智能技術在農作物四情監測中的應用

安徽省農業信息中心 丁作坤

科大國創軟件股份有限公司 趙 龍 馮強中 周 源

在農業生產過程中，如未及時掌握農作物四情狀態，則無法保證農作物的產量，影響著農業從業者的收入和農產品市場的穩定。隨著物聯網、大數據、人工智能技術的發展，讓農作物“四情”的智能監管成為可能。通過IOT設備對農田的環境、作物狀態等數據的采集，經清洗后匯聚大數據中心。利用智能技術對歷史數據建模，構建“四情”預測模型庫，實現對農作物病蟲害識別、精準施肥施藥、產量預估等智能應用，保證了農作物的健康發展。

1 背景簡介

我國是農業大國，農業始終是國民經濟的基礎。通過利用現代信息技術改造傳統農業、裝備農業，實現精準智能農業，是實現農業現代化的重要途徑。其中精準智能農業就是建立在高新技術基礎上的新型農業，其核心思想是利用物聯網技術集成先進傳感器、無線通訊和網絡等高新技術，對農業資源環境、農作物生長等的實時監測，獲取植物生長發育狀態、病蟲害、水肥狀況以及相應生態環境的實時信息，進行實時感知采集和實地視頻圖像采集，采用智能算法等算法建模分析，實現智能化對農作物四情監控管理，從而保證農作物的健康成長和農業的穩定發展。

安徽省農作物四情監測系統是一套利用現代物聯網技術實時準確掌握大田作物生物進程和“四情”動態，并利用人工智能算法對農作物生長趨勢預測、病蟲害識別、墑情預測、災情影響面積預測的解決方案。該系統能對大田作物苗情、墑情、病蟲情、災情以及作物各生育階段的長勢長相進行動態監測和趨勢分析，并對病蟲害識別、墑情預測、災情影響面積預測，能高效調度指揮大田作物生產、田間管理和抗災救災，實現農業多源信息的智能采集、傳輸、在線智能分析和應用，促進農業信息資源整合，強化農產品質量安全智能監管，探索農業物聯網應用運行機制和模式，帶動農業物聯網技術產業的發展和AI算法助力于農業發展。

2 相關智能技術介紹

近年來，人工智能（Artificial Intelligence，AI）是各行各業的熱門話題，已成功應用于金融、司法、農業等眾多領域。其中在農業大數據領域，人工智能常用的智能算法主要有數據挖掘和圖像識別算法。前者通過對數據的建模分析，可構建異常檢測、時序預測、數據分類等智能應用；后者主要通過對標注的圖像數據進行學習，可實現對圖像分類、目標檢測等智能化應用。下面將重點介紹兩類智能技術。

2.1 數據挖掘

數據挖掘是一門交叉學科，覆蓋了機器學習、統計學、計算機程序設計、數學與算法、數據庫、市場營銷、數據可視化等領域的理論和實踐成果。其是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數據中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。數據挖掘包含四大類模型：分類、聚類、預測和關聯。建模過程主要包括：

（1）業務理解：根據對業務目標的分析，將其轉換成數據挖掘中具體的模型類別；

（2）數據理解：通過相應的工具分析數據的質量，確定可用的數據并明確數據的表征；

（3）數據準備：根據具體模型類別的應用對數據進行相應的處理，構建相應的數據集；

（4）模型建立：選擇合適的算法對數據集進行建模，迭代優化模型參數，構建知識模型；

（5）模型評估：應用相應的模型評估準則來評估模型的準確性、泛化能力；

（6）模型發布：當模型評估符合業務需求時，根據實際應用場景將模型封裝部署，賦能業務生產。

以上數據挖掘建模的整理流程是不斷迭代更新的，當模型評估不能滿足業務場景時，需要從頭開始優化更新模型，直到滿足業務場景需求。

2.2 圖像識別

圖像識別是機器學習廣泛應用之一，是使用多層神經網絡和海量數據的算法，對圖像做出各種處理、分析，經過訓練完成任務，最后識別出我們所要研究的目標。主要過程包括：

（1）圖像采集：通過提取待識別的物體的數字圖像并存儲在計算機內。數字圖像主要借助于數字攝像機、數碼相機等設備經過采樣數字化得到的圖像，也包括一些動態圖像，并可以將其轉化為數字圖像和文字、圖形、聲音一起儲存在計算機內，顯示在計算機的屏幕上。

