深度學習的重要性

除了幫助農業機器人在復雜環境中導航的安全定位系統外，圖像分析對于使這些強大的機器有效執行工作同樣重要。消除或簡化任務當然是農業工作民主化的重要組成部分。Hajar Mousannif是一位成就卓著的卡迪阿亞德大學副教授，他創立了數據科學碩士課程，并且是 2020 年 WomenTech 全球人工智能包容性獎的金獎獲得者，他的想法更大。

她說:“我在 TEDx 演講中說我被一個夢想所困擾，一個以某種方式改變這個世界的大夢想，我一直相信技術和人工智能有能力讓人們更快樂。在我講話后的五年里，世界確實發生了變化，但人們并沒有變得更快樂。”

COVID-19 在世界范圍內造成了毀滅性的影響。在Mousannif的祖國摩洛哥，失業率、社會差距和貧困都在上升。這影響了她的人生觀。

“通過創造酷炫的技術可以讓人們更快樂，但更多的是保證體面的生活和確保人們的基本需求。”

農業機器人可以發揮巨大作用。據Mousannif說，她正在與美國公司 FotaHub, Inc. 一起領導一個項目，以擴展他們已經擁有的第一個摩洛哥制造的人形機器人 Shama 的能力。

“隨著技術在農業領域的大量采用，我們不僅可以讓農業企業獲得更高的利潤、更可持續、更安全和更環保，而且還將確保農村地區的農民過上體面的生活和接受教育，而不是每天花幾個小時做機器人可以高效完成的高度重復和繁重的勞動。”她說。

“在摩洛哥，我們成功地將許多與農業勞動力相關的任務自動化。多虧了計算機視覺，許多機器現在能夠根據不同的水果和蔬菜的大小和成熟度對其進行識別和分類。”

這種能力是深度學習的結果，深度學習是一種人工智能功能，可以幫助計算機和機器人模仿人腦。具體來說，深度學習模仿人類智能，使機器能夠處理信息、推理、適應環境并解決更復雜的問題。它可用于農業，幫助機器人處理植物圖像并幫助檢測病害作物。為了取得成功，這些深度學習模塊需要使用數據進行訓練。

“我們需要為算法提供具有缺陷或疾病類型和位置的圖像，并讓模型在訓練后學習如何定位它們。”Mousannif 說：“值得一提的是，缺陷，無論是疾病還是害蟲，即使是人工檢查員也很難發現。這也非常耗時，因此任何改進自動化、提高效率和保持高質量生產的東西都非常受歡迎。”

在嘗試訓練深度學習模塊時，環境因素會帶來挑戰。算法必須能夠考慮晴天和陰天條件或植物陰影等因素。光線不足或曝光不當影響準確度的圖像。根據應用，可以使用其他圖像處理技術。例如，圖像可以使用銳度從某些圖像中去除模糊。根據上下文，諸如模糊之類的事情可能會損害機器的準確性。

有一些技術可以提供幫助。卷積神經網絡 (CNN) 被訓練以與人類相同的方式對圖像進行分類。遷移學習是一種機器學習方法，它解決了數據集中沒有足夠多或沒有任何標記圖像的問題。圖像分割可用于對異常進行分類、檢測和分割。在農業領域，這意味著確定健康植物中的雜草和患病植物。有很多人為這項重要的工作做出了貢獻，但通往超精確自主技術的旅程是漫長的。穆薩尼夫仍然專注于最終目標。

她說：“通過積極為人工智能領域做出貢獻，我們不僅可以確保我們擁有更美好的未來，也將為子孫后代創造更美好的未來。我們需要努力打造真正重要的技術，解決真正的問題，對人們的生活產生直接影響，最重要的是，確保包容并保護我們的人性。”

改進計算機視覺的重要性

許多最重要的農業任務對人類來說相對不受歡迎，這就是為什么農業機器人的大規模采用，正如穆薩尼夫所說，將極大地影響人們的生活。憑借其人工智能機器人，“除草即服務”供應商Farming Revolution（前身為 Deepfield Robotics）專注于一項特別乏味且經常危險的工作：除草。

機器人自動駕駛穿過田野，使用多光譜相機拍攝它們遇到的圖像。然后，使用人工智能和深度神經網絡，機器人識別農作物和雜草。最靠近作物的雜草可以在不使用化學品的情況下被有效去除。這聽起來很簡單，但 Farming Revolution 人工智能負責人 Markus H?ferlin 表示，最終結果是大量幕后工作的產物。

他說：“一開始，主要挑戰之一是計算機視覺部分。那么，為什么這會如此具有挑戰性？如果我們看看一些我們也有很多計算機視覺任務的工業工廠，我們總是會看到我們必須限制我們的環境才能降低它的復雜性。”

然而，農田是完全不受約束的。有不同的土壤類型和有葉子的作物，有些作物與雜草重疊并相互重疊。植物在早上和晚上以及從一天到第二天的外觀也往往不同。不斷變化的室外環境使問題進一步復雜化。農業革命開始了。

