5G-iespējama reāllaika mācīšanās ilgtspējīgā lauksaimniecībā: Pētījums par cukurbietēm

Ar prieku paziņojam par projekta “5G tīkli kā reāllaika mācīšanās veicinātājs ilgtspējīgā lauksaimniecībā” veiksmīgu pabeigšanu, ko daļēji atbalstīja Ziemeļreinas-Vestfālenes Ekonomikas, rūpniecības, klimata pasākumu un enerģētikas ministrija.

Šī iniciatīva ir nozīmīgs solis uz priekšu, lai izpētītu 5G tehnoloģiju pārveides potenciālu lauksaimniecībā, jo īpaši ar mērķi uzlabot cukurbiešu audzēšanas ekoloģiskos, ekonomiskos un ilgtspējīgos aspektus.

Tā izmantoja 5G zemo latentumu, lai integrētu modernas informācijas tehnoloģiju sistēmas reāllaikā, ļaujot nekavējoties reaģēt uz sensoru un pozicionēšanas datiem iepriekš noteiktos termiņos.

Projekta fokuss un partnerība

Sadarbībā ar HSHL partneriem un ar Pfeifer & Langen atbalstu projekta mērķis bija izpētīt visu cukurbiešu audzēšanas dzīves ciklu partneriem piederošajos laukos. Tā mērķis bija parādīt, kā 5G var kalpot kā galvenais tehnoloģiju katalizators Ziemeļreinas-Vestfālenes lauksaimniecības nozarē, demonstrējot tās potenciālu kā inovāciju un efektivitātes veicinātāju.

GeoPard loma lauksaimniecībā

Uzņēmumam GeoPard Agriculture bija izšķiroša loma projekta galveno aspektu definēšanā un īstenošanā, tostarp augu noteikšanas, uzraudzības un ražošanas prognozēšanas scenāriju izstrādē. Mēs izstrādājām mākslīgā intelekta sistēmas prototipu, kas pielāgots 5G lauksaimniecības videi, izpildījām modeļus mākoņa infrastruktūrā un izveidojām mobilo lietojumprogrammu reāllaika mijiedarbībai ar mākoņa modeļiem.

Tehnoloģiskā integrācija

Mākslīgā intelekta (AI) metodes tika izvērstas, izmantojot spēcīgu mākoņa infrastruktūru ar lielām skaitļošanas iespējām. Mākslīgā intelekta algoritmi reāllaikā klasificēja augus katrā krustošanas reizē un uzraudzīja to augšanu visā to dzīves ciklā, novēršot nevajadzīgu lauka apmeklējumu nepieciešamību tikai datu vākšanas nolūkā.

Šis uzlabojums ļāva precīzi lietot mēslošanas un augu aizsardzības līdzekļus, dinamiski pielāgojot lietošanas devas šķērsošanas laikā, izmantojot mašīnmācīšanās algoritmus.

Bezpilota transportlīdzekļu izvietošana

Turklāt projektā tika izmantots 5G samazinātais latentums, lai izvietotu bezpilota transportlīdzekļus iekārtu uzraudzībai un datu vākšanai. Šiem transportlīdzekļiem bija izšķiroša nozīme reāllaika ieskatu apkopošanā un lauksaimniecības prakses turpmākajā optimizācijā.

Projekta rezultāti: Cukurbiešu ražošanas uzlabošana ar 5G tehnoloģiju

Projektā tika demonstrēts, kā 5G tehnoloģija var kalpot kā pārveidojošs faktors Ziemeļreinas-Vestfālenes lauksaimniecības nozarē, analizējot visu cukurbiešu audzēšanas dzīves ciklu un izceļot būtiskus uzlabojumus, ko veicina 5G tehnoloģija. Tomēr, lai efektīvi demonstrētu projekta rezultātus, pētnieki izmantoja darba paketes, kas ietvēra dažādus scenārijus un infrastruktūras.

