5G:n mahdollistama reaaliaikainen oppiminen kestävässä maataloudessa: Tutkimus sokerijuurikkaasta

Meillä on ilo ilmoittaa “5G-verkot reaaliaikaisen oppimisen mahdollistajana kestävässä maataloudessa” -hankkeen onnistuneesta valmistumisesta. Hanketta on tuettu Nordrhein-Westfalenin osavaltion talous-, teollisuus-, ilmastotoimi- ja energiaministeriön osittain myöntämällä rahoituksella.

Tämä aloite on merkittävä askel eteenpäin 5G-teknologian transformatiivisen potentiaalin tutkimisessa maataloudessa, ja sen tarkoituksena on erityisesti parantaa sokerijuurikkaan viljelyn ekologisia, taloudellisia ja kestäviä näkökohtia.

Se hyödynsi 5G:n matalaa viivettä integroidakseen edistyneitä tietotekniikkajärjestelmiä reaaliajassa, mikä mahdollisti välittömät vastaukset anturi- ja sijaintitietoihin ennalta määritellyissä aikaväleissä.

Projektin painopiste ja kumppanuus

Yhteistyössä HSHL:n kumppaneiden kanssa ja Pfeifer & Langenin tuella toteutetussa projektissa keskityttiin tutkimaan sokerijuurikkaan viljelyn koko elinkaarta kumppaneiden omistamilla pelloilla. Sen tavoitteena oli osoittaa, kuinka 5G voisi toimia keskeisenä teknologiakatalyyttinä Nordrhein-Westfalenin maataloussektorilla ja miten sen potentiaali innovaatioiden ja tehokkuuden mahdollistajana olisi esitelty.

GeoPard Agriculturen rooli

GeoPard Agriculturella oli ratkaiseva rooli projektin keskeisten osa-alueiden määrittelyssä ja toteutuksessa, mukaan lukien kasvien havaitsemisen, seurannan ja tuotannon ennustamisen skenaariot. Kehitimme 5G-maatalousympäristöön räätälöidyn tekoälyjärjestelmän prototyypin, toteutimme malleja pilvi-infrastruktuurissa ja loimme mobiilisovelluksen reaaliaikaiseen vuorovaikutukseen pilvipohjaisten mallien kanssa.

Teknologinen integraatio

Tekoälymenetelmät (AI) otettiin käyttöön vankan pilvi-infrastruktuurin avulla, jossa on korkeat laskentaominaisuudet. Tekoälyalgoritmit luokittelivat kasvit reaaliajassa jokaisen risteytymisen aikana ja seurasivat niiden kasvua koko elinkaaren ajan, mikä eliminoi tarpeettomien kenttäkäyntien tarpeen pelkästään tiedonkeruutarkoituksiin.

Tämä edistysaskel mahdollisti lannoitteiden ja kasvinsuojeluaineiden tarkan levityksen säätämällä levitysmääriä dynaamisesti risteysten aikana koneoppimisalgoritmien avulla.

Miehittämättömien ajoneuvojen käyttöönotto

Lisäksi projektissa hyödynnettiin 5G:n lyhyempää viivettä miehittämättömien ajoneuvojen käyttöönotossa kasvien valvontaa ja tiedonkeruuta varten. Näillä ajoneuvoilla oli ratkaiseva rooli reaaliaikaisen tiedon keräämisessä ja maatalouskäytäntöjen optimoinnissa.

Hankkeen tulokset: Sokerijuurikkaan tuotannon tehostaminen 5G-teknologian avulla

Projekti osoitti, kuinka 5G-teknologia voisi toimia mullistavana mahdollistajana Nordrhein-Westfalenin maataloussektorilla analysoimalla sokerijuurikkaan viljelyn koko elinkaarta ja korostamalla 5G-teknologian mahdollistamia merkittäviä parannuksia. Projektin tulosten tehokkaaseen osoittamiseen tutkijat ovat kuitenkin käyttäneet työpaketteja, jotka sisältävät erilaisia skenaarioita ja infrastruktuureja.

