В России реализованы десятки агротехнических проектов на базе искусственного интеллекта. Применению ИИ в сельском хозяйстве посвящен 100-страничный отчет АНО «ЦИФРОВАЯ ЭКОНОМИКА», на основе которого подготовлен этот материал
Технологии искусственного интеллекта становятся необходимой частью экономического развития. Один из значимых эффектов, особенно в сфере сельского хозяйства, — это автоматизация многих рутинных процессов и более эффективная реализация крупных проектов без использования тяжелого ручного труда. «Выполнение этих задач возможно при помощи умных растениеводческих и животноводческих ферм, через внедрение умных ветеринарных систем. — Считает Сергей Плуготаренко, Генеальный директор АНО «Цифровая экономика». — Успешные кейсы применения ИИ в сельском хозяйстве мы привели в новом отчете об использовании российских практик в этой области».
Контролируемая среда
Метод выращивания растений и животных в специально оборудованных помещениях позволяет изолировать их от случайных факторов природной среды и создать идеальные условия для данного биологического вида. Сельскохозяйственные культуры получают строго необходимое количество ультрафиолета, минеральных и органических веществ. Отсутствие контакта с природными вредителями делает бессмысленным применение пестицидов и гербицидов, при этом достигается экономия воды на 70–95 %, отсутствует необходимость использовать тяжелую технику.
Интеллектуальная система управления рыбоводческим хозяйством
Задача: повысить эффективность и снизить трудоемкость выращивания рыбы
Разработчик: «Инфорика»
Резидент «Сколково» компания «Инфорика» занимается автоматизацией крупных рыбоводческих хозяйств, в том числе установок замкнутого водоснабжения (УЗВ). На таких фермах через бассейны непрерывно прокачивают воду, которая фильтруется, насыщается кислородом и подогревается до нужной температуры. УЗВ очень чувствительны к нарушениям параметров среды, автоматический контроль для них жизненно необходим.
Модульная ферма для выращивания грибов
Задача: выращивание грибов в оптимальных климатических условиях
Разработчик: «Сити-Фермер»
Быстровозводимая ферма поддерживает идеальные условия для роста грибов с помощью датчиков и программируемых микроконтроллеров. Заданные параметры среды поддерживаются автоматически, а если под влиянием внешних факторов показатели выйдут за пределы допустимых значений, система посылает сигнал в диспетчерскую. Модульная конструкция позволяет построить ферму любого размера и при необходимости масштабировать производство.
Система контроля ферм аквакультуры
Задача: поддерживать строго необходимое количество запасов корма, прогнозировать объемы производства и финансовый результат предприятия
Разработчик: К2Тех
Рыба и креветки очень чувствительны к качеству воды, условиям окружающей среды, регулярности кормления и качеству корма. Система на основе искусственного интеллекта собирает данные о температуре воды, количестве оставшегося корма в кормушках и других параметрах. На основе полученных данных строится прогноз о количестве и датах подвоза кормов, чтобы не было ни излишков, ни недостатка. Накопив данные за несколько лет разведения, система позволяет точно предсказывать улов.
Интеллектуальная система гидропоники для вертикальных ферм
Задача: полностью автоматизировать процесс выращивания зелени, трав, овощей, фруктов и ягод
Разработчик: Healthy Garden (ООО «Городские агротехнологии»)
Гидропонная система с искусственным интеллектом приближает некогда сложный сельскохозяйственный бизнес к источникам пассивного дохода. Участие владельца в процессе выращивания растений минимально, от него не требуется специального образования и навыков. Вертикальная ферма работает в полностью автоматическом режиме, а данные о своей работе передает пользователю на смартфон.
Крупная промышленная вертикальная ферма
Задача: производить зелень для жителей Москвы на минимальной площади
Разработчик: «Городские теплицы»
На территории туристического комплекса «Этномир» в 90 километрах от Москвы с 2022 года работает крупная вертикальная ферма. Для нее специально возвели трехэтажное монолитное здание. В целях экономии электроэнергии ферма разделена на несколько «климатических зон», в каждой из которых установлен свой график смены времени суток. Расчетная мощность производства фермы составляет 11 тонн зелени в месяц. Годовой оборот превышает 150 млн рублей.
