Робот который собирает клубнику
Нежный подход. Как развиваются технологии сбора клубники, малины и других сложных культур
При промышленном выращивании ягод в России по-прежнему используют преимущественно ручной труд. Однако наращивание площадей и дефицит рабочей силы, спровоцированный пандемией COVID-19, будут способствовать увеличению роли механизации в садоводстве.
С кадровой проблемой сталкиваются все мировые ягодные компании. Ответом на вызов становятся уже не только комбайны — в отрасль приходят обучаемые роботы.
Малина и ежевика
Сегодня механизирован в основном сбор кустарниковых ягод (смородины, черноплодной рябины, вишни), предназначенных для дальнейшей переработки в сок и другую продукцию.
Для сбора используют и прицепные, и самоходные комбайны. Главное отличие самоходных комбайнов от прицепных заключается в том, что такая техника приспособлена только для определённого вида ягод: для уборки малины — один, смородины — другой.
При этом каждое новое поколение специализированной техники всё бережнее обращается с нежными плодами, и последние разработки направлены на то, чтобы каждую ягодку донести до потребителя в первозданном виде.
Одними из лучших в мире для уборки малины, а также ежевики и черники считаются американские комбайны Oxbo и Korvan (Korvan c 2012 года входит в состав компании Oxbo). Последние модели полностью автоматизируют процесс, оказывая щадящее воздействие на кусты и не повреждая урожай. Есть комбайн с системой водной очистки, которая, как утверждает производитель, гарантирует получение идеально чистой малины.
В ближайшее время арсенал ягодников будет пополнен самоходными машинами. Робота для сбора малины уже разработала британская компания Fieldwork Robotics. В 2019—2020 годах прошли его полевые испытания, и сейчас инженеры готовят к выпуску коммерческую версию агрегата. Эта колёсная машина с четырьмя роботизированными «руками». Захваты с мягкими подушечками управляются датчиками и 3D-камерами и опознают спелые плоды с помощью искусственного интеллекта. Каждая «рука» будет собирать одну ягоду за 10 секунд и меньше и бросать её в лоток, где урожай сортируется по степени зрелости. За день машина сможет собрать более 25 000 ягод (рабочий за 8-часовую смену собирает примерно 15 000 ягод). Отработав технологию на малине, Fieldwork Robotics планирует распространить её на сбор других ягод, фруктов и овощей.
Земляника
Для самой популярной ягоды — садовой земляники (клубники) — в мире создано несколько независимых друг от друга разработок роботизированных сборщиков, которые в 2019—2020 годах уже прошли полевые практические испытания.
Одна из таких машин — детище испанского проекта Agrobot. Колёсный автоматизированный комбайн с руками-захватами способен поштучно собирать ягоды: для этого он оснащён индуктивными, ультразвуковыми датчиками и системой камер. Для анализа зрелости ягод используется технология искусственного интеллекта. Для управления машиной и сбора урожая с целого поля требуется один оператор. Робот с 24 манипуляторами может за 3 дня собрать ягоды с 8 гектаров.
Ещё одного «клубничного» робота разработала Dogtooth Technologies (стартап из Кембриджа). Агрегат использует технологии компьютерного зрения для определения спелых ягод и машинного обучения для разработки эффективных стратегий сбора урожая. Камеры на роботизированных манипуляторах сканируют фрукты, определяют их трёхмерное местоположение и оценивают, готовы ли они к сбору. В зависимости от заданных критериев урожай сортируется по нескольким корзинам. Один рабочий может управлять 12 такими машинами.
Сборщик клубники, созданный стартапом Harvest CROO Robotics (Флорида, США) оснащён 16 роботами-головами, каждая из которых имеет 6 рук. Рука-манипулятор сканирует, выбирает и собирает ягоды — по 3 штуки за 10 секунд. За день эта автономная машина успевает собрать урожай с 3,2 гектара, заменив труд 30 человек.
