農田信息采集機器人物聯感知技術應用研究進展

李鴻基　張哲　瞿濟偉　奚小波　張瑞宏　郭康權

摘要：農作物生長信息動態采集是科學種植的重要依據。農田信息采集機器人以其靈活、智能、降耗等優點得到廣泛應用，在精準農業、智慧農業發展中發揮著重要作用。全面了解農田信息采集機器人的研究及應用現狀，對其技術創新與突破有重要意義。通過研究國內外各類應用于農田信息感知的移動機器人，從底盤技術、信息感知技術、信息傳輸技術、信息處理與應用4個方面，闡明農田信息采集機器人與物聯網技術融合的體系框架，分析機器人底盤結構的技術構成，概括國內外物聯感知技術與農業移動機器人融合應用現狀，探討信息傳輸與處理應用的前沿技術，指出各類農田信息采集機器人技術的優勢與不足。最后，總結目前農田信息采集機器人發展的特點和難點，對今后農田信息采集機器人平臺研發、信息感知、導航模式以及配套設施建設提出建議，并展望其未來發展趨勢，以期為農田信息采集機器人及物聯感知技術的深入研究及應用提供參考。

關鍵詞：移動機器人；農田環境；信息感知；物聯網；應用現狀

中圖分類號：S126文獻標志碼：A

文章編號：1002-1302（2023）12-0020-14

農作物生長狀態及其田間生長環境的動態跟蹤，是實現作物優質豐產的重要依據。通過農田信息的高效率采集與處理，對農業生產環節進行科學指導，是我國農業信息化發展亟待解決的問題之一。早期的農情監測設備主要是地面單機定點監測，傳感器采集數據存儲在本地，需定期轉存［1］，效率低下。近10年來用于信息采集的農業裝備以無人機監測技術研究較多［2］，但其飛行平穩性與葉片氣流等問題導致較難準確獲取圖像［3-4］。農田信息采集機器人作為農田信息獲取的一種有效補充方式，滿足多方位信息獲取的需求；其核心在于機載感知技術［5］，包含農業物聯網和農業機器人兩大技術。農業物聯網是農業信息感知技術的先進應用［6］，而農業機器人則可替代人工完成各項復雜作業；融合2種先進技術，形成農田信息采集機器人物聯感知技術，可進一步推進農業自動化技術，實現高效的農業信息采集與處理，提升智慧農業水平［7］。

圖1為農田信息采集機器人物聯感知系統的結構示意，包括感知層、傳輸層、處理與應用3種場景，蘊含田間信息感知、信息采集平臺到移動端的信息傳輸、后臺處理等技術。農田信息采集機器人便于搭載和移植多種先進技術，對農田實施近距離監測，靈活性高，數據采集周期短［8］，可明顯提高農田生產管理效率。近年來農情預警、輔助決策系統等現代農業信息系統發展迅速，對信息數據的感知、處理、應用的要求逐步提高［9］，農田信息采集機器人的應用需求愈加明顯。

鑒于此，本文從機器人底盤技術、信息感知技術、信息傳輸技術、信息處理與應用4個方面進行綜述，分析與探討物聯感知技術與農田機器人融合的應用現狀，總結現有農田信息采集機器人物聯感知技術的特點及問題，并對其未來發展提出建議。

1 農田信息采集機器人底盤技術

1.1 底盤機械系統

農田機器人進行信息采集和物聯感知，需要以功能全面的底盤為載體，主要有輪式機器人、履帶機器人、步行機器人、爬行機器人、蠕動機器人等種類。機器人的底盤結構設計要與其應用環境相適應：四輪獨立驅動轉向輪式機器人運動靈活，[JP2]可以在

田間完成多種形式的作業任務；履帶機器人越野性能強，在不規則地面及丘陵山區優勢明顯；步行機器人則可仿人完成多種復雜的田間操作；爬行機器人和蠕動機器人則可到達一些其他機器人無法到達的作業環境。

除了機械結構形式外，高效穩定的驅動電機是機器人實現基本運動功能的核心。因此，機器人底盤技術的發展有賴于先進電機及其控制技術。輪轂電機因裝配簡單和易控制等特點，被廣泛用于輪式機器人的驅動模塊［10-13］；在運動控制算法方面，開發一些先進的控制策略，如自適應擾動抑制控制（adaptive perturbation rejection control，APRC）策略［14］、基于增強降階擴展狀態觀測器（enhanced extended state observer，EESO）的控制策略［15］、模糊邏輯控制策略［16-17］、A-star（A*）控制策略［18］等，對提升機器人運動控制性能的效果良好。