Точное земледелие
Каждый квадратный метр земли отличается от соседнего. Варьируются свойства почвы, уровень воды, количество солнечного света и затенение. Обрабатывать все поля одинаково — значит впустую тратить воду, удобрения и время. Системы точного земледелия позволяют досконально изучить участки земли с помощью ГЛОНАСС/GPS, спутниковых фотографий, технологии дистанционного зондирования и наземных датчиков. А затем обрабатывать каждый фрагмент с учетом его особенностей, используя устройства интернета вещей.
Автономная агрометеостанция по подписке
Задача: узнать реальную погоду в поле, которая может отличаться от описываемой синоптиками
Разработчик: ООО «Нотос»
Метеостанции помогают вести сельское хозяйство, ориентируясь не на среднюю погоду по региону, а на реальные климатические условия, характерные для конкретных полей. Станция измеряет не только «внешнюю» погоду — температуру, влажность, осадки и ветер, но и параметры почвы: температуру на глубине, электропроводность, pH. Сама станция, мобильное приложение и аналитические сервисы предлагаются по подписке.
Сервис спутникового мониторинга земель
Задача: узнать и состояние пахотной земли, сократив затраты на геодезические работы
Разработчик: «Ростелеком», СКАНЭКС, «Агродозор»
Система использует систему спутникового позиционирования, спутниковые съемки и другие методы дистанционного зондирования земли (к ним относятся съемки с любых летательных аппаратов в различных диапазонах) для создания точной карты полей. Интеллектуальные алгоритмы компьютерного зрения оценивают качество, динамику развития посевов и последствия стихийных бедствий.
Нейросеть для разработки стратегии и удобрения растений
Задача: оперативно отслеживать состояние растений и защищать их от болезней
Разработчики: «ИнноГеоТех» и Университет Иннополис
С помощью искусственного интеллекта система проводит многофакторный анализ состояния поля, в котором учитываются состояние почвы, климат, рельеф местности, показатели продуктивности, севооборот, урожайность и «история болезней». Все это, в том числе заболевания растений, сервис определяет по фотографиям. Система способна распознать 100 растений за 10 минут.
Pixel.ai — платформа нейросетевого анализа спутниковых снимков
Задача: инвентаризация и контроль использования сельхозугодий
Разработчик: АО «Терра Тех» (входит в госкорпорацию «Роскосмос»)
Платформа Pixel.ai включает несколько решений на основе искусственного интеллекта. Одно из них, «Динамика развития посевов», собирает статистику о состоянии посевов и представляет ее на интерактивном графике, который ИИ строит на основе самостоятельно подобранных спутниковых снимков. За несколько месяцев работы сервиса площадь проанализированных земель приблизилась к 800 тыс. гектаров.
Интеллектуальная система дифференцированного полива
Задача: равномерно увлажнять почву и экономить воду
Разработчик: К2Тех
Датчики, установленные на поливальных машинах и буксирующих их тракторах, собирают информацию о влажности почвы и температуре воздуха на отдельных участках поля. Эти данные позволяют добиться равномерного увлажнения почвы по всей площади поля (вместо прежнего принципа равного расхода воды на квадратный метр). Искусственный интеллект также анализирует данные, собранные за длительное время, чтобы прогнозировать урожайность полей.
Роботы и беспилотники
Сельское хозяйство — трудоемкая отрасль. Роботы не только берут на себя тяжелую работу, но и помогают высококвалифицированным работникам в сферах, где важна длительная концентрация внимания. Беспилотные летательные аппараты кроме традиционной аэрофотосъемки берут на себя посев, обработку растений, орошение почвы и делают все это точнее и избирательнее, чем люди.
Система прогнозирования болезней растений
Задача: предсказать маршрут и динамику распространения заболеваний
Разработчик: DCS
На основе аэрофотосъемки с дронов система компьютерного зрения выявляет очаги заболеваний на ранней стадии. Далее подключаются большие данные: система учитывает историческую информацию о сезонности и волнообразности течения болезней, о прошлых инфекциях и севообороте, текущие метеорологические данные. Система позволяет детально и при этом заранее спланировать мероприятия по защите.
