Big Data в сельском хозяйстве и сельхозмашиностроении

На прошлой неделе один из наших подписчиков спрашивал: используются ли большие потоки данных в сельском хозяйстве и как в этом участвуют производители техники?

«Большие данные» - данные для обработки которых как правило применяются специальные технологии/программное обеспечение. Они обладают рядом отличительных признаков:
Объем – от 150 Гб/сутки
Скорость – объем и содержание Big Data ежесекундно меняются
Разнообразие – массив больших данных может включать как визуальный ряд, так и текст, специальные сигналы и файлы разных форматов и объемов
Достоверность – данные собираются из доверенных источников (иногда прямо от первоисточников)
Изменчивость – данные собираются онлайн, поэтому поток нестабилен и изменчив
Ценность – сами по себе данные ничего не значат, но на из основе можно сделать глубокие выводы и принимать взвешенные решения

В сельском хозяйстве используют огромный массив данных, собираемых с помощью GPS-трекеров установленных на сельхозтехнике, со всего многообразия датчиков этих машин, с метеостанций, дронов и т.д. Основные аспекты, на которых сконцентрировано внимание современного фермера:
- карта урожайности
- почвенное здоровье и болезни растений
- эффективность использования удобрений
- эффективность использования техники

Все крупные холдинги по производству техники для сельского хозяйства работают в направлении сбора и обработки колоссального количества данных, которые собирает (или потенциально может собирать) комбайн, трактор или самоходный опрыскиватель.

Расскажу лишь о некоторых проектах.

🌾#JohnDeere. Система точного земледелия AMS, которая позволяет управлять продуктивностью посевов с уменьшением затрат и ростом производительности. Используется спутниковые данные и данные систем навигации машин.

🌾#Ростсельмаш. Информационно-аналитическая система с широким функционалом РСМ-Агротроник. Система гибкая и позволяет фермеру выстроить свою платформу агроменеджмента под его уникальный набор задач.

🌾#CLAAS. Система агроменеджмента CLAAS connect на основе облачных технологий объединяет цифровое управление техникой, планированием сервисом и картированием урожайности.

Кроме того, в 2019 году компании CLAAS, John Deere, CNH Industrial и 365FarmNet представили совместный проект – протокол DataConnect. Его использование позволяет обмениваться информацией между облачными хранилищами.

И это только сельхозмашиностроители (и то далеко не все), а есть еще компании продвигающие независимые решения FMS (Farm Management System) и крупные агропредприятия развивающие это направление как внутрикорпоративный проект... Потенциал видят все!👀

Проектируй. Созидай. #Excogitator 🦾
#Design@excolab

Проектируй. Созидай.

На длинных выходных много говорили о возможностях ИИ в области машиностроения. Сегодня поделимся тем, где уже в полную силу применяются такие технологии - обучение систем машинного зрения для распознавания культур и сорняков, а также автоматической выгрузке сельскохозяйственных машин.

Такое обучение происходит в несколько ключевых этапов, вот основные шаги этого процесса:

⚙️Сбор данных:
- Для эффективного обучения требуется большое количество изображений или видео, соответствующих задачам системы (например, изображения сельхозкультур, состояния растений и т.д.).
- Данные могут быть дополнительно размечены, чтобы алгоритмы понимали, что изображено на каждом из них (например, где расположен сорняк, а где здоровое растение).

⚙️Разметка данных:
- Чаще всего используется ручная разметка, где эксперты идентифицируют и обозначают объекты на изображениях.
- Также применяются полуавтоматические методы, где первичную разметку делают алгоритмы, а человек затем исправляет или подтверждает результаты.

⚙️Предобработка данных:
- Включает в себя нормализацию изображений, увеличение данных (например, путем вращения, изменения яркости изображений) для создания более разнообразного тренировочного набора.
- Такая предобработка помогает алгоритму быть устойчивым к изменениям среды и условий съемки.

⚙️Выбор и настройка модели:
- На данном этапе выбирается архитектура нейронной сети, подходящая для конкретной задачи (например, свёрточные нейронные сети (CNN) наиболее распространены для задач зрения).
- Модель затем инициализируется и готовится к обучению.

⚙️Обучение модели:
- Используются размеченные данные для обучения модели, где она учится распознавать и классифицировать объекты на изображениях.
- Процесс обучения включает в себя оптимизацию параметров модели для минимизации ошибок (например, с помощью градиентного спуска).

⚙️Валидация и тестирование:
- После обучения проводится тестирование модели на отдельном наборе данных, которые не использовались при обучении, чтобы оценить её способность к обобщению на новые данные.
- Это необходимо для проверки того, насколько модель может быть эффективной в реальных условиях.

⚙️Тонкая настройка:
- На основании тестирования модель может быть дополнительно подстроена, оптимизированы гиперпараметры для улучшения её производительности.

⚙️Развертывание и мониторинг:
- В заключение, модель интегрируется в реальную систему (в сельхозтехнику) и постоянно мониторится. При необходимости модель может дообучаться на новых данных или корректироваться.

