V tomto případě se jednalo o vzrostlé bodláky v pšenici, které se však mohou vyskytovat i v kulturách cukrovky, řepky nebo kukuřice. Pomocí softwaru CultiWise, vyvinutého pro identifikaci plevelných rostlin za pomocí AI, se vytvoří aplikační mapa pozemku.
Přes USB nebo aplikaci Amatron Share se tato mapa přetáhne do počítače Amatron 4, který vydává systému Spot-Spraying pokyny k bodovému postřiku plevelů.
Pro správné a přesné zasažení nežádoucí rostliny je zapotřebí, aby byl postřikovač vybaven kromě systému Spot Spraying takovými rameny, aby byla umožněna aplikace ve výšce 25 cm nad porostem a s tryskami 40 stupňů.
Při tomto speciálním postřiku je třeba vyřadit z funkce automatický zdvih ramen. Pro samotné provedení je třeba, aby se software CultiWise „naučil“ kromě rozeznávání kulturních i plevelných druhů rostlin i další údaje potřebné pro konkrétní aplikaci podle zadání farmáře, tak, aby způsob postřiku „green-on-green“ správně fungoval.
První, co je třeba udělat, je pořízení kvalitního snímku pozemku dronem. Na vytvořené mapě se provedou malé výřezy s místy, kde bude aktuální ošetření. Pomocí AI se identifikují konkrétní rostliny a jejich poloha. Farmář zkontroluje správnost naučení identifikace ve svém počítači a exportuje upravenou mapu do terminálu Amatron 4 (např. přes USB, v souboru např. dbf, shp, shx).
Při testování bylo použito USB s jednoduchým formátováním, na Amatronu je třeba provést update na verzi NW216-J.027 nebo vyšší. Takto byl přenos mapy do Amatronu akceptován bez problému.
Při testování byl nasazen postřikovač Amazone UX 4201 Super s rameny 30m s roztečí trysek 25 cm a tryskami pro Spot-Spray, zde byly použity trysky SpotFan od Agrotopu s 40* úhlem a průměrem 03 s dávkou 300 l/ha.
Samotná výuka umělé inteligence spočívá v naučení rozeznávat kulturní i nežádoucí rostliny. Na dronové mapě musí člověk vyznačit barevně a pojmenovat rozdílné druhy. Výsledný model mapy obsahuje čtverečky (body) s plevely a pásy kulturní plodiny v barevných odstínech. Po povelu „učit model“ se naučí AI veškeré rozdíly a zadavatel ještě zkontroluje správnost. AI by měla po „výuce“ rozeznat minimálně 10 objektů, zaškolení je třeba opakovat.
Při prvním testování je dobré rozdělit větší pozemek na menší parcely a ověřit správnost funkcí na jedné z nich. V případě, že se vyskytnou chyby, je třeba trénink AI zopakovat. Tento přípravný proces trvá min. 1 hodinu. Jakmile je proces výuky hotov, nahlásí to CultiWise mailem.
Při dalším opakovaném použití se samozřejmě časová náročnost snižuje. Při samotném postřiku je třeba ještě správně nastavit časy spínání a vypínání bodového postřiku na Section-Control a dávky podle výnosových map. Pro ověření správnosti těchto nastavení je vhodné provést postřik vodou alespoň na 2 křížících se kolejích v modu 0 cm. Již zmíněný automatický zdvih ramen na souvrati je třeba předem vypnout, jinak by způsobil při zvedání a spouštění ramen na okrajích chyby. Kvalitní příjem signálu RTK signál je samozřejmostí.
Hodnocení na závěr: po provedené „výuce“ AI a potřebné přípravě postřikovače systém práce „postřik zeleného v zeleném“ fungoval dobře. Nepatrné nepřesnosti se vyskytly pouze v rozích pole. Zde je ještě prostor na doladění. Uvedená příprava se při opakování zjednodušuje a zkracuje. Přínos likvidace zelených plevelů v zeleném porostu je nesporný. Zejména tam, kde je častý výskyt vytrvalých plevelů, jako v našem případě bodlák. Hlubokokořenící plevel s dlouhou klíčivostí se často neobjeví v preemergentní době, v době růstu kultury se plošným postřikem nezlikviduje a při sklizni se ještě může více namnožit.
Úspora pesticidu a minimální zatížení životního prostředí jsou nesporné.
Není to tak dlouho, kdy byly technické prvky, jako např. automatické vedení ramen, spíš scifi. V rámci ekologického zemědělství, které ovšem není zatíženo striktními plošnými zákazy, je tento způsob s využitím umělé inteligence určitě perspektivní, protože nesnižuje výnosy ani kvalitu sklizně, ale naopak.
