2023年12月17日发(作者：廖飞莲)

人工智能在农业领域的应用

作物和土壤监测

土壤中的微量和大量营养素是作物健康以及产量数量和质量的关键因素。然后，一旦农作物进入土壤，监测生长阶段对于优化生产效率也至关重要。了解作物生长与环境之间的相互作用对于做出调整以改善作物健康至关重要。

现在，传统上土壤质量和作物健康是由人类观察和判断来决定的。但这种方法既不准确也不及时。相反，我们现在可以使用无人机（UAV）来捕捉航拍图像数据，并训练计算机视觉模型使用它来智能监测作物和土壤状况。

视觉传感人工智能可以分析和解释这些数据：

跟踪作物健康；

做出准确的产量预测；

比人类更快地发现作物营养不良。

人工智能模型可以告知农民具体的问题在哪里，以便他们立即采取行动。现在让我们看一些真实的例子，来说明计算机视觉如何帮助他们的作物保持健康和高产。

观察作物成熟度

人工观察小麦头生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。

研究人员通过在三年内不同“抽穗”阶段和不同照明条件下收集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，这种计算机视觉模型能够在准确识别小麦生长阶段方面优于人类观察，这意味着农民不再需要每天跋涉到田间来检查他们的作物。

或者想象一下必须在工业水平上手动检查西红柿的成熟度。出色的人工智能也可以提供帮助！

另一项研究检查了计算机视觉在检测西红柿成熟度方面的能力。研究人员创建了一种算法，可以分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。

结果好到令人震惊！该算法实现了99.31%的成功检测和分类率。对于农民来说，过度服务和估计作物的生长和成熟度是一项艰巨的劳动密集型工作。但事实证明，人工智能能够轻松且准确地处理大部分工作。

昆虫和植物疾病检测

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

使用基于深度学习的图像识别技术，我们现在可以自动检测植物病虫害。这项工作使用图像分类、检测和图像分割方法来构建可以“密切关注”植物健康的模型。

诊断病虫害严重程度

来看一个对苹果黑腐病的研究例子。

研究人员使用苹果黑腐病的图像训练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主要阶段进行了注释。

与我们之前的示例一样，计算机视觉的替代方案需要大量劳动密集型的人工搜索和评估。对农民来说幸运的是，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，研究人员更进一步，使用改进的YOLOv3算法来检测番茄植株上的多种病虫害。

借助数码相机和智能手机，研究人员在当地的番茄温室拍照，发现了12种不同的疾病或害虫病例。

一旦模型使用分辨率和特征对象大小不同的图像进行训练，它的病虫害检测准确率达到了92.39%，检测时间仅为20.39毫秒。

牲畜健康监测

到目前为止，我们主要关注植物，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主要组成部分，与植物相比，它们往往需要更多的跟踪。计算机视觉能否跟上移动中的牛、鸡和猪的速度？

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。他们使用高架摄像头和计算机视觉算法来监控牛的健康和行为。

这意味着发现问题并不取决于养牛者就在奶牛旁边。相反，可以远程实时跟踪和监控牛群，以便在发现问题后立即通知农民。

当然，这不仅限于牛。计算机视觉还可以：

计数动物、检测疾病、识别异常行为并监控重要活动，例如分娩；

从相机和无人机（UAV）收集数据；

结合其他技术，让农民了解动物健康和食物或水的获取情况。

这些算法经过训练，可以查看视频数据并确定鸡在做什么——它们是在喝水、吃饭、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

我们已经看到计算机视觉擅长发现农业中的疾病，但它也可以帮助预防它们。配备计算机视觉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，显着降低了污染农作物、人类、动物和水资源的风险。

虽然这里的潜力很大，但目前仍然存在一些挑战。例如，使用多架无人机喷洒大片区域的效率要高得多，但为单个飞行器分配特定的任务序列和飞行轨迹可能会很棘手。

但这并不意味着智能喷涂的游戏结束。

弗吉尼亚理工大学的研究人员设计了一种基于伺服电机控制喷雾器的智能喷雾系统，该喷雾器使用计算机视觉检测杂草。安装在喷雾器上的摄像头记录杂草的地理位置，并分析每株讨厌的植物的大小、形状和颜色，以便提供精确数量的除草剂和精确定位。

换句话说，它是一种除草剂。但与终结者不同的是，计算机视觉系统的准确性使其能够以如此精确的方式进行喷洒，从而避免对农作物或环境造成附带损害。

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，还有其他计算机视觉机器人采用更直接的方法来消除不需要的植物。

