基于人工智能算法的田間農(nóng)機(jī)作業(yè)無(wú)人化管理系統(tǒng)設(shè)計(jì)

摘要" 本研究以農(nóng)田田塊為管理對(duì)象，設(shè)計(jì)一套智能化管理系統(tǒng)，以掌握田間農(nóng)機(jī)作業(yè)的具體情況，包括作業(yè)農(nóng)機(jī)類(lèi)型、對(duì)應(yīng)農(nóng)事活動(dòng)和作業(yè)時(shí)間等信息。具體而言，以人工智能算法為基礎(chǔ)，通過(guò)機(jī)器視覺(jué)方法，自動(dòng)捕捉并識(shí)別田間農(nóng)機(jī)，從而獲取準(zhǔn)確的田塊作業(yè)農(nóng)機(jī)類(lèi)型及其所關(guān)聯(lián)的生產(chǎn)信息。整個(gè)系統(tǒng)集成了感知設(shè)備、人工智能算法和應(yīng)用軟件平臺(tái)，其構(gòu)成簡(jiǎn)單，環(huán)境通用性強(qiáng)，可以為農(nóng)場(chǎng)的無(wú)人化管理提供有效工具，為生產(chǎn)管理模式提供參考。

關(guān)鍵詞" 人工智能算法；機(jī)器視覺(jué)；農(nóng)業(yè)機(jī)械識(shí)別；農(nóng)機(jī)作業(yè)

中圖分類(lèi)號(hào)" S24" " " "文獻(xiàn)標(biāo)識(shí)碼" A" " " "文章編號(hào)" 1007-7731（2024）17-0096-05

DOI號(hào)" 10.16377/j.cnki.issn1007-7731.2024.17.023

Design of unmanned management system for field agricultural machinery operations based on artificial intelligence algorithms

WU Xiaowei" " LUO Tingbao

（Anhui Zhongke Intelligent Sense Technology Co.， Ltd.， Wuhu 241000， China）

Abstract" The farmland was taken as management object， and an intelligent management system was designed to grasp the specific situation of agricultural technology operations in the field， including the type of agricultural machinery， corresponding agricultural activities， and operation time. Specifically， based on artificial intelligence algorithms， machine vision methods were used to automatically capture and agricultural machinery were recognized in the field， thereby obtaining accurate types of agricultural machinery for field operations and their associated production information. The entire system integrated sensing devices， artificial intelligence algorithms， and application software platforms， with simple composition and strong environmental universality， which could provide effective tools for unmanned management of farms， and provide references for new production management models.

Keywords" artificial intelligence algorithms; machine vision; agricultural machinery identification; machinery operation

