民以食为天，食以农为本，而农业的根本，在于农田。
git
有这样一群人，和农田打了一生交道。张磊是一名农场主，每到冬天，他家上千亩农田都会种上冬小麦。播种后的一周里他天天都要走上几万步路巡视农田查看小麦的出苗状况，遇到刮风下雨的天气他还会多巡视几遍，工做辛苦枯燥。github
出苗以后，冬小麦到了返青、拔节、出穗、乳熟、成熟等关键生育期时候，巡田工做还会加倍。田是巡了，可是做物生长是否健康，只能依靠他的经验来判断。有时候看走“眼”，一大片的做物就可能废了。网络
在这个科技蓬勃发展的时代，他的生活里还有很多“靠天吃饭”的状况。学习
今年冬天，中科赛诺团队带来了一款APP——新农业家，农户在APP上就能获得种植地块信息、农做物生长状况图，更早更及时地知道做物生长状况，从而制定应对策略。经过结合中科赛诺的遥感技术和百度飞桨（PaddlePaddle）的深度学习技术，许多农户、农技专家足不出户，经过中科赛诺新农业家APP就能随时掌握天气变化数据、市场供需数据、农做物生长数据，准确判断农做物是否该施肥、浇水或打药，不只能避免因天然因素形成的产量降低，并且能够避免因市场供需失衡给农民带来经济损失。大数据
当耕地识别遇到AI，“地脸识别”解放工做者.net
构建中科赛诺新农业家APP丰富的智能农业功能的基础在于——地块管理，也就是解决农户种植过程当中的第一步：知道自家的田地在哪儿、有多大面积、种植了什么做物等。code
不管种植者仍是相关农业部门，每一年都要作一次耕地识别，由于耕地每一年都有一个变化，因此必须肯定现有耕地的范围和位置，再分辨这些地块之间的区别。例如一号地块可能肥力缺少；二号地块肥力比较丰富，这样就能对不一样耕地施行针对性的农事操做。blog
在此前，他们主要依靠遥感影像的光谱分析来作地块识别，这种相对传统的方法，对数据要求高，前期须要采集大量的样本数据，不一样地区的同种做物须要重复采集，且识别的精度不高。图片
地块信息采集工做十分辛苦，中科赛诺的一位遥感工程师分享到，当时他们要去采集衡水市几个县的地块信息，在连续一周的时间里，团队都是早上6点开工，天黑才回去。遇到须要采集玉米、水稻等种植地时，须要忍受高温的煎熬，被玉米秆割伤手脚更是屡见不鲜。get
中科赛诺的技术团队也是从这些身体力行中感觉到了农户们种植过程当中的辛苦。
数据采集以后，工做人员们还要回到市内使用软件操做，进行样本数据整理、遥感数据下载、解析等工做。传统对遥感图像的处理，依赖于大量拥有遥感专业背景的人工使用专业软件进行分析。卫星遥感影像数据存在画幅巨大、肉眼分辨率低、对识别人员专业要求能力高等问题，且人工标注须要大量重复劳动，很是费时费力，枯燥无味。
这一套完整的流程进行下来，识别几个区域的地块一般须要半个多月的时间。他们都很是渴望引入新技术，提升耕地巡查的工做效率。
为了解决农民面临的难题，中科赛诺团队基于百度飞桨（PaddlePaddle）创造了自动农耕地块提取系统，应用飞桨图像分割库PaddleSeg中的DeepLabV3+模型实现地块面积提取，准确率能达到90%以上。基于飞桨的数据采集创建模型后，即便是换了区域，若是做物生长差异不大，也能达到较高的识别率，不须要从新采集数据，系统还能够快速自动得到农耕用地边界及面积，对做物长势、做物分类、成熟期预测、灾害监测、估产等工做进行高效辅助，大大减小了传统人力的投入，将地块信息采集和分析变成了一件相对简单的工做。
技术方案揭秘：PaddleSeg语义分割库
PaddleSeg是基于飞桨生态下的语义分割库，结合丰富的预训练模型更便捷高效地进行语义分割。DeepLabv3+是PaddleSeg支持的四个主流分割网络之一，也是DeepLab语义分割系列网络的最新做，经过encoder-decoder进行多尺度信息的融合，同时保留了原来的空洞卷积和ASSP层，支持Xception和MobileNetV2两种骨干网络，分别适用于服务端和移动端两种不一样场景。而在地块分割这一场景中，更着重于预测精度，所以模型选型采用DeepLabv3+和Xception65骨干网络的组合。
