5G-toega reaalajas õpe säästvas põllumajanduses: uuring suhkrupeedi kohta

Meil on hea meel teatada projekti “5G võrgud reaalajas õppimise võimaldajana säästvas põllumajanduses” edukast lõpuleviimisest, mida toetas osaliselt Nordrhein-Westfaleni liidumaa majandus-, tööstus-, kliimameetmete ja energeetikaministeerium.

See algatus kujutab endast olulist sammu edasi 5G-tehnoloogia transformatiivse potentsiaali uurimisel põllumajanduses, mille eesmärk on eelkõige parandada suhkrupeedi kasvatamise ökoloogilisi, majanduslikke ja jätkusuutlikke aspekte.

See kasutas ära 5G madalat latentsusaega, et integreerida täiustatud infotehnoloogiasüsteeme reaalajas, võimaldades andurite ja asukohaandmetele kohe reageerida etteantud ajaraamide piires.

Projekti fookus ja partnerlus

Koostöös HSHL-i partneritega ja Pfeifer & Langeni toel keskendus projekt suhkrupeedi kasvatamise kogu elutsükli uurimisele partneritele kuuluvatel põldudel. Selle eesmärk oli näidata, kuidas 5G võiks olla Nordrhein-Westfaleni põllumajandussektoris keskseks tehnoloogiliseks katalüsaatoriks, näidates selle potentsiaali innovatsiooni ja tõhususe võimaldajana.

GeoPard Agriculture'i roll

GeoPard Agriculture mängis olulist rolli projekti põhiaspektide määratlemisel ja rakendamisel, sealhulgas taimede tuvastamise, jälgimise ja tootmise prognoosimise stsenaariumide väljatöötamisel. Töötasime välja 5G põllumajanduskeskkonna jaoks kohandatud tehisintellekti süsteemi prototüübi, teostasime mudeleid pilveinfrastruktuuris ja lõime mobiilirakenduse reaalajas suhtlemiseks pilvepõhiste mudelitega.

Tehnoloogiline integratsioon

Tehisintellekti (AI) meetodid juurutati tugeva ja suure arvutusvõimsusega pilveinfrastruktuuri kaudu. AI algoritmid kategoriseerisid taimi iga ristamise ajal reaalajas ja jälgisid nende kasvu kogu elutsükli jooksul, välistades vajaduse tarbetute põllukülastuste järele ainult andmete kogumise eesmärgil.

See edasiminek võimaldas väetiste ja taimekaitsevahendite täpset pealekandmist, kohandades masinõppe algoritmide abil dünaamiliselt pealekandmiskoguseid ristumiste ajal.

Mehitamata sõidukite kasutuselevõtt

Lisaks kasutas projekt 5G väiksemat latentsusaega mehitamata sõidukite juurutamiseks taimede jälgimiseks ja andmete kogumiseks. Need sõidukid mängisid olulist rolli reaalajas teadmiste kogumisel ja põllumajandustavade edasisel optimeerimisel.

Projekti tulemused: Suhkrupeedi tootmise suurendamine 5G tehnoloogia abil

Projekt demonstreeris, kuidas 5G-tehnoloogia võiks olla Nordrhein-Westfaleni põllumajandussektoris transformatsiooni võimaldajaks, analüüsides suhkrupeedi kasvatamise kogu elutsüklit ja tuues esile olulisi edusamme, mida 5G-tehnoloogia hõlbustab. Projekti tulemuste tõhusaks demonstreerimiseks on teadlased aga kasutanud tööpakette, mis sisaldavad erinevaid stsenaariume ja infrastruktuure.

