АІ в бізнесі

Agric-Vision – база аерофотографій для аналізу полів

Сучасна наука сприяє розвитку сільського господарства. Агросектор – один з найважливіших в світі, особливо з огляду на темпи зростання чисельності населення планети. Дослідники університету Іллінойсу в Урбані-Шампейн (UIUC), технологічна компанія Intelinair і Університет Орегона представили «розумне» рішення Agric-Vision для аналізу і контролю технологічний супровід тваринницьких комплексів. Розробка містить інструменти аналізу аерофотознімків, завдяки яким фахівці відстежують зміни грунту, рослинності та інші параметри території (вилягання посівів, надмірну вологість або сухість грунту, наслідки ураганів, дефіцит поживних речовин і т.д).

В даний час системи штучного інтелекту допомагають фермерам аналізувати склад грунту, регулювати процес посадки і збору врожаю, «розумні» технології задіяні в тваринництві, збереження води та природних ресурсів. Але велике економічне значення в сільському господарстві має розпізнавання фотографій, зроблених із супутника, дрона, вертольота. Точний візуальний аналіз, технологія семантичної сегментації – це інструменти визначення польових умов без участі людини. Цей процес допомагає фермерам уникнути втрат врожаю, в цілому підвищити кількість зібраного зерна або інших видів культур, відстежити, як розвивається рослина протягом вегетаційного періоду.

Раніше процес розпізнавання знімків в сільському господарстві був повільним через брак відповідних наборів даних. Одна з проблем розробки наборів аерофотознімків для аналізу сільськогосподарських моделей – це розмір зображення. Семантична сегментація для встановлення точних параметрів сільськогосподарських угідь вимагає створення фотографій великого розміру. Для створення бази Agric-Vision дослідницька група зібрала 94 тисячі зображень з 3 тисяч полів на території США. Кожна картинка складається з колірного формату RGB (такі зображення розшифровуються нейромережею, в теорії вони містять до шістнадцяти мільйонів квітів) і містить канал для ближньої інфрачервоної області спектра з дозволом до 10 см на один піксель.

Дослідники визначили дев’ять найважливіших параметрів полів для опису. Після цього агрономи провели маркування територій. Далі була виконана серія знімків за допомогою спеціалізованих камер на безпілотники. Вони здійснювали обліт під час вегетаційного сезону в 2017-2019 роках. За зміною кольору зображень в різні періоди агрономи визначають процеси, що відбуваються на полях.

Необроблені зображення полів мали розміри до 33571×24351 пікселів, це ускладнювало наскрізну сегментацію, оскільки вимоги до обчислювальних ресурсів і пам’ять були дуже високими. В кінцевому підсумку зображенням надавали розмір 512х512 пікселів. Вчені використовували ряд популярних моделей семантичної сегментації об’єктів для вивчення набору даних «Agriculture-Vision dataset». Для порівняльної оцінки були вибрані інструменти DeepLab V3 і DeepLab V3 +, і представлена ​​експериментальна модель на основі FPN (Feature Pyramid Network).

Тепер дослідницька група планує розширити набір даних за рахунок більшої кількості зображень і додаткових модальностей – теплові графіки, карти грунту і топографічні схеми.