人工智能正在迅速征服農(nóng)業(yè)和食品工業(yè)。

作物分析中的計算機視覺

要養(yǎng)活數(shù)十億人，您需要大量土地。現(xiàn)在人工培養(yǎng)是不可能的。同時，植物病蟲害的入侵往往導(dǎo)致作物收成不好。受限于農(nóng)業(yè)企業(yè)的現(xiàn)代化進(jìn)程，此類入侵難以及時識別和消除。

這引入了計算機視覺算法可以提供幫助的另一個領(lǐng)域。種植者使用計算機視覺識別作物病害，無論是在微觀層面，從葉子和植物的特寫圖像中，還是在宏觀層面，通過從航空攝影中識別植物病害或害蟲的早期跡象。這些項目通常基于流行的計算機視覺方法：卷積神經(jīng)網(wǎng)絡(luò)。

請注意，我在這里談?wù)摰氖菑V義上的計算機視覺。在許多情況下，圖像并不是最好的數(shù)據(jù)來源。可以通過其他方式最好地研究植物生命的許多重要方面。通常可以更好地了解植物健康，例如，通過使用特殊傳感器收集高光譜圖像或執(zhí)行 3D 激光掃描。這種方法越來越多地用于農(nóng)學(xué)。這種數(shù)據(jù)類型通常是高分辨率的，比照片更接近醫(yī)學(xué)成像。其中一種用于現(xiàn)場監(jiān)測的系統(tǒng)稱為AgMRI。為了處理這些數(shù)據(jù)，需要特殊的模型，但它們的空間結(jié)構(gòu)允許使用現(xiàn)代計算機視覺技術(shù)，特別是卷積神經(jīng)網(wǎng)絡(luò)。

數(shù)以百萬計的資金被投資于植物表型和成像研究。這里的主要任務(wù)是收集大量的農(nóng)作物數(shù)據(jù)(通常以照片或三維圖像的形式)并將表型數(shù)據(jù)與植物基因型進(jìn)行比較。結(jié)果和數(shù)據(jù)可用于改進(jìn)世界各地的農(nóng)業(yè)技術(shù)。

農(nóng)業(yè)機器人

像Prospero這樣的自主農(nóng)業(yè)機器人可以在地面上挖一個洞并在其中種植一些東西，遵循預(yù)定的一般模式并考慮到景觀的具體特征。機器人還可以處理生長過程，單獨處理每株植物。當(dāng)時機成熟時，機器人將收獲，再次準(zhǔn)確地對待每株植物。Prospero 基于群體農(nóng)業(yè)的概念。想象一下，一群小普洛斯彼羅在田野中爬行，身后留下整齊甚至成排的植物。有趣的是，Prospero 實際上早在 2011 年就出現(xiàn)了，也就是現(xiàn)代深度學(xué)習(xí)革命的鼎盛時期之前。如今，機器人正在迅速普及在農(nóng)業(yè)領(lǐng)域，讓您能夠自動化越來越多的日常任務(wù)：

自動無人機噴灑農(nóng)作物。小型、靈活的無人機能夠比傳統(tǒng)飛機更準(zhǔn)確地運送危險化學(xué)品。此外，噴霧器無人機可用于航拍，以獲取本文開頭提到的計算機視覺算法的數(shù)據(jù)。

越來越多的收割專用機器人正在開發(fā)和使用。聯(lián)合收割機已經(jīng)存在了很長時間。盡管如此，直到現(xiàn)在，在計算機視覺和機器人技術(shù)的現(xiàn)代方法的幫助下，才有可能開發(fā)出例如采摘草莓的機器人。

像Hortibot這樣的機器人能夠通過機械地去除雜草來識別并殺死它們。這是現(xiàn)代機器人技術(shù)和計算機視覺的又一次巨大成功，因為以前不可能區(qū)分雜草和有用的植物，也無法使用機械手處理小型植物。

雖然許多農(nóng)業(yè)機器人仍處于原型或小規(guī)模測試階段，但已經(jīng)很明顯 ML、AI 和機器人技術(shù)可以在農(nóng)業(yè)中很好地發(fā)揮作用。可以有把握地預(yù)測，在不久的將來，越來越多的農(nóng)業(yè)工作將實現(xiàn)自動化。

照顧農(nóng)場動物

正在積極開發(fā)更多在農(nóng)業(yè)中使用人工智能的方法。例如，Neuromation的一個試點項目將計算機視覺帶到了一個尚未受到深度學(xué)習(xí)社區(qū)太多關(guān)注的行業(yè)：畜牧業(yè)。

當(dāng)然，有人嘗試在牲畜跟蹤數(shù)據(jù)上使用機器學(xué)習(xí)。例如，巴基斯坦初創(chuàng)公司 Cowlar推出了一種可以遠(yuǎn)程監(jiān)控奶牛活動和溫度的項圈，其口號是“FitBit for Cows”。法國科學(xué)家正在開發(fā)奶牛面部識別技術(shù)。

也有人嘗試在以前被忽視的價值數(shù)千億美元的行業(yè)——養(yǎng)豬業(yè)中使用計算機視覺。在現(xiàn)代農(nóng)場，豬被飼養(yǎng)在相對較小的群體中，其中選擇最相似的動物。養(yǎng)豬生產(chǎn)的主要成本是食品，育肥過程的優(yōu)化是現(xiàn)代養(yǎng)豬生產(chǎn)的中心任務(wù)。

如果農(nóng)民有關(guān)于豬體重增加的詳細(xì)信息，他們很可能能夠解決這個問題。根據(jù)這個網(wǎng)站，動物一生中通常只稱重兩次：在育肥的開始和結(jié)束時。如果專家知道每頭仔豬的育肥情況，就有可能為每頭豬制定單獨的育肥計劃，甚至制定單獨的食品添加劑成分，從而顯著提高產(chǎn)量。把動物趕到秤上并不是很困難，但這對動物來說是一個巨大的壓力，豬會因壓力而減肥。新的人工智能項目計劃開發(fā)一種新的、非侵入性的動物稱重方法。Neuromation將建立一個計算機視覺模型，該模型將根據(jù)照片和視頻數(shù)據(jù)估計豬的重量。這些估計將被輸入已經(jīng)很經(jīng)典的分析機器學(xué)習(xí)模型，以改善育肥過程。

處于人工智能前沿的農(nóng)業(yè)

農(nóng)牧業(yè)通常被認(rèn)為是老式產(chǎn)業(yè)。然而，今天，農(nóng)業(yè)越來越多地出現(xiàn)在人工智能的前沿。

這里的主要原因是農(nóng)業(yè)中的許多任務(wù)同時進(jìn)行：

足夠復(fù)雜，如果不使用現(xiàn)代人工智能和深度學(xué)習(xí)，它們就無法實現(xiàn)自動化。栽培的植物和豬雖然彼此相似，但仍然不會離開同一條流水線，每個番茄灌木和每頭豬都需要單獨的方法，因此，直到最近，人為干預(yù)是絕對必要的。

很簡單，隨著今天人工智能的發(fā)展，我們可以解決它們，同時考慮到植物和動物之間的個體差異，同時也自動化與它們合作的技術(shù)。在開闊的田野中駕駛拖拉機比在交通中駕駛汽車更容易，稱一頭豬比學(xué)習(xí)如何通過圖靈測試更容易。

農(nóng)業(yè)仍然是地球上最大和最重要的產(chǎn)業(yè)之一，僅僅因為這個產(chǎn)業(yè)的龐大規(guī)模，即使是效率的微小提高也會帶來巨大的收益。