هوش مصنوعی به کشاورزان می گوید چه زمانی برداشت کنند

انتخاب لحظه مناسب برای برداشت می تواند یک تصمیم قطعی باشد

وقتی اولین روز برداشت سیب در ایالت واشنگتن در سال گذشته شروع شد، میوه رسیده بود و چیده‌کنندگان آماده بودند – اما آب و هوا ایده‌های دیگری داشت.

جوئل کارتر در Okanagan Specialty Fruits به یاد می‌آورد: «درجه حرارت 38 درجه سانتی‌گراد بود... کار کردن در آن گرما برای مردم بی‌خطر نیست. ساعت 10 صبح مجبور شدیم توقف کنیم.

او می گوید که مدل های هوش مصنوعی (AI) که تاریخ برداشت ایده آل را با در نظر گرفتن آب و هوا پیش بینی می کنند، مفید خواهند بود. "شما باید بیشتر از زمان رسیدن میوه خود بدانید. چه مدت باید آن را بچینید؟" او می گوید. اینجاست که این مدل‌ها واقعا مفید هستند.»

شرکت کارتر بیش از 1250 هکتار باغ سیب در واشنگتن دارد و این میوه برای تکه‌های تکه‌شده سیب کشت می‌شود – برای مثال اغلب به هتل‌ها و مدارس فروخته می‌شود. این شرکت با امید به حداکثر رساندن بهره وری در فناوری سرمایه گذاری می کند. حتی سیب ها نیز به گونه ای مهندسی شده اند که پس از برش به راحتی قهوه ای نمی شوند.

اما برنامه ریزی برای برداشت محصول مشکل است. ابزارهای جدیدی که میوه های درخت یا تاک را می شمارند و تجزیه و تحلیل می کنند و زمان رسیدن محصولات را پیش بینی می کنند، در حال ظهور هستند. این مهم است زیرا قیمت میوه ها، به ویژه انواع توت های با ارزش بالا مانند توت فرنگی یا زغال اخته می تواند به شدت در نوسان باشد. اشتباه گرفتن تاریخ برداشت به این معنی است که کارگران فصلی را زمانی که واقعا به آنها نیاز ندارید رزرو می کنید و خطر از دست دادن بیشترین سود را دارید.

Okanagan Specialty Fruits در حال حاضر با دوربین های یک شرکت کانادایی به نام Vivid Machines آزمایش می کند. دوربین‌ها بالای تراکتورها نصب شده‌اند و تصاویری از درختان سیب را در حالی که تراکتور در حال عبور است به تصویر می‌کشند. هوش مصنوعی جوانه ها، گل ها یا میوه ها را در آن فیلم شناسایی می کند.

کارتر می‌گوید: «در حال حاضر Vivid تخمین محصول و تاریخ برداشت را به ما می‌گوید. او خاطرنشان می کند که این سیستم در انتخاب جوانه های بسیار ریز گل که به سختی در یک نگاه با چشم غیر مسلح دیده می شوند، خوب عمل می کند.

کارتر می افزاید، اما دقت پیش بینی ها به طور قابل توجهی به کیفیت اطلاعات تاریخی وارد شده به سیستم بستگی دارد. او توضیح می دهد: «این چیزی نیست که یک هوش مصنوعی بتواند اینترنت را خراش دهد و بفهمد که میانگین [بازده] برای ننه اسمیت چقدر است. "این قرار است برای مزرعه شما سفارشی شود."

کارتر می‌گوید سیب‌ها حداقل تا حدودی بخشنده هستند - پنجره برداشت برای آن ننه‌اسمیت‌ها سه هفته است. برای میوه های دیگر، مانند انواع توت ها، ممکن است فقط چند روز فرصت داشته باشید.

ریموند مارتین، یکی از بنیانگذاران و مدیر عامل FruitCast، یک شرکت بریتانیایی که پیش‌بینی برداشت را به میوه‌کاران اینجا ارائه می‌کند، می‌گوید: «اگر محصول توت‌فرنگی فعال است، باید آن را برداشت کنید، در غیر این صورت کل محصول شما خیلی خیلی سریع بیمار می‌شود.

شرکت او پیش بینی محصول توت فرنگی و همچنین تمشک، تمشک، زغال اخته و گوجه فرنگی را به کشاورزان ارائه می دهد. مارتین می افزاید: «ما در سال آینده به سمت انگور می رویم.

آیا کشاورزان باتجربه نمی دانند میوه آنها کی می رسد؟ مارتین می‌گوید که آنها معمولا این کار را می‌کنند - اما نه لزوما در کل مزرعه خود، که ممکن است وسعت زیادی داشته باشد، یا دارای مناطق رشد در فضای باز و سرپوشیده باشد. ما دقیقا همان کاری را انجام می‌دهیم که کشاورزان می‌توانند انجام دهند، اما آن را در مقیاسی انجام می‌دهیم که آنها نمی‌توانند.»

این سیستم فیلم‌هایی از میوه‌های در حال رسیدن را که می‌تواند توسط هواپیماهای بدون سرنشین، شخصی که با تلفن هوشمند در زمین بالا و پایین راه می‌رود، یا دوربینی که روی یک وسیله نقلیه مزرعه نصب شده است، ضبط کند، تجزیه و تحلیل می‌کند.

