5G-umožnené učenie v reálnom čase v udržateľnom poľnohospodárstve: Štúdia cukrovej repy

S nadšením oznamujeme úspešné dokončenie projektu “5G siete ako nástroj na učenie sa v reálnom čase v udržateľnom poľnohospodárstve”, ktorý čiastočne financovalo Ministerstvo hospodárstva, priemyslu, ochrany klímy a energetiky spolkovej krajiny Severné Porýnie-Vestfálsko.

Táto iniciatíva predstavuje významný krok vpred v skúmaní transformačného potenciálu technológie 5G v poľnohospodárstve, konkrétne zameranej na zlepšenie ekologických, ekonomických a udržateľných aspektov pestovania cukrovej repy.

Využila nízku latenciu 5G na integráciu pokročilých informačných technologických systémov v reálnom čase, čo umožnilo okamžité reakcie na údaje zo senzorov a polohy v rámci vopred definovaných časových rámcov.

Zameranie projektu a partnerstvo

V spolupráci s partnermi z HSHL a s podporou spoločnosti Pfeifer & Langen sa projekt zameral na štúdium celého životného cyklu pestovania cukrovej repy na poliach patriacich partnerom. Jeho cieľom bolo demonštrovať, ako by 5G mohlo slúžiť ako kľúčový technologický katalyzátor v poľnohospodárskom sektore Severného Porýnia-Vestfálska a prezentovať jeho potenciál ako nástroja umožňujúceho inovácie a efektívnosť.

Úloha poľnohospodárstva GeoPard

Spoločnosť GeoPard Agriculture zohrala kľúčovú úlohu pri definovaní a implementácii kľúčových aspektov projektu vrátane scenárov pre detekciu, monitorovanie a predikciu produkcie rastlín. Vyvinuli sme prototyp systému umelej inteligencie prispôsobeného pre poľnohospodárske prostredie 5G, spustili sme modely v cloudovej infraštruktúre a vytvorili sme mobilnú aplikáciu pre interakciu s cloudovými modelmi v reálnom čase.

Technologická integrácia

Metódy umelej inteligencie (AI) boli nasadené prostredníctvom robustnej cloudovej infraštruktúry s vysokými výpočtovými schopnosťami. Algoritmy AI kategorizovali rastliny v reálnom čase počas každého kríženia a monitorovali ich rast počas celého ich životného cyklu, čím sa eliminovala potreba zbytočných návštev terénu výlučne na účely zberu údajov.

Tento pokrok umožnil presnú aplikáciu hnojív a prípravkov na ochranu plodín, pričom dynamicky upravoval dávkovanie počas križovaní pomocou algoritmov strojového učenia.

Nasadenie bezpilotných vozidiel

Projekt navyše využil zníženú latenciu 5G na nasadenie bezpilotných vozidiel na monitorovanie rastlín a zber údajov. Tieto vozidlá zohrali kľúčovú úlohu pri zhromažďovaní informácií v reálnom čase a ďalšej optimalizácii poľnohospodárskych postupov.

Výsledky projektu: Zvýšenie produkcie cukrovej repy pomocou technológie 5G

Projekt demonštroval, ako by technológia 5G mohla slúžiť ako transformačný nástroj v poľnohospodárskom sektore Severného Porýnia-Vestfálska, a to analýzou celého životného cyklu pestovania cukrovej repy, pričom zdôraznil podstatné zlepšenia, ktoré technológia 5G umožnila. Na efektívnu demonštráciu výsledkov projektu však výskumníci použili pracovné balíky obsahujúce rôzne scenáre a infraštruktúry.

Definícia scenára s ohľadom na existujúce geodáta a infraštruktúru strojového učenia

Projekt demonštroval, ako by sa dali tradičné procesy v rámci životného cyklu produkcie cukrovej repy vylepšiť integráciou technológie 5G. Medzi kľúčové ciele patrilo:

• Vyvinul som scenáre pripravené na implementáciu pre rozpoznávanie, monitorovanie a predikciu produkcie rastlín.
• Stanovené technické požiadavky potrebné pre úspešné nasadenie týchto scenárov.
• Identifikovali a posúdili relevantné ekologické a ekonomické ukazovatele na vyhodnotenie pridanej hodnoty, ktorú prináša sieť 5G.

Táto fáza zdôraznila záväzok projektu integrovať špičkové technológie s existujúcimi poľnohospodárskymi postupmi. Táto architektúra využila vysokorýchlostné pripojenie siete 5G na uľahčenie zberu a spracovania údajov v reálnom čase medzi okrajovými zariadeniami a cloudom. Cloudová infraštruktúra poskytovala základné zdroje na školenie a nasadzovanie rozsiahlych modelov umelej inteligencie, zatiaľ čo platforma umelej inteligencie ponúkala robustné nástroje na vývoj a nasadzovanie modelov. Aplikačná vrstva prezentovala koncovým používateľom užitočné poznatky odvodené z modelov umelej inteligencie, čím sa zlepšili ich rozhodovacie schopnosti.

