Slovenská veda a výskum: Čo všetko dokážu autonómne poľnohospodárske roboty

Človek získava najviac informácií zrakom. Videnie umožňuje ľuďom vnímať okolitý svet a pomocou mozgu vnímať polohu objektov v priestore. Počítačové napodobnenie videnia človeka je podobné paradoxu umelej inteligencie. Jeho zložitosť spočíva v analýze snímaného dvojdimenzionálneho obrazu, pričom analyzované prostredie je trojdimenzionálne.

Slovenský robot z katedry elektrotechniky, automatizácie a informatiky Technickej fakulty SPU v Nitre

Rozoznávanie rastlín
Jednou z oblastí, ktorá tiež využíva rozoznávací softvér, je botanika a biohospodárske odvetvia (poľnohospodárstvo, lesníctvo, vinohradníctvo...). V súčasnosti sa vo svete skúma množstvo metód na spoľahlivé určenie rastlín. Využívané sú konvolučné neurónové siete (CNN – Convolutional Neural Networks), ktorých presnosť sa dnes pohybuje od 70 % pri jednoduchších algoritmoch spracovania, do 99,6 % pri metóde MLP (Multilayer Perceptron). Na výskume CNN spolupracuje Malajzijská univerzita a Kráľovská botanická záhrada vo Veľkej Británii. Podobne Pekingská lesnícka univerzita v Číne skúma možnosti rozlišovania rastlín pomocou kamery v mobilnom telefóne. V súčasnosti rozširujú databázu modelov rastlín. Presnosť identifikácie rastliny udávajú až na 91,8 %. Výsledok tohto výskumu je možné používať bez špeciálnej kamery, čo zvyšuje potenciál použitia širokou verejnosťou.     

Zaujímavým projektom je Pl@ntNet, zameraný na identifikáciu rastlín v Západnej Európe, Južnej Amerike a okolí Indického oceánu. Jeho cieľom je tvorba databáz rastlín špecifických pre jednotlivé oblasti našej planéty. Aplikáciu na identifikáciu rastlín vyvíjajú vedci z francúzskych výskumných organizácií (CIRAD, INRA, INRIA a IRD) zo siete Tela Botanica. Dostupná je tiež v slovenskej verzii v sieti GooglePlay či AppStore pod názvom PlantNet, aby tak umožnila širokej verejnosti mapovať slovenskú prírodu. Podobne ako v predchádzajúcich prípadoch je detekcia založená na obrazovej informácii. Databáza rastlín sa neustále rozširuje vďaka množstvu používateľov, ktorí do nej pridávajú nové fotografie a pomáhajú rastliny na pridaných fotografiách identifikovať.

Iný význam má digitálne rozoznávanie poľnohospodárskych plodín, ktorému sa venujú v rámci spracovania obrazu pracovníci katedry elektrotechniky, automatizácie a informatiky Technickej fakulty SPU v Nitre. Nové metódy spracovania obrazu a identifikácie špecifických objektov majú zefektívniť činnosti a zvýšiť bezpečnosť v autonómnej mobilnej robotike.

Autonómne roboty
Autonómne poľnohospodárske roboty, najmä rôzne traktory alebo zavlažovacie zariadenia nie sú žiadnou novinkou. Bežne rozoznávajú prekážky, ako sú skaly, osoby či veľké stromy. Vedia samostatne zbierať úrodu, kosiť, striekať a prerezávať stromy, robiť riadky vo vinohradoch a sadoch, triediť a baliť pozbieranú úrodu. Napríklad projekt Asterix nórskej spoločnosti Adigo rozoznáva burinu medzi kultúrnym porastom a dokáže ju selektívne postriekať herbicídmi.

Aby sa mohol autonómny mobilný robot v poľnohospodárskom poraste pohybovať, musí vedieť spoľahlivo rozlíšiť, či ide o kultúrnu alebo nežiaducu vegetáciu na úrovni listov alebo stonky. Cieľom práce nitrianskeho tímu je, aby stroj pri pohybe v poraste nepoškodil pestované rastliny. V praxi to znamená, že len čo robot spoľahlivo identifikuje nežiaduce rastliny, môže ich poškodiť. Taktiež, riadky pestovaných plodín nemusia byť rovné a niekedy môže byť spojitosť porastu prerušená. Všetky tieto činnosti vyžadujú značné nároky na rozoznávanie bezprostredného okolia robota. Kolektív katedry prichádza so systémom, postaveným na spracovaní obrazovej informácie algoritmami navrhnutými na katedre. Algoritmy testovali priamo v teréne s pozitívnym výsledkom.

