以下文章来源于AI农业智汇 ,作者罗伯特小姐姐
分享农业人工智能相关政策动态、行业资讯、科研资源、政企项目。集聚全国高校、科研院所、新型研发机构、企业、行业管理部门等人工智能领域的专家资源,促进人工智能在农业领域的应用与产业化发展,搭建广东省农业行业的品牌交流平台。
点击上方蓝字关注我吧!
随着图像处理和计算机技术的发展,计算机视觉技术在当今社会中越来越重要,是人工智能的一个重要领域,其应用已扩展到农业领域等诸多方面,对传统农业模式产生巨大影响。在我们栏目第二期有关于计算机视觉的话题的直播中,毛亮博士较详细地讲解了计算机视觉技术在畜禽生产中的应用,在这期我们会较全面的为大家介绍计算机视觉在种植、畜禽、水产场景的一些应用。
本次是“AI•农业智汇云讲堂”的第二十三期,主题是“农业计算机视觉技术与应用”。为此,本期我们请到了华南农业大学电子工程学院薛月菊教授。
一、研究背景
计算机视觉在农产品的质量分级与监测、农田病虫草害监控、自动采摘、农作物与畜禽生长过程监测以及农业机械导航中,都起着至关重要的作用。
日本自动挤奶机器人
法国修剪藤蔓、减除嫩芽、监测土壤和藤蔓健康状况
二、主要工作
研究团队
近几年人工智能的快速发展得益于深度学习的快速发展。
1
动物的行为分析
对动物的行为分析将对精准饲喂起到有利的作用。如通过母猪的行为识别健康状况,可以预测仔猪的成活率和生长状况。为精准畜牧提供依据,节省劳动力,促进智能化管理。常用接触式传感器,如加速度传感器、RFID耳标等进行行为识别,比如母猪产前躺卧、站立、吃料、筑窝等行为。但这些方法存在硬件成本高,猪场环境恶劣,传感器易损坏,猪只外部物理参数,难以检测高级行为,容易引起应激反应等问题。所以非接触式计算机视觉就应运而生,但仍有一些困难需要克服:
第一点,实际猪舍下光线不均、昏暗、地面杂乱等导致视频图像分割困难;
第二点,哺乳过程中母猪与仔猪群空间分布关系难以确定,密集的仔猪运动相互干扰等造成哺乳行为特征描述困难;最后就是不同行为识别模块集成困难。
针对第一点,可以采用全卷积网络和及概率图和色调、饱和度等颜色信息进行细化实现高精度母猪图像分割。这样可以减少标注样本,提高分割精度。
Ours与FCN-8s分割结果比较
在高精度母猪图像分割的基础上,实现母猪哺乳行为准确检测。
基于时空关键块光流分布的母猪哺乳行为检测
基于时空关键块光流分布的母猪哺乳行为检测识别,识别结果显示准确率= 97.6%,敏感度= 92.1%,特异度= 98.6%。
另外,利用双模态视频信息的精简的双流RGB-D Faster R-CNN实现高精度母猪姿态识别。
综合前期母猪行为的研究技术,可以实现哺乳母猪日常行为识别。
未断奶仔猪跟踪难点母猪遮挡导致跟踪中断,给目标重关联带来困难。利用集成的卷积网络可以实现高精度的仔猪跟踪。
仔猪跟踪的深度卷积网络(OPTN)
2
水产养殖场景下视觉感知
水产养殖场景下视觉感知主要分为渔场内行人检测、设备检测和鱼群检测。
渔场行人检测和增氧机工作状态检测:
渔场环境下行人检测
鱼类目标检测与跟踪
应用示范
饥饿和环境胁迫状态下,鱼类行为的识别和量化分析 Ø开发智能水质调节系统
佛山乐从智慧渔业基地面积为200亩
3
水果实检测与分类
在水果检测中,需要解决的就是果实互相遮挡,光线变化等问题。因此,采用了Mask R-CNN的对抗分割网络及采摘点检测。
在芒果检测的基础上,可以进一步检测芒果的采摘点。
芒果采摘点的选取
实验结果
深度学习算法还可以应用在百香果的成熟的检测中。
可见未成熟和成熟前期还是有一些错误,但在青与成熟和过成熟的精度比较高。
4
遥感图像解析
模糊逻辑与线性分段模型
NDVI+火灾制图+温度遥感
全色图像+多光谱图像
利用组稀疏表示,将高精度和颜色进行融合,即不失真也能提高空间分辨率。
未退化 Quickbird 卫星实验图像及融合结果
香樟树树苗检测
如何提高目标检测精度是一个难题,需要后续不断研究。
三、总结与展望
团队研究了农业计算机视觉技术,进行了如下几个探索:
水产养殖场景下视觉感知:渔场行人检测与电子围栏预警、增氧机检测与工作状态识别、鱼苗检测与跟踪
水果实检测与分类:果实检测与计数、分割、成熟度判别、采摘点识别
遥感图像解析:植被绿度变化检测、图像融合、目标检测
动物的行为分析:公开数据集、示范与推广
水产养殖场景下视觉感知:鱼类检测、跟踪与行为分析
果园场景低空遥感视觉感知:估产、病虫害检测
薛月菊教授“农业计算机视觉技术与应用”直播
——观众提问集中回答
薛教授,您对未来农业种植或养殖,采用自动化手段和视觉技术进行生产和过程控制,是否有信心和期待?
