当人工智能遇见农业，农民伯伯不再「粒粒皆辛苦」

By 超神经

场景描述：在农业生产上，利用机器学习，计算机视觉，混合现实等 AI 技术，打造智能化农业，能够将传统的农业生产带到更加高效的方式中来。

关键词： AI 农业 ，混合现实，计算机视觉

清明过后，谷雨将至，各地陆续进入了春种时节。

中国的农耕文化源远流长，从新石器时代开始，就已经有较为成熟农耕文化，也是目前可考的世界上最早种植小米和水稻的国家。

作为农业大国，我国始终把农业放在首位，今年两会上「三农」仍是焦点话题。虽然农耕文明距今已经近八千年，但是机械化的农机工具介入生产，是建国前后才逐渐发展，中国的农民在很长的时间里，都在「看天吃饭」。

在科技和农业科学飞速发展的近几十年里，更加科学化的提高农业各个环节的质量和效率，喂饱了六十多亿人口。

如今，人工智能逐渐介入农业生产，这次解放的将是农民的生产力。 据调查显示：通过农业科技的创新，与传统农业相比，农业科技创业公司利用 AI 创新技术，使得农作物用水量减少了 95%，而在农业用地上的产量却增加了 100 倍。

就目前发展来看，AI 农业已经似乎取得不错的成效。

耕作前就可以模拟出收成

目前人工智能介入农业的主要手段，就是通过机器学习等技术，将大量数据输入统计模型，能够智能化地监控和掌握农产品的培育和生长情况，从而提高生产效率和产品质量，为农业生产提供建议和帮助。

AI 技术用在作物培育上

农场可以收集大量有关作物健康，天气，土壤等数据。利用 ML 的分析预测能力，将会对种植业和畜牧养殖带来自动化的智能方案。

现在一种具体的模拟技术，也会逐步被应用到农业生产中去，这就是混合现实（ MR，Mixed Reality ）。 将真实世界和虚拟世界混合在一起，来产生新的可视化环境，环境中同时包含了物理实体与虚拟信息，并且必须是「实时的」。

当 MR 混合现实应用到农业里，功能就很强大了。过去农民选择自己种植的作物，通常是靠经验和村镇里的推广，今年种大豆不行，就种西红柿，西红柿长不出来，就种辣椒。

但是古旧的经验，并不是最有效的解决方案，还会因为天气、病虫灾害、灌溉而歉收，传统方式的试错成本极高。

现在，以 3D 映射技术（ 3D - Mapping ）为例，它允许将数据转换为虚拟环境。因此，可以借此创造不同作物的种植方案，还能帮助远程设备监测或控制等等，让我们在耕种之前，就可以测算出某种作物的生长情况，甚至模拟出最后的收成。

通过 MR 技术，对农场地形、作物、设施设备、建筑

人员和警报等内容的可视化展示

科学家们还为农民提供了使用支持 MR 的「头盔」或「护目镜」观察作物状况的机会。利用可视化，传感器， VR 等技术，帮助实现对农场的实时监控，调控设施，智能管理等等。

利用 MR 模拟作植物生长的效果图

当然，这只是探索物理世界中潜在分层数字信息的一个开始。利用想象力去实现数字化的模拟，能够减少实际的失败率，还可以探索出更多潜在的用例。

计算机视觉、机器学习、神经网络齐上阵

AI 提高农场产量和效率用例和应用正在越来越多。比如在以下的几个方面：

计算机视觉实现自动化：智能农业设备将配备摄像头、GPS 和处理视频数据的技术，实现智能的决策建议，而不需要将所有数据发送到云。计算机视觉系统允许拖拉机进行寻路，检测障碍物，收获某个指定种类的作物等。

基于机器学习的智能灌溉：人们使用灌溉设备浇灌植物或喷洒化学品，更多现代化的灌溉系统采用集成的 ML 技术，能够将杂草与作物区分开来，并用除草剂喷洒杂草。这意味着使用较少的除草剂，因此降低了成本，得到更安全的食物。

无人机在进行农药喷洒作业，这一技术已经在广泛推进

神经网络用在土质分析：通过神经网路模型，分析土壤性质特征，并将其与宜栽作物品种间建立关联模型。借助非侵入性的探地雷达成像技术，结合电磁感应土壤传感器获取的信号，获取土壤表层的粘土含量信息等等。从而精准的判断出相应的土壤适合宜栽的农作物，提高农作物的生产效率和经济效益。

机器人对土质进行收集检测

结合 AI 的卫星数据分析：一家名为 Harvesting 的初创公司能够通过专有的机器学习算法分析卫星数据并预测玉米产量，该算法可以识别植物的一般状况。

科技大厂的 AI 农业之路

那些掌握了资源和技术国内大厂们，也在去年纷纷开启了 AI 农业的研究，他们在 AI 农业的发展上，做出了示范作用。

2018 年 6 月 阿里发布的 ET 农业大脑，就能解决农业的一些问题。比如在养猪上， AI 利用了机器视觉摄像头与数据分析能力，来观察猪的生长数据，从而达成优胜劣汰；

此外，将声纹识别和红外线测温带到养猪场，通过猪的体温和声音进行 AI 预测猪的身体状况，最终提升母猪产崽能力，降低死亡率。

阿里云 ET 农业大脑

去年 11 月，京东数科也做了 AI 辅助养猪的事情。除了用 AI 摄像头与数据智能系统之外，他们还加入了 IoT 系统，机器人管理系统，比如养殖巡检机器人、饲喂机器人等等，而且还有采用「猪脸识别」技术，来帮助养殖场的管理。

京东数科的猪脸识别

除了养猪， AI 在农作物种植上，也有不错的进展。阿里的 ET 农业大脑，报道过甜瓜和生菜上的养殖工作。去年 12 月，腾讯 AI lab 的团队在国际人工智能温室种植大赛（Autonomous Greenhouse Challenge），通过强化学习算法去实现智能「种黄瓜」项目，最终获得了「AI 策略」单项第一名、总分第二名。

腾讯 AI lab 种黄瓜效果显著，可以发展副业了

这些科技大厂的案例，还是在示范和探索阶段，要大规模地投入使用，也许还有一段路要走。 这也说明 AI 农业的发展也面临着一些挑战。

一方面是在传统农业的发展下， AI 模型能够分析和处理的数据并不是很多，标准化程度很低；另一方面 ，AI 农业的技术设备需要重新去搭建和完善。这不仅仅是算法策略的问题，还是解决配套的硬件技术支持等工程问题。

尽管如此，随着社会的发展，智能农业带来的利润和收益的潜能是无限的。一些初步的应用结果已经小有成效，通过对 AI 的合理利用， 在智能化农业的道路上也将越走越远。

超神经百科

随机森林算法 Random Forest Algrithm

随机森林是包含多个决策树的多功能算法。

基本的方法是，使用有放回抽样（ Bootstrap 抽样）构成的样本集训练多棵决策树，训练决策树的每个节点时，只使用随机抽样的部分特征。

基于一个属性对新的对象进行分类判别时，随机森林中的每一棵树先给出自己的分类选择，并由此进行「投票」。

对于分类问题，森林整体的输出结果将会是票数最多的分类选项；而在回归问题中，随机森林的输出将会是所有决策树输出的平均值。

随机森林算法中，「随机」是其核心灵魂，「森林」只是一种简单的组合方式而已。随机森林在构建每颗树的时候，为了保证各树之间的独立性，通常会采用两到三层的随机性。

历史文章（点击图片阅读）