AI 在农业：计算机视觉、机器人和猪的秤

人工智能正在迅速征服农业和食品行业。

计算机视觉在作物分析

为了养活数十亿人，需要大量的土地。如今，手动耕种已经变得不可能。同时，植物疾病和昆虫侵害经常导致作物歉收。在现代农业规模上，这些侵害很难及时识别和消除。

这引入了计算机视觉算法可以帮助的另一个领域。种植者使用计算机视觉来识别作物疾病，既可以在微观层面上，从叶子和植物的特写图像中，也可以在宏观层面上，通过识别空中摄影中的早期植物疾病或害虫迹象。这些项目通常基于流行的计算机视觉方法：卷积神经网络。

注意，我在这里谈论计算机视觉时使用了很广泛的含义。在很多情况下，图像并不是最佳的数据来源。许多重要的植物生长方面可以通过其他方式更好地研究。例如，植物健康可以通过收集超光谱图像或进行3D激光扫描来更好地理解。这种方法在农学中越来越被使用。这种数据类型通常是高分辨率的，更加接近医学成像而不是照片。一个用于田间监测的系统称为AgMRI。为了处理这种数据，需要特殊的模型，但它们的空间结构允许使用现代计算机视觉技术，特别是卷积神经网络。

数百万美元被投资于植物表型和成像研究。这里的主要任务是收集大量的作物数据（通常以照片或三维图像的形式）并将表型数据与植物基因型进行比较。结果和数据可以用于改进世界各地的农业技术。

农业中的机器人

像Prospero这样的自主农业机器人可以挖一个洞并将某物种植在里面，按照预定的模式并考虑到景观的特征。机器人还可以照顾生长过程，单独处理每株植物。当时机成熟时，机器人将收获，每株植物都精确地按照应有的方式处理。Prospero基于群体农业的概念。想象一支小型Prospero机器人大军穿过田野，留下整齐的植物行。有趣的是，Prospero实际上是在2011年出现的，在现代深度学习革命之前。今天，机器人正在迅速扩散到农业中，允许自动化更多的例行任务：

• 自动化无人机喷洒作物。小型、灵活的无人机能够比传统飞机更准确地输送危险化学品。另外，喷洒无人机可以用于空中摄影以获取计算机视觉算法的数据，如本文开始所述。
• 更多专门的收获机器人正在被开发和使用。联合收割机已经存在很长时间了。然而，只有现在，借助现代计算机视觉和机器人方法，才有可能开发出例如采摘草莓的机器人。
• 像Hortibot这样的机器人能够识别和杀死单个杂草，通过机械方式将其移除。这是现代机器人和计算机视觉的另一个伟大成就，因为之前很难区分杂草和有用植物，并使用机械臂处理小植物。

虽然许多农业机器人仍然是原型或在小规模上进行测试，但已经很明显，机器学习、人工智能和机器人可以很好地应用于农业。可以安全地预测，在不久的将来，更多的农业工作将被自动化。

照顾农场动物

还有更多方法正在被积极开发，以在农业中使用人工智能。例如，Neuromation的一个试点项目将计算机视觉带到了一个尚未受到深度学习社区关注的行业：动物饲养。

当然，曾经有过使用机器学习处理牲畜跟踪数据的尝试。例如，巴基斯坦初创公司Cowlar推出了一个遥测监测牛的活动和温度的项圈，口号是“牛用的FitBit”。法国科学家正在开发牛的面部识别技术。

也有尝试在一个以前被忽视的价值数百亿美元的行业中使用计算机视觉——猪养殖。在现代农场中，猪被分成相对较小的群体，选择最相似的动物。猪生产中的主要成本是食物，优化肥育过程是现代猪生产的核心任务。

如果农民能够获得关于猪增重的详细信息，他们可能能够解决这个问题。根据这个网站，动物通常只在其生命周期中被称重两次：在肥育开始和结束时。如果专家知道每头小猪如何增重，就可以为每头猪制定个性化的肥育计划，甚至可以制定个性化的饲料添加剂，这将大大提高产量。将动物驱赶到秤上并不困难，但这对动物来说是一个巨大的压力，猪会因为压力而减轻体重。新的AI项目计划开发一种新的、非侵入性的动物称重方法。Neuromation将建立一个计算机视觉模型，从照片和视频数据中估计猪的体重。这些估计将被输入到已经成为经典的分析机器学习模型中，以改进肥育过程。

农业在人工智能的前沿

农业和畜牧业通常被认为是传统的行业。然而，如今农业越来越出现在人工智能的前沿。

主要原因是农业中的许多任务同时：

• 复杂到需要使用现代人工智能和深度学习才能实现自动化。种植的植物和猪，尽管相似，但并没有来自同一生产线，每一株番茄植物和每头猪都需要个性化的方法，因此，直到最近，人类干预是绝对必要的。
• 简单到可以使用今天的人工智能发展来解决，考虑到植物和动物之间的个体差异，同时也可以自动化处理它们的技术。驾驶一辆拖拉机在一个开放的田野中比驾驶一辆车在交通中更容易，称重一头猪比通过图灵测试更容易。

农业仍然是地球上最大的和最重要的行业之一，即使效率提高一点，也会带来巨大的收益，只是因为这个行业的规模如此庞大。