農(nóng)業(yè)人工智能技術(shù)：現(xiàn)代農(nóng)業(yè)科技的翅膀.pdf

蘭玉彬 王天偉 陳盛德 等 農(nóng)業(yè)人工智能技術(shù) 現(xiàn)代農(nóng)業(yè)科技的翅膀 J 華南農(nóng)業(yè)大學(xué)學(xué)報 2020 41 6 1 13 LAN Yubin WANG Tianwei CHEN Shengde et al Agricultural artificial intelligence technology Wings of modern agricultural science and technology J Journal of South China Agricultural University 2020 41 6 1 13 農(nóng)業(yè)人工智能技術(shù) 現(xiàn)代農(nóng)業(yè)科技的翅膀 蘭玉彬 王天偉 陳盛德 鄧小玲 華南農(nóng)業(yè)大學(xué) 電子工程學(xué)院 人工智能學(xué)院 廣東 廣州 510642 摘要 加快推進人工智能等現(xiàn)代信息技術(shù)在農(nóng)業(yè)中的應(yīng)用 是現(xiàn)代農(nóng)業(yè)發(fā)展的迫切需求 也有利于推進國家鄉(xiāng)村振興戰(zhàn) 略 數(shù)字鄉(xiāng)村建設(shè)和智慧農(nóng)業(yè)的發(fā)展 為深入剖析人工智能技術(shù)驅(qū)動智慧農(nóng)業(yè)發(fā)展的潛力與方向 本文綜述了農(nóng)業(yè)人工智 能的幾個關(guān)鍵技術(shù)以及人工智能在種植業(yè) 禽畜牧業(yè)和農(nóng)產(chǎn)品溯源與分級等應(yīng)用研究領(lǐng)域的現(xiàn)狀 分析了國內(nèi)外農(nóng)業(yè)人 工智能技術(shù)的差距以及我國農(nóng)業(yè)人工智能技術(shù)面臨的國際態(tài)勢和挑戰(zhàn) 提出了我國發(fā)展農(nóng)業(yè)人工智能的對策與建議 關(guān)鍵詞 農(nóng)業(yè)人工智能 農(nóng)作物精準管控 問題與挑戰(zhàn) 對策與建議 中圖分類號 S2 文獻標志碼 A 文章編號 1001 411X 2020 06 0001 13 Agricultural artificial intelligence technology Wings of modern agricultural science and technology LAN Yubin WANG Tianwei CHEN Shengde DENG Xiaoling College of Electronic Engineering College of Artificial Intelligence South China Agricultural University Guangzhou 510642 China Abstract Accelerating the application of artificial intelligence AI and other modern information technologies in agriculture is an urgent need for the development of modern agriculture which will help promote the development of national rural revitalization strategy digital village construction and smart agriculture To deeply analyze the potential and direction of smart agriculture driven by AI technology we reviewed the key technologies of agricultural AI and the research status of agricultural AI for planting poultry animal husbandry and agricultural product traceability and classification analyzed the gap of agricultural AI technology at home and abroad as well as the international situation and challenge of agricultural AI technology in China and proposed the countermeasures and suggestions for the development of agricultural AI in the future Key words agricultural artificial intelligence precision control of crop problem and challenge countermeasure and suggestion 農(nóng)業(yè)是國民經(jīng)濟中重要的產(chǎn)業(yè)組成部分 是我 國的第一產(chǎn)業(yè) 是國家長治久安和百姓豐衣足食的 重要保障 是保證一切生產(chǎn)的首要條件 傳統(tǒng)農(nóng)業(yè) 中 人力勞動占據(jù)很大比例 農(nóng)田和種植園主要采 取粗放式管理 缺乏差異對待模式 導(dǎo)致作物或果 實的品質(zhì)和產(chǎn)量不能達到理想狀態(tài) 且造成資源浪 收稿日期 2020 08 31 網(wǎng)絡(luò)首發(fā)時間 2020 10 12 10 47 42 網(wǎng)絡(luò)首發(fā)地址 作者簡介 蘭玉彬 1961 男 教授 博士 E mail ylan 通信作者 鄧小玲 1978 女 副教授 博士 