機器學習在智慧農機中的應用綜述

楊天佑 唐文輝 王福章

摘要：當前，我國正處于農業機械化轉向農業智慧化的重要階段，在農業智慧化決策方面，機器學習發揮著重要的作用。文章對機器學習算法在智慧農機中智能除草、防治病蟲害、智能采摘方面的應用研究進行了梳理分析。通過對現有研究成果的總結和分析，期望為智慧農業的發展、機器學習算法的提升提供一定的基礎，未來機器學習算法能更好地與智慧農業結合。

關鍵詞：農業；機器學習算法；智慧農機；卷積神經網絡

中圖分類號：TP181? ? ? 文獻標識碼：A

文章編號：1009-3044（2022）27-0097-03

開放科學（資源服務）標識碼（OSID）：

智慧農機是指將互聯網、大數據、云計算、物聯網等高新技術與傳統農機相結合，能夠根據不同的勞動種類和農作物種類進行實時監控、預警、分析的新型農機，智慧農機的廣泛應用有助于實現農業生產中的精準播種、智能決策和智能管理[1]。

智慧農機之所以比傳統的農業機械更加智能，歸根到底是在于其高效準確的機器學習算法。機器學習旨在讓計算機實現自我學習。機器學習算法不再依賴傳統的編程技術讓計算機進行灌輸式的學習，而是讓計算機從海量的數據中自主學習知識和規律，通過海量數據訓練模型，最終完成對目標的預測。機器學習算法與智慧農機系統的有機結合，能夠讓農機設備展現出類似人類行為的智能化效果，從而大幅提高農業生產效率、節約人力成本。

目前，歐美日等國家已將智慧農機應用到農業生產的方方面面。相比而言，國內在智慧農機領域的研究和應用仍然處于起步階段。我國目前正處于由農業機械化轉向農業智慧化的緊要關頭，基于機器學習算法的智慧農機系統在推動農業產業升級和農業現代化過程中將發揮重要作用。

1 利用機器學習算法，提升智慧農機數據傳輸效率和網絡安全水平

1.1數據傳輸

無線傳感器是智慧農機系統中用于采集數據的重要設備。在智慧農機系統中，每個無線傳感器都會周期性地捕捉農業生產相關的特征數據，并根據特定的采樣率將數據發送到接收器進行進一步分析。這種大量的數據傳輸行為會導致傳感器節點的高能耗和較高的網絡帶寬占用。Salim等[2]提出了一種基于機器學習的數據壓縮算法（MLDR），該算法能夠有效提高數據傳輸的效率和準確性。MLDR側重于農業相關的環境數據，它通過在傳感器節點級別添加機器學習技術來減少發送到接收器的數據量，從而保證接收器數據的可用性和準確性。實驗結果表明，數據壓縮后發送的數據量減少了70%，且方差的差異小于2%。說明這種數據壓縮有助于降低能耗和帶寬使用，并在保證信息準確性的同時，提高了傳輸工具的使用率。

1.2網絡安全保護

作為智慧農機中的一種，農業無人機的普及正在將傳統的農業經營方式轉變為精準農業。一方面，農業無人機與物聯網結合，使用開放式渠道協助農業生產者完成數據收集、處理、監控等工作，有助于提高農業決策的準確性；另一方面，農業無人機通過掛載不同功能的機載設備可實現不同的作業，實現一機多用，使用一個無人機平臺就可實現藥液噴灑、固體肥料播撒、粉劑噴灑、種子精量播種等多種作業，幾乎貫穿了農作物的整個生長過程，能夠幫助農業生產者節省大量的勞動力和農業投入成本。

需要注意的是，無人機網絡容易受到諸多攻擊和安全威脅，包括身份偽造、數據篡改、被動竊聽、物理捕獲、拒絕服務等[3]。在此背景下，Randhir等[4]提出了一種用于農業無人機的安全隱私保護框架（SP2F），該框架有兩個主要引擎，一個兩級隱私引擎和一個基于深度學習的異常檢測引擎。實驗結果表明，SP2F框架和傳統集中式安全措施相比，在單點故障、可驗證性、可追溯性、可伸縮性、身份驗證、安全性、私密性、透明度、去中心化、鏈外合約等10個指標上的得分明顯更高，能夠為農業無人機的網絡通信安全提供更加全面的保障。