Крупные сельхозмашиностроительные компании активно внедряют технологии машинного зрения в свою продукцию, чтобы повысить её эффективность и конкурентоспособность. Вот несколько примеров таких компаний и их инноваций:

📌 #JohnDeere:
- John Deere разработал систему See & Spray, которая использует камеры и алгоритмы машинного зрения для точечного внесения гербицидов. Это позволяет сократить их использование до 90%, так как распыление происходит только на выявленные сорняки.

📌#CNH Industrial (Case IH и New Holland):
- New Holland разрабатывает системы для мониторинга состояния урожая и оценки его зрелости в реальном времени, что оптимизирует процессы сбора.

📌#AGCO (Massey Ferguson, Fendt и др.):
- Massey Ferguson применяет алгоритмы анализа изображений для оценки состояния почвы и растений, что позволяет адаптировать уход в зависимости от условий на поле.

📌#CLAAS:
- CLAAS активно развивает технологии машинного зрения в кормоуборочных комбайнах для оптимизации работы жатки и повышения качества резки.

Эти примеры показывают, как машинное зрение трансформирует сельскохозяйственную технику, делая её более умной и адаптивной к современным вызовам. Такие технологии помогают не только повысить эффективность процессов, но и способствуют устойчивому развитию сельского хозяйства.

Как у вас с машинным зрение? Уже обучаете нейронку?

Проектируй. Созидай. #Excogitator 🦾
#Design@excolab

Не тренди!

Новый тренд на отечественном рынке - возвращение иностранных компаний🤨
Есть мнение, что более 300 зарубежных брендов вернуться уже в этом году.

Затронет ли это машиностроение? Безусловно!
Вот и Ян-Хендрик Мор (#Claas) заявляет о желании вернуть объему производства на Кубани...

Конкуренция - это всегда хорошо, но делать выводы из предыдущих лет "локализации" конечно стоит.

Что, по нашему мнению, не хватало:

⚙️ Участие в управлении. Только форма СП эффективна для защиты локальных интересов

⚙️ СПИК - хороший инструмент, но что-то похожее на эскроул-счет был бы полезным для соблюдения условий договора

⚙️ Для успешной локализации ОЕМ важны поставщики, порой даже не 1го, а 2го и 3го уровня

⚙️ Экспортная ориентация - давайте локализуем только то, что эффективно можно продавать в другие страны

⚙️ И самое главное - IPR (интеллектуальная собственность) и разработки должны оставаться, а главное создаваться, в России

Добавляйте! Какие еще параметры "возвращения" надо выдвигать?👇

Проектируй. Созидай. #Excogitator 🦾
#Trend@excolab

#Инжиниринг #Машиностроение #Локализация #OEM

Проектируй. Созидай.

Приставка "сельмаш" порой создает ложное впечатление, что это отсталая отрасль машиностроения. Поверьте - это абсолютно не так!

Вот лишь некоторые аспекты, на которые следует обратить внимание прежде, чем выносить суждения:

⚙️ Сложность конструкции машин. К примеру, зерноуборочные комбайны. Основной технологический процесс (обмолот и сепарация) бывает трёх типов: роторный, барабанный и гибридный. На видео отличия: https://disk.yandex.ru/d/esu743TC1kvzDw А теперь представьте, что всю эту систему надо спроектировать, а потом и настроить по производительности, потерям, сорности и дроблености зерна. А добавьте сюда многообразие убираемых культур!

⚙️ Типов техники для эффективного земледелия великое множество: зерноуборка, кормоуборка, трактора, самоходные опрыскиватели и так далее, и так далее... А еще в разы больше прицепных и навесных агрегатов для них. Всё это необходимо держать конструктору в уме. В каждой машине своя специфика.

⚙️ Сельскохозяйственная отрасль внедряет инновации быстрее прочих. Автономное вождение, автоматизированные системы настройки, умное внесение консервантов и удобрений, машинное зрение. Многие on-board системы, о которых мечтает автопром, давно уже в серии у #Claas, #MacDon, #JohnDeere, #AGCO, #Ростсельмаш, #Гомсельмаш и многих других.

⚙️ Облачные платформы объединяющие всю деятельность фермы есть свои у всех основных сельхозмашиностроителей. Добавьте сюда независимых игроков рынка Farm Management System (#FMS) и у вас будет полная картина... Хотя нет. Есть еще большие проекты по объединению всех этих систем в единую мегаплатформу.

⚙️ Ну и конечно завтрашний день: бескабинные исполнения, универсальные машины для всех типов работ, БПЛА, лазерное уничтожение сорняков... Продолжать можно долго.

Так что за приставкой "сельмаш" кроются порой самые последние разработки, как в 40х годах в СССР за Министерством сельскохозяйственного машиностроения скрывались создатели реактивных снарядов с пороховыми двигателями🤫

Проектируй. Созидай. #Excogitator 🦾
#Design@excolab

#Инжиниринг #Машиностроение #Сельмаш #НеКолхоз