Az előszót Dr. Vona Viktória, a Széchenyi István Egyetem Albert Kázmér Mosonmagyaróvári Kar precíziós mezőgazdasági szakmérnök képzésének vezetője írta.
A mostani cikkben szereplő Dr. Alexy Márta rengeteget tesz a precíziós állattartás hazai fejlesztéséért, elismertségének növeléséért és megszerettetéséért. Mindig öröm találkozni és időt tölteni vele, pozitív kisugárzása, lelkesedése új színt hoz a szakmába.
A különböző tudományterületek szakembereivel hamar megtalálja a közös nyelvet, így is segítve a kutatási és fejlesztési együttműködéseket. Az agrárinformatika, az állattartás és számos szakterület ismeretei közötti összefüggéseket jól átlátja és szinkronizálja, ennek pedig a kutatás mellett az oktatásban is nagyon hasznos és élményteli eredménye van, jó őt hallgatni. A legbonyolultabb dolgokat is vidám egyszerűséggel mondja el és alakítja könnyebben érthetővé. A szakmát ezáltal nemcsak gyakorlatiassá teszi, hanem az őszinte tudásátadással több generációval és akár villamosmérnökökkel is megszeretteti a precíziós állattartási technológiát.
Erről Óváron is meggyőződtünk, ahol két szakmérnöki képzésen is előadott. Ezúttal egy, a gyakorlat számára jelentős fejlesztés, a Birdwatcher automatikus, kameraképekre alapozott súlybecslési rendszer részleteiről beszélt. Jó olvasást hozzá!
Dr. Alexy Márta 2016 óta foglalkozik agrárinformatikával az ELTE Informatikai Karán, ezt megelőzően közel tíz évig az állattartás versenyszférájában, elsősorban nagyüzemi baromfi- és sertéstartótelepek automata tartástechnológiájának tervezésével, értékesítésével és beüzemelésének irányításával foglalkozott. Ezekhez kapcsolódóan sok gazdával találkozott, holland, német, olasz, spanyol és francia tartástechnológia-gyártó cégekkel működött együtt.
A mezőgazdaságból ki, aztán oda vissza vezetett az út
Nagyon érdekes munka volt, szerettem, de igen fárasztó volt, különösen az akkor még kicsi gyermekeim mellett, ezért egy ténylegesen 8 órás munkakört kerestem. Szerencsémre az ELTE Informatikai Karára kerültem gazdasági ügyintézőként, vállalva, hogy gyakorlatilag újrakezdem a karrieremet, amelynek semmi köze az agráriumhoz – legalábbis akkor még úgy gondoltam –, mondta a szakember. Az első években informatikai pályázatokban igyekeztem adminisztratív és pénzügyi tervezési segítséget nyújtani a karon oktató és kutató informatikus és matematikus kollégáknak, amely feladat az Informatikai Kar által megnyert, elsősorban kutatás-fejlesztési és innovációs projektek menedzselésével folytatódott. A karon meglévő informatikai tudást és tapasztalatot látva jött az ötletem, hogy talán össze lehetne kapcsolni ezeket az értékes kutatási tevékenységeket a mezőgazdasággal. Dr. Horváth Zoltán professzor úr, az Informatikai Kar akkori dékánja felismerte a lehetőséget és felkarolta ezt a javaslatomat. Emlékszem, hogy azt mondta, rövidesen keresnie kell egy új pályázati menedzsert helyettem, ha elkezdek ezzel az interdiszciplináris területtel foglalkozni. Én még akkor nem láttam, mivé alakulhat ez az Informatikai Kar számára új és ismeretlen tudománnyal, az élelmiszer-termeléssel való együttműködés, de ő már akkor valószínűleg sejtette. Informatikus kollégáimmal közösen elkezdtük felépíteni az Agrárinformatikai Kutatócsoportot, abban az időben még a projektmenedzseri feladataim mellett. Három évvel később, 2019-ben oktatói státuszba kerültem az Adattudományi és Technológiai Tanszéken, azóta is oktatóként és kutatóként dolgozom ott. Az informatikai szempontból kihívást, mezőgazdasági oldalról pedig hozzáadott értéket magukban rejtő projektekben azóta is jól tudjuk használni az agrárpiaci, a gazdálkodói és az akadémiai kapcsolatrendszeremet. Kis lépésekkel haladni kezdtünk, akkor még nem tudtuk, hová jutunk el.
