Как искусственный интеллект помогает выращивать здоровую еду

Проблемы традиционного растениеводства 

Большие агрокомплексы и тепличные хозяйства потребляют огромное количество воды и удобрений. Для выращивания овощей в таких комплексах требуется 12 литров на кв.м. В результате происходит круговорот — почвы загрязняются пестицидами и истощаются, окружающая среда загрязняется, а к нам на стол попадает нездоровая еда.

При транспортировке свежесть и 45% питательных веществ теряются, а до 40% продукции по дороге превращается в отходы. Логистическое плечо увеличивает стоимость продукта. До 60% от стоимости составляет человеческий труд, начиная с посадочных работ и заканчивая логистикой.

Развитие iFarm

В 2017 году команда iFarm начала экспериментировать со светопрозрачной теплицей-биовегетарием на грунте. Там поддерживался микроклимат и автоматически открывались форточки.

Параллельно разрабатывались вертикальные установки для выращивания зелени, и в 2018 году была построена полностью автоматизированная вертикальная ферма (400 кв.м), оборудованная системой управления микроклиматом. С помощью датчиков и программного обеспечения контролировались состав раствора, параметры и расписание света, влажность, температура и подача СО2.

Затем создали понятную и прогнозируемую карту культур — сценарий выращивания растений — и стали делать универсальный инструмент управления не только микроклиматом, но и всем производством. Для этого нужно правильно прогнозировать нагрузку, чтобы полки не простаивали (зоны рассады и проращивания разделены). Требовалось ежедневно снимать огромное количество урожая. 

В результате iFarm начали разрабатывать SaaS-платформу, которая сейчас используется на всех производствах по технологии iFarm.

В чем преимущество вертикальных ферм?

• Рациональное использование воды

Вертикальные фермы требуют на 90% меньше воды, чем традиционное земледелие на полях и теплицы.

• Свежесть, питательные вещества

Растения не контактируют с вредителями и переносчиками болезней, в связи с этим нет необходимости использовать средства для обработки от насекомых и заболеваний. Поэтому в овощах из вертикальных ферм не содержатся пестициды.

В каких условиях можно организовать вертикальную ферму?

• Наличие канализации для бытовых нужд.
• Потребление чистой холодной воды до 13 кубометров в сутки.
• Качественная отделка по допускам СЭС и ХАССП (необходимы проектные и планировочные работы), в идеале — свежее здание из сэндвич-панелей.
• Дешевая стоимость электроэнергии, так как расходы на электричество составляют 15–20% стоимости продукции. Наличие дневного/ночного тарифа на электроэнергию приветствуется.
• Возможность долгосрочной аренды помещения.
• Охраняемая территория (либо возможность найма охранного предприятия).
• Электрические мощности — до 1 кВт на 1 кв.м помещения (при высоте потолка 4,5–6 м).
• Удаленность не более одного часа езды на автотранспорте до центра города или ключевых покупателей продукции.
• Размещение желательно на первом этаже, также необходим грузовой подъезд и парковочное место.
• Нагрузка на пол — около 500 кг/кв.м (в местах размещения баков для воды и питательного раствора — до 1000 кг/кв.м).
• Рядом с площадкой не должно быть химических, пыльных производств, бетонных заводов и т.д.
• Любые источники тепла — газ, центральное отопление (на период монтажа).

Общий принцип работы системы

Экспериментальные лаборатории расположены в Новосибирске и Москве.В них проводят эксперименты с культурами. Изучают спрос: актуальность, популярность. Доводят растения до нужных норм: форма, размер, вкусовые характеристики.

В лабораториях создают агротехнические карты — «рецепты выращивания». Они поступают в SaaS-платформу — центр сосредоточения всех данных.

Выращивают 120 культур. Порядка 40 культур в производстве.

Где применяется искусственный интеллект?

Современная агротехника — дорогой, технически сложный и финансово затратный проект. Квалифицированные специалисты стоят дорого. Например, в Европе квалифицированный агроном обойдется 500–800 евро в час. 

В iFarm все агрономы, инженеры и программисты работают над созданием идеальной карты культуры — это алгоритм внутри платформы, где зафиксированы дни и стадии проращивания. Зафиксированы все климатические метрики на каждом этапе развития культуры, какие именно действия необходимо совершить и в какой день. На выходе — чек-лист растениевода.

На протяжении двух лет фиксируются все микроклиматические параметры роста растений: температура, влажность, СО2, состав раствора, биохимический состав растений, вес растений, размер листьев. Сохранены логи по каждой секунде, проведенной растением в производственном помещении или в лаборатории.

