機器學習在無人農場中的應用現狀與展望*

王寶聚，蘭玉彬，陳蒙蒙，柳寶虎，王國賓，劉海濤

(1. 山東理工大學農業工程與食品科學學院，山東淄博，255000； 2. 國家精準農業航空施藥技術國際聯合研究中心山東理工大學分中心，山東淄博，255000； 3. 山東理工大學電氣與電子工程學院，山東淄博，255000)

0 引言

農業是世界上最重要的產業之一[1]，因為糧食是每個人所必須的，它保證了全球人口的生存,農業的快速發展使得饑餓危機不再出現[2]。在當今全球人口不斷增長的趨勢下，需要更多的農業勞動力來維持農業生產[3]；然而，在之前的幾十年中，從事農業勞動的農民的平均年齡正在快速增大，從事農業勞動的45～64歲的人口占比已經從2006年的33.48%增長至2016年的43.48%[4]，因此，當前的農業研究主要以更少的勞動力提升更高質量的農業生產為主[1]。

隨著信息技術的快速發展，物聯網(IoT)[5-6]、機器人技術[7-8]、大數據[9]和人工智能(AI)[10-11]等世界最前沿的技術在農業中的應用越來越廣泛和成熟，使得無人農場的作業模式從構想變成現實，極大解放了生產力，提高了資源利用率；在無人農場作業模式中，人工智能技術起著思考和決策的作用，而機器學習是人工智能最重要的技術之一[12]。

隨著機器學習技術逐漸成功地應用于其他科學領域，例如生物信息學[13]、醫學[14]、視覺跟蹤[15]、機器人技術[7]、氣候學[16]、遙感圖像處理[17-18]等，使得農業科學家、學者越來越關注機器學習在農業領域的應用，也是農業領域目前最具有前沿性、現代性和前景的技術[19]。本文在介紹無人農場以及機器學習概念的基礎上，結合機器學習技術在山東理工大學生態無人農場的實際經驗，總結其在生態無人農場的應用現狀以及未來的發展方向，為以后機器學習能更好的應用在無人農場提供參考。

1 無人農場以及機器學習概念

1.1 無人農場概念

隨著我國農業資源出現過度開發的現象，可用耕地在逐年減少，同時，對農業資源的浪費和無故開發導致了我國農業勞動的環境越來越惡化。現在，我國人口老齡化程度越來越嚴重，從事農業勞動的勞動力越來越少，無人種地的困局越來越明顯。而物聯網、云計算、大數據以及人工智能等信息技術在農業領域的深度應用[20]，使得無人農場具備了產生的經濟條件、社會條件以及技術條件。

無人農場是一種全新的農業生產模式，不需要勞動力的過多參與，通過物聯網、大數據、人工智能、第五代(5G)技術和機器人等多種前沿技術的聯合使用，通過遠程控制，全過程執行無人農場的所有生產活動，實現設備、機械和機器人的自主作業，全過程執行無人農場的所有生產活動[1]。

無人農場使用傳感器技術來監測動植物的生長狀況以及各種生產設備的工作狀況，并使用可靠、高效的通信技術將數據傳輸到云中，例如LoRA無線傳輸通信技術[21]；云平臺通過大數據技術[22]分析和處理數據，生成生產和運營決策，然后將決策信息傳送給機器人，最后由機器人執行特定的生產活動。

在無人農場中，農業生產和經營的全過程要實現精準的管理、自我決策、無人操作以及個性化的服務，從而實現農業生產的可持續發展目標。無人農場的體系結構由基礎層、決策層和應用程序服務層共同組成，其角色和組件描述如下：(1)基礎層包括通信系統和基礎設施系統。(2)決策層是用于無人農場的智能決策云平臺，該平臺進行大量數據資源的分析、處理和存儲，并產生決策。(3)應用層是自動作業設備系統，它利用智能農業設備和物聯網技術，是無人農場的核心組件。

無人農場的三層結構扮演著不同的角色：基礎層對于支持其他系統的運行是必不可少的，基礎層的基礎設施系統和通信系統負責數據的收集和傳輸；決策層執行數據管理并做出與生產和運營相關的決策；應用程序層使用機器而不是人員來進行生產操作。這三層結構相互配合，實現了無人農場安全可靠的智能運行[1]。

1.2 機器學習

機器學習(Machine Learing，ML)是人工智能在計算機科學領域的一個重要的分支，ML名稱由Samuel[23]提出；機器學習是讓計算機模擬人的學習活動，獲取新知識、不斷改善性能和實現自身完善的智能方法。ML的基本原理是構造一種算法，該算法可以接收數據并使用統計技術來預測輸出，同時在有新數據可用時更新輸出[24]。

