{"id":10617,"date":"2024-07-13T20:50:45","date_gmt":"2024-07-13T18:50:45","guid":{"rendered":"https:\/\/geopard.tech\/?p=10617"},"modified":"2024-07-13T20:50:51","modified_gmt":"2024-07-13T18:50:51","slug":"5g-mahdollisti-reaaliaikaisen-oppimisen-kestavassa-maataloudessa-tutkimus-sokerijuurikkaan-tuotannosta","status":"publish","type":"post","link":"https:\/\/geopard.tech\/fin\/blog\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\/","title":{"rendered":"5G:n mahdollistama reaaliaikainen oppiminen kest\u00e4v\u00e4ss\u00e4 maataloudessa: Tutkimus sokerijuurikkaasta"},"content":{"rendered":"<p class=\"wp-block-paragraph\">Meill\u00e4 on ilo ilmoittaa \u201c5G-verkot reaaliaikaisen oppimisen mahdollistajana kest\u00e4v\u00e4ss\u00e4 maataloudessa\u201d -hankkeen onnistuneesta valmistumisesta. Hanketta on tuettu Nordrhein-Westfalenin osavaltion talous-, teollisuus-, ilmastotoimi- ja energiaministeri\u00f6n osittain my\u00f6nt\u00e4m\u00e4ll\u00e4 rahoituksella.<\/p>\n\n\n<div class=\"wp-block-image\">\n<figure class=\"aligncenter\"><img decoding=\"async\" src=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2022\/08\/image-2.png?w=1620&amp;ssl=1\" alt=\"\"\/><\/figure>\n<\/div>\n\n\n<p class=\"wp-block-paragraph\"><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">T\u00e4m\u00e4 aloite on merkitt\u00e4v\u00e4 askel eteenp\u00e4in 5G-teknologian transformatiivisen potentiaalin tutkimisessa maataloudessa, ja sen tarkoituksena on erityisesti parantaa sokerijuurikkaan viljelyn ekologisia, taloudellisia ja kest\u00e4vi\u00e4 n\u00e4k\u00f6kohtia.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Se hy\u00f6dynsi 5G:n matalaa viivett\u00e4 integroidakseen edistyneit\u00e4 tietotekniikkaj\u00e4rjestelmi\u00e4 reaaliajassa, mik\u00e4 mahdollisti v\u00e4litt\u00f6m\u00e4t vastaukset anturi- ja sijaintitietoihin ennalta m\u00e4\u00e4ritellyiss\u00e4 aikav\u00e4leiss\u00e4.<\/p>\n\n\n<div class=\"wp-block-image\">\n<figure class=\"aligncenter size-full is-resized\"><img data-recalc-dims=\"1\" fetchpriority=\"high\" decoding=\"async\" width=\"624\" height=\"386\" data-attachment-id=\"10624\" data-permalink=\"https:\/\/geopard.tech\/fin\/blog\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\/picture-from-the-final-event-of-the-project-presentation-at-hochschule-hamm-lippstadt-hshl\/\" data-orig-file=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Picture-from-the-final-event-of-the-project-presentation-at-Hochschule-Hamm-Lippstadt-HSHL.png?fit=624%2C386&amp;ssl=1\" data-orig-size=\"624,386\" data-comments-opened=\"1\" data-image-title=\"Picture from the final event of the project presentation at Hochschule Hamm-Lippstadt (HSHL)\" data-image-description=\"\" data-image-caption=\"\" data-large-file=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Picture-from-the-final-event-of-the-project-presentation-at-Hochschule-Hamm-Lippstadt-HSHL.png?fit=624%2C386&amp;ssl=1\" src=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Picture-from-the-final-event-of-the-project-presentation-at-Hochschule-Hamm-Lippstadt-HSHL.png?resize=624%2C386&#038;ssl=1\" alt=\"Kuva projektin esittelyn p\u00e4\u00e4t\u00f6stilaisuudesta Hamm-Lippstadtin yliopistossa (HSHL)\" class=\"wp-image-10624\" style=\"width:836px;height:auto\" srcset=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Picture-from-the-final-event-of-the-project-presentation-at-Hochschule-Hamm-Lippstadt-HSHL.png?w=624&amp;ssl=1 624w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Picture-from-the-final-event-of-the-project-presentation-at-Hochschule-Hamm-Lippstadt-HSHL.png?resize=300%2C186&amp;ssl=1 300w\" sizes=\"(max-width: 624px) 100vw, 624px\" \/><figcaption class=\"wp-element-caption\">Kuva projektin esittelyn p\u00e4\u00e4t\u00f6stilaisuudesta Hamm-Lippstadtin yliopistossa (HSHL)<\/figcaption><\/figure>\n<\/div>\n\n\n<h2 class=\"wp-block-heading\" id=\"h-project-focus-and-partnership\">Projektin painopiste ja kumppanuus<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Yhteisty\u00f6ss\u00e4 HSHL:n kumppaneiden kanssa ja Pfeifer &amp; Langenin tuella toteutetussa projektissa keskityttiin tutkimaan sokerijuurikkaan viljelyn koko elinkaarta kumppaneiden omistamilla pelloilla. Sen tavoitteena oli osoittaa, kuinka 5G voisi toimia keskeisen\u00e4 teknologiakatalyyttin\u00e4 Nordrhein-Westfalenin maataloussektorilla ja miten sen potentiaali innovaatioiden ja tehokkuuden mahdollistajana olisi esitelty.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"h-role-of-geopard-agriculture\">GeoPard Agriculturen rooli<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">GeoPard Agriculturella oli ratkaiseva rooli projektin keskeisten osa-alueiden m\u00e4\u00e4rittelyss\u00e4 ja toteutuksessa, mukaan lukien kasvien havaitsemisen, seurannan ja tuotannon ennustamisen skenaariot. Kehitimme 5G-maatalousymp\u00e4rist\u00f6\u00f6n r\u00e4\u00e4t\u00e4l\u00f6idyn teko\u00e4lyj\u00e4rjestelm\u00e4n prototyypin, toteutimme malleja pilvi-infrastruktuurissa ja loimme mobiilisovelluksen reaaliaikaiseen vuorovaikutukseen pilvipohjaisten mallien kanssa.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"h-technological-integration\">Teknologinen integraatio<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Teko\u00e4lymenetelm\u00e4t (AI) otettiin k\u00e4ytt\u00f6\u00f6n vankan pilvi-infrastruktuurin avulla, jossa on korkeat laskentaominaisuudet. Teko\u00e4lyalgoritmit luokittelivat kasvit reaaliajassa jokaisen risteytymisen aikana ja seurasivat niiden kasvua koko elinkaaren ajan, mik\u00e4 eliminoi tarpeettomien kentt\u00e4k\u00e4yntien tarpeen pelk\u00e4st\u00e4\u00e4n tiedonkeruutarkoituksiin.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">T\u00e4m\u00e4 edistysaskel mahdollisti lannoitteiden ja kasvinsuojeluaineiden tarkan levityksen s\u00e4\u00e4t\u00e4m\u00e4ll\u00e4 levitysm\u00e4\u00e4ri\u00e4 dynaamisesti risteysten aikana koneoppimisalgoritmien avulla.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"h-deployment-of-unmanned-vehicles\">Miehitt\u00e4m\u00e4tt\u00f6mien ajoneuvojen k\u00e4ytt\u00f6\u00f6notto<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Lis\u00e4ksi projektissa hy\u00f6dynnettiin 5G:n lyhyemp\u00e4\u00e4 viivett\u00e4 miehitt\u00e4m\u00e4tt\u00f6mien ajoneuvojen k\u00e4ytt\u00f6\u00f6notossa kasvien valvontaa ja tiedonkeruuta varten. N\u00e4ill\u00e4 ajoneuvoilla oli ratkaiseva rooli reaaliaikaisen tiedon ker\u00e4\u00e4misess\u00e4 ja maatalousk\u00e4yt\u00e4nt\u00f6jen optimoinnissa.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"h-project-outcomes-enhancing-sugar-beet-production-with-5g-technology\">Hankkeen tulokset: Sokerijuurikkaan tuotannon tehostaminen 5G-teknologian avulla<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Projekti osoitti, kuinka 5G-teknologia voisi toimia mullistavana mahdollistajana Nordrhein-Westfalenin maataloussektorilla analysoimalla sokerijuurikkaan viljelyn koko elinkaarta ja korostamalla 5G-teknologian mahdollistamia merkitt\u00e4vi\u00e4 parannuksia. Projektin tulosten tehokkaaseen osoittamiseen tutkijat ovat kuitenkin k\u00e4ytt\u00e4neet ty\u00f6paketteja, jotka sis\u00e4lt\u00e4v\u00e4t erilaisia skenaarioita ja infrastruktuureja.