Обучение в режиме реального времени с помощью 5G в устойчивом земледелии: Исследование на примере сахарной свеклы

Мы рады сообщить об успешном завершении проекта “Сети 5G как инструмент для обучения в режиме реального времени в устойчивом сельском хозяйстве”, частично финансируемого Министерством экономики, промышленности, борьбы с изменением климата и энергетики земли Северный Рейн-Вестфалия.

Эта инициатива представляет собой значительный шаг вперед в изучении преобразующего потенциала технологии 5G в сельском хозяйстве, в частности, направленного на улучшение экологических, экономических и устойчивых аспектов выращивания сахарной свеклы.

Благодаря низкой задержке 5G, система интегрировала передовые информационные технологии в режиме реального времени, обеспечивая мгновенный отклик на данные датчиков и данные о местоположении в заданных временных рамках.

Направления проекта и партнерство

В сотрудничестве с партнерами из HSHL и при поддержке Pfeifer & Langen проект был сосредоточен на изучении всего жизненного цикла выращивания сахарной свеклы на полях, принадлежащих партнерам. Его целью было продемонстрировать, как 5G может стать ключевым технологическим катализатором в сельскохозяйственном секторе Северного Рейна-Вестфалии, показав его потенциал как фактора, способствующего инновациям и повышению эффективности.

Роль GeoPard в сельском хозяйстве

Компания GeoPard Agriculture сыграла решающую роль в определении и реализации ключевых аспектов проекта, включая сценарии обнаружения растений, мониторинга и прогнозирования урожая. Мы разработали прототип системы искусственного интеллекта, адаптированный для сельскохозяйственной среды 5G, запустили модели в облачной инфраструктуре и создали мобильное приложение для взаимодействия с облачными моделями в режиме реального времени.

Технологическая интеграция

Методы искусственного интеллекта (ИИ) были внедрены с использованием надежной облачной инфраструктуры с высокими вычислительными возможностями. Алгоритмы ИИ классифицировали растения в режиме реального времени во время каждого скрещивания и отслеживали их рост на протяжении всего жизненного цикла, что исключало необходимость в ненужных выездах в поле исключительно для сбора данных.

Это достижение позволило осуществлять точное внесение удобрений и средств защиты растений, динамически регулируя нормы внесения во время скрещиваний с помощью алгоритмов машинного обучения.

Внедрение беспилотных летательных аппаратов

Кроме того, в рамках проекта использовалась сниженная задержка 5G для развертывания беспилотных летательных аппаратов для мониторинга растений и сбора данных. Эти аппараты сыграли решающую роль в получении информации в режиме реального времени и дальнейшей оптимизации сельскохозяйственных практик.

Результаты проекта: Повышение урожайности сахарной свеклы с помощью технологии 5G.

Проект продемонстрировал, как технология 5G может стать катализатором преобразований в сельскохозяйственном секторе Северного Рейна-Вестфалии, проанализировав весь жизненный цикл выращивания сахарной свеклы и подчеркнув существенные улучшения, обеспечиваемые технологией 5G. Однако для эффективной демонстрации результатов проекта исследователи использовали рабочие пакеты, содержащие различные сценарии и инфраструктуры.

Определение сценария с учетом существующей инфраструктуры геоданных и машинного обучения.

Проект продемонстрировал, как традиционные процессы в жизненном цикле производства сахарной свеклы могут быть усовершенствованы за счет интеграции технологии 5G. Ключевые цели включали:

• Разработаны готовые к внедрению сценарии для распознавания растений, мониторинга и прогнозирования производства.
• Установлены технические требования, необходимые для успешного развертывания этих сценариев.
• Были определены и оценены соответствующие экологические и экономические показатели для оценки добавленной стоимости, приносимой сетью 5G.

Этот этап подчеркнул стремление проекта к интеграции передовых технологий с существующими методами ведения сельского хозяйства. Архитектура использовала высокоскоростное соединение сети 5G для обеспечения сбора и обработки данных в режиме реального времени между периферийными устройствами и облаком. Облачная инфраструктура предоставляла необходимые ресурсы для обучения и развертывания крупномасштабных моделей ИИ, а платформа ИИ предлагала надежные инструменты для разработки и развертывания моделей. Прикладной уровень предоставлял конечным пользователям полезные аналитические данные, полученные с помощью моделей ИИ, расширяя возможности принятия решений.

