智慧农业带动185亿美元，人工智能数据是关键!

根据“世界农化网”报告，基于应用的“智慧农业”市场预计到2022年将达到184.5亿美元的规模，复合年增长率为13.8%。智能农业具有广泛的应用范围，例如对农场阳光、温度和湿度的远程数据监测，作物生长监测，水果采摘机器人，甚至害虫防治，以及区域3D植被检测。智慧农业的范围。

面对智慧农业的发展趋势，世界各国纷纷提供“数据”解决问题

作为欧盟最大的农业生产国，法国首当其冲。法国政府、农业组织和私营企业合作建立了一个涵盖种植、渔业、畜牧业，甚至农业技术研发、商业市场和法律政策的农业信息数据库。法国农民不用出门晒晒太阳，只要刷一下手机，就能单手掌握世界上的“农事”。

在亚洲，日本是出了名的老龄化国家，农民的平均年龄高达67岁。据日本农林水产省估计，2015年，日本还有150万农业从业人员，但到2030年，这一数字将一路下降到75万，并将在15年内减少一半。这一数字促使茨城县政府决定采取行动拯救当地农业。

茨城县位于日本东北部，拥有广阔的农业用地，面积约为460个东京圆顶。今年4月，茨城县启动了“筑波城市未来共创项目”。通过政府、农民、新创企业之间的产学研合作，与农民共同开发智能农业人工智能机器人，以低成本的方式引进机器人。当地种植番茄、黄瓜、青椒、荔枝等农场。致力于用AI视频监控打造省时、省力、“赚钱”的农业，共创未来100年可持续农业的繁荣。

智慧农业从数据收集开始

我过去处理过的智能农业项目涵盖了自动收获、生长监测和病虫害防治等主要类型。一些客户来自大型企业、初创企业或农业组织，其中日本的客户最多。

在进行数字化转型或人工智能产业化之前，“数据收集”是一个重要的起点。比如我们都知道，一个顶级的和牛需要肉质细腻，油花分布均匀，而一个好的数据集和牛非常相似，同时需要具备以下几个特点:

1. 图像的“质量”是否清晰、正确?
2. 各种目标物体和场地情况的“比例”是否均匀分布?

如果从错误的角度收集一批AI数据，或者各种目标对象之间的图像数量存在较大偏差，并且图像模糊，则容易造成机器学习错误。

以花卉农田生长监测的AI应用为例，一般采用高角度航拍相机进行取景，在采集图片时，不会忽略周围会造成干扰的物体，如杂草、植被等混合物体。花卉品种等。如有必要，甚至应考虑晴天和雨天的影响。

水果收获机器人的人工智能应用需要从平视角度拍摄，可能会重点获取比例相近、清晰的茎、叶、芽、花、果实等特征，以便快速、良好地学习。

数据收集完成后，进入另一个重要的环节——数据注释。

如何标记人工智能数据是关键

智慧农业的AI数据标注其实并不比一般的数据标注简单，因为它涉及到很多“植物学”，非常注重细节。

有一段时间，我们办公室里摆了一整排盆栽西红柿。过了一段时间，西红柿被覆盆子、百合花和其他植物所取代。一些客户前来参观，以为这些盆栽植物的存在是为了美化环境，但实际上，项目管理和AI数据标注团队能够把握标注的特点和细节，以便近距离观察植物生长的细节。在遇到无法解决的问题时，我们也会咨询农业相关的专家，充分了解植物的生长特性，使标识工作做到到位、高质量。

因为有丰富的数据标注经验作为养分，在处理不同的农业项目时，可以迅速将过去的经验复制到其他项目类型中。以树莓收获机器人为例。

如果在贴标签时只把水果和花的部分框起来，进行机器学习，就会发现一个盲点:即“树枝”也需要贴标签，必须明确区分树干和树枝的区别。你为什么这么说?

如果只对果实进行标记，机器为了达到收获果实的目的，可能会直接切断枝干，造成严重的农业破坏。同时，将分支分为两种类型:主主干和分支主干。必须清楚地告诉机器几个互不矛盾的原理，这样机器才能知道哪些部件应该切割，哪些部件不能切割。

原因听起来很简单，但从客户和人工智能机器人的角度来看，我们需要对数据的专业见解和创新的解决方案。通过反馈机制，既优化了贴标原理，又节省了客户来回纠正数据错误的时间。

人工智能智慧农业时代即将到来。在生产、政府、教育的推动下，在人工智能数据的辅助下，未来收获水稻的工作可能会更容易，可能不再是艰苦的工作。