當人工智慧遇見農業，農民伯伯不再「粒粒皆辛苦」

• 2019 年 11 月 29 日
• 筆記

By 超神經

場景描述：在農業生產上，利用機器學習，電腦視覺，混合現實等 AI 技術，打造智慧化農業，能夠將傳統的農業生產帶到更加高效的方式中來。

關鍵詞： AI 農業 ，混合現實，電腦視覺

清明過後，穀雨將至，各地陸續進入了春種時節。

中國的農耕文化源遠流長，從新石器時代開始，就已經有較為成熟農耕文化，也是目前可考的世界上最早種植小米和水稻的國家。

作為農業大國，中國始終把農業放在首位，今年兩會上「三農」仍是焦點話題。雖然農耕文明距今已經近八千年，但是機械化的農機工具介入生產，是建國前後才逐漸發展，中國的農民在很長的時間裡，都在「看天吃飯」。

在科技和農業科學飛速發展的近幾十年里，更加科學化的提高農業各個環節的品質和效率，餵飽了六十多億人口。

就目前發展來看，AI 農業已經似乎取得不錯的成效。

耕作前就可以模擬出收成

目前人工智慧介入農業的主要手段，就是通過機器學習等技術，將大量數據輸入統計模型，能夠智慧化地監控和掌握農產品的培育和生長情況，從而提高生產效率和產品品質，為農業生產提供建議和幫助。

AI 技術用在作物培育上

農場可以收集大量有關作物健康，天氣，土壤等數據。利用 ML 的分析預測能力，將會對種植業和畜牧養殖帶來自動化的智慧方案。

現在一種具體的模擬技術，也會逐步被應用到農業生產中去，這就是混合現實（ MR，Mixed Reality ）。 將真實世界和虛擬世界混合在一起，來產生新的可視化環境，環境中同時包含了物理實體與虛擬資訊，並且必須是「實時的」。

當 MR 混合現實應用到農業里，功能就很強大了。過去農民選擇自己種植的作物，通常是靠經驗和村鎮里的推廣，今年種大豆不行，就種西紅柿，西紅柿長不出來，就種辣椒。

但是古舊的經驗，並不是最有效的解決方案，還會因為天氣、病蟲災害、灌溉而歉收，傳統方式的試錯成本極高。

現在，以 3D 映射技術（ 3D – Mapping ）為例，它允許將數據轉換為虛擬環境。因此，可以藉此創造不同作物的種植方案，還能幫助遠程設備監測或控制等等，讓我們在耕種之前，就可以測算出某種作物的生長情況，甚至模擬出最後的收成。

通過 MR 技術，對農場地形、作物、設施設備、建築

人員和警報等內容的可視化展示

科學家們還為農民提供了使用支援 MR 的「頭盔」或「護目鏡」觀察作物狀況的機會。利用可視化，感測器， VR 等技術，幫助實現對農場的實時監控，調控設施，智慧管理等等。

利用 MR 模擬作植物生長的效果圖

當然，這只是探索物理世界中潛在分層數字資訊的一個開始。利用想像力去實現數字化的模擬，能夠減少實際的失敗率，還可以探索出更多潛在的用例。

電腦視覺、機器學習、神經網路齊上陣

AI 提高農場產量和效率用例和應用正在越來越多。比如在以下的幾個方面：

電腦視覺實現自動化：智慧農業設備將配備攝影機、GPS 和處理影片數據的技術，實現智慧的決策建議，而不需要將所有數據發送到雲。電腦視覺系統允許拖拉機進行尋路，檢測障礙物，收穫某個指定種類的作物等。

基於機器學習的智慧灌溉：人們使用灌溉設備澆灌植物或噴洒化學品，更多現代化的灌溉系統採用集成的 ML 技術，能夠將雜草與作物區分開來，並用除草劑噴洒雜草。這意味著使用較少的除草劑，因此降低了成本，得到更安全的食物。

無人機在進行農藥噴洒作業，這一技術已經在廣泛推進

神經網路用在土質分析：通過神經網路模型，分析土壤性質特徵，並將其與宜栽作物品種間建立關聯模型。藉助非侵入性的探地雷達成像技術，結合電磁感應土壤感測器獲取的訊號，獲取土壤表層的粘土含量資訊等等。從而精準的判斷出相應的土壤適合宜栽的農作物，提高農作物的生產效率和經濟效益。

機器人對土質進行收集檢測

結合 AI 的衛星數據分析：一家名為 Harvesting 的初創公司能夠通過專有的機器學習演算法分析衛星數據並預測玉米產量，該演算法可以識別植物的一般狀況。

科技大廠的 AI 農業之路

那些掌握了資源和技術中國大廠們，也在去年紛紛開啟了 AI 農業的研究，他們在 AI 農業的發展上，做出了示範作用。

2018 年 6 月 阿里發布的 ET 農業大腦，就能解決農業的一些問題。比如在養豬上， AI 利用了機器視覺攝影機與數據分析能力，來觀察豬的生長數據，從而達成優勝劣汰；

此外，將聲紋識別和紅外線測溫帶到養豬場，通過豬的體溫和聲音進行 AI 預測豬的身體狀況，最終提升母豬產崽能力，降低死亡率。

阿里雲 ET 農業大腦

去年 11 月，京東數科也做了 AI 輔助養豬的事情。除了用 AI 攝影機與數據智慧系統之外，他們還加入了 IoT 系統，機器人管理系統，比如養殖巡檢機器人、飼餵機器人等等，而且還有採用「豬臉識別」技術，來幫助養殖場的管理。

京東數科的豬臉識別

除了養豬， AI 在農作物種植上，也有不錯的進展。阿里的 ET 農業大腦，報道過甜瓜和生菜上的養殖工作。去年 12 月，騰訊 AI lab 的團隊在國際人工智慧溫室種植大賽（Autonomous Greenhouse Challenge），通過強化學習演算法去實現智慧「種黃瓜」項目，最終獲得了「AI 策略」單項第一名、總分第二名。

騰訊 AI lab 種黃瓜效果顯著，可以發展副業了

這些科技大廠的案例，還是在示範和探索階段，要大規模地投入使用，也許還有一段路要走。 這也說明 AI 農業的發展也面臨著一些挑戰。

一方面是在傳統農業的發展下， AI 模型能夠分析和處理的數據並不是很多，標準化程度很低；另一方面 ，AI 農業的技術設備需要重新去搭建和完善。這不僅僅是演算法策略的問題，還是解決配套的硬體技術支援等工程問題。

儘管如此，隨著社會的發展，智慧農業帶來的利潤和收益的潛能是無限的。一些初步的應用結果已經小有成效，通過對 AI 的合理利用， 在智慧化農業的道路上也將越走越遠。

超神經百科

隨機森林演算法 Random Forest Algrithm

隨機森林是包含多個決策樹的多功能演算法。

基本的方法是，使用有放回抽樣（ Bootstrap 抽樣）構成的樣本集訓練多棵決策樹，訓練決策樹的每個節點時，只使用隨機抽樣的部分特徵。

基於一個屬性對新的對象進行分類判別時，隨機森林中的每一棵樹先給出自己的分類選擇，並由此進行「投票」。

對於分類問題，森林整體的輸出結果將會是票數最多的分類選項；而在回歸問題中，隨機森林的輸出將會是所有決策樹輸出的平均值。

隨機森林演算法中，「隨機」是其核心靈魂，「森林」只是一種簡單的組合方式而已。隨機森林在構建每顆樹的時候，為了保證各樹之間的獨立性，通常會採用兩到三層的隨機性。