周長建, 宋 佳, 向文勝*,,3

(1. 東北農(nóng)業(yè)大學 生命科學學院，哈爾濱 150030；2. 東北農(nóng)業(yè)大學 高性能計算與人工智能實驗室，哈爾濱 150030；3. 中國農(nóng)業(yè)科學院 植物保護研究所，植物病蟲害生物學國家重點實驗室，北京 100193)

20 世紀70 年代，歐美國家首次提出早期的精準施藥概念，其主要原理是在識別并定位作物病蟲草害的基礎(chǔ)上，根據(jù)病蟲草害的類別及發(fā)生的嚴重程度，通過傳感器技術(shù)定位噴霧靶點，利用決策系統(tǒng)計算并制定噴霧策略，采取非均勻、離散化的方案以實現(xiàn)按需施藥[1]。精準施藥的目的是在保障施藥效果的基礎(chǔ)上，最大限度地降低農(nóng)藥用量和減少農(nóng)藥污染[2]。人工智能是研究、模擬、開發(fā)用于延伸和擴展人類智能的理論、方法、技術(shù)及應用的技術(shù)科學[3]。近年來，隨著人工智能技術(shù)的廣泛應用，研究人員開始探索將人工智能技術(shù)應用于農(nóng)業(yè)領(lǐng)域，并陸續(xù)提出了智慧農(nóng)業(yè)、精準農(nóng)業(yè)等概念。精準施藥技術(shù)則是精準農(nóng)業(yè)領(lǐng)域的重要組成部分[4-5]。如圖1 所示，人工智能在精準施藥中的應用主要包括施藥器械和施藥技術(shù)兩個關(guān)鍵技術(shù)領(lǐng)域。施藥器械是精準施藥的載體和手段，而施藥技術(shù)需要依賴施藥器械實現(xiàn)。施藥技術(shù)是精準施藥的主要實施途徑，包括作物信息獲取、精準配藥技術(shù)、噴頭控制技術(shù)、霧滴飄移控制和霧滴沉淀控制等。目前鮮有針對人工智能技術(shù)在農(nóng)藥精準施藥領(lǐng)域應用相關(guān)的綜述，為此，本文從施藥器械和施藥技術(shù)兩個關(guān)鍵技術(shù)領(lǐng)域分析人工智能在農(nóng)藥精準施藥中的應用進展，并對其應用前景進行展望，旨在為人工智能在農(nóng)藥精準施藥領(lǐng)域相關(guān)研究提供理論依據(jù)和實踐參考。

圖1 精準施藥關(guān)鍵技術(shù)Fig. 1 Key techniques in precision pesticide application

1 施藥器械

施藥器械主要分為地面施藥器械和植保無人飛機 (plant protection unmanned aerial vehicle, 以下簡稱UAV) 兩種類別。人工智能技術(shù)在施藥器械中的自動噴霧、自動導航和避障等技術(shù)中發(fā)揮著重要的作用。本節(jié)著重分析人工智能在大田和果園環(huán)境下施藥器械中的應用進展。

1.1 人工智能在地面施藥器械中的應用

隨著智能技術(shù)的發(fā)展，從早期的背負式手動噴霧器到現(xiàn)在的自走式噴藥機器人和植保噴霧無人飛機，人工智能在施藥過程中對實現(xiàn)人、機、藥的分離起著重要作用。21 世紀初期，我國就出現(xiàn)了自走式高地隙噴桿自動噴霧機[6]，利用計算機視覺、微控制技術(shù)實現(xiàn)了自動導航噴霧[7]；陳魁[8]設計了一種利用超聲波傳感器在丘陵山地果園自動探測果樹位置的噴霧機。李進海等[9]研發(fā)了一種基于三維軟體模擬的溫室自動噴霧機。地面無人機有著負載大、受風場干擾因素小等優(yōu)點，使其在平坦地面、植株干擾性小的環(huán)境下得到廣泛應用，但由于其在復雜地面環(huán)境下操作性、避障等環(huán)節(jié)存在一定的困難，使其在復雜環(huán)境下應用效果大打折扣。

