5G omogućeno učenje u stvarnom vremenu u održivoj poljoprivredi: Studija o šećernoj repi

S uzbuđenjem objavljujemo uspješan završetak projekta “5G mreže kao pokretač učenja u stvarnom vremenu u održivoj poljoprivredi”, koji je podržan djelomičnim financiranjem od strane Ministarstva gospodarstva, industrije, klimatske akcije i energetike savezne države Sjeverna Rajna-Vestfalija.

Ova inicijativa predstavlja značajan korak naprijed u istraživanju transformacijskog potencijala 5G tehnologije u poljoprivredi, posebno usmjeren na unaprjeđenje ekoloških, ekonomskih i održivih aspekata uzgoja šećerne repe.

Iskoristio je nisku latenciju 5G za integraciju naprednih informacijsko-tehnoloških sustava u stvarnom vremenu, omogućujući trenutne odgovore na podatke senzora i pozicije u definiranim vremenskim okvirima.

Fokus projekta i partnerstvo

U suradnji s partnerima s HSHL-a i uz potporu Pfeifer & Langen, projekt se usredotočio na proučavanje cjelokupnog životnog ciklusa uzgoja šećerne repe na poljima koja pripadaju partnerima. Cilj mu je bio pokazati kako 5G može poslužiti kao ključni tehnološki katalizator unutar poljoprivrednog sektora Sjeverne Rajne-Vestfalije, prikazujući njegov potencijal kao pokretača inovacija i učinkovitosti.

Uloga GeoPard Agriculture

GeoPard Agriculture odigrao je ključnu ulogu u definiranju i implementaciji ključnih aspekata projekta, uključujući scenarije za detekciju biljaka, praćenje i predviđanje proizvodnje. Razvili smo prototip sustava umjetne inteligencije prilagođen poljoprivrednom okruženju 5G, izvršili smo modele unutar cloud infrastrukture i izradili mobilnu aplikaciju za interakciju u stvarnom vremenu s modelima temeljenim na oblaku.

Tehnološka integracija

Metode umjetne inteligencije (AI) primijenjene su putem robusne računalne infrastrukture s velikim računalnim mogućnostima. AI algoritmi kategorizirali su biljke u stvarnom vremenu tijekom svakog unakrsnog spajanja i pratili njihov rast tijekom cijelog životnog ciklusa, eliminirajući potrebu za nepotrebnim posjetima terenu isključivo u svrhu prikupljanja podataka.

Ovo unapređenje omogućilo je precizno nanošenje gnojiva i zaštitnih sredstava za usjeve, dinamički prilagođavajući stope primjene tijekom prolaza pomoću algoritama strojnog učenja.

Postavljanje bespilotnih vozila

Nadalje, projekt je iskoristio smanjenu latenciju 5G mreže za implementaciju bespilotnih vozila za nadzor biljaka i prikupljanje podataka. Ta vozila odigrala su ključnu ulogu u prikupljanju uvida u stvarnom vremenu i daljnjoj optimizaciji poljoprivrednih praksi.

Rezultati projekta: Unaprjeđenje proizvodnje šećerne repe tehnologijom 5G

Projekt je demonstrirao kako tehnologija 5G može poslužiti kao transformativni pokretač u poljoprivrednom sektoru Sjeverne Rajne-Vestfalije analizirajući cjelokupni životni ciklus uzgoja šećerne repe, ističući značajna poboljšanja koja omogućuje tehnologija 5G. Međutim, kako bi se učinkovito prikazali rezultati projekta, istraživači su koristili radne pakete koji sadrže različite scenarije i infrastrukture.

Definicija scenarija uzimajući u obzir postojeće geopodatke i ML infrastrukturu

Projekt je demonstrirao kako se tradicionalni procesi unutar životnog ciklusa proizvodnje šećerne repe mogu poboljšati integracijom 5G tehnologije. Ključni ciljevi uključivali su:

• Razvijeni scenariji spremni za implementaciju za prepoznavanje biljaka, nadzor i predviđanje proizvodnje.
• Utvrđeni tehnički zahtjevi potrebni za uspješno implementiranje ovih scenarija.
• Identificirani su i procijenjeni relevantni ekološki i ekonomski pokazatelji za vrednovanje dodane vrijednosti koju donosi 5G mreža.

Ova faza naglašava predanost projekta integraciji najsuvremenije tehnologije s postojećim poljoprivrednim praksama. Ova arhitektura iskoristila je brzu povezanost 5G mreže za olakšavanje prikupljanja i obrade podataka u stvarnom vremenu između rubnih uređaja i oblaka. Cloud infrastruktura pružila je osnovne resurse za obuku i implementaciju velikih AI modela, dok je AI platforma nudila robusne alate za razvoj i implementaciju modela. Sloj aplikacije prikazao je korisne uvide izvedene iz AI modela krajnjim korisnicima, poboljšavajući sposobnost donošenja odluka.

