Тұрақты ауыл шаруашылығында 5G-мен қамтамасыз етілген нақты уақыттағы оқыту: қант қызылшасына арналған зерттеу

Солтүстік Рейн-Вестфалия штатының Экономикалық істер, өнеркәсіп, климаттық іс-қимыл және энергетика министрлігінің ішінара қаржыландыруымен қолдау тапқан “Тұрақты ауыл шаруашылығында нақты уақыт режимінде оқуға мүмкіндік беретін 5G желілері” жобасының сәтті аяқталғанын хабарлауға қуаныштымыз.

Бұл бастама ауыл шаруашылығындағы 5G технологиясының трансформациялық әлеуетін зерттеудегі маңызды қадам болып табылады, атап айтқанда, қант қызылшасын өсірудің экологиялық, экономикалық және тұрақты аспектілерін жақсартуға бағытталған.

Ол 5G-дің төмен кідірісін пайдаланып, озық ақпараттық технологиялар жүйелерін нақты уақыт режимінде біріктірді, бұл алдын ала белгіленген уақыт аралығында сенсорлар мен позициялық деректерге жедел жауап беруге мүмкіндік берді.

Жобаға бағдарлану және серіктестік

HSHL серіктестерімен бірлесіп және Pfeifer & Langen қолдауымен жоба серіктестерге тиесілі егістіктерде қант қызылшасын өсірудің бүкіл өмірлік циклін зерттеуге бағытталған. Оның мақсаты 5G-нің Солтүстік Рейн-Вестфалияның ауылшаруашылық секторында негізгі технологиялық катализатор ретінде қалай қызмет ете алатынын көрсету, инновация мен тиімділікті арттыру әлеуетін көрсету болды.

GeoPard ауыл шаруашылығының рөлі

GeoPard Agriculture жобаның негізгі аспектілерін, соның ішінде өсімдіктерді анықтау, бақылау және өндірісті болжау сценарийлерін анықтауда және енгізуде маңызды рөл атқарды. Біз 5G ауылшаруашылық ортасына бейімделген жасанды интеллект жүйесінің прототипін әзірледік, бұлттық инфрақұрылымда модельдерді орындадық және бұлтқа негізделген модельдермен нақты уақыт режимінде өзара әрекеттесуге арналған мобильді қосымша жасадық.

Технологиялық интеграция

Жасанды интеллект (ЖИ) әдістері жоғары есептеу мүмкіндіктері бар берік бұлттық инфрақұрылым арқылы енгізілді. ЖИ алгоритмдері өсімдіктерді әрбір қиылысу кезінде нақты уақыт режимінде жіктеді және олардың өсуін бүкіл өмірлік циклі бойы бақылады, бұл тек деректер жинау мақсатында қажетсіз далалық сапарлардың қажеттілігін болдырмады.

Бұл жетістік тыңайтқыштар мен дақылдарды қорғау құралдарын дәл қолдануға, машиналық оқыту алгоритмдері арқылы кесу кезінде қолдану жылдамдығын динамикалық түрде реттеуге мүмкіндік берді.

Пилотсыз көліктерді орналастыру

Сонымен қатар, жоба өсімдіктерді бақылау және деректер жинау үшін пилотсыз көліктерді орналастыру үшін 5G технологиясының кідірісін азайтты. Бұл көліктер нақты уақыт режимінде ақпарат жинауда және ауыл шаруашылығы тәжірибелерін одан әрі оңтайландыруда маңызды рөл атқарды.

Жоба нәтижелері: 5G технологиясын қолдана отырып, қант қызылшасы өндірісін арттыру

Жоба қант қызылшасын өсірудің бүкіл өмірлік циклін талдай отырып, 5G технологиясының Солтүстік Рейн-Вестфалияның ауылшаруашылық секторында трансформациялық мүмкіндік ретінде қызмет ете алатынын көрсетті, 5G технологиясы арқылы қол жеткізілген айтарлықтай жақсартуларды атап өтті. Дегенмен, жоба нәтижелерін тиімді көрсету үшін зерттеушілер әртүрлі сценарийлер мен инфрақұрылымдарды қамтитын жұмыс пакеттерін пайдаланды.

