Människor livsnödvändiga trots AI-gröda skadedjur och sjukdomsbekämpning

AV MIKKEL GRUM

Övervakning av skadedjur och sjukdomar är en arbetsintensiv process, som kräver att scouter noggrant utvärderar växt- och grödors hälsa när de rör sig över växthuset, åker eller gård. AI-driven bildanalys syftar till att hjälpa till att automatisera skördeövervakning

[email protected]

Tekniska framsteg inom scouting av skadedjur och sjukdomar förvandlar en arbetsintensiv sektor till en mer effektiv och datadriven. Eftersom artificiell intelligens (AI) utvecklas för att hjälpa växtodling, odlare måste vara mer kritiska än någonsin för att bedöma fördelarna med dessa tidiga lösningar.

Dr Mikkel Grum, En forsknings- och utvecklingsdirektör vid globala experter på kartläggning av skadedjur och sjukdomar Scarab Solutions, säger att gårds- och växtskyddschefer bör fortsätta fokusera på tekniken som ökar mänskligt arbete istället för att hålla ut AI-löftet.

FN:s livsmedels- och jordbruksorganisation (FAO) uppskattar att mellan 20 och 40 procent av den globala växtproduktionen går förlorad årligen på grund av skadedjur och sjukdomar, kostar den globala ekonomin 220 miljarder dollar. Skadedjur som trips, bladlöss, lövgruvarbetare, kvalster, vitflugor och larver, sjukdomar som blåsor, mögel, botrytis och stam- och rotröta är vanliga i alla klimatzoner.

Det är sant att för att bli ännu mer effektiv, grödor kommer att kräva förbättrade tekniker och tekniker. Många tror att AI har svaret.

AI tar sina första steg inom trädgårdsodling

Övervakning av skadedjur och sjukdomar är en arbetsintensiv process, som kräver att scouter noggrant utvärderar växt- och grödors hälsa när de rör sig över växthuset, åker eller gård. AI-driven bildanalys syftar till att hjälpa till att automatisera skördeövervakning.

Inom trädgårdsodling, den senaste utvecklingen inkluderar en "robotscout" utrustad med nära-infraröda bildkameror för att upptäcka mjöldagg och bildanalys för att förutsäga knopp- och blomavkastning, och IRIS Scout Robot. Det finns ett fjärrövervakningssystem för skadedjur, använda maskininlärning (ML) för att utföra en bildanalys av feromonfällor, och ett stort antal som föreslår drönare och satellitbilder, som grund för framtida odling.

Mer utbredd användning av smartphone-applikationer för att skanna foton efter tecken på skadedjur och sjukdomar, ofta framställt som redo, eller nästan redo för bästa sändningstid.

Många har hört att Googles bildanalys nu är bättre än människor på att känna igen katter och hundar i bilder, eller det i bröstcancerforskning, AI-bildanalysen upptäcker nu cancer på mammografi med mer effektivitet och noggrannhet än expertradiologer. Så säkert, att använda bildanalys för att identifiera grödor och sjukdomar på foton tagna med en smartphone kan inte vara så långt borta. Inte så snabbt.

Verkligheten målar upp en mindre rosa bild

Ansträngningar att använda bildigenkänningsteknik i smartphones håller inte vad de lovar att ge både en detaljerad insikt och en praktisk översikt över gårdar och växthus.

Som framhållits i en ny Scientific American artikel , statistik som används för att visa hur bra bildanalys fungerar är ofta missvisande. Det vanligaste "parningstestet", som testar möjligheten att jämföra två bilder och ange vilken av de två som har något skadedjur eller sjukdom, ger mycket högre procentandelar för noggrannhet än en analys av flera bilder, utan kännedom om huruvida någon av  grödan har skadedjuret eller sjukdomen.

Att använda felaktiga eller skeva resultat från AI som grund för bekämpningsmedelskontroll kan orsaka mer skada än nytta, som illustreras av frågan om falska positiva resultat.

Låt oss föreställa oss ett bildsystem som ger ett falskt positivt resultat för infektion bara fem procent av tiden, en mycket konservativ siffra även med påståenden om noggrannhet för alla aktuella appar. I ett fält fullt av blödning, detta skulle inte utgöra något problem, men låt oss nu ta ett fält som inte har någon förekomst av sjukdomen. Om du tog 2, 000 bilder i det fältet skulle du få 100 positiva resultat!