E mail dengxl 基金項目 廣東省重點領(lǐng)域研發(fā)專項 2019B020214003 國家自然科學(xué)基金 61675003 廣東高校重點領(lǐng)域人工智能專項 2019KZDZX1012 珠江人才計劃 領(lǐng)軍人才專項 2016LJ06G689 華南農(nóng)業(yè)大學(xué)學(xué)報 Journal of South China Agricultural University 2020 41 6 1 13 DOI 10 7671 j issn 1001 411X 202008045 費以及環(huán)境惡化 甚至因病蟲害治理效果不佳而造 成絕產(chǎn) 隨著土地資源的萎縮 極端氣候帶來的環(huán) 境惡化 全球人口持續(xù)增長 農(nóng)業(yè)生產(chǎn)方式亟待轉(zhuǎn) 型 1 一系列問題的出現(xiàn)使得人們不得不重新審視 農(nóng)業(yè)發(fā)展狀況 改造傳統(tǒng)農(nóng)業(yè) 指出 發(fā)展中國家 的經(jīng)濟發(fā)展要建立在穩(wěn)定和可持續(xù)增長的農(nóng)業(yè)基 礎(chǔ)上 傳統(tǒng)農(nóng)業(yè)不具備穩(wěn)定增長的能力 提升農(nóng)業(yè) 的現(xiàn)代化水平需要借助前沿科技的力量 而人工智 能 Artificial intelligence AI 正是前沿科技最集中 的代表 其與農(nóng)業(yè)的深度融合被視為解決未來農(nóng)業(yè) 問題的重要途徑 2 新一代人工智能發(fā)展規(guī)劃 指出 人工智能作 為新一輪產(chǎn)業(yè)變革的核心驅(qū)動力 將進一步釋放歷 次科技革命和產(chǎn)業(yè)變革積蓄的巨大能量 并創(chuàng)造新 的強大引擎 形成從宏觀到微觀各領(lǐng)域的智能化新 需求 催生新技術(shù) 新產(chǎn)品 新產(chǎn)業(yè) 新業(yè)態(tài)和新模 式 深刻改變?nèi)祟惿a(chǎn)生活方式和思維模式 實現(xiàn) 社會生產(chǎn)力的整體躍升 雖然早在20世紀中后期 人類就開始探索人工智能在農(nóng)業(yè)中的應(yīng)用 但由于 農(nóng)業(yè)的行業(yè)特征 人工智能技術(shù)在農(nóng)業(yè)領(lǐng)域應(yīng)用的 廣度 深度都要明顯弱于其他行業(yè) 農(nóng)業(yè)人工智能作為智慧農(nóng)業(yè)的重要組成部分 不單只是2個學(xué)科的融合 更是人工智能技術(shù)在農(nóng) 業(yè)領(lǐng)域的一次積極實踐 是傳統(tǒng)農(nóng)業(yè)在人工智能助 力下煥發(fā)蓬勃生機的大膽革命 1 農(nóng)業(yè)人工智能的主要技術(shù) 農(nóng)業(yè)人工智能是多種信息技術(shù)的集成及其在 農(nóng)業(yè)領(lǐng)域的交叉應(yīng)用 其技術(shù)范疇涵蓋了智能感 知 物聯(lián)網(wǎng) 智能裝備 專家系統(tǒng) 農(nóng)業(yè)認知計算等 1 1 智能感知技術(shù) 智能感知技術(shù)是農(nóng)業(yè)人工智能的基礎(chǔ) 其技術(shù) 領(lǐng)域涵蓋了傳感器 數(shù)據(jù)分析與建模 圖譜技術(shù)和 遙感技術(shù)等 傳感器賦予機器感受萬物的功能 是農(nóng)業(yè)人工 智能發(fā)展的一項關(guān)鍵技術(shù) 3 多種傳感器組合在一 起 使得農(nóng)情感知的信息種類更加多元化 對于智 慧農(nóng)業(yè)至關(guān)重要 得益于三大傳感器技術(shù) 傳感器 結(jié)構(gòu)設(shè)計 傳感器制造技術(shù) 信號處理技術(shù) 的發(fā) 展 現(xiàn)在可以測量以前無法獲取的數(shù)據(jù) 并得到影 響作物產(chǎn)量 品質(zhì)的多重數(shù)據(jù) 進而輔助決策 4 當 前在農(nóng)業(yè)中使用較多的有溫濕度傳感器 光照度傳 感器 氣體傳感器 圖像傳感器 光譜傳感器等 檢 測農(nóng)作物營養(yǎng)元素 病蟲害的生物傳感器較少 通 過圖像傳感器獲取動植物的信息 是目前農(nóng)業(yè)人工 智能廣泛使用的感知方式 新興納米傳感器 生物 芯片傳感器等在農(nóng)業(yè)上的應(yīng)用 目前大多還處于研 究階段 深度學(xué)習(xí)算法是圖像的農(nóng)情分析與建模的利 器 當前基于深度學(xué)習(xí)的農(nóng)業(yè)領(lǐng)域應(yīng)用較廣泛 如 植物識別與檢測 病蟲害診斷與識別 遙感區(qū)域分 類與監(jiān)測 果實載體檢測與農(nóng)產(chǎn)品分級 動物識別 與姿態(tài)檢測領(lǐng)域等 5 深度學(xué)習(xí)無需人工對圖像中 的農(nóng)情信息進行提取與分類 但其有效性依賴于海 量的數(shù)據(jù)庫 農(nóng)業(yè)相關(guān)信息的數(shù)據(jù)缺乏 是深度學(xué) 習(xí)在農(nóng)業(yè)領(lǐng)域發(fā)展的主要瓶頸 可見光波段可獲得農(nóng)情的局部信息 而成像與 光譜相結(jié)合的圖譜技術(shù) 可獲得紫外光 可見光 近 紅外光和紅外光區(qū)域的圖像信息 其中 高光譜成 像技術(shù)可以探測目標的二維幾何空間和光譜信息 獲得百位數(shù)量級的高分辨率窄波段圖像數(shù)據(jù) 多光 譜成像技術(shù)對不同的光譜分離進行多次成像 通過 不同光譜下物體吸收和反射的程度 來采集目標對 象在個位或十位數(shù)量級的光譜圖像 基于多光譜圖 像和高光譜圖像的農(nóng)情解析 可有效彌補可見光圖 像感知的不足 根據(jù)與感知對象的距離 感知方式有近地遙 感 航空遙感和衛(wèi)星遙感等 因具有面積廣 時效性 強等特點 20世紀30年代起遙感技術(shù)就開始服務(wù) 