Съемка различных культур ведется с двух ракурсов каждую минуту. В результате, проанализировав данные по посадкам и наблюдения за растениями, в iFarm выявили пиковые часы роста растения: когда можно снижать световой поток или совсем отключать электричество, при этом цикл роста сохраняется. Окупаемость фермы возрастает.  

Съемка ведется с помощью автопилотируемых дронов на основе лазерных датчиков. Дрон перемещается между рядами с растениями по меткам на полу и полках.

В планах — создать инструменты непрерывного сбора данных и отслеживания состояния посадок. Можно будет снимать в лучшем разрешении и с других ракурсов. А нейронные сети будут способны самостоятельно определять вес по снимку, отслеживать динамику и прогнозировать рост каждого растения в отдельности. 

Кейс: Telegram-бот для выявления заболеваний растений при помощи Computer Vision

iFarm совместно с разработчиками из Catalyst Team запустили Telegram-бота для выявления отклонений в росте культур на вертикальных фермах: нейронная сеть с помощью последних наработок в области компьютерного зрения анализирует состояние растения, а бот выдает всю необходимую информацию об этом.

Категории состояния растения:

• здоровое растение,
• больное растение,
• краевой ожог,
• спороношение,
• другое растение.

Создание Telegram-бота на основе набора данных — стадийный процесс. Рассмотрим на примере салата сорта романо.

• Подготовка данных

Процесс начинается с подготовки данных. Это важный этап, на котором сталкиваемся с трудностями, так как данные сильно отличаются друг от друга. Фотографии растений были сделаны под разным углом, с разным освещением и в разном масштабе.

Были предоставлены фото: 

• здоровых листьев романо,
• обгорелых листьев романо,
• романо с болезнями,
• других похожих культур.

Стояла задача разделить данные. Ребята из Catalyst.DL разметили 10% фото, обучили первую сетку, добавили в обучающую выборку и предсказали основной пак данных.

Получили сабсет датасета, который и будет использоваться в дальнейшем.

• Выстраивание корректной валидации решения

Полученный пак данных разделяем на обучающую и валидационную выборки. На обучающей — тренируем сетку, на валидационной — смотрим, как ведет себя нейросеть, и отслеживаем качество данных. Для эффективной работы нейросети важно отсутствие отличий между выборками. Поэтому данные разбиваем бинарной классификацией.

В таком случае мы уверены в классификации данных и можем валидироваться на них.

• Тестирование гипотез и проведение экспериментов 

Самая интересная часть любого Data Science проекта — тестирование всевозможных гипотез и проведение многочисленных экспериментов. Тут на помощь приходит Catalyst и их новый проект Alchemy. 

Catalyst позволяет проводить огромное количество экспериментов, не обращая внимания на технические аспекты реализации, а больше фокусируясь на тех продуктовых гипотезах, которые нужно проверить. Alchemy, в свою очередь, дает возможность визуализировать все полученные результаты, сравнить подходы, а также поделиться результатами при работе в команде. 

Благодаря этим двум проектам было проведено много экспериментов. От гипотезы к гипотезе получали различные результаты. Лучший результат распознавания — 97%.

• Внедрение результатов

Результат мы получили за две недели в виде Telegram-бота. Бот позволяет изолировать все модели и сделать из них микросервис. Возможно отслеживать KPI, собирать фидбэк и давать пользоваться другим людям.

• Обучение новым классам и культурам / внедрение во внутренние инструменты SaaS платформы GrowTune

Следующий шаг — внедрение подобной системы на все производства по технологиям iFarm. Данные о качестве посадок будет собирать специальный автопилотируемый дрон. Это позволит автоматически выявлять отклонения: чем раньше выявляются отклонения или болезни, тем выше вероятность избежать распространения заболеваний и увеличить конечный объем урожая.

***

iFarm — современный, развивающийся проект. Уже сейчас в Москве можно приобрести продукцию, выращенную по технологии iFarm, — например, в сети супермаркетов «Азбука Вкуса». Ребята непрерывно ищут решения по автоматизации процессов и постоянно сокращают расходы на выращивание 1 кг продукции. 

Основатели и члены команды увеличивают число агротехнических карт, разрабатывают нейронную сеть для вычисления зеленой массы растения по снимку, внедряют Telegram-бота для выявления заболеваний при помощи технологии computer vision и находят интересные применения ИИ-продуктов для вертикальных ферм.

Фото на обложке и в тексте: iFarm