随着机器视觉的淘汰成本，期望它会筹集更多的农作物

几千年来，农业通过种子，水，肥料和砂砾的实践应用来帮助传播人类文明。As the global population approaches 9 billion, however, the ancient practice faces the consequences of its success: Not only must today’s industry optimize yields to keep pace with the growing number of hungry mouths across the globe, it must also compete with a growing population for resources such as water and arable land. Also, despite the growth in human numbers, farmers in many regions face the ironic challenge of finding able or willing manual labor to help tend their crops.

与任何高风险生产企业具有稀薄且可变的利润率一样，农业也会繁殖一种思维定势，不愿尝试新的工具和实践。然而，面对全球压力，农民将机器视觉稳步整合到了他们的操作中，尽管一只眼睛固定在底线上。试图将计算图像分析应用于农业等可变环境时，仍存在挑战。但是，视觉技术表明，它可以帮助提高产量，降低风险，并在引入机器学习技术的情况下，在减少劳动力池的情况下保留耕作的实践。

徒步步行，密集的，浓密的甘蔗田地并不容易导航，更少的管理。这导致了一些农民从无人机安装的热摄像机中捕获数据，如夏威夷种植园拍摄的这张图像所示。在长波红外频谱中，灌溉问题更容易看到，当与GPS数据结合使用时，可以帮助农民在作物丢失之前查明和解决该问题。礼貌Movitherm。

低成本航班

遥感是机器视觉技术在农业中更具成熟的应用之一，帮助农民收集有关其农作物健康的数据，从传统上安装在板卫星或飞机上的可见，红外，多光谱或热传感器。最近，低空飞行的无人机为农民提供了第三种选择，该选择提供了更大的操作控制和高度针对性的田野成像。

无人机通常比其他平台更经济，因为它们不需要加油和许可即可将调查飞机置于空中。它们的低海拔操作还可以更好地利用农业有利的基于微晶的热摄像机。

与低温冷却的MCT成像仪相反，未冷却的微光仪相机提供了更紧凑的外形和较低的成本。如果他们有缺点，则与经常配对的可见光谱摄像机相比，它们的分辨率相对较低。最常在农业调查中使用的传感器格式通常捕获320 x 240像素或640 x 512像素的分辨率。

Movitherm的总裁兼首席执行官Markus Tarin说：“根据叶子是什么，您需要一定的决议，以确保您在农作物的某些特征上拥有多个像素，以免失去有价值的信息。”“在最佳场景中，微光学计基本上具有VGA分辨率。当以1,500英尺的速度飞行时，您无能为力，在较低海拔地区飞行意味着更长的调查飞行。但是，在农业中使用微量摩托计摄像机仍然可用于检测更大的问题，例如灌溉问题。”

更长的航班转化为较高的自付费用，以支付飞行员并为飞机加油 - 除非飞行员是您或飞机是您的无人机。

成本效益分析推动了农业中的其他视力应用。最小化飞行时间也是采用多光谱成像系统的基础，这些成像系统在跨越可见的和红外光谱的几个波长范围内收集图像数据。如果您要签约飞行员飞越领域，那么您可能还会在船上有多个具有不同过滤器和光谱敏感性的摄像头，以在一次通行证中收集尽可能多的有用信息。

高光谱成像通过使用棱镜或光栅从仅测量少数纳米的多个光谱带中捕获数据，从而进一步迈进了一步。据报道，来自瑞士Gamaya等公司的高光谱系统可提供40多种光谱测量，以提供有关杂草，害虫和植物疾病以及水分含量和一般农作物健康的见解。

塔林说，从多个波长中收集数据的另一个优点是，您可以覆盖多光谱信息，以推断农作物领域中发生的事情。“因此，如果热成像师告诉您您在某个区域中未正确灌溉，则在可见光谱中运行的另一台相机可以告诉您这如何影响叶绿素水平。您可以从行动计划中获得更多信息，”他说。