1.2 導航與避障系統

信息采集機器人在復雜的農田環境作業時，自動導航與避障是完成自主、精準作業的關鍵一環，其主要依托底盤精確衛星定位技術、地圖構建技術、路徑規劃及雷達感知技術等。針對GPS定位系統精度不穩定問題，有學者開發了基于2D地圖特征提取的SLAM（simultaneous localization and mapping）映射定位系統，為四驅小型卡車提高了定位導航精度［19］；搭載雙天線RTK-GNSS（real-time kinematic global navigation satellite system）導航定位和慣性傳感器的雷沃高地隙噴桿噴霧機，定位精度為1 cm，航向測量精度為0.3°，數據延遲小于 20 ms［20］；北海道大學農學院團隊利用GNSS接收器和IMU（inertial measurement unit）慣性測量單元進行數據融合，提高了偏航角檢測精度，并進行了相鄰和跳躍路徑轉彎試驗，驗證了主從導航系統的效率比傳統機器人高出95.1%［21］。農業移動機器人導航方式多樣，以衛星導航、同步定位與建圖導航、雷達導航、慣性導航為主，4種技術集成可確保農業移動機器人在室內和戶外均能保持良好的導航性能，是當前乃至今后機器人導航與避障研究的重要趨勢之一。

1.3 運動控制系統

運動控制系統將作業環境信息、機器人狀態信息、導航與路徑信息進行融合處理，協調控制各個子系統完成高效作業。其中，機器人操作系統（robot operating system，ROS）、作業任務規劃與運動控制算法是核心要素。利用ROS分布式處理框架開發的開源移動機器人系統，不僅實現了機器人節點信息傳輸的低延遲與平臺移動的高精度，同時解決了同步定位與地圖構建成本高等問題［22］；機器人操作系統仿真工具AgROS的開發，使機器人可進行作業規劃與作業效果評估，為實現農業“數字交互”奠定基礎［23］；開源ROS主板Rhino采用軟硬件協同和松散耦合的設計方法，支持多任務協調控制與分布式算力分配，提高了機器人決策規劃的效率［24］。運動控制關系到農業機器人最終的作業效果。因此，運動控制精度和執行效率的提升是該領域重點關注的問題，其不僅依賴于機器人良好的硬件系統和導航技術，還需要高效智能的控制算法。

1.4 供電續航系統

續航能力是決定農田信息采集機器人性能的關鍵指標之一，當前主流移動機器人的動力來源主要為蓄電池、光伏供電、混合動力。機器人 XF-ROVIM 的蓄電池可連續運行超過6 h，能夠連續檢查 4 hm2 農田，且可在15 min內更換電池，提高了巡檢效率［25］；中國礦業大學團隊設計的光伏效應巡檢機器人利用光伏發電系統，可以不受地域制約，提高電池板效率30%～50%，工作時間延長 2～3 h［26］，安全環保。輪式機器人的蓄電池供電系統存在效率低、壽命短、污染大等問題，而混合動力、光伏供電與傳統能源動力相比有獨特的優勢，如動力性能高、節能環保、經濟實用、耗能低等（表1）。然而，光伏供電也存在光電轉換效率低的缺點。移動機器人開發中，充分利用混動技術與光伏供電技術的優勢，可有效促進自主移動機器人研究的進步。

總體而言，當前農業信息采集機器人的底盤技術主要包括機械結構技術、導航與避障技術、運動控制技術、供電續航技術（圖2），四者之間既相互促進又相互制約，全面的技術提升才能有效促進底盤技術發展。

2 信息感知技術

2.1 田間影像信息獲取

2.1.1 作物長勢信息獲取機器人

在獲取作物長勢信息方面，與遙感技術相比，田間機器人能夠將監測信息具體到田塊尺度，傳感器距離作物更近，獲取信息的細節更多，建立的作物生長狀態模型更準確。此技術主要運用各類相機或傳感器進行圖像獲取，通過各種算法進行圖像處理［27］。歸一化植被指數（normalized difference vegetation index，NDVI）是監測植物健康的重要指標，文獻［28-29］分別利用高光譜系統和熱像儀、激光雷達和NDVI傳感器、可見光和近紅外圖像的融合技術，將NDVI指數繪制成處方圖，實現作物狀態可視化，用于田間的及時管理以及產量預測。通過多光譜傳感器收集NDVI值的機器人，利用熱紅外輻射法評估葡萄園濕度狀況，可實施適當的灌溉策略［30］（圖3-a）。基于多傳感器的無人地面車輛系統，收集田間實時水稻狀況信息，包括NDVI值、反射率測量值和作物冠層溫度，可應用于作物管理和精準農業［31］（圖 3-b）。[JP2]搭載了NDVI傳感器的輪式機器人能夠自主作業和遠程操作，進行實時監測［32］（圖3-c）。

移動機器人機械臂上搭載ToF相機，可獲取玉米3D點云數據，通過曲線擬合，表征出莖稈、葉片狀態，測量誤差比分別為13.7%、13.1%［33］；搭載Kinect相機的移動機器人，利用Faster R-CNN和VGG-16卷積網絡模型遷移學習的目標檢測方法，實現了機器人對行間信息的識別［34］；機器人BoniRob攜帶了1個四通道多光譜相機和1個 RGB-D 傳感器，以捕獲植物生長階段，為后續植保機器人干預和雜草控制提供數據支持［35］；基于3D LiDAR的冠層測繪系統，可以為種植者快速評估多年生果樹作物冠層的相關信息，實時做出管理決策［36］。