Strojno učenje i umjetna inteligencija u kontekstu 5G

Fokus ovog dijela bio je prilagoditi postojeće sustave strojnog učenja i umjetne inteligencije kako bi se uskladili s gore opisanim scenarijima, optimizirajući ih u skladu s tim. Ključni ciljevi uključivali su:

• Definirati ciljeve sustava i razviti arhitekturu sustava
• Prikupljeni podaci za obuku i validaciju AI modela.
• Uspostavljena i anotirana prikladna baza podataka prilagođena za identifikaciju i praćenje biljaka.
• Integrirani AI modeli neprimjetno u infrastrukturu 5G mreže.

U ovoj fazi, rubni uređaji opremljeni SIM karticama za mobilne telefone koji koriste 5G tehnologiju odigrali su ključnu ulogu. Ključni pokazatelji uspješnosti (KPI) kao što su latencija ili krajnja (E2E) latencija pažljivo su praćeni. Mjerenja su uključivala procjenu pouzdanosti i dostupnosti podatkovnih paketa primljenih točno, zajedno s analizom korisničkih brzina prijenosa podataka i vršnih brzina prijenosa podataka.

Nadalje, pretpostavke su napravljene na temelju strujanja UHD videozapisa u MP4 formatu, prenesenog putem Transmission Control Protocol (TCP). Istražena potencijalna rješenja uključivala su optimizaciju pomoću pojedinačnih slika umjesto kontinuiranih video strujanja, izvođenje osnovnih optimizacija izravno na rubnim uređajima i implementaciju tehnika modelne kvantizacije za poboljšanje učinkovitosti.

Infrastruktura u oblaku i AWS usluge

Projekt se uvelike oslanjao na cloud infrastrukturu, koristeći AWS usluge poput Lambda, SageMaker, S3, CloudWatch i RDS, koje su imale ključnu ulogu u pružanju potrebnih resursa za treniranje i implementaciju AI modela.

AWS Lambda je korišten za učinkovito upravljanje instancama i posluživanje aplikacija, dok je AWS SageMaker olakšao izgradnju robusnih cjevovoda za strojno učenje. Rješenja za pohranu poput S3, CloudWatch i RDS bila su ključna za pohranu skupova podataka i dnevnika bitnih za rad modela strojnog učenja i neuronskih mreža.

Stoga je ova infrastruktura podržavala mogućnosti obrade podataka u stvarnom vremenu omogućene 5G mrežom.

5G Mrežna Latencija

5G mreže su dizajnirane da postignu ultra nisku latenciju, koja se obično kreće od 1 do 10 milisekundi. Ta latencija odražavala je vrijeme potrebno da podaci putuju između mobilnih uređaja i AWS poslužitelja putem 5G mreže. Sposobnosti obrade specifične za uređaj, poput brzine snimanja i obrade fotografija na pametnim telefonima s procesorima visokih performansi, također su utjecale na latenciju.

Brzine prijenosa podataka na 5G mreži i veličina fotografije utjecale su na vrijeme prijenosa podataka u AWS. AWS je dodatno pridonio latenciji vremenima obrade za zadatke poput detekcije temeljene na neuralnim mrežama i segmentacije, koja su varirala ovisno o složenosti algoritma i učinkovitosti AWS usluge. Nakon obrade, rezultati su preuzeti natrag na mobilne uređaje, pod utjecajem brzine preuzimanja 5G i veličine rezultata.

Prepoznavanje biljaka pomoću umjetne inteligencije

U domeni prepoznavanja biljaka, procesi vođeni umjetnom inteligencijom uključivali su stvaranje opsežne baze podataka slika biljaka za obuku algoritama temeljenih na neuralnim mrežama. Ti su algoritmi trenirani da razlikuju vrste šećerne repe od drugih biljaka prepoznavanjem značajki specifičnih za tu određenu vrstu biljke, poput oblika lišća, boje cvjetova itd.

Ovdje pod prepoznavanjem biljaka mislimo na zadatak detekcije korova i segmentacije biljaka šećerne repe.

• Detekcija korova

Za detekciju korova, projekt je koristio MobileNet-v3, koji je treniran s opsežnim augmentacijama podataka i ponderiranim uzorkovanjem. Ovaj model je postigao impresivnu točnost od 0,984 i AUC od 0,998.