Azt már kezdetben elhatároztuk, hogy olyan problémákat igyekszünk azonosítani az élelmiszer-termelésben, amelyek a gyakorlat számára hasznosítható megoldást nyújtanak, és emellett érdekes és értékes publikációk készíthetőek belőlük az agrárinformatika tudománya számára, valamint az informatikus hallgatók számára is érdekesek lehetnek. Az agrárágazat abszolút alkalmazott tudomány és az informatika is egyre inkább ezzé változott az elmúlt időszakban. A karon belül több tanszék munkatársával is együtt dolgozunk, attól függően, hogy az adott kutatási feladathoz az informatika mely területének tudása szükséges, hiszen az élelmiszerlánc biztonságossá tételében a blokklánc-technológiák, a digitális adatgyűjtésben az IoT-technológiák, a gyűjtött adatok megfelelő és biztonságos kezelésében az S&P-eljárások (Security & Privacy), a vállalatirányítási folyamatok optimalizálásában az információs rendszerek mély ismerete szükséges. És ez csak néhány példa. 2023-ban lettem az Informatikai Kar docense, támogatott pályázatomat a precíziós állattartási technológiák témájában készítettem. Kiemelten az adattudomány érdekel, azon belül a mesterséges intelligencia és gépi tanulási módszerek és eljárások. Tekintettel arra, hogy a nagyüzemi állattartásban a kép- és videóalapú adatgyűjtés egyre fontosabbá válik, a gépi látás felé fordult az érdeklődésem. Nagyon szívesen tanulok a kollégáktól és a hallgatóktól egyaránt.
Az ELTE Informatikai Karán az oktatási programban minden informatikus számára szabadon választható agrárinformatika kurzust hirdetek magyar és angol nyelven az őszi és a tavaszi félévben egyaránt. Az Alkalmazott adattudomány angol nyelvű tantárgy keretében, amelyet az informatikus kollégáimmal közösen tartok, a harmadéves BSc-hallgatóknak mesélek az élelmiszer-termelés komplex rendszeréről, történetéről, jelenkori kihívásairól és ebben az adattudomány szerepéről és jelentőségéről
– fogalmazott Dr. Alexy Márta.
2020-ban lehetőségem nyílt az Óbudai Egyetem kutatási és oktatási munkájába is bekapcsolódni, az akkor alapított Precíziós Gazdálkodási Kutatóközpont munkatársaként, ahol a növénytermesztési fókuszt szándékukban állt kiegészíteni az állattartással. Ennek apropóját az adta, hogy az Egyetemi Kutató és Innovációs Központ (EKIK) éppen egy európai uniós pályázatban vett részt, melynek témája a sertésvágóhíd robotizációja volt. Feladatom volt, hogy a sertések „oldaláról” adjak szakmai információkat és ismereteket a villamosmérnök és informatikus kollégáknak. Nagyon örültem a lehetőségnek, mert a sertéstartás és -tenyésztés továbbra is a szívemhez közel álló terület. Ettől a projekttől függetlenül bemutattuk az egyik kutatásunkat az EKIK vezetőségének, amelyen Dr. Szabó Sándor villamosmérnök kollégával akkor már több éve dolgoztunk. Ezzel az innovációs ötletünkkel 2022-ben megnyertük az Óbudai Egyetem startup versenyét és az egyetem társtulajdonosi részvételével és aktív támogatásával 2023-ban megalapítottuk a Birdwatcher Zrt.-t.
Magyar fejlesztés a kameraképek alapján történő egyedi baromfi-súlybecslésben
A történet egy szerencsés találkozással kezdődött, amikor 2019 novemberében előadást tartottam Hódmezővásárhelyen, a Szegedi Tudományegyetem Mezőgazdasági Karán. Előadásomat követően egy baromfitartó hölgy odajött hozzám és elmondta, hogy nagyon tetszettek neki az általam vázolt digitalizációs lehetőségek a baromfitartásban. Megkérdezte, mit gondolok arról, hogy meg lehetne-e határozni a madarak egyedi súlyát kameraképek segítségével. Őszintén válaszoltam neki, hogy fogalmam sincs, de mit szól egy közös beszélgetéshez? Ezt azután közös gondolkodás és tett követte: az együttműködés lehetőségét és egy másik mellett ezt a projektötletet is feltettem a LinkedIn oldalamra, ahol nagy szerencsénkre kapcsolatba lépett velünk a HPE, vagyis a Hewlett Packard Enterprise magyarországi képviselője, hogy őket érdekli a téma. Érdekes, hogy akkor még a másik projektemmel kapcsolatban hívtak be egy beszélgetésre, amely a szabadban tartott sertések nyomon követésével foglalkozott, de gyorsan váltottak erre a baromfis témára.
A pecsenyekacsát tartó farmerhölgy saját, szépen rendben tartott telepén, egy fóliasátorban kaptunk lehetőséget a HPE és a Bosch által felajánlott eszközök telepítésére és az első projekt elindítására. Őszintén szólva fogalmunk sem volt arról, hogy működni fog-e egyáltalán az ötletünk, képesek leszünk-e jó minőségű és nagy mennyiségű képeket gyűjteni a kacsákról. A fejlesztéshez szükségünk volt egy függesztett madármérlegre, amelynek adatait hozzá tudtuk rendelni az éppen a mérőtányéron lévő kacsa felülnézeti képéhez. Ezt költségmentesen, kutatási célra megkaptuk a Galex Hungária Kft.-től. A partnerek nélkül jóval nehezebben indultunk volna el, a mai napig hálásak vagyunk a kezdeti segítségükért.
