Учење у реалном времену омогућено 5G мрежом у одрживој пољопривреди: Студија о шећерној репи

Узбуђени смо што можемо да објавимо успешан завршетак пројекта “5G мреже као омогућавач учења у реалном времену у одрживој пољопривреди”, који је делимично подржано од стране Министарства за економске послове, индустрију, климатске акције и енергетику покрајине Северна Рајна-Вестфалија.

Ова иницијатива представља значајан корак напред у истраживању трансформативног потенцијала 5Г технологије у пољопривреди, посебно усмереног на унапређење еколошких, економских и одрживих аспеката узгоја шећерне репе.

Искористила је ниску латенцију 5G мреже за интеграцију напредних информационо-технолошких система у реалном времену, омогућавајући тренутне одговоре на сензорске и позиционе податке у унапред дефинисаним временским оквирима.

Фокус пројекта и партнерство

У сарадњи са партнерима из HSHL и уз подршку компаније Pfeifer & Langen, пројекат се фокусирао на проучавање целог животног циклуса узгоја шећерне репе на пољима која припадају партнерима. Циљ му је био да покаже како 5G може послужити као кључни технолошки катализатор у пољопривредном сектору Северне Рајне-Вестфалије, показујући његов потенцијал као покретача иновација и ефикасности.

Улога ГеоПард пољопривреде

ГеоПард Агрицрелитион је одиграо кључну улогу у дефинисању и имплементацији кључних аспеката пројекта, укључујући сценарије за детекцију биљака, праћење и предвиђање производње. Развили смо прототип вештачке интелигенције система прилагођеног 5Г пољопривредном окружењу, извршили моделе унутар клауд инфраструктуре и креирали мобилну апликацију за интеракцију у реалном времену са моделима заснованим на облаку.

Технолошка интеграција

Методе вештачке интелигенције (ВИ) су примењене путем робусне клауд инфраструктуре са високим рачунарским могућностима. ВИ алгоритми су категоризовали биљке у реалном времену током сваког укрштања и пратили њихов раст током целог животног циклуса, елиминишући потребу за непотребним посетама терену искључиво у сврху прикупљања података.

Овај напредак је омогућио прецизну примену ђубрива и средстава за заштиту усева, динамички подешавајући стопе примене током прелаза путем алгоритама машинског учења.

Распоређивање беспилотних возила

Штавише, пројекат је искористио смањену латенцију 5G мреже за распоређивање беспилотних возила за праћење постројења и прикупљање података. Ова возила су одиграла кључну улогу у прикупљању увида у реалном времену и даљој оптимизацији пољопривредних пракси.

Резултати пројекта: Побољшање производње шећерне репе помоћу 5G технологије

Пројекат је показао како 5Г технологија може послужити као трансформативни покретач у пољопривредном сектору Северне Рајне-Вестфалије анализирајући цео животни циклус узгоја шећерне репе, истичући значајна побољшања која омогућава 5Г технологија. Међутим, да би ефикасно демонстрирали резултате пројекта, истраживачи су користили радне пакете који садрже различите сценарије и инфраструктуре.

Дефиниција сценарија узимајући у обзир постојеће геоподатке и инфраструктуру машинског учења

Пројекат је показао како се традиционални процеси у оквиру животног циклуса производње шећерне репе могу побољшати интеграцијом 5G технологије. Кључни циљеви су укључивали:

• Развијени су сценарији спремни за имплементацију за препознавање, праћење и предвиђање производње постројења.
• Утврђени технички захтеви неопходни за успешно распоређивање ових сценарија.
• Идентификовали и проценили релевантне еколошке и економске индикаторе како би се проценила додата вредност коју доноси 5G мрежа.

Ова фаза је нагласила посвећеност пројекта интеграцији најсавременије технологије са постојећим пољопривредним праксама. Ова архитектура је искористила брзу повезаност 5G мреже како би олакшала прикупљање и обраду података у реалном времену између уређаја на рубу мреже и облака. Клауд инфраструктура је обезбедила неопходне ресурсе за обуку и примену великих AI модела, док је AI платформа нудила робусне алате за развој и примену модела. Апликацијски слој је крајњим корисницима представио практичне увиде изведене из AI модела, побољшавајући могућности доношења одлука.

