機(jī)器學(xué)習(xí)在無人農(nóng)場中的應(yīng)用現(xiàn)狀與展望*

王寶聚，蘭玉彬，陳蒙蒙，柳寶虎，王國賓，劉海濤

(1. 山東理工大學(xué)農(nóng)業(yè)工程與食品科學(xué)學(xué)院，山東淄博，255000； 2. 國家精準(zhǔn)農(nóng)業(yè)航空施藥技術(shù)國際聯(lián)合研究中心山東理工大學(xué)分中心，山東淄博，255000； 3. 山東理工大學(xué)電氣與電子工程學(xué)院，山東淄博，255000)

0 引言

農(nóng)業(yè)是世界上最重要的產(chǎn)業(yè)之一[1]，因?yàn)榧Z食是每個人所必須的，它保證了全球人口的生存,農(nóng)業(yè)的快速發(fā)展使得饑餓危機(jī)不再出現(xiàn)[2]。在當(dāng)今全球人口不斷增長的趨勢下，需要更多的農(nóng)業(yè)勞動力來維持農(nóng)業(yè)生產(chǎn)[3]；然而，在之前的幾十年中，從事農(nóng)業(yè)勞動的農(nóng)民的平均年齡正在快速增大，從事農(nóng)業(yè)勞動的45～64歲的人口占比已經(jīng)從2006年的33.48%增長至2016年的43.48%[4]，因此，當(dāng)前的農(nóng)業(yè)研究主要以更少的勞動力提升更高質(zhì)量的農(nóng)業(yè)生產(chǎn)為主[1]。

隨著信息技術(shù)的快速發(fā)展，物聯(lián)網(wǎng)(IoT)[5-6]、機(jī)器人技術(shù)[7-8]、大數(shù)據(jù)[9]和人工智能(AI)[10-11]等世界最前沿的技術(shù)在農(nóng)業(yè)中的應(yīng)用越來越廣泛和成熟，使得無人農(nóng)場的作業(yè)模式從構(gòu)想變成現(xiàn)實(shí)，極大解放了生產(chǎn)力，提高了資源利用率；在無人農(nóng)場作業(yè)模式中，人工智能技術(shù)起著思考和決策的作用，而機(jī)器學(xué)習(xí)是人工智能最重要的技術(shù)之一[12]。

隨著機(jī)器學(xué)習(xí)技術(shù)逐漸成功地應(yīng)用于其他科學(xué)領(lǐng)域，例如生物信息學(xué)[13]、醫(yī)學(xué)[14]、視覺跟蹤[15]、機(jī)器人技術(shù)[7]、氣候?qū)W[16]、遙感圖像處理[17-18]等，使得農(nóng)業(yè)科學(xué)家、學(xué)者越來越關(guān)注機(jī)器學(xué)習(xí)在農(nóng)業(yè)領(lǐng)域的應(yīng)用，也是農(nóng)業(yè)領(lǐng)域目前最具有前沿性、現(xiàn)代性和前景的技術(shù)[19]。本文在介紹無人農(nóng)場以及機(jī)器學(xué)習(xí)概念的基礎(chǔ)上，結(jié)合機(jī)器學(xué)習(xí)技術(shù)在山東理工大學(xué)生態(tài)無人農(nóng)場的實(shí)際經(jīng)驗(yàn)，總結(jié)其在生態(tài)無人農(nóng)場的應(yīng)用現(xiàn)狀以及未來的發(fā)展方向，為以后機(jī)器學(xué)習(xí)能更好的應(yīng)用在無人農(nóng)場提供參考。

1 無人農(nóng)場以及機(jī)器學(xué)習(xí)概念

1.1 無人農(nóng)場概念

隨著我國農(nóng)業(yè)資源出現(xiàn)過度開發(fā)的現(xiàn)象，可用耕地在逐年減少，同時，對農(nóng)業(yè)資源的浪費(fèi)和無故開發(fā)導(dǎo)致了我國農(nóng)業(yè)勞動的環(huán)境越來越惡化?，F(xiàn)在，我國人口老齡化程度越來越嚴(yán)重，從事農(nóng)業(yè)勞動的勞動力越來越少，無人種地的困局越來越明顯。而物聯(lián)網(wǎng)、云計算、大數(shù)據(jù)以及人工智能等信息技術(shù)在農(nóng)業(yè)領(lǐng)域的深度應(yīng)用[20]，使得無人農(nóng)場具備了產(chǎn)生的經(jīng)濟(jì)條件、社會條件以及技術(shù)條件。

無人農(nóng)場是一種全新的農(nóng)業(yè)生產(chǎn)模式，不需要勞動力的過多參與，通過物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能、第五代(5G)技術(shù)和機(jī)器人等多種前沿技術(shù)的聯(lián)合使用，通過遠(yuǎn)程控制，全過程執(zhí)行無人農(nóng)場的所有生產(chǎn)活動，實(shí)現(xiàn)設(shè)備、機(jī)械和機(jī)器人的自主作業(yè)，全過程執(zhí)行無人農(nóng)場的所有生產(chǎn)活動[1]。

