Outfield Technologies是一家位于劍橋的農(nóng)業(yè)技術(shù)初創(chuàng)公司，使用無人機和人工智能來幫助果農(nóng)最大化果園作物的收成。Outfield Technologies的創(chuàng)始人Jim McDougall和Oli Hilbourne一直在與博士合作。該系機器智能實驗室的學(xué)生湯姆·羅迪克（Tom Roddick）開發(fā)了他們的技術(shù)能力，從而能夠通過無人機對巨大的蘋果園進行調(diào)查來計算樹上的花朵和蘋果。

Outfield商業(yè)總監(jiān)Jim McDougall解釋說：“對開花的準確評估或?qū)κ粘傻墓烙嬁墒狗N植者提高生產(chǎn)力，可持續(xù)性和環(huán)境友好性?！薄拔覀兊暮娇沼跋穹治鲋赜诋a(chǎn)量估算，并且在國際上都受到追捧。我們在水果領(lǐng)域面臨的最大問題之一就是準確的產(chǎn)量預(yù)測。該系統(tǒng)是與種植者一起開發(fā)的，用于計劃勞力，物流和儲存。整個行業(yè)都需要它，以計劃市場營銷和分銷，并確保貨架上總是有蘋果。目前20%的估算是由種植者做出的，他們的工作非常出色，但果園的變化卻令人難以置信，而且估計往往是錯誤的。這將導(dǎo)致收入損失，作業(yè)效率低下，并可能導(dǎo)致未售出作物的大量浪費?！?/p>

用3D計算機重建的英國果園于2019年4月開花

外場的識別方法是博士論文研究的出色應(yīng)用。羅伯托·西波拉（Roberto Cipolla）教授指導(dǎo)的學(xué)生湯姆·羅迪克（Tom Roddick）正在研究中。Tom是計算機視覺和機器人技術(shù)小組的成員，該小組致力于通過人工神經(jīng)網(wǎng)絡(luò)（ANN）使用深度學(xué)習(xí)方法，致力于人工智能和機器學(xué)習(xí)。

人工神經(jīng)網(wǎng)絡(luò)是一種模仿人腦的松散建模的計算系統(tǒng)，旨在識別模式。他們通過標記或聚類原始輸入來解釋感官數(shù)據(jù)。他們識別出的模式是數(shù)字形式，所有真實世界的數(shù)據(jù)（包括圖像，聲音，文本或時間序列）都將轉(zhuǎn)換為數(shù)字形式。

這樣的系統(tǒng)通常通過分析示例來“學(xué)習(xí)”執(zhí)行任務(wù)，而無需使用特定于任務(wù)的規(guī)則進行編程。例如，在圖像識別中，ANN可能會通過分析已被手動標記為“蘋果”或“沒有蘋果”的示例圖像，并使用結(jié)果來識別其他圖像中的蘋果，從而學(xué)會識別包含蘋果的圖像。他們在沒有任何蘋果先驗知識的情況下進行此操作，例如，蘋果的顏色或形狀。相反，他們會根據(jù)所處理的示例自動生成識別特征。

通過首先檢測數(shù)據(jù)中的簡單模式（例如圖像中的邊緣或語音中的聲音），然后逐步構(gòu)建概念的層次結(jié)構(gòu)，直到復(fù)雜的特征（如面孔或句子）出現(xiàn)在網(wǎng)絡(luò)中，人工神經(jīng)網(wǎng)絡(luò)才能進行聚類和分類。人工神經(jīng)網(wǎng)絡(luò)方法的最初目標是以與人腦相同的方式解決問題。但是，隨著時間的流逝，注意力已經(jīng)轉(zhuǎn)移到執(zhí)行特定任務(wù)上。人工神經(jīng)網(wǎng)絡(luò)已用于多種任務(wù)，包括計算機視覺，語音識別，機器翻譯，社交網(wǎng)絡(luò)過濾，棋盤游戲和視頻游戲以及醫(yī)療診斷。

在攻讀博士學(xué)位期間，湯姆（Tom）一直致力于自動駕駛，研究通過攝像頭捕獲的街道場景，為每個元素添加注釋和標簽。他指出了汽車，行人，路邊等的位置。為此，他使用了一種稱為語義分割的工具來標記每個單獨的像素，從而對正在發(fā)生的事情有一個較高的了解。外場需要在果園照片中識別蘋果和花朵，而做到這一點的一種方法是使用這種語義分割方法。

Outfield數(shù)據(jù)收集方法的另一個方面是查明無人機在任何時候都在哪里，還有另一條計算機視覺集中在本地化上，可以算出您在世界上的位置以及正在查看的內(nèi)容。校友Kesar Breen，獨立機器學(xué)習(xí)和計算機視覺顧問，他已經(jīng)花了很多時間為Jim和Oli提供建議。Kesar幫助他們概述了可用于果園建模和分析的技術(shù)，以找出農(nóng)作物在何處，并草擬了一種具有時間框架和要求的潛在算法。凱薩爾說：“ Outfield正在使用一些有趣但經(jīng)過驗證的技術(shù)來處理非常重要的事情，以解決一個重要的業(yè)務(wù)問題。我認為這很可能在商業(yè)上可行。”

在談到他與Outfield的工作時，Tom說：“ Outfield的語義細分需求有一些非常具體的細微之處，例如，從研究的角度來看，這些細微之處非常有趣。我習(xí)慣查看圖像以識別大型物體，例如汽車，容易發(fā)現(xiàn)，但是Outfield擁有的是這些巨大的果園鳥瞰圖，這些圖有數(shù)百萬個像素，它想檢測每朵開花的花朵或每片水果來計算其中有多少。如何有效，強大地做到這一點，以便能夠區(qū)分類似的東西;這是樹上的蘋果？還是地上的蘋果？”

吉姆說：“英國擁有世界上一些最好的技術(shù)和最好的技術(shù)科學(xué)家。我們目前正在進行beta測試，其中包括將該模型與除蘋果之外的其他農(nóng)作物一起使用?！拔覀?yōu)槲磥韮傻饺曛贫藦娪辛Φ挠媱潱覀儗⒃?019年10月開始一輪投資，以期在2020年第一季度結(jié)束。這將使我們能夠全職投入更多團隊，并大規(guī)模測試產(chǎn)品明年在新西蘭和英國。