ИИ в сельском хозяйстве, также известный как точное земледелие, представляет собой применение решений искусственного интеллекта (ИИ) в сельскохозяйственной отрасли. В сельском хозяйстве наблюдается быстрое внедрение искусственного интеллекта (ИИ) и машинного обучения (МО) как с точки зрения сельскохозяйственной продукции, так и методов ведения сельского хозяйства в поле. Задача состоит в том, чтобы к 2050 году увеличить мировое производство продуктов питания на 50%, чтобы накормить еще два миллиарда человек. Решения на основе искусственного интеллекта не только позволят фермерам повысить эффективность, но также увеличат количество и качество и обеспечат более быстрый выход сельскохозяйственных культур на рынок.

Прогнозируется, что общий объем ИИ на сельскохозяйственном рынке вырастет с 1 миллиарда долларов в 2020 году до 4 миллиардов долларов в 2026 году. В настоящее время Microsoft работает со 175 фермерами в штате Андхра-Прадеш, Индия, предоставляя консультационные услуги по вопросам посева, земли, удобрений и так далее. Эта инициатива уже привела к увеличению урожайности с гектара в среднем на 30% по сравнению с прошлым годом. Кроме того, интеллектуальное сельское хозяйство с искусственным интеллектом может значительно сократить количество химикатов и гербицидов, используемых на полях, и, таким образом, улучшить качество сельскохозяйственной продукции и повысить экономическую эффективность.

Автоматическая прополка

Роботы и дроны ездят по полям, а камеры под ними показывают урожай и сорняки. Камеры с высоким разрешением в дронах и роботах собирают точные изображения полей, которые можно передавать с помощью алгоритмов глубокого обучения, таких как сверточные нейронные сети, для определения участков с сорняками. Высокоэнергетические лазеры уничтожают сорняки, используя тепловую энергию, не разрушая почву.

Автоматический сбор урожая

У автоматического робота-уборщика есть камера, программное обеспечение AI и механические руки. Программное обеспечение использует камеру, чтобы распознавать овощи или фрукты и давать указания рукам собирать их. Бьющееся сердце, стоящее за этой инновацией: предиктивная аналитика. Это набор алгоритмов на основе искусственного интеллекта и машинного обучения, которые используют исторические данные для прогнозирования будущих событий. Инженеры ИИ «обучают» алгоритм обнаруживать объекты (в данном случае фрукты и овощи), чтобы он работал автономно.

Улучшенный мониторинг состояния почвы

Способность обнаруживать болезни в почве имеет важное значение для предотвращения потери урожая.

Анализ почвы с помощью искусственного интеллекта: берется образец почвы для определения всех присутствующих микробов и их содержимого. Алгоритм машинного обучения, такой как Random Forest или XG Boost, сравнивает данные из образца с огромной базой данных данных о почве. Результаты показывают уровень влажности, дефицит питательных веществ, уровень pH, микробы, присутствующие в образце, и другие факторы. Специалисты обрабатывают результаты и определяют риски конкретных заболеваний, а также дают рекомендации по лечению в зависимости от состава почвы и микробов. Например: Trace Genomics — организация, работающая над мониторингом состояния почвы с помощью ИИ.

Алгоритмы ИИ выявляют проблемы со здоровьем и помогают предприятиям находить и лечить урожай, поврежденный патогенами и вредителями. Интеллектуальное фермерское решение включает в себя

· Сфотографировать растение

· Система или приложение будет запускать фотографию через программное обеспечение для распознавания изображений

· Программное обеспечение генерирует информацию о заболевании, рекомендации по лечению и/или идентифицирует растение-вредитель. Например: приложение Plantix; Разработчики приложения создали базу данных из 100 000 фотографий больных растений, которая используется системой распознавания изображений с помощью искусственного интеллекта для выявления более 60 заболеваний.

Анализ машинного обучения

Программное обеспечение для распознавания изображений на основе искусственного интеллекта, использующее такие алгоритмы, как глубокое обучение CNN, сравнивает входные фотографии со своей базой данных изображений больных растений для получения результатов. Алгоритм машинного обучения ищет характерные закономерности болезней растений (мозаичное обесцвечивание, пятна и т. д.), чтобы идентифицировать проблему.

Более эффективное орошение сельскохозяйственных угодий

На сельскохозяйственное орошение приходится 70% водопотребления во всем мире. Поскольку сельскохозяйственные культуры требуют большого количества воды, фермеры ищут способы устранить неэффективность и добиться оптимального использования ресурсов.