人工智能是一种包括机器学习等多个子集的技能。
机器学习使打算机能够通过在大量数据中探求模式来以数学的办法预测结果或进行分类。
然后在新数据涌现时，学会随着韶光的推移更新这些模式或分类。

人工智能的最大上风在于能够高速进行繁芜的打算，而这在以前须要人类付出劳动才能完成。
GPU（图形处理单元）最近的改进供应了使之成为可能的打算能力。
同时针对特定问题须要大量数据。

See & Spray系统

See & Spray Ultimate技能，由机器学习供应支持，使喷雾机能够在向作物喷洒时只针对杂草。
企业在不同情形下拍摄了成千上万张不同作物中不同杂草的图像，例如晴空、多云、阴郁、不同的土壤等。

Blue River和约翰迪尔的数据科学家随后演习See & Spray Ultimate系统在各种条件下识别作物。
这些图像是通过算法整理出来的，算法涉及重复一个或多个数学运算。
算法常日在打算机上实现和解决。

凯斯的Patriot 50系列喷雾机利用一种称为视觉勾引的机器学习形式。

凯斯Patriot 50系列喷雾机

凯斯环球精准技能总监Chris Dempsey表示，这是一种基于工厂位置发出转向指令的办理方案。

视觉勾引利用机载摄像头将玉米植株的位置通报给喷雾机，使其保持在行上行走，而不是碾过作物植株。

日益增长的运用

人工智能是一个广泛的领域，包括许多子集，例如机器学习。
不过，基本上它都利用大量数据来提高效率。

全体数字农业中面临的最大障碍是获取大量繁芜的数据集并将其转化为故意义的信息。
人工智能可以通过将所有这些数据综合剖析，转化为栽种者可以采纳的行动，真正帮助弥合这一差距。

如今它在作物育种中的利用正在增加。
无论是机器学习还是预测杂交性能的高等剖析模型，目前各方正在研究各种不同的新技能。
人工智能的利用也普遍用于许多机器生产线。

凯斯通过16个传感器利用机器学习，来调度其AFS收成指令系统。
这种农艺掌握策略可以根据不同的土壤类型和条件自动调度最佳垦植深度。

凯斯AFS管理系统

增加喂入量同时减少谷物丢失现在都是能够自动完成的。
从历史上看，如果谷物样品中的穗轴或异物过多，联合收割机操作员将不得不进行筛分调度。

机器学习现在能够自动实行此操作。
传感器会见告联合收割机它须要关闭较低的筛子或增加风扇或转子速率。
这些调度是基于理解给定作物类型的已知数据库中的异物或不良谷物质量的情形。
常日是一个图像数据库，显示了良莠不齐质量的谷物。

约翰迪尔还在其S700和X9系列联合收割机的自动掩护功能中利用机器学习，以保持降落目标谷物丢失和坚持谷物质量性能。

操作员将根据丢失水平和粮箱样本设定联合收割机的运行目标。
ActiveVision相机每两秒拍摄一次干净的谷物照片。
该数据被输入到一种算法中，该算法用于将异物和破坏的谷物水平与目标数据进行比较。
如果超过目标，则会自动进行调度。

约翰迪尔X9系列联合收割机

办理时令性问题

美国农业科技公司Ceres Imaging于2014年在加州奥克兰成立，是一家农业影像剖析技能做事商。
公司利用一种称为打算机视觉的人工智能形式来检测时令性作物问题。
检测不同波长的航空图像和传感器数据，输入到一种算法中，该算法有助于揭示时令性疾病，例如营养缺少症。
公司还研究了不同的疾病风险以及喷洒杀菌剂的最佳位置。

Ceres Imaging公司作业运用

只管如此，机器学习网络的数据与自主输入的数据一样好。
垃圾输入，就会有垃圾输出，因此输入精确高质量的数据非常主要。

人工智能本身并不是灵丹灵药，将打算机视觉衍生数据与当地农艺师或农人的见地相结合以提出建议仍旧很主要。
然而，人工智能技能可以帮助农学家更好地利用韶光，瞄准最有可能从时令性处理中受益的领域。

灌溉系统维修

人工智能技能也让灌溉系统的维修变得更加随意马虎。
Lindsay正与Microsoft Azure互助，利用机器学习通过Smart Pivot技能预测灌溉部件的故障。
可以在故障发生前关照客户。
防止成长时令发生更大的问题并提高效率。
”

例如，一台机器由于变速箱坏了而发生故障是人工智能模型的仿照情形。
如果我们可以访问从故障发生时开始网络到的传感器数据，就可以将其供应给人工智能模型，并见告它如果再次发生这种情形，基本上便是变速箱故障的样子。

约翰迪尔X9系列联合收割机

局限性

不过，人工智能有其局限性。

在某些情形下，预测在田间实践中被证明并不准确，例如变速箱问题。
终极用户或经销商说了算，这仍旧很主要。
反过来问题又反馈到演习模型中，使它们更加准确。

在See & Spray Ultimate模型中，区分大豆幼苗和苕叶幼苗具有寻衅性，由于它们看起来很相似。

随着拍摄录入更多图像并重新演习模型，情形会变得越来越好。
这与人类分辨绒叶和少小夜豆所花费的韶光没有什么不同。
现在须要以同样的办法演习 机器学习模型。

人工智能来了

人们期望人工智能及其子集能够加快未来农业创新的速率。

目前只是触及了机器学习和人工智能的皮毛。
想要充分利用这种技能的农人该当尽可能地网络农场数据。

这些人工智能模型访问的数据越多，它们就会变得越聪明，尤其是多多网络与农人的经营活动干系的数据。