5G tinklas leidžiantis mokytis realiu laiku tvariajame ūkininkavime: cukrinių runkelių tyrimas

Džiaugiamės galėdami pranešti apie sėkmingą projekto “5G tinklai kaip realaus laiko mokymosi tvarioje žemdirbystėje įgalintojai” užbaigimą, kuriam dalinai finansavimą skyrė Šiaurės Rein menyje-Vestfalijos žemės Ūkio, pramonės, klimato apsaugos ir energetikos ministerija.

Ši iniciatyva žymi reikšmingą žingsnį siekiant ištirti 5G technologijos transformacinį potencialą žemės ūkyje, ypač siekiant pagerinti cukrinių runkelių auginimo ekologinius, ekonominius ir tvarumo aspektus.

Ji pasinaudojo žemu 5G atsilikimu, kad realiuoju laiku integruotų pažangias informacines technologijas, leidžiančias nedelsiant reaguoti į jutiklių ir padėties duomenis per nustatytus laiko intervalus.

Projekto tikslas ir partnerystė

Bendradarbiaujant su HSHL partneriais ir „Pfeifer & Langen“ parama, projektas sutelkė dėmesį į cukrinių runkelių auginimo visą gyvavimo ciklą partneriams priklausančiuose laukuose. Juo siekta parodyti, kaip 5G gali tapti pagrindiniu technologijos katalizatoriumi Šiaurės Reinso-Vestfalijos žemės ūkio sektoriuje, demonstruojant jo potencialą skatinant inovacijas ir efektyvumą.

GeoPard žemės ūkis

„GeoPard Agriculture“ atliko svarbų vaidmenį nustatant ir įgyvendinant pagrindinius projekto aspektus, įskaitant augalų aptikimo, stebėjimo ir produkcijos prognozavimo scenarijus. Sukūrėme bandomąją DI sistemą, pritaikytą 5G žemės ūkio aplinkai, modelius vykdėme debesų infrastruktūroje ir sukūrėme mobiliąją programėlę realiu laiku bendrauti su debesų modeliais.

Technologinė integracija

Dirbtinio intelekto (DI) metodai buvo naudojami per tvirtą debesų infrastruktūrą, pasižyminčią didelėmis skaičiavimo galimybėmis. DI algoritmai kiekvieno kryžminimo metu realiu laiku kategorizavo augalus ir stebėjo jų augimą visą gyvavimo ciklą, taip atsisakant nereikalingų lauko apžiūrų vien tik duomenų rinkimo tikslu.

Šis proveržis leido tiksliai paskirstyti trąšas ir augalų apsaugos produktus, dinamiškai reguliuojant paskirstymo normas mašininio mokymosi algoritmais, kertant laukus.

Belaidžių transporto priemonių dislokavimas

Be to, projekte buvo pasinaudota sumažinta 5G delsa, siekiant dislokuoti nepilotuojamas transporto priemones augalų stebėjimui ir duomenų rinkimui. Šios transporto priemonės suvaidino itin svarbų vaidmenį renkant realaus laiko įžvalgas ir toliau optimizuojant žemės ūkio praktikas.

Projekto rezultatai: Cukrinių runkelių gamybos gerinimas naudojant 5G technologiją

Projektas parodė, kaip 5G technologija galėtų tapti transformuojančiu veiksniu Šiaurės Reino-Vestfalijos žemės ūkio sektoriuje, analizuojant visą cukrinių runkelių auginimo gyvavimo ciklą ir pabrėžiant reikšmingus 5G technologijos suteikiamus patobulinimus. Tačiau, norint efektyviai pademonstruoti projekto rezultatus, mokslininkai naudojo darbo paketus, kuriuose buvo skirtingi scenarijai ir infrastruktūros.

Scenarijaus apibrėžimas, atsižvelgiant į esamus geografinius duomenis ir ML infrastruktūrą

Projekte parodoma, kaip 5G technologijos integravimas gali pagerinti tradicinius cukrinių runkelių gamybos ciklo procesus. Pagrindiniai tikslai apėmė:

• Parengti paruošti įgyvendinimui scenarijai augalų atpažinimui, stebėjimui ir gamybos prognozavimui.
• Nustatyti techniniai reikalavimai, reikalingi sėkmingam šių scenarijų įgyvendinimui.
• Nustatyti ir įvertinti atitinkami ekologiniai ir ekonominiai rodikliai, siekiant įvertinti pridėtinę vertę, kurią suteikia 5G tinklas.

