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)

農(nóng)業(yè)是國民經(jīng)濟(jì)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(shí)的品質(zhì)和產(chǎn)量不能達(dá)到理想狀態(tài)，且造成資源浪費(fèi)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?fàn)顩r?！陡脑靷鹘y(tǒng)農(nóng)業(yè)》指出，發(fā)展中國家的經(jīng)濟(jì)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(jìn)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(qiáng)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(shí)現(xiàn)社會生產(chǎn)力的整體躍升。雖然早在20世紀(jì)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(shí)踐，是傳統(tǒng)農(nóng)業(yè)在人工智能助力下煥發(fā)蓬勃生機(jī)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(rèn)知計(jì)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(jī)器感受萬物的功能，是農(nóng)業(yè)人工智能發(fā)展的一項(xiàng)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(jì)、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(jìn)而輔助決策[4]。當(dāng)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(dāng)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(shí)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(jìn)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(biāo)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(jìn)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(biāo)對象在個位或十位數(shù)量級的光譜圖像?；诙喙庾V圖像和高光譜圖像的農(nóng)情解析，可有效彌補(bǔ)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(qiáng)等特點(diǎn)，20世紀(jì)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(yùn)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(shí)時獲取目標(biāo)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(shí)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(diǎn)的智能化感知、識別和精準(zhǔn)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(shí)時性，邊緣計(jì)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(zhǔn)作業(yè)一體化的系統(tǒng)尤其需要邊緣智能，無人機(jī)精準(zhǔn)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(jì)算存儲、運(yùn)維管理等諸多挑戰(zhàn)[7]。云計(jì)算在物聯(lián)網(wǎng)領(lǐng)域并非萬能，但邊緣計(jì)算可以拓展云邊界，云端又具備邊緣節(jié)點(diǎn)所沒有的計(jì)算能力，兩者可形成天然的互補(bǔ)關(guān)系。將云計(jì)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(diǎn)，打造云－邊－端一體化的協(xié)同體系，實(shí)現(xiàn)邊緣計(jì)算和云計(jì)算融合才能更好解決物聯(lián)網(wǎng)的實(shí)際問題[8]。

多個功能節(jié)點(diǎn)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(diǎn)和Sink節(jié)點(diǎn)[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(fēng)、光、水、電、熱和農(nóng)藥噴施等數(shù)據(jù)，實(shí)現(xiàn)實(shí)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]。

圖1 無線傳感器網(wǎng)絡(luò)架構(gòu)Fig. 1 The architecture of wireless sensor network

1.3 智能裝備系統(tǒng)

智能裝備系統(tǒng)是先進(jìn)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(jī)、農(nóng)業(yè)無人車、智能收割機(jī)、智能播種機(jī)和采摘機(jī)器人等智能裝備。

無人機(jī)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(jī)的應(yīng)用場景正在不斷延伸。如極飛科技的植保無人機(jī)具有一鍵啟動、精準(zhǔn)作業(yè)和自主飛行等能力，真正實(shí)現(xiàn)了無人機(jī)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?yán)昧税ɡ走_(dá)、激光、超聲波、GPS、里程計(jì)、計(jì)算機(jī)視覺等多種技術(shù)來感知周邊環(huán)境，通過先進(jìn)的計(jì)算和控制系統(tǒng)，來識別障礙物和各種標(biāo)識牌，規(guī)劃合適的路徑來控制車輛行駛，在精準(zhǔn)植保、農(nóng)資運(yùn)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]。

圖2 R150無人車Fig. 2 R150 unmanned vehicle

農(nóng)業(yè)機(jī)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(jī)構(gòu)加入到采摘機(jī)器人的研發(fā)中，但離采摘機(jī)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(jī)器人。

圖3 采摘機(jī)器人Fig. 3 Harvesting robot

1.4 專家系統(tǒng)

專家系統(tǒng)是一個智能計(jì)算機(jī)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(yàn)，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(dāng)?shù)慕?jīng)驗(yàn)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(jī)器學(xué)習(xí)建立數(shù)學(xué)模型，從而進(jìn)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(shí)際生產(chǎn)中出現(xiàn)的問題。

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(shí)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(zhǔn)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(zhǔn)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(shí)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(diǎn)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(diǎn)，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(rèn)知計(jì)算

