在美國和墨西哥的幾座農(nóng)場里，溫室中有10 臺攝像機正連續(xù)拍攝西紅柿的生長情況，并提交給相關軟件進行分析，識別出可能存在的問題，比如蟲害或病菌侵染……AI識別技術的應用，正從人臉識別、動物識別進一步擴展到農(nóng)作物病蟲害檢測等領域。AI識別技術是如何檢測病蟲害的，其準確率如何？有哪些應用難點？在農(nóng)業(yè)領域，AI還會有哪些應用？
 
進軍農(nóng)業(yè)“藍海” 圖像識別日趨成熟
 
        與AI在其他領域應用相比，在農(nóng)業(yè)領域的應用可以說還是一片“藍海”，不過，這種狀況正在發(fā)生變化。近日舉行的AI Challenger 2018發(fā)起了世界上農(nóng)作物病害檢測競賽，競賽提供給參賽選手近5萬張標注圖片，覆蓋10種植物的27種病害，目前已經(jīng)吸引了來自世界各地的29個國家的近1200支團隊參賽。
 
        據(jù)中國統(tǒng)計年鑒，2016年，我國農(nóng)業(yè)生產(chǎn)總值達5.93萬億元，占GDP的8%，但由農(nóng)業(yè)病害等災害造成的直接損失達0.503萬億元，占農(nóng)業(yè)生產(chǎn)總值的8.48%。
 
        新客科技創(chuàng)始人劉新農(nóng)說，在農(nóng)業(yè)生產(chǎn)中，農(nóng)藥使用也在急劇增加，農(nóng)藥殘留不僅會引發(fā)社會問題，還會加劇對環(huán)境的污染。因此，對農(nóng)作物進行準確的病害識別并推薦合適的防治措施，創(chuàng)造出能為植物看病的“醫(yī)生”，可以挽救農(nóng)作物的生命，減少農(nóng)藥使用量，保證農(nóng)作物的產(chǎn)量。
 
        劉新農(nóng)說，AI與農(nóng)業(yè)病蟲害做結合，首先是要建立病蟲害的數(shù)據(jù)集，其次需要機器學習和圖像識別系統(tǒng)技術的配合，并且要確保農(nóng)民使用智能手機的普及率，這樣才可以使技術快速有效地傳達。
 
        AI監(jiān)測病蟲害主要指利用機器學習、計算機視覺等技術，采用特定的計算機算法和模型，對農(nóng)業(yè)病蟲害發(fā)生的光譜或圖像信號進行挖掘，獲得有效的數(shù)據(jù)特征，實現(xiàn)對病蟲害情況的實時識別和鑒定的過程。
 
        農(nóng)作物病害檢測競賽的發(fā)起方、創(chuàng)新工場人工智能工程院執(zhí)行院長王詠剛認為，目前AI在圖像識別領域已非常成熟，并有了相應的數(shù)據(jù)，將其應用到農(nóng)業(yè)病蟲害檢測中難度不大。“如果能夠利用參賽選手的算法，開發(fā)出一個能實際運用的產(chǎn)品，對于農(nóng)業(yè)發(fā)展來說，是一個非常有價值的事情。”
 
不可知因素多 “把脈”農(nóng)作物并非易事
 
        以往，病蟲害的檢測需要人工巡視，而且一旦發(fā)現(xiàn)不及時，就容易導致農(nóng)作物大片死亡。通過AI圖像識別技術的引入，可以不停拍照和比對，提供不間斷的監(jiān)測和預報，節(jié)省了大量人力成本。美國和墨西哥農(nóng)場AI實際應用結果顯示，農(nóng)產(chǎn)品每周的收成提高了2%—4%。
 
        不過，利用AI檢測病蟲害發(fā)生并非如此容易。有農(nóng)業(yè)專家在接受科技日報記者專訪時表示，應用難點主要體現(xiàn)在農(nóng)業(yè)領域涉及不可知因素太多，如地理位置、氣候水土、病蟲害、生物多樣性甚至微生物環(huán)境等都影響著農(nóng)作物生產(chǎn)。因此，在應用推廣過程中，其中某個因素的改變很可能就將在特定環(huán)境中已經(jīng)測試成功的算法變成無效算法，進而影響檢測效率。
 
