Как сельское хозяйство оказалось на переднем краю технологического прогресса. Компьютерное зрение в сельском хозяйстве

роботы, компьютерное зрение и весы для свиней

Искусственный интеллект в 2017 году начал покорять и отрасль сельского хозяйства и торговли продуктами питания. Сергей Николенко, научный руководитель платформы Neuromation.io, специально для Milknews рассказывает о будущих сельскохозяйственных приложениях, в которых могут быть использованы синтетические данные.

Компьютерное зрение для анализа посевов: смотреть и видеть

Современное сельское хозяйство — это огромная отрасль. Чтобы накормить миллиарды людей, нужно много земли, и обработать её вручную в наше время уже, конечно, невозможно. Болезни растений и нашествия насекомых часто приводят к неурожаям, а при современных масштабах сельского хозяйства такие нашествия сложно вовремя выявить и нейтрализовать в зародыше.

Это важная область, где могут помочь алгоритмы компьютерного зрения. Растениеводы используют компьютерное зрение для распознавания заболеваний культур: как на микроуровне, по снимкам листьев и растений крупным планом, так и на макроуровне, выявляя ранние признаки заболеваний растений или распространения вредителей по данным аэрофотосъёмки. Все эти проекты обычно основаны на основном современном подходе к компьютерному зрению: сверточных нейронных сетях (convolutional neural networks, CNN).

Заметим, что речь здесь идёт о компьютерном зрении в очень широком смысле. Во многих случаях фотографии — отнюдь не лучший источник данных, и многие важные аспекты жизни растений лучше изучать другими способами. Зачастую состояние растений можно лучше понять, например, собирая при помощи специальных датчиков гиперспектральные изображения или выполняя лазерное трехмерное сканирование; такие методы всё чаще используются в агрономии. Данные такого рода обычно имеют высокое разрешение и по своей природе ближе к медицинским снимкам, чем к фотографиям; одна из систем наблюдения за посадками прямо так и называется — AgMRI. Для обработки этих данных нужны специальные модели, но их пространственная структура позволяет применять современные технологии компьютерного зрения, в частности сверточные нейронные сети.

Недавно 37 миллионов долларов были вложены в создание Исследовательского центра фенотипирования и обработки изображений растений (Plant Phenotyping and Imaging Research Centre) в Университете Саскачевана (Saskatchewan). Это целая организация, основная задача которой — сбор больших наборов данных о культурах (обычно в виде фотографий или описанных выше трёхмерных изображений) и сопоставление данных о фенотипе с генотипом растений; результаты таких проектов можно использовать для совершенствования сельскохозяйственных технологий во всем мире.

Робототехника в сельском хозяйстве

Познакомьтесь с Prospero, автономным сельскохозяйственным роботом, который ужасно похож на WALL-E. Он может выкопать в земле ямку и посадить туда растение, следуя предустановленным общим шаблонам, но учитывая при этом и конкретные особенности ландшафта. Потом Prospero будет ухаживать за посадками, работая с каждым растением индивидуально. А когда настанет время, он соберёт урожай, и при этом снова будет обрабатывать каждое растение точно так, как нужно. Prospero основан на концепции "роевого земледелия”: посмотрите это видео и представьте себе армию маленьких Prospero, которая ползет по полям, оставляя за собой аккуратные ровные ряды растений. Что интересно, Prospero на самом деле появился ещё в 2011 году, до расцвета современной революции глубокого обучения. Однако он по-прежнему остается прототипом, пока не нашедшим широкого применения. А сегодня роботы распространяются в сельском хозяйстве, позволяя автоматизировать всё больше рутинных задач:

автоматизированные беспилотные летательные аппараты опрыскивают сельскохозяйственные культуры; маленькие юркие дроны могут обеспечить более точную доставку опасных химикатов, чем обычные самолеты; более того, тех же дронов-опрыскивателей можно использовать и для аэрофотосъемки, из которой получатся данные для алгоритмов компьютерного зрения из первой части этой статьи;
всё больше развиваются и применяются специализированные роботы для сбора урожая: зерноуборочные комбайны существуют давно, но только сейчас, при помощи современных методов компьютерного зрения и робототехники, получилось разработать, например, робота, собирающего клубнику;
Hortibot, недавно разработанный учеными Орхусского университета (Aarhus University) в Дании, способен распознавать и уничтожать сорняки, удаляя их механическим способом или точечно опрыскивая гербицидами; это еще один большой успех современной робототехники и компьютерного зрения, поскольку отличать сорняки от полезных растений и работать с мелкими растениями при помощи манипуляторов раньше не особенно-то получалось.

Хотя многие из этих роботов по-прежнему остаются прототипами или проходят испытания в небольших масштабах, уже ясно, что робототехника и сельское хозяйство созданы друг для друга. Можно смело предсказывать, что все больше и больше сельскохозяйственных работ будут автоматизированы в ближайшем будущем.

Видеонаблюдение за сельскохозяйственными животными: Большой Брат для Пятачка

И наконец, третье сельскохозяйственное применение искусственного интеллекта по большому счёту ещё даже не появилось. Это пилотный проект, который Neuromation планируем запустить в начале этого года. В этом проекте планируется внедрить современное компьютерное зрение в отрасли, которая пока не удостоилась большого внимания со стороны сообщества глубокого обучения: в животноводстве. Попытки использовать машинное обучение на данных от слежения за домашним скотом, конечно, уже были. Например, пакистанский стартап Cowlar выпустил ошейник, который дистанционно отслеживает активность и температуру коров и буйволов, под броским девизом “FitBit for Cows”, а французские ученые разрабатывают ”распознавание лиц для коров”. Neuromation собирается автоматизировать сбор при помощи компьютерного зренияважнейших данных в ранее обойденной вниманием отрасли объемом в сотни миллиардов долларов — в свиноводстве. На современных фермах свиней содержат относительно небольшими группами, в которые отбирают максимально похожих животных. Основная часть затрат в свиноводстве приходится на корм, и оптимизация процесса откорма — центральная задача современного свиноводства. И фермеры, скорее всего, смогли бы решить эту задачу, если бы у них была подробная информация о привесе свиней. Но сейчас животных обычно взвешивают всего два раза за всю жизнь: в самом начале и в самом конце откорма. Если бы специалисты знали, как идет откорм каждого поросенка, можно было бы составить индивидуальную программу откорма каждой свиньи, а то и индивидуальный состав пищевых добавок, что существенно улучшило бы выход продукции. Загнать животных на весы не очень сложно, но это огромный стресс для животного, а от стресса свиньи худеют. В новом проекте планируется разработать новый, неинвазивный метод взвешивания животных: Neuromation собирается построить модель компьютерного зрения, которая будет оценивать вес свиней по фото- и видеоданным. А эти оценки будут подаваться на вход уже классическим, аналитическим моделям машинного обучения, которые будут улучшать процесс откорма.

Сельское хозяйство как фронтир искусственного интеллекта

Земледелие и животноводство зачастую принято считать старомодными и отсталыми индустриями. Однако сегодня сельское хозяйство всё чаще оказывается на переднем крае искусственного интеллекта.

