Outfield Technologies es una empresa de nueva creación de tecnología agrícola con sede en Cambridge que utiliza drones e inteligencia artificial, para ayudar a los productores de frutas a maximizar su cosecha de cultivos de huerta.

Los fundadores de Outfield Technologies, Jim McDougall y Oli Hilbourne, han estado trabajando con Ph.D. el estudiante Tom Roddick del Laboratorio de Inteligencia de Máquinas del Departamento para desarrollar sus capacidades tecnológicas para poder contar las flores y las manzanas en un árbol a través de drones que inspeccionan enormes huertos de manzanas.

"Una evaluación precisa de la floración o una estimación de la cosecha permite a los productores ser más productivos, sostenible y respetuoso con el medio ambiente ", explica el director comercial de Outfield, Jim McDougall.

"Nuestro análisis de imágenes aéreas se centra en la estimación del rendimiento y es muy buscado a nivel internacional. Uno de los mayores problemas que enfrentamos en el sector frutícola es una previsión precisa del rendimiento. Este sistema se ha desarrollado con los productores para planificar la mano de obra, logística y almacenaje. Es necesario en toda la industria, para planificar el marketing y la distribución, y asegurarse de que siempre haya manzanas en los estantes. Actualmente, los productores realizan estimaciones, y hacen un trabajo increíble, pero los huertos son increíblemente variables y las estimaciones a menudo son incorrectas hasta en un 20%. Esto da como resultado una pérdida de ingresos, operaciones ineficientes y pueden resultar en una cantidad sustancial de desperdicio en la cosecha no vendida ".

Los métodos de identificación de Outfield son una excelente aplicación de la investigación que Ph.D. estudiante Tom Roddick, supervisado por el profesor Roberto Cipolla, está trabajando. Tom es parte del Grupo de Robótica y Visión por Computadora que se concentra en inteligencia artificial y Aprendizaje Automático, utilizando métodos de aprendizaje profundo, a través de redes neuronales artificiales (ANN).

Las ANN son sistemas informáticos modelados libremente a partir del cerebro humano, que están diseñados para reconocer patrones. Interpretan los datos sensoriales etiquetando o agrupando la entrada sin procesar. Los patrones que reconocen son numéricos, en el que todos los datos del mundo real, ya sean imágenes, sonido, texto o series de tiempo, se traduce.

Estos sistemas "aprenden" a realizar tareas analizando ejemplos, generalmente sin estar programado con reglas específicas de la tarea. Por ejemplo, en reconocimiento de imágenes, la ANN podría aprender a identificar imágenes que contienen manzanas analizando imágenes de ejemplo que han sido etiquetadas manualmente como "manzana" o "sin manzana" y usando los resultados para identificar manzanas en otras imágenes. Lo hacen sin ningún conocimiento previo de las manzanas, por ejemplo, colores o formas de manzana. En lugar de, generan automáticamente características de identificación a partir de los ejemplos que procesan.

Las ANN se agrupan y clasifican detectando primero patrones simples en los datos, como bordes en imágenes o sonidos en el habla, y luego construir gradualmente una jerarquía de conceptos hasta que surjan características complejas como caras u oraciones en los datos. El objetivo original del enfoque ANN era resolver problemas de la misma manera que lo haría un cerebro humano. Sin embargo, tiempo extraordinario, la atención se ha trasladado a la realización de tareas específicas. Las RNA se han utilizado en una variedad de tareas, incluida la visión por computadora, reconocimiento de voz, máquina traductora, filtrado de redes sociales, juegos de mesa y videojuegos y diagnóstico médico.

Durante su doctorado, Tom ha estado trabajando en conducción autónoma, mirando escenas callejeras capturadas con la cámara, anotando y etiquetando cada elemento. Señala dónde están los autos, los peatones, el bordillo, etc. Para hacer esto, usa una herramienta llamada segmentación semántica para etiquetar cada píxel individual para brindar una comprensión de alto nivel de lo que está sucediendo. Outfield necesita identificar manzanas y flores en sus fotografías de huertos y una forma de hacerlo es utilizar este método de segmentación semántica.

Otro aspecto del método de recopilación de datos de Outfield es identificar dónde están sus drones en todo momento y hay otra línea de visión por computadora que se concentra en la localización, averiguar dónde se encuentra en el mundo y qué es lo que está mirando. Ex alumno Kesar Breen, consultor independiente de aprendizaje automático y visión por computadora, se ha tomado un tiempo de su apretada agenda para aconsejar a Jim y Oli. Kesar les ha ayudado con una descripción general de las tecnologías que podrían estar utilizando para el modelado y análisis de huertos para averiguar dónde están los cultivos, y redactó un algoritmo potencial para hacer esto, con plazos y requisitos. Kesar dice:"Outfield está haciendo cosas muy interesantes trabajando con algunas tecnologías interesantes pero probadas, sobre un problema empresarial importante. Creo que es muy probable que sea comercialmente viable ".

Hablando de su trabajo con Outfield, Tom dice, "Las necesidades de segmentación semántica de Outfield tienen algunas sutilezas muy específicas que son muy interesantes desde el punto de vista de la investigación, por ejemplo. Estoy acostumbrado a mirar imágenes para identificar objetos grandes como automóviles, que son fáciles de detectar, pero lo que tiene Outfield son estas enormes imágenes aéreas de huertos que son millones y millones de píxeles y quiere detectar cada flor o cada pieza de fruta para calcular cuántos de ellos hay. He estado buscando cómo hacer eso de manera eficiente y robusta para poder distinguir entre cosas como; ¿Es esto una manzana en un árbol? ¿O es una manzana en el suelo? "

Jim dice, "El Reino Unido tiene algunas de las mejores tecnologías y los mejores científicos tecnológicos del mundo. Actualmente estamos realizando pruebas beta que incluyen el uso del modelo con cultivos distintos de las manzanas.

"Tenemos un plan sólido para los próximos dos o tres años, y estamos abriendo una ronda de inversión en octubre de 2019 para cerrar en el primer trimestre de 2020. Esto nos permitirá incorporar a más miembros del equipo a tiempo completo y probar los productos a escala en Nueva Zelanda y el Reino Unido durante el próximo año ".