民以食为天，食以农为本，而农业的根本，在于农田。
有这样一群人，和农田打了一辈子交道。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。播种后的一周里他每天都要走上几万步路巡视农田查看小麦的出苗情况，遇到刮风下雨的天气他还会多巡视几遍，工作辛苦枯燥。
出苗之后，冬小麦到了返青、拔节、出穗、乳熟、成熟等关键生育期时候，巡田工作还会加倍。田是巡了，但是作物生长是否健康，只能依靠他的经验来判断。有时候看走“眼”，一大片的作物就可能废了。
在这个科技蓬勃发展的时代，他的生活里还有不少“靠天吃饭”的情况。
今年冬天，中科赛诺团队带来了一款APP——新农业家，农户在APP上就能得到种植地块信息、农作物生长情况图，更早更及时地知道作物生长情况，从而制定应对策略。通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，通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、农作物生长数据，准确判断农作物是否该施肥、浇水或打药，不仅能避免因自然因素造成的产量下降，而且可以避免因市场供需失衡给农民带来经济损失。
当耕地识别遇到AI，“地脸识别”解放工作者
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、种植了什么作物等。
无论种植者还是相关农业部门，每年都要做一次耕地识别，因为耕地每年都有一个变化，所以必须确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乏；二号地块肥力比较丰富，这样就能对不同耕地施行针对性的农事操作。
在此前，他们主要依靠遥感影像的光谱分析来做地块识别，这种相对传统的方法，对数据要求高，前期需要采集大量的样本数据，不同地区的同种作物需要重复采集，且识别的精度不高。
地块信息采集工作十分辛苦，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。遇到需要采集玉米、水稻等种植地时，需要忍受高温的煎熬，被玉米秆割伤手脚更是家常便饭。
中科赛诺的技术团队也是从这些身体力行中感受到了农户们种植过程中的辛苦。
数据采集之后，工作人员们还要回到市内使用软件操作，进行样本数据整理、遥感数据下载、解析等工作。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，且人工标注需要大量重复劳动，非常费时费力，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通常需要半个多月的时间。他们都非常渴望引入新技术，提高耕地巡查的工作效率。
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建立模型后，即使是换了区域，如果作物生长差别不大，也能达到较高的识别率，不需要重新采集数据，系统还可以快速自动获得农耕用地边界及面积，对作物长势、作物分类、成熟期预测、灾害监测、估产等工作进行高效辅助，大大减少了传统人力的投入，将地块信息采集和分析变成了一件相对简单的工作。
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作，通过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同场景。而在地块分割这一场景中，更着重于预测精度，因此模型选型采用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彩色图片作为输入。虽然RGB图像可以展示地物真实颜色信息，但其反应地物间光谱差异的能力非常有限，导致地块识别过程中不同地物区分度不大。不同的地物类型对于不同波段光谱的吸收率和反射率是不同的。其中绿色植物的光谱响应特性、植物叶片光谱特征的形成是由于植物叶片中化学组分分子结构中的化学键在一定辐射水平的照射下，吸收特定波长的辐射能，产生了不同的光谱反射率结果。
700~780nm波段是叶绿素在红（R）波段的强吸收到近红外（NIR）波段多次散射形成的高反射平台的过度波段，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他地物类型反射率，因此“红边”使得绿色植物的反射光谱曲线明显不同于其他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同的地块区域，例如树木和带有绿色屋顶的建筑在RGB图像中容易混淆，但通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可以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。通过在配置文件中配置
DATASET.IMAGE_TYPE= ”rgba”
即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%的提升。
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：农民效益提升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，实现了未来三天气象数据预测精度达95%，未来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；三是对作物病虫害分析，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可以指导农业生产的大数据，包括提前15天确定作物的适宜收割时间，使农户可以根据实际天气情况提前安排收割工作；实时获取农作物的长势情况；播种前7天即可获得作物的施肥建议；可以做到至少为农户提高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，就能提前知道有多少亩地的小麦已经成熟，可以合理安排农业收割机，提高机器的利用率，在一些地区全村也就一台收割机。同时，通过天气数据，张磊还能避开下雨的天气，防止收割的小麦无法晾晒而导致发霉。
总结与展望
百度飞桨和中科赛诺的合作，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、农民收入的提高、农业的防灾减灾提供了有力保障。
作为全面开源开放、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动国内产业智能化升级的重要基石。正如飞桨获得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、生态丰富等特点向世界展示着中国科技的力量。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受到智能农业带来的便利，不再“靠天吃饭”。
来源：oschina
链接：https://my.oschina.net/u/4067628/blog/3190657