AI kan snart arbeta tillsammans med människor för att odla den perfekta jordgubben.
Forskare vid Western University har utvecklat ett AI-system som lovar att förändra hur vi odlar en av världens favoritfrukter - jordgubben - med potentiella spridningseffekter över hela jordbrukssektorn.
Och nej, detta är inte relaterat till OpenAI's o1-modellsom tidigare gick under kodnamnet "Projekt Strawberry".
Den studiesom publiceras i tidskriften Foods, visar på ett anmärkningsvärt steg framåt inom jordbrukstekniken.
Med hjälp av avancerad maskininlärningsteknik har teamet skapat ett system som kan upptäcka mognad och sjukdomar hos jordgubbar med nästan 99% noggrannhet - allt genom enkel kameraövervakning.
"Vi ville minska storleken på dessa AI-modeller för att göra dem genomförbara för jordbrukare och lokal produktion", säger Joshua Pearce, John M. Thompson Chair in Information Technology and Innovation vid Western Engineering och Ivey Business School.
"Vi ville inte bara öka noggrannheten, som ligger över 98%, utan också minska storleken på modellerna."
Det som skiljer denna forskning från mängden är dess fokus på tillgänglighet. Till skillnad från många högteknologiska jordbrukslösningar som riktar sig till storskaliga verksamheter har Pearce och hans kollega Soodeh Nikan utformat sitt system med små och medelstora gårdar i åtanke.
Teamets metod kombinerade innovativa AI-tekniker med praktisk jordbrukskunskap:
- De började med att samla in olika uppsättningar bilder på jordgubbar, inklusive friska frukter och sådana som drabbats av olika sjukdomar.
- Dessa bilder bearbetades och kompletterades sedan för att skapa ett robust träningsdataset.
- Forskarna finjusterade tre olika AI-modeller - Vision Transformer, MobileNetV2 och ResNet18 - som var och en tillförde unika styrkor till uppgiften.
- För att säkerställa att AI:n kunde hantera variationer i den verkliga världen införlivade de tekniker som klassviktning och generering av syntetiska bilder.
- Kanske viktigast av allt var att de integrerade "uppmärksamhetsmekanismer" i modellerna, vilket gjorde att AI:n kunde fokusera på de mest relevanta delarna av varje bild.
Systemet utmärker sig genom två primära uppgifter:
- Detektering av mognad: Den kan exakt klassificera jordgubbar som mogna eller omogna, vilket hjälper jordbrukarna att optimera skördetidpunkten.
- Identifiering av sjukdomar: AI kan upptäcka och identifiera sju olika typer av jordgubbssjukdomar: kantig bladfläck, antraknos fruktröta, blomröta, gråmögel, bladfläck, pulveriserad mögel frukt och pulveriserad mögel blad.
Resultaten talar för sig själva. Med en träffsäkerhet som ligger runt 98% överträffar systemet tidigare försök till automatiserad övervakning av jordgubbar med råge.
Konsekvenserna av denna forskning sträcker sig dock långt utöver att bara förbättra jordgubbsskördarna.
Potentialen för att minska matsvinnet är också uppenbar. Enligt FN:s livsmedels- och jordbruksorganisation, cirka 14% av den producerade maten går förlorad mellan skörd och detaljhandel.
Tekniker som detta AI-system kan bidra till att lösa detta problem genom att optimera skördetidpunkten och minska förlusterna på grund av sjukdomar eller övermognad.
"Att minska svinnet och kostnaden för livsmedel är uppenbarligen en stor fråga idag. Som alla andra blir jag alltid förvånad när jag går till mataffären och ser priset på färsk frukt och grönsaker", säger Nikan.
"När jag väljer projekt brukar jag leta efter något som är säkerhetskritiskt eller ett samhälleligt behov. Med min erfarenhet av andra tillämpningar tog jag chansen att tillämpa mina kunskaper och min expertis på livsmedelssäkerhet."
Framöver planerar teamet redan att testa sitt system i utomhusmiljöer, eventuellt med hjälp av drönare för bredare fältövervakning.
De utforskar också användningen av AI-genererade syntetiska bilder för att ytterligare minska datakraven för att träna effektiva modeller.
"I stället för att ta bilder av miljontals jordgubbar, vilket är en ineffektiv och kostsam metod, använder vi syntetiska bilder och programvara med öppen källkod för att själva skapa miljontals bilder med relativt låg datorkraft, vilket nu gör det möjligt för oss att göra mycket detaljerade observationer av mognad och sjukdomar för mycket specifika växter", säger Nikan.
Pearce tillägger: "Programvaran är helt kostnadsfri och öppen källkod och det står alla typer av lantbrukare fritt att ladda ner den och sedan anpassa den efter sina behov. De kanske föredrar att låta AI-systemet skicka ett e-postmeddelande till dem eller pinga deras telefon när de upptäcker en sjukdom eller till och med vidarebefordra en bild av en specifik planta som är redo att plockas. Programvaran är helt öppen för att göra den till din egen."