大田農(nóng)業(yè)種植生產(chǎn)過(guò)程中，農(nóng)業(yè)機(jī)械作業(yè)的管理是貫穿種植周期的重要環(huán)節(jié)之一。智慧農(nóng)業(yè)采用智能化裝備和系統(tǒng)，對(duì)農(nóng)業(yè)基礎(chǔ)設(shè)施進(jìn)行現(xiàn)代化改造，極大提升了農(nóng)業(yè)生產(chǎn)管理的效率。羅錫文等[1]以植物生產(chǎn)為例，介紹了智能農(nóng)機(jī)的智能感知、自動(dòng)導(dǎo)航、精準(zhǔn)作業(yè)和智慧管理等功能，分析了集成相關(guān)智能農(nóng)機(jī)創(chuàng)建水稻無(wú)人農(nóng)場(chǎng)的實(shí)踐和無(wú)人農(nóng)場(chǎng)的特點(diǎn)，包括耕種管收生產(chǎn)環(huán)節(jié)全覆蓋、機(jī)庫(kù)田間轉(zhuǎn)移作業(yè)全自動(dòng)、自動(dòng)避障異況停車(chē)保安全、作物生產(chǎn)過(guò)程實(shí)時(shí)全監(jiān)控和智能決策精準(zhǔn)作業(yè)全無(wú)人化。胡健[2]研究認(rèn)為，大田農(nóng)業(yè)生產(chǎn)正逐步向自動(dòng)化、智能化演進(jìn)。在農(nóng)業(yè)土地大規(guī)模、跨區(qū)域流轉(zhuǎn)和種植托管模式不斷發(fā)展的背景下，大田農(nóng)業(yè)種植生產(chǎn)中的農(nóng)業(yè)機(jī)械作業(yè)成為農(nóng)業(yè)管理的重要一環(huán)，如農(nóng)機(jī)的具體作業(yè)范圍、作業(yè)面積、在不同地塊的作業(yè)時(shí)間以及作業(yè)效率等，均是生產(chǎn)管理的重要組成部分。孫夢(mèng)遙等[3]示范推廣了集物聯(lián)網(wǎng)、大數(shù)據(jù)應(yīng)用為一體的農(nóng)機(jī)深松整地作業(yè)遠(yuǎn)程監(jiān)測(cè)技術(shù)，結(jié)合田間試驗(yàn)進(jìn)行校驗(yàn)，農(nóng)機(jī)作業(yè)管理通過(guò)為每臺(tái)農(nóng)機(jī)裝配專(zhuān)用傳感器和物聯(lián)網(wǎng)設(shè)備，收集農(nóng)機(jī)的具體位置數(shù)據(jù)，掌握特定農(nóng)機(jī)的作業(yè)面積和作業(yè)質(zhì)量。結(jié)果表明，該技術(shù)為深松整地作業(yè)補(bǔ)貼提供了科學(xué)量化依據(jù)。實(shí)踐中，由于大量農(nóng)機(jī)跨區(qū)域作業(yè)，或暫未配置監(jiān)測(cè)設(shè)備，種植者難以有效掌握農(nóng)機(jī)在田間的具體作業(yè)時(shí)間和作業(yè)情況。此外，種植者的農(nóng)田生產(chǎn)種植計(jì)劃通常以每個(gè)地塊為單位，單個(gè)農(nóng)機(jī)的作業(yè)數(shù)據(jù)很難與具體的農(nóng)田地塊信息相匹配，管理需求有待得到進(jìn)一步滿(mǎn)足，農(nóng)場(chǎng)的無(wú)人化管理有待更新更加匹配的監(jiān)測(cè)技術(shù)手段[4]。

本研究以農(nóng)田地塊為管理核心，利用人工智能算法開(kāi)發(fā)了一套農(nóng)機(jī)圖像識(shí)別技術(shù)，使用固定式攝像機(jī)作為數(shù)據(jù)采集工具，實(shí)現(xiàn)了田間農(nóng)機(jī)作業(yè)的無(wú)人化管理。該識(shí)別技術(shù)能夠自動(dòng)辨識(shí)農(nóng)機(jī)的類(lèi)型，結(jié)合系統(tǒng)可以進(jìn)一步獲取農(nóng)機(jī)作業(yè)的類(lèi)型、農(nóng)事活動(dòng)的開(kāi)始和結(jié)束時(shí)間等信息，并判斷這些信息是否與農(nóng)事計(jì)劃相符，從而實(shí)現(xiàn)高度自動(dòng)化田間管理。