Scenārija definīcija, ņemot vērā esošos ģeodatus un ML infrastruktūru

Projektā tika demonstrēts, kā, integrējot 5G tehnoloģiju, var uzlabot tradicionālos cukurbiešu ražošanas procesus. Galvenie mērķi ietvēra:

• Izstrādāti gatavi ieviešanas scenāriji iekārtu atpazīšanai, uzraudzībai un ražošanas prognozēšanai.
• Izstrādātas tehniskās prasības, kas nepieciešamas šo scenāriju sekmīgai ieviešanai.
• Identificēti un novērtēti attiecīgie ekoloģiskie un ekonomiskie rādītāji, lai novērtētu 5G tīkla radīto pievienoto vērtību.

Šajā posmā tika uzsvērta projekta apņemšanās integrēt modernākās tehnoloģijas ar esošo lauksaimniecības praksi. Šī arhitektūra izmantoja 5G tīkla ātrgaitas savienojamību, lai atvieglotu reāllaika datu vākšanu un apstrādi starp malas ierīcēm un mākoni. Mākoņa infrastruktūra nodrošināja būtiskus resursus liela mēroga mākslīgā intelekta modeļu apmācībai un izvēršanai, savukārt mākslīgā intelekta platforma piedāvāja spēcīgus rīkus modeļu izstrādei un izvēršanai. Lietojumprogrammu slānis galalietotājiem sniedza no AI modeļiem iegūtas praktiskas atziņas, uzlabojot lēmumu pieņemšanas iespējas.

Mašīnmācīšanās un mākslīgais intelekts 5G kontekstā

Šajā daļā galvenā uzmanība tika pievērsta esošo mašīnmācīšanās un mākslīgā intelekta sistēmu pielāgošanai, lai tās atbilstu iepriekš izklāstītajiem scenārijiem un attiecīgi optimizētu. Galvenie mērķi ietvēra:

• Definēt sistēmas mērķus un izstrādāt sistēmas arhitektūru.
• Apkopotie pamatdati mākslīgā intelekta modeļu apmācībai un validēšanai.
• Izveidota un anotēta piemērota datu bāze, kas pielāgota augu identificēšanai un monitoringam.
• Integrēti mākslīgā intelekta modeļi 5G tīkla infrastruktūrā.

Šajā posmā izšķiroša nozīme bija malas ierīcēm, kas aprīkotas ar mobilo tālruņu SIM kartēm, izmantojot 5G tehnoloģiju. Tika rūpīgi uzraudzīti galvenie veiktspējas rādītāji (KPI), piemēram, latence vai end-to-end (E2E) latence. Mērījumi ietvēra precīzi saņemto datu pakešu uzticamības un pieejamības novērtēšanu, kā arī lietotāju datu pārraides ātruma un maksimālā datu pārraides ātruma analīzi.

Turklāt pieņēmumi tika izdarīti, pamatojoties uz UHD izšķirtspējas video straumēšanu MP4 formātā, kas pārraidīti, izmantojot pārraides vadības protokolu (TCP). Izpētītie iespējamie risinājumi ietvēra optimizāciju ar atsevišķiem attēliem, nevis nepārtrauktām video plūsmām, bāzes optimizācijas veikšanu tieši galiekārtās un modeļa kvantizācijas metožu ieviešanu, lai uzlabotu efektivitāti.

Mākoņu infrastruktūra un AWS pakalpojumi

Projekts lielā mērā balstījās uz mākoņinfrastruktūru, izmantojot AWS pakalpojumus, piemēram, Lambda, SageMaker, S3, CloudWatch un RDS, kam bija izšķiroša nozīme, nodrošinot nepieciešamos resursus mākslīgā intelekta modeļu apmācībai un izvēršanai.

AWS Lambda tika izmantota efektīvai instanču pārvaldībai un lietojumprogrammu apkalpošanai, savukārt AWS SageMaker atviegloja stabilu mašīnmācīšanās cauruļvadu izveidi. Tādi glabāšanas risinājumi kā S3, CloudWatch un RDS bija būtiski mašīnmācīšanās modeļu un neironu tīklu darbībai svarīgo datu kopu un žurnālu glabāšanai.

Tādējādi šī infrastruktūra atbalstīja reāllaika datu apstrādes iespējas, ko nodrošina 5G tīkls.

