看Jetson TX2如何提高农作物产量

每年，农民都在尽力减少因病害造成的作物损失。仅在2016年，大约有8.17亿蒲式耳的玉米因病害而损失。尽早识别和治疗这些病害会给农民带来很大的帮助，但是专家走遍每个田地是不切实际的。可如果这些病害和其它问题（如营养不良，杂草或昆虫损害）能通过手持设备，农业设备上的硬件或自动机器立即而准确地诊断呢？

Agricultural Intelligence公司是Perceptual Labs（NVIDIA Inception计划的一部分）和Ag AI合资成立的公司。Perceptual Labs在移动和嵌入式设备上提供机器视觉方面的专业知识，而Ag AI的创始人拥有丰富的农业经验和专业知识。Agricultural Intelligence希望集结两家公司的优势，一起努力将卷积网络的最新进展应用于对象识别以应对农业挑战，开发出在移动和嵌入式硬件上可以对作物健康进行实时诊断的软件。现在，他们已经开发了可在NVIDIA Jetson TX1和TX2系统上运行的软件，可以对常见作物叶片上的个别病灶进行实时检测、分类和定位。此对象检测在来自摄像机的实时视频上以每秒高达60帧的速度运行，并且完全在设备上完成。在目前最好的病害病例中，诊断准确率超过80％，误报率低于1.5％。

项目描述

2017年，美国农业情报局开始对农民和农业学家的现场测试中部署一种名为Pocket Agronomist的应用程序。Pocket Agronomist是一款iOS应用程序，使用卷积网络执行实时病害诊断和定位，该网络针对设备摄像头的实时视频进行操作。当病害被诊断出来时，农民可以在田间标记其位置，将其传递给专家，并获得有关病害和任何缓解步骤的百科知识。

该应用程序使用卷积网络，该网络针对在不同条件下在田间采集的作物病害图像的大量数据集进行训练。这些图像具有在其中标记的病害区域，以便训练用于检测的卷积网络，而不仅仅是单图像分类。这会更精确的诊断并且可以在一片叶子上同时诊断多种病害。这些图像是在2017年生长季节期间由各地区的农民和农学家在前几季收集的图像库获得的。

所有这些网络的培训都是使用NVIDIA DIGITS和Caffe框架完成的。

用于诊断病害的手持式应用程序非常有用，但它仍然需要操作员进行操作。有迹象表明，农业开始朝着机器人监测和收割的方向发展。IdTechEx在他们的报告《Agricultural Robots and Drones 2018-2038: Technologies, Markets, Players》中分别表示，2028年和2038年，小型自主农业机器人车队的市场份额分别为9亿美元和25亿美元。这些机器人将需要能够检测病害、杂草和其他减产因素。

此外，还有很大的机会可以将监控功能添加到现有的农业硬件上。在田间行走的车辆可以安装监视摄像机和嵌入式计算硬件，以检测和报告病害及其它情况。

农业知识，特别是与病害诊断和病变的视觉识别有关的知识，是近几年新发展起来的领域。经过全面培训的农艺师经常也是雇主的销售人员，他们在开始的几个月里一直很忙，并且面临着病害诊断相关的所有需求的挑战。现场有一位训练有素的农学家来不断监测每个种植者的田地是一项不可能完成的任务，特别是在农村地区，单个农艺师可能会覆盖很大的地理区域内的许多客户。因此，将经过训练的网络部署到手持设备或更好的自主设备以执行监控是一个重要的优点。

Jetson TX1 / TX2为自动农业机器人和基于视觉的现有硬件改装套件所需的嵌入式计算提供了理想的平台。出于这个原因，我们采用了为Pocket Agronomist开发的训练有素的网络和软件，并将它们带到了Jetson TX1 / TX2。

我们在Jetson硬件上使用围绕TensorRT构建的软件，在现场摄像机视频，静态图像或预先录制的电影上运行经过训练的物体检测卷积网络的优化版本。这些网络与Nvidia的DetectNet对象检测网络模板共享类似的输入和输出，但具有完全重新设计的内部结构，这些内部结构针对嵌入式硬件上的实时性能进行了优化。

我们开发的软件可以每秒超过30帧的速度对输入视频进行每帧病害诊断，速度足以在现场提供低延迟响应，作为机器人视觉系统的一部分。通过Pocket Agronomist应用程序的现场试验已经证明了这种病害检测的准确性和可行性，并且新开发的Jetson TX1 / TX2运行能力提供了一个原理验证证明其作为自动农业机器人视觉系统。

如果存在一种低成本的解决方案，可以利用训练有素的农学家的知识和经验，同时这样做的价格对种植者来说是可以承受的，那么就会发现更多的病害爆发，并且可以提高产量。通过将训练有素的卷积网络部署到NVIDIA TX1 / TX2等嵌入式设备，我们相信我们可以开始应对这一挑战。