Машинное обучение и искусственный интеллект в контексте 5G

Основная задача этой части заключалась в адаптации существующих систем машинного обучения и искусственного интеллекта к описанным выше сценариям и их соответствующей оптимизации. Ключевые задачи включали:

• Определите цели системы и разработайте её архитектуру.
• Собраны эталонные данные для обучения и проверки моделей искусственного интеллекта.
• Создана и аннотирована подходящая база данных, предназначенная для идентификации и мониторинга растений.
• Интеграция моделей искусственного интеллекта в сетевую инфраструктуру 5G прошла без проблем.

На этом этапе решающую роль играли периферийные устройства, оснащенные SIM-картами мобильных телефонов, использующие технологию 5G. Тщательно отслеживались ключевые показатели производительности (KPI), такие как задержка или сквозная задержка (E2E). Измерения включали оценку надежности и доступности получаемых пакетов данных, а также анализ скорости передачи данных пользователями и пиковых скоростей передачи данных.

Кроме того, предположения основывались на потоковой передаче видео в формате MP4 с разрешением UHD, передаваемом по протоколу TCP (Transmission Control Protocol). Среди потенциальных решений рассматривались оптимизация с использованием отдельных изображений вместо непрерывных видеопотоков, выполнение базовой оптимизации непосредственно на периферийных устройствах и внедрение методов квантования модели для повышения эффективности.

Облачная инфраструктура и сервисы AWS

Проект в значительной степени опирался на облачную инфраструктуру с использованием сервисов AWS, таких как Lambda, SageMaker, S3, CloudWatch и RDS, которые сыграли решающую роль в предоставлении необходимых ресурсов для обучения и развертывания моделей искусственного интеллекта.

AWS Lambda использовалась для эффективного управления экземплярами и обслуживания приложений, а AWS SageMaker способствовал созданию надежных конвейеров машинного обучения. Решения для хранения данных, такие как S3, CloudWatch и RDS, были необходимы для хранения наборов данных и журналов, критически важных для работы моделей машинного обучения и нейронных сетей.

Таким образом, эта инфраструктура поддерживала возможности обработки данных в реальном времени, обеспечиваемые сетью 5G.

Задержка в сети 5G

Сети 5G были разработаны для достижения сверхнизкой задержки, обычно составляющей от 1 до 10 миллисекунд. Эта задержка отражает время, необходимое для передачи данных между мобильными устройствами и серверами AWS через сеть 5G. На задержку также влияли специфические возможности обработки данных устройствами, такие как скорость съемки и обработки фотографий на смартфонах с высокопроизводительными процессорами.

Скорость загрузки данных в сети 5G и размер фотографии влияли на время передачи данных в AWS. AWS также вносила свой вклад в задержки, связанные со временем обработки таких задач, как обнаружение и сегментация на основе нейронных сетей, которое варьировалось в зависимости от сложности алгоритма и эффективности сервисов AWS. После обработки результаты загружались обратно на мобильные устройства, что зависело от скорости загрузки в сети 5G и размера полученных данных.

Распознавание растений с помощью ИИ

В области распознавания растений процессы, основанные на искусственном интеллекте, включали создание обширной базы данных изображений растений для обучения алгоритмов на основе нейронных сетей. Эти алгоритмы обучались различать виды сахарной свеклы от других растений, распознавая специфические для данного типа растения признаки, такие как форма листьев, цвет цветков и т. д.

В данном контексте под распознаванием растений мы понимаем задачу обнаружения сорняков и сегментации растений сахарной свеклы.

• Обнаружение сорняков

Для обнаружения сорняков в проекте использовалась модель MobileNet-v3, обученная с применением обширных методов расширения данных и взвешенной выборки. Эта модель показала впечатляющую точность 0,984 и AUC 0,998.