Қолданыстағы геодеректер мен машиналық оқыту инфрақұрылымын ескере отырып, сценарийді анықтау

Жоба қант қызылшасын өндіру цикліндегі дәстүрлі процестерді 5G технологиясын интеграциялау арқылы қалай жақсартуға болатынын көрсетті. Негізгі мақсаттарға мыналар кірді:

• Өсімдіктерді тану, бақылау және өндірісті болжау үшін іске асыруға дайын сценарийлер әзірленді.
• Бұл сценарийлерді сәтті орналастыру үшін қажетті техникалық талаптар белгіленді.
• 5G желісінің қосымша құндылығын бағалау үшін тиісті экологиялық және экономикалық көрсеткіштерді анықтап, бағалады.

Бұл кезең жобаның заманауи технологияларды қолданыстағы ауылшаруашылық тәжірибелерімен біріктіруге деген міндеттемесін атап өтті. Бұл архитектура шеткі құрылғылар мен бұлт арасында нақты уақыт режимінде деректерді жинау мен өңдеуді жеңілдету үшін 5G желісінің жоғары жылдамдықты қосылымын пайдаланды. Бұлттық инфрақұрылым ауқымды жасанды интеллект модельдерін оқыту және орналастыру үшін маңызды ресурстарды қамтамасыз етті, ал жасанды интеллект платформасы модельдерді әзірлеу және орналастыру үшін сенімді құралдарды ұсынды. Қолданбалы қабат соңғы пайдаланушыларға жасанды интеллект модельдерінен алынған іс жүзінде қолданылатын түсініктерді ұсынды, бұл шешім қабылдау мүмкіндіктерін арттырды.

5G контексіндегі машиналық оқыту және жасанды интеллект

Бұл бөлімнің басты мақсаты - машиналық оқыту мен жасанды интеллект жүйелерін жоғарыда сипатталған сценарийлерге сәйкестендіру, оларды тиісінше оңтайландыру болды. Негізгі мақсаттарға мыналар кірді:

• Жүйенің мақсаттарын анықтаңыз және жүйенің архитектурасын жасаңыз
• Жасанды интеллект модельдерін оқыту және тексеру үшін негізгі шындық деректері жиналды.
• Өсімдіктерді анықтау және бақылау үшін арнайы жасалған тиісті дерекқор құрылды және аннотацияланды.
• 5G желілік инфрақұрылымына интеграцияланған жасанды интеллект модельдері үздіксіз енгізілді.

Бұл кезеңде 5G технологиясын пайдаланатын ұялы телефон SIM карталарымен жабдықталған шеткі құрылғылар маңызды рөл атқарды. Кідіріс немесе толық (E2E) кідіріс сияқты негізгі өнімділік көрсеткіштері (KPI) мұқият бақыланды. Өлшеулерге алынған деректер пакеттерінің сенімділігі мен қолжетімділігін дәл бағалау, сондай-ақ пайдаланушы деректерінің жылдамдығы мен ең жоғары деректер жылдамдығын талдау кірді.

Сонымен қатар, болжамдар Transmission Control Protocol (TCP) арқылы берілетін MP4 форматындағы UHD ажыратымдылықтағы бейнені ағынмен таратуға негізделген. Зерттелген әлеуетті шешімдерге үздіксіз бейне ағындарының орнына жеке кескіндермен оңтайландыру, базалық оңтайландыруларды тікелей шеткі құрылғыларда орындау және тиімділікті арттыру үшін модельді кванттау әдістерін енгізу кірді.

Бұлттық инфрақұрылым және AWS қызметтері

Жоба жасанды интеллект модельдерін оқыту және орналастыру үшін қажетті ресурстарды қамтамасыз етуде маңызды рөл атқарған Lambda, SageMaker, S3, CloudWatch және RDS сияқты AWS қызметтерін пайдаланатын бұлттық инфрақұрылымға қатты сүйенді.

AWS Lambda тиімді инстанцияларды басқару және қолданбаларға қызмет көрсету үшін пайдаланылды, ал AWS SageMaker сенімді машиналық оқыту құбырларын құруға ықпал етті. S3, CloudWatch және RDS сияқты сақтау шешімдері машиналық оқыту модельдері мен нейрондық желілердің жұмысы үшін маңызды деректер жиынтығы мен журналдарды сақтау үшін өте маңызды болды.

Осылайша, бұл инфрақұрылым 5G желісі арқылы қосылған нақты уақыт режиміндегі деректерді өңдеу мүмкіндіктерін қолдады.