作物莖稈的高度和直徑也是作物長勢的一項重要指標，在這方面，Vinobot高通量表型機器人與Vinoculer移動觀察塔相互補充，在白天和夜晚都能進行作業［37］；采用卷積神經網絡來檢測莖稈的超窄輪式機器人，可以用點云數據估計莖稈直徑［38］；基于機器視覺的作物高度測量機器人，在所獲圖像有重疊時，也能準確估計作物高度［39］。自主導航表型機器人將傳感器安置在橫向或縱向的機械臂上，完成表型數據的收集［8，40-41］。作物表形機器人能夠在茂密的植被叢、山地等更加復雜的環境中行走作業，其中坦克型車輛還具有較強的防塵和防水能力［42-45］。表2展示了上述地面移動機器人在作物長勢信息獲取方面的應用。

作物長勢信息主要依托相機和NDVI傳感器獲取作物圖像，與硬件設備相比，圖像處理算法提升空間更大。多相機與傳感器融合加持更優算法進行圖像處理，將會使作物長勢信息獲取技術得到更大提升。

2.1.2 雜草識別與處理機器人

農田雜草繁殖能力強、吸引害蟲，是農業生產中最常見、最嚴重的生物災害之一，若不及時處理，將影響作物產量與質量［46］。對雜草進行精準識別是精確農業對靶施藥的重要環節，實現變量施藥不僅能夠保護農田環境，還能夠降低成本。為減少農藥使用，裝載噴霧器的四輪移動機器人采用Faster R-CNN、YOLOv5視覺系統，能夠以10、16幀/s的速度分析植物，分類準確率分別為98%、94%，可在煙草田中進行精確噴藥處理［47］；裝載了用于作物行引導和雜草檢測的攝像頭的田間雜草檢測機器人，可繪制田間雜草地圖［48］（圖4-a）；有研究將機器學習和物聯網進行組合，開發了一種基于計算機視覺的機器人雜草控制系統，能夠準確識別雜草并有選擇地噴灑適量除草劑［49］；自主田間機器人Bonirob進行雜草識別時，在重疊的圖像上利用斑塊進行特征提取和分類，平均分類準確率為93.8%［50-51］（圖4-b）。自動圖像分類系統與模糊實時分類技術的應用，提高了田中作物和雜草表征的效率［52］；有學者運用RGB和NIR數據合成多光譜圖像，提出了一種數據增強方法對作物和雜草圖像進行分割［53］（圖4-c）；有研究針對農田、果園行間除草2種典型環境，提出一種兼具生產監控和預測任務、目標信息識別和可視化伺服決策的機器人視覺系統，平均識別準確率為97.43%，提高了生產效率和經濟效益［54］（圖4-d）。雜草識別過程中，機器人若搭載單一傳感器，存在數據采集量小及缺失等問題，通過多傳感信息融合技術，建立作物生長的數字化模型，有望提升雜草的識別率。

2.1.3 病蟲害識別與處理機器人

作物病蟲害的檢測技術方法主要有熒光光譜法、高光譜成像、可見/近紅外光譜法、數字圖像處理技術等［55］，但與自主機器人相結合的病蟲害檢測技術則以光譜成像與圖像處理為主。裝載攝像頭的eAGROBOT自主農業田間機器人，基于AI嵌入式算法，可實時檢測病害并噴灑農藥［56］；有學者開發了一個4.5倍的變焦系統，可以在寬視場內對害蟲圖像進行局部高放大倍率處理，害蟲識別更加精準［57］（圖5-a）；搭載了彩色、多光譜和高光譜相機的遠程控制田間機器人，可對園藝作物進行病蟲害識別［58］（圖5-b）。當前多數研究對病蟲害識別的種類較為單一，使用的數據庫不夠全面，大規模病害識別依然有較大空白。此項技術的瓶頸在于算法模型的優化，通過改進識別模型與擴充數據集，病蟲害識別的準確性將有更大提高。

