Mens vitaal ondanks bestrijding van plagen en ziekten door AI-gewassen

DOOR MIKKEL GRUM

Het monitoren van plagen en ziekten is een arbeidsintensief proces, waarbij verkenners de gezondheid van planten en gewassen nauwkeurig moeten beoordelen terwijl ze door de kas bewegen, veld of boerderij. AI-gestuurde beeldanalyse is bedoeld om gewasbewaking te helpen automatiseren

[email protected]

Technologische vooruitgang in het opsporen van plagen en ziekten verandert een arbeidsintensieve sector in een efficiëntere en datagestuurde sector. Aangezien kunstmatige intelligentie (AI) is ontwikkeld om de productie van gewassen te ondersteunen, telers moeten kritischer dan ooit zijn bij het beoordelen van de voordelen van deze early-stage oplossingen.

Dr. Mikkel Grum, Een onderzoeks- en ontwikkelingsdirecteur bij de wereldwijde experts op het gebied van het in kaart brengen van plagen en ziekten van gewassen, Scarab Solutions, zegt dat managers op het gebied van landbouw en gewasbescherming zich moeten blijven concentreren op de technologieën die de menselijke arbeid vergroten in plaats van zich te houden aan de AI-belofte.

De Voedsel- en Landbouworganisatie van de Verenigde Naties (FAO) schat dat jaarlijks tussen de 20 en 40 procent van de wereldwijde gewasproductie verloren gaat door plagen en ziekten, kost de wereldeconomie 220 miljard dollar. ongedierte zoals trips, bladluizen, blad mijnwerkers, mijten, wittevlieg en rupsen, ziekten zoals schimmels, meeldauw, botrytis en stengel- en wortelrot komen in alle klimaatzones veel voor.

Het is waar dat om nog effectiever te worden, gewasbeheer zal zowel verbeterde technieken als technologieën vereisen. Velen geloven dat AI het antwoord biedt.

AI zet eerste stappen in tuinbouw

Het monitoren van plagen en ziekten is een arbeidsintensief proces, waarbij verkenners de gezondheid van planten en gewassen nauwkeurig moeten beoordelen terwijl ze door de kas bewegen, veld of boerderij. AI-gestuurde beeldanalyse is bedoeld om gewasbewaking te helpen automatiseren.

In de tuinbouw, recente ontwikkelingen zijn onder meer een 'robotverkenner' uitgerust met nabij-infraroodbeeldcamera's om echte meeldauw te detecteren en beeldanalyse om knop- en bloemopbrengsten te voorspellen, en de IRIS Scout-robot. Er is een ongedierte-monitoringsysteem op afstand, machine learning (ML) gebruiken om een ​​beeldanalyse van feromoonvallen uit te voeren, en een groot aantal voorstellen voor drone- en satellietbeelden, als basis voor toekomstig gewasbeheer.

Meer wijdverbreid gebruik van smartphone-applicaties om foto's te scannen op tekenen van plagen en ziekten, vaak gepresenteerd als klaar, of bijna klaar voor prime time gebruik.

Velen hebben gehoord dat de beeldanalyse van Google nu beter is dan mensen in het herkennen van katten en honden in afbeeldingen, of dat in borstkankeronderzoek, de AI-beeldanalyse detecteert nu kanker op mammogrammen met meer efficiëntie en nauwkeurigheid dan deskundige radiologen. Dus zeker, het gebruik van beeldanalyse om plagen en ziekten van gewassen te identificeren op foto's die met een smartphone zijn gemaakt, kan niet zo ver weg zijn. Niet zo snel.

De realiteit schetst een minder rooskleurig beeld

Pogingen om beeldherkenningstechnologie in smartphones te gebruiken, voldoen niet aan hun belofte om zowel een gedetailleerd inzicht als een bruikbaar overzicht van boerderijen en kassen te bieden.

Zoals benadrukt in een recente Wetenschappelijk Amerikaans artikel , statistieken die worden gebruikt om te laten zien hoe goed beeldanalyse werkt, zijn vaak misleidend. De meest voorkomende ‘koppeltest’, die het vermogen test om twee afbeeldingen te vergelijken en te bepalen welke van de twee een plaag of ziekte heeft, geeft veel hogere percentages voor nauwkeurigheid dan een analyse van meerdere afbeeldingen, zonder te weten of een van de gewassen de plaag of ziekte heeft.

Het gebruik van onnauwkeurige of scheve resultaten van AI als basis voor bestrijding van pesticiden kan meer schade aanrichten dan goed, zoals geïllustreerd door de kwestie van valse positieven.

Laten we ons een beeldvormingssysteem voorstellen dat slechts vijf procent van de tijd een vals positief resultaat geeft voor bacterievuur, een zeer conservatief cijfer, zelfs door de beweringen van nauwkeurigheid van een huidige app. In een veld vol vloek, dit zou geen probleem zijn, maar laten we nu een veld nemen waar de ziekte niet voorkomt. Als je er 2 hebt genomen, 000 afbeeldingen in dat veld zou je 100 positieve resultaten krijgen!

