År 2018 odlade fem lag gurkor i en banbrytande Autonomous Greenhouse Challenge internationell konkurrens. Twisten: bara ett av lagen bestod av erfarna mänskliga odlare som manövrerade sitt växthusfack manuellt. De återstående fyra teamen bestod av internationella experter inom trädgårdsodling och artificiell intelligens (AI). De arbetade med att utveckla AI -lösningar för att hantera sina grödor på distans och autonomt. Tävlingens mål, världens första Autonomous Greenhouse Challenge, var att driva genombrott inom hållbar livsmedelsproduktion.
Efter fyra intensiva månader kom de manuella odlarna på andra plats. Förstaplatsen, ledd av en av författarna till denna artikel, vann med en autonom växande lösning som inte bara uppnådde 6% högre avkastning och 17% högre nettovinst, utan också använde mindre COXNUMX2, värme och vatteninmatningar.
För att lära dig mer om tävlingen och förstå hur en AI -lösning kan konkurrera med - och till och med överträffa - ett team av skickliga mänskliga odlare, låt oss titta närmare på AI och hur det förhåller sig till växthusautomation.
Växthusautomation är inget nytt
I decennier har odlare använt processdatorer, sensorer och ställdon för att hantera växthusklimat och bevattning. I ett sådant scenario är processdatorns jobb enkelt och förlitar sig på enkla logiska regler. Om lufttemperaturen är högre än 75 ° F, öppna t.ex. ventilen. Det tråkiga arbetet med att läsa temperaturer och slå på och av lampor och värmare delegeras till maskiner.
Naturligtvis kan reglerbaserad automatisering inte hantera oförutsedda omständigheter. Mer avgörande är att en skicklig människa måste fatta alla grödhanteringsbeslut, ner till de exakta börvärdena för miljöparametrar. För att uppnå hög avkastning på ett tillförlitligt sätt krävs en omfattande kunskap och skicklighet, och även då är det lätt att göra misstag. När gårdar växer sig blir arbetet med att kontinuerligt övervaka grödorna ännu mer krävande.
Tyvärr vet odlarna alltför väl att arbetskraft är den största källan till problem i produktionen. År efter år, i Växthusodlare Top 100 odlare undersökning, odlare rapporterar utmaningar inte bara med arbetskostnaderna utan också med tillgången på kvalificerad arbetskraft. Inte överraskande letar odlare alltmer efter sätt att hantera dessa utmaningar, inklusive ny teknik som kan göra växthusförvaltningen mer autonom.
AI är ett steg utöver regelbaserad automatisering
Ett bra sätt att tänka på artificiell intelligens är att det är ett steg bortom enkel reglerbaserad automatisering. Modern AI handlar om att använda matematik för att hitta mönster i data, inklusive den typ som finns i växthusmiljöer och biologiska system. Till exempel:
- Med tillräckligt med klimatdata kan odlare använda AI för att bestämma optimala börvärden och göra klimatprognoser.
- Med tillräckligt med skördeavkastningsdata kan odlare använda AI för att generera avkastningsprognoser.
- Med tillräckligt med bilddata kan odlare använda AI för att upptäcka skadedjur och sjukdomar.
Vissa typer av AI kan till och med lära av nya data, vilket ger stegvis bättre resultat över tiden.
Genom att kunna ge djupare insikter i den dagliga växthusverksamheten kan AI användas för att stödja expertbeslutande och ge odlare möjlighet på ett meningsfullt sätt. De bästa resultaten kommer trots allt från en genomtänkt kombination av mänsklig intelligens och artificiell intelligens.
Det databaserade tillvägagångssättet för AI kan också kombineras med det klassiska reglerbaserade tillvägagångssättet, vilket möjliggör en mycket högre grad av växthusautomatisering än någonsin tidigare. Kort sagt kan odlare använda AI för att automatisera många operativa uppgifter, vilket hjälper till att lindra de kroniska arbetsproblem som utmanar branschen.
Data är bränslet för AI
Så mycket som AI handlar om matematiska algoritmer, det handlar också om data. I motsats till vad många tror har några av de vanligaste algoritmerna som används i AI funnits i årtionden. De är inte ens särskilt komplicerade. Men under den längsta tiden har tillgången till data - tillsammans med prisvärd beräkningskraft som krävs för att bearbeta data - varit begränsande faktorer.
Det tog en ny utveckling inom datorhårdvara för att frigöra AI: s potential. Smartphone -revolutionen, som startades av Apple 2007, skapade helt nya tillverkningsekosystem och leveranskedjor i global skala. Detta förändrade den grundläggande ekonomin för datorhårdvara, till synes över en natt. Viktiga hårdvarukomponenter, till exempel mikroprocessorer, radioapparater och sensorer, blev exponentiellt billigare, mindre och kraftfullare. Drickerna av rådata förvandlades till översvämningar. Det nya överflödet av data och beräkningskraft hjälpte till att omvandla AI från en nyfikenhet med få kommersiella applikationer till en teknisk förändring av havet.
IoT ger en överflöd av data
I början av 1980-talet blev forskarstuderande vid Carnegie Mellon University i Pittsburgh irriterade över att vandra över till en Coca-Cola-varuautomat bara för att hitta den tom. De ändrade den så att den kunde rapportera sin inventering över Internet. Därmed uppfann de världens första internetanslutna apparat.
