機(jī)器學(xué)習(xí)在智慧農(nóng)機(jī)中的應(yīng)用綜述

楊天佑 唐文輝 王福章

摘要：當(dāng)前，我國(guó)正處于農(nóng)業(yè)機(jī)械化轉(zhuǎn)向農(nóng)業(yè)智慧化的重要階段，在農(nóng)業(yè)智慧化決策方面，機(jī)器學(xué)習(xí)發(fā)揮著重要的作用。文章對(duì)機(jī)器學(xué)習(xí)算法在智慧農(nóng)機(jī)中智能除草、防治病蟲(chóng)害、智能采摘方面的應(yīng)用研究進(jìn)行了梳理分析。通過(guò)對(duì)現(xiàn)有研究成果的總結(jié)和分析，期望為智慧農(nóng)業(yè)的發(fā)展、機(jī)器學(xué)習(xí)算法的提升提供一定的基礎(chǔ)，未來(lái)機(jī)器學(xué)習(xí)算法能更好地與智慧農(nóng)業(yè)結(jié)合。

關(guān)鍵詞：農(nóng)業(yè)；機(jī)器學(xué)習(xí)算法；智慧農(nóng)機(jī)；卷積神經(jīng)網(wǎng)絡(luò)

中圖分類(lèi)號(hào)：TP181? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2022）27-0097-03

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

智慧農(nóng)機(jī)是指將互聯(lián)網(wǎng)、大數(shù)據(jù)、云計(jì)算、物聯(lián)網(wǎng)等高新技術(shù)與傳統(tǒng)農(nóng)機(jī)相結(jié)合，能夠根據(jù)不同的勞動(dòng)種類(lèi)和農(nóng)作物種類(lèi)進(jìn)行實(shí)時(shí)監(jiān)控、預(yù)警、分析的新型農(nóng)機(jī)，智慧農(nóng)機(jī)的廣泛應(yīng)用有助于實(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)中的精準(zhǔn)播種、智能決策和智能管理[1]。

智慧農(nóng)機(jī)之所以比傳統(tǒng)的農(nóng)業(yè)機(jī)械更加智能，歸根到底是在于其高效準(zhǔn)確的機(jī)器學(xué)習(xí)算法。機(jī)器學(xué)習(xí)旨在讓計(jì)算機(jī)實(shí)現(xiàn)自我學(xué)習(xí)。機(jī)器學(xué)習(xí)算法不再依賴(lài)傳統(tǒng)的編程技術(shù)讓計(jì)算機(jī)進(jìn)行灌輸式的學(xué)習(xí)，而是讓計(jì)算機(jī)從海量的數(shù)據(jù)中自主學(xué)習(xí)知識(shí)和規(guī)律，通過(guò)海量數(shù)據(jù)訓(xùn)練模型，最終完成對(duì)目標(biāo)的預(yù)測(cè)。機(jī)器學(xué)習(xí)算法與智慧農(nóng)機(jī)系統(tǒng)的有機(jī)結(jié)合，能夠讓農(nóng)機(jī)設(shè)備展現(xiàn)出類(lèi)似人類(lèi)行為的智能化效果，從而大幅提高農(nóng)業(yè)生產(chǎn)效率、節(jié)約人力成本。

目前，歐美日等國(guó)家已將智慧農(nóng)機(jī)應(yīng)用到農(nóng)業(yè)生產(chǎn)的方方面面。相比而言，國(guó)內(nèi)在智慧農(nóng)機(jī)領(lǐng)域的研究和應(yīng)用仍然處于起步階段。我國(guó)目前正處于由農(nóng)業(yè)機(jī)械化轉(zhuǎn)向農(nóng)業(yè)智慧化的緊要關(guān)頭，基于機(jī)器學(xué)習(xí)算法的智慧農(nóng)機(jī)系統(tǒng)在推動(dòng)農(nóng)業(yè)產(chǎn)業(yè)升級(jí)和農(nóng)業(yè)現(xiàn)代化過(guò)程中將發(fā)揮重要作用。

