Hunajapuiden suojaaminen Aasian ‘murha’kärpäsiltä tekoälyn avustuksella

Hornettien tunkeutuminen

“Murder” hornetit, jotka tunnetaan myös nimellä Aasian hornetit, keltajalkaiset hornetit, Aasian petomyrskyt tai tieteellisellä nimellä Vespa Velutina, ovat invasiivinen laji, joka saalistaa hunajapuita.

Sen laajenemisen rajoittaminen on ollut vaikeaa ja suurimmaksi osaksi mennyt tappio tähän mennessä, lajin leviäessä Itä-Aasiassa, Euroopassa ja jopa äskettäin Pohjois-Amerikassa.

Tähän mennessä niiden leviämisen rajoittamiseksi on luotettu vapaaehtoisten, mehiläishoitajien ja ympäristöviranomaisten manuaaliseen tunnistamiseen. Tämä on kuitenkin osoittautunut tehottomaksi, sillä on ollut paljon vääriä hälytyksiä ja liian monta hornettipesää on jäänyt havaitsematta. Kun jokainen havaitsematon pesä levittää uusia kuningattaria vuosittain, tämän invasiivisen lajin lisääntyminen on eksponentiaalista.

Onneksi uusi tekoälyyn perustuva menetelmä saattaa auttaa, tarjoten yllättävän uuden sovelluksen kehittyneelle koneoppimiselle.

Hunajapuiden tärkeys

Hunajapuita on ihmiskunta kesyttänyt tuhansien vuosien ajan tuottamaan hunajaa ja muita arvokkaita tuotteita kuten mehiläisvahaa ja kuningatarlehteä.

Ne ovat myös elintärkeitä ekosysteemissä, edistäen sekä villikukkien että tärkeiden maatalouskasvien pölyttämistä. Tämä sisältää suurimman osan hedelmäpuista, pähkinäpuista sekä korkean arvon viljelmiä kuten suklaa, rypäleet, tomaatit, mansikat, vadelmat, agave jne.

Yhteensä hunajapuiden arvioidaan tarjoavan “ilmaiseksi” 15 miljardia dollaria pölytyspalveluja pelkästään Yhdysvalloissa, ja paljon enemmän maailmanlaajuisesti.

Mehiläiskannat ovat olleet voimakkaan paineen alaisina viime vuosikymmeninä, vähenemässä torjunta-aineiden, loisten ja taudinaiheuttajien, kotimaisten kukkien ja niittyjen katoamisen, invasiivisten kasvien ja ilmastonmuutoksen vuoksi.

Hornettien tunkeutuminen

Tärkeä uhka hunajapuille ovat aasialaiset hornetit, jotka kohdistavat huomionsa hunajapuihin löytäessään ne uudessa ympäristössä.

Alun perin Kaakkois-Aasiasta kotoisin oleva aasialainen hornetti on voimakas peto alkuperäisille mehiläiskannoille Pohjois-Amerikassa, Euroopassa ja Itä-Aasiassa. Toisin kuin Kaakkois-Aasian alkuperäiset lajit, näiden alueiden mehiläiset kamppailevat selviytyäkseen aasialaisten hornettien saalistuksesta.

Sen ensimmäinen esiintyminen Euroopassa tapahtui Ranskassa vuonna 2004, jonka jälkeen se levisi Espanjaan vuonna 2010, Italiaan vuonna 2012 ja Saksaan vuonna 2014. Pohjois-Amerikassa ensimmäinen havainto tehtiin Kanadassa ja Yhdysvalloissa vuonna 2019.

On mahdollista, että kotoperäiset hunajapuut voisivat sopeutua ja oppia selviytymään aasialaisista horneteista, mutta niiden tarvitsee aikaa tehdä niin. Siksi niiden populaation rajoittaminen tulevina vuosikymmeninä saattaa olla ehdottoman välttämätöntä auttamaan kotoperäisiä mehiläislajeja selviytymään.

Lähde: Unsplash by USGS 

Tekoäly pitämään hornetit loitolla

Keskeinen osa aasialaisten hornettien leviämisen estämisessä on havaita niiden saapuminen uuteen ekosysteemiin mahdollisimman varhaisessa vaiheessa. Jos alkuperäinen pesä tai ensimmäinen kymppi pesää jätetään levittämään lisää kuningattaria, niiden määrä kasvaa erittäin nopeasti, mikä johtaa eksponentiaalisesti kasvaviin kustannuksiin ja ympäristövahinkoihin.

Manuaalinen tunnistaminen on liian epäluotettavaa riittävyyden saavuttamiseksi. Aikaisempia automatisoituja havaitsemisjärjestelmiä on kokeiltu, mutta niiden tunnistusaste oli yleensä noin ~74,5–83,3 %, monien väärien positiivisten kanssa.

Hyödyntämällä tekoälyn ja konevision edistysaskeleita, Exeterin yliopiston tutkijat ovat onnistuneet saavuttamaan yli 99 % tunnistusasteen, ja heidän tuloksensa on julkaistu Nature-lehdessä tieteellisessä artikkelissa “VespAI: a deep learning-based system for the detection of invasive hornets”.

VespAI-hornettien tunnistin

Tekoälypohjaisen hornettien tunnistimen prototyyppi, nimeltään VespAI, otettiin käyttöön Jersey-saarella, lähellä Ranskan rantoja.