Handelt de boer naar dit resultaat, of de 100 "positieve" locaties inspecteren om te controleren of ze dit probleem echt hebben? Vermenigvuldig dit met de andere plagen en ziekten waar het beeldanalysesysteem ook op controleert en misschien zelfs nog hogere fout-positieve percentages heeft, en je hebt de werking van een praktische nachtmerrie. Hoe hoger het aantal valse positieven, hoe meer middelen er nodig zijn om onafhankelijke verificatie van resultaten uit te voeren, wat betekent dat alle voordelen van automatisering verloren gaan.

Machine versus mens

Deze benadering moet ook in een context worden geplaatst. Studies die situaties vergelijken waarin AI of helemaal geen technologie voor het verkennen van gewassen is, schetsen geen realistisch beeld, omdat er in sommige gevallen al een systeem bestaat, die helpt bij het vastleggen en analyseren van gegevens die zijn verzameld door menselijke verkenners.

In de casus van borstkankeronderzoek aangezien tumoren niet zichtbaar zijn voor het menselijk oog, de artsen en AI kijken naar hetzelfde beeld. In een kasomgeving, echter, beeldanalyse is veel minder effectief dan menselijke aandacht voor detail. Een verkenner kan zijn hoofd bewegen en bladeren omdraaien om een ​​probleem vanuit meerdere hoeken en met een vergrootglas te bekijken

Menselijke vaardigheden verbeteren met mobiele technologie - smartphones mensen slimmer maken

Boerderijen en kassen hebben nog steeds mensen nodig om rond te lopen, open het bladerdak, draai bladeren om en gebruik een vergrootglas waar nodig. Dit vereist technologieën die scouts in staat stellen hun werk nauwkeuriger te doen, sneller en tot een groter resultaat.

Smartphones zullen de sleutel blijven, maar niet in de eerste plaats als een AI-tool. Een meer realistisch en bewezen gebruik van mobiele applicaties is voor het verzamelen en in kaart brengen van gegevens. In plaats van smartphones te gebruiken om foto's te maken die AI kan analyseren, Gewasbeschermingsmanagers moeten verkenners in staat stellen hun inspectievaardigheden te gebruiken en de resultaten gaandeweg vast te leggen.

Opleiding speelt een belangrijke rol. Correcte identificatie en bestrijding van ziekten en plagen, grondige kennis van het monsternameprotocol en de techniek om het proces te versnellen, zijn allemaal vereist om de prestaties en nauwkeurigheid van verkenners op de hele boerderij te harmoniseren. Dit is de sleutel tot succes.

AI kan scouts helpen om onbekende plagen of ziekten correct te identificeren, maar de meeste gewasverkenning gaat over het bijhouden van de verspreiding van een bekende reeks plagen en ziekten.

Dankzij digitale kaart- en verkenningstechnologieën kunnen mensen nieuwe inzichten opdoen

Als we gegevens van verkenners koppelen aan geografische informatie, de resultaten creëren datasets, het bieden van een duidelijke audit trail voor traceerbaarheid en data visualisatie opties zoals digitale kaarten, diagrammen en grafieken—en andere aanvullende hulp  om eenvoudig unieke en terugkerende problemen en patronen en eventuele  false positives te identificeren.

Digitale kartering is waar technologie voor het scouten van plagen en ziekten samenkomt met menselijke expertise om de resultaten te optimaliseren. Bij Scarab Solutions, we zien dit elke dag. Klanten gebruiken Scarab Precision-oplossingen voor het scouten en in kaart brengen van plagen en ziekten voor gewassen om een ​​solide basis te bieden voor het lokaliseren van hotspots voor plagen, het juiste gebruik van pesticiden of biologische bestrijders bepalen en gewasverliezen verminderen door verbeterd landbouwbeheer.

Naarmate de datasets groeien, gewasbeschermingsmanagers kunnen in sommige gevallen benchmarken met plaag- en ziektecijfers in hun regio, gebruik van geanonimiseerde gegevens van andere boerderijen.

Nog niet de tijd van AI om te schitteren, maar we zullen altijd de menselijke maat nodig hebben

Hoewel AI-gestuurde beeldanalyse een gespreksonderwerp blijft in de industrie, de technologie heeft nog een lange weg te gaan voordat ze betrouwbare, nauwkeurige en bruikbare use-cases. Vandaag, GPS-tracking, mobiele tools voor het verzamelen en interpreteren van gegevens zijn de meest effectieve en lucratieve technologische oplossingen voor plagen en ziekten voor gewassen.

Nu de tuinbouw een technologische transformatie ondergaat, kunstmatige intelligentie mag niet worden gezien als een vervanging voor bestaande processen, maar als een verlengstuk van de menselijke intelligentie. AI-gestuurde beeldanalyse zal in sommige instellingen worden geleverd met drones en robots, maar dat is een verhaal voor een andere dag.