农机先行，农业拥抱人工智能

如今，人工智能有望为农业带来重大变革。

人工智能是一种包括机器学习等多个子集的技术。机器学习使计算机能够通过在大量数据中寻找模式来以数学的方式预测结果或进行分类。然后在新数据出现时，学会随着时间的推移更新这些模式或分类。

人工智能的最大优势在于能够高速进行复杂的计算，而这在以前需要人类付出劳动才能完成。GPU（图形处理单元）最近的改进提供了使之成为可能的计算能力。同时针对特定问题需要大量数据。

See & Spray系统

See & Spray Ultimate技术，由机器学习提供支持，使喷雾机能够在向作物喷洒时只针对杂草。企业在不同情况下拍摄了成千上万张不同作物中不同杂草的图像，例如晴空、多云、黑暗、不同的土壤等。

Blue River和约翰迪尔的数据科学家随后训练See & Spray Ultimate系统在各种条件下识别作物。这些图像是通过算法整理出来的，算法涉及重复一个或多个数学运算。算法通常在计算机上实现和解决。

凯斯的Patriot 50系列喷雾机使用一种称为视觉引导的机器学习形式。

凯斯Patriot 50系列喷雾机

凯斯全球精准技术总监Chris Dempsey表示，这是一种基于工厂位置发出转向指令的解决方案。

视觉引导使用机载摄像头将玉米植株的位置传递给喷雾机，使其保持在行上行走，而不是碾过作物植株。

日益增长的应用

人工智能是一个广泛的领域，包括许多子集，例如机器学习。不过，基本上它都使用大量数据来提高效率。

整个数字农业中面临的最大障碍是获取大量复杂的数据集并将其转化为有意义的信息。人工智能可以通过将所有这些数据综合分析，转化为种植者可以采取的行动，真正帮助弥合这一差距。

如今它在作物育种中的使用正在增加。无论是机器学习还是预测杂交性能的高级分析模型，目前各方正在研究各种不同的新技术。人工智能的使用也普遍用于许多机械生产线。

凯斯通过16个传感器使用机器学习，来调整其AFS收获指令系统。 这种农艺控制策略可以根据不同的土壤类型和条件自动调整最佳耕作深度。

凯斯AFS管理系统

增加喂入量同时减少谷物损失现在都是能够自动完成的。从历史上看，如果谷物样品中的穗轴或异物过多，联合收割机操作员将不得不进行筛分调整。

机器学习现在能够自动执行此操作。 传感器会告诉联合收割机它需要关闭较低的筛子或增加风扇或转子速度。这些调整是基于了解给定作物类型的已知数据库中的异物或不良谷物质量的情况。通常是一个图像数据库，显示了良莠不齐质量的谷物。

约翰迪尔还在其S700和X9系列联合收割机的自动维护功能中使用机器学习，以保持降低目标谷物损失和维持谷物质量性能。

操作员将根据损失水平和粮箱样本设定联合收割机的运行目标。ActiveVision相机每两秒拍摄一次干净的谷物照片。该数据被输入到一种算法中，该算法用于将异物和损坏的谷物水平与目标数据进行比较。如果超过目标，则会自动进行调整。

约翰迪尔X9系列联合收割机

解决季节性问题

美国农业科技公司Ceres Imaging于2014年在加州奥克兰成立，是一家农业影像分析技术服务商。公司使用一种称为计算机视觉的人工智能形式来检测季节性作物问题。检测不同波长的航空图像和传感器数据，输入到一种算法中，该算法有助于揭示季节性疾病，例如营养缺乏症。公司还研究了不同的疾病风险以及喷洒杀菌剂的最佳位置。

Ceres Imaging公司作业应用

尽管如此，机器学习收集的数据与自主输入的数据一样好。垃圾输入，就会有垃圾输出，因此输入正确高质量的数据非常重要。

人工智能本身并不是灵丹妙药，将计算机视觉衍生数据与当地农艺师或农民的意见相结合以提出建议仍然很重要。然而，人工智能技术可以帮助农学家更好地利用时间，瞄准最有可能从季节性处理中受益的领域。

灌溉系统维修

人工智能技术也让灌溉系统的维修变得更加容易。Lindsay正与Microsoft Azure合作，使用机器学习通过Smart Pivot技术预测灌溉部件的故障。可以在故障发生前通知客户。防止生长季节发生更大的问题并提高效率。”

例如，一台机器因为变速箱坏了而发生故障是人工智能模型的模拟情况。如果我们可以访问从故障发生时开始收集到的传感器数据，就可以将其提供给人工智能模型，并告诉它如果再次发生这种情况，基本上就是变速箱故障的样子。

约翰迪尔X9系列联合收割机

局限性

不过，人工智能有其局限性。

在某些情况下，预测在田间实践中被证实并不准确，例如变速箱问题。最终用户或经销商说了算，这仍然很重要。反过来问题又反馈到训练模型中，使它们更加准确。

在See & Spray Ultimate模型中，区分大豆幼苗和苕叶幼苗具有挑战性，因为它们看起来很相似。

随着拍摄录入更多图像并重新训练模型，情况会变得越来越好。这与人类分辨绒叶和幼大豆所花费的时间没有什么不同。现在需要以同样的方式训练 机器学习模型。

人工智能来了

人们期望人工智能及其子集能够加快未来农业创新的速度。

目前只是触及了机器学习和人工智能的皮毛。想要充分利用这种技术的农民应该尽可能地收集农场数据。

这些人工智能模型访问的数据越多，它们就会变得越聪明，尤其是多多收集与农民的经营活动相关的数据。