Re: Realitäten

Jan_Kahl schrieb am 24.01.2024 14:16:

Dafür werden Clauds in der Regel genutzt hinter diesen dann riesige Datenbanken und dann die KI.

Das coole daran ist, dass so ein ML-Netz nur einmal von irgendwem trainiert werden muss. Und dann kanns jeder nutzen. Wir haben doch hier für das Unkrautszenario ein absolut Leichtes, Trainingsdaten einzusammeln. Es ist megaeasy, massenhaft welche zu beschaffen, auch für die "Fehlerfälle", denn Unkraut ist ja nicht gerade selten. Sondern überall.

Das Witzige ist: Diese "Datenbanken" mit gelabeltem Pflanzenmaterial existiert schon zu Hauf - und werden für die Anwendung nach dem einmaligen Training nicht mehr gebraucht.

Du, ich nutze beruflich Halcon, ne Bildverarbeitungslib+IDE+DSL+Hastenichgesehen. Ein kleines mitgeliefertes Exampleprogramm davon zeigt Klassifikation von 6 verschiedenen Holzarten von Bildern von Parkett. Es ist ein Hundertzeiler für den Bierdeckel. Darin ist das Laden und Abarbeiten von Trainingsbildern, Featureextraktion aus den Bildern, das Training des MLP's und beispielhaft einmalige Anwendung an einem unbekannten Bild. Das ist nichteinmal Deep Learning, sondern einfach klassisches Machine Learning.

So, wenn du jetzt Weizen von "allem anderen" unterscheiden willst, dann brauchts im allereinfachsten Fall 3 Klassen: "Weizen", "Andere Pflanzen" und "Boden". Vielleicht reichen sogar 2 Klassen: "Weizen" und "Boden". Alles was nicht Klasse "Weizen" und nicht "Boden" ist, ziehste raus. Vielleicht brauchts noch einen weiteren Klassifikator, um den besten Angriffspunkt für den Greifer zu bestimmen.
Wie selektiv das Gerät dann zulangt, stellste mit einem Konfidenzschwellwert für "Andere Pflanzen" ein, ab dem der Greifer zupft. Feddich.

Wenn zu Ende gedacht: Sammelt dann auch Plastikmüll weg oder markiert Orte von zu großen Steinen. Es ist wirklich keine bildverarbeiterische Hexenkunst.

Aber selbstverständlich wäre ein superduper-Über-KI-Netz für den generalisierten Fall ganz toll, damit man es auch gleich bei allerhand Nutzpflanzen einsetzen kann und nicht nur auf Weizenfeldern.

Ein Feld ist ein sehr kontrolliertes Szenario, trotz Wetter, Sonne und Nacht. Einiges lässt sich durch ein ordentliches Beleuchtungskonzept für die Kamerabilder bzw Sensorik beseitigen.

Bei Feldversuchen in der Praxis, bei vielen war ich anwesend von Ösiland bis ND, hat noch nie ein System überzeugt. Im schlechtesten Fall ist sogar die Kulturpflanze entfernt wurden.

Ja Tuning und Training halt. Wenns 92% aller Unkräuter zieht und aus Versehen 1% aller Nutzpflanzen, dann tuts vielleicht seinen Job doch ganz gut. Wie gut ist denn eigentlich die Hit+Miss rate von Herbiziden? Wie groß ist der Ertrags-, Geschmacks- oder Kostennachteil, Nutzpflanzensorten benutzen zu müssen, die Herbizid-resistent sind? Wie groß ist der Schaden durch Herbizide?
Schwund is halt immer. In etwa so. Lässt sich für den Anwender eines Unkrautziehers hinterher auf 2-3 Empfindlichkeitsschwellwerte runterbrechen. Dann kann der Anwender selbst entscheiden, wie radikal das da rangeht.

Und von der Netzverfügbarkeit auf dem Land spreche ich noch nicht einmal.
Gruß Jan

Um "KI" bzw ein solches Klassifizierungssystem einzusetzen brauchst du kein Internet. Trainierte Netze passen on the edge wie man so Antiklaut-Buzzwordig mittlerweile sagt.

Das Internet brauchste nur, wenn der Hersteller von dem System weitere Trainingsdaten sammeln will um es zu verbessern. Oder um Remoteadministration, Fernupdates oder Fernsteuerung zu ermöglichen. Aber laufen tut das Prinzip auch ohne Internet. So wie ein Roborock mit Legoklassifizerungskamera auch funktioniert, wenn er ofline ist.
Siehe einen Tesla, der KI einsetzt, um dem, was um das Auto passiert, eine Semantik zuzuordnen: Straße, Bürgersteig, Ampel, Verkehrszeichen, Auto, LKW, Linie, Leitbake... Das tut der auch im Funkloch.