Agtech-Startup Imago AI nutzt Computer Vision zur Steigerung der Ernteerträge – TechCrunch


Im heute 2018 TC Disrupt Berlin Battlefield wird auf der Bühne präsentiert. Das indische Agtech-Startup Imago AI setzt AI ein, um die wachsende Weltbevölkerung zu ernähren, indem die Ernteerträge gesteigert und die Lebensmittelverschwendung reduziert wird. Die Startup-Missionen sind beeindruckend ehrgeizig.

Das in Gurgaon in der Nähe von Neu-Delhi ansässige Team setzt die Computer Vision- und Machine Learning-Technologie ein, um die mühsame Messung des Ernteertrags und der Qualität der Ernte vollständig zu automatisieren. Dies beschleunigt einen sehr manuellen und zeitaufwändigen Prozess zur Quantifizierung der Anlage Merkmale, die häufig Werkzeuge wie Bremssättel und Waagen umfassen, mit dem Ziel, ertragreichere, krankheitsresistenter Sorten zu entwickeln.

Derzeit wird behauptet, dass Saatgutunternehmen sechs bis acht Jahre brauchen können, um eine neue Saatgutsorte zu entwickeln. Alles, was die Effizienz steigert, ist also ein großer Segen.

Sie behaupten, ihre Technologie könne die Messzeit von Erntemerkmalen um bis zu 75 Prozent verkürzen.

Im Falle eines Piloten sagten sie, ein Kunde habe zuvor zwei Tage gebraucht, um die Sorten ihrer Ernte mit traditionellen Methoden wie Waagen manuell zu messen. "Mit diesem bildbasierten KI-System können sie es jetzt innerhalb von 30 bis 40 Minuten schaffen", sagt Mitbegründer Abhishek Goyal.

Mit der KI-basierten Bildverarbeitungstechnologie können sie auch mehr Datenpunkte entscheidend erfassen, als das menschliche Auge dies kann (oder dies leicht tun kann), da ihre Algorithmen feinkörnige phänotypische Unterschiede messen und bewerten können, die eine Person möglicherweise auffällt oder leicht beherrschen kann nur mit dem Auge beurteilen.

"Einige der phänotypischen Merkmale, die sie nicht manuell identifizieren können", sagt Mitbegründerin Shweta Gupta. „Vielleicht sehr langweilig oder aus welchen Gründen auch immer. Also jetzt mit dieser KI-fähig [process] Wir sind jetzt in der Lage, weitere phänotypische Merkmale zu erfassen.

„Also mehr Abdeckung phänotypischer Merkmale… und mit dieser größeren Reichweite haben wir mehr Spielraum, um den nächsten Zyklus dieses Samens auszuwählen. Dies verbessert die Saatgutqualität auf lange Sicht weiter. “

Das Wort, mit dem sie beschreiben, was ihre Technologie liefert, lautet: "Präzisionsphänotypisierung mit hohem Durchsatz".

Oder anders ausgedrückt: Sie nutzen die KI, um die Qualitätsparameter von Kulturpflanzen zu ermitteln.

„Diese Qualitätsparameter sind für diese Saatgutunternehmen sehr wichtig“, sagt Gupta. „Die Pflanzenzüchtung ist ein sehr kostspieliger und sehr komplexer Prozess… in Bezug auf Personalressourcen und Zeit, die diese Saatgutunternehmen einsetzen müssen.

"Die Forschung [on the kind of rice you are eating now] wurde in den letzten sieben bis acht Jahren getan. Es ist ein kompletter Zyklus … einer kontinuierlichen Entwicklung, um endlich eine Vielfalt zu entwickeln, die für die Markteinführung geeignet ist. "

Aber es gibt noch mehr. Die übergreifende Vision ist nicht nur, dass AI die Saatgutunternehmen dabei unterstützt, wichtige Entscheidungen zu treffen, um Saatgut mit höherer Qualität auszuwählen, das Ernteerträge liefern kann, und gleichzeitig diesen (langsamen) Prozess zu beschleunigen. Letztendlich hoffen sie, dass die Daten, die durch die Anwendung von AI zur Automatisierung phänotypischer Messungen von Kulturpflanzen generiert werden, auch wertvolle Vorhersagen liefern können.

Wenn sie eine Korrelation zwischen geotagged-phänotypischen Messungen und den genotypischen Daten der Pflanzen herstellen können (Daten, auf die die Saatgiganten, auf die sie abzielen, bereits vorhanden wären), könnten die Landwirte, die die Datenerfassung mit KI unterstützen, die Landwirte auf die beste Erntesorte ausrichten Verwendung an einem bestimmten Ort und in bestimmten Klimabedingungen – rein auf Erkenntnissen basierend, die aus den erfassten Daten trianguliert und freigeschaltet wurden.

Ein aktueller Ansatz in der Landwirtschaft zur Auswahl der besten Ernte für einen bestimmten Standort / eine bestimmte Umgebung kann die Verwendung von Gentechnik umfassen. Allerdings hat die Technologie bei der Anwendung auf Lebensmittel große Kontroversen ausgelöst.

