近日舉行的AI?Challenger 2018發起了世界上首個農作物病害檢測競賽，競賽提供給參賽選手近5萬張標注圖片，覆蓋10種植物的27種病害，目前已經吸引了來自世界各地的29個國家的近1200支團隊參賽。

AI識別技術的應用，正從人臉識別、動物識別進一步擴展到農作物病蟲害檢測等領域。AI識別技術是如何檢測病蟲害的，其準確率如何？有哪些應用難點？在農業領域，AI還會有哪些應用？

有望通過AI改進當前農業技術

新客科技創始人劉新農說，AI與農業病蟲害做結合，首先是要建立病蟲害的數據集，其次需要機器學習和圖像識別系統技術的配合，并且要確保農民使用智能手機的普及率，這樣才可以使技術快速有效地傳達。

AI監測病蟲害主要指利用機器學習、計算機視覺等技術，采用特定的計算機算法和模型，對農業病蟲害發生的光譜或圖像信號進行挖掘，獲得有效的數據特征，實現對病蟲害情況的實時識別和鑒定的過程。

農作物病害檢測競賽的發起方、創新工場人工智能工程院執行院長王詠剛認為，目前AI在圖像識別領域已非常成熟，并有了相應的數據，將其應用到農業病蟲害檢測中難度不大。“如果能夠利用參賽選手的算法，開發出一個能實際運用的產品，對于農業發展來說，是一個非常有價值的事情。”

以往，病蟲害的檢測需要人工巡視，而且一旦發現不及時，就容易導致農作物大片死亡。通過AI圖像識別技術的引入，可以不停拍照和比對，提供不間斷的監測和預報，節省了大量人力成本。美國和墨西哥農場AI實際應用結果顯示，農產品每周的收成提高了2％—4％。

AI助力智慧農業仍存一定限制

不過，利用AI檢測病蟲害發生并非如此容易。有農業專家在接受科技日報記者專訪時表示，應用難點主要體現在農業領域涉及不可知因素太多，如地理位置、氣候水土、病蟲害、生物多樣性甚至微生物環境等都影響著農作物生產。因此，在應用推廣過程中，其中某個因素的改變很可能就將在特定環境中已經測試成功的算法變成無效算法，進而影響檢測效率。

“這也是當前AI檢測技術只能應用于場景、害蟲種類以及相應檢測方法都相對特定化環境的原因。”該專家表示，AI檢測技術還對隱蔽性較強的農業害蟲或病害的監測能力有限。農業害蟲本身就存在著種間相似、種內變化、姿態變化、作物遮擋等問題，從特征分析角度來講，會造成待識別樣本的同一種類內差異大、相近種類間差異小、特征信息缺失嚴重等情況，無形中大大增加了害蟲目標區分的難度。尤其對于一些個體小、生境隱蔽的害蟲而言，比如煙粉虱成蟲體長不到2毫米，且活動能力強，利用AI對其進行檢測，難度非常大。

此外，用于輔助農藥的噴施過程中，從獲取圖像、處理分析、噴施作業決策到執行噴施作業，通常允許處理的時間非常短暫，這也對相關算法的時間復雜度提出了很高要求。

美國賓夕法尼亞州立大學和瑞士聯邦理工學院的研究人員建立了一個系統模型，并將其連接到一個計算機集群來形成一個神經網絡。隨后建立了一個擁有53000多張健康及患病農作物照片的數據庫，其中包括14種作物和26種病害。研究人員利用深度學習的方法來“訓練”模型尋找出所有視覺數據。最終，這個系統能夠從照片中識別出作物和病害，準確率高達99．35％。不過，美國通用人工智能協會主席、漢森機器人公司首席科學家本·戈策爾表示，如果拍攝的圖片不符合標準，識別準確率會從99．35％降到30％，甚至更低。因此，要想讓AI成為農業方面的“醫生”，還要加強用AI的能力，讓其模仿人類大腦，多維度觀察學習作物病害特點從而進行判斷。

AI技術本身還有種種不完善之處，而且農業涉及不可知因素太多，農業病蟲害的種類多樣、危害多元化等，因此，當前AI在農業中的應用還受到一定的限制。但毫無疑問的是，AI技術在農業領域具有廣泛的應用前景。而且隨著AI技術的不斷發展和完善，將來可以通過AI改進、甚至完全改變當前的農業技術，打造“智慧農業”等。