5G-Enabled Real-time Learning in Sustainable Farming: Un studiu privind sfecla de zahăr

Suntem încântați să anunțăm finalizarea cu succes a proiectului “Rețelele 5G ca facilitator al învățării în timp real în agricultura durabilă”, susținut parțial prin finanțare din partea Ministerului Afacerilor Economice, Industriei, Acțiunii Climatice și Energiei din landul Renania de Nord-Westfalia.

Această inițiativă reprezintă un pas semnificativ înainte în explorarea potențialului transformator al tehnologiei 5G în agricultură, vizând în special îmbunătățirea aspectelor ecologice, economice și sustenabile ale cultivării sfeclei de zahăr.

A valorificat latența redusă a 5G pentru a integra sisteme avansate de tehnologie informațională în timp real, permițând răspunsuri imediate la datele senzorilor și poziționale în intervale de timp predefinite.

Focalizarea proiectului și parteneriatul

În colaborare cu partenerii de la HSHL și cu sprijinul Pfeifer & Langen, proiectul s-a concentrat pe studierea întregului ciclu de viață al cultivării sfeclei de zahăr pe câmpurile aparținând partenerilor. Acesta a urmărit să demonstreze modul în care 5G ar putea servi drept catalizator tehnologic esențial în sectorul agricol din Renania de Nord-Westfalia, demonstrându-și potențialul de factor de inovare și eficiență.

Rolul GeoPard Agriculture

GeoPard Agriculture a jucat un rol crucial în definirea și implementarea aspectelor cheie ale proiectului, inclusiv scenarii pentru detectarea, monitorizarea și predicția producției plantelor. Am dezvoltat un prototip de sistem de inteligență artificială adaptat pentru mediul agricol 5G, am executat modele într-o infrastructură cloud și am creat o aplicație mobilă pentru interacțiunea în timp real cu modele bazate pe cloud.

Integrare tehnologică

Metodele de inteligență artificială (IA) au fost implementate prin intermediul unei infrastructuri cloud robuste, cu capacități de calcul ridicate. Algoritmii de IA au clasificat plantele în timp real în timpul fiecărei încrucișări și au monitorizat creșterea acestora pe parcursul întregului ciclu de viață, eliminând necesitatea vizitelor inutile pe teren, exclusiv în scopuri de colectare a datelor.

Această avansare a permis aplicarea precisă a îngrășămintelor și a produselor de protecție a culturilor, ajustând dinamic ratele de aplicare în timpul traversărilor prin intermediul algoritmilor de învățare automată.

Implementarea vehiculelor fără pilot

În plus, proiectul a utilizat latența redusă a 5G pentru a implementa vehicule fără pilot pentru monitorizarea plantelor și colectarea de date. Aceste vehicule au jucat un rol crucial în colectarea de informații în timp real și optimizarea practicilor agricole.

Rezultatele proiectului: Îmbunătățirea producției de sfeclă de zahăr cu ajutorul tehnologiei 5G

Proiectul a demonstrat modul în care tehnologia 5G ar putea servi drept factor transformator în sectorul agricol din Renania de Nord-Westfalia, analizând întregul ciclu de viață al cultivării sfeclei de zahăr, evidențiind îmbunătățirile substanțiale facilitate de tehnologia 5G. Cu toate acestea, pentru a demonstra eficient rezultatele proiectului, cercetătorii au folosit pachete de lucru care conțin diferite scenarii și infrastructuri.

Definirea scenariului luând în considerare infrastructura existentă de geodatele și ML

Proiectul a demonstrat modul în care procesele tradiționale din cadrul ciclului de viață al producției de sfeclă de zahăr ar putea fi îmbunătățite prin integrarea tehnologiei 5G. Obiectivele cheie au inclus:

• Am dezvoltat scenarii gata de implementare pentru recunoașterea, monitorizarea și predicția producției plantelor.
• A stabilit cerințele tehnice necesare pentru implementarea cu succes a acestor scenarii.
• A identificat și evaluat indicatori ecologici și economici relevanți pentru a evalua valoarea adăugată adusă de rețeaua 5G.

Această fază a subliniat angajamentul proiectului de a integra tehnologia de ultimă generație cu practicile agricole existente. Această arhitectură a valorificat conectivitatea de mare viteză a rețelei 5G pentru a facilita colectarea și procesarea datelor în timp real între dispozitivele edge și cloud. Infrastructura cloud a furnizat resurse esențiale pentru antrenarea și implementarea modelelor de inteligență artificială la scară largă, în timp ce platforma de inteligență artificială a oferit instrumente robuste pentru dezvoltarea și implementarea modelelor. Nivelul de aplicație a prezentat utilizatorilor finali informații concrete derivate din modelele de inteligență artificială, sporind capacitățile de luare a deciziilor.