無人農(nóng)場使用傳感器技術(shù)來監(jiān)測動植物的生長狀況以及各種生產(chǎn)設(shè)備的工作狀況，并使用可靠、高效的通信技術(shù)將數(shù)據(jù)傳輸?shù)皆浦?，例如LoRA無線傳輸通信技術(shù)[21]；云平臺通過大數(shù)據(jù)技術(shù)[22]分析和處理數(shù)據(jù)，生成生產(chǎn)和運(yùn)營決策，然后將決策信息傳送給機(jī)器人，最后由機(jī)器人執(zhí)行特定的生產(chǎn)活動。

在無人農(nóng)場中，農(nóng)業(yè)生產(chǎn)和經(jīng)營的全過程要實(shí)現(xiàn)精準(zhǔn)的管理、自我決策、無人操作以及個性化的服務(wù)，從而實(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)的可持續(xù)發(fā)展目標(biāo)。無人農(nóng)場的體系結(jié)構(gòu)由基礎(chǔ)層、決策層和應(yīng)用程序服務(wù)層共同組成，其角色和組件描述如下：(1)基礎(chǔ)層包括通信系統(tǒng)和基礎(chǔ)設(shè)施系統(tǒng)。(2)決策層是用于無人農(nóng)場的智能決策云平臺，該平臺進(jìn)行大量數(shù)據(jù)資源的分析、處理和存儲，并產(chǎn)生決策。(3)應(yīng)用層是自動作業(yè)設(shè)備系統(tǒng)，它利用智能農(nóng)業(yè)設(shè)備和物聯(lián)網(wǎng)技術(shù)，是無人農(nóng)場的核心組件。

無人農(nóng)場的三層結(jié)構(gòu)扮演著不同的角色：基礎(chǔ)層對于支持其他系統(tǒng)的運(yùn)行是必不可少的，基礎(chǔ)層的基礎(chǔ)設(shè)施系統(tǒng)和通信系統(tǒng)負(fù)責(zé)數(shù)據(jù)的收集和傳輸；決策層執(zhí)行數(shù)據(jù)管理并做出與生產(chǎn)和運(yùn)營相關(guān)的決策；應(yīng)用程序?qū)邮褂脵C(jī)器而不是人員來進(jìn)行生產(chǎn)操作。這三層結(jié)構(gòu)相互配合，實(shí)現(xiàn)了無人農(nóng)場安全可靠的智能運(yùn)行[1]。

1.2 機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)(Machine Learing，ML)是人工智能在計算機(jī)科學(xué)領(lǐng)域的一個重要的分支，ML名稱由Samuel[23]提出；機(jī)器學(xué)習(xí)是讓計算機(jī)模擬人的學(xué)習(xí)活動，獲取新知識、不斷改善性能和實(shí)現(xiàn)自身完善的智能方法。ML的基本原理是構(gòu)造一種算法，該算法可以接收數(shù)據(jù)并使用統(tǒng)計技術(shù)來預(yù)測輸出，同時在有新數(shù)據(jù)可用時更新輸出[24]。

機(jī)器學(xué)習(xí)方法分為有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)，常用的算法有人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)等。

1.2.1 有監(jiān)督學(xué)習(xí)

有監(jiān)督學(xué)習(xí)是通過已有的訓(xùn)練樣本去訓(xùn)練得到一個最優(yōu)的學(xué)習(xí)模型，再利用這個學(xué)習(xí)模型將所有的輸入映射為相應(yīng)的輸出，對輸出進(jìn)行簡單的判斷從而實(shí)現(xiàn)預(yù)測和分類的目的。

1.2.2 無監(jiān)督學(xué)習(xí)

無監(jiān)督學(xué)習(xí)的訓(xùn)練樣本沒有任何標(biāo)記信息，它是通過學(xué)習(xí)沒有標(biāo)記信息的訓(xùn)練樣本來發(fā)現(xiàn)數(shù)據(jù)的內(nèi)在關(guān)系，為進(jìn)一步的數(shù)據(jù)分析提供基礎(chǔ)，其適用在沒有足夠的先前經(jīng)驗(yàn)、不適合人工標(biāo)注的場景。

1.2.3 半監(jiān)督學(xué)習(xí)

半監(jiān)督學(xué)習(xí)是有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的集合，其訓(xùn)練數(shù)據(jù)集的數(shù)據(jù)一部分是有標(biāo)簽的，另一部分是沒有標(biāo)簽的，利用少量的標(biāo)簽數(shù)據(jù)和大量的無標(biāo)簽數(shù)據(jù)進(jìn)行學(xué)習(xí)，從而得到相應(yīng)的輸出。在農(nóng)業(yè)中，由于場景的限制一般會有大量的無標(biāo)簽數(shù)據(jù)，因此半監(jiān)督學(xué)習(xí)的研究對于農(nóng)業(yè)很有幫助。

