Pemantauan tanaman dan tanah

Mari kita mulai dari awal.

Mikro dan makronutrien dalam tanah merupakan faktor penting untuk kesehatan tanaman dan baik kuantitas maupun kualitas hasil.

Kemudian, begitu tanaman berada di dalam tanah, memantau tahapan pertumbuhan juga penting untuk mengoptimalkan efisiensi produksi. Sangat penting untuk memahami interaksi antara pertumbuhan tanaman dan lingkungan untuk membuat penyesuaian untuk meningkatkan kesehatan tanaman. Sekarang, secara tradisional kualitas tanah dan kesehatan tanaman ditentukan oleh pengamatan dan penilaian manusia. Tetapi metode ini tidak akurat dan tidak tepat waktu. Sebagai gantinya, kami sekarang dapat menggunakan drone (UAV) untuk menangkap data gambar udara, dan melatih model visi komputer untuk menggunakannya untuk pemantauan cerdas kondisi tanaman dan tanah.

AI penginderaan visual dapat menganalisis dan menginterpretasikan data ini untuk:

• melacak kesehatan tanaman
• membuat prediksi hasil yang akurat.
• mendeteksi malnutrisi tanaman jauh lebih cepat daripada manusia

Model AI dapat menginformasikan petani tentang area masalah tertentu sehingga mereka dapat mengambil tindakan segera. 

Sekarang mari kita lihat beberapa contoh nyata bagaimana computer vision membantu menjaga tanaman mereka tetap sehat dan produktif.  

Pengamatan kematangan tanaman

Pengamatan manual terhadap tahap pertumbuhan kepala gandum hanyalah jenis proses padat karya yang dapat dibantu oleh AI dalam pertanian presisi.

Para peneliti mencapai ini dengan mengumpulkan gambar gandum pada berbagai tahap "heading" selama tiga tahun dan dalam pencahayaan yang berbeda, yang memungkinkan mereka menciptakan "mekanisme deteksi telinga gandum kasar-ke-halus dua langkah".

Model visi komputer ini kemudian mampu mengungguli pengamatan manusia dalam mengidentifikasi tahap pertumbuhan gandum secara akurat, yang berarti bahwa petani tidak lagi harus melakukan perjalanan harian ke ladang untuk memeriksa hasil panen mereka.

Atau bayangkan harus memeriksa kematangan tomat secara manual di tingkat industri. Sehat.. 

AI juga dapat membantu dengan itu!

Studi lain meneliti seberapa baik visi komputer dapat mendeteksi kematangan tomat. Peneliti membuat algoritme yang menganalisis warna dari lima bagian tomat yang berbeda, lalu membuat perkiraan kematangan berdasarkan data ini.

Bagaimana hasilnya?

Sangat baik! Algoritme ini mencapai tingkat keberhasilan deteksi dan klasifikasi sebesar 99,31%.

Mengawasi dan memperkirakan pertumbuhan dan kematangan tanaman adalah pekerjaan berat dan padat karya bagi petani. Tapi AI terbukti mampu menangani sebagian besar pekerjaan itu dengan mudah dan akurasi yang mengesankan.

Memukul Tanah dengan Computer Vision

Kembali ke pentingnya tanah, studi lain berangkat untuk melihat seberapa baik visi komputer dapat mengkarakterisasi tekstur tanah dan bahan organik tanah (SOM).

Biasanya, mengevaluasi tanah mengharuskan petani menggali sampel dan membawanya ke laboratorium untuk analisis intensif waktu dan energi. Sebaliknya, para peneliti memutuskan untuk melihat apakah data gambar dari mikroskop genggam yang murah dapat digunakan untuk melatih algoritme untuk melakukan hal yang sama.

Benar saja, model visi komputer berhasil membuat perkiraan kadar pasir dan SOM dengan akurasi yang sebanding dengan pemrosesan laboratorium yang mahal. 

Jadi, visi komputer tidak hanya dapat menghilangkan sejumlah besar tenaga kerja manual yang sulit yang terlibat dalam pemantauan tanaman dan tanah, dalam banyak kasus ia melakukannya dengan lebih efektif daripada yang dapat dilakukan manusia.

Deteksi serangga dan penyakit tanaman

Kami telah melihat bagaimana visi komputer AI dapat mendeteksi dan menganalisis kematangan tanaman dan kualitas tanah, tetapi bagaimana dengan kondisi pertanian yang kurang dapat diprediksi?