認(rèn)知計(jì)算模仿、學(xué)習(xí)人類的認(rèn)知能力，從而實(shí)現(xiàn)自主學(xué)習(xí)、獨(dú)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(rèn)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(rèn)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(rèn)知計(jì)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(qiáng)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(dú)特的技術(shù)優(yōu)勢助力實(shí)現(xiàn)智能管理、精準(zhǔn)管控，以機(jī)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(dú)特的顏色、紋理、形狀等特征，可通過圖像分析進(jìn)行識別與檢測，并進(jìn)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(biāo)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(biāo)的識別。Knoll等[22]將采集的500幅蘿卜和雜草圖像進(jìn)行數(shù)據(jù)擴(kuò)充，采用CNN對拍攝圖像進(jìn)行分類識別，平均識別精度與召回率均超過99.5%，F(xiàn)1值達(dá)0.996 2。彭紅星等[23]提出了一種改進(jìn)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(dá)到88.4%。Fu等[24]基于Faster RCNN檢測野外遮擋、重疊、相鄰和獨(dú)立的獼猴桃果實(shí)，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(jī)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(shí)與植株其他部分，幫助系統(tǒng)有效檢測到果實(shí)位置和數(shù)量，能夠讓農(nóng)戶直觀地了解到當(dāng)前園區(qū)植株的結(jié)果情況，從而對產(chǎn)量進(jìn)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(diǎn)。農(nóng)戶可根據(jù)花果比例決定是疏花疏果還是保花保果。Tristan等[26]提出一種算法，使用三波段數(shù)碼相機(jī)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(dá)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(jī)、手機(jī)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(jìn)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(jìn)行分割試驗(yàn)，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 RCNN識別玉米冠層，用差分內(nèi)積線性特性改進(jìn)質(zhì)心檢測算法，對玉米冠層識別區(qū)域進(jìn)行質(zhì)心定位計(jì)算，得到玉米苗質(zhì)心的像素坐標(biāo)。

當(dāng)然，上述研究仍有待更多的真實(shí)場景實(shí)踐和檢驗(yàn)。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(shí)時性要求高更需要輕量化網(wǎng)絡(luò)，便于在邊緣計(jì)算平臺進(jìn)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(yàn)難以進(jìn)行準(zhǔn)確地識別與判斷，導(dǎo)致無法對癥下藥，從而延誤病情。機(jī)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(jī)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(jī)在室內(nèi)補(bǔ)光條件下拍攝葉片并對圖像進(jìn)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(jìn)行建模，其分類準(zhǔn)確率高達(dá)96.53%。王獻(xiàn)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(zhǔn)確率為82.8%。許景輝等[31]在VGG16模型的基礎(chǔ)上，設(shè)計(jì)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(zhǔn)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(jī)和手機(jī)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(jìn)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(jìn)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(diǎn)病)進(jìn)行預(yù)測，平均預(yù)測正確率高達(dá)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，DCNN)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(jìn)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(zhǔn)確率達(dá)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(jìn)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(jī)器學(xué)習(xí)方法，對柑橘HLB遙感多光譜數(shù)據(jù)進(jìn)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(zhǔn)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(qiáng)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(biāo)遺傳算法進(jìn)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(jī)器學(xué)習(xí)方法相比，具有精度高、復(fù)雜度低的優(yōu)點(diǎn)。針對數(shù)據(jù)量欠缺的問題，Deng等[41]利用改進(jìn)的多分類支持向量機(jī)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(shí)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(jìn)一步確認(rèn)，從而避免使用錯誤的標(biāo)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(dāng)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(dāng)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(diǎn)萎縮或死亡；器官畸形，株型異常；生長發(fā)育進(jìn)程延遲或提前等。農(nóng)戶往往都是根據(jù)經(jīng)驗(yàn)來進(jìn)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(jì)提供技術(shù)參考。

2.1.3 農(nóng)作物生產(chǎn)精準(zhǔn)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(fèi)時費(fèi)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(xì)致地監(jiān)測特定區(qū)域。農(nóng)業(yè)人工智能中機(jī)器視覺、深度學(xué)習(xí)以及遙感技術(shù)的引入使精準(zhǔn)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(jī)搭載RGB相機(jī)或光譜相機(jī)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(jìn)行分析，可以提前得到作物的生長趨勢，以實(shí)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(jìn)行分析，這對于精準(zhǔn)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(shí)現(xiàn)精準(zhǔn)管控。