1.2 人工智能在UAV 中的應用

低空UAV 在地面器械難以作業(yè)的區(qū)域發(fā)揮出其極大的優(yōu)勢，人工智能促使UAV 及工作部件在路徑規(guī)劃、避障與工作參數(shù)智能化調(diào)控等關(guān)鍵技術(shù)的性能進一步提升。王宇等[10]提出一種改進蟻群算法的UAV 路徑規(guī)劃方法，該方法比傳統(tǒng)貪心算法路徑總長度縮短3%～28%。閔潔等[11]提出了一種基于遺傳算法優(yōu)化Dubins 的避障路徑規(guī)劃算法，通過模糊算法估算外界干擾，設計滑膜濾波器避免重噴或漏噴的問題。Chai 等[12]設計了一種在復雜環(huán)境下的UAV 多策略融合差分進化算法(MSFDE)，該方法綜合了多種群策略、自適應策略和交互變異策略以平衡開發(fā)和探索能力。Vasanthan等[13]提出了一種基于監(jiān)督學習和數(shù)字孿生的路徑規(guī)劃方法，利用基于超參數(shù)調(diào)整的梯度Boosting回歸模型與數(shù)字雙星相結(jié)合的方法生成足夠的訓練數(shù)據(jù)，并引入場景模擬，取得了不錯效果。合理的路徑規(guī)劃需要考慮地形、風向、續(xù)航等因素，人工智能促進了路徑規(guī)劃在精準施藥領(lǐng)域的應用，克服了許多傳統(tǒng)規(guī)劃算法的不足，使路徑規(guī)劃更加智能。然而，現(xiàn)有算法大多以早期的人工智能技術(shù)如蟻群算法和遺傳優(yōu)化算法為主。相對于人工智能應用的其他領(lǐng)域，路徑規(guī)劃算法存在樣本難以獲取、學習滯后等問題，使其難以滿足農(nóng)藥精準施藥路徑規(guī)劃實時性要求。UAV 在施藥過程中，既要避開固定的障礙物，也要實時監(jiān)測可能影響飛行安全的行人、飛鳥等。目前多數(shù)UAV 作業(yè)時需要人工遙控，過度依賴飛手的個人經(jīng)驗，一旦超出視野范圍極易發(fā)生事故。因此，設計自主避障無人機使精準施藥作業(yè)更加智能化，人工智能為無人機避障提供了可行的解決方案[14]。劉立臣[15]設計了一種基于毫米波雷達和雙目視覺相結(jié)合的多尺度多旋翼UAV 避障技術(shù)，該技術(shù)首先通過雷達預警障礙物，然后通過雙目視覺技術(shù)識別障礙物，并形成局部路徑導航，避開障礙物后回到原預設航線。Liu 等[16]提出了一種多障礙區(qū)域避障算法，該算法結(jié)合航向、噴口、作業(yè)區(qū)和障礙區(qū)信息計算噴灑區(qū)內(nèi)部路徑，采用光線法避開障礙區(qū)。一般而言，無人機避障需要解決以下3 個問題：飛行穩(wěn)定性、精準識別并定位障礙物以及預定軌跡恢復[17]。傳統(tǒng)的避障主要依靠超聲波感知障礙物，但在精準識別與定位障礙物技術(shù)上還有一定的提升空間。

1.3 應用分析

隨著傳感器、物聯(lián)網(wǎng)和自動控制技術(shù)在施藥器械中的普遍應用，大量基于施藥器械的自動化和半自動化控制技術(shù)被提出，但由于在實際施藥過程中會受到諸如地形、風速、移動速度、計算效率等因素的影響，使得實驗室中設計的模型在生產(chǎn)實踐中難以轉(zhuǎn)化為生產(chǎn)力。在施藥器械方面，由于地面施藥器械無法適應復雜地形，而UAV 又存在負載和續(xù)航等問題，因此天-地-空一體化協(xié)同工作將是未來復雜環(huán)境下實現(xiàn)精準施藥的發(fā)展趨勢。在路徑規(guī)劃與避障方面，受限于機器學習模型訓練樣本不足，導致難以訓練出強大的路徑規(guī)劃與避障模型。隨著小樣本機器學習的發(fā)展，模型的特征表達能力逐步提升，這種局限性將會逐步得到解決。另外，自監(jiān)督學習和數(shù)字孿生技術(shù)在一定程度上解決了訓練樣本不足的問題，會成為解決人工智能技術(shù)在路徑規(guī)劃與避障訓練過程中樣本不足問題的一種有效方法。