1 利用機(jī)器學(xué)習(xí)算法，提升智慧農(nóng)機(jī)數(shù)據(jù)傳輸效率和網(wǎng)絡(luò)安全水平

1.1數(shù)據(jù)傳輸

無(wú)線(xiàn)傳感器是智慧農(nóng)機(jī)系統(tǒng)中用于采集數(shù)據(jù)的重要設(shè)備。在智慧農(nóng)機(jī)系統(tǒng)中，每個(gè)無(wú)線(xiàn)傳感器都會(huì)周期性地捕捉農(nóng)業(yè)生產(chǎn)相關(guān)的特征數(shù)據(jù)，并根據(jù)特定的采樣率將數(shù)據(jù)發(fā)送到接收器進(jìn)行進(jìn)一步分析。這種大量的數(shù)據(jù)傳輸行為會(huì)導(dǎo)致傳感器節(jié)點(diǎn)的高能耗和較高的網(wǎng)絡(luò)帶寬占用。Salim等[2]提出了一種基于機(jī)器學(xué)習(xí)的數(shù)據(jù)壓縮算法（MLDR），該算法能夠有效提高數(shù)據(jù)傳輸?shù)男屎蜏?zhǔn)確性。MLDR側(cè)重于農(nóng)業(yè)相關(guān)的環(huán)境數(shù)據(jù)，它通過(guò)在傳感器節(jié)點(diǎn)級(jí)別添加機(jī)器學(xué)習(xí)技術(shù)來(lái)減少發(fā)送到接收器的數(shù)據(jù)量，從而保證接收器數(shù)據(jù)的可用性和準(zhǔn)確性。實(shí)驗(yàn)結(jié)果表明，數(shù)據(jù)壓縮后發(fā)送的數(shù)據(jù)量減少了70%，且方差的差異小于2%。說(shuō)明這種數(shù)據(jù)壓縮有助于降低能耗和帶寬使用，并在保證信息準(zhǔn)確性的同時(shí)，提高了傳輸工具的使用率。

1.2網(wǎng)絡(luò)安全保護(hù)

作為智慧農(nóng)機(jī)中的一種，農(nóng)業(yè)無(wú)人機(jī)的普及正在將傳統(tǒng)的農(nóng)業(yè)經(jīng)營(yíng)方式轉(zhuǎn)變?yōu)榫珳?zhǔn)農(nóng)業(yè)。一方面，農(nóng)業(yè)無(wú)人機(jī)與物聯(lián)網(wǎng)結(jié)合，使用開(kāi)放式渠道協(xié)助農(nóng)業(yè)生產(chǎn)者完成數(shù)據(jù)收集、處理、監(jiān)控等工作，有助于提高農(nóng)業(yè)決策的準(zhǔn)確性；另一方面，農(nóng)業(yè)無(wú)人機(jī)通過(guò)掛載不同功能的機(jī)載設(shè)備可實(shí)現(xiàn)不同的作業(yè)，實(shí)現(xiàn)一機(jī)多用，使用一個(gè)無(wú)人機(jī)平臺(tái)就可實(shí)現(xiàn)藥液噴灑、固體肥料播撒、粉劑噴灑、種子精量播種等多種作業(yè)，幾乎貫穿了農(nóng)作物的整個(gè)生長(zhǎng)過(guò)程，能夠幫助農(nóng)業(yè)生產(chǎn)者節(jié)省大量的勞動(dòng)力和農(nóng)業(yè)投入成本。