圖4 遙感監(jiān)測系統(tǒng)Fig. 4 Romote sensing system for monitoring

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(jì)數(shù)系統(tǒng)，并使用該系統(tǒng)進(jìn)行水稻表型自動化測量，通過每單位面積的穗數(shù)估計(jì)產(chǎn)量。Carlos等[49]使用無人機(jī)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(jī)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(jì)的植物性狀以及基于單個光譜指數(shù)的標(biāo)準(zhǔn)方法所建立的模型性能進(jìn)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(jī)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(jī)搭載相機(jī)對大面積種植的生菜地進(jìn)行圖像采集，結(jié)合機(jī)器學(xué)習(xí)以及模塊化軟件工程技術(shù)，實(shí)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(zhǔn)確性。Tahir等[53]成功使用低成本多光譜無人機(jī)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(shí)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(duì)列遙測傳輸協(xié)議(Message queuing telemetry transport, MQTT)遠(yuǎn)程控制技術(shù)，借助無線傳感器獲取作物實(shí)時生長環(huán)境信息，運(yùn)用無人機(jī)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(shí)現(xiàn)對作物的災(zāi)情預(yù)警、預(yù)報，通過對機(jī)器人和電磁閥的智能控制，實(shí)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(shí)現(xiàn)對蜜柚果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(qiáng)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(shí)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(fèi)時耗力、水資源利用率低等問題，設(shè)計(jì)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(yuǎn)程傳輸與處理技術(shù)等加持下，農(nóng)產(chǎn)品檢驗(yàn)檢測系統(tǒng)趨向小型化和智能化，溯源技術(shù)走向精準(zhǔn)化、集成化和物聯(lián)化，對農(nóng)產(chǎn)品質(zhì)量安全因素實(shí)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(jìn)行等級識別可以實(shí)現(xiàn)最好效果，識別準(zhǔn)確率最高達(dá)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(biāo)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(zhǔn)確率可達(dá)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(zhǔn)確率及較強(qiáng)的魯棒性。Dario等[61]為實(shí)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(jì)算機(jī)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(dá)到95.5%，地膜選出率達(dá)95%，滿足實(shí)際生產(chǎn)需求。高震宇等[63]設(shè)計(jì)了一套鮮茶葉智能分選系統(tǒng)，實(shí)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(rèn)知結(jié)果熵測度指標(biāo)約束的智能反饋認(rèn)知方法，用以對青梅品級進(jìn)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(qiáng)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(jì)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(fèi)者可通過商品標(biāo)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(diǎn)，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(jì)并實(shí)踐了近場通信(Near field communication，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(jìn)行了系統(tǒng)設(shè)計(jì)。Catarinucci等[68]結(jié)合射頻識別(Radio frequency identification，RFID)技術(shù)和WSN，實(shí)現(xiàn)了白葡萄酒從葡萄園產(chǎn)出到消費(fèi)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(diǎn)用于實(shí)時監(jiān)測水果室內(nèi)儲存和運(yùn)輸狀況。Xiao等[70]設(shè)計(jì)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(yùn)輸過程中的溫度實(shí)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(yùn)過程中的蟲害造成的。馬一名[71]設(shè)計(jì)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(jì)了節(jié)點(diǎn)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(hù)模型，從而達(dá)到保護(hù)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(jì)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(jī)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(jì)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(zhǔn)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(jì)提供了借鑒。

2.1.5 土地與種植資源管理 因具有宏觀、實(shí)時、動態(tài)監(jiān)測的優(yōu)點(diǎn)，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(shí)在土地資源管理方面的可行性，而無人機(jī)遙感作為衛(wèi)星遙感的有益補(bǔ)充，具有時效高、分辨率高、成本低、損耗低、風(fēng)險低及可重復(fù)等優(yōu)點(diǎn)[75]。遙感技術(shù)可以為農(nóng)業(yè)用地選址及規(guī)劃進(jìn)行合理指導(dǎo)、監(jiān)測當(dāng)前園區(qū)作物的覆蓋率、并可對所獲取的數(shù)據(jù)進(jìn)行進(jìn)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(diǎn)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有明顯差異的2個觀測時期。劉峰等[78]利用無人直升機(jī)監(jiān)測北京地區(qū)板栗主要生育期，提出了一種無人機(jī)遙感影像植被覆蓋度快速計(jì)算方法，利用多時相無人機(jī)遙感影像實(shí)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(jī)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(jī)遙感影像的最佳分割參數(shù)，結(jié)果表明，支持向量機(jī)能較準(zhǔn)確地提取各地的特征，采用支持向量機(jī)結(jié)合決策樹分類法創(chuàng)建的決策樹模型，可以進(jìn)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DCNN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(jī)制的耕地提取(TLCLE)方法，與利用易康(e Cognition)軟件進(jìn)行耕地提取(ECLE)的結(jié)果進(jìn)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(zhǔn)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(jìn)DeepLab V3+模型面向無人機(jī)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(zhǔn)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(dāng)原始圖像發(fā)生大范圍的變形時，因受到嚴(yán)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(jìn)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(fèi)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(yàn)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(dāng)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(jī)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(jī)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，F(xiàn)CN-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(yùn)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(jì)來源，由于單位經(jīng)濟(jì)價值較農(nóng)作物更高，一旦發(fā)生疫情，損失較為嚴(yán)重。動物個體及其行為識別是人工智能在禽畜牧業(yè)的重要應(yīng)用。大規(guī)模飼養(yǎng)的農(nóng)場或牧場需要對每個個體進(jìn)行精確飼養(yǎng)，首先需對個體進(jìn)行識別，才能對家禽家畜進(jìn)行高效、穩(wěn)定的溯源，從而保證肉制品安全、防止疾病擴(kuò)散。Mark等[88]使用在人臉識別中常用的3種模型：Fisherfaces、VGGFace和作者訓(xùn)練的CNN，在農(nóng)場環(huán)境中對10只豬進(jìn)行了測試，在1 553張圖像的驗(yàn)證集上，識別準(zhǔn)確率達(dá)到96.7%。趙凱旋等[89]提出了一種基于視頻分析用卷積神經(jīng)網(wǎng)絡(luò)準(zhǔn)確識別奶牛個體的方法，具有不用接觸、精確度高、適用性強(qiáng)的特點(diǎn)。黃巍[90]為了提高牛臉檢測的效果，對SSD模型的基礎(chǔ)網(wǎng)絡(luò)、default box高寬比設(shè)置等進(jìn)行改進(jìn)，使用MobileNet v2作為SSD模型的基礎(chǔ)網(wǎng)絡(luò)，并在額外的特征提取層中使用深度可分離卷積，用K-Means++算法對樣本進(jìn)行高寬比聚類，試驗(yàn)結(jié)果表明，針對牛臉檢測，改進(jìn)SSD模型在模型精度、速度上均優(yōu)于其他目標(biāo)檢測模型。楊阿慶等[91]提出了一種基于FCN的哺乳母豬圖像分割算法，該算法有較好的泛化性和魯棒性，能夠?qū)崿F(xiàn)豬舍場景下哺乳母豬準(zhǔn)確、快速的圖像分割。Muzzle point是牛個體的主要生物特征，類似于人類指紋。Santosh等[92]提出了一種牛的Muzzle point圖像自動識別算法，在500頭牛的Muzzle point圖像數(shù)據(jù)庫中識別精度達(dá)到93.87%。