Învățarea automată și inteligența artificială în contextul 5G

Obiectivul acestei părți a fost adaptarea sistemelor existente de învățare automată și inteligență artificială pentru a se alinia scenariilor descrise mai sus, optimizându-le în consecință. Obiectivele cheie au inclus:

• Definiți obiectivele sistemului și dezvoltați arhitectura acestuia
• Am colectat date concrete pentru antrenarea și validarea modelelor de IA.
• A creat și adnotat o bază de date adecvată, adaptată pentru identificarea și monitorizarea plantelor.
• Modele de inteligență artificială integrate perfect în infrastructura rețelei 5G.

În această fază, dispozitivele edge echipate cu cartele SIM de telefoane mobile care utilizează tehnologia 5G au jucat un rol crucial. Indicatorii cheie de performanță (KPI), cum ar fi latența sau latența end-to-end (E2E), au fost monitorizați îndeaproape. Măsurătorile au inclus evaluarea fiabilității și disponibilității pachetelor de date recepționate cu precizie, împreună cu analiza ratelor de date ale utilizatorilor și a ratelor de date maxime.

În plus, s-au făcut presupuneri bazate pe streamingul video cu rezoluție UHD în format MP4, transmis prin Transmission Control Protocol (TCP). Printre soluțiile potențiale explorate s-au numărat optimizarea cu imagini individuale în loc de fluxuri video continue, efectuarea optimizărilor de bază direct pe dispozitivele de la marginea dispozitivului și implementarea tehnicilor de cuantizare a modelului pentru a spori eficiența.

Infrastructură cloud și servicii AWS

Proiectul s-a bazat în mare măsură pe infrastructura cloud care valorifică servicii AWS precum Lambda, SageMaker, S3, CloudWatch și RDS, care au jucat un rol esențial în furnizarea resurselor necesare pentru antrenarea și implementarea modelelor de inteligență artificială.

AWS Lambda a fost utilizat pentru gestionarea eficientă a instanțelor și servirea aplicațiilor, în timp ce AWS SageMaker a facilitat construirea unor conducte robuste de învățare automată. Soluțiile de stocare precum S3, CloudWatch și RDS au fost esențiale pentru stocarea seturilor de date și a jurnalelor cruciale pentru funcționarea modelelor de învățare automată și a rețelelor neuronale.

Prin urmare, această infrastructură a suportat capacitățile de procesare a datelor în timp real oferite de rețeaua 5G.

Latența rețelei 5G

Rețelele 5G au fost proiectate pentru a obține o latență extrem de scăzută, de obicei între 1 și 10 milisecunde. Această latență reflectă timpul necesar pentru ca datele să circule între dispozitivele mobile și serverele AWS prin intermediul rețelei 5G. Capacitățile de procesare specifice dispozitivului, cum ar fi viteza de captare și procesare a fotografiilor pe smartphone-uri cu procesoare de înaltă performanță, au influențat, de asemenea, latența.

Vitezele de încărcare a datelor în rețeaua 5G și dimensiunea fotografiei au influențat timpii de transfer a datelor către AWS. AWS a contribuit în continuare la latență prin timpii de procesare pentru sarcini precum detectarea și segmentarea bazate pe rețele neuronale, care au variat în funcție de complexitatea algoritmului și de eficiența serviciilor AWS. După procesare, rezultatele au fost descărcate înapoi pe dispozitivele mobile, influențate de viteza de descărcare a 5G și de dimensiunea datelor rezultate.

Recunoașterea plantelor folosind inteligența artificială

În domeniul recunoașterii plantelor, procesele bazate pe inteligență artificială au implicat crearea unei baze de date cuprinzătoare de imagini ale plantelor pentru antrenarea algoritmilor bazați pe rețele neuronale. Acești algoritmi au fost antrenați să distingă speciile de sfeclă de zahăr de alte plante prin recunoașterea caracteristicilor specifice acelui tip de plantă, cum ar fi forma frunzelor, culorile florilor etc.

Aici, prin recunoașterea plantelor înțelegem sarcina de detectare a buruienilor și segmentare a plantelor de sfeclă de zahăr.

• Detectarea buruienilor

Pentru detectarea buruienilor, proiectul a utilizat MobileNet-v3, care a fost antrenat cu augmentări extinse de date și eșantionare ponderată. Acest model a atins o precizie impresionantă de 0,984 și o ASC de 0,998.