“我們實際上正在付出巨大的努力來捕獲和標記我們能想到的所有品種的數據。”H?ferlin 說：“我們從 50 多個不同領域捕獲了數據。我們在深夜兩點開始我們的捕獲活動，在那里完全黑暗，植物有時仍然關閉，而在早上植物慢慢開放。我們捕捉圖像到下午，直到晚上開始。所以，我們有我們能想到的所有不同的光照條件。”

Farming Revolution 還捕獲了各種天氣條件（露水、灰塵、泥漿）和季節的數據。數據收集了五年。超過 65 個不同的物種被標記為每像素 99% 的準確率。結果是超過 1200 萬張帶注釋的圖像——大量的訓練數據。人工神經網絡將使用這些數據幫助機器人分析和處理現場圖像。

“這才是真正與眾不同的地方，”H?ferlin 說。“有了各種各樣的數據，我們設法穿過現場，打開機器人，然后繼續前進。我們能夠以 99% 的準確率做到這一點，而無需重新訓練神經網絡并克服泛化數據的問題。”

然而，即使有如此數量的數據，農業革命仍在不斷努力以獲取更多數據。數據越多，從定性分析中獲得的洞察力就越好。它還使公司能夠解決任何問題并隨著時間的推移改進網絡。

“例如，如果一位農民擁有我們的機器人，并且在某個特定的田地看到它，他會對結果不滿意。他可以告訴我們。請檢查發生了什么，或者讓它在這里更好地工作，”H?ferlin 說：“農民只需將數據上傳給我們。我們可以對這些數據進行評估，看看哪里可能存在問題，如果我們發現分類器表現不佳，我們可以根據我們學到的內容標記數據，并在我們的訓練集中使用這些數據。”

持續改進的重要性

安全定位和圖像分析每天都在改進，但最大的問題仍然存在：這些技術是否足夠準確以可靠地自主工作？微軟農業綜合企業解決方案主管 Barney Debnam表示，這要看情況。

“這取決于你用自主權解決的問題這取決于特定農業經營的風險狀況。”他補充說；

Debnam 描述了需要考慮的三個主要風險概況：對人類的風險、對作物或牲畜的風險以及對環境的風險。

Debnam 說，考慮這些風險狀況對于開發解決方案的公司來說尤為重要。例如，跟隨采摘者并提供籃子來攜帶商品的機器人系統與噴灑器不同，噴灑器可能在水區上方的葡萄園噴灑農藥，向公眾提供資源。

“對于我們所有正在設計自主系統并考慮風險的人來說，確定風險并了解影響非常重要。”Debnam 說，

有幾個框架可用于評估該技術是否足夠強大以提供自信、安全的結果。Debnam 特別提到了美國農業和生物工程師協會、農業安全與健康雜志、國家標準與技術研究所以及歐洲網絡安全法案中的 ENISA 工具。他鼓勵技術提供商使用這些資源。這是技術供應商與客戶建立信任的方式之一。

另一種方法是解決 Debnam 所說的“基本監視”。這是食品公司和消費者希望獲得更多透明度的愿望。許多解決方案都專注于執行任務，而不是證明特定生產過程在特定日期的特定時間發生的信息。當機器人變得完全自主時，客戶將期望更清楚地了解它們的工作方式和行為。

目標是創造一個每個人都茁壯成長的環境。Mousannif最好地表達了這一點：

“我們可以使用人工智能，我們可以使用技術，但是如果我們不能創造價值，我們不能讓這個世界變得更美好，那么技術有什么用？”她總結說：“總的來說，人工智能和技術必須與社會影響和價值創造齊頭并進。”

Hexagon 是數字現實解決方案的全球領導者，結合了傳感器、軟件和自主技術。我們正在利用數據來提高工業、制造、基礎設施、公共部門和移動應用的效率、生產力、質量和安全性。

我們的技術正在塑造生產和與人相關的生態系統，使其變得越來越互聯和自主——確保一個可擴展、可持續的未來。

Hexagon（納斯達克斯德哥爾摩股票代碼：HEXA B）在 50 個國家/地區擁有約 21,000 名員工，凈銷售額約為 38 億歐元。訪問Hexagon.com了解更多信息并關注我們@HexagonAB。

NovAtel 隸屬于 Hexagon，是全球技術領導者，開創了端到端解決方案，以確保在陸地、海洋和空中的自主性和定位。對于 NovAtel 來說，只有在精確、準確、可靠、可用和真實的情況下才能確保定位。

隨著每個業務領域對定位和基于位置的服務的需求急劇上升，我們的解決方案正在為關鍵行業的智能定位生態系統提供支持，這些行業依賴于我們在最苛刻的環境中應對最復雜挑戰的能力。

我們的解決方案對精準農業、國防、運輸、海洋、調查和許多其他行業應用至關重要。

我們的技術專注于 GNSS 和 INS（慣性導航系統），包括全球校正服務、抗干擾和反欺騙，以及用于專業應用的高級算法。