Dengan menggunakan teknologi pengenalan gambar berdasarkan pembelajaran mendalam , kini kami dapat mengotomatiskan deteksi penyakit dan hama tanaman. Ini bekerja menggunakan metode klasifikasi gambar , deteksi , dan segmentasi gambar untuk membangun model yang dapat "mengawasi" kesehatan tanaman.

Lihatlah bagaimana ini bekerja:

Mencegah apel busuk (mendiagnosis tingkat keparahan penyakit) 

Sebuah contoh yang baik dari tindakan ini berasal dari studi busuk hitam apel (yang mungkin kita semua lebih suka dari apel kita!). Para peneliti melatih Deep Convolutional Neural Network menggunakan gambar busuk hitam apel yang telah dianotasi oleh ahli botani menurut empat tahap utama keparahan. Seperti contoh kami sebelumnya, alternatif untuk visi komputer membutuhkan banyak pencarian dan evaluasi manusia yang padat karya. Untungnya bagi peternak, model IB dalam penelitian ini mampu mengidentifikasi dan mendiagnosa tingkat keparahan penyakit dengan akurasi 90,4%!  Peneliti dalam studi lain melangkah lebih jauh dengan menggunakan algoritme YOLO v3 yang ditingkatkan untuk mendeteksi berbagai penyakit dan hama pada tanaman tomat.  Berbekal kamera digital dan smartphone, para peneliti mengambil foto di rumah kaca tomat lokal dan mengidentifikasi 12 kasus penyakit atau hama yang berbeda. Setelah model dilatih menggunakan gambar, yang bervariasi dalam resolusi dan ukuran objek yang ditampilkan, model ini mencapai akurasi deteksi penyakit dan hama sebesar 92,39% dengan waktu deteksi hanya 20,39 ms.

Tidak terlalu buruk!

Menemukan bug dengan kode

Dan katakanlah Anda ingin tahu tidak hanya jika tanaman Anda memiliki hama, tetapi berapa banyak , sistem penglihatan komputer untuk deteksi serangga juga mencakupnya.

Apakah kami menyebutkan bahwa ini juga berfungsi untuk serangga terbang? 

Mereka tentu bukan yang paling menyenangkan untuk ditangkap dan dihitung dengan tangan. Para peneliti pertama-tama memasang perangkap lengket untuk menangkap enam spesies serangga terbang yang berbeda dan mengumpulkan gambar waktu nyata. Mereka kemudian mendasarkan metode deteksi dan penghitungan kasar pada deteksi objek YOLO, dan klasifikasi dan penghitungan halus pada Support Vector Machines (SVM) menggunakan fitur global. Ketika semua dikatakan dan dilakukan, model visi komputer mereka mampu mengidentifikasi lebah, lalat, nyamuk, ngengat, chafers, dan lalat buah dengan akurasi 90,18%, dan menghitungnya dengan akurasi 92,5%. Studi ini menunjukkan bahwa masa depan visi komputer AI untuk memantau kesehatan sistem pangan kita cukup menjanjikan. Tidak hanya dapat mengurangi inefisiensi tenaga kerja, tetapi juga dapat melakukannya tanpa mengorbankan keandalan pengamatan.

Pemantauan kesehatan ternak

Sejauh ini kita hanya berfokus pada tanaman, tetapi pertanian lebih dari gandum, tomat, dan apel.

Hewan adalah komponen utama lain dari sistem pertanian kita, dan mereka cenderung membutuhkan lebih banyak pelacakan daripada tumbuhan. Dapatkah visi komputer mengikuti pergerakan sapi, ayam, dan babi?

Nah, kalau bisa melacak lalat, pasti bisa melacak sapi.

Lihat di bawah bagaimana salah satu pengguna V7— data pelatihan CattleEye memungkinkan pelacakan dan anotasi ternak menggunakan kotak pembatas dan titik kunci.

CattleEye adalah contoh yang bagus dari perusahaan pertama AI di industri pertanian. Mereka menggunakan kamera overhead dan algoritme visi komputer untuk memantau kesehatan dan perilaku ternak.

Ini berarti menemukan masalah tidak bergantung pada keberadaan peternak di dekat sapi. Sebaliknya, sapi dapat dilacak dan dipantau dari jarak jauh dan real-time sehingga peternak dapat diberi tahu segera setelah ditemukan masalah.

Tentu saja, ini tidak hanya terbatas pada ternak. Visi komputer juga dapat:

• Menghitung hewan, mendeteksi penyakit, mengidentifikasi perilaku yang tidak biasa, dan memantau aktivitas penting seperti melahirkan.
• Kumpulkan data dari kamera dan drone (UAV).
• Gabungkan dengan teknologi lain untuk memberi tahu petani tentang kesehatan hewan dan akses ke makanan atau air.