Основная причина здесь в том, что многие возникающие в сельском хозяйстве задачи одновременно:

достаточно сложны, чтобы их не получалось автоматизировать без использования современного искусственного интеллекта и глубокого обучения: культурные растения и свиньи, хоть и похожи друг на друга, но всё же не сошли с одного конвейера, к каждому кусту помидоров и каждой свинке нужен индивидуальный подход, и поэтому до самого последнего времени вмешательство человека была абсолютно необходимо;

но в то же время достаточно просты, чтобы уже при сегодняшнем развитии искусственного интеллекта мы могли бы их решить, учитывая индивидуальные различия между растениями и животными, но при этом автоматизируя общие технологии работы с ними; водить трактор в чистом поле проще, чем автомобиль в уличном потоке, а взвесить свинью проще, чем научиться проходить тест Тьюринга.

Сельское хозяйство по-прежнему остается одной из крупнейших и наиболее важных отраслей на планете, и даже небольшое повышение эффективности даст огромный выигрыш просто из-за огромного масштаба.

2103 просмотра

Обновить

milknews.ru

КОМПЬЮТЕРНОЕ ЗРЕНИЕ В СЕЛЬСКОМ ХОЗЯЙСТВЕ — Космопорт

Проблема

Известно, что растения постоянно меняются: проходят путь от семени до плода. Однако, в период сбора урожая не все плоды одинаковы: есть зрелые и незрелые, крупные и мелкие, с дефектами и неповрежденные. Задача агрария выбрать сходные по свойствам плоды для дальнейшей обработки. Для этого требуется много труда при сборе урожая или на этапе сортировки плодов. Помочь человеку в этом нелегком деле может специально разработанный для сельского хозяйства робот-сборщик плодов и ягод.

Цель

Разработать автоматизированную систему для анализа свойств плодов и ягод сельскохозяйственных культур посредством компьютерного зрения

Объект

Автоматизация процесса компьютерной обработки изображения

Предмет

Робот-сборщик плодовых культур с использованием цифрового анализа изображения

Задачи

Проанализировать и обобщить доступные источники по теме исследования

Выделить этапы разработки проекта, распределить роли участников команды разработчиков

Выбрать средства для реализации алгоритмов управления роботом

Выбрать программные библиотеки для организации машинного зрения

Разработать эскизы конструкции робота

Выполнить макетную сборку электронных модулей и комплектующих робота

Разработать программный код модуля управления

Изготовить действующую модель робота-сборщика плодов и ягод сельскохозяйственных культур

Описание робота

Основная функция устройства – это анализ и оценка цветовых характеристик плода на основе специально созданного алгоритма. Робот осуществляет поиск плодов заданного цвета, при этом игнорирует остальные участки видео-кадра. Это позволяет сфокусироваться и определить координаты «спелого» плода с последующей передачей этих данных на манипулятор, который предназначен для сбора плодов.

Аппаратная часть построена на процессоре с архитектурой x86. В качестве сенсора компьютерного зрения используется веб-камера. Управление двигателями берет на себя Arduino.

Программный код алгоритма управления написан на языке Java с помощью библиотек Processing.js и встроенной в processingбиблиотеки video. В свою очередь управляющая программа для контроллера написана на языке Wiring.

Конструктивные детали робота изготовлены с помощью 3D-принтера.

В перспективе планируется оптимизировать алгоритм анализа свойств плода с использованием технологии IoT, нейронных сетей с применением свойств роевого интеллекта. Это позволит увеличить зону обзора, точность определения координат, использовать в системе несколько манипуляторов, а также обеспечить передачу данных на единый диспетчерский пульт.

Этапы проекта

1. Изучение источников по вопросу возможностей применения компьютерного зрения в сельском хозяйстве;

2. Уточнение направления разработки проекта;

3. Формулирование основных требований к роботу-сборщику плодов и ягод сельскохозяйственных культур;

4. Разработка аппаратной части робота;

5. Разработка корпуса и дизайн робота;

6. Разработка программного кода управления;

7. Испытание и отладка робота-сборщика;

8. Презентация роботу-сборщику плодов и ягод сельскохозяйственных культур.

Предполагаемый результат:

Повышение компетентности команды по вопросам автоматизации процессов в сельском хозяйстве

Отработка навыков командной работы участников проекта

Выбрана оптимальная аппаратная платформа робота для обработки потокового видео

Написан промежуточный программный код с использованием выбранных библиотеки для организации машинного зрения

Разработаны эскизы конструкции робота и их 3D модели

Выполнена сборка электронных модулей и комплектующих робота

Отлажен программный код модуля управления

Собрана и апробирована модель робота-сборщика плодов и ягод сельскохозяйственных культур

cosmoport.club

Искусственный интеллект в АПК: роботы, компьютерное зрение и весы для свиней - Agrovesti.net

Компьютерное зрение для анализа посевов: смотреть и видеть

Робототехника в сельском хозяйстве

Что интересно, Prospero на самом деле появился ещё в 2011 году, до расцвета современной революции глубокого обучения. Однако он по-прежнему остается прототипом, пока не нашедшим широкого применения. А сегодня роботы распространяются в сельском хозяйстве, позволяя автоматизировать всё больше рутинных задач:

автоматизированные беспилотные летательные аппараты опрыскивают сельскохозяйственные культуры; маленькие юркие дроны могут обеспечить более точную доставку опасных химикатов, чем обычные самолеты; более того, тех же дронов-опрыскивателей можно использовать и для аэрофотосъемки, из которой получатся данные для алгоритмов компьютерного зрения из первой части этой статьи;
всё больше развиваются и применяются специализированные роботы для сбора урожая: зерноуборочные комбайны существуют давно, но только сейчас, при помощи современных методов компьютерного зрения и робототехники, получилось разработать, например, робота, собирающего клубнику;
Hortibot, недавно разработанный учеными Орхусского университета (Aarhus University) в Дании, способен распознавать и уничтожать сорняки, удаляя их механическим способом или точечно опрыскивая гербицидами; это еще один большой успех современной робототехники и компьютерного зрения, поскольку отличать сорняки от полезных растений и работать с мелкими растениями при помощи манипуляторов раньше не особенно-то получалось.

Видеонаблюдение за сельскохозяйственными животными: Большой Брат для Пятачка

Попытки использовать машинное обучение на данных от слежения за домашним скотом, конечно, уже были. Например, пакистанский стартап Cowlar выпустил ошейник, который дистанционно отслеживает активность и температуру коров и буйволов, под броским девизом “FitBit for Cows”, а французские ученые разрабатывают ”распознавание лиц для коров”. Neuromation собирается автоматизировать сбор при помощи компьютерного зренияважнейших данных в ранее обойденной вниманием отрасли объемом в сотни миллиардов долларов — в свиноводстве.

На современных фермах свиней содержат относительно небольшими группами, в которые отбирают максимально похожих животных. Основная часть затрат в свиноводстве приходится на корм, и оптимизация процесса откорма — центральная задача современного свиноводства.