動物的行為識別有助于管理者了解動物的健康狀況。楊秋妹等[93]通過傳統(tǒng)的閾值分割方法得到二值化圖像將豬從背景中提取出來，引入圖像占領(lǐng)指數(shù)對豬的飲水行為進(jìn)行預(yù)判，最后利用深度學(xué)習(xí)方法構(gòu)造豬只頭部檢測器，可更精準(zhǔn)地判定飲水行為的發(fā)生。薛月菊等[94]提出一種基于改進(jìn)Faster R-CNN的哺乳母豬姿態(tài)識別算法，在測試集上對哺乳母豬的站立、坐立、俯臥、腹臥和側(cè)臥5類姿態(tài)的識別準(zhǔn)確率平均達(dá)到93.25%。為了防止家禽家畜丟失，李丹等[95]提出了一種基于Mask R-CNN的豬只爬跨行為識別算法，能夠自動有效地檢測豬只爬跨行為。目前蛋雞的健康狀況檢測仍采用人工方式，不利于蛋雞養(yǎng)殖業(yè)的集約化、規(guī)?；l(fā)展，蛋雞行為檢測的研究在自動和信息化養(yǎng)殖方面具有重要的意義。王凱[96]基于TD-YOLOv3算法以及DJango前端開發(fā)技術(shù)設(shè)計(jì)了一種蛋雞行為在線檢測系統(tǒng)，實(shí)現(xiàn)了蛋雞行為檢測以及數(shù)據(jù)庫等功能。Arcidiacono等[97]基于加速度計(jì)項(xiàng)圈數(shù)據(jù)提出了一種牛行為分析的新方法。

3 我國發(fā)展農(nóng)業(yè)人工智能技術(shù)面臨的挑戰(zhàn)