Аэрофотосъемка для вычисления спектральных характеристик листьев растений
Задача: научиться определять характеристики почв по листьям растений
Разработчики: «Агрофирма КРиММ» и УК «Агроинтел»
Беспилотные летательные аппараты производства компании «Геоскан» проводят аэрофотосъемку для последующего вычисления индексов спектра отражения листовым пологом агрокультур. Искусственный интеллект поможет сопоставить спектральные характеристики листьев растений с составом почв. Таким образом, в будущем можно будет картировать почвы с помощью аэрофотосъемки.
Робот для работы в поле
Задача: выявить и уничтожить сорняки, определить болезни на ранней стадии
Разработчик: «ЭРлаб»
Автономный колесный робот обладает достаточной проходимостью, чтобы ездить по всему полю и исследовать растения с помощью фотокамер и других сенсоров. Система компьютерного зрения выявляет болезни и сорняки, которые робот может тут же удалить. Средства защиты растений применяются не ко всему полю, а точечно, благодаря чему расход пестицидов снижается до 95 %, удобрений — до 20 % при одновременном повышении урожайности до 40 %.
Беспилотные комбайны и трактора
Задача: снизить влияние человеческого фактора на работу сельхозтехники
Разработчик: Cognitive Technologies
Предположим, уставший комбайнер взял на полметра левее, чем нужно. На километр длины поля эта ошибка выльется в десятки килограмм несобранного зерна или дополнительный проход, на который требуется время и топливо. Автопилот не устает и ведет машину предельно точно. При этом система компьютерного зрения с высокой точностью детектирует внезапно возникшие на пути препятствия (людей, животных, крупные предметы), чтобы остановить машину в нужный момент.
Робот для наблюдения и ухода за животными
Задача: улучшить условия содержания животных, предотвратить их болезни и повышенную смертность в условиях дефицита кадров
Разработчик: «Агробит»
Система состоит из колесного робота и сервера управления. Робот считает животных, своевременно сообщает о павших особях, отслеживает температуру, влажность и уровень аммиака по периметру корпуса, повышает эффективность ветеринарных вмешательств благодаря регулярному наблюдению. Искусственный интеллект заранее предупреждает о риске распространения заражения.
Большие данные
Предприятия всех отраслей хозяйства накапливают колоссальное количество данных. Собираются показатели датчиков интернета вещей, информация о продажах и коммерческой деятельности, перечни израсходованных материалов и заказанных услуг, метеорологические, исторические, научные данные. Искусственный интеллект позволяет выявить закономерности в любых, даже неструктурированных данных и использовать их для построения прогнозов.
Программа подбора сортов винограда для земельных участков
Задача: оценить земельные участки на пригодность под посадки винограда
Разработчик: Terroir Concept
Геоинформационный программный комплекс агрегирует данные почвенно-агрохимических исследований и сопоставляет их с биологическими характеристиками сортов винограда. Так подбирается оптимальное размещение растений на земельном участке. Программа может быть полезна для предварительной оценки участков перед покупкой. Применение инструмента позволяет виноделам производить продукцию, которая отражает свойства локальных терруаров.
Система выбора культур и времени для посева
Задача: избежать истощения почвы и потери урожая из-за неверного выбора культуры
Разработчик: DCS
На базе исторических данных модель машинного обучения прогнозирует будущую урожайность участка в зависимости от культуры и времени сева. Программа учитывает климатические факторы и данные о состоянии почвы. Система помогает распределить культуры по участкам так, чтобы с максимальной вероятностью получить высокую урожайность.
Система формирования урожая
Задача: собирать урожая сколько нужно, а не сколько получится
Разработчик: «АистАгро»
Из фольклора известно, что урожай может уродиться или не уродиться. Результат зависит от множества условий: свойств культуры, ее стойкости к вредителям, болезням и капризам погоды, восприимчивости к удобрениям, уровня организации производства и, наконец, просто случайности. Система моделирования на основе больших данных учитывает все эти факторы, чтобы построить точный прогноз и обеспечить высокую реализацию биопотенциала урожайности культур.