2利用機器學習算法，讓智慧農機應用農業生產各環節

2.1智能除草

田間雜草是目前農業生產中影響食品安全和作物產量的主要因素。當前常用的除草方法有人工除草、畜力除草和殺蟲劑除草。這些方法存在較多問題，包括污染嚴重、效率不高、使用范圍有限、費時費力等。因此，基于機器視覺的快速發展，結合機器學習算法的先進成果，打造智能除草機器人，有效準確地識別和治理田間雜草是未來農業發展的重要途徑之一。作為智慧農機的典型代表，智能除草機器人需要先進的雜草識別算法來高效準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的田間雜草反向識別改進算法，該算法為了有效解決訓練樣本不足問題，借助了循環一致性生成對抗網絡（Cycle-GAN）的圖像生成能力，并且在此基礎上，使用FasterR-CNN（快速區域卷積神經網絡）算法對田間雜草進行識別和定位。改進后的FasterR-CNN算法在實時性和識別速度方面都具有明顯優勢。實驗結果表明，該方法的對田間雜草的識別準確率高達95.06%，能夠有效提升除草機器人對雜草的識別和定位能力。

2.2防治病蟲害

病蟲害是病害和蟲害的并稱。農作物在生長期間遭遇病蟲害，將嚴重影響農產品的產量和品質。目前病蟲害防治的主要方法包括農業防治法、化學防治法、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，并且容易產生嚴重的環境污染問題。作為智慧農機中的典型代表，智能病蟲害監測系統使用機器學習算法對病蟲害問題進行準確地定位和識別，對農作物的病蟲害問題進行動態監控、智能預警和精準治理，能夠顯著改善病蟲害防治效果，提升病蟲害防治工作的及時性和準確性，節省大量的人力物力成本。智能病蟲害監測系統的關鍵在于病蟲害識別和定位算法的實現。近年來，基于卷積神經網絡的深度學習模型在病蟲害監測任務中取得良好的效果。郭陽等[7]基于水稻蟲害數據集，對比了SSD、YOLOv3、Faster-RCNN三種算法的效果。通過對比研究，發現三種算法中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別時間縮短了853.68毫秒，同時平均準確率提高了1.43個百分點；而與SSD算法相比，YOLOv3算法平均每幅照片的識別時間縮短了2.9毫秒，同時平均準確率提高了5.56個百分點。此外，YOLOv3算法對背景相似或障礙物遮擋等特殊情況都能進行精準識別，不會出現漏檢、錯檢，且識別準確率大于98%。在病蟲害識別和定位方面，YOLOv3算法檢測速度快且準確率較高，這對農產品病蟲害的智能監測和精準噴藥具有重要意義。

2.3智能采摘

農產品采摘是農業生產各環節中的重要一環。目前主流的采摘方式是人工采摘，該方式存在勞動過度密集、效率低下、成本較高等多種問題。與此同時，近年來農村地區的青壯年勞動人口不斷向城市流動，導致農村地區的勞動力出現明顯短缺。特別在農忙時節，需要短時間內完成大量的采摘工作，由此造成了亟待填補的巨大勞動力缺口。在此背景下，使用智能采摘機器人代替傳統的人工采摘具有十分重要的意義。采摘機器人作為智慧農機的典型代表，使用機器學習算法識別農產品成熟度，實現自動采摘，能夠取代人工進行自主采摘作業，為提高農業生產效率提供了強大的技術支撐。