Se sisältää kameran, virtalähteen (akku + 40 W aurinkopaneeli) ja mahdollisimman vähäisen laskentatehon Raspberry Pi 4 -laitteistolla.

Lähde: Nature

Koulutusdata kerättiin useista Euroopan kohteista ja merkittiin manuaalisesti, jotta aasialaiset hornetit voitaisiin havaita oikein.

Lähde: Nature

Järjestelmä pystyy erottamaan aasialaiset hornetit ja alkuperäiset hornettilajit. Se käyttää tekoälymenetelmää nimeltä kerroskohtainen relevanssien propagointi (LRP), jonka avulla tekoälyjärjestelmä voi tarkasti tunnistaa kunkin pikselin merkityksen aasialaisten hornettien havaitsemisessa.

Esimerkiksi pikselit, jotka ovat linjassa oranssin nauhan kanssa neljännellä vatsasegmentillä, sekä ne, jotka ympäröivät siiven ulkoreunaa, olivat merkittäviä datapisteitä.

Lähde: Nature

Konevision-ohjelmistona käytettiin YOLOv5 (You Only Look Once), jonka on luonut Ultralytics, ohjelmisto, joka on myös itseajavien autojen teknologian ytimessä.

Kohti automatisoitua hornettien neutralointia

Kiitos tunnistimen ei-tappavaan luonteeseen, aasialainen hornetti voidaan seurata takaisin pesäänsä, ja pesä voidaan sen jälkeen tuhota. Se ei myöskään tapaa muita lajeja kuten hornettikoukut yleensä tekevät.

Havaitsemalla kohteensa jatkuvasti ilman ihmisen puuttumista, VespAI:n kyky havaita aasialaiset hornetit varhaisessa vaiheessa on useita suurorderia parempi kuin manuaaliset tunnistusmenetelmät.

Tämä tekee siitä mahdollisesti ainoan uskottavan vaihtoehdon tunkeutumisen havaitsemiseen tarpeeksi varhaisessa vaiheessa sen pysäyttämiseksi kokonaan.

Lopuksi avoimen lähdekoodin ohjelmistojen ja edullisen laitteiston käyttö tekee tämän järjestelmän massakäytöstä realistista ja kustannustehokasta verrattuna nykyisiin hornettien torjuntastrategioihin.

Se ei myöskään perustu pilvilaskentaan ja käyttää vain WiFi-yhteyttä lähettääkseen hälytyksiä, kun aasialainen hornetti on havaittu. AI-analyysin käynnistäminen vain hyönteisen havaitsemisen jälkeen vähentää energiankulutusta.

Tekoälyyn perustuvat maatalousyritykset

Ekosysteemien hallintaa ja maataloutta pidetään usein “ei-kiinnostavina” aloina, kun verrataan niitä teknologiayrityksiin ja tekoälyyn.

Tämä ei enää pidä paikkaansa, sillä lukuisat innovatiiviset teknologiat ovat tulleet maataloussektorille, vaikka mikään ei vielä suoraan käsittele aasialaisia hornetteja.

1. Arugga

Tämä yritys, joka on kerännyt tähän mennessä 5,8 miljoonaa dollaria, rakentaa tekoälyllä varustettuja robotteja, jotka käyttävät tietokonevisuaatiota, kehitettynä NVIDIA (NVDA ) Metropolis -alustan kautta, tunnistaakseen pölytykseen valmiit kukat ja käynnistääkseen prosessin ampumalla niihin ilmapiikkejä.

Vaikka robottien suorituskyky on tasolla mehiläishyönteiden kanssa ja joissakin tapauksissa jopa 5 % parempi, ne pystyvät myös keräämään ja analysoimaan dataa matkan varrella.

Aruggan robotit ovat osoittaneet satojen parannuksia jopa 20 % ilman laadun heikkenemistä. Sen liikkuva maaruobotti, Polly, toimii mansikoiden, mustikoiden, tomaattien ja muiden viljelmien kanssa.

Viimeisimpänä yritys muutti suomalaisen Agrifuturan 4,6 hehtaarin kasvihuoneen maailman ensimmäiseksi laitokseksi, joka hyödyntää täysin robotti-pölytysteknologiaa.

Se myös harkitsee tuhoeläinten ja tautien havaitsemisen lisäämistä robotteihinsa yhteistyössä israelilaisen startupin ViewNetic kanssa. Tulevaisuudessa se pyrkii myös lisäämään koskemattoman leikkauksen, sadon ennustamisen ja kasvien alennuksen.

2. Advanced.farm

Konevision edistysaskeleita voidaan käyttää myös pölytyksen ulkopuolella. Esimerkiksi niitä voidaan käyttää hedelmien kypsyyden havaitsemiseen ja oikeaan arviointiin, ja sen jälkeen niiden poimimiseen.

Nämä tehtävät ovat yleensä hyvin työvoimavaltaisia. Sen sijaan Advanced.farm käyttää kuutta robottikättä, konevisuaatiota ja imukuppia poimiakseen omenat hellästi ilman ihmisen läsnäoloa.

Lähde: Advanced.farm

Se voi myös tehdä sen yöllä, mahdollistaen 24/7 poiminta-aikataulun. Advanced.farm on myös suunnitellut mansikkapoimijan, joka on 5‑kertainen tehokkaampi kuin ihmisen poimija.

Joten vaikka se näyttää hieman karmivalta yöllä toimittaessa (katso alla), se on todella turvallinen ja tehokas.