Strojové učenie a umelá inteligencia v kontexte 5G

Cieľom tejto časti bolo prispôsobiť existujúce systémy strojového učenia a umelej inteligencie tak, aby zodpovedali vyššie uvedeným scenárom, a podľa toho ich optimalizovať. Medzi kľúčové ciele patrilo:

• Definovať ciele systému a vyvinúť architektúru systému
• Zhromaždené skutočné údaje na trénovanie a overovanie modelov umelej inteligencie.
• Vytvorila a anotovala vhodnú databázu prispôsobenú na identifikáciu a monitorovanie rastlín.
• Bezproblémová integrácia modelov umelej inteligencie do infraštruktúry siete 5G.

V tejto fáze zohrali kľúčovú úlohu okrajové zariadenia vybavené SIM kartami mobilných telefónov využívajúcimi technológiu 5G. Kľúčové ukazovatele výkonnosti (KPI), ako je latencia alebo latencia medzi koncovými bodmi (E2E), boli dôkladne monitorované. Merania zahŕňali posúdenie spoľahlivosti a dostupnosti presne prijatých dátových paketov spolu s analýzou rýchlosti prenosu používateľských dát a špičkových rýchlostí prenosu dát.

Okrem toho boli predpoklady založené na streamovaní videa v rozlíšení UHD vo formáte MP4, prenášaného prostredníctvom protokolu Transmission Control Protocol (TCP). Medzi skúmané potenciálne riešenia patrila optimalizácia s jednotlivými obrázkami namiesto súvislých video streamov, vykonávanie základných optimalizácií priamo na okrajových zariadeniach a implementácia techník kvantizácie modelu na zvýšenie efektívnosti.

Cloudová infraštruktúra a služby AWS

Projekt sa vo veľkej miere spoliehal na cloudovú infraštruktúru využívajúcu služby AWS, ako sú Lambda, SageMaker, S3, CloudWatch a RDS, ktoré zohrali kľúčovú úlohu pri poskytovaní potrebných zdrojov na školenie a nasadenie modelov umelej inteligencie.

AWS Lambda sa použila na efektívnu správu inštancií a obsluhu aplikácií, zatiaľ čo AWS SageMaker uľahčil vytvorenie robustných kanálov strojového učenia. Úložné riešenia ako S3, CloudWatch a RDS boli nevyhnutné na ukladanie súborov údajov a protokolov, ktoré sú kľúčové pre prevádzku modelov strojového učenia a neurónových sietí.

Táto infraštruktúra teda podporovala možnosti spracovania údajov v reálnom čase, ktoré umožnila sieť 5G.

Latencia siete 5G

Siete 5G boli navrhnuté tak, aby dosahovali ultranízku latenciu, ktorá sa zvyčajne pohybuje od 1 do 10 milisekúnd. Táto latencia odrážala čas potrebný na prenos dát medzi mobilnými zariadeniami a servermi AWS prostredníctvom siete 5G. Latenciu ovplyvňovali aj špecifické možnosti spracovania údajov zariadenia, ako napríklad rýchlosť snímania a spracovania fotografií v smartfónoch s vysokovýkonnými procesormi.

Rýchlosti nahrávania dát v sieti 5G a veľkosť fotografie ovplyvnili časy prenosu dát do AWS. AWS ďalej prispel k latencii s časmi spracovania úloh, ako je detekcia a segmentácia založená na neurónových sieťach, ktoré sa líšili v závislosti od zložitosti algoritmu a efektívnosti služby AWS. Po spracovaní boli výsledky stiahnuté späť do mobilných zariadení, čo bolo ovplyvnené rýchlosťou sťahovania 5G a veľkosťou výsledných dát.

Rozpoznávanie rastlín pomocou umelej inteligencie

V oblasti rozpoznávania rastlín zahŕňali procesy riadené umelou inteligenciou vytvorenie komplexnej databázy obrázkov rastlín pre trénovacie algoritmy založené na neurónových sieťach. Tieto algoritmy boli trénované na rozlíšenie druhov cukrovej repy od iných rastlín rozpoznávaním znakov špecifických pre daný typ rastliny, ako sú tvary listov, farby kvetov atď.

Rozpoznávaním rastlín tu myslíme úlohu detekcie buriny a segmentácie rastlín cukrovej repy.

• Detekcia buriny

Na detekciu buriny projekt využil MobileNet-v3, ktorý bol trénovaný s rozsiahlym rozšírením dát a váženým vzorkovaním. Tento model dosiahol pôsobivú presnosť 0,984 a AUC 0,998.