多光谱遥感图像
传统的分割网络只能支持三通道图片，即RGB彩色图片做为输入。虽然RGB图像能够展现地物真实颜色信息，但其反应地物间光谱差别的能力很是有限，致使地块识别过程当中不一样地物区分度不大。不一样的地物类型对于不一样波段光谱的吸取率和反射率是不一样的。其中绿色植物的光谱响应特性、植物叶片光谱特征的造成是因为植物叶片中化学组分分子结构中的化学键在必定辐射水平的照射下，吸取特定波长的辐射能，产生了不一样的光谱反射率结果。
700~780nm波段是叶绿素在红（R）波段的强吸取到近红外（NIR）波段屡次散射造成的高反射平台的过分波段，又被成为植被反射率“红边”，在NIR波段内，有健康绿色植被覆盖的区域其反射率会明显高于其余地物类型反射率，所以“红边”使得绿色植物的反射光谱曲线明显不一样于其余非绿色物体的这一特征是区分绿色植物与土壤、水体、山石、建筑等地物的客观依据。例如，利用绿色植物在近红外（NIR）波段内呈现出的高反射率的特征，能分辨颜色相近但类别不一样的地块区域，例如树木和带有绿色屋顶的建筑在RGB图像中容易混淆，但经过假彩色影像就能轻松识别。
典型地物光谱曲线
地块真彩色遥感图像（R、G、B）
地块NIR波段遥感图像
地块假彩色遥感图像（NIR、G、B）
地块分割结果
为弥补普通RGB图像的不足，PaddleSeg能够支持四通道光谱照片训练，除了RGB（b(蓝色通道)、g(绿色通道)、r(红色通道)）三个图像通道，额外拼接NIR（近红外通道），最后生成四通道的图片。经过在配置文件中配置
DATASET.IMAGE_TYPE= ”rgba”DATASET.IMAGE_TYPE= ”rgba”便可让模型支持四通道的图片格式。并基于DeepLabV3+模型对地块图片进行训练，学习近红外（NIR）的光谱反射特征鉴别植被信息，对最终地块分割精度能带来5%的提高。
PaddleSeg模型训练过程可参考：
https://github.com/PaddlePaddle/PaddleSeg/blob/release/v0.2.0/turtorial/finetune_deeplabv3plus.md
成果显现：农民效益提高10%以上
基于飞桨提供的技术，中科赛诺搭建的智慧农业产业链建设，实现了三大功能：
一是对遥感影像耕地信息智能提取，实现了农业遥感数据实时监测分析；二是对农业气象大数据精准分析，实现了将来三天气象数据预测精度达95%，将来7天数据预测达到80%，同时对雷暴等极端天气的雷达图实时呈现；三是对做物病虫害分析，识别精度达到90%以上。
在百度飞桨支持下，中科赛诺能为种植者客户提供能够指导农业生产的大数据，包括提早15天肯定做物的适宜收割时间，使农户能够根据实际天气状况提早安排收割工做；实时获取农做物的长势状况；播种前7天便可得到做物的施肥建议；能够作到至少为农户提升10%的收益，每亩地节省100元以上的成本。
由此，等到张磊的上千亩小麦成熟时，他在APP上一看，就能提早知道有多少亩地的小麦已经成熟，能够合理安排农业收割机，提升机器的利用率，在一些地区全村也就一台收割机。同时，经过天气数据，张磊还能避开下雨的天气，防止收割的小麦没法晾晒而致使发霉。
总结与展望
百度飞桨和中科赛诺的合做，为农业提供的精准、高效、可靠的数据服务，为粮食的丰产丰收、农民收入的提升、农业的防灾减灾提供了有力保障。
做为全面开源开放、功能完备的产业级深度学习平台，百度飞桨已经成为全面推进国内产业智能化升级的重要基石。正如飞桨得到第六届世界互联网颁发的“世界互联网领先科技成果”这份荣誉所彰显的，飞桨技术领先、功能完备、生态丰富等特色向世界展现着中国科技的力量。与此同时，借助百度大脑与百度智能云的“云+AI”领先技术实力，更多的农业从事者已经实实在在感觉到智能农业带来的便利，再也不“靠天吃饭”。
本文分享 CSDN - 飞桨PaddlePaddle。
若有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一块儿分享。