2 施藥技術(shù)

施藥技術(shù)是通過獲取作物信息計算施藥方案、規(guī)劃合理的施藥路徑，引導施藥器械到達施藥區(qū)域，利用靶標識別技術(shù)、噴頭控制技術(shù)實施噴藥操作。在噴藥過程中根據(jù)周圍環(huán)境和作物信息進行霧滴飄移和藥液沉積控制，既要達到理想的施藥效果，又要保護生態(tài)環(huán)境。本節(jié)分析人工智能在施藥技術(shù)關(guān)鍵階段發(fā)揮的作用及應用進展，并探索人工智能在施藥技術(shù)相關(guān)研究存在的問題及發(fā)展方向。

2.1 作物信息獲取技術(shù)

作物信息獲取是精準施藥的基礎(chǔ)和重要環(huán)節(jié)，精準檢測施藥區(qū)域及病蟲草害嚴重程度，可為下一步施藥提供數(shù)據(jù)支撐。本節(jié)簡述人工智能技術(shù)在作物表型信息獲取、冠層信息獲取、病蟲草害嚴重程度分析、靶標識別等作物信息獲取關(guān)鍵技術(shù)研究進展及趨勢。

2.1.1 作物表型信息獲取 植物表型是指植物內(nèi)在的組織、細胞和結(jié)構(gòu)及相應的生化特征[18]。在精準施藥領(lǐng)域，作物表型信息獲取主要指作物的病蟲草害識別，人工智能在作物表型病蟲草害識別技術(shù)中得到較為廣泛的應用。目前的作物病蟲草害識別方法主要有傳統(tǒng)機器學習方法、深度學習方法和兩者相結(jié)合的方法等[19]。傳統(tǒng)機器學習方法具備對計算資源要求低、魯棒性強、計算速度快等優(yōu)點，使其在相當長的一段時間內(nèi)成為主流的機器學習方法。Xiao 等[20]采用支持向量機和前饋神經(jīng)網(wǎng)絡對水稻表型病害識別。Neelakantan[21]設計了一種有監(jiān)督的機器學習方法，利用隨機森林、支持向量機、K-近鄰、人工神經(jīng)網(wǎng)絡等設計了一種作物表型識別算法。深度學習技術(shù)無需人工提取作物病蟲草害特征，只需足夠多的訓練數(shù)據(jù)就能達到理想的分類效果。近年來，深度學習在作物病蟲草害識別領(lǐng)域有著廣泛的應用。Too 等[22]設計了一種由多種深度學習相結(jié)合的作物表型識別方法，比如VGG-16、DenseNet、ResNet-50、Inception-4 等。Jiang 等[23]設計了一種基于遷移學習的VGG-16 深度學習模型識別小麥和水稻表型信息。傳統(tǒng)機器學習方法和深度學習方法各自在不同的應用領(lǐng)域有著一定的優(yōu)勢，傳統(tǒng)機器學習方法具有魯棒性強、計算效率高的特點，而深度學習技術(shù)能夠在海量圖像中自動提取特征，具有無與倫比的優(yōu)勢。Sethy 等[24]設計了一種結(jié)合二者優(yōu)勢的模型取得不錯的效果。此外，利用目標檢測算法檢測作物表型應用較為廣泛，盧偉等[25]設計了一種基于YOLOv3 檢測模型的玉米根系表型信息獲取方法。申志超[26]研究基于YOLO 的遷移學習的顆粒狀農(nóng)作物檢測方法，可以有效提升檢測效率和減少資源占用率。