1 系統(tǒng)架構(gòu)與業(yè)務(wù)構(gòu)成分析

整體系統(tǒng)采用了分層架構(gòu)策略，分為感知層、平臺(tái)層和應(yīng)用層（圖1），以?xún)?yōu)化農(nóng)業(yè)管理流程和提高系統(tǒng)的可維護(hù)性。感知層由固定式攝像機(jī)組成，攝像機(jī)配備了1/1.8、約400萬(wàn)像素的互補(bǔ)金屬氧化物半導(dǎo)體（Complementary metal oxide semiconductor，CMOS）圖像傳感器，并安裝于5.5 m高的立桿上，以覆蓋農(nóng)田的監(jiān)測(cè)需求。通過(guò)寬帶網(wǎng)絡(luò)，攝像機(jī)將捕獲的圖像數(shù)據(jù)實(shí)時(shí)傳輸至互聯(lián)網(wǎng)平臺(tái)，實(shí)現(xiàn)與系統(tǒng)軟件平臺(tái)的數(shù)據(jù)對(duì)接。平臺(tái)層的核心功能為農(nóng)機(jī)識(shí)別算法，負(fù)責(zé)對(duì)攝像機(jī)視野內(nèi)的視頻圖像進(jìn)行連續(xù)識(shí)別、處理與數(shù)據(jù)存儲(chǔ)。應(yīng)用層則面向用戶(hù)，提供了一套田間農(nóng)機(jī)作業(yè)無(wú)人化管理軟件，為農(nóng)田種植管理設(shè)計(jì)并實(shí)現(xiàn)監(jiān)測(cè)農(nóng)機(jī)活動(dòng)、統(tǒng)計(jì)農(nóng)事信息等功能。

2 系統(tǒng)業(yè)務(wù)實(shí)現(xiàn)方案分析

該系統(tǒng)的業(yè)務(wù)實(shí)現(xiàn)分為以下關(guān)鍵步驟。首先，調(diào)整田間配置攝像機(jī)的角度和視野范圍，精確設(shè)定攝像機(jī)所需監(jiān)測(cè)的農(nóng)田區(qū)域，確保攝像機(jī)可以不間斷地采集視頻數(shù)據(jù)，實(shí)時(shí)捕捉目標(biāo)田塊的圖像信息。其次，平臺(tái)層的農(nóng)機(jī)識(shí)別算法對(duì)所捕獲的視頻圖像進(jìn)行連續(xù)處理和分析。當(dāng)算法識(shí)別出目標(biāo)對(duì)象時(shí)，會(huì)將識(shí)別結(jié)果及相關(guān)信息（如出現(xiàn)時(shí)間、農(nóng)機(jī)類(lèi)型和攝像機(jī)編號(hào)等）傳遞給應(yīng)用層軟件，并繼續(xù)執(zhí)行識(shí)別分析任務(wù)。若未發(fā)現(xiàn)目標(biāo)農(nóng)機(jī)對(duì)象，算法將持續(xù)進(jìn)行識(shí)別分析。最后，應(yīng)用層軟件根據(jù)所接收的農(nóng)機(jī)識(shí)別結(jié)果及附加信息，自動(dòng)記錄農(nóng)機(jī)進(jìn)入和離開(kāi)特定農(nóng)田區(qū)塊的時(shí)間，并計(jì)算目標(biāo)農(nóng)機(jī)在特定區(qū)塊的準(zhǔn)確作業(yè)時(shí)長(zhǎng)。這與王登輝等[5]利用車(chē)載路由器組建播種監(jiān)測(cè)終端和車(chē)載計(jì)算機(jī)之間的局域網(wǎng)，實(shí)現(xiàn)對(duì)播種數(shù)據(jù)與導(dǎo)航數(shù)據(jù)的融合同步，并通過(guò)網(wǎng)絡(luò)連接傳輸給云平臺(tái)進(jìn)行數(shù)據(jù)存儲(chǔ)與實(shí)時(shí)展示有相似之處。此外，該應(yīng)用層軟件還可根據(jù)農(nóng)機(jī)類(lèi)型的識(shí)別結(jié)果自動(dòng)生成相應(yīng)的農(nóng)事作業(yè)記錄，并與農(nóng)事計(jì)劃進(jìn)行自動(dòng)對(duì)照，從而輔助管理人員落實(shí)和確認(rèn)農(nóng)事計(jì)劃的執(zhí)行情況。例如，收獲機(jī)對(duì)應(yīng)收獲作業(yè)，插秧機(jī)對(duì)應(yīng)插秧作業(yè)等。為保證識(shí)別時(shí)效性，平臺(tái)層的識(shí)別算法會(huì)直接讀取攝像機(jī)視頻流數(shù)據(jù)，并進(jìn)行動(dòng)態(tài)識(shí)別分析，將時(shí)間延遲控制在50 ms以?xún)?nèi)。

