Guillaume Jourdain, Hugo Serrat ve Jules Beguerie, yapay zekayı tarıma uygulamak için 2014 yılında bir startup kurmayı düşündüklerinde bundan pek emin değillerdi. Bu tür AI uygulamaları için zaman çok erkendi ve insanlar bu çalışmanın yapılamayacağını söylüyordu. Fakat konuştukları çiftçiler böyle bir uygulamayı istiyorlardı.

Bu nedenle, bir GeForce GPU‘nun kamera ile yabani ot tanımlaması yapabileceğini göstermek için kabaca bir demo yaptılar. Demonın hemen ardından ilk yatırımcılarıyla anlaştılar.

Paris’teki École Nationale Supérieure d’Arts et Métiers’deki eski yurt arkadaşları 2016 yılında Bilberry’yi kurdu. Şirket bugün, mısır ve buğday çiftliklerinde herbisitlerin hassas bir şekilde uygulanması için NVIDIA Jetson edge AI platformu tarafından desteklenen ve herbisit kullanımında %92’ye varan bir azalma sağlayan yabani ot tanıma geliştiriyor.

Yapay zekadaki ilerlemeler ve çiftçiler üzerindeki herbisit kullanımlarını azaltma baskıları tarafından yönlendirilen ot tanıma, güneşli günlerini görmeye başlıyor.

Çiftlik Teknolojisi 2.0

Önceki tarım teknolojisi, mümkün olanı sadece yüzeysel bir şekilde görmemizi sağlıyordu. Şirketin CTO’su Serrat, kızılötesi ışın kullanarak, şirket “yeşil üzerine kahverengi denk gelmesi sorununa odaklandı” dedi.

Serrat, bugün sürdürülebilirlik yarışının yeşil üzerine yeşil ile tedavi ya da sadece mahsulün yakınındaki yabani otları temizlemeye başladığını söyledi.

“Yabani otlar ve ekinler arasında ayrım yapmak ve buna göre gerçek zamanlı olarak hareket etmek çok önemlidir. Bunu başarmak için bilgisayar görüsü çalıştıran NVIDIA GPU’ları ile sahada anlık çıkarım gerekiyor.” dedi.

Yabani otların etkisiz tedavisi nedeniyle mısır verimindeki kayıplar, Bilberry’ye göre kabaca %15 ile %20 arasında.

Kimyasalları Kesmek

Bilberry, NVIDIA Jetson destekli ot tanıma sistemini, yaklaşık 160 fitlik bir ABD futbol sahasına yayılabilen traktör komponentlerine yerleştiriyor. 16 tane Jetson TX2 modülünde 16 kamera çalıştırıyor ve saatte 24 km seyahat ederken anlık herbisit fışkırmaları için yabani otları saniyede 17 kare ile analiz edebiliyor.

Bilberry’nin, yabani otların hızlı tanınması için bu son derece yüksek hızda çıkarım performansını elde edebilmesi gerekiyor. Bu yüzden algoritmalarının TensorRT optimizasyonları için NVIDIA JetPack SDK’dan yararlandı. Serrat, “Sınırlarına kadar zorluyoruz,” dedi.

Bilberry, özellikle bellek ve güç kısıtlamalarının hüküm sürdüğü kompakt gömülü sistemler için yararlı olan, derin öğrenme modellerinin daha verimli uygulanmasını sağlayan INT8 ağırlık niceleme olarak bilinen şeyden yararlandı. Bu, rasyonel sayılar yerine 8 bit tam sayıları kullanmalarına izin verdi. Rasyonel nokta yerine tam sayı matematiğine geçmek, uygulama gecikmesinin yanı sıra bellek ve bilgi işlem kullanımını azaltmaya yardımcı oldu.

Kazananlar: Çevre, Verim

Girişimin akıllı püskürtücüleri artık tedavileri tam olarak belirleyerek herbisit kullanımını önemli ölçüde azaltabilir. Şirket, bunun kimyasalların yeraltı suyuna akışı üzerinde de büyük bir etki yaratabileceğini söylüyor.

“Yabancı otlara, doğru miktarda herbisit uygulamanız gerekiyor. Çok az uygularsanız, ot büyümeye ve yeni tohumlar oluşturmaya devam edecektir. Bilberry’nin en büyük ünitesi ile saatte 242 dönümlük bir hızla yapabiliyor” dedi.

Patates Sıralama Problemi

Bilberry kısa süre önce Downs ile ortaklaşa bir patates sıralama uygulaması başlattı. Patatesler geleneksel taşıma bandında yavaşça hareket eden patatesleri ayırarak işlenir. Ancak gıda işlemcilerinin emeğinin karşılığını alması zordur ve monoton işlere saatlerce odaklanmak zordur, bu yüzden hatalara neden olur.

Bu durum, onu AI için mükemmel bir görev haline getiriyor. Bu modeli, iyi patatesler arasında kötü patatesleri, yeşil patatesleri, kesilmiş patatesleri, kayaları ve toprak parçalarını görmek için eğitti. Jetson Xavier ile uygulanan AI platformu, sadece iyi patateslerin geçmesine izin vermek için konveyör bandının sonundaki kapılardan birine bir sinyal gönderebilir.

Yazının kaynağına buradan ulaşabilirsiniz.