Stsenaariumi määratlus, arvestades olemasolevaid geoandmeid ja masinõppe infrastruktuuri

Projekt näitas, kuidas 5G-tehnoloogia integreerimise abil saaks täiustada suhkrupeedi tootmise elutsükli traditsioonilisi protsesse. Peamised eesmärgid olid järgmised:

• Töötas välja rakendusvalmis stsenaariumid taimede tuvastamiseks, jälgimiseks ja tootmise prognoosimiseks.
• Nende stsenaariumide edukaks juurutamiseks vajalikud tehnilised nõuded.
• 5G-võrgu lisaväärtuse hindamiseks tuvastati ja hinnati asjakohaseid ökoloogilisi ja majanduslikke näitajaid.

See etapp rõhutas projekti pühendumust tipptehnoloogia integreerimisele olemasolevate põllumajandustavadega. See arhitektuur kasutas ära 5G-võrgu kiiret ühenduvust, et hõlbustada reaalajas andmete kogumist ja töötlemist servaseadmete ja pilve vahel. Pilveinfrastruktuur pakkus olulisi ressursse suuremahuliste tehisintellekti mudelite koolitamiseks ja juurutamiseks, samas kui tehisintellekti platvorm pakkus mudelite arendamiseks ja juurutamiseks tugevaid tööriistu. Rakenduskiht pakkus lõppkasutajatele tehisintellekti mudelitest saadud praktilisi teadmisi, parandades otsustusvõimet.

Masinõpe ja tehisintellekt 5G kontekstis

Selle osa keskmes oli olemasolevate masinõppe- ja tehisintellekti süsteemide kohandamine eespool kirjeldatud stsenaariumidega, optimeerides neid vastavalt. Peamised eesmärgid olid järgmised:

• Määrake süsteemi eesmärgid ja arendage süsteemi arhitektuur
• Kogutud maapealsed andmed tehisintellekti mudelite treenimiseks ja valideerimiseks.
• Loodud ja annoteeritud sobiv taimede identifitseerimiseks ja jälgimiseks kohandatud andmebaas.
• Integreeris tehisintellekti mudelid sujuvalt 5G võrgu infrastruktuuri.

Selles etapis mängisid olulist rolli 5G-tehnoloogiat kasutavate mobiiltelefonide SIM-kaartidega varustatud servaseadmed. Peamisi tulemusnäitajaid (KPI-sid), nagu latentsus või otsast-otsani (E2E) latentsus, jälgiti tähelepanelikult. Mõõtmised hõlmasid vastuvõetud andmepakettide usaldusväärsuse ja kättesaadavuse täpset hindamist ning kasutajate andmeedastuskiiruste ja tipptasemel andmeedastuskiiruste analüüsi.

Lisaks tehti eeldused UHD-eraldusvõimega video voogedastuse põhjal MP4-vormingus, mida edastati TCP (Transmission Control Protocol) kaudu. Uuritud võimalike lahenduste hulka kuulusid optimeerimine üksikute piltidega pidevate videovoogude asemel, baasoptimeerimiste tegemine otse servaseadmetes ja mudeli kvantimistehnikate rakendamine efektiivsuse suurendamiseks.

Pilveinfrastruktuur ja AWS-teenused

Projekt tugines suuresti pilveinfrastruktuurile, mis kasutas AWS-teenuseid nagu Lambda, SageMaker, S3, CloudWatch ja RDS, millel oli oluline roll tehisintellekti mudelite koolitamiseks ja juurutamiseks vajalike ressursside pakkumisel.

AWS Lambdat kasutati tõhusaks eksemplaride haldamiseks ja rakenduste teenindamiseks, samas kui AWS SageMaker hõlbustas robustsete masinõppe torujuhtmete loomist. Salvestuslahendused nagu S3, CloudWatch ja RDS olid hädavajalikud masinõppemudelite ja närvivõrkude toimimiseks oluliste andmekogumite ja logide salvestamiseks.

Seega toetas see taristu 5G-võrgu võimaldatud reaalajas andmetöötlusvõimalusi.