Skenaarion määritelmä ottaen huomioon olemassa olevan geodatan ja koneoppimisinfrastruktuurin

Hankkeessa osoitettiin, kuinka sokerijuurikkaan tuotannon elinkaaren perinteisiä prosesseja voitaisiin parantaa 5G-teknologian integroinnin avulla. Keskeisiä tavoitteita olivat:

• Kehitettiin valmiita skenaarioita kasvien tunnistamiseen, seurantaan ja tuotannon ennustamiseen.
• Näiden skenaarioiden onnistuneen käyttöönoton edellyttämät tekniset vaatimukset on määritelty.
• Tunnistettiin ja arvioitiin asiaankuuluvia ekologisia ja taloudellisia indikaattoreita 5G-verkon tuoman lisäarvon arvioimiseksi.

Tämä vaihe korosti projektin sitoutumista huipputeknologian integrointiin olemassa oleviin maatalouskäytäntöihin. Tämä arkkitehtuuri hyödynsi 5G-verkon nopeaa yhteyttä helpottaakseen reaaliaikaista tiedonkeruuta ja -käsittelyä reunalaitteiden ja pilven välillä. Pilvi-infrastruktuuri tarjosi olennaisia resursseja laaja-alaisten tekoälymallien koulutukseen ja käyttöönottoon, kun taas tekoälyalusta tarjosi vankkoja työkaluja mallien kehittämiseen ja käyttöönottoon. Sovelluskerros esitteli loppukäyttäjille tekoälymalleista johdettuja toimivia näkemyksiä, mikä paransi päätöksentekokykyä.

Koneoppiminen ja tekoäly 5G:n kontekstissa

Tämän osan tarkoituksena oli mukauttaa olemassa olevia koneoppimis- ja tekoälyjärjestelmiä edellä kuvattujen skenaarioiden mukaisiksi ja optimoida niitä vastaavasti. Keskeisiä tavoitteita olivat:

• Määrittele järjestelmän tavoitteet ja kehitä järjestelmän arkkitehtuuri
• Kerätty maastodata tekoälymallien kouluttamista ja validointia varten.
• Luotiin ja annotoitiin sopiva tietokanta kasvien tunnistamista ja seurantaa varten.
• Integroi tekoälymallit saumattomasti 5G-verkkoinfrastruktuuriin.

Tässä vaiheessa 5G-teknologiaa hyödyntävillä matkapuhelin-SIM-korteilla varustetuilla reunalaitteilla oli ratkaiseva rooli. Keskeisiä suorituskykyindikaattoreita (KPI), kuten viivettä tai kokonaisviivettä (E2E), seurattiin tarkasti. Mittauksiin sisältyi vastaanotettujen datapakettien luotettavuuden ja saatavuuden tarkka arviointi sekä käyttäjien tiedonsiirtonopeuksien ja huippunopeuksien analysointi.

Lisäksi oletuksia tehtiin UHD-resoluution videon suoratoiston perusteella MP4-muodossa, joka lähetettiin TCP:n (Transmission Control Protocol) kautta. Mahdollisia ratkaisuja tutkittiin yksittäisten kuvien käytön optimoinnilla jatkuvien videostriimien sijaan, perusoptimointien suorittamisella suoraan reunalla olevilla laitteilla ja mallikvantisointitekniikoiden toteuttamisella tehokkuuden parantamiseksi.

Pilvi-infrastruktuuri ja AWS-palvelut

Projekti nojasi vahvasti pilvi-infrastruktuuriin, joka hyödynsi AWS-palveluita, kuten Lambdaa, SageMakeria, S3:a, CloudWatchia ja RDS:ää, joilla oli ratkaiseva rooli tarvittavien resurssien tarjoamisessa tekoälymallien koulutukseen ja käyttöönottoon.

AWS Lambdaa käytettiin tehokkaaseen instanssien hallintaan ja sovellusten tarjoiluun, kun taas AWS SageMaker edisti vankkojen koneoppimisputkien rakentamista. Tallennusratkaisut, kuten S3, CloudWatch ja RDS, olivat välttämättömiä koneoppimismallien ja neuroverkkojen toiminnan kannalta ratkaisevien tietojoukkojen ja lokien tallennukseen.

Näin ollen tämä infrastruktuuri tuki 5G-verkon mahdollistamia reaaliaikaisia tiedonkäsittelyominaisuuksia.

