毫无疑问，现在的作物产量、质量和劳动实践比500年前乃至50年前更有效率。
但是，仍旧存在很多须要改进的紧张需求和领域。

环球人口正在爆炸式增长，到2050年，地球上估计有99亿人，届时粮食需求估量将猛增35%至56%，更不用说使水和耕地等资源变得更加稀缺的景象变革了。

幸运的是，技能为我们供应了另一种办理方案：人工智能。
从利用打算机视觉技能进行作物和土壤监测到疾病检测和预测剖析，农业正在进入一个全新的发展阶段——这要归功于人工智能。

不仅有潜力，而且还有快速增长的兴趣和投资：

福布斯报告称，到2025年，包括人工智能和机器学习在内的环球“智能”农业支出估量将增加两倍，达到153亿美元。
研究表明，人工智能在农业领域的市场规模有望达到20%的复合年增长率 (CAGR)，到2026年达到25亿美元。

而这只是冰山一角！
在本文中，我们将磋商一些最有希望改变农业领域的人工智能技能。

作物和土壤监测

土壤中的微量和大量营养素是作物康健以及产量数量和质量的关键成分。
然后，一旦农作物进入土壤，监测成长阶段对付优化生产效率也至关主要。
理解作物成长与环境之间的相互浸染对付做出调度以改进作物康健至关主要。

现在，传统上土壤质量和作物康健是由人类不雅观察和判断来决定的。
但这种方法既不准确也不及时。
相反，我们现在可以利用无人机 (UAV) 来捕捉航拍图像数据，并演习打算机视觉模型利用它来智能监测作物和土壤状况。

视觉传动听工智能可以剖析和解释这些数据：

跟踪作物康健；做出准确的产量预测；比人类更快地创造作物营养不良。

人工智能模型可以奉告农人详细的问题在哪里，以便他们立即采纳行动。
现在让我们看一些真实的例子，来解释打算机视觉如何帮助他们的作物保持康健和高产。

不雅观察作物成熟度

人工不雅观察小麦头成长阶段只是人工智能可以帮助精准农业的一种劳动密集型过程。

研究职员通过在三年内不同“抽穗”阶段和不同照明条件下网络小麦的图像来实现这一目标，这使他们能够创建“从粗到细的两步麦穗检测机制”。

然后，这种打算机视觉模型能够在准确识别小麦成长阶段方面优于人类不雅观察，这意味着农人不再须要每天跋涉到田间来检讨他们的作物。

或者想象一下必须在工业水平上手动检讨西红柿的成熟度。
出色的人工智能也可以供应帮助！

另一项研究检讨了打算机视觉在检测西红柿成熟度方面的能力。
研究职员创建了一种算法，可以剖析番茄五个不同部位的颜色，然后根据这些数据进行成熟度估计。

结果好到令人震荡！
该算法实现了99.31%的成功检测和分类率。
对付农人来说，过度做事和估计作物的成长和成熟度是一项艰巨的劳动密集型事情。
但事实证明，人工智能能够轻松且准确地处理大部分事情。

它是怎么做的？

打算机视觉落地

回到土壤的主要性，另一项研究旨在理解打算机视觉如何能够很好地表征土壤质地和土壤有机质 (SOM)。

常日，评估土壤须要农人挖掘样品并将其带到实验室进行耗时和耗能的剖析。
相反，研究职员决定看看来自廉价手持显微镜的图像数据是否可以用来演习算法来做同样的事情。

果真，打算机视觉模型成功地进行了沙子含量和SOM估计，其准确性可与昂贵的实验室处理相媲美。
因此，打算机视觉不仅可以肃清作物和土壤监测中涉及的大量困难的体力劳动，而且在许多情形下它比人类更有效。

昆虫和植物疾病检测

我们已经看到AI打算机视觉如何检测和剖析作物成熟度和土壤质量，但是难以预测的农业条件呢？

利用基于深度学习的图像识别技能，我们现在可以自动检测植物病虫害。
这项事情利用图像分类、检测和图像分割方法来构建可以“密切关注”植物康健的模型。

看看这是如何事情的：

诊断病虫害严重程度

来看一个对苹果黑腐病的研究例子。

研究职员利用苹果黑腐病的图像演习了一个深度卷积神经网络，这些图像已经由植物学家根据严重程度的四个紧张阶段进行了注释。

与我们之前的示例一样，打算机视觉的替代方案须要大量劳动密集型的人工搜索和评估。
对农人来说幸运的是，本研究中的人工智能模型能够以90.4%的准确率识别和诊断疾病严重程度！