2.2 環境氣象信息獲取

農田氣象信息主要包括空間環境溫濕度、作物冠層溫濕度、 光照度、CO2濃度等， 及時掌握農田氣象環境信息，可為農業生產相關管理工作準確提供科學數據與決策依據［59］。一般在機器人平臺上搭載相應傳感器即可實現環境氣象信息獲取，搭載了紅外溫度傳感器的機器人，能夠獲取農田環境溫度范圍［30-31，40，43］。搭載CO2氣體傳感器和風速計的六足機器人，不僅能收集農情信息，還可定位逆風方向的CO2源［60］（圖6-a）。搭載SHT11溫濕度傳感器、MG811 CO2濃度傳感器、GY-302 光照度傳感器的環境監測機器人，可實時采集農田信息，利用虛擬現實技術查看立體環境數據，利用實時影像獲得沉浸式體驗［61］（圖6-b）。自動移動田間農業氣象站［62］與自主農業氣象觀測系統［63］的應用，可對農田氣象要素信息進行收集和傳輸。搭載了溫度檢測模塊、三杯式風速采集儀與雨量傳感器的低功耗農田氣象數據檢測器，可通過LCD屏實時顯示氣象參數，監測值超標時會發出報警信號［64］。基于Modbus協議的農田氣象信息監測站，可高效接收采集的數據，解決了采集數據單一且周期過長的問題［65］。

可見，自主移動類環境氣象監測系統的開發較少，在農田氣象信息監測領域仍以固定式或便攜式監測系統為主。氣象信息監測系統與自主移動機器相結合，可提高農田氣象監測的靈活性，是農田信息采集機器人研發的新方向。

2.3 土壤狀態信息獲取

土壤狀態信息包括壓實強度、肥力、酸堿度等，利用空間差異性技術來識別和收集土壤狀態信息，生成田間精細管理處方圖，為耕地、追肥等提供數據支持，能夠提高農產品品質，改善農田環境。搭載自動滲透儀的機器人，使用降低模型方差的采樣策略，可自動收集土壤狀況數據，在線構建土壤地圖，并可根據地圖的當前質量實時調整機器人的路徑［66-67］（圖7-a、圖7-b）；有研究利用圖像參數和SVM（support vector machine）模型，基于機器視覺和土壤電導率裝置，設計了一種車載土壤質地檢測儀，實時獲取土壤質地信息［68］（圖7-c）；自主土壤監測機器人配備安裝了Stevens Hydra Probe II土壤傳感器，能在田間自主收集土壤濕度和溫度數據，并傳送到終端，加快了土壤數據收集效率［69］；裝載了力傳感器的農業自主機器人可快速收集土壤穿透阻力和導電性數據，生成可視化網格圖［70］（圖 7-d）；AgriRover機器人可實時獲取土壤肥力信息，保持了環境的可持續性［71］（圖7-e）；裝載了金屬氧化物氣體傳感器的移動機器人，可用于檢測土壤表面所含有的有機揮發性化合物和土壤肥力［72］（圖7-f）；有學者開發的自主機器人系統，可進行土壤采樣和硝酸鹽分析，生成精準施肥處方圖［73］（圖 7-g）。另外，隨機森林算法［74］、非信息變量剔除（uninformed variable elimination，UVE）和自適應加權采樣（competitive adapative reweighted sampling，CARS）組合算法［75］等高效的算法開發，為機器人獲取作物特征數據和科學變量施肥提高了精度。融合近紅外光譜與圖像信息處理技術，開發了車載土壤氮含量預測系統［75］（圖7-h）。土壤檢測移動機器人的重點也是多傳感器技術集成，機器人即為移動采集站，一站式采集農田管理所需的大部分土壤信息，可極大地提升數據采集效率，提升農田管理水平。

2.4 作物成熟度與產量監測

在作物收獲階段，果實成熟度監測以及產量估計也是田間管理的重要手段。采用基于模糊規則的分類方法（fuzzy rule based classification system，FRBCS）來估計番茄的成熟度，識別準確率為94.29%［76］；自主農業機器人平臺使用深度卷積神經網絡進行水果檢測，為水果產量估算和自動收獲提供重要數據［77］（圖8-a）；區域卷積神經網絡（mask region convolutional neural network，Mask R-CNN，圖8-b）與深度卷積神經網絡算法的運用，提高了隱藏和重疊圖像的識別能力與產量估算精度［78-79］；估產機器人采用多視點方法解決果實圖像遮擋問題，提高了產量估計精度［80］（圖8-c）。在作物成熟度及產量的監測機器人方面，目前以搭載視覺傳感器并結合植物生理分析為主要方式，其中成熟度及產量估算算法是當前研究的熱點。

3 信息傳輸技術

農田信息采集機器人獲取農田詳細數據后，通過無線網絡進行傳輸。快速、穩定、精準的數據傳輸，是種植管理中獲取有效數據的重要保證。目前應用于精準農業的無線傳輸技術有移動通信技術、Wi-Fi技術、ZigBee無線通信技術和LoRa技術等，各技術的特點對比如圖9所示。Wi-Fi技術和移動通信技術因傳輸距離長、傳輸速率快等特點，多被用于大田農業領域［81］。移動通信技術已發展到5G階段，其優勢在于能以設備為中心，實現各設備之間的相互通信，無需通過基站進行信息交互［82］。另外，5G網絡技術能夠降低電磁干擾，減少通信故障。各技術信息傳輸性能對比如表3所示。

