无人机变身“牧牛犬”?AI在未来牧场的应用呈现新可能

AI的发展已经为各个行业带来了更多的业务场景和更强大的能力。但除了我们熟悉的数字经济，在工业、农业领域的AI落地也有着广阔天地。

近日，来自英国布里斯托大学的研究人员们利用无人机与计算机视觉算法相结合，识别奶牛身份、追踪运动轨迹、与牧场管理系统进行深度融合，为AI在未来牧场的应用呈现出了新的可能。这套研究平台的主要功能是定位牧场中奶牛的位置，并基于奶牛身上独特的花纹识别身份。为了尽可能用最短的飞行距离来覆盖牧场中的奶牛，研究人员还提出了一套自动探索算法为无人机生成飞行轨迹，高效追踪动物们的运动位置。

整套系统包含了三个主要的系统，分别是——

基于Yolo的奶牛检测系统

基于Inception的奶牛身份识别系统

双信息流的飞行器探索路径生成网络

在实际使用过程中研究人员使用大疆M100无人机在10m高度对牧场进行巡视，利用YOLO对下视摄像头的图像进行处理，定位出奶牛的ROI区域。多帧的定位信息用于将ROI区域的奶牛图像集T送入到Inceptionv3中进行特征抽取，随后利用LSTM来对序列特征进行处理以获取奶牛额身份信息。

目标检测的另一部分信息将生成5x5的占有率地图，并输入到最终网络中记录当前的位置信息，随后与历史的位置信息通过策略网络与当前信息融合输入导航网络，最终得到新的动作矢量，同时更新无人机本身的长期位置地图。这样无人机就可以根据探索到奶牛的位置不断调整自己的飞行路线，同时可以记录下奶牛的ID及其对应的位置。

系统的硬件基于大疆M100构建，包含了禅思相机和妙算，同时还包含了用于深度学习推理的Jetson TX2。系统可以通过wifi与地面站连接进行数据传输，但所有的推理计算都在机载的TX2上进行处理。

研究人员首先利用无人机采集数据进行了训练，标记数据不仅将奶牛的bbox进行了框取，同时对每个图像片对应的奶牛身份进行了标记。通过充分的训练后就可以处理相机传来数据进行奶牛检测了。随后将采样五帧图像并获得一系列框的集合，并更具检测结果获取视野内奶牛的占据图；并将某个奶牛位置对应的ROI图像片作为序列输入到身份识别网络内进行处理，得到视野中某个位置奶牛ID。无人机在牧场中需要高效的巡视，希望尽可能在最短的距离扫描更多的奶牛。由于一定区域内奶牛的数量固定，这一问题可以看做是动态的旅行商问题。研究人员使用了双信息流的深度网络架构，通过综合即时信息和历史信息来得到栅格地图下的导航决策。其中一个分支基于目标检测获取当前视野下奶牛占据图S，并利用基本的AlexNet进行处理抽取当前局部地图中的特征；另一个分支基于长时地图M进行全局长时特征处理。

长时地图M为20x20的栅格地图对应了牧场的地理区域，其中存储了无人机的历史位置与当前位置。无人机的初始位置是固定的，当整个地图一定比例的区域被探索后就会被重置。两个分支的信息通过简单的网络处理后利用浅层的全连接映射到与导航动作相关的似然矢量V上，其中包含的多个可能的导航动作{N,W,S,E}。在使用时选取概率导航动作来进行下一步的飞行探索。

下图显示生成的自动探索路径实例，显示了飞行路径和对应目标的位置。

其中黑色为未被探索的区域、浅蓝色为探索过的区域、深蓝色为覆盖区域、橙色为起始位置、绿色为结束位置、红色为发现奶牛目标位置。每一个发现目标位置对应了图像。图像下面的注释为迭代的次数、飞行时间以及覆盖区域。平均每次运动迭代需要6.35s。研究人员通过采集图像离线处理测试了检测算法的准确性，同时也在真实环境中在线测试了模型的准确性。实验表明基于YOLO的目标检测准确率达到了92.4%(IoU>0.5)，而基于Inception的奶牛身份识别准确率达到了93.6%，综合检测与识别准确率为91.9%。

图中显示了一些检测成功与失败的样本，

由于花纹相似、部分遮挡和重叠造成了误检和漏检。

在现场飞行过程中进行测试，所有的数据都在妙算和TX2上进行处理。在检测到奶牛后将触发身份识别的处理。在实际飞行中采集图像可以降低图片被裁剪、扭曲和视点带来的不利影响，更好的图像质量将优化检测的效果。实验中基于长期递归CNN的模型和基于单帧的身份识别都取得了良好的效果。

目前AI在农业畜牧业上的应用不止于此，类似的技术可以大大节约畜牧业的管理成本，更为精准地管理动物。进一步通过与大数据的结合，能为动物提供更为舒适的成长环境和健康管理，提高产量与质量。

相信在不久的将来，无人机将会更多的落地到畜牧业中，牧民只需要无人机就可以看管大片的牛羊，真正过上“骑着马儿把歌唱”的逍遥小日子~