Plus, lihat bagaimana gambar ayam ini dianotasi dengan V7 .

Algoritme dilatih untuk melihat data video dan menentukan apa yang sedang dilakukan ayam – apakah mereka minum, makan, tidur, atau melakukan sesuatu yang aneh yang mungkin mengindikasikan penyakit atau masalah perilaku.

Penyemprotan cerdas

Kami telah melihat bahwa visi komputer bagus dalam menemukan gangguan di bidang pertanian, tetapi juga dapat membantu mencegahnya. UAV yang dilengkapi dengan computer vision AI memungkinkan untuk mengotomatisasi penyemprotan pestisida atau pupuk secara seragam di seluruh lapangan. Dengan pengenalan area target penyemprotan secara real-time, penyemprot UAV mampu beroperasi dengan presisi tinggi baik dari segi area maupun jumlah yang akan disemprotkan. Ini secara signifikan mengurangi risiko mencemari tanaman, manusia, hewan, dan sumber daya air. Meskipun potensinya besar, saat ini masih ada beberapa tantangan. Misalnya, menyemprot bidang yang luas jauh lebih efisien dengan beberapa UAV, tetapi menetapkan urutan tugas tertentu dan lintasan penerbangan untuk masing-masing pesawat bisa jadi rumit.

Tapi itu tidak berarti permainan untuk penyemprotan cerdas sudah berakhir. Para peneliti dari Virginia Tech telah merancang sistem penyemprotan cerdas berdasarkan penyemprot yang dikontrol motor servo yang menggunakan penglihatan komputer untuk mendeteksi gulma. Sebuah kamera yang dipasang pada penyemprot merekam geo-lokasi gulma dan menganalisis ukuran, bentuk, dan warna setiap tanaman yang mengganggu untuk menghasilkan jumlah herbisida yang tepat dengan penargetan yang presisi.  Dengan kata lain, ini semacam pembasmi gulma. Namun tidak seperti Terminator , keakuratan sistem penglihatan komputer memungkinkannya menyemprot dengan sangat akurat sehingga berhasil menghindari kerusakan tambahan pada tanaman atau lingkungan.

Penyiangan otomatis

Penyemprot cerdas bukan satu-satunya AI yang terlibat dalam penyiangan… eh, penyiangan. Ada robot visi komputer lain yang mengambil pendekatan yang lebih langsung untuk menghilangkan tanaman yang tidak diinginkan. 

Sekarang, menemukan gulma dengan cara yang sama seperti penglihatan komputer dapat menemukan serangga atau ayam yang berperilaku aneh tidak benar-benar menghilangkan banyak pekerjaan bagi petani. Untuk mendapatkan bantuan yang lebih besar lagi, AI perlu menemukan dan menghilangkan gulma.

Mampu menghilangkan gulma secara fisik tidak hanya menghemat sedikit pekerjaan petani, tetapi juga mengurangi kebutuhan herbisida dan dengan demikian membuat seluruh operasi pertanian jauh lebih ramah lingkungan dan berkelanjutan.

Robot di rumput liar

Untungnya, deteksi objek dapat mengidentifikasi gulma dengan baik dan membedakannya dari tanaman. Namun, kekuatan sebenarnya muncul saat algoritme visi komputer digabungkan dengan pembelajaran mesin untuk membuat robot yang melakukan penyiangan otomatis.

Semua ini memperkenalkan BoniRob dengan cukup baik , robot pertanian yang menggunakan kamera dan teknologi pengenalan gambar untuk menemukan gulma dan menghilangkannya dengan mengarahkan baut ke bumi.

Ia belajar membedakan antara gulma dan tanaman melalui pelatihan gambar tentang ukuran, bentuk, dan warna daun. Dengan cara itu BoniRob dapat menggelinding di ladang menghilangkan tanaman yang tidak diinginkan tanpa risiko merusak apa pun yang berharga.

Dan sementara teman-teman AI kita berada di lapangan, mungkin ada pekerjaan lain yang bisa mereka lakukan.

Sekelompok ilmuwan bekerja untuk mewujudkannya dengan desain robot pertanian yang mendeteksi gulma serta kadar air tanah.

Dengan cara ini, ia dapat bergerak melalui ladang, menghilangkan gulma dan mengalirkan air dalam jumlah yang sesuai ke tanah.

Hasil percobaan untuk sistem ini menunjukkan bahwa klasifikasi tanaman dan tingkat penyiangan keduanya berada pada atau di atas 90%, sambil menjaga kadar air tanah dalam pada 80 ± 10%.

