農機先行，農業(yè)擁抱人工智能

如今，人工智能有望為農業(yè)帶來重大變革。

人工智能是一種包括機器學習等多個子集的技術。機器學習使計算機能夠通過在大量數據中尋找模式來以數學的方式預測結果或進行分類。然后在新數據出現時，學會隨著時間的推移更新這些模式或分類。

人工智能的最大優(yōu)勢在于能夠高速進行復雜的計算，而這在以前需要人類付出勞動才能完成。GPU（圖形處理單元）最近的改進提供了使之成為可能的計算能力。同時針對特定問題需要大量數據。

See & Spray系統

See & Spray Ultimate技術，由機器學習提供支持，使噴霧機能夠在向作物噴灑時只針對雜草。企業(yè)在不同情況下拍攝了成千上萬張不同作物中不同雜草的圖像，例如晴空、多云、黑暗、不同的土壤等。

Blue River和約翰迪爾的數據科學家隨后訓練See & Spray Ultimate系統在各種條件下識別作物。這些圖像是通過算法整理出來的，算法涉及重復一個或多個數學運算。算法通常在計算機上實現和解決。

凱斯的Patriot 50系列噴霧機使用一種稱為視覺引導的機器學習形式。

凱斯Patriot 50系列噴霧機

凱斯全球精準技術總監(jiān)Chris Dempsey表示，這是一種基于工廠位置發(fā)出轉向指令的解決方案。

視覺引導使用機載攝像頭將玉米植株的位置傳遞給噴霧機，使其保持在行上行走，而不是碾過作物植株。

日益增長的應用

人工智能是一個廣泛的領域，包括許多子集，例如機器學習。不過，基本上它都使用大量數據來提高效率。

整個數字農業(yè)中面臨的最大障礙是獲取大量復雜的數據集并將其轉化為有意義的信息。人工智能可以通過將所有這些數據綜合分析，轉化為種植者可以采取的行動，真正幫助彌合這一差距。

如今它在作物育種中的使用正在增加。無論是機器學習還是預測雜交性能的高級分析模型，目前各方正在研究各種不同的新技術。人工智能的使用也普遍用于許多機械生產線。

凱斯通過16個傳感器使用機器學習，來調整其AFS收獲指令系統。 這種農藝控制策略可以根據不同的土壤類型和條件自動調整最佳耕作深度。

凱斯AFS管理系統

增加喂入量同時減少谷物損失現在都是能夠自動完成的。從歷史上看，如果谷物樣品中的穗軸或異物過多，聯合收割機操作員將不得不進行篩分調整。

機器學習現在能夠自動執(zhí)行此操作。 傳感器會告訴聯合收割機它需要關閉較低的篩子或增加風扇或轉子速度。這些調整是基于了解給定作物類型的已知數據庫中的異物或不良谷物質量的情況。通常是一個圖像數據庫，顯示了良莠不齊質量的谷物。

約翰迪爾還在其S700和X9系列聯合收割機的自動維護功能中使用機器學習，以保持降低目標谷物損失和維持谷物質量性能。

操作員將根據損失水平和糧箱樣本設定聯合收割機的運行目標。ActiveVision相機每兩秒拍攝一次干凈的谷物照片。該數據被輸入到一種算法中，該算法用于將異物和損壞的谷物水平與目標數據進行比較。如果超過目標，則會自動進行調整。

約翰迪爾X9系列聯合收割機

解決季節(jié)性問題

美國農業(yè)科技公司Ceres Imaging于2014年在加州奧克蘭成立，是一家農業(yè)影像分析技術服務商。公司使用一種稱為計算機視覺的人工智能形式來檢測季節(jié)性作物問題。檢測不同波長的航空圖像和傳感器數據，輸入到一種算法中，該算法有助于揭示季節(jié)性疾病，例如營養(yǎng)缺乏癥。公司還研究了不同的疾病風險以及噴灑殺菌劑的最佳位置。

Ceres Imaging公司作業(yè)應用

盡管如此，機器學習收集的數據與自主輸入的數據一樣好。垃圾輸入，就會有垃圾輸出，因此輸入正確高質量的數據非常重要。

人工智能本身并不是靈丹妙藥，將計算機視覺衍生數據與當地農藝師或農民的意見相結合以提出建議仍然很重要。然而，人工智能技術可以幫助農學家更好地利用時間，瞄準最有可能從季節(jié)性處理中受益的領域。

灌溉系統維修

人工智能技術也讓灌溉系統的維修變得更加容易。Lindsay正與Microsoft Azure合作，使用機器學習通過Smart Pivot技術預測灌溉部件的故障?？梢栽诠收习l(fā)生前通知客戶。防止生長季節(jié)發(fā)生更大的問題并提高效率?！?/p>

例如，一臺機器因為變速箱壞了而發(fā)生故障是人工智能模型的模擬情況。如果我們可以訪問從故障發(fā)生時開始收集到的傳感器數據，就可以將其提供給人工智能模型，并告訴它如果再次發(fā)生這種情況，基本上就是變速箱故障的樣子。

約翰迪爾X9系列聯合收割機

局限性

不過，人工智能有其局限性。

在某些情況下，預測在田間實踐中被證實并不準確，例如變速箱問題。最終用戶或經銷商說了算，這仍然很重要。反過來問題又反饋到訓練模型中，使它們更加準確。

在See & Spray Ultimate模型中，區(qū)分大豆幼苗和苕葉幼苗具有挑戰(zhàn)性，因為它們看起來很相似。

隨著拍攝錄入更多圖像并重新訓練模型，情況會變得越來越好。這與人類分辨絨葉和幼大豆所花費的時間沒有什么不同?，F在需要以同樣的方式訓練 機器學習模型。

人工智能來了

人們期望人工智能及其子集能夠加快未來農業(yè)創(chuàng)新的速度。

目前只是觸及了機器學習和人工智能的皮毛。想要充分利用這種技術的農民應該盡可能地收集農場數據。

這些人工智能模型訪問的數據越多，它們就會變得越聰明，尤其是多多收集與農民的經營活動相關的數據。