Нейронная сеть учится распознавать состояние растений

Искусственный интеллект учится распознавать состояние растений
iFarm совместно с компанией Poteha Labs и разработчиками из Catalyst-Team запустили телеграм-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.
Механизм работы максимально прост: сотрудник фермы, увидев растение, которое не выглядит здоровым, делает его фото на телефон и отправляет в телеграм-бот, чтобы узнать вероятную причину отклонения в развитии. Нейронная сеть определяет наличие совпадений и возвращает ответ в приложении.
«В будущем подобную систему планируется внедрить на все производства по технологиям iFarm. Данные о качестве посадок будет собирать специальный автопилотируемый дрон. Это позволит оперативно реагировать на любые изменения в росте культур, избегая распространения заболеваний и возможных потерь урожая, что, в свою очередь, делает технологию выращивания iFarm еще более надежной», — прокомментировал директор по продукту iFarm Олег Костенко.
«Мы в Poteha Labs разрабатываем и внедряем технологии машинного обучения. Накопленная внутренняя экспертиза и привлечение лучших специалистов рынка позволяют нам обеспечивать компании эффективными продуктами. Для создания бота iFarm, мы обратились к Сергею Колесникову из Catalyst-Team. Их одноименная библиотека Catalyst отлично подходит для разработки CV-решений для таких прогрессивных компаний, как iFarm», — прокомментировал исполнительный директор Poteha Labs Иван Рябков.

По словам Рябкова, благодаря совместной работе достигнуты высокие показатели точности. «На графике 97% accuracy – значит, что в 97 случаях из 100 модель верно определяет состояние растения, так же, как это делал бы растениевод. При этом модель можно дообучить на дополнительных данных и улучшить показатели в будущем», — пояснил он.
Catalyst-Team: прямая речь
Catalyst-Team — эксперты в области Software Engineering и Deep Learning, которые разрабатывают Оpen Source экосистему для проведения DL R&D. Представитель команды-разработчика рассказал о технических подробностях работы над проектом.
Сергей Колесников
— Цель нашего сотрудничеста — использовать лучшие практики из машинного обучения (Deep Learning, DL) и экспертизу Catalyst-Team в области компьютерного зрения (Computer Vision, СV) для создания бота-помощника агронома iFarm. И хотя такой проект считается довольно стандартным, на нем можно отлично показать различные «подводные» камни в работе с данными, тестированием различных гипотез, созданием самого бота и его внедрением на реальное производство. По ходу всего проекта мы также тестировали нашу Catalyst.Ecosystem — экосистему для исследований в области Deep Learning, о которой и пойдет дальше речь.
Растениеводы на вертикальных фермах используют специальное программное обеспечение для работы с растениями.
Важный этап любых исследований и разработки в Deep Learning – это подготовка данных. Следуя лучшим практикам Software Engineering, «garbage in — garbage out» (мусор на входе — мусор на выходе), для проверки концепта исследований, когда наборы доступных данных весьма ограничены, их создание и подготовка оказывают наибольшее влияние на результат.

Первым камнем преткновения стала разномасштабность предоставленных данных: в нашем распоряжении были как фото, сделанные с расстояния нескольких миллиметров от растения, так и фото всего стеллажа со всеми культурами сразу. Но когда мы обучаем нейронную сеть понимать состояние растений по фотографиям, нам нужно что-то среднее. Поэтому мы определили, что именно должно быть на снимке и на каком расстоянии его нужно делать, чтобы телеграм-бот возвращал соответствующую действительности информацию. Такое понимание крайне важно и позволяет избежать огромного количества переделок.
Салат «Романо» — одна из популярных культур, с которой начали обучать нейронную сеть.
Следующий интересный кейс — выстраивание корректной валидации решения, то есть проверка того, как модель отработает на ранее неизвестных ей примерах. Если неправильно выстроить этот процесс, то позже невозможно будет предсказать поведение модели при ее внедрении на производство и использовании на реальных данных.

Самая интересная часть любого Data Science проекта — тестирование всевозможных гипотез и проведение многочисленных экспериментов. Тут нам на помощь и приходит Catalyst.Ecosystem, а точнее сам Catalyst и наш 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 Catalyst-Team, можно проводить DL R&D намного быстрее и эффективнее, что мы и доказываем на таких проектах.
Последний важный этап R&D — внедрение полученных результатов, в нашем случае — создание телеграм-бота для последующего использования на вертикальных фермах iFarm и сбор обратной связи по качеству работы модели. В этом случае нам вновь помогали наши разработки, а точнее библиотека ReAction, которая написана для упрощения вывода DL моделей в производство.

Совмещая все наши наработки, Catalyst Team совместно с iFarm за две недели разработали первый концепт решения, собрали обратную связь от агрономов и несколько раз доработали продукт, учитывая специфику его использования. Работа над проектом заняла меньше двух месяцев, за это время мы расширили количество культур, доступных для анализа и научились определять пять классов культур «Романо» и «Пак-Чой»:

  • здоровое растение;
  • больное растение;
  • спороношение на пораженных участках;
  • краевой ожог;
  • другая культура.
С точки зрения Catalyst Team, подобные проекты позволяют протестировать Catalyst.Ecosystem, доказать ее полезность в рамках проведения R&D, когда требуется быстро итерироваться по гипотезам и показывать результат каждую неделю. Кроме этого, нам всегда приятно участвовать в социальных проектах, которые меняют мир к лучшему. Хочется быть частью такого движения.

21.02.2020
Подписаться на рассылку
Подпишитесь, чтобы первыми узнавать наши новости
Рекомендуем также прочитать