智能农业发展回顾及中国智能农业展望

智能农业发展回顾及中国智能农业展望
谢铮辉;郑倩;姚伟
【摘要】智能农业是人工智能技术在农业领域应用的新模式、新手段.本文介绍智能农业的内涵,回顾国内外智能农业发展的3个主要发展阶段,分析了中国智能农业发展存在的问题和面临的形势,提出了智能农业发展重点与发展建议,为促进国内智能农业发展提供参考.
【期刊名称】《热带农业科学》
【年(卷),期】2019(039)003
【总页数】9页(P125-133)
【关键词】人工智能;智能农业;应用
【作者】谢铮辉;郑倩;姚伟
【作者单位】中国热带农业科学院科技信息研究所海南海口571737;中国热带农业科学院科技信息研究所海南海口571737;中国热带农业科学院科技信息研究所海南海口571737
【正文语种】中文
【中图分类】S238
农业是我国主要的发展产业，农业转型升级背景下，开始由分散、粗放的发展方式向集约化、现代化转变，农业的生产结构也逐步从一产向一二三产业融合发展，协调发展，推动了农业现代化[1]。

但是，由于现代科技飞速发展，大量的新技术层
出不穷，农业的发展避免不了要融合和吸收新科技、新技术。

人工智能技术已经成为农业转型升级的核心驱动力量之一，智能农业将有效助力农业生产要素的合理分配、科学管理与经营。

人工智能技术通过对传统产业的渗透，加速农业的深度改造，改变传统的农业经营模式，最终与互联网融合，推动农业生产、农业的全产业链体系的紧密结合，提高了农业的生产效率[2]。

未来，要解决我国农业的发展瓶颈，
智能农业是可行、可靠的方法之一。

1 国内外智能农业发展历程
人工智能(Artificial intelligence，简称AI)指用计算机模拟或实现的智能。

人工智能是信息科学技术的一个重要分支。

人工智能学科围绕搜索与求解、学习与发现、知识与推理、发明与创造、感知与交流、记忆与联想、系统与建造、应用与工程等8个方面开展研究[3]，“表示、运算和搜索”是AI的3个最基本、最核心的技术。

人工智能能最大程度的实现机器的智能，并运用智能技术解决各种实际问题。

智能农业(Agricultural Intellectualized Information Technique，简称AIIT)是
通过农业专家系统指导整个农业生产，将人工智能技术应用于现代农业发展领域的高科技技术。

智能农业充分应用现代信息技术成果，集成应用计算机与网络技术、物联网技术、3S技术、无线通信技术、音视频技术及专家智慧，实现农业可视化
远程诊断、远程预警、远程控制等智能管理[4]。

现代农业的发展离不开以人工智能为代表的信息技术支持，农业生产的产前、产中、产后都有人工智能技术的影子。

人工智能推动了农业信息化、农业技术发展。

人工智能在农业应用的发展历程可以分为以下几个阶段：
第一阶段：初步发展期(20世纪70年代末至80年代末)
在该时期内，西方国家开始了农业信息化的研究。

农业专家系统在这个时期开始出现，并集成了地理信息系统、电子技术、信息网络、模型建立、模拟优化等技术，运用多种媒体技术开展农业生产管理和咨询，以科学的方式指导农户，提高了农作
物产量和品质[5]。

80年代中后期，专家系统、病虫害诊断开始由咨询服务转向分析决策、农产品销售管理。

日本在农业中更加注重人工智能技术的应用，开发了多种专家系统，如番茄栽培管理专家系统、温室作物栽培管理专家系统等。

同时期机器视觉技术开始应用在农业领域，取得了一定的成功。

1985年，Zayas
等通过图像分析种子的特性，并用图像处理与分析的方法来区分识别小麦品种。

Sarkar在西红柿的品质检测和分级中首次使用了模式识别技术与数字图像处理技术，取得了很好的效果，但是识别的速度有待提高。

第二阶段：高速发展期(20世纪90年代)
在该时期内，由于人工智能技术的发展快速，农业中使用人工智能技术的比例开始大幅增加，如美国哥伦比亚大学的梯田专家系统、日本温室专家控制系统、德国草地专家管理系统、埃及农业部的青瓜与橘子栽培管理专家系统。

同时一些基于计算机的专家系统开发平台出现，如CALEX SELECT、PALMS、PCYield、WHEATMAN等[6]。

这个阶段大量的机器视觉技术广泛应用于农业中，choi在番茄品质分级中采用了图像处理方式，moconnell通过对烘烤食品颜色的图像处理，识别烘烤食品的品质和质量。

