I droni AI aiutano gli agricoltori a ottimizzare i raccolti di ortaggi

Per ragioni di sicurezza alimentare e di incentivi economici, gli agricoltori cercano continuamente di massimizzare i raccolti commerciabili. Poiché le piante crescono in modo incoerente, al momento del raccolto ci saranno inevitabilmente variazioni nella qualità e nelle dimensioni dei singoli raccolti. Pertanto, trovare il momento ottimale per il raccolto è una priorità per gli agricoltori.

Un nuovo approccio all’uso dei droni e dell’intelligenza artificiale migliora in modo dimostrabile questa stima in modo accurato e accurato analisi delle singole colture per valutare le loro probabili caratteristiche di crescita.

Pipeline AI basata su droni. Una panoramica visiva del sistema per acquisire e analizzare i dati immagine sulle colture, che poi informano un modello per aiutare gli agricoltori a conoscere il momento migliore per raccogliere i loro campi. Credito immagine: Guo et al. CC-BY

Alcune storie di fantascienza ottimistiche parlano di un futuro post-scarsità, in cui i bisogni umani saranno soddisfatti e il duro lavoro sarà fornito dalle macchine. Ci sono alcuni modi in cui questa visione sembra prevedere alcuni elementi dell’attuale progresso tecnologico. Uno di questi settori è la ricerca agricola, dove l’automazione ha avuto un impatto.

Per la prima volta, i ricercatori, compresi quelli dell’Università di Tokyo, hanno dimostrato un sistema ampiamente automatizzato per migliorare i raccolti, che può avvantaggiare molti e potrebbe aiutare ad aprire la strada a sistemi futuri che un giorno potrebbero raccogliere direttamente i raccolti.

“L’idea è relativamente semplice, ma la progettazione, l’implementazione e l’esecuzione sono straordinariamente complesse”, ha affermato il professore associato Wei Guo del Laboratorio di Fenomica del Campo.

“Se gli agricoltori conoscono il momento ideale per raccogliere i raccolti, possono ridurre gli sprechi, il che è positivo per loro, per i consumatori e per l’ambiente. Ma i tempi di raccolta ottimali non sono facili da prevedere e idealmente richiedono una conoscenza dettagliata di ciascuna pianta; tali dati sarebbero proibitivi in ​​termini di costi e di tempo se le persone fossero impiegate per raccoglierli. È qui che entrano in gioco i droni”.

Guo ha un background sia in informatica che in scienze agrarie, quindi è ideale per trovare modi in cui hardware e software all’avanguardia potrebbero aiutare l’agricoltura. Lui e il suo team hanno dimostrato che alcuni droni a basso costo dotati di software specializzato possono immaginare e analizzare giovani piante – i broccoli nel caso di questo studio – e prevedere con precisione le loro caratteristiche di crescita previste.

I droni eseguono il processo di imaging più volte e lo fanno senza interazione umana, il che significa che il sistema richiede poco in termini di costi di manodopera.

Visualizzazione dei dati su foto aeree. Il costo del lavoro umano e del tempo impiegato impedisce la catalogazione manuale delle singole piante in un campo. Qui i dati di catalogo raccolti dai droni e prodotti da un sistema di deep learning vengono sovrapposti alle foto dei campi. Credito immagine: Guo et al. CC-BY

“Potrebbe sorprendere alcuni sapere che raccogliendo un campo anche solo un giorno prima o dopo il momento ottimale si potrebbe ridurre il reddito potenziale di quel campo per l’agricoltore dal 3,7% fino al 20,4%”, ha detto Guo.

“Ma con il nostro sistema, i droni identificano e catalogano ogni pianta sul campo e i loro dati di imaging alimentano un modello che utilizza il deep learning per produrre dati visivi di facile comprensione per gli agricoltori. Considerati gli attuali costi relativamente bassi di droni e computer, una versione commerciale di questo sistema dovrebbe essere alla portata di molti agricoltori”.

La sfida principale del team riguardava l’analisi delle immagini e gli aspetti di deep learning. Raccogliere i dati dell’immagine in sé è relativamente banale, ma dato il modo in cui le piante si muovono nel vento e come la luce cambia con il tempo e le stagioni, i dati dell’immagine contengono molte variazioni che le macchine spesso trovano difficile compensare.

Pertanto, durante l’addestramento del sistema, il team ha dovuto investire un’enorme quantità di tempo nell’etichettare vari aspetti delle immagini che i droni potevano vedere, per aiutare il sistema a imparare a identificare ciò che stava vedendo correttamente. Anche l’enorme flusso di dati era impegnativo: i dati delle immagini erano spesso dell’ordine di trilioni di pixel, decine di migliaia di volte più grandi anche della fotocamera di uno smartphone di fascia alta.

“Sono ispirato a trovare più modi in cui la fenotipizzazione delle piante (misurazione dei tratti di crescita delle piante) possa passare dal laboratorio al campo per aiutare a risolvere i principali problemi che dobbiamo affrontare”, ha affermato Guo.

Fonte:Università di Tokio