BASF
BASF
BASF

Chemap Agro s.r.o.

Současný trend v robotizaci ochrany rostlin

23. 12. 2021 Ing. Štěpánka Radová, Ph.D.; Ústřední kontrolní a zkušební ústav zemědělský Brno Precizní zemědělství Zobrazeno 288x

Rychlý vývoj nových technologií a měnící se prostředí online světa poskytují jedinečnou příležitost pro vývoj automatizovaných a robotických systémů v zemědělství a lesnictví. Technologický pokrok v oblasti strojového vidění, GPS, laserové technologie a mechatronika umožnila vývoj a implementaci robotických systémů a inteligentních technologií pro precizní - přesné zemědělství. Vývoj robotických systémů je patrný nejen v „indoorovém“, ale i „outdoorovém“ zemědělství.

Varistar

V posledních letech se věnuje vývoj pokročilým systémům integrujících bezdrátové senzorové sítě, strojové učení spolu se strojovým viděním a umělou inteligencí, které jsou využívány pro automatizované zemědělství. Inteligentní technologie využívající strojové vidění a učení jsou vyvíjeny nejen pro výsadbu, zavlažování, odplevelování, prořezávání a sklizeň, ale také pro detekci a identifikaci škodlivých organizmů rostlin. Detekce chorob a škůdců představuje stále otevřenou a velmi zajímavou výzvu. Mnoho metod rozpoznávání a technologie pro identifikaci příznaků poškození bylo úspěšně vyvinuto, ale většina z nich vyžaduje stále ještě kontrolované prostředí pro sběr dat tak, aby se zabránilo falešným pozitivům. Diagnostika a její přesnost v určování původců poškození rostlin je tak výzvou pro vývoj mechatroniky robotických řešení pro management zdraví rostlin.

Robotizace zemědělství ve světě

Výzkum zemědělských robotů v posledních letech roste díky potenciálním uplatnění a úsilí průmyslu protlačit robotizaci i do tohoto oboru. Automatizace procesů je využívána především v procesech, jako je příprava půdy, setí, hnojení a sklizeň. Systematicky se opakující úkoly závislé na čase představují nejlepší oblast využití pro roboty.

Mimo agrotechnických postupů jsou zkoumány i robotické možnosti ochrany rostlin, což představuje pro vědce komplexní problém.

V poslední době se rychle rozvíjí výzkum automatického rozpoznávání příčin poškození rostlin s potenciálem uplatnění pro vývoj robotů schopných rozpoznat jednotlivé rostliny, lokalizovat a identifikovat původce a účinně zakročit. Rozpoznávání objektů je však považováno za jeden z nejtěžších problémů v robotice a počítačové vědě. V prostředí, jako je zahrada nebo pole, není zaručeno, že objekt má přesnou velikost nebo tvar, díky podmínkám růstu. I světlo hraje významnou roli ve srovnání s kontrolovaným prostředím (laboratorní, skleníkové systémy). Rostliny, listy, plevele a symptomy nemoci mohou být zakryty nebo jejich zobrazení může být ovlivněno odrazem světla.

Jak již bylo zmíněno, automatizované systémy jsou úspěšně využívány v běžných operacích při pěstování plodin, a to zejména při zpracování půdy, setí, výsadbě, závlaze a sklizni (např, ovoce).

Setí představuje primární úkon, pro který byly navrženy speciální prototypy robotů, které dokážou detekovat řádky rostlin pomocí infračervených senzorů. Automatizace této činnosti je žádoucí především ve sklenících, kde je vysoká hustota rostlin s krátkým životním cyklem, což vyžaduje zpracování velkého množství materiálu během krátké doby. Roboti využívají navigaci nejen k pohybu po skleníku, ale i k detekci konkrétních rostlin.