И фермеры, скорее всего, смогли бы решить эту задачу, если бы у них была подробная информация о привесе свиней. Но сейчас животных обычно взвешивают всего два раза за всю жизнь: в самом начале и в самом конце откорма. Если бы специалисты знали, как идет откорм каждого поросенка, можно было бы составить индивидуальную программу откорма каждой свиньи, а то и индивидуальный состав пищевых добавок, что существенно улучшило бы выход продукции.

Загнать животных на весы не очень сложно, но это огромный стресс для животного, а от стресса свиньи худеют. В новом проекте планируется разработать новый, неинвазивный метод взвешивания животных: Neuromation собирается построить модель компьютерного зрения, которая будет оценивать вес свиней по фото- и видеоданным. А эти оценки будут подаваться на вход уже классическим, аналитическим моделям машинного обучения, которые будут улучшать процесс откорма.

Сельское хозяйство как фронтир искусственного интеллекта

Основная причина здесь в том, что многие возникающие в сельском хозяйстве задачи одновременно:

достаточно сложны, чтобы их не получалось автоматизировать без использования современного искусственного интеллекта и глубокого обучения: культурные растения и свиньи, хоть и похожи друг на друга, но всё же не сошли с одного конвейера, к каждому кусту помидоров и каждой свинке нужен индивидуальный подход, и поэтому до самого последнего времени вмешательство человека была абсолютно необходимо;
но в то же время достаточно просты, чтобы уже при сегодняшнем развитии искусственного интеллекта мы могли бы их решить, учитывая индивидуальные различия между растениями и животными, но при этом автоматизируя общие технологии работы с ними; водить трактор в чистом поле проще, чем автомобиль в уличном потоке, а взвесить свинью проще, чем научиться проходить тест Тьюринга.

agrovesti.net

Применение систем технического зрения в точном земледелии — Светич

Основу точного земледелия (дифференцированного воздействия на систему «почва + растение + окружающая среда») составляет информация об объекте воздействия. Объектами воздействия при управлении продукционным процессом могут быть почва, растения, сорняки, вредители растений и др. Существует много способов получения необходимой для управления продукционным процессом информации. Для получения информации о почве используются такие методы как отбор почвенных проб и их анализ, плотномеры, приборы и оборудование для оценки физико-механических свойств контактными и бесконтактными способами. Для получения информации о растениях также используются контактные и бесконтактные способы.

По мере развития электроники и информационных технологий разработаны различные сенсорные системы, которые широко используются в сельскохозяйственном производстве для управления продукционным процессом. Для успешной реализации технологий точного земледелия необходима достоверная информация о состоянии почвы, растений и окружающей среды и их изменчивости как в пространстве (в пределах одного поля), так и во времени. Эта изменчивость зависит от многих факторов, таких, как свойства почвы, урожайность, содержание влаги в почве, наличие элементов питания и их соотношение, объём биомассы, фитосанитарное состояние (болезни, сорняки и вредители растений). Эти факторы могут быть измерены с помощью различного типа датчиков, сенсоров и инструментов, таких, как полевые электронные датчики, многоспектральные и гиперспектральные системы, установленных на агрегатах или беспилотных летательных аппаратах различного типа или спутниках, а также термовизоры и технические средства по определению запахов (machine olfaction). Сенсорные системы для определения плотности биомассы, обнаружения и определения типа сорняков, оценки состояния почвы и наличия в ней питательных элементов являются перспективными для использования их в точном земледелии.

Имеющиеся в наличии и разрабатываемые сенсоры, и сенсорные сети позволяют товаропроизводителям наблюдать и контролировать многие параметры почвы, растений и окружающей среды при производстве сельскохозяйственной продукции. Местные и удаленные сенсоры и сенсорные сети могут быть использованы для мониторинга потребности растений в питательных веществах и влаге, состояния почвы и фитосанитарного состояния растений, включая болезни и вредителей растений. Точное земледелие базируется на такой информации при дифференцированном воздействии на систему «почва + растение + окружающая среда». Для обеспечения точного земледелия надежным фундаментом необходимы многообразные данные с высоким разрешением. По мере развития электроники и информационных технологий разработаны различные сенсорные системы, которые могут быть использованы при производстве сельскохозяйственной продукции. Для реализации технологий точного земледелия необходима следующая информация: урожайность сельскохозяйственной культуры, состояние почвы и обеспеченность ее элементами питания и влагой, объем биомассы, фитосанитарное состояние. Методы и технологии, используемые для получения этой информации, включают полевые электронные сенсоры, спектрорадиометры, мультиспектральные и гиперспектральные средства, устанавливаемые на летательных аппаратах различного типа, спутниковые системы Д-ЗЗ и другие. В статье приведен анализ различных сенсорных систем, как они используются в точном земледелии и управлении продукционным процессом различных сельскохозяйственных культур. Особое внимание уделено техническому зрению (ТЗ).

Техническое зрение

Прежде, чем приступить к анализу систем технического зрения (ТЗ), используемых для управления продукционным процессом сельскохозяйственных культур, определимся с терминологией. В настоящее время в русском языке существует как минимум три близких до смешения определения: зрение машинное, компьютерное и техническое. В английском языке – получили распространение всего два: машинное (Machine Vision) и компьютерное (Computer Vision). Чтобы разобраться, в чем разница, начнем с английских определений – их меньше. Термин «Машинное зрение» (Machine Vision), как правило, употребляется при описании систем и технологий, используемых в промышленной автоматизации, т.е. там, где используются «машины» в их наиболее широком понимании: техника как механизмы или устройства, выполняющие какую-либо работу. Термин «компьютерное зрение» несет несколько иную смысловую нагрузку: в первую очередь, речь идет об использовании вычислительной машины – компьютера как основного элемента таких систем. Системы компьютерного зрения находят применение не только в промышленности (технике), но и в медицине (подсчет эритроцитов, иридодиагностика и др.), в задачах охраны и безопасности (распознавание номеров, лиц) и других. Основной упор в компьютерном зрении делается скорее на алгоритмическую часть, математику, нежели на области его практического применения. В русскоязычном варианте термин «компьютерное зрение» полностью повторяет свое значение. А вот термин «машинное зрение» в переводе на русский язык наследует немного иное понимание. В общеупотребительной практике «машина» ассоциируется скорее со словом «автомобиль», нежели с более общим термином «техника». Вероятно, именно поэтому у нас появилась еще одна интерпретация, свободная от этой двусмысленности: техническое зрение. Она в полной мере является аналогом английского термина «машинное» зрение и наравне с последним может употребляться для определения промышленных систем, использующих зрение во всех его проявлениях. Итак, ниже пойдет речь собственно о системах машинного или технического зрения. Обычно, системы технического зрения разделя-ют на две независимые подсистемы: получения изображений; обработки изображений. Каждая из них, в свою очередь, включает различный набор компонентов в зависимости от требований конкретной прикладной задачи. С обработкой изображений все более-менее ясно: это вычислитель (тот или иной процессор, графический сопроцессор, DSP или ПЛИС) и математические алгоритмы, которые на этом вычислителе работают. На практике те или иные платформы и программное обеспечение используются «как есть», и редко что-либо меняется в самих алгоритмах. Задача разработчика заключается в выборе типов алгоритмов и их последовательности. И тут огромное значение приобретает инструмент, который позволяет легко и удобно оперировать изображениями. И вот тут начинается самое главное. Но для этого их (изображения) нужно сначала получить. Изображение, массив значений пикселей, или облако точек, в случае многомерных представлений, может быть получено различными способами, и в этом определяющую роль играет именно разработчик. Вот только некоторые из них: видеокамера, тепловизионная камера, лазерный 3D сканер, TOF камера и многие другие. Причем, в каждом случае выбор не ограничен одним типом устройства.