• Сегментация сахарной свеклы

Для задач сегментации использовались модели, такие как YOLACT, ResNeSt, SOLO и U-net, позволяющие точно выделить отдельные образцы сахарной свеклы на изображениях. Затем выбиралась наиболее эффективная модель на основе различных критериев: скорость, время обработки и т. д. Данные для сегментации были получены из RGB-изображений, снятых с дронов, которые были изменены в размере и аннотированы для целей обучения и проверки.

Задачи сегментации включали создание масок, точно определяющих границы растений. Этот метод сократил трудозатраты на аннотирование вручную, одновременно оптимизировав эффективность. Благодаря приоритезации маркировки сложных образцов, производительность модели была значительно улучшена. Итеративные стратегии переобучения и выборки с учетом неопределенности оказались эффективными, обеспечив точность сегментации, превышающую 98% на различных стадиях роста.

• Оценка модели

Модель была обучена с использованием строгих методов аугментации данных. Модель оценивалась с помощью различных метрик, включая Intersection over Union (IoU). Анализ вывода для построенной модели, проведенный на подмножестве данных из набора данных ‘plant seedlings v2’, продемонстрировал точность 81%. Время вывода составило приблизительно 320 миллисекунд после 7-секундного периода инициализации, необходимого только один раз за сессию.

В системах мониторинга растений, использующих искусственный интеллект (ИИ), камеры и датчики собирали важные данные о растениях, которые затем анализировались с помощью алгоритмов машинного обучения и ИИ. Этот анализ играл решающую роль в оценке состояния растений, выявлении стресса, болезней и других факторов, влияющих на рост.

Области применения простираются от оптимизации сельскохозяйственной производительности до мониторинга природных экосистем, таких как леса, содействия природоохранным мероприятиям и улучшения понимания воздействия на окружающую среду.

Обнаружение объектов в системах мониторинга растений

Следующий этап после сегментации растений сахарной свеклы — обнаружение объектов, направленное на понимание специфики каждого растения с точки зрения здоровья, роста и других факторов. Для обнаружения объектов в мониторинге растений были использованы передовые модели, такие как YOLOv4, MobileNetV2 и VGG-19 с механизмами внимания. Эти модели анализировали сегментированные изображения сахарной свеклы для выявления конкретных зон стресса и заболеваний, что позволяет проводить точные и целенаправленные вмешательства.

Проект достиг значительных успехов в обнаружении заболеваний, обучив модели ResNet-18 и ResNet-34, предварительно обученные на ImageNet. Эти модели продемонстрировали впечатляющую точность 0,88 в идентификации заболеваний, поражающих растения сахарной свеклы, с площадью под кривой ROC (AUC) 0,898. Модели показали высокую достоверность прогнозов, точно различая больные и здоровые растения.

В проекте использовался систематический подход к обнаружению заболеваний, заключающийся в сегментации изображений на стандартизированные фрагменты. Эти фрагменты подвергались тщательной аннотации с использованием интерактивных инструментов для точного определения областей, пораженных болезнями. Обнаружение объектов дополнительно повышало точность за счет обводки растений ограничивающими рамками, что облегчало точный мониторинг состояния растений.

Прогнозирование производства продукции растениеводства

В области прогнозирования урожайности растений модели искусственного интеллекта использовали данные об окружающей среде, такие как погодные условия и параметры почвы, для прогнозирования урожайности сельскохозяйственных культур. Применялись регрессионные модели, такие как Isolation Forest, Linear Regression и Ridge Regression.

Эти модели объединяли числовые характеристики, извлеченные из областей ограничивающих прямоугольников, с данными о почве для оптимизации внесения удобрений.

Вопросы развертывания модели

Стратегии развертывания разработанных моделей были оценены как для периферийных устройств, так и для облачных платформ. Развертывание моделей на периферийных устройствах обеспечило такие преимущества, как снижение затрат и уменьшение задержки.

Однако такой подход может привести к снижению точности из-за аппаратных ограничений. С другой стороны, развертывание в облаке обеспечивало более быстрое время выполнения вычислений с использованием высокопроизводительных графических процессоров, но могло повлечь за собой дополнительные затраты и зависело от подключения к интернету, что могло привести к задержкам связи.