王芳等[8]基于Faster-RCNN框架，提出了一種關于智能采摘機器人的目標識別算法。該算法首先使用VGG16模型對輸入圖片的特征數據進行提取，同時使用RPN網絡形成包含采摘對象的自適應候選框，并且基于多任務損失函數對采摘對象實現預測框矯正和分類，以獲取采摘對象的準確坐標，最后使用標定方法計算機器人手眼坐標系之間的對應轉換關系。使用該算法對蘋果進行目標識別和定位，平均精度達97.5%，最大誤差僅為1.33cm。通過使用該算法，智能采摘機器人對采摘對象的定位和識別準確率得到明顯提升，從而有效提高農產品采摘作業的效率和準確性。

2.4農產品分級

對農產品嚴格按照標準進行清選、分級，能夠提高其售價，實現優質優價，進而提升農產品的商品化程度和價值。由于外界因素影響，不同農產品的外部形態特征差異很大，很難用統一標準進行描述。傳統的農產品分級大都采用人工感官分級或比較，這種方法存在著受主觀因素影響大、精度差、易產生視覺疲勞、分級速度慢、效率低等問題。基于計算機視覺技術和機器學習算法開發的農產品分級系統能夠提高農產品分級的效率和準確性，節省大量的人力成本，彌補人工分級的不足。農產品分級系統的核心在于準確高效的分級算法的研究和開發。

周軍等[9]在研究核桃仁的分級中，將核桃仁圖像從RGB數據轉換為HSV數據，在此基礎上從顏色、色調、飽和度、完整度等角度提取原始特征集， 同時使用mRMR算法對原始特征進行篩選并根據重要性對特征進行排列， 最后分別使用決策樹、支持向量機和樸素貝葉斯三種算法進行比較研究，發現各個算法的準確率分別為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工作的準確性，促進提升農產品分級作業的效率和自動化水平。

3 總結和展望

機器學習算法的研究和應用對智慧農機系統的研發和普及具有十分重要的意義。目前機器學習技術已經廣泛應用到智慧農機的數據傳輸、網絡安全防護、農作物的除草、病蟲害防治、農產品的采摘和分級等多個方面。可以展望，未來在智慧農機領域，機器學習技術的應用范圍將越來越廣。但同時也存在著一些不容忽視的問題，一是各個地區農業生產的場景千差萬別，如何有效提高機器學習算法在不同農業生產場景中的準確性和計算效率，是亟待解決的關鍵問題；二是在農業生產數據集方面，為了推動機器學習算法在智慧農機領域的改進和迭代，需要建立與農業生產相關的各類大規模數據集，目前大多數的研究結果主要依賴研究人員自主收集的數據，研究結果在可驗證性和可比性方面存在不足。

未來的智慧農機發展主要體現在兩個方面：一是機器學習技術將與農業機器人、傳感器、物聯網深度融合，能夠根據農作物的生長情況和環境變化，進行實時的監測和預警，有效提高農業生產的精細化和科學化水平。二是機器學習算法與嵌入式機器視覺緊密結合，推動機器學習技術在圖像的定位和處理方法上的創新和發展，從而廣泛應用到農作物的除草和病蟲害防治、農產品的采摘和分級等環節。

參考文獻：

[1] 何彥林.智慧農機發展現狀及趨勢預測[J].農機使用與維修，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.輕量級無人機網絡安全通信協議[D].西安：西安電子科技大學，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，萬興鴻，陳子穎，等.基于Cycle-GAN+Faster R-CNN的除草機器人雜草識別算法研究[J].南方農機，2021，52（15）：7-10.

[6] 劉俊.油茶林害蟲植物源引誘劑研制[D].長沙：中南林業科技大學，2017.

[7] 郭陽，許貝貝，陳桂鵬，等.基于卷積神經網絡的水稻蟲害識別方法[J].中國農業科技導報，2021，23（11）：99-109.

[8] 王芳，崔丹丹，李林.基于深度學習的采摘機器人目標識別定位算法[J].電子測量技術，2021，44（20）：162-167.

[9] 周軍，蔡建，郭俊先，等.基于機器視覺的核桃仁特征提取與分級方法研究[J].江蘇農業科學，2018，46（11）：175-179.

【通聯編輯：唐一東】