Машинско учење и вештачка интелигенција у контексту 5G мреже

Фокус овог дела био је на прилагођавању постојећих система машинског учења и вештачке интелигенције како би се ускладили са горе наведеним сценаријима, оптимизујући их у складу са тим. Кључни циљеви су укључивали:

• Дефинишите циљеве система и развијте архитектуру система
• Прикупљени основни подаци за обуку и валидацију модела вештачке интелигенције.
• Успостављена и анотирана одговарајућа база података прилагођена идентификацији и праћењу биљака.
• Интегрисани модели вештачке интелигенције беспрекорно у 5G мрежну инфраструктуру.

У овој фази, уређаји на рубу мреже опремљени SIM картицама мобилних телефона које користе 5G технологију играли су кључну улогу. Кључни индикатори учинка (KPI) као што су латенција или латенција од краја до краја (E2E) пажљиво су праћени. Мерења су обухватала процену поузданости и доступности тачно примљених пакета података, заједно са анализом брзине корисничких података и вршних брзина преноса података.

Штавише, претпоставке су направљене на основу стримовања видеа UHD резолуције у MP4 формату, преношеног путем протокола за контролу преноса (TCP). Потенцијална решења која су истражена укључивала су оптимизацију са појединачним сликама уместо континуираних видео токова, извођење основних оптимизација директно на edge уређајима и имплементацију техника квантизације модела ради побољшања ефикасности.

Клауд инфраструктура и AWS услуге

Пројекат се у великој мери ослањао на клауд инфраструктуру користећи AWS сервисе као што су Lambda, SageMaker, S3, CloudWatch и RDS, који су играли кључну улогу у обезбеђивању потребних ресурса за обуку и имплементацију вештачке интелигенције (AI) модела.

AWS Lambda је коришћен за ефикасно управљање инстанцама и пружање услуга апликацијама, док је AWS SageMaker олакшао изградњу робусних цевовода машинског учења. Решења за складиштење података као што су S3, CloudWatch и RDS била су неопходна за складиштење скупова података и логова кључних за рад модела машинског учења и неуронских мрежа.

Стога је ова инфраструктура подржавала могућности обраде података у реалном времену које је омогућила 5G мрежа.

Латенција 5G мреже

5G мреже су дизајниране да постигну ултраниску латенцију, која се обично креће од 1 до 10 милисекунди. Ова латенција је одражавала време потребно да подаци путују између мобилних уређаја и AWS сервера путем 5G мреже. Могућности обраде специфичне за уређај, као што је брзина снимања и обраде фотографија на паметним телефонима са процесорима високих перформанси, такође су утицале на латенцију.

Брзина отпремања података на 5G мрежи и величина фотографије утицале су на време преноса података ка AWS-у. AWS је додатно допринео кашњењу са временима обраде за задатке попут детекције и сегментације засноване на неуронским мрежама, што се разликовало у зависности од сложености алгоритма и ефикасности AWS сервиса. Након обраде, резултати су преузимани назад на мобилне уређаје, под утицајем брзине преузимања 5G мреже и величине резултата.

Препознавање биљака помоћу вештачке интелигенције

У области препознавања биљака, процеси вођени вештачком интелигенцијом укључивали су креирање свеобухватне базе података слика биљака за алгоритме за обуку засноване на неуронским мрежама. Ови алгоритми су обучени да разликују врсте шећерне репе од других биљака препознавањем карактеристика специфичних за ту одређену врсту биљке, као што су облици листова, боје цветова итд.

Овде, под препознавањем биљака подразумевамо задатак откривања корова и сегментације биљака шећерне репе.

• Детекција корова

За детекцију корова, пројекат је користио MobileNet-v3, који је обучен са опсежним проширењима података и пондерисаним узорковањем. Овај модел је постигао импресивну тачност од 0,984 и AUC од 0,998.