Roboty lze využívat též v procesu hnojení. Příkladem je robot Ladybird z Austrálie, který funguje na elektrický pohon podporovaný solárními panely a je schopen zachytit rysy okolí pomocí laserového systému LIDAR (Light Detection and Ranging). Stereo kamera vytváří barevné obrazy plodin (RGB kamera), zatímco IR a UV data jsou shromažďována pomocí hyperspektrální zobrazovací kamery (400–900 nm). Tento robotický systém může vyhodnotit stav rostliny pomocí algoritmů strojového učení. Robot je vybaven postřikovačem připojeným k šestiosému robotickému ramenu. Další projekt robotického hnojení využívá laserové senzory schopné detekovat obsah vody a živin v rostlině nebo půdě a rozhodnout o optimální dávce hnojiva. Tento specifický přístup si pak klade za cíl optimalizovat přísun živin a spotřebu vody.

Precizní ochranu rostlin lze považovat za součást precizního zemědělství. Oblast ochrany rostlin je prezentována pravidelným monitoringem a kontrolou prostředí, což představuje oblast, kterou lze do velké míry pokrýt automatizovanými systémy a roboty. Precizní zemědělství je navíc cyklický systém, ve kterém se operuje s procesy: sběr a lokalizace dat, analýza dat, rozhodnutí o přijetí opatření a zhodnocení opatření. Data jsou uložena v databázi a lze je využít pro analýzu historie a rozhodování do budoucna. Jedná se tak o velice užitečnou vlastnost.

Zatímco kontrola prostředí v otevřeném prostoru je velmi omezená, skleníky lze v tomto ohledu považovat za nejlepší prostředí k implementaci systémů ochrany rostlin precizního zemědělství. Ačkoliv je nutný další vývoj, mnoho parametrů lze již dnes sledovat a ovládat (např. výskyt a vývoj nemocí souvisí s délkou ovlhčení listů a teplotou). Inteligentní systémy pro skleníkové hospodářství se v posledních letech výrazně rozvinuly díky rychlému pokroku v oblasti informačních technologií a bezdrátových senzorových sítí. Automatické systémy jsou schopné shromažďovat informace a ovládat prostředí skleníků v místě nebo na dálku prostřednictvím webového prohlížeče.

Robot Ladybird
Robot Ladybird

Robotické plečky - nejznámější roboti v ochraně rostlin

Kromě vývoje robotů pro účely navigace představují automatizované plečky hlavní oblast výzkumu, zejména díky hospodářskému významu a schopnosti rozlišit plevelné druhy od pěstované plodiny pomocí strojového vidění. Rozpoznání plevele od pěstované rostliny představuje první krok k dosažení efektivity ochrany. Zjištění a identifikace plevelů je v podstatě obdoba procesu screeningu anomálií v průmyslovém výrobním procesu.

Momentálně se nabízí pěstitelům relativně účinné řešení v podobě agrochemikálií, které ale obecně vzbuzují obavy z vlivu na životní prostředí.

Tak, aby se zabránilo znečištění životního prostředí, jsou herbicidy aplikovány cíleně pouze na plevel, případně je nahrazuje mechanické opatření. Dnes již existují kultivační systémy (rotační, nožové) postavené na strojovém vidění, které odstraňují plevel v meziřádku pěstované zeleniny. Efektivita dosahuje až 80 % s nízkým procentem poškození pěstovaných rostlin. Stejně a lépe fungují robotické postřikovače, které aplikují herbicid pouze bodově, v místě výskytu plevele. Spotřeba přípravků se dá tímto přístupem snížit až o 90 %.

Identifikace plevelů závisí významně na citlivosti snímacích senzorů. Velice často se používají dvě kamery, které eliminují problémy při nerovnoměrném osvětlení. Díky kombinaci šedého vidění, které umožňuje navigaci ve strukturovaném venkovním prostředí a barevného vidění, které umožňuje odlišení plodin od plevelů, bylo dosaženo velmi vysoké citlivosti v rozlišování rostlin (více než 90 %).

V dnešní době jsou komerčně dostupné robotické plečky od firmy Ecorobotix, Bosh Company nebo robot OZ od NaïoTechnologies, případně i pro zahrádkáře malý robot od firmy Tertill Cooperation.