<\/p>\n\n\n<div class=\"wp-block-image\">\n<figure class=\"aligncenter size-full\"><img data-recalc-dims=\"1\" decoding=\"async\" width=\"810\" height=\"610\" data-attachment-id=\"10625\" data-permalink=\"https:\/\/geopard.tech\/fin\/blog\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\/sugar-beet-test-field\/\" data-orig-file=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Sugar-beet-test-field.png?fit=2048%2C1542&amp;ssl=1\" data-orig-size=\"2048,1542\" data-comments-opened=\"1\" data-image-title=\"Sugar beet test field\" data-image-description=\"\" data-image-caption=\"\" data-large-file=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Sugar-beet-test-field.png?fit=1024%2C771&amp;ssl=1\" src=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Sugar-beet-test-field.png?resize=810%2C610&#038;ssl=1\" alt=\"Sokerijuurikkaan koekentt\u00e4 \" class=\"wp-image-10625\" srcset=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Sugar-beet-test-field.png?w=2048&amp;ssl=1 2048w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Sugar-beet-test-field.png?resize=300%2C226&amp;ssl=1 300w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Sugar-beet-test-field.png?resize=1024%2C771&amp;ssl=1 1024w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Sugar-beet-test-field.png?resize=768%2C578&amp;ssl=1 768w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Sugar-beet-test-field.png?resize=1536%2C1157&amp;ssl=1 1536w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Sugar-beet-test-field.png?resize=400%2C300&amp;ssl=1 400w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Sugar-beet-test-field.png?resize=200%2C150&amp;ssl=1 200w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Sugar-beet-test-field.png?resize=1200%2C904&amp;ssl=1 1200w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Sugar-beet-test-field.png?w=1620&amp;ssl=1 1620w\" sizes=\"(max-width: 810px) 100vw, 810px\" \/><figcaption class=\"wp-element-caption\">Sokerijuurikkaan koekentt\u00e4<\/figcaption><\/figure>\n<\/div>\n\n\n<h3 class=\"wp-block-heading\" id=\"h-scenario-definition-considering-existing-geodata-and-ml-infrastructure\">Skenaarion m\u00e4\u00e4ritelm\u00e4 ottaen huomioon olemassa olevan geodatan ja koneoppimisinfrastruktuurin<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Hankkeessa osoitettiin, kuinka sokerijuurikkaan tuotannon elinkaaren perinteisi\u00e4 prosesseja voitaisiin parantaa 5G-teknologian integroinnin avulla. Keskeisi\u00e4 tavoitteita olivat:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Kehitettiin valmiita skenaarioita kasvien tunnistamiseen, seurantaan ja tuotannon ennustamiseen.<\/li>\n\n\n\n<li>N\u00e4iden skenaarioiden onnistuneen k\u00e4ytt\u00f6\u00f6noton edellytt\u00e4m\u00e4t tekniset vaatimukset on m\u00e4\u00e4ritelty.<\/li>\n\n\n\n<li>Tunnistettiin ja arvioitiin asiaankuuluvia ekologisia ja taloudellisia indikaattoreita 5G-verkon tuoman lis\u00e4arvon arvioimiseksi.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">T\u00e4m\u00e4 vaihe korosti projektin sitoutumista huipputeknologian integrointiin olemassa oleviin maatalousk\u00e4yt\u00e4nt\u00f6ihin. T\u00e4m\u00e4 arkkitehtuuri hy\u00f6dynsi 5G-verkon nopeaa yhteytt\u00e4 helpottaakseen reaaliaikaista tiedonkeruuta ja -k\u00e4sittely\u00e4 reunalaitteiden ja pilven v\u00e4lill\u00e4. Pilvi-infrastruktuuri tarjosi olennaisia resursseja laaja-alaisten teko\u00e4lymallien koulutukseen ja k\u00e4ytt\u00f6\u00f6nottoon, kun taas teko\u00e4lyalusta tarjosi vankkoja ty\u00f6kaluja mallien kehitt\u00e4miseen ja k\u00e4ytt\u00f6\u00f6nottoon. Sovelluskerros esitteli loppuk\u00e4ytt\u00e4jille teko\u00e4lymalleista johdettuja toimivia n\u00e4kemyksi\u00e4, mik\u00e4 paransi p\u00e4\u00e4t\u00f6ksentekokyky\u00e4.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\" id=\"h-machine-learning-and-ai-in-the-context-of-5g\">Koneoppiminen ja teko\u00e4ly 5G:n kontekstissa<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">T\u00e4m\u00e4n osan tarkoituksena oli mukauttaa olemassa olevia koneoppimis- ja teko\u00e4lyj\u00e4rjestelmi\u00e4 edell\u00e4 kuvattujen skenaarioiden mukaisiksi ja optimoida niit\u00e4 vastaavasti. Keskeisi\u00e4 tavoitteita olivat:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>M\u00e4\u00e4rittele j\u00e4rjestelm\u00e4n tavoitteet ja kehit\u00e4 j\u00e4rjestelm\u00e4n arkkitehtuuri<\/li>\n\n\n\n<li>Ker\u00e4tty maastodata teko\u00e4lymallien kouluttamista ja validointia varten.<\/li>\n\n\n\n<li>Luotiin ja annotoitiin sopiva tietokanta kasvien tunnistamista ja seurantaa varten.<\/li>\n\n\n\n<li>Integroi teko\u00e4lymallit saumattomasti 5G-verkkoinfrastruktuuriin.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">T\u00e4ss\u00e4 vaiheessa 5G-teknologiaa hy\u00f6dynt\u00e4vill\u00e4 matkapuhelin-SIM-korteilla varustetuilla reunalaitteilla oli ratkaiseva rooli. Keskeisi\u00e4 suorituskykyindikaattoreita (KPI), kuten viivett\u00e4 tai kokonaisviivett\u00e4 (E2E), seurattiin tarkasti. Mittauksiin sis\u00e4ltyi vastaanotettujen datapakettien luotettavuuden ja saatavuuden tarkka arviointi sek\u00e4 k\u00e4ytt\u00e4jien tiedonsiirtonopeuksien ja huippunopeuksien analysointi.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Lis\u00e4ksi oletuksia tehtiin UHD-resoluution videon suoratoiston perusteella MP4-muodossa, joka l\u00e4hetettiin TCP:n (Transmission Control Protocol) kautta. Mahdollisia ratkaisuja tutkittiin yksitt\u00e4isten kuvien k\u00e4yt\u00f6n optimoinnilla jatkuvien videostriimien sijaan, perusoptimointien suorittamisella suoraan reunalla olevilla laitteilla ja mallikvantisointitekniikoiden toteuttamisella tehokkuuden parantamiseksi.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\" id=\"h-cloud-infrastructure-and-aws-services\">Pilvi-infrastruktuuri ja AWS-palvelut<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Projekti nojasi vahvasti pilvi-infrastruktuuriin, joka hy\u00f6dynsi AWS-palveluita, kuten Lambdaa, SageMakeria, S3:a, CloudWatchia ja RDS:\u00e4\u00e4, joilla oli ratkaiseva rooli tarvittavien resurssien tarjoamisessa teko\u00e4lymallien koulutukseen ja k\u00e4ytt\u00f6\u00f6nottoon.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">AWS Lambdaa k\u00e4ytettiin tehokkaaseen instanssien hallintaan ja sovellusten tarjoiluun, kun taas AWS SageMaker edisti vankkojen koneoppimisputkien rakentamista. Tallennusratkaisut, kuten S3, CloudWatch ja RDS, olivat v\u00e4ltt\u00e4m\u00e4tt\u00f6mi\u00e4 koneoppimismallien ja neuroverkkojen toiminnan kannalta ratkaisevien tietojoukkojen ja lokien tallennukseen.