大疆农业无人机AI「果树」模式首次公开作业:开启全自动时代

作为第一大产业,农业中的新技术应用一直是众多科研机构和科技公司探索的重要课题。人们花费多年时间让收割机代替了镰刀,而无人机代替人力喷药壶需要多久?4 月 9 日,在江西赣州的信丰县,大疆创新与中国农科院植物保护研究所共同发布了植保无人机田间实验报告,并展示了最新无人机「果树模式」。

这是大疆新版农业无人机的第一次公开作业展示。「人工智能时代果树精准防疫已经从设想变成了现实。」大疆创新公关总监谢阗地在发布会上表示。

本次活动上,中国农科院植保所首次发布了 2018 年的大疆植保无人机 MG-1P 田间试验报告。2018 年,双方签署合作协议,共建农业无人机联合实验室,在黑龙江虎林玉米种植区、辽宁开原榛子种植区、阿克苏核桃种植区、山西运城小麦种植区等 9 个区域进行了 MG-1P 的一系列测试。

这份报告显示在防治小麦后期的蚜虫测试中,相比背负式电动喷雾器、自走式喷杆喷雾机,MG-1P 植保无人机低空低容量喷雾技术的农药沉积量多,农药利用率高。与传统的大容量喷雾方式相比,在同样的防治效果下具有省时、省水、省药的效果。

报告同时还测试了 MG-1P 在水稻、玉米、核桃、柑橘、桃树、榛子树、马铃薯等作物上的最佳作业参数

「研究人员使用大疆无人机进行农药喷洒作业,对比农民自走、高压喷枪、常规机械等方式,」中国农业科学院植物保护研究所研究员秦会珠在发布会上介绍道。「从总体上可以看出,无人机与人类作业的效果差异并不显著,但耗时大大减少,同时对于水、农药的利用率有很大提升。我们可以看出无人机喷雾的技术可以替代部分地面作用方式,并取得很好的效果。」

而在昨天的展示中,大疆拿出了更为先进的 T16「第二代植保无人机」。

全自动运行

无人机自动喷洒农药,听起来像是一个技术含量很高的过程。但在现场演示中大疆告诉我们:操作起来非常简单。首先使用一台精灵 4 RTK 航测无人机在农田上空飞一圈自动拍摄高清照片,随后将数据传入一台笔记本电脑进行本地处理;大疆智图软件会进行 3D 建模和 AI 路线规划,然后把数据卡插到 T16 无人机上,它们就可以按照已算好的路线自动进行喷洒作业了。

大疆表示,无人机现在已经可以在不规则的果园里进行全自动作业,自动避开建筑物、池塘和电线等障碍,整个过程完全不需要人工干预。

在整个作业过程中,无人机飞手大部分的时间是在准备下一轮喷洒的农药,而不是跟随无人机进行操作,这大大提升了工作效率。

大疆本次展示的 T16 是目前国内首款将三维场景重建、地图语义识别两项 AI 技术实现应用落地的植保无人机。在果树场景下作业,通过航测规划,大疆智图(Terra)的导入与处理后,就可以实现对作业场景的识别,果树、建筑物、电线杆、河流,空地等细节均不会遗漏。

在完成作业场景识别,生成 3D 航线后,T16 就能根据规划航线进行自动飞行作业,相比传统的整片作业区域均匀喷洒模式,无人机可以节省 30% 农药和水的使用量。

针对果园场景中,果树种类多样、高矮不一,地形情况复杂,草丛与密集的果树在远距离俯瞰视角下容易混淆,难以区分的问题。T16 果树模式的背后,是基于卷积神经网络深度学习系统,其采用三维点云切片与三维特征融合技术,可在复杂场景中正确识别多种物体。为了进一步实用化,大疆利用神经网络量化技术,对网络模型进行深度压缩,使得深度学习模型可以在一台笔记本上进行快速推理。

据介绍,目前这套系统已经通过了超过 30 万张的果树图片训练,能够在不到 1 分钟的时间内完成 200 亩地的全环境识别。识别的果树类型达到了 20 种,包括苹果、柑橘、芒果、香蕉、火龙果等等。果树识别准确率达到了 95%。

在喷洒作业中,一名飞手最多可以让五架 T16 无人机同时起飞工作。

在大多数的果园中,果树的种植都是分布不均匀,而且因为树龄差别,树高也有一定的差异。果园中也经常会有建筑物、电线杆,池塘等障碍,这位无人机的工作带来了很大挑战。大疆无人机「果树模式」的出现无疑会是农业无人机市场的一次变革。

果树模式

无人机作为农业生产的工具,其实在国内已经有不少实践了。2015 年,大疆推出了旗下首台农业无人机,时至今日,国内已有不少农田是由农业无人机进行农药喷洒维护的。「在最初的几年里,无人机的应用范围还很狭窄,」中国农业科学院植物保护研究所研究员袁会珠介绍道。「但新技术的发展很快。据统计,在 2018 年,国内无人机的应用面积已经达到 3 亿亩次了,而全国的农药喷洒面积大致为 70 亿亩次。」

农业无人机在中国北方的小麦、水稻等平整农田中的应用推广很快,而不久之前在果树这样对喷洒方式要求较高的场景中还难以施展。

大疆农业曾推出过应对茶园陡峭山坡的仿地飞行功能,这种技术可以实现按照植保作业面的起伏来确定无人机的高度,但还不足以解决果园植保需求,比如当两棵树的距离相差较大时,植保机飞行过程中,飞机就可能被前方果树触发避障而中断作业。