3 系統(tǒng)農(nóng)機(jī)識(shí)別算法實(shí)現(xiàn)分析

平臺(tái)層的農(nóng)機(jī)識(shí)別技術(shù)基于物體檢測(cè)基礎(chǔ)算法[6]，旨在實(shí)現(xiàn)對(duì)特定農(nóng)機(jī)圖像的準(zhǔn)確識(shí)別。為訓(xùn)練農(nóng)機(jī)識(shí)別模型，首先，界定目標(biāo)識(shí)別對(duì)象為插秧機(jī)、拖拉機(jī)和收獲機(jī)3種農(nóng)機(jī)，并將應(yīng)用場(chǎng)景限定在1.3 hm2以下的農(nóng)田中。該界定面積是農(nóng)田的常見(jiàn)規(guī)格，適合大多數(shù)常用攝像機(jī)的清晰視野范圍。其次，構(gòu)建田間農(nóng)機(jī)圖像訓(xùn)練樣本的數(shù)據(jù)集，使用樣本數(shù)據(jù)集和物體檢測(cè)算法進(jìn)行農(nóng)機(jī)識(shí)別模型訓(xùn)練。再次，對(duì)訓(xùn)練模型進(jìn)行測(cè)試，并基于測(cè)試結(jié)果對(duì)模型作進(jìn)一步優(yōu)化。最后，當(dāng)滿(mǎn)足應(yīng)用需求的模型完成并通過(guò)測(cè)試后，將完整的識(shí)別算法結(jié)合識(shí)別模型導(dǎo)入服務(wù)器，集成到應(yīng)用系統(tǒng)中。系統(tǒng)農(nóng)機(jī)識(shí)別算法實(shí)現(xiàn)流程如圖2所示。

3.1 數(shù)據(jù)集準(zhǔn)備

在數(shù)據(jù)集的構(gòu)建過(guò)程中，主要采用兩種方法來(lái)收集圖像樣本。一是直接在農(nóng)田現(xiàn)場(chǎng)通過(guò)安裝的攝像機(jī)捕捉農(nóng)機(jī)視頻圖像，并從中提取具有訓(xùn)練價(jià)值的靜態(tài)圖像幀；二是使用網(wǎng)絡(luò)爬蟲(chóng)工具在互聯(lián)網(wǎng)上搜索實(shí)際農(nóng)機(jī)作業(yè)場(chǎng)景的圖片，特別是拍攝角度與田間攝像機(jī)相似的圖片。以上兩種方法為模型訓(xùn)練提供了豐富有效的圖像樣本庫(kù)。

為確保數(shù)據(jù)集的多樣性，在以水稻種植為主的農(nóng)場(chǎng)進(jìn)行圖像數(shù)據(jù)的采集。共安裝了30套標(biāo)準(zhǔn)攝像機(jī)，按照農(nóng)機(jī)距離攝像機(jī)0～100和100～200 m的范圍，對(duì)收集到的圖像進(jìn)行分類(lèi)。此外，考慮農(nóng)機(jī)在實(shí)際作業(yè)中可能出現(xiàn)不同的拍攝角度和方向，以及不同時(shí)間拍攝導(dǎo)致圖像亮度和對(duì)比度存在一定差異，在采集圖像樣本時(shí)，專(zhuān)門(mén)在不同的時(shí)間段（早、中和晚）以及不同的光照條件（順光、逆光等）下收集多類(lèi)圖像樣本。典型的樣本圖像如圖3所示，展示了拖拉機(jī)、插秧機(jī)和收獲機(jī)在不同角度、光照度和距離條件下的情況，以確保訓(xùn)練模型的全面性和準(zhǔn)確性。

（A1～2）為典型拖拉機(jī)樣本的側(cè)面俯視視角、正側(cè)面平視視角；（B1～2）為典型插秧機(jī)樣本的側(cè)面平視視角、后面俯視視角；（C1～2）為典型收獲機(jī)樣本的側(cè)面平視視角、正面俯視視角。