现在，以与计算机视觉可以发现昆虫或行为异常的鸡相同的方式发现杂草，实际上并没有为农民减少很多工作。为了提供更大的帮助，人工智能需要找到并清除杂草。

能够以物理方式清除杂草不仅为农民节省了大量工作，而且还减少了对除草剂的需求，从而使整个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，真正的力量来自于计算机视觉算法与机器学习相结合来构建执行自动除草的机器人。

所有这一切都很好地介绍了BoniRob，这是一种农业机器人，它使用摄像头和图像识别技术来寻找杂草并通过将螺栓插入地里清除它们。

它通过对叶子大小、形状和颜色的图像训练来学习区分杂草和农作物。这样一来，BoniRob就可以在田间滚动，消除不受欢迎的植物，而不会破坏任何有价值的东西。

虽然我们的AI朋友无论如何都在外地工作，但也许他们还可以做其他工作。

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。通过这种方式，它可以穿过田地，清除杂草并在移动过程中将适量的水输送到土壤中。

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%。

航空测量和成像

在这一点上，计算机视觉在测量土地和关注农作物和牲畜方面也有一些出色的应用，这可能并不令人惊讶。

但这并没有降低智能农业的重要性。

人工智能可以分析来自无人机和卫星的图像，以帮助农民监测农作物和畜群。这样一来，如果出现异常情况，他们可以立即得到通知，而无需自己不断地观察这些字段。

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途可以节省资金以及保护周围环境。

生产分级和分拣

最后，即使作物已经收割，人工智能计算机视觉也可以继续帮助农民。

正如它们能够在植物生长过程中发现缺陷、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。

通过检查水果和蔬菜的大小、形状、颜色和体积，计算机视觉可以自动化分拣和分级过程，其准确率和速度甚至比训练有素的专业人员还要高。

质量完美的产物

以胡萝卜分类为例，这项工作很费力，通常是手工完成的。然而，研究人员开发了一种自动分拣系统，该系统使用计算机视觉来挑选出有表面缺陷或形状和长度不正确的胡萝卜。

因此，“好”胡萝卜是一种形状正确（“凸多边形”）且不含任何须根或表面裂缝的胡萝卜。在这三个标准上，计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，另一项研究发现，机器学习人工智能能够使用具有七个输入特征的图像数据以95.5%的准确率对番茄质量进行评分。

在这两种情况下，节省的繁重体力劳动量都是巨大的。这一切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训练。

2023年12月17日发(作者：廖飞莲)

人工智能在农业领域的应用

作物和土壤监测

土壤中的微量和大量营养素是作物健康以及产量数量和质量的关键因素。然后，一旦农作物进入土壤，监测生长阶段对于优化生产效率也至关重要。了解作物生长与环境之间的相互作用对于做出调整以改善作物健康至关重要。

现在，传统上土壤质量和作物健康是由人类观察和判断来决定的。但这种方法既不准确也不及时。相反，我们现在可以使用无人机（UAV）来捕捉航拍图像数据，并训练计算机视觉模型使用它来智能监测作物和土壤状况。

视觉传感人工智能可以分析和解释这些数据：

跟踪作物健康；

做出准确的产量预测；

比人类更快地发现作物营养不良。

人工智能模型可以告知农民具体的问题在哪里，以便他们立即采取行动。现在让我们看一些真实的例子，来说明计算机视觉如何帮助他们的作物保持健康和高产。

观察作物成熟度

人工观察小麦头生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。

研究人员通过在三年内不同“抽穗”阶段和不同照明条件下收集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，这种计算机视觉模型能够在准确识别小麦生长阶段方面优于人类观察，这意味着农民不再需要每天跋涉到田间来检查他们的作物。

或者想象一下必须在工业水平上手动检查西红柿的成熟度。出色的人工智能也可以提供帮助！

另一项研究检查了计算机视觉在检测西红柿成熟度方面的能力。研究人员创建了一种算法，可以分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。

结果好到令人震惊！该算法实现了99.31%的成功检测和分类率。对于农民来说，过度服务和估计作物的生长和成熟度是一项艰巨的劳动密集型工作。但事实证明，人工智能能够轻松且准确地处理大部分工作。

昆虫和植物疾病检测

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

使用基于深度学习的图像识别技术，我们现在可以自动检测植物病虫害。这项工作使用图像分类、检测和图像分割方法来构建可以“密切关注”植物健康的模型。

诊断病虫害严重程度

来看一个对苹果黑腐病的研究例子。

研究人员使用苹果黑腐病的图像训练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主要阶段进行了注释。

与我们之前的示例一样，计算机视觉的替代方案需要大量劳动密集型的人工搜索和评估。对农民来说幸运的是，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，研究人员更进一步，使用改进的YOLOv3算法来检测番茄植株上的多种病虫害。