• Segmentácia cukrovej repy

Na segmentačné úlohy boli použité modely ako YOLACT, ResNeSt, SOLO a U-net na presné vymedzenie jednotlivých vzoriek cukrovej repy v rámci obrázkov. Následne bol na základe rôznych kritérií: rýchlosť, čas inferencie atď. vybraný najefektívnejší model. Dáta na segmentáciu boli získané z RGB obrázkov zachytených dronmi, ktoré boli na účely trénovania a validácie upravené a anotované.

Úlohy segmentácie zahŕňali vytváranie masiek, ktoré presne vymedzovali hranice rastlín. Táto metóda znížila úsilie ľudského anotovania a zároveň optimalizovala efektivitu. Uprednostnením označovania náročných vzoriek sa výrazne zlepšil výkon modelu. Iteratívne stratégie pretrénovania a neistoty vzorkovania sa ukázali ako účinné a dosiahli mieru presnosti segmentácie presahujúcu 98% v rôznych štádiách rastu.

• Vyhodnotenie modelu

Model bol trénovaný s dôsledným rozširovaním dát. Model bol vyhodnotený pomocou rôznych metrík vrátane prieniku cez úniu (IoU). Inferenčná analýza pre zostavený model, vykonaná na podmnožine z dátového súboru ‘sadenice rastlín v2’, preukázala presnosť 81%. Výpočet inferenčného času trval približne 320 milisekúnd po 7-sekundovej inicializačnej perióde, ktorá je potrebná iba raz za reláciu.

Pri monitorovaní rastlín s využitím umelej inteligencie (AI) kamery a senzory zachytávali dôležité údaje o rastlinách, ktoré analyzovalo strojové učenie a algoritmy AI. Táto analýza zohrala kľúčovú úlohu pri posudzovaní zdravia rastlín, identifikácii stresu, chorôb alebo iných faktorov ovplyvňujúcich rast.

Aplikácie siahali od optimalizácie poľnohospodárskej produktivity až po monitorovanie prírodných ekosystémov, ako sú lesy, pomoc pri ochrane prírody a zlepšenie pochopenia vplyvov na životné prostredie.

Detekcia objektov pri monitorovaní rastlín

Ďalšou fázou po segmentácii rastlín cukrovej repy je detekcia objektov zameraná na pochopenie špecifík každej rastliny z hľadiska zdravia, rastu a ďalších faktorov. Na detekciu objektov pri monitorovaní rastlín boli nasadené pokročilé modely ako YOLOv4, MobileNetV2 a VGG-19 s mechanizmami pozornosti. Tieto modely analyzovali segmentované obrazy cukrovej repy s cieľom detekovať špecifické oblasti stresu a chorôb, čo umožnilo presné a cielené zásahy.

Projekt dosiahol významné míľniky v detekcii chorôb, trénovaní modelov ResNet-18 a ResNet-34 predtrénovaných na ImageNet. Tieto modely preukázali pôsobivú presnosť 0,88 pri identifikácii chorôb postihujúcich rastliny cukrovej repy s plochou pod ROC krivkou (AUC) 0,898. Modely vykazovali vysokú spoľahlivosť predikcie a presne rozlišovali medzi chorými a zdravými rastlinami.

Projekt využíval systematický prístup k detekcii chorôb, segmentoval snímky do štandardizovaných oblastí. Tieto oblasti boli dôkladne anotované pomocou interaktívnych nástrojov na identifikáciu oblastí postihnutých chorobami. Detekcia objektov ďalej zvýšila presnosť vyznačením ohraničujúcich rámčekov okolo rastlín, čo uľahčilo presné monitorovanie zdravia rastlín.

Predikcia rastlinnej produkcie

V oblasti predikcie rastlinnej produkcie modely umelej inteligencie využívali environmentálne údaje, ako sú poveternostné podmienky a parametre pôdy, na predpovedanie výnosov plodín. Použili sa regresné modely ako Isolation Forest, Linear Regression a Ridge Regression.

Tieto modely integrovali numerické prvky extrahované z oblastí ohraničujúcich rámčekov spolu s údajmi o pôde s cieľom optimalizovať aplikáciu hnojív.

Úvahy o nasadení modelu

Stratégie nasadenia vyvinutých modelov boli vyhodnotené pre edge zariadenia aj cloudové platformy. Nasadenie modelov na edge zariadeniach ponúkalo výhody, ako sú znížené náklady a nižšia latencia.

Tento prístup však môže viesť k zníženiu potenciálnej presnosti kvôli hardvérovým obmedzeniam. Na druhej strane, nasadenie cloudu ponúka rýchlejšie inferenčné časy s použitím vysokovýkonných GPU, ale môže viesť k dodatočným nákladom a je závislé od internetového pripojenia, čo môže viesť k latencii komunikácie.