于農(nóng)業(yè) 首先應(yīng)用這一技術(shù)的是美國 人們將其用 于農(nóng)場的高空拍攝 照片供農(nóng)業(yè)調(diào)查使用 相對于 西方國家 亞洲地區(qū)運用遙感技術(shù)較晚 但近些年 來遙感技術(shù)在某些方面也有了超前突破 1 2 農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù) 農(nóng)業(yè)物聯(lián)網(wǎng)可以實時獲取目標作物或農(nóng)業(yè)裝 置設(shè)備的狀態(tài) 監(jiān)控作業(yè)過程 實現(xiàn)設(shè)備間 設(shè)備與 人的泛在連接 做到對網(wǎng)絡(luò)上各個終端 節(jié)點的智 能化感知 識別和精準管理 農(nóng)業(yè)物聯(lián)網(wǎng)將成為全 球農(nóng)業(yè)大數(shù)據(jù)共享的神經(jīng)脈絡(luò) 是智能化的關(guān)鍵 一環(huán) 隨著人工智能應(yīng)用領(lǐng)域的拓展 越來越多的應(yīng) 用和設(shè)備在邊緣和端設(shè)備上開發(fā)部署 6 且更加注 重實時性 邊緣計算成為新興萬物互聯(lián)應(yīng)用的支撐 平臺已是大勢所趨 對于農(nóng)業(yè)應(yīng)用領(lǐng)域 智能感知 與精準作業(yè)一體化的系統(tǒng)尤其需要邊緣智能 無人 機精準施藥是邊緣人工智能的最佳應(yīng)用場景 物聯(lián) 網(wǎng)設(shè)備類型復(fù)雜多樣 數(shù)量龐大且分布廣泛 由此 帶來網(wǎng)絡(luò)速度 計算存儲 運維管理等諸多挑戰(zhàn) 7 云計算在物聯(lián)網(wǎng)領(lǐng)域并非萬能 但邊緣計算可以拓 展云邊界 云端又具備邊緣節(jié)點所沒有的計算能 2 華南農(nóng)業(yè)大學(xué)學(xué)報 第 41 卷 力 兩者可形成天然的互補關(guān)系 將云計算 大數(shù) 據(jù) 人工智能的優(yōu)勢拓展到更靠近端側(cè)的邊緣節(jié) 點 打造云 邊 端一體化的協(xié)同體系 實現(xiàn)邊緣計 算和云計算融合才能更好解決物聯(lián)網(wǎng)的實際問題 8 多個功能節(jié)點之間通過無線通信形成一個連 接的網(wǎng)絡(luò) 即無線傳感器網(wǎng)絡(luò) Wireless sensor network WSN 無線傳感器網(wǎng)絡(luò)主要包括傳感器 節(jié)點和Sink節(jié)點 9 如圖1所示 采用WSN建設(shè) 農(nóng)業(yè)監(jiān)測系統(tǒng) 全面獲取風 光 水 電 熱和農(nóng)藥噴 施等數(shù)據(jù) 實現(xiàn)實時監(jiān)測與調(diào)控 可有效提高農(nóng)業(yè) 集約化生產(chǎn)程度和生產(chǎn)種植的科學(xué)性 為作物產(chǎn)量 提高與品質(zhì)提升帶來極大的幫助 10 1 3 智能裝備系統(tǒng) 智能裝備系統(tǒng)是先進制造技術(shù) 信息技術(shù)和智 能技術(shù)的集成和深度融合 針對農(nóng)業(yè)應(yīng)用需求 融 入智能感知和決策算法 結(jié)合智能制造技術(shù)等 誕 生出如農(nóng)業(yè)無人機 農(nóng)業(yè)無人車 智能收割機 智能 播種機和采摘機器人等智能裝備 無人機融合AI技術(shù) 能有效解決大面積農(nóng)田 或果園的農(nóng)情感知及植保作業(yè)等問題 從植保到測 繪 農(nóng)業(yè)無人機的應(yīng)用場景正在不斷延伸 如極飛 科技的植保無人機具有一鍵啟動 精準作業(yè)和自主 飛行等能力 真正實現(xiàn)了無人機技術(shù)在噴施和播種 等環(huán)節(jié)的有效應(yīng)用 從而為農(nóng)業(yè)生產(chǎn)者降本增效 11 無人車利用了包括雷達 激光 超聲波 GPS 里程計 計算機視覺等多種技術(shù)來感知周邊環(huán)境 通過先進的計算和控制系統(tǒng) 來識別障礙物和各種 標識牌 規(guī)劃合適的路徑來控制車輛行駛 在精準 植保 農(nóng)資運輸 自動巡田 防疫消殺等領(lǐng)域有廣闊 的發(fā)展空間 圖2為極飛科技于2020年7月發(fā)布 的全球首個量產(chǎn)的農(nóng)業(yè)無人車平臺R150 12 農(nóng)業(yè)機器人可應(yīng)用于果園采摘 植保作業(yè) 巡 查 信息采集 移栽嫁接等方面 越來越多的公司和 機構(gòu)加入到采摘機器人的研發(fā)中 但離采摘機器人 大規(guī)模地投入使用尚存在一定距離 13 圖3為果蔬 采摘機器人 1 4 專家系統(tǒng) 專家系統(tǒng)是一個智能計算機程序系統(tǒng) 其內(nèi)部 集成了某個領(lǐng)域?qū)＜宜降闹R與經(jīng)驗 能夠以專 家角度來處理該領(lǐng)域問題 14 在農(nóng)業(yè)領(lǐng)域 許多問 題的解決需要相當?shù)慕?jīng)驗積累與研究基礎(chǔ) 農(nóng)業(yè)專 家系統(tǒng)利用大數(shù)據(jù)技術(shù)將相關(guān)數(shù)據(jù)資料集成數(shù)據(jù) 庫 通過機器學(xué)習(xí)建立數(shù)學(xué)模型 從而進行啟發(fā)式 推理 能有效地解決農(nóng)戶所遇到的問題 科學(xué)指導(dǎo) 種植 農(nóng)業(yè)知識圖譜 專家問答系統(tǒng)可將農(nóng)業(yè)數(shù)據(jù) 轉(zhuǎn)換成農(nóng)業(yè)知識 解決實際生產(chǎn)中出現(xiàn)的問題 Sink 節(jié)點 Sink node 監(jiān)測節(jié)點 Sensor node 監(jiān)測現(xiàn)場區(qū)域 Monitoring area 