遠距離傳輸wifi模塊智慧農業(yè)新模式人工智能+機械自動化新應用，案例：一個黃瓜農小池誠，原本是汽車廠的工程師，但他辭掉了工作，回到家鄉(xiāng)幫父母經營黃瓜農場。農場不大，但日本農場對黃瓜有不同的分類標準，小池家庭也是如此。只有同一品種的黃瓜分類才能達到9種，這讓他遭受了很多痛苦。

于是他把腦筋放在人工智能上，開始研究Google的TensorFlow該平臺以覆盆子派3為主控制器，并配有相機拍照。這些照片傳到了這里。TensorFlow該平臺在一個小的神經網絡上運行，以確定它是否是小黃瓜。之后，被判定為小黃瓜的照片被傳輸到更大的基礎上Linux服務器的神經網絡，根據不同的特點對小黃瓜進行分類。

突破初期失敗后，小池創(chuàng)建了一臺成本不到10萬元的自動分裝機，任何人都可以快速啟動。它還釋放了該系統(tǒng)的程序代碼開源GitHub上...

以前，我們已經介紹了物聯網+大數據智能農業(yè)進行；但事實上，農業(yè)科技就像主流科技領域一樣，即將被采用“大數據的下一步”，即以機器學習為首的人工智能技術席卷。

與其他行業(yè)相比，農業(yè)、漁業(yè)和畜牧業(yè)面臨著更嚴峻的挑戰(zhàn)。如今，世界人口約為72億，其中7.8億人生活水平較低，面臨結構性饑餓威脅。然而，到2050年，全球人口將高達90億，這意味著人類生產的糧食總熱量需要增加60%；如果計算肉類來源牲畜消耗的糧食，這些糧食的總熱量將達到103%；但相比之下，在過去的33年里，農業(yè)可用面積多只增加了4%。

因此，許多人認為人工智能是在耕地資源有限的情況下增加農業(yè)產出，保證可持續(xù)發(fā)展的有力答案之一；隨著人工智能的發(fā)展，也有“農機全自動化”趨勢。本文將介紹幾個實際案例，帶您了解人工智能在農業(yè)中的無限潛力。

AI成熟的視覺識別已經開始在農業(yè)中發(fā)展

市值約40億美元的蘋果每年在美國收獲和銷售，因此蘋果在美國農業(yè)中占有一席之地；與此同時，AI與遠距離傳輸wifi模塊全自動機器人正在猛烈沖擊蘋果農業(yè)，美國農機新創(chuàng)公司Abundant就發(fā)明了“采摘蘋果機器人“，它有機器學習的視覺算法，可以準確判斷每個蘋果，從提取到輕放在收集箱中。整個過程的準確性基本上和人類一樣，甚至可以以幾十人的速度工作。
另一間NatureSweet新農業(yè)公司更嘗試使用AI監(jiān)測番茄的生長過程。通過安裝在溫室里的相機，他們獨特的算法可以識別番茄是否有病蟲害和枯萎的視覺線索，并實時通知農民病害已經開始發(fā)生。這種方法顯然比以前每周花時間進行人工檢查要有效得多。甚至，他們現在也開始寫一個視覺識別番茄是否成熟的算法。

快速改變農業(yè)面貌的自動機械

有鑒于微型MEMS傳感器（包括加速度計、陀螺儀、磁力計和壓力傳感器）GPS模塊和加工芯片越來越成熟，遠距離傳輸wifi模塊農業(yè)無人機的價格也越來越便宜，這對農民來說是一個巨大的好消息，也有深刻的潛力徹底改造整個行業(yè)。在臺灣，使用無人機噴灑農業(yè)、肥料和藥物并不是什么新鮮事。根據上下游報告，遠距離傳輸wifi模塊無人直升機噴灑10分鐘可噴灑15畝農藥，每天多可噴灑225畝，是傳統(tǒng)人力的三到四倍，可有效節(jié)省藥物，甚至注意葉片背面的絲瓜也可以通過氣流擾動順利施用。

但無人機不僅可以施用藥物和肥料。美國許多酒莊現在使用帶有高光譜相機的無人機，從紅外線和可見光譜中收集數據，拍攝健康植物和病害植物范圍的空拍掃描圖，即使是眼睛不明顯的害蟲、真菌感染和其他病變植物也可以識別。我相信敏感的讀者也猜到，這種紅外識別植物健康的視覺識別系統(tǒng)是機器學習與無人機相結合的另一個好案例。

而在熱門的“自動駕駛”部分，在2017年各國政府和廠商仍致力于實現遠距離傳輸wifi模塊無人駕駛上路駕駛之前，Kinze早在2012年，這家大型農機企業(yè)就參考了Google自動駕駛系統(tǒng)創(chuàng)建了自動農業(yè)和收割機。只要在耕作過程中將遇到的情況與田間信息一起輸入，GPS系統(tǒng)，拖拉機根據GPS系統(tǒng)記錄指示行駛，按前方進行紅外線掃射，避免撞到障礙物；大型農機企業(yè)久寶田也宣布，于2020年推出“一鍵完全自動”農業(yè)機械有助于解決日本農村勞動老齡化問題日益嚴重。

雖然人工智能已經成為科技領域的支柱，但我們也介紹了人工智能和自動機械在農業(yè)中的應用。但事實上，大多數主要農業(yè)企業(yè)、設備制造商和服務提供商都沒有在農業(yè)中大力推廣人工智能。

技術上大的挑戰(zhàn)之一是收集農業(yè)數據并不容易。我們知道，遠距離傳輸wifi模塊AI是大數據“下一步”，需要大量的數據來正確地訓練算法。雖然地理、天氣等數據相對完善，但作物本身的大部分數據只能在每年的生長季節(jié)獲得一到兩次，顯然比其他領域需要更多的時間；與技術、工業(yè)或網絡圈不同，所有權的透明度和共享更加困難。