2.1.2 作物冠層信息獲取 人工智能的發(fā)展提升了農(nóng)作物及果樹冠層信息采集的準確性和效率，由于冠層信息采集一般需要較高的分辨率，傳統(tǒng)攝像頭基于可見光的采集方法難以達到精度要求[27]。目前較為普遍使用的方法有激光雷達和光譜信息采集法，楊洲等[28]采用毫米波雷達，李鵬[29]采用二維激光傳感器獲取果樹冠層信息用于測算果樹冠層體積。孫娜[30]利用三維全景激光掃描儀和點云配準技術(shù)獲取農(nóng)田高通量玉米冠層信息。姜紅花等[31]利用超聲波傳感器與激光傳感器獲取冠層信息點云圖，能夠準確獲取植株的行距和株高等典型表型信息，為后期用藥量計算提供參考。但激光雷達方法有難以獲取冠層重疊、分辨率低、測量誤差大等缺點，一般需要結(jié)合光譜信息才能達到理想的效果。視覺計算技術(shù)的發(fā)展使得高光譜構(gòu)建作物冠層模型成為可能，光譜成像融合了計算機視覺技術(shù)和光譜學信息，可以從多尺度獲取作物病蟲草害的視覺特征，進一步提升光譜特征對作物冠層特征的表達能力[32]。王磊[33]使用無人機和Hyperion 衛(wèi)星高光譜數(shù)據(jù)獲取草地植被參數(shù)信息，得到草地物種豐度估算結(jié)果，具有一定的創(chuàng)新性。針對高光譜數(shù)據(jù)采集過程中遇到的風場問題，也有研究提出了風場與作物植被指數(shù)模型，為光譜數(shù)據(jù)采集提供了解決方案，旨在獲取精準的農(nóng)作物精準冠層光譜數(shù)據(jù)[34]。Nutter 等[35]利用遙感和地理信息系統(tǒng)相結(jié)合的方法檢測大豆胞囊線蟲病，通過獲取到的衛(wèi)星遙感圖像，再利用GIS 軟件生成大豆胞囊線蟲種群密度圖譜，計算每個地理空間的受害位置，從而預測大豆產(chǎn)量和質(zhì)量。張向君[36]設計了一種基于YOLOv4 的楊梅樹冠層檢測模型，驗證了該方法的實用性和有效性。

2.1.3 病蟲草害嚴重程度分析 作物病蟲草害嚴重程度是決定用藥劑量的關(guān)鍵指標，精準施藥技術(shù)不但要區(qū)分用藥類別，也要根據(jù)病蟲草害嚴重程度計算用藥量，以做到按需施藥。傳統(tǒng)的病蟲草害嚴重程度分析往往依據(jù)植保專家個人經(jīng)驗做出判斷后給出單位種植面積用藥量，施藥人員難以根據(jù)不同病蟲草害嚴重程度實時調(diào)整用藥方案。近年來，人工智能技術(shù)在作物病蟲草害嚴重程度分析中發(fā)揮著越來越重要的作用。劉佳等[37]利用高光譜信息建立了作物病害程度評估模型，該模型以監(jiān)測指數(shù)作為變量，結(jié)合反演系數(shù)建立線性函數(shù)，用于評估病害的嚴重程度。劉洋[38]提出了基于手機端的作物病害嚴重程度分析方法，利用語義分割方法分割葉片及受害區(qū)域，通過計算兩個區(qū)域面積的比值來估計嚴重程度。韓新立[39]提出了基于ImageJ 的總感染面積和總?cè)~片面積的作物病害嚴重程度估算方法。黃雙萍等[40]提出了一種基于高光譜成像的水稻穗瘟病程度分級模型，利用光譜詞袋法分析稻穗光譜圖像來預測病害等級，實驗選取了170 株稻穗樣本，通過在測試集上驗證，識別準確率為94.72%，高于傳統(tǒng)的預測方法。Wspanialy 等[41]提出了一種依據(jù)平均葉片面積和受害面積比值的嚴重程度估計模型，在Plantvillage 數(shù)據(jù)集上進行驗證，取得了不錯效果。