Šis etapas pabrėžė projekto įsipareigojimą integruoti pažangiausias technologijas su esamomis agrarinėmis praktikomis. Ši architektūra pasinaudojo didelio greičio 5G tinklo ryšiu, kad palengvintų duomenų rinkimą ir apdorojimą realiuoju laiku tarp kraštinių įrenginių ir debesies. Debesų infrastruktūra suteikė esminių išteklių didelio masto dirbtinio intelekto modelių mokymui ir diegimui, o dirbtinio intelekto platforma pasiūlė tvirtus įrankius modelių kūrimui ir diegimui. Taikomųjų programų sluoksnis pateikė galutiniams vartotojams veiksmų rekomendacijas, gautas iš dirbtinio intelekto modelių, pagerindamas sprendimų priėmimo galimybes.

Mašininis mokymasis ir dirbtinis intelektas 5G kontekste

Šios dalies tikslas buvo pritaikyti esamas mašininio mokymosi ir dirbtinio intelekto sistemas, kad jos atitiktų pirmiau aprašytus scenarijus, atitinkamai jas optimizuojant. Pagrindiniai tikslai apėmė:

• Apibrėžkite sistemos tikslus ir sukurkite sistemos architektūrą
• Surinkti duomenys iš realaus pasaulio modeliui mokyti ir tikrinti.
• Sukurta ir anotaciuota tinkama duomenų bazė, skirta augalų identifikavimui ir stebėjimui.
• Integruoti dirbtinio intelekto modeliai sklandžiai į 5G tinklo infrastruktūrą.

Šiame etape svarbų vaidmenį atliko krašto įrenginiai su 5G technologiją naudojančiomis SIM kortelėmis. Buvo atidžiai stebimi pagrindiniai našumo rodikliai (KPI), tokie kaip delsos arba galutinės (E2E) delsos. Matavimai apėmė gautų duomenų paketų patikimumo ir prieinamumo įvertinimą, taip pat vartotojo duomenų perdavimo spartos ir didžiausios duomenų perdavimo spartos analizę.

Be to, prielaidos buvo daromos remiantis UHD raiškos vaizdo įrašo MP4 formatu, perduodamo Transmission Control Protocol (TCP) protokolu, transliacija. Galimi sprendimai apėmė optimizavimą naudojant atskirus vaizdus vietoj nuolatinių vaizdo transliacijų, pagrindinių optimizacijų atlikimą tiesiogiai briaunos (edge) įrenginiuose ir modelių kvantizavimo technologijų taikymą efektyvumui pagerinti.

Debesų infrastruktūra ir AWS paslaugos

Projektas stipriai rėmėsi debesų infrastruktūra, naudojant AWS paslaugas, tokias kaip Lambda, SageMaker, S3, CloudWatch ir RDS, kurios atliko svarbų vaidmenį teikiant reikiamus išteklius dirbtinio intelekto modelių mokymui ir diegimui.

AWS Lambda buvo naudojama efektyviam instancijų valdymui ir pritaikymų pateikimui, o AWS SageMaker palengvino tvirtų mašininio mokymosi procesų kūrimą. Saugyklos sprendimai, tokie kaip S3, CloudWatch ir RDS, buvo būtini duomenų rinkiniams ir žurnalams saugoti, kurie yra gyvybiškai svarbūs mašininio mokymosi modelių ir neuroninių tinklų veikimui.

Dėl to ši infrastruktūra palaikė 5G tinklo užtikrinamas realaus laiko duomenų apdorojimo galimybes.