5G желісінің кідірісі

5G желілері әдетте 1-ден 10 миллисекундқа дейінгі ультра төмен кідіріске қол жеткізу үшін жасалған. Бұл кідіріс деректердің 5G желісі арқылы мобильді құрылғылар мен AWS серверлері арасында тасымалдануына кететін уақытты көрсетті. Жоғары өнімді процессорлары бар смартфондарда фотосуреттерді түсіру және өңдеу жылдамдығы сияқты құрылғыға тән өңдеу мүмкіндіктері де кідіріске әсер етті.

5G желісіндегі деректерді жүктеу жылдамдығы және фотосуреттің өлшемі AWS-ке деректерді беру уақытына әсер етті. AWS нейрондық желіге негізделген анықтау және сегменттеу сияқты тапсырмаларды өңдеу уақытымен кідіріске ықпал етті, бұл алгоритмнің күрделілігі мен AWS қызметінің тиімділігіне байланысты өзгеріп отырды. Өңдеуден кейін нәтижелер мобильді құрылғыларға қайта жүктелді, бұл 5G жүктеу жылдамдығына және нәтиже деректерінің өлшеміне байланысты болды.

Жасанды интеллект көмегімен өсімдіктерді тану

Өсімдіктерді тану саласында жасанды интеллект басқаратын процестер нейрондық желілерге негізделген алгоритмдерді оқыту үшін өсімдік кескіндерінің кешенді дерекқорын жасауды қамтыды. Бұл алгоритмдер қант қызылшасының түрлерін басқа өсімдіктерден ажыратуға үйретілді, бұл үшін жапырақ пішіндері, гүл түстері және т.б. сияқты өсімдік түріне тән белгілерді тану қажет болды.

Мұнда өсімдіктерді тану деп арамшөптерді анықтау және қант қызылшасы өсімдіктерін сегменттеу міндетін айтамыз.

• Арамшөптерді анықтау

Арамшөптерді анықтау үшін жобада MobileNet-v3 қолданылды, ол деректерді кеңейту және салмақталған іріктеу арқылы оқытылды. Бұл модель 0,984 дәлдікке және 0,998 AUC-ке қол жеткізді.

• Қант қызылшасын сегменттеу

Сегменттеу тапсырмалары үшін YOLACT, ResNeSt, SOLO және U-net сияқты модельдер суреттердегі қант қызылшасының жеке үлгілерін дәл анықтау үшін пайдаланылды. Содан кейін ең тиімді модель әртүрлі критерийлерге негізделіп таңдалды: жылдамдық, қорытынды уақыты және т.б. Сегменттеу деректері дронмен түсірілген RGB кескіндерінен алынды, олардың өлшемдері оқыту және тексеру мақсаттары үшін өзгертіліп, аннотацияланды.

Сегменттеу міндеттері өсімдік шекараларын дәл көрсететін маскалар жасауды қамтыды. Бұл әдіс тиімділікті оңтайландыру кезінде адамның аннотациялау күш-жігерін азайтты. Күрделі үлгілерді таңбалауға басымдық беру арқылы модельдің өнімділігі айтарлықтай жақсарды. Итерациялық қайта даярлау және белгісіздік іріктеу стратегиялары тиімді болып шықты, әртүрлі өсу кезеңдерінде сегменттеу дәлдігінің көрсеткіштері 98%-ден асып түсті.

• Модельді бағалау

Модель деректерді мұқият толықтыру арқылы оқытылды. Модель әртүрлі көрсеткіштерді, соның ішінде Бірлестік үстіндегі қиылысуды (IoU) пайдаланып бағаланды. Құрылған модель үшін ‘plant seeds v2’ деректер жиынтығынан алынған ішкі жиынтықта жүргізілген қорытынды талдау 81% дәлдігін көрсетті. 7 секундтық инициализация кезеңінен кейін қорытынды уақытын есептеу үшін шамамен 320 миллисекунд қажет болды, бұл сессияға бір рет қана қажет.

Жасанды интеллект (ЖИ) арқылы өсімдіктерді бақылауда камералар мен сенсорлар машиналық оқыту және ЖИ алгоритмдері арқылы талданатын маңызды өсімдік деректерін жазып алды. Бұл талдау өсімдіктердің денсаулығын бағалауда, стрессті, ауруларды немесе өсуге әсер ететін басқа факторларды анықтауда маңызды рөл атқарды.