Egy másik szerencsés véletlen, ahogyan kutató- és alapítótársammal, Dr. Szabó Sándor villamosmérnök kollégámmal megismerkedtünk: egy agrárinformatikai rendezvényen véletlenül egymás mellett ültünk és elkezdtünk beszélgetni egymás munkájáról, kutatásairól. Ő a BME Villamosmérnöki és Informatikai Karának docense, vezeték nélküli hálózatokkal és IoT-technológiákkal foglalkozik, ahogyan ő szokta mondani, minden érdekli, amiben áram van. Nagy előny volt már a kezdetekben is, hogy komoly gyakorlati tapasztalata volt a precíziós állattartási technológiákban, csak más aspektusból, mint nekem, de éppen ezzel egészítjük ki egymás munkáját.
A számítógépes látás technológiájának már most is nagy a jelentősége a mezőgazdaságban és ez a tendencia a kamerák egyre szélesebb körű használatával csak nőni fog. A gépi látás az emberi szemet, megfigyelőképességet és az ember agya által ezekből létrehozott információkat teszi informatikai nyelven értelmezhetővé és az ember által felhasználhatóvá.
Visszatérve a startuphoz a következő szerencse, hogy az Óbudai Egyetem egyre nagyobb erőforrásokat mozgósítva törekszik a startup-ötletek gondozására és a validálási folyamaton sikeresen átjutott kezdő vállalkozások fejlesztésére, így mögénk álltak. A fóliasátras első kutatásunk olyan – számunkra is meglepő – pozitív eredménnyel zárult, hogy ennek segítségével bekerültünk az egyik legnagyobb magyarországi integrátorhoz és egy több mint 1000 m2-es istállóban a közelmúltban befejeztük a pecsenyekacsa súlybecslő modellünk validált fejlesztését.
A témához tartozó szakirodalmat kutatva megfigyeltük, hogy a tudományos cikkek többsége általában modellkísérleteken alapul, ilyenkor kis egyedszámban állítanak be optimális körülmények között gépi látást alkalmazó projektet, melyben jó eredményt, akár 98-99 százalékos pontosságot érnek el. A gond az, hogy amikor ezt kihelyezik nagyüzemi körülmények közé, lecsökken a pontosság legfeljebb 70 százalékra vagy az alá. Így sajnos ezeket a kutatásokat széles körű ipari hasznosításra nem lehet felhasználni.
Az ELTE Informatikai Karán Tóth Gergő PhD-hallgatóm segíti a munkánkat, aki erős matematikai háttérrel rendelkezik és PhD-témájának egy fontos eleme a matematikai modellek precíziós állattartásban való gyakorlati alkalmazhatósága. A feladata megmutatni, hogyan lehet az adaptálható, de nem teljesen tökéletes, nem elég nagy pontossággal működő mesterséges intelligencia modelleket matematikai oldalról fejleszteni és ezáltal jobb eredményeket elérni. Az ő munkájának is köszönhetően 95–97 százalékos pontosságot érünk el a pecsenyekacsa súlymeghatározásban az adott baromfiállomány vágóhídi súlymérési adataival összehasonlítva nagyüzemi körülmények között.
A Birdwatcher-ben tovább folytatjuk a kutatásainkat és a fejlesztéseinket, rövidesen befejezzük a pecsenyecsirke testsúlybecslő modellt, a kacsáknál a viselkedésvizsgálat tervezése zajlik. A terveink szerint mindenképpen szeretnénk foglalkozni a pulykahizlalásban alkalmazható súlybecslő modell kidolgozásával is. Folyamatosan dolgozunk, kisebb lépésekkel haladunk előre, de a célunk egy megfelelően hitelesített, nagy pontossággal becslő, mesterséges intelligenciára alapuló módszertan kidolgozása az adott baromfifajra és azon belül a leggyakrabban alkalmazott genetikákra.
Ezekre volt szükség a technológia megvalósításához
Lényeges, hogy az informatikában soha nincs kész teljesen egy rendszer. Már az elején célunk volt, hogy mindenképpen egy egyszerűen megfogalmazott, jól definiált gyakorlati kérdésre próbáljunk választ adni, a testsúly meghatározása a teljes hizlalási ciklusban ilyen feladat. A testsúly statikusan megfigyelhető, a kamera felülnézetben látja a madarat, amely, ha egy pillanatig mozdulatlanul marad, akkor értékes és hasznos súlyadatkép-párosítással az algoritmus megtanulja, hogy az adott felülnézethez milyen súly tartozik.