Ещё один робот с чуткими руками — бельгийской компании Octinion — способен в зависимости от сорта плода собрать 70—100% спелого урожая. Рука двигается снизу вверх и с помощью трёхмерного компьютерного зрения захватывает ягоду, фрукт или овощ двумя мягкими пластиковыми чашами, поворачивает на 90 градусов и отправляет в корзину. Прототип собирает одну ягоду раз в 4 секунды или 24 килограмма клубники в час, но может работать 24 часа в сутки.
Опытный образец робота для сбора ягод земляники разработан и российскими учёными из Федерального научного агроинженерного центра ВИМ. Робот оснащён самоходным шасси, манипулятором с 6 степенями свободы, захватом и камерами компьютерного зрения. Он определяет координаты ягоды, степень её зрелости и собирает землянику в автоматизированном режиме. Промышленное тестирование робота пройдёт летом следующего года в хозяйствах Московской области.
Яблоки, груши и томаты
Ещё одна разработка Федерального научного агроинженерного центра ВИМ — роботизированный манипулятор для сбора плодов. Сейчас алгоритмы «заточены» на яблоки, но затем будут созданы аналоги для сбора груш и томатов. Робот способен собирать урожай при различных климатических параметрах и условиях освещённости. Благодаря компьютерному зрению и сверхточным нейронным сетям он способен собрать 90% плодов. Оригинальные конструктивно-технологические параметры робота обеспечивают минимальную травмируемость и деликатный съём плода. Он создан для сбора яблок в садах интенсивного типа с высотой крон начинает работу с верхнего яруса. Для сбора одного плода роботу нужно 10 секунд, за час он может собрать до 288 килограммов. Летом и осенью 2021 года планируются полевые испытания машины на производствах Краснодарского края и Московской области.
Универсальный сборщик
Учёные Кабардино-Балкарского научного центра РАН разрабатывают робота-антропомиметика — манипулятора, который сопоставим по своей функциональности с рукой человека. Цели его применения будут очень широкими, но ставится задача управляться даже с «капризными» объектами, в том числе ягодами. В центре создаётся не только система управления манипулятором, но и разрабатывается оригинальная модель ИИ на основе когнитивной архитектуры, которая сможет управлять как одним роботом, так и коллективом. Один такой робот может заменить 5 человек по производительности, подсчитали учёные.
Арбуз
Арбуз — это ещё один сочный плод, механизация сбора которого могла бы существенно облегчить работу фермеров. Сейчас часто используется транспортёрная лента, но в этом случае основная нагрузка всё равно ложится на спины рабочих. Для решения этой проблемы профессора и студенты Политехнического университета Виргинии (США) разработали прототип автономного комбайна для уборки арбузов, который с помощью машинного зрения находит плод и самостоятельно подбирает его с земли. Он оснащён прослушивающим устройством, которое «шлёпает» арбуз и с помощью микрофона улавливает реверберацию, определяя степень спелости. Диапазон волн, который характеризует спелый плод, определили математически. Процесс сбора занимает всего несколько секунд. Незрелые «собратья» остаются дозревать в поле.
Директор Ягодного союза Ирина Козий: «К широкому применению
механизированного сбора урожая мы придём через 5—10 лет»
Ягодоводческие хозяйства — это в основном небольшие организации, и приобретение машин для механизированной уборки урожая для большинства из них является непосильным финансовым бременем. Если оборудование для сбора технической ягоды, стоимость которого в среднем составляет несколько десятков тысяч евро, достаточно распространено, то комбайнов, которые позволяли бы собирать такую нежную ягоду, как малину, для реализации в свежем виде, на всю Россию — только два. Их стоимость — около
При этом одно из хозяйств, использующих такие комбайны, в прошлом году на фоне крайне неблагоприятных погодных условий не смогло справиться с лизинговыми платежами и было вынуждено вернуть машину лизинговой компании. При этом на рынке наиболее востребована именно качественная ягода, предназначенная для реализации в свежем виде.
