Outfield Technologies is een in Cambridge gevestigd agri-tech start-up bedrijf dat gebruik maakt van drones en kunstmatige intelligentie, om fruittelers te helpen hun oogst van boomgaardgewassen te maximaliseren.

De oprichters van Outfield Technologies, Jim McDougall en Oli Hilbourne, hebben met Ph.D. student Tom Roddick van het Machine Intelligence Laboratory van de afdeling om hun technologische mogelijkheden te ontwikkelen om de bloesems en appels aan een boom te kunnen tellen via drones die enorme appelboomgaarden inspecteren.

"Een nauwkeurige inschatting van de bloei of schatting van de oogst stelt telers in staat productiever te zijn, duurzaam en milieuvriendelijk", legt Outfields commercieel directeur Jim McDougall uit.

"Onze analyse van luchtfoto's is gericht op het schatten van de opbrengst en is internationaal erg gewild. Een van de grootste problemen waarmee we in de fruitsector worden geconfronteerd, is het nauwkeurig voorspellen van de opbrengst. Dit systeem is ontwikkeld met telers om arbeid te plannen, logistiek en opslag. Het is nodig in de hele industrie, marketing en distributie plannen, en ervoor te zorgen dat er altijd appels in de schappen liggen. Schattingen worden momenteel gemaakt door telers, en ze doen geweldig werk, maar boomgaarden zijn ongelooflijk variabel en schattingen kloppen vaak tot 20% niet. Dit resulteert in gederfde inkomsten, inefficiënte bedrijfsvoering en kan leiden tot aanzienlijke verspilling van onverkochte gewassen."

De identificatiemethoden van Outfield zijn een uitstekende toepassing van het onderzoek dat Ph.D. leerling Tom Roddick, onder supervisie van professor Roberto Cipolla, aan werkt. Tom maakt deel uit van de Computer Vision and Robotics Group die zich richt op kunstmatige intelligentie en Machine Learning, met behulp van Deep Learning-methoden, via kunstmatige neurale netwerken (ANN's).

ANN's zijn computersystemen die losjes zijn gemodelleerd naar het menselijk brein, die zijn ontworpen om patronen te herkennen. Ze interpreteren sensorische gegevens door onbewerkte input te labelen of te clusteren. De patronen die ze herkennen zijn numeriek, waarin alle gegevens uit de echte wereld, of het nu afbeeldingen zijn, geluid, tekst of tijdreeksen, wordt vertaald.

Dergelijke systemen "leren" taken uit te voeren door voorbeelden te analyseren, over het algemeen zonder te zijn geprogrammeerd met taakspecifieke regels. Bijvoorbeeld, bij beeldherkenning, de ANN zou kunnen leren om afbeeldingen met appels te identificeren door voorbeeldafbeeldingen te analyseren die handmatig zijn gelabeld als "appel" of "geen appel" en de resultaten te gebruiken om appels in andere afbeeldingen te identificeren. Dit doen ze zonder enige voorkennis van appels, bijvoorbeeld, appel kleuren of vormen. In plaats daarvan, ze genereren automatisch identificerende kenmerken uit de voorbeelden die ze verwerken.

ANN's clusteren en classificeren door eerst eenvoudige patronen in de gegevens te detecteren, zoals randen in beelden of geluiden in spraak, en bouw vervolgens geleidelijk een hiërarchie van concepten op totdat complexe kenmerken zoals gezichten of zinnen in de gegevens verschijnen. Het oorspronkelijke doel van de ANN-benadering was om problemen op dezelfde manier op te lossen als een menselijk brein zou doen. Echter, overuren, de aandacht is verschoven naar het uitvoeren van specifieke taken. ANN's zijn voor verschillende taken gebruikt, inclusief computervisie, spraakherkenning, machine vertaling, sociale netwerkfiltering, bord- en videogames spelen en medische diagnose stellen.

Tijdens zijn Ph.D., Tom heeft gewerkt aan autonoom rijden, kijken naar straattaferelen vastgelegd op camera, annoteren en labelen van elk element. Hij lokaliseert waar de auto's zijn, de voetgangers, de stoeprand enz. Om dit te doen gebruikt hij een tool genaamd semantische segmentatie om elke individuele pixel te labelen om een ​​hoog niveau begrip te geven van wat er gaande is. Outfield moet appels en bloesem identificeren in hun boomgaardfoto's en een manier om dat te doen is door deze semantische segmentatiemethode te gebruiken.

Een ander aspect van de gegevensverzamelingsmethode van Outfield is om te allen tijde te bepalen waar hun drones zich bevinden en er is een ander aspect van computervisie dat zich concentreert op lokalisatie, uitwerken waar je bent in de wereld en waar je naar kijkt. Alumnus Kesar Breen, onafhankelijk machine learning en computer vision consultant, heeft tijd genomen uit zijn drukke schema om Jim en Oli te adviseren. Kesar heeft hen geholpen met een overzicht van de technologieën die ze zouden kunnen gebruiken voor de modellering en analyse van de boomgaard om erachter te komen waar de gewassen zich bevinden, en ontwierp een potentieel algoritme om dit te doen, met tijdschema's en vereisten. Kesar zegt, "Outfield doet heel coole dingen door te werken met een aantal interessante maar bewezen technologieën, over een belangrijk zakelijk probleem. Ik denk dat het zeer waarschijnlijk commercieel levensvatbaar is."

Over zijn werk met Outfield gesproken, Tom zegt, "De semantische segmentatiebehoeften van Outfield hebben een aantal zeer specifieke subtiliteiten die bijvoorbeeld erg interessant zijn vanuit onderzoeksoogpunt. Ik ben gewend om naar afbeeldingen te kijken om grote objecten zoals auto's, die gemakkelijk te herkennen zijn, maar wat Outfield heeft, zijn deze enorme luchtfoto's van boomgaarden die miljoenen en miljoenen pixels zijn en het wil elke bloesem of elk stuk fruit detecteren om te berekenen hoeveel er zijn. Ik heb gekeken hoe ik dat efficiënt en robuust kan doen om onderscheid te kunnen maken tussen zaken als; is dit een appel aan een boom? Of is dit een appel op de grond?"

Jim zegt, "Het VK heeft een aantal van de beste technologie en de beste technologiewetenschappers ter wereld. We zijn momenteel bezig met bètatests, waarbij we het model ook gebruiken met andere gewassen dan appels.

"We hebben een robuust plan voor de komende twee tot drie jaar, en we openen een investeringsronde in oktober 2019 om af te sluiten in het eerste kwartaal van 2020. Dit stelt ons in staat om meer van het team fulltime aan boord te krijgen en de producten het komende jaar op grote schaal te testen in Nieuw-Zeeland en het VK."