A sertés és a szarvasmarha esetében ez viszonylag egyszerűbb, ám baromfinál sokkal nehezebb feladat. A viselkedés azonosításakor a gazdának gyorsan meg kell tudnia, mikor jelenik meg a baromfiállományban egy normálistól eltérő viselkedésforma. A csoportos sertéstartásnál az egy csoportban tartott 25–30 egyed esetén a rangsor és a viselkedésminták meghatározása még egyedi azonosítással is összetett dolog, de vannak már figyelemre méltó kutatási eredmények. Amikor viszont akár 25 ezer madár van egy légtérben az istállóban, még nehezebb és összetettebb probléma az egyedek azonosítása és követése. Például a madarak tollukat felborzolják és már módosul a kép. Egy másik kihívás, hogy méretben is gyorsan változik az állomány.
A számítógép szemén keresztül nézve egy olyan objektum (pecsenyekacsa) azonosítására van szükség, amely eleinte 50 grammos és sárga, időközben testmérete változik, színe szürkésfehér lesz a tollasodással, majd pedig egy majd 3,5-3,6 kilogrammos vágásra érett baromfi lesz belőle. Az állat néhány hét alatt színében, testformájában és viselkedésében is jelentősen változik. Ilyen nagy állományméretnél rangsorról nehéz beszélni, a különbségek keresése viszont fontos.
Az állategészségügyi státusz vizsgálata kiemelt jelentőségű, ha valami baj van, jelezzen a rendszer. Itt megint a számítógép „agyával” gondolkodva kell vizsgálni az állományt, hogy hol van a beavatkozási küszöbérték, azaz mikortól számít anomáliának egy viselkedés megjelenése és mennyire tér ez el a madár életkorához, faji sajátosságaihoz képest. Például az, ami normális testhelyzet egy fiatal madárnál, nem normális egy idősebb életkorban.
Örülünk, hogy több agráregyetemmel és az Állatorvostudományi Egyetemmel is együtt tudunk dolgozni a jelenlegi és a jövőbeli kutatásainkban, mert csak így, közösen működik a folyamat. Szó szoros értelmében interdiszciplináris kutatási terület a precíziós állattartás, amelynek sikere elképzelhetetlen agrármérnökök, állatorvosok, informatikusok, mérnökök és gazdálkodók közös munkája nélkül.
Az adatgyűjtés, a hatékonyság és a megtérülés
Hamarosan kész lesz a csirke súlybecslő modell, melynél a genetika figyelembe vételére is figyelünk. A legelterjedtebb a ROSS-308 hibrid, az első modell erre lesz kész. A kacsánál a viselkedésre kezdtünk kutatni, kezdetben igyekszünk annyira leegyszerűsíteni a vizsgálatot, hogy a számítógépes látás megfelelő eredményt adjon. Ez a statikus viselkedésformák azonosítását és az algoritmus erre való betanítását jelenti először. Ezt követően haladhatunk a bonyolultabb viselkedések detektálása felé, amilyenek a dinamikus viselkedések. Terveink szerint a következő kutatási feladat a pulykahizlalásban kidolgozott súlybecslő modell fejlesztése lesz, amely technológiailag és baromfitartási oldalról egyaránt kicsit bonyolultabb: a két fázisú hizlalás során az előnevelés 7 hétig tart, de az ezt követő utónevelési fázis végén kerül vágóhídra a többi baromfihoz képest jóval nagyobb súlyú állomány. Ilyenkor a nagyüzemben széles körben alkalmazott függesztett mérleggel nem könnyű feladat nagy pontossággal mérni őket.
Ezért gondoljuk azt, hogy a kamera használatával, amikor nem az állatra bízzuk, hogy fellép-e a mérlegtányérra vagy engedi magát megfogni, egyidejűleg több madarat figyelve elvégezhetjük a súlybecslést a hizlalási ciklus utónevelési fázisában. A pulyka rövid idő alatt nagy testsúlynövekedést produkál, a legnagyobbat az összes baromfi között. Pecsenyekacsa esetében a hagyományos kézi mérés protokolljában egy alkalommal hozzávetőleg 100 madarat mérnek meg, a kamerás rendszerrel a Birdwatcher az állomány mintegy 50 százalékának súlyát becsüli meg, nem pontszerű mérésekkel, hanem a betelepítéstől a vágóhídra történő elszállítást megelőző napig. Mindig hitelesíteni kell a megoldást, a baromfitartó szakemberekkel folyamatosan egyeztetve fejlesztjük a webes applikációnkat.
Ennek csak az állomány súlyának megismeréséhez szükséges információkat kell tartalmaznia a legegyszerűbb módon, úgy, hogy a felhasználó a nevelés teljes ciklusában lássa a súlyalakulást, és ha úgy dönt, be tudjon avatkozni.