在农业工具套件中添加云技术是这种经济动态的另一个扩展。传统上，飞机调查在一天之内捕获了图像数据，但是后处理，分析和交付可能会在农民采取行动之前数周。如今，数据通常以一种格式将数据数字化并几乎立即上传到云中，该格式使农民可以在其领域按需访问它。

从硅谷到面包板

自然世界（阅读：农业）的较高差异对传统的机器视觉甚至深度学习工具提出了重大挑战，领导像Stout Agtech这样的公司更深入地研究机器学习工具袋。斯托特（Stout）开发的视觉系统基于深厚的增强学习，该系统通过反馈而不是一组训练图像有效地学习。Stout的系统的复杂性使IT可以将低成本CMOS传感器应用于输入，从而扩展了新的农业应用中视觉技术的财务可行性。礼貌Stout Agtech。

传统的机器视觉在工业和物流应用中蓬勃发展，部分原因是应用程序和工作环境更可控制，这使得根据可预测的阈值更容易设计系统。鉴于不断变化的天气状况使系统设计师无法克服的天气差异几乎是无限程度的差异，因此并非如此。

即使是深入学习的工具，这些工具正在帮助应对诸如表面检查，缺陷分类和对完成组件的检查之类的艰难挑战，在农业环境中也可能面临特别艰难的行。

例如，小麦不仅仅是一种农作物。仅在美国，全球就有大约1,000个商业上重要的品种，有30,000多种。训练深度学习系统以检测和识别其中的一部分也将需要样品集以应对不同土壤组成，季节性变化和生长阶段的影响。这仅适用于小麦。

这种差异并没有阻止农业深度学习的游行。公共和本土数据的作物正在慢慢扎根。但是，另一个解决方案可能来自另一个称为“深钢筋学习”（DRL）的人工智能部分，它像深度学习一样，使视觉系统188金宝搏下载界面能够自动学习新的预测模型。不同之处在于，在深度学习的基础上，DRL算法使该系统可以通过反复试验和错误有效地实现所需目标。它使计算机能够尝试不同的方法，通过反馈来学习所需的结果，然后加强该方法。

该技术是智能农场机器OEM Stout Agtech应用的所谓感知工具的基础，用于具有较高差异的农业应用，迄今为止，这些应用使它们对机器视觉具有抵抗力。Stout将其DRL驱动的视觉模块安装在工具栏上，该工具栏可以拖到带有常见的三分搭扣的拖拉机后面。然后，该系统可以将指令馈送到编码器，该编码器会根据应用程序的不同，无论是稀疏，除草，喷涂还是使下面的农作物变薄，都可以激活任何数量的常规机械工具。

斯托特（Stout）董事总经理兼联合创始人克里斯·劳丹多（Chris Laudando）说：“深入的强化学习使我们能够解决一个全新的问题。”“我们不喜欢传统的机器视觉硬件和软件工具，或者仅通过斑点检测，同心性，并行性和相交线或像素计数来限制，以推断世界上正在发生的事情。因此，这使我们在处理一个高度多样化的世界上，这是自然世界。”

Stout保护了其视觉技术的细节，但劳丹多声称DRL算法的复杂性使使用低成本CMOS传感器进行投入，这扩展了在新的农业应用中Stut ofersive Technology的财务可行性。例如，该公司正在帮助佐治亚州自动化有机花生养殖，由于其避开了广阔的化学喷雾剂，该公司一直在非常紧张的手动劳动力市场中灭绝。

劳丹多说：“在得克萨斯州的高平原上，他们可以提供手动劳动的供应，他们可以带来除草的船员，以减轻有机作物的压力，并赚取1,200英亩的土地。”“佐治亚州的有机花生农民需要手动控制杂草，这意味着他们只能每英亩400美元。”

Stout的DRL驱动视觉系统很快能够将可行的花生植物与杂草区分开。他说，除了实现除草过程的自动化之外，它也有望恢复佐治亚州褪色的农场传统。

将相同的5级自动驾驶汽车的基本技术投入到最实用的农业社区似乎很长。但是，随着视觉和机器学习技术的发展，可以帮助自动化流程，而目前有10至20人正在做出主观决策，因此其在农场的财务可行性将大大改善。