機器學習方法分為有監督學習、無監督學習和半監督學習，常用的算法有人工神經網絡和深度學習等。

1.2.1 有監督學習

有監督學習是通過已有的訓練樣本去訓練得到一個最優的學習模型，再利用這個學習模型將所有的輸入映射為相應的輸出，對輸出進行簡單的判斷從而實現預測和分類的目的。

1.2.2 無監督學習

無監督學習的訓練樣本沒有任何標記信息，它是通過學習沒有標記信息的訓練樣本來發現數據的內在關系，為進一步的數據分析提供基礎，其適用在沒有足夠的先前經驗、不適合人工標注的場景。

1.2.3 半監督學習

半監督學習是有監督學習和無監督學習的集合，其訓練數據集的數據一部分是有標簽的，另一部分是沒有標簽的，利用少量的標簽數據和大量的無標簽數據進行學習，從而得到相應的輸出。在農業中，由于場景的限制一般會有大量的無標簽數據，因此半監督學習的研究對于農業很有幫助。

1.2.4 人工神經網絡

人工神經網絡(Artificial Neural Network，ANN)簡稱神經網絡(NN)，是模擬人腦的神經系統對復雜信息處理機制的一種數學模型，它實際上是一個由大量簡單元件相互連接而成的復雜網絡，是能夠進行復雜的邏輯操作和非線性關系實現的系統，是監督學習的例子之一[25]。

人工神經元是人工神經網絡操作的基本信息處理單位。人工神經元的結構如圖1。

圖1 人工神經網絡的結構圖Fig. 1 Structure diagram of artificial neural network

一個人工神經元對輸入信號X=[X1,X2,X3…Xm]T的輸出

y=f(u+b)

(1)

(2)

當前，人工神經網絡已經越來越多的應用于信息處理、預測分析等領域[26]。

1.2.5 深度學習

深度學習是機器學習的一個子領域，它是在人工神經網絡上發展起來的，其核心思想是經過數據的驅動[27]，使用非線性變換，在數據中心自動提取多層特征[28]，實質是通過利用非線性信息處理機制，通過有監督和無監督相結合的訓練方式，達到特征提取和轉換的目的，使得樣本間的數據關系可以成功擬合[29]；深度學習是一種深層的機器學習模型，“深”主要體現在對特征的多次變換上[30]，深層網絡結構在一定程度上弱化了前一層網絡所提取的錯誤特征，用較少的參數對復雜函數進行表示，使得網絡計算更加緊湊，進而提高效率和效果[28]；深度學習的強大優勢是特征學習，即從原始數據中自動提取特征，由較低層次特征組合形成更高層次的特征[31]；深度學習有多種不同的網絡類型，其基本網絡包括深度置信網絡(Deep Belief Networks)、卷積神經網絡(Convolutional Neural Networks)、遞歸神經網絡(Recurrent Neural Networks)等[32]，而卷積神經網絡在農業中應用的最為廣泛，網絡模型LeNet-5是經典的卷積神經網絡，其網絡結構如圖2所示。

圖2 LeNet-5網絡結構圖Fig. 2 Structure diagram of LeNet-5 network

2 機器學習在無人農場的應用

由于無人農場的關鍵部分是人工智能，而機器學習是人工智能的關鍵技術之一，所以機器學習技術在無人農場發揮著越來越重要的作用，本節將在種植業和畜牧業兩個部分對機器學習的應用進行論述。

2.1 機器學習在種植業中的應用

2.1.1 機器學習在田間雜草識別中的應用

在農業生產活動中，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除草、人工除草、機械除草、生物除草等，傳統的除草工作費時費力，在當今“無人種地”的形勢下，不可能依賴于傳統的除草技術，所以基于機器學習的除草技術已經變得越來越重要。