Diagnostické nástroje pro detekci plevelů v reálném čase mají omezenou komerční dostupnost. U robotických pleček je systém jednodušší v tom, že je celá práce založena na schopnosti robotického systému identifikovat a rozlišovat pěstované rostliny, přičemž všechny ostatní rostliny jsou považovány za plevel a jsou mechanicky odstraněny.

Robotická plečka od Niao Technologies-Dino
Robotická plečka od Niao Technologies-Dino

Výzkum „automatizované“ diagnostiky škodlivých organizmů

Kategorizace rostlin na zdravé a nemocné podle jejich morfologických znaků je velmi obtížný úkol pro lidské odborníky, natož pak pro stroje. Vizuálním hodnocením nelze mnohdy odlišit rostlinu zdravou od nemocné (obzvláště v latentní fázi napadení). Velkým problémem je přítomnost nespecifických příznaků, které mohou rostliny vykazovat. Navíc může být stupeň morfologických změn, např. velikosti, tvaru nebo diskolorace neúměrně závislý na intenzitě stresu, anebo nemusí být změny patrny vůbec.

Strategie ochrany proti původcům onemocnění musí být na místě ještě před výskytem ohniska nákazy, a aby tomu tak bylo, musí být zajištěna diagnostická specifičnost. V posledních padesáti letech se diagnóza onemocnění posunula od symptomatické diagnostiky k molekulárním testům. I když stále hrají důležitou roli zkušenosti a pozorovací schopnosti fytopatologa, jsou testy jako ELISA nebo PCR považovány za téměř jedinou odpověď na biotické infekce. Proto se pokrok v technikách detekce patogenů (pomocí senzorů) spoléhá na komplexnější řešení koncepce vidění.

V posledních několika desetiletích byly vyvíjeny nedestruktivní metody detekce chorob a škůdců rostlin, které lze rozlišit do skupin:

1) spektroskopické a zobrazovací techniky,

2) techniky postavené na těkavých organických sloučeninách.

Senzory zobrazovacích technik mohou hodnotit zejména opticky zjistitelné vlastnosti rostlin v různých oblastech elektromagnetického spektra. Ty mohou detekovat časné změny ve fyziologii rostlin v důsledku biotických stresů, které mohou vést ke změně barvy tkání, tvaru listu, rychlosti transpirace, morfologie vrcholového meristému či hustoty rostlin.

Patogeny detekované pomocí analýzy obrazu jsou rychle se rozšiřující oblastí moderní fytopatologie. Týká se původců onemocnění plodin pěstovaných na orné půdě, což představuje hlavní perspektivu využití. Sníží se tím pracovní vytížení v rutinní ochraně proti škodlivým organizmům. Techniky strojového učení mohou pomoci rozpoznat abiotický stres od onemocnění způsobené chorobami s podobnými příznaky. Příkladem může být případ, kdy klasifikátory umělé neuronové sítě dokázaly rozlišit, zda je porost pšenice napaden rzí, anebo vykazuje příznaky deficience dusíku.

Možnosti využití však předpokládají i detekci karanténních škodlivých organizmů. Příkladem může být metoda rozpoznávání založená na detekci viditelného spektra příznaků onemocnění citrusů způsobené původcem Candidatus Liberibacter spp. Experimentální výsledky ukázaly vysokou přesnost detekce až 91,9 %. Také v případě detekce rakoviny citrusů způsobené původcem Xanthomonas axonopodis byla po analýze obrazu vyhodnocena vyšší přesnost v detekci, než jaká byla zaznamenána při vizuálním hodnocení (ne však u všech hodnocených parametrů). Další vyvinutý systém detekce se osvědčil při odhalování příznaků spály na listech olivovníků infikovaných dalším druhem bakterie Xylella fastidiosa. Výsledky potvrdily shodu okolo 95 %. Tyto systémy založené na vidění mohou být součástí mobilních zařízení (např. autonomní vozidlo) a mohou zajistit tak optimalizaci postupu detekce nemoci a její management.