Сравнительный анализ с сетью 5G

Сравнительный анализ показал, что использование сети 5G значительно улучшило сегментацию сахарной свеклы по сравнению с традиционными системами 4G/Wi-Fi. Это улучшение подтверждается сокращением среднего времени настройки и времени работы сети, что подчеркивает повышение эффективности, достигаемое благодаря технологии 5G.

• Процесс подготовки данных

Процесс подготовки данных включал сбор наборов данных о здоровых и больных растениях, обнаружение сорняков, определение стадий роста и извлечение изображений из необработанного видео 4K. Для подготовки данных к анализу использовались такие методы, как выравнивание гистограммы, фильтрация изображений и преобразование в цветовое пространство HSV.

Были собраны образцы здоровых листьев сахарной свеклы и пораженных болезнью образцов, таких как листья кукурузы, зараженные серой пятнистостью. Для извлечения признаков заболевания проводилось отделение листа от фона, изменение размера, преобразование и объединение изображений для создания реалистичных образцов для анализа.

• Цикл активного обучения

Для обучения моделей обнаружения был запущен цикл активного обучения с использованием неразмеченных данных. Эти модели генерировали запросы на аннотирование, на которые отвечали аннотаторы-люди, постоянно повышая точность модели посредством итеративных циклов обучения и аннотирования.

• Аннотирование данных с помощью многомодальной базовой модели.

Для решения проблемы ограниченного объема размеченных данных в проекте использовались надежные базовые модели для генерации эталонных аннотаций. Примечательно, что ключевую роль сыграла модель CLIP, разработанная OpenAI на основе трансформеров и обученная на огромном наборе данных, содержащем более 400 миллионов пар «изображение-текст».

Используя технологию Vision Transformers в качестве основы, CLIP достигла замечательной точности 95% на наборах данных для валидации, умело классифицируя изображения по различным классам, таким как сахарная свекла и сорняк, с высокой точностью.

• Беспилотные технологии для сбора данных

Одной из важнейших технологий, использованных в проекте, стало применение дронов, оснащенных RGB-камерами, способными снимать видео в разрешении 4K. Эти дроны предоставляли детализированные изображения (разрешение 3840×2160) для анализа.

Предварительная обработка этих изображений значительно повысила точность модели, при этом заметные улучшения наблюдались в таких моделях, как VGGNet (+38,52%), ResNet50 (+21,14%), DenseNet121 (+7,53%) и MobileNet (+6,6%).

Для повышения контрастности изображения использовались такие методы, как выравнивание гистограммы, а преобразование в цветовое пространство HSV помогло выделить участки растений и подчеркнуть важные особенности.

• Генерация синтетических данных

Для решения проблемы ограниченного объема изображений были созданы синтетические наборы данных с помощью машинного обучения и искусственного интеллекта. Сбор данных осуществлялся с помощью дронов, летающих на высоте от 1 до 4 метров со скоростью 2 м/с и более, с использованием RGB-камер.

Для сбора данных также использовались другие транспортные средства, такие как тракторы. Создание синтетических данных оказалось особенно полезным для выявления заболеваний сахарной свеклы.

Заключение

Проект “Сети 5G как инструмент обучения в реальном времени в устойчивом сельском хозяйстве” успешно продемонстрировал, как технология 5G может улучшить экологические, экономические и экологические аспекты выращивания сахарной свеклы. Благодаря сотрудничеству с HSHL и Pfeifer & Langen, проект интегрировал сбор данных в реальном времени и анализ на основе искусственного интеллекта, повысив эффективность и сократив количество ненужных выездов на поля.

Выделенная кампусная сеть 5G позволила точно вносить удобрения и средства защиты растений. Компания Geopard Agriculture сыграла решающую роль в разработке сценариев обнаружения и мониторинга растений, а также в создании прототипа системы машинного обучения для сельскохозяйственной среды 5G. Успех проекта подчеркнул важность передовых технологий в устойчивом сельском хозяйстве, продемонстрировав потенциал 5G для стимулирования инноваций и повышения эффективности.