5G tinklo vėlavimas

5G tinklai buvo sukurti siekiant pasiekti itin mažą delsą, paprastai nuo 1 iki 10 milisekundžių. Ši delsa atspindėjo laiką, reikalingą duomenims keliauti tarp mobiliųjų įrenginių ir AWS serverių per 5G tinklą. Įrenginių specifinės apdorojimo galimybės, pavyzdžiui, greitis, su kuriuo išmanieji telefonai su didelio našumo procesoriais fiksuoja ir apdoroja nuotraukas, taip pat turėjo įtakos delsai.

5G tinklo duomenų įkėlimo spartos ir nuotraukos dydis turėjo įtakos duomenų perdavimo laikui į AWS. AWS dar labiau prisidėjo prie vėlavimo dėl apdorojimo laikų, tokių kaip neuroninių tinklų pagrindu atliekamas aptikimas ir segmentavimas, kurie skyrėsi priklausomai nuo algoritmo sudėtingumo ir AWS paslaugos efektyvumo. Po apdorojimo rezultatai buvo atsisiunčiami atgal į mobiliuosius įrenginius, tai priklausė nuo 5G atsisiuntimo spartos ir rezultatų duomenų dydžio.

Augalų atpažinimas naudojant DI

Augalų atpažinimo srityje dirbtinio intelekto valdomi procesai apėmė išsamios augalų vaizdų duomenų bazės kūrimą, skirtos mokyti algoritmus, paremtus neuroninių tinklų principais. Šie algoritmai buvo mokomi atskirti cukrinių runkelių rūšis nuo kitų augalų, atpažįstant konkrečiam augalo tipui būdingus požymius, tokius kaip lapų formos, žiedų spalvos ir kt.

Čia augalų atpažinimu laikome piktžolių aptikimo ir cukrinių runkelių augalų segmentavimo užduotį.

• Piktžolių aptikimas

Veiklos nustatymui projekte naudotas "MobileNet-v3" modelis, apmokytas naudojant plačias duomenų augmentacijas ir svertinį parinkimą. Šis modelis pasiekė įspūdingą 0,984 tikslumą ir 0,998 AUC.

• Cukrinių runkelių segmentavimas

Segmentavimo užduotims atlikti buvo naudojami tokie modeliai kaip YOLACT, ResNeSt, SOLO ir U-net, siekiant tiksliai nustatyti atskirus cukrinių runkelių pavyzdžius vaizduose. Tada efektyviausias modelis buvo pasirinktas pagal skirtingus kriterijus: greitį, inferencijos laiką ir kt. Segmentavimo duomenys buvo gauti iš orlaivių fiksuotų RGB vaizdų, kurie buvo pakeisto dydžio ir anotacijų apmokymui bei validavimui.

Segmentavimo užduotys apėmė kaukių kūrimą, tiksliai apibrėžiant augalų ribas. Šis metodas sumažino žmogaus anotavimo pastangas ir optimizavo efektyvumą. Pirmenybę teikiant sudėtingų pavyzdžių žymėjimui, modelio našumas buvo žymiai patobulintas. Iteratyvinis pakartotinis apmokymas ir netikrumo mėginių ėmimo strategijos pasirodė esąs veiksmingas, pasiekiant didesnį nei 98% segmentavimo tikslumą įvairiais augimo etapais.

• Modelio vertinimas

Modelis buvo apmokytas naudojant griežtus duomenų padidinimo metodus. Modelis buvo vertinamas naudojant įvairius metrikus, įskaitant sankirtą per sąjungą (IoU). Sukurtam modeliui atlikta išvadų analizė, remiantis dalimi ‘plant seedlings v2’ duomenų rinkinio, parodė 81%tikslumą. Išvadų laikas užtruko maždaug 320 milisekundžių, po 7 sekundžių inicijavimo laikotarpio, kuris reikalingas tik kartą per sesiją.

Augalų stebėjime, pagrįstame dirbtiniu intelektu (DI), kameros ir jutikliai rinko gyvybiškai svarbius augalų duomenis, kuriuos analizavo mašininio mokymosi ir DI algoritmai. Ši analizė atliko itin svarbų vaidmenį vertinant augalų sveikatą, nustatant stresą, ligas ar kitus augimą veikiančius veiksnius.