1.2.4 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)簡稱神經(jīng)網(wǎng)絡(luò)(NN)，是模擬人腦的神經(jīng)系統(tǒng)對復(fù)雜信息處理機(jī)制的一種數(shù)學(xué)模型，它實(shí)際上是一個由大量簡單元件相互連接而成的復(fù)雜網(wǎng)絡(luò)，是能夠進(jìn)行復(fù)雜的邏輯操作和非線性關(guān)系實(shí)現(xiàn)的系統(tǒng)，是監(jiān)督學(xué)習(xí)的例子之一[25]。

人工神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò)操作的基本信息處理單位。人工神經(jīng)元的結(jié)構(gòu)如圖1。

圖1 人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖Fig. 1 Structure diagram of artificial neural network

一個人工神經(jīng)元對輸入信號X=[X1,X2,X3…Xm]T的輸出

y=f(u+b)

(1)

(2)

當(dāng)前，人工神經(jīng)網(wǎng)絡(luò)已經(jīng)越來越多的應(yīng)用于信息處理、預(yù)測分析等領(lǐng)域[26]。

1.2.5 深度學(xué)習(xí)

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個子領(lǐng)域，它是在人工神經(jīng)網(wǎng)絡(luò)上發(fā)展起來的，其核心思想是經(jīng)過數(shù)據(jù)的驅(qū)動[27]，使用非線性變換，在數(shù)據(jù)中心自動提取多層特征[28]，實(shí)質(zhì)是通過利用非線性信息處理機(jī)制，通過有監(jiān)督和無監(jiān)督相結(jié)合的訓(xùn)練方式，達(dá)到特征提取和轉(zhuǎn)換的目的，使得樣本間的數(shù)據(jù)關(guān)系可以成功擬合[29]；深度學(xué)習(xí)是一種深層的機(jī)器學(xué)習(xí)模型，“深”主要體現(xiàn)在對特征的多次變換上[30]，深層網(wǎng)絡(luò)結(jié)構(gòu)在一定程度上弱化了前一層網(wǎng)絡(luò)所提取的錯誤特征，用較少的參數(shù)對復(fù)雜函數(shù)進(jìn)行表示，使得網(wǎng)絡(luò)計算更加緊湊，進(jìn)而提高效率和效果[28]；深度學(xué)習(xí)的強(qiáng)大優(yōu)勢是特征學(xué)習(xí)，即從原始數(shù)據(jù)中自動提取特征，由較低層次特征組合形成更高層次的特征[31]；深度學(xué)習(xí)有多種不同的網(wǎng)絡(luò)類型，其基本網(wǎng)絡(luò)包括深度置信網(wǎng)絡(luò)(Deep Belief Networks)、卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks)、遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks)等[32]，而卷積神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)中應(yīng)用的最為廣泛，網(wǎng)絡(luò)模型LeNet-5是經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)圖Fig. 2 Structure diagram of LeNet-5 network

2 機(jī)器學(xué)習(xí)在無人農(nóng)場的應(yīng)用

由于無人農(nóng)場的關(guān)鍵部分是人工智能，而機(jī)器學(xué)習(xí)是人工智能的關(guān)鍵技術(shù)之一，所以機(jī)器學(xué)習(xí)技術(shù)在無人農(nóng)場發(fā)揮著越來越重要的作用，本節(jié)將在種植業(yè)和畜牧業(yè)兩個部分對機(jī)器學(xué)習(xí)的應(yīng)用進(jìn)行論述。

2.1 機(jī)器學(xué)習(xí)在種植業(yè)中的應(yīng)用

2.1.1 機(jī)器學(xué)習(xí)在田間雜草識別中的應(yīng)用

在農(nóng)業(yè)生產(chǎn)活動中，田間雜草是不可避免的伴生植物，目前我國使用的主要除草方式是化學(xué)除草、人工除草、機(jī)械除草、生物除草等，傳統(tǒng)的除草工作費(fèi)時費(fèi)力，在當(dāng)今“無人種地”的形勢下，不可能依賴于傳統(tǒng)的除草技術(shù)，所以基于機(jī)器學(xué)習(xí)的除草技術(shù)已經(jīng)變得越來越重要。