利用卷積神經網絡和深度學習對雜草進行識別檢測，是現在最為廣泛通用的一種方法。波恩大學的Andrea等[33]利用卷積神經網絡在作物早期生長階段區分玉米植株和雜草，使用分割階段生成的數據集對卷積神經網絡進行訓練，識別精度達到97.23%。姜紅花等[34]對田間雜草進行識別時，對卷積神經網絡進行改進，在全連接層后面增加二進制的哈希層，通過對比全連接層特征碼和哈希碼，找出與其最相近的K幅圖像的標簽，歸入頻率最高的一類，此算法使用5 000 張圖片訓練，使用1 000張數據集進行測試(訓練集測試集比例為5∶1)，田間識別準確率高達98.6%，在其他雜草數據集上的檢測準確率達到95.8%；北達科他州州立大學農業與生物工程系的Flores等[35]在溫室環境下模擬田間條件，采集圖像形狀、色彩和紋理特征值后，使用支持向量機模型(SVM)、神經網絡(NN)、隨機森林(RF)、GoogLeNet和VGG-16模型分別進行識別檢測，最終VGG-16模型在區分大豆幼苗和玉米雜苗中的識別精度達到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合壓縮與激勵網絡模塊構建輕量特征提取單元，替代標準SSD模型中的VGG16網絡，提高特征提取速度；將擴展網絡中的深層語義信息與淺層細節信息進行融合，經過改進后的深度學習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]基于深度學習框架TensorFlow搭建了多尺度分層特征的卷積神經網絡模型，應用4倍膨脹的單位卷積核，獲得了玉米秧苗圖像的識別模型，其識別準確率達到99.65%。

在田間的雜草管理中，通過改進各種機器學習算法，使雜草的識別準確率已經很高，但大多是在實驗室進行種植、采集數據，并沒有在田間進行實地測試，由于在田間的環境更加復雜，會加大機器學習算法的識別難度，應加強落地實驗，通過實際的田間場景改進算法模型，使機器學習算法更好地應用在田間雜草識別項目中。

2.1.2 機器學習在病蟲害檢測中的應用

在農業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域均勻的噴灑化學藥劑，這種方法雖然是最有效的，但是化學藥劑的使用還會造成環境污染，對環境安全造成威脅[38]；由于深度學習在精準農業中的使用，使得在病蟲害防治的過程中實現精準噴施，減少了農藥的使用。

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，其檢測準確率達到了95.16%。Ebrahimi等[40]利用SVM分類方法檢測農作物冠層圖像上的薊馬，并利用一種新的圖像處理技術檢測草莓植物上可能出現的寄生蟲，采用具有不同核函數的支持向量機方法對寄生蟲進行分類和薊馬檢測，結果表明，以區域指數和亮度為顏色指數的支持向量機模型分類效果最好，平均誤差小于2.25%。Chung等[41]提出了一種使用機器視覺無損的區分3周齡感染水稻惡苗病和健康幼苗的方法，開發了支持向量機(SVM)分類器，以區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，結果顯示所提出的方法有87.9%的準確度，對被感染植物實現了自動檢測，提高了谷物產量，并且減少了耗時。張銀松[42]對粘蟲板害蟲進行目標檢測識別，采用可以實時檢測的SSD目標檢測算法，并且在SSD算法的基礎上對害蟲體積小的問題進行改進；利用反卷積實現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,再進行逐層檢測,以得到最優的識別模型，結果顯示，模型識別準確率達到91.8%。劉志勇等[43]針對傳統的leNet-5模型在復雜紋理圖像的分類上圖片的識別精度不高、模型訓練效率較低等問題，對傳統的LeNet-5進行改進，采用PReLU函數作為激活函數，并在網絡中加入Inception結構模塊組、采用DropOut策略并加入Batch Normalization等,提出改進后的LeNet-5模型，在識別番茄病蟲害的實驗中,其改進的模型識別準確率高達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行了識別檢測，采用了基于SOM神經網絡和高光譜反射成像的方法，結果表明，識別氮脅迫植株的準確度為100%，感染黃銹病的植株識別準確度為99.92%，健康植株的識別準確度為99.39%。

2.1.3 機器學習在產量預測中的作用

作物的產量預測在無人農場作業中占據非常重要的地位，對于提高農場的生產管理水平具有重要的意義。You團隊[45]放棄了在遙感領域使用的傳統方法，而是采用卷積神經網絡(CNN)和長短期時間記憶網絡(LSTM，是一種時間遞歸神經網絡)的方法，自動的從原始數據中提取出相關特征，并利用深高斯過程整合數據的時空信息，在預測大豆產量的任務中評估他們的方法，結果表明，他們的模型平均比美國農業部的預測準確率高出15%。Ali等[46]在愛爾蘭的集約化管理但規模較小的農場中進行估算草地生物量的工作，他們采用多元線性回歸(MLR)、人工神經網絡(ANN)以及自適應神經模糊推理系統(ANFIS)模型的方法，其中ANFIS模型結合了人工神經網絡和模糊邏輯的優點，并在愛爾蘭的兩個集約化管理的草地農場進行評估，結果表明ANFIS相比于其他兩種方法，有更好的效果。