Programos, apimančios nuo žemės ūkio produktyvumo optimizavimo iki gamtosaugos ekosistemų, tokių kaip miškai, stebėjimo, gamtosaugos pastangų palaikymo ir poveikio aplinkai supratimo gerinimo.

Objektų aptikimas augalų stebėsenoje

Kitas cukrinių runkelių augalų segmentavimo etapas yra objektų aptikimas, siekiant suprasti kiekvieno augalo ypatybes pagal sveikatą, augimą ir kitus veiksnius. Augalų stebėjimui objektams aptikti buvo naudojami pažangūs modeliai, tokie kaip YOLOv4, MobileNetV2 ir VGG-19 su atidumo mechanizmais. Šie modeliai analizavo segmentuotus cukrinių runkelių vaizdus, kad aptiktų specifines streso ir ligų vietas, leidžiančius atlikti tikslesnius ir kryptingesnius veiksmus.

Projektas pasiekė reikšmingų etapų ligų aptikimo srityje, apmokant „ResNet-18“ ir „ResNet-34“ modelius, iš anksto apmokytus ant „ImageNet“. Šie modeliai pademonstravo įspūdingą 0,88 tikslumą nustatant cukrinių runkelių augalus naikinusias ligas, o ROC kreivės plotas (AUC) siekė 0,898. Modeliai pasižymėjo dideliu prognozavimo pasitikėjimu, tiksliai atskirdami sergančius ir sveikus augalus.

Projekte buvo naudojamas sistemingas ligų aptikimo metodas, vaizdai suskirstyti į standartizuotus fragmentus. Šie fragmentai buvo kruopščiai anotacijami naudojant interaktyvius įrankius ligų paveiktoms sritims nustatyti. Objektų aptikimas dar labiau padidino tikslumą, apibrėžiant ribojančius langelius aplink augalus, taip palengvinant tikslų augalų sveikatos stebėjimą.

Augalų gamybos prognozė

Augalų gamybos prognozavimo srityje dirbtinio intelekto modeliai naudojosi aplinkos duomenimis, tokiais kaip oro sąlygos ir dirvožemio parametrai, siekdami prognozuoti kultūrų derlių. Buvo pasitelkti regresijos modeliai, tokie kaip „Isolation Forest“, „Linear Regression“ ir „Ridge Regression“.

Šie modeliai integravimo skaitines ypatybes, išgautas iš ribojančių stačiakampių sričių, kartu su dirvožemio duomenimis, siekiant optimizuoti trąšų naudojimą.

Modelio diegimo svarstymai

Sukurtų modelių diegimo strategijos buvo vertinamos tiek krašto įrenginiams, tiek debesų platformoms. Modeliai, diegiami krašto įrenginiuose, suteikė privalumų, tokių kaip mažesnės išlaidos ir mažesnė latentija.

Tačiau toks metodas gali lemti galimo tikslumo praradimą dėl techninės įrangos apribojimų. Kita vertus, debesų sprendimai pasiūlė greitesnį išvedimo laiką naudojant didelio našumo GPU, tačiau galėjo pareikalauti papildomų išlaidų ir priklausė nuo interneto ryšio, kuris galėjo sukelti ryšio vėlavimą.

Lyginamoji analizė su 5G tinklu

Lyginamoji analizė parodė, kad naudojant 5G tinklą žymiai pagerėjo cukrinių runkelių segmentavimas, palyginti su tradicinėmis 4G/WiFi sistemomis. Šis patobulinimas pasireiškė trumpesniu vidutiniu sąrankos ir tinklo laiku, pabrėžiant 5G technologijos dėka pasiektą efektyvumą.

• Duomenų paruošimo procesas

Duomenų paruošimo procesas apėmė sveikų ir sergančių augalų duomenų rinkinių rinkimą, piktžolių aptikimą, augimo stadijų identifikavimą ir vaizdų išskyrimą iš 4K žaliųjų vaizdo įrašų. Duomenims paruošti analizei buvo naudoti tokie metodai kaip histogramos išlyginimas, vaizdų filtravimas ir HSV spalvų erdvės transformavimas.

