8個人工智慧在農業中的實際應用

毫無疑問，現在的作物產量、質量和勞動實踐比500年前甚至50年前更有效率。但是，仍然存在很多需要改進的主要需求和領域。

全球人口正在爆炸式增長，到2050年，地球上估計有99億人，屆時糧食需求預計將猛增35%至56%，更不用說使水和耕地等資源變得更加稀缺的氣候變化了。

幸運的是，技術為我們提供了另一種解決方案：人工智慧。

從利用計算機視覺技術進行作物和土壤監測到疾病檢測和預測分析，農業正在進入一個全新的發展階段——這要歸功於人工智慧。

不僅有潛力，而且還有快速增長的興趣和投資：

福布斯報告稱，到2025年，包括人工智慧和機器學習在內的全球“智慧”農業支出預計將增加兩倍，達到153億美元。

研究表明，人工智慧在農業領域的市場規模有望達到20%的複合年增長率 （CAGR），到2026

年達到25億美元。

而這只是冰山一角！

在本文中，我們將探討一些最有希望改變農業領域的人工智慧技術。

作物和土壤監測

土壤中的微量和大量營養素是作物健康以及產量數量和質量的關鍵因素。

然後，一旦農作物進入土壤，監測生長階段對於最佳化生產效率也至關重要。

瞭解作物生長與環境之間的相互作用對於做出調整以改善作物健康至關重要。

現在，傳統上土壤質量和作物健康是由人類觀察和判斷來決定的。但這種方法既不準確也不及時。

相反，我們現在可以使用無人機 （UAV） 來捕捉航拍影象資料，並訓練計算機視覺模型使用它來智慧監測作物和土壤狀況。

視覺感測人工智慧可以分析和解釋這些資料：

跟蹤作物健康；

做出準確的產量

預測；

比人類更快地發現作物營養不良。

人工智慧模型可以告知農民具體的問題在哪裡，以便他們立即採取行動。

現在讓我們看一些真實的例子，來說明計算機視覺如何幫助他們的作物保持健康和高產。

觀察作物成熟度

人工觀察小麥頭生長階段只是人工智慧可以幫助精準農業的一種勞動密集型過程。

研究人員透過在三年內不同“抽穗”階段和不同照明條件下收集小麥的影象來實現這一目標，這使他們能夠建立“從粗到細的兩步麥穗檢測機制”。

然後，這種計算機視覺模型能夠在準確識別小麥生長階段方面優於人類觀察，這意味著農民不再需要每天跋涉到田間來檢查他們的作物。

或者想象一下必須在工業水平上手動檢查西紅柿的成熟度。出色的

人工智慧也可以提供幫助！

另一項研究檢查了計算機視覺在檢測西紅柿成熟度方面的能力。研究人員建立了一種演算法，可以分析番茄五個不同部位的顏色，然後根據這些資料進行成熟度估計。

結果好到令人震驚！該演算法實現了99。31%的成功檢測和分類率。

對於農民來說，過度服務和估計作物的生長和成熟度是一項艱鉅的勞動密集型工作。

但事實證明，人工智慧能夠輕鬆且準確地處理大部分工作。

它是怎麼做的？

計算機視覺落地

回到土壤的重要性，另一項研究旨在瞭解計算機視覺如何能夠很好地表徵土壤質地和土壤有機質 （SOM）。

通常，評估土壤需要農民挖掘樣品並將其帶到實驗室進行耗時和耗能的分析。相反，研究人員決定看看來自廉價手持顯微鏡的影象資料是否可以用來訓練演算法來做同樣的事情。

果然，計算機視覺模型成功地進行了沙子含量和SOM估計，其準確性可與昂貴的實驗室處理相媲美。

因此，計算機視覺不僅可以消除作物和土壤監測中涉及的大量困難的體力勞動，而且在許多情況下它比人類更有效。

昆蟲和植物疾病檢測

我們已經看到AI計算機視覺如何檢測和分析作物成熟度和土壤質量，但是難以預測的農業條件呢？

使用基於深度學習的影象識別技術，我們現在可以自動檢測植物病蟲害。這項工作使用影象分類、檢測和影象分割方法來構建可以“密切關注”植物健康的模型。

看看這是如何工作的：

診斷病蟲害嚴重程度

來看一個對蘋果黑腐病的研究例子。

研究人員使用蘋果黑腐病的影象訓練了一個深度卷積神經網路，這些影象已經由植物學家根據嚴重程度的四個主要階段進行了註釋。

與我們之前的示例一樣，計算機視覺的替代方案需要大量勞動密集型的人工搜尋和評估。對農民來說幸運的是，本研究中的人工智慧模型能夠以90。4%的準確率識別和診斷疾病嚴重程度！

