使用无人机和AI技术助理果农完成最大化作物收成

　　Outfield商业总监Jim McDougall解释说：“对开花的准确评估或对收成的估计可使种植者提高生产力，可持续性和环境友好性。”“我们的航空影像分析着重于产量估算，并且在国际上都受到追捧。我们在水果领域面临的最大问题之一就是准确的产量预测。该系统是与种植者一起开发的，用于计划劳力，物流和储存。整个行业都需要它，以计划市场营销和分销，并确保货架上总是有苹果。目前20%的估算是由种植者做出的，他们的工作非常出色，但果园的变化却令人难以置信，而且估计往往是错误的。这将导致收入损失，作业效率低下，并可能导致未售出作物的大量浪费。”

　　外场的识别方法是博士论文研究的出色应用。罗伯托·西波拉（Roberto Cipolla）教授指导的学生汤姆·罗迪克（Tom Roddick）正在研究中。Tom是计算机视觉和机器人技术小组的成员，该小组致力于通过人工神经网络（ANN）使用深度学习方法，致力于人工智能和机器学习。

　　人工神经网络是一种模仿人脑的松散建模的计算系统，旨在识别模式。他们通过标记或聚类原始输入来解释感官数据。他们识别出的模式是数字形式，所有真实世界的数据（包括图像，声音，文本或时间序列）都将转换为数字形式。

　　这样的系统通常通过分析示例来“学习”执行任务，而无需使用特定于任务的规则进行编程。例如，在图像识别中，ANN可能会通过分析已被手动标记为“苹果”或“没有苹果”的示例图像，并使用结果来识别其他图像中的苹果，从而学会识别包含苹果的图像。他们在没有任何苹果先验知识的情况下进行此操作，例如，苹果的颜色或形状。相反，他们会根据所处理的示例自动生成识别特征。

　　通过首先检测数据中的简单模式（例如图像中的边缘或语音中的声音），然后逐步构建概念的层次结构，直到复杂的特征（如面孔或句子）出现在网络中，人工神经网络才能进行聚类和分类。人工神经网络方法的最初目标是以与人脑相同的方式解决问题。但是，随着时间的流逝，注意力已经转移到执行特定任务上。人工神经网络已用于多种任务，包括计算机视觉，语音识别，机器翻译，社交网络过滤，棋盘游戏和视频游戏以及医疗诊断。

　　在攻读博士学位期间，汤姆（Tom）一直致力于自动驾驶，研究通过摄像头捕获的街道场景，为每个元素添加注释和标签。他指出了汽车，行人，路边等的位置。为此，他使用了一种称为语义分割的工具来标记每个单独的像素，从而对正在发生的事情有一个较高的了解。外场需要在果园照片中识别苹果和花朵，而做到这一点的一种方法是使用这种语义分割方法。

　　Outfield数据收集方法的另一个方面是查明无人机在任何时候都在哪里，还有另一条计算机视觉集中在本地化上，可以算出您在世界上的位置以及正在查看的内容。校友Kesar Breen，独立机器学习和计算机视觉顾问，他已经花了很多时间为Jim和Oli提供建议。Kesar帮助他们概述了可用于果园建模和分析的技术，以找出农作物在何处，并草拟了一种具有时间框架和要求的潜在算法。凯萨尔说：“ Outfield正在使用一些有趣但经过验证的技术来处理非常重要的事情，以解决一个重要的业务问题。我认为这很可能在商业上可行。”

　　在谈到他与Outfield的工作时，Tom说：“ Outfield的语义细分需求有一些非常具体的细微之处，例如，从研究的角度来看，这些细微之处非常有趣。我习惯查看图像以识别大型物体，例如汽车，容易发现，但是Outfield拥有的是这些巨大的果园鸟瞰图，这些图有数百万个像素，它想检测每朵开花的花朵或每片水果来计算其中有多少。如何有效，强大地做到这一点，以便能够区分类似的东西;这是树上的苹果？还是地上的苹果？”

　　吉姆说：“英国拥有世界上一些最好的技术和最好的技术科学家。我们目前正在进行beta测试，其中包括将该模型与除苹果之外的其他农作物一起使用。“我们为未来两到三年制定了强有力的计划，我们将在2019年10月开始一轮投资，以期在2020年第一季度结束。这将使我们能够全职投入更多团队，并大规模测试产品明年在新西兰和英国。

　　责任编辑：gt