Kaspers speciale udkonkurrerede topforskere

De største udfordringer, Kasper Toft Braun stødte ind i under sin specialeskrivning, skabte han nærmest selv. Præcis hvordan vender vi tilbage til.

Han ville gerne beskæftige sig med computer vision, der handler om at lave billedgenkendelsesalgoritmer. Han havde tidligere arbejdet med det på studiet, så han vidste, at det interesserede ham. Hvordan han konkret kom til at arbejde med det, var dog mere tilfældigt.

Han læste en artikel om, at Vejdirektoratet var begyndt at investere mere i data, og at de manuelt kørte ud og tjekkede vejenes stand én gang om året.

”Jeg tænkte, at det måtte være muligt at tage satellitbilleder og lave en algoritme, som kunne scanne løbende. Jeg fandt dog hurtigt ud af, at det var for kompliceret og alt for stort et projekt at klare på et halvt år.”

Men da han sad og scrollede rundt på Aarhus Universitets jobbank, var idéen der pludselig. Der lå nemlig en beskrivelse fra Landbrugsstyrelsen, som blev omdrejningspunktet for hele specialet.

De danske landmænd sender årligt 5.000-7.000 mobilfotos af afgrøder til Landbrugsstyrelsen, som bruger billederne til at afgøre, hvorvidt en mark er berettiget til landbrugsstøtte. Det er netop de fotos, Kasper Toft Braun har brugt til at udvikle en algoritme, der automatiserer vurderingsprocessen.

Specialet, der bærer titlen ’Pioneering Automation in Agricultural Subsidy Processing through Deep Learning for Computer Vision’, har derfor en betydelig økonomisk tyngde og relevans for hele EU – og det er én af årsagerne til, at Kasper Toft Braun netop har vundet Djøfs specialepris.

Et nyt sprog

Den første udfordring, Kasper Toft Braun mødte under specialet, var én, han selv var ude om. Han havde nemlig sat sig for at lære et nyt sprog.

”Når man sidder og skriver kode på uni, skal vi bruge et sprog, der hedder R. Vi ved alle sammen, at det er et sprog, som ikke rigtig bliver brugt ude i den virkelige verden, men primært inde for akademia. Derfor ville jeg gerne skrive i noget, der hedder Python,” fortæller han.

Hvorfor vælger du at lave det benspænd for dig selv? Havde det ikke været nemmere at bruge R og komme i gang straks frem for at bruge energi på at skulle lære noget nyt?

“Jo, 100%. Det havde været meget lettere at kode i R, men jeg ville gerne lære noget af det her.”

På den måde fik Kasper Toft Braun også kreeret endnu et benspænd for sig selv, for han insisterede på at bruge de nyeste teknologier inden for Python, som der endnu ikke er så meget dokumentation på.

Sideløbende skulle han også finde ud af, hvordan han overhovedet skulle gribe kodningen an. Da han lærte at programmere på universitetet, var det med afsæt i skoleeksempler, hvor det hele fungerede – men virkeligheden var bare en anden.

”Virkelighedens data er bare uperfekt og meget langt fra skoleeksempler. Og jeg skulle bruge nogle helt nye teknikker, jeg ikke kendte til. Jeg tror, jeg endte med at bruge halvanden måned på at læse om de nyeste computer vision-metoder.”

Mens Kasper Toft Braun stadig læste og endnu ikke var begyndt på koden, var hans kammerater i fuld gang med at skrive. Dér kunne han mærke et pres. Men det skulle vise sig, at de mange læsetimer var godt givet ud. For med over 50 gennemlæste artikler i bagagen vidste han præcist, hvad han skulle skrive, da han først gik i gang.

Bedst når vi er to

Selve skriveprocessen gik glat. Man kan næsten sige, at det gik for godt, for da Kasper Toft Braun havde sat det sidste punktum, måtte han sande, at han havde skrevet ca. 120 sider, og han måtte aflevere omtrent det halve.