Типовое решение системы машинного зрения включает в себя несколько следующих компонентов: 1. Одна или несколько цифровых или аналоговых камер (черно-белые или цветные) с подходящей оптикой для получения изображений. 2. Программное обеспечение для изготовления изображений для обработки. Для аналоговых камер – это оцифровщик изображений. 3. Процессор (современный ПК c многоядерным процессором или встроенный процессор, например —ЦСП). 4. Программное обеспечение машинного зрения, которое предоставляет инструменты для разработки отдельных приложений программного обеспечения. 5. Оборудование ввода-вывода или каналы связи для доклада о полученных результатах. 6. Умная камера: одно устройство, которое включает в себя все вышеперечисленные пункты. 7. Очень специализированные источники света (светодиоды, люминесцентные и галогенные лампы и т. д.) 8. Специфичные приложения программного обеспечения для обработки изображений и обнаружения соответствующих свойств. 9. Датчик для синхронизации частей обнаружения (часто оптический или магнитный датчик) для захвата и обработки изображений. В последнее время возрос интерес к использованию технического (машинного) зрения для получения информации о факторах, оказывающих влияние на продукционный процесс. Преимущества машинного зрения 1) Высокая точность: при проведении измерений с использованием МЗ нет необходимости прикасаться к объекту, исключается возможность повреждения. 2) Непрерывность: при визуальном контроле человек устает. 3) Экономическая эффективность: благодаря резкому снижению стоимости компьютерных процессоров, ремонта и эксплуатация систем МЗ снижаются затраты. 4) Гибкость: при помощи систем ТЗ можно осуществлять оценку многих параметров сельскохозяйственной продукции. В случае изменения области применения меняется программное обеспечение или осуществляется его модернизация.

Роль технического зрения в точном земледелии

Среди причин, способствующих широкому внедрению в сельское хозяйство ТЗ, являются сравнительно небольшая стоимость, постоянство, быстродействие и точность.

Способы получения информации об объекте в ТЗ

Цифровые фотографические методы Технологии цифровой фотографии (ТЦФ) могут быть использованы для 3-х мерного изображения различных объектов с использованием ТЗ зрения. В ТЦФ цифровая камера получает отраженный поверхностью объекта свет и преобразует его в электрический сигнал, используя прибор с зарядовой связью (ПЗС) или комплементарный структур метал – окисел – полупроводник (КМОП). Оба, ПЗС и КМОП датчики изображения являются твердыми на основе кремния светочувствительными приборами, преобразующими свет в электрический заряд и трансформирующими оптическое изображение в массив электрических сигналов. Выход ПЗС-датчиков является аналоговым сигналом, который нуждается во внешнем аналого-цифровом преобразовании (АЦП), чтобы его преобразовать в цифровой формат перед сохранением в компьютере. В противоположность этому, КМОП – датчики часто имеют схемы АЦП так что выходные данные датчиков представлены в цифровом виде, упрощая тем самым внешнюю схему необходимую для их эксплуатации. Фотографический метод вначале был разработан для твердых объектов с четко определенными непрозрачными контурами. Затем его начали применять и для анализа состояния крон деревьев.

Полусферическая фотография Ряд исследователей для получения параметров, характеризующих «архитектуру» кроны деревьев использовали полусферическую фотографию при по- мощи цифровой камеры с объективом «рыбий глаз». Использование такой камеры позволяет получать некоторые характеристики растений, такие как индекс листовой поверхности, слипание листьев с достаточной степенью точности. Процесс обработки информации довольно медленный и не может быть использован для получения 3D изображений в реальном масштабе времени.

Стереозрение (StereoVision) Компьютерное стереозрение предполагает извлечение 3D информации из цифровых изображений, аналогично цифровой камере с зарядовой связью (ПЗС) или комплементарной структур метал – окисел – полупроводником (КМОП). Система Stereo Vision может обеспечить 3D изображение путем объединения двух монокулярных изображений, полученных одновременно посредством бинокулярной камеры. Метод обеспечивает наиболее реалистичное 3D изображение растений и древесных культур, очень похожих на видение человеческого глаза. Позволяет измерять непосредственно 3D структуру растительности, включая физические параметры, которые имеют большое значение для управления продукционным процессом, такие, как размер и объем. Кроме того, стереозрение позволяет определять расстояние от камеры до объекта. Можно также, при необходимости, получать спектральную информацию. Позволяет получать 3D изображения для географической информационной системы (ГИС). Недостатком данной системы является то, что она обеспечивает меньшую точность, чем лазерные системы и нуждаются в соответствующей калибровке и записи процедуры. Теряет свою эффективность при определенных погодных условиях, особенно при изменении освещения, и требует дальнейшего улучшения, если применять для крон высокой плотности. Когда несколько изображений обрабатываются вместе, величина файлов данных значительно возрастает, усложняя обработку и хранение 3D- информации и требует большого времени на обработку данных. Проблема становится более сложной, когда требуется обработка в реальном времени.

Продолжение статьи читайте в следующем номере

Г.И. ЛИЧМАН, д-р техн. наук., зав. лабораторией, И.Г. СМИРНОВ, канд. с.-х… наук, учёный секретарь, ФГБНУ ФНАЦ ВИМ, Беленков А.И., д-р с.-х. наук. РГАУ-МСХА имени К.А. ТИМИРЯЗЕВА

Журнал "Нивы России", №4 (148) май 2017

svetich.info

Как сельское хозяйство оказалось на переднем краю технологического прогресса - Экономика и бизнес

Министерство образования и науки России запустило новый цикл уроков по профессиональной навигации для старшеклассников. Первый открытый урок — "Что ты знаешь о еде", — посвященный среди прочего новым технологиям и новым профессиям в агропромышленном комплексе, прошел 8 февраля в российских школах.

При упоминании высоких технологий на ум приходят суперкомпьютер в поисках нового лекарства от рака, машина с автопилотом или хотя бы фронтальная камера в смартфоне, которая угодливо выровняет морщины на фотографии. О чем люди обычно не думают, так это о грядке с помидорами. Хотя многие сельхозпроизводители уже давно полагаются на помощь роботов, над полями кружат беспилотники, а скот подключен к интернету.

