Suzhou Botian - Robot Ladang Pertanian Pintar
Operasi Ladang Automatik Tanpa Campur Tangan Manual: Baidu PaddlePaddle Bekerjasama dengan Suzhou Botian Automatic Technology untuk Memajukan Kepintaran Pertanian
Gambaran Keseluruhan Kes
Padi ialah salah satu daripada tiga makanan ruji utama di China. Pengurusan ladang sawah padi adalah kompleks dan sangat berulang (seperti menyembur racun perosak dan merumpai) serta amat memerlukan tenaga kerja, sekali gus membebankan pekerja. Suzhou Botian menggunakan platform pembelajaran mendalam Baidu, PaddlePaddle, untuk membolehkan traktor dan robot pertanian mempelajari navigasi visual. Ia boleh melaraskan haluan secara masa nyata berdasarkan keadaan tanaman anak padi, mengelakkan anak padi dihancurkan dan seterusnya menjaga serta mengurusnya dengan lebih baik. Penambahbaikan ini telah menjadikan impian "menjimatkan tenaga kerja sambil meningkatkan hasil tanaman dengan ketara" satu kenyataan.
Gambaran Keseluruhan Rakan Kongsi
Suzhou Botian Automation Technology Co., Ltd. ialah perusahaan berteknologi tinggi yang pakar dalam penyelidikan, pembangunan dan pengindustrian teknologi peralatan pertanian pintar. Berpegang pada konsep pembangunan "Inovasi Teknologi, Kepimpinan Pintar, Perkongsian Sumber Ramai dan Mesin Membantu Manusia", syarikat ini secara kreatif telah membangunkan peralatan jentera pertanian pintar seperti robot perlindungan tanaman, robot pemetik buah dan sayur, robot merumpai, robot pertanian fasiliti, sistem pengurusan jentera pertanian pintar dan sistem navigasi bantuan jentera pertanian. Banyak produknya mengisi kekosongan dalam negara dan digunakan secara meluas di lebih 20 wilayah dan bandar di seluruh negara.
Cabaran Perniagaan
Padi ditanam dalam barisan, dengan barisan yang hampir selari antara satu sama lain. Oleh itu, asas untuk merealisasikan navigasi automatik visual jentera pertanian terletak pada pengesanan garis tengah barisan anak padi dengan tepat secara masa nyata. Walaupun algoritma pemprosesan imej tradisional juga boleh mengekstrak garis tengah barisan anak padi, persekitaran sawah yang tidak berstruktur di bawah pencahayaan semula jadi, perbezaan kecerahan imej pada waktu dan keadaan cuaca yang berbeza, kehadiran tumbuhan terapung dan alga yang ciri-cirinya menyerupai anak padi, anak padi yang hilang di sana sini serta pantulan cahaya menimbulkan cabaran besar kepada keteguhan algoritma tradisional, menjadikan ketepatan sukar dijamin.
Persekitaran sawah padi:
Penyelesaian
Untuk menyelesaikan masalah ini, kakitangan teknikal Suzhou Botian menjalankan analisis menyeluruh terhadap ciri-ciri imej sawah padi dan membangunkan sistem pengesanan automatik garis navigasi sawah padi berasaskan platform pembelajaran mendalam Baidu, PaddlePaddle. Mereka menggunakan model ICNet daripada PaddleSeg, kit pembangunan segmentasi imej PaddlePaddle, untuk memisahkan anak padi mengikut barisan daripada latar belakang, dan berdasarkan itu, mengekstrak garis tengah barisan anak padi dengan tepat.
Fasa Satu: Penciptaan Set Data
Juruteknik mengumpul 400 imej setiap satu bagi anak padi seminggu dan tiga minggu selepas ditanam semula pada waktu yang berbeza dalam sehari, dan mengubah masa dedahan pada setiap waktu untuk mengumpul imej dengan kecerahan yang berbeza.
Fasa Dua: Pemilihan Model
Tugas navigasi visual jentera pertanian agak serupa dengan pemanduan autonomi, memerlukan prestasi masa nyata yang tinggi sambil memastikan tahap ketepatan tertentu dan boleh digunakan pada peranti mudah alih seperti sistem terbenam. ICNet, salah satu rangkaian segmentasi semantik arus perdana yang disokong oleh PaddleSeg, ialah rangkaian segmentasi semantik ringan yang direka untuk senario aplikasi memori rendah dan masa nyata tinggi seperti pemanduan autonomi, menjadikannya sangat sesuai untuk navigasi visual jentera pertanian. Berbanding rangkaian berketepatan tinggi seperti siri U-Net dan siri DeepLab, ICNet mengurangkan masa ramalan dan penggunaan memori dengan ketara sambil hanya sedikit mengurangkan ketepatan, mencapai hasil masa nyata pada imej beresolusi tinggi seperti 1024*2048 piksel.