傳輸網(wǎng)絡(luò) Transmission internet 遠程監(jiān)控中心 Remote monitoring center 圖 1 無線傳感器網(wǎng)絡(luò)架構(gòu) Fig 1 The architecture of wireless sensor network 圖 2 R150無人車 Fig 2 R150 unmanned vehicle 圖 3 采摘機器人 Fig 3 Harvesting robot 第 6 期 蘭玉彬 等 農(nóng)業(yè)人工智能技術(shù) 現(xiàn)代農(nóng)業(yè)科技的翅膀 3 農(nóng)業(yè)生產(chǎn)涉及的因素復(fù)雜 因地域 季節(jié) 種植 作物的不同需要差異對待 還與生產(chǎn)環(huán)境 作業(yè)方 式和工作量等息息相關(guān) 目前人工智能在農(nóng)業(yè)上的 應(yīng)用缺乏有關(guān)聯(lián)性的深度分析 多數(shù)只停留在農(nóng)情 數(shù)據(jù)的獲取與表層解析 缺乏農(nóng)業(yè)生產(chǎn)規(guī)律的挖 掘 研究與實際應(yīng)用有出入 對農(nóng)戶的幫助甚微 農(nóng) 業(yè)知識圖譜可以將多源異構(gòu)信息連接在一起 構(gòu)成 復(fù)雜的關(guān)系網(wǎng)絡(luò) 提供多維度分析問題的能力 是 挖掘農(nóng)業(yè)潛在價值的智能系統(tǒng) 15 專家問答系統(tǒng) Question answering system QA 是信息檢索系統(tǒng)的一種高級形式 它能用準確 簡 潔的自然語言回答用戶用自然語言提出的問題 是 人工智能和自然語言處理領(lǐng)域中一個倍受關(guān)注并 具有廣泛發(fā)展前景的研究方向 16 專家問答系統(tǒng)的 出現(xiàn) 可以模擬專家一對一解答農(nóng)戶疑問 為農(nóng)戶 提供快速 方便 準確的查詢服務(wù)和知識決策 知識 圖譜與問答系統(tǒng)相結(jié)合 將成為一個涵蓋知識表 示 信息檢索 自然語言處理等的新研究方向 17 但 這類系統(tǒng)的開發(fā)應(yīng)用多數(shù)是針對一個特定的對象 系統(tǒng)內(nèi)容一經(jīng)確定就很難改變 是一種靜態(tài)的系 統(tǒng) 而在實際的農(nóng)業(yè)生產(chǎn)中 一方面病蟲害的種類 在不斷發(fā)生變化 另一方面由于抗藥性及環(huán)境條件 等影響因素的變化使得同一種病蟲害的發(fā)生為害 特點也在不斷地變化 因此結(jié)合農(nóng)業(yè)病蟲害的發(fā)生 為害特點 開發(fā)一種動態(tài) 開放的病蟲害預(yù)測預(yù)報 專家系統(tǒng)平臺是十分必要的 18 1 5 農(nóng)業(yè)認知計算 認知計算模仿 學(xué)習(xí)人類的認知能力 從而實 現(xiàn)自主學(xué)習(xí) 獨立思考 為人們提供類似 智庫 的系統(tǒng) 具有甚至超越人類的認知能力 該系統(tǒng)主 要通過采集 處理和理解人類能力受限的大規(guī)模數(shù) 據(jù) 輔助農(nóng)業(yè)生產(chǎn)和貿(mào)易等活動 減少參與農(nóng)業(yè)任 務(wù)的人工 提高作業(yè)效率 基于認知分析提供農(nóng)業(yè) 領(lǐng)域的決策支持 推動智慧農(nóng)業(yè)發(fā)展 目前認知計 算在農(nóng)業(yè)領(lǐng)域內(nèi)的研究尚未形成規(guī)模 但因具有強 人工智能特性 應(yīng)用前景樂觀 2 農(nóng)業(yè)人工智能的研究現(xiàn)狀 人工智能技術(shù)在農(nóng)業(yè)科學(xué)領(lǐng)域中的應(yīng)用貫穿于 生產(chǎn)前中后的各階段 涉及種植業(yè) 畜禽牧業(yè)和漁業(yè) 等農(nóng)業(yè)領(lǐng)域 以其獨特的技術(shù)優(yōu)勢助力實現(xiàn)智能管 理 精準管控 以機器人全部或部分代替人力 提高 生產(chǎn)效率和產(chǎn)品質(zhì)量 減少環(huán)境污染 應(yīng)用潛力巨大 2 1 人工智能在農(nóng)業(yè)方面的應(yīng)用 2 1 1 農(nóng)作物識別與檢測 作物擁有獨特的顏色 紋理 形狀等特征 可通過圖像分析進行識別與檢 測 并進行過程監(jiān)測和產(chǎn)量預(yù)測等 Bah等 19 提出 了一種卷積神經(jīng)網(wǎng)絡(luò) Convolutional neural networks CNN 結(jié)合無監(jiān)督訓(xùn)練數(shù)據(jù)集的新型全自動學(xué)習(xí)方 法 可以從遙感圖像中檢測雜草 其效果與傳統(tǒng)有 監(jiān)督訓(xùn)練數(shù)據(jù)標記相吻合 Muhammad等 20 采集 了906幅油菜與雜草圖像 與VGG16相比 基于 ResNet 50的SegNet雜草識別模型效果較好 張樂 等 21 基于Faster R CNN Regions with CNN features R CNN 深度網(wǎng)絡(luò)模型 對比了基于VGG16 ResNet50和ResNet101這3種特征提取網(wǎng)絡(luò)的結(jié) 果 最終提出基于VGG16的Faster R CNN深度網(wǎng) 絡(luò)模型更適用于油菜與雜草目標的識別 Knoll等 22 將采集的500幅蘿卜和雜草圖像進行數(shù)據(jù)擴充 采 用CNN對拍攝圖像進行分類識別 平均識別精度 與召回率均超過99 5 F1值達0 996 2 彭紅星 等 23 提出了一種改進的SSD Single shot multibox detector 水果檢測模型 該模型在各種環(huán)境下識 別蘋果 荔枝 臍橙 皇帝柑的平均精度 Average precision AP 達到88 4 Fu等 24 基于Faster R CNN檢測野外遮擋 重疊 相鄰和獨立的獼猴桃 果實 AP均在80 以上 為了有效定位和識別麥 田中的雜草 Zhang等 25 基于YOLOV3 tiny網(wǎng)絡(luò)的 深度學(xué)習(xí)研究開發(fā)了一種適用于無人機的雜草檢 測模型 可以高效 快速地定位和識別作物田中的 雜草 區(qū)分果實與植株其他部分 幫助系統(tǒng)有效檢測 到果實位置和數(shù)量 能夠讓農(nóng)戶直觀地了解到當前 園區(qū)植株的結(jié)果情況 從而對產(chǎn)量進行預(yù)估 另外 將作物各部分分類 有助于植株長勢的判斷 例如 區(qū)分柑橘新梢與葉片 可以結(jié)合時間信息告訴農(nóng)戶 需要關(guān)注的生長節(jié)點 農(nóng)戶可根據(jù)花果比例決定是 疏花疏果還是?