Роботы

Работа в поле или на ферме зачастую тяжела и состоит из повторяющихся, скучных действий. С годами все меньше людей готовы целый день обливаться потом над пашней, да и физически человек не так уж силен.

Таких проблем нет у роботов, а могут они теперь много разных вещей. Их используют, чтобы скосить траву, посеять семена на выверенном расстоянии друг от друга, подрезать, опрыскать или опылить растения, выдернуть сорняки.

Но чаще всего роботы нужны для сбора урожая. Правда, машина справится не со всяким растением: "умное" лезвие на комбайне попадет по кочану капусты, робот-погрузчик перевезет ящик с картошкой, но механическая рука не сможет сорвать ягоду — для этого нужна точная наводка и движение с почти хирургической точностью. В таких случаях роботам помогают люди, но это все равно огромный прогресс, ведь раньше было наоборот: техника помогала людям.

Компьютерное зрение

Чтобы робот перевез ящик с плодами, сначала этот ящик нужно найти. Для этого используются системы компьютерного зрения, когда самообучающаяся программа распознает объекты на изображении с камеры, встроенной в робота. Ящики не предел возможностей. Есть программы, которые определяют по фотографии, не заболела ли корова. Есть такие, которые анализируют состояние полей по снимкам с самолета или спутника. Еще с помощью компьютерного зрения можно рассортировать плоды по спелости и решить, какие выдержат долгую транспортировку, а какие лучше продать в местные магазины.

А если оборудовать компьютерным зрением маленький беспилотник, он будет летать над полями и автоматически брызгать отраву на вредителей — израильский стартап Prospera, разработавший эту технологию, недавно привлек $15 млн инвестиций.

Дроны

Дроны, или беспилотные летательные аппараты, все чаще применяют в сельском хозяйстве вместо самолетов. Чтобы ими управлять, не нужен летчик, а часто можно обойтись даже без человека на земле. Многие сельскохозяйственные модели оборудованы бортовыми компьютерами, куда вбивается маршрут: аппарат сам взлетит, сделает круг и сядет, а по пути опылит растения или разбрызгает химикаты.

Еще на дроны ставят камеры, обычные и инфракрасные: он ориентируется по GPS и в нужных местах делает снимки. Беспилотник может лететь прямо над макушками растений — кадры получаются детальные, местность не заслоняют облака, как бывает в случае со спутниками. На снимках с дрона видны больные растения, по ним можно судить о состоянии почвы: например, о нехватке воды. Поскольку дроны сравнительно дешевы (хорошую модель можно купить за те же деньги, которые придется отдать за час аренды самолета с пилотом), их можно запускать хоть каждый день и, монтируя кадры видео, следить за изменениями на участке. Эти данные помогут точнее распределять воду, удобрения и пестициды.

Повсеместное использование дронов во многом объясняется серьезным прогрессом в технологиях — все компоненты беспилотных летательных аппаратов (гироскопы, акселерометры, GPS-модули, процессоры, цифровые радиостанции) становятся компактнее, эффективнее и дешевле. Не в последнюю очередь это происходит благодаря тому, что все эти технологии используются в смартфонах, а эта отрасль развивается очень быстрыми темпами. Так технологии, изначально ориентированные на рядовых потребителей, начинают использоваться в агропроме.

Интернет вещей

С дрона в бреющем полете угодья видно хорошо, но иногда недостаточно. Для еще большей точности в сельском хозяйстве используют интернет вещей — подключенные к сети устройства, обменивающиеся данными. Для горожанина интернет вещей — это "умный" холодильник, а фермеры применяют всевозможные датчики. Правда, такие системы стоят недешево, а интернет ловит не в каждом поле.

Зато с их помощью можно, например, следить за влажностью почвы: когда уровень падает, автоматически включаются поливалки. Датчики можно установить в землю, пруд с рыбой, теплицу, комбайны и другую технику. Есть даже устройства, которые показывают уровень кислотности в желудке коровы, и что-то вроде фитнес-браслетов для скота: если животное мало двигается, вероятно, оно заболело.

Данные с датчиков обрабатываются компьютерными программами. Некоторые из них автоматически рассчитывают оптимальный план действий: что и когда нужно полить, обработать пестицидами, подрезать. И все это доступно в любое время и в любом месте — только открой приложение в смартфоне.

Биотехнологии

"Умные" датчики и роботы с компьютерным зрением позволяют точно отмерить дозу химикатов, чтобы уничтожить вредителей или подкормить растения. Но вещества эти все равно вредны для человека, а еще вреднее для продаж: в моде все натуральное. Поэтому ученые ищут полезные бактерии и грибки, которые помогали бы сельскохозяйственным культурам. Одни микроорганизмы убивают возбудителей болезней и сорняки, другие растворяют минеральные вещества в почве, чтобы до них добрались корни растения, третьи улавливают атмосферный азот.

Другое направление в биотехнологиях — редактирование ДНК, и здесь за последние годы случился прорыв. Чтобы придать организмам новые качества, раньше в них меняли целые гены: например, ген табака внедряли в картофель. Но каждый ген состоит из тысяч, иногда сотен тысяч "букв", мельчайших частей ДНК. CRISPR/Cas9 и другие современные технологии позволяют редактировать ДНК вплоть до отдельных "букв". Такие изменения позволяют точнее прогнозировать результат и напоминают естественные мутации. Возможно, это успокоит противников ГМО и ускорит внедрение усовершенствованных видов.

Городское фермерство

Раньше даже в крупных городах содержали огороды, а сейчас этот вид сельского хозяйства снова набирает популярность, правда, в основном на Западе. С одной стороны, городские огороды отвечают запросу на местные продукты, выращенные простыми фермерами. Но появляются они еще и потому, что стали рентабельными благодаря технологиям.

Выращивают везде: на крышах домов, у себя в квартирах, на заброшенных заводах, даже в старых бомбоубежищах. В этом деле помогают "умные" датчики, которые экономят ресурсы и автоматизируют работу. Солнце заменяют диодные лампы. Они потребляют мало электричества и позволяют выбрать подходящую температуру света. Солнечные батареи вырабатывают энергию и позволяют добывать воду прямо из воздуха. А грядки громоздятся на многоярусных конструкциях, чтобы извлечь пользу из всего доступного пространства, — такая технология называется "вертикальной фермой" и позволяет на порядок увеличить площади под выращивание продукции.

Новые профессии

Роботы, беспилотники, умные устройства — это всего лишь инструменты. Кому-то нужно ими управлять, кто-то должен их проектировать и обслуживать, поэтому в агробизнесе вырастет спрос на инженеров, кибернетиков, механиков. Например, если на ферме начнут выращивать клубнику, кому-то придется настроить нейронную сеть в роботе-сборщике, чтобы он научился распознавать ягоды.

Не пропадет и нужда в агрономах и селекционерах, но им надо будет разбираться в генетике, информационных технологиях, математике. Зная кислотность почвы и живущие в ней микроорганизмы, данные о погоде за несколько лет, такой специалист с помощью точного редактирования генома сможет на адаптировать сорта под конкретные условия прямо на месте.