<\/p>\n\n\n<div class=\"wp-block-image\">\n<figure class=\"aligncenter size-full\"><img data-recalc-dims=\"1\" decoding=\"async\" width=\"800\" height=\"490\" data-attachment-id=\"10627\" data-permalink=\"https:\/\/geopard.tech\/fin\/blog\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\/aws-cloud-infrastructure\/\" data-orig-file=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/AWS-cloud-infrastructure.png?fit=800%2C490&amp;ssl=1\" data-orig-size=\"800,490\" data-comments-opened=\"1\" data-image-title=\"AWS cloud infrastructure\" data-image-description=\"\" data-image-caption=\"\" data-large-file=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/AWS-cloud-infrastructure.png?fit=800%2C490&amp;ssl=1\" src=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/AWS-cloud-infrastructure.png?resize=800%2C490&#038;ssl=1\" alt=\"AWS-pilvi-infrastruktuuri\" class=\"wp-image-10627\" srcset=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/AWS-cloud-infrastructure.png?w=800&amp;ssl=1 800w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/AWS-cloud-infrastructure.png?resize=300%2C184&amp;ssl=1 300w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/AWS-cloud-infrastructure.png?resize=768%2C470&amp;ssl=1 768w\" sizes=\"(max-width: 800px) 100vw, 800px\" \/><figcaption class=\"wp-element-caption\">AWS-pilvi-infrastruktuuri<\/figcaption><\/figure>\n<\/div>\n\n\n<p class=\"wp-block-paragraph\">N\u00e4in ollen t\u00e4m\u00e4 infrastruktuuri tuki 5G-verkon mahdollistamia reaaliaikaisia tiedonk\u00e4sittelyominaisuuksia.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\" id=\"h-5g-network-latency\">5G-verkon latenssi<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">5G-verkot suunniteltiin saavuttamaan eritt\u00e4in lyhyt latenssi, tyypillisesti 1\u201310 millisekuntia. T\u00e4m\u00e4 latenssi heijasti aikaa, joka datan kulkemiseen mobiililaitteiden ja AWS-palvelimien v\u00e4lill\u00e4 5G-verkon kautta kului. Laitekohtaiset prosessointiominaisuudet, kuten valokuvien ottamisen ja k\u00e4sittelyn nopeus \u00e4lypuhelimissa, joissa on tehokkaat prosessorit, vaikuttivat my\u00f6s latenssiin.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Tiedonsiirtonopeudet 5G-verkossa ja kuvan koko vaikuttivat tiedonsiirtoaikoihin AWS:\u00e4\u00e4n. AWS vaikutti edelleen viiveeseen teht\u00e4vien, kuten neuroverkkopohjaisen tunnistuksen ja segmentoinnin, k\u00e4sittelyaikojen osalta, jotka vaihtelivat algoritmin monimutkaisuuden ja AWS-palvelun tehokkuuden mukaan. K\u00e4sittelyn j\u00e4lkeen tulokset ladattiin takaisin mobiililaitteisiin 5G:n latausnopeuden ja tulosdatan koon mukaan.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\" id=\"h-plant-recognition-using-ai\">Kasvien tunnistus teko\u00e4lyn avulla<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Kasvien tunnistamisen alueella teko\u00e4lypohjaiset prosessit sis\u00e4lsiv\u00e4t kattavan kasvikuvien tietokannan luomisen neuroverkkoihin perustuvien algoritmien kouluttamiseksi. N\u00e4m\u00e4 algoritmit koulutettiin erottamaan sokerijuurikaslajit muista kasveista tunnistamalla kyseiselle kasvityypille ominaisia piirteit\u00e4, kuten lehtien muotoja, kukkien v\u00e4rej\u00e4 jne.<\/p>\n\n\n<div class=\"wp-block-image\">\n<figure class=\"aligncenter size-full\"><img data-recalc-dims=\"1\" loading=\"lazy\" decoding=\"async\" width=\"810\" height=\"264\" data-attachment-id=\"10628\" data-permalink=\"https:\/\/geopard.tech\/fin\/blog\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\/phenological-development-of-sugar-beet-plants\/\" data-orig-file=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Phenological-development-of-sugar-beet-plants.jpg?fit=2048%2C667&amp;ssl=1\" data-orig-size=\"2048,667\" data-comments-opened=\"1\" data-image-title=\"Phenological development of sugar beet plants\" data-image-description=\"\" data-image-caption=\"\" data-large-file=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Phenological-development-of-sugar-beet-plants.jpg?fit=1024%2C334&amp;ssl=1\" src=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Phenological-development-of-sugar-beet-plants.jpg?resize=810%2C264&#038;ssl=1\" alt=\"Sokerijuurikaskasvien fenologinen kehitys\" class=\"wp-image-10628\" srcset=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Phenological-development-of-sugar-beet-plants.jpg?w=2048&amp;ssl=1 2048w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Phenological-development-of-sugar-beet-plants.jpg?resize=300%2C98&amp;ssl=1 300w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Phenological-development-of-sugar-beet-plants.jpg?resize=1024%2C334&amp;ssl=1 1024w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Phenological-development-of-sugar-beet-plants.jpg?resize=768%2C250&amp;ssl=1 768w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Phenological-development-of-sugar-beet-plants.jpg?resize=1536%2C500&amp;ssl=1 1536w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Phenological-development-of-sugar-beet-plants.jpg?resize=1200%2C391&amp;ssl=1 1200w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Phenological-development-of-sugar-beet-plants.jpg?w=1620&amp;ssl=1 1620w\" sizes=\"(max-width: 810px) 100vw, 810px\" \/><figcaption class=\"wp-element-caption\">Sokerijuurikaskasvien fenologinen kehitys. L\u00e4hde: <a href=\"https:\/\/www.mdpi.com\/2073-4395\/11\/7\/1277\" rel=\"nofollow\">https:\/\/www.mdpi.com\/2073-4395\/11\/7\/1277<\/a><\/figcaption><\/figure>\n<\/div>\n\n\n<p class=\"wp-block-paragraph\">T\u00e4ss\u00e4 kasvien tunnistamisella tarkoitamme rikkaruohojen havaitsemista ja sokerijuurikaskasvien segmentointia.<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Rikkakasvien havaitseminen<\/strong><\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Rikkakasvien havaitsemiseen projektissa k\u00e4ytettiin MobileNet-v3-mallia, jota oli koulutettu laajoilla datan lis\u00e4yksill\u00e4 ja painotetulla n\u00e4ytteenotolla. T\u00e4m\u00e4 malli saavutti vaikuttavan 0,984:n tarkkuuden ja 0,998:n AUC-arvon.<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Sokerijuurikkaan segmentointi<\/strong><\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Segmentointiteht\u00e4viss\u00e4 k\u00e4ytettiin malleja, kuten YOLACT, ResNeSt, SOLO ja U-net, yksitt\u00e4isten sokerijuurikasn\u00e4ytteiden tarkkaan rajaamiseen kuvista. Sitten valittiin tehokkain malli eri kriteerien perusteella, kuten nopeus, p\u00e4\u00e4ttelyaika jne. Segmentointiin tarvittavat tiedot saatiin dronella otetuista RGB-kuvista, joiden kokoa muutettiin ja joihin lis\u00e4ttiin annotaatioita koulutus- ja validointitarkoituksiin.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Segmentointiteht\u00e4viin kuului maskien luominen, jotka rajasivat tarkasti kasvirajat. T\u00e4m\u00e4 menetelm\u00e4 v\u00e4hensi ihmisen annotointity\u00f6t\u00e4 ja optimoi samalla tehokkuutta. Priorisoimalla haastavien n\u00e4ytteiden merkitsemist\u00e4 mallin suorituskyky parani merkitt\u00e4v\u00e4sti. Iteratiivinen uudelleenkoulutus ja ep\u00e4varmuusn\u00e4ytteenottostrategiat olivat osoittautuneet tehokkaiksi, ja niill\u00e4 saavutettiin yli 98%:n segmentointitarkkuus eri kasvuvaiheissa.