Думаю, что при успешном развитии отрасли к более широкому применению механизированного сбора урожая мы придём через Специализированное оборудование для ягодоводства очень нужно. Ведь как только хозяйство увеличивает площади выращивания хотя бы то сразу сталкивается с проблемами при привлечении сезонных рабочих на уборку: нужно много людей, от 10 до 20 человек на каждый гектар. В 2020 году из-за закрытия границ в связи с пандемией рабочие не смогли приехать, и многие хозяйства потеряли часть урожая. Местных рабочих найти очень сложно. Поэтому, если ситуация повторится в этом году, кто будет собирать ягоду — неизвестно.
Десять роботов для бережного сбора урожая
Все чаще руководители агропредприятий в развитых странах сталкиваются с дефицитом работников. Старые кадры уходят на пенсию, а новые кадры не охотно выбирают отрасль сельского хозяйства. Только в Калифорнии (США) 55% фермеров испытывали дефицит рабочей силы, который не могли покрыть даже иммигранты. По данным Бюро трудовой статистики США, в 2012 году 74% работников агропредприятий США составляли иммигранты из Мексики и Центральной Америки. По оценкам журнала Fortune, половина таких «специалистов» нанималась незаконно. Подобные проблемы характерны для многих развивающихся и развитых стран.
Сгладить негативные факторы позволит применение роботизированных сборщиков урожая. Если самоуправляемые комбайны уже эффективно убирают урожай картофеля и зерновых, то с ягодами, овощами и фруктами дела обстоят сложнее. Необходимо научить машины бережно и без повреждений кожуры собирать такой урожай. Десять компаний сейчас бьются над решением этой непростой задачи.
Agrobot
Когда робот завершает уборку ряда, он останавливается и передает данные оператору. За три дня один робот Agrobot может собрать клубнику с 800 соток. Испытание робота провели на фермерском хозяйстве Driscoll в Калифорнии.
Генеральный директор стартапа Agrobot Хуан Браво сообщил CNBC, что робот для сбора клубники будет оснащен 24 роботизированными руками. Роботизированная рука работает независимо, но перебирает по одной ягоде. В целом машина с задачей справляется достаточно быстро.
Abundant Robotics
Робот, используя алгоритмы компьютерного зрения, находит спелые яблоки и выбирает их, словно пылесос, с помощью вакуумного механизма, не повреждая плодов. Скорость сбора – одно яблоко в секунду.
Сейчас прототип испытывается в полевых условиях. В компании планируют добавить своему изобретению функцию распознавания испорченных яблок, а также возможность сбора других фруктов и овощей. Продажи устройств планировалось начать не позднее 2019 года.
FRRobotics
Разработчики обещают, что работа машины будет в десять раз эффективнее, чем традиционный сбор урожая. В планах компании – добавить аналитические возможности с разбивкой информации о собранных плодах на дерево, на акр и в целом на участок.
Energid
Dogtooth Technologies
Британские потребители привыкли покупать спелую клубнику с небольшой частью стебля. Именно так она реализуется в крупных торговых сетях. Машина учитывает эту особенность.
После сбора ягод видеокамера машины осматривает плод со всех сторон, чтобы определить сорт, форму, измерить массу, обнаружить дефекты (вмятины, плесень и т.д.). Затем годные плоды собираются в корзинки и отправляются для продажи. Отбракованные плоды помещаются в мусорные контейнеры. Сортировка плодов и их упаковка происходит на месте, поэтому дополнительные затраты на труд сортировщиков исключены, а продукт поступает на прилавки быстрее.
«Мы сосредоточены на восполнении нехватки рабочей силы машинами, а не заменой людей на роботов», – сообщал ранее Дункан Робертсон.
Компания протестировала прототип летом 2016 года и уже работает над улучшенной версией. Разработчикам предстоит усовершенствовать технологии машинного зрения и алгоритмы самообучения роботов. Инженеры компании отметили, что робот способен найти признаки болезни или вредителей, что позволит фермерам своевременно предпринять меры.