2.1.4 靶標識別研究進展 施藥技術(shù)中的靶標，廣義上既包括作物冠層信息(大田、果樹冠層形態(tài)與密度等)，也包括病蟲草害具體施藥靶點。本文將作物表型和冠層信息以及靶標識別分開論述，既狹義的靶標。其中前期的作物冠層、表型信息獲取為病害嚴重程度分析提供數(shù)據(jù)支撐，并生成精準施藥處方圖，隨后在施藥作業(yè)的時候根據(jù)處方圖進行靶標識別與施藥作業(yè)。靶標識別是精準施藥的落腳點，識別的精度和效率對噴霧效果有較大影響[42]。目前，大田變量噴桿噴霧機中采用超聲波、PLC 或激光測距傳感器，通過采集噴桿與作物冠層的距離進行靶標識別，從而消除壟溝對噴霧效果的影響[43-45]。但這種方法無法探測到作物病害狀態(tài)，人工智能在理論上可以提供有效的解決方案。趙棟杰等[46]提出了一種基于圖像矩的靶標識別方案，利用圖像矩視覺跟蹤算法進行對靶噴霧，取得不錯效果。王林惠等[47]事先利用計算機視覺技術(shù)監(jiān)測作業(yè)區(qū)域，根據(jù)識別結(jié)果控制攝像頭實現(xiàn)靶標識別。人工智能模型可以根據(jù)訓練數(shù)據(jù)、結(jié)合多傳感器設計變量噴霧決策系統(tǒng)，自動實時探測到作業(yè)區(qū)域。目前已有基于人工神經(jīng)網(wǎng)絡的PID-PWM 智能變量噴霧系統(tǒng)被設計出來，實驗環(huán)境下可以自動識別靶點目標[48]。受限于圖像芯片處理速度、網(wǎng)絡延遲等影響，人工智能技術(shù)對靶標識別準確率面臨挑戰(zhàn)，在實際應用中需要綜合考慮環(huán)境和設備因素，利用機器視覺技術(shù)設計噴霧時延估計模型，對提升噴霧精準性起積極作用[49]。

2.2 精準配藥技術(shù)應用進展

農(nóng)藥精準配藥根據(jù)獲取到的作物信息實時調(diào)整配藥方案和用藥劑量，結(jié)合霧滴飄移、靶點控制等技術(shù)，達到精準施藥的目的。精準配藥技術(shù)主要包括藥物選擇系統(tǒng)、混藥系統(tǒng)、過濾和清洗系統(tǒng)等。由于配藥技術(shù)指標要求較為嚴格，目前大多依賴植保專家手動配藥。人工智能在精準配藥技術(shù)中的應用尚處于根據(jù)已知的作物病害和嚴重程度通過藥物選擇系統(tǒng)和混藥系統(tǒng)的初級配藥階段。隨著高精度傳感器、機器學習與物聯(lián)網(wǎng)技術(shù)的發(fā)展，未來結(jié)合多傳感器和智能信息處理的全自動實時調(diào)節(jié)精準配藥將會成為現(xiàn)實。

2.3 噴頭控制技術(shù)應用進展

在精準施藥過程中，噴頭控制技術(shù)主要包括變量噴藥控制、方位控制及多噴頭協(xié)同控制等?；谌斯ぶ悄艿膰婎^控制系統(tǒng)可以根據(jù)施藥方案及時調(diào)節(jié)噴頭流量和方位。影響噴頭控制的主要因素有噴頭磨損與噴藥高度、噴霧壓力和植保器械前進速度等。郭愛靜[50]根據(jù)這4 項因素設計了噴藥系統(tǒng)控制模型，具有良好的跟蹤控制性能。戢冰[51]設計了一套基于ARM 的套變量噴藥控制系統(tǒng)，其試驗效果可以滿足作業(yè)要求。張菡[52]根據(jù)水稻的病害等級設計了一套變量噴藥控制系統(tǒng)，通過蠕動泵調(diào)節(jié)流量可使其適合無人機噴灑作業(yè)。在噴霧作業(yè)過程中，往往需要采用多噴頭協(xié)同工作以提升工作效率。包佳林[53]設計了一套多噴頭變量噴藥控制系統(tǒng)，可以實時調(diào)度不同噴頭協(xié)同工作，以完成變量噴藥任務。