5G tīkla aizture

5G tīkli tika izstrādāti, lai panāktu īpaši zemu latentumu, kas parasti ir no 1 līdz 10 milisekundēm. Šī latence atspoguļo laiku, kas nepieciešams datu pārvešanai starp mobilajām ierīcēm un AWS serveriem, izmantojot 5G tīklu. Kavēšanos ietekmēja arī ierīču specifiskās apstrādes iespējas, piemēram, fotogrāfiju uzņemšanas un apstrādes ātrums viedtālruņos ar augstas veiktspējas procesoriem.

Datu nosūtīšanas ātrumu 5G tīklā un fotoattēla lielumu ietekmēja datu pārsūtīšanas laiks uz AWS. AWS papildus veicināja kavēšanos ar apstrādes laikiem tādiem uzdevumiem kā uz neironu tīklu balstīta noteikšana un segmentēšana, kas atšķīrās atkarībā no algoritma sarežģītības un AWS pakalpojumu efektivitātes. Pēc apstrādes rezultāti tika lejupielādēti atpakaļ mobilajās ierīcēs, ko ietekmēja 5G lejupielādes ātrums un rezultātu datu lielums.

Augu atpazīšana, izmantojot mākslīgo intelektu

Augu atpazīšanas jomā mākslīgā intelekta vadītie procesi ietvēra visaptverošas augu attēlu datubāzes izveidi, lai apmācītu algoritmus, kas balstīti uz neironu tīkliem. Šie algoritmi tika apmācīti atšķirt cukurbiešu sugas no citiem augiem, atpazīstot konkrētajai augu sugai raksturīgās pazīmes, piemēram, lapu formas, ziedu krāsas utt.

Šeit ar augu atpazīšanu mēs saprotam nezāļu noteikšanas un cukurbiešu augu segmentācijas uzdevumu.

• Nezāļu atklāšana

Nezāļu noteikšanai projektā tika izmantots MobileNet-v3, kas tika apmācīts, izmantojot plašu datu papildināšanu un svērto paraugu ņemšanu. Šis modelis sasniedza iespaidīgu precizitāti 0,984 un AUC 0,998.

• Cukurbiešu segmentācija

Segmentēšanas uzdevumiem tika izmantoti tādi modeļi kā YOLACT, ResNeSt, SOLO un U-net, lai precīzi norobežotu atsevišķus cukurbiešu paraugus attēlos. Pēc tam tika izvēlēts visefektīvākais modelis, pamatojoties uz dažādiem kritērijiem: ātrumu, secinājumu izdarīšanas laiku utt. Dati segmentēšanai tika iegūti no dronu uzņemtiem RGB attēliem, kuru izmērs tika mainīts un kuri tika anotēti apmācības un validācijas vajadzībām.

Segmentēšanas uzdevumos bija jāizveido maskas, kas precīzi norobežo augu robežas. Šī metode samazināja cilvēka veikto anotāciju, vienlaikus optimizējot efektivitāti. Piešķirot prioritāti sarežģītu paraugu marķēšanai, modeļa veiktspēja tika ievērojami uzlabota. Iteratīvās pārkvalificēšanas un nenoteiktības paraugu ņemšanas stratēģijas izrādījās efektīvas, panākot segmentēšanas precizitātes rādītājus, kas dažādos augšanas posmos pārsniedza 98%.

• Modeļa novērtējums

Modelis tika apmācīts, izmantojot stingrus datu papildinājumus. Modelis tika novērtēts, izmantojot dažādas metrikas, tostarp Intersection over Union (IoU). Izveidotā modeļa secinājumu analīze, kas tika veikta ar datu kopas ‘augu stādi v2’ datu kopas apakškopu, uzrādīja precizitāti 81%. secinājumu aprēķināšanai pēc 7 sekunžu inicializācijas perioda, kas nepieciešams tikai vienu reizi sesijā, bija nepieciešamas aptuveni 320 milisekundes.

Ar mākslīgo intelektu (AI) darbināmā rūpnīcu uzraudzībā kameras un sensori fiksē svarīgus rūpnīcas datus, kurus analizē mašīnmācīšanās un AI algoritmi. Šai analīzei bija izšķiroša nozīme augu veselības novērtēšanā, nosakot stresu, slimības vai citus augšanu ietekmējošus faktorus.