3.2 模型訓(xùn)練與優(yōu)化

在成功收集大量樣本數(shù)據(jù)后，將原始圖像數(shù)據(jù)進(jìn)行分類(lèi)和清洗，以形成適用于算法模型訓(xùn)練的訓(xùn)練數(shù)據(jù)集及用于后續(xù)測(cè)試的測(cè)試數(shù)據(jù)集。隨后，對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行標(biāo)注，并將標(biāo)注后的數(shù)據(jù)集輸入算法中進(jìn)行模型訓(xùn)練。通過(guò)訓(xùn)練得到的農(nóng)機(jī)圖像識(shí)別模型被集成到系統(tǒng)中，使用測(cè)試數(shù)據(jù)集對(duì)模型的識(shí)別效果進(jìn)行驗(yàn)證和評(píng)估。為全面評(píng)估算法性能，在虛擬環(huán)境和現(xiàn)場(chǎng)實(shí)地均開(kāi)展測(cè)試，檢驗(yàn)算法標(biāo)準(zhǔn)測(cè)試數(shù)據(jù)集及通過(guò)攝像機(jī)實(shí)時(shí)拍攝的視頻圖像，并實(shí)時(shí)動(dòng)態(tài)識(shí)別檢測(cè)性能。算法模型的測(cè)試重點(diǎn)關(guān)注兩個(gè)核心指標(biāo)，分別為通過(guò)視頻圖像發(fā)現(xiàn)農(nóng)機(jī)的檢出率，以及檢出農(nóng)機(jī)后對(duì)農(nóng)機(jī)類(lèi)型識(shí)別的正確率。

初步建立的算法模型經(jīng)實(shí)測(cè)發(fā)現(xiàn)其中存在許多特異化的農(nóng)機(jī)運(yùn)行場(chǎng)景，這些場(chǎng)景要求對(duì)模型進(jìn)行進(jìn)一步的數(shù)據(jù)采集完善和程序優(yōu)化處理。例如，在水稻種植處于播種、插秧等生育早期階段，農(nóng)田中大面積連片水面產(chǎn)生的反光、倒影可能會(huì)干擾識(shí)別過(guò)程；當(dāng)農(nóng)作物進(jìn)入成熟期，生長(zhǎng)高度較高時(shí)，受攝像機(jī)拍攝角度影響，在圖像中農(nóng)作物可能會(huì)大范圍遮擋農(nóng)機(jī)，導(dǎo)致算法無(wú)法準(zhǔn)確提取農(nóng)機(jī)特征，從而可能漏檢；同一大類(lèi)農(nóng)機(jī)存在不同款型、樣式差異，如水稻收獲機(jī)有、無(wú)封閉駕駛室的區(qū)別，喂入量、輸運(yùn)方式等因素的不同而導(dǎo)致外形樣式、尺寸和主體結(jié)構(gòu)存在差異。對(duì)于上述問(wèn)題，采取樣本數(shù)據(jù)的進(jìn)一步擴(kuò)充和算法優(yōu)化，以提高算法的識(shí)別能力，增強(qiáng)其準(zhǔn)確性和適用性，滿(mǎn)足農(nóng)業(yè)生產(chǎn)實(shí)際中的需求。這與鮑文霞等[7]使用田間采集的作物圖像數(shù)據(jù)集對(duì)模型進(jìn)行預(yù)訓(xùn)練，再使用無(wú)人機(jī)采集的作物圖像數(shù)據(jù)集對(duì)模型進(jìn)行參數(shù)更新和優(yōu)化訓(xùn)練，并在無(wú)人機(jī)采集的圖像數(shù)據(jù)集上進(jìn)行試驗(yàn)的做法存在相似之處。