مارتین خاطرنشان می کند که امسال با هوای گرم و خشکسالی شدید که بخش اعظم بریتانیا را تحت تاثیر قرار داده است، چالش برانگیز بوده است. این امر بسیاری از گیاهان میوه را تحت فشار قرار داده و آنها را در حالت خواب حرارتی قرار داده و تولید میوه را کاهش داده است.

ریموند مارتین می‌گوید فقط یک پنجره کوچک برای چیدن انواع توت‌ها وجود دارد

مدل FruitCast شرایط آب و هوایی و آبیاری را در پیش بینی های خود در نظر می گیرد. این شرکت می‌گوید، "پیش‌بینی‌های ما در 10 درصد حجم واقعی انتخاب‌شده یک هفته (90 درصد دقیق) و در عرض 17 درصد سه هفته (83 درصد دقیق) قرار می‌گیرند. ما کمتر از 20 درصد خطا را تضمین می‌کنیم...»

Angus Soft Fruits یکی از شرکت هایی است که با FruitCast کار کرده است. فن‌آوری هوش مصنوعی برای پیش‌بینی رسیدن میوه هنوز «راه‌حلی تمام‌شده» نیست، مدیر عملیات، نیل فین‌لایسون، می‌گوید: «این سفر هنوز ادامه دارد و با وجود پیشرفت قابل توجهی، صنعت تا رسیدن به یک اکوسیستم پیش‌بینی کاملا یکپارچه فاصله دارد.»

Driscoll's، یک میوه‌فروش مقر کالیفرنیا با یک عملیات بزرگ در بریتانیا، نیز به BBC News تأیید کرد که برخی از میوه‌کاران مستقل آن در بریتانیا از فناوری FruitCast استفاده کرده‌اند.

یاسامان قاسم پور (سمت چپ) در حال توسعه تکنیک های تشخیص رسیدن است

محققان همچنین در حال بررسی راه های جدیدی برای تجزیه و تحلیل میوه ها با جزئیات شدید هستند. بسیاری از کشاورزان در حال حاضر از متر بریکس دستی برای سنجش میزان قند محصول خود استفاده می کنند. این دستگاه‌ها با اندازه‌گیری میزان تغییر جهت یا شکست نور پس از عبور از یک مایع کار می‌کنند - که حجم جامدات موجود را نشان می‌دهد.

برخی از این مترها از نور مادون قرمز استفاده می کنند، به این معنی که برای اندازه گیری نیازی به بریدن میوه نیست. اما یاسامان قاسم پور از دانشگاه پرینستون می‌گوید امواج میلی‌متری، امواج رادیویی با فرکانس بالا، می‌توانند به عمق‌تر نفوذ کنند.

او و دانش‌آموزانش یک آشکارساز رسیدگی مبتنی بر موج میلی‌متری ابداع کرده‌اند که می‌تواند توسط کشاورزان یا حتی مشتریانی که در مغازه‌ها به دنبال میوه‌های کاملا رسیده هستند، استفاده کنند. شاگردانش آن را در یک بازار محلی در نیوجرسی امتحان کردند. قاسم پور می خندد: «[کارمندان] آنجا یک جورهایی ترسیدند که ما داریم کار بدی انجام می دهیم.

چنین تجزیه و تحلیل دانه ریز از میوه، اگر در حال حاضر نارس باشد، همچنین می تواند به پیش بینی زمان رسیدن آن کمک کند.

جینگ ژانگ می گوید فناوری جدید باید ارزش خود را به کشاورزان ثابت کند

اما در حالی که برخی از تولیدکنندگان، مانند کارتر، علاقه مند به آزمایش فناوری جدید هستند، بسیاری از آنها تعجب خواهند کرد که آیا سرمایه گذاری در آن واقعا ارزشمند است یا خیر. جینگ ژانگ از دانشگاه ایالتی کارولینای شمالی می‌گوید: «فرزندخواندگی بسیار پیچیده است. "کشاورز باید به تحقیقات و اینکه آیا کار می کند یا خیر اعتماد داشته باشد."

ژانگ روی سیستمی کار می‌کند تا به‌طور خودکار تعداد زغال اخته‌هایی را که تصاویر خارجی از بوته‌های زغال اخته در گوشی‌های هوشمند گرفته شده است، شمارش کند.

در آینده، چنین اطلاعاتی می‌تواند به پیش‌بینی‌های رسیدگی کمک کند. با این حال، او اشاره می کند که برخی از کشاورزان ممکن است از به اشتراک گذاشتن اطلاعات حساس تجاری در مورد استراتژی های رشد خود، مانند برنامه های کود و آبیاری، با اشخاص ثالث و مدل های هوش مصنوعی ناراحت باشند.

بن پالون مدیر ارشد اتوماسیون و تجاری سازی در Western Growers است، انجمنی که نماینده کشاورزان در غرب ایالات متحده است. او می‌گوید پیش‌بینی‌های برداشت پتانسیل خاصی به عنوان «ابزار بهینه‌سازی» دارند.

اما کشاورزان به احتمال زیاد به هوش انسانی متکی خواهند بود. او می‌گوید: «تولیدکنندگان دوست دارند افرادی را در ترکیب داشته باشند تا برخی از این تصمیم‌های بسیار حیاتی را اتخاذ کنند - به‌ویژه وقتی صحبت از برداشت می‌شود.

فناوری حیاتی با رفتن به زیرزمین ایمن می ماند

چرا خطوط هوایی در مورد باتری های لیتیوم یون هشدار می دهند؟