同时期，中国在“863计划”的支持下，开展了智
能农业应用示范，全国研发多个农业系统开发平台，超过70个应用框架，涉及到种植业、畜牧业、水产业等多个领域[7]。

第三阶段：广泛应用期(新世纪之后)
新世纪之后，由于电子技术、信息技术的快速发展，智能农业技术能有效地解决劳动力人口不足的问题，得到了很多国家的重视。

因此，设施农业、设施园艺、农业精准种植技术快速发展，日本、美国、荷兰等国尝试采用机器人技术进行果蔬的采摘，降低了近50%的人工费用，效率却大大提升。

日本的Kondo人研制了番茄收获机器人，采用了机器视觉技术、传感器技术来寻找和识别成熟的番茄果实，成功率在70%左右。

Paula Tarrí o设计了一种在草莓采摘中运用效果较好的小型水果
机器人系统，该系统利用机器视觉技术能够准确识别温室中的成熟草莓，并将其采摘[8]。

南京工程学院袁新芳等运用图像处理方式、神经网络理论以及机器人技术
研究开发了采棉机器人样机，该机器能够区分成熟和未成熟的棉花，并自动采摘。

2 中国智能农业发展
中国的智能农业发展技术起步较晚，1980年开始，我国的农业领域专家开始关注国外农业发展的成功经验，自行研究了一系列农业专家系统，如施肥专家咨询系统、栽培管理专家系统等。

中科院合肥机械所是国内最早开展专家系统研究的单位，其研究的专家系统在小麦种植中发挥了重要的作用，在其推动下，国内陆续出现了作物育种、小麦病虫害预报、水稻施肥、家禽病害防控等一系列专家系统[9]。

1980～2000年，在国家“863”计划的推动下，农业专家系统取得了重大突破，使得我国基层农业技术人员迅速的掌握了农业信息技术，并且能根据自身的实际情况开展农业专家系统的开发和利用。

2000～2010年，随着计算机技术、电子技术、通信技术的发展，数字农业、精准农业的概念出现。

为了顺应智能农业发展潮流，中国农业大学成立精细农业研究中心，2000年初，北京市成立了北京农业信息技术研究中心，在这个期间内，国内的农业专家结合3S技术，开展了精准农业发展体系的研究，并初步形成了以变量施肥、精准灌溉、信息采集分析与决策系统为主的中国精准农业技术体系[10]。

在“十一五”期间，国家通过国家科技支撑计划、“863”计划，重点围绕了种养
殖环境信息采集分析技术、作物生长模型与仿真技术、农业数字化管理与智能控制技术、精准农业管理等共性技术展开了研究，并在农产品流通服务、农业综合信息集成与推广、农村信息服务体系方面开展了示范推广应用。

2010年至今，由于物联网技术以及AI技术的涌现，中国的农业信息技术进入了
以物联网技术为主要关键词，人工智能技术为主要探索方向的应用研究阶段。

与之前各个发展阶段不同的是，在这个时期内，在农业领域的研究不仅仅局限于农学专
业领域的专家了，更多从事计算机技术、通信技术的企业和专家学者开始涉及到农业信息技术的研究，农业企业也不再是传统型企业范畴。

特别是2009年“感知
中国”目标提出后，作为人工智能集成应用的工业物联网和无人机开始迅速发展，物联网、移动互联、大数据、云计算、3S技术开始深入融合，人工智能作为核心
技术承担优化、决策的任务。

这个时期，农业质量安全溯源、种养殖环境监测、无人化农机作业、大田精准种植、水肥一体化精准灌溉得到了突破发展[11]。

3 中国智能农业发展展望
我国的智能农业研究起步较晚，和农业发达国家相比投入不足，有较大差距。

目前，我国农业正处于转型升级过程中，与国外相比有自己独特的因素影响，例如地理环境复杂多变，农村土地分散割裂不集中；小农小户较多而且还维持较为初级的生产方式，生产效率低下，农业机械化程度很低，农业信息化装备薄弱，造成农业抵御自然灾害能力较弱；农民整体素质较差，国家在农业中的投入远远低于工业投入，造成较少科研人员涉及农业研究。