3.1 中外差距比較分析

3.1.1 前沿基礎(chǔ) 與國外相比，我國農(nóng)業(yè)機(jī)器人的研究與開發(fā)尚處于起步階段。美國早在20世紀(jì)40年代就基本實(shí)現(xiàn)了農(nóng)業(yè)機(jī)械化，80年代末開始農(nóng)機(jī)自動駕駛研究，目前大部分智能農(nóng)機(jī)根據(jù)衛(wèi)星、無人機(jī)等進(jìn)行數(shù)據(jù)收集、分析、模型創(chuàng)建，基于智能決策系統(tǒng)預(yù)測作物產(chǎn)量、需水量以及施肥量等。中國智能農(nóng)機(jī)研究起步較晚，與美國存在較大差距。20世紀(jì)90年代中期，國內(nèi)才開始農(nóng)業(yè)機(jī)器人的研發(fā)。目前我國已開發(fā)出的農(nóng)業(yè)機(jī)器人有耕耘機(jī)器人、除草機(jī)器人、施肥機(jī)器人、噴藥機(jī)器人、蔬菜嫁接機(jī)器人、收割機(jī)器人、采摘機(jī)器人等。我國農(nóng)業(yè)機(jī)器人的推廣，主要集中在大田作業(yè)中自動駕駛農(nóng)機(jī)，以及農(nóng)業(yè)植保無人機(jī)的應(yīng)用等。作為一種新型智能農(nóng)機(jī)，農(nóng)用無人機(jī)在我國雖起步較晚，但發(fā)展迅速，目前無人機(jī)產(chǎn)業(yè)已處于全球領(lǐng)跑水平。在無人機(jī)制造領(lǐng)域，國內(nèi)制造商已領(lǐng)先搶占世界市場。2019年，全國有7 000多家無人機(jī)企業(yè)獲民用無人駕駛航空器經(jīng)營許可證，交易規(guī)模突破500億元。其中，以深圳為代表的珠三角地區(qū)走在行業(yè)前列。

人工智能發(fā)展包括基礎(chǔ)層、技術(shù)層和應(yīng)用層。相比美國的人工智能全產(chǎn)業(yè)布局特征，我國發(fā)展主要集中在應(yīng)用層，在技術(shù)層和基礎(chǔ)層只是局部有所突破，迫切需要全面提升整體研發(fā)體系以及行業(yè)應(yīng)用模式。在國家政策支持以及市場驅(qū)動下，中國的人工智能發(fā)展十分迅速。近5年中國在國際雜志上發(fā)表的有關(guān)機(jī)器視覺在農(nóng)業(yè)領(lǐng)域應(yīng)用的文章和專利數(shù)量保持高度增長，在數(shù)量上已經(jīng)趕超美國，但文章的被引率總體低于美國。美國的研究側(cè)重于基礎(chǔ)理論，中國側(cè)重于實(shí)際應(yīng)用。

3.1.2 核心技術(shù) 在現(xiàn)代農(nóng)業(yè)技術(shù)應(yīng)用中，中美在自動化技術(shù)水平、信息化服務(wù)技術(shù)水平、農(nóng)機(jī)作業(yè)效率等諸多方面存在差距。然而，即使是發(fā)達(dá)國家，農(nóng)業(yè)智能化、無人化也處于早期發(fā)展階段。機(jī)器視覺和深度學(xué)習(xí)技術(shù)是近幾年來農(nóng)業(yè)人工智能研究的核心，在農(nóng)業(yè)種植和養(yǎng)殖等領(lǐng)域具有廣泛的應(yīng)用空間。云智能與邊緣智能的融合正在加速機(jī)器視覺和深度學(xué)習(xí)在農(nóng)業(yè)生產(chǎn)中的落地應(yīng)用。農(nóng)業(yè)認(rèn)知計(jì)算技術(shù)將成為未來農(nóng)業(yè)人工智能的研究方向。

3.1.3 重大產(chǎn)出 從產(chǎn)品競爭力來看，美國已實(shí)現(xiàn)農(nóng)業(yè)的高度機(jī)械化、數(shù)字化、信息化和自動化，其大型高端農(nóng)機(jī)產(chǎn)品技術(shù)遙遙領(lǐng)先于我國。我國已研發(fā)出具有國際領(lǐng)先技術(shù)水平及自主知識產(chǎn)權(quán)的多款新型農(nóng)用無人機(jī)。我國農(nóng)用無人機(jī)飛控技術(shù)現(xiàn)處于全球領(lǐng)跑地位，無人機(jī)裝備總量和作業(yè)面積都位列全球第一。美國無人機(jī)在農(nóng)業(yè)上的應(yīng)用側(cè)重于信息采集和農(nóng)田監(jiān)管，而中國常見的是植保作業(yè)。

美國的農(nóng)業(yè)機(jī)器人產(chǎn)品相對成熟，很多產(chǎn)品取得了廣泛的應(yīng)用成果。我國研制出的農(nóng)業(yè)機(jī)器人大多存在功能單一、成本偏高、實(shí)際應(yīng)用較少等問題，與美國相比，在可靠性、精度和效率方面也有一定的差距，特別是在智能化程度和實(shí)際應(yīng)用方面更是差距明顯。