；ū９?Tristan等 26 提出一種算 法 使用三波段數(shù)碼相機拍攝傘房花 在多種情況 下對于15 m以內(nèi)的樹木上的花朵分類精度可達到 90 以上 能有效區(qū)分反光葉片與花朵 并且精度 通常優(yōu)于95 王書志等 27 用相機 手機分別在不 同的光照和環(huán)境條件下拍攝了葡萄的新梢圖像 在制作的訓(xùn)練圖像集上對SegNet FCN Fully convolutional networks 和U NET這3種卷積神經(jīng) 網(wǎng)絡(luò)進行遷移學(xué)習(xí) 得到3種分割網(wǎng)絡(luò)模型 分別 對測試集新梢圖像進行分割試驗 結(jié)果表明FCN 的總體分割效果最優(yōu) 泛化性能較好 宗澤等 28 在 大田環(huán)境下獲取農(nóng)田作物視頻數(shù)據(jù) 基于Faster R CNN識別玉米冠層 用差分內(nèi)積線性特性改進質(zhì)心 4 華南農(nóng)業(yè)大學(xué)學(xué)報 第 41 卷 檢測算法 對玉米冠層識別區(qū)域進行質(zhì)心定位計 算 得到玉米苗質(zhì)心的像素坐標 當然 上述研究仍有待更多的真實場景實踐和 檢驗 模型識別的精度和速度 需要根據(jù)不同的應(yīng) 用場景作出權(quán)衡 實時性要求高更需要輕量化網(wǎng) 絡(luò) 便于在邊緣計算平臺進行部署 2 1 2 農(nóng)作物病蟲害與缺素診斷 同一種作物可 能存在幾種甚至幾十種病蟲害 并且某幾種病蟲害 發(fā)生時的癥狀可能相同或相似 僅憑肉眼和經(jīng)驗難 以進行準確地識別與判斷 導(dǎo)致無法對癥下藥 從 而延誤病情 機器視覺或光譜成像等方式可以感知 肉眼難以獲得的信息 通過機器學(xué)習(xí)海量數(shù)據(jù) 在 病蟲害識別與診斷方面具有廣闊的應(yīng)用前景 龍滿 生等 29 利用智能手機在室內(nèi)補光條件下拍攝葉片 并對圖像進行預(yù)處理作為輸入 用基于TensorFlow 的AlexNet模型對4種油茶病害癥狀進行建模 其 分類準確率高達96 53 王獻鋒等 30 使用自適應(yīng) 判別深度置信網(wǎng)絡(luò) Deep belief network DBN 識別 棉花的3種蟲害 棉鈴蟲 棉蚜蟲 紅蜘蛛 和2種 病害 黃萎病 枯萎病 識別準確率為82 8 許景 輝等 31 在VGG16模型的基礎(chǔ)上 設(shè)計了全新的全 連接層模塊 并將VGG16模型在Image Net圖像數(shù) 據(jù)集訓(xùn)練好的卷積層遷移到本模型中 結(jié)果表明 該模型對玉米健康葉 大斑病葉 銹病葉圖像的平 均識別準確率為95 33 與全新學(xué)習(xí)相比 遷移學(xué) 習(xí)能夠明顯提高模型的收斂速度與識別能力 針對 田間蟲害 Xie等 32 使用數(shù)碼相機和手機拍攝了4 500 幅含有40種田間昆蟲的圖像 提出一種利用多層 次特征學(xué)習(xí)對田間作物害蟲進行自動分類的無監(jiān) 督方法 與顏色 紋理 SIFT HOG有限特征分類的 結(jié)果相比 對蟲害的識別精度顯著提高了 張善文 等 33 提出一種基于環(huán)境信息和改進DBN的冬棗病 蟲害預(yù)測模型 對大棚冬棗常見的2種蟲害 食芽 象甲和紅蜘蛛 和3種病害 棗銹病 棗炭疽病 黑 點病 進行預(yù)測 平均預(yù)測正確率高達84 05 此 外 劉文定等 34 提出一種基于FCN的林區(qū)航拍圖 像蟲害區(qū)域識別方法 黃雙萍等 35 利用GoogleNet 檢測水稻穗瘟病 Mohanty等 36 采用深度卷積神經(jīng) 網(wǎng)絡(luò) Deep convolutional neural networks D CNN 識別14種作物的26種疾病 均取得了一定 的效果 蘭玉彬等 37 對柑橘植株高光譜影像進行 研究 以二次核SVM判別模型對全波段一階導(dǎo)數(shù) 光譜的分類準確率達到94 以上 表明低空高光譜 遙感監(jiān)測黃龍病 Huanglongbing HLB 具有可行 性 Deng等 38 進一步提出了基于植被指數(shù)和冠層 光譜特征的多特征融合HLB檢測方法 具有99 以上的分類精度 并能夠輸出冠層病害的分布 除 此之外 Lan等 39 對比了5種機器學(xué)習(xí)方法 對柑 橘HLB遙感多光譜數(shù)據(jù)進行處理 得出在所有模 型中 植被指數(shù)的主成分分析特征與原始數(shù)值特征 相結(jié)合表現(xiàn)出最好的準確性和一致性 集成學(xué)習(xí)和 神經(jīng)網(wǎng)絡(luò)方法具有很強的魯棒性和最佳的分類效 果 蜘蛛螨是棉花的主要害蟲之一 Huang等 40 提 出了一種基于多目標遺傳算法進行波段選擇 利用 高光譜反射率檢測蜘蛛螨侵染的方法 與主流機器 學(xué)習(xí)方法相比 具有精度高 復(fù)雜度低的優(yōu)點 針對 數(shù)據(jù)量欠缺的問題 Deng等 41 利用改進的多分類 支持向量機的建模方式識別美國德州地區(qū)高粱的 甘蔗蚜蟲 可得到蚜蟲的侵染程度 可為高粱的田 間蟲害防治提供較可靠的依據(jù) 