Қолдану салалары ауыл шаруашылығы өнімділігін оңтайландырудан бастап, ормандар сияқты табиғи экожүйелерді бақылауға, табиғатты қорғау жұмыстарына көмектесуге және қоршаған ортаға әсерді түсінуді жақсартуға дейін кеңейе түсті.

Өсімдіктерді бақылаудағы нысандарды анықтау

Қант қызылшасы өсімдіктерін сегменттеуден кейінгі келесі кезең - әрбір өсімдіктің денсаулығы, өсуі және басқа да факторлар тұрғысынан ерекшеліктерін түсінуге бағытталған нысанды анықтау. Өсімдіктерді бақылауда нысанды анықтау үшін YOLOv4, MobileNetV2 және VGG-19 сияқты назар аудару механизмдері бар озық модельдер қолданылды. Бұл модельдер қант қызылшасының сегменттелген кескіндерін талдап, нақты стресстік және ауру аймақтарын анықтады, бұл дәл және мақсатты араласуларға мүмкіндік берді.

Жоба ауруларды анықтауда маңызды жетістіктерге жетті, ResNet-18 және ResNet-34 модельдерін ImageNet-те алдын ала оқытты. Бұл модельдер қант қызылшасы өсімдіктеріне әсер ететін ауруларды анықтауда 0,88 дәлдікпен, ROC қисығы астындағы аудан (AUC) 0,898-мен тамаша дәлдік көрсетті. Модельдер ауру және сау өсімдіктерді дәл ажырата отырып, жоғары болжам сенімділігін көрсетті.

Жобада ауруларды анықтауға жүйелі тәсіл қолданылды, кескіндерді стандартталған патчтарға бөлді. Бұл патчтар аурулардан зардап шеккен аймақтарды анықтау үшін интерактивті құралдарды пайдаланып мұқият аннотациядан өтті. Нысандарды анықтау өсімдіктердің айналасындағы шекаралық қораптарды белгілеу арқылы дәлдікті одан әрі арттырды, бұл өсімдіктердің денсаулығын дәл бақылауды жеңілдетті.

Өсімдік өндірісін болжау

Өсімдік өнімдерін болжау саласында жасанды интеллект модельдері дақылдардың өнімділігін болжау үшін ауа райы жағдайлары мен топырақ параметрлері сияқты қоршаған орта деректерін пайдаланды. Оқшауланған орман, сызықтық регрессия және жота регрессиясы сияқты регрессиялық модельдер қолданылды.

Бұл модельдер тыңайтқыштарды қолдануды оңтайландыру үшін шекаралық қорап аймақтарынан алынған сандық ерекшеліктерді топырақ деректерімен бірге біріктірді.

Модельді орналастыру мәселелері

Әзірленген модельдерді орналастыру стратегиялары шеткі құрылғылар үшін де, бұлттық платформалар үшін де бағаланды. Модельдерді шеткі құрылғыларға орналастыру шығындардың азаюы және кідірістің төмендеуі сияқты артықшылықтарды ұсынды.

Дегенмен, бұл тәсіл аппараттық шектеулерге байланысты ықтимал дәлдіктен айырбасталуы мүмкін. Екінші жағынан, бұлтты орналастыру жоғары өнімді GPU-ларды пайдалану арқылы жылдамырақ қорытынды жасау уақытын ұсынды, бірақ қосымша шығындарға әкелуі мүмкін және интернетке қосылуға тәуелді болды, бұл байланыс кідірісін тудыруы мүмкін.

5G желісімен салыстырмалы талдау

Салыстырмалы талдау 5G желісін пайдалану дәстүрлі 4G/WiFi қондырғыларымен салыстырғанда қант қызылшасының сегментациясын айтарлықтай жақсартқанын көрсетті. Бұл жақсару орташа орнату мен желі уақытының азаюымен дәлелденді, бұл 5G технологиясы арқылы қол жеткізілген тиімділіктің артуын атап өтті.

• Деректерді дайындау процесі

Деректерді дайындау процесі сау және ауру өсімдіктердің деректер жиынтығын жинауды, арамшөптерді анықтауды, өсу кезеңдерін анықтауды және 4K шикі бейнеден кескіндерді алуды қамтыды. Деректерді талдауға дайындау үшін гистограмманы теңестіру, кескіндерді сүзу және HSV түс кеңістігін түрлендіру сияқты әдістер қолданылды.