通過對機器學習在種植業中的相關文獻進行總結，發現經過改進的機器學習算法，其識別準確率以及預測效果都非常好，這表明了機器學習可以在無人農場中進行應用，但也應加強算法的嵌入式研究，進行實地測驗，使得機器學習能夠更好的在無人農場中應用，更快的推動無人農場的智能化發展。

2.2 機器學習在畜牧業的應用

機器學習在畜牧業中的應用，主要的應用場景是漁場和養殖場，一方面用于精準識別動物，實時監測動物的行為，為生產者提供生長狀況信息；另一方面，機器學習技術主要應用于生產線的監控，為生產者提供生產信息，以創造最大的經濟價值。

2.2.1 機器學習在牲畜精準識別中的應用

利用機器學習對魚類進行智能化識別，為進一步的漁情預測打下基礎，精確的漁情預測數據能夠解決目前多數漁業標準服務系統中缺少基于標準體系的漁業標準服務問題，并能夠為漁業標準修訂指南提供數據決策依據[47]，同時還能為漁場主提供實時監測魚類的生長健康數據，為魚類養殖提供數據支持。

利用深度學習對魚類進行識別檢測，是現在最通用的一種方法；王文成等[48]利用RESNet50網絡對大菱鲆、黃鰭鯛、金錢魚、鯔魚這四種魚類進行識別檢測，測試準確率達到96%以上，并且利用PyQt5開發了GUI可視化界面，通過界面操作，測試結果與預測類別一致，同時利用DSOD框架做了水下目標的實時跟蹤檢測，在不損失檢測速度的情況下，對小目標的檢測準確率實現大幅提高。袁紅春等[49]采用了一種基于Faster R-CNN二次遷移學習和帶色彩恢復的多尺度視網膜增強算法(MSRCR)，解決了魚類樣本數量不足以及魚類模糊圖像的快速檢測問題，通過測試結果表明，此方法利用樣本數量較少的魚類數據集訓練出來的網絡，其檢測準確率可達到98.12%。李慶忠等[50]利用改進的YOLO檢測算法和遷移學習，解決了非限制性環境中的水下機器人基于視頻圖像的魚類目標的快速檢測問題，相比于傳統的YOLO算法，改進后的算法提高了對小目標以及重疊目標的檢測性能，檢測準確率達到89%。王燁[51]提出基于殘差網絡的魚類識別模型，他們利用ResNet50作為基礎網絡，利用遷移學習搭建網絡，并引入注意力機制，將注意力機制中的非局部算子以模塊的形式插入殘差網絡中，結果表明，改進后的網絡模型識別精度達到98.16%。

隨著集約化管理的采用，比如豬和牛等牲畜的精準識別已經成為養殖場中的一個重要的問題。Hansen團隊[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預先訓練的人臉卷積神經網絡(CNN)模型和他們自己的CNN模型三種方法進行測試，使用人工擴充的數據集進行訓練，結果表明，他們自己設計的CNN模型識別準確率達到96.7%。

對牲畜進行精準識別分類，在畜牧養殖中占據重要的地位，在近幾年的牲畜識別研究中，各學者對機器學習算法進行改進，已經達到了非常高的識別準確率，也為牲畜的行為識別、健康監測等打下堅實的基礎。

2.2.2 機器學習在牲畜的生產預測中的應用

機器學習具有早期發現和警告問題的能力，這在畜牧業中有非常重要的作用，能夠對家禽進行實時監測，能夠及時發現生產過程中的問題，及時采取行動來避免這些問題，減少經濟損失。

對養殖場中的動物進行實時的生產監測，可以及時調整生產策略，實現效益的最大化，目前機器學習被廣泛利用在此領域。Morales團隊[53]利用農場的478 919只母雞的雞蛋生產數據，采用支持向量機的方法，發現了雞蛋生產曲線中的問題，該技術能夠提前一天發出警報警示生產曲線出現了問題，準確率達到98.54%。Alonso等[54]利用支持向量機回歸的方法，對屠宰前幾天的肉牛預測其體重，對144只動物進行了390次測量，其平均絕對誤差為真實值的4.27%。

2.2.3 機器學習在牲畜喂食決策中的應用

在水產養殖中，魚的喂食對降低成本具有重要意義，同時對提高魚的產量也有重要作用；Zhou等[55]利用近紅外計算機視覺和神經模糊的進給控制方法，實現根據魚類的食欲進行自動喂養的目的，通過結果測試表明，其模型的進食決策精度達到98%。趙健[56]對循環水養殖中具備表征魚群饑餓程度的魚群局部突發行為進行監測，他們采用遞歸神經網絡、粒子平流方案以及改進運動影響力圖的方法，通過實驗結果表明平均檢測準確率達到98.91%，平均識別準確率達到89.89%。

