鷹眼成像有限責(zé)任公司(eagle Eye Imaging LLC)在馬里蘭州的伍德拜恩(Woodbine)開業(yè)，其目標是使用無人機，為當?shù)胤N植者提供更快、更實惠的解決方案，解決他們最常見的田間問題?？偟哪繕耸菐椭N植者量化他們的未知因素，減少生產(chǎn)風(fēng)險和增加產(chǎn)量。自2016年以來，該公司已經(jīng)向馬里蘭州、賓夕法尼亞州和特拉華州的農(nóng)民提供了來自無人機圖像的報告。
“種植者沒有時間成為遙感專家，”鷹眼成像公司總裁戴維·基維奧賈(David Kivioja)說。“我們的業(yè)務(wù)模式是捕捉圖像，然后進行分析，這樣我們就可以給他們一幅地圖或一份報告，準確地顯示出他們領(lǐng)域的問題所在。”
起初，該公司的農(nóng)業(yè)制圖工作主要集中在確定玉米和大豆田的作物壓力。這種遙感數(shù)據(jù)的應(yīng)用并不新鮮，已經(jīng)在載人飛機甚至衛(wèi)星圖像上進行了幾十年?，F(xiàn)在的不同之處在于，無人機的運營成本顯著降低，使得這一過程可以在更小的領(lǐng)域和季節(jié)的多個時間內(nèi)實現(xiàn)。無人機技術(shù)支持按需成像，這是傳統(tǒng)方法無法實現(xiàn)的。
鷹眼成像公司從娛樂和專業(yè)無人機系統(tǒng)的主要供應(yīng)商大疆公司購買了智能農(nóng)業(yè)套裝。該軟件包包括DJI Matrice 100四軸飛行器，精密鷹數(shù)據(jù)映射軟件，和兩個數(shù)字成像相機——一個捕捉可見光譜(紅綠藍)的數(shù)據(jù)，另一個是近紅外的。這些相機沒有變焦鏡頭，所以獲得的圖像的空間分辨率是由飛行高度控制的。
為了繪制玉米田作物壓力的典型飛行圖，該公司讓Matrice 100在離地面250-300英尺的高度飛行，以1.5英寸的分辨率捕捉圖像。根據(jù)這些圖像，用DataMapper包生成歸一化植被指數(shù)(NDVI)地圖。在紅色陰影中，NDVI將健康作物與受脅迫作物區(qū)分開來。在幾分鐘內(nèi)，Kivioja就可以手動分析彩色地圖，生成一份報告，為受力條件提供精確的經(jīng)緯度坐標。
Kivioja說:“NDVI報告是農(nóng)學(xué)家在快速發(fā)現(xiàn)田間問題時使用的預(yù)調(diào)查指南。”“由農(nóng)學(xué)家進行的實地調(diào)查費用昂貴，而且傳統(tǒng)上是步行進行的;知道在哪里尋找麻煩，可以為種植者節(jié)省大量成本。”
鷹眼成像的挑戰(zhàn)來自于一個種植者要求該公司使用無人機技術(shù)來補充另一項傳統(tǒng)的活動——對農(nóng)作物進行計數(shù)。這項年度工作通常不需要農(nóng)學(xué)家的技能，只需要一名農(nóng)工在田里走一走，數(shù)一數(shù)玉米稈或豆芽的數(shù)量。在一小塊特定的土地上進行計數(shù)，可以推斷出整個作物的產(chǎn)量。
Kivioja說:“這可能是一個昂貴且耗時的過程，由于人類的計數(shù)錯誤和外推，會產(chǎn)生不準確的結(jié)果。”
他知道利用無人機圖像可以進行作物計數(shù)，但這也是一個會導(dǎo)致錯誤的人工過程。作為2019年末的一項測試，Kivioja在無人機圖像上直觀地數(shù)出了單獨的玉米秸稈。不出所料，這一程序十分繁瑣，光是在一塊大田的某一區(qū)域清點植物就需要數(shù)小時。仍需要外推結(jié)果。這種方法不會為種植者節(jié)省成本，因為它需要在圖像分析實驗室中花費很多時間。
用圖像來計算玉米稈是可行的，但是Kivioja意識到他必須將工作流程自動化，以使其具有成本效益。
利用人工智能
鷹眼成像公司的老板相信機器學(xué)習(xí)技術(shù)可能就是答案。在這個過程中，人工智能算法教會計算機識別數(shù)字圖像中的特征或物體，比如玉米秸稈。這種方法比肉眼觀察更精確，只需幾分鐘就能數(shù)清地里的每一株植物，消除了外推法的不準確性。