（2）圖像預處理：針對原始數字圖像進行系列預處理操作，方面下一步的特征提取與模型構建。圖像預處理往往是指對原始數字圖像進行各種變換，比如白化、去噪、增強、均值濾波、分割、二值化等，從而提高其在后續過程中的算法運行效率。

（3）特征提取：根據具體的圖像識別任務，將數字圖像中的稠密的像素點值信息進行空間特征提取，便于計算機理解圖像內容。通常特征提取的方法為采用卷積核、池化等操作進行圖像中形狀、顏色、紋理、尺寸信息等結構性特征或全局特征。

（4）圖像識別：通過對數字圖像的重要特征提取成特征向量之后，即可應用機器學習算法將圖像與相應的標簽進行迭代訓練，構建相應場景下的圖像識別模型，實現對未知圖像的智能識別。其中的機器學習算法包括支持向量機、神經網絡等。

上述的圖像識別整體流程是不斷迭代反復，直到達到理想的效果。近年來隨著深度學習的發展，上述流程中的特征提取和圖像識別都已融合在相應深度學習算法中實現，常用算法有VGG16、Inception V3等。

3 農作物四情智能決策

農作物“四情”智能決策系統利用現代信息技術準確掌握農作物生育進程和四情動態，對苗情、墑情、病蟲草情、災情以及各生育階段的長勢長相進行動態監測、智能趨勢分析、智能識別、產量預測等，對生產、田間管理和抗災救災進行快捷高效的調度指揮，提高智能精細生產和田間智能管理的能力，及時發現生產中存在的問題，制定田管技術對策，提出田管意見或建議，更好地開展技術指導，促進農業增產增收。

農作物四情智能決策架構主要分為數據層、算法層和應用層，數據層主要采集四情相關的數據，算法層為在針對應用層所設計算法類，應用層為基于數據層和算法層基礎上，進行農作物四情相關監控指標進行智能化識別、預測等。

3.1 數據層

安徽省農作物四情監測系統通過對農業相關數據的采集匯聚，并基于數據構建智能化應用賦能農作物四情智能監測。其中采集的數據主要包括農業資源環境數據、農業影像數據、農業生產管理數據、農作物本體數據、農業災害數據、地理信息數據、病蟲害數據等。采集的數據主要有兩種數據來源，一種是來自于物聯網設備、高清攝像頭設備對實時農田的環境數據、影像數據的采集，另一種是從其他農業系統的對接過來的生產管理數據、本體數據、災害數據、地理數據等。對于采集到的各類涉農數據，通過定制化腳本對其進行清洗、加工，構建高質量的農業數據集并發布數據集市，用于后續的數據挖掘建模以及圖像識別的應用。

3.2 算法層

對于采集到農作物長勢長相、環境參數、農作物影像以及其他人工監測點相關參數的信息數據等為主要數據源，通過數據挖掘技術（回歸、分類、聚類、關聯分析等）和圖像識別技術（圖像分類、目標檢測、圖像理解等），針對不同問題，采用相應算法技術，比如對于病蟲害識別，采用圖像識別中圖像分類或者目標檢測算法進行病蟲害進行識別和診斷，利用回歸分析算法對大田施肥施藥等方面預估。

針對植物的病蟲害識別，融合病蟲害圖像、狀態數據等多模態信息，應用圖像算法提取圖像特征，應用人工特征工程提取狀態時序特征，融合兩者特征構建后應用機器學習算法對病蟲害進行識別，當預測誤差通過測試后發布模型，應用農作物生成過程中的病蟲害監測與識別。

