Как ИИ помогает тепличным хозяйствам планировать производство и оптимизировать бизнес-процессы

Российский рынок овощей закрытого грунта ежегодно растет и развивается. По данным Института конъюнктуры аграрного рынка (ИКАР), только по итогам 2023 года земельный банк тепличной отрасли вырос на 298 га и составил 3,3 тыс. га зимних теплиц. Анонсировано строительство еще 590 га теплиц. В последние несколько лет прирост теплиц замедлился и составляет порядка 1,4% в год, по сравнению с 7,3% в год в период с 2016 по 2020 годы. На сегодняшний день отрасль развивается не за счет все большего освоения земель (это тоже оказывает влияние), а благодаря внедрению в производство новых технологий, которые позволяют оптимизировать бизнес-процессы и трудозатраты, повысить урожайность. В этой гонке выигрывает тот, кто оказывается на шаг впереди конкурентов.

🔹

Поэтому компании начинают прибегать к решениям на основе искусственного интеллекта (ИИ). Речь пойдет о рекомендательной системе, способной не только прогнозировать урожай, но и способствовать его повышению за счет анализа больших данных и улучшения производственных процессов. Объединение ее с системами на базе видеоаналитики, способными детектировать заболевания растений, подсчитывать стебли и плоды, вычислять индекс листовой поверхности,  позволяет значительно улучшить производственные процессы. Как они работают в тепличном секторе, какие сложности возникают при их применении и каких результатов позволяют достичь рассказал Максим Иванов, директор по искусственному интеллекту ООО «Сбер Бизнес Софт».

ИИ-решение на базе машинного обучения и компьютерного зрения

С помощью модели прогнозирования урожайности можно заранее готовить операционную деятельность и бюджеты в зависимости от  уровня урожайности. Для ее построения необходимы исторические данные: информация по плодам, гибридам, дате посадки гибридов, дате начала плодоношения, площадь теплиц, количество грядок, количество саженцев, климат в теплице (температура, влажность, кислород), обработка растений, болезни, среднее количество плодов на ветке, информация по сотрудникам (количество вышедших на смену, вид работы и количество часов, затраченных на выполнение работы). 

Далее в работу вступает модель ретроспективного факторного анализа. Она показывает отклонение фактических сборов от плановых. Решение не просто демонстрирует, что сбор урожайности в той или иной точке не достиг своего пика, но и может выдавать причины, по которым это произошло. 

После реализации моделей прогнозирования и ретроспективного факторного анализа можно прогнозировать определенные решения для максимизации урожая в будущем: что конкретно необходимо предпринять. Например, изменить климатические условия или уходовые мероприятия. Но ее данные будут неточными без применения системы видеоаналитики. 

Что представляет собой система видеоаналитики

Если мы говорим о больших территориях тепличных комплексов –– от 15 до 25 га, то физически обойти их и оценить состояние плодов и гибридов в короткие сроки не получится, на это – потребуется очень много времени. Это грозит тем, что можно вовремя не среагировать на появившиеся отклонения –– болезни, вредители и т.д., что в конечном итоге может привести к низкой урожайности. 

Какую информацию можно получить с помощью видеоаналитики: 

Решение для тепличных комплексов представляет собой аппаратно-программный комплекс, состоящий из мачты, оборудованной камерами, с дополнительной подсветкой, управляющим устройством и автономной системой питания. Эта мачта устанавливается на стандартные электрические тележки, которые широко используются в тепличных хозяйствах. Высота мачты позволяет осуществлять панорамную съемку растений, охватывая их от корней до макушек. Система создана для сбора данных о состоянии растений, включая их здоровье, рост и развитие.

Данные обрабатываются на сервере, где модели компьютерного зрения извлекают полезную информацию из изображений, полученных с камер мачты. Данные в виде тепловой карты отображаются в интерфейсе. На карте видна обобщенная картина состояния растений в пределах всего тепличного блока, а также  детализированные данные по каждому погонному метру теплицы. Это позволяет оперативно реагировать на любые отклонения и планировать дальнейшие агротехнические мероприятия. Помимо визуализации, система поддерживает возможность выгрузки отчетов, что удобно для анализа и долгосрочного планирования.

Механизм работы системы видеоаналитики

Тележкой, оснащенной мачтой с камерами, управляет сотрудник тепличного комплекса, например, овощевод, агроном или специалист по защите растений. Работник перемещает тележку по тепличному блоку, собирая данные по каждому ряду с обеих сторон. 

В условиях теплиц нередко возникают проблемы с Wi-Fi покрытием, поэтому тележка должна быть оснащена системой автономного сбора данных. Полученные изображения и видеофайлы сохраняются локально и передаются на сервер, когда тележка попадает в зону действия интернета. Такой подход гарантирует непрерывный сбор данных даже в удаленных частях теплицы.

