订报
event
 

深度学习算法助农人预测耕地表现

Agriculture-Vision资料集中完整注记耕地上所有杂草丛的空拍影像。Intelinair

伊利诺大学(University of Illinois)与奥勒冈大学(University of Oregon)跟Intelinair合作开发计算机视觉(computer vision)技术,运用深度学习(deep learning)算法协助解决复杂的影像模式辨识(Pattern Recognition)问题,让农人以类似气象预报的方式预测耕地的未来表现。

根据Electronics360报导,Intelinair制作的Agriculture-Vision资料集目前有近10万张美国中西部各州数千块玉米与大豆耕地的大尺寸空拍影像,并包含干枯、作物养份缺乏、杂草丛等耕地状况注释,可训练算法进行空拍照片的农业模式分析,让农人掌握耕地状况并提供关于作物生长表现可执行的洞见,目标是协助农人极大化产量与强化决策。

目前缺乏优质的农业影像资料集,一则由于广达数英亩的耕地影像尺寸相当大,再者在大区域辨识非一致性出现的模式相当困难。但是未来的农场经营必须以资料驱动,藉由自动化高分辨率资料的经常性收集,并透过机器学习(Machine Learning)算法将资料用于预测性建模,将可预测任何农场的耕地与作物生长状况。

Intelinair的认知人工智能(Cognitive AI)平台AGMRI跟Agriculture-Vision资料集的功能互补,集成机器学习、计算机视觉、高分辨率影像,掌握每一英亩耕地从播种到收成的完整信息,提供农学家、农业零售商、种植者等农业生态系成员所需的作物智能,企业伙伴Deere & Co.与Climate Corporation分别在产品与服务集成AGMRI的功能。

Intelinair计画扩充Agriculture-Vision资料集以涵盖土壤、热影像(Thermal Image)、地形图等不同属性。若能逐年、逐季取得耕地影像,就能建立深度学习模型预测农场未来的可能表现,协助农人进行长期的耕地土壤永续机能规划。此外深度学习模型集成正确的注释与标记、作物动态、农场历史、土壤状况还可提供新世代的农场经营智能。

由于农业相关的视觉模式辨识演算法所要辨识的模式,并非总是前后一致的出现在影像中,且在大型区域难以辨识。例如有些杂草跟作物的颜色与形状相似,难以从空拍影像中区别,因此需要运用大型且高质量的资料集训练算法,但因为农业影像的尺寸极大,欲建立大量且优质的资料集相当不易,这也是农业视觉辨识技术进展缓慢的部分原因之一。

Agriculture-Vision资料集的技术论文"Agriculture-Vision: A Large Aerial Image Database for Agricultural Pattern Analysis",将在2020年6月16~18日于西雅图举行的IEEE/CVF Conference on Computer Vision and Pattern Recognition发表。

  •     按赞加入DIGITIMES智能应用粉丝团
更多关键字报导: 算法