inteligencia artificial - aplicación a la agricultura - rodriguez rivero 2014

7/26/2019 Inteligencia Artificial - Aplicacin a La Agricultura - Rodriguez Rivero 2014

1/34

Laboratorio deInvestigacin MatemticaAplicada a Control

LIMAC

1

INTELIGENCIA ARTIFICIAL:

APLICACIONES Y

NUEVAS PERSPECTIVAS PARA

APLICACIONES EN AGRICULTURADisertante: Cristian Rodrguez Rivero

Semana TIC Cordoba

CORDOBA TECH DAY2 de Setiembre 2014


2/34


LIMAC

2

Cristian Rodrguez Rivero

*Departamento de Ingeniera Electrnica,

Laboratorio de Investigacin en Matemticas Aplicadas a Control (LIMAC)

Universidad Nacional de Crdoba

en colaboracin con Simon Haykin y Mehdi Fatemi del

Cognitive Systems Laboratory - Communications Research

Lab (CRL) Building of the McMaster University,Ontario, Canad.

en colaboracin con Daniel Patio del

Instituto de Automatica

Universidad Nacional de San Juan


3/34


LIMAC

3

Cristian Rodrguez Rivero - Simon Haykin


4/34


LIMAC

4

Introduccin

Resumen de Inteligencia Artificial (IA) Inteligencia Computacional

Aplicaciones en Control Automtico para Agricultura

Nuevas tendencias: Control Cognitivo

Aplicaciones: uso en drones

Conclusiones

Resumen


5/34


LIMAC

5

La inteligencia artificial (IA) es un rea multidisciplinaria que, a travs de ciencias como lainformtica, la lgica y la filosofa, estudia la creacin y diseo de entidades capaces derazonar por s mismas utilizando como paradigma la inteligencia humana.

Cmo podramos definir Inteligencia Artificial sin

verdaderamente conocer qu es la inteligencia?


6/34


LIMAC

6

La Agromtica, es la aplicacin de los principios y tcnicas de la informtica yla computacin a las teoras y leyes del funcionamiento y manejo de lossistemas agropecuarios.

Como tecnologa de avanzada en lo referido al tratamiento de datos del sectoragropecuario, no est sola, est integrada con la electrnica y lastelecomunicaciones.

La Agromtica considera a los subsistemas biolgicos mediante los modelosde simulacin del crecimiento y desarrollo de cultivos. Estos modelos desimulacin representan matemticamente el comportamiento productivo de lossistemas biolgicos: cuantificando las variables de suelo, clima, vegetales. Losmodelos nos permiten calcular cul ser el resultado de un cultivo. Y aspodemos evaluar el impacto de distintas alternativas de manejo bajo diversascondiciones climticas, proyectando los posibles rendimientos y los costos

asociados.


7/34


LIMAC

7

1) Esquemas tecnolgicos Mtodos para la modelizacin y simulacin de la dinmica de los procesos agrcolas. Optimizacin en el control. Modelizacin de la incertidumbre, la aleatoriedad, el tiempo de la variabilidad,

perturbaciones externas.

2) Conceptos de control

Estructura de control basada en la teora del control ptimo y automtico.

Algoritmos de optimizacin basados en bio-sistemas. Neuro programacin dinmica,programacin dinmica o sus variantes como la dinmica iterativa.

3) Desafos tecnolgicos

El diseo y anlisis de las nuevas tendencias de la agricultura de precisin a nivelregional y mundial para que los productos resulten atractivos y sean aprovechadospor el sector agropecuario.

Identificacin del problema general en estudio


8/34


LIMAC

8

Aplicacin al Control automtico para procesos agrcolas

Controlador

u x

Sistema


9/34


LIMAC

9

Guiado de cultivo en climas protegidos

Objetivo de control

Generar las condiciones adecuadas para que el cultivo se desarrolle

de acuerdo a un criterio.