4 算法模型應(yīng)用效果分析

4.1 識(shí)別應(yīng)用效果

在對(duì)所開(kāi)發(fā)的算法模型進(jìn)行多輪迭代和驗(yàn)證之后，將該模型集成到田間農(nóng)機(jī)作業(yè)無(wú)人化管理系統(tǒng)中，以評(píng)估其實(shí)際應(yīng)用性能。如圖4所示，該算法模型能夠在圖像中準(zhǔn)確框選，并標(biāo)注出所識(shí)別的農(nóng)機(jī)類(lèi)型。圖4A展示了插秧機(jī)在水田中的識(shí)別結(jié)果。插秧階段需要灌溉泡田，存在大面積水面，且插秧機(jī)背面朝向攝像機(jī)，識(shí)別算法在這種復(fù)雜狀態(tài)下亦實(shí)現(xiàn)了準(zhǔn)確檢出和識(shí)別。圖4B～C分別展示了拖拉機(jī)、收獲機(jī)在田間作業(yè)的圖像，其中，拖拉機(jī)距離攝像機(jī)約60 m，收獲機(jī)距離攝像機(jī)約150 m，識(shí)別算法對(duì)兩者均實(shí)現(xiàn)了準(zhǔn)確檢出，并準(zhǔn)確判斷了農(nóng)機(jī)類(lèi)型。在圖4C中，收獲機(jī)周?chē)嬖诿黠@塵土干擾，且拍攝圖像為其側(cè)后方，算法模型亦做出了準(zhǔn)確識(shí)別，體現(xiàn)了其良好的抗干擾能力。圖4D展示了同時(shí)出現(xiàn)3臺(tái)農(nóng)機(jī)（2臺(tái)收獲機(jī)和1臺(tái)拖拉機(jī)）的情況，較近的收獲機(jī)距離攝像機(jī)約40 m，較遠(yuǎn)的收獲機(jī)和拖拉機(jī)距離攝像機(jī)均超過(guò)100 m。該算法模型不僅成功檢出了所有農(nóng)機(jī)，還準(zhǔn)確識(shí)別了其各自的類(lèi)型，證明具備高效的多目標(biāo)檢測(cè)能力。值得指出的是，圖4D中遠(yuǎn)處的拖拉機(jī)距離較遠(yuǎn)且在圖像邊緣，成像尺寸較小，該算法模型依舊準(zhǔn)確檢出并識(shí)別了農(nóng)機(jī)類(lèi)型，展現(xiàn)了其在小目標(biāo)檢測(cè)方面的優(yōu)秀性能。

4.2 算法模型評(píng)估

該算法模型主要從所拍攝的農(nóng)機(jī)圖像識(shí)別檢出率和檢出后兩個(gè)維度來(lái)評(píng)估識(shí)別算法對(duì)農(nóng)機(jī)類(lèi)型的識(shí)別正確率。為全面評(píng)定所開(kāi)發(fā)算法的性能，選取每種機(jī)型各400張圖像進(jìn)行分析，這些圖像中農(nóng)機(jī)與攝像機(jī)的距離分布在0～100和100～200 m，每個(gè)范圍各選取200張。

插秧機(jī)、拖拉機(jī)和收獲機(jī)3種農(nóng)機(jī)在不同距離范圍內(nèi)的識(shí)別檢出率均較高，在0～100 m范圍內(nèi)，各機(jī)型的檢出率均超過(guò)85%，其中，拖拉機(jī)和收獲機(jī)的檢出率超過(guò)了90%；在100～200 m范圍內(nèi)，拖拉機(jī)和收獲機(jī)的檢出率保持在85%以上，插秧機(jī)檢出率較低，為71%。

進(jìn)一步對(duì)檢出的農(nóng)機(jī)識(shí)別正確率進(jìn)行分析，再次考察該算法模型對(duì)已檢出農(nóng)機(jī)的測(cè)試圖像所判斷的農(nóng)機(jī)類(lèi)型正確與否。具體統(tǒng)計(jì)數(shù)據(jù)如表1所示，結(jié)果顯示，在0～100 m范圍內(nèi)，3種農(nóng)機(jī)的識(shí)別正確率均超過(guò)95%；在100～200 m范圍內(nèi)，3種農(nóng)機(jī)的識(shí)別正確率均超過(guò)90%，其中插秧機(jī)的識(shí)別正確率相對(duì)較低，為90.1%。這一結(jié)果與插秧機(jī)較低的識(shí)別檢出率呈現(xiàn)一致性。