A Birdwatcher egyik előnye, hogy nem függ a hasznos üzemmérettől és az automatizáció szintjétől, akár egy fóliasátorba is be lehet helyezni, így egy kisebb gazdálkodó is telepítheti. Ami viszont kell, az az internetkapcsolat. A kisebb üzemméretű baromfitelepek erőforrás-hatékony termelésében is sokat segíthetnek a precíziós megoldások, azonban ezeknek a gazdaságoknak a fejlesztésre, innovációra fordítható pénzügyi erőforrásai korlátozottabbak, mint a nagy termelési potenciállal rendelkező baromfitartó vállalkozásoké. A legszűkebb keretmetszet bármilyen – nem csak a Birdwatcher – precíziós állattartási technológia sikeres használatában az internetkapcsolat megléte, illetve annak minősége – legalábbis még a jelenlegi technológiákat tekintve –, mondta Dr. Alexy Márta.
A precíziós állattartási technológiák gazdasági oldala is kiemelten fontos, mert a gazdát a megbízható és pontos megoldás mellett a bekerülési ár, a fenntartási költség és a megtérülés is érdekli. Az informatikai módszerek alkalmazása alapvetően eltér a nagyüzemi állattartásban eddig használt többi automata tartástechnológiai elemtől, mint az itatás- vagy etetéstechnológia, melyeknél legfeljebb az alkatrészcserére, illetve -utánpótlásra kell gondolni a rendszer működtetése során.
Itt viszont az üzembe helyezést követően havi szolgáltatási díj van, mert a rendszert fejleszteni, az adatokat felhőszolgáltatás igénybevételével biztonságosan tárolni és az információt folyamatosan visszajuttatni szükséges. A helyi adattárolás az adatméretek és -mennyiségek miatt nehezen megoldható, a felhőben tároljuk a rengeteg képet elkülönítve, titkosítva.
A futtatás és a feldolgozás online lehetséges, majd a feldolgozott információ visszajut a webes felületre, amit lát a baromfitartó. A fejlesztés gyorsan behozza az árát, a kézi méréssel szemben a mérésre fordított munkaidő 90%-kal csökkenthető, a függesztett megoldáshoz képest pedig a betelepítéstől a vágás előtti napig látható a madarak súlya az állomány közel felében. A kamera válogatás nélkül becsüli azoknak a madaraknak az egyedi súlyát, amelyek a látóterében vannak, így elkerülhető a szétnövés miatti átlagsúly-alulbecslés. Egy rotációban hozzávetőleg 200 ezer mérést végez a Birdwatcher, ennyi egyedi becslést adunk az állomány testsúlyára. Hogy elképzelhető legyen a nyers adatbázis mérete: reggel 6 és este 10 között gyűjtenek képeket a kamerák, 10 másodperces időközökkel, négy kamera alkalmazásával egy több mint 1000 m2-es istállóban. Ez óriási tárolandó és kezelendő adatmennyiség.
Az algoritmus folyamatosan fejlődik a súlybecslés folyamán, így kevesebb kamerával és kevesebb adatból igyekszünk pontosabb becslést adni – ehhez kellenek a matematikai modellekkel végzett optimalizációs megoldások és az öntanuló algoritmusok.
A megtérülés témájának kutatásában nagyon kevés a szakirodalom, ezért örültem, amikor Mosonmagyaróváron, a precíziós állattenyésztési és takarmányozási szakmérnök képzéshez kapcsolódó hírből láttam, hogy Dr. Gombkötő Nóra egyetemi docens éppen erről tartott előadást a szakmérnök hallgatóknak. Írtam neki, egyeztettünk a közös kutatási lehetőségekről vele és kutatócsoportjuk kollégáival. Az óvári csapat tapasztalata és tudása adott az ökonómiában, ehhez hozunk mi egy nagy adatbázist és sok számítást a Birdwatcherből, így közösen dolgozhatunk egy konkrét precíziós állattartási megoldás ökonómiai megtérülési vizsgálatán keresztül ezen a témán. Első körben egy másik cikkötleten kezdtünk el dolgozni, amely az AKI-ban dolgozó, az SZTE Mezőgazdasági Karán tavaly végzett szakmérnökhallgatóm szakdolgozatán alapul: a magyarországi sertéstartók precíziós módszerek alkalmazásához való hozzáállásának és a már használt precíziós megoldásokkal kapcsolatos megfigyelések értékelésének témakörében. Nagyon várom a közös munkát a mosonmagyaróvári és AKI-s kollégákkal. Remélem, kölcsönösen segítünk egymásnak és tanulunk egymástól.