3.1 移動通信技術

第5代移動通信技術除了具有高速率、低延遲的優點，還可以提供千億級設備連接能力，對農業信息處理能力和農業生產效率的提升具有重要意義［83］。5G通信具有高帶寬的特點，維諾圖（voronoi diagram，VD）與飛蛾撲火算法（moth flam optimization，MFO）結合的節點優化策略，可提高通信網絡節點的生存周期［84］；有研究以收割機主要結構與通信原理為切入點，融合5G網絡技術，設計了高速率通信系統，使收割機綜合收割效率提升至91.84%，優化效果顯著［85］。總體而言，5G技術乃至更高階的移動通信技術是未來農田信息采集機器人信息傳輸的主要應用技術。

3.2 Wi-Fi技術

Wi-Fi技術是目前使用最為廣泛的無線通信技術之一，具有設備價格低、組網方便、連接簡單、通信距離較長的優勢。利用Wi-Fi技術的傳輸特點，室內智能蔬菜無土栽培系統可對溫濕度、CO2濃度、光照度進行控制，調節各環境因素間的關系處于最佳狀態［86］；基于Wi-Fi通信的除草機器人，可通過手機 Wi-Fi 傳輸指令，控制機器人作業［87］。Wi-Fi技術因其在局部范圍內的通信優勢，在設施農業中應用十分廣泛，設施農業信息采集機器人研發可充分利用該技術。

3.3 ZigBee技術

ZigBee技術多用于設施農業，但以此技術為基礎開發的傳輸網絡也可滿足部分大田農業信息傳輸需求。利用ZigBee技術開發的土壤墑情監測系統，可用于節能節水和智能灌溉［88］；融合ModBus、ZigBee技術的氣象無線傳感器網絡，實現了多節點、多參數的氣象數據采集功能［89］；為改變傳統農業生產管理方式，運用ZigBee技術設計的智能農田環境遠程監控系統，實現了農田土壤pH值、環境溫濕度、光照強度、作物葉綠素含量等數據的實時、準確采集，可為智慧農業生產提供可靠數據［90］。ZigBee技術雖然傳輸距離較近，傳輸速率也較低，但組網簡單、功耗低，符合多設備之間的數據傳輸要求，在設施農業物聯網傳輸技術領域有著廣泛應用。

3.4 LoRa技術

LoRa技術具有功耗低、傳輸距離遠、網絡架構簡單等優點。基于LoRa技術的花生水分監測系統，在800 m距離的中小型無人農場中，土壤墑情數據采集通信成功率較高［91］；針對傳統農田信息采集系統傳輸范圍小的問題，文獻［92］提出一種基于低功耗LoRa[JP2]無線傳感器網絡的農田信息采集系統，實現了數據處理、存儲、分析、實時顯示等功能。LoRa技術相比其他傳輸技術，[JP2]具有測距和定位的特點，適用于遠距離、多設備連接以及定位跟蹤等場景的物聯網應用，適合作為大田農業機器人的傳輸技術。

3.5 其他新興技術

隨著通信技術的發展，越來越多新型高效的通信技術和組網模式應用到農業物聯網場景中［93］。有研究將無線傳感器網絡、全球定位系統和遙感技術進行融合，開發了智能移動農業服務系統，可根據實時田間信息和農田灌溉模型，實現農田信息可視化，提供灌溉決策支持［94］；有學者提出了一種基于直流電力線通信技術的水稻環境信息監測創新方法，測試結果表明，在直流電壓36 V功率下，通信距離可擴展到3 000 m，精度均高于98%，空氣溫度、濕度、土壤濕度的平均相對誤差分別為0.39%、0.31%、0.64%［95］；基于低功耗廣域網技術的氣象站，可實現與云服務器的數據交互功能［96］；多傳感器系統集成技術、農業物聯網技術與移動互聯網的組合，實現了信息協同感知［97］。目前的通信技術還存在距離短、受環境影響大、通信速度跟不上物聯網的要求等問題，未來需要考慮將多種通信技術進行融合，形成優勢互補，實現更加優質的通信。

4 信息處理技術

信息處理技術是將傳感器等信息感知設備所采集的數據進行收集整理，通過信息挖掘等手段探索數據內在聯系，發現新的信息，為下一步作業與操作提供數據支持［98］。當前運用較多的有農業大數據、云計算技術、人工智能信息處理技術以及各技術之間的相互融合，圖10為信息處理技術的工作框架示意。

4.1 農業大數據集成與分析技術

近幾年，大數據集成及分析技術逐漸應用于農業［99］。農業大數據技術的應用，為輔助農業決策創造了新方向［59］。隨著新數據源的出現，數據挖掘方法也在不斷發展，AgriEnt系統基于Web Services平臺，可對作物害蟲診斷和管理方面作出指導決策［100］；基于Hadoop的農業大數據挖掘系統，提高了數據分析的準確性［101］，通過改進分類回歸樹（classification and regression tree，CART）算法，使得系統更高效且易擴展［102］；基于Spark平臺的農業大數據挖掘系統，加快了數據處理速度［103］，利用Spark的分布式集群算法，能夠對監控區域的大數據進行實時處理，相較于Hadoop農業大數據系統，其結果更快、更準確［104］。

