AI的發(fā)展已經(jīng)為各個(gè)行業(yè)帶來了更多的業(yè)務(wù)場(chǎng)景和更強(qiáng)大的能力。但除了我們熟悉的數(shù)字經(jīng)濟(jì)，在工業(yè)、農(nóng)業(yè)領(lǐng)域的AI落地也有著廣闊天地。

近日，來自英國(guó)布里斯托大學(xué)的研究人員們利用無人機(jī)與計(jì)算機(jī)視覺算法相結(jié)合，識(shí)別奶牛身份、追蹤運(yùn)動(dòng)軌跡、與牧場(chǎng)管理系統(tǒng)進(jìn)行深度融合，為AI在未來牧場(chǎng)的應(yīng)用呈現(xiàn)出了新的可能。這套研究平臺(tái)的主要功能是定位牧場(chǎng)中奶牛的位置，并基于奶牛身上獨(dú)特的花紋識(shí)別身份。為了盡可能用最短的飛行距離來覆蓋牧場(chǎng)中的奶牛，研究人員還提出了一套自動(dòng)探索算法為無人機(jī)生成飛行軌跡，高效追蹤動(dòng)物們的運(yùn)動(dòng)位置。

整套系統(tǒng)包含了三個(gè)主要的系統(tǒng)，分別是——

基于Yolo的奶牛檢測(cè)系統(tǒng)

基于Inception的奶牛身份識(shí)別系統(tǒng)

雙信息流的飛行器探索路徑生成網(wǎng)絡(luò)

在實(shí)際使用過程中研究人員使用大疆M100無人機(jī)在10m高度對(duì)牧場(chǎng)進(jìn)行巡視，利用YOLO對(duì)下視攝像頭的圖像進(jìn)行處理，定位出奶牛的ROI區(qū)域。多幀的定位信息用于將ROI區(qū)域的奶牛圖像集T送入到Inceptionv3中進(jìn)行特征抽取，隨后利用LSTM來對(duì)序列特征進(jìn)行處理以獲取奶牛額身份信息。

目標(biāo)檢測(cè)的另一部分信息將生成5x5的占有率地圖，并輸入到最終網(wǎng)絡(luò)中記錄當(dāng)前的位置信息，隨后與歷史的位置信息通過策略網(wǎng)絡(luò)與當(dāng)前信息融合輸入導(dǎo)航網(wǎng)絡(luò)，最終得到新的動(dòng)作矢量，同時(shí)更新無人機(jī)本身的長(zhǎng)期位置地圖。這樣無人機(jī)就可以根據(jù)探索到奶牛的位置不斷調(diào)整自己的飛行路線，同時(shí)可以記錄下奶牛的ID及其對(duì)應(yīng)的位置。

系統(tǒng)的硬件基于大疆M100構(gòu)建，包含了禪思相機(jī)和妙算，同時(shí)還包含了用于深度學(xué)習(xí)推理的Jetson TX2。系統(tǒng)可以通過wifi與地面站連接進(jìn)行數(shù)據(jù)傳輸，但所有的推理計(jì)算都在機(jī)載的TX2上進(jìn)行處理。

研究人員首先利用無人機(jī)采集數(shù)據(jù)進(jìn)行了訓(xùn)練，標(biāo)記數(shù)據(jù)不僅將奶牛的bbox進(jìn)行了框取，同時(shí)對(duì)每個(gè)圖像片對(duì)應(yīng)的奶牛身份進(jìn)行了標(biāo)記。通過充分的訓(xùn)練后就可以處理相機(jī)傳來數(shù)據(jù)進(jìn)行奶牛檢測(cè)了。隨后將采樣五幀圖像并獲得一系列框的集合，并更具檢測(cè)結(jié)果獲取視野內(nèi)奶牛的占據(jù)圖；并將某個(gè)奶牛位置對(duì)應(yīng)的ROI圖像片作為序列輸入到身份識(shí)別網(wǎng)絡(luò)內(nèi)進(jìn)行處理，得到視野中某個(gè)位置奶牛ID。無人機(jī)在牧場(chǎng)中需要高效的巡視，希望盡可能在最短的距離掃描更多的奶牛。由于一定區(qū)域內(nèi)奶牛的數(shù)量固定，這一問題可以看做是動(dòng)態(tài)的旅行商問題。研究人員使用了雙信息流的深度網(wǎng)絡(luò)架構(gòu)，通過綜合即時(shí)信息和歷史信息來得到柵格地圖下的導(dǎo)航?jīng)Q策。其中一個(gè)分支基于目標(biāo)檢測(cè)獲取當(dāng)前視野下奶牛占據(jù)圖S，并利用基本的AlexNet進(jìn)行處理抽取當(dāng)前局部地圖中的特征；另一個(gè)分支基于長(zhǎng)時(shí)地圖M進(jìn)行全局長(zhǎng)時(shí)特征處理。

