聪明的农业都是关于利用人工智能、机器人和物联网等技术的力量，实现自动化，并提高作物的数量和质量。即使在农产品价格波动的情况下，农作物产量提高5%就能确保农业保持盈利。1如何以及为什么智能农业有助于实现这一目标？
图片来源:伤风/ Scharfsinn
由于其规模和规模，管理农业土地往往是非常挑战性的。因此，手动检查变得非常劳动和成本密集。作物疾病是一种任务，通常是依赖于视觉作物检查，然后将样品发送到用于分析的实验室，在诊断之前引入进一步的延迟。2
对于在温室中养殖的植物，湿度，温度和光水平的传感器通常用于确保作物的最佳生长条件。然而，许多网站仍将依靠手动测井和监测环境条件，这可以防止对任何变更或技术问题进行快速响应，例如加热装置的失效。
所有这些挑战都可以通过使用智能农业，对他们中的许多人来说，是机器视觉的使用。通过将传感器等数据收集设备与反馈和控制系统相结合，可以完成许多任务农业可以完全自动化。
在温室的示例中，足够的传感器覆盖意味着条件监控，测井和控制可以很容易地自动化，并且与机器学习算法结合使用，甚至可以用于提高能量效率。3.
机器视觉
可以通过使用可以解决的问题机器视觉在智能农业中包括疾病检查、作物分布测量、生长监测和农产品计数等等。4
在使用人工智能和需要视觉识别的任务的自动化时可能具有挑战性，而机器愿景已经证明是精密农业的强大工具，具有出色的投资回报。
通过通过机器视觉获得的数据，可以分析这些数据集以识别最需要杀虫剂的区域，从而最大限度地减少其使用。
一些应用，特别是作物分配的识别，使用安装在无人机上的摄像头提供对感兴趣地区的空中监视。帮助采摘和除草的野外机器人可以在机器人身上安装摄像头。
对于许多应用来说，标准宽带可视摄像机是合适的，但特别适用于疾病诊断多光谱成像波长在近红外甚至x射线的可能是有益的。5电磁光谱的不同区域对不同的结构敏感，例如，热成像非常适合识别植物中的水胁迫以及疾病发作。6
相机要求
充分利用机器愿景的力量依赖于选择正确的相机．首先，重要的是要确定要解决的问题，因为这将确定相机的波长区域，所需的分辨率，速度和接口。
其次，成像的环境条件也很重要。在具有不同照明条件的可见范围内成像将需要一个具有高动态范围的摄像机，以捕获图像而不在读出噪声中丢失细节。
例如，对于害虫和损坏识别，问题的视觉迹象可能非常小。受影响的植物区域可以隐藏在其他叶片下，这对于自上而下的可见成像可能是有问题的。由于这些原因，盟友的愿景，机器视觉相机解决方案专家提供各种用于农业应用的相机选项。7
对于农业，有时需要广泛的视野。使用具有大量像素的相机实现高分辨率意味着Prosilica GT6400．虽然在使用更高分辨率时速度会被牺牲，但可以指定感兴趣的区域来增加每秒帧数，并最小化数据传输量和要分析的容量。
由于这些相机需要在野外使用和便携式，相机的尺寸和外壳类型可能是至关重要的。根据相机将如何集成到设备中，大多数应用通常需要封闭外壳，Allied Vision为其全系列相机提供了几种选择和组合。无人机安装的设备需要更轻，所以像Alvium要么尖吻鲭鲨可能是一种吸引人的选择。
作物高分辨率成像的挑战之一是高卷数据的转移。USB 3.0是一种简单的界面类型，易于访问，具有优异的传输带宽约为350 MB / s，以帮助减少图像采集之间的停机时间。然而，吉埃在需要非常长（最多100米）的电缆长度的情况下可能是优选的，以确保在转移期间没有数据丢失。
的灵活性和可定制性盟军视觉的相机是挑战机器视觉应用的关键，比如智能农业。通常，在具有挑战性和变化的环境条件下成像这样复杂的物体需要使用多个摄像机并对信息进行综合分析。
然而，这是寻找新的农业创新方法的关键，以增加作物产量并改善植物健康，同时最大限度地减少昂贵和潜在有害的农药。
参考
-
环境、食品和农村事务部(2019年)https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/884101/agricaccounts-tiffstatsnotice-07may20i.pdf，访问25.th4月2021年4月
-
(2008)。马铃薯的疾病，害虫和失调:颜色手册。爱思唯尔。
-
Escamilla-García, A.， Soto-Zarazúa, g.m.， Toledano-Ayala, M.， Rivas-Araiza, E.， & Gastélum-Barrios, A.(2020)。人工神经网络在温室技术中的应用及智能农业发展综述。应用科学(瑞士)欧洲杯线上买球，10(11)。https://doi.org/10.3390/app10113835
-
Mavridou, E.， Vrochidou, E.， Papakostas, G. A.， Pachidis, T.， & Kaburlasos, V. G.(2019)。机器视觉系统在精确农业作物耕作。影像杂志，5(12)。https://doi.org/10.3390/jimaging5120089
-
McCarthy，C. L.，Hancock，N.H.，＆Raine，S. R.（2010）。植物的应用机器视觉：综述自动化农业运营中的现场部署影响。智能服务机器人，3（4），209-217。https://doi.org/10.1007/S11370-010-0075.2.
-
Vadivambal，R.，＆Jayas，D. S.（2011）。热成像在农业和食品产业中的应用 - 评论。食品和生物过程技术，4（2），186-199。https://doi.org/10.1007/S11947-010-0333-5
-
盟军愿景（2021年）盟友愿景，https://www.alliedvision.com/，访问25.th4月2021年4月
-
Allied Vision(2021)分析H2o通过swir，https://www.alliedvision.com/en/news/detail/news/the-future-of-agriculture-unfolds-as-researchers-analyze-h2o-absorption-via-swir.html，访问25.th4月2021年4月