農業大數據創造了存儲、處理數據的基礎條件，有效促進了我國農業技術領域的整體發展［105］。當前我國農業大數據還存在采集與處理難度大、周期長、涉及范圍廣等方面的不足，應針對農業生產實際，建立融合大數據技術相關的模型設計，有效解決大數據在農業發展中遇到的瓶頸。

4.2 云計算技術

云計算作為超級計算技術，利用高速的網絡傳輸功能，將處理完成的數據從終端服務器中轉移到虛擬化資源存儲池的“云”端中，極大擴展了存儲空間，降低了用戶成本［106］。由于農業覆蓋面積大，生產對象種類繁多，如果將所有農田感知信息收集到云服務器中，服務器將對網絡施加更大壓力，從而降低事件處理的響應速度。邊緣計算方法的提出，降低了云服務器的負載及延遲，在病蟲害識別、農產品安全溯源、無人農業機械、農業技術推廣、智能管理等應用領域前景良好［107］。有學者通過整合云計算和支持Web服務的信息基礎設施，開發了地理網絡服務系統來協助田間管理，為精準農業土壤濕度監測提供了有效的解決方案［108］。利用云計算技術建立的溫州市農業大數據可視化平臺，提高了數據統計分析效率，為區域內增產提供了保障［109］。傳感器技術和云計算技術替代人工收集和分類作物信息，實現了數據在線傳輸，解決了時延問題，提高了產品質量和生產效率［110］。為提高物聯網計算速度，[JP2]基于物聯網云計算的集成創新農業云平臺，可對農田數據進行大面積采集與分析，使農業氣象監測、病蟲害圖像分析等農田信息得到自動化整合［111］。

云計算能夠為精準農業提供較為完善便捷的信息平臺，實現農業領域信息高效共享。但我國精細農業生產管理尚沒有建立完全統一的規范，很難做到在更大范圍內獲取信息；應構建成本更低、使用更靈活的云服務模式，為用戶創建操作更簡單的云服務平臺，加快農業領域信息技術的云信息化。

4.3 人工智能分析技術

隨著移動互聯網、物聯網、云計算等技術的快速發展，數據量呈爆發式增長，而人工智能分析技術在農業信息智能處理中的應用為海量數據的處理創造了條件［93］。人工智能分析技術發展至今，已經在農業領域得到了廣泛應用［112］，利用大數據技術和機器學習建立數學模型，能有效對農戶種植進行科學指導［113］；農業認知計算技術可實現自主學習、獨立思考，通過采集、處理和理解大規模數據，輔助農業生產等活動，減少人工投入，提高作業效率［114］；有學者結合大數據和人工智能專業知識，構建了可持續農業分析模型［115］。雖然人工智能技術是大數據分析的高效率工具，但面臨龐大數據量時，現有的機器學習、智能計算等人工智能分析技術還尚未完全成熟，難以達到數據處理的預期效果，還需要在算法與策略方面進行更深入的研究。

5 總結與展望

5.1 總結

農田信息采集機器人是智慧農業發展的重要一環，對指導農業生產、保障農民增收和穩定農業發展具有重要意義，其設計研發處于初級階段。本文從農田信息采集機器人的底盤技術、信息感知技術、信息傳輸技術、信息處理與應用4個方面進行綜述，介紹了當前應用在農業領域的高新技術，如傳感器、大數據、云計算等，總結出以下特點和難點。

5.1.1 機器人底盤結構形式需突破

農田信息采集機器人的作業環境復雜，要求其縮小轉向半徑、提高轉向精度和穩定性，具有高通過性，靈活地實現直行、橫行、斜行及原地回轉等運動形式，機械轉向系統特性對其工作性能有重要影響。難點在于靈活、可靠的底盤結構研發、驅動電機的控制及持久的續航能力。當前輪式機器人鮮有將四驅與四輪轉向相結合的結構設計。智能控制算法的開發有助于底盤運動穩定性與轉向精度的提高。

5.1.2 農田環境精確感知應用難

農田信息采集機器人作業場景復雜、對象多變，離不開傳感器技術，目前農用傳感器的應用還存在以下問題：高性能傳感器價格高，在農業中全面應用存在困難；農業傳感器因其暴露在室外，使用壽命會受到影響，后期維護存在困難；傳感器信息獲取難免存在誤差，使精確農業的推廣存在困難；機器人拍攝圖像的質量取決于所配備相機的性能，田間環境復雜多變，在崎嶇地形中保持圖像穩定性存在困難。