Imago AI hofft, auf der Grundlage von Daten und Saatgutauswahl über einen völlig anderen Technologieweg zu einem ähnlichen Ergebnis zu gelangen. Nun, das einheitliche Auge von AI informiert über wichtige Entscheidungen in der Landwirtschaft.

"Wenn wir diese Art der Beziehung herstellen können, ist dies für diese Unternehmen sehr hilfreich, und dies kann die Gesamtproduktionszeit für Saatgut von sechs auf acht Jahre auf eine sehr geringe Anzahl von Jahren reduzieren", sagt Goyal. „Also versuchen wir diese Art von Korrelation herzustellen. Aber dazu müssen wir zunächst sehr genaue phänotypische Daten erfassen. “

„Wenn wir genügend Daten haben, werden wir die Korrelation zwischen phänotypischen Daten und genotypischen Daten feststellen und was nach der Herstellung dieser Korrelation geschehen wird, können wir für diese Unternehmen mit Ihren Genomdaten, den Umgebungsbedingungen und uns voraussagen werde phänotypische Daten für Sie vorhersagen “, fügt Gupta hinzu.

"Das ist sehr wertvoll für sie, weil dies ihnen hilft, ihre Zeitressourcen im Hinblick auf diesen Züchtungs- und Phänotypisierungsprozess zu reduzieren."

"Vielleicht müssen sie dann nicht wirklich einen Feldversuch machen", schlägt Goyal vor. „Bei einigen Merkmalen müssen sie nicht wirklich einen Feldversuch durchführen und dann prüfen, was genau dieses Merkmal sein wird, wenn wir mit sehr hoher Genauigkeit vorhersagen können, ob dies die Genomik und die Umgebung ist. dann wird dies der Phänotyp sein. “

In einfachen Worten könnte die Technologie die beste Saatgutsorte für einen bestimmten Ort und ein optimales Klima vorschlagen, basierend auf einem feineren Verständnis der zugrunde liegenden Merkmale.

Bei krankheitsresistenten Pflanzenstämmen könnte dies möglicherweise sogar dazu beitragen, die Menge an Pestiziden zu reduzieren, die Landwirte verwenden, etwa wenn die ausgewählten Pflanzen von Natur aus widerstandsfähiger gegen Krankheiten sind.

In Bezug auf die Saatgutgeneration schlägt Gupta vor, dass deren Ansatz den Produktionszeitrahmen verkürzen könnte – von bis zu acht Jahren auf "vielleicht drei oder vier".

"Das ist die Zeitersparnis, über die wir sprechen", fügt sie hinzu und betont, dass das große Versprechen der AI-fähigen Phänotypisierung eine höhere Nahrungsmittelproduktion in deutlich kürzerer Zeit darstellt.

Sie messen nicht nur die Pflanzeneigenschaften, sondern sie verwenden auch Computer-Vision- und Machine-Learning-Algorithmen, um Pflanzenkrankheiten zu erkennen und genauer zu messen, wie stark eine bestimmte Pflanze betroffen ist.

Dies ist ein weiterer wichtiger Punkt, wenn es darum geht, phänotypische Merkmale auszuwählen, die mit einer besseren natürlichen Widerstandsfähigkeit gegen Krankheiten verbunden sind. Die Gründer weisen darauf hin, dass rund 40 Prozent der weltweiten Erntemenge infolge von Krankheiten verloren gehen (und damit verschwendet werden).

Und wieder zu messen, wie krank eine Pflanze ist, kann für das menschliche Auge ein Urteil sein, das zu Daten unterschiedlicher Genauigkeit führt. Durch die Automatisierung der Krankheitserfassung mithilfe der KI-basierten Bildanalyse werden die aufgezeichneten Daten einheitlicher. Dies ermöglicht ein besseres Qualitäts-Benchmarking, das in die Samenauswahlentscheidungen einfließen kann, wodurch der gesamte Hybridproduktionszyklus gesteigert wird.

Von Imago AI verarbeitetes Beispielbild, das den Anteil einer von Krankheit betroffenen Kulturpflanze zeigt

Was den aktuellen Stand des Bootstrapping anbelangt, so arbeitet das fast ein Jahr alte Startup an Daten aus einer Reihe von Versuchen mit Saatgutunternehmen – einschließlich eines wiederkehrenden zahlenden Kunden, den sie nennen können (DuPont Pioneer). und mehrere bezahlte Versuche mit anderen Saatgutfirmen, die sie nicht können (weil sie weiterhin unter NDA fallen).

Bisher haben Versuche in Indien und den USA stattgefunden, teilen sie TechCrunch mit.

„Wir müssen unsere Technik nicht wirklich überall steuern. Und das ist global [seed] Unternehmen, die in 30, 40 Ländern vertreten sind “, fügt Goyal hinzu und argumentiert mit ihrem Ansatz auf natürliche Weise. "Sie testen unsere Technologie in einem einzigen Land und können sie an anderen Standorten sehr einfach implementieren."