<\/p>\n\n\n<div class=\"wp-block-image\">\n<figure class=\"aligncenter size-full is-resized\"><img data-recalc-dims=\"1\" loading=\"lazy\" decoding=\"async\" width=\"355\" height=\"146\" data-attachment-id=\"10629\" data-permalink=\"https:\/\/geopard.tech\/fin\/blog\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\/example-of-input-output-of-segmentation\/\" data-orig-file=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Example-of-input-output-of-segmentation.png?fit=355%2C146&amp;ssl=1\" data-orig-size=\"355,146\" data-comments-opened=\"1\" data-image-title=\"Example of input-output of segmentation\" data-image-description=\"\" data-image-caption=\"\" data-large-file=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Example-of-input-output-of-segmentation.png?fit=355%2C146&amp;ssl=1\" src=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Example-of-input-output-of-segmentation.png?resize=355%2C146&#038;ssl=1\" alt=\"Esimerkki segmentoinnin tulo-tuotossuhteesta\" class=\"wp-image-10629\" style=\"width:767px;height:auto\" srcset=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Example-of-input-output-of-segmentation.png?w=355&amp;ssl=1 355w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Example-of-input-output-of-segmentation.png?resize=300%2C123&amp;ssl=1 300w\" sizes=\"(max-width: 355px) 100vw, 355px\" \/><figcaption class=\"wp-element-caption\">Esimerkki segmentoinnin tulo-tuotossuhteesta<\/figcaption><\/figure>\n<\/div>\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Mallin arviointi<\/strong><\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Mallia koulutettiin tiukoilla datan lis\u00e4yksill\u00e4. Mallia arvioitiin k\u00e4ytt\u00e4m\u00e4ll\u00e4 erilaisia mittareita, mukaan lukien Intersection over Union (IoU). Rakennetun mallin p\u00e4\u00e4ttelyanalyysi, joka suoritettiin &#039;plant seedlings v2&#039; -tietojoukon osajoukolle, osoitti 81%:n tarkkuuden. P\u00e4\u00e4ttelyn laskeminen kesti noin 320 millisekuntia 7 sekunnin alustusjakson j\u00e4lkeen, joka tarvitaan vain kerran istuntoa kohden.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Teko\u00e4lyn (AI) avulla toimivassa kasvien seurannassa kamerat ja anturit tallensivat elint\u00e4rkeit\u00e4 kasvitietoja, joita analysoitiin koneoppimisen ja teko\u00e4lyalgoritmien avulla. T\u00e4ll\u00e4 analyysill\u00e4 oli ratkaiseva rooli kasvien terveyden arvioinnissa, stressin, sairauksien tai muiden kasvuun vaikuttavien tekij\u00f6iden paikantamisessa.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Sovellukset ulottuivat maatalouden tuottavuuden optimoinnista luonnon ekosysteemien, kuten metsien, seurantaan, luonnonsuojelutoimien tukemiseen ja ymp\u00e4rist\u00f6vaikutusten ymm\u00e4rt\u00e4misen parantamiseen.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"h-object-detection-in-plant-monitoring\">Kohteiden tunnistus laitoksen valvonnassa<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Sokerijuurikaskasvien segmentoinnin j\u00e4lkeen seuraava vaihe on kohteiden tunnistus, jonka tavoitteena on ymm\u00e4rt\u00e4\u00e4 kunkin kasvin erityispiirteit\u00e4 terveyden, kasvun ja muiden tekij\u00f6iden suhteen. Kasvien seurannassa kohteiden tunnistamiseen otettiin k\u00e4ytt\u00f6\u00f6n edistyneit\u00e4 malleja, kuten YOLOv4, MobileNetV2 ja VGG-19, joissa oli huomiomekanismeja. N\u00e4m\u00e4 mallit analysoivat sokerijuurikkaiden segmentoituja kuvia havaitakseen tiettyj\u00e4 stressi- ja sairausalueita, mik\u00e4 mahdollisti tarkat ja kohdennetut toimenpiteet.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Projekti saavutti merkitt\u00e4vi\u00e4 virstanpylv\u00e4it\u00e4 tautien havaitsemisessa kouluttamalla ImageNetill\u00e4 esikoulutettuja ResNet-18- ja ResNet-34-malleja. N\u00e4m\u00e4 mallit osoittivat vaikuttavan 0,88:n tarkkuuden sokerijuurikaskasveja vaivaavien tautien tunnistamisessa, ja ROC-k\u00e4yr\u00e4n alle j\u00e4\u00e4v\u00e4 pinta-ala (AUC) oli 0,898. Mallit osoittivat korkeaa ennustusluotettavuutta, ja ne erottivat tarkasti sairaat ja terveet kasvit.<\/p>\n\n\n<div class=\"wp-block-image\">\n<figure class=\"aligncenter size-full is-resized\"><img data-recalc-dims=\"1\" loading=\"lazy\" decoding=\"async\" width=\"414\" height=\"194\" data-attachment-id=\"10630\" data-permalink=\"https:\/\/geopard.tech\/fin\/blog\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\/example-of-input-output-of-object-detection\/\" data-orig-file=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Example-of-input-output-of-object-detection.png?fit=414%2C194&amp;ssl=1\" data-orig-size=\"414,194\" data-comments-opened=\"1\" data-image-title=\"Example of input-output of object detection\" data-image-description=\"\" data-image-caption=\"\" data-large-file=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Example-of-input-output-of-object-detection.png?fit=414%2C194&amp;ssl=1\" src=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Example-of-input-output-of-object-detection.png?resize=414%2C194&#038;ssl=1\" alt=\"Esimerkki objektin havaitsemisen tulo-l\u00e4ht\u00f6suhteesta\" class=\"wp-image-10630\" style=\"width:750px;height:auto\" srcset=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Example-of-input-output-of-object-detection.png?w=414&amp;ssl=1 414w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Example-of-input-output-of-object-detection.png?resize=300%2C141&amp;ssl=1 300w\" sizes=\"(max-width: 414px) 100vw, 414px\" \/><figcaption class=\"wp-element-caption\">Esimerkki objektin havaitsemisen tulo-l\u00e4ht\u00f6suhteesta<\/figcaption><\/figure>\n<\/div>\n\n\n<p class=\"wp-block-paragraph\">Projektissa k\u00e4ytettiin systemaattista l\u00e4hestymistapaa tautien havaitsemiseen segmentoimalla kuvat standardoituihin alueisiin. N\u00e4ihin alueisiin tehtiin huolellinen merkint\u00f6jen tekeminen interaktiivisten ty\u00f6kalujen avulla tautien vaivaamien alueiden paikantamiseksi. Kohteiden tunnistus paransi tarkkuutta entisest\u00e4\u00e4n hahmottelemalla kasvien ymp\u00e4rille rajaavat laatikot, mik\u00e4 helpotti kasvien terveyden tarkkaa seurantaa.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"h-plant-production-prediction\">Kasvintuotannon ennustaminen<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Kasvintuotannon ennustamisen alueella teko\u00e4lymallit hy\u00f6dynsiv\u00e4t ymp\u00e4rist\u00f6tietoja, kuten s\u00e4\u00e4olosuhteita ja maaper\u00e4n parametreja, satojen ennustamiseen. K\u00e4ytettiin regressiomalleja, kuten eristysmets\u00e4mallia, lineaarista regressiota ja harjanteen regressiota.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">N\u00e4m\u00e4 mallit integroivat rajaavista laatikoista poimittuja numeerisia ominaisuuksia sek\u00e4 maaper\u00e4tietoja lannoitteiden levityksen optimoimiseksi.