• Сегментација шећерне репе

За задатке сегментације, коришћени су модели попут YOLACT, ResNeSt, SOLO и U-net како би се прецизно разграничили појединачни узорци шећерне репе унутар слика. Затим је изабран најефикаснији модел на основу различитих критеријума: брзине, времена закључивања итд. Подаци за сегментацију су добијени са RGB слика снимљених дроном, које су промењене величине и анотиране у сврху обуке и валидације.

Задаци сегментације су подразумевали креирање маски које су прецизно оцртавале границе биљака. Ова метода је смањила људске напоре у анотацији, а истовремено оптимизовала ефикасност. Давањем приоритета обележавању изазовних узорака, перформансе модела су значајно побољшане. Итеративне стратегије преобуке и узорковања несигурности су се показале ефикасним, постижући стопе тачности сегментације које прелазе 98% у различитим фазама раста.

• Евалуација модела

Модел је трениран уз ригорозне проширења података. Модел је евалуиран коришћењем различитих метрика, укључујући пресек преко уније (IoU). Анализа инференције за изграђени модел, спроведена на подскупу из скупа података ‘саднице биљака v2’, показала је тачност од 81%. Време инференције је трајало приближно 320 милисекунди за израчунавање након периода иницијализације од 7 секунди, што је неопходно само једном по сесији.

У праћењу биљака помоћу вештачке интелигенције (ВИ), камере и сензори су снимали виталне податке о биљкама, анализиране машинским учењем и алгоритмима ВИ. Ова анализа је играла кључну улогу у процени здравља биљака, идентификовању стреса, болести или других фактора који утичу на раст.

Примене су се прошириле од оптимизације пољопривредне продуктивности до праћења природних екосистема попут шума, помагања напорима за очување природе и побољшања разумевања утицаја на животну средину.

Детекција објеката у праћењу постројења

Следећа фаза након сегментације биљака шећерне репе је детекција објеката са циљем разумевања специфичности сваке биљке у смислу здравља, раста и других фактора. За детекцију објеката у праћењу биљака, коришћени су напредни модели као што су YOLOv4, MobileNetV2 и VGG-19 са механизмима пажње. Ови модели су анализирали сегментиране слике шећерне репе како би открили специфична подручја стреса и болести, омогућавајући прецизне и циљане интервенције.

Пројекат је постигао значајне прекретнице у откривању болести, обучавајући моделе ResNet-18 и ResNet-34 претходно обучене на ImageNet-у. Ови модели су показали импресивну тачност од 0,88 у идентификацији болести које погађају биљке шећерне репе, са површином испод ROC криве (AUC) од 0,898. Модели су показали високу поузданост предвиђања, прецизно разликујући оболеле од здравих биљака.

Пројекат је користио систематски приступ откривању болести, сегментирајући слике у стандардизоване делове. Ови делови су прошли кроз пажљиво обележавање коришћењем интерактивних алата за одређивање подручја погођених болестима. Детекција објеката је додатно побољшала тачност оцртавањем оквира око биљака, олакшавајући прецизно праћење здравља биљака.

Предвиђање производње биљака

У домену предвиђања биљне производње, модели вештачке интелигенције користили су податке о животној средини, као што су временски услови и параметри земљишта, за предвиђање приноса усева. Коришћени су модели регресије попут Изолационе шуме, Линеарне регресије и Гребенске регресије.

Ови модели су интегрисали нумеричке карактеристике извучене из региона граничних оквира заједно са подацима о земљишту како би се оптимизовала примена ђубрива.

Разматрања примене модела

Стратегије имплементације развијених модела су процењене и за edge уређаје и за cloud платформе. Имплементација модела на edge уређајима нудила је предности као што су смањени трошкови и мања латенција.

Међутим, овај приступ би могао да угрози потенцијалну тачност због хардверских ограничења. С друге стране, имплементација у облаку је нудила брже време закључивања коришћењем високоперформансних графичких процесора, али је могла да изазове додатне трошкове и зависила је од интернет конекције, што би могло да доведе до кашњења комуникације.