Pielietojums ir ļoti plašs - no lauksaimniecības ražīguma optimizēšanas līdz dabisko ekosistēmu, piemēram, mežu, uzraudzībai, palīdzībai saglabāšanas pasākumos un izpratnes uzlabošanai par ietekmi uz vidi.

Objektu noteikšana augu uzraudzībā

Nākamais posms pēc cukurbiešu augu segmentēšanas ir objektu noteikšana, kuras mērķis ir izprast katra auga specifiku attiecībā uz veselību, augšanu un citiem faktoriem. Objektu noteikšanai augu uzraudzībā tika izmantoti tādi progresīvi modeļi kā YOLOv4, MobileNetV2 un VGG-19 ar uzmanības mehānismiem. Šie modeļi analizēja segmentētus cukurbiešu attēlus, lai atklātu konkrētas stresa un slimību zonas, ļaujot veikt precīzus un mērķtiecīgus pasākumus.

Projektā tika sasniegti nozīmīgi sasniegumi slimību noteikšanā, apmācot ResNet-18 un ResNet-34 modeļus, kas iepriekš apmācīti ar ImageNet. Šie modeļi uzrādīja iespaidīgu precizitāti 0,88, identificējot cukurbiešu augus skartās slimības, un to laukums zem ROC līknes (AUC) bija 0,898. Modeļi uzrādīja augstu prognozēšanas ticamību, precīzi nošķirot slimos augus no veseliem.

Projektā tika izmantota sistemātiska pieeja slimību noteikšanai, segmentējot attēlus standartizētos plankumos. Šiem plankumiem tika veikta rūpīga anotācija, izmantojot interaktīvus rīkus, lai precīzi noteiktu slimības skartās zonas. Objektu noteikšana vēl vairāk palielināja precizitāti, iezīmējot ap augiem norobežojošus laukumus, kas atviegloja precīzu augu veselības stāvokļa uzraudzību.

Augu produkcijas prognozēšana

Augkopības ražošanas prognozēšanas jomā mākslīgā intelekta modeļi izmanto vides datus, piemēram, laika apstākļus un augsnes parametrus, lai prognozētu ražas. Tika izmantoti tādi regresijas modeļi kā izolācijas mežs, lineārā regresija un Ridge regresija.

Šajos modeļos tika integrēti skaitliskie raksturlielumi, kas iegūti no ierobežojošiem apgabaliem kopā ar augsnes datiem, lai optimizētu mēslošanas līdzekļu lietošanu.

Modeļa izvietošanas apsvērumi

Izstrādāto modeļu izvietošanas stratēģijas tika novērtētas gan malas ierīcēm, gan mākoņa platformām. Modeļu izvietošana malas ierīcēs nodrošināja tādas priekšrocības kā zemākas izmaksas un zemāka latentuma pakāpe.

Tomēr, izmantojot šo pieeju, aparatūras ierobežojumu dēļ var tikt samazināta iespējamā precizitāte. No otras puses, mākoņa izvietošana piedāvāja ātrāku secinājumu izdarīšanas laiku, izmantojot augstas veiktspējas GPU, bet varēja radīt papildu izmaksas un bija atkarīga no interneta savienojamības, kas varēja radīt komunikācijas kavēšanos.

Salīdzinošā analīze ar 5G tīklu

Salīdzinošā analīze parādīja, ka 5G tīkla izmantošana ievērojami uzlabo cukurbiešu segmentāciju salīdzinājumā ar tradicionālajām 4G/WiFi sistēmām. Šo uzlabojumu apliecināja samazinātais vidējais iestatīšanas un tīkla izveides laiks, uzsverot efektivitātes pieaugumu, kas panākts, izmantojot 5G tehnoloģiju.

• Datu sagatavošanas process

Datu sagatavošanas procesā tika apkopotas veselu un slimu augu datu kopas, atklātas nezāles, identificētas augšanas stadijas un no 4K neapstrādāta video tika iegūti attēli. Lai sagatavotu datus analīzei, tika izmantoti tādi paņēmieni kā histogrammas izlīdzināšana, attēlu filtrēšana un HSV krāsu telpas transformācija.