Қант қызылшасының сау жапырақтарының және сұр жапырақты дақтары бар жүгері жапырақтары сияқты ауру үлгілерінің үлгілері жиналды. Ауру белгілерін алу үшін жапырақты фондан бөлу, өлшемін өзгерту, түрлендіру және талдау үшін шынайы үлгілер жасау мақсатында кескіндерді біріктіру қажет болды.

• Белсенді оқыту циклі

Белсенді оқыту циклі анықтау модельдерін оқыту үшін пайдаланылған белгіленбеген деректермен басталды. Бұл модельдер адам аннотаторларымен өңделген аннотация сұрауларын тудырды, итеративті оқыту және аннотация циклдары арқылы модельдің дәлдігін үнемі жетілдіріп отырды.

• Мультимодальды іргетас моделі арқылы деректерді аннотациялау

Белгіленген деректердің шектеулілігін шешу үшін жоба негізгі шындық аннотацияларын жасау үшін сенімді іргетас модельдерін пайдаланды. Атап айтқанда, OpenAI әзірлеген, 400 миллионнан астам кескін-мәтін жұптарынан тұратын кең деректер жиынтығында оқытылған трансформаторға негізделген модель CLIP маңызды рөл атқарды.

Vision Transformers жүйесін негізі ретінде пайдалана отырып, CLIP валидация жинақтарында 95% дәлдігіне қол жеткізді, кескіндерді қант қызылшасы мен арамшөп сияқты әртүрлі кластарға жоғары дәлдікпен шебер жіктеді.

• Деректерді жинауға арналған дрон технологиясы

Жобада қолданылған маңызды технологиялардың бірі 4K бейне түсіретін RGB камераларымен жабдықталған дрондарды пайдалану болды. Бұл дрондар талдау үшін егжей-тегжейлі кескіндерді (3840 × 2160 ажыратымдылық) берді.

Бұл кескіндерді алдын ала өңдеу модельдің дәлдігін айтарлықтай арттырды, VGGNet (+38.52%), ResNet50 (+21.14%), DenseNet121 (+7.53%) және MobileNet (+6.6%) сияқты модельдерде айтарлықтай жақсартулар байқалды.

Кескін контрастын жақсарту үшін гистограмманы теңестіру сияқты әдістер қолданылды, ал HSV түс кеңістігіне түрлендіру өсімдік аймақтарын ерекшелеп, тиісті ерекшеліктерді ерекшелеуге көмектесті.

• Синтетикалық деректерді генерациялау

Кескін деректерінің шектеулілігін шешу үшін машиналық оқыту және жасанды интеллект арқылы синтетикалық деректер жиынтығы жасалды. Деректер жинау RGB камераларын пайдалана отырып, 1 м-ден 4 м-ге дейінгі биіктікте және 2 м/с немесе одан да көп жылдамдықта ұшатын дрондарды пайдалану арқылы жүзеге асырылды.

Деректерді жинау үшін тракторлар сияқты басқа көліктер де пайдаланылды. Бұл синтетикалық деректерді генерациялау қант қызылшасы ауруларын анықтау үшін әсіресе пайдалы болып шықты.

Қорытынды

“Тұрақты ауыл шаруашылығында нақты уақыт режимінде оқытуға мүмкіндік беретін 5G желілері” жобасы 5G технологиясының қант қызылшасын өсірудің экологиялық, экономикалық және тұрақты аспектілерін қалай жақсарта алатынын сәтті көрсетті. HSHL және Pfeifer & Langen компанияларымен ынтымақтастық арқылы жоба нақты уақыт режимінде деректерді жинауды және жасанды интеллектке негізделген талдауды біріктірді, тиімділікті арттырды және қажетсіз далалық сапарларды азайтты.

Арнайы 5G кампус желісі тыңайтқыштар мен өсімдіктерді қорғау құралдарын дәл қолдануға мүмкіндік берді. Geopard Agriculture өсімдіктерді анықтау және бақылау сценарийлерін әзірлеуде, сондай-ақ 5G ауылшаруашылық ортасы үшін машиналық оқыту жүйесінің прототипін жасауда маңызды рөл атқарды. Жобаның табысы тұрақты егіншіліктегі озық технологиялардың маңыздылығын атап өтті, 5G-нің инновация мен тиімділікті арттыру әлеуетін атап өтті.