• Segmentacija šećerne repe

Za zadatke segmentacije, modeli poput YOLACT, ResNeSt, SOLO i U-net korišteni su za precizno razgraničenje pojedinačnih uzoraka šećerne repe unutar slika. Zatim je odabran najučinkovitiji model na temelju različitih kriterija: brzina, vrijeme inferencije itd. Podaci za segmentaciju dobiveni su iz RGB slika snimljenih dronom, koje su promijenjene veličine i označene za potrebe treniranja i validacije.

Zadaci segmentacije uključivali su izradu maski koje su točno ocrtavale granice biljaka. Ova metoda smanjila je napore za ručno označavanje, a istovremeno optimizirala učinkovitost. Prioritiziranjem označavanja izazovnih uzoraka, performanse modela su značajno poboljšane. Strategije iterativnog ponovnog treniranja i uzorkovanja neizvjesnosti pokazale su se učinkovitima, postižući stope točnosti segmentacije veće od 98% u različitim fazama rasta.

• Procjena modela

Model je treniran uz rigorozne augmentacije podataka. Model je evaluiran korištenjem različitih metrika, uključujući Intersection over Union (IoU). Analiza inferencije za izgrađeni model, provedena na podskupu iz ‘plant seedlings v2’ skupa podataka, pokazala je točnost od 81%. Vrijeme inferencije trajalo je otprilike 320 milisekundi za izračun nakon 7-sekundnog perioda inicijalizacije, potrebnog samo jednom po sesiji.

U praćenju biljaka potpomognutom umjetnom inteligencijom (AI), kamere i senzori prikupljali su vitalne podatke o biljkama, koje su analizirali algoritmi strojnog učenja i umjetne inteligencije. Ta je analiza igrala ključnu ulogu u procjeni zdravlja biljaka, preciziranju stresa, bolesti ili drugih faktora koji utječu na rast.

Aplikacije su se proširile od optimiziranja poljoprivredne produktivnosti do praćenja prirodnih ekosustava poput šuma, pomažući u naporima za zaštitu prirode i poboljšavajući razumijevanje utjecaja na okoliš.

Detekcija objekata u nadzoru biljaka

Sljedeća faza nakon segmentacije biljaka šećerne repe je detekcija objekata usmjerena na razumijevanje specifičnosti svake biljke u smislu zdravlja, rasta i drugih čimbenika. Za detekciju objekata u praćenju biljaka, implementirani su napredni modeli poput YOLOv4, MobileNetV2 i VGG-19 s mehanizmima pažnje. Ovi modeli analizirali su segmentirane slike šećerne repe kako bi otkrili specifična područja stresa i bolesti, omogućujući precizne i ciljane intervencije.

Projekt je postigao značajne prekretnice u otkrivanju bolesti, trenirajući modele ResNet-18 i ResNet-34 pred-trenirane na ImageNetu. Ovi modeli pokazali su impresivnu točnost od 0,88 u identificiranju bolesti koje utječu na biljke šećerne repe, s površinom ispod ROC krivulje (AUC) od 0,898. Modeli su pokazali visoku pouzdanost predviđanja, precizno razlikujući bolesne i zdrave biljke.

Projekt je koristio sustavni pristup otkrivanju bolesti, segmentirajući slike u standardizirane dijelove. Ti su dijelovi podvrgnuti preciznom označavanju pomoću interaktivnih alata za lociranje područja zahvaćenih bolestima. Detekcija objekata dodatno je poboljšala točnost definiranjem okvirnih kutija oko biljaka, što je olakšalo precizno praćenje zdravlja biljaka.

Predviđanje proizvodnje usjeva

U domeni predviđanja proizvodnje biljaka, AI modeli su iskoristili ekološke podatke kao što su vremenske prilike i parametri tla za prognoziranje prinosa usjeva. Korišteni su regresijski modeli kao što su Isolation Forest, Linearna regresija i Ridge regresija.

Ovi modeli integrirali su numeričke značajke izvučene iz područja obuhvatnih okvira zajedno s podacima o tlu kako bi optimizirali primjenu gnojiva.

Razmatranja kod implementacije modela

Procijenjene su strategije implementacije razvijenih modela za rubne uređaje i računalne platforme u oblaku. Implementacija modela na rubnim uređajima nudila je prednosti poput smanjenja troškova i niže latencije.

Međutim, ovakav pristup bi mogao žrtvovati potencijalnu točnost zbog hardverskih ograničenja. S druge strane, implementacija u oblaku nudila je brža vremena izvođenja pomoću GPU-ova visokih performansi, ali je mogla uzrokovati dodatne troškove i ovisila je o internetskoj povezanosti, što bi moglo unijeti kašnjenje u komunikaciji.