Система прогнозирования структуры поголовья скота
Задача: подобрать оптимальный момент для перевода коров в нужное стадо
Разработчик: DCS
Модель машинного обучения использует информацию о рождаемости, количестве осеменений, болезнях и прочих параметрах поголовья. На основе исторических данных составляются рекомендации по оптимизации структуры поголовья в разные периоды. В частности, модель может предложить продать определенных коров, а взамен приобрести новых.
Сервис агрегации данных полевых метеостанций
Задача: дать точный прогноз погоды и предупредить об опасных природных явлениях
Разработчики: «ЭР-Телеком Холдинг», «Информационные системы и сервисы»
Информация с множества полевых метеостанций агрегируется и обрабатывается круглосуточно в почасовом и подневном разрешении. Накопленные данные используются для прогнозирования погоды и предсказания опасных факторов. Система рекомендует технологические окна и предлагает план работ на семь дней вперед, суммарно повышая урожайность до 15 %.
Интернет вещей
Internet of Things (IoT), или интернет вещей, — один из трендов, определяющих современную жизнь. Это органы чувств искусственного интеллекта и один из основных источников больших данных. Речь о десятках, сотнях, тысячах датчиков, как правило недорогих и компактных, которые непрерывно собирают информацию о всевозможных параметрах и событиях. Исполнительные устройства, управляемые из удаленного центра, также относятся к IoT.\u0008
Система учета кормов для животных и птицы
Задача: снизить уровень потерь кормов при производстве, перевозке, разгрузке и раздаче
Разработчик: К2Тех
Создатели системы разместили датчики на комбайнах, грузовиках, элеваторах и всевозможных емкостях, чтобы отслеживать «пути кормов» и оперативно выявлять недостатки в производственной и транспортной цепочке. Данные, накопленные за много лет, позволяют строить точные прогнозы о будущем потреблении кормов.
Интеллектуальная роботизированная ферма
Задача: обеспечение регулярного кормления и доения, снижение стресса у животных
Разработчик: «Маслов»
Система использует датчики для идентификации каждой коровы. Когда корова чувствует потребность, она заходит в зону, где система машинного зрения находит соски, очищает вымя и прикрепляет доильные стаканы для контролируемого доения. Также ИИ принимает решение о необходимости кормления животных. Когда настает время, манипулятор подталкивает корм животным. Система идентификации следит за тем, чтобы каждая корова поела вовремя.
Цифровая система содержания свиней
Задача: уменьшение числа контактов животных с человеком для повышения биобезопасности
Разработчики: «Сибагро», «Агродозор», «Ростелеком», «НСА»
Алгоритмы компьютерного зрения идентифицируют каждую свинью, отслеживают паттерны ее поведения и состояния: активность или малоподвижность, пищевое поведение, агрессия, падеж и т. д. Система отслеживает изменение веса животного, оценивает вероятность возникновения заболеваний.
Сервис для управления IoT-устройствами, мониторинга, сбора и анализа данных
Задача: построение системы управления сельхозпредприятием на основе интернета вещей
Разработчики: «АЛАН-ИТ», «ЭР-Телеком Холдинг»
Сервисы на основе интернета вещей часто представляют собой совокупность многочисленных однотипных устройств. Такие системы легко расширяемы, ремонтопригодны, имеют гибкий функционал — при условии, что есть качественный и эффективный софт, который позволяет собрать всю аппаратуру в единое целое. Сервис ALAN IoT Application представляет все необходимые данные в удобочитаемом формате, может отправлять уведомления по e-mail или Telegram, анализировать данные и выявлять тренды.
Система видеоаналитики эффективности работы персонала
Задача: контролировать профессионализм и качество работы персонала
Разработчики: «Коннектом-сервис», «Матллер»
Алгоритмы компьютерного зрения отслеживают действия сотрудников предприятия в реальном времени. На соответствие регламенту проверяются время посещения производственных объектов, маршруты обхода, длительность технологических операций. Система оповещает о посещении объектов во внеурочное время. На основе полученных данных можно оценить работу отдельных сотрудников, скорректировать фонд оплаты труда, повысить загрузку производственных линий.