3.2 國際發(fā)展趨勢

全球發(fā)達(dá)國家高度重視人工智能技術(shù)與農(nóng)業(yè)領(lǐng)域的融合發(fā)展，正在逐步完善相關(guān)內(nèi)容。農(nóng)業(yè)認(rèn)知計(jì)算(可用于發(fā)現(xiàn)農(nóng)業(yè)知識)、深度學(xué)習(xí)與機(jī)器視覺(可用于實(shí)現(xiàn)病蟲草害識別、目標(biāo)檢測等)、5G技術(shù)(可用于大容量農(nóng)業(yè)視頻/遙感圖像傳輸)、農(nóng)業(yè)物聯(lián)網(wǎng)、大數(shù)據(jù)、云計(jì)算與邊緣計(jì)算(可用于農(nóng)業(yè)生產(chǎn)精準(zhǔn)管控)、虛擬助手(可用于輔助果樹剪枝、動物手術(shù)以及農(nóng)業(yè)交互式培訓(xùn))等一系列深刻影響農(nóng)業(yè)發(fā)展的核心技術(shù)正驅(qū)動著農(nóng)業(yè)人工智能的飛速發(fā)展。

全球農(nóng)業(yè)生產(chǎn)的集約化和規(guī)模化進(jìn)程不斷加快，農(nóng)業(yè)機(jī)器人將成為未來農(nóng)場的主力，其相關(guān)研究已成為世界熱點(diǎn)。農(nóng)業(yè)機(jī)器人的廣泛應(yīng)用是人工智能農(nóng)業(yè)領(lǐng)域市場快速發(fā)展的重要因素。2017—2020年，人工智能在農(nóng)業(yè)中應(yīng)用的年復(fù)合增長率為22.68%，2016年相關(guān)產(chǎn)業(yè)產(chǎn)值為27.6億美元，預(yù)計(jì)2020年為111億美元，2025年增至308億美元，涉及農(nóng)業(yè)無人機(jī)、無人拖拉機(jī)、智能收獲機(jī)、智能除草機(jī)、擠奶機(jī)器人、農(nóng)業(yè)自動化與控制系統(tǒng)等。2013—2018年，農(nóng)業(yè)機(jī)器人SCI論文作者來自全球52個國家，其中數(shù)量最多的前10個國家依次是中國、美國、西班牙、德國、澳大利亞、荷蘭、以色列、意大利、英國和日本。中國增勢最為強(qiáng)勁，年度農(nóng)業(yè)機(jī)器人相關(guān)論文數(shù)量從2014年開始超過美國躍居第一。從研究熱點(diǎn)來看，中國更關(guān)注收獲機(jī)器人、采摘機(jī)器人和農(nóng)業(yè)施藥無人機(jī)的研究，而美國、澳大利亞、荷蘭和英國等更關(guān)注擠奶機(jī)器人，以色列和日本較為關(guān)注收獲機(jī)器人，德國與意大利關(guān)注噴灌機(jī)器。

國外農(nóng)業(yè)人工智能研究起步早，技術(shù)較完善，各種智能裝備發(fā)展也較全面，國內(nèi)對農(nóng)業(yè)人工智能的研究起步相對較晚，且大多處于理論研究階段。目前，國內(nèi)很多研究機(jī)構(gòu)和企業(yè)在探索無人農(nóng)場，建設(shè)了無人農(nóng)場的示范區(qū)。例如廣州極飛科技將農(nóng)業(yè)無人機(jī)、遙感無人機(jī)、農(nóng)業(yè)無人車、農(nóng)業(yè)物聯(lián)網(wǎng)、農(nóng)機(jī)自駕儀、智慧農(nóng)業(yè)系統(tǒng)等最前沿的技術(shù)帶到了一些農(nóng)村地區(qū)，試圖改變盲目、粗放、效率低下的農(nóng)業(yè)生產(chǎn)方式，提升生產(chǎn)效率。

3.3 我國面臨的挑戰(zhàn)

農(nóng)業(yè)人工智能技術(shù)已成為合理利用農(nóng)業(yè)資源、提高農(nóng)作物產(chǎn)量和品質(zhì)、降低生產(chǎn)成本、改善生態(tài)環(huán)境、實(shí)現(xiàn)農(nóng)業(yè)可持續(xù)發(fā)展的前沿性農(nóng)業(yè)科學(xué)研究熱點(diǎn)。我國農(nóng)業(yè)正處于由傳統(tǒng)農(nóng)業(yè)生產(chǎn)技術(shù)向現(xiàn)代農(nóng)業(yè)技術(shù)轉(zhuǎn)型的階段，發(fā)展農(nóng)業(yè)人工智能技術(shù)還存在諸多挑戰(zhàn)。

3.3.1 技術(shù)落后 技術(shù)上與發(fā)達(dá)國家的差距導(dǎo)致我國農(nóng)業(yè)自動化程度和集約化水平較低，容易在農(nóng)業(yè)人工智能基礎(chǔ)理論、核心算法以及關(guān)鍵設(shè)備、高端芯片、重大產(chǎn)品與系統(tǒng)、軟件與接口等方面形成短板。例如已有農(nóng)業(yè)傳感器種類較少，缺失作物本體信息傳感器，且傳感器的關(guān)鍵零部件都需要從國外進(jìn)口。