Porovnávacia analýza so sieťou 5G

Porovnávacia analýza ukázala, že využitie siete 5G výrazne zlepšilo segmentáciu cukrovej repy v porovnaní s tradičnými nastaveniami 4G/WiFi. Toto zlepšenie sa prejavilo skrátením priemerných časov nastavenia a pripojenia siete, čo zdôrazňuje zvýšenie efektivity dosiahnuté vďaka technológii 5G.

• Proces prípravy údajov

Proces prípravy údajov zahŕňal zhromažďovanie súborov údajov o zdravých a chorých rastlinách, detekciu buriny, identifikáciu štádií rastu a extrakciu obrázkov zo 4K videa v surovom formáte. Na prípravu údajov na analýzu boli použité techniky ako vyrovnávanie histogramu, filtrovanie obrázkov a transformácia farebného priestoru HSV.

Boli zozbierané vzorky zdravých listov cukrovej repy a chorých vzoriek, ako napríklad listy kukurice so sivou škvrnitosťou listov. Extrakcia znakov choroby zahŕňala oddelenie listu od pozadia, zmenu veľkosti, transformáciu a zlúčenie obrázkov s cieľom vytvoriť realistické vzorky na analýzu.

• Aktívna učebná slučka

Bola iniciovaná aktívna učebná slučka s neoznačenými údajmi, ktoré boli použité na trénovanie detekčných modelov. Tieto modely generovali anotačné dotazy, ktoré boli riešené ľudskými anotátormi, čím sa neustále zdokonaľovala presnosť modelu prostredníctvom iteratívnych trénovacích a anotačných cyklov.

• Anotácia údajov prostredníctvom multimodálneho základového modelu

Projekt riešil problém s obmedzenými označenými údajmi a využil robustné základné modely na generovanie anotácií o skutočných údajoch. Kľúčovú úlohu zohral najmä CLIP, model založený na transformátore vyvinutý spoločnosťou OpenAI, trénovaný na rozsiahlom súbore údajov s viac ako 400 miliónmi párov obrázkov a textu.

Vďaka využitiu Vision Transformers ako svojej chrbtice dosiahol systém CLIP pozoruhodnú presnosť 95% na validačných súboroch a s vysokou presnosťou odborne kategorizoval obrázky do odlišných tried, ako je cukrová repa a burina.

• Technológia dronov na zber údajov

Jednou z kľúčových technológií použitých v projekte bolo použitie dronov vybavených RGB kamerami, ktoré zachytávali 4K video. Tieto drony poskytovali detailné snímky (rozlíšenie 3840 × 2160) na analýzu.

Predspracovanie týchto obrázkov výrazne zvýšilo presnosť modelu, pričom výrazné zlepšenia boli pozorované v modeloch ako VGGNet (+38,52%), ResNet50 (+21,14%), DenseNet121 (+7,53%) a MobileNet (+6,6%).

Na zvýšenie kontrastu obrazu sa použili techniky ako vyrovnávanie histogramu, zatiaľ čo transformácia do farebného priestoru HSV pomohla zdôrazniť oblasti rastlín a zvýrazniť relevantné prvky.

• Generovanie syntetických údajov

Na riešenie problému s obmedzenými obrazovými údajmi boli pomocou strojového učenia a umelej inteligencie vygenerované syntetické súbory údajov. Zber údajov sa vykonával pomocou dronov lietajúcich vo výškach od 1 m do 4 m a rýchlostiach 2 m/s alebo viac, s využitím RGB kamier.

Na zber údajov sa použili aj iné vozidlá, ako napríklad traktory. Toto syntetické generovanie údajov sa ukázalo ako obzvlášť užitočné pri detekcii chorôb cukrovej repy.

Záver

Projekt “5G siete ako nástroj na učenie sa v reálnom čase v udržateľnom poľnohospodárstve” úspešne demonštroval, ako môže technológia 5G zlepšiť ekologické, ekonomické a udržateľné aspekty pestovania cukrovej repy. Vďaka spolupráci so spoločnosťami HSHL a Pfeifer & Langen projekt integroval zber údajov v reálnom čase a analýzu riadenú umelou inteligenciou, čím sa zlepšila efektivita a znížili sa zbytočné návštevy terénu.

Špecializovaná kampusová sieť 5G umožnila presnú aplikáciu hnojív a prípravkov na ochranu plodín. Spoločnosť Geopard Agriculture zohrala kľúčovú úlohu pri vývoji scenárov detekcie a monitorovania rastlín a pri vytvorení prototypu systému strojového učenia pre poľnohospodárske prostredie 5G. Úspech projektu podčiarkol dôležitosť pokročilých technológií v udržateľnom poľnohospodárstve a zdôraznil potenciál 5G pre podporu inovácií a efektívnosti.