Bot pertanian yang digerakkan oleh Ai sedang mengembangkan resume yang cukup bagus!

Survei udara dan pencitraan

Pada titik ini mungkin tidak mengherankan bahwa visi komputer juga memiliki beberapa aplikasi hebat untuk mensurvei tanah dan mengawasi tanaman dan ternak.

Tapi itu tidak membuatnya kurang signifikan untuk pertanian cerdas.

AI dapat menganalisis citra dari drone dan satelit untuk membantu petani memantau tanaman dan ternak. Dengan begitu mereka dapat segera diberi tahu jika ada sesuatu yang salah tanpa harus terus-menerus mengamati bidang itu sendiri.

Pencitraan udara juga berguna untuk meningkatkan ketepatan dan efisiensi penyemprotan pestisida. Seperti yang disebutkan sebelumnya, memastikan bahwa pestisida hanya pergi ke tempat yang dimaksudkan untuk menghemat uang dan juga lingkungan sekitar.

Menghasilkan penilaian dan penyortiran

Terakhir, visi komputer AI dapat terus membantu petani bahkan setelah tanaman dipanen.

Sama seperti mereka dapat menemukan cacat, penyakit, dan hama saat tanaman tumbuh, algoritme pencitraan juga dapat digunakan untuk memilah produk "baik" dari yang rusak atau jelek.

Dengan memeriksa ukuran, bentuk, warna, dan volume buah dan sayuran, visi komputer dapat mengotomatiskan proses penyortiran dan penilaian dengan tingkat akurasi dan kecepatan yang jauh lebih tinggi daripada profesional terlatih sekalipun.

Hasil gambar yang sempurna

Ambil penyortiran wortel, misalnya.

Ini melelahkan dan biasanya dilakukan dengan tangan. Namun, para peneliti telah mengembangkan sistem penyortiran otomatis yang menggunakan penglihatan komputer untuk memilih wortel yang cacat permukaannya atau bentuk dan panjangnya tidak benar.

Wortel yang "baik", kemudian, adalah yang memiliki bentuk yang benar ("poligon cembung") dan tidak mengandung akar berserat atau retakan permukaan.

Pada ketiga kriteria tersebut, model computer vision mampu menyortir dan memilah wortel dengan tingkat akurasi masing-masing sebesar 95,5%, 98% dan 88,3%.

Selanjutnya, membawa kita kembali ke tomat klasik, penelitian lain menemukan bahwa AI dengan pembelajaran mesin dapat menggunakan data gambar dengan tujuh fitur input untuk menilai kualitas tomat dengan akurasi 95,5%.

Dalam kedua kasus tersebut, jumlah tenaga kerja manual yang dihemat sangat besar. Dan itu semua berkat sedikit pelatihan AI tentang seperti apa wortel atau tomat yang "baik".

Masa depan AI dalam Pertanian: Petani sebagai insinyur AI?

Sepanjang sejarah manusia, teknologi telah lama digunakan dalam pertanian untuk meningkatkan efisiensi dan mengurangi jumlah tenaga manusia intensif yang terlibat dalam pertanian. Dari bajak yang lebih baik hingga irigasi, traktor hingga AI modern, ini adalah evolusi yang dialami manusia dan pertanian sejak ditemukannya pertanian.

Ketersediaan visi komputer yang tumbuh dan semakin terjangkau menjadi langkah maju yang signifikan di sini.

Dengan perubahan besar yang terjadi pada iklim, lingkungan, dan kebutuhan pangan global kita, AI memiliki kemampuan untuk mengubah pertanian abad ke-21 dengan:

• Meningkatkan efisiensi waktu, tenaga kerja, dan sumber daya.
• Meningkatkan kelestarian lingkungan.
• Membuat alokasi sumber daya “lebih pintar”.
• Memberikan pemantauan waktu nyata untuk meningkatkan kesehatan dan kualitas produk yang lebih baik.

Tentu saja, ini membutuhkan beberapa perubahan dalam industri pertanian. Pengetahuan petani tentang “ladang” mereka perlu diterjemahkan ke dalam pelatihan IB, dan ini akan bergantung pada investasi teknis dan pendidikan yang lebih besar dalam sektor pertanian.

Namun sekali lagi, inovasi dan adaptasi bukanlah hal baru dalam pertanian. Visi komputer dan robot pertanian hanyalah cara terbaru petani dapat mengadopsi teknologi baru untuk memenuhi permintaan pangan global yang terus meningkat dan meningkatkan ketahanan pangan.

sumber : https://www.v7labs.com/blog/ai-in-agriculture