No touch
Soft Robotics
Harvest CROO Robotics
Пол Биссет, главный операционный директор Harvest CROO Robotics, сообщил, что в 2019 году роботы будут помогать убирать клубнику во Флориде и Калифорнии. «Вероятно, нам потребуется два года, чтобы коммерциализировать решение. В наших планах не продажа машин, а предоставление их по модели RaaS (роботы как услуга)», – рассказывал он.
Octicon
Рукоятка Octinion устанавливается на самоуправляемый автомобиль. Она двигается снизу-вверх с помощью 3D компьютерного зрения и захватывает спелые ягоды между двумя мягкими пластиковыми частями. Затем фрукт, ягода или овощ поворачиваются на 90 градусов и отправляются в корзину.
Прототип выбирает одну ягоду клубники раз в четыре секунды. В зависимости от сорта машина способна собрать от 70 до 100% спелых фруктов, что делает ее конкурентоспособной по эффективности с традиционной уборкой урожая.
Ramsay Highlander
В 2013 году в США компания Ramsay Highlander презентовала роботизированный прореживатель салата. Для получения качественного урожая посевы приходится прореживать вручную, что затратно. Компьютеризированные машины Ramsay Highlander с оптическими сенсорами недавно создала сборщик салата, который для резки использует струю воды.
Роботы и клубничка: как AI повышает урожайность полей
Население Земли стремительно растёт, и по прогнозам ООН к 2030 году достигнет 8,5 млрд человек. Аналитики Всемирного банка считают, что к 2050 году нам нужно будет увеличить количество продуктов питания на 50 процентов, чтобы поддержать растущее население планеты, а изменение климата приведет к снижению урожайности на 25 процентов на открытом воздухе. Но территории, лучше всего подходящие для выращивания культурных растений, уже обрабатываются. Найти новые места трудно, а добиться значительного прироста урожайности — ещё труднее.
Решать эту проблему нужно с помощью новых технологий. И здесь наиболее перспективным направлением кажется использование нейросетей и искусственного интеллекта для создания сельскохозяйственных роботов и систем контроля урожая.
Почему именно нейросети? Они лучше всего подходят для решения прикладных задач. Не будем описывать технические подробностях их функционирования, лучше опишем преимущества. Нейросеть не программируется в классическом понимании этого процесса. Она «обучается», находя закономерности в загруженных данных и способна использовать их в дальнейшей работе.
Как и человек, нейросеть умеет быстро распознавать образы фото и видео, умеет прогнозировать и принимать решения. При этом искусственные нейронные сети работают с большими объемами данных быстрее и эффективнее человека. То, что нужно для оптимизации сельхозугодий, где площади измеряются сотнями гектаров, персонал – тысячами сотрудников, а поголовье – миллионами особей. Да-да, количество овец в стране — это и есть Big Data. Первичной информации для обучения хватит почти у любой компании в отрасли. Главное – собрать её в понятном для обучении формате и интегрировать в рабочие процессы.
Качество и количество урожая, увеличение поголовья скота зависят от многих факторов. Проанализировать их все, чтобы принять правильное решение, человек не в состоянии, сколь опытным бы он ни был. Так что необходимость в современных технологах очевидна. Тем более что уже существует большое количество успешных разработок, помогающих фермерам собирать урожай, следить за скотом и строить прогнозы. Расскажем о наиболее интересных проектах с роботами и AI в сельском хозяйстве.
Сельские роботы
Начнём, пожалуй, с роботов. Их бывают большими и маленькими, есть даже утко-роботы.
Испанская компания Agrobot предложила робота для автоматического сбора нежных ягод клубники. Устройство полностью автономно и может ориентироваться в пространстве. Роботизированные руки (их может быть до 24 штук) работают независимо, снимая с куста по одной ягоде. Для оценки зрелости ягод робот использует технологии искусственного интеллекта. Сенсоры анализируют ягоды, а графические процессоры оценивают цвет плода и его товарный вид, причем в базу записываются данные о каждом плоде.