5G-verkon latenssi

5G-verkot suunniteltiin saavuttamaan erittäin lyhyt latenssi, tyypillisesti 1–10 millisekuntia. Tämä latenssi heijasti aikaa, joka datan kulkemiseen mobiililaitteiden ja AWS-palvelimien välillä 5G-verkon kautta kului. Laitekohtaiset prosessointiominaisuudet, kuten valokuvien ottamisen ja käsittelyn nopeus älypuhelimissa, joissa on tehokkaat prosessorit, vaikuttivat myös latenssiin.

Tiedonsiirtonopeudet 5G-verkossa ja kuvan koko vaikuttivat tiedonsiirtoaikoihin AWS:ään. AWS vaikutti edelleen viiveeseen tehtävien, kuten neuroverkkopohjaisen tunnistuksen ja segmentoinnin, käsittelyaikojen osalta, jotka vaihtelivat algoritmin monimutkaisuuden ja AWS-palvelun tehokkuuden mukaan. Käsittelyn jälkeen tulokset ladattiin takaisin mobiililaitteisiin 5G:n latausnopeuden ja tulosdatan koon mukaan.

Kasvien tunnistus tekoälyn avulla

Kasvien tunnistamisen alueella tekoälypohjaiset prosessit sisälsivät kattavan kasvikuvien tietokannan luomisen neuroverkkoihin perustuvien algoritmien kouluttamiseksi. Nämä algoritmit koulutettiin erottamaan sokerijuurikaslajit muista kasveista tunnistamalla kyseiselle kasvityypille ominaisia piirteitä, kuten lehtien muotoja, kukkien värejä jne.

Tässä kasvien tunnistamisella tarkoitamme rikkaruohojen havaitsemista ja sokerijuurikaskasvien segmentointia.

• Rikkakasvien havaitseminen

Rikkakasvien havaitsemiseen projektissa käytettiin MobileNet-v3-mallia, jota oli koulutettu laajoilla datan lisäyksillä ja painotetulla näytteenotolla. Tämä malli saavutti vaikuttavan 0,984:n tarkkuuden ja 0,998:n AUC-arvon.

• Sokerijuurikkaan segmentointi

Segmentointitehtävissä käytettiin malleja, kuten YOLACT, ResNeSt, SOLO ja U-net, yksittäisten sokerijuurikasnäytteiden tarkkaan rajaamiseen kuvista. Sitten valittiin tehokkain malli eri kriteerien perusteella, kuten nopeus, päättelyaika jne. Segmentointiin tarvittavat tiedot saatiin dronella otetuista RGB-kuvista, joiden kokoa muutettiin ja joihin lisättiin annotaatioita koulutus- ja validointitarkoituksiin.

Segmentointitehtäviin kuului maskien luominen, jotka rajasivat tarkasti kasvirajat. Tämä menetelmä vähensi ihmisen annotointityötä ja optimoi samalla tehokkuutta. Priorisoimalla haastavien näytteiden merkitsemistä mallin suorituskyky parani merkittävästi. Iteratiivinen uudelleenkoulutus ja epävarmuusnäytteenottostrategiat olivat osoittautuneet tehokkaiksi, ja niillä saavutettiin yli 98%:n segmentointitarkkuus eri kasvuvaiheissa.

• Mallin arviointi

Mallia koulutettiin tiukoilla datan lisäyksillä. Mallia arvioitiin käyttämällä erilaisia mittareita, mukaan lukien Intersection over Union (IoU). Rakennetun mallin päättelyanalyysi, joka suoritettiin 'plant seedlings v2' -tietojoukon osajoukolle, osoitti 81%:n tarkkuuden. Päättelyn laskeminen kesti noin 320 millisekuntia 7 sekunnin alustusjakson jälkeen, joka tarvitaan vain kerran istuntoa kohden.

Tekoälyn (AI) avulla toimivassa kasvien seurannassa kamerat ja anturit tallensivat elintärkeitä kasvitietoja, joita analysoitiin koneoppimisen ja tekoälyalgoritmien avulla. Tällä analyysillä oli ratkaiseva rooli kasvien terveyden arvioinnissa, stressin, sairauksien tai muiden kasvuun vaikuttavien tekijöiden paikantamisessa.