需要注意的是，無(wú)人機(jī)網(wǎng)絡(luò)容易受到諸多攻擊和安全威脅，包括身份偽造、數(shù)據(jù)篡改、被動(dòng)竊聽(tīng)、物理捕獲、拒絕服務(wù)等[3]。在此背景下，Randhir等[4]提出了一種用于農(nóng)業(yè)無(wú)人機(jī)的安全隱私保護(hù)框架（SP2F），該框架有兩個(gè)主要引擎，一個(gè)兩級(jí)隱私引擎和一個(gè)基于深度學(xué)習(xí)的異常檢測(cè)引擎。實(shí)驗(yàn)結(jié)果表明，SP2F框架和傳統(tǒng)集中式安全措施相比，在單點(diǎn)故障、可驗(yàn)證性、可追溯性、可伸縮性、身份驗(yàn)證、安全性、私密性、透明度、去中心化、鏈外合約等10個(gè)指標(biāo)上的得分明顯更高，能夠?yàn)檗r(nóng)業(yè)無(wú)人機(jī)的網(wǎng)絡(luò)通信安全提供更加全面的保障。

2利用機(jī)器學(xué)習(xí)算法，讓智慧農(nóng)機(jī)應(yīng)用農(nóng)業(yè)生產(chǎn)各環(huán)節(jié)

2.1智能除草

田間雜草是目前農(nóng)業(yè)生產(chǎn)中影響食品安全和作物產(chǎn)量的主要因素。當(dāng)前常用的除草方法有人工除草、畜力除草和殺蟲(chóng)劑除草。這些方法存在較多問(wèn)題，包括污染嚴(yán)重、效率不高、使用范圍有限、費(fèi)時(shí)費(fèi)力等。因此，基于機(jī)器視覺(jué)的快速發(fā)展，結(jié)合機(jī)器學(xué)習(xí)算法的先進(jìn)成果，打造智能除草機(jī)器人，有效準(zhǔn)確地識(shí)別和治理田間雜草是未來(lái)農(nóng)業(yè)發(fā)展的重要途徑之一。作為智慧農(nóng)機(jī)的典型代表，智能除草機(jī)器人需要先進(jìn)的雜草識(shí)別算法來(lái)高效準(zhǔn)確地搜尋雜草所在位置，從而有效根除雜草。在此背景下，張瑞森等[5]提出了一種基于FasterR-CNN的田間雜草反向識(shí)別改進(jìn)算法，該算法為了有效解決訓(xùn)練樣本不足問(wèn)題，借助了循環(huán)一致性生成對(duì)抗網(wǎng)絡(luò)（Cycle-GAN）的圖像生成能力，并且在此基礎(chǔ)上，使用FasterR-CNN（快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)）算法對(duì)田間雜草進(jìn)行識(shí)別和定位。改進(jìn)后的FasterR-CNN算法在實(shí)時(shí)性和識(shí)別速度方面都具有明顯優(yōu)勢(shì)。實(shí)驗(yàn)結(jié)果表明，該方法的對(duì)田間雜草的識(shí)別準(zhǔn)確率高達(dá)95.06%，能夠有效提升除草機(jī)器人對(duì)雜草的識(shí)別和定位能力。