Технологии как необходимость

По части инноваций сельское хозяйство не отстает от потребительской электроники, автопрома и других индустрий, которые принято считать высокотехнологичными. Но есть между ними важное отличие. "Умные" камеры в смартфонах или автопилот в электромобиле — это разработки прежде всего для удобства и удовольствия. Без них можно прожить, а без еды нельзя. По прогнозам демографов, к 2050 году на Земле будут жить без малого 10 млрд людей, которым потребуется на 70% больше еды, чем сейчас. Поэтому инновации в сельском хозяйстве не блажь, а надежда человечества.

Марат Кузаев

tass.ru

Как компьютерное зрение применяется в бизнесе?

Владимир: Что из себя представляет современное компьютерное зрение?

Владимир: Это технология, с помощью которой можно обнаруживать, отслеживать и классифицировать объекты. То есть компьютерное зрение проводит захват-анализ видеопотока с видеокамер, впоследствии классифицирует полученные данные, обнаруженные объекты и так далее.

Владимир: Вспомним фильм «Терминатор» — у него в глазах было видно, как он захватывает объекты, строит мишень, стреляет, анализирует информацию — фактически то же самое, только в современном мире это уже реальность, а не фантастика.

Филипп: Да, мы говорим про «Скайнет», про все в одном. В комплексе с компьютерным зрением у нас также используются нейросети. Это искусственный интеллект, некая математическая модель, а также ее программное и аппаратное воплощение, построенное по принципу организации и хранения биологических нейронных сетей.

13 сентября в Москве состоится конференция по большим данным Big Data Conference. В этом году мы включили в программу не только лучшие кейсы от компаний, но и Big Data Hackathon для специалистов по анализу данных. Не пропустите!

Владимир: Мы понимаем нейросеть как нечто самообучающееся, как штука, которая видит или получает информацию и со временем становится лучше. Это так?

Филипп: Это искусственный интеллект по сути. Только мы на данный момент используем нейронную сеть и обучаем ее сами для того, чтобы она могла определять какие-либо объекты. Архитектура строится так, что с камер видеонаблюдения видеопоток передается в нейросеть, а нейросеть классифицирует объект для определения или выявления каких-либо нарушений.

Владимир: Но, в частности, ваша компания специализируется на внедрении компьютерного зрения на различных производствах. Вот могли бы какие-то кейсы сказать? Как ваш продукт интегрируется в конкретные производственные процессы? И чем он может быть полезен?

Филипп: Расскажу чуть предысторию. Начинали мы всю разработку и обследование в 2016 году. К нам обратилась одна из нефтесервисных компаний, у которой была необходимость выявлять процессы нарушения бизнес-, технологических и, в первую очередь, процессов безопасности. Они сами говорят, что их правила безопасности писаны кровью, поэтому им нужно было как раз захватывать видеопоток с видеокамер и отслеживать нарушения в части несоблюдения требований техники безопасности.

Например, нарушения ношения спецодежды. Человек, который работает в нефтяной и газовой отрасли, по правилам и техникам безопасности должен носить каску на голове, иметь защиту рук и ног. То есть средства защиты рук, ног, жилеты и так далее. Собственно, мы справились с этой задачей — разработали систему, которая позволяет в онлайне отслеживать какие-либо нарушения, и вовремя их предупреждать.

Владимир: То есть фактически камера смотрит на большое количество людей, которые работают, видит, кто из них не одет в спецодежду, и сообщает курирующему менеджеру об этом?

Филипп: Да. На текущий момент во многих сервисных и нефтедобывающих компаниях, где ведется производство на непосредственно месторождении, стоят видеокамеры. Но проблема заключается в следующем. Фактически, вся эта информация собирается, но не анализируется в онлайн-режиме. Постфактум, если произошло какое-то происшествие, тогда уже разбираются, делаются определенные выводы. Наша система позволяет, скажем так, минимизировать человеческий фактор, в автоматическом режиме контролировать и выявлять проблемы, нарушения, которые мы туда закладываем.

Владимир: Вы рассказали, как компьютерное зрение помогло одному из ваших клиентов в спасении жизни, соблюдении правил безопасности на производстве. Тем не менее, ближе к земле. Что еще может делать ваш программный продукт в области современного компьютерного зрения?

Филипп: Сфера применения нашего продукта достаточно широка — практически на любом производстве. В любой области, где используется видеонаблюдение. На текущий момент у нас достаточно много заказчиков из области ритейла, компаний, занимающихся железнодорожными перевозками, крупных агрохолдингов, производственных площадок.

Владимир: Что конкретно может делать технология? Вы же сказали, что она, например, может видеть людей, не одетых в спецодежду. Что еще конкретно она может?

Филипп: Кейсов у нас достаточно много. Можно начать с промышленности. У нас был запрос от одной из областей России. У них была задача — минимизация воровства леса. Нужно было отслеживать лесовозы, смотреть кубатуру, сколько везет лесовоз, и сравнивать номера лесовозов с белым и черным списком, вовремя оповещать ближайший пункт ГИБДД.

Владимир: Фактически можно камерой и при помощи программного продукта узнать сколько «кубов» в одном конкретном грузовике?

Владимир, Филипп: Да.

Владимир: Хорошо. А, например, маркетинговые какие-то активности есть?

Владимир: Да. У нас была интересная задача. К нам обратилась большая аптечная сеть. В сети были повешены мониторы, нужно было смотреть и отслеживать какой возрастной категории заходит человек. В зависимости от категории показывать ту или иную рекламу. Данная технология используется для помощи продавцам. Есть какие-то акционные продукты, которые предлагаются тем или иным возрастным категориям людей, и, если продавец видит подсказку у себя на мониторе о том, что большинство людей, присутствующих в магазине сейчас, находятся в целевой аудитории от стольких до стольких лет, она, не задумываясь, может предлагать акционную продукцию. Как помощник это очень удобно.

Филипп: Программный продукт «Морриган» может распознавать возраст, пол людей.

Компьютерное зрение может отмечать передвижения людей, следить за их поведением

Владимир: Наверняка, еще в банках можно это каким-то образом использовать? Например, я слышал, что распознавание лиц используется для анализа количества посетителей, их возрастных характеристик и так далее. Для того чтобы собирать их данные, собирать биг дату по клиентам.

Владимир: У нас вообще много разных задач используется. Была задача по распознаванию лиц для того, чтобы перед VIP-клиентами двери открывались автоматически, и секретарши видели, кто к ним заходит.

Владимир: Что еще было интересного?