2.4 霧滴飄移控制技術(shù)進展

霧滴飄移是衡量噴霧質(zhì)量的重要指標，指在施藥過程中霧滴沒有落在靶標區(qū)域的現(xiàn)象，該現(xiàn)象是導致農(nóng)藥污染的主要因素之一。霧滴飄移控制受氣流場影響較大，人工智能技術(shù)可以模擬氣流場自動調(diào)節(jié)輔助氣流來減少霧滴飄移現(xiàn)象。李宏澤[54]詳細分析了多旋翼UAV 在復雜環(huán)境下的作業(yè)參數(shù)，利用流體力學建立了霧滴飄移模型，實現(xiàn)了對霧滴飄移的控制。朱曉文[55]分析了果園風送式噴霧機的噴藥參數(shù)，根據(jù)車速和距離等設計了基于多傳感器的風場飄移模型，實現(xiàn)了精準對靶噴霧。賈衛(wèi)東等[56]設計了風幕式噴桿噴霧飄移距離計算模型，可以實現(xiàn)在風幕環(huán)境下的正常噴霧作業(yè)。一般影響霧滴飄移的主要因素有風速、噴霧壓力和靶標距離等[57]，利用人工智能和物聯(lián)網(wǎng)技術(shù)，建立基于關(guān)鍵因素的自動霧滴飄移控制模型尤為關(guān)鍵。

2.5 霧滴沉積控制技術(shù)進展

霧滴沉積分布是衡量藥液噴施效果的重要指標之一，目前最常用的霧滴沉積分布方法依然是早期使用的霧滴卡或葉片洗脫等人工檢測方法[58]，這種方法不僅效率低下，還對人力成本要求較高。近年來出現(xiàn)了基于機器學習和圖像處理技術(shù)的霧滴沉積分布檢測模型。劉思瑤[59]開發(fā)了一種基于水敏試紙的機器視覺霧滴沉淀質(zhì)量檢測方法，其效果與人工檢測方法相近。Brandoli 等[60]設計了一種基于圖像處理技術(shù)的智能霧滴沉淀質(zhì)量檢測終端，取得了不錯的效果。但這些方法前期需要做一些復雜的圖像預處理工作，如去除圖像背景、調(diào)整畸變等，尚未達到高度智能化的程度。