Sovellukset ulottuivat maatalouden tuottavuuden optimoinnista luonnon ekosysteemien, kuten metsien, seurantaan, luonnonsuojelutoimien tukemiseen ja ympäristövaikutusten ymmärtämisen parantamiseen.

Kohteiden tunnistus laitoksen valvonnassa

Sokerijuurikaskasvien segmentoinnin jälkeen seuraava vaihe on kohteiden tunnistus, jonka tavoitteena on ymmärtää kunkin kasvin erityispiirteitä terveyden, kasvun ja muiden tekijöiden suhteen. Kasvien seurannassa kohteiden tunnistamiseen otettiin käyttöön edistyneitä malleja, kuten YOLOv4, MobileNetV2 ja VGG-19, joissa oli huomiomekanismeja. Nämä mallit analysoivat sokerijuurikkaiden segmentoituja kuvia havaitakseen tiettyjä stressi- ja sairausalueita, mikä mahdollisti tarkat ja kohdennetut toimenpiteet.

Projekti saavutti merkittäviä virstanpylväitä tautien havaitsemisessa kouluttamalla ImageNetillä esikoulutettuja ResNet-18- ja ResNet-34-malleja. Nämä mallit osoittivat vaikuttavan 0,88:n tarkkuuden sokerijuurikaskasveja vaivaavien tautien tunnistamisessa, ja ROC-käyrän alle jäävä pinta-ala (AUC) oli 0,898. Mallit osoittivat korkeaa ennustusluotettavuutta, ja ne erottivat tarkasti sairaat ja terveet kasvit.

Projektissa käytettiin systemaattista lähestymistapaa tautien havaitsemiseen segmentoimalla kuvat standardoituihin alueisiin. Näihin alueisiin tehtiin huolellinen merkintöjen tekeminen interaktiivisten työkalujen avulla tautien vaivaamien alueiden paikantamiseksi. Kohteiden tunnistus paransi tarkkuutta entisestään hahmottelemalla kasvien ympärille rajaavat laatikot, mikä helpotti kasvien terveyden tarkkaa seurantaa.

Kasvintuotannon ennustaminen

Kasvintuotannon ennustamisen alueella tekoälymallit hyödynsivät ympäristötietoja, kuten sääolosuhteita ja maaperän parametreja, satojen ennustamiseen. Käytettiin regressiomalleja, kuten eristysmetsämallia, lineaarista regressiota ja harjanteen regressiota.

Nämä mallit integroivat rajaavista laatikoista poimittuja numeerisia ominaisuuksia sekä maaperätietoja lannoitteiden levityksen optimoimiseksi.

Mallin käyttöönoton huomioon otettavat seikat

Kehitettyjen mallien käyttöönottostrategioita arvioitiin sekä reunalla toimiville laitteille että pilvialustoille. Mallien käyttöönotto reunalla toimivilla laitteilla tarjosi etuja, kuten pienemmät kustannukset ja lyhyemmän viiveen.

Tämä lähestymistapa saattaa kuitenkin heikentää laitteistorajoitusten aiheuttamaa tarkkuutta. Toisaalta pilvipalveluissa päättely nopeutui tehokkaampien näytönohjainten ansiosta, mutta se saattoi aiheuttaa lisäkustannuksia ja oli riippuvainen internetyhteydestä, mikä saattoi aiheuttaa tiedonsiirrossa viivettä.

Vertaileva analyysi 5G-verkon kanssa

Vertaileva analyysi osoitti, että 5G-verkon käyttö paransi merkittävästi sokerijuurikkaan segmentointia perinteisiin 4G/WiFi-asennuksiin verrattuna. Tämä parannus näkyi keskimääräisten asennus- ja verkkoaikojen lyhenemisenä, mikä korostaa 5G-teknologian saavuttamia tehokkuushyötyjä.

• Tietojen valmisteluprosessi

Tiedon valmisteluprosessiin kuului terveiden ja sairaiden kasvien tietojoukkojen kerääminen, rikkaruohojen havaitseminen, kasvuvaiheiden tunnistaminen ja kuvien erottaminen 4K-raakavideosta. Tiedon valmisteluun analyysia varten käytettiin tekniikoita, kuten histogrammin tasausta, kuvan suodatusta ja HSV-väriavaruuden muunnosta.