5G võrgu latentsusaeg

5G-võrgud on loodud saavutama ülimadala latentsusaja, mis jääb tavaliselt vahemikku 1–10 millisekundit. See latentsusaeg peegeldab aega, mis kulub andmete edastamiseks mobiilseadmete ja AWS-serverite vahel 5G-võrgu kaudu. Latentsusaega mõjutasid ka seadmespetsiifilised töötlemisvõimalused, näiteks fotode jäädvustamise ja töötlemise kiirus nutitelefonides, millel on suure jõudlusega protsessorid.

Andmete üleslaadimise kiirus 5G-võrgus ja foto suurus mõjutasid andmeedastusaega AWS-i. AWS panustas latentsusaega ka selliste ülesannete nagu närvivõrgupõhine tuvastamine ja segmenteerimine töötlemisaegade puhul, mis varieerusid algoritmi keerukuse ja AWS-teenuse efektiivsuse põhjal. Pärast töötlemist laaditi tulemused tagasi mobiilseadmetesse, mida mõjutasid 5G allalaadimiskiirus ja tulemuste suurus.

Taimede tuvastamine tehisintellekti abil

Taimede tuvastamise valdkonnas hõlmasid tehisintellektil põhinevad protsessid tervikliku taimepiltide andmebaasi loomist närvivõrkudel põhinevate algoritmide treenimiseks. Neid algoritme treeniti eristama suhkrupeediliike teistest taimedest, tuvastades sellele konkreetsele taimeliigile omaseid tunnuseid, nagu lehtede kuju, õite värvus jne.

Taimede äratundmise all peame siin silmas umbrohu tuvastamist ja suhkrupeeditaimede segmenteerimist.

• Umbrohu tuvastamine

Umbrohu tuvastamiseks kasutati projektis MobileNet-v3, mida treeniti ulatuslike andmetäienduste ja kaalutud valimitega. See mudel saavutas muljetavaldava täpsuse 0,984 ja AUC 0,998.

• Suhkrupeedi segmenteerimine

Segmenteerimisülesannete jaoks kasutati piltidel üksikute suhkrupeediproovide täpseks piiritlemiseks selliseid mudeleid nagu YOLACT, ResNeSt, SOLO ja U-net. Seejärel valiti erinevate kriteeriumide (kiirus, järeldusaeg jne) põhjal kõige tõhusam mudel. Segmenteerimisandmed saadi drooniga jäädvustatud RGB-piltidelt, mille suurust muudeti ja annoteeriti treenimise ja valideerimise eesmärgil.

Segmenteerimisülesanded hõlmasid maskide loomist, mis täpselt piiritlesid taimede piire. See meetod vähendas inimeste annotatsioonitööd, optimeerides samal ajal efektiivsust. Keeruliste proovide märgistamise prioriseerimisega paranes mudeli jõudlus märkimisväärselt. Iteratiivne ümberõpe ja määramatuse valimivõtu strateegiad osutusid tõhusaks, saavutades segmenteerimise täpsuse määra, mis ületas 98% erinevates kasvufaasides.

• Mudeli hindamine

Mudelit treeniti rangete andmete täiustamise meetoditega. Mudelit hinnati erinevate mõõdikute abil, sealhulgas ristmik liidu kohal (IoU). Ehitatud mudeli järeldusanalüüs, mis viidi läbi andmestiku ‘plant seedlings v2’ alamhulgal, näitas täpsust 81%. Järelduse arvutamine võttis pärast 7-sekundilist initsialiseerimisperioodi, mis on vajalik ainult üks kord seansi jooksul, ligikaudu 320 millisekundit.

Tehisintellekti (AI) abil toimivas taimede jälgimises jäädvustasid kaamerad ja andurid olulisi taimeandmeid, mida analüüsiti masinõppe ja tehisintellekti algoritmide abil. See analüüs mängis olulist rolli taimede tervise hindamisel, stressi, haiguste või muude kasvu mõjutavate tegurite kindlakstegemisel.