После передачи на сервер изображения обрабатываются с помощью нескольких моделей глубокого обучения (deep learning). Эти модели выполняют следующие функции:

• Первая. Распознает на панораме все листья и плоды. Выделяет их, вырезает и передает следующей модели. 
• Вторая. Определяет каждый листочек, плод для последующего анализа. 
• Третья. Получает все «качественные» изображения листьев плодов и определяет есть ли заболевания, вредители или повреждения. Какого рода эти повреждения: механические или являются отклонением. Листьям с заболеваниями и/или вредителями присваивается третий класс. 
• Четвертая. Анализирует листья с отклонениями и выявляет конкретное заболевание и/или вредителя. Например, определяет белокрылку на листе или ржавый клещ, краевой некроз и др.

Каждая из этих моделей требует тщательного обучения и постоянного совершенствования метрик.

Долго ли обучать модель? 

Тепличные комплексы включают разные растения и гибриды. В среднем для обучения модели потребуется порядка 10 тыс. изображений: 5 тыс. кадров здоровых растений и еще столько же с отклонениями. На сбор данных обычно уходит около месяца. 

Если же задача стоит в подсчете макушек, плодов в зависимости от степени зрелости, то на обучение может потребоваться около 14 дней, так как считать плоды проще, чем определять болезни. 

Тепловая карта

Вся полученная информация автоматически обрабатывается и передается пользователям тепличного комплекса. Результаты обработки отображаются на тепловой карте тепличного комплекса, также данные передаются в отчетах. 

На тепловой карте в виде световой индикации подсвечивается текущая ситуация. Например, красным светом отмечаются заболевания, желтым –– нехватка плодов и т.д. В результате агроном может оперативно отследить изменения и принять необходимые меры. Например, отмечается повышенная или пониженная плотность макушек. Допустим, 2 и 6 макушек на квадратный метр. В обоих случаях будут проблемы с урожаем: в первом –– риск недополучить запланированное количество плодов, во втором –– плоды будут мельче из-за недостатка питания и света.

Синергия с видеоаналитикой

Данные из видеоаналитики ложатся в основу моделей по прогнозированию спроса, ретроспективной оценке и рекомендательной системы. 

Конечный вариант выглядит так: тележка едет, собирает информацию в теплице, информация поступает в модель рекомендательной системы, которая учитывает прогноз урожайности и факторный анализ. Конечные задачи могут быть разные. Например, не просто максимизировать урожай, а увеличить срок плодоношения или оптимизировать трудозатраты. Например, исходя из данных модели, компания понимает, что необходимость нанимать дополнительное количество сотрудников для сбора урожая отсутствует, и таким образом, оптимизирует затраты. Другой вариант –– модель спрогнозировала повышенную урожайность, и значит, что на период сбора урожая  компании необходимо привлечь дополнительных сотрудников. 

Идеальный вариант будущего: беспилотная тележка, самостоятельно делающая изображения. 

В каких теплицах применима модель

«Основные требования для применения видеоаналитики в тепличных комплексах — это наличие интернета, электрических тележек для установки мачты и свободного прохода между рядами внутри тепличного блока. На данный момент мы работали только с теплицами четвертого и пятого поколений, и можно уверенно сказать, что для них нет ограничений в использовании таких решений. Однако, с высокой долей вероятности, эти технологии могут быть адаптированы и для менее технологичных хозяйств, что откроет новые возможности для автоматизации и повышения эффективности», – отмечает Максим Иванов, директор по искусственному интеллекту ООО «Сбер Бизнес Софт». 

Примеры применения ИИ в теплицах

Если говорить об отечественном рынке тепличных хозяйств, то нет информации о применении комплексных решений на основе ИИ. Экспертиза создания подобных моделей еще только начинает развиваться. Крупные комплексы используют решения на базе ML (Machine Learning – Машинного обучения), но пока не удалось достичь значимых результатов. Например, в тепличных комплексах Голландии применяется видеоаналитика и есть роботы, которые способны классифицировать спелый плод и снять его с растения.  Стоит отметить, что многие компании на рынке понимают ценность комплексных решений на основе ИИ. Еще 7 лет назад начали разрабатывать различные системы видеоаналитики, вместе с тем их эффективность не была достаточной по двум причинам:

Перспективы применения ИИ в тепличных комплексах

Российский рынок теплиц будет продолжать расти и развиваться. Можно выделить как минимум три точки роста:

Применение ИИ позволит решать разноплановые задачи тепличных комплексов, в том числе за счет повышения эффективности без расширения производства. И если ранее агрокомпании обратились бы за разработкой и внедрением программ на основе ИИ к западным разработчикам решений, то сейчас такие решения могут создать и предоставить отечественные компании.

Заглавное фото: Максим Иванов, директор по искусственному интеллекту ООО «Сбер Бизнес Софт».

Источники, указанных в материале данных:

Оригинал статьи на AgroXXI.ru