A további kutatások, oktatás és ötletek
Az ELTE IK Adattudományi és Technológiai Tanszékén, az Agrárinformatikai Kutatócsoportban jelenleg is folyik még néhány érdekes kutatás – amelyek többsége PhD-téma keretében zajlik. Egyik ilyen a méhek hangjának analízise. Mivel a méhcsalád állapotát és a termelését döntően meghatározza a méhanya egészségi állapota, ezért a méhésznek fontos ennek ismerete. Adattudományi módszerekkel vizsgálja a PhD-hallgatónk a méhek hangját, hogy a kaptár felnyitása nélkül tudjunk értékes információt adni a méhésznek. Ebben a kutatásban ipari együttműködő partnerünk a Natura Mérnökiroda Kft. Aktív együttműködésünk van a Techwave Hungary Zrt.-vel, az egyik tehetséges fiatal kollégájuk felvételt nyert az Informatika Doktori Iskolánkba. Témája a komplex vállalatirányítási rendszer bevezetésének és optimalizálási lehetőségeinek elemzése egy hazai baromfi integrátor vállalatnál. Ezekben a doktori témákban, mint az Informatikai Doktori Iskola oktatója, társtémavezetőként veszek részt. Az én feladatom az agrárszakmai vonatkozású feladatokban való mentorálás. A témák fókuszában mindig az informatika áll, de az alkalmazási terület az élelmiszer-termeléshez kapcsolódik. Egy harmadik PhD-hallgató a precíziós mezőgazdaságban eddig alkalmazott és tudományosan publikált modellek vizsgálatával foglalkozik, ez is egy nagyon izgalmas téma. Az Óbudai Egyetemen tanuló PhD-hallgatóm a vízi szárnyasok, azon belül a kacsák viselkedésvizsgálatának szakirodalmi kutatását végzi. A leginkább alkalmas modellt a Birdwatcher adatbázisán fogjuk tesztelni és a szerzett ismereteket be tudjuk építeni a termékfejlesztésbe.
Az ELTE Informatikai Karán egy PhD-hallgató növénytermesztés témakörben készített dolgozatának nyilvános vitája a közeljövőben várható. Az ő témája a különböző fenofázisokban lévő, eltérő szőlők fajtáinak beazonosítása gépi látási technológia segítségével. Azt nem tudom, hogy ezt – egyelőre elméletibb – a kutatást ki tudjuk-e vinni a gyakorlatba. Az ő munkájához csak közvetetten kapcsolódom, de remélem, hogy a témavezetője fantáziát lát a projekt folytatásában.
Folyamatosan tanulunk egymástól a kutatócsoportban és azon kívül is, mert az interdiszciplináris, tudományterületeken átívelő kutatásoknál csak így lehetséges akár gyakorlati, akár elméleti eredményt elérni. Ebből kiindulva kezdtem el egy tananyagot összeállítani a precíziós mezőgazdaság témakörében, amely – reményeim szerint – elsősorban az élelmiszer-termelés iránt érdeklődő informatikus hallgatóknak és kollégáknak lesz hasznos. Azonban az agráriumban agrárinformatikával foglalkozó vagy az iránt érdeklődő szakembereknek és hallgatóknak is elérhető lesz.
Ebben a jelentősebb mezőgazdasági ágazatokról (növénytermesztés és állattartás), a mesterséges intelligenciáról és a gépi tanulásról (fókuszálva a mi területünkön alkalmazható módszerekre) és végül e két terület összekapcsolásával elérhető előnyökről és buktatókról írok. Igyekszem nagyon figyelni arra, hogy egyik szakterületbe se menjek bele nagyon mélyen, csak annyira, amennyire szükséges az agrárinformatikai projektek megértéséhez. Ez nem könnyű feladat, mert mind a két tudomány nagyon komplex és könnyű elveszni a részletekben, de bízom abban, hogy hasznos lesz azoknak, akik agrármérnökként vagy nem agrármérnökként érdeklődnek a precíziós technológiák iránt.
Tantárgyfelelősként az Óbudai Egyetemen nemrég indítottam a precíziós állattartási technológiák kurzust magyar és angol nyelven, amely iránt meglepően nagy az érdeklődés az informatikus és a villamosmérnök hallgatók körében. Jelenleg Dr. Szabó Sándor kollégámmal négy, a precíziós állattartási technológiák témakörében készülő szakdolgozatnak vagyunk a témavezetői. Nagyon érdekes és örömteli ez a közös munka. Az interjú előtt néhány nappal voltunk Jászárokszálláson, ahová két hallgatóval mentem (nagy köszönet érte az Állatorvostudományi Egyetem oktatójának, Hejel Péter kollégámnak). Itt Kis László igazgató úr vezetett bennünket végig a Kossuth 2006 Mezőgazdasági Termelő Zrt. példaértékű fejőrobotos tehenészetében, ahol fél napot töltöttünk el.
Villamosmérnök, illetve informatikus hallgatóim annyi információt kaptak, hogy a hazaúton az autóban végig csend volt, igyekeztek feldolgozni, amit láttak. Nagyon sokat tanultak abban a néhány órában. Számomra is lenyűgöző volt.
