Реферат на тему Применение искусственного интеллекта и измерений в агросекторе и экологии

Содержание:

Введение. 3

1
Применение искусственного интеллекта и измерений в агросекторе. 4

2
Применение искусственного интеллекта и измерений в экологии. 11

Заключение. 18

Список
использованных источников. 19

Введение:

Термин искусственный интеллект (ИИ) был введен Джоном
Маккарти в 1956 году на международной конференции в Дартмутском университете.

В 60-х годах прошлого века разработками заинтересовалось
министерство обороны США — компьютеры были созданы для имитации человеческого
мышления. Эти работы легли в основу современных решений. Сегодня ИИ относится к
особым свойствам программ, которые могут выполнять сложные функции, аналогичные
человеческой деятельности.

С середины 20 века писатели-фантасты и режиссеры неустанно
создавали работы об искусственном интеллекте и роботах. Однако настоящее
применение высоких технологий стало возможным только недавно — 10-15 лет назад
этому способствовали несколько факторов:

— Вычислительные ресурсы большой мощности
(производительности) стали более доступными. Речь идет не только о самой
доступности таких машин, но и о ценовой политике. А с развитием облачных
технологий отпала необходимость размещать все локально — еще одна точка, где
можно сэкономить.

— накоплено достаточно информации для обучения ИИ.
Во-первых, человечество начало активно использовать в своей работе компьютеры,
что со временем дало возможность собирать необходимые данные в цифровом виде.
Во-вторых, мы научились обрабатывать структурированную и неструктурированную
информацию.

— компании протестировали и увидели эффект от использования
технологий искусственного интеллекта — быстрое распознавание документов и их
дальнейшая обработка, выдача рекомендаций на основе анализа, снижение
трудоемкости ручных операций и мгновенное выявление рисков.

— общий курс крупных организаций на цифровую трансформацию,
подразумевающий не только внедрение передовых технологий для усиления
конкурентных преимуществ, но и изменение подхода к привычным процессам в целом.

Заключение:

Представления о том, что сельское хозяйство и животноводство
отстают и устарели, ушли в прошлое. Сегодня интенсивный рост мирового рынка ИИ
в агропромышленном комплексе обусловлен такими факторами: внедрение системы
управления данными, автоматизация полива, повышение урожайности
сельскохозяйственных культур за счет внедрения методик обучения, увеличение
количество людей на планете. В то же время рост рынка ИИ ограничивается
дороговизной сбора информации о сельскохозяйственных угодьях.

Широкое внедрение робототехники в сельское хозяйство
представлено следующими разработками:

Беспилотные летательные аппараты. Дроны, оснащенные радарами
и GPS-мониторингом, опрыскивают сельскохозяйственные культуры, обеспечивают
надежную доставку опасных химикатов и аэрофотосъемку.

Роботы-уборщики. Если зерноуборочные комбайны существуют
давно, то робота, собирающего клубнику, создали совсем недавно.

Природные ресурсы с каждым годом истощаются все больше и
больше. Необходимы срочные действия, чтобы изменить ситуацию, пока не стало
слишком поздно. Хорошая новость в том, что мы уже хорошо подготовлены к этому:
дешевые, широко распространенные сенсорные сети, IoT, улучшение вычислительной
мощности, алгоритмы с открытым исходным кодом. Все это позволяет более
эффективно наблюдать за океаном и лесами. Системы искусственного интеллекта,
которые могут чувствовать, думать, учиться, могут модернизировать усилия по
сохранению ресурсов, помогают людям бороться с изменением климата и более
эффективно использовать энергию.

Фрагмент текста работы:

1 Применение искусственного интеллекта и измерений в
агросекторе

Искусственные нейронные сети (обычно называемые нейронными
сетями), движимые развитием теории нейронных сетей и информатики, являются одним
из самых известных и загадочных инструментов для интеллектуального анализа
данных. Поскольку стремительное развитие компьютерных технологий создало
предпосылки для появления нейронных компьютеров (то есть компьютеров шестого
поколения), по прогнозам экспертов в области искусственного интеллекта,
нейронные компьютеры будут обрабатывать информацию в соответствии с тем же
принципы следующие. Что касается человеческого мозга [4, 5]), интерес к
технологиям нейронных сетей постепенно охватывает все больше и больше
пользователей, в том числе фермеров.

Нейронные сети нашли применение в следующих областях:

-Анализировать и классифицировать данные по заданным
параметрам;

-Фокус на исходной информации для формирования аналитических
прогнозов;

-Сравните и определите одни и те же данные.

В классическом понимании этого процесса нейронная сеть не
запрограммирована. Она «учится»: находит закономерности в имеющихся данных и
использует их для дальнейшей работы. Подобно нервной системе человека,
искусственные нейронные сети могут эффективно предсказывать изображения на
фотографиях и видео, а также делать прогнозы и принимать решения.

Искусственная нейронная сеть — это электронная модель
нейронной структуры мозга, о которой в основном узнают на собственном опыте.
Естественное моделирование доказывает, что использование нейронных сетей может
эффективно решать многие задачи, которые традиционные компьютеры не могут
решить.

