使用无人机和人工智能预测水果收成

　　外场的识别方法是博士论文研究的出色应用。罗伯托·西波拉（Roberto Cipolla）教授指导的学生汤姆·罗迪克（Tom Roddick）正在研究中。Tom是计算机视觉和机器人技术小组的成员，该小组致力于通过人工神经网络（ANN）使用深度学习方法，致力于人工智能和机器学习。

　　这样的系统通常通过分析示例来“学习”执行任务，而无需使用特定于任务的规则进行编程。例如，在图像识别中，ANN可能会通过分析已被手动标记为“苹果”或“没有苹果”的示例图像，并使用结果来识别其他图像中的苹果，从而学会识别包含苹果的图像。他们在没有任何苹果先验知识的情况下进行此操作，例如，苹果的颜色或形状。相反，发那科机器人维修，他们会根据所处理的示例自动生成识别特征。

　　Outfield数据收集方法的另一个方面是查明无人机在任何时候都在哪里，还有另一条计算机视觉集中在本地化上，可以算出您在世界上的位置以及正在查看的内容。校友Kesar Breen，独立机器学习和计算机视觉顾问，他已经花了很多时间为Jim和Oli提供建议。Kesar帮助他们概述了可用于果园建模和分析的技术，以找出农作物在何处，并草拟了一种具有时间框架和要求的潜在算法。凯萨尔说：“ Outfield正在使用一些有趣但经过验证的技术来处理非常重要的事情，以解决一个重要的业务问题。我认为这很可能在商业上可行。”

　　吉姆说：“英国拥有世界上一些最好的技术和最好的技术科学家。我们目前正在进行beta测试，其中包括将该模型与除苹果之外的其他农作物一起使用。“我们为未来两到三年制定了强有力的计划，我们将在2019年10月开始一轮投资，以期在2020年第一季度结束。这将使我们能够全职投入更多团队，并大规模测试产品明年在新西兰和英国。

用3D计算机重建的英国果园于2019年4月开花。图片提供：剑桥大学

图源：剑桥大学

　　人工神经网络是一种模仿人脑的松散建模的计算系统，旨在识别模式。他们通过标记或聚类原始输入来解释感官数据。他们识别出的模式是数字形式，所有真实世界的数据（包括图像，声音，文本或时间序列）都将转换为数字形式。

　　Outfield Technologies是一家位于剑桥的农业技术初创公司，使用无人机和人工智能来帮助果农最大化果园作物的收成。Outfield Technologies的创始人Jim McDougall和Oli Hilbourne一直在与博士合作。该系机器智能实验室的学生汤姆·罗迪克（Tom Roddick）开发了他们的技术能力，从而能够通过无人机对巨大的苹果园进行调查来计算树上的花朵和苹果。

　　在攻读博士学位期间，汤姆（Tom）一直致力于自动驾驶，研究通过摄像头捕获的街道场景，为每个元素添加注释和标签。他指出了汽车，行人，路边等的位置。为此，机器人示教盒维修，他使用了一种称为语义分割的工具来标记每个单独的像素，从而对正在发生的事情有一个较高的了解。外场需要在果园照片中识别苹果和花朵，而做到这一点的一种方法是使用这种语义分割方法。

　　通过首先检测数据中的简单模式（例如图像中的边缘或语音中的声音），然后逐步构建概念的层次结构，直到复杂的特征（如面孔或句子）出现在网络中，人工神经网络才能进行聚类和分类。人工神经网络方法的最初目标是以与人脑相同的方式解决问题。但是，随着时间的流逝，注意力已经转移到执行特定任务上。人工神经网络已用于多种任务，包括计算机视觉，语音识别，www.zr-fanuc.com，机器翻译，社交网络过滤，棋盘游戏和视频游戏以及医疗诊断。
 

　　Outfield商业总监Jim McDougall解释说：“对开花的准确评估或对收成的估计可使种植者提高生产力，可持续性和环境友好性。”“我们的航空影像分析着重于产量估算，并且在国际上都受到追捧。我们在水果领域面临的最大问题之一就是准确的产量预测。该系统是与种植者一起开发的，用于计划劳力，机器人示教器维修，物流和储存。整个行业都需要它，以计划市场营销和分销，并确保货架上总是有苹果。目前20％的估算是由种植者做出的，他们的工作非常出色，但果园的变化却令人难以置信，伺服电机维修，而且估计往往是错误的。这将导致收入损失，作业效率低下，并可能导致未售出作物的大量浪费。”

　　在谈到他与Outfield的工作时，Tom说：“ Outfield的语义细分需求有一些非常具体的细微之处，例如，从研究的角度来看，这些细微之处非常有趣。我习惯查看图像以识别大型物体，例如汽车，容易发现，但是Outfield拥有的是这些巨大的果园鸟瞰图，这些图有数百万个像素，它想检测每朵开花的花朵或每片水果来计算其中有多少。如何有效，强大地做到这一点，以便能够区分类似的东西；这是树上的苹果？还是地上的苹果？”