• Segmentarea sfeclei de zahăr

Pentru sarcinile de segmentare, s-au folosit modele precum YOLACT, ResNeSt, SOLO și U-net pentru a delimita cu precizie mostrele individuale de sfeclă de zahăr în cadrul imaginilor. Apoi, a fost ales cel mai eficient model pe baza diferitelor criterii: viteză, timp de inferență etc. Datele pentru segmentare au provenit din imagini RGB capturate cu drone, care au fost redimensionate și adnotate în scopuri de antrenament și validare.

Sarcinile de segmentare au implicat crearea de măști care delimitau cu precizie limitele plantelor. Această metodă a redus eforturile umane de adnotare, optimizând în același timp eficiența. Prin prioritizarea etichetării probelor dificile, performanța modelului a fost îmbunătățită semnificativ. Strategiile iterative de reantrenare și eșantionare incertă s-au dovedit eficiente, atingând rate de precizie a segmentării care depășesc 98% în diferite stadii de creștere.

• Evaluarea modelului

Modelul a fost antrenat cu augmentări riguroase ale datelor. Modelul a fost evaluat folosind diferite metrici, inclusiv Intersection over Union (IoU). Analiza inferenței pentru modelul construit, efectuată pe un subset din setul de date ‘plant reseats v2’, a demonstrat o precizie de 81%. Timpul de inferență a fost de aproximativ 320 de milisecunde pentru a fi calculat după o perioadă de inițializare de 7 secunde, necesară o singură dată pe sesiune.

În monitorizarea plantelor bazată pe inteligență artificială (IA), camerele și senzorii au captat date vitale despre plante, analizate prin învățare automată și algoritmi de inteligență artificială. Această analiză a jucat un rol crucial în evaluarea sănătății plantelor, identificarea stresului, a bolilor sau a altor factori care afectează creșterea.

Aplicațiile s-au extins de la optimizarea productivității agricole la monitorizarea ecosistemelor naturale precum pădurile, sprijinirea eforturilor de conservare și îmbunătățirea înțelegerii impactului asupra mediului.

Detectarea obiectelor în monitorizarea instalațiilor

Următoarea fază după segmentarea plantelor de sfeclă de zahăr este detectarea obiectelor, menită să înțeleagă specificul fiecărei plante în ceea ce privește sănătatea, creșterea și alți factori. Pentru detectarea obiectelor în monitorizarea plantelor, au fost utilizate modele avansate precum YOLOv4, MobileNetV2 și VGG-19 cu mecanisme de atenție. Aceste modele au analizat imagini segmentate ale sfeclei de zahăr pentru a detecta zone specifice de stres și boli, permițând intervenții precise și țintite.

Proiectul a atins etape semnificative în detectarea bolilor, antrenând modelele ResNet-18 și ResNet-34 pre-antrenate pe ImageNet. Aceste modele au demonstrat o precizie impresionantă de 0,88 în identificarea bolilor care afectează plantele de sfeclă de zahăr, cu o Arie de Sub Curba ROC (AUC) de 0,898. Modelele au demonstrat o încredere ridicată în predicție, distingând cu precizie între plantele bolnave și cele sănătoase.

Proiectul a utilizat o abordare sistematică pentru detectarea bolilor, segmentând imaginile în zone standardizate. Aceste zone au fost adnotate meticulos folosind instrumente interactive pentru a identifica zonele afectate de boli. Detectarea obiectelor a îmbunătățit și mai mult precizia prin conturarea unor căsuțe de delimitare în jurul plantelor, facilitând monitorizarea precisă a sănătății plantelor.

Predicția producției vegetale

În domeniul predicției producției vegetale, modelele de inteligență artificială au utilizat date de mediu, cum ar fi condițiile meteorologice și parametrii solului, pentru a prognoza randamentele culturilor. Au fost utilizate modele de regresie precum Pădurea de Izolare, Regresia Liniară și Regresia Ridge.

Aceste modele au integrat caracteristici numerice extrase din regiunile delimitatoare împreună cu date despre sol pentru a optimiza aplicarea îngrășămintelor.

Considerații privind implementarea modelului

Strategiile de implementare pentru modelele dezvoltate au fost evaluate atât pentru dispozitivele edge, cât și pentru platformele cloud. Implementarea modelelor pe dispozitive edge a oferit avantaje precum costuri reduse și latență mai mică.

Totuși, această abordare ar putea compromite precizia potențială din cauza constrângerilor hardware. Pe de altă parte, implementarea în cloud a oferit timpi de inferență mai rapizi folosind GPU-uri de înaltă performanță, dar ar putea genera costuri suplimentare și se baza pe conectivitatea la internet, ceea ce ar putea introduce latență în comunicare.

