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(jì)算機(jī)視覺
要養(yǎng)活數(shù)十億人,您需要大量土地?,F(xiàn)在人工培養(yǎng)是不可能的。同時(shí),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(shí)識(shí)別和消除。
這引入了計(jì)算機(jī)視覺算法可以提供幫助的另一個(gè)領(lǐng)域。種植者使用計(jì)算機(jī)視覺識(shí)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(shí)別植物病害或害蟲的早期跡象。這些項(xiàng)目通常基于流行的計(jì)算機(jī)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(jì)算機(jī)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??梢愿玫亓私庵参锝】担?,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(jì)算機(jī)視覺技術(shù),特別是卷積神經(jīng)網(wǎng)絡(luò)。
數(shù)以百萬計(jì)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(jī)器人
像Prospero這樣的自主農(nóng)業(yè)機(jī)器人可以在地面上挖一個(gè)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(jī)器人還可以處理生長過程,單獨(dú)處理每株植物。當(dāng)時(shí)機(jī)成熟時(shí),機(jī)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(shí)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(shí)期之前。如今,機(jī)器人正在迅速普及在農(nóng)業(yè)領(lǐng)域,讓您能夠自動(dòng)化越來越多的日常任務(wù):
自動(dòng)無人機(jī)噴灑農(nóng)作物。小型、靈活的無人機(jī)能夠比傳統(tǒng)飛機(jī)更準(zhǔn)確地運(yùn)送危險(xiǎn)化學(xué)品。此外,噴霧器無人機(jī)可用于航拍,以獲取本文開頭提到的計(jì)算機(jī)視覺算法的數(shù)據(jù)。
越來越多的收割專用機(jī)器人正在開發(fā)和使用。聯(lián)合收割機(jī)已經(jīng)存在了很長時(shí)間。盡管如此,直到現(xiàn)在,在計(jì)算機(jī)視覺和機(jī)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(jī)器人。
像Hortibot這樣的機(jī)器人能夠通過機(jī)械地去除雜草來識(shí)別并殺死它們。這是現(xiàn)代機(jī)器人技術(shù)和計(jì)算機(jī)視覺的又一次巨大成功,因?yàn)橐郧安豢赡軈^(qū)分雜草和有用的植物,也無法使用機(jī)械手處理小型植物。
雖然許多農(nóng)業(yè)機(jī)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(jī)器人技術(shù)可以在農(nóng)業(yè)中很好地發(fā)揮作用??梢杂邪盐盏仡A(yù)測,在不久的將來,越來越多的農(nóng)業(yè)工作將實(shí)現(xiàn)自動(dòng)化。
照顧農(nóng)場動(dòng)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(gè)試點(diǎn)項(xiàng)目將計(jì)算機(jī)視覺帶到了一個(gè)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(jī)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?;顒?dòng)和溫度的項(xiàng)圈,其口號(hào)是“FitBit for Cows”。法國科學(xué)家正在開發(fā)奶牛面部識(shí)別技術(shù)。
也有人嘗試在以前被忽視的價(jià)值數(shù)千億美元的行業(yè)——養(yǎng)豬業(yè)中使用計(jì)算機(jī)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(dòng)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(gè)問題。根據(jù)這個(gè)網(wǎng)站,動(dòng)物一生中通常只稱重兩次:在育肥的開始和結(jié)束時(shí)。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(dú)的育肥計(jì)劃,甚至制定單獨(dú)的食品添加劑成分,從而顯著提高產(chǎn)量。把動(dòng)物趕到秤上并不是很困難,但這對動(dòng)物來說是一個(gè)巨大的壓力,豬會(huì)因壓力而減肥。新的人工智能項(xiàng)目計(jì)劃開發(fā)一種新的、非侵入性的動(dòng)物稱重方法。Neuromation將建立一個(gè)計(jì)算機(jī)視覺模型,該模型將根據(jù)照片和視頻數(shù)據(jù)估計(jì)豬的重量。這些估計(jì)將被輸入已經(jīng)很經(jīng)典的分析機(jī)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(shí)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(shí)現(xiàn)自動(dòng)化。栽培的植物和豬雖然彼此相似,但仍然不會(huì)離開同一條流水線,每個(gè)番茄灌木和每頭豬都需要單獨(dú)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(shí)考慮到植物和動(dòng)物之間的個(gè)體差異,同時(shí)也自動(dòng)化與它們合作的技術(shù)。在開闊的田野中駕駛拖拉機(jī)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?yàn)檫@個(gè)產(chǎn)業(yè)的龐大規(guī)模,即使是效率的微小提高也會(huì)帶來巨大的收益。