Нейросети в сельском хозяйстве?

Коллеги, доброго дня! Начнем сегодня с причины, почему эта публикация вообще увидела свет. Есть у меня друг, который занимается программированием. Естественно, 2 ума, которые только недавно вступили в 3 десяток жизни хотят что-то сделать эдакое прикольное. У одного есть идеи, у другого навыки, которые мы и планируем и реализовать.

Итак, что у нас есть по идеям:

1. Определитель фаз развития. Зачем, непонятно, но было бы прикольно;

2. Идея друга, которая появилась в результате разговора, по цвету и количеству пикселей в теории можно отделять инфекционные и неинфекционные хлорозы без листовой диагностики;

3. И такая же история по повреждениям насекомыми.

К чему я все это рассказываю? Чтобы спросить у людей, которые 24/7 находятся внутри производства, был бы вам интересен такой проект? И, возможно, вы могли бы предложить свои варианты полезных программ для аграриев?
Заранее сообщу, что надеяться на что-то сверхестественное и качественное не стоит, мы просто 2 паренька из Тамбовской области, которые в свободное от работы время будут бороться за идею :)

Ну а теперь, после длительного лирического отступления приступим к самой статье.

Не все нейросети – нейросети

При определении результата можно применять 2 метода его поиска. Линейный и метод использования нейросети. Каждый из методов имеет свои плюсы и минусы. Основное их различие в том, что при одинаковых входных данных линейный алгоритм будет возвращать одно и то же значение, а нейронная сеть всегда (практически) будет давать разные результаты.

Рассмотрим пример: у нас есть овощ, алгоритм определяет его цвет.

Линейный алгоритм работает на строгом выполнении ряда условий:

Если выполнено условие 1 => результат 1

Если выполнено условие 2 => результат 2

И т.д.

Таких условий может быть несколько, также они могут ветвиться (Если условие 1 выполнено, то проверяем условия 2 и 3), они могут комбинироваться

(Если условие 1 выполнено => результат 1

Если условие 2 выполнено => результат 2

Если условие 1 и 2 выполнено => результат 3)

И т.д.

Запихнем в наш алгоритм огурец, результат - зеленый. И сколько бы раз мы не пихали этот огурец, результат всегда будет зеленый.

Нейросеть работает по-другому. В ней всегда есть генератор случайностей, благодаря которому результат всегда будет разный. С помощью магии обучения сети мы можем лишь сократить (или приблизить) результаты к нужному нам.

Используя наш предыдущий пример, запихнем в нейросеть огурец => результат светло-зеленый. Снова запихнем тот же огурец => результат темно-зеленый, третий раз, серо-зеленый.

Сколько бы раз мы не пихали туда огурец, будет получен приближенный цвет. Для получения более точного результата можно выделить отрезки нужного нам результата.

Допустим, код зеленого диапазона будет от 0 до 100 и все числа этого промежутка будут выдавать зеленый.

Повторим пихания огурцов

1 раз => 10 (зеленый)

2 раз => 78 (зеленый)

3 раз => 55 (зеленый)

В таком случае наш алгоритм работает верно.

Про моделирование

Cognitive pilot не понаслышке знают про нейросети, они уже успели обучить свою навигационную систему огибать препятствия. Но эта компания пошла немного дальше и их новый проект практически полностью зависит от искусственного интеллекта.

Cognitive soil analyzer будет не только использовать машинное обучение чтобы изучать плодородие почвы, но и даже дизайн машины разработала… машина. Как будет выглядеть этот милейший, не побоюсь этого слова, робот можно увидеть под статьей.

Еще немного про анализ почвы

Уже существующий отечественный проект Агроноут использует нейросети для отбора снимков поля. На основе этих изображений уже устанавливаются зоны неоднородного плодородия для дальнейшего анализа. К слову, на сайте есть интервью с Алексеем Трубниковым, основателем этого проекта. Всех, кто заинтересовался данной темой приглашаю ПО ССЫЛКЕ.

Не к одному плодородию почвы все сводится

Существует в нашей стране проект, в котором тоже люди борются за идею и называется он DoctorP. Здесь машину уже учат определять болезни растений по фото. Конечно, данная программа не совсем подходит для промышленного производства, потому что исследуются в основном дачные культуры, однако команда уже добилась определенных успехов, она в работоспособном состоянии.

Что она может?

Используя фотографии, а также текстовые заметки, программа предлагает возможные заболевания, а также варианты решения данной проблемы. Она уже может подсказать что же случилось на следующих культурах: пшеница, кукуруза, хлопок, огурец, томат, яблоня, барбарис, вишня, виноград и даже орхидея.

Список уже довольно внушительный, согласитесь?

Есть еще один крайне интересный Российский проект, созданный внушительным предприятием

И название ему – Ассист Агро. Это, наверное, моя самая любимая цифровая платформа всея Руси (После Direct.Farm, естественно).

Вкратце, что смогли сделать разработчики продукта.

Это скаутинг, но не простой. Дрон, облетая поля и делая массу снимков определяет густоту стояния культурных растений, а также сорняков. При этом камера способна отличить двудольные от злаковых, определить их фенофазу и дать некоторые рекомендации по дифференцированному внесению гербицидов. И все это уже сегодня, не в будущем.
Лично меня впечатляют такие технологии, при этом они разработаны у нас в стране. Снова к слову, на сайте есть интервью с Евгением Багрянцевым, директором компании. Снова всех заинтересовавшихся приглашаю к просмотру ПО ССЫЛКЕ.

А нужны ли выводы?

В данной статье я описал далеко не все. Уже существуют прототипы роботов, которые выжигают сорняки лазером, либо же точечно обрабатывают их пестицидами, лазерные отпугиватели птиц для плодовых предприятий, определители болезней от крупных производителей СЗР. Хотелось показать, что в нашей стране также есть достойные проекты, которые вскоре сделают жизнь сельского хозяйства намного проще. Также я не стал рассматривать тему животноводства, потому что банально не хватает компетенции в данной области, но отечественных проектов в данной сфере тоже не один.

Осталось только пойти в сад и проверить, сможет ли DoctorP отличить черный рак от бактериального, по результатам обязательно отпишусь в комментариях. Всем хорошего дня, коллеги!