而现在,通过更为成熟的人工智能技术,果园植保需求已得到了很好解决。通过 AI 完成作业场景的识别后,植保机了解果树的分布情况,保证植保机在有果树的地方才喷洒,没有果树的地方就停止,这一切都是自动执行的。

大疆还在发布会上展示了即将推出的「树心识别」功能,借助 AI 在短短几秒标识出果园里树木的树心位置,可针对植物树心位置进行针对性喷洒。

全自动工作的方式不仅比人工打药速度快,效率也大大高于以往的手动操作无人机的作业方式。以往果园施药人工作业,一人一天大约喷洒 10 亩左右,而且很容易造成对人的伤害;而在人工智能的帮助下,一台无人机一小时可以喷洒 60 亩果园。

大疆表示,目前这套系统已经通过了超过 30 万张的果树图片训练,能够在不到 1 分钟的时间内完成 200 亩地的全环境识别。识别的果树类型达到了 20 种,包括苹果、柑橘、芒果、香蕉、火龙果等等。识别准确率达到了 95%。

在 2019 年,大疆计划在华南五省(广东、广西、湖南、江西和四川)继续推广无人机作业,并实现 100 万张果树图片训练,将识别准确率提升至 97%。

大疆 T16 无人机在喷洒农药作业时无需进行人工操作。我们可以通过遥控器观察设备的运转情况。

第二代植保无人机

大疆在农田中演示的是最新推出的第二代植保无人机。相比上一代产品 MG-1P,新机体重塑了整体结构,采用模块化设计,带来了前所未有的高载重和高效喷洒范围。

「我们在设计 T16 之初,是先设计风场,再设计无人机其他结构的。」大疆创新公关总监谢阗地表示。「因此这款产品的性能远超前代。目前市场上还没有任何其他公司推出过这样的无人机。」

大疆 T16 拥有最多 16 升的农药载重量,更为重要的是其六旋翼设计中,有两个辅助旋翼是专门用于调整风场的。在 T16 的正下方,气流不会像其他无人机那样形成循环,这种设计避免了农药喷洒时触及到无关区域,并提高了喷洒效率。

研究人员还发现,使用无人机喷洒农药可以带来一个预料之外的好处——无人机旋翼带来的气流会掀起植物叶片,从而使得喷洒的液体触及到植株叶片背面、树干等深层区域。

据悉,大疆与农科院的第二期项目将在签约后全面启动,未来一年内,中国农科院植保所将以 DJI 大疆农业的植保无人机 T16 为对象,在全国多个柑橘等果树产区进行实地测试,为大疆植保无人机的飞防优化提供多方位的技术支持。此外,双方还将会在植保无人机创新应用进行探索,包括「果树模式」的持续优化,遥感技术在农田生产全周期的应用等。

今年 4 月 1 日,人力资源和社会保障部初步确定的 15 个拟发布新职业中,「无人机操作手」名列其中,目前在国内已经出现了很多农业无人机植保队伍。据大疆介绍,农业无人机在价格最高的茶园环境中进行农药喷洒作业的价格此前为每亩 100 元,在升级了全自动作业模式之后,这一价格已经降低到了每亩 20 元。低价格、高效率的农业无人机或许很快就能为大疆开拓出一片新市场。

截止 2018 年 11 月,大疆农业中国市场保有量 2 万台,该公司已在全国培训了超过 1000 名维修人员,并培训了 14,000 名专业持证植保飞手。目前,这家公司希望继续与农科院等科研机构展开合作,将无人机技术推广到更多种类的作物上,并推动「精准农业生态圈」,鼓励农民接触新技术。

产业大疆科技无人机
21
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

参数技术

在数学和统计学裡,参数(英语:parameter)是使用通用变量来建立函数和变量之间关系(当这种关系很难用方程来阐述时)的一个数量。

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

卷积神经网络技术

卷积神经网路(Convolutional Neural Network, CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。卷积神经网路由一个或多个卷积层和顶端的全连通层(对应经典的神经网路)组成,同时也包括关联权重和池化层(pooling layer)。这一结构使得卷积神经网路能够利用输入数据的二维结构。与其他深度学习结构相比,卷积神经网路在图像和语音识别方面能够给出更好的结果。这一模型也可以使用反向传播算法进行训练。相比较其他深度、前馈神经网路,卷积神经网路需要考量的参数更少,使之成为一种颇具吸引力的深度学习结构。 卷积网络是一种专门用于处理具有已知的、网格状拓扑的数据的神经网络。例如时间序列数据,它可以被认为是以一定时间间隔采样的一维网格,又如图像数据,其可以被认为是二维像素网格。

准确率技术

分类模型的正确预测所占的比例。在多类别分类中,准确率的定义为:正确的预测数/样本总数。 在二元分类中,准确率的定义为:(真正例数+真负例数)/样本总数

遥感技术

遥感(remote sensing)是指非接触的、远距离的探测技术。一般指运用传感器/遥感器探测物体的电磁波辐射、反射特性。遥感通过遥感器这类对电磁波敏感的仪器,在远离目标和非接触目标物体条件下探测目标。

无人机技术

无人机(Uncrewed vehicle、Unmanned vehicle、Drone)或称无人载具是一种无搭载人员的载具。通常使用遥控、导引或自动驾驶来控制。可在科学研究、军事、休闲娱乐用途上使用。

深度压缩技术

韩松等人提出的深度压缩(Deep Compression)由剪枝、量化训练和可变长度编码(variable-length coding)组成,它可以压缩深度神经网络数个量级而没有什么预测准确度损失。「深度压缩」是一种三阶段流程,它可以在保留原始准确度的情况下减小深度神经网络的模型大小。

请问,这里的图像识别用的什么网络模型?