雜草跟一旁的農作物爭奪陽光、水源和養分，每年造成數十億美元的農業虧損。
為了更加注意田地情況、提高農作物產量及減少農藥使用量，農民與農業研究人員轉而求助於人工智慧。
「我們認為數位農業革命將有助於減少農業使用農藥的情況。」位於法國中央-羅亞爾河谷地區之國立里昂應用科學學院的副教授 Adel Hafiane 表示。Hafiane 正與奧爾良大學的研究團隊合作開發一項人工智慧技術，可以從由無人機拍攝的甜菜、豆莢及菠菜空拍圖中偵測雜草。
他說：「要是農民可以確定雜草的位置，就不用對整塊土地噴灑農藥，只要對準特定區域，在正確的時間和地點下手就行了。」
農民利用空拍影像的地理座標，便能確認田間雜草的位置。由研究人員之深度學習神經網路所提供的見解就能用在地面上的農用機器人上，再由機器人對大面積田地中的雜草進行拔除或噴灑農藥的作業。
Hafiane 與同事使用一組 NVIDIA Quadro GPU 叢集來訓練神經網路，他們的研究工作獲得法國中央-羅亞爾河谷地區的支持。
將深度學習用在裁切後的影像上
使用從幾百英尺高的高空所拍攝的低解析度空拍照片，很難分辨雜草和農作物，這兩個看起來都是綠色的葉子。不過在提高解析度及擁有充足的訓練資料後，神經網路可以學會怎麼區分這兩者。
研究小組使用為每種作物所建立的資料集（內有數萬張部分已加上標籤、部分未加上標籤的影像），靠著以熱門 ImageNet 模型為基礎的遷移學習（Transfer Learning）技術來開發其深度學習模型。
研究人員開發出一種演算法，利用影像中的幾何資訊來為雜草和農作物加上標籤，以求自動執行部分為資料加上標籤的作業。農作物通常整齊地一行又一行種植，每行之間有著開闊的間隔。當每一行農作物之間的空隙出現綠色斑點時，人工智慧便知道這可能是雜草。
偵測每一行農作物中間是否出現雜草，則是更棘手的挑戰。研究小組不斷努力增進模型進而發現這些有害的植物。
使用 TensorFlow 和 Caffe 深度學習框架開發出的這個神經網路模型，可以能夠辨識甜菜、菠菜和豆子田裡的雜草。人工智慧在分析甜菜田中雜草這方面達到最佳成果，準確率為 93%。
Hafiane 表示原本使用高階 CPU，訓練時間要一週左右，而使用 NVIDIA Quadro GPU 後，將訓練時間縮短到只要幾個小時。資料集雖然使用體積龐大的3600萬像素影像，研究人員倒是覺得進一步提高無人機拍攝的影像解析度，將有助於提高其神經網路的分析表現。
研究人員還使用 NVIDIA GPU 來訓練神經網路偵測葡萄園中的農作物病害情況，並且打算與國際研究團隊合作發展類似的解決方案來監控其它農作物。