在另一項研究中，研究人員更進一步，使用改進的YOLO v3演算法來檢測番茄植株上的多種病蟲害。

藉助數碼相機和智慧手機，研究人員在當地的番茄溫室拍照，發現了12種不同的疾病或害蟲病例。

一旦模型使用解析度和特徵物件大小不同的影象進行訓練，它的病蟲害檢測準確率達到了92。39%，檢測時間僅為20。39毫秒。

使用程式碼查詢錯誤

假設您不僅想知道您的農作物是否有害蟲，還想知道有多少害蟲，用於昆蟲檢測的計算機視覺系統也涵蓋了這一點。

我們有沒有提到這也適用於飛蟲？

它們當然不是最有趣的手動捕捉和計數。

研究人員首先設定了一個粘性陷阱來捕捉六種不同種類的飛蟲並收集實時影象。然後他們基於YOLO物件檢測的檢測和粗計數方法，以及使用全域性特徵的支援向量機 （SVM） 上的分類和精細計數。

總而言之，他們的計算機視覺模型能夠以90。18%的準確率識別蜜蜂、蒼蠅、蚊子、飛蛾、金龜子和果蠅，並以92。5%的準確率計算它們。

這些研究表明，用於監測我們食品系統健康狀況的人工智慧計算機視覺的未來是有希望的。它不僅可以減少勞動效率低下，而且可以在不犧牲觀察結果的可靠性的情況下做到這一點。

牲畜健康監測

到目前為止，我們主要關注植物，但農業不僅僅是小麥、西紅柿和蘋果。

動物是我們農業系統的另一個主要組成部分，與植物相比，它們往往需要更多的跟蹤。計算機視覺能否跟上移動中的牛、雞和豬的速度？

好吧，如果它可以追蹤一隻蒼蠅，它當然可以追蹤一頭牛。

CattleEye是農業行業人工智慧優先公司的一個很好的例子。他們使用高架攝像頭和計算機視覺演算法來監控牛的健康和行為。

這意味著發現問題並不取決於養牛者就在奶牛旁邊。相反，可以遠端實時跟蹤和監控牛群，以便在發現問題後立即通知農民。

當然，這不僅限於牛。計算機視覺還可以：

計數動物、檢測疾病、識別異常行為並監控重要活動，例如分娩；

從相機和無人機 （UAV） 收集資料；

結

合其他技術，讓

農民瞭解動物健康和食物或水的獲取情況。

這些演算法經過訓練，可以檢視影片資料並確定雞在做什麼——它們是在喝水、吃飯、睡覺，還是在做一些可能表明疾病或行為問題的奇怪事情。

智慧噴塗

我們已經看到計算機視覺擅長髮現農業中的疾病，但它也可以幫助預防它們。

配備計算機視覺AI的無人機可以自動在田間均勻噴灑殺蟲劑或肥料。

透過對目標噴灑區域的實時識別，無人機噴霧器能夠在噴灑區域和噴灑量方面進行高精度操作，顯著降低了汙染農作物、人類、動物和水資源的風險。

雖然這裡的潛力很大，但目前仍然存在一些挑戰。例如，使用多架無人機噴灑大片區域的效率要高得多，但為單個飛行器分配特定的任務序列和飛行軌跡可能會很棘手。

但這並不意味著智慧噴塗的遊戲結束。

弗吉尼亞理工大學的研究人員設計了一種基於伺服電機控制噴霧器的智慧噴霧系統，該噴霧器使用計算機視覺檢測雜草。安裝在噴霧器上的攝像頭記錄雜草的地理位置，並分析每株討厭的植物的大小、形狀和顏色，以便提供精確數量的除草劑和精確定位。