Navrhnutý prototyp mobilného robota z nitrianskej katedry elektrotechniky, automatizácie a informatiky sa nevie učiť. Jeho rozhodovanie je založené na zložitých algoritmoch, ktorých vstupy tvoria predovšetkým snímače obrazu a iných fyzikálnych veličín. Decentralizovaný systém riadenia má vytvorené bázy pravidiel. Tieto pracujú paralelne rozdelené do čiastkových úloh a prebiehajú v reálnom čase. V časti riadenia, ktorá sa venuje spracovaniu obrazu, predpokladajú vopred očakávané objekty, ktoré vyhovujú stanoveným pravidlám.

Nie je mak ako mak
Jednou z riešených úloh je napríklad rozoznanie farby na základe stanoveného farebného modelu (pestovaný mak siaty má ružovú alebo bielu farbu, divorastúca burina mak vlčí je červený). Patrí sem aj stanovenie vyhovujúcich farebných vzorov, ktoré sú súčasťou porastu. Ďalej sa detegujú rozmery spojených regiónov, čím sa výrazne zúži okruh vyhovujúcich objektov. Ide o detekciu stoniek a listov rastlín.

Presnosť určenia rastlín zvyšuje hĺbkový obraz, ktorý detekciu spresní hlavne pri rastlinách rovnakej farby a zdanlivo rovnakých geometrických rozmerov. Buriny a iné nežiaduce rastliny sa určujú pomocou geometrického filtra. Sejba je v súčasnosti vysoko presná a stáva sa len zriedka, že rastlina je zasiata medzi riadky. Z tohto hľadiska nemusíme poznať burinu úplne presne, pretože všetko čo rastie medzi riadkami považujeme za nežiaducu rastlinu a navyše, mobilný robot musí aj tak prejsť kolesom medzi riadkami.

Rozpoznávací systém musí odlíšiť ružový mak siaty od červeného divého maku

Ďalšou aplikáciou je rozoznávanie ľudí s cieľom zamedziť kolíznym situáciám ohrozujúcim ľudské zdravie a život. V Nitre využili algoritmy na detekciu kostry človeka, obsiahnuté priamo v kamere MS Kinect a na ich základe vypracovali nové algoritmy na rozpoznávanie gestikulácie. Veľkosť postavy udávajú predovšetkým údaje o vzdialenosti jednotlivých kostí, spájajúcich sa v kĺboch.

Všetky informácie o súradniciach kĺbov človeka slúžia ako podklady pre správne rozhodovanie riadiacej jednotky autonómneho mobilného robota. Touto metódou dokážu presne identifikovať, aký veľký je objekt pred robotom. Identifikácia osôb nezachádza do podrobností, robot nevie určiť presne o koho ide, ale ani to nepotrebuje vedieť, stačí mu identifikovať veľkosť postavy.

Bezpečné postrekovanie
V súčasnosti na katedre pracujú na vytvorení slovenského autonómneho mobilného robota zameraného na presné postrekovanie vo vinohrade bez prítomnosti človeka. Na základe spätnej väzby od vinohradníkov  je táto pomoc veľmi vítaná. Nemajú radosť z toho, že sú pri postrekovaní priamo vystavení účinkom postrekových chemických látok. Prvé spustenie autonómneho postrekovača sa predpokladá v budúcom kalendárnom roku. 

Ochrana zvierat
Ochrancovia zvierat a poľovníci vyčítajú poľnohospodárom, že svojimi strojmi hubia poľné vtáky a malú i stredne vysokú zver. Okrem škode na prírode však nezriedka vzniká škoda i pre poľnohospodárov, pretože sa pri takýchto zrážkach poškodia tiež samotné stroje. Aj preto sa do budúcnosti plánujú technici orientovať na rozpoznávanie a lokalizáciu zvierat v poraste.

Rozoznávanie objektov na rôznej úrovni predstavuje výzvu, ktorá prinesie ešte mnoho zaujímavých aplikácii a výsledkov.

Robot z Cambridgea zbiera úrodu šalátu