Согласно прогнозу Продовольственной и сельскохозяйственной
организации Объединенных Наций, к 2050 году население мира вырастет с 7
миллиардов до 9,2 миллиарда, а производство продуктов питания необходимо
увеличить на 60%. Учитывая, что мировое сельскохозяйственное население
стремительно стареет, фермеры будут использовать технологии искусственного
интеллекта.

В то же время Россия отстает от передовых стран мира по
уровню развития агротехнологий в развитых странах [9].

Фермеры должны найти новаторские способы использования
меньшего количества ресурсов и энергии и воды, сокращения выбросов и защиты
плодородия почвы, чтобы производить больше продукции с меньшими затратами и
меньшей урожайностью.

Технология искусственного интеллекта основана на анализе
данных для изучения, корректировки и улучшения алгоритмов и моделей
сельскохозяйственных практик с течением времени без ручного вмешательства, и
начала оказывать все большее влияние на сельское хозяйство, особенно на
небольшие фермы.

Качество и количество урожая зависят от многих факторов. Ни
один опытный специалист не может проанализировать все эти факторы и принять правильное
решение, поэтому использование современных технологий в этом направлении
неизбежно [6].

На многих сельскохозяйственных рынках все более не хватает
рабочей силы, основанной на знаниях. Технологии, заменяющие ручной труд в
сельском хозяйстве, позволят добиться максимальной эффективности, сведя к
минимуму ненужный труд, производство и дорогостоящие расходные материалы.
Американская компания Xiant Technologies — один из разработчиков инновационного
оборудования для агропромышленного комплекса. Его инженеры разработали
светодиодные фонари с переменной длиной волны. Свет влияет на растения и
обеспечивает оптимальные условия для роста растений. MycoTechnologies, еще один
разработчик из Колорадо, привлекла инвестиции от Kellogg’s и Tyson Foods для
разработки экологически чистой технологии нейтрального растительного белка [8].

Говоря о «новой революции» в сельском хозяйстве, эксперты
часто упоминали повсеместные темы автоматизации и робототехники в отрасли, но
игнорировали основные тенденции в области программного обеспечения в последние
годы — применение нейронных сетей и машинного обучения. В настоящее время
исследования по этой теме все еще отсутствуют, в основном из-за ее новизны.
И.Ю. провел небольшое исследование. Савин, Д. Статакис, Т. Негре, В.А.Исаев [8],
Ю. Ю. Голубятникова, Н.В. Ткачева [1], В.А.Остричева [7], В.В. Ткаченко и
другие. В то же время актуальность и значимость данной темы требует дальнейших
исследований в этой области.

В сельскохозяйственном секторе искусственный интеллект чаще
всего представлен роботами, беспилотными летательными аппаратами,
интеллектуальными тракторами, автоматизированными системами орошения и
приложениями для мониторинга состояния сельскохозяйственных культур.

Предлагается осуществлять высокоэффективный мониторинг посевов
с помощью беспилотных транспортных средств, оснащенных сложными программными
технологиями, такими как радар и GPS, что сводит к минимуму количество
сотрудников. Программы для сельскохозяйственных роботов или агродронов учат
машины различать растения, их здоровье, наличие болезней и вредителей. Кроме
того, машины искусственного интеллекта способны опрыскивать, пропалывать,
контролировать домашний скот в стаде и выполнять другие трудоемкие
сельскохозяйственные задачи.

Например, нейронные сети можно обучить отличать полезные
культуры от сорняков. После сканирования миллионов фотографий желаемых образцов
культур система может использовать камеру, чтобы определить, есть ли перед ними
здоровые ветки или сорняки в течение нескольких миллисекунд. После серии фаз
применения гербицидов и последующего анализа эффективности нейронная сеть
научится понимать, при каких условиях действительно необходимо определенное
количество вещества, и сможет принимать собственные решения. Звучит здорово, но
это нейронная сеть, которая может управлять ползучим роботом, разработанным в
США. Робот для борьбы с сорняками Lettuce Bot использует встроенную камеру для
сканирования поля с помощью алгоритмов и машинного анализа изображений,
отличает салат от сорняков за 0,02 секунды и опрыскивает сорняки гербицидами.
Исходя из этого, компания впоследствии представила технологию See & Spray.
Используя огромную базу данных изображений культур и сорняков, компьютер может
однозначно определить мельчайшие различия между культурами и сорняками, а затем
использовать специальные роботизированные форсунки для точного и точного
опрыскивания сорняков [1].

Без особых трудностей сеть можно научить различать здоровые
культуры и сорняки, а также здоровые растения от больных растений. С самого
начала была изучена база данных изображений здоровых и больных растений на
разных стадиях роста, и система сможет оценить степень повреждения
сельскохозяйственных культур и предложить решения. Такие «умные фильтры» могут
работать в поле и классифицировать собранные культуры [16].

Автоматизация уборки урожая началась в середине 20 века.
Урожай также может полагаться на искусственный интеллект. Управляемая
нейросетью машина сможет самостоятельно оценивать форму, вес и цвет ягод и
собирать только спелые ягоды, подходящие для торговых точек.

