Landbruget gennemgår en massiv teknologisk overhaling, som ofte bliver kaldt ”Farming 4.0”. Denne seneste landbrugsrevolution er kendetegnet ved autonome maskiner, som indeholder et utal af sensor- og processorkomponenter. Nu- og fremtidens maskiner opsamler og analyserer data for at træffe beslutninger i real-time for bedre produktivitet, effektivitet og bæredygtighed – også i økonomisk forstand
Artiklen har været bragt i Aktuel Elektronik nr. 10 – 2025 og kan læses herunder uden illustrationer
(læs originaludgaven her)
Af Monica Houston, manager, AI & ML, Tria Technologies
Landbruget bliver i stigende grad formet af de muligheder, der ligger i de AI-styrede edge-computersystemer. Traditionelt landbrugsudstyr som traktorer, mejetærskere og vandingssystemer er nu udstyret med sensorer og processorer, der kan opsamle data, udføre beregninger i edgen for derefter at gøre disse beregninger til rettidige og velegnede beslutninger. AI-styrede systemer tjekker, om afgrøderne har brug for vand, om jorden har de rette næringsmidler, eller om planter og dyr bliver angrebet af snyltere eller sygdomme. Disse systemer giver ikke bare landmændene information – de kan også selv finde frem til de rigtige løsninger med et minimum af menneskelig intervention.
AI kan også mindske omkostninger og besværet med at vedligeholde maskinerne. Forebyggende vedligehold bruger machine learning (ML) teknikker til detektering af anormaliteter, så man kan forudse fejl, før de optræder, baseret på vibrationer og audiodata opsamlet i maskinen. Det reducerer vedligeholdsomkostningerne og holder downtime på et minimum.
Lokal databehandling
I industrielle systemer oplever vi dataopsamling fra multiple sensorer, hvorefter data bliver sendt op i clouden til behandling og analyse for at forbedre indblik i driften og for at udvikle strategier på længere sigt. Principperne er de samme som i landbrugssystemerne, men i det sidstnævnte tilfælde betyder de fjerntliggende marker og gårde, at uploading af store datamængder til clouden bliver upålidelig. Lokal databehandling gjort mulig med edge-AI løser dette problem.
On-chip AI-egenskaber gør intelligente beslutninger mulige med lav latency, så man slipper for at sende store datamængder frem til og tilbage fra clouden for analyse. Komponenter i form af CPU’er, GPU’er, dedikerede ASICs samt NPU’er har i mange tilfælde indbyggede AI-egenskaber til lokal håndtering af data. Ifølge markedsanalyseinstituttet, Grand View Research, forudses det globale markeds volumen for edge-AI chips at nå op på 120 milliarder USD i 2030 fra de 16 milliarder USD i 2023, hvilket giver en vækstrate på 33,9 procent over den periode.
Edge-AI applikationer udføres af embeddede computermoduler, der indeholder disse AI-enablede processorer. Tria Technologies leverer en række computer-on-modules (COMs) designet i samarbejde med forskellige CPU-udbydere som AMD, Intel, NXP, Renesas og flere andre. Et vigtigt samarbejde er med Qualcomm, hvilket har gjort det muligt for Tria at skabe en ny generation af computermoduler rundt om Qualcomms højtydende processorer. Dragonwing og Snapdragon er baseret på ARM-arkitekturen. De nyeste Tria SMARC-moduler kan anvendes i en bred række af applikationer, der udfylder behovet fra de smarte landbrugssystemer med machine vision, anormalitetsdetektering, sensordataopsamling og -analyse, audioklassificering og meget mere.
Embeddede computermoduler til landbruget
AI-enablede embeddede computerboards er særdeles anvendelige til smarte landbrugsapplikationer med forskellige optioner for (kompakt) størrelse, robusthed, fleksibilitet og stor computerkraft. De små boards kan let embeddes i traktorer og maskiner og derfra køre ML- og AI-modeller lokalt. Trias portefølje af boards supporterer multiple kameraer, der nemt kan tilpasses brugen i landbrugets autonome robotter og droner. De supporterer desuden de beregningsmæssigt intense AI-applikationer som Large Language Models (LLM’er) i applikationer, der kræver naturlige sprogprocesser. Det vil på kort sigt gøre maskiner i stand til at respondere på verbal kommunikation.