针对以上问题，我国智能农业发展要有规划，不能一蹴而就，应该从投入小、技术成熟的成果开展应用，从前期的人工手段、传统机械方式，逐步过渡到半自动化、自动化操作，从简单的农业环境监测，引进国外专业的专家系统，到集成3S技术，吸收优化研发适应中国环境的专家系统，再到研制智能监测与控制系统和智能农机化，最终利用人工智能和物联网融合技术，推动农业的转型升级。

同时，在人工智能技术快速发展的时期，智能农业要更加重视农业数据挖掘分析、典型农业专家管理决策支持系统、智能农业机器人、精准作业系统的发展，从而推动农业生产的集约化、规模化、精准化，确保各类农业生产要素的优化配置，从而提高农业生产力[12]。

3.1 农业数据分析挖掘应用
随着互联网技术、物联网技术、计算机技术的快速发展，农业生产、流通过程中产
生的数据呈爆炸式增长，这些数据类型不同、多元化、多源异构，由于数据的增长，包含的无价值的数据也相应增多。

人工智能技术在搜索与求解、学习与发现、知识与推理领域具有极大优势，能够快速从海量数据中，抽取关联、变化、异常、分布式数据[13]，并从中寻找科学的规律，并利用机器语言、深度学习、语言处理等技术分析挖掘数据(图1)，这些数据将被广泛应用于科学管理、精准监测与控制、农
业资源的优化配置、农业生产链的服务和开发、农业装备的运行和维护等方面。

图1 数据挖掘过程
3.1.1 农业育种数据挖掘
农作物育种涉及种质资源鉴定与创新、新基因发掘、育种技术、品种培育、种子生产及其产业化等。

国外很多大型农业公司意识到育种数据有巨大的利用价值。

因此，世界各国投入了大量的人力、物力、财力用于现代种业，并将其作为国家的重大战略部署。

随着生物学、信息学、制造技术的发展，基因组测序数据、转录组测序与分子标记数据、作物表型监测数据、大田数据和农业生产环境数据成为育种数据的关键和核心。

现代育种技术结合大数据系统、云平台构建品种信息库、核心种质数据库、重要性状基因功能与调控网络数据库、性状形成的生理生化数据库、分子标记信息库、生物信息学数据平台、生物统计分析平台等(图2)。

通过分析不同数据及数据库的特
点及其相应的关系，利用人工智能中的数据挖掘技术、深度学习技术，能够更加高效清晰明确地标示各个数据和数据库之间关联信息的影响及影响因子，从而建立关系数据库，建立育种选育模型[14]。

作物育种选育模型的最终建立，实现了育种的定向变异、精准目标选择，从而在众多丰富的品种资源库中挖掘更多、更适合、更优质的品种进行培育。

图2 育种数据库的建立
3.1.2 种植数据挖掘
农业生产与气象、气候、环境信息、土壤环境、水肥等因素有着密不可分的关系，每个环节都影响着整个生产过程，影响着农作物最终的产量。

通过数据挖掘的方式可以将作物生长过程中出现的病虫害、水肥、气象、土壤肥力等相应隐藏在数据背后的价值提取出来[15]。

常用的数据挖掘方法有聚类分析、决策树、关联规则、遗传算法、粗糙集等，通过这些方法可以开展面向精准种植的空间数据挖掘、面向精准种植的作物水肥数据挖掘、面向作物产量的数据挖掘等。

(1)空间数据挖掘空间数据主要指基于各类卫星图、地图、基础地理及其属性数据、专题地图等。

将空间数据挖掘技术应用于种植业中，将空间数据挖掘技术应用于
3S，从3S的空间数据库中分析处理信息，成为3S在农业应用中的主要趋势[16]。

3S数据库现在是空间数据库的主要构建形式，挖掘3S数据库中隐含的信息，以
遥感基础数据或者相关高分辨率图像数据，结合地面观测数据，开展农作物生长情况、种植面积、病害发生情况、农作物产量等进行分析验证、精确评价，并将挖掘的信息用于3S空间分析和趋势预测(图3)，使3S更具有智能化的功能。

(2)施肥数据挖掘由于作物与土壤及土壤养分密切相关，因此大量的科研人员对作物需肥及营养需求展开了大量的深入研究，但是由于土壤的环境变化大，不同区域土壤的营养物质不同，传统土壤养分统计采用野外采样，这样给实际应用带来很大的困难。

