Outfield Technologies är ett Cambridge-baserat agri-tech start-up företag som använder drönare och artificiell intelligens, för att hjälpa fruktodlare att maximera sin skörd från fruktodlingar.

Outfield Technologies grundare Jim McDougall och Oli Hilbourne har arbetat med Ph.D. student Tom Roddick från institutionens maskinintelligenslaboratorium för att utveckla sina tekniska förmågor för att kunna räkna blommorna och äpplena på ett träd via drönare som undersöker enorma äppelträdgårdar.

"En korrekt bedömning av blomningen eller uppskattning av skörden gör att odlare kan bli mer produktiva, hållbart och miljövänligt ", förklarar Outfields kommersiella chef Jim McDougall.

"Vår flygbildsanalys fokuserar på avkastningsuppskattning och är verkligen eftertraktad internationellt. Ett av de största problemen vi står inför inom fruktsektorn är korrekt avkastningsprognos. Detta system har utvecklats med odlare för att planera arbetskraft, logistik och lagring. Det behövs i hela branschen, att planera marknadsföring och distribution, och för att se till att det alltid finns äpplen på hyllorna. Uppskattningar görs för närvarande av odlare, och de gör ett fantastiskt jobb, men fruktträdgårdar är otroligt varierande och uppskattningar är ofta felaktiga med upp till 20%. Detta resulterar i förlorad inkomst, ineffektiv verksamhet och kan resultera i betydande slöseri med osåld gröda. "

Outfields identifieringsmetoder är en utmärkt tillämpning av forskningen som Ph.D. student Tom Roddick, handledd av professor Roberto Cipolla, jobbar på. Tom är en del av Computer Vision and Robotics Group som koncentrerar sig på artificiell intelligens och maskininlärning, med Deep Learning -metoder, via artificiella neurala nätverk (ANN).

ANN är datorsystem modellerade löst efter den mänskliga hjärnan, som är utformade för att känna igen mönster. De tolkar sensoriska data genom att märka eller klustera rå input. Mönstren de känner igen är numeriska, i vilken all verklig data, vare sig det är bilder, ljud, text eller tidsserier, är översatt.

Sådana system "lär sig" att utföra uppgifter genom att analysera exempel, i allmänhet utan att vara programmerad med uppgiftsspecifika regler. Till exempel, i bildigenkänning, ANN kan lära sig att identifiera bilder som innehåller äpplen genom att analysera exempelbilder som manuellt har märkts som "äpple" eller "inget äpple" och använda resultaten för att identifiera äpplen i andra bilder. De gör detta utan förkunskaper om äpplen, till exempel, äppelfärger eller former. Istället, de genererar automatiskt identifierande egenskaper från exemplen som de bearbetar.

ANNs kluster och klassificerar genom att först upptäcka enkla mönster i data, t.ex. kanter i bilder eller ljud i tal, och sedan gradvis bygga en hierarki av begrepp tills komplexa funktioner som ansikten eller meningar dyker upp i data. Det ursprungliga målet med ANN -metoden var att lösa problem på samma sätt som en mänsklig hjärna skulle. Dock, över tid, uppmärksamhet har flyttats till att utföra specifika uppgifter. ANN har använts för en mängd olika uppgifter, inklusive datorsyn, taligenkänning, maskinöversättning, filtrering av sociala nätverk, spela bräd- och tv -spel och medicinsk diagnos.

Under sin doktorsexamen, Tom har arbetat med autonom körning, tittar på gatuscener som tagits med kameran, kommentera och märka varje element. Han pekar ut var bilarna är, fotgängarna, kantsten etc. För att göra detta använder han ett verktyg som kallas semantisk segmentering för att märka varje enskild pixel för att ge en hög förståelse för vad som händer. Outfield måste identifiera äpplen och blomma i sina fruktodlingsfotografier och ett sätt att göra det är att använda denna semantiska segmenteringsmetod.

En annan aspekt av Outfields datainsamlingsmetod är att ta reda på var deras drönare är hela tiden och det finns en annan del av datorsyn som koncentrerar sig på lokalisering, räkna ut var du är i världen och vad du tittar på. Alumnus Kesar Breen, oberoende maskininlärning och datorsynskonsult, har tagit tid ur sitt upptagna schema för att ge Jim och Oli råd. Kesar har hjälpt dem med en översikt över den teknik som de kan använda för fruktodlingens modellering och analys för att ta reda på var grödorna finns, och utarbetade en potentiell algoritm för att göra detta, med tidsramar och krav. Kesar säger, "Outfield gör mycket häftiga saker som arbetar med intressanta men beprövade tekniker, om ett viktigt affärsproblem. Jag tror att det är mycket troligt att det är kommersiellt gångbart. "

Pratar om sitt arbete med Outfield, Tom säger, "Outfields semantiska segmenteringsbehov har några mycket specifika subtiliteter som är mycket intressanta ur forskningssynpunkt. Jag är van att titta på bilder för att identifiera stora objekt som bilar, som är lätta att upptäcka, men vad Outfield har är dessa enorma luftfoto bilder av fruktträdgårdar som är miljoner och miljoner pixlar och det vill upptäcka varje blomma blomma eller varje bit frukt för att beräkna hur många av dem det finns. Jag har tittat på hur man gör det effektivt och robust för att kunna skilja mellan saker som; är detta ett äpple på ett träd? Eller är detta ett äpple på marken? "

Jim säger, "Storbritannien har några av de bästa teknologierna och de bästa teknikforskarna i världen. Vi testar för närvarande betatester som inkluderar att använda modellen med andra grödor än äpplen.

"Vi har en robust plan för de kommande två till tre åren, och vi öppnar en investeringsrunda i oktober 2019 för att stänga under första kvartalet 2020. Detta gör att vi kan ta ombord fler av teamet på heltid och testa produkterna i stor skala i Nya Zeeland och Storbritannien under nästa år. "