出于粮食安全和经济激励的原因，农民不断寻求最大限度地提高其适销作物产量。由于植物生长不一致，在收获时，单个作物的质量和大小将不可避免地发生变化。因此，找到最佳的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一种新方法通过仔细准确地分析单个作物来评估其可能的生长特性，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，在那里，人类的需求得到满足，艰苦的劳动由机器提供。在某些方面，这一愿景似乎预测了当前技术进步的某些因素。其中一个领域是农业研究，自动化已经在这个领域产生了影响。包括来自东京大学的研究人员在内的研究人员首次展示了一个很大程度上自动化的系统来提高作物产量，这可以使许多人受益，并可能为未来有一天可以直接收获作物的系统铺平道路。
“这个想法相对简单，但设计、实施和执行却异常复杂，”野外表型学实验室的郭伟副教授说。“如果农民知道收割庄稼的理想时间，他们可以减少浪费，这对他们、消费者和环境都有好处。但最佳收获时间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;如果雇人来收集这些数据，成本和时间都是令人望而却步的。这就是无人机的用武之地。”
郭拥有计算机科学和农业科学的背景，因此非常适合寻找能够帮助农业的尖端硬件和软件。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嫩植物进行成像和分析，并准确预测它们的预期生长特征。无人机在没有人工干预的情况下多次执行成像过程，这意味着该系统几乎不需要人工成本。
郭说:“有些人可能会惊讶地发现，在最佳收割时间的前一天或之后一天收割，就会使农民的潜在收入减少3.7%至20.4%。”“但有了我们的系统，无人机可以识别和分类田里的每一棵植物，它们的成像数据为一个模型提供支持，该模型使用深度学习为农民生成易于理解的视觉数据。鉴于目前无人机和电脑的成本相对较低，该系统的商业版本应该触手可及。”
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来说是微不足道的，但是考虑到植物在风中移动的方式以及光线随时间和季节的变化，图像数据包含了很多机器通常很难补偿的变化。因此，在训练他们的系统时，团队必须投入大量时间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。庞大的数据吞吐量也具有挑战性——图像数据通常是数万亿像素的数量级，甚至比高端智能手机摄像头还要大数万倍。
郭说:“我受到启发，想要找到更多的方法，将植物表型(植物生长性状的测量)从实验室带到田间，以帮助解决我们面临的主要问题。”
