出于粮食安全和经济激励的原因，农民不断寻求最大化其适销对路的作物产量。由于植物生长不一致，在收获时，个别作物的质量和大小不可避免地会存在差异。因此，寻找最佳收获时间是农民的首要任务。

大量使用无人机和人工智能的新方法通过仔细而准确地分析单个作物以评估其可能的生长特征，明显改善了这种估计。

一些乐观的科幻小说讲述了后稀缺的未来，人类的需求得到满足，苦力劳动由机器提供。这一愿景似乎在某些方面预测了当前技术进步的某些要素。其中一个领域是农业研究，自动化一直在产生影响。

包括东京大学的研究人员在内的研究人员首次展示了一种基本上自动化的系统，可以提高农作物产量，这可以使许多人受益，并可能有助于为未来有一天可以直接收获农作物的系统铺平道路。研究结果发表在《植物表型学》杂志上。

“这个想法相对简单，但设计、实现和执行却异常复杂。”现场表型组学实验室郭伟副教授说。

“如果农民知道收获农作物田地的理想时间，他们就可以减少浪费，这对他们、消费者和环境都有好处。但是最佳收获时间并不是一件容易预测的事情，理想情况下需要对每种植物有详细的了解;例如如果雇用人们来收集数据，成本和时间都会令人望而却步。这就是无人机的用武之地。”

郭拥有计算机科学和农业科学背景，因此非常适合寻找尖端硬件和软件帮助农业的方法。他和他的团队已经证明，一些带有专门软件的低成本无人机可以对幼苗(本研究中的西兰花)进行成像和分析，并准确预测它们的预期生长特征。无人机多次执行成像过程，并且无需人工干预，这意味着该系统几乎不需要人工成本。

“一些人可能会感到惊讶，在最佳时间之前或之后一天收割一块田地可能会导致农民该田地的潜在收入减少3.7%至20.4%，”郭说。“但通过我们的系统，无人机可以识别并编录田间的每一种植物，它们的成像数据提供给一个模型，该模型使用深度学习为农民生成易于理解的视觉数据。鉴于目前无人机和计算机的成本相对较低，该系统的商业版本对于许多农民来说应该是触手可及的。”

团队面临的主要挑战是图像分析和深度学习方面。收集图像数据本身相对简单，但考虑到植物在风中移动的方式以及光线如何随时间和季节变化，图像数据包含许多机器通常难以补偿的变化。

因此，在训练系统时，团队必须投入大量时间来标记无人机可能看到的图像的各个方面，以帮助系统学会正确识别它所看到的内容。巨大的数据吞吐量也具有挑战性——图像数据通常达到数万亿像素，甚至比高端智能手机相机大数万倍。

郭说：“我受到启发，找到更多方法将植物表型(植物生长性状的测量)从实验室转移到田间，以帮助解决我们面临的主要问题。”