Egy K+F innovációs pályázat előkészítésén is dolgozunk, bízunk a felhívásban, mert szeretnénk a sertéstartásban a farokrágást detektálni szintén a gépi látásos technológiával. Az ipari partnerrel közösen egy olyan terméket szeretnénk fejleszteni, ami előjelezné a sertéstartónak a probléma megjelenését. A farokrágás informatikai modellezése rendkívül bonyolult, egy számítógépnek rendkívül összetett feladat. A képek és a videók elemzése, majd az ezekből következtetéseket levonni izgalmas és nagy kihívást jelentő feladat. Ehhez a matematikai alapkutatás modellezési részét adjuk mi az ELTE Informatikai Karáról, a konzorciumvezető ipari partner pedig a termékfejlesztéssel és annak piacra vitelével foglalkozik. Nagyon örülünk ennek a lehetőségnek és a kezdeti szakmai egyeztetések alapján biztosak vagyunk abban, hogy a közös munka eredményes lesz.
Mit szeretsz a legjobban a mezőgazdaságban?
A kihívásokat, a kollégákkal közös munkát, a magyar vidéken töltött időt, a telepeken lévő kollégákkal beszélgetni és a tanulást. A nehezebb megértési szakasz után jó érzés látni a változást, amikor informatikus vagy villamosmérnök hallgatókat tudok megnyerni a mezőgazdaság témáihoz és érdekessé tudom tenni számukra a szakmánkat. Büszke vagyok arra, hogy az ELTE-n egy informatikus hallgató elvégezte az Agrárinformatika kurzusomat, kedvet kapott hozzá és hallgatótársaival közösen beneveztek egy startup-versenyre. Ötletükkel remek eredményt értek el és már a prototípust tesztelik. Témájuk egy burgonyabogár-szedő robot fejlesztése.
A szintén agrármérnök férjemmel beszélgettünk arról, hogy mekkora tudás halmozódott fel az élelmiszerek előállítási rendszeréről, annak komplexitásáról egy agrármérnök fejében és ez a tudás mennyire nem triviális. Az agrárszakmán kívüliek sok esetben nincsenek tisztában azzal, hogy például honnan és hogyan kerül a tej a tejesdobozba, hogyan jön létre egy étteremben tálalt sült vagy rántott csirkecomb, vagy akár egy kilogramm kenyér. Tízezer év tudása és bölcsessége van az agrárágazatban, ami az informatika viszonylag fiatal tudományával találkozva és összekapcsolódva robbanásszerűen fejlődő, elképesztő technológiák megalkotásához vezethet és vezet. Most értünk el oda, hogy olyan számítógépes kapacitás áll a rendelkezésünkre, mely képes a feladatokat megbízhatóan teljesíteni.
Milyen további terveitek vannak a precíziós állattartás területén?
A legtöbb időt most a Birdwatcherre és a többi, rendkívül érdekes kutatási projektre, tudományos cikkek írására és a hallgatók mentorálására fordítom. Informatikus és állatorvos kollégákkal beszélgetve, egymástól teljesen függetlenül rendkívül érdekes kutatási területet találtunk: a Digital Twin, tehát a digitális iker technológia alkalmazása a nagyüzemi állattartásban. Más szektorokban, mint például az építőipar és gépipar, már jó példákat találunk e technológia gyakorlati alkalmazására, érdemes ezt a tudást az állattartásra is adaptálni. A folyamatok megismeréséhez rengeteg adat kell, a jól becslő modellek alkalmazása viszont drága. Az pedig a széles körű gyakorlat számára kevésbé érdekes, ezért meg kell találni azt a modellt, amivel az állattartó számára jól látható és számszerűsíthető hozzáadott értéket tudunk biztosítani és ezáltal erre hajlandó pénzügyi forrást áldozni.
Milyen agrárdigitalizációs eszközöket, szolgáltatásokat használtok?
Egyszerű rendszereket használunk: szenzorok, IP67-es védettséggel rendelkező ipari kamerák, Raspberry Pi számítógépek az adatgyűjtéshez. Mi az AWS, az Amazon Web Services felhőjében dolgozunk.
Az egyik fő szempont, hogy egyszerűen lehessen feltölteni az adatokat és már egy 1000 m2-es istállóban 1, maximum 2 kamera használatával olyan eredményt adjunk, ami hasznos a gazdáknak. Természetesen bármennyi kamera lehet egy istállóban, ez a baromfitartó elvárása és igénye szerint alakítható. Az applikációban arra is van lehetőség, hogy például egy több istállóval és/vagy telephellyel rendelkező pecsenyebaromfit tartó gazdaságban istállónként, telephelyenként elkülönítetten is lássák az eredményeket.
Ha sikeres lesz a beüzemelés, és több épületben is jól működik a Birdwatcher, igazol bennünket a rendszer, ez alapján pedig segíthetünk a gazdaságok hatékonyságának növelésében.
Hogyan képzeled el hosszú távon a digitalizáció jövőjét?