這些研究對作物生 產(chǎn)管理和政府防控病情有一定借鑒 在田間病蟲害實際檢測中 病蟲害特有的生物 特性會造成識別和診斷的難度 病蟲害癥狀多樣 而且有些病蟲害早期癥狀不明顯 有些與植物缺乏 某種元素時的癥狀較為相似 容易引起誤診 在分 析采集的數(shù)據(jù)時 不僅需要農(nóng)學(xué)專家加以甄別 還 需要通過一定的生化檢測手段進一步確認 從而避 免使用錯誤的標簽來訓(xùn)練模型 導(dǎo)致識別和診斷的 精度降低 另外 由于作物種類繁多 同一種作物又 存在多種病蟲害 當前并沒有一種模型適用于所有 作物或所有病害的識別檢測 遷移學(xué)習(xí)成為訓(xùn)練病 蟲害識別模型的重要手段 5 當作物缺乏必需營養(yǎng)元素時會出現(xiàn)相應(yīng)病征 通常表現(xiàn)為葉片失綠 黃化 發(fā)紅或發(fā)紫 組織壞 死 出現(xiàn)黑心 枯斑 生長點萎縮或死亡 器官畸形 株型異常 生長發(fā)育進程延遲或提前等 農(nóng)戶往往 都是根據(jù)經(jīng)驗來進行處理 并沒有較為精確的診斷 依據(jù) 農(nóng)業(yè)人工智能相關(guān)技術(shù)為作物缺素診斷提供 了病癥判別與施肥量化的依據(jù) Trung Tin等 42 使 用人工神經(jīng)網(wǎng)絡(luò)模型來識別 分類和預(yù)測番茄植株 中發(fā)生的營養(yǎng)缺乏狀況 岳學(xué)軍等 43 44 以作物特征 光譜 灰度共生矩陣紋理和CNN紋理等特征為輸 入信息 建立了ICA DNN Independent component analysis Deep neural network 和SSAE DLN Stacked sparse autoencoder Deep learning network 深度學(xué)習(xí)網(wǎng)絡(luò) 檢測了龍眼葉片的葉綠素含量和柑 橘葉片鉀含量 研究對2種作物的長勢預(yù)測提供了 理論依據(jù) Sulistyo等 45 利用基于MLP Multilayer perceptron 的深度學(xué)習(xí)模型估算小麥葉片的氮含 量 誤差為0 022 優(yōu)于基于SPAD儀表的0 058 熊 第 6 期 蘭玉彬 等 農(nóng)業(yè)人工智能技術(shù) 現(xiàn)代農(nóng)業(yè)科技的翅膀 5 俊濤等 46 通過攝像頭采集水培大豆葉片圖像 利用 VGG16模型將特征明顯的葉片歸類為2類缺氮特 征和4類缺磷特征 可為自動化生產(chǎn)中植株缺素情 況估計提供技術(shù)參考 2 1 3 農(nóng)作物生產(chǎn)精準管控 果園與農(nóng)場的種植 面積往往較大 傳統(tǒng)人工巡視費時費力 且從地面 視角很難宏觀獲取種植區(qū)域的農(nóng)情 也無法精確細 致地監(jiān)測特定區(qū)域 農(nóng)業(yè)人工智能中機器視覺 深 度學(xué)習(xí)以及遙感技術(shù)的引入使精準管控成為可能 對于大范圍田地的監(jiān)測 多是以遙感的方式 通過 無人機搭載RGB相機或光譜相機采集圖像 或是 在田間布置氣象站 攝像頭等裝置 對這些農(nóng)情信 息數(shù)據(jù)進行分析 可以提前得到作物的生長趨勢 以實現(xiàn)預(yù)防預(yù)警 圖4為遙感監(jiān)測系統(tǒng)示意圖 從 獲取的農(nóng)業(yè)數(shù)據(jù)中得到感興趣的信息并進行分析 這對于精準作業(yè)的下一個環(huán)節(jié)至關(guān)重要 由這些信 息可以得知哪些植株已經(jīng)染病 哪片田地亟需灌 溉 然后按需作業(yè) 對癥下藥 實現(xiàn)精準管控 Chen等 47 提出了一種基于長短記憶網(wǎng)絡(luò) Long short term memory LSTM 的農(nóng)業(yè)環(huán)境預(yù)測 方法 可以提前對農(nóng)田環(huán)境不良狀況做出預(yù)警 Zhou等 48 提出了一種基于全卷積網(wǎng)絡(luò)的稻穗檢測 和計數(shù)系統(tǒng) 并使用該系統(tǒng)進行水稻表型自動化測 量 通過每單位面積的穗數(shù)估計產(chǎn)量 Carlos等 49 使用無人機搭載2臺覆蓋400 850 nm 分辨率為 20 cm 和950 1 750 nm 分辨率為50 cm 波段的高 光譜攝像機獲取小麥田間圖像 建立用于N量化的 多個回歸模型并測試其性能 與通過模型反演估計 的植物性狀以及基于單個光譜指數(shù)的標準方法所 建立的模型性能進行了比較 探究在灌溉和非灌溉 條件下與光合作用直接相關(guān)的因素 Jiang等 50 基 于LSTM提出了一種玉米估產(chǎn)模型 以不同空間的 作物長勢 氣象和遙感數(shù)據(jù)作為信息輸入 深度學(xué) 習(xí)模型在季中和季末的玉米產(chǎn)量預(yù)測結(jié)果 比嶺回 歸和隨機森林模型有明顯的提升 Alan等 51 提出 了一種高通量表型方案 用以從航空圖像中提取有 意義的信息 使用固定翼飛機搭載相機對大面積種 植的生菜地進行圖像采集 結(jié)合機器學(xué)習(xí)以及模塊 化軟件工程技術(shù) 實現(xiàn)了超大型航空影像中與產(chǎn)量 相關(guān)表型的測量 Zhu等 52 提出一種無線傳感網(wǎng)絡(luò) 用以監(jiān)控作物葉片的濕度 該系統(tǒng)對作物冠層葉片 濕度監(jiān)測有較高的準確性 Tahir等 53 成功使用低 成本多光譜無人機根據(jù)歸一化植被指數(shù) Normalized difference vegetation index NDVI 估算了花生植株 的葉面積指數(shù)和產(chǎn)量 鐵皮石斛是中國傳統(tǒng)中藥和 極具觀賞價值的植物 Long等 54 提出了一種基于 可見光和高光譜成像的技術(shù) 用于檢測不同生長階 段植株體內(nèi)的氮素含量 章璐杰 55 基于物聯(lián)網(wǎng)技術(shù)構(gòu)建了葡萄園智慧 