Analiză comparativă cu rețeaua 5G

O analiză comparativă a demonstrat că utilizarea unei rețele 5G a îmbunătățit semnificativ segmentarea sfeclei de zahăr în comparație cu configurațiile tradiționale 4G/WiFi. Această îmbunătățire a fost evidențiată de reducerea timpilor medii de configurare și de conectare la rețea, evidențiind câștigurile de eficiență obținute prin tehnologia 5G.

• Procesul de pregătire a datelor

Procesul de pregătire a datelor a implicat colectarea seturilor de date ale plantelor sănătoase și bolnave, detectarea buruienilor, identificarea etapelor de creștere și extragerea imaginilor din videoclipuri brute 4K. Tehnici precum egalizarea histogramei, filtrarea imaginilor și transformarea spațiului de culoare HSV au fost utilizate pentru a pregăti datele pentru analiză.

Au fost colectate probe de frunze sănătoase de sfeclă de zahăr și probe bolnave, cum ar fi frunzele de porumb cu pătare cenușie a frunzelor. Extragerea caracteristicilor bolii a implicat separarea frunzei de fundal, redimensionarea, transformarea și îmbinarea imaginilor pentru a crea probe realiste pentru analiză.

• Bucla de învățare activă

O buclă de învățare activă a fost inițiată cu date neetichetate, utilizate pentru antrenarea modelelor de detecție. Aceste modele au generat interogări de adnotare care au fost abordate de adnotatori umani, rafinând continuu acuratețea modelului prin cicluri iterative de antrenament și adnotare.

• Adnotarea datelor prin intermediul modelului de fundație multimodal

Abordând provocarea reprezentată de datele etichetate limitate, proiectul a valorificat modele de fundație robuste pentru a genera adnotări bazate pe date concrete. În special, CLIP, un model bazat pe transformatoare dezvoltat de OpenAI, antrenat pe un set vast de date de peste 400 de milioane de perechi imagine-text, a jucat un rol esențial.

Utilizând Vision Transformers ca bază, CLIP a obținut o precizie remarcabilă 95% pe seturile de validare, clasificând eficient imaginile în clase distincte, cum ar fi sfecla de zahăr și buruienile, cu o precizie ridicată.

• Tehnologia dronelor pentru colectarea datelor

Una dintre tehnologiile critice utilizate în cadrul proiectului a fost utilizarea dronelor echipate cu camere RGB care au captat videoclipuri 4K. Aceste drone au furnizat imagini detaliate (rezoluție 3840×2160) pentru analiză.

Preprocesarea acestor imagini a sporit semnificativ acuratețea modelului, cu îmbunătățiri notabile observate în modele precum VGGNet (+38.52%), ResNet50 (+21.14%), DenseNet121 (+7.53%) și MobileNet (+6.6%).

Tehnici precum egalizarea histogramei au fost utilizate pentru a îmbunătăți contrastul imaginii, în timp ce transformarea în spațiul de culoare HSV a ajutat la accentuarea zonelor plantelor și la evidențierea caracteristicilor relevante.

• Generarea de date sintetice

Pentru a aborda provocarea reprezentată de datele limitate de imagini, au fost generate seturi de date sintetice prin învățare automată și inteligență artificială. Colectarea datelor a fost efectuată folosind drone care zburau la înălțimi cuprinse între 1 m și 4 m și viteze de 2 m/s sau mai mult, utilizând camere RGB.

Alte vehicule, cum ar fi tractoarele, au fost folosite și pentru colectarea datelor. Această generare de date sintetice s-a dovedit deosebit de benefică pentru detectarea bolilor sfeclei de zahăr.

Concluzie

Proiectul “Rețelele 5G ca facilitator al învățării în timp real în agricultura durabilă” a demonstrat cu succes modul în care tehnologia 5G poate îmbunătăți aspectele ecologice, economice și durabile ale cultivării sfeclei de zahăr. Prin colaborarea cu HSHL și Pfeifer & Langen, proiectul a integrat colectarea de date în timp real și analiza bazată pe inteligență artificială, îmbunătățind eficiența și reducând vizitele inutile pe teren.

O rețea dedicată de campus 5G a permis aplicări precise de îngrășăminte și produse de protecție a culturilor. Geopard Agriculture a jucat un rol crucial în dezvoltarea scenariilor de detectare și monitorizare a plantelor și în crearea unui prototip de sistem de învățare automată pentru mediul agricol 5G. Succesul proiectului a subliniat importanța tehnologiilor avansate în agricultura durabilă, evidențiind potențialul 5G de a stimula inovația și eficiența.