Rakendused ulatusid põllumajandusliku tootlikkuse optimeerimisest looduslike ökosüsteemide, näiteks metsade, jälgimiseni, looduskaitsealaste jõupingutuste toetamiseni ja keskkonnamõjude mõistmise parandamiseni.

Objektide tuvastamine tehase jälgimisel

Järgmine etapp pärast suhkrupeeditaimede segmenteerimist on objektide tuvastamine, mille eesmärk on mõista iga taime eripärasid tervise, kasvu ja muude tegurite osas. Taimede jälgimisel objektide tuvastamiseks kasutati täiustatud mudeleid nagu YOLOv4, MobileNetV2 ja VGG-19 koos tähelepanu mehhanismidega. Need mudelid analüüsisid suhkrupeedi segmenteeritud pilte, et tuvastada spetsiifilisi stressi- ja haiguspiirkondi, võimaldades täpseid ja sihipäraseid sekkumisi.

Projekt saavutas olulisi edusamme haiguste tuvastamisel, treenides ImageNetis eeltreenitud ResNet-18 ja ResNet-34 mudeleid. Need mudelid näitasid suhkrupeeditaimi mõjutavate haiguste tuvastamisel muljetavaldavat 0,88 täpsust, ROC-kõvera aluse pindalaga (AUC) 0,898. Mudelitel oli kõrge ennustuskindlus, eristades täpselt haigeid ja terveid taimi.

Projekt kasutas haiguste avastamiseks süstemaatilist lähenemisviisi, segmenteerides pildid standardiseeritud laikudeks. Need laigud läbisid interaktiivsete tööriistade abil hoolika annotatsiooni, et täpsustada haigustest mõjutatud alasid. Objektide tuvastamine suurendas täpsust veelgi, joonistades taimede ümber piiravad kastid, hõlbustades taimede tervise täpset jälgimist.

Taimekasvatuse ennustamine

Taimetoodangu prognoosimise valdkonnas kasutasid tehisintellekti mudelid saagikuse prognoosimiseks keskkonnaandmeid, nagu ilmastikutingimused ja mullaparameetrid. Kasutati regressioonimudeleid nagu isolatsioonimets, lineaarne regressioon ja harja regressioon.

Need mudelid integreerisid piirdekasti piirkondadest eraldatud numbrilised tunnused koos mullaandmetega, et optimeerida väetise kasutamist.

Mudeli juurutamise kaalutlused

Väljatöötatud mudelite juurutamisstrateegiaid hinnati nii servaseadmete kui ka pilveplatvormide jaoks. Mudelite juurutamine servaseadmetes pakkus eeliseid, nagu väiksemad kulud ja madalam latentsus.

See lähenemisviis võib aga riistvarapiirangute tõttu potentsiaalset täpsust vähendada. Teisest küljest pakkus pilvepõhine juurutamine kiiremaid järeldusaegu, kasutades suure jõudlusega graafikaprotsessoreid, kuid võis kaasa tuua lisakulusid ja sõltus internetiühendusest, mis võis põhjustada side latentsust.

Võrdlev analüüs 5G võrguga

Võrdlev analüüs näitas, et 5G-võrgu kasutamine parandas oluliselt suhkrupeedi segmenteerimist võrreldes traditsiooniliste 4G/WiFi-ühendustega. Seda paranemist tõendasid keskmise seadistus- ja võrguühenduse aja lühenemine, mis rõhutab 5G-tehnoloogia abil saavutatud efektiivsuse kasvu.

• Andmete ettevalmistamise protsess

Andmete ettevalmistamise protsess hõlmas tervete ja haigete taimede andmestike kogumist, umbrohtude tuvastamist, kasvufaaside kindlakstegemist ja piltide ekstraheerimist 4K toorvideost. Andmete analüüsiks ettevalmistamiseks kasutati tehnikaid nagu histogrammi võrdsustamine, piltide filtreerimine ja HSV värviruumi teisendus.