人工智能数据挖掘技术的发展，回归分析法、决策树、模糊综合判定法、聚类分析法相结合，并利用3S技术通过将不同空间及地理单元的数据及土壤理化数据、病害虫害、气象等数据进行叠加分析，辅助作物生长模型、作物营养模型，能更好地对耕地进行评价和科学施肥。

(3)作物产量数据挖掘农业生产中数据多且复杂，作物的产量常常受到施肥量、灌溉量等因子影响，同时外部环境因素列如气象因子、土壤有机质，无机盐氮磷钾等因子的影响，每一个因子的变化或多或少都决定了作物最终的产量[17]。

图3 空间数据库构建及数据挖掘
目前，多元回归法、时间序列算法主要依靠长时间内作物产量作为依据，因此该算法可以用于长时间作物产量趋势宏观预测。

由于没有将其它影响因子计算在内，时间序列算法不能准确预测产量。

神经网络算法结合机器深度学习算法，需要在海量数据样本下，才能得到较高精确的产量预测数据，在数据样本不够多且有效的情况下，耗时较多，算法无法完成学习过程，且不能得到最好的网络结构。

而多元回归法，因其可将多个影响因子作为分析的基本参数，且在数据样本较小的情况下，依然能够快速建模，得到的产量预测在偏差范围内，成为较常用的数据挖掘算法。

浙江理工大学杨凌雯等人，以1981～2020年数据作为样本数据建立了回归模型，
并以2011～2014年统计大田的有机质、碱解氮、有效磷、速效钾、年平均温度、年降水量、化肥使用量、灌溉水量等作为影响因子，开展建模进行了研究，并在多元回归算法的基础上开展了残差回归算法的研究，并得到了很好的预测效果。

(4)畜禽水产养殖数据挖掘在人工智能技术支持下的畜禽水产养殖，包含了养殖学、动物遗传育种学、营养学、饲料学、分子生物学、机械工程、信息工程学等多学科的交叉。

养殖场引入的各类先进传感器、智能机器人、无线传感器网络都为畜禽水产养殖积累了大量数据，这些数据能够从养殖个体、群体、养殖环境等多个方面全方位、实时、高频地采集各类养殖数据，通过支持向量机、模糊数据理论、关联数据分析，深度挖掘不同时期内养殖环境中个体营养与饲料配比以及投食量的内在联系[18]；在视频监控与图像处理技术的辅助下，能深度分析养殖个体在不同养殖环境中的生长情况、养殖个体与群体的生理情况(图4)。

大数据流计算、数据仓库和信息整合等数据挖掘技术，通过精准判定养殖个体和群体的健康状况、养殖环境状况、繁殖生育期最优养殖环境、饲料配比及精准投食，通过对养殖个体及群体的行为特征进行抽取、分类、聚类、预测、关联规则发现、统计分析及预警，开展智能化决策。

图4 畜禽水产养殖模型建立流程
3.2 基于机器视觉的农业病虫害识别应用
目前我国农业病虫害监测主要采用虫情灯监测、病虫害现场调查等方式，大部分数据需要通过人力方式采集，这种人力方式识别病虫害费时、费力。

随着技术的进步，物联网技术和人工智能技术逐步运用在农业中，图像识别技术、红外传感器监测、声音识别检测开始应用，基于机器视觉的图像处理技术由于其具有精确、智能化的特点现在成为研究热点。

机器视觉技术主要通过对目标图像的获取，并利用物理学、光学原理对目标进行测量和图像处理。

机器视觉系统主要由感知部分、图像处理与识别分析部分以及视觉系统控制系统组成[19]。

利用视觉系统将目标图像进行数字化处理，计算机在图像识别算法的支持下，对图像进行图像平滑、边缘锐化、特征提取等分析，再通过图像的变换、图像增强、图像复原、图像编码、图像理解和分析，实现机器视觉识别病虫害(图5)。

3.3 动物行为识别与分析应用
图6 养殖个体数据挖掘
动物的行为是指动物的行动、声音和身体姿势，动物行为识别与分析技术，主要通过视频、音频信息中抽取相关的特征信息，并用合适的方法进行表达。

并利用视频、音频信息通过图像处理技术，依靠可靠的算法，分类和聚类动物的行为并进行解释[20]。

通过动物行为分析能够建立动物个体、个体-个体、群体与环境之间的内在
联系，数据挖掘与分析技术的使用能够识别动物在环境中的异常行为，而异常行为的出现往往预示着动物的健康情况或者环境突变下的外在表现(图6)。