2.2防治病蟲(chóng)害

病蟲(chóng)害是病害和蟲(chóng)害的并稱(chēng)。農(nóng)作物在生長(zhǎng)期間遭遇病蟲(chóng)害，將嚴(yán)重影響農(nóng)產(chǎn)品的產(chǎn)量和品質(zhì)。目前病蟲(chóng)害防治的主要方法包括農(nóng)業(yè)防治法、化學(xué)防治法、生物防治法、物理防治法[6]等。這些方法需要消耗大量的人力物力，防治效率不高，并且容易產(chǎn)生嚴(yán)重的環(huán)境污染問(wèn)題。作為智慧農(nóng)機(jī)中的典型代表，智能病蟲(chóng)害監(jiān)測(cè)系統(tǒng)使用機(jī)器學(xué)習(xí)算法對(duì)病蟲(chóng)害問(wèn)題進(jìn)行準(zhǔn)確地定位和識(shí)別，對(duì)農(nóng)作物的病蟲(chóng)害問(wèn)題進(jìn)行動(dòng)態(tài)監(jiān)控、智能預(yù)警和精準(zhǔn)治理，能夠顯著改善病蟲(chóng)害防治效果，提升病蟲(chóng)害防治工作的及時(shí)性和準(zhǔn)確性，節(jié)省大量的人力物力成本。智能病蟲(chóng)害監(jiān)測(cè)系統(tǒng)的關(guān)鍵在于病蟲(chóng)害識(shí)別和定位算法的實(shí)現(xiàn)。近年來(lái)，基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型在病蟲(chóng)害監(jiān)測(cè)任務(wù)中取得良好的效果。郭陽(yáng)等[7]基于水稻蟲(chóng)害數(shù)據(jù)集，對(duì)比了SSD、YOLOv3、Faster-RCNN三種算法的效果。通過(guò)對(duì)比研究，發(fā)現(xiàn)三種算法中YOLOv3算法的平均精度最高。與Faster-RCNN算法相比，YOLOv3算法平均每幅照片的識(shí)別時(shí)間縮短了853.68毫秒，同時(shí)平均準(zhǔn)確率提高了1.43個(gè)百分點(diǎn)；而與SSD算法相比，YOLOv3算法平均每幅照片的識(shí)別時(shí)間縮短了2.9毫秒，同時(shí)平均準(zhǔn)確率提高了5.56個(gè)百分點(diǎn)。此外，YOLOv3算法對(duì)背景相似或障礙物遮擋等特殊情況都能進(jìn)行精準(zhǔn)識(shí)別，不會(huì)出現(xiàn)漏檢、錯(cuò)檢，且識(shí)別準(zhǔn)確率大于98%。在病蟲(chóng)害識(shí)別和定位方面，YOLOv3算法檢測(cè)速度快且準(zhǔn)確率較高，這對(duì)農(nóng)產(chǎn)品病蟲(chóng)害的智能監(jiān)測(cè)和精準(zhǔn)噴藥具有重要意義。

2.3智能采摘

農(nóng)產(chǎn)品采摘是農(nóng)業(yè)生產(chǎn)各環(huán)節(jié)中的重要一環(huán)。目前主流的采摘方式是人工采摘，該方式存在勞動(dòng)過(guò)度密集、效率低下、成本較高等多種問(wèn)題。與此同時(shí)，近年來(lái)農(nóng)村地區(qū)的青壯年勞動(dòng)人口不斷向城市流動(dòng)，導(dǎo)致農(nóng)村地區(qū)的勞動(dòng)力出現(xiàn)明顯短缺。特別在農(nóng)忙時(shí)節(jié)，需要短時(shí)間內(nèi)完成大量的采摘工作，由此造成了亟待填補(bǔ)的巨大勞動(dòng)力缺口。在此背景下，使用智能采摘機(jī)器人代替?zhèn)鹘y(tǒng)的人工采摘具有十分重要的意義。采摘機(jī)器人作為智慧農(nóng)機(jī)的典型代表，使用機(jī)器學(xué)習(xí)算法識(shí)別農(nóng)產(chǎn)品成熟度，實(shí)現(xiàn)自動(dòng)采摘，能夠取代人工進(jìn)行自主采摘作業(yè)，為提高農(nóng)業(yè)生產(chǎn)效率提供了強(qiáng)大的技術(shù)支撐。

王芳等[8]基于Faster-RCNN框架，提出了一種關(guān)于智能采摘機(jī)器人的目標(biāo)識(shí)別算法。該算法首先使用VGG16模型對(duì)輸入圖片的特征數(shù)據(jù)進(jìn)行提取，同時(shí)使用RPN網(wǎng)絡(luò)形成包含采摘對(duì)象的自適應(yīng)候選框，并且基于多任務(wù)損失函數(shù)對(duì)采摘對(duì)象實(shí)現(xiàn)預(yù)測(cè)框矯正和分類(lèi)，以獲取采摘對(duì)象的準(zhǔn)確坐標(biāo)，最后使用標(biāo)定方法計(jì)算機(jī)器人手眼坐標(biāo)系之間的對(duì)應(yīng)轉(zhuǎn)換關(guān)系。使用該算法對(duì)蘋(píng)果進(jìn)行目標(biāo)識(shí)別和定位，平均精度達(dá)97.5%，最大誤差僅為1.33cm。通過(guò)使用該算法，智能采摘機(jī)器人對(duì)采摘對(duì)象的定位和識(shí)別準(zhǔn)確率得到明顯提升，從而有效提高農(nóng)產(chǎn)品采摘作業(yè)的效率和準(zhǔn)確性。