在另一项研究中，研究职员更进一步，利用改进的YOLO v3算法来检测番茄植株上的多种病虫害。

借助数码相机和智好手机，研究职员在当地的番茄温室拍照，创造了12种不同的疾病或害虫病例。

一旦模型利用分辨率和特色工具大小不同的图像进行演习，它的病虫害检测准确率达到了92.39%，检测韶光仅为20.39毫秒。

利用代码查找缺点

假设您不仅想知道您的农作物是否有害虫，还想知道有多少害虫，用于昆虫检测的打算机视觉系统也涵盖了这一点。

我们有没有提到这也适用于飞虫？

它们当然不是最有趣的手动捕捉和计数。

研究职员首先设置了一个粘性陷阱来捕捉六种不同种类的飞虫并网络实时图像。
然后他们基于YOLO工具检测的检测和粗计数方法，以及利用全局特色的支持向量机 (SVM) 上的分类和风雅计数。

总而言之，他们的打算机视觉模型能够以90.18%的准确率识别蜜蜂、苍蝇、蚊子、飞蛾、金龟子和果蝇，并以92.5%的准确率打算它们。

这些研究表明，用于监测我们食品系统康健状况的人工智能打算机视觉的未来是有希望的。
它不仅可以减少劳动效率低下，而且可以在不捐躯不雅观察结果的可靠性的情形下做到这一点。

畜生康健监测

到目前为止，我们紧张关注植物，但农业不仅仅是小麦、西红柿和苹果。

动物是我们农业系统的另一个紧张组成部分，与植物比较，它们每每须要更多的跟踪。
打算机视觉能否跟上移动中的牛、鸡和猪的速率？

好吧，如果它可以追踪一只苍蝇，它当然可以追踪一头牛。

CattleEye是农业行业人工智能优先公司的一个很好的例子。
他们利用高架摄像头和打算机视觉算法来监控牛的康健和行为。

这意味着创造问题并不取决于养牛者就在奶牛阁下。
相反，可以远程实时跟踪和监控牛群，以便在创造问题后立即关照农人。

当然，这不仅限于牛。
打算机视觉还可以：

计数动物、检测疾病、识别非常行为并监控主要活动，例如分娩；从相机和无人机 (UAV) 网络数据；结合其他技能，让农人理解动物康健和食品或水的获取情形。

这些算法经由演习，可以查看***数据并确定鸡在做什么——它们是在喝水、用饭、睡觉，还是在做一些可能表明疾病或行为问题的奇怪事情。

智能喷涂

我们已经看到打算机视觉善于创造农业中的疾病，但它也可以帮助预防它们。
配备打算机视觉AI的无人机可以自动在田间均匀喷洒杀虫剂或肥料。

通过对目标喷洒区域的实时识别，无人机喷雾器能够在喷洒区域和喷洒量方面进行高精度操作，显著降落了污染农作物、人类、动物和水资源的风险。

虽然这里的潜力很大，但目前仍旧存在一些寻衅。
例如，利用多架无人机喷洒大片区域的效率要高得多，但为单个翱翔器分配特定的任务序列和翱翔轨迹可能会很棘手。

但这并不虞味着智能喷涂的游戏结束。

弗吉尼亚理工大学的研究职员设计了一种基于伺服电机掌握喷雾器的智能喷雾系统，该喷雾器利用打算机视觉检测杂草。
安装在喷雾器上的摄像头记录杂草的地理位置，并剖析每株讨厌的植物的大小、形状和颜色，以便供应精确数量的除草剂和精确定位。