因此动物行
为的识别与分析能够及时发现动物的疾病以及环境的调控。

图5 机器视觉分析病虫害系统框架流程
3.3.1 音频识别
动物的声音能够直接反应其情绪状况、健康情况、发情情况。

音频识别一般可以通
过麦克风在室内或室外有针对性的对动物饥饿、呼吸道感染疾病、动物咀嚼、发情、不同情绪变化等典型动物行为声音进行采集，利用信号的放大、增益、消除噪声的预处理，对采集的信息进行声音特征分析并建模，获得音频识别表示基本标准数据。

通过提取动物声音信号的特点以及相应参数，并与参考数据库中的信号相比对，可以实时监控动物的生理健康和情绪健康，也可以实现动物智能化饲养监测。

3.3.2 机器识别
在畜牧家禽养殖领域，人工观察动物行为来判断畜禽的健康状况及生活舒适度需要管理人员有很强的专业知识，极大的限制了养殖业的发展和效率，随着计算机技术、图像处理技术等数据挖掘技术的发展，利用机器视觉识别的结果能更加客观科学。

机器视觉技术使用视频传感器件进行图像感知，自动获取和解释真实场景的图像，利用模式识别进行自动分类、聚类、分析处理、检测获取信息或过程(图7)，而且
在识别过程中不会影响到养殖个体，不会产生养殖个体的应激反应，是一种最有效、最科学的方法。

机器视觉采集图像方法的技术有一定难度，除了需要对动物行为进行精确建模外，还需要解决养殖目标识别与跟踪的问题，以及在海量视频数据中识别异常行为个体是需要重点解决的问题。

通过在摄像头获取养殖个体图像，通过识别养殖个体固定的标记，开展建模，运用相应算法来区别个体，实现个体的机器视觉跟踪和定位。

以图像像素变化情况为基础，利用图像提取、图像分割技术，并提取个体前景目标(图8)，分析养殖个体的行为[21]。

在基于机器视觉的养殖个体异常行为监测方面，通过在动物体表固定标识以辅助图像处理，建立了基于机器视觉的养殖个体异常行为监测。

3.4 农业机器人应用
图7 奶牛目标跟踪技术路线
农业机器人是一种利用不同程序软件控制，能够适应农业生产中不同作物及地理环
境变化的自动操作机械装置，它在功能、结构、效率方面比传统的农机装备有明显的优势，而且能够持续长时间运行，减少了人工作业疲劳，降低劳动强度，提高劳动生产效率。

根据用途和特点，农业机器人可以分为养殖管理机器人、采摘机器人、育种机器人、分拣机器人等，但是和大型农机装备相比，农业机器人的作业效率不高。

因此，人机协同合作模式的农业机器人是现在研究的热点。

图8 目标图像提取
3.4.1 基于机器视觉嫁接机器人
自动嫁接机器人是以机械构建为基础，以机器视觉技术为导向，通过软硬件的优化设计而成，自动嫁接关键技术体现在取苗、上苗、切削、嫁接等方面。

取苗机械装置、上苗机械装置、切削装置、嫁接苗结合装置都是研究和开发的重点。

取苗装置通过对步进电机脉冲的精准控制，实现电机运行的频率和快慢，从而使苗盘能够按照合适的速度运送；上苗机械装置安装图像采集系统，并利用机器视觉技术智能识别苗、叶的位置信息，机器手臂在图像处理技术的支持下，采用合适的角度及位置抓取砧木并开始嫁接[22]。

现有育苗嫁接的生产环节与机器人嫁接标准要求不匹配，制约了嫁接机器人的发展，需要从生产模式、嫁接标准化作业、结构化作业突破。

未来需要在种苗生长特性、柔性末端执行器和控制系统等方面开展研究探索，优化集成机电一体化、机器视觉、多传感器的融合技术，开发低成本、可靠性高及实用性强的嫁接机器人。

3.4.2 采摘机器人
采摘机器人是农业智能装备研究领域的前沿热点，其主要的关键技术是在作业环境复杂多变、采摘目标无损操作情况下的目标信息采集；以及不同目标生物体形态、尺寸各异环境下，农业机器人柔性手臂的抓取、夹持、吸附的操作。

国内外的采摘机器人主要由移动平台、升降平台、机械臂、采摘执行器、目标识别及控制单元组成[23]。

其中，机械臂模拟人采摘过程中腰、肩、肘、腕部关节的运动轨迹建立运。