АГРОБИЗНЕС KERNEL ИСПОЛЬЗУЕТ ИСКУССТВЕННІЙ ИНТЕЛЛЕКТ ДЛЯ АВТОМАТИЗАЦИИ ПОЛЕВОГО МОНИТОРИНГА

Kernel научил искусственный интеллект оценивать плотность и качество посева по снимкам с дрона. Сейчас эти алгоритмы уже тестированы и в этом году будут полномасштабно внедрены в агропроизводство компании.

Андрей Пеший
Директор по ИТ Kernel

Использование современных технологий в агробизнесе Kernel, в том числе — автоматизация и комплексное внедрение систем точного земледелия, позволяет нам накапливать данные по полям и техоперациям, выполненных на них и тому подобное. Спутниковые снимки, фото с беспилотников, данные наземных обследований обрабатываются и хранятся в ИТ-инфраструктуре компании. Их применение предполагает разработку алгоритмов, которые могли бы осуществлять глубокий, объективный и одновременно оперативный анализ поля для решения сложных задач агропроизводства и принятия эффективных бизнес-решений. Планомерным шагом компании в этом направлении стало создание отдела Data Science в Департаменте информационных технологий.

Главный тренд современности — автоматизированные системы управления агропроизводством, которые позволяют улучшить существующие процессы и построить успешные стратегические модели. За год Data Science-специалисты пополнили информационную экосистему Kernel #DigitalAgriBusiness новыми программными продуктами. Прежде всего интегрировали в собственное приложение агронома модель подсчета зерен в начале кукурузы и семян в корзине подсолнечника. Далее — создали модель для оценки качества посева за фото с беспилотников.

Заместитель директора Агробизнеса Kernel по инновационному и цифровому развитию Евгений Сапиженко акцентирует внимание на том, что для разработки алгоритмов использовались методики Machine Learning, Deep Neural Network и др.

Евгений Сапиженко
Заместитель директора Агробизнеса по инновационному и цифровому развитию

В одном початке кукурузы может созревать до 800 семян, в корзине подсолнечника — до 1500 и более. Есть значительное влияние человеческого фактора, ведь кистью по своему усмотрению оценивает, какие именно зерна считать заполненными. Этот процесс требовал унификации. Пропустив через модель более 2000 оцифрованных початков кукурузы, мы научили модель считать количество зерен, количество рядов, количество зерен в одном ряду и интегрировали ее в смартфон. То же самое сделали с корзиной подсолнечника. Относительно корзин подсолнечника, то сейчас модель уже не просто считает количество семянок, но и умеет отличить неопылённые от производительных. В направлении обработки снимков с дронов мы совершили настоящий прорыв. С помощью нейронных сетей научились считать культурные растения на фото для оценки густоты стояния культур. Кроме этого, разработана модель выделяет двойники, пропуски, оценивает полевую всхожесть, а также выдает интегральный показатель качества посева с учетом равномерности. Это важный этап оценки биологической урожайности и мы готовы делиться этим инструментом с партнерами проекту Open Agribusiness и распространять на коммерческой основе, ведь есть и спрос и первые положительные отзывы с рынка.

Фотоснимки с беспилотников проходят многоуровневую проверку по заданным параметрам, механизм работы которой объясняет автор решение Даниил Поляков, Data Scientist.

Даниил Поляков
Data Scientist

Агроном по мониторингу делает несколько фото поля с разных точек. Чтобы убедиться в том, что мы имеем снимки с разных зон поля, можем отображать координаты мест, где они были сделаны. Каждую фотографию модель обрабатывает отдельно. Нейронная сеть строит тепловую карту снимка, которая отражает вероятность нахождения растения, следующий алгоритм отсекает сорняки и растения в междурядье, после чего мы оцениваем количество всходов на гектар, среднее расстояние между растениями, процент двойников, процент пропусков, качество посева. Финальные значение для поля избираются как медианное значение всех фото сделанных с этого поля. Результаты сохраняются в параметрах поля, крепятся к паспорту поля. По сути, мы получаем фундамент для оценки биологической урожайности, а также автоматизированную оценку качества и посева. Решениями уже заинтересовались другие агрокомпании.

Испытания на кластерах компании показали хороший результат — среднее значение погрешности зафиксировано на уровне 2%. Таким образом, тестовый режим модели уже значительно точнее по сравнению с ручными полевыми подсчетам по существующим методикам. В этом сезоне Kernel планирует использовать технологию на производстве в полном объеме.

https://career.kernel.ua