0 100 200 300 4000

0.05

0.1

0.15

0.2

0.25Peso seco por platn [gr]

Tiempo [Hs.]

0 100 200 300 4000

1

2

3

4

5Nmero de hojas

Tiempo [Hs.]

SISTEMA

CONTROLADOR CULTIVOu(x,k,{Ro})

x(k)OBSERVADOR

DE

ESTADO

CARACTERISTICAS

Ro

MODELADO DE

VARIABLES


10/34


LIMAC

10

Prediccin en cultivos extensivos

A campo abierto, normalmente en grandes extensiones de terreno,donde las estaciones de siembra estn cuasi-determinadas.

El r iesgoproductivo se debe a la disponibilidad de diferentesrecursos: Disponibilidad de agua, la evolucin de temperatura, humedad,

radiacin solar, etc. durante el fu turodesarrollo vegetal.


11/34


LIMAC

11

Aplicaciones de inteligencia computacional paraControl ej: guiado de cultivos

Motivacin del guiado

Planificacin de la produccin en la agricultura Decidir las caractersticas de produccin.

Aumentar el volumen de produccin.

Disponer del producto en una fecha predefinida.

Introducir tecnologa con el fin de disminuir los costos, y maximizarlos beneficios.

Objetivos

Obtener una solucin al problema del guiado del desarrollo de cultivos eninvernaderos y extensivos usando la teora de control ptimo.

Que la solucin sea atractiva de implementar.


12/34


LIMAC

12

Control Basado en Aprendizaje Automatico

Realimentacin del estado del cultivo mediante estimacin basada en modelo,con muestreo de 1Hs

Observacin mediante las variables de entorno, donde se estima el modelo enfuncin del nmero de hojas, que a su vez es dependiente de la temperaturamediante una funcin lineal a tramos.

Observacin utilizando imgenes del cultivo.

L

ADQUISICIN DEIMGENES Y

PROCESAMIENTO

OBSERVADOR DE ESTADOS

SISTEMA CULTIVO-INVERNADERO

INVERNADEROu

T,

CO2

xMODELO DEL

CULTIVO

T,CO2,SPAR

CONTROLADOR

CULTIVO


13/34


LIMAC

13

Problemticasde entornoManejo ptimo del recurso hdrico.

Combatir heladas.

Cantidad y calidad de luz solar.


14/34


LIMAC

14


15/34


LIMAC

Metodologa: Ciencias bsicas y Tecnologas Aplicadas.

15

Cmo se hace?

Caso,Problema o

Proyectomatemtico

Solucinmatemtica

Problema delmundo real

Matemtica

Abstraccin

Constatacin

Interpretacin

0 200 4000

0.05

0.1

0.15

0.2

0.25Peso seco por platn [gr]

Tiempo [Hs.]0 200 400

0

1

2

3

4Nmero de hojas

Tiempo [Hs.]

ObservadaEsperadaMedida


16/34


LIMAC

16

Identificacin y Control de Sistemas usando RNs

En la teora de sistemas tanto la caracterizacin como la identificacin son

dos problemas fundamentales. El problema de caracter izacinest relacionado a la representacin

matemtica del sistema.

El problema de ident i f icacin se est relacionada a la obtencin de unmodelo matemtico que caracterice su dinmica, a partir del conocimiento a

priori y del anlisis de pares de datos entrada-salida obtenidos medianteexperimentacin o simulacin.

Dos partes principales de la identificacin lo constituyen: la elecc in delmodelo de ident i f icacin, es decir su parametr izaciny estructura, y el

mtodo de ajus te de sus parmetros basado en el error de identificacin.


17/34


LIMAC

17

Relacin entre Control Automtico y Redes Neuronales


18/34


LIMAC

18


19/34


LIMAC

19

Dificultad de la realimentacin del estado del cultivo

La medicin directa del vector de estado: nmero de hojas ymedicin del peso seco.

Evitar el efecto borde.

Perturbacin y dao irreversible en el cultivo.