利用卷積神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)對雜草進(jìn)行識別檢測，是現(xiàn)在最為廣泛通用的一種方法。波恩大學(xué)的Andrea等[33]利用卷積神經(jīng)網(wǎng)絡(luò)在作物早期生長階段區(qū)分玉米植株和雜草，使用分割階段生成的數(shù)據(jù)集對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，識別精度達(dá)到97.23%。姜紅花等[34]對田間雜草進(jìn)行識別時，對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，在全連接層后面增加二進(jìn)制的哈希層，通過對比全連接層特征碼和哈希碼，找出與其最相近的K幅圖像的標(biāo)簽，歸入頻率最高的一類，此算法使用5 000 張圖片訓(xùn)練，使用1 000張數(shù)據(jù)集進(jìn)行測試(訓(xùn)練集測試集比例為5∶1)，田間識別準(zhǔn)確率高達(dá)98.6%，在其他雜草數(shù)據(jù)集上的檢測準(zhǔn)確率達(dá)到95.8%；北達(dá)科他州州立大學(xué)農(nóng)業(yè)與生物工程系的Flores等[35]在溫室環(huán)境下模擬田間條件，采集圖像形狀、色彩和紋理特征值后，使用支持向量機(jī)模型(SVM)、神經(jīng)網(wǎng)絡(luò)(NN)、隨機(jī)森林(RF)、GoogLeNet和VGG-16模型分別進(jìn)行識別檢測，最終VGG-16模型在區(qū)分大豆幼苗和玉米雜苗中的識別精度達(dá)到96.2%，在以上五個模型方法中精度最高。孟慶寬等[36]采用深度可分離卷積結(jié)合壓縮與激勵網(wǎng)絡(luò)模塊構(gòu)建輕量特征提取單元，替代標(biāo)準(zhǔn)SSD模型中的VGG16網(wǎng)絡(luò)，提高特征提取速度；將擴(kuò)展網(wǎng)絡(luò)中的深層語義信息與淺層細(xì)節(jié)信息進(jìn)行融合，經(jīng)過改進(jìn)后的深度學(xué)習(xí)檢測模型對玉米及雜草的平均檢測精度均值為88.27%。劉慧力等[37]基于深度學(xué)習(xí)框架TensorFlow搭建了多尺度分層特征的卷積神經(jīng)網(wǎng)絡(luò)模型，應(yīng)用4倍膨脹的單位卷積核，獲得了玉米秧苗圖像的識別模型，其識別準(zhǔn)確率達(dá)到99.65%。

在田間的雜草管理中，通過改進(jìn)各種機(jī)器學(xué)習(xí)算法，使雜草的識別準(zhǔn)確率已經(jīng)很高，但大多是在實(shí)驗(yàn)室進(jìn)行種植、采集數(shù)據(jù)，并沒有在田間進(jìn)行實(shí)地測試，由于在田間的環(huán)境更加復(fù)雜，會加大機(jī)器學(xué)習(xí)算法的識別難度，應(yīng)加強(qiáng)落地實(shí)驗(yàn)，通過實(shí)際的田間場景改進(jìn)算法模型，使機(jī)器學(xué)習(xí)算法更好地應(yīng)用在田間雜草識別項(xiàng)目中。

2.1.2 機(jī)器學(xué)習(xí)在病蟲害檢測中的應(yīng)用

在農(nóng)業(yè)中除了雜草問題對作物的影響較大之外，病蟲害控制是作物種植的另一個重要的問題，在針對病蟲害的問題上，目前常用的做法就是在種植區(qū)域均勻的噴灑化學(xué)藥劑，這種方法雖然是最有效的，但是化學(xué)藥劑的使用還會造成環(huán)境污染，對環(huán)境安全造成威脅[38]；由于深度學(xué)習(xí)在精準(zhǔn)農(nóng)業(yè)中的使用，使得在病蟲害防治的過程中實(shí)現(xiàn)精準(zhǔn)噴施，減少了農(nóng)藥的使用。