2.4農(nóng)產(chǎn)品分級(jí)

對(duì)農(nóng)產(chǎn)品嚴(yán)格按照標(biāo)準(zhǔn)進(jìn)行清選、分級(jí)，能夠提高其售價(jià)，實(shí)現(xiàn)優(yōu)質(zhì)優(yōu)價(jià)，進(jìn)而提升農(nóng)產(chǎn)品的商品化程度和價(jià)值。由于外界因素影響，不同農(nóng)產(chǎn)品的外部形態(tài)特征差異很大，很難用統(tǒng)一標(biāo)準(zhǔn)進(jìn)行描述。傳統(tǒng)的農(nóng)產(chǎn)品分級(jí)大都采用人工感官分級(jí)或比較，這種方法存在著受主觀因素影響大、精度差、易產(chǎn)生視覺(jué)疲勞、分級(jí)速度慢、效率低等問(wèn)題?；谟?jì)算機(jī)視覺(jué)技術(shù)和機(jī)器學(xué)習(xí)算法開(kāi)發(fā)的農(nóng)產(chǎn)品分級(jí)系統(tǒng)能夠提高農(nóng)產(chǎn)品分級(jí)的效率和準(zhǔn)確性，節(jié)省大量的人力成本，彌補(bǔ)人工分級(jí)的不足。農(nóng)產(chǎn)品分級(jí)系統(tǒng)的核心在于準(zhǔn)確高效的分級(jí)算法的研究和開(kāi)發(fā)。

周軍等[9]在研究核桃仁的分級(jí)中，將核桃仁圖像從RGB數(shù)據(jù)轉(zhuǎn)換為HSV數(shù)據(jù)，在此基礎(chǔ)上從顏色、色調(diào)、飽和度、完整度等角度提取原始特征集， 同時(shí)使用mRMR算法對(duì)原始特征進(jìn)行篩選并根據(jù)重要性對(duì)特征進(jìn)行排列， 最后分別使用決策樹(shù)、支持向量機(jī)和樸素貝葉斯三種算法進(jìn)行比較研究，發(fā)現(xiàn)各個(gè)算法的準(zhǔn)確率分別為96.00%、85.33%、97.33%。相比其他兩種算法，樸素貝葉斯算法能夠有效提高核桃仁分級(jí)工作的準(zhǔn)確性，促進(jìn)提升農(nóng)產(chǎn)品分級(jí)作業(yè)的效率和自動(dòng)化水平。

3 總結(jié)和展望

機(jī)器學(xué)習(xí)算法的研究和應(yīng)用對(duì)智慧農(nóng)機(jī)系統(tǒng)的研發(fā)和普及具有十分重要的意義。目前機(jī)器學(xué)習(xí)技術(shù)已經(jīng)廣泛應(yīng)用到智慧農(nóng)機(jī)的數(shù)據(jù)傳輸、網(wǎng)絡(luò)安全防護(hù)、農(nóng)作物的除草、病蟲(chóng)害防治、農(nóng)產(chǎn)品的采摘和分級(jí)等多個(gè)方面?？梢哉雇磥?lái)在智慧農(nóng)機(jī)領(lǐng)域，機(jī)器學(xué)習(xí)技術(shù)的應(yīng)用范圍將越來(lái)越廣。但同時(shí)也存在著一些不容忽視的問(wèn)題，一是各個(gè)地區(qū)農(nóng)業(yè)生產(chǎn)的場(chǎng)景千差萬(wàn)別，如何有效提高機(jī)器學(xué)習(xí)算法在不同農(nóng)業(yè)生產(chǎn)場(chǎng)景中的準(zhǔn)確性和計(jì)算效率，是亟待解決的關(guān)鍵問(wèn)題；二是在農(nóng)業(yè)生產(chǎn)數(shù)據(jù)集方面，為了推動(dòng)機(jī)器學(xué)習(xí)算法在智慧農(nóng)機(jī)領(lǐng)域的改進(jìn)和迭代，需要建立與農(nóng)業(yè)生產(chǎn)相關(guān)的各類(lèi)大規(guī)模數(shù)據(jù)集，目前大多數(shù)的研究結(jié)果主要依賴(lài)研究人員自主收集的數(shù)據(jù)，研究結(jié)果在可驗(yàn)證性和可比性方面存在不足。