За три дня Agrobot способен собрать клубнику с 800 соток. После каждого собранного ряда он останавливается и пересылает информацию оператору. Машина быстро справляется с задачей и подходит для разных фермерских участков. Первое успешное испытание клубничного робота провели на фермерском хозяйстве Driscoll в Калифорнии.
Конкурент испанского робота, созданный в Великобритании. Устройство предназначено для сбора мягких фруктов. Оно способно автономно перемещаться по рядам культур, находить и собирать спелые фрукты, сортировать собранные ягоды и фасовать их в упаковку. После сбора ягод видеокамеры осматривают плод со всех сторон, чтобы определить сорт, форму, измерить массу, обнаружить дефекты (вмятины, плесень и т.д.). Отбракованные плоды помещаются в мусорные контейнеры.
Сортировка плодов и их упаковка происходит на месте, поэтому дополнительные затраты на труд сортировщиков исключены, а продукт поступает на прилавки быстрее. Ориентация в пространстве происходит с помощью высокоточных координат GPS.
У робота есть некоторые интересные особенности. Например, англичане привыкли покупать в торговых сетях спелую клубнику с небольшой частью стебля. Машина учитывает эту особенность, собирая ягоду с небольшой частью стебля.
Vegebot — рабочий прототип роботизированного сборщика салата Айсберг, созданный инженерами из Кембриджского университета. Устройство может самостоятельно распознавать готовые к срезанию неповрежденные кочаны салата, а также аккуратно их обрабатывать и собирать. Подробнее о роботе рассказал denis-19 в недавней статье на Хабре.
Детище бургундского изобретателя Кристофа Миллота (Франция) усердно трудится на виноградниках. Устройство с четырьмя колесами, двумя руками и шестью камерами весит 20 килограмм, выбирает путь автоматически и использует искусственный интеллект для того, чтобы определить, чем заняться в данный момент. В день может обрезать до 600 виноградных лоз.
Wall-Ye V.I.N. занимается не только обрезкой и пасынкованием, но и накапливает важные данные о состоянии и витальности почвы, плодов и лозы. Он двигается от лозы к лозе, выявляет те или иные особенности растения, фотографирует и записывает данные с шести камер, отмечая каждую лозу, после чего в работу включаются его манипуляторы.
Рука с секатором предназначена не только для того, чтобы обрезать ветки, с помощью неё он может защититься от воров. В аппарат встроен гироскоп, и если его поднимут с земли, то он будет обороняться с помощью секатора, сотрёт с жёсткого диска все данные и пошлёт владельцу сигнал о помощи. К тому же, встроенный приёмник GPS не позволит ему выйти за пределы рабочей зоны.
Безымянный яблочный робот от Abundant Robotics
Калифорнийский робот, у которого до сих пор нет названия несмотря на внушительные инвестиции со стороны GV (ранее Google Ventures), создан для сбора яблок. Устройство перемещается по рядам между яблонями с помощью лидара, который рисует мир лазерами и изображает фрукты с помощью машинного зрения.
Операторы могут адаптировать его для конкретного сорта яблок, посоветовавшись с фермером, который по опыту знает, какой цвет соответствует зрелому. После распознавания степени зрелости яблок в режиме реального времени робот с помощью вакуумной трубки высасывает плоды с дерева, отправляя его по конвейеру в корзину. Робот может собирать яблоки 24 часа в сутки, пропуская не совсем созревшие фрукты, чтобы вернуться к ним позже, как это сделал бы человек-сборщик.