Владимир: В банковской сфере много интересных задач. Во многих банках происходит следующее: сначала происходит нарушение — ограбление, задымление — и постфактум смотрят за тем, что случилось. Сейчас же компьютерное зрение позволяет предупредить какие-либо нарушения. Это можно сделать по разным маркерам. Например, заходит взрослый человек в киоск, где расположены банкоматы, он присел на корточки и сидит больше минуты, всяко не шнурки завязывает. Значит, что-то затеял. Что-то он хочет с банкоматом сделать точно. Камеры видеонаблюдения, фиксируя такое нестандартное поведение человека, перенаправляют видеопоток в службу безопасности банка, где сотрудники уже глазами могут проследить то, что в данный момент происходит в самом киоске. Либо какое-то нарушение целостности периметра — это если разбивают стекло, днем, когда датчики отключены и не сработают, мы также можем это отследить и вовремя перенаправить видеопоток, чтобы предотвратить аварию.

Владимир: Это реально интересно. Расскажите, каким образом внедряется ваш программный продукт, из чего он состоит? Как происходит процесс внедрения технологии в жизнь?

Владимир: Если говорить о маркерах, то это заданный алгоритм нарушения. Мы разработали типовые маркеры для определенных отраслей, в которых мы видим спрос, но основным заказчиком маркеров является непосредственно клиент, который знает свое производство, анализирует те узкие моменты, которые он должен увидеть. Он ставит перед нами задачу, мы разрабатываем маркер и потом начинаем внедрение, организационное, техническое, аппаратное.

Филипп: Отвечу на первый вопрос. Что касается видеокамер. Преимущество нашего программного продукта «Морриган» в том, что мы можем работать с любым оснащением камеры. Заказчика необязательно переоснащать камерами видеонаблюдения, если у него уже есть архитектура данных. Если говорить простым языком, то программный продукт видит все то же самое, что видит человеческий глаз. Отвечаю на вопрос о качестве. Если человеческий глаз не видит какие-то нарушения, то программа может это различить.

Владимир: Недавно я смотрел видео с американской технологической выставки, где ребята, ваши коллеги, тоже занимаются компьютерным зрением. Их концепция отличалась от остальных тем, что они не показывают конкретную картинку. Они строят скелет человека, при этом распознавая его, и показывают взаимодействия этих скелетов в пространстве. Например, можно ограничить выход ребенка на улицу из дома, или, например, если взрослый человек лежит на полу больше двух минут — это опасность для здоровья.

Они говорят, что эта концепция будет выгодна тем, что есть некие вопросы приватности. Потому что показывать конкретно чем занимается человек, не всегда пристойно, правильно и так далее. Даже своим близким, домашним. Как вы и ваши клиенты относитесь к вопросу приватности, потому что на производствах случаются служебные романы, например, какие-то еще вещи. Насколько должен заказчик видеть это все? Насколько это применимо в частном секторе и в производстве?

Филипп: Спасибо за вопрос. Прежде всего, мы работаем в инфраструктуре заказчика, те или иные ограничения, о которых вы сказали, решаются локально между заказчиком и его потребителями или клиентами. Если у него уже установлены камеры видеонаблюдения, то, наверное, это должно быть каким-то образом прописано в соглашениях с клиентами, сотрудниками. А наш программный продукт — всего лишь дополнительная надстройка, которая дает возможности.

Пригодится технология и в труднодоступных местах

Владимир: Это понятно, но, тем не менее, как вы лично относитесь к этому примеру? Если у вас дома или в офисе установлен такого рода программный продукт.

Филипп: Все зависит от области применения. Нужно ли нам видеть скелет? Возможно, нам, наоборот, нужно опознать человека. Например, многим нашим заказчикам нужно идентифицировать людей, каких-то рабочих. Сейчас мы ведем переговоры с одним из заказчиков по установке маркировок на каске, чтоб мы могли конкретно распознать человека, кто это, из какой он бригады, есть ли у него допуск, обучение и так далее.

Владимир: Я лично не против такой технологии, расскажу почему. В первую очередь, камера видит не скелет, а реального человека. После идентификации самого человека она переводит картинку в скелет для того, чтобы обезличить саму картинку. Знаю саму технологию и принцип ее использования, в этом нет ничего страшного, это наоборот большой плюс. Если вдруг со мной что-то случится, и вовремя службы среагируют — приедут и помогут мне — как я могу быть против этой технологии? Учитывая то, что сама камера на выходе дает меня как обезличенное существо в виде скелета. Сейчас у нас есть такие проработки, что мы устанавливаем камеры видеонаблюдения на крышах домов для отслеживания свободных парковочных мест. И когда люди ходят внизу по дороге, они не должны быть обезличены. Мы их закрашиваем.

Владимир: Что же нам ждать от компьютерного зрения? Можно уже идентифицировать человека, понять, кто он. Наверное, можно послать какой-то запрос в базу данных и узнать, является ли он преступником или наоборот, входит в белый лист сотрудников предприятия. Или входит в белый лист вхожих в ваш дом людей. Какие задачи и проблемы сейчас стоят перед технологией, и чего нам ждать в ближайшие два-три-пять лет?

Филипп: Мы все знаем, что живем в эпоху новых технологий. В последние десятилетия вопрос стоял по сбору информации, сейчас этот вопрос решен. Сейчас стоит вопрос по обработке этой информации, по хранению информации. Сейчас также эпоха потребления, эпоха маркетинговых определенных инструментов, с помощью правильной обработки информации можно построить правильный маркетинг.

Владимир: Страшно что-то искать в интернете. Коллеги понимают, что ты искал. Вот я захожу на любой сайт, где есть Яндекс.Директ, вижу там путевки в Египет. Я понимаю, что скоро кто-то в отпуск собирается из моих сотрудников.

Филипп: Да, именно так. Поэтому, прежде всего, сейчас стоит вопрос в обработке информации, а также адресному ее направлению, персонифицированному направлению. Если мы возьмем ритейл — консолидируется информация определенного пользователя, которая ему нужна в данный момент и в данную минуту. И она ему предлагается.

Владимир: Вообще я представляю — заходишь в магазин, тебя сосканировали, перед тобой шоу девушек на тележках, которые предлагают тебе продукты, которые ты постоянно покупаешь. Я сейчас поднабрал вес и беру продукты диетические. Думаю, это не за горами.

Владимир: Я согласен с тем, что эта технология довольно широко развивается. Тяжело заглянуть и ответить, что будет через два года, особенно через три или через пять. Очень быстро идет развитие технологии, нейронных сетей и компьютерного зрения.

Владимир: Вы постоянно общаетесь с клиентами, чего еще пока нельзя делать, но очень бы хотелось? Какие задачи пока не реализуются? Чего хочется делать, но пока технологически невозможно?

Владимир: Я бы сказал, что можно улучшать технологию «фейс детекшн». Это определение человека по лицу для того, чтобы можно было в большей мере сотрудничать с какими-либо службами.

Владимир: Понимаю. Сейчас более четкое распознавание. В московских аэропортах есть стойки, они работают в тестовом режиме, когда система распознает человека. Конечно, качественно делать это с помощью тех технологий сложно.

Владимир: Да. Почему я заговорил про эту технологию? Про места общего пользования вы верно говорите. Я говорю про такие запросы, которые приходили к нам от служб. Например, люди находятся в поиске алиментов.

