近日舉行的AI?Challenger 2018發(fā)起了世界上首個(gè)農(nóng)作物病害檢測(cè)競(jìng)賽，競(jìng)賽提供給參賽選手近5萬張標(biāo)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(gè)國(guó)家的近1200支團(tuán)隊(duì)參賽。

AI識(shí)別技術(shù)的應(yīng)用，正從人臉識(shí)別、動(dòng)物識(shí)別進(jìn)一步擴(kuò)展到農(nóng)作物病蟲害檢測(cè)等領(lǐng)域。AI識(shí)別技術(shù)是如何檢測(cè)病蟲害的，其準(zhǔn)確率如何？有哪些應(yīng)用難點(diǎn)？在農(nóng)業(yè)領(lǐng)域，AI還會(huì)有哪些應(yīng)用？

有望通過AI改進(jìn)當(dāng)前農(nóng)業(yè)技術(shù)

新客科技創(chuàng)始人劉新農(nóng)說，AI與農(nóng)業(yè)病蟲害做結(jié)合，首先是要建立病蟲害的數(shù)據(jù)集，其次需要機(jī)器學(xué)習(xí)和圖像識(shí)別系統(tǒng)技術(shù)的配合，并且要確保農(nóng)民使用智能手機(jī)的普及率，這樣才可以使技術(shù)快速有效地傳達(dá)。

AI監(jiān)測(cè)病蟲害主要指利用機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺等技術(shù)，采用特定的計(jì)算機(jī)算法和模型，對(duì)農(nóng)業(yè)病蟲害發(fā)生的光譜或圖像信號(hào)進(jìn)行挖掘，獲得有效的數(shù)據(jù)特征，實(shí)現(xiàn)對(duì)病蟲害情況的實(shí)時(shí)識(shí)別和鑒定的過程。

農(nóng)作物病害檢測(cè)競(jìng)賽的發(fā)起方、創(chuàng)新工場(chǎng)人工智能工程院執(zhí)行院長(zhǎng)王詠剛認(rèn)為，目前AI在圖像識(shí)別領(lǐng)域已非常成熟，并有了相應(yīng)的數(shù)據(jù)，將其應(yīng)用到農(nóng)業(yè)病蟲害檢測(cè)中難度不大。“如果能夠利用參賽選手的算法，開發(fā)出一個(gè)能實(shí)際運(yùn)用的產(chǎn)品，對(duì)于農(nóng)業(yè)發(fā)展來說，是一個(gè)非常有價(jià)值的事情。”

以往，病蟲害的檢測(cè)需要人工巡視，而且一旦發(fā)現(xiàn)不及時(shí)，就容易導(dǎo)致農(nóng)作物大片死亡。通過AI圖像識(shí)別技術(shù)的引入，可以不停拍照和比對(duì)，提供不間斷的監(jiān)測(cè)和預(yù)報(bào)，節(jié)省了大量人力成本。美國(guó)和墨西哥農(nóng)場(chǎng)AI實(shí)際應(yīng)用結(jié)果顯示，農(nóng)產(chǎn)品每周的收成提高了2％—4％。

AI助力智慧農(nóng)業(yè)仍存一定限制

不過，利用AI檢測(cè)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?qǐng)?bào)記者專訪時(shí)表示，應(yīng)用難點(diǎn)主要體現(xiàn)在農(nóng)業(yè)領(lǐng)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(yīng)用推廣過程中，其中某個(gè)因素的改變很可能就將在特定環(huán)境中已經(jīng)測(cè)試成功的算法變成無效算法，進(jìn)而影響檢測(cè)效率。

“這也是當(dāng)前AI檢測(cè)技術(shù)只能應(yīng)用于場(chǎng)景、害蟲種類以及相應(yīng)檢測(cè)方法都相對(duì)特定化環(huán)境的原因。”該專家表示，AI檢測(cè)技術(shù)還對(duì)隱蔽性較強(qiáng)的農(nóng)業(yè)害蟲或病害的監(jiān)測(cè)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(huì)造成待識(shí)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(yán)重等情況，無形中大大增加了害蟲目標(biāo)區(qū)分的難度。尤其對(duì)于一些個(gè)體小、生境隱蔽的害蟲而言，比如煙粉虱成蟲體長(zhǎng)不到2毫米，且活動(dòng)能力強(qiáng)，利用AI對(duì)其進(jìn)行檢測(cè)，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(shí)間非常短暫，這也對(duì)相關(guān)算法的時(shí)間復(fù)雜度提出了很高要求。

美國(guó)賓夕法尼亞州立大學(xué)和瑞士聯(lián)邦理工學(xué)院的研究人員建立了一個(gè)系統(tǒng)模型，并將其連接到一個(gè)計(jì)算機(jī)集群來形成一個(gè)神經(jīng)網(wǎng)絡(luò)。隨后建立了一個(gè)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(xué)習(xí)的方法來“訓(xùn)練”模型尋找出所有視覺數(shù)據(jù)。最終，這個(gè)系統(tǒng)能夠從照片中識(shí)別出作物和病害，準(zhǔn)確率高達(dá)99．35％。不過，美國(guó)通用人工智能協(xié)會(huì)主席、漢森機(jī)器人公司首席科學(xué)家本·戈策爾表示，如果拍攝的圖片不符合標(biāo)準(zhǔn)，識(shí)別準(zhǔn)確率會(huì)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(qiáng)用AI的能力，讓其模仿人類大腦，多維度觀察學(xué)習(xí)作物病害特點(diǎn)從而進(jìn)行判斷。

AI技術(shù)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(dāng)前AI在農(nóng)業(yè)中的應(yīng)用還受到一定的限制。但毫無疑問的是，AI技術(shù)在農(nóng)業(yè)領(lǐng)域具有廣泛的應(yīng)用前景。而且隨著AI技術(shù)的不斷發(fā)展和完善，將來可以通過AI改進(jìn)、甚至完全改變當(dāng)前的農(nóng)業(yè)技術(shù)，打造“智慧農(nóng)業(yè)”等。