在農(nóng)業(yè)數(shù)據(jù)分析領(lǐng)域，主要是基于模式識別和深度學(xué)習(xí)的農(nóng)業(yè)應(yīng)用，如病蟲害識別等，基于過程分析的數(shù)據(jù)挖掘技術(shù)研究比較缺乏。農(nóng)業(yè)大數(shù)據(jù)挖掘是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的農(nóng)業(yè)數(shù)據(jù)中提取出隱含在其中的、人們事先不知道的、但又是有潛在有用的農(nóng)情信息和作物生長規(guī)律的過程。農(nóng)業(yè)大數(shù)據(jù)分析中，具有挑戰(zhàn)性的是基于過程分析和歷史信息的農(nóng)作物生長預(yù)測的問題。

基于無人機(jī)遙感實(shí)現(xiàn)精準(zhǔn)農(nóng)業(yè)航空施藥或播種，是精準(zhǔn)農(nóng)業(yè)領(lǐng)域的關(guān)鍵技術(shù)。目前無人機(jī)施藥作業(yè)還未實(shí)現(xiàn)真正的變量噴施，其中一個原因是無人機(jī)作業(yè)處方圖的生成技術(shù)尚未成熟。要生成無人機(jī)作業(yè)處方圖，需要對無人機(jī)遙感圖像進(jìn)行農(nóng)情分析并建模。但不同作物以及不同生長周期的作物生長形態(tài)迥異，農(nóng)情分析模型不具備通用性，限制了精準(zhǔn)化作業(yè)的發(fā)展。

3.3.2 基礎(chǔ)設(shè)施不夠完善 適應(yīng)農(nóng)業(yè)人工智能發(fā)展的基礎(chǔ)設(shè)施如農(nóng)業(yè)物聯(lián)網(wǎng)，政策法規(guī)如農(nóng)業(yè)數(shù)據(jù)共享機(jī)制，標(biāo)準(zhǔn)體系如農(nóng)事作業(yè)標(biāo)準(zhǔn)等方面亟待建設(shè)和完善。

3.3.3 人才缺乏 農(nóng)業(yè)科研投入、相關(guān)領(lǐng)域人才儲備缺乏，人工智能尖端人才遠(yuǎn)遠(yuǎn)不能滿足需求。

面臨上述挑戰(zhàn)，需要我們構(gòu)建開放協(xié)同的農(nóng)業(yè)人工智能科技創(chuàng)新體系，布局建設(shè)重大科技創(chuàng)新平臺，堅(jiān)持農(nóng)業(yè)人工智能研發(fā)攻關(guān)、產(chǎn)品應(yīng)用和產(chǎn)業(yè)培育“三位一體”的發(fā)展模式，推進(jìn)農(nóng)業(yè)人工智能技術(shù)的發(fā)展和應(yīng)用。

4 我國發(fā)展農(nóng)業(yè)人工智能的對策與建議

農(nóng)業(yè)人工智能技術(shù)發(fā)展對提產(chǎn)增收、加快作業(yè)效率和資源利用率的驅(qū)動作用明顯，正在引領(lǐng)現(xiàn)代農(nóng)業(yè)發(fā)展方式發(fā)生深刻變革。發(fā)展農(nóng)業(yè)人工智能，對我國來說既是挑戰(zhàn)也是機(jī)遇，要后來居上，趕超先進(jìn)技術(shù)，研制工作應(yīng)走引進(jìn)吸收、借智創(chuàng)新、超越提高的路線，以盡快形成順應(yīng)我國農(nóng)情的研究－創(chuàng)新－應(yīng)用體系，滿足農(nóng)業(yè)發(fā)展對農(nóng)情監(jiān)測、農(nóng)業(yè)數(shù)據(jù)分析、農(nóng)業(yè)裝備轉(zhuǎn)型升級、農(nóng)產(chǎn)品供銷鏈追蹤等的要求，提高農(nóng)業(yè)智能化水平，推動農(nóng)業(yè)現(xiàn)代化發(fā)展，在農(nóng)業(yè)人工智能方興未艾的藍(lán)圖中發(fā)揮“頭雁效應(yīng)”，為人類農(nóng)業(yè)智能化時代添磚加瓦。綜合上述分析，對我國農(nóng)業(yè)人工智能發(fā)展做出如下建議：

