Vid Earlham Institute (EI), artificiell intelligens baserade tekniker som maskininlärning går från att bara vara en spännande premiss till att ha verkliga tillämpningar, där det behövs som mest:förbättra effektiviteten och precisionen på gården.

Forskare i Zhou-gruppen vid EI, i samarbete med Ely-baserade G's Growers, har utvecklat en maskininlärningsplattform, AirSurf-sallat, som arbetar med datorseende och ultraskaliga bilder tagna från luften för att hjälpa till att kategorisera salladsgrödor i fält.

Den avancerade programvaran inkluderar mätning av kvantitet, storlek och lokalisering för att hjälpa jordbrukare att skörda med precision och få ut grödan på marknaden på ett så effektivt sätt som möjligt. Viktigt, denna teknik kan tillämpas på andra grödor, vidga utrymmet för positiva effekter i hela livsmedelskedjan.

Sallad är big business, speciellt i East Anglia, med 122, 000 ton produceras i Storbritannien varje år. Upp till 30 % av skörden kan gå förlorad på grund av ineffektivitet i odlingsprocessen samt skördestrategier, som, om påhittat, skulle kunna ge ett betydande ekonomiskt lyft.

Det är mycket viktigt att bönder och odlare förstår exakt när grödor kommer att bli skördeklara, så att de kan sätta igång planeringen av logistiken, handla och marknadsföra sina produkter längre fram i kedjan.

Traditionellt, dock, att mäta grödor på fält har varit mycket tidskrävande och arbetskrävande, samt benägna att fel; Därför kan nya AI-lösningar baserade på flygbilder ge en mycket mer robust och effektiv metod.

Ett annat hinder för effektivitet är det faktum att dåliga väderförhållanden, som har ökat de senaste åren, kan avskaffa skördetider ganska avsevärt, eftersom grödor tar olika lång tid att mogna.

AirSurf-tekniken – utvecklad av medlemmar i Zhou Group, inklusive första författare till artikeln om projektet, Alan Bauer och Aaron Bostrom – använder "djup inlärning" (en djupt strukturerad maskininlärningsteknik) i kombination med sofistikerad, ultrabredskalig bildanalys för att mäta isbergssallat i ett högkapacitetsläge. Detta kan identifiera den exakta kvantiteten och platsen för salladsplantor, med den ytterligare fördelen att känna igen grödans kvalitet, dvs liten, medelstora eller stora salladshuvuden.

Kombinationen av detta system med GPS gör det möjligt för bönder att exakt spåra storleksfördelningen av sallad i fält, som bara kan bidra till att öka precisionen och effektiviteten i jordbruksmetoderna, inklusive skördetid.

Förste författare, Alan Bauer på EI, sa:"Det här tvärvetenskapliga samarbetet integrerar datorseende och maskininlärning med salladsodlingsverksamheten för att visa hur vi kan förbättra skörden med hjälp av maskininlärning."

Gruppledare på EI, Dr Ji Zhou, sa:"Mitt labb är angelägen om att söka alla möjliga metoder för att översätta vår offentligt finansierade forskning i algoritmdesign, maskininlärning, datorsyn, och växtfenomik till tekniker och verktyg som kan användas av akademiska och industriella partners för att ta itu med utmanande problem inom grödaforskning och växtodling.

"Genom att använda vårt forskningsarbete som stöds av BBSRC och andra offentliga och industrifinansierade projekt, vi har samarbetat med G:s, ledande grönsaksodlare i Storbritannien, att utrusta vår jordbrukssektor med smarta och exakta grödorövervakning och analytiska metoder, för vilket vi är övertygade om att bättre beslut om växtodling och förbättrad grödas säljbarhet skulle kunna uppnås genom våra gemensamma ansträngningar."

Branschpartner på G's Growers, Innovationschef Jacob Kirwan, tillade:"Att odla i stor skala betyder att precision är avgörande för att säkerställa att vi producerar grödor på ett miljömässigt och ekonomiskt hållbart sätt. Att använda teknik som AirSurf innebär att odlare kan förstå variationen i sina åkrar och grödor på ett mycket högre sätt. detaljnivå som tidigare var möjlig.

"De beslut som sedan kan tas från denna information, såsom varierande tillämpningar av insatsvaror och bevattning; ändra skördestrategier och planera den optimala tiden för att sälja skörd, kommer alla att bidra till att öka jordbruksavkastningen och förbättra jordbrukets produktivitet."