Idag har miljarder enheter, stora som små, från konsumentelektronik till industrimaskiner, anslutit sig till den första läskmaskinen för att vara ansluten till Internet och bilda det som kallas Internet of Things (IoT). Vad som är viktigt är att, till skillnad från tidigare generationer av hårdvara - inklusive många vanliga växthusautomatiseringslösningar - använder IoT -enheter samma typer av dataformat och kommunikationsprotokoll som används någon annanstans på Internet. Genom att förlita sig på globala internetstandarder kan det vara lättare att utbyta data med IoT -enheter utan att behöva extra hårdvara för att överbrygga från en typ av system till en annan.
Tillsammans är AI och IoT kompletterande teknik. IoT -hårdvara hjälper odlare att samla rådata från växthus lättare. Och AI -mjukvara hjälper odlare att känna till - och agera på - den informationen för att förbättra växtproduktionen.
Fallstudie: Kenneth Trans framgång i Autonomous Greenhouse Challenge
Dr Tran: År 2018 var jag en AI -forskare på Microsoft Research nära Seattle och arbetade med en nyare typ av AI som kallas förstärkningslärande. Där inledde jag en ny satsning för att tillämpa vår forskning på området kontrollerat miljöjordbruk. Med det så kallade Sonoma-projektet samarbetade vi med växtforskare vid Harrow Research Center i Ontario, Kanada, och slutade med att tävla i den första internationella Autonomous Greenhouse Challenge, organiserad av Wageningen University & Research i Nederländerna.
I denna utmaning odlade varje lag gurkor i ett 315 kvadratmeter växthusfack under cirka fyra månader. Dessa fack var utrustade med standardprocessdatorer, klimatsensorer och ställdon. Med hjälp av digitala IoT -gränssnitt (REST API: er) kunde våra AI -program kontinuerligt läsa data från sensorerna, bestämma optimala börvärden och skicka börvärden tillbaka till processdatorer - över hela Internet (se figur nedan). Mer information om utmaningen och dess resultat finns i en artikel av Hemming et al. (2019).
Trots vår bristande erfarenhet av att odla gurkor och vår prototyp i ett mycket tidigt skede kunde vår autonoma växande lösning vinna tävlingen. Vi överträffade även teamet på andra plats, referenslaget bestående av holländska experter, med 6% högre avkastning. Avkastningsmarginalen motsvarade en ökning av rörelseresultatet med 17%.
Presterade referenslaget dåligt? Inte alls. De presterade anmärkningsvärt bra, enligt många experter. Utbytet var nästan 50 kg/m2 under fyra månader, vilket motsvarar nästan 150 kg/m2 per år. Detta anses vara hög avkastning för ett växthus var som helst på planeten.
Som ett resultat av Autonomous Greenhouse Challenge grundade jag Koidra 2020 för att direkt bygga vidare på våra lärdomar och ytterligare driva det senaste inom AI och IoT för jordbruk och andra industriella kontrollapplikationer.
Ställ rätt frågor om AI och IoT
Idag är fler växthusodlare villiga och redo att anta AI och IoT. Den största utmaningen är att förstå produkterna på marknaden och att kunna vada igenom alla marknadsföringstalen. Många företag hävdar ivrigt att de har en AI -algoritm eller IoT -enhet som fungerar för växthus.
Här är några viktiga överväganden att tänka på vid utvärdering av AI -programvara och IoT -hårdvara:
- Prestanda: Odlare bör kunna se konkreta verkliga fördelar. Fråga: Har AI bevisats i kommersiell produktion för att förbättra avkastningen och resurseffektiviteten? Under vilka förutsättningar? Vad är företagets meritlista i utvecklingen av AI- och IoT -programvara?
- AI -design: De mest effektiva AI -lösningarna kombinerar det bästa av mänsklig intelligens med det bästa av artificiell intelligens för att fatta beslut. Fråga: Hur utnyttjar AI -modellen den befintliga kunskapen? Hur säkerställer det att prestanda förbättras med tiden med mer data?
- Programvarudesign: Odlare bör ha kontroll över växthusdriften. Fråga: Vilka mjukvarudesignprinciper används för att garantera grödorsäkerhet? Kan jag enkelt växla mellan manuellt, rekommenderat och autopilotläge hela tiden?
- Dataägande: Odlare bör äga sina uppgifter och undvika "leverantörslåsning". Fråga: Kan jag enkelt importera data från andra system? Kan jag säkerhetskopiera och exportera mina egna data? Finns det API: er som möjliggör åtkomst till levande data och anpassade integrationer? Kan jag använda programvara och hårdvara från olika leverantörer, nu och i framtiden?
AI och IoT kan stärka odlare
I en värld där kritiska resurser - vatten och energi, liksom tid, pengar och kvalificerad arbetskraft - blir mer knappa, är det vettigt att utforska ny teknik för att lindra denna börda. Som vi lärde oss från Autonomous Greenhouse Challenge kan odlare verkligen uppnå större avkastning och högre resurseffektivitet med hjälp av AI -programvara och IoT -hårdvara. Dessutom fortsätter denna teknik att utvecklas och avanceras i snabb takt.
I slutändan kan AI och IoT verkligen stärka växthusodlare - att fatta bättre beslut, göra mer med mindre - att odla världens mat mer hållbart.