5.1.3 自主智能決策控制可靠性待提升

農田信息采集機器人的自主決策控制是核心問題，難點在于機器人控制部分要融合導航路徑信息、避障信息及后臺數據處理中心發送的指令信息等。自主規劃田間最優信息采集路線，高效準確地完成作業任務，需重點突破以下關鍵技術：基于機器學習的智能決策，包括采集任務、行走路徑規劃等，機器人與后臺服務器之間的通信與數據傳輸需要可靠的硬件支撐，對于自主導航機器人還應有單獨基站，以保持其導航精度；田間信息處理與應用要以高效且穩定的算法為支撐，提高信息處理和智能決策的效率。

5.1.4 農田機器人配套設施建設需加強

農田機器人自主行走面臨全地形、多遮擋、動態場景下運動、定位、避障、規劃等難題。我國大部分農田具有分布不均且田塊不聚集的特點，配套設施標準化建設存在實際困難。國際上對農業機器人配套設施標準的研究處于起步階段，我國也要根據自身發展制定相應的國家標準，形成農業機器人技術標準體系。

5.2 未來展望

農田信息采集機器人作為農業智能機器人的重要組成部分，填補了農田環境信息高效獲取與處理的空白，其研發與推廣對于推進農業信息化、智慧農業、精確農業具有重要意義，針對上述特點和難點，提出以下發展建議：

（1）提升農田機器人結構的多樣性和實用性。深入探索更多新型實用的機器人結構，提升機器人在復雜作業環境中的通過性、靈活性和越障能力；秉持低碳發展理念，用更少的動力源實現多模式運動。在運動控制方面，開發更加高效的算法策略。另外，續航能力是制約機器人工作效率的重要因素，將更優的電池供電技術及其他新能源動力技術落實到機器人系統中，是機器人平臺研發的新方案。

（2）創新農情信息感知與處理方式。傳感器發展水平影響著信息感知能力，對傳感技術和傳輸技術的不斷創新，才能提高農情數據獲取的可靠性與質量；同時，吸納更多先進技術，加快物聯網和通信技術在農情感知領域的應用，讓農業信息與時俱進，不斷完善數據鏈與填充數據庫，實現資源互享互用。

（3）機器人自主導航多技術融合發展。當前機器人導航模式較為單一，室外以衛星導航為主，室內以SLAM建圖導航為主，都需要提前獲取二維或三維地圖。未來機器人導航模式考慮將衛星導航、雷達導航、SLAM導航、IMU進行融合，形成多環境、室內外相結合的導航環境，使信息采集機器人在大田與設施農業中都能自主作業，拓寬作業范圍。

（4）全方位建設農田機器人配套設施。加快研制高兼容性處理器、控制器與農田機器人操作系統（agriculture robot operating system，Agri-ROS），落實基礎設施與軟硬件的通用性，為農業機器人的研發提供支持；同時，注重研發模塊化的農業機器人，可個性化面對不同的作業環境與要求；另外，加強學科交流，培養專項人才，構建完整的全產業體系，讓農業機器人的發展緊跟科技發展潮流。

參考文獻：

［1］王大正，任 博，劉珠明. 不同類型農情監測系統間數據共享方案研究［J］. 中國農機化學報，2019，40（12）：154-159.

［2］楊 睿，王應寬，王寶濟. 基于WoS文獻計量學和知識圖譜的農業機器人進展與趨勢［J］. 農業工程學報，2022，38（1）：53-62.

［3］Mogili U R，Deepak B B V L. Review on application of drone systems in precision agriculture［J］. Procedia Computer Science，2018，133：502-509.

［4］Zhang C H，Kovacs J M. The application of small unmanned aerial systems for precision agriculture：a review［J］. Precision Agriculture，2012，13（6）：693-712.

［5］劉成良，貢 亮，苑 進，等. 農業機器人關鍵技術研究現狀與發展趨勢［J］. 農業機械學報，2022，53（7）：1-22，55.

［6］陳 威，郭書普. 中國農業信息化技術發展現狀及存在的問題［J］. 農業工程學報，2013，29（22）：196-205.

［7］Thompson N M，Bir C，Widmar D A，et al. Farmer perceptions of precision agriculture technology benefits［J］. Journal of Agricultural and Applied Economics，2019，51（1）：142-163.

［8］Bayati M，Fotouhi R. A mobile robotic platform for crop monitoring［J］. Advances in Robotics & Automation，2018，7（1）：1-7.

［9］Duan Q L，Yang R G，Chen Y. Automatic identifying query interfaces of deep web based on PreClassification-SVM［J］. Sensor Letters，2013，11（6）：1389-1395.

［10］Qu J W，Guo K Q，Zhang Z Y，et al. Coupling control strategy and experiments for motion mode switching of a novel electric chassis［J］. Applied Sciences，2020，10（2）：701.

［11］Bascetta L，Baur M，Gruosso G. ROBI：a prototype mobile manipulator for agricultural applications［J］. Electronics，2017，6（2）：39.