<\/p>\n\n\n<div class=\"wp-block-image\">\n<figure class=\"aligncenter size-full is-resized\"><img data-recalc-dims=\"1\" loading=\"lazy\" decoding=\"async\" width=\"810\" height=\"1076\" data-attachment-id=\"10632\" data-permalink=\"https:\/\/geopard.tech\/fin\/blog\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\/sugar-beet-on-test-field\/\" data-orig-file=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Sugar-beet-on-test-field.png?fit=1542%2C2048&amp;ssl=1\" data-orig-size=\"1542,2048\" data-comments-opened=\"1\" data-image-title=\"Sugar beet on test field\" data-image-description=\"\" data-image-caption=\"\" data-large-file=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Sugar-beet-on-test-field.png?fit=771%2C1024&amp;ssl=1\" src=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Sugar-beet-on-test-field.png?resize=810%2C1076&#038;ssl=1\" alt=\"Sokerijuurikas koepellolla\" class=\"wp-image-10632\" style=\"width:700px;height:auto\" srcset=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Sugar-beet-on-test-field.png?w=1542&amp;ssl=1 1542w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Sugar-beet-on-test-field.png?resize=226%2C300&amp;ssl=1 226w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Sugar-beet-on-test-field.png?resize=771%2C1024&amp;ssl=1 771w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Sugar-beet-on-test-field.png?resize=768%2C1020&amp;ssl=1 768w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Sugar-beet-on-test-field.png?resize=1157%2C1536&amp;ssl=1 1157w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Sugar-beet-on-test-field.png?resize=150%2C200&amp;ssl=1 150w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Sugar-beet-on-test-field.png?resize=1200%2C1594&amp;ssl=1 1200w\" sizes=\"(max-width: 810px) 100vw, 810px\" \/><figcaption class=\"wp-element-caption\">Sokerijuurikas koepellolla<\/figcaption><\/figure>\n<\/div>\n\n\n<h2 class=\"wp-block-heading\" id=\"h-model-deployment-considerations\">Mallin k\u00e4ytt\u00f6\u00f6noton huomioon otettavat seikat<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Kehitettyjen mallien k\u00e4ytt\u00f6\u00f6nottostrategioita arvioitiin sek\u00e4 reunalla toimiville laitteille ett\u00e4 pilvialustoille. Mallien k\u00e4ytt\u00f6\u00f6notto reunalla toimivilla laitteilla tarjosi etuja, kuten pienemm\u00e4t kustannukset ja lyhyemm\u00e4n viiveen.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">T\u00e4m\u00e4 l\u00e4hestymistapa saattaa kuitenkin heikent\u00e4\u00e4 laitteistorajoitusten aiheuttamaa tarkkuutta. Toisaalta pilvipalveluissa p\u00e4\u00e4ttely nopeutui tehokkaampien n\u00e4yt\u00f6nohjainten ansiosta, mutta se saattoi aiheuttaa lis\u00e4kustannuksia ja oli riippuvainen internetyhteydest\u00e4, mik\u00e4 saattoi aiheuttaa tiedonsiirrossa viivett\u00e4.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"h-comparative-analysis-with-5g-network\">Vertaileva analyysi 5G-verkon kanssa<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Vertaileva analyysi osoitti, ett\u00e4 5G-verkon k\u00e4ytt\u00f6 paransi merkitt\u00e4v\u00e4sti sokerijuurikkaan segmentointia perinteisiin 4G\/WiFi-asennuksiin verrattuna. T\u00e4m\u00e4 parannus n\u00e4kyi keskim\u00e4\u00e4r\u00e4isten asennus- ja verkkoaikojen lyhenemisen\u00e4, mik\u00e4 korostaa 5G-teknologian saavuttamia tehokkuushy\u00f6tyj\u00e4.<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Tietojen valmisteluprosessi<\/strong><\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Tiedon valmisteluprosessiin kuului terveiden ja sairaiden kasvien tietojoukkojen ker\u00e4\u00e4minen, rikkaruohojen havaitseminen, kasvuvaiheiden tunnistaminen ja kuvien erottaminen 4K-raakavideosta. Tiedon valmisteluun analyysia varten k\u00e4ytettiin tekniikoita, kuten histogrammin tasausta, kuvan suodatusta ja HSV-v\u00e4riavaruuden muunnosta.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ker\u00e4ttiin n\u00e4ytteit\u00e4 terveist\u00e4 sokerijuurikkaan lehdist\u00e4 ja sairaista n\u00e4ytteist\u00e4, kuten harmaalaikkuisista maissinlehdist\u00e4. Taudin piirteiden erottaminen k\u00e4sitti lehden erottamisen taustasta, koon muuttamisen, muuntamisen ja kuvien yhdist\u00e4misen realististen n\u00e4ytteiden luomiseksi analyysia varten.<\/p>\n\n\n<div class=\"wp-block-image\">\n<figure class=\"aligncenter size-full\"><img data-recalc-dims=\"1\" loading=\"lazy\" decoding=\"async\" width=\"810\" height=\"200\" data-attachment-id=\"10633\" data-permalink=\"https:\/\/geopard.tech\/fin\/blog\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\/annotation-process-for-segmentation\/\" data-orig-file=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Annotation-process-for-segmentation.png?fit=2048%2C505&amp;ssl=1\" data-orig-size=\"2048,505\" data-comments-opened=\"1\" data-image-title=\"Annotation process for segmentation\" data-image-description=\"\" data-image-caption=\"&lt;p&gt;Caption 3&lt;\/p&gt;\" data-large-file=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Annotation-process-for-segmentation.png?fit=1024%2C253&amp;ssl=1\" src=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Annotation-process-for-segmentation.png?resize=810%2C200&#038;ssl=1\" alt=\"Segmentoinnin annotointiprosessi\" class=\"wp-image-10633\" srcset=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Annotation-process-for-segmentation.png?w=2048&amp;ssl=1 2048w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Annotation-process-for-segmentation.png?resize=300%2C74&amp;ssl=1 300w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Annotation-process-for-segmentation.png?resize=1024%2C253&amp;ssl=1 1024w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Annotation-process-for-segmentation.png?resize=768%2C189&amp;ssl=1 768w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Annotation-process-for-segmentation.png?resize=1536%2C379&amp;ssl=1 1536w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Annotation-process-for-segmentation.png?resize=1200%2C296&amp;ssl=1 1200w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Annotation-process-for-segmentation.png?w=1620&amp;ssl=1 1620w\" sizes=\"(max-width: 810px) 100vw, 810px\" \/><figcaption class=\"wp-element-caption\">Segmentoinnin annotointiprosessi<\/figcaption><\/figure>\n<\/div>\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Aktiivinen oppimissilmukka<\/strong><\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Aktiivinen oppimissilmukka aloitettiin nime\u00e4m\u00e4tt\u00f6m\u00e4ll\u00e4 datalla, jota k\u00e4ytettiin tunnistusmallien kouluttamiseen. N\u00e4m\u00e4 mallit tuottivat annotointikyselyit\u00e4, joihin ihmisannotaattorit vastasivat ja jotka jatkuvasti tarkensivat mallin tarkkuutta iteratiivisen koulutuksen ja annotointisyklien avulla.<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Datan annotointi multimodaalisen s\u00e4\u00e4ti\u00f6mallin kautta<\/strong><\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Rajallisen merkityn datan haasteeseen vastattiin hy\u00f6dynt\u00e4m\u00e4ll\u00e4 vankkoja perustusmalleja luodakseen pohjatietojen annotaatioita. Keskeisess\u00e4 roolissa oli erityisesti CLIP, OpenAI:n kehitt\u00e4m\u00e4 muuntajapohjainen malli, jota koulutettiin yli 400 miljoonan kuva-tekstiparin laajalla tietojoukolla.