Очки Компьютеры видят то, что человек пропускает

Владимир: То есть ставить камеры в районе, где он живет, и накидывать на него сетки. Экспериментов с компьютерным зрением много — точки контроля в аэропортах, компания «Гугл» со своими «гугл-очками». На мой взгляд, это немного преждевременно, хотя сама технология очень крутая. Почему помощь компьютерному зрению в виде «гугл-очков» не взлетела?

Филипп: Это не взлетело в розницу. Если говорить об узкоспециализированной направленности использования девайса, то он широко применяется на производствах. В принципе, «гугл-очки» – это хорошая база для внедрения других программных продуктов на базе этих очков, которые будут давать определенные возможности. Расскажем один из кейсов, связанных с «гугл-очками».

Владимир: Да, у нас было одно производство, где внедряют рекомендательную систему. Они закупили «гугл-очки» и аналог. На производстве много брака. Для того чтобы минимизировать его количество, человек надевает «гугл-очки», они интегрируются с нашей системой, и она выступает как рекомендательная в части направления. Например, людям надо соединить красную и синюю клеммы. Из-за человеческого фактора возможны ошибки, но «гугл-очки» подсказывают, куда какую клемму нужно подсоединить. Все клеммы черные, а мы во время рекомендации подсвечиваем их цветом. Количество брака снизилось.

Владимир: То есть на больших операциях это действующая штука. Что нам ждать в будущем? Все-таки с камерами уже появляются часы, суперумные наушники, браслеты и все что угодно.

Владимир: Сейчас широко развиваются технологии, связанные с дронами и квадрокоптерами. У нас система работает в части обнаружения каких-либо нарушений. Дрон летает по территории, где ведется стройка, либо это запрещеная территория, где нельзя разводить костры, кемпинги, рыбачить в области дамб…

Владимир: Или, например, лес или поле, где сельское хозяйство, жуки-короеды напали, например. Наверное, если б можно было это как-то визуально определять, то тоже можно работать.

Филипп: Ну да. Представляете, насколько снижается себестоимость всей этой истории, когда не нужно ни человека использовать, ни вертолет, никакие средства. Просто квадрокоптер летает, к примеру, по заданному алгоритму, по заданной территории, прилетает на базу, а уже идет анализ того потока, который он отснял, люди, специально обученные, знают, где и в каком месте находится нарушитель.

Владимир: Мы реально уже живем в будущем. Спасибо, дорогие друзья, что пришли ко мне в гости.

Актуальные материалы — в Telegram-канале @Rusbase

Нашли опечатку? Выделите текст и нажмите Ctrl + Enter

rb.ru

Как сельское хозяйство оказалось на переднем крае технологического прогресса.

Министерство образования и науки России запустило новый цикл уроков по профессиональной навигации для старшеклассников. Первый открытый урок — «Что ты знаешь о еде», — посвященный среди прочего новым технологиям и новым профессиям в агропромышленном комплексе, прошел 8 февраля в российских школах.

Роботы

Но чаще всего роботы нужны для сбора урожая. Правда, машина справится не со всяким растением: «умное» лезвие на комбайне попадет по кочану капусты, робот-погрузчик перевезет ящик с картошкой, но механическая рука не сможет сорвать ягоду — для этого нужна точная наводка и движение с почти хирургической точностью. В таких случаях роботам помогают люди, но это все равно огромный прогресс, ведь раньше было наоборот: техника помогала людям.

Компьютерное зрение

Дроны

Интернет вещей

С дрона в бреющем полете угодья видно хорошо, но иногда недостаточно. Для еще большей точности в сельском хозяйстве используют интернет вещей — подключенные к сети устройства, обменивающиеся данными. Для горожанина интернет вещей — это «умный» холодильник, а фермеры применяют всевозможные датчики. Правда, такие системы стоят недешево, а интернет ловит не в каждом поле.

Биотехнологии

«Умные» датчики и роботы с компьютерным зрением позволяют точно отмерить дозу химикатов, чтобы уничтожить вредителей или подкормить растения. Но вещества эти все равно вредны для человека, а еще вреднее для продаж: в моде все натуральное. Поэтому ученые ищут полезные бактерии и грибки, которые помогали бы сельскохозяйственным культурам. Одни микроорганизмы убивают возбудителей болезней и сорняки, другие растворяют минеральные вещества в почве, чтобы до них добрались корни растения, третьи улавливают атмосферный азот.

Другое направление в биотехнологиях — редактирование ДНК, и здесь за последние годы случился прорыв. Чтобы придать организмам новые качества, раньше в них меняли целые гены: например, ген табака внедряли в картофель. Но каждый ген состоит из тысяч, иногда сотен тысяч «букв», мельчайших частей ДНК. CRISPR/Cas9 и другие современные технологии позволяют редактировать ДНК вплоть до отдельных «букв». Такие изменения позволяют точнее прогнозировать результат и напоминают естественные мутации. Возможно, это успокоит противников ГМО и ускорит внедрение усовершенствованных видов.

Городское фермерство

Выращивают везде: на крышах домов, у себя в квартирах, на заброшенных заводах, даже в старых бомбоубежищах. В этом деле помогают «умные» датчики, которые экономят ресурсы и автоматизируют работу. Солнце заменяют диодные лампы. Они потребляют мало электричества и позволяют выбрать подходящую температуру света. Солнечные батареи вырабатывают энергию и позволяют добывать воду прямо из воздуха. А грядки громоздятся на многоярусных конструкциях, чтобы извлечь пользу из всего доступного пространства, — такая технология называется «вертикальной фермой» и позволяет на порядок увеличить площади под выращивание продукции.

Новые профессии

В начале XIX века в сельском хозяйстве работали 30-60% жителей развитых стран, теперь — только 1-4%. Такое огромное сокращение рабочей силы вызвано, прежде всего, развитием технологий. Инновации будут и дальше влиять на занятость в этой сфере. Физический труд будет нужен все меньше, но при этом отрасль может столкнуться с нехваткой кадров.Роботы, беспилотники, умные устройства — это всего лишь инструменты. Кому-то нужно ими управлять, кто-то должен их проектировать и обслуживать, поэтому в агробизнесе вырастет спрос на инженеров, кибернетиков, механиков. Например, если на ферме начнут выращивать клубнику, кому-то придется настроить нейронную сеть в роботе-сборщике, чтобы он научился распознавать ягоды.

Технологии как необходимость

По части инноваций сельское хозяйство не отстает от потребительской электроники, автопрома и других индустрий, которые принято считать высокотехнологичными. Но есть между ними важное отличие. «Умные» камеры в смартфонах или автопилот в электромобиле — это разработки прежде всего для удобства и удовольствия. Без них можно прожить, а без еды нельзя. По прогнозам демографов, к 2050 году на Земле будут жить без малого 10 млрд людей, которым потребуется на 70% больше еды, чем сейчас. Поэтому инновации в сельском хозяйстве не блажь, а надежда человечества.

Автор: KVEDOMOSTI.RU

Источник новости

kvedomosti.ru