При мониторинге сельскохозяйственных угодий для выявления
вредоносных объектов могут использоваться нейросетевые аппаратно-программные
комплексы [7].

Точность, обеспечиваемая искусственным интеллектом, во
многом способствовала развитию устойчивого сельского хозяйства. Фермеры могут
точно знать, какая культура лучше всего подходит для каждой области поля, какие
площади следует обрабатывать под пар для восстановления почвы, какие меры
следует принять и когда собирать урожай, чтобы минимизировать потери.

Во всем мире появляется экологическая стартап-система,
которая может предоставить инструменты искусственного интеллекта для ферм,
включая небольшие роботизированные компании (SRC), которые считают, что роботы
более точны и экологически безопасны, чем традиционные методы [4].

В последние несколько лет люди пытались применить
искусственный интеллект практически во всех сферах нашей жизни.Оказалось, что
искусственный интеллект очень полезен, помогая людям принимать правильные
решения для выполнения задач. Использование интеллектуальных систем в области
выращивания растений в искусственных условиях не является исключением. Среди
множества различных типов нейронных сетей особое место занимает так называемая
рекуррентная нейронная сеть. Их архитектура позволяет эффективно обрабатывать
данные в упорядоченной последовательности (например, текст, речь и временные
ряды). Это временной ряд, описывающий изменения растений во времени. В своей
исследовательской работе ученые Сколтеха продемонстрировали, как повторяющиеся
нейронные сети и алгоритмы компьютерного зрения выполняют задачу
прогнозирования динамики роста растений на основе текущего состояния системы
роста растений и параметров, характеризующих рост растений. Проблема была
решена с использованием данных Немецкого аэрокосмического центра (DLR).
Немецкие ученые стремятся еще больше стимулировать рост растений в
искусственных системах, таких как те, что используются на Международной
космической станции. В совместном эксперименте были получены ценные данные для
определения оптимального соотношения питательных веществ, которое улучшает рост
растений в текущих условиях [5].

В этой работе алгоритмы компьютерного зрения используются
для сегментации и определения площади поверхности листа и прогнозирования роста
растений — различные схемы рекуррентных нейронных сетей показали свою
эффективность при решении задач. Для демонстрации и тестирования разработанных
программ в реальных условиях предложена встроенная система энергосбережения,
позволяющая рассчитывать и прогнозировать динамику роста. Система основана на
популярном одноплатном прототипе компьютера Raspberry Pi с внешней графической
платой Intel Movidius. Ядром устройства является компактный и мощный
графический процессор Myriad 2, который имеет мощность всего 1 Вт и может
обеспечить вычислительную производительность 150 гигафлопс, что сопоставимо с
производительностью суперкомпьютеров середины 1990-х годов. Этот тип
графического чипа очень подходит для нейронных сетей и в будущем станет основой
встроенных систем искусственного интеллекта.

Вашингтонский университет (Сент-Луис, США) получил грант в
размере почти 100000 долларов США от Climate Company, подразделения Bayer, на
изучение возможности использования искусственного интеллекта для выбора
гибридов или вариантов уникальных технологий, чтобы вы могли и сезоны [2] для
получения максимального урожая.

За рубежом создаются инновационные цифровые
сельскохозяйственные платформы. Таким образом, цифровая платформа Agremo
предназначена для операторов дронов, производителей и агрономов для
сельскохозяйственных исследований и анализа с помощью дронов. Разработчики
считают, что их система поможет принимать эффективные решения по оптимизации
сельскохозяйственных процессов и повышению урожайности. Мониторинг здоровья
растений позволяет оценивать, предотвращать и исправлять общее состояние и
степень повреждения сельскохозяйственных культур в течение всего сезона. Серия
анализов и отчетов, направленных на анализ здоровья растений, а также на
обнаружение и предотвращение стресса и повреждений, вызванных различными
факторами.

В настоящее время разрабатываются несколько услуг, особенно
«подсчет растений», мониторинг эффективности внесения удобрений, анализ
полевого процесса и выявление различных проблем (отсутствие, повторный посев и
недостаточный посев, вытаптывание и полегание). Это основные сервисы, которые
будут включены в платформу [1].

Общая цель программы защиты растений — объединить все услуги
и предоставить фермерам всесторонний анализ на персональных компьютерах и
планшетах в форме отчетов или интеграции с другими услугами. На данном этапе
стартап занимается анализом изображений с дронов. В будущем разработчики
планируют интегрировать другие типы данных, такие как данные о погоде, данные с
датчиков. Компания формулирует летные спецификации для каждой услуги, каждой
культуры, этапа культурного развития и времени. Если у аграрной компании или
небольшой фермы есть собственный дрон, он может самостоятельно летать и делать
снимки согласно требованиям разработки, а затем обрабатывать их на платформе
Crop Saver.

Платформа использует алгоритмы искусственного
интеллекта для идентификации и анализа каждого завода в поле. На входе —
обычная мозаика с разрешением 1-2 см / пиксель, на выходе — точечный слой с
координатами каждого растения и статистической информацией (общее количество
растений, количество растений на гектар).