Buvo surinkti sveiki cukrinių runkelių lapų ir sergančių mėginių, tokių kaip kukurūzų lapai su pilkąja dėmėtligę, pavyzdžiai. Ligos požymių išskyrimas apėmė lapo atskyrimą nuo fono, vaizdų pakeitimą, transformavimą ir sujungimą, siekiant sukurti realius analizei skirtus pavyzdžius.

• Aktyvaus mokymosi ciklas

Buvo inicijuotas aktyvaus mokymosi ciklas su nepažymėtais duomenimis, kurie buvo naudojami atrankos modeliams apmokyti. Šie modeliai generavo anotavimo užklausas, kurias atliko žmonių anotatoriai, nuolat tobulindami modelio tikslumą per iteracinius mokymo ir anotavimo ciklus.

• Duomenų anotavimas naudojant daugialypį pamatinį modelį

Sprendžiant riboto paženklintų duomenų iššūkį, projekte buvo pasitelkti patikimi pagrindiniai modeliai, siekiant sugeneruoti tikruosius anotačius. Visų pirma, CLIP, „OpenAI“ sukurtas transformerių modelis, apmokytas naudojant didžiulį, daugiau nei 400 milijonų paveikslėlių-teksto porų, duomenų rinkinį, atliko svarbų vaidmenį.

Naudodamas Vision Transformers kaip savo pagrindą, CLIP pasiekė nuostabų 95% tikslumą validavimo rinkiniuose, įgudusiai su dideliu tikslumu klasifikuodamas vaizdus į skirtingas klases, tokias kaip cukriniai runkeliai ir piktžolės.

• Dronų technologijos duomenų rinkimui

Viena iš kritinių technologijų, naudotų projekte, buvo dronų, aprūpintų RGB kameromis, kurios fiksuoja 4K vaizdo įrašus, naudojimas. Šie dronai pateikė detalius vaizdus (3840 × 2160 raiška) analizei.

Šių vaizdų išankstinis apdorojimas žymiai padidino modelio tikslumą, ypač pastebimas pagerėjimas tokiuose modeliuose kaip VGGNet (+38,52%), ResNet50 (+21,14%), DenseNet121 (+7,53%) ir MobileNet (+6,6%).

Vaizdo kontrastui pagerinti naudotos tokios technikos kaip histogramos išlyginimas, o transformacija į HSV spalvų erdvę padėjo paryškinti augalų plotus ir išryškinti reikšmingas ypatybes.

• Sintetinių duomenų generavimas

Sprendžiant ribotos vaizdinės informacijos trūkumo problemą, dirbtinio intelekto ir mašininio mokymosi pagalba buvo sukurtos sintetinės duomenų bazės. Duomenys buvo renkami naudojant dronus, skraidančius 1–4 metrų aukštyje ir 2 m/s ar didesniu greičiu, naudojant RGB kameras.

Taip pat buvo naudojamos kitos transporto priemonės, pavyzdžiui, traktoriai, duomenims rinkti. Šis sintetinių duomenų generavimas pasirodė ypač naudingas aptinkant cukrinių runkelių ligas.

Išvada

Projektas “5G tinklai kaip darnaus ūkininkavimo mokymosi realiame laike leidėjai” sėkmingai pademonstravo, kaip 5G technologija gali pagerinti cukrinių runkelių auginimo ekologinį, ekonominį ir tvarumo aspektus. Bendradarbiaujant su HSHL ir Pfeifer & Langen, projekte buvo integruotas duomenų rinkimas realiuoju laiku ir dirbtinio intelekto valdoma analizė, siekiant padidinti efektyvumą ir sumažinti nereikalingus lauko apžiūrėjimų skaičius.

Savaiminio 5G tinklo diegimas leido tiksliai naudoti trąšas ir augalų apsaugos produktus. Bendrovė „Geopard Agriculture“ atliko itin svarbų vaidmenį kuriant augalų aptikimo ir stebėjimo scenarijus bei sukuriant prototipinę mašininio mokymosi sistemą 5G žemės ūkio aplinkai. Projekto sėkmė pabrėžė pažangių technologijų svarbą tvariai žemdirbystei, išryškinant 5G potencialą skatinti inovacijas ir efektyvumą.