换句话说，它是一种除草剂。
但与闭幕者不同的是，打算机视觉系统的准确性使其能够以如此精确的办法进行喷洒，从而避免对农作物或环境造成附带危害。

自动除草

智能喷雾器并不是唯一进入自动除草的人工智能，还有其他打算机视觉机器人采取更直接的方法来肃清不须要的植物。

现在，以与打算机视觉可以创造昆虫或行为非常的鸡相同的办法创造杂草，实际上并没有为农人减少很多事情。
为了供应更大的帮助，人工智能须要找到并打消杂草。

能够以物理办法打消杂草不仅为农人节省了大量事情，而且还减少了对除草剂的需求，从而使全体农业经营更加环保和可持续。

杂草丛生的机器人

幸运的是，物体检测可以很好地识别杂草并将它们与农作物区分开来。
然而，真正的力量来自于打算机视觉算法与机器学习相结合来构建实行自动除草的机器人。

所有这统统都很好地先容了BoniRob，这是一种农业机器人，它利用摄像头和图像识别技能来探求杂草并通过将螺栓插入地里打消它们。

它通过对叶子大小、形状和颜色的图像演习来学习区分杂草和农作物。
这样一来，BoniRob就可以在田间滚动，肃清不受欢迎的植物，而不会毁坏任何有代价的东西。

虽然我们的AI朋友无论如何都在外地事情，但大概他们还可以做其他事情。

一组科学家正致力于通过设计用于检测杂草和土壤水分含量的农业机器人来实现这一目标。
通过这种办法，它可以穿过田地，打消杂草并在移动过程中将适量的水运送到土壤中。

该系统的实验结果表明，其植物分类和除草率均在90%以上，同时保持深层土壤含水量在80±10%。

航空丈量和成像

在这一点上，打算机视觉在丈量地皮和关注农作物和畜生方面也有一些出色的运用，这可能并不令人惊异。

但这并没有降落智能农业的主要性。

人工智能可以剖析来自无人机和卫星的图像，以帮助农人监测农作物和畜群。
这样一来，如果涌现非常情形，他们可以立即得到关照，而无需自己不断地不雅观察这些字段。

航空成像还有助于提高农药喷洒的精度和效率。
如前所述，确保杀虫剂只用于预期用场可以节省资金以及保护周围环境。

生产分级和分拣

末了，纵然作物已经收割，人工智能打算机视觉也可以连续帮助农人。

正如它们能够在植物成长过程中创造毛病、疾病和害虫一样，成像算法也可用于将“好”产品与有缺陷的产品或仅仅是丑陋的产品进行分类。

通过检讨水果和蔬菜的大小、形状、颜色和体积，打算机视觉可以自动化分拣和分级过程，其准确率和速率乃至比演习有素的专业职员还要高。

质量完美的产物

以胡萝卜分类为例，这项事情很费力，常日是手工完成的。
然而，研究职员开拓了一种自动分拣系统，该系统利用打算机视觉来挑选出有表面毛病或形状和长度禁绝确的胡萝卜。

因此，“好”胡萝卜是一种形状精确（“凸多边形”）且不含任何须根或表面裂痕的胡萝卜。
在这三个标准上，打算机视觉模型能够对胡萝卜进行分类和分级，准确率分别为95.5%、98%和88.3%。

此外，让我们回到经典番茄，另一项研究创造，机器学习人工智能能够利用具有七个输入特色的图像数据以95.5%的准确率对番茄质量进行评分。

在这两种情形下，节省的繁重体力劳动量都是巨大的。
这统统都要归功于一些关于“好”胡萝卜或西红柿长什么样子的人工智能模型演习。

农业+人工智能的未来

农业人工智能的未来：农人作为人工智能工程师？

纵不雅观人类历史，技能长期以来一贯被用于农业，以提高效率并减少农业中涉及的密集人力。
从改良的犁到灌溉，从拖沓机到当代人工智能，这是人类和农业自农业发明以来所经历的演化。

打算机视觉的日益增长和越来越便宜的可用性将成为这里向前迈出的又一主要一步。

随着我们的景象、环境和环球粮食需求发生巨大变革，人工智能有能力通过以下办法改变21世纪的农业：

提高韶光、劳动力和资源的效率；提高环境可持续性；让资源配置“更智能”；供应实时监控，以提高产品的康健和质量。

当然，这将须要农业家当的一些转变。
农人对其“领域”的理解须要转化为人工智能培训，这将取决于农业部门更多的技能和教诲投资。

但话又说回来，创新温柔应在农业中并不是什么新鲜事。
打算机视觉和农业机器人只是农人采取新技能来知足不断增长的环球粮食需求和提高粮食安全的最新办法。

图片来源于网络

投稿、申请转载、互助、AI课程推广，请联系我们