在过去的2018年TC Disrupt柏林战场上展示的是印度农业科技创业公司Imago AI，它正在应用人工智能，通过提高作物产量和减少食物浪费来帮助养活世界不断增长的人口。随着创业任务的开展，这是一个令人印象深刻的野心勃勃的任务。
该团队位于新德里附近的古尔冈，正在使用计算机视觉和机器学习技术来完全自动化测量作物产量和质量的艰巨任务 - 加快量化工厂的手动和耗时过程特征，通常涉及卡尺和体重秤等工具，朝着开发更高产，更抗病的作物品种的目标迈进。
目前，他们表示可能需要六到八年的种子公司来开发新的种子品种。因此，提高效率的任何事情都将成为一大福音。
他们声称他们的技术可以将测量作物性状所需的时间减少多达75％。
在一名飞行员的情况下，他们说一位客户以前用两天时间用传统方法（如秤）手动测量其作物的等级。“现在使用这种基于图像的AI系统，他们能够在30到40分钟内完成，”联合创始人Abhishek Goyal说。
使用基于AI的图像处理技术，它们也可以比人眼更容易捕获更多的数据点（或者很容易），因为他们的算法可以测量并评估比人们可能接受或者能够轻松获得的更细粒度的表型差异量化只是通过眼睛判断。
“一些表型特征他们不可能手动识别，”联合创始人Shweta Gupta说。“也许是非常乏味或者无论出于什么所有这些费力的原因。所以现在通过这个启用AI的[过程]，我们现在能够捕获更多的表型特征。
“因此，对表型特征的更多报道......以及更多的覆盖范围，我们有更多的空间来选择该种子的下一个周期。因此，从长远来看，这进一步提高了种子质量。“
他们用来描述他们的技术提供的冗长的短语是：“高通量精确表型。”
或者，换句话说，他们使用AI来数据挖掘作物的质量参数。
“这些质量参数对这些种子公司非常关键，”古普塔说。“植物育种是一个非常昂贵且非常复杂的过程......就种子公司需要部署的人力资源和时间而言。
“关于你现在正吃的米饭的研究”已经在过去的七到八年里完成了。这是一个完整的循环......不断发展的链条，最终提出了适合在市场上推出的各种产品。“
但还有更多。总体愿景不仅是人工智能将帮助种子公司做出关键决策，选择能够提供高产作物的高质量种子，同时加快这个（缓慢）过程。最终，他们希望通过应用AI来自动化作物表型测量所产生的数据也能够产生非常有价值的预测见解。
在这里，如果他们能够建立地理标记表型测量与植物基因型数据（他们所针对的种子巨头已经拥有的数据）之间的相关性，那么启用AI的数据捕获方法也可以引导农民走向最好的作物品种在特定的位置和气候条件下使用 - 纯粹基于对他们捕获的数据进行三角测量和解锁的洞察力。
目前农业中为特定地点/环境选择最佳作物的方法可能涉及使用基因工程。虽然该技术在应用于食品时引起了重大争议。
Imago AI希望通过基于数据和种子选择的完全不同的技术路线获得类似的结果。而且，AI的统一眼睛为关键的农业决策提供了信息。
“一旦我们能够建立这种关系，这对这些公司非常有帮助，这可以进一步将他们的种子总生产时间从六年减少到八年，减少到非常少的年数，”Goyal说。“所以我们正试图建立这种相关性。但最初我们需要完成非常准确的表型数据。“
“一旦我们有足够的数据，我们将建立表型数据和基因型数据之间的相关性以及在建立这种相关性后会发生什么，我们将能够根据您的基因组学数据和环境条件预测这些公司，我们将为您预测表型数据，“Gupta补充道。
“这对他们来说是非常有价值的，因为这将有助于他们减少这种繁殖和表型分析过程中的时间资源。”
“也许他们真的不必真正进行实地试验，”Goyal建议道。“对于某些特性，如果我们能够以非常高的准确度预测这是基因组学，这是环境，那么他们真的不需要进行田间试验，然后检查将会是什么特征。那么这将成为表型。“
因此 - 在更为平庸的语言中 - 该技术可以根据对基本特征的更细粒度的理解，为特定地点和气候提供最佳种子品种。
在抗病植物菌株的情况下，它甚至可能有助于减少农民使用的杀虫剂的数量，例如，如果所选择的作物自然更能抵抗疾病。
虽然在种子生成方面，Gupta建议他们的方法可以缩短生产时间范围 - 从最多8年缩短到“可能是3到4年”。