長(zhǎng)時(shí)地圖M為20x20的柵格地圖對(duì)應(yīng)了牧場(chǎng)的地理區(qū)域，其中存儲(chǔ)了無人機(jī)的歷史位置與當(dāng)前位置。無人機(jī)的初始位置是固定的，當(dāng)整個(gè)地圖一定比例的區(qū)域被探索后就會(huì)被重置。兩個(gè)分支的信息通過簡(jiǎn)單的網(wǎng)絡(luò)處理后利用淺層的全連接映射到與導(dǎo)航動(dòng)作相關(guān)的似然矢量V上，其中包含的多個(gè)可能的導(dǎo)航動(dòng)作{N,W,S,E}。在使用時(shí)選取概率導(dǎo)航動(dòng)作來進(jìn)行下一步的飛行探索。

下圖顯示生成的自動(dòng)探索路徑實(shí)例，顯示了飛行路徑和對(duì)應(yīng)目標(biāo)的位置。

其中黑色為未被探索的區(qū)域、淺藍(lán)色為探索過的區(qū)域、深藍(lán)色為覆蓋區(qū)域、橙色為起始位置、綠色為結(jié)束位置、紅色為發(fā)現(xiàn)奶牛目標(biāo)位置。每一個(gè)發(fā)現(xiàn)目標(biāo)位置對(duì)應(yīng)了圖像。圖像下面的注釋為迭代的次數(shù)、飛行時(shí)間以及覆蓋區(qū)域。平均每次運(yùn)動(dòng)迭代需要6.35s。研究人員通過采集圖像離線處理測(cè)試了檢測(cè)算法的準(zhǔn)確性，同時(shí)也在真實(shí)環(huán)境中在線測(cè)試了模型的準(zhǔn)確性。實(shí)驗(yàn)表明基于YOLO的目標(biāo)檢測(cè)準(zhǔn)確率達(dá)到了92.4%(IoU>0.5)，而基于Inception的奶牛身份識(shí)別準(zhǔn)確率達(dá)到了93.6%，綜合檢測(cè)與識(shí)別準(zhǔn)確率為91.9%。

圖中顯示了一些檢測(cè)成功與失敗的樣本，

由于花紋相似、部分遮擋和重疊造成了誤檢和漏檢。

在現(xiàn)場(chǎng)飛行過程中進(jìn)行測(cè)試，所有的數(shù)據(jù)都在妙算和TX2上進(jìn)行處理。在檢測(cè)到奶牛后將觸發(fā)身份識(shí)別的處理。在實(shí)際飛行中采集圖像可以降低圖片被裁剪、扭曲和視點(diǎn)帶來的不利影響，更好的圖像質(zhì)量將優(yōu)化檢測(cè)的效果。實(shí)驗(yàn)中基于長(zhǎng)期遞歸CNN的模型和基于單幀的身份識(shí)別都取得了良好的效果。

目前AI在農(nóng)業(yè)畜牧業(yè)上的應(yīng)用不止于此，類似的技術(shù)可以大大節(jié)約畜牧業(yè)的管理成本，更為精準(zhǔn)地管理動(dòng)物。進(jìn)一步通過與大數(shù)據(jù)的結(jié)合，能為動(dòng)物提供更為舒適的成長(zhǎng)環(huán)境和健康管理，提高產(chǎn)量與質(zhì)量。

相信在不久的將來，無人機(jī)將會(huì)更多的落地到畜牧業(yè)中，牧民只需要無人機(jī)就可以看管大片的牛羊，真正過上“騎著馬兒把歌唱”的逍遙小日子~