管理系統(tǒng) 可以完成葡萄園環(huán)境信息的采集 存儲 處理與挖掘 實現(xiàn)葡萄整個生長周期的自動監(jiān)測和 控制 具有比較好的適用性和通用性 袁帥等 56 基于消息隊列遙測傳輸協(xié)議 Message queuing telemetry transport MQTT 遠程控制技術(shù) 借助無 線傳感器獲取作物實時生長環(huán)境信息 運用無人機 航拍獲取作物病情 蟲情和苗情等參數(shù)和視頻圖像 信息 利用數(shù)據(jù)分析實現(xiàn)對作物的災(zāi)情預(yù)警 預(yù)報 通過對機器人和電磁閥的智能控制 實現(xiàn)果園的智 慧管理和水肥一體化智能灌溉 李志然 57 基于云 平臺蜜柚專家系統(tǒng)和智慧農(nóng)業(yè)系統(tǒng) 實現(xiàn)對蜜柚果 圖 4 遙感監(jiān)測系統(tǒng) Fig 4 Romote sensing system for monitoring 6 華南農(nóng)業(yè)大學(xué)學(xué)報 第 41 卷 園的全天全方位的圖像與視頻監(jiān)控 提高了果園日 常管理和病蟲害防治診斷水平 部署的各類傳感器 可監(jiān)測果園土壤溫濕度 空氣溫濕度 光照強度 CO2濃度 降雨量和植物養(yǎng)分含量等參數(shù) 這些數(shù) 據(jù)有利于蜜柚生長模型和產(chǎn)量預(yù)測等模型的建立 水肥一體化系統(tǒng)可實現(xiàn)灌溉及施肥控制 楊偉志 等 58 針對山地柑橘傳統(tǒng)灌溉方式存在的費時耗力 水資源利用率低等問題 設(shè)計了基于物聯(lián)網(wǎng)和人工 智能技術(shù)的山地柑橘智能灌溉專家系統(tǒng) 2 1 4 人工智能在農(nóng)產(chǎn)品質(zhì)量分揀和溯源方面的 應(yīng)用 在各種微電子系統(tǒng) 納米技術(shù) 傳感器 現(xiàn)場 快速檢測技術(shù) 數(shù)據(jù)遠程傳輸與處理技術(shù)等加持 下 農(nóng)產(chǎn)品檢驗檢測系統(tǒng)趨向小型化和智能化 溯 源技術(shù)走向精準化 集成化和物聯(lián)化 對農(nóng)產(chǎn)品質(zhì) 量安全因素實現(xiàn)全程追蹤與管控 在農(nóng)產(chǎn)品質(zhì)量檢測與分級應(yīng)用研究方面 謝忠 紅等 59 提出了一種基于高光譜和深度學(xué)習(xí)技術(shù)的 圓葉菠菜新鮮度的識別方法 融合3個波長對圖像 進行等級識別可以實現(xiàn)最好效果 識別準確率最高 達到了80 99 針對自動分級視頻圖像中出現(xiàn)的 紅棗定位 缺陷檢測難問題 曾窕俊等 60 提出一種 基于幀間最短路徑搜索目標的定位方法和集成卷 積神經(jīng)網(wǎng)絡(luò)模型 Ensemble convolution neural network E CNN 定位準確率可達100 分類精度 大于顏色和紋理特征分類模型以及卷積神經(jīng)網(wǎng)絡(luò) 模型的 具有較高的識別準確率及較強的魯棒性 Dario等 61 為實現(xiàn)對整個供應(yīng)鏈上包裝后的鮮切生 菜的質(zhì)量評估 同時盡可能減少包裝對檢測帶來的 限制 提出一種將計算機視覺系統(tǒng) Computer vision system CVS 與CNN相結(jié)合的方法 倪超等 62 提出一種基于短波近紅外高光譜和深度學(xué)習(xí)的籽 棉地膜分選算法 算法對地膜識別率達到95 5 地 膜選出率達95 滿足實際生產(chǎn)需求 高震宇等 63 設(shè)計了一套鮮茶葉智能分選系統(tǒng) 實現(xiàn)了對鮮茶葉 中的單芽 一芽一葉 一芽二葉 一芽三葉 單片葉 葉梗的有效分類 李帷韜等 64 基于深度學(xué)習(xí)和集 成學(xué)習(xí) 提出了一種具有認知結(jié)果熵測度指標約束 的智能反饋認知方法 用以對青梅品級進行快速分 類 對1 008幅青梅圖像的平均識別率為98 15 有效地增強了特征空間的泛化能力以及分類器的 魯棒性 在農(nóng)產(chǎn)品溯源問題方面 馬騰等 65 設(shè)計了一種 農(nóng)產(chǎn)品原產(chǎn)地可信的溯源系統(tǒng) 由溯源電子秤 云 檢測程序和檢測網(wǎng)站3部分組成 消費者可通過商 品標簽查詢商品信息 產(chǎn)地及判斷真?zhèn)?白紅武等 66 利用QR Quick response 二維碼 溯源 物聯(lián)網(wǎng)等技 術(shù) 結(jié)合農(nóng)產(chǎn)品產(chǎn)業(yè)鏈的特點 開發(fā)了一種多層次 多角色 多功能的農(nóng)產(chǎn)品質(zhì)量安全溯源系統(tǒng) 孫旭 等 67 設(shè)計并實踐了近場通信 Near field commu nication NFC 與物聯(lián)網(wǎng)融合應(yīng)用的肉雞供應(yīng)鏈信 息系統(tǒng) 并就其層次及數(shù)據(jù)結(jié)構(gòu)進行了系統(tǒng)設(shè)計 Catarinucci等 68 結(jié)合射頻識別 Radio frequency identification RFID 技術(shù)和WSN 實現(xiàn)了白葡萄酒 從葡萄園產(chǎn)出到消費者的可追溯性 Ruiz Garcia 等 69 提出一種基于ZigBee的無線傳感器節(jié)點用于 實時監(jiān)測水果室內(nèi)儲存和運輸狀況 Xiao等 70 設(shè) 計了一種無線傳感器網(wǎng)絡(luò)監(jiān)測冷凍和冷藏水產(chǎn)品 運輸過程中的溫度實時變化 糧食生產(chǎn)后會經(jīng)過存 儲 流通等環(huán)節(jié) 有一部分糧食損失是由于儲運過 程中的蟲害造成的 馬一名 71 設(shè)計了一種針對多 用戶類型的儲糧害蟲防治的專家反饋系統(tǒng) 普通用 戶可以將害蟲數(shù)據(jù)上傳 