        “這也是當前AI檢測技術只能應用于場景、害蟲種類以及相應檢測方法都相對特定化環(huán)境的原因。”該專家表示，AI檢測技術還對隱蔽性較強的農(nóng)業(yè)害蟲或病害的監(jiān)測能力有限。農(nóng)業(yè)害蟲本身就存在著種間相似、種內(nèi)變化、姿態(tài)變化、作物遮擋等問題，從特征分析角度來講，會造成待識別樣本的同一種類內(nèi)差異大、相近種類間差異小、特征信息缺失嚴重等情況，無形中大大增加了害蟲目標區(qū)分的難度。尤其對于一些個體小、生境隱蔽的害蟲而言，比如煙粉虱成蟲體長不到2毫米，且活動能力強，利用AI對其進行檢測，難度非常大。
 
        此外，用于輔助農(nóng)藥的噴施過程中，從獲取圖像、處理分析、噴施作業(yè)決策到執(zhí)行噴施作業(yè)，通常允許處理的時間非常短暫，這也對相關算法的時間復雜度提出了很高要求。
 
        美國賓夕法尼亞州立大學和瑞士聯(lián)邦理工學院的研究人員建立了一個系統(tǒng)模型，并將其連接到一個計算機集群來形成一個神經(jīng)網(wǎng)絡。隨后建立了一個擁有53000多張健康及患病農(nóng)作物照片的數(shù)據(jù)庫，其中包括14種作物和26種病害。研究人員利用深度學習的方法來“訓練”模型尋找出所有視覺數(shù)據(jù)。最終，這個系統(tǒng)能夠從照片中識別出作物和病害，準確率高達99.35%。不過，美國通用人工智能協(xié)會主席、漢森機器人公司首席科學家本·戈策爾表示，如果拍攝的圖片不符合標準，識別準確率會從99.35%降到30%，甚至更低。因此，要想讓AI成為農(nóng)業(yè)方面的“醫(yī)生”，還要加強用AI的能力，讓其模仿人類大腦，多維度觀察學習作物病害特點從而進行判斷。
 
有望通過AI改進當前農(nóng)業(yè)技術
 
        AI技術本身還有種種不完善之處，而且農(nóng)業(yè)涉及不可知因素太多，農(nóng)業(yè)病蟲害的種類多樣、危害多元化等，因此，當前AI在農(nóng)業(yè)中的應用還受到一定的限制。但毫無疑問的是，AI技術在農(nóng)業(yè)領域具有廣泛的應用前景。而且隨著AI技術的不斷發(fā)展和完善，將來可以通過AI改進、甚至完全改變當前的農(nóng)業(yè)技術，打造“智慧農(nóng)業(yè)”等。
 
        “全國有5億農(nóng)民，能夠為他們解決農(nóng)作物病蟲害的專家可能不足5萬，平均1萬個農(nóng)民才對應1個專家，而且一個專家通常只研究一到兩種農(nóng)作物，未必能知道所有農(nóng)作物的病害問題。”神農(nóng)識創(chuàng)始人郭強說，AI農(nóng)作物病害檢測為解決農(nóng)戶需求與專業(yè)信息不對稱的問題提供了解決之道。
 
        AI農(nóng)作物病害檢測僅是AI在農(nóng)業(yè)應用的很小一個方面，它的應用領域是非常廣泛的。比如農(nóng)業(yè)專家系統(tǒng)，也可以叫農(nóng)業(yè)智能系統(tǒng)，是一個具有大量農(nóng)業(yè)專業(yè)知識與經(jīng)驗的計算機系統(tǒng)。應用AI技術可依據(jù)一個或多個農(nóng)業(yè)專家提供的特殊領域知識、經(jīng)驗進行推理和判斷，模擬農(nóng)業(yè)專家就某一復雜農(nóng)業(yè)問題進行決策。
 
        又如農(nóng)產(chǎn)品無損檢測，即在不損壞檢測對象的前提下，利用被測物外部特征和內(nèi)部結構所引起的物化反應變化，來探測其性質(zhì)和數(shù)量變化，主要用于水果、蔬菜、畜禽、水產(chǎn)品類、經(jīng)濟作物和谷物籽粒等的檢測與分級。隨著無損檢測技術的發(fā)展，AI技術將在農(nóng)產(chǎn)品無損檢測中發(fā)揮越來越重要的作用。智能農(nóng)田氣候預測系統(tǒng)，即通過對衛(wèi)星拍攝圖片、航拍圖片以及農(nóng)田間其他設備拍攝的照片進行智能識別和分析，AI能夠精確的預報天氣、氣候災害，識別土壤肥力，莊稼的健康狀況等。