綜合分析上述識(shí)別檢出率和識(shí)別正確率的數(shù)據(jù)發(fā)現(xiàn)，插秧機(jī)總體指標(biāo)相比拖拉機(jī)和收獲機(jī)偏低，原因可能是插秧機(jī)的體積較小，且機(jī)體上部外觀(guān)結(jié)構(gòu)大多為細(xì)框架，導(dǎo)致其在遠(yuǎn)距離識(shí)別時(shí)易與背景融合，被算法模型遺漏。

基于測(cè)試情況，拖拉機(jī)等3種農(nóng)機(jī)在0～100 m范圍內(nèi)，均具備了較高的準(zhǔn)確度；在100～200 m范圍內(nèi)，識(shí)別拖拉機(jī)、收獲機(jī)的準(zhǔn)確度較高，對(duì)插秧機(jī)的識(shí)別尚需進(jìn)一步完善才能具備較好的實(shí)用性。不同距離范圍內(nèi)的識(shí)別檢出率和識(shí)別正確率測(cè)試結(jié)果表明，所開(kāi)發(fā)的算法模型能夠有效支持無(wú)人化監(jiān)測(cè)。

4.3 整體系統(tǒng)應(yīng)用效果

本研究開(kāi)發(fā)的整體系統(tǒng)集成了田間安裝的攝像機(jī)實(shí)時(shí)監(jiān)測(cè)農(nóng)機(jī)作業(yè)，實(shí)現(xiàn)了迅速識(shí)別農(nóng)機(jī)類(lèi)型的核心功能。所開(kāi)發(fā)的算法模型不僅在單一目標(biāo)檢測(cè)上表現(xiàn)出色，在復(fù)雜環(huán)境下的多目標(biāo)檢測(cè)和小目標(biāo)檢測(cè)方面也具有強(qiáng)大的應(yīng)用能力和高度的檢測(cè)準(zhǔn)確性?；谧R(shí)別結(jié)果，系統(tǒng)軟件應(yīng)用實(shí)現(xiàn)了記錄各農(nóng)田地塊中農(nóng)機(jī)作業(yè)的起止時(shí)間，進(jìn)而根據(jù)農(nóng)機(jī)類(lèi)型推斷農(nóng)事活動(dòng)種類(lèi)等功能，并自動(dòng)生成和記錄農(nóng)事活動(dòng)。這不僅提高了農(nóng)機(jī)作業(yè)監(jiān)測(cè)的實(shí)時(shí)性和準(zhǔn)確性，而且通過(guò)自動(dòng)化數(shù)據(jù)處理，優(yōu)化了農(nóng)場(chǎng)管理流程。這與王偉康等[8]利用無(wú)人系統(tǒng)采集多光譜影像，通過(guò)人工神經(jīng)網(wǎng)絡(luò)算法融合光譜和紋理信息，有效提升了監(jiān)測(cè)精度具有一定的相似之處。

5 結(jié)語(yǔ)

本研究設(shè)計(jì)了一套基于人工智能算法的無(wú)人化農(nóng)機(jī)作業(yè)管理系統(tǒng)，該系統(tǒng)利用視覺(jué)圖像識(shí)別技術(shù)，實(shí)現(xiàn)了對(duì)田間農(nóng)機(jī)作業(yè)情況的自動(dòng)化監(jiān)測(cè)與管理。通過(guò)專(zhuān)門(mén)針對(duì)拖拉機(jī)、插秧機(jī)和收獲機(jī)3種主要農(nóng)機(jī)類(lèi)型的圖像識(shí)別算法模型，無(wú)需人工干預(yù)，依賴(lài)機(jī)器視覺(jué)技術(shù)，可準(zhǔn)確識(shí)別農(nóng)機(jī)類(lèi)型，并掌握關(guān)聯(lián)作業(yè)的相關(guān)信息?；谀壳暗脑O(shè)計(jì)成果，后續(xù)工作將圍繞3個(gè)主要方向進(jìn)行：一是參考石欣等[9]的研究，進(jìn)一步完善算法與攝像機(jī)設(shè)備的配合，提高遠(yuǎn)距離、小尺寸農(nóng)機(jī)，特別是類(lèi)似插秧機(jī)的識(shí)別檢出率和識(shí)別正確率；二是參考Cheng等[10]的研究，擴(kuò)展可識(shí)別的農(nóng)機(jī)種類(lèi)，包括自走式噴桿噴霧機(jī)、打捆機(jī)等；三是加強(qiáng)算法對(duì)農(nóng)機(jī)攜帶或拖掛農(nóng)機(jī)具的識(shí)別能力，以便通過(guò)農(nóng)機(jī)具的識(shí)別更準(zhǔn)確地判斷當(dāng)前的農(nóng)事活動(dòng)，例如，通過(guò)拖拉機(jī)攜帶的農(nóng)機(jī)具，判斷拖拉機(jī)正在從事耕地或者施肥工作。