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">K\u00e4ytt\u00e4m\u00e4ll\u00e4 Vision Transformers -teknologiaa selk\u00e4rankana CLIP saavutti huomattavan 95%-tarkkuuden validointilaitteissa luokittelemalla kuvat tehokkaasti erillisiin luokkiin, kuten sokerijuurikkaaseen ja rikkaruohoon, eritt\u00e4in tarkasti.<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Drooniteknologia tiedonkeruuseen<\/strong><\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Yksi projektissa k\u00e4ytetyist\u00e4 kriittisist\u00e4 teknologioista oli RGB-kameroilla varustettujen droonien k\u00e4ytt\u00f6, jotka tallensivat 4K-videota. N\u00e4m\u00e4 droonit tuottivat yksityiskohtaisia kuvia (3840 \u00d7 2160 resoluutio) analysoitavaksi.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">N\u00e4iden kuvien esik\u00e4sittely paransi mallin tarkkuutta merkitt\u00e4v\u00e4sti, ja huomattavia parannuksia havaittiin malleissa, kuten VGGNet (+38.52%), ResNet50 (+21.14%), DenseNet121 (+7.53%) ja MobileNet (+6.6%).<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Kuvan kontrastin parantamiseksi k\u00e4ytettiin tekniikoita, kuten histogrammin tasausta, kun taas muunnos HSV-v\u00e4riavaruuteen auttoi korostamaan kasvialueita ja korostamaan olennaisia piirteit\u00e4.<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Synteettisen datan generointi<\/strong><\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Rajallisen kuvadatan haasteen ratkaisemiseksi synteettisi\u00e4 datajoukkoja luotiin koneoppimisen ja teko\u00e4lyn avulla. Tiedonkeruu suoritettiin k\u00e4ytt\u00e4m\u00e4ll\u00e4 RGB-kameroita hy\u00f6dynt\u00e4vi\u00e4 droneja, jotka lensiv\u00e4t 1\u20134 metrin korkeudessa ja v\u00e4hint\u00e4\u00e4n 2 m\/s nopeudella.<\/p>\n\n\n<div class=\"wp-block-image\">\n<figure class=\"aligncenter size-full is-resized\"><img data-recalc-dims=\"1\" loading=\"lazy\" decoding=\"async\" width=\"810\" height=\"610\" data-attachment-id=\"10634\" data-permalink=\"https:\/\/geopard.tech\/fin\/blog\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\/emulation-environment\/\" data-orig-file=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Emulation-environment.png?fit=2048%2C1542&amp;ssl=1\" data-orig-size=\"2048,1542\" data-comments-opened=\"1\" data-image-title=\"Emulation environment\" data-image-description=\"\" data-image-caption=\"\" data-large-file=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Emulation-environment.png?fit=1024%2C771&amp;ssl=1\" src=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Emulation-environment.png?resize=810%2C610&#038;ssl=1\" alt=\"Emulointiymp\u00e4rist\u00f6\" class=\"wp-image-10634\" style=\"width:646px;height:auto\" srcset=\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Emulation-environment.png?w=2048&amp;ssl=1 2048w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Emulation-environment.png?resize=300%2C226&amp;ssl=1 300w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Emulation-environment.png?resize=1024%2C771&amp;ssl=1 1024w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Emulation-environment.png?resize=768%2C578&amp;ssl=1 768w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Emulation-environment.png?resize=1536%2C1157&amp;ssl=1 1536w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Emulation-environment.png?resize=400%2C300&amp;ssl=1 400w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Emulation-environment.png?resize=200%2C150&amp;ssl=1 200w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Emulation-environment.png?resize=1200%2C904&amp;ssl=1 1200w, https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/Emulation-environment.png?w=1620&amp;ssl=1 1620w\" sizes=\"(max-width: 810px) 100vw, 810px\" \/><figcaption class=\"wp-element-caption\">Emulointiymp\u00e4rist\u00f6<\/figcaption><\/figure>\n<\/div>\n\n\n<p class=\"wp-block-paragraph\">My\u00f6s muita ajoneuvoja, kuten traktoreita, k\u00e4ytettiin tiedonkeruuseen. T\u00e4m\u00e4 synteettinen tiedontuotanto osoittautui erityisen hy\u00f6dylliseksi sokerijuurikkaan tautien havaitsemisessa.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"h-conclusion\">Johtop\u00e4\u00e4t\u00f6s<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">\u201c5G-verkot kest\u00e4v\u00e4n maatalouden reaaliaikaisen oppimisen mahdollistajana\u201d -projekti osoitti onnistuneesti, kuinka 5G-teknologia voi parantaa sokerijuurikkaan viljelyn ekologisia, taloudellisia ja kest\u00e4vi\u00e4 n\u00e4k\u00f6kohtia. Yhteisty\u00f6ss\u00e4 HSHL:n ja Pfeifer &amp; Langenin kanssa projekti integroi reaaliaikaisen tiedonkeruun ja teko\u00e4lypohjaisen analyysin, mik\u00e4 parantaa tehokkuutta ja v\u00e4hent\u00e4\u00e4 tarpeettomia kentt\u00e4k\u00e4yntej\u00e4. <\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Erillinen 5G-kampusverkko mahdollisti lannoitteiden ja kasvinsuojeluaineiden tarkan levityksen. Geopard Agriculturella oli ratkaiseva rooli kasvien havaitsemis- ja seurantaskenaarioiden kehitt\u00e4misess\u00e4 sek\u00e4 5G-maatalousymp\u00e4rist\u00f6\u00f6n tarkoitetun koneoppimisj\u00e4rjestelm\u00e4n prototyypin luomisessa. Projektin menestys korosti edistyneiden teknologioiden merkityst\u00e4 kest\u00e4v\u00e4ss\u00e4 maataloudessa ja korosti 5G:n potentiaalia innovaatioiden ja tehokkuuden edist\u00e4misess\u00e4. <\/p>","protected":false},"excerpt":{"rendered":"<p>Ilolla ilmoitamme \u201c5G-verkot reaaliaikaisen oppimisen mahdollistajana kest\u00e4v\u00e4ss\u00e4 maataloudessa\u201d -projektin onnistuneesta valmistumisesta, jota on tuettu osittain\u2026<\/p>","protected":false},"author":210157960,"featured_media":10639,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_coblocks_attr":"","_coblocks_dimensions":"","_coblocks_responsive_height":"","_coblocks_accordion_ie_support":"","_eb_attr":"","content-type":"","_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_wpcom_ai_launchpad_first_post":false,"_jetpack_hide_featured_image":false,"_jetpack_featured_image_duplicate_dismissed":0,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_publicize_message":"{title}\n\n{excerpt}\n\n{url}","jetpack_publicize_feature_enabled":true,"jetpack_social_post_already_shared":true,"jetpack_social_options":{"image_generator_settings":{"template":"highway","enabled":false},"version":2},"_wpas_customize_per_network":false,"jetpack_post_was_ever_published":false},"categories":[1657,1367],"tags":[],"class_list":["post-10617","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-precision-farming","category-use-cases"],"acf":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v28.8 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>5G-Enabled Real-time Learning in Sustainable Farming: A Study on Sugar Beet - GeoPard<\/title>\n<meta name=\"description\" content=\"Successful completion of &quot;5G Networks as an Enabler for Real-time Learning in Sustainable Farming&quot; project, supported by State of North Rhine-Westphalia.