“Det er virkelig dumt, men jeg skriver altid for meget. Jeg tror, jeg brugte en uge på at skære fra.”

Når man skriver alene, som du gjorde, kan man så ikke let stirre sig blind på, hvad der er vigtigt, og hvad der ikke er? Hvordan greb du den opgave an?

“Jeg havde en god ven fra min studiegruppe, som selv havde skrevet om machine learning. Vi snakkede sammen næsten hver dag om vores specialer og læste hinandens afsnit igennem. På den måde hjalp vi også hinanden med at skære noget fra og finde ud af, hvad der gav mening og ikke gjorde.”

Han indrømmer, at det havde været nemmere at være to om specialet, men omvendt havde det betydet, at han skulle gå på kompromis med emnet – og det var han ikke villig til. Han vidste, at han skulle bruge det næste halve år på opgaven, og derfor skulle det også være spændende.

“På den måde har jeg ikke fortrudt, at jeg skrev alene. Men jeg tror, at jeg havde fortrudt det, hvis jeg havde siddet helt alene. Det havde jeg så sørget for, at jeg ikke gjorde.”

Vejen til at knække koden

Selv om skrivningen overordnet gik godt, var der bump på vejen. For at skrive en kode er alt andet end ligetil. Nærmest på daglig basis ramte han en mur, hvor han følte, at han ikke kunne komme videre.

“Så ser det ud til, at koden virker, og man går hjem. Men så når man åbner computeren dagen efter, virker det ikke alligevel. Der er så sygt mange forhindringer i forhold til selve kodningen.”

Hvordan holder man så modet eller gejsten oppe i sådan en proces?

“Min vejleder har været god til at sige, at det nok skulle gå. Derudover har jeg hele tiden vidst, at hvis jeg ikke lykkedes med Python, havde jeg R at falde tilbage på,” siger han og tilføjer, at han også har kunnet snakke med sin studiekammerat.

Når man er så opsat på, at noget skal lykkes, kan man let glemme tid og sted. Kasper Toft Braun kunne let sidde og kode seks timer i streg. Men det var sjældent dér, han fik succes.

“Jeg tror, det er ret vigtigt, at man lige holder nogle breaks, og det er jeg dårlig til. Men jeg har fundet ud af, at det har været der, hvor jeg har knækket koden på en eller anden måde. Det kunne fx være til fodbold, hvor jeg får det helt ud af hovedet, og dagen efter står det nærmest lysende klart.”

Bedre end forskere

Kasper Toft Braun færdiggjorde koden en måned før afleveringsdatoen, og da specialet blev indleveret, var det med en algoritme, der outperformer tre hollandske forskeres algoritme på feltet.

Ifølge ham selv er det hans uddannelse i Business Intelligence fra Aarhus Universitet, der har gjort, at han har vidst, hvad der var vigtigt at arbejde med for at få det bedste resultat – og det kan der være noget om.

Ifølge ham selv er hans algoritme nærmest klar til at blive implementeret i Danmark til validering af græsmarker, og det er muligt at udvikle videre på løsningen, så den også kan validere andre afgrødetyper, som er berettiget til landbrugsstøtte. Før algoritmen kan bruges i andre EU-lande skal den dog gen-trænes på landespecifikt data, da fx græsmarker i Danmark og Italien kan se meget forskellige ud.

Hvad er planen nu?

“Til at starte med ville jeg gerne lave min egen virksomhed og begynde at sælge computer vision-løsninger. Jeg havde også overvejet at fortsætte et samarbejde med Landbrugsstyrelsen. Men lige nu har jeg bare fokus på mange andre ting, så jeg har p.t. lagt min specialeopgave på hylden.”

Han fortæller, at da han fremlagde sit speciale for Landbrugsstyrelsen, gav de udtryk for, at det var en løsning, de ville tage i brug.

”Om de har implementeret det, ved jeg ikke, men deres ambitioner var at starte med at automatisere græsmarker, som jeg lavede algoritme til, og derefter automatisere andre afgrødetyper.”