Outfield Technologies是一家位于劍橋的農業技術初創公司，使用無人機和人工智能來幫助果農最大化果園作物的收成。Outfield Technologies的創始人Jim McDougall和Oli Hilbourne一直在與博士合作。該系機器智能實驗室的學生湯姆·羅迪克（Tom Roddick）開發了他們的技術能力，從而能夠通過無人機對巨大的蘋果園進行調查來計算樹上的花朵和蘋果。

Outfield商業總監Jim McDougall解釋說：“對開花的準確評估或對收成的估計可使種植者提高生產力，可持續性和環境友好性。”“我們的航空影像分析著重于產量估算，并且在國際上都受到追捧。我們在水果領域面臨的最大問題之一就是準確的產量預測。該系統是與種植者一起開發的，用于計劃勞力，物流和儲存。整個行業都需要它，以計劃市場營銷和分銷，并確保貨架上總是有蘋果。目前20%的估算是由種植者做出的，他們的工作非常出色，但果園的變化卻令人難以置信，而且估計往往是錯誤的。這將導致收入損失，作業效率低下，并可能導致未售出作物的大量浪費。”

用3D計算機重建的英國果園于2019年4月開花

外場的識別方法是博士論文研究的出色應用。羅伯托·西波拉（Roberto Cipolla）教授指導的學生湯姆·羅迪克（Tom Roddick）正在研究中。Tom是計算機視覺和機器人技術小組的成員，該小組致力于通過人工神經網絡（ANN）使用深度學習方法，致力于人工智能和機器學習。

人工神經網絡是一種模仿人腦的松散建模的計算系統，旨在識別模式。他們通過標記或聚類原始輸入來解釋感官數據。他們識別出的模式是數字形式，所有真實世界的數據（包括圖像，聲音，文本或時間序列）都將轉換為數字形式。

這樣的系統通常通過分析示例來“學習”執行任務，而無需使用特定于任務的規則進行編程。例如，在圖像識別中，ANN可能會通過分析已被手動標記為“蘋果”或“沒有蘋果”的示例圖像，并使用結果來識別其他圖像中的蘋果，從而學會識別包含蘋果的圖像。他們在沒有任何蘋果先驗知識的情況下進行此操作，例如，蘋果的顏色或形狀。相反，他們會根據所處理的示例自動生成識別特征。

通過首先檢測數據中的簡單模式（例如圖像中的邊緣或語音中的聲音），然后逐步構建概念的層次結構，直到復雜的特征（如面孔或句子）出現在網絡中，人工神經網絡才能進行聚類和分類。人工神經網絡方法的最初目標是以與人腦相同的方式解決問題。但是，隨著時間的流逝，注意力已經轉移到執行特定任務上。人工神經網絡已用于多種任務，包括計算機視覺，語音識別，機器翻譯，社交網絡過濾，棋盤游戲和視頻游戲以及醫療診斷。

在攻讀博士學位期間，湯姆（Tom）一直致力于自動駕駛，研究通過攝像頭捕獲的街道場景，為每個元素添加注釋和標簽。他指出了汽車，行人，路邊等的位置。為此，他使用了一種稱為語義分割的工具來標記每個單獨的像素，從而對正在發生的事情有一個較高的了解。外場需要在果園照片中識別蘋果和花朵，而做到這一點的一種方法是使用這種語義分割方法。

Outfield數據收集方法的另一個方面是查明無人機在任何時候都在哪里，還有另一條計算機視覺集中在本地化上，可以算出您在世界上的位置以及正在查看的內容。校友Kesar Breen，獨立機器學習和計算機視覺顧問，他已經花了很多時間為Jim和Oli提供建議。Kesar幫助他們概述了可用于果園建模和分析的技術，以找出農作物在何處，并草擬了一種具有時間框架和要求的潛在算法。凱薩爾說：“ Outfield正在使用一些有趣但經過驗證的技術來處理非常重要的事情，以解決一個重要的業務問題。我認為這很可能在商業上可行。”

在談到他與Outfield的工作時，Tom說：“ Outfield的語義細分需求有一些非常具體的細微之處，例如，從研究的角度來看，這些細微之處非常有趣。我習慣查看圖像以識別大型物體，例如汽車，容易發現，但是Outfield擁有的是這些巨大的果園鳥瞰圖，這些圖有數百萬個像素，它想檢測每朵開花的花朵或每片水果來計算其中有多少。如何有效，強大地做到這一點，以便能夠區分類似的東西;這是樹上的蘋果？還是地上的蘋果？”

吉姆說：“英國擁有世界上一些最好的技術和最好的技術科學家。我們目前正在進行beta測試，其中包括將該模型與除蘋果之外的其他農作物一起使用。“我們為未來兩到三年制定了強有力的計劃，我們將在2019年10月開始一輪投資，以期在2020年第一季度結束。這將使我們能夠全職投入更多團隊，并大規模測試產品明年在新西蘭和英國。