在搜索了互聯(lián)網(wǎng)上的人工智能服務(wù)之后，Kivioja選擇了一個由瑞士洛桑的Picterra公司開發(fā)的在線平臺。它沒有要求鷹眼成像公司購買新的軟件和硬件，而是把機器學(xué)習(xí)算法和超級計算能力放在云上，由他來支配，并收取訂閱費。另一個優(yōu)勢是，它允許地圖繪制公司為玉米數(shù)量創(chuàng)建自己的自定義機器學(xué)習(xí)模型，并重復(fù)應(yīng)用它，從而更好地控制成本。
“我們已經(jīng)打破了獲取人工智能和機器學(xué)習(xí)技術(shù)的障礙，這樣大衛(wèi)·基維奧賈(David Kivioja)等專家就可以運用垂直市場的知識和經(jīng)驗，建立他們自己的定制培訓(xùn)模式，”Picterra的聯(lián)合創(chuàng)始人、首席技術(shù)官弗蘭克·德·莫西爾(Frank de Morsier)說。
Kivioja解釋說，創(chuàng)建訓(xùn)練模型很容易:“你只需要(在屏幕上的圖像上)畫一些多邊形，圍繞著玉米秸稈是什么和不是什么的例子。”
在樣本組中加入不同大小的莖稈和葉片構(gòu)型可以提高模型的準確性。為了讓模型知道什么不是玉米秸稈，他在光禿禿的泥土、草地和灌溉渠周圍畫了一些多邊形。使用Picterra算法開發(fā)訓(xùn)練模型只需要輸入12-15個樣本特征，這只是其他人工智能過程的一小部分。
Kivioja對幾個因素進行了實驗，發(fā)現(xiàn)最準確的玉米計數(shù)來自于無人機圖像，其半英寸的空間分辨率是在玉米生長的V2階段在150英尺的高空獲得的。圖像采集必須在相鄰莖葉相互接觸之前進行。模型一旦建立，就可以應(yīng)用于多個玉米田，添加一到兩個新的校準樣本，以適應(yīng)不同的植物品種或種植模式。
Kivioja說:“我們只花了兩個小時就做出了第一個模型，然后花了幾分鐘(在一片玉米地的圖像上)運行它。”“結(jié)果非常準確。”
鷹眼成像公司知道它可以為種植者提供一種成本效益高的新服務(wù)，但該公司相信同樣的人工智能程序可以應(yīng)用于更具挑戰(zhàn)性的問題——雜草識別。
在玉米中發(fā)現(xiàn)雜草
在鷹眼成像的大西洋中部地區(qū)，一種名為shattercane的雜草給玉米種植者帶來了嚴重的問題。這種雜草不僅會擠壓玉米稈，而且如果在收獲季節(jié)與喂養(yǎng)玉米混在一起，還會對牲畜造成危害。此外，如果收獲，雜草種子可以轉(zhuǎn)移到其他領(lǐng)域的收獲設(shè)備。由于這個原因，大多數(shù)種植者在他們的聯(lián)合收割機進入田間收割作物之前很久就試圖根除它。
Kivioja說:“shattercane之所以難以根除，是因為它的基因變化如此之快，以至于它可以快速產(chǎn)生對特定除草劑的抗性。”“用除草劑對雜草進行現(xiàn)場處理可能有效，也可能無效。大多數(shù)種植者更喜歡把雜草除掉。”
Shattercane是一種葉子狀的植物，類似于玉米，成熟后會長得很高。主要的區(qū)別是雜草有漿果，但沒有穗軸。由于在收割時沒有意識到它的存在，農(nóng)民們會用他們的聯(lián)合收割機直接碾過它?；S奧賈曾嘗試用肉眼在無人機圖像中檢測雜草，但結(jié)果好壞參半。就像人工計數(shù)一樣，這個過程耗費了大量的時間。
在Picterra平臺上再次工作時，他修改了之前創(chuàng)建的玉米計數(shù)訓(xùn)練模型。這一次，這個模型被教導(dǎo)尋找碎甘蔗而不是玉米。該模型應(yīng)用于半英寸分辨率的V2無人機圖像。
“結(jié)果是驚人的，”基維奧賈說。Picterra AI模型在圖像中以高度的準確性區(qū)分了甘蔗雜草和玉米稈。這可能需要幾個小時，而且用肉眼看也不太準確。”
最重要的是，雜草圖譜在生長季節(jié)足夠早的時候就完成了，這樣種植者就可以利用精確的位置信息，在有害植物危害其他玉米作物之前消滅它們。對于鷹眼成像來說，使用在線Picterra平臺和重用其培訓(xùn)模型的低成本轉(zhuǎn)化為經(jīng)濟上可行的服務(wù)，這對種植者來說是值得的。
這家位于馬里蘭州的無人機繪圖公司將在本季度向玉米種植者推出人工智能輔助的作物計數(shù)和雜草檢測服務(wù)。
?