Azt gondolom, hogy mindenképp van jövője, a precíziós állattartás, a PLF megtalálja a helyét az ágazatban, nincs más út. Ahogy „A következő hullám” című könyv szerzője, Mustafa Suleyman írja: mindegy, hogy informatikával, azon belül mesterséges intelligenciával vagy anélkül, az fog a piacon talpon maradni hosszú távon, aki a leghatékonyabban használja fel a rendelkezésére álló erőforrásokat. Mindezt annak érdekében, hogy több, a piac számára elvárt minőségű terméket állítson elő. Ennek a folyamatnak egy eszköze az informatikai megoldások használata.
Ahogy minden változásnak, természetesen a digitalizációnak is lesznek vesztesei, ugyanakkor összességében többet nyerünk vele. Az informatika hozzáadott értéke, hogy eszközként használhatjuk ahhoz, hogy jobban belelássunk a termelési folyamatokba, ezáltal jobban tudjuk igazítani a termékeket a környezethez és a fogyasztói igényekhez. És ez nem csak az élelmiszer-termelésre igaz.
A pecsenyebaromfi-tartásban, ha akár csak néhány dekagrammal kevesebb takarmányból lehetséges megfelelő minőségű és mennyiségű vágóbaromfit előállítani, az több százezer vagy még több jószágnál már komoly megtakarítást jelent. Lényeges kérdés a hatékony energiafelhasználás, mert az informatikai eszközök alkalmazása ezt is igényli. Szerencsére számos jó példa van erre is a nagyüzemi állattartásban.
A kutatásainknál nem tudjuk előre a kimeneteleket, ezért is izgalmas a fejlesztési folyamat. Az innovációnak akkor van értelme, célja és értéke, ha a gyakorlatban is megállja a helyét. Amennyiben ez nem így van, kikopik.
Jászárokszálláson például nyugodt, stresszmentes, barátságos állatok élik mindennapjaikat a fejőrobotos tejelőtelepen. Ezek nagyon fontos tényezők az eredményes gazdálkodásban és a költségcsökkentésben is.
Honnan informálódsz, hogyan fejleszted magad szakmailag és hogyan kapcsolódsz ki?
Nagyon sokat olvasok, igyekszem folyamatosan figyelemmel követni a külföldi és hazai precíziós állattartással kapcsolatos szakirodalmat.
Főleg az adattudományi témák érdekelnek. Szeretem megismerni, hogy a kollégák mit és miért csinálnak, miért és hol jó egy algoritmus alkalmazása, miért hasznos több algoritmus egymással párhuzamosan vagy egymással összekapcsolva történő használata. A gépi látás és a neurális háló témaköre nagyon érdekel.
Fantasztikus számomra, hogy amíg a gépesítettséggel és az automatizálással az emberi és állati fizikai erő használatát mentesítettük az élelmiszer-termelés nehéz és fáradtságos folyamatai alól, addig a mesterséges intelligencia alkalmazásával az ember kognitív képességeit és lehetőségeit tudjuk támogatni (de teljesen kiváltani sohasem). A precíziós állattartás területei közül a szarvasmarha, a sertés, a baromfi és a kiskérődző is érdekel, főleg az adattudomány, a mesterséges intelligencia és gépi tanulás szempontjaiból. A munkám egyben a hobbim is, az pedig különösen jó érzés, amikor a hallgatóknak, vagy a kollégáknak olyat tudok mondani, ami „aha” érzést okoz bennük (és viszont). Egy összefüggésre rájönni és azt megosztani velük mindig jó élmény.
Kikapcsolódást jelent a családommal lenni, nagyon szerencsésnek érzem magam, mert van két gyönyörű és okos gyermekem és egy férjem, akinek szakmai és emberi véleményére sokat adok. Gyermekeimet is – akárcsak a hallgatóimat – arra buzdítom, hogy legyenek nyitottak a világ dolgaira, mert sohasem tudhatják, mikor válik hasznossá egy új ismeret, a tanulással töltött idő sohasem veszik kárba. (x)
Ezekkel a témákkal érkezünk a következő részben:
Az Ezért kincs az agráradat sorozatunk következő, 39. részében a precíziós szőlőtermesztés gyakorlata lesz a téma. Kísérletekről, fejlesztésekről, kutatási eredményekről és alkalmazott technológiáról is beszélgetünk Dr. Mikóczy Nárcisz óvári gazdásszal, aki a családjával a Neszmélyi borvidék szőlőiben használ adatalapú termesztéstechnológiát. Érdemes lesz akkor is velünk tartani!
Az Ezért kincs az agráradat sorozat korábbi cikkei itt megtekinthetők
Szerző: Csurja Zsolt gödöllői gazdász, 2009, óvári precíziós mezőgazdasági szakmérnök 2021, 3-as csoport
Forrás: Birdwatcher
(x)
