Technologie zur Fernerkundung: das Hive-Vision-Modul!

Wenn Deep-Learning-Algorithmen auf pflanzliche Landwirtschaft treffen, um einen neuen Anwendungsbereich im ständig wachsenden Feld des maschinellen Lernens zu schaffen, wussten wir, dass wir auf etwas gestoßen sind, das man nicht einfach ignorieren und irgendwo in unserer Lieblings-Sci-Fi-Videosammlung verschwinden lassen kann. Ja, wir sprechen von einem weiteren Sprung in der Verschmelzung von elektronischen Leiterplatten mit pflanzlichem, vielzelligem Leben. Und wie? Es nennt sich HiveVision.

Das Problem der Wahrnehmung

Als Primaten sind die Menschen eine sehr visuelle Spezies. Daher war es für unser Team das Naheliegendste, unseren PlantHive mit einer hochauflösenden Kamera auszustatten, um ihn evolutionär gesehen näher an unsere bäuerlichen Hobbyfreunde heranzubringen. Allerdings reicht es nicht aus, eine Maschine mit einer Art Multi-Array-Photon-Detektor auszustatten, um die Augen unseres PlantHive HiveVision-Kameramoduls zu wecken. Dies war eine faszinierende Hürde für KI-Forscher, die es zu überwinden galt und die als "Problem der maschinellen Wahrnehmung" bezeichnet wurde.

Versuchen Sie einfach dieses kurze Gedankenexperiment. Schließen Sie die Augen und versuchen Sie zu vergessen, dass die Welt aus "Dingen" besteht, die sich durch ihre Form, Farbe, Geruch oder Berührung unterscheiden lassen. Vergessen Sie, dass diese Dinge Namen, Bezeichnungen oder Eigenschaften haben, die Sie in Ihrem neurologischen Wörterbuch auflisten können.

Öffnen Sie Ihre Augen, was sehen Sie? Nun, wenn Sie in eine Art meditative Trance verfallen würden, sähen Sie "nichts". Die Welt würde wie eine große Leere erscheinen, ein unendlicher Raum mit endlosen Möglichkeiten und Interpretationen. Wäre es nicht unmöglich zu "wissen", worauf man sich konzentrieren soll, wenn man dieses Bild unten betrachtet? Wären Sie in der Lage, zwischen dem Hintergrund und dem Vordergrund zu unterscheiden?

Wenn Sie Ihren gesamten Fundus an Formen durchgespült und jedes einzelne Etikett vergessen haben, das Sie gelernt haben, um ein bestimmtes Muster zu bezeichnen, wie werden Sie dann in der Lage sein, es aus dieser unendlichen Landschaft von potenziell extrahierbaren Dingen zu extrahieren? Was für ein beängstigendes Gefühl!

Und genau so würde sich die PlantHive-Kamera anfühlen... Irgendwie... Denn auch Kameras haben Gefühle! Um etwas wahrnehmen zu können, muss man ihr sagen, was sie sehen soll: erstens, indem man ihr Sichtfeld auf ein bestimmtes Muster beschränkt, das sich durch seine Farbe oder Form vom Rest unterscheidet, und zweitens, indem man es mit einem Wort versieht. Wenn man z. B. den grünen Kanal aus diesem Bild extrahiert und ihn auf einer Grauskala darstellt, würde es etwa so aussehen:

Jedes einzelne grüne Pixel - in diesem Fall die Blätter unserer Paprikapflanze - ist isoliert, und es ist nur noch eine Frage der Wahl des richtigen Farbkanals, um eine gute Definition dessen zu erhalten, was den "Hintergrund" (schwarz) und den "Vordergrund" (weiß) darstellt. Mit Hilfe zusätzlicher Referenzmaße, z. B. dem Abstand zwischen der Kamera und einer der PlantHive-Säulen und der Höhe der letzteren, können wir die Oberfläche der Baumkrone berechnen. Darüber hinaus kann Ihr HiveVision-Modul Bilder im nahen Infrarot (NIR) aufnehmen und so die Reflexion des Infrarotlichts vom Laub beurteilen, die erstaunlicherweise mit der Chlorophyllkonzentration korreliert! Schauen Sie sich das folgende GIF an, in dem der blau-rote Farbverlauf ein relatives Maß für die photosynthetische Aktivität darstellt. Rot entspricht gesunden Blättern, während blaue Pixel (Stamm) eine niedrige Chlorophyllkonzentration anzeigen.

AmAnfang war das Wort...Nehmen wir an, wir möchten eine qualitative Analyse unserer Pflanze durchführen und vielleicht ihre Art bestimmen. Hier kommt das Deep Learning ins Spiel. Wie der Name schon andeutet, wird das HiveVision-Modul "trainiert", indem eine große Anzahl von Bildern, z. B. von verschiedenen Paprikapflanzen, aufgenommen und diese Bilder mit einem Etikett versehen werden, das Informationen darüber enthält, was die Kamera sehen soll. Auf diese Weise erstellt die Kamera (genauer gesagt ihre Verarbeitungseinheit) ein Modell davon, wie eine Paprikapflanze aussehen sollte, und wenn sie das nächste Mal einen Schnappschuss von einer Pflanze macht, kann sie erkennen, ob es sich um eine Paprikapflanze handelt oder nicht, indem sie einfach die Form der Blätter analysiert und sie mit einem bereits trainierten Modell vergleicht.Diese apriorische Struktur war, wie empirische Philosophen des^18. Jahrhunderts wie Emmanuel Kant bereits theoretisiert hatten, notwendig und ausreichend, damit ein rein passiver Beobachter, der in dieses unendliche Universum von auf einer XY-Achse verteilten Pixeln eingetaucht ist, eine Wahrnehmungserfahrung machen kann.Ferndiagnose und -heilung von PflanzenSensingohne Kontakt? Ja, wir können! Da der Planthive mit einem Hygrometer ausgestattet ist, können wir die Entwicklung der Blattgröße und des Aussehens mit der Luftfeuchtigkeit und der Temperatur der Umgebung korrelieren. Wenn zum Beispiel (wie in der Abbildung unten) die Blätter anfangen, schrumpelig auszusehen, kann unser HiveVision-Modul diese Veränderung mit einem plötzlichen Rückgang der Luftfeuchtigkeit in Verbindung bringen und die notwendigen Maßnahmen ergreifen. Dazu gehört beispielsweise die Aktivierung des Luftbefeuchters, um die Luftfeuchtigkeit auf den normalen Wert zu stabilisieren, und/oder die Umstellung des Lichtspektrums von blau auf rot, um die Chlorophyllproduktion zu reaktivieren.

Eine KI, die Ihre Pflanzen scannt, kombiniert mit einem intelligenten Gewächshaus, das seine eigene Umgebung reguliert, klang bisher wie ein weiterer Philip K. Dick-Roman! In diesem Fall wäre der T-X 1000 wahrscheinlich nicht fortschrittlich genug gewesen, um auf Ihre Lieblingspflanzen aufzupassen. Zum Glück kümmert sich Ihr Planthive um alles!

Verpassen Sie keine PlantHve-Neuigkeiten! Bleiben Sie dran auf unserer Website und Blog!

Dieser Beitrag wurde von unserem verrückten Wissenschaftler, Federicco Lucchetti, redigiert und von Vasileios Vallas