［12］Tarao S，Fujiwara Y，Tsuda N，et al. Prototyping using a mobile robot platform equipped with low-end in-wheel motors［J］. Journal of Robotics and Mechatronics，2020，32（6）：1154-1163.

［13］Qiu Q，Fan Z Q，Meng Z J，et al. Extended Ackerman Steering Principle for the coordinated movement control of a four wheel drive agricultural mobile robot［J］. Computers and Electronics in Agriculture，2018，152：40-50.

［14］Jin X Z，Yu J Z，Qin J H，et al. Adaptive perturbation rejection control and driving voltage circuit designs of wheeled mobile robots［J］. Journal of the Franklin Institute，2021，358（2）：1185-1213.

［15］Qin B，Yan H C，Zhang H，et al. Enhanced reduced-order extended state observer for motion control of differential driven mobile robot［J］. IEEE Transactions on Cybernetics，2021，22（11）：1-12.

［16］Singh R，Bera T K. Fuzzy logic controller for obstacle avoidance of mobile robot［J］. International Journal of Nonlinear Sciences and Numerical Simulation，2019，20（1）：51-62.

［17］Wu H M，Zaman M Q. LiDAR based trajectory-tracking of an autonomous differential drive mobile robot using fuzzy sliding mode controller［J］. IEEE Access，2022，10：33713-33722.

［18］Liu X X，Wang W，Li X L，et al. MPC-based high-speed trajectory tracking for 4WIS robot［J］. ISA Transactions，2022，123：413-424.

［19］dos Santos F N，Sobreira H M P，Campos D F B，et al. Towards a reliable monitoring robot for mountain vineyards［C］. Vila Real：2015 IEEE International Conference on Autonomous Robot Systems and Competitions，2015：37-43.

［20］劉兆朋，張智剛，羅錫文，等. 雷沃ZP9500高地隙噴霧機的GNSS自動導航作業系統設計［J］. 農業工程學報，2018，34（1）：15-21.

［21］Zhang C，Noguchi N，Yang L L. Leader-follower system using two robot tractors to improve work efficiency［J］. Computers and Electronics in Agriculture，2016，121：269-281.

［22］李建勇，劉雪梅，李雪霞，等. 基于ROS的開源移動機器人系統設計［J］. 機電工程，2017，34（2）：205-208.

［23］Tsolakis N，Bechtsis D，Bochtis D. AgROS：a robot operating system based emulation tool for agricultural robotics［J］. Agronomy，2019，9（7）：403.

［24］Gao Y C，Gong L，Huang Y X，et al. Rhino：an open-source embedded motherboard design enabling complex behavior of intelligent robots［C］//2019 IEEE/ASME International Conference on Advanced Intelligent Mechatronics （AIM），July 8-12，2019，Hong Kong，China：IEEE，2019：1568-1573.

［25］Rey B，Aleixos N，Cubero S，et al. Xf-rovim：a field robot to detect olive trees infected by Xylella fastidiosa using proximal sensing［J］. Remote Sensing，2019，11（3）：221.

［26］楊心萌，劉逸瑋，王 蒙. 基于光伏效應的巡檢機器人系統設計［J］. 機電信息，2016（18）：123，125.

［27］王鵬新，田惠仁，張 悅，等. 基于深度學習的作物長勢監測和產量估測研究進展［J］. 農業機械學報，2022，53（2）：1-14.

［28］Rizk H，Habib M K. Robotized early plant health monitoring system［C］//IECON 2018-44th Annual Conference of the IEEE Industrial Electronics Society，October 21-23，2018，Washington，DC，USA：IEEE，2018：3795-3800.

［29］Bietresato M，Vidoni R，Gasparetto A，et al. Design and first tests of a vision system on a tele-operated vehicle for monitoring the canopy vigour status in orchards［C］//Proceedings“，”First Conference on Proximal Sensing Supporting Precision Agriculture，September 6-10，2015.Turin，Italy.Netherlands：EAGE Publications BV，2015（1）：1-5.

［30］Fernández-Novales J，Saiz-Rubio V，Barrio I，et al. Monitoring and mapping vineyard water status using non-invasive technologies by a ground robot［J］. Remote Sensing，2021，13（14）：2830.

［31］Pei W，Lan Y B，Luo X W，et al. Integrated sensor system for monitoring rice growth conditions based on unmanned ground vehicle system［J］. International Journal of Agricultural and Biological Engineering，2014，7（2）：75-81.

［32］Zhao B，Tian L F，Ahamed T. Real-time NDVI measurement using a low-cost panchromatic sensor for a mobile robot platform［J］. Environmental Control in Biology，2010，48（2）：73-79.

［33］Lu H，Tang L，Whitham S A，et al. A robotic platform for corn seedling morphological traits characterization［J］. Sensors，2017，17（9）：2082.

［34］Gu Y L，Li Z Q，Zhang Z，et al. Path tracking control of field information-collecting robot based on improved convolutional neural network algorithm［J］. Sensors，2020，20（3）：797.