Závěrem

Hardware a software robotů v zemědělství, včetně dronů, se rychle rozvíjí. Autonomní navigace robotů v plodinách a nad plodinami dosáhly vysoké úrovně komplexnosti a nachází úspěšné uplatnění v procesech, jako je příprava půdy, setí, hnojení a sklizeň. Je zřejmé, že stále existuje prostor pro zlepšení, zejména ve správě robotů a v koordinaci mezi roboty specializovanými na různé úkoly.

Logickým požadavkem je v rámci vývoje též myslet na propojení s diagnostickými systémy, protože mnoho nejpokročilejších technik analýzy obrazu pro rozeznávání chorob a škůdců se často vyvíjí a testuje nezávisle na robotické aplikaci. Rovněž by měla být zkoumána role analýzy obrazu v robotickém řízení. Analýza obrazu a rozpoznávání, bez ohledu na předmět obrazu (příznaky nemoci, plevel, abiotický stres), je hlavní téma výzkumu automatizované ochrany plodin. Metody pro diagnostiku škodlivých organizmů jsou stále ve stadiu vývoje a dostupnost standardizovaných aplikací prozatím nelze odhadnout. Další otázkou je, zda je analýza obrazu opravdu nejlepším nástrojem k dosažení tohoto cíle?

Diagnostická specificita může odpovídat konvenčním diagnostickým nástrojům pro některá onemocnění, ale ne pro všechna nebo ne pro všechna stadia vývoje těchto onemocnění. Musí se dále zkoumat omezení technik zpracování obrazu a technologie pro detekci chorob a škůdců na základě požadavků na aplikaci a ochranu rostlin. Roboti by mohli působit jako velmi zkušení patologové, kteří si pro stanovení diagnózy vybaví tisíce snímků. „Oko“ robota je mnohem lepší než lidské a dokáže nasbírat velké množství pro nás neviditelných dat. Musíme však vzít v úvahu, že zpracování obrázků nemusí stačit pro každou kombinaci příčina - hostitel - prostředí.

Od „robotických patologů“ by se měl výzkum posunout k „robotickému analytickému pozorovateli“. V posledních letech rychle roste výzkum metod detekce na místě i metod jako je LAMP (izotermální amplifikace zprostředkovaná smyčkou) nebo lab-on-chip založená na elektrochemické impedanční spektroskopii (EIS), která může umožnit rychlou molekulární diagnostiku v terénu. Díky rychlosti, robustnosti a jednoduchosti by mohly být tyto testy integrovány do tradičních robotů založených na vidění a posílit jejich diagnostickou přesnost.

Diagnostický test lab-on-chip
Diagnostický test lab-on-chip

Autorka čerpala z publikace: Yiannis Ampatzidis, Luigi De Bellis, Andrea Luvisi (2017): iPathology: Robotic Applications and Management of Plants and Plant Diseases, Review, Sustainability, 9, 1010; doi:10.3390/su9061010

Související články

Robbotti Tour 2021 představila budoucnost na mnoha polích

21. 12. 2021 Ing. Petr Štěpánek, Ph.D.; Agromanuál Precizní zemědělství Zobrazeno 228x

Vývojové směry v oblasti precizního zemědělství

17. 12. 2021 Doc. Ing. Milan Kroulík, Ph.D. a kol. Precizní zemědělství Zobrazeno 365x

Rok se službami FarmSight: Velkostatek Tetín

09. 12. 2021 Ing. Lešek Podhorský; STROM PRAHA a.s. Precizní zemědělství Zobrazeno 290x

AG Tracker: Nejen inteligentní GPS monitoring pro zemědělství

28. 10. 2021 Ing. Pavel Palas; AG info, s.r.o. Precizní zemědělství Zobrazeno 431x

Další články v kategorii Precizní zemědělství

detail