“这就是我们谈论的节省时间的数量，”她补充说，强调人工智能表型的真正重大前景是在更短的时间内实现更高的粮食产量。
除了测量作物特性外，他们还使用计算机视觉和机器学习算法来识别作物疾病，并更精确地测量特定植物受影响的程度。
如果您的目标是帮助选择与更好的天然抗病性相关的表型特征，这是另一个关键数据点，创始人注意到世界上大约40％的作物负荷因疾病而丧失（因此被浪费）。
而且，再次，测量植物的病情可能是对人眼的判断 - 导致数据的准确性不同。因此，通过使用基于AI的图像分析自动化疾病捕获，记录的数据变得更加一致，从而允许更好的质量基准测试以用于种子选择决策，从而促进整个混合生产周期。
由Imago AI处理的样本图像显示了受疾病影响的作物比例
就目前的情况而言，这个近一年历史的初创公司正在处理来自种子公司的多项试验的数据 - 包括他们可以命名的经常性付费客户（DuPont Pioneer）; 和其他种子公司的几次付费试验他们不能（因为他们仍然在NDA下）。
他们告诉TechCrunch，目前在印度和美国已经进行了试验。
“我们并不需要在任何地方试用我们的技术。这些是全球[种子]公司，目前在30,40个国家，“Goyal补充说，他们认为他们的方法自然会扩展。“他们在一个国家测试我们的技术，然后在其他地方实施它很容易。”
他们的成像软件不依赖于任何专有的相机硬件。可以使用平板电脑或智能手机，甚至是无人机上的摄像头或使用卫星图像捕获数据，具体取决于所需的应用程序。
虽然为了测量像长度这样的作物特性，但是它们确实需要一些与图像相关联的参考点。
“这可以通过固定物体与相机的距离或在图像中放置参考物体来实现。我们根据用户的方便使用这两种方法，“他们注意到了这一点。
虽然目前一些表型分析方法非常手工，但市场上还有其他针对农业部门的图像处理应用。
但Imago AI的创始人认为这些竞争对手的软件产品只是部分自动化 - “因此需要大量手动输入”，而他们将自己的方法视为完全自动化，只需要一个初步的手动步骤来选择通过AI进行量化的作物眼睛。
与其他玩家相比，他们的另一个优势是他们的方法完全是非破坏性的。这意味着例如，不需要将农作物样品取出并带走以在实验室中拍照。相反，作物的图片可以在现场快速原位拍摄，测量和评估仍然 - 他们声称 - 通过智能滤除背景噪声的算法准确提取。
“在我们与公司合作的试点项目中，他们将我们的结果与手动测量结果进行了比较，我们的准确度达到了99％以上，”Goyal声称。
然而，为了量化疾病传播，他指出，只是不能手动进行精确测量。“在手动测量中，专家只能为图像示例提供一定百分比的疾病严重程度; （25-40％），但使用我们的软件，他们可以准确地确定准确的百分比（例如32.23％），“他补充道。
他们还为种子研究人员提供额外支持 - 通过提供一系列数学工具及其软件来支持表型数据分析，结果可以轻松导出为Excel文件。
“最初我们也没有太多关于表型的知识，因此我们采访了来自技术大学的50名研究人员，这些种子投入公司并与农民进行了互动 - 然后我们明白了究竟是什么样的痛点，从那里来看这些用例他们补充道，“他们补充道，他们指出，他们使用WhatsApp小组从当地农民那里收集了英特尔。
虽然种子公司是最初的目标客户，但他们也看到了用于优化食品行业质量评估的可视化方法的应用 - 他们说他们正在研究使用计算机视觉和高光谱成像数据来做识别异物或掺假的事情。生产线食品。
“因为在食品公司，他们的生产线上浪费了很多食物，”Gupta解释说。“因此，我们看到我们的技术确实有所帮助 - 减少这种浪费。”
“基本上任何需要通过我们的技术进行测量的视觉参数，”Goyal补充道。
他们计划在未来12个月内探索食品行业的潜在应用，同时专注于通过种子巨头建立他们的试验和实施。他们补充说，他们的目标是在一年内让40至50家公司在全球范围内使用他们的人工智能系统。
虽然这项业务现在正在创收 - 并且正如他们所说的那样“完全自我实现” - 他们也希望接受一些战略投资。
“现在我们与一些投资者保持联系，”Goyal证实。“我们正在寻找能够进入农业或食品行业的战略投资者......但目前尚未筹集任何金额。”
网友评论