Штучний інтелект вчиться розпізнавати стан рослин
iFarm у співпраці з Poteha Labs і розробниками з Catalyst-Team запустили Бот Telegram для виявлення відхилень у зростанні культур на вертикальних фермах: нейронна мережа за допомогою останніх відкриттів в області комп'ютерного зору аналізує стан рослин і бот надасть всю необхідну інформацію про неї.
Робочий механізм відносно простий: співробітник ферми, побачивши рослину, яка не виглядає здоровою, фотографує його на камеру телефону і відправляє його боту Telegram, щоб визначити можливу причину відхилення в розвитку рослини. Нейронна мережа визначає наявність аномалій і відправляє відповідь через додаток.
«У майбутньому планується інтегрувати систему в усі виробничі підрозділи з використанням технологій iFarm. Дані про якість розсади будуть збиратися за допомогою спеціального безпілотного автопілота. Це дозволить швидко реагувати на будь - які відхилення в розвитку рослин, зупиняти поширення хвороб і запобігати втратам врожаю, що, в свою чергу, зробить технологію вирощування iFarm ще більш надійною»,-прокоментував директор по продукту пан Олег Костенко.
"У Poteha Labs ми розробляємо та впроваджуємо технології машинного навчання. Накопичений внутрішній досвід і той факт, що ми залучаємо кращих фахівців на ринку, дозволяють нам надавати клієнтам найефективніші продукти. Для створення бота iFarm ми звернулися до Сергія Колеснікова з Catalyst-Team. Їх однойменна бібліотека Catalyst ідеально підходить для розробки рішень для такої просунутої компанії, як iFarm », - прокоментував виконавчий директор Poteha Labs пан Іван Рябков.
За словами пана Рябкова, завдяки співпраці всіх сторін досягнуті точні дані. "Точність графіка становить 97%, що означає, що в 97 з 100 випадків модель правильно визначила стан рослини так само, як і селекціонер. Таким чином, модель може бути додатково навчена новим даним, а ефективність може бути поліпшена в майбутньому",-пояснив пан Іван Рябков.
«Метою нашої співпраці є використання кращих практик в області машинного навчання (глибоке навчання, DL) і досвіду Catalyst-Team в області комп'ютерного зору (CV) для створення помічника бота для агронома iFarm», згадував пан Сергій Колесніков.
Підготовка даних є важливим етапом будь-якого дослідження і розробки в області глибокого навчання. Ми слідуємо передовим практикам розробки програмного забезпечення, вивезення сміття, щоб перевірити концепцію дослідження, коли набори доступних даних дуже обмежені їх створення і підготовка можуть зробити істотний вплив.
Першим питанням було різноманітність представлених даних: у нас були фотографії крупним планом, зроблені з цілої полиці з усіма культурами одночасно. Однак, коли ми навчаємо нейронну мережу розпізнавати стан рослини на фотографіях, нам потрібно щось середнє між двома крайнощами. Таким чином, ми визначили, що саме має бути на фотографії і на якій відстані вона повинна бути зроблена, щоб Бот Telegram повертав інформацію, відповідну реальності.
Найцікавіша частина будь - якого проекту з науки про дані-це перевірка всіх можливих гіпотез і проведення декількох експериментів. Саме тут нам знадобилася допомога Catalyst.Ecosystem або самого Catalyst, а саме, нашого нового проекту Alchemy.
Поєднуючи всі наші напрацювання, Catalyst Team спільно з iFarm за два тижні розробили перший концепт рішення, зібрали зворотний зв'язок від агрономів і кілька разів допрацювали продукт, враховуючи специфіку його використання.
Робота над проектом зайняла менше двох місяців, протягом яких кількість культур, доступних для аналізу, було збільшено, і було ідентифіковано п'ять класів салату "Романо" і " Пак-Чой»:
- здорова рослина;
- хвора рослина;
- спороношення на уражених ділянках;
- крайовий опік;
- інша культура.
З точки зору Catalyst Team, подібні проекти дозволяють протестувати Catalyst. Ecosystem, довести її корисність коли потрібно швидко ітеруватися за гіпотезами і показувати результат.
Також читайте: