A mesterséges intelligencia a mezőgazdaságban rendkívül speciális képzést igényel. Más iparágakkal ellentétben az autonóm rendszerek használata a mezőgazdaságban még csak kísérleti és kutatási szakaszban van. Ez elsősorban annak köszönhető, hogy egy mezőgazdasági robotnak összetettebb feladatokat kell ellátnia, mint például egy ipari termelésben használt robotnak. Florian Schiller, a DLG szakértője elmagyarázza a robotok növénytermesztésének bonyolultságát. A DLG IPZ-farmja számos, a növénytermesztésben alkalmazott digitalizációval és mesterséges intelligenciával foglalkozó kutatási projekt része, köztük a német Szövetségi Gazdasági Minisztérium által finanszírozott NaLamKI projektben.
A NaLamKI a Sustainable Agriculture with AI rövidítése. A kutatási projekt célja olyan mesterséges intelligencia-szolgáltatások fejlesztése mezőgazdaság számára, amelyek képesek elemezni a hagyományos és autonóm mezőgazdasági gépek, műholdak és drónok adatait, szoftveres szolgáltatási platformban egyesíteni, és nyílt felületeken keresztül elérhetővé tenni az eredményeket. A projekt társult partnereként az IPZ a búza gombás betegségeinek korai felismerésén dolgozik mesterséges intelligencia segítségével. A projekt további partnerei közé tartozik a Fraunhofer Institute for Telecommunications (Heinrich Hertz Institute, HHI), a mezőgazdasági gépeket gyártó John Deere és a Hohenheimi Egyetem. Florian Schiller számára a NaLamKI projekt ismét azt mutatja, hogy még mindig nagy szükség van kutatásra, mielőtt az AI-t széles körben alkalmaznák a mezőgazdaságban. Schiller ezt az adatgyűjtés magas költségével magyarázza, amely egyes növénytermesztési alkalmazásokhoz szükséges. Ennek az az oka, hogy a mesterséges intelligencia nagy mennyiségű képzési adatra van szüksége bizonyos növénytermesztési alkalmazásokhoz ahhoz, hogy gyakorlati hozzájárulást tudjon nyújtani. Ilyen például a gombás betegségek kimutatásának területe.
A NaLamKI projektben kutatott, mesterséges intelligencia által támogatott gombás betegségek kimutatásának célja, hogy multi- és hiperspektrális képanalízissel megállapítsák, mikor történt gombás fertőzés a terményben – „még azelőtt, hogy az emberi szem észlelné. azt” – hangsúlyozza Schiller. Ehhez a növény levélfelületén rögzíteni kell a különböző gombafajok spektrális jellemzőit, hogy az AI számára megfelelő képzési adatsort hozzunk létre. A DLG szakértője szerint kihívásokat jelent, hogy a levélfelület spektrális tulajdonságaira nemcsak a gombakórokozók, hanem olyan külső tényezők is befolyást gyakorolnak, mint a szárazság vagy a növények táplálkozása. Más szóval, az AI-t arra kell képezni, hogy felismerje a gombás kórokozók által befolyásolt különféle tulajdonságokat. „Ezért az AI-rendszerek számára mindig kulcsfontosságú, hogy az adatok pontos információkat adjanak a felismerendő tulajdonságokról. Ellenkező esetben az AI-modellek nem tükrözik azt, amiről információt kellene szolgáltatniuk” – mondja Schiller. Következésképpen még sok-sok munkára van szükség különféle szakértőktől, mielőtt a növénybetegségek kimutatása készen áll a gyakorlati alkalmazásra; Schiller meg van győződve arról, hogy a FarmRobotix is értékes hozzájárulást tud tenni a szükséges hálózatépítéshez Florian Schiller szerint az egyik mesterséges intelligencia alkalmazás, amely már közelebb van a gyakorlati érettséghez, a gyomirtószer-kijuttatásban alkalmazott pontpermetezés, ami a nem haszonnövények vagy gyomnövények felismerésén alapul.
Forrás: https://www.dlg.org/en/