2.6 人工智能在施藥技術(shù)中的應用分析

近年來，傳統(tǒng)農(nóng)業(yè)向數(shù)字化、智能化轉(zhuǎn)型進度加快，常規(guī)機械化生產(chǎn)與人工智能技術(shù)融合程度逐步加深，精準施藥技術(shù)在人工智能技術(shù)的輔助下取得了突破性的進展。在作物信息獲取方面，人工智能技術(shù)擴寬了信息獲取渠道，提升了計算效率和精度，也為病蟲草害嚴重程度評估提供了可靠的數(shù)據(jù)支撐。但若廣泛應用尚需克服以下幾個問題：1) 識別精度難以達到精準施藥要求。目前已公開的作物信息獲取機器學習模型大多基于實驗室環(huán)境下采集的數(shù)據(jù)集設計，而實際種植環(huán)境中受到光照、天氣等因素影響，該模型往往在實際應用中的檢測精度難以達到理想的效果，基于實際種植環(huán)境下數(shù)據(jù)集的作物信息獲取模型會成為解決這一問題的途徑之一。在實際種植環(huán)境下，采集海量數(shù)據(jù)需要耗費大量的人力成本，并且需要植物保護專家對每一條收集的數(shù)據(jù)進行標注，進一步加大了深度學習模型訓練難度。而無監(jiān)督深度學習方法或小樣本機器學習可以有效解決數(shù)據(jù)采集和標注的難題，成為一種可能的解決方案。2) 缺乏以植株為單位的受害嚴重程度估計模型。精準施藥技術(shù)往往以網(wǎng)格化單位面積為施藥單位，目前多數(shù)公開的成果是以葉片受災面積來估算嚴重程度。采用施藥機械如果根據(jù)不同的葉片進行施藥，雖然這種方法盡管在理論上具有一定的可行性，但計算每個葉片和受感染區(qū)域的面積是一項巨大的工作，同時對計算資源要求極高，在實際應用中難以達到可接受的計算效率。因此，建立以網(wǎng)格化面積為單位的作物病蟲草害嚴重程度估算模型非常有必要。隨著低空遙感技術(shù)的發(fā)展，分辨率和精度越來越高，建立基于光譜信息的病害嚴重程度估計模型可以為精準施藥技術(shù)的發(fā)展提供數(shù)據(jù)支撐。3) 對計算資源需求較高。由于作業(yè)面積大，需要采集高分辨率圖像數(shù)據(jù)并輸入到機器學習模型進行訓練，施藥機械在作業(yè)過程中需要實時計算作業(yè)路徑，精準檢測到病害區(qū)域，這就需要大量的計算資源。而現(xiàn)有的機器學習模型訓練時長難以達到實時作業(yè)要求，進一步限制了人工智能在精準施藥領(lǐng)域的發(fā)展。在噴頭控制方面，人工智能在變量噴藥控制系統(tǒng)雖然有一定的應用，但大多是基于處方圖的變量噴藥，距離實時調(diào)節(jié)用藥量尚有一定的距離，加之霧滴飄移控制受外界環(huán)境影響較大，進一步加大了控制難度。隨著智能裝備技術(shù)的發(fā)展，未來基于實際種植環(huán)境下的可實時調(diào)節(jié)霧滴飄移控制將會是一個可能的發(fā)展方向。霧滴沉積控制技術(shù)智能化程度較低，更多的應用成果集中在智能控制系統(tǒng)范疇，受限于計算效率和訓練數(shù)據(jù)等因素，基于機器學習和計算機視覺的靶標識別等模型難以達到生產(chǎn)實踐作業(yè)標準。計算機視覺與深度學習技術(shù)的發(fā)展使得訓練基于復雜背景的霧滴沉積分布模型成為現(xiàn)實，助力開發(fā)適用于田間作業(yè)環(huán)境的實時霧滴沉積分布檢測模型，以符合未來精準施藥中霧滴沉積實時檢測的要求。

隨著人工智能技術(shù)的發(fā)展和計算能力的提升，會有更多基于真實種植環(huán)境下輕量級的作物病蟲草害識別模型會不斷被提出，計算資源與模型計算量之間的鴻溝會越來越小。近年來，智能農(nóng)業(yè)裝備相關(guān)學科的不斷發(fā)展和融合，融合計算機視覺和多傳感器技術(shù)的噴頭控制、霧滴飄移控制和霧滴沉積控制系統(tǒng)性能會逐漸提升，以及邊緣計算、視覺Transformer 等新模型不斷提出，融合結(jié)合超聲波、激光紅外、機器視覺和GIS 技術(shù)等多模態(tài)的集成方案將會成為未來精準施藥領(lǐng)域的主要研究方向之一。

3 討論與展望

國家“十四五”綱要提出加快數(shù)字社會的發(fā)展，而精準農(nóng)業(yè)作為數(shù)字社會的重要組成部分，成為未來5 年重點發(fā)展的領(lǐng)域之一。隨著無線傳感器網(wǎng)絡、人工智能以及UAU 技術(shù)的改進，為精準農(nóng)業(yè)帶來更加廣泛的應用前景，如作物生長態(tài)勢感知、病蟲草害預測以及精準施藥技術(shù)等。精準施藥技術(shù)作為精準農(nóng)業(yè)的一個重要實現(xiàn)途徑，相關(guān)成果逐漸在生產(chǎn)實踐中得到應用，但距離大規(guī)模應用還需要克服技術(shù)手段和管理水平等問題的約束。