機器學習在畜牧養殖中的應用都表現出較好的效果，其在精準分類識別、生產預測以及喂食決策中都有非常好的表現，由于養殖牲畜需要更加嚴謹，保證牲畜信息的準確性，導致現在的機器學習不能完全解決人工養殖中的問題，但現在機器學習的表現完全可以為養殖過程提供較好的信息決策支持；在日后的技術發展中，機器學習在養殖業必有更加廣闊的應用天地。

3 討論與展望

經過總結上述文獻，機器學習技術主要集中在機器視覺方面，用機器學習算法來檢測目標物體，在這些應用中也存在一些缺點。

1) 機器視覺的使用需要用到大量的數據集，用于模型的訓練以及驗證，在當前的農業機器學習環境下，并沒有通用的數據集，都是依靠各個實驗團隊自己采集標注數據集，由于農田環境的影響，采集數據集耗時耗力，并且標注數據集需要專業人員進行人工標注，以至于并沒有流通的數據量多的數據集，這限制了機器視覺模型的檢測準確性，同時也增加了機器學習在農業方面的應用難度。

2) 目前的機器學習需要高質量的硬件以滿足其運算能力，但當前的嵌入式芯片存在運算能力不足，運算速度較慢等問題，嵌入式芯片的性能突破涉及到其他領域的問題，短期內難以有更大的研究突破。

3) 在農業領域運用機器學習，需要具備農業的生產經驗同時還需要具備機器學習的專業知識，但現在具備兩者的專業人才嚴重缺乏，這限制了機器學習技術在農業中的發展。

在無人農場的作業模式中，機器學習是必不可少的，針對機器學習在無人農場中的應用現狀，還應加大對以下幾個方面的研究力度。

1) 現如今，機器學習技術主要應用在作物的田間雜草管理、病蟲害檢測等方面，在農作物方面的應用技術已經比較廣泛，節省了大量的人力、物力以及財力，但在漁場、養牛場、養豬場等應用方面還較少，在未來應該加大對動物方面的研究；使用機器學習技術動態監測動物的生長狀況，并利用大數據技術，結合專家的生產經驗，能夠通過動物日常的行為，預測動物的健康狀況，建立一套專家系統，可及時避免動物疾病的大規模傳播；同時還應利用機器學習對動物的生長環境狀況進行實時監測，為改善動物的生長環境提供決策支持。

2) 同時還應在無人農場建立一套高質量的數據庫，數據庫對機器學習的作用是非常重要的，因此具有高質量的數據庫會加速機器學習的應用進程，同時會極大提高無人農場的管理效率，對無人農場的建設有非常積極的意義。

3) 隨著無人農場的興起，其在生產領域、智能裝備領域等產生了大量的數據，利用機器學習結合5G、傳感器、大數據等技術對這些數據傳輸、融合、處理和應用，將農場的管理系統建設成為真正的AI系統。

4) 針對當前的機器學習研究大多停留在實驗室中的問題，應加強機器學習技術的嵌入式研究，將實驗室中的研究真正落地到田間；加強對機器學習算法的研究，減少其對嵌入式芯片的性能依賴，加快算法的訓練速度以及運行速度；從而加快機器學習在無人農場的應用速度。

總之，機器學習在無人農場的應用將會有更加廣闊的天地。

4 結論

本文對近幾年機器學習在農業中的應用相關文獻進行整理介紹，結合在山東理工大學生態無人農場的實際經驗，闡述了機器學習在種植業中的田間雜草識別、作物病蟲害檢測、作物產量預測的應用，以及在畜牧業中的魚類、豬羊等牲畜的精準識別分類、魚類的喂食決策系統以及雞、牛的生產線預測方面的應用；并且通過總結以上文獻以及實際經驗得出機器學習在無人農場應用的劣勢，其在數據集、專業人才以及嵌入式系統中都存在相當大的問題；其次通過總結自身在無人農場的實際經驗以及目前的研究水平及問題，提出機器學習在無人農場的發展趨勢，主要是建立高效的數據庫、搭建“專家系統”、結合多領域技術以及算法的嵌入式研究。

機器學習在無人農場中的應用正在快速發展，也被更多的研究學者所重視，也會有更多的機器學習技術應用到無人農場中，實現真正的無人化作業，推動農業的快速可持續發展。