答案是肯定的。这几年人工智能给大家的生活带来翻天覆地的变化,比如刷脸技术在2015、2016年时还不是很成熟,还不能用于实践,但现在已经很普及了。再比随着如视频图像获取手段的提升,手机也逐渐成为一个小AI平台。随着这些进步,特别是我们人类对认知科学的探索,我们完全可以相信精准采摘可以像人一样灵活,配备机器人的猪舍巡查也可以像人一样智能。
薛教授,从您的研究领域可以看出,涉及的领域也比较广,有涉及到水下物体、畜禽类、水果、植被等,您感觉这些领域在具体实现过程中最大的不同是什么?遇到的最大困难是什么?
这些领域如果从技术层面来说,不管养殖或种植,从视觉技术来说就是户外识别、目标检测、分类识别、分割跟踪和行为分析。但是具体到不同的领域,问题还是不一样的,有区别的,猪场可能光线比较昏暗,而对于水下鱼的情况,光线和杂质会导致检测鱼的目标都比较困难。在农业中不像工业环境可控,完全是非结构的环境。
所以我们要通过实践理论分析来找具体的困难,然后进行相应的调控。其实视觉没有通用算法的。
薛教授,我看您有涉及到无人机遥感,主要用于植被作物的检测识别,如果将无人机应用于猪场,比如定时巡逻一遍,探测异常,您觉得有没有可能?
这个想法很有意思,平时一些朋友也有提到这个问题。现在来说比较困难,猪舍的高度和一些线路会影响无人机的飞行。另外无人机的大小可能不适用于猪场,更适合空旷大草原牛群的行为检测,这是完全可能的。
薛教授,水产养殖方面有无设备能对养殖水里的药品进行实时监测?
计算机视觉主要模拟人可以看到的东西。如果是药物、杂质、成分等需要光谱或者传感器,而不是计算机视觉技术。
薛教授,请问增加了外观模型的跟踪现在是否能达到实时?需要什么样的硬件配置?
增加了外观模型,用深度学习来提取特征,的确会影响实时性,但是OPTN算法是用深度学习提取外观特征,其实时性还是相对比较好。我们今天提到的SST的算法可能实时性就没有那么好。
在这方面我觉得也是一个前期研究,到应用还是有点距离。
薛教授,请问直接把增氧机开和关状态作为两个类别来做目标检测有何弊端?为何还要加后处理来分析状态?
如果直接用一个显示器直接可以知道是否工作。那么检测和工作状态识别可以看作同一个问题。刚刚说的工作,我们前前后后经历了7-8年,有些算法是一些比较旧的算法了,发明专利授权很多年了,所以这个方法我们后续也会进行升级。
薛教授,想了解一下您们团队利用深度学习,研究了养殖和种植环境下的视觉感知技术,说说您对深度学习在农业计算机视觉中应用研究的体会?
其实我刚刚也提到,这一轮人工智能的热潮还是要感谢深度学习,我们现在的研究中,行为分析、目标识别、分割等能够达到这么高的精度也是因为有深度学习理论的支持,特别是最近一段时间,一些共享代码,降低了计算机视觉识别入门的门槛。但是即使是这样在应用的过程中,我们也还是要抓基础,如果我们是做人工智能研究,最好是有一定的计算机视觉理论基础,这样才能在碰到一个实际的问题时灵活应用,才能创新,否则只能机械模仿,别人说什么,你就跟着做什么。
薛教授,请问多张图片检测出来的目标数量如何拼接到一起确定总体数量?
如果在特定条件下,例如视频连续帧的话还是有可能,可以利用刚才跟踪的思路,一个是外观特征相似性判断是否是同一个对象,然后看看哪个多哪个少,然后进行计数。如果第一次测出来是80,第二次是60,那到底是80还是60或者90。
如果检测本来算法不好,那么后面比较难通过三个检测判断多少数量。这个我们和一些企业猪的技术的实际应用的老板或者工程技术人员都讨论过这个问题。唯一能够做的就是提高检测精度。
薛教授,母猪哺乳行为识别的实时性怎么样?
母猪哺乳行为识别的实时性没有太大问题,因为前面提到分割可以用轻量化网络。另外光流特征也是用网络形式去提取,避免光流离线计算的方式。这个成果在投稿中,希望能过够刊登和大家见面。
薛教授,请问稀疏表示在计算机视觉中的作用是什么?主要应用方向是什么?
稀疏表示在深度学习出来之前,可以说是发展的最好的一个方向。它其实是通过图像的特征字典的构建来进行图像识别,特征的提取。其实有时候我也在想,是不是有可能把稀疏表示和深度学习通过融合,可能也会有个大的突破吧。
薛教授,遥感植被计数使用到目标跟踪吗?
我们在遥感目标检测时没有用跟踪,但如果用来检测牛等动物就需要用目标跟踪,但是植物是不需要的。
如果有问题想继续与薛教授交流,欢迎在评论区下方留言或者发送邮件交流。
薛月菊教授邮箱:
xueyj@scau.edu.cn
END
好看的人才能点