Tika ņemti veselu cukurbiešu lapu paraugi un slimu lapu paraugi, piemēram, kukurūzas lapas ar pelēko lapu plankumainību. Slimības pazīmju iegūšana ietvēra lapu atdalīšanu no fona, izmēru maiņu, pārveidošanu un attēlu apvienošanu, lai analīzei izveidotu reālus paraugus.

• Aktīvās mācīšanās cilpa

Aktīvā mācīšanās cilpa tika uzsākta ar nemarķētiem datiem, kas tika izmantoti, lai apmācītu noteikšanas modeļus. Šie modeļi ģenerēja anotācijas vaicājumus, uz kuriem atbildēja anotatori, nepārtraukti uzlabojot modeļa precizitāti, izmantojot iteratīvus apmācības un anotācijas ciklus.

• Datu anotēšana, izmantojot multimodālo pamatnes modeli

Risinot ierobežotu marķēto datu problēmu, projektā tika izmantoti spēcīgi pamatmodeļi, lai radītu pamatinformācijas anotācijas. Īpaši svarīga loma bija CLIP - uz transformatoru balstītam modelim, ko izstrādāja OpenAI un kas tika apmācīts, izmantojot plašu datu kopu ar vairāk nekā 400 miljoniem attēlu un tekstu pāru.

Izmantojot redzes transformatorus kā mugurkaulu, CLIP sasniedza ievērojamu 95% precizitāti validācijas kopās, prasmīgi un ar augstu precizitāti iedalot attēlus dažādās klasēs, piemēram, cukurbietes un nezāles.

• Dronu tehnoloģija datu vākšanai

Viena no svarīgākajām projektā izmantotajām tehnoloģijām bija ar RGB kamerām aprīkotu dronu izmantošana, kas uzņēma 4K video. Šie droni nodrošināja detalizētus attēlus (3840 × 2160 izšķirtspēja) analīzei.

Šo attēlu pirmapstrāde ievērojami palielināja modeļu precizitāti, un ievērojami uzlabojumi tika novēroti tādos modeļos kā VGGNet (+38,52%), ResNet50 (+21,14%), DenseNet121 (+7,53%) un MobileNet (+6,6%).

Tādi paņēmieni kā histogrammas izlīdzināšana tika izmantoti, lai uzlabotu attēla kontrastu, savukārt transformācija HSV krāsu telpā palīdzēja izcelt augu apgabalus un izcelt attiecīgās iezīmes.

• Sintētisko datu ģenerēšana

Lai risinātu ierobežoto attēlu datu problēmu, izmantojot mašīnmācīšanos un mākslīgo intelektuālo intelektu, tika izveidotas sintētiskas datu kopas. Datu vākšana tika veikta, izmantojot bezpilota lidaparātus, kas lidoja no 1 m līdz 4 m augstumā un ar ātrumu 2 m/s vai vairāk, izmantojot RGB kameras.

Datu vākšanai tika izmantoti arī citi transportlīdzekļi, piemēram, traktori. Šī sintētisko datu ģenerēšana izrādījās īpaši noderīga cukurbiešu slimību noteikšanai.

Secinājums

Projekts “5G tīkli kā reāllaika mācību veicinātājs ilgtspējīgā lauksaimniecībā” veiksmīgi demonstrēja, kā 5G tehnoloģija var uzlabot cukurbiešu audzēšanas ekoloģiskos, ekonomiskos un ilgtspējīgos aspektus. Sadarbojoties ar HSHL un Pfeifer & Langen, projektā tika integrēta reāllaika datu vākšana un mākslīgā intelekta vadīta analīze, uzlabojot efektivitāti un samazinot nevajadzīgu lauku apmeklējumu skaitu.

Specializēts 5G universitātes pilsētiņas tīkls nodrošināja precīzu mēslošanas līdzekļu un augu aizsardzības līdzekļu lietošanu. Uzņēmumam Geopard Agriculture bija izšķiroša loma augu noteikšanas un uzraudzības scenāriju izstrādē, kā arī mašīnmācīšanās sistēmas prototipa izveidē 5G lauksaimniecības videi. Projekta panākumi uzsvēra progresīvo tehnoloģiju nozīmi ilgtspējīgā lauksaimniecībā, izceļot 5G potenciālu veicināt inovācijas un efektivitāti.