Упоредна анализа са 5G мрежом

Компаративна анализа је показала да коришћење 5G мреже значајно побољшава сегментацију шећерне репе у поређењу са традиционалним 4G/WiFi подешавањима. Ово побољшање је доказано смањеним просечним временом подешавања и мреже, што истиче добитке у ефикасности постигнуте захваљујући 5G технологији.

• Процес припреме података

Процес припреме података обухватао је прикупљање скупова података о здравим и оболелим биљкама, откривање корова, идентификовање фаза раста и издвајање слика из 4K RAW видеа. Технике попут изједначавања хистограма, филтрирања слика и HSV трансформације простора боја коришћене су за припрему података за анализу.

Прикупљени су узорци здравих листова шећерне репе и оболелих узорака, као што су листови кукуруза са сивом пегавошћу листа. Екстракција карактеристика болести укључивала је одвајање листа од позадине, промену величине, трансформацију и спајање слика како би се створили реалистични узорци за анализу.

• Активна петља учења

Покренута је активна петља учења са неозначеним подацима, коришћеним за тренирање модела детекције. Ови модели су генерисали упите за анотације које су решавали људски анотатори, континуирано усавршавајући тачност модела кроз итеративне циклусе тренирања и анотације.

• Анотација података путем мултимодалног темељног модела

Решавајући изазов ограничених означених података, пројекат је искористио робусне темељне моделе за генерисање анотација о стварним подацима. Приметно је да је CLIP, модел заснован на трансформатору који је развио OpenAI, обучен на огромном скупу података од преко 400 милиона парова слика-текст, одиграо кључну улогу.

Користећи Vision Transformers као окосницу, CLIP је постигао изванредну тачност од 95% на валидационим скуповима, вешто категоришући слике у различите класе као што су шећерна репа и коров са високом прецизношћу.

• Технологија дронова за прикупљање података

Једна од кључних технологија коришћених у пројекту била је употреба дронова опремљених RGB камерама које су снимале 4K видео. Ови дронови су пружали детаљне слике (резолуција 3840×2160) за анализу.

Претходна обрада ових слика значајно је повећала тачност модела, са значајним побољшањима примећеним код модела као што су VGGNet (+38.52%), ResNet50 (+21.14%), DenseNet121 (+7.53%) и MobileNet (+6.6%).

Технике попут изједначавања хистограма коришћене су за побољшање контраста слике, док је трансформација у HSV простор боја помогла у наглашавању биљних подручја и истицању релевантних карактеристика.

• Генерисање синтетичких података

Да би се решио изазов ограничених података о сликама, генерисани су синтетички скупови података путем машинског учења и вештачке интелигенције. Прикупљање података је обављено помоћу дронова који лете на висинама између 1 и 4 метра и брзинама од 2 метра у секунди или више, користећи RGB камере.

Друга возила, као што су трактори, такође су коришћена за прикупљање података. Ово синтетичко генерисање података показало се посебно корисним за откривање болести шећерне репе.

Закључак

Пројекат “5G мреже као омогућавач учења у реалном времену у одрживој пољопривреди” успешно је показао како 5G технологија може побољшати еколошке, економске и одрживе аспекте узгоја шећерне репе. Кроз сарадњу са HSHL и Pfeifer & Langen, пројекат је интегрисао прикупљање података у реалном времену и анализу вођену вештачком интелигенцијом, побољшавајући ефикасност и смањујући непотребне посете терену.

Наменска 5G мрежа на кампусу омогућила је прецизну примену ђубрива и средстава за заштиту усева. Геопард Агрицрелитиус је одиграо кључну улогу у развоју сценарија за детекцију и праћење биљака и стварању прототипа система машинског учења за 5G пољопривредно окружење. Успех пројекта нагласио је важност напредних технологија у одрживој пољопривреди, истичући потенцијал 5G за подстицање иновација и ефикасности.