該系統(tǒng)的應(yīng)用降低了人工管理成本，提高了管理效率和質(zhì)量，實(shí)現(xiàn)了農(nóng)田管理的連續(xù)性和自動(dòng)化，可以作為無(wú)人化農(nóng)場(chǎng)運(yùn)營(yíng)管理體系建設(shè)的一個(gè)有效組成部分，為無(wú)人化農(nóng)場(chǎng)的發(fā)展提供新的技術(shù)手段和管理工具。

參考文獻(xiàn)

[1] 羅錫文，廖娟，胡煉，等. 我國(guó)智能農(nóng)機(jī)的研究進(jìn)展與無(wú)人農(nóng)場(chǎng)的實(shí)踐[J]. 華南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2021，42（6）：8-17.

[2] 胡健. 淺談數(shù)字技術(shù)賦能農(nóng)業(yè)高質(zhì)量發(fā)展[J]. 安徽農(nóng)學(xué)通報(bào)，2022，28（8）：152-154.

[3] 孫夢(mèng)遙，徐嵐俊，宮少俊，等. 農(nóng)機(jī)深松整地作業(yè)遠(yuǎn)程監(jiān)控技術(shù)示范應(yīng)用與效果評(píng)價(jià)[J]. 農(nóng)業(yè)工程，2021，11（12）：30-34.

[4] XU J P，ZHAO W X，WEI C Y，et al. A model for recognizing farming behaviors of plantation workers[J]. Computers and electronics in agriculture，2022，202：107395.

[5] 王登輝，盧邦，李強(qiáng)，等. 油菜直播機(jī)組無(wú)人播種作業(yè)遠(yuǎn)程監(jiān)測(cè)系統(tǒng)設(shè)計(jì)[J]. 華中農(nóng)業(yè)大學(xué)學(xué)報(bào)，2023，42（3）：260-270.

[6] SHENG J J，SUN Y Q，HUANG H，et al. HBRNet：boundary enhancement segmentation network for cropland extraction in high-resolution remote sensing images[J]. Agriculture，2022，12（8）：1284.

[7] 鮑文霞，謝文杰，胡根生，等. 基于TPH-YOLO的無(wú)人機(jī)圖像麥穗計(jì)數(shù)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2023，39（1）：155-161.

[8] 王偉康，張嘉懿，汪慧，等. 基于固定翼無(wú)人機(jī)多光譜影像的水稻長(zhǎng)勢(shì)關(guān)鍵指標(biāo)無(wú)損監(jiān)測(cè)[J]. 中國(guó)農(nóng)業(yè)科學(xué)，2023，56（21）：4175-4191.

[9] 石欣，盧灝，秦鵬杰，等. 一種遠(yuǎn)距離行人小目標(biāo)檢測(cè)方法[J]. 儀器儀表學(xué)報(bào)，2022，43（5）：136-146.

[10] CHENG G，YUAN X，YAO X W，et al. Towards large-scale small object detection：survey and benchmarks[J]. IEEE transactions on pattern analysis and machine intelligence，2023，45（11）：13467-13488.

（責(zé)任編輯：楊歡）