20/34


LIMAC

20

Supervisado.

Pares entrada salida.

No supervisado Auto organizado, basado en competencia.

Reforzado, a desarrollar ahora.

Aprendizaje reforzado


21/34


LIMAC

21

Problema de aprendizaje de comportamiento.

Hay una interaccin entre el sistema que aprende y

su entorno. El sistema busca alcanzar un objetivo especfico a

pesar de incertidumbres en el entorno.

Hay dos lneas para estudiar al aprendizaje

reforzado: Clsica: el aprendizaje consiste en el proceso

premio-castigo.

Moderna: programacin dinmica.

Aprendizaje reforzado


22/34


LIMAC

22

Programacin dinmica (NPD)

Tcnica para toma de decisiones en etapas.

No se toman en forma aislada, se ponderan segn el bajo costo en el presentecontra un alto costo en el futuro.

Pondera el desempeo a largo plazo aunque se sacrifique buen desempeo acorto plazo.

Neuro-programacin dinmica:

La programacin dinmica provee los fundamentos tericos.

Las redes neuronales provee la capacidad de aprendizaje.

La NPD permite a un sistema a aprendercmo tener buenas decisionesobservando su propio comportamiento, y mejorando estas acciones utilizandoun mecanismo incorporado a travs del refuerzo.


23/34


LIMAC

SISTEMA DE CONTROL

MEMORIA

CONTROLADORSISTEMA

x, k u(x,k)

u(x,k)

x(k)

OBSERVADOR

DE ESTADOS

CARACTERSTICAS

Solucin propuesta Programacin dinmica (Bellman, 1962).

Resuelve el problema numricamente.

Las restricciones son inherentes al clculo.

Problema de dimensionalidad. (35

35

100=122500;11

11). Disminuir los valores de la tabla (Luus, 2000).

PD Aproximada(Bertsekas, 1996). (400; 11).

23


24/34


LIMAC

24

La COGNICIN es una caracterstica distintiva del cerebro humano, que se distingue detodas las dems especies de mamferos.

El CONTROL COGNITIVOreside en la parte ejecutiva del cerebro, recprocamente acopladoa su persona parte conceptual a travs de la memoria de trabajo

Joaquin Fuster

l propuso el concepto de COGNIT"para la representacin del conocimiento en el cortezacerebral. Tambin propuso un modelo abstracto para la cognicin basada en cinco bloquesde construccin fundamentales, a saber, la percepcin, la memoria, la atencin, lainteligencia y el lenguaje.

1) Ciclo de percepcin-accin, que es la primera etapa en la cognicin.

2) Memoria, que se construye en el ciclo percepcion-accion .

3) la atencin basado en memoria, que es impulsado por el ciclo de percepcin-accin.

4) Inteligencia, que es accionado por la atencin, la memoria y el ciclo de la percepcin-accin.

5) El lenguaje.

Control cognitivo y Neurociencias


25/34


LIMAC

25

Desde hace varios aos se interactu con los Principios bsicos de Fuster de la cognicin, esdecir, percepcin-ciclo de accin, la memoria, la atencin y la inteligencia.

Durante los ltimos aos, el control cognitivo fue visto desde un perspectiva de la ingeniera:

1) el controlador no tiene la disposicin para percibir la medio ambiente de una maneradirecta.

2) el algoritmo de programacin dinmica con ninguna disposicin que mira en el futuro; por

lo tanto el nombre de optimizacin dinmica

Investigaciones recientes


26/34


LIMAC

26

Qu podemos aprender del cerebro humano?

Las Ideas neuropsicolgicos se han convertido directamente relacionada con la probabilsticavista del sistema fsico.

Este punto de vista es de vital importancia para definir un terreno comn para ambasneurociencias y la ingeniera, cerrando estas ideas en sistemas y conceptos de control.