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/geopard.tech\/fin\/blogi\/5g-mahdollisti-reaaliaikaisen-oppimisen-kestavassa-maataloudessa-tutkimus-sokerijuurikkaan-tuotannosta\/\" \/>\n<meta property=\"og:locale\" content=\"fi_FI\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"5G-Enabled Real-time Learning in Sustainable Farming: A Study on Sugar Beet - GeoPard\" \/>\n<meta property=\"og:description\" content=\"Successful completion of &quot;5G Networks as an Enabler for Real-time Learning in Sustainable Farming&quot; project, supported by State of North Rhine-Westphalia.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/geopard.tech\/fin\/blogi\/5g-mahdollisti-reaaliaikaisen-oppimisen-kestavassa-maataloudessa-tutkimus-sokerijuurikkaan-tuotannosta\/\" \/>\n<meta property=\"og:site_name\" content=\"GeoPard - Precision agriculture Mapping software\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/geopardAgriculture\/\" \/>\n<meta property=\"article:published_time\" content=\"2024-07-13T18:50:45+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2024-07-13T18:50:51+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/geopard.tech\/wp-content\/uploads\/2024\/07\/5G-Enabled-Real-time-Learning-in-Sustainable-Farming-A-Study-on-Sugar-Beet-1024x576.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1024\" \/>\n\t<meta property=\"og:image:height\" content=\"576\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"dementievgeopard\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@geopardagri\" \/>\n<meta name=\"twitter:site\" content=\"@geopardagri\" \/>\n<meta name=\"twitter:label1\" content=\"Kirjoittanut\" \/>\n\t<meta name=\"twitter:data1\" content=\"dementievgeopard\" \/>\n\t<meta name=\"twitter:label2\" content=\"Arvioitu lukuaika\" \/>\n\t<meta name=\"twitter:data2\" content=\"11 minuuttia\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\\\/\"},\"author\":{\"name\":\"dementievgeopard\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/person\\\/dd217733c742620adc57befbbcd84a8a\"},\"headline\":\"5G-Enabled Real-time Learning in Sustainable Farming: A Study on Sugar Beet\",\"datePublished\":\"2024-07-13T18:50:45+00:00\",\"dateModified\":\"2024-07-13T18:50:51+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\\\/\"},\"wordCount\":2143,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2024\\\/07\\\/5G-Enabled-Real-time-Learning-in-Sustainable-Farming-A-Study-on-Sugar-Beet.png?fit=1920%2C1080&ssl=1\",\"articleSection\":[\"Precision Farming\",\"Use-cases\"],\"inLanguage\":\"fi\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/geopard.tech\\\/blog\\\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\\\/\",\"url\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\\\/\",\"name\":\"5G-Enabled Real-time Learning in Sustainable Farming: A Study on Sugar Beet - GeoPard\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2024\\\/07\\\/5G-Enabled-Real-time-Learning-in-Sustainable-Farming-A-Study-on-Sugar-Beet.png?fit=1920%2C1080&ssl=1\",\"datePublished\":\"2024-07-13T18:50:45+00:00\",\"dateModified\":\"2024-07-13T18:50:51+00:00\",\"description\":\"Successful completion of \\\"5G Networks as an Enabler for Real-time Learning in Sustainable Farming\\\" project, supported by State of North Rhine-Westphalia.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\\\/#breadcrumb\"},\"inLanguage\":\"fi\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/geopard.tech\\\/blog\\\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"fi\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\\\/#primaryimage\",\"url\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2024\\\/07\\\/5G-Enabled-Real-time-Learning-in-Sustainable-Farming-A-Study-on-Sugar-Beet.png?fit=1920%2C1080&ssl=1\",\"contentUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2024\\\/07\\\/5G-Enabled-Real-time-Learning-in-Sustainable-Farming-A-Study-on-Sugar-Beet.png?fit=1920%2C1080&ssl=1\",\"width\":1920,\"height\":1080,\"caption\":\"Caption 2\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/geopard.tech\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"5G-Enabled Real-time Learning in Sustainable Farming: A Study on Sugar Beet\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#website\",\"url\":\"https:\\\/\\\/geopard.tech\\\/\",\"name\":\"GeoPard - Precision agriculture software\",\"description\":\"Precision agriculture Mapping software\",\"publisher\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\"},\"alternateName\":\"GeoPard\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/geopard.tech\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"fi\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\",\"name\":\"GeoPard Agriculture\",\"alternateName\":\"GeoPard\",\"url\":\"https:\\\/\\\/geopard.tech\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fi\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/07\\\/geopard_logo_transparentbackground.png?fit=512%2C68&ssl=1\",\"contentUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/07\\\/geopard_logo_transparentbackground.png?fit=512%2C68&ssl=1\",\"width\":512,\"height\":68,\"caption\":\"GeoPard Agriculture\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/www.facebook.com\\\/geopardAgriculture\\\/\",\"https:\\\/\\\/x.com\\\/geopardagri\",\"https:\\\/\\\/www.linkedin.com\\\/company\\\/geopard-agriculture\\\/\",\"https:\\\/\\\/www.instagram.com\\\/geopardagriculture\\\/\",\"https:\\\/\\\/www.youtube.com\\\/channel\\\/UCiaPGLAhRPNh-s85dXdC-Sw\",\"https:\\\/\\\/www.g2.com\\\/products\\\/geopard-agriculture-precision-farming-software\\\/reviews\"]},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/person\\\/dd217733c742620adc57befbbcd84a8a\",\"name\":\"dementievgeopard\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fi\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g\",\"caption\":\"dementievgeopard\"}}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"5G-teknologiaa hy\u00f6dynt\u00e4v\u00e4 reaaliaikainen oppiminen kest\u00e4v\u00e4ss\u00e4 maataloudessa: Tutkimus sokerijuurikkaasta - GeoPard","description":"Nordrhein-Westfalenin osavaltion tukema &quot;5G-verkot reaaliaikaisen oppimisen mahdollistajana kest\u00e4v\u00e4ss\u00e4 maataloudessa&quot; -projekti saatiin onnistuneesti p\u00e4\u00e4t\u00f6kseen.