Koguti nii tervete suhkrupeedilehtede kui ka haigete proovide, näiteks halli lehelaiksusega maisilehtede proove. Haigustunnuste eraldamine hõlmas lehe eraldamist taustast, suuruse muutmist, teisendamist ja piltide ühendamist, et luua analüüsiks realistlikke proove.

• Aktiivse õppe ring

Märgistamata andmetega käivitati aktiivne õppetsükkel, mida kasutati tuvastusmudelite treenimiseks. Need mudelid genereerisid annotatsioonipäringuid, millele vastasid inimestest annotaatorid, täiustades pidevalt mudeli täpsust iteratiivse treenimise ja annotatsioonitsüklite abil.

• Andmete annotatsioon multimodaalse sihtmudeli kaudu

Piiratud märgistatud andmete probleemi lahendamiseks kasutas projekt maapealsete tõeväärtuste annotatsioonide genereerimiseks tugevaid alusmudeleid. Märkimisväärselt mängis olulist rolli CLIP, OpenAI poolt välja töötatud transformaatoripõhine mudel, mida treeniti üle 400 miljoni pildi-teksti paari sisaldava ulatusliku andmestiku peal.

Kasutades selgroona Vision Transformereid, saavutas CLIP valideerimiskomplektidel märkimisväärse 95% täpsuse, kategoriseerides pilte suure täpsusega erinevatesse klassidesse, näiteks suhkrupeet ja umbrohi.

• Droonitehnoloogia andmete kogumiseks

Üks projektis kasutatud kriitilistest tehnoloogiatest oli RGB-kaameratega varustatud droonide kasutamine, mis jäädvustasid 4K-videot. Need droonid pakkusid analüüsimiseks detailseid pilte (eraldusvõime 3840 × 2160).

Nende piltide eeltöötlus suurendas oluliselt mudeli täpsust, kusjuures märkimisväärseid edusamme täheldati selliste mudelite puhul nagu VGGNet (+38.52%), ResNet50 (+21.14%), DenseNet121 (+7.53%) ja MobileNet (+6.6%).

Kujutise kontrastsuse suurendamiseks kasutati selliseid tehnikaid nagu histogrammi ekvalaiser, samas kui HSV värviruumi teisendamine aitas rõhutada taimealasid ja esile tõsta olulisi omadusi.

• Sünteetiliste andmete genereerimine

Piiratud pildiandmete probleemi lahendamiseks genereeriti masinõppe ja tehisintellekti abil sünteetilised andmekogumid. Andmete kogumiseks kasutati droone, mis lendasid 1–4 m kõrgusel ja kiirusel 2 m/s või rohkem, kasutades RGB-kaameraid.

Andmete kogumiseks kasutati ka teisi sõidukeid, näiteks traktoreid. See sünteetiline andmete genereerimine osutus eriti kasulikuks suhkrupeedihaiguste avastamisel.

Kokkuvõte

Projekt “5G võrgud kui reaalajas õppimise võimaldaja jätkusuutlikus põllumajanduses” näitas edukalt, kuidas 5G tehnoloogia saab parandada suhkrupeedi kasvatamise ökoloogilisi, majanduslikke ja jätkusuutlikke aspekte. Koostöös HSHL-i ja Pfeifer & Langeniga integreeriti projektis reaalajas andmete kogumine ja tehisintellektil põhinev analüüs, parandades tõhusust ja vähendades tarbetuid põllukülastusi.

Spetsiaalne 5G ülikoolilinnaku võrk võimaldas väetiste ja taimekaitsevahendite täpset kasutamist. Geopard Agriculture mängis olulist rolli taimede tuvastamise ja jälgimise stsenaariumide väljatöötamisel ning 5G põllumajanduskeskkonna jaoks mõeldud masinõppesüsteemi prototüübi loomisel. Projekti edu rõhutas täiustatud tehnoloogiate olulisust säästvas põllumajanduses, tõstes esile 5G potentsiaali innovatsiooni ja tõhususe edendamisel.