Pantazi等[39]采用Artificial Neural Network(ANN)和XY-Fusion network的方法，用于檢測和鑒別健康的水飛薊植物和被黑曲霉菌感染的植物，使用XY-Fusion的方法，其檢測準(zhǔn)確率達(dá)到了95.16%。Ebrahimi等[40]利用SVM分類方法檢測農(nóng)作物冠層圖像上的薊馬，并利用一種新的圖像處理技術(shù)檢測草莓植物上可能出現(xiàn)的寄生蟲，采用具有不同核函數(shù)的支持向量機(jī)方法對寄生蟲進(jìn)行分類和薊馬檢測，結(jié)果表明，以區(qū)域指數(shù)和亮度為顏色指數(shù)的支持向量機(jī)模型分類效果最好，平均誤差小于2.25%。Chung等[41]提出了一種使用機(jī)器視覺無損的區(qū)分3周齡感染水稻惡苗病和健康幼苗的方法，開發(fā)了支持向量機(jī)(SVM)分類器，以區(qū)分受感染和健康的幼苗，將遺傳算法用于選擇SVM分類器的基本特征和最佳模型參數(shù)，結(jié)果顯示所提出的方法有87.9%的準(zhǔn)確度，對被感染植物實(shí)現(xiàn)了自動檢測，提高了谷物產(chǎn)量，并且減少了耗時。張銀松[42]對粘蟲板害蟲進(jìn)行目標(biāo)檢測識別，采用可以實(shí)時檢測的SSD目標(biāo)檢測算法，并且在SSD算法的基礎(chǔ)上對害蟲體積小的問題進(jìn)行改進(jìn)；利用反卷積實(shí)現(xiàn)高層和低層的特征融合,再利用融合后的特征建立特征金字塔,再進(jìn)行逐層檢測,以得到最優(yōu)的識別模型，結(jié)果顯示，模型識別準(zhǔn)確率達(dá)到91.8%。劉志勇等[43]針對傳統(tǒng)的leNet-5模型在復(fù)雜紋理圖像的分類上圖片的識別精度不高、模型訓(xùn)練效率較低等問題，對傳統(tǒng)的LeNet-5進(jìn)行改進(jìn)，采用PReLU函數(shù)作為激活函數(shù)，并在網(wǎng)絡(luò)中加入Inception結(jié)構(gòu)模塊組、采用DropOut策略并加入Batch Normalization等,提出改進(jìn)后的LeNet-5模型，在識別番茄病蟲害的實(shí)驗(yàn)中,其改進(jìn)的模型識別準(zhǔn)確率高達(dá)95.3%。Moshou等[44]將受黃銹病感染的冬小麥、氮脅迫的植株和健康的植物進(jìn)行了識別檢測，采用了基于SOM神經(jīng)網(wǎng)絡(luò)和高光譜反射成像的方法，結(jié)果表明，識別氮脅迫植株的準(zhǔn)確度為100%，感染黃銹病的植株識別準(zhǔn)確度為99.92%，健康植株的識別準(zhǔn)確度為99.39%。

2.1.3 機(jī)器學(xué)習(xí)在產(chǎn)量預(yù)測中的作用

作物的產(chǎn)量預(yù)測在無人農(nóng)場作業(yè)中占據(jù)非常重要的地位，對于提高農(nóng)場的生產(chǎn)管理水平具有重要的意義。You團(tuán)隊(duì)[45]放棄了在遙感領(lǐng)域使用的傳統(tǒng)方法，而是采用卷積神經(jīng)網(wǎng)絡(luò)(CNN)和長短期時間記憶網(wǎng)絡(luò)(LSTM，是一種時間遞歸神經(jīng)網(wǎng)絡(luò))的方法，自動的從原始數(shù)據(jù)中提取出相關(guān)特征，并利用深高斯過程整合數(shù)據(jù)的時空信息，在預(yù)測大豆產(chǎn)量的任務(wù)中評估他們的方法，結(jié)果表明，他們的模型平均比美國農(nóng)業(yè)部的預(yù)測準(zhǔn)確率高出15%。Ali等[46]在愛爾蘭的集約化管理但規(guī)模較小的農(nóng)場中進(jìn)行估算草地生物量的工作，他們采用多元線性回歸(MLR)、人工神經(jīng)網(wǎng)絡(luò)(ANN)以及自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)模型的方法，其中ANFIS模型結(jié)合了人工神經(jīng)網(wǎng)絡(luò)和模糊邏輯的優(yōu)點(diǎn)，并在愛爾蘭的兩個集約化管理的草地農(nóng)場進(jìn)行評估，結(jié)果表明ANFIS相比于其他兩種方法，有更好的效果。

通過對機(jī)器學(xué)習(xí)在種植業(yè)中的相關(guān)文獻(xiàn)進(jìn)行總結(jié)，發(fā)現(xiàn)經(jīng)過改進(jìn)的機(jī)器學(xué)習(xí)算法，其識別準(zhǔn)確率以及預(yù)測效果都非常好，這表明了機(jī)器學(xué)習(xí)可以在無人農(nóng)場中進(jìn)行應(yīng)用，但也應(yīng)加強(qiáng)算法的嵌入式研究，進(jìn)行實(shí)地測驗(yàn)，使得機(jī)器學(xué)習(xí)能夠更好的在無人農(nóng)場中應(yīng)用，更快的推動無人農(nóng)場的智能化發(fā)展。

2.2 機(jī)器學(xué)習(xí)在畜牧業(yè)的應(yīng)用

機(jī)器學(xué)習(xí)在畜牧業(yè)中的應(yīng)用，主要的應(yīng)用場景是漁場和養(yǎng)殖場，一方面用于精準(zhǔn)識別動物，實(shí)時監(jiān)測動物的行為，為生產(chǎn)者提供生長狀況信息；另一方面，機(jī)器學(xué)習(xí)技術(shù)主要應(yīng)用于生產(chǎn)線的監(jiān)控，為生產(chǎn)者提供生產(chǎn)信息，以創(chuàng)造最大的經(jīng)濟(jì)價值。