Hardwaren i de embeddede computerboards er bygget til at håndtere parallel processering for at køre modeller som CNN (Convolutional Neural Networks) hurtigere. De specialiserede processorer kan håndtere disse opgaver ved høje hastigheder og med meget lavt forbrug, så applikationen kan køre på enten batterier eller solceller. Trias AI-enablede low-power boards bruges blandt andet til detektering af anormaliteter med en kombination af audio- og accelerometerdata til at forudsige lækager i vandingssystemer.
Landbruget tester for tiden adskillige projekter, der er baseret på machine vision og ML til detektering af sygdomme i planter og dyr. Ét af disse programmer afgør, hvilke sygdomme planter måtte lide af baseret på fotografier af planternes løv. Et CNN er trænet ud fra et eksisterende datasæt af billeder af planters blade for identificering af sygdommen med en imponerende præcision på 96 procent. Plantesygdomme kan hurtigt bestemmes, og de egnede modforholdsregler kan blive taget i anvendelse, før sygdommen spreder sig til flere planter.
Machine vision findes også inden for sprøjtning i landbruget, hvor droner og robotter vander planter og kun sprøjter selektivt med pesticider. Disse robotter fungerer enten autonomt eller ved navigering gennem markerne med brug af sensorer – eller manuelt styret gennem apps. Én fordel ved autonomt landbrugsmaskineri er, at førerløse maskiner kan gøres mindre og lettere, så jorden ikke sammenpresses og derved forbliver i en mere sund tilstand. Med brug af machine vision kan disse systemer meget præcist udpege de ukrudtsplanter, som skal sprøjtes med herbicider, og med et væsentligt mindre forbrug af plantegifte til følge. Jord, som ikke komprimeres, og et lavere herbicidforbrug sparer penge hos landmændene, giver mere næringsholdige fødevarer og bidrager til et bedre miljø i og rundt om landbrugene.
Edge-AI med hjælp fra Tria
Tria soler sig lidt i de fordele, som virksomheden tilbyder sine partnere og kunder. Virksomheden designer sine egne boards til applikationer specificeret af partnervirksomhederne baseret på de egenskaber og specifikationer, der er til rådighed i komponenterne. Desuden sikrer Trias partnerskab med Avnet (moderselskabet), at der er lager til rådighed for Trias kunder med en 15-års livscyklus, så produkterne ikke bliver obsolete inden for det tidsrum.
Tria udvikler og integrerer boards og komponenter i kundespecifikke systemer med afsæt i konkrete behov, så kunderne slipper for teknisk besvær og langvarige udviklingsforløb, og som bedre kan bruges af designerne på at udvikle nye produkter – især nu hvor AI er blevet en vital del af disse produkter.
Valget af en processor til en AI-enablet applikation kan være en svær opgave. Tria tilbyder en lang række system-on-modules (SOMs) opbygget omkring AI-ydedygtige processorer. Tria tilbyder også kompatible baseboards, der tager udgangspunkt i populære standarder som SMARC, ligesom der findes referencedesigns, som giver kodeeksempler til blandt andet machine learning-applikationer. De gør kunderne i stand til at komme flyvende fra start med nye AI-i-edgen projekter. Det øger kundernes muligheder for hurtigt at reagere på nye markedsbehov uden behov for krævende, tidsslugende og dyre udviklingsforløb, og det kan hjælpe til at definere den fortsatte succes for kundernes kreative løsninger. Tria sikrer i hvert fald AI-supporten helt ude i edgen i fremtidens landbrugs- og industrisystemer.
Billedtekst:
1: Landbruget er et fremragende eksempel på de muligheder, der ligger i at anvende AI i felten.
2: Single-board computere efter eksempelvis SoM-standarder med Qualcomm-processorer som den centrale komponent giver en masse ydelse med et lavt energibudget til AI-applikationer i edgen.
