Напомена уредника: Тхе Конференција ВИЗИЈА 2022 представиће проширено истраживање о томе где иновације убрзано покрећу промене, укључујући трендове у високовредним специјалним усевима, програме одрживости и секвестрације угљеника, као и високотехнолошки контролисане системе производње животне средине. Једна нова тема о дневни ред је визуелни податак. Испод је поглед изнутра како ће визуелни сензори и компјутерски вид бити кључни да помогну читавој индустрији да задовољи потребе за храном растуће глобалне популације.
Компјутерски вид је доживео прави процват. Увиди прикупљени путем података са дронова, сателита и авиона прикупљају податке са неба. Сензори монтирани на опреми су у стању да мере промене у карактеристикама биљке или параметрима тла помоћу сензора оптичке рефлексије. ЛиДАР сензори сада могу да мере структуру биљака у 3Д.
Осим што помаже агрономима са подацима, компјутерски вид је такође у основи омогућавања аутономних машина на терену, помажући машинама да реагују на ситуације на терену или чак откривају препреке. Технологија нам чак омогућава да реагујемо на хипер-прецизну локацију подаци са сателитских снимака, који је у стању да донесе детаље на центиметарском нивоу. Уз сву ову технологију која нам је на располагању, да ли су људске очне јабучице уопште потребне?
Када ове камере, сензори и сателити буду распоређени у великим количинама на пољима и стакленицима, они ће обезбедити 100% надзор даноноћно. Када се то догоди, агрономија на даљину и у великој мери пољопривреда на даљину могу постати стварност. Како аутономне машине и роботи преузимају све већи број улога, потреба за великом радном снагом можда више није потребна. Док се данас већина воћа и поврћа бере и пакује ручно, извештај С&П Глобал предвиђа да ће до 2025. системи перцепције и алгоритми бербе омогућити аспекте аутономне бербе у контролисаној пољопривреди (ЦЕА).
Овај процват компјутерског вида није релевантан само у пољопривреди. У ствари, као најзрелија област модерне вештачке интелигенције, она прожима сваки сектор привреде. Могућности које аутоматизација визуелних могућности доноси бескрајне тржишне могућности у сваком сектору. Као људи, визија је наше најразвијеније чуло — оно које највише користимо да опажамо свет око нас. Професор медицинске оптике Дејвид Вилијамс објашњава да је „Више од 50 процената кортекса, површине мозга, посвећено обради визуелних информација.“
Није случајно што је део људског мозга задужен за анализу визуелних информација највећи од дела других чула. Вештачке неуронске мреже су суштински део машинског учења и окосница савремених визуелних технологија. Према речима професора Вилијамса, „Разумевање како функционише визија може бити кључ за разумевање како мозак у целини функционише.
Визуелне технологије већ покрећу развој хране и пољопривреде који ће променити начин на који свет расте, производи, транспортује и конзумира храну. Компјутерски вид је вероватно технолошки најнапредније поље када је у питању вештачка интелигенција. Ово невиђено богатство визуелних података може се искористити и обрадити кроз машинско учење, а затим их вратити узгајивачима хране или аутономним машинама као што су центри за наводњавање. Чак и након жетве, компјутерски вид обезбеђује технологију која се већ користи за кључне кључне задатке као што је процес сортирање и сортирање воћа и поврћа, задатак који када га раде људи је недоследан, дуготрајан, променљив и скуп.
Утицај ове технологије је огроман. Визуелни сензори и компјутерски вид биће од кључне важности да помогну читавој индустрији да задовољи потребе за храном растуће глобалне популације. Подаци Светске банке сугеришу да ће до 2025. године већина сектора хране и пољопривреде бити под великим утицајем усвајања визуелних технологија, као што су препознавање слика, камере, роботика и још много тога. Није изненађење да су компјутерска визија и АИ технологије у срцу новог талас обећавајућих технолошких стартапа у многим вертикалама укључујући малопродају, грађевинарство, осигурање, безбедност и пољопривреду.
Побољшање постојећих процеса као полазна тачка за покретање револуције
Узгајивачима хране је на располагању мноштво визуелних технологија. Ово укључује сваки уређај или алат који снима, анализира, филтрира, приказује или дистрибуира визуелне податке. Ови системи су дизајнирани да искористе компјутерску визију, машинско учење или вештачку интелигенцију како би дали смисао свим визуелним подацима и пружили увиде који се могу применити или самостално деловати на њих.
Недавна извештај ЛДВ Цапитала он Висуал Тецхнологиес истиче неке кључне трендове који су окренути будућности који ће проистећи из усвајања визуелних технологија међу узгајивачима хране у наредних пет година. Најзанимљивија ствар у вези са њима је да они углавном наглашавају унапређење и усвајање постојећих технологија. То неће бити револуција, већ прогресивна еволуција како визуелне технологије постану маинстреам. На пример, извештај указује на алгоритме за машинско учење који уносе слике дронова, авиона и сателита повећане резолуције и већег спектралног опсега, што даље омогућава даљинску агрономију. Такође, како се брзина обраде повећава, сенсинг на опреми ће омогућити доношење одлука на нивоу биљке, као што су прецизно прскање корова и постављање семена.
Да ли се сваки постојећи процес може аутоматизовати и управљати на даљину?
Са толико „очи“ које надгледају и процењују биљке 24/7, и визуелне технологије које у великој мери покривају читава поља или стакленике, може ли се пољопривредом и агрономијом управљати на даљину у блиској будућности? Из искуства са нашим купцима знам да многи узгајивачи хране већ морају да одлазе на терен много мање захваљујући увидима или сликама које су направиле машине и доставили им. Штавише, њихова способност да се баве проблемима као што су штеточине је циљанија и прецизнија. Уместо рутинских провера на лицу места, ови уређаји су у стању да надгледају 100% својих усева, 100% времена.
Иако је компјутерски вид велики напредак који ће редефинисати начин на који се храна узгаја и обрађује, то није крај свега. Потребне су и друге комплементарне технологије које нам омогућавају да видимо испод листа и испод земље, које су једнако кључне за добијање пуне слике. На пример, праћење и анализа микробиома преко наменских сензора који мере обиље, разноврсност и колонизацију микроорганизама у надземним и подземним биљним органима.
Прикупљање, интеграција и осмишљавање свих ових података биће кључни изазов за искориштавање моћи растућег технолошког низа на који ће се узгајивачи хране ослањати. Узгајивачи хране су се увек ослањали на стотине сигнала са терена, али ови нови алати и платформе значе да ће морати да оркестрирају увиде из све већег броја извора. Крајњи циљ је стварање јединственог система који доноси пуну, јасну слику потребну за омогућавање бољих агрономских одлука на високом нивоу.