1)注重人工智能相關(guān)專業(yè)人才的培養(yǎng)與管理。推動科技發(fā)展的根本是人才。國內(nèi)農(nóng)林類高校要根據(jù)智慧農(nóng)業(yè)的發(fā)展趨勢進(jìn)行專業(yè)改革，以滿足未來智慧農(nóng)業(yè)產(chǎn)業(yè)對新型農(nóng)業(yè)科技人才的需求。此外，應(yīng)積極鼓勵支持企業(yè)培養(yǎng)既懂人工智能又有農(nóng)業(yè)背景的復(fù)合型人才，解決農(nóng)民的實(shí)際問題，為農(nóng)業(yè)領(lǐng)域推廣人工智能等新技術(shù)提供智力和人才支持。在科學(xué)研究和團(tuán)隊(duì)建設(shè)方面，鼓勵建立多學(xué)科交叉融合的研究團(tuán)隊(duì)。

2)推進(jìn)農(nóng)業(yè)人工智能發(fā)展的基礎(chǔ)設(shè)施建設(shè)。農(nóng)業(yè)人工智能的發(fā)展離不開海量數(shù)據(jù)積累以及網(wǎng)絡(luò)實(shí)時響應(yīng)。大田農(nóng)業(yè)基礎(chǔ)設(shè)施不夠完善，農(nóng)業(yè)數(shù)據(jù)獲取成本很高，極大地限制了機(jī)器學(xué)習(xí)在場景中應(yīng)用的廣度和深度。應(yīng)該注重推進(jìn)農(nóng)業(yè)物聯(lián)網(wǎng)和農(nóng)村5G基礎(chǔ)設(shè)施建設(shè)，提高智能農(nóng)業(yè)傳感器等基礎(chǔ)設(shè)備供給水平，建設(shè)農(nóng)業(yè)生產(chǎn)信息化和數(shù)字化工程，出臺農(nóng)業(yè)數(shù)據(jù)共享機(jī)制等，為人工智能農(nóng)業(yè)裝備的大規(guī)模應(yīng)用提供基礎(chǔ)和條件。

3)推進(jìn)農(nóng)業(yè)生產(chǎn)智能管控技術(shù)研發(fā)。推進(jìn)農(nóng)業(yè)生產(chǎn)智能感知、識別與作業(yè)決策模型的研發(fā)，針對農(nóng)業(yè)種植、養(yǎng)殖不同環(huán)境下的應(yīng)用場景，建立基于多源數(shù)據(jù)融合的農(nóng)業(yè)全過程決策支持方法，構(gòu)建田間作物、溫室、畜禽、水產(chǎn)等領(lǐng)域全產(chǎn)業(yè)鏈條的決策管理和智能控制模型，利用云－邊－端的架構(gòu)，實(shí)現(xiàn)基于數(shù)據(jù)驅(qū)動管理下的“農(nóng)業(yè)大腦”智能決策體系。

4)加強(qiáng)智能裝備和系統(tǒng)的研制。針對農(nóng)業(yè)生產(chǎn)需求，加快智能機(jī)器的普及步伐，提高資源利用率和農(nóng)業(yè)產(chǎn)出率，提高經(jīng)濟(jì)效益。培育我國優(yōu)勢智能農(nóng)機(jī)如農(nóng)業(yè)無人機(jī)，增強(qiáng)農(nóng)業(yè)與其他產(chǎn)業(yè)的跨界技術(shù)融合，迎接新一代信息技術(shù)，開啟創(chuàng)新模式，無縫整合人類智慧與機(jī)器智能，重新評估農(nóng)業(yè)未來，創(chuàng)造新商機(jī)。首先，研發(fā)專用型設(shè)備，應(yīng)考慮降低成本和提高適應(yīng)性，硬件方面，機(jī)器人和無人機(jī)等智能設(shè)備上的傳感器可根據(jù)實(shí)際情況增減，控制部分留置空余接口；軟件方面，支持二次開發(fā)及擴(kuò)展，為人機(jī)協(xié)同和多機(jī)協(xié)作提供良好平臺。其次，基于云－邊－端架構(gòu)搭建“農(nóng)業(yè)大腦”智能決策體系：云平臺提供存儲和計(jì)算服務(wù)，邊緣計(jì)算對物聯(lián)網(wǎng)端點(diǎn)上的機(jī)器人及其他設(shè)備實(shí)時動態(tài)管理，云邊協(xié)同給農(nóng)業(yè)機(jī)器人田間地頭的作業(yè)提供決策支持。最后，未來農(nóng)業(yè)機(jī)器人將承擔(dān)越來越多的作業(yè)任務(wù)，成為農(nóng)業(yè)生產(chǎn)中的關(guān)鍵組成部分。為此需要同時推動人工智能、物聯(lián)網(wǎng)、大數(shù)據(jù)、虛擬感知系統(tǒng)、多傳感器融合、人機(jī)交融等新技術(shù)的發(fā)展和應(yīng)用。