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/geopard.tech\/fin\/blogi\/5g-mahdollisti-reaaliaikaisen-oppimisen-kestavassa-maataloudessa-tutkimus-sokerijuurikkaan-tuotannosta\/","og_locale":"fi_FI","og_type":"article","og_title":"5G-Enabled Real-time Learning in Sustainable Farming: A Study on Sugar Beet - GeoPard","og_description":"Successful completion of \"5G Networks as an Enabler for Real-time Learning in Sustainable Farming\" project, supported by State of North Rhine-Westphalia.","og_url":"https:\/\/geopard.tech\/fin\/blogi\/5g-mahdollisti-reaaliaikaisen-oppimisen-kestavassa-maataloudessa-tutkimus-sokerijuurikkaan-tuotannosta\/","og_site_name":"GeoPard - Precision agriculture Mapping software","article_publisher":"https:\/\/www.facebook.com\/geopardAgriculture\/","article_published_time":"2024-07-13T18:50:45+00:00","article_modified_time":"2024-07-13T18:50:51+00:00","og_image":[{"width":1024,"height":576,"url":"https:\/\/geopard.tech\/wp-content\/uploads\/2024\/07\/5G-Enabled-Real-time-Learning-in-Sustainable-Farming-A-Study-on-Sugar-Beet-1024x576.png","type":"image\/png"}],"author":"dementievgeopard","twitter_card":"summary_large_image","twitter_creator":"@geopardagri","twitter_site":"@geopardagri","twitter_misc":{"Kirjoittanut":"dementievgeopard","Arvioitu lukuaika":"11 minuuttia"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/geopard.tech\/blog\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\/#article","isPartOf":{"@id":"https:\/\/geopard.tech\/blog\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\/"},"author":{"name":"dementievgeopard","@id":"https:\/\/geopard.tech\/#\/schema\/person\/dd217733c742620adc57befbbcd84a8a"},"headline":"5G-Enabled Real-time Learning in Sustainable Farming: A Study on Sugar Beet","datePublished":"2024-07-13T18:50:45+00:00","dateModified":"2024-07-13T18:50:51+00:00","mainEntityOfPage":{"@id":"https:\/\/geopard.tech\/blog\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\/"},"wordCount":2143,"commentCount":0,"publisher":{"@id":"https:\/\/geopard.tech\/#organization"},"image":{"@id":"https:\/\/geopard.tech\/blog\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/5G-Enabled-Real-time-Learning-in-Sustainable-Farming-A-Study-on-Sugar-Beet.png?fit=1920%2C1080&ssl=1","articleSection":["Precision Farming","Use-cases"],"inLanguage":"fi","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/geopard.tech\/blog\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/geopard.tech\/blog\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\/","url":"https:\/\/geopard.tech\/blog\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\/","name":"5G-teknologiaa hy\u00f6dynt\u00e4v\u00e4 reaaliaikainen oppiminen kest\u00e4v\u00e4ss\u00e4 maataloudessa: Tutkimus sokerijuurikkaasta - GeoPard","isPartOf":{"@id":"https:\/\/geopard.tech\/#website"},"primaryImageOfPage":{"@id":"https:\/\/geopard.tech\/blog\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\/#primaryimage"},"image":{"@id":"https:\/\/geopard.tech\/blog\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/5G-Enabled-Real-time-Learning-in-Sustainable-Farming-A-Study-on-Sugar-Beet.png?fit=1920%2C1080&ssl=1","datePublished":"2024-07-13T18:50:45+00:00","dateModified":"2024-07-13T18:50:51+00:00","description":"Nordrhein-Westfalenin osavaltion tukema &quot;5G-verkot reaaliaikaisen oppimisen mahdollistajana kest\u00e4v\u00e4ss\u00e4 maataloudessa&quot; -projekti saatiin onnistuneesti p\u00e4\u00e4t\u00f6kseen.","breadcrumb":{"@id":"https:\/\/geopard.tech\/blog\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\/#breadcrumb"},"inLanguage":"fi","potentialAction":[{"@type":"ReadAction","target":["https:\/\/geopard.tech\/blog\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\/"]}]},{"@type":"ImageObject","inLanguage":"fi","@id":"https:\/\/geopard.tech\/blog\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\/#primaryimage","url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/5G-Enabled-Real-time-Learning-in-Sustainable-Farming-A-Study-on-Sugar-Beet.png?fit=1920%2C1080&ssl=1","contentUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/5G-Enabled-Real-time-Learning-in-Sustainable-Farming-A-Study-on-Sugar-Beet.png?fit=1920%2C1080&ssl=1","width":1920,"height":1080,"caption":"Caption 2"},{"@type":"BreadcrumbList","@id":"https:\/\/geopard.tech\/blog\/5g-enabled-real-time-learning-in-sustainable-farming-a-study-on-sugar-beet-production\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/geopard.tech\/"},{"@type":"ListItem","position":2,"name":"5G-Enabled Real-time Learning in Sustainable Farming: A Study on Sugar Beet"}]},{"@type":"WebSite","@id":"https:\/\/geopard.tech\/#website","url":"https:\/\/geopard.tech\/","name":"GeoPard - T\u00e4sm\u00e4viljelyohjelmisto","description":"Tarkkuusviljelyn kartoitusohjelmisto","publisher":{"@id":"https:\/\/geopard.tech\/#organization"},"alternateName":"GeoPard","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/geopard.tech\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fi"},{"@type":"Organization","@id":"https:\/\/geopard.tech\/#organization","name":"GeoPard Maatalous","alternateName":"GeoPard","url":"https:\/\/geopard.tech\/","logo":{"@type":"ImageObject","inLanguage":"fi","@id":"https:\/\/geopard.tech\/#\/schema\/logo\/image\/","url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/07\/geopard_logo_transparentbackground.png?fit=512%2C68&ssl=1","contentUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/07\/geopard_logo_transparentbackground.png?fit=512%2C68&ssl=1","width":512,"height":68,"caption":"GeoPard Agriculture"},"image":{"@id":"https:\/\/geopard.tech\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/geopardAgriculture\/","https:\/\/x.com\/geopardagri","https:\/\/www.linkedin.com\/company\/geopard-agriculture\/","https:\/\/www.instagram.com\/geopardagriculture\/","https:\/\/www.youtube.com\/channel\/UCiaPGLAhRPNh-s85dXdC-Sw","https:\/\/www.g2.com\/products\/geopard-agriculture-precision-farming-software\/reviews"]},{"@type":"Person","@id":"https:\/\/geopard.tech\/#\/schema\/person\/dd217733c742620adc57befbbcd84a8a","name":"dementiageopardi","image":{"@type":"ImageObject","inLanguage":"fi","@id":"https:\/\/secure.gravatar.com\/avatar\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g","caption":"dementievgeopard"}}]}},"jetpack_publicize_connections":[],"jetpack_likes_enabled":true,"jetpack_sharing_enabled":true,"jetpack_shortlink":"https:\/\/wp.me\/pdiCPa-2Lf","jetpack_featured_media_url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2024\/07\/5G-Enabled-Real-time-Learning-in-Sustainable-Farming-A-Study-on-Sugar-Beet.png?fit=1920%2C1080&ssl=1","_links":{"self":[{"href":"https:\/\/geopard.tech\/fin\/wp-json\/wp\/v2\/posts\/10617","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/geopard.tech\/fin\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/geopard.tech\/fin\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/geopard.tech\/fin\/wp-json\/wp\/v2\/users\/210157960"}],"replies":[{"embeddable":true,"href":"https:\/\/geopard.tech\/fin\/wp-json\/wp\/v2\/comments?post=10617"}],"version-history":[{"count":0,"href":"https:\/\/geopard.tech\/fin\/wp-json\/wp\/v2\/posts\/10617\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/geopard.tech\/fin\/wp-json\/wp\/v2\/media\/10639"}],"wp:attachment":[{"href":"https:\/\/geopard.tech\/fin\/wp-json\/wp\/v2\/media?parent=10617"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/geopard.tech\/fin\/wp-json\/wp\/v2\/categories?post=10617"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/geopard.tech\/fin\/wp-json\/wp\/v2\/tags?post=10617"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}