Kernel навчив штучний інтелект оцінювати густоту та якість посіву за знімками з дрона. Наразі ці алгоритми вже відтестовані й цього року будуть повномасштабно впроваджені в агровиробництво компанії.
Головний тренд сучасності – автоматизовані системи управління агровиробництвом, які дозволяють покращити існуючі процеси і побудувати успішні стратегічні моделі. За рік Data Science-спеціалісти поповнили інформаційну екосистему Kernel #DigitalAgriBusiness новими програмними продуктами. Перш за все інтегрували у власний додаток агронома модель підрахунку зерен в початку кукурудзи та насіння в кошику соняшника. Далі – створили модель для оцінки якості посіву за фото з дронів.
Заступник директора Агробізнесу Kernel з інноваційного і цифрового розвитку Євгеній Сапіженко акцентує увагу на тому, що для розробки алгоритмів використовувалися методики Machine Learning, Deep Neural Network та ін.
В одному початку кукурудзи може дозрівати до 800 насінин, в кошику соняшника – до 1500 і більше. Є значний вплив людського фактора, адже гроном на власний розсуд оцінює, які саме зерна вважати заповненими. Цей процес потребував уніфікації. Пропустивши через модель більше 2000 оцифрованих початків кукурудзи, ми навчили модель рахувати кількість зерен, кількість рядів, кількість зернин в одному ряді та інтегрували її у смартфон. Те ж саме зробили з кошиком соняшника. Стосовно кошиків соняшника, то зараз модель вже не просто рахує кількість сім’янок, а й вміє відрізнити незапилені від продуктивних. В напрямку обробки знімків з дронів ми здійснили справжній прорив. За допомогою нейронних мереж навчилися рахувати культурні рослини на фото для оцінки густоти стояння культур. Окрім цього, розроблена модель виділяє двійники, пропуски, оцінює польову схожість, а також видає інтегральний показник якості посіву з врахуванням рівномірності. Це важливий етап оцінки біологічної врожайності і ми готові ділитись цим інструментом з партнерами проєкту Open Agribusiness та поширювати на комерційній основі, адже є і попит і перші позитивні відгуки з ринку.
Фотознімки з дронів проходять багаторівневу перевірку за заданими параметрами, механізм роботи якої пояснює автор рішення Данило Поляков, Data Scientist.
Агроном з моніторингу робить декілька фото поля з різних точок. Щоб впевнитися в тому, що ми маємо знімки з різних зон поля, можемо відображати координати місць, де вони були зроблені. Кожну фотографію модель обробляє окремо. Нейронна мережа будує теплову карту знімка, яка відображає вірогідність знаходження рослини, наступний алгоритм відсікає бур’яни та рослини у міжрядді, після чого ми оцінюємо кількість сходів на гектар, середню відстань між рослинами, відсоток двійників, відсоток пропусків, якість посіву. Фінальні значення для поля обираються як медіанне значення серед усіх фото зроблених з цього поля. Результати зберігаються в параметрах поля, що кріпляться до паспорта поля. По суті, ми отримуємо фундамент для оцінки біологічної врожайності, а також автоматизовану оцінку якості та посіву. Рішеннями вже зацікавилися інші агрокомпанії.
Випробування на кластерах компанії показали хороший результат – середнє значення похибки зафіксовано на рівні 2%. Таким чином, тестовий режим моделі вже значно точніший порівняно з ручними польовими підрахунками за існуючими методиками. Цього сезону Kernel планує використовувати технологію на виробництві у повному обсязі.
Використання сучасних технологій в Агробізнесі Kernel, у тому числі – автоматизація та комплексне впровадження систем точного землеробства, дозволяє нам накопичувати дані по полях і техопераціях, виконаних на них тощо. Супутникові знімки, фото з дронів, дані наземних обстежень обробляються та зберігаються в ІТ-інфраструктурі компанії. Їх застосування передбачає розробку алгоритмів, які могли б здійснювати глибокий, об’єктивний і водночас оперативний аналіз поля для вирішення складних задач агровиробництва та прийняття ефективних бізнес-рішень. Планомірним кроком компанії в цьому напрямку стало створення відділу Data Science у Департаменті інформаційних технологій.