Por ejemplo, como Feldman y Friston explican, a travs de la ATENCION, el cerebro optimizasu representacin probabilstica del medio ambiente. Es decir, en la terminologa de teora dela informacin, una representacin probabilstica con entropa mnima.

Tanto en el cerebro humano y en sistemas dinmicos cognitivas, el proceso de percepcin serealiza en las mediciones sensoriales. El papel de la PERCEPCION es extraer la informacindisponible de las mediciones sensoriales, que son ruidoso.

CONSIDERACIONES PREVIAS DE COGNITIVECONTROL


27/34


LIMAC

27

Diagrama de Bloque Ciclo Percepcion-Accion CPA


28/34


LIMAC

28

Desde una perspectiva de la neurociencia cognitiva, control cognitivo desempea un papelclave en la corteza prefrontal en el cerebro; lo ms importante, el control cognitivo implica dos

procesos importantes: el aprendizaje, y la planificacin.

Ambos procesos son dependientes del modelo de DOS-ESTADOS, as como la informacincclico dirigido en el diagrama bloques de CPA.

LIBRO: Cognitive Dynamic Systems por Simon Haykin, donde se encara el estudio decognitive radar y cognitive radio.

Nos centramos en el ciclo de percepcin-accin, la memoria, la atencin y la inteligencia,como los fundamentos bsicos de cmo un sistema de control cognitivo se puedeimplementar; el lenguaje no se considera en este documento, ya que est fuera del alcance

de este documento.

CONTROL COGNITIVO


29/34


LIMAC

Control Cognitivo con Reinforcement Learning

29


30/34


LIMAC

USO DE DRONES EN AGRICULTURA

30


31/34


LIMAC

31

Los drones pueden usarse tambin para realizar relevamientostopogrficos, confeccionar mapas detallados de labores agrcolas,identificar zonas del terreno susceptibles de erosin y hasta detectarplagas.

En el 21 edicin de AGRISHOW Brasil 2014, la muestra de tecnologa

agrcola ms importante de Latinoamrica. All se exhibieron dos modelosde drones(abejorro, en ingls), como se los conoce popularmente en todoel mundo, equipados con cmaras y dotados de diferentes softwaresdesarrollados por la empresa para brindar servicios agrcolas.

USO DE DRONES EN AGRICULTURA


32/34


LIMAC

VENTAJAS DE DRONES

32

Los Drones puede proporcionar a los agricultores, con tres tipos devistas detalladas.

1) ver a un cultivo del aire puede revelar patrones que exponen todo,desde los problemas de riego a la variacin del suelo y lasinfestaciones de plagas y hongos incluso que no son evidentes alnivel del ojo.

2) las cmaras de aire pueden tomar imgenes multiespectrales, lacaptura de datos desde el infrarrojo, as como el espectro visual, quese puede combinar para crear una vista de la cosecha que pone de

relieve las diferencias entre plantas sanas y en dificultades en unamanera que no se puede ver con el ojo desnudo.

3) un avin no tripulado puede vigilar una cosecha cada semana, cadada, o incluso cada hora. Combinado para crear una animacin deseries de tiempo, que las imgenes puede mostrar cambios en lacosecha, dejando al descubierto los puntos conflictivos o las

oportunidades para un mejor manejo de los cultivos.


33/34


LIMAC

33

Se presento una introduccin a los sistemas dinmicos cognitivos con futuraaplicacin a la agricultura.

Se puede aplicar en todas las reas en las que el nivel de incertidumbre escontrolable.

Incluye los sistemas con sensores ajustables, sistema de sistemas conperiferia (red de) los sensores, los problemas en los que las caractersticasprobabilstica del medio ambiente es controlable.

Conclusiones


34/34


LIMAC

34

MUCHAS GRACIAS POR SU ATENCIN

PREGUNTAS?

LIMAC Laboratorio de Investigacin enMatemtica aplicada a Control

www.inv.limac.efn.uncor.edu

inteligencia artificial - aplicación a la agricultura - rodriguez rivero 2014

Documents