Kerättiin näytteitä terveistä sokerijuurikkaan lehdistä ja sairaista näytteistä, kuten harmaalaikkuisista maissinlehdistä. Taudin piirteiden erottaminen käsitti lehden erottamisen taustasta, koon muuttamisen, muuntamisen ja kuvien yhdistämisen realististen näytteiden luomiseksi analyysia varten.

• Aktiivinen oppimissilmukka

Aktiivinen oppimissilmukka aloitettiin nimeämättömällä datalla, jota käytettiin tunnistusmallien kouluttamiseen. Nämä mallit tuottivat annotointikyselyitä, joihin ihmisannotaattorit vastasivat ja jotka jatkuvasti tarkensivat mallin tarkkuutta iteratiivisen koulutuksen ja annotointisyklien avulla.

• Datan annotointi multimodaalisen säätiömallin kautta

Rajallisen merkityn datan haasteeseen vastattiin hyödyntämällä vankkoja perustusmalleja luodakseen pohjatietojen annotaatioita. Keskeisessä roolissa oli erityisesti CLIP, OpenAI:n kehittämä muuntajapohjainen malli, jota koulutettiin yli 400 miljoonan kuva-tekstiparin laajalla tietojoukolla.

Käyttämällä Vision Transformers -teknologiaa selkärankana CLIP saavutti huomattavan 95%-tarkkuuden validointilaitteissa luokittelemalla kuvat tehokkaasti erillisiin luokkiin, kuten sokerijuurikkaaseen ja rikkaruohoon, erittäin tarkasti.

• Drooniteknologia tiedonkeruuseen

Yksi projektissa käytetyistä kriittisistä teknologioista oli RGB-kameroilla varustettujen droonien käyttö, jotka tallensivat 4K-videota. Nämä droonit tuottivat yksityiskohtaisia kuvia (3840 × 2160 resoluutio) analysoitavaksi.

Näiden kuvien esikäsittely paransi mallin tarkkuutta merkittävästi, ja huomattavia parannuksia havaittiin malleissa, kuten VGGNet (+38.52%), ResNet50 (+21.14%), DenseNet121 (+7.53%) ja MobileNet (+6.6%).

Kuvan kontrastin parantamiseksi käytettiin tekniikoita, kuten histogrammin tasausta, kun taas muunnos HSV-väriavaruuteen auttoi korostamaan kasvialueita ja korostamaan olennaisia piirteitä.

• Synteettisen datan generointi

Rajallisen kuvadatan haasteen ratkaisemiseksi synteettisiä datajoukkoja luotiin koneoppimisen ja tekoälyn avulla. Tiedonkeruu suoritettiin käyttämällä RGB-kameroita hyödyntäviä droneja, jotka lensivät 1–4 metrin korkeudessa ja vähintään 2 m/s nopeudella.

Myös muita ajoneuvoja, kuten traktoreita, käytettiin tiedonkeruuseen. Tämä synteettinen tiedontuotanto osoittautui erityisen hyödylliseksi sokerijuurikkaan tautien havaitsemisessa.

Johtopäätös

“5G-verkot kestävän maatalouden reaaliaikaisen oppimisen mahdollistajana” -projekti osoitti onnistuneesti, kuinka 5G-teknologia voi parantaa sokerijuurikkaan viljelyn ekologisia, taloudellisia ja kestäviä näkökohtia. Yhteistyössä HSHL:n ja Pfeifer & Langenin kanssa projekti integroi reaaliaikaisen tiedonkeruun ja tekoälypohjaisen analyysin, mikä parantaa tehokkuutta ja vähentää tarpeettomia kenttäkäyntejä.

Erillinen 5G-kampusverkko mahdollisti lannoitteiden ja kasvinsuojeluaineiden tarkan levityksen. Geopard Agriculturella oli ratkaiseva rooli kasvien havaitsemis- ja seurantaskenaarioiden kehittämisessä sekä 5G-maatalousympäristöön tarkoitetun koneoppimisjärjestelmän prototyypin luomisessa. Projektin menestys korosti edistyneiden teknologioiden merkitystä kestävässä maataloudessa ja korosti 5G:n potentiaalia innovaatioiden ja tehokkuuden edistämisessä.