2.2.1 機(jī)器學(xué)習(xí)在牲畜精準(zhǔn)識別中的應(yīng)用

利用機(jī)器學(xué)習(xí)對魚類進(jìn)行智能化識別，為進(jìn)一步的漁情預(yù)測打下基礎(chǔ)，精確的漁情預(yù)測數(shù)據(jù)能夠解決目前多數(shù)漁業(yè)標(biāo)準(zhǔn)服務(wù)系統(tǒng)中缺少基于標(biāo)準(zhǔn)體系的漁業(yè)標(biāo)準(zhǔn)服務(wù)問題，并能夠?yàn)闈O業(yè)標(biāo)準(zhǔn)修訂指南提供數(shù)據(jù)決策依據(jù)[47]，同時還能為漁場主提供實(shí)時監(jiān)測魚類的生長健康數(shù)據(jù)，為魚類養(yǎng)殖提供數(shù)據(jù)支持。

利用深度學(xué)習(xí)對魚類進(jìn)行識別檢測，是現(xiàn)在最通用的一種方法；王文成等[48]利用RESNet50網(wǎng)絡(luò)對大菱鲆、黃鰭鯛、金錢魚、鯔魚這四種魚類進(jìn)行識別檢測，測試準(zhǔn)確率達(dá)到96%以上，并且利用PyQt5開發(fā)了GUI可視化界面，通過界面操作，測試結(jié)果與預(yù)測類別一致，同時利用DSOD框架做了水下目標(biāo)的實(shí)時跟蹤檢測，在不損失檢測速度的情況下，對小目標(biāo)的檢測準(zhǔn)確率實(shí)現(xiàn)大幅提高。袁紅春等[49]采用了一種基于Faster R-CNN二次遷移學(xué)習(xí)和帶色彩恢復(fù)的多尺度視網(wǎng)膜增強(qiáng)算法(MSRCR)，解決了魚類樣本數(shù)量不足以及魚類模糊圖像的快速檢測問題，通過測試結(jié)果表明，此方法利用樣本數(shù)量較少的魚類數(shù)據(jù)集訓(xùn)練出來的網(wǎng)絡(luò)，其檢測準(zhǔn)確率可達(dá)到98.12%。李慶忠等[50]利用改進(jìn)的YOLO檢測算法和遷移學(xué)習(xí)，解決了非限制性環(huán)境中的水下機(jī)器人基于視頻圖像的魚類目標(biāo)的快速檢測問題，相比于傳統(tǒng)的YOLO算法，改進(jìn)后的算法提高了對小目標(biāo)以及重疊目標(biāo)的檢測性能，檢測準(zhǔn)確率達(dá)到89%。王燁[51]提出基于殘差網(wǎng)絡(luò)的魚類識別模型，他們利用ResNet50作為基礎(chǔ)網(wǎng)絡(luò)，利用遷移學(xué)習(xí)搭建網(wǎng)絡(luò)，并引入注意力機(jī)制，將注意力機(jī)制中的非局部算子以模塊的形式插入殘差網(wǎng)絡(luò)中，結(jié)果表明，改進(jìn)后的網(wǎng)絡(luò)模型識別精度達(dá)到98.16%。

隨著集約化管理的采用，比如豬和牛等牲畜的精準(zhǔn)識別已經(jīng)成為養(yǎng)殖場中的一個重要的問題。Hansen團(tuán)隊(duì)[52]提出了采用動物面部非侵入式的生物識別方法，使用Fisherfaces，VGG-Face預(yù)先訓(xùn)練的人臉卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型和他們自己的CNN模型三種方法進(jìn)行測試，使用人工擴(kuò)充的數(shù)據(jù)集進(jìn)行訓(xùn)練，結(jié)果表明，他們自己設(shè)計的CNN模型識別準(zhǔn)確率達(dá)到96.7%。

對牲畜進(jìn)行精準(zhǔn)識別分類，在畜牧養(yǎng)殖中占據(jù)重要的地位，在近幾年的牲畜識別研究中，各學(xué)者對機(jī)器學(xué)習(xí)算法進(jìn)行改進(jìn)，已經(jīng)達(dá)到了非常高的識別準(zhǔn)確率，也為牲畜的行為識別、健康監(jiān)測等打下堅實(shí)的基礎(chǔ)。

2.2.2 機(jī)器學(xué)習(xí)在牲畜的生產(chǎn)預(yù)測中的應(yīng)用

機(jī)器學(xué)習(xí)具有早期發(fā)現(xiàn)和警告問題的能力，這在畜牧業(yè)中有非常重要的作用，能夠?qū)仪葸M(jìn)行實(shí)時監(jiān)測，能夠及時發(fā)現(xiàn)生產(chǎn)過程中的問題，及時采取行動來避免這些問題，減少經(jīng)濟(jì)損失。

