شناسایی کرده و بر این اساس آفتکشها را اسپری کنند. با بهبود قدرت دید کامپیوتر، با دقت بیشتر از محصولات محافظت میشود.
درجهبندی و مرتبسازی محصولات
هوش مصنوعی در دید کامپیوتری در بخش کشاورزی همچنین میتواند برای تفکیک محصولات خوب از محصولات بد و تعیین اینکه کدام محصول ماندگاری بالاتر و قابلیت صادرات دارد و کدام محصول ماندگاری کمتری دارد و باید به بازارهای محلی حمل شود، مورداستفاده قرار گیرد.
با استفاده از تکنیکهای یادگیری عمیق هنگامیکه درصد آلودگی محاسبه میشود، بر اساس درصد، درجهبندی و مرتبسازی میوهها از روی تصویر، به کشاورزان کمک میشود تا خسارات محصول ناشی از ذخیرهسازی را کاهش دهند.
هنگامیکه مدل هوش مصنوعی با دادههای حاشیهنویسی طراحیشده باشد تا بتواند اشیا متنوع یا موردنظر را در ماشینها قابلشناسایی کند، استفاده صحیح از دید کامپیوتری در کشاورزی امکانپذیر است.
تجزیهوتحلیل دادهها، خدمات حاشیهنویسی تصویر را برای یادگیری ماشینی مبتنی بر بینایی کامپیوتری یا آموزش مدل یادگیری عمیق ارائه میدهد.
بنابراین، اگر میخواهید یک مدل هوش مصنوعی مبتنی بر دید کامپیوتری برای کشاورزی ایجاد کنید، با تجزیهوتحلیل دادهها در ارتباط باشید زیرا تجزیهوتحلیل دادهها میتواند بهترین کیفیت مجموعه دادهها را با مقرونبهصرفه ترین قیمت و درعینحال با کسب اطمینان از دقت زیاد در هر مرحله، به شما ارائه دهد.
تضمین کیفیت و درجهبندی میوه، حتی ممکن است برای مطابقت با کارایی یک اپراتور انسانی به فنآوری بینایی کامپیوتری دقیقتر نیاز داشته باشد. فراتر از تشخیص میوه، برنامههای تضمین کیفیت ممکن است اندازه، مشخصات رنگ، رسیدگی و تشخیص نقص، شناسایی بیماریها و طبقهبندی میوه اسکن شده بر اساس این معیارها را اندازهگیری کنند.
تکنولوژی Crop tracker’s Harvest Quality Vision (تکنولوژی نظارت و ردیابی پیشرفت و کیفیت برداشت محصول) یک فناوری درجهبندی سیب با استفاده از یک دوربین نصبشده بر روی یک رایانه لوحی استاندارد iPad است که از طریق یک سطل سیب اسکن میشود تا اندازه، مشخصات رنگ و مقدار میوه را در دامنه قابلمشاهده تعیین کند.
سپس این سیستم میتواند سیبها را بر اساس اندازه و رنگی که توسط پرورشدهنده به سیستم ارائه میشود، سیبها را در دستههای برداشت سفارشی طبقهبندی کند.