人工智能算法在農業機械發展中的應用研究*

劉靚葳

（長春金融高等專科學校，吉林 長春 130124）

隨著計算機科學技術的迅速發展，人工智能算法已經被廣泛應用，為實現高質量的農業機械奠定了基礎。近年來，人工智能算法被廣泛應用于農業機械中，如收割、檢測、采摘等，極大地提高了生產效率，減少農業機械在使用過程中的失誤，減少了環境污染，同時避免了資源的浪費。人工智能技術是計算機科學的一個分支，人工智能在計算機領域內得到重視，應用于機器人、控制系統、仿真系統中等，它是研究模擬人的一些思維和行為的學科，比如學習能力、思考、規劃等。人工智能涉及計算機科學、心理學、哲學和語言學等學科，在農業機械發展中發揮了非常重要的作用。在農業機械發展中，專業內容會涉及機器視覺以及機器人等相關領域，所以導入人工智能算法具有十分重要的意義。

1 人工智能概述

人工智能（AI）指的是模仿人的智能的理論，人工智能的技術特點包括感知能力、記憶和思維能力、學習能力和自適應能力、行為決策能力。感知能力是指能夠感知外部世界、獲取外部信息的能力，這是產生智能活動的必要條件。記憶和思維能力能夠存儲感知到的外部信息及由思維產生的知識，同時能夠利用已有的知識對信息進行分析、計算、比較、判斷和決策。學習能力和自適應能力是通過和外界環境的相互作用，不斷學習知識不斷進行積累，最終自己能夠適應環境的變化。行為決策能力是對外界環境的刺激作出相應的反應，形成決策并傳達信息。

2 人工智能中常用的算法

人工智能的關鍵技術包括機器學習、知識圖譜、自然語言處理、人機交互、計算機視覺、生物特征識別、AR/VR等。機器學習強調三個關鍵詞：算法、經驗、性能。常用的算法有很多，下面主要介紹人工智能算法中的神經網絡、遺傳算法、聚類算法和深度學習。

2.1 神經網絡

20世紀40年代初，神經網絡開始興起并逐漸引起研究者的關注。神經網絡模型是一種數學模型，它通過模擬人腦神經系統以及一系列的行為，將人腦的微觀結構進行簡化。神經網絡的信息處理能力是具有非線性特點的，由此可見，神經網絡適用于系統的建模及辨識。在汽車控制中，神經網絡通常與其他控制方式相結合構成新的控制方案，近年來，一些研究者提出了神經網絡PID控制、神經網絡逆模型控制、神經網絡預測控制、神經網絡內模控制等復合控制算法。

神經網絡是模擬人腦結構和行為的數學模型。近年來，在系統識別領域應用比較廣泛的是BPNN（BP神經網絡）和RBF（徑向基）神經網絡[1]。RBF神經網絡作為一種局部逼近網絡，它適用于在線學習；BPNN是一個全局網絡，具有全局逼近系統的能力，結構簡單，可以更好地進行復雜系統的離線識別，是學習系統動力學最常用的方法之一[2]。相比于單神經元網絡，BPNN被大量應用在模式識別和自適應控制等領域的非線性建模中。BPNN通常應用在下列幾個方面：模式識別、數據壓縮、函數逼近、分類。BPNN一共有三層，分為輸入層、隱藏層和輸出層。圖1為一個BPNN的結構圖。

圖1 BPNN結構圖

在使用神經網絡解決問題時，一般需要經過以下幾個步驟：1）數據的收集；2）神經網絡的建立；3）神經網絡結構的配置；4）對神經網絡的權值和閾值進行初始化；5）神經網絡的訓練；6）驗證并測試神經網絡；7）神經網絡的使用。BPNN的訓練過程如圖2所示。

圖2 BPNN的訓練過程

2.2 遺傳算法

1975年美國密歇根大學的John Henry Holland教授首次提出遺傳算法，通過模仿大自然生物進化的過程來求解最優值問題的一種全局優化算法，即GA算法。GA算法可以處理一些復雜的優化問題，GA算法與傳統的優化算法相比，它有下列幾個特征[3]：1）GA算法在求最優解的問題時，不需要知道信息的全部特點，例如梯度信息等。2）GA算法在求最優值的過程中，初值是從一個群體開始，而不是從一個點開始，此外，函數能否連續可導等因素不會影響GA算法的求解過程。

標準GA算法（SGA）是只采用交叉、變異及選擇這三個遺傳算子的GA算法。通過許多研究實驗證明，SGA算法不能全局收斂，可能會求出局部最優解。由于交叉算子和變異算子有時可能存在破壞性的作用，選擇算子在選擇時存在一些誤差，這就使種群中的最優個體到下一代種群中會丟失掉，當進化代數無窮大的時候，在進化過程中總會出現最佳個體丟失現象。