對養(yǎng)殖場中的動物進(jìn)行實(shí)時的生產(chǎn)監(jiān)測，可以及時調(diào)整生產(chǎn)策略，實(shí)現(xiàn)效益的最大化，目前機(jī)器學(xué)習(xí)被廣泛利用在此領(lǐng)域。Morales團(tuán)隊(duì)[53]利用農(nóng)場的478 919只母雞的雞蛋生產(chǎn)數(shù)據(jù)，采用支持向量機(jī)的方法，發(fā)現(xiàn)了雞蛋生產(chǎn)曲線中的問題，該技術(shù)能夠提前一天發(fā)出警報警示生產(chǎn)曲線出現(xiàn)了問題，準(zhǔn)確率達(dá)到98.54%。Alonso等[54]利用支持向量機(jī)回歸的方法，對屠宰前幾天的肉牛預(yù)測其體重，對144只動物進(jìn)行了390次測量，其平均絕對誤差為真實(shí)值的4.27%。

2.2.3 機(jī)器學(xué)習(xí)在牲畜喂食決策中的應(yīng)用

在水產(chǎn)養(yǎng)殖中，魚的喂食對降低成本具有重要意義，同時對提高魚的產(chǎn)量也有重要作用；Zhou等[55]利用近紅外計算機(jī)視覺和神經(jīng)模糊的進(jìn)給控制方法，實(shí)現(xiàn)根據(jù)魚類的食欲進(jìn)行自動喂養(yǎng)的目的，通過結(jié)果測試表明，其模型的進(jìn)食決策精度達(dá)到98%。趙健[56]對循環(huán)水養(yǎng)殖中具備表征魚群饑餓程度的魚群局部突發(fā)行為進(jìn)行監(jiān)測，他們采用遞歸神經(jīng)網(wǎng)絡(luò)、粒子平流方案以及改進(jìn)運(yùn)動影響力圖的方法，通過實(shí)驗(yàn)結(jié)果表明平均檢測準(zhǔn)確率達(dá)到98.91%，平均識別準(zhǔn)確率達(dá)到89.89%。

機(jī)器學(xué)習(xí)在畜牧養(yǎng)殖中的應(yīng)用都表現(xiàn)出較好的效果，其在精準(zhǔn)分類識別、生產(chǎn)預(yù)測以及喂食決策中都有非常好的表現(xiàn)，由于養(yǎng)殖牲畜需要更加嚴(yán)謹(jǐn)，保證牲畜信息的準(zhǔn)確性，導(dǎo)致現(xiàn)在的機(jī)器學(xué)習(xí)不能完全解決人工養(yǎng)殖中的問題，但現(xiàn)在機(jī)器學(xué)習(xí)的表現(xiàn)完全可以為養(yǎng)殖過程提供較好的信息決策支持；在日后的技術(shù)發(fā)展中，機(jī)器學(xué)習(xí)在養(yǎng)殖業(yè)必有更加廣闊的應(yīng)用天地。

3 討論與展望

經(jīng)過總結(jié)上述文獻(xiàn)，機(jī)器學(xué)習(xí)技術(shù)主要集中在機(jī)器視覺方面，用機(jī)器學(xué)習(xí)算法來檢測目標(biāo)物體，在這些應(yīng)用中也存在一些缺點(diǎn)。

1) 機(jī)器視覺的使用需要用到大量的數(shù)據(jù)集，用于模型的訓(xùn)練以及驗(yàn)證，在當(dāng)前的農(nóng)業(yè)機(jī)器學(xué)習(xí)環(huán)境下，并沒有通用的數(shù)據(jù)集，都是依靠各個實(shí)驗(yàn)團(tuán)隊(duì)自己采集標(biāo)注數(shù)據(jù)集，由于農(nóng)田環(huán)境的影響，采集數(shù)據(jù)集耗時耗力，并且標(biāo)注數(shù)據(jù)集需要專業(yè)人員進(jìn)行人工標(biāo)注，以至于并沒有流通的數(shù)據(jù)量多的數(shù)據(jù)集，這限制了機(jī)器視覺模型的檢測準(zhǔn)確性，同時也增加了機(jī)器學(xué)習(xí)在農(nóng)業(yè)方面的應(yīng)用難度。

2) 目前的機(jī)器學(xué)習(xí)需要高質(zhì)量的硬件以滿足其運(yùn)算能力，但當(dāng)前的嵌入式芯片存在運(yùn)算能力不足，運(yùn)算速度較慢等問題，嵌入式芯片的性能突破涉及到其他領(lǐng)域的問題，短期內(nèi)難以有更大的研究突破。

3) 在農(nóng)業(yè)領(lǐng)域運(yùn)用機(jī)器學(xué)習(xí)，需要具備農(nóng)業(yè)的生產(chǎn)經(jīng)驗(yàn)同時還需要具備機(jī)器學(xué)習(xí)的專業(yè)知識，但現(xiàn)在具備兩者的專業(yè)人才嚴(yán)重缺乏，這限制了機(jī)器學(xué)習(xí)技術(shù)在農(nóng)業(yè)中的發(fā)展。

在無人農(nóng)場的作業(yè)模式中，機(jī)器學(xué)習(xí)是必不可少的，針對機(jī)器學(xué)習(xí)在無人農(nóng)場中的應(yīng)用現(xiàn)狀，還應(yīng)加大對以下幾個方面的研究力度。