Usporedna analiza s 5G mrežom

Usporedna analiza pokazala je da je korištenje 5G mreže značajno poboljšalo segmentaciju šećerne repe u usporedbi s tradicionalnim 4G/WiFi postavkama. Ovo poboljšanje dokazano je smanjenjem prosječnog vremena postavljanja i vremena umrežavanja, naglašavajući dobitke u učinkovitosti postignute 5G tehnologijom.

• Proces pripreme podataka

Proces pripreme podataka obuhvaćao je prikupljanje skupova podataka zdravih i bolesnih biljaka, detekciju korova, identifikaciju faza rasta i ekstrakciju slika iz sirovog 4K videa. Tehnike poput ekvalizacije histograma, filtriranja slika i transformacije HSV prostora boja korištene su za pripremu podataka za analizu.

Sakupljeni su uzorci zdravog lišća šećerne repe te oboljelog lišća, poput lišća kukuruza s pepelnicom. Ekstrakcija značajki bolesti uključivala je odvajanje lišća od pozadine, mijenjanje veličine, transformiranje i spajanje slika radi stvaranja realističnih uzoraka za analizu.

• Petlja aktivnog učenja

Pokrenuta je aktivna petlja učenja s neoznačenim podacima, korištenim za treniranje modela za detekciju. Ti su modeli generirali upite za anotaciju koje su obrađivali ljudski anotatori, neprekidno poboljšavajući točnost modela kroz iterativne cikluse treniranja i anotacije.

• Anatacija podataka putem multimodalnog temeljnog modela

Rješavajući izazov ograničenih označenih podataka, projekt je iskoristio robusne temeljne modele za generiranje anotacija istine. Značajno, CLIP, model temeljen na transformeru koji je razvio OpenAI, obučen na ogromnom skupu podataka od preko 400 milijuna parova slika i teksta, igrao je ključnu ulogu.

Koristeći Vision Transformere kao svoju osnovu, CLIP je postigao izvanrednih 95% točnosti na validacijskim skupovima, efikasno kategorizirajući slike u različite klase kao što su šećerna repa i korov s visokom preciznošću.

• Tehnologija dronova za prikupljanje podataka

Jedna od ključnih tehnologija korištenih u projektu bila je upotreba dronova opremljenih RGB kamerama koje su snimale 4K video. Ovi dronovi pružili su detaljne slike (rezolucije 3840×2160) za analizu.

Predobrada ovih slika značajno je povećala točnost modela, s primjetnim poboljšanjima uočenim kod modela poput VGGNeta (+38,52%), ResNet50 (+21,14%), DenseNet121 (+7,53%) i MobileNet (+6,6%).

Tehnike poput izjednačavanja histograma korištene su za povećanje kontrasta slike, dok je transformacija u HSV \[Human, Saturation, Value] \[bojni prostor\] pomogla naglasiti biljne površine i istaknuti relevantne značajke.

• Generiranje sintetičkih podataka

Da bi se riješio izazov ograničenih podataka o slikama, generirani su sintetički skupovi podataka putem strojnog učenja i umjetne inteligencije. Prikupljanje podataka izvedeno je pomoću dronova koji lete na visinama između 1 m i 4 m i brzinama od 2 m/s ili više, koristeći RGB kamere.

Korištena su i druga vozila, poput traktora, za prikupljanje podataka. Generiranje ovih sintetičkih podataka pokazalo se posebno korisnim za otkrivanje bolesti šećerne repe.

Zaključak

Projekt “5G mreže kao pokretač učenja u stvarnom vremenu u održivoj poljoprivredi” uspješno je demonstrirao kako 5G tehnologija može poboljšati ekološke, ekonomske i održive aspekte uzgoja šećerne repe. Kroz suradnju s HSHL-om i Pfeifer & Langen, projekt je integrirao prikupljanje podataka u stvarnom vremenu i analizu pokretanu umjetnom inteligencijom, poboljšavajući učinkovitost i smanjujući nepotrebne posjete poljima.

Posvećena 5G mrežna infrastruktura omogućila je preciznu primjenu gnojiva i sredstava za zaštitu bilja. Geopard Agriculture odigrao je ključnu ulogu u razvoju scenarija za detekciju i nadzor biljaka te stvaranju prototipa sustava strojnog učenja za 5G poljoprivredno okruženje. Uspjeh projekta naglasio je važnost naprednih tehnologija u održivoj poljoprivredi, ističući potencijal 5G mreže za poticanje inovacija i učinkovitosti.