Ihre Imaging-Software ist nicht von proprietärer Kamera-Hardware abhängig. Daten können mit Tablets oder Smartphones oder sogar von einer Kamera auf einer Drohne oder mithilfe von Satellitenbildern erfasst werden, abhängig von der gewünschten Anwendung.

Für das Messen der Schnittmerkmale wie der Länge benötigen sie einen Bezugspunkt, der mit dem Bild verknüpft werden muss.

„Dies kann erreicht werden, indem entweder die Entfernung des Objekts von der Kamera festgelegt wird oder indem ein Referenzobjekt im Bild platziert wird. Wir verwenden beide Methoden, je nach Belieben des Benutzers “, stellen sie fest.

Während einige der derzeitigen Phänotypisierungsmethoden sehr manuell sind, gibt es auf dem Markt auch andere Bildverarbeitungsanwendungen, die auf die Landwirtschaft abzielen.

Die Imago AI-Gründer argumentieren jedoch, dass diese Softwareprodukte der Konkurrenz nur teilweise automatisiert sind – „daher sind viele manuelle Eingaben erforderlich“, während sie ihren Ansatz als vollautomatisch definieren, mit nur einem ersten manuellen Schritt zur Auswahl der Kultur, die durch ihre KIs quantifiziert werden soll Auge.

Ein weiterer Vorteil, den sie gegenüber anderen Spielern ausspielen, ist, dass sie völlig zerstörungsfrei arbeiten. Das bedeutet, dass Getreideproben nicht gezupft und abgenommen werden müssen, um beispielsweise in einem Labor fotografiert zu werden. Vielmehr können Bilder von Feldfrüchten vor Ort aufgenommen werden, wobei Messungen und Beurteilungen immer noch – so behaupten sie – präzise durch Algorithmen extrahiert werden, die Hintergrundgeräusche intelligent herausfiltern.

„Bei den Piloten, die wir mit Unternehmen durchgeführt haben, haben sie unsere Ergebnisse mit den manuellen Messergebnissen verglichen und wir haben eine Genauigkeit von über 99 Prozent erreicht“, behauptet Goyal.

Zur Quantifizierung der Krankheitsausbreitung weist er jedoch darauf hin, dass es nicht manuell möglich ist, genaue Messungen vorzunehmen. „Bei der manuellen Messung kann ein Experte nur einen bestimmten prozentualen Schweregrad der Erkrankung für ein Bildbeispiel angeben. (25-40 Prozent), aber mithilfe unserer Software können sie den genauen Prozentsatz genau bestimmen (z. B. 32,23 Prozent) “, fügt er hinzu.

Sie bieten auch zusätzliche Unterstützung für Saatgutforscher – indem sie mit ihrer Software eine Reihe mathematischer Werkzeuge anbieten, die die Analyse der phänotypischen Daten unterstützen. Die Ergebnisse können leicht als Excel-Datei exportiert werden.

„Anfangs hatten wir auch nicht so viel Wissen über die Phänotypisierung. Daher haben wir rund 50 Forscher von technischen Universitäten dieser Saatgutunternehmen befragt und mit Landwirten interagiert. Dann haben wir verstanden, was genau der Schmerzpunkt ist, und von diesen Anwendungsfällen ", fügte sie hinzu und merkte an, dass sie WhatsApp-Gruppen verwendeten, um Informationen von lokalen Bauern zu sammeln.

Während Saatgutunternehmen die ersten Zielkunden sind, sehen sie Anwendungen für ihren visuellen Ansatz zur Optimierung der Qualitätsbewertung auch in der Lebensmittelindustrie. Sie gehen davon aus, dass sie Computer Vision und hyperspektrale Bilddaten verwenden, um beispielsweise Fremdmaterial oder Verfälschungen zu erkennen Produktionslinie Lebensmittel.

„Weil in Lebensmittelunternehmen viel Lebensmittel in ihren Produktionslinien verschwendet werden“, erklärt Gupta. „Wir sehen also, dass unsere Technologie wirklich hilft – diese Art von Verschwendung zu reduzieren.“

"Grundsätzlich alle visuellen Parameter, die mit unserer Technologie gemessen werden können", fügt Goyal hinzu.

Sie planen, in den nächsten 12 Monaten potenzielle Anwendungen in der Lebensmittelbranche zu erkunden, während sie sich auf den Ausbau ihrer Versuche und Implementierungen mit Saatgiganten konzentrieren. Ihr Ziel ist es, dass innerhalb eines Jahres zwischen 40 und 50 Unternehmen ihr AI-System weltweit einsetzen.

Während das Unternehmen jetzt umsatzwirksam ist – und, wie sie es ausdrückte, „vollständig selbstständig“ ist, wollen sie auch strategische Investitionen in Kauf nehmen.

"Im Moment stehen wir mit einigen Investoren in Kontakt", bestätigt Goyal. "Wir suchen nach strategischen Investoren, die Zugang zur Landwirtschaft oder vielleicht zur Lebensmittelbranche haben.