查看專家反饋意見 害蟲 圖鑒等 專家用戶可以查看害蟲數(shù)據(jù) 提問 發(fā)布反 饋意見等 于合龍等 72 應(yīng)用密碼學(xué)原理設(shè)計了節(jié) 點授權(quán)加密法 并以此構(gòu)建了基于區(qū)塊鏈面向水稻 全供應(yīng)鏈的信息保護模型 從而達到保護企業(yè)隱私 的目的 許繼平等 73 構(gòu)建了糧油食品全供應(yīng)鏈信 息安全管理模型 設(shè)計了區(qū)塊鏈和關(guān)系型數(shù)據(jù)庫相 結(jié)合的雙模數(shù)據(jù)存儲機制 定制化部署的糧油食品 供應(yīng)鏈智能合約 并提出了原型系統(tǒng)架構(gòu)和設(shè)計方 案 Deepak等 74 提出了一種基于區(qū)塊鏈的農(nóng)產(chǎn)品 溯源解決方案 給出了透明 準確和可追溯的供應(yīng) 鏈系統(tǒng) 為基于區(qū)塊鏈的農(nóng)產(chǎn)品供應(yīng)鏈的設(shè)計提供 了借鑒 2 1 5 土地與種植資源管理 因具有宏觀 實時 動態(tài)監(jiān)測的優(yōu)點 遙感技術(shù)在植被分布與變化監(jiān)測 方面發(fā)揮著愈來愈重要的作用 傳統(tǒng)衛(wèi)星遙感技術(shù) 已經(jīng)被證實在土地資源管理方面的可行性 而無人 機遙感作為衛(wèi)星遙感的有益補充 具有時效高 分 辨率高 成本低 損耗低 風險低及可重復(fù)等優(yōu)點 75 遙感技術(shù)可以為農(nóng)業(yè)用地選址及規(guī)劃進行合理指 導(dǎo) 監(jiān)測當前園區(qū)作物的覆蓋率 并可對所獲取的 數(shù)據(jù)進行進一步分析 將深度學(xué)習(xí)與遙感技術(shù)相結(jié) 合 這一過程更加智能化 能更好地服務(wù)和指導(dǎo)農(nóng) 業(yè)生產(chǎn) 76 李冰等 77 提出一種從時間序列影像的植被指 數(shù)直方圖曲線中獲取植被指數(shù)閾值的方法 獲取的 多時相數(shù)據(jù)可以用于表示作物覆蓋度的變化 該方 法缺點在于需要不同時間對同一地塊的觀測影像 同時保證存在植被像元和非植被像元空間分布具 第 6 期 蘭玉彬 等 農(nóng)業(yè)人工智能技術(shù) 現(xiàn)代農(nóng)業(yè)科技的翅膀 7 有明顯差異的2個觀測時期 劉峰等 78 利用無人 直升機監(jiān)測北京地區(qū)板栗主要生育期 提出了一種 無人機遙感影像植被覆蓋度快速計算方法 利用多 時相無人機遙感影像實現(xiàn)了板栗植被覆蓋度年變 化監(jiān)測 李存軍等 79 研究發(fā)現(xiàn)一些基于短波紅外 波段構(gòu)造的光譜指數(shù)有應(yīng)用于估測冬小麥覆蓋度 的潛力 且不易受其他因素影響 韓文霆等 80 用固 定翼無人機航拍河套灌區(qū)五原縣塔爾湖鎮(zhèn)的可見 光圖像 通過試誤法確定了無人機遙感影像的最佳 分割參數(shù) 結(jié)果表明 支持向量機能較準確地提取 各地的特征 采用支持向量機結(jié)合決策樹分類法創(chuàng) 建的決策樹模型 可以進一步提高提取精度 魯恒等 81 利用D CNN剔除道路 田埂等線狀地物 將D CNN特征訓(xùn)練過程中得到的特征提取方法遷移到 耕地提取中 提出了一種利用遷移學(xué)習(xí)機制的耕地 提取 TLCLE 方法 與利用易康 e Cognition 軟件進行耕地提取 ECLE 的結(jié)果進行比較 結(jié)果 顯示 TLCLE較ECLE總體精度略有提高 且在保 證耕地地塊完整 連續(xù)性方面優(yōu)于ECLE 編制土 地覆蓋圖需要包含精準類別劃分的土地覆蓋數(shù)據(jù) 傳統(tǒng)獲取方法成本高 工程量大 效果欠佳 劉文萍 等 82 提出一種基于改進DeepLab V3 模型面向無 人機航拍圖像的語義分割方法 用于分割不同類型 的土地區(qū)域并分類 從而獲取土地覆蓋數(shù)據(jù) 相比 原始模型 這種方法在測試集的像素準確率和平均 交并比均有所提升 并且優(yōu)于常用的語義分割模型 FCN 8S和PSPNet 但當原始圖像發(fā)生大范圍的變 形時 因受到嚴重干擾 模型分割結(jié)果質(zhì)量低 Ienco等 83 選用LSTM模型對多時空遙感數(shù)據(jù)的土 地覆蓋進行分類 與現(xiàn)有的分類器相比 其性能較 高 且在特征不明顯或類別極易混合的情況下優(yōu)于 傳統(tǒng)方法 針對建立和更新田間圖形數(shù)據(jù)庫 以遙 感影像為底圖人工勾繪地塊耗時費力這一問題 李 森等 84 嘗試在深度學(xué)習(xí)邊緣檢測模型的基礎(chǔ)上 采 用空洞卷積結(jié)構(gòu) 提出構(gòu)建應(yīng)用于遙感影像的邊緣 檢測模型用于提取耕地地塊邊緣 試驗結(jié)果表明 該方法檢測畫面更加清晰 能夠顯著提高田間地形 數(shù)據(jù)的更新效率 Kussul等 85 基于D CNN對 11種土地覆蓋和作物分類的平均AP為94 6 Vittorio等 86 基于遞歸神經(jīng)網(wǎng)絡(luò) Recursive neural network RNN 與CNN使用Sentinel 2衛(wèi)星提供的 圖像 提出了一種基于像素的LC CC的新型深度 學(xué)習(xí)模型 用以監(jiān)測當前土地使用情況以及其隨時 間的變化 為了克服衛(wèi)星遙感影像解譯方法處理無 人機航拍影像時的一系列問題 孫鈺等 87 提出一種 基于深度學(xué)習(xí)的無人機航拍監(jiān)測方法 通過多尺度 融合得到了FCN的5個變種模型 其中 FCN 4s模 型是識別大棚和地膜農(nóng)田的最佳模型 在識別精度 和運行時間上存在優(yōu)勢 2 2 人工智能在畜牧業(yè)的應(yīng)用 家禽家畜是農(nóng)戶一部分重要的經(jīng)濟來源 由于 單位經(jīng)濟價值較農(nóng)作物更高 一旦發(fā)生疫情 損失 較為嚴重 動物個體及