Fasa Tiga: Latihan Model
Semasa latihan model, hiperparameter seperti pengoptimum, bilangan lelaran dan saiz pemangkasan imej boleh disesuaikan dengan mengubah suai fail konfigurasi yang berkaitan. Selain itu, PaddlePaddle merangkumi modul peningkatan imej, yang boleh dilaraskan melalui fail konfigurasi untuk menentukan sama ada peningkatan imej digunakan dan mengubah suai strategi peningkatan imej, membolehkan rangkaian dengan keupayaan generalisasi yang kukuh dilatih walaupun data tidak mencukupi. Saiz input model ditetapkan kepada 640 x 512, dan setelah dikonfigurasi, skrip latihan dipanggil untuk melatih model.
Fasa Empat: Pemilihan Model Optimum
Semasa latihan rangkaian, parameter disimpan setiap lima epok. Nilai kerugian latihan dan ketepatan pengesahan dilihat menggunakan alat visualisasi PaddlePaddle, VisualDL, dan model dengan ketepatan pengesahan tertinggi dipilih untuk mengelakkan pemadanan lampau.
Graf visualisasi VisualDL:
Fasa Lima: Hasil Ujian
Menggunakan PaddleSeg, robot pertanian Suzhou Botian kini boleh memisahkan anak padi daripada latar belakang dengan tepat walaupun terdapat gangguan, mengekstrak kontur luar dan titik ciri imej asal, dan seterusnya mengekstrak garis tengah 4-5 barisan anak padi di bahagian tengah, meletakkan asas yang kukuh untuk navigasi visual jentera pertanian. Digandingkan dengan GPS, robot pertanian Suzhou Botian telah mencapai navigasi automatik sepenuhnya dari gudang ke ladang, mengurangkan pelaburan tenaga kerja dan sumber dengan ketara, serta memastikan kecekapan dan kesihatan kerja petani.
Hasil segmentasi dari kiri ke kanan: gambar rajah hasil segmentasi, gambar rajah pengekstrakan titik ciri imej asal, gambar rajah hasil pengekstrakan garis tengah barisan anak padi.
Nilai dan Hasil
Menggunakan platform PaddlePaddle, juruteknik Suzhou Botian mencapai pengekstrakan garis navigasi visual dalam persekitaran sawah padi yang kompleks dengan kadar ketepatan melebihi 95%. Masa yang diambil untuk memproses setiap bingkai imej (termasuk masa ramalan segmentasi rangkaian ICNet dan masa pengekstrakan garis navigasi seterusnya) adalah kira-kira 300ms, memenuhi keperluan kelajuan operasi jentera pertanian dan membebaskan petani daripada kerja yang berulang dan membosankan. Penambahbaikan paling ketara ialah ketepatan pengekstrakan garis navigasi. Sebelum menggunakan PaddleSeg, Suzhou Botian mencuba pelbagai kaedah lain, tetapi ketepatan tidak dapat dijamin dalam keadaan khas. Menggunakan pengekstrakan garis navigasi berasaskan PaddleSeg, purata ralat sudut dalam imej ujian berkurang daripada 3.27° kepada 1.65°, dengan ralat sudut melebihi 5° jarang berlaku walaupun dalam keadaan seperti pantulan atau tanaman yang hilang.
Pembangun di Botian memuji, "Pustaka segmentasi semantik PaddleSeg mudah digunakan, mudah dilaksanakan dan kaya dengan ciri. Ia menjimatkan banyak masa yang terbuang untuk 'mencipta semula roda' dengan membolehkan pemilihan model segmentasi dan parameter konfigurasi yang berbeza berdasarkan keperluan sebenar dan hasil ujian. Ini bukan sahaja memudahkan kerja kami malah benar-benar merealisasikan inovasi teknologi, mempercepat rentak pembangunan kepintaran jentera pertanian."
Aplikasi Suzhou Botian menyediakan sokongan teknikal yang tepat, cekap dan boleh dipercayai untuk robot pertanian navigasi autonomi, membuat kemajuan besar ke arah visi hebat jentera pertanian pintar dan petani profesional, serta mempromosikan pembangunan pertanian persis di China. Seterusnya, Suzhou Botian bercadang mengaplikasikan PaddlePaddle dalam persekitaran rumah hijau untuk tugas seperti memetik buah dan sayur serta pemeriksaan pintar, dengan harapan lebih ramai pengamal pertanian benar-benar dapat merasai kemudahan yang dibawa oleh pertanian pintar pada masa hadapan.