Швейцарский ecoRobotix — робот, созданный для автоматического прореживания посадок и прополки сорняков. Идея витала в воздухе уже давно. Нейросеть можно научить отличать полезные культуры от сорняков. «Изучив» на старте несколько миллионов фотографий здоровых и больных растений на разных стадиях роста, система с помощью видеокамеры может за несколько миллисекунд определить, находится ли перед ней здоровый побег или сорняк. А также сможет оценить степень угрозы для урожая и предложить способы решения проблемы, если заметны признаки заражения культур.
ecoRobotix оснащён системой компьютерного зрения, предназначенной для идентификации сорняков. Ориентация в пространстве происходит с использованием GPS и сенсорных датчиков. Способен обработать около 3 га посевов в день. При объезде «владений» в случае необходимости опрыскивает сорняк небольшой дозой гербицида. Такой подход снижает объем использования химикатов в 2-3 раза.
Сорняки — вообще больная тема для аграриев, так что имеются и другие проекты в этой сфере. Например, индийский умный опрыскиватель для садов с помощью системы ультразвуковых датчиков определяет размер дерева и расстояние до него. Полученные сведения анализируются и влияют на мощность струи и количество распыляемого вещества. Тестирование показало высокую эффективность применения системы, при снижении до 26% расхода.
А компании Bayer и Bosh разрабатывают технологии умного опрыскивания Smart Spraying. Она будет отличаться от имеющихся на рынке систем благодаря способности отличать сорняки от сельскохозяйственных культур. Предполагается, что система будет «узнавать» сорняк и определять вид и необходимое количество пестицида, с учётом запрограммированных параметров применения.
Похожие технологии использует компания IBM. Причём успешно использует! Для одного из своих клиентов в Юго-Восточной Азии компания смогла предсказать стресс урожая в регионе из-за заражения вредителями/болезнями. Затем наземной команде понадобилось несколько часов, чтобы просто добраться до этого места.
«Умные» системы
AI-системы тоже приносят пользу фермерам. Спектр их применения чуть шире, чем у роботизированных устройств, однако и задачи зачастую другие. Хотя имеются и точки пересечения.
Да, это не робот, а технология. Однако тоже достойная внимания. Sonoma, принадлежащая Microsoft, стала победителем тепличного эксперимента Autonomous Greenhouse Challenge, который проходил в Нидерландах с 27 августа по 7 декабря. 5 ИТ-гигантов выясняли, как технологии машинного обучения смогут справиться с выращиванием растений и насколько реально использовать эти технологии в «традиционном» садоводстве.
Системы автоматизированного сбора урожая применяются довольно давно. Однако в эксперименте речь шла о полном контроле ИИ над производством. Технология команды Sonoma позволила вырастить 50 кг огурцов на один квадратный метр. Нейронная сеть управляла ирригацией, газовым составом, внесением подкормки, температурным режимом и другими аспектами, влияющими на рост огурцов.
Команда iGrow из Tencent и Китайская академия сельскохозяйственных наук заняли второе место. Команда Deep Green из Intel заняла последнее место.
Израильский стартап Taranis позволяет контролировать состояние растений, своевременно выявлять негативные факторы и устранять их. Для мониторинга используются показания полевых датчиков наблюдения, метеорологические данные, аэрофотосъёмка. Для анализа используются снимки с ультравысоким разрешением (до 8 см на пиксель) компании Mavrx.
Изучение больших объёмов данных позволяет локализовать участки посевов с угнетённым ростом, идентифицировать болезни растений, проблемы с вредителями, определить обеспеченность растений питательными веществами, потенциальную урожайность и др. Система не только предлагает способы решения обнаруженных проблем, но и на основе метеорологического прогноза определяет оптимальные сроки их проведения.
Платформа Watson Decision Platform for Agriculture от IBM консультирует фермеров при помощи обработки данных дистанционного зондирования Земли. Используя ИИ для объединения данных с нескольких спутников, решение IBM способно обнаруживать неэффективные участки культуры почти с той же точностью, что и у наземных датчиков Интернета вещей (IoT). Watson от IBM определит для фермера вид, количество и оптимальные сроки для обработки пестицидами поражённых площадей.
