Новости

Нейросеть определяет вес растений по фото

GreenAdmin 11.09.2020

iFarm вместе с группой компаний EORA завершили разработку новой модели нейронной сети, которая позволяет определять вес растения по фотоснимку. Система автономного наблюдения за посадками основана на технологиях искусственного интеллекта и, в частности, компьютерного зрения. Камеры, установленные стационарно или на автономных дронах, непрерывно наблюдают за растениями на ферме. А нейронная сеть анализирует полученные изображения и сообщает об отклонениях накопления зеленой массы растений от стандартных значений, заданных в «рецепте» выращивания культуры.

Одна из первостепенных задач iFarm — снижение себестоимости овощей, ягод и зелени, которые выращиваются на вертикальных фермах. Это зависит от множества параметров: семена, рассада, удобрения, сопутствующие расходы, аренда помещений, расходы на электроэнергию и, конечно же, зарплаты сотрудников. Последние два пункта — ключевые, и внедрение решений, которые позволяют снизить затраты по этим статьям, сильнее всего влияет на себестоимость конечной продукции.

Как оптимизировать затраты на электроэнергию? Можно выбрать площадку под размещение вертикальной фермы с выгодным тарифом на электроснабжение, использовать альтернативные источники электроэнергии или снижать энергопотребление. Инженеры и агрономы iFarm непрерывно проводят эксперименты со светом, тестируют различные типы LED-ламп, определяют оптимальную длительность и режим досветки растений и находят решения, которые повышают урожайность и энергоэффективность «зеленых» производств.

Фонд оплаты труда (ФОТ) можно оптимизировать только за счет сокращения трудозатрат сотрудников путем автоматизации производственных процессов и исключения из штата дорогостоящих специалистов. Технологии автоматизированных ферм iFarm и облачные инструменты SaaS-платформы iFarm Growtune позволяют пойти по этому пути. Системы автоматизации существенно уменьшают участие людей в производственном цикле. А облачная платформа помогает не вовлекать в штат дорогостоящих специалистов (агрономы, агрохимики, специалисты по защите растений, инженеры и т.д.). Она уже содержит готовые «рецепты» выращивания культур, которые передаются на «органы» управления фермой, а также предлагает четкие инструкции для растениеводов в виде интерактивного списка простых задач.

Помимо этого система предоставляет инструменты мониторинга микроклимата (уровень СО2, температура, влажность, освещение, подача питания — все это «упаковано» в алгоритмы системы автоматизации) и производственных процессов. А вот визуальный контроль посадок до недавнего времени оставался в компетенции сотрудников ферм, которые должны были физически обходить и осматривать тысячи метров посадочных площадей.

Благодаря замкнутой системе микроклимата, вертикальные фермы могут располагаться непосредственно в городах — рядом с потребителем. Технологии iFarm позволяют выращивать здоровые и вкусные растения без использования пестицидов и обработки урожаев для продления их срока годности, чтобы они могли пережить транспортировку. Однако этот позитивный факт многократно увеличивает риск гибели растений в случае заболевания культур.

Чтобы этого не произошло, на всех фермах поддерживается максимальная стерильность помещений, воздух обеззараживается. А сотрудники используют средства персональной защиты и перед началом работы проходят процедуру дезинфекции. Однако растения — это живой организм и отклонения от нормального цикла роста не исключены. Если растение замедляет накопление зеленой массы — это признак какого-либо нарушения в микроклимате, питании или развития заболевания. Чем раньше об этом будет уведомлена наша система и специалисты iFarm, тем быстрее примутся меры, которые помогут соблюсти прогнозируемое качество и получить фактический вес урожая.

С помощью непрерывного наблюдения за растениями при помощи технологии Computer Vision мы можем замечать малейшие опережения или паузы в росте и автоматически корректировать «рецепты» выращивания. Именно это позволяет нам быть одним из лидеров по количеству и качеству готовых «рецептов» и предлагать нашим клиентам непрерывное обновление технологий, совершенствующих их производства и экономическую модель ферм.

Ранее мы рассказывали, как создали нейронную сеть, которая определяет заболевания растений по фото. Теперь, вместе с группой компаний EORA, мы разработали новую модель нейронной сети, которая по снимку определяет вес растения. Для тестирования системы использовались интерфейсы приложения Telegram. На практике данные об отклонениях веса приходят в виде уведомлений внутрь системы iFarm Growtune, после чего программа выращивания корректируется автоматически, либо вручную специалистами iFarm. О технической части проекта читайте в прямой речи разработчиков.

EORA: прямая речь

EORA – компания, создающая решения на основе машинного обучения. Представитель команды разработчиков рассказала о том, как создавалась нейронная сеть.

Аэлита Шайхутдинова, Data Scientist

В качестве опорного датасета собирались фотографии контрольных культур каждую минуту. Однако для обучения модели использовались данные каждого часа (остальное оставили для валидации). Параллельно каждые три дня взвешивались контрольные растения с идентичных контрольных полок без камер. Таким образом, мы получили данные о том, сколько весили все растения на конкретной фотографии в определенный день роста при заданных параметрах микроклимата, режима питания и освещения.

Следующим шагом мы убрали искажения на фото, иначе сложно сравнивать размеры растений. Подобные искажения называются «бочкообразная» дисторсия (barrel distortion) и возникают из-за специфики линз в используемых фотокамерах. Однако именно такие линзы позволяют захватить в один кадр всю полку ввиду небольших расстояний между рядами с растениями на вертикальной фермы.

Для тренировки модели нейронной сети необходимо было сделать сопоставление между растением на снимке и их массой. Мы решили использовать площадь растений как основной признак. Грубо говоря, чем больше площадь зеленого цвета на фото, тем больше масса растения. Чтобы получить площадь всего яруса достаточно вычислить площадь зеленого цвета на снимке, а для площади одного растения — получить контуры или область этого растения.

На снимках с ранних дней роста отделить растения друг от друга не составило труда. Но на более поздних днях они начинали перекрывать друг друга, поэтому была обучена модель детектирования контуров листьев отдельного куста на снимке. Для этой нейронной сети требовалось разметить фото: «поместить» каждое растение в ограничивающий параллелограмм (bounding box).

После проведения этих работ мы научились сегментировать растения по зеленому цвету, отделять каждое растение и определять его площадь на полке. А далее, по полученным средним показателям, вычислили целевую массу (данные исходного датасета) для каждого растения. При этом расчете важно было учитывать, что масса конкретного растения должна увеличиваться вместе с увеличением количества дней с начала посева. Таким образом, опираясь на данные по площади, мы обучили модель определять массу в конкретный день.

Точность определения веса при помощи новой модели нейронной сети iFarm

В процессе работы мы выделили несколько основных признаков, которые важны и показательны для определения отклонений:

площадь растения на снимке (получаем с камер)
количество дней от посева (содержится в iFarm Growtune)
мощность освещения (содержится в рецептуре выращивания культуры, плюс данные с контроллеров)

Таким образом, нейронная сеть принимает фото и идентификатор полки, тип освещения (мощность) и количество дней от посева. После чего модель нейронной сети определяет зеленую массу и передает в систему показатели массы каждого растения и суммарную массу всех растений на снимке. Также предсказывается определенный моделью день роста растений, а на основании статистических данных выводится ожидаемый вес в этот день. Данные сравниваются, и в случае отклонений система «бьет тревогу».

Источник: ifarmproject.ru

Поиск...

Нейросеть определяет вес растений по фото

EORA: прямая речь

Оставить комментарий Отменить комментарий

Популярные статьи

Оставить комментарий