1) 現(xiàn)如今，機(jī)器學(xué)習(xí)技術(shù)主要應(yīng)用在作物的田間雜草管理、病蟲害檢測等方面，在農(nóng)作物方面的應(yīng)用技術(shù)已經(jīng)比較廣泛，節(jié)省了大量的人力、物力以及財力，但在漁場、養(yǎng)牛場、養(yǎng)豬場等應(yīng)用方面還較少，在未來應(yīng)該加大對動物方面的研究；使用機(jī)器學(xué)習(xí)技術(shù)動態(tài)監(jiān)測動物的生長狀況，并利用大數(shù)據(jù)技術(shù)，結(jié)合專家的生產(chǎn)經(jīng)驗(yàn)，能夠通過動物日常的行為，預(yù)測動物的健康狀況，建立一套專家系統(tǒng)，可及時避免動物疾病的大規(guī)模傳播；同時還應(yīng)利用機(jī)器學(xué)習(xí)對動物的生長環(huán)境狀況進(jìn)行實(shí)時監(jiān)測，為改善動物的生長環(huán)境提供決策支持。

2) 同時還應(yīng)在無人農(nóng)場建立一套高質(zhì)量的數(shù)據(jù)庫，數(shù)據(jù)庫對機(jī)器學(xué)習(xí)的作用是非常重要的，因此具有高質(zhì)量的數(shù)據(jù)庫會加速機(jī)器學(xué)習(xí)的應(yīng)用進(jìn)程，同時會極大提高無人農(nóng)場的管理效率，對無人農(nóng)場的建設(shè)有非常積極的意義。

3) 隨著無人農(nóng)場的興起，其在生產(chǎn)領(lǐng)域、智能裝備領(lǐng)域等產(chǎn)生了大量的數(shù)據(jù)，利用機(jī)器學(xué)習(xí)結(jié)合5G、傳感器、大數(shù)據(jù)等技術(shù)對這些數(shù)據(jù)傳輸、融合、處理和應(yīng)用，將農(nóng)場的管理系統(tǒng)建設(shè)成為真正的AI系統(tǒng)。

4) 針對當(dāng)前的機(jī)器學(xué)習(xí)研究大多停留在實(shí)驗(yàn)室中的問題，應(yīng)加強(qiáng)機(jī)器學(xué)習(xí)技術(shù)的嵌入式研究，將實(shí)驗(yàn)室中的研究真正落地到田間；加強(qiáng)對機(jī)器學(xué)習(xí)算法的研究，減少其對嵌入式芯片的性能依賴，加快算法的訓(xùn)練速度以及運(yùn)行速度；從而加快機(jī)器學(xué)習(xí)在無人農(nóng)場的應(yīng)用速度。

總之，機(jī)器學(xué)習(xí)在無人農(nóng)場的應(yīng)用將會有更加廣闊的天地。

4 結(jié)論

本文對近幾年機(jī)器學(xué)習(xí)在農(nóng)業(yè)中的應(yīng)用相關(guān)文獻(xiàn)進(jìn)行整理介紹，結(jié)合在山東理工大學(xué)生態(tài)無人農(nóng)場的實(shí)際經(jīng)驗(yàn)，闡述了機(jī)器學(xué)習(xí)在種植業(yè)中的田間雜草識別、作物病蟲害檢測、作物產(chǎn)量預(yù)測的應(yīng)用，以及在畜牧業(yè)中的魚類、豬羊等牲畜的精準(zhǔn)識別分類、魚類的喂食決策系統(tǒng)以及雞、牛的生產(chǎn)線預(yù)測方面的應(yīng)用；并且通過總結(jié)以上文獻(xiàn)以及實(shí)際經(jīng)驗(yàn)得出機(jī)器學(xué)習(xí)在無人農(nóng)場應(yīng)用的劣勢，其在數(shù)據(jù)集、專業(yè)人才以及嵌入式系統(tǒng)中都存在相當(dāng)大的問題；其次通過總結(jié)自身在無人農(nóng)場的實(shí)際經(jīng)驗(yàn)以及目前的研究水平及問題，提出機(jī)器學(xué)習(xí)在無人農(nóng)場的發(fā)展趨勢，主要是建立高效的數(shù)據(jù)庫、搭建“專家系統(tǒng)”、結(jié)合多領(lǐng)域技術(shù)以及算法的嵌入式研究。

機(jī)器學(xué)習(xí)在無人農(nóng)場中的應(yīng)用正在快速發(fā)展，也被更多的研究學(xué)者所重視，也會有更多的機(jī)器學(xué)習(xí)技術(shù)應(yīng)用到無人農(nóng)場中，實(shí)現(xiàn)真正的無人化作業(yè)，推動農(nóng)業(yè)的快速可持續(xù)發(fā)展。