美国灰胡子的人们，可能还记得当铅笔满载的数学计算，将曲速推进到计算器时代时，他们所感受到的兴奋。

如今，人工智能（AI）有望为农业带来与几十年前数学课相同的热度。人工智能是一种包括机器学习等多个集成的技术，人工智能使用大量数据来提高效率，Inari首席信息和数据官Rania Khalaf说。

“机器学习使计算机能够通过在大量数据中查找模式来数学预测结果或进行分类。”她说，“然后，当它看到新数据时，它会随着时间的推移学习更新这些模式或分类。

“人工智能的最大优势是能够以以前需要人类执行的高速进行复杂的计算。”Blue River Technology的See&Spray总经理Kent Klemme补充道，“最近对GPU（图形处理单元）的改进提供了使这成为可能的计算能力。针对特定问题需要大量数据。”

See & Spray Ultimate技术 - 由机器学习提供支持 - 使喷雾器能够在作物之间喷洒时仅针对杂草。“我们已经在不同情况下拍摄了成千上万张不同作物中不同杂草的图像，例如晴朗的天空、多云的天空、黑暗的天空、不同的土壤和不同水平的残留物。”Klemme说。

Blue River和John Deere的数据科学家随后训练See&Spray Ultimate系统在各种条件下识别植物。这些图像通过算法进行整理，算法涉及重复一个或多个数学运算。算法通常在计算机上实现和解决。

Case IH的Patriot 50系列喷雾器使用一种称为视觉引导的机器学习形式。

“这是一种行引导解决方案，可根据工厂位置发出转向指令。”Case IH全球精密技术总监Chris Dempsey说。

他补充说，视觉引导使用车载摄像头将玉米植物的位置传递给喷雾器，使其保持在行上而不是碾过作物。

它正在增长

人工智能是一个广泛的领域，包括许多子集成，例如机器学习。不过，基本上，它使用大量数据来提高效率，Dempsey说。

“整个农业在数字农业中面临的最大障碍是获取大型复杂数据集并将其转化为有意义的见解。”Ceres Imaging的创始人Ashwin Madgavkar说，“人工智能可以通过将所有这些数据综合成种植者可以采取的行动，真正帮助弥合这一差距。

它在作物育种中的使用正在增加。

“我们正在研究各种不同的新技术，无论是机器学习还是预测杂交性能的高级分析模型。”AgReliant Genetics杂交产品育种经理Mike Popelka说。“[作物育种]行业正更多地转向这些模式。”

人工智能的使用也普遍用于许多机械生产线。Case IH通过16个传感器使用机器学习，这些传感器调整其AFS Harvest Command系统。

“在减少[谷物]损失的同时提高产量现在都是自动完成的。”Dempsey说，“从历史上看，如果联合收割机操作员在谷物样品中有太多的玉米芯或异物，他们将不得不进行筛分调整。”

机器学习现在可以自动执行此操作。

“传感器告诉联合收割机它需要关闭较低的筛子或提高风扇或转子速度。”他说，“这些调整是基于了解给定作物类型的已知数据库中异物或不良谷物质量的样子。它基本上是一个图像数据库，显示好的[质量颗粒]和坏的。

约翰迪尔还在S700和X9系列联合收割机的自动维护功能中使用机器学习来保持有针对性的谷物损失和谷物质量性能。

“运营商将设定一个目标，说明联合收割机在损失水平和粮罐样品方面的运行方式，”约翰迪尔收割机厂的产品营销经理尼克·霍沃顿说。“ActiveVision相机每两秒钟拍摄一次清洁谷物和尾矿升降机的照片。该数据输入到一种算法中，该算法用于将异物和损坏的晶粒水平与目标进行比较。如果水平超过目标，则会自动进行调整。”

智能耕作，“耕作解决方案过去很简单，”Case IH全球精密技术总监Chris Dempsey说。“你把一个工具放在地里，它耕耘土壤。

季节决策

Ceres Imaging使用一种称为计算机视觉的人工智能形式来检测当季作物问题，Madgavkar说。检测不同波长光的航空图像和传感器数据被输入到一种算法中，该算法有助于揭示季节性疾病，例如营养缺乏。

“我们还研究了疾病风险以及杀菌剂的最佳喷洒位置。”Madgavkar说。

尽管如此，机器学习收集的数据只与输入的数据一样好，Madgavkar说。他补充说，“垃圾输入，垃圾输出”仍然适用，因此输入正确质量的数据非常重要。”

“人工智能本身不是灵丹妙药。”他说，“将计算机视觉衍生的数据与当地农艺师和农民的意见相结合以提出建议仍然很重要。然而，人工智能技术可以帮助农艺师更好地利用他或她的时间，瞄准最有可能从季节性治疗中受益的领域。

灌溉系统维修

人工智能技术也使灌溉修复变得更加容易。Lindsay正在与Microsoft Azure合作，使用机器学习通过智能枢轴技术在灌溉组件故障发生之前预测它们。

“如果我们能够预测部件故障，例如变速箱或中心电机驱动器，我们可以在故障发生之前通知客户。这可以防止在生长季节发生更大的[维修]问题。“Lindsay数字产品管理副总裁Kurtis Charling说，“在生长季节的高峰期下降一到三天可能对生产有害。预测组件故障可以帮助农民避免停机问题，并提高效率。”

Lindsay 使用数十年来收集的大量灌溉系统数据来机器下雨预测系统。

“例如，一台因变速箱坏了而发生故障的机器是人工智能模型的训练情况。”Charling说，“如果我们可以访问从故障发生时收集的传感器数据，我们可以将其提供给AI模型，并基本上告诉它'如果这种情况再次发生，这就是变速箱故障的样子。"

局限性

不过，人工智能有其局限性。

“在某些情况下，我们预测的某些事情在该领域是不正确的，例如变速箱问题。”Charling说，“拥有能够说是或否的最终用户或经销商仍然很重要。这反过来又反馈到我们的训练模型中，使它们更准确。”

在See & Spray Ultimate模型中，区分年轻大豆和年轻天鹅绒叶具有挑战性，因为它们看起来很相似。

“随着我们拍摄更多图像并重新训练模型，它会变得更好。”Klemme说，“这与人类侦察员区分天鹅绒叶和年轻大豆所花费的时间没有什么不同。你以同样的方式训练[机器学习]模型。”

它来了

预计人工智能及其子集成将刺激未来农业创新的速度，Dempsey说。

“我认为我们只是触及了机器学习和人工智能可以做什么的表面。”他补充道。

Charling说，如果还没有，想要充分利用这种技术的农民应该尽可能多地收集农场的数据。

“这些人工智能模型可以访问的数据越多，它们就越聪明，特别是当它与农民的操作有关时。”他指出。