2022_003

масштабное применение технологии ИИ GAGO в растениеводстве и животноводстве и навигационная система автоматического вождения Beidou от UniStrong для сельского хозяйства.

Эксперты выделяют ряд ключевых стимулов развития рынка ИИ в мировом сельском хозяйстве.

1.Активное развитие сегмента «точное земледелие», предполагающее использование инновационных технологий ИИ, таких как машинное обучение и инструменты прогнозной аналитики для повышения производительности сельского хозяйства. Он включает технологический анализ данных, полученных с полей, для повышения урожайности сельскохозяйственных культур. Точное земледелие помогает управлять вариациями на поле, что позволяет выращивать больше культур с меньшими затратами трудовых ресурсов и с меньшими производственными затратами. Устройства и датчики, интегрированные с технологиями ИИ, помогают в сборе данных, связанных с направлением агробизнеса, тем самым помогая фермерам принимать более обоснованные решения и повышать продуктивность их земель.

2.Рост внедрения технологии распознавания крупного рогатого скота. Благодаря применению расширенных показателей, включая программы визуального распознавания крупного рогатого скота и классификацию изображений, объединенную с оценкой физического состояния и схемами кормления, молочные фермы теперь могут индивидуально контролировать все поведенческие аспекты в группе крупного рогатого скота.

3.Государственная поддержка и программы стимулирования использования ИИ. Например, в 2019 году правительство Индии начало использовать решения с ИИ для оценки урожайности и повышения продуктивности сельского хозяйства.

Основными факторами, сдерживающим развитие внедрения технологий ИИ, является отсутствие стандартов в сборе данных и отсутствие обмена данными. Для решения этой проблемы некоторые страны, такие как Китай, Бразилия и Индия, совершен-

240

ствуют законодательство для предоставления возможности фермерам более широко использовать беспилотные летательные аппараты (дроны) на своих сельскохозяйственных фермах.

Кроме этого, проблемой является опережающее развитие технологий ИИ, в том числе разработки передовых алгоритмов над определением набора действительно значимых данных для сельского хозяйства.

Очевидно, что пандемия COVID-19 оказала негативное влияние на все отрасли, однако именно сельскохозяйственный сектор испытал наиболее существенное негативное воздействие: увеличились задержки в логистике, замедлились цепочки поставок, максимально сократилось количество рабочих на сельскохозяйственных угодьях. В этой связи во время пандемии COVID-19 многие технологические компании (например, Microsoft и другие) сосредоточились на решении проблем сельского хозяйства с помощью автоматизации, ИИ и других цифровых решений в управлении сельским хозяйством. Таким образом, можно сказать, что пандемия оказала дополнительное стимулирующее воздействие на внедрение технологий ИИ в агросекторе.

Проведя обзор основных тенденций, факторов и барьеров в использовании технологий ИИ в сельском хозяйстве, далее обратимся к конкретному опыту внедрения ИИ в отрасли, рассмотрев наиболее, на наш взгляд, применимые для использования в условиях России примеры.

1. Использование систем видеонаблюдения на основе ИИ и машинного обучения для мониторинга видеопотоков поля в ре-

жиме реального времени. ИИ и машинное обучение снижают риски случайного уничтожения домашними или дикими животными посевов или риски фермеров стать жертвой взлома или ограбления на удаленной ферме. Учитывая быстрое развитие видеоаналитики, каждый, кто занимается сельским хозяйством, может защитить свои поля и периметры сельхозугодий. Системы видеонаблюдения с ИИ и машинным обучением также легко

241

масштабируются как для крупномасштабного сельскохозяйственного предприятия, так и для индивидуальной фермы. Системы наблюдения могут быть запрограммированы или обучены с течением времени для идентификации сотрудников и их транспортных средств.

Такие решения предлагает компания Twenty20 − крупнейший поставщик технологий автоматизации и безопасности, интеллектуальных решений для наблюдения и контроля доступа, лидер в области ИИ и наблюдения на основе машинного обучения. Практика применения решений компанииTwenty20 в различных странах доказала эффективность этих разработок в обеспечении безопасности удаленных объектов, оптимизации урожая и сдерживании злоумышленников, поскольку позволяют выявлять сотрудников, работающих на объекте, а также их транспортные средства. Пример мониторинга вреальномвременипоказаннарисунке 1.

Рисунок 1. Использование ИИ и алгоритмов машинного обучения для идентификации людей и транспортных средств на удаленных сельхозобъектах [5]

Следующие примеры наглядно свидетельствуют о больших перспективах использования беспилотных летательных аппаратов (дронов).