由于最佳個體丟失引起GA算法收斂慢的缺點，De Jong在他的博士論文中提出了精英保留策略，就是將種群進化時適應值最高的個體保存，然后復制至下一代種群中。精英保留策略與GA算法相結合叫作精英保留遺傳算法（Elitist Genetic Algorithm），簡稱EGA算法。運用EGA算法的優勢是，在求解過程中，最佳個體不會被破壞，也不會丟失。精英保留策略在全局收斂方面的作用很大，EGA算法是全局收斂的已被學者Rudolph證明，其他學者也用各種方式證明EGA算法具有全局收斂的特性[4]。

2.3 聚類算法

聚類和回歸類似，表述一類問題或一類算法。聚類算法一般按照中心點對輸入的數據進行歸類。聚類算法嘗試找數據的內在結構，便于依照樣本的共同點把數據歸類。聚類算法是一種典型的無監督學習，用于把相似的樣本自動歸到一個類別里面。以相似性為基礎，在一個聚類算法中，樣本之間有較多的相似性，根據它們之間的相似性，把樣本劃分在不同類別中。聚類算法和分類算法也是有區別的，聚類算法屬于無監督學習，但是分類算法是有監督學習。在無監督學習中，將數據集中的樣本劃分為多個不相交的子集，為數據進一步分析提供基礎。

聚類算法分為原型聚類、密度聚類、層次聚類、模型聚類、譜聚類。常見的聚類算法有 K-means算法和高斯混合聚類（EM）。K-means算法是K均值算法，K-means中的K是樣本數，初始狀態下，中心點的個數，means是中心點到其他數據點距離的平均值。具體的步驟：首先，隨機設置初始狀態下空間內的點K個，定下來初始的聚類中心；其次，對于其他的點去計算每個點到K個中心的距離，然后重新計算每個聚類的新中心點，也就是求得平均值。若計算出的新的中心點與之前的中心點一樣的話，那么質心可以不用移動，算法結束，否則需要繼續計算每個點到K個中心的距離，循環之前的步驟，直到新的中心點和原中心點一樣就結束。聚類算法的評判標準是簇間相似度高、簇內相似度低的時候效果最好。

3 人工智能算法在農業機械發展中的應用

在農業機械發展中，比如無人農業機械的實現，就要用到人工智能技術中的基于視覺的感知算法，包括目標檢測算法、車道線檢測算法、目標跟蹤算法、行為預測、導航與定位[5-6]。在目標檢測算法和車道線檢測算法中，就需要用到神經網絡進行檢測，運用神經網絡算法提高精度，神經網絡除了應用于特征提取和濾波計算，還有其他用途，比如提取圖像中的顯著性區域。在農業機械故障診斷的過程中，機械故障存在模糊性及不確定性，就可以運用神經網絡結合模糊技術對發動機的故障進行診斷，從而定下來故障的初步范圍，再用訓練好的神經網絡進行下一步的確切診斷。

在農業機械行駛工況構建的實驗中，可以運用改進的K均值聚類算法進行實現，首先，建立相關的數學模型，然后對數據進行預處理，把異常數據篩選掉；其次，對原始數據進行降維，運用的是主成分分析法；最后，結合改進的K均值聚類算法對參數進行聚類分析，選擇合適的運動學部分，再進行行駛工況的構建[7]。也可以基于遺傳優化K均值聚類算法進行工況識別，實現混合動力的機械能量管理，運用聚類算法對工況進行識別，結合ECMS（等效燃油最小能量管理策略）實現對于農業機械的能量管理[8]。

在無人農業機械中導航傳感器如果發生異常，有相應的診斷方法，最佳方案就是運用深度學習算法。由于無人農業機械是一種智能工具，它完全依賴于傳感器提供的路徑信息以及精確的位置進行行駛，一旦GPS傳感器受到攻擊、受到威脅，就會導致導航位置信息出現異常，針對這類問題，可以用基于深度學習的異常檢測方法[9]。在車道檢測的過程中也可以使用深度學習算法。目前，自動駕駛逐漸發展起來，結合深度學習，使得自動駕駛越來越接近現實。深度學習作為人工智能實現的一種算法，已經被廣泛地應用于農業機械領域，通過循環網絡結構或者是多層的前饋[10]，實現大量的參數的學習，實現復雜的映射逼近。深度學習和傳統的神經網絡是有區別的，傳統的神經網絡內部的層數是3層左右，而深度學習具有深層性和層與層之間連接的多樣性。需要根據實際問題選擇具體的算法，每種算法都有相應的作用，應用于不同的領域，具體問題具體分析。

4 結束語

綜上所述，在農業機械發展中，應用人工智能技術可以提高生產效率，自動駕駛以及播種收割等環節都可以運用人工智能算法結合大數據、云計算等相關技術提升工作效率。同時，也能夠讓農業機械快速發展，確保人工智能技術在農業機械發展中的高效應用，形成農機智能一體化，促進農業的進一步發展。