隨著人工智能技術(shù)的發(fā)展和處理器計算速度加快，越來越多的高通量、輕量級的基于實際種植環(huán)境的作物病害識別、監(jiān)測與定位模型會被研發(fā)出來。與無線傳感器、物聯(lián)網(wǎng)、“3S”等技術(shù)集成在精準施藥控制器中，為施藥技術(shù)提供可靠數(shù)據(jù)支撐。低空遙感和計算機視覺技術(shù)的發(fā)展也促進了光譜圖像與可見光特征融合，充分發(fā)揮光譜特征信息和可見光的特征表達能力，使作物病蟲草害嚴重程度分析更加精確，保障可變噴霧技術(shù)的順利實施。人工智能會使UAV 擺脫傳統(tǒng)人工遙控的方式，朝著越來越智能化、精準化方向發(fā)展，使精準路徑規(guī)劃與避障等問題得到進一步優(yōu)化。霧滴飄移和沉積控制技術(shù)受到噴霧壓力、自然環(huán)境、氣流場等因素影響，未來會有集成視覺傳感器、距離傳感器、周圍環(huán)境傳感器等高度集成的噴霧控制系統(tǒng)被設計出來，可以根據(jù)周圍環(huán)境自動調(diào)節(jié)參數(shù)，實現(xiàn)輕量型、可靠性強、環(huán)境自適應型噴霧作業(yè)?？傊珳适┧幖夹g(shù)是一項宏大而又復雜的系統(tǒng)性工程，從頂層設計并出臺相關(guān)標準、精準施藥評價體系，到每個系統(tǒng)部件研發(fā)與融合，都需要大量研發(fā)人員和管理人員共同努力。借助人工智能技術(shù)發(fā)展的機遇，大力研發(fā)精準施藥技術(shù)，促進我國農(nóng)業(yè)向智能化和數(shù)字化轉(zhuǎn)型升級。

謹以此文慶賀中國農(nóng)業(yè)大學農(nóng)藥學科成立70 周年。

Dedicated to the 70th Anniversary of Pesticide Science in China Agricultural University.

作者簡介：

周長建，男，博士研究生，高級工程師，東北農(nóng)業(yè)大學高性能計算平臺負責人。2012 年畢業(yè)于哈爾濱工程大學計算機軟件與理論專業(yè)，獲工學碩士學位，同年進入東北農(nóng)業(yè)大學工作，歷任助理工程師、工程師、高級工程師。2021 年起在東北農(nóng)業(yè)大學讀博士學位，主要從事人工智能技術(shù)在微生物藥物創(chuàng)制中的應用研究等工作。近年來以第一作者或通訊作者在SCI/EI 來源期刊上表學術(shù)論文10 余篇，以第一發(fā)明人獲授權(quán)發(fā)明專利2 項，登記軟件著作權(quán)10 余項。

向文勝，男，博士，二級教授，東北農(nóng)業(yè)大學博士生導師，中國農(nóng)業(yè)科學院植物保護研究所天然產(chǎn)物農(nóng)藥首席科學家。獲國家杰出青年基金、長江學者特聘教授、國家“萬人計劃”、國家“百千萬人才工程”有突出貢獻中青年專家、科技部“中青年科技創(chuàng)新領(lǐng)軍人才”、農(nóng)業(yè)部農(nóng)業(yè)科研杰出人才及創(chuàng)新團隊、教育部新世紀優(yōu)秀人才、龍江學者特聘教授、黑龍江省杰出青年基金、黑龍江省首批長江學者后備人才、黑龍江省微生物學科領(lǐng)軍人才，入選全國優(yōu)秀科技工作者，享國務院特殊津貼。2019 年獲“全國模范教師”，2020 年獲全國先進工作者。主要就農(nóng)業(yè)微生物天然產(chǎn)物的發(fā)現(xiàn)和分子作用機理、生物合成調(diào)控及產(chǎn)業(yè)化的科學與技術(shù)問題進行創(chuàng)新性研究。實現(xiàn)4 個篩選新微生物的發(fā)酵和半合成7 個產(chǎn)品產(chǎn)業(yè)化，獲得8 個中國新藥證書，多個農(nóng)業(yè)功能活體微生物轉(zhuǎn)讓多家公司。以第一作者或通訊作者在Nature Biotechnology、Current Opinion in Biotechnology、Organic Letters、Science China(Life Sciences)、中國科學等期刊發(fā)表論文280 余篇。2015 年以第一完成人獲得國家科技發(fā)明二等獎。分別于2021、2018、2014 和2011 年以第一完成人獲黑龍江省科技發(fā)明一等獎4 項。