Outfield Technologies é uma empresa start-up de agrotecnologia sediada em Cambridge que usa drones e inteligência artificial, para ajudar os fruticultores a maximizar a colheita dos pomares.

Os fundadores da Outfield Technologies, Jim McDougall e Oli Hilbourne, têm trabalhado com Ph.D. o aluno Tom Roddick do Laboratório de Inteligência de Máquinas do Departamento para desenvolver seus recursos de tecnologia para poder contar as flores e maçãs de uma árvore por meio de drones inspecionando enormes pomares de macieiras.

"Uma avaliação precisa da flor ou estimativa da colheita permite que os produtores sejam mais produtivos, sustentável e ecologicamente correto ", explica o diretor comercial de Outfield, Jim McDougall.

"Nossa análise de imagens aéreas se concentra na estimativa de produção e é muito procurada internacionalmente. Um dos maiores problemas que enfrentamos no setor de frutas é a previsão de produção precisa. Este sistema foi desenvolvido com os produtores para planejar a mão de obra, logística e armazenamento. É necessário em toda a indústria, para planejar marketing e distribuição, e garantir que sempre haja maçãs nas prateleiras. As estimativas são feitas atualmente por produtores, e eles fazem um trabalho incrível, mas os pomares são incrivelmente variáveis ​​e as estimativas costumam estar erradas em até 20%. Isso resulta em perda de renda, operações ineficientes e podem resultar em uma quantidade substancial de desperdício em safras não vendidas. "

Os métodos de identificação de Outfield são uma excelente aplicação da pesquisa realizada pelo Ph.D. estudante Tom Roddick, orientado pelo professor Roberto Cipolla, está trabalhando. Tom faz parte do Grupo de Visão Computacional e Robótica, que se concentra em inteligência artificial e aprendizado de máquina, usando métodos de aprendizado profundo, via Redes Neurais Artificiais (RNAs).

ANNs são sistemas de computação modelados vagamente a partir do cérebro humano, que são projetados para reconhecer padrões. Eles interpretam os dados sensoriais rotulando ou agrupando a entrada bruta. Os padrões que eles reconhecem são numéricos, em que todos os dados do mundo real, sejam imagens, som, texto ou série temporal, é traduzido.

Esses sistemas "aprendem" a realizar tarefas analisando exemplos, geralmente sem ser programado com regras específicas de tarefas. Por exemplo, no reconhecimento de imagem, a ANN pode aprender a identificar imagens que contêm maçãs analisando imagens de exemplo que foram rotuladas manualmente como "maçã" ou "sem maçã" e usando os resultados para identificar maçãs em outras imagens. Eles fazem isso sem qualquer conhecimento prévio de maçãs, por exemplo, cores ou formas de maçã. Em vez de, eles geram automaticamente características de identificação a partir dos exemplos que processam.

As RNAs se agrupam e classificam primeiro detectando padrões simples nos dados, como bordas em imagens ou sons na fala, e então, gradualmente, construa uma hierarquia de conceitos até que recursos complexos, como rostos ou frases, apareçam nos dados. O objetivo original da abordagem da RNA era resolver problemas da mesma forma que um cérebro humano faria. Contudo, hora extra, atenção mudou para a execução de tarefas específicas. ANNs têm sido usados ​​em uma variedade de tarefas, incluindo visão computacional, reconhecimento de fala, maquina de tradução, filtragem de rede social, jogar tabuleiro e videogames e diagnóstico médico.

Durante seu Ph.D., Tom tem trabalhado na direção autônoma, vendo cenas de rua capturadas pela câmera, anotando e rotulando cada elemento. Ele aponta onde os carros estão, os pedestres, o meio-fio etc. Para fazer isso, ele usa uma ferramenta chamada segmentação semântica para rotular cada pixel individual para dar uma compreensão de alto nível do que está acontecendo. Outfield precisa identificar maçãs e florescer em suas fotos de pomar e uma maneira de fazer isso é usar este método de segmentação semântica.

Outro aspecto do método de coleta de dados de Outfield é identificar onde seus drones estão o tempo todo e há outra vertente de visão computacional que se concentra na localização, descobrir onde você está no mundo e o que está olhando. Ex-aluno Kesar Breen, consultor independente de aprendizado de máquina e visão computacional, reservou um tempo de sua agenda lotada para aconselhar Jim e Oli. Kesar os ajudou com uma visão geral das tecnologias que eles poderiam usar para modelagem e análise do pomar para descobrir onde estão as plantações, e elaborou um algoritmo potencial para fazer isso, com prazos e requisitos. Kesar diz, "Outfield está fazendo coisas muito legais, trabalhando com algumas tecnologias interessantes, mas comprovadas, sobre um importante problema de negócios. Acho que é muito provável que seja comercialmente viável. "

Falando sobre seu trabalho com Outfield, Tom disse, "As necessidades de segmentação semântica de Outfield têm algumas sutilezas muito específicas que são muito interessantes do ponto de vista da pesquisa, por exemplo. Estou acostumado a olhar imagens para identificar objetos grandes, como carros, que são fáceis de detectar, mas o que Outfield tem são essas enormes imagens de vista aérea de pomares que têm milhões e milhões de pixels e quer detectar cada flor em flor ou cada pedaço de fruta para calcular quantos deles existem. Tenho procurado como fazer isso de forma eficiente e robusta para poder distinguir entre coisas como; isso é uma maçã em uma árvore? Ou isso é uma maçã no chão? "

Jim diz, "O Reino Unido tem uma das melhores tecnologias e os melhores cientistas de tecnologia do mundo. Atualmente, estamos testando o beta, que inclui o uso do modelo com outras culturas além das maçãs.

“Temos um plano robusto para os próximos dois a três anos, e estamos abrindo uma rodada de investimento em outubro de 2019 para fechar no primeiro trimestre de 2020. Isso nos permitirá trazer mais da equipe em tempo integral e testar os produtos em escala na Nova Zelândia e no Reino Unido no próximo ano. "