3.3 應用層

結合數據層和算法層，進行農作物四情相關監控指標進行智能化決策實現流程，主要實現了對病蟲害識別和發展趨勢預測、施肥施藥預測、農作物產量估量等應用。

（1）病蟲害識別和發展趨勢分析

針對對于農作物上病害蟲識別和診斷系統，包含了小麥白粉病、小麥赤霉病、小麥麥蜘蛛、小麥紋枯病、小麥誘病、小麥吸漿病、小麥粘蟲、小麥蚜蟲等首先數據采集，一方面來說監測點拍攝視頻圖像，進行視頻圖像預處理，主要收集包含病蟲害農作物圖片。利用圖像識別算法能夠對快速及時發現農作物病蟲害，進行識別以及統計單位面積內密度；另一方面進行人工周期性實地采調研的小麥苗情，并針對每種病蟲害統計相關指標。比如：1）小麥白粉病：生育期、病株率、病葉率、病指、大標面積占種植面積、主要發病品類；2）小麥赤霉病：病穗率、病指、病穗率達3%以上面積占種植面積、主要發病品種；3）小麥麥蜘蛛：生育期、最高/平均每市行長螨量、達標面積占種面積；4）小麥紋枯病：生育期、病株率、侵莖率、病指、白穗率、達標面積占種植面積、主要發病品種；5）小麥吸漿病：生育期、平均蟲口密度（頭/樣方）、最高蟲口密度（頭/樣方）、幼蟲盛期剝穗穗被害率(%)、幼蟲盛期剝穗百穗蟲頭量（頭）、幼蟲盛期剝穗穗粒被害率(%)、幼蟲盛期剝穗損失率(%)；6）其他情況。在初步統計病蟲害數據集基礎上，通過數據挖掘技術，對其發展趨勢分析。最后結合智能化識別病蟲害和周期性分析病蟲害發展趨勢，實現對農作物的病蟲害的智能監測與預防，保障了農作物的健康成長。

（2）精準施肥施藥

一方面通過對農作物生長環境的歷史數據（溫度、濕度、苗情）進行分析，并結合專家知識和歷史施肥數據，應用智能算法構建精準施肥模型，可分析出具體區域是否需要施肥以及相應的施肥處方。另一方面，通過采集農田的視頻圖像數據，應用病蟲害圖像識別模型，識別出相應的農作物是否感染相應的病蟲害，并應用專家知識構建病蟲害施藥知識圖譜，推薦相應施藥藥房。通過結合實時采集數據與智能算法模型，可實現農作物生成的精準施肥施藥，保障農作物穩定生產。

（3）產量智能估算

對于農作物產量估算，主要是從農業氣象環境、農作物成長數據、植被覆蓋指數、病蟲害識別及發展預測、施肥等信息進行分析。首先利用實時遙感指數和高清攝像頭拍攝的農田影像數據，計算農作物不同時間點的同比變化率、環比變化率，實現區域農作物生長狀況的量化評估。其次利用植被覆蓋指數（NDVI）對農作物的生長過程趨勢進行建模，實現對生長趨勢進行評估。其中NDVI=(NIR-R)/(NIR+R)，NIR：近紅外波段的反射率值；R：紅波段的反射率值。然后對農業氣象環境分析，在氣象觀測站點的觀測數據包含空氣濕度和溫度、太陽輻射、風速、風向、雨量等的基礎上，融入區域的歷史氣象數據，應用機器學習算法分析區域的氣象變化趨勢，實現區域氣象評估。最后對農業氣象災害災情指標進行統計，其中包括受災率、成災率、絕收率、受災面積和成災面積變化、受災強度指數變化；此外還分析農業土壤不同層次濕度不同周期內變化趨勢。再結合病蟲害信息和施肥等相關的數據，分析農作物產量和上述相關因子之間關系，通過數據挖掘建模流程構建農作物產量和影響因子之前的回歸模型，實現對當季度農作物趨勢分析和產量預估。

4 結語

綜上所述，本文立足于安徽省農作物四情智能監測系統，提出以數據層、算法層和應用層為核心的農作物四情智能決策體系。通過數據采集工具將農田的環境數據、影像數據、病蟲害數據等進行清洗、加工后發布數據集市；再應用數據挖掘、圖像識別等智能技術，結合實際應用場景構建病蟲害識別模型、精準施肥施藥模型、產量估算模型等農作物四情模型庫，賦能農業生產。通過構建農作物四情智能監測系統，一方面實現對農作物四情數據的實時采集與匯總，另一方面應用模型能力對四情進行智能監測預判。隨著系統的應用和數據資產的積累，后期將不斷豐富的農作物四情智能化應用并迭代更新模型，構建智慧農業AI能力生態，全面提升農業生產效率，促進農業的智能化發展。