借助数码相机和智能手机，研究人员在当地的番茄温室拍照，发现了12种不同的疾病或害虫病例。

一旦模型使用分辨率和特征对象大小不同的图像进行训练，它的病虫害检测准确率达到了92.39%，检测时间仅为20.39毫秒。

牲畜健康监测

到目前为止，我们主要关注植物，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主要组成部分，与植物相比，它们往往需要更多的跟踪。计算机视觉能否跟上移动中的牛、鸡和猪的速度？

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。他们使用高架摄像头和计算机视觉算法来监控牛的健康和行为。

这意味着发现问题并不取决于养牛者就在奶牛旁边。相反，可以远程实时跟踪和监控牛群，以便在发现问题后立即通知农民。

当然，这不仅限于牛。计算机视觉还可以：

计数动物、检测疾病、识别异常行为并监控重要活动，例如分娩；

从相机和无人机（UAV）收集数据；

结合其他技术，让农民了解动物健康和食物或水的获取情况。

这些算法经过训练，可以查看视频数据并确定鸡在做什么——它们是在喝水、吃饭、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

我们已经看到计算机视觉擅长发现农业中的疾病，但它也可以帮助预防它们。配备计算机视觉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，显着降低了污染农作物、人类、动物和水资源的风险。

虽然这里的潜力很大，但目前仍然存在一些挑战。例如，使用多架无人机喷洒大片区域的效率要高得多，但为单个飞行器分配特定的任务序列和飞行轨迹可能会很棘手。

但这并不意味着智能喷涂的游戏结束。

弗吉尼亚理工大学的研究人员设计了一种基于伺服电机控制喷雾器的智能喷雾系统，该喷雾器使用计算机视觉检测杂草。安装在喷雾器上的摄像头记录杂草的地理位置，并分析每株讨厌的植物的大小、形状和颜色，以便提供精确数量的除草剂和精确定位。

换句话说，它是一种除草剂。但与终结者不同的是，计算机视觉系统的准确性使其能够以如此精确的方式进行喷洒，从而避免对农作物或环境造成附带损害。

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，还有其他计算机视觉机器人采用更直接的方法来消除不需要的植物。

现在，以与计算机视觉可以发现昆虫或行为异常的鸡相同的方式发现杂草，实际上并没有为农民减少很多工作。为了提供更大的帮助，人工智能需要找到并清除杂草。

能够以物理方式清除杂草不仅为农民节省了大量工作，而且还减少了对除草剂的需求，从而使整个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，真正的力量来自于计算机视觉算法与机器学习相结合来构建执行自动除草的机器人。

所有这一切都很好地介绍了BoniRob，这是一种农业机器人，它使用摄像头和图像识别技术来寻找杂草并通过将螺栓插入地里清除它们。

它通过对叶子大小、形状和颜色的图像训练来学习区分杂草和农作物。这样一来，BoniRob就可以在田间滚动，消除不受欢迎的植物，而不会破坏任何有价值的东西。

虽然我们的AI朋友无论如何都在外地工作，但也许他们还可以做其他工作。

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。通过这种方式，它可以穿过田地，清除杂草并在移动过程中将适量的水输送到土壤中。

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%。

航空测量和成像

在这一点上，计算机视觉在测量土地和关注农作物和牲畜方面也有一些出色的应用，这可能并不令人惊讶。

但这并没有降低智能农业的重要性。

人工智能可以分析来自无人机和卫星的图像，以帮助农民监测农作物和畜群。这样一来，如果出现异常情况，他们可以立即得到通知，而无需自己不断地观察这些字段。

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途可以节省资金以及保护周围环境。

生产分级和分拣

最后，即使作物已经收割，人工智能计算机视觉也可以继续帮助农民。

正如它们能够在植物生长过程中发现缺陷、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。

通过检查水果和蔬菜的大小、形状、颜色和体积，计算机视觉可以自动化分拣和分级过程，其准确率和速度甚至比训练有素的专业人员还要高。

质量完美的产物

以胡萝卜分类为例，这项工作很费力，通常是手工完成的。然而，研究人员开发了一种自动分拣系统，该系统使用计算机视觉来挑选出有表面缺陷或形状和长度不正确的胡萝卜。

因此，“好”胡萝卜是一种形状正确（“凸多边形”）且不含任何须根或表面裂缝的胡萝卜。在这三个标准上，计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，另一项研究发现，机器学习人工智能能够使用具有七个输入特征的图像数据以95.5%的准确率对番茄质量进行评分。

在这两种情况下，节省的繁重体力劳动量都是巨大的。这一切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训练。