2. Использование беспилотных летательных аппаратов (дронов) и датчиков на основе технологий ИИ и машинного обу-

242

чения для сбора данных визуальной аналитики и прогнозирования урожайности в реальном времени.

Объем данных, собираемых интеллектуальными датчиками и дронами, обеспечивающими потоковую передачу видео в реальном времени, предоставляет специалистам в области сельского хозяйства совершенно новые наборы данных, к которым у них никогда не было доступа раньше. Данная технология позволяет комбинировать данные датчиков влажности, удобрений и естественных питательных веществ в почве для анализа динамики роста каждой культуры с течением времени [9]. Машинное обучение − идеальная технология для объединения массивных наборов данных и предоставления рекомендаций с учетом ограничений для оптимизации урожайности.

На рисунке 2 представлен пример того, как ИИ, машинное обучение, наземные датчики, инфракрасные изображения и видеоаналитика в реальном времени дает фермерам новое понимание того, как они могут улучшить здоровье сельскохозяйственных культур и их урожайность.

Рисунок 2. Дроны как надежная платформа для сбора данных

отом, как конкретные удобрения, режимы полива

иметоды обработки пестицидами повышают урожайность сельскохозяйственных культур [6]

243

3. Картирование урожайности для планирования посевов − метод, основанный на контролируемых алгоритмах машинного обучения для поиска закономерностей в крупномасштабных наборах данных и понимания их сопряженности в режиме реаль-

ного времени. Применение картирования урожайности позволяет получить информацию о потенциальной урожайности конкретного поля еще до начала вегетационного цикла.

Используя комбинацию методов машинного обучения для анализа 3D-карт, данных о состоянии с датчиков и данных о цвете почвы с помощью дронов, специалисты в области сельского хозяйства могут прогнозировать потенциальную урожайность почвы для данной культуры. Для получения максимально точного набора данных выполняется серия полетов дронов. На рисунке 3 представлен результат составления карты урожайности.

Рисунок 3. Картирование урожайности для планирования посевов и оптимизации урожайности с использованием алгоритмов машинного обучения [15]

244

4. Использование данных с дронов в сочетании с наземными датчиками для борьбы с вредителями.

Сегодня ООН, международные агентства и крупномасштабные сельскохозяйственные предприятия активно используют данные инфракрасных камер с дронов в сочетании с датчиками на полях, для отслеживания относительного уровня здоровья растений, при этом сельскохозяйственные бригады с помощью ИИ могут прогнозировать и выявлять заражения вредителями до того, как они произойдут.

Примером этого является то, как ООН использует разработки PwC для оценки пальмовых садов в Азии на предмет потенциального заражения вредителями (рисунок 4).

Рисунок 4. Проект ООН по повышению урожайности сельскохозяйственных культур с использованием системы данных наземных датчиков и дронов с точной настройкой алгоритмов машинного обучения [11]

5.Применение интеллектуальных тракторов, агророботов

иробототехники на основе ИИ и машинного обучения для удаленных сельскохозяйственных предприятий, которым сложно найти рабочих. В условиях недостатка рабочей силы сельскохо-

245

зяйственные предприятия могут использовать робототехнику для обработки сельскохозяйственных культур, обеспечивая при этом безопасность с использованием удаленных рабочих мест. Программирование самоходных роботизированных машин для распределения удобрений по каждой культуре помогает снизить эксплуатационные расходы и еще больше повысить урожайность полей. На рисунке 5 представлена панель инструментов ро-

бота VineScout.

Как можно заметить из представленных на рисунке 5 данных, сельскохозяйственная робототехника имеет развернутый интерфейс, что позволяет собирать ценные данные и проводить точную настройку ИИ и алгоритмов машинного обучения, что в целом обеспечивает повышение урожайности.

Рисунок 5. Панель инструментов (Graphicaluserinterface)

самоходного робота VineScout для распределения удобрений [12]

6. Использование ИИ для отслеживания цепочек поставок сельскохозяйственной продукции. Как было отмечено ранее, пан-

демия ускорила внедрение интеллектуальной системы отслежи-

246

вания сельскохозяйственной продукции во всех цепочках поставок. Хорошо управляемая система отслеживания помогает оптимизировать управление запасами, обеспечивая большую прозрачность и контроль в цепочках поставок. Самые передовые системы отслеживания используют датчики и метки радиочастотной идентификации (RFID) и интернета вещей (IoT) для получения более подробной информации о состоянии каждой партии груза. В нашей стране более распространены датчики RFID, имеется большой потенциал у датчиков IoT.