Agerar bonden på detta resultat, eller inspektera de 100 "positiva" platserna för att kontrollera om de verkligen har detta problem? Multiplicera detta med andra skadedjur och sjukdomar som bildanalyssystemet också kollar efter och kanske har ännu högre falsk-positiva frekvenser för, och du har en praktisk mardröm. Ju högre antal falska positiva, desto mer resurser krävs för att utföra oberoende verifiering av resultat – vilket innebär att alla vinster med automatisering går förlorade.

Maskin kontra människa

Detta tillvägagångssätt måste också sättas i ett sammanhang. Studier som jämför situationer där det antingen finns AI eller ingen skördetekningsteknik alls ger ingen realistisk bild, eftersom det i vissa fall redan finns ett system på plats, som hjälper till att registrera och analysera data som samlats in av mänskliga scouter.

I bröstcancerforskningsfallet, eftersom tumörer inte är synliga för det mänskliga ögat, läkarna och AI tittar på samma bild. I ett växthusmiljö, dock, bildanalys är mycket mindre effektiv än mänsklig uppmärksamhet på detaljer. En scout kan röra huvudet och vända på löv för att se ett problem från flera vinklar och med ett förstoringsglas

Förstärka mänskliga färdigheter med mobil teknik – smartphones göra människor smartare

Gårdar och växthus behöver fortfarande folk att gå runt, öppna trädkronan, vänd bladen och använd förstoringsglas vid behov. Detta kräver teknik som gör det möjligt för scouter att utföra sina jobb mer exakt, snabbare och till ett bättre resultat.

Smartphones kommer att fortsätta att vara nyckeln – men inte i första hand som ett AI-verktyg. En mer realistisk och beprövad användning av mobilapplikationer är för datainsamling och kartläggning. Istället för att använda smartphones för att ta bilder för AI att analysera, växtskyddschefer bör ge scouterna möjlighet att använda sina inspektionsfärdigheter och registrera resultaten allt eftersom.

Träning spelar en viktig roll. Korrekt identifiering och skur av skadedjur och sjukdomar, grundlig kunskap om provtagningsprotokoll och tekniken för att påskynda processen, är alla nödvändiga för att harmonisera scouternas prestanda och noggrannhet över hela gården. Detta är nyckeln till framgång.

AI kan hjälpa scouter att korrekt identifiera okända skadedjur eller sjukdomar, men mest grödspaning handlar om att hålla reda på spridningen av en välkänd uppsättning skadedjur och sjukdomar.

Digital kartläggning och scoutingteknik gör det möjligt för människor att skaffa nya insikter

Om vi ​​kopplar data som registrerats av scouter med geografisk information, resultaten skapar datamängder, tillhandahålla ett tydligt spår för spårbarhet och datavisualisering som digitala kartor, diagram och diagram – och annan ytterligare hjälp  för att enkelt identifiera unika och återkommande problem och mönster och eventuella  falskt positiva resultat.

Digital kartläggning är där teknik för scouting av skadedjur och sjukdomar möter mänsklig expertis för att optimera resultaten. På Scarab Solutions, vi ser detta varje dag. Kunder använder Scarab Precision scouting- och kartläggningslösningar för grödor och sjukdomar för att ge en solid grund för att lokalisera hotspots för angrepp, bestämma rätt bekämpningsmedelsanvändning eller biologiskt bekämpningsmedel och minska skördförlusterna genom förbättrad gårdsförvaltning.

När datamängderna växer, växtskyddsförvaltare kan i vissa fall jämföra siffror mot skadedjur och sjukdomar i sin region, använda anonymiserad data från andra gårdar.

Ännu inte dags för AI att lysa, men vi kommer alltid att behöva den mänskliga beröringen

Medan AI-driven bildanalys förblir en diskussionspunkt i branschen, tekniken har en lång väg kvar innan den kan producera tillförlitliga, korrekta och genomförbara användningsfall. I dag, GPS-spårning, mobila datainsamlings- och tolkningsverktyg är de mest effektiva och lukrativa tekniska lösningarna för hantering av skadedjur och sjukdomar för grödor.

När trädgårdsodlingen genomgår en teknisk omvandling, artificiell intelligens ska inte ses som ett substitut för befintliga processer, utan som en förlängning av mänsklig intelligens. AI-driven bildanalys kommer med drönare och robotar i vissa inställningar, men det är en historia för en annan dag.