Поможет в проведении профилактической обработки. С помощью индекса растительной активности с высоким разрешением (HD-NDVI) оценит состояние растения, определит необходимые профилактические меры (внесение удобрений, питательных веществ и др.). Объединяя данные о влажности (HD-SM) с данными о местности и метеорологическими замерами моделируется динамика изменения влажности почвы. Аграрий также получает прогноз урожайности, динамику изменения урожайности на основе снимков и сведений прошлых сезонов и др.
Health Change Maps and Notifications
Разработанная компанией Farmers Edge ИИ-платформа Health Change Maps and Notifications информирует фермера об эффективности работы техники, состоянии растений, появлении вредителей или болезней, дефиците питательных веществ и др. Программа обрабатывает спутниковые изображения и отправляет пользователю сообщения о возможных рисках и необходимых мерах.
ET Agricultural Brain
«Свинский» AI-проект от Alibaba позволяет обнаруживать беременность свиней, что позволяет фермерам определить дату опороса и подготовиться к последующему процессу беременности и рождению помета здоровых поросят. Система развертывает интеллектуальные камеры наблюдения в сараях, и алгоритмы машинного обучения дают результаты, основанные на наблюдении за сном свиноматок, положением стоя и условиями питания. Например, свиноматка, скорее всего, будет беременна, если она спит на спине, стоит на месте и мало бегает и потребляет постоянное количество пищи. Инженеры Alibaba также планируют добавить прогноз количества подстилки на основе характеристик фигуры беременной свиньи.
Система использует методы компьютерного зрения для настройки профилей для каждой свиньи — документирование их породы, возраста, веса, условий питания, интенсивности и частоты упражнений, а также траектории движения. Между тем, алгоритмы распознавания голоса используются для мониторинга здоровья поросят и защиты от удушья, что снижает уровень смертности на три процента и увеличивает ежегодный уровень производства на три поросенка на свиноматку.
Финансовое подразделение другого крупного китайского холдинга JD.com также нацелилось на скотоводство. В прошлом месяце компания представила набор сельскохозяйственных решений на базе AI.
Продолжая тему животноводства, расскажем про весьма интересный ирландский проект Cainthus, который журналисты окрестили «Facebook для коров». Идентификация коров по индивидуальным чертам морд позволяет собирать разнообразную информацию о каждом животном, начиная от особенностей их поведения, заканчивая аппетитом. Данные могут быть использованы владельцами фермерских хозяйств для мониторинга здоровья молочных коров и повышения их надоев.
Компания предлагает фермерам повысить комфорт коров в течение всего жизненного цикла, отслеживая их индивидуальные потребности и немедленно сигнализируя о необходимости вмешательства, если с животным что-то не так. Для наблюдения используется система компьютерного зрения.
По мнению разработчиков, платформа необычайно актуальна и востребована. Они также утверждают, что она единственная в своём роде. Однако же это не так.
Ещё один интересный проект с российскими корнями, Cattle Care, предлагает похожий функционал. Разработчики создали систему видеомониторинга здоровья и продуктивности коров на основе компьютерного зрения. Видеоаналитика для молочных ферм позволяет обеспечить максимально комфортные условия для каждой бурёнки.
Принцип работы довольно прост. Узор на шкуре коровы уникален подобно человеческим отпечаткам пальцев. Используя эту особенность, обученная на фотографиях подопечных система собирает информацию с видеокамер, установленных на фермах, детектирует и идентифицирует каждую конкретную корову. Подсчитывая количество шагов, жевательных движений, количество потребленного корма, выпитой воды и других поведенческих паттернов компьютер составляет медицинскую карту каждой коровы. Благодаря Cattle Care фермер сразу видит, если у его подопечной что-то не в порядке.
Заключение
Как видно, искусственный интеллект и роботы вполне способны увеличить эффективность сельского хозяйства и упростить труд фермеров. Однако по силам ли этим технологиям решить потенциальную угрозу дефицита продуктов питания? Интересно ваше мнение.
Что ещё полезного можно почитать в блоге Cloud4Y
Подписывайтесь на наш Telegram-канал, чтобы не пропустить очередную статью! Пишем не чаще двух раз в неделю и только по делу.