7.Применение ИИ и машинного обучения при обработке полей пестицидами. Выбор правильного сочетания биоразлагаемых пестицидов и ограничение их применения только на тех полях, которые нуждаются в обработке, позволяет снизить затраты

иодновременно повысить урожайность. Используя интеллектуальные датчики в сочетании с потоками визуальных данных с дронов, приложения ИИ для сельского хозяйства могут обнаруживать наиболее зараженные вредителями участки посевных площадей. Используя алгоритмы контролируемого машинного обучения, можно определить оптимальную смесь пестицидов, чтобы уменьшить дальнейшее распространение угрозы вредителей и заражение здоровых сельскохозяйственных культур.

8.Использование технологий ИИ при определении стратегии ценообразования на основе норм урожайности и прогноза общего объема производства сельскохозяйственной культу-

ры. Понимание уровня урожайности и уровня качества сельскохозяйственных культур помогает сельскохозяйственным фирмам, кооперативам и фермерам определять наиболее выгодную цену на свой урожай. Так, например, анализ прогнозного спроса на данную культуру и определение характера кривой эластичности цены позволяет определить оптимальную стратегию ценообразования и не допустить упущенную выгоду.

9.Использование ИИ для оптимизации систем полива. Об-

наружение утечек систем полива, а также анализ того, насколько

247

эффективно полив сельскохозяйственных культур повышает их урожайность − это области, в которых ИИ способствует повышению эффективности сельского хозяйства. Линейное программирование часто используется для расчета оптимального количества воды, необходимого для данного поля или культуры для достижения приемлемого уровня урожайности [13]. Алгоритмы машинного обучения идеально подходят для обеспечения полей и сельскохозяйственных культур достаточным количеством воды для оптимизации урожайности без потерь в процессе.

10. Мониторинг здоровья домашнего скота, включая показатели жизнедеятельности, уровень повседневной активности и потребление корма. По оценкам экспертов, это одно из наиболее быстрорастущих направлений применения ИИ и машинного обучения в сельском хозяйстве. Понимание того, как каждый вид домашнего скота реагирует на рацион и условия содержания, имеет неоценимое значение для понимания того, как лучше всего содержать их в долгосрочной перспективе. Использование ИИ и машинного обучения дает возможность увеличивать надои молока [14]. В условиях активного роста отрасли животноводства нашей страны для многих хозяйств отрасли эта область открывает большие возможности повышения прибыльности деятельности.

Проведенный обзор иностранных источников позволяет сделать вывод о том, что сегодня решения ИИ используются в различных формах для сельскохозяйственного земледелия, включая мониторинг урожая и почвы, прогнозную аналитику и сельскохозяйственных роботов. Кроме того, агропредприятия используют датчики с поддержкой ИИ для мониторинга урожайности почвы и сельскохозяйственных культур, контроля здоровья скота в животноводстве, в области ирригации и в других областях, включая обеспечение безопасности территориально удаленных объектов. Решения ИИ обрабатывают аналитические данные, тем самым повышают эффективность управления в сельском хозяйстве.

248

В нашей стране сельхозтоваропроизводители традиционно сталкиваются с серьезными трудностями, такими как, например, изменение температуры, влажности, заболевания растений и животных, и многое другое. Как известно, управление эффективно лишь при соответствующем качестве принимаемых управленческих решений. Несмотря на то, что некоторые российские и зарубежные приложения для сельского хозяйства на основе ИИ доступны на рынке, отрасль по-прежнему сильно недооценивает возможности использования ИИ. И когда дело доходит до решения реальных проблем, возможности принятия эффективного решения снижены ввиду отсутствия прогнозного инструментария. Однако именно использование технологий ИИ поможет справляться с частыми изменениями внешних условий, способствовать принятию решений в режиме реального времени на основе анализа контекстных данных.

Согласно данным зарубежных исследований, использование технологий на основе ИИ способствует увеличению производства сельхозпродукции на 30% [7]. В нашей стране самая большая проблема для сельского хозяйства − это повреждение урожая изза неблагоприятных погодных явлений, включая нападение вредителей. В большинстве случаев из-за отсутствия надлежащей информации фермеры нашей страны теряют часть урожая. Приложения с использованием технологий ИИ могут быть полезны для прогнозирования погоды и других условий, связанных с ведением сельского хозяйства, таких как качество земли, грунтовые воды, цикл урожая, нападение вредителей и т. д. Точное проектирование или прогноз с помощью технологий ИИ уменьшит большинство проблем российских сельхозтоваропроизводителей, связанных с осуществлением их деятельности.

В век цифровых технологий необходима защита посевов от любых атак – как стихийных, так и со стороны человека. В этом направлении будет полезно распознавание изображений с поддержкой ИИ, использование дронов для мониторинга и выявле-

249