永續小百科-讓農業生產更“聰明”
智慧農業正以前所未有的態勢改變著傳統農業的面貌，全球農業的精準化和智慧化發展已成為大勢所趨。在農業領域向精準化智慧化革新的進程中，美國黃豆產業也積極投身其中，將最先進的科技融入農業生產中。近期的研究成果應用 “數據驅動”，通過人工智能（AI）處理海量田間數據並為農民提供決策支持，從而提升平均產量和利潤。同時，這些數據還能為人工智能的決策提供支持，助力優化農業生產實作的硬體技術落地應用。
農業智能化的迫切需求
傳統的農業生產根據人工經驗來“看天看地看莊稼”，但這樣難以做到精準的農業生產管理，例如人力難以精確識別黃豆作物的鎂、硫元素缺乏癥狀，也難以判斷殺菌劑施用時機和位置等。而透過採集田間圖像，則可以構成龐大的數據資源庫，經人工智能及時分析，農民就可以據此優化投入品項及施用等生產決策，從而降低成本並提升平均產量。
實現田間管理等農業生產關鍵環節的全智能化，硬件和軟件的全面整合必不可少。當前全球有20家企業，專注於開發優化投入品使用的硬件技術，但將其真正應用於一線農業生產中，還需要整合所有相關因素，通過智能分析做出決策。
研究方法：從圖像採集到人工智能訓練的全流程設計
全方位深度圖像採集系統
每種應用場景中所需要的圖像數據有所不同。例如，耕作決策需要從不同角度拍攝作物殘留，在田地上方俯拍即可進行。而評估黃豆結莢情況，則需將攝像頭置於作物冠層內部。。
研究團隊在農業生產設備和無人機上部署了18台GoPro攝像頭，構建多視角數據採集網絡，按照場景需求進行拍攝並設定照片拍攝頻率。這些相機所拍攝的照片中，每個像素分辨率達到0.5平方毫米，能夠清晰地“看”到詳盡的細節。
田間採集的照片為訓練人工智能提供了數據信息，從而指導配備人工智能的田間設備執行所需的生產任務。
人工智能在農業生產中應用的關鍵之一是確定數據的收集與處理方式。安裝在生產設備或無人機上的攝像頭需要捕捉正確的數據，並將其應用到潛在場景中。圖片來源：俄亥俄州立大學
優化數據處理
GoPro攝像頭通過無線網路連接至圖形處理單元（GPU），每天可產生超過300萬GB的海量原始圖像文件數據。但使用雲端存儲處理如此龐大的數據，速度非常緩慢，尤其在田間網絡不穩定的情況下更為明顯。
研究團隊探索了不同的方案，其中就包括使用“邊緣計算”。他們將數據處理設備部署在圖像採集點附近，比如將GPU直接安裝在田間作業的拖拉機上，從而將圖像轉化為供人工智能硬體操作的數據。
半監督學習提升人工智能訓練效率
在田間收集到海量數據之後，如何將這些數據交付給計算機科學家進行處理，是團隊需要解決的另一個挑戰。人工智能學習按照人工參與程度的高低，可以分為監督學習、半監督學習、無監督學習。
研究表明，普通人日均處理約74GB數據[2]，僅占GoPro攝像頭採集數據的極小部分。因此，團隊採用了半監督學習模式，相較於純監督學習，此方法能減少人力標注成本，同時通過人工引導提高了準確性。
研究成果及應用：從試驗田走向農戶田間
這項研究為農業智能化提供了從數據採集到落地應用的完整範式。通過半監督學習與邊緣計算的結合，既解決了海量數據的處理難題，又有望大幅節約投入品的使用，推動人工智能技術與農業應用場景的融合，助力“智慧農業”更加普惠大眾。
從今年開始，研究項目將田間圖像數據的采集範圍從試驗田擴大到了合作農民的農田，這將幫助農民在田間就能獲取海量的農業生產信息。研究項目的最終目的是將人工智能培訓成農業領域專家，從而將農業生產中部分投入品的使用量降低60%-70%，推動農業生產的效率與永續性大幅提升。