Когда заходит речь об искусственном интеллекте, люди обычно представляют себе высокотехнологичные отрасли — программирование или робототехнику. Однако ИИ способен трансформировать и такие традиционные сферы, как сельское хозяйство.
Wired пишет о новой разработке, которая сделает более эффективным выращивание одной из самых распространенных в мире сельскохозяйственных культур.
О технологии рассказывается в статье, которая будет опубликована в научном журнале Frontiers in Plant Science. Авторы работы создали программу на базе смартфона, которая может автоматически и практически со стопроцентной точностью обнаруживать больные растения маниоки — наиболее широко выращиваемого корнеплода на Земле. Самый впечатляющий аспект этой технологии заключается в том, что для работы лежащей в ее основе нейронной сети достаточно мощности смартфона. Исследователи отталкивались от нейросети Inception v3 из TensorFlow, принадлежащей Google библиотеки машинного обучения с открытым исходным кодом. Большинству нейронных сетей требуются сотни миллионов параметров, что выходит далеко за пределы возможностей смартфонов, но для Inception v3 достаточно 25 миллионов. Благодаря этому новая программа не нуждается в доступе к большим вычислительным мощностям.
Чтобы научить нейронную сеть распознавать определенные объекты, нужно продемонстрировать ей миллионы изображений. Это занимает много времени, к тому же никто не располагает таким количеством изображений пораженных болезнью листьев маниоки. К счастью, существует причудливый трюк, называемый трансферным обучением: если научить сеть распознавать определенные типы объектов, то для формирования навыка распознавания других ей потребуется намного меньше изображений.
Благодаря трансферному обучению авторам исследования оказалось достаточно «скормить» сети 2756 изображений листьев маниоки с поля в Танзании, после чего они начали обучать ее распознавать ущерб от таких болезней, как коричневая полосатость маниоки, вирус мозаики маниоки и поражение клещами. В итоге программа научилась идентифицировать бурую пятнистость листьев с 98%, а заражение красными клещами — с 96-процентной точностью.