未來(lái)的智慧農(nóng)機(jī)發(fā)展主要體現(xiàn)在兩個(gè)方面：一是機(jī)器學(xué)習(xí)技術(shù)將與農(nóng)業(yè)機(jī)器人、傳感器、物聯(lián)網(wǎng)深度融合，能夠根據(jù)農(nóng)作物的生長(zhǎng)情況和環(huán)境變化，進(jìn)行實(shí)時(shí)的監(jiān)測(cè)和預(yù)警，有效提高農(nóng)業(yè)生產(chǎn)的精細(xì)化和科學(xué)化水平。二是機(jī)器學(xué)習(xí)算法與嵌入式機(jī)器視覺(jué)緊密結(jié)合，推動(dòng)機(jī)器學(xué)習(xí)技術(shù)在圖像的定位和處理方法上的創(chuàng)新和發(fā)展，從而廣泛應(yīng)用到農(nóng)作物的除草和病蟲(chóng)害防治、農(nóng)產(chǎn)品的采摘和分級(jí)等環(huán)節(jié)。

參考文獻(xiàn)：

[1] 何彥林.智慧農(nóng)機(jī)發(fā)展現(xiàn)狀及趨勢(shì)預(yù)測(cè)[J].農(nóng)機(jī)使用與維修，2021（8）：22-23.

[2] Salim C，Mitton N.Machine learning based data reduction in WSN for smart agriculture[M]//Advanced Information Networking and Applications.Cham：Springer International Publishing，2020：127-138.

[3] 呂龍偉.輕量級(jí)無(wú)人機(jī)網(wǎng)絡(luò)安全通信協(xié)議[D].西安：西安電子科技大學(xué)，2020.

[4] Kumar R，Kumar P，Tripathi R，et al.SP2F：a secured privacy-preserving framework for smart agricultural Unmanned Aerial Vehicles[J].Computer Networks，2021，187：107819.

[5] 張瑞森，萬(wàn)興鴻，陳子穎，等.基于Cycle-GAN+Faster R-CNN的除草機(jī)器人雜草識(shí)別算法研究[J].南方農(nóng)機(jī)，2021，52（15）：7-10.

[6] 劉俊.油茶林害蟲(chóng)植物源引誘劑研制[D].長(zhǎng)沙：中南林業(yè)科技大學(xué)，2017.

[7] 郭陽(yáng)，許貝貝，陳桂鵬，等.基于卷積神經(jīng)網(wǎng)絡(luò)的水稻蟲(chóng)害識(shí)別方法[J].中國(guó)農(nóng)業(yè)科技導(dǎo)報(bào)，2021，23（11）：99-109.

[8] 王芳，崔丹丹，李林.基于深度學(xué)習(xí)的采摘機(jī)器人目標(biāo)識(shí)別定位算法[J].電子測(cè)量技術(shù)，2021，44（20）：162-167.

[9] 周軍，蔡建，郭俊先，等.基于機(jī)器視覺(jué)的核桃仁特征提取與分級(jí)方法研究[J].江蘇農(nóng)業(yè)科學(xué)，2018，46（11）：175-179.

【通聯(lián)編輯：唐一東】