換句話說，它是一種除草劑。但與終結者不同的是，計算機視覺系統的準確性使其能夠以如此精確的方式進行噴灑，從而避免對農作物或環境造成附帶損害。

自動除草

智慧噴霧器並不是唯一進入自動除草的人工智慧，還有其他計算機視覺機器人採用更直接的方法來消除不需要的植物。

現在，以與計算機視覺可以發現昆蟲或行為異常的雞相同的方式發現雜草，實際上並沒有為農民減少很多工作。為了提供更大的幫助，人工智慧需要找到並清除雜草。

能夠以物理方式清除雜草不僅為農民節省了大量工作，而且還減少了對除草劑的需求，從而使整個農業經營更加環保和可持續。

雜草叢生的機器人

幸運的是，物體檢測可以很好地識別雜草並將它們與農作物區分開來。然而，真正的力量來自於計算機視覺演算法與機器學習相結合來構建執行自動除草的機器人。

所有這一切都很好地介紹了BoniRob，這是一種農業機器人，它使用攝像頭和影象識別技術來尋找雜草並透過將螺栓插入地裡清除它們。

它透過對葉子大小、形狀和顏色的影象訓練來學習區分雜草和農作物。這樣一來，BoniRob就可以在田間滾動，消除不受歡迎的植物，而不會破壞任何有價值的東西。

雖然我們的AI朋友無論如何都在外地工作，但也許他們還可以做其他工作。

一組科學家正致力於透過設計用於檢測雜草和土壤水分含量的農業機器人來實現這一目標。

透過這種方式，它可以穿過田地，清除雜草並在移動過程中將適量的水輸送到土壤中。

該系統的實驗結果表明，其植物分類和除草率均在90%以上，同時保持深層土壤含水量在80±10%。

航空測量和成像

在這一點上，計算機視覺在測量土地和關注農作物和牲畜方面也有一些出色的應用，這可能並不令人驚訝。

但這並沒有降低智慧農業的重要性。

人工智慧可以分析來自無人機和衛星的影象，以幫助農民監測農作物和畜群。這樣一來，如果出現異常情況，他們可以立即得到通知，而無需自己不斷地觀察這些欄位。

航空成像還有助於提高農藥噴灑的精度和效率。如前所述，確保殺蟲劑只用於預期用途可以節省資金以及保護周圍環境。

生產分級和分揀

最後，即使作物已經收割，人工智慧計算機視覺也可以繼續幫助農民。

正如它們能夠在植物生長過程中發現缺陷、疾病和害蟲一樣，成像演算法也可用於將“好”產品與有缺陷的產品或僅僅是醜陋的產品進行分類。

透過檢查水果和蔬菜的大小、形狀、顏色和體積，計算機視覺可以自動化分揀和分級過程，其準確率和速度甚至比訓練有素的專業人員還要高。

質量完美的產物

以胡蘿蔔分類為例，

這項工作很費力，通常是手工完成的。

然而，研究人員開發了一種自動分揀系統，該系統使用計算機視覺來挑選出有表面缺陷或形狀和長度不正確的胡蘿蔔。

因此，“好”胡蘿蔔是一種形狀正確（“凸多邊形”）且不含任何須根或表面裂縫的胡蘿蔔。

在這三個標準上，計算機視覺模型能夠對胡蘿蔔進行分類和分級，準確率分別為95。5%、98%和88。3%。

此外，讓我們回到經典番茄，另一項研究發現，機器學習人工智慧能夠使用具有七個輸入特徵的影象資料以95。5%的準確率對番茄質量進行評分。

在這兩種情況下，節省的繁重體力勞動量都是巨大的。這一切都要歸功於一些關於“好”胡蘿蔔或西紅柿長什麼樣子的人工智慧模型訓練。

農業+人工智慧的未來

農業人工智慧的未來：農民作為人工智慧工程師？

縱觀人類歷史，技術長期以來一直被用於農業，以提高效率並減少農業中涉及的密集人力。從改良的犁到灌溉，從拖拉機到現代人工智慧，這是人類和農業自農業發明以來所經歷的演變。

計算機視覺的日益增長和越來越便宜的可用性將成為這裡向前邁出的又一重要一步。

隨著我們的氣候、環境和全球糧食需求發生巨大變化，人工智慧有能力透過以下方式改變21世紀的農業：

提高時間、勞動力和資源的效率；

提高環境可持續性；

讓資源配置“更智慧”；

提供實時監控，以提高產品的健康和質量。

當然，這將需要農業產業的一些轉變。農民對其“領域”的瞭解需要轉化為人工智慧培訓，這將取決於農業部門更多的技術和教育投資。

但話又說回來，創新和適應在農業中並不是什麼新鮮事。計算機視覺和農業機器人只是農民採用新技術來滿足不斷增長的全球糧食需求和提高糧食安全的最新方式。

圖片來源於網路

投稿、申請轉載、合作、AI課程推廣，請聯絡我們