随着机器视觉杂草的成本，期望它培养更多的作物

对于千年来，农业有助于将人类文明与种子，水，肥料和砂砾的施用有所帮助。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.

与任何具有剃刀薄且广泛的利润率的高风险生产企业一样，农业培育了一种犹豫不决的思维，可以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集成到其运营中 - 尽管用一只眼睛固定在底线上。在尝试将计算图像分析应用于环境作为变量作为农业时，继续存在挑战。但Vision技术已经证明它可以有助于提高产量，降低风险和 - 随着机器学习技术的推出 - 在减少劳动力池中的耕作中的耕作实践。

甘蔗的密集，浓密的野生田不易导航 - 远足较少的管理。这导致一些农民捕获来自无人机的热敏摄像机的数据，如夏威夷种植园所示。在长波红外光谱中，灌溉问题更容易可见，当与GPS数据相结合时，可以帮助农民查明并解决作物丢失之前的问题。礼貌movitherm.。

低成本的航班

遥感是农业机器视觉技术的更熟悉的应用之一，帮助农民从可见，红外线，多光谱或热敏传感器收集有关其作物健康的数据，传统上安装在卫星或飞机上。最近，低飞行无人机提供了农民的第三种选择，可提供更大的操作控制和其领域的高度目标成像。

无人机往往比其他平台更经济，因为它们不要求加油和许可在空中放入调查平面。它们的低空操作还可以更好地利用农业青睐的基于微生物计的热摄像机。

与低温冷却的MCT成像仪相反，未冷却的微生物计摄像机提供更紧凑的外形和更低的成本。如果它们具有缺点，则与频谱相机相比，它们的相对低分辨率，它们通常配对。农业调查中最常使用的传感器格式通常捕获320 x 240像素的分辨率或640 x 512像素。

“取决于树叶是什么，您需要一定的解决方案，以确保您对作物的某些特征有多个像素，以免失去有价值的信息，”Movitherm总裁兼首席执行官Markus Tarin说。““在最佳情况下，微压计基本上具有VGA分辨率。在1,500英尺处飞行时，你可以用它可以做到这一点，并且在较低的海拔地区飞行意味着较长的调查航班。然而，在农业中使用微生物计摄像机仍然有助于检测更大的问题，例如灌溉问题。“

较长的航班转化为更高的自付费用，以支付飞行员和燃料飞机 - 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觉应用。最小化飞行时间也是采用多光谱成像系统的基础，该模拟系统在跨越可见光和红外光谱的几个波长范围内收集图像数据。如果您要收缩飞行员飞过您的字段，您可能会有多个相机，并且在板上的频谱敏感度和频谱敏感度可以在单个通过中尽可能多地收集有用的信息。

高光谱成像通过使用棱镜或光栅进一步采用该步骤，以捕获来自仅测量几纳米的多个光谱带的数据。据报道，瑞士的基于瑞士的Gamaya等高光谱系统提供了40多项光谱测量，以提供对杂草，害虫和植物疾病以及水分含量和常规作物健康的见解。

从多个波长收集数据的另一个优点是塔林，然后您可以覆盖多光谱信息，以推断在作物领域中展开的内容。“所以，如果热成像仪告诉您在某个地区没有灌溉，则在可见频谱中运行的另一相机可以告诉您如何影响叶绿素水平。你在你的行动计划方面获得更多信息，“他说。

对农业工具套件的云技术增加了这种经济动态的另一个延伸。传统上，飞机在一天内进行捕获的图像数据，但后处理，分析和交付可能会在农民可以采取行动前增加几周。今天，数据通常以允许农舍在其字段中按需访问它的格式的格式，几乎立即立即上传到云端。

从硅谷到面包筐

自然世界的高方差（读：农业）对传统机器视觉甚至深度学习工具提供了重大挑战，甚至是粗壮的Agech等领先公司，更深入地进入机器学习工具包。基于深度加强学习的斯托特的发展视觉系统，通过反馈而不是一组训练图像有效地学习。StOUT系统的复杂性使其能够应用低成本CMOS传感器进行输入，这延长了新农业应用中视力技术的财务可行性。礼貌粗壮的Agtech.。

传统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具可控，这使得根据可预测的阈值更容易设计系统。鉴于改变天气条件克服的天气状况几乎无穷无尽的差异，鉴于该系统设计师克服的几乎无穷无尽的差异。

即使是深度学习工具，也有助于解决诸如表面检验，缺陷分类和成品组件的检查，缺陷分类和检查的难度挑战，可以面对农业环境中特别艰难的锄头。

例如，小麦不仅仅是一种作物。在美国，在世界各地大约有1,000个商业巨大的品种和超过30,000人。培训深度学习系统以检测和识别甚至一小部分也需要样品设定与不同土壤组合物，季节性变化和生长阶段的影响。这只适用于小麦。

这种差异没有停止农业深度学习的3月。公共和本土数据的作物正在慢慢扎根。但另一个解决方案可能来自称为深度加强学习（DRL）的人工智能的另一个策略，这就像深度学习一样，使视觉系统能够自主学习新的预测模型。不同之处在于，在深入学习对人类循环训练上建立的地方，DRL算法允许系统通过试验和错误有效地朝着期望的目标工作。它使计算机能够尝试不同的方法，当一种方法传递所需的结果时，通过反馈来学习，然后加强该方法。

该技术利用了智能农业机器OEM的STOUT Adech应用的所谓的感知工具，以迄今为止对机器视觉抵抗的高度方差的农业应用。Stout将其DRL驱动的视觉模块安装在工具栏上，该模块可以用普通的三点挂钩在拖拉机后面拖曳。然后，该系统可以向编码器提供指令，该编码器可根据应用，缩短施加，缩短播种，除草，喷涂或绒毛。

“深厚的加强学习使我们能够解决一个完全新的问题，”粗壮的董事总经理和联合国董事长克里斯·劳德达说。“我们并没有看到传统的机器视觉硬件和软件工具，或者仅受到Blob检测，同心度，并行性和相交线路或像素的约束，以推断世界上发生的事情。因此，在处理高度各种各样的世界方面使我们提供了巨大的灵活性，这是自然界。“

StOUT对其视觉技术的细节保护了，但Laudando声称DRL算法的复杂性使得能够利用低成本CMOS传感器进行输入，这延长了粗壮的新农业应用中的视觉技术的财务可行性。例如，该公司有助于为格鲁吉亚自动化有机花生养殖，这是由于其挖掘的广泛扫描化学喷雾，在一个非常紧张的手工劳动力市场中一直在北面灭绝。

“在德克萨斯州的高平原上，他们有准备好的手工劳动力，他们可以带来一种除草机组，以减少有机作物的压力，赚1200英亩，”劳德多。“格鲁吉亚的有机花生农民需要手动控制杂草，这意味着它们只能获得400美元英亩。”

Stout的DRL驱动的视觉系统很快能够区分从杂草的可行花生植物。除了实现除草过程的自动化外，他还承诺在格鲁吉亚恢复褪色的农场传统。

将5级自治车辆的底层技术投球到最普美的农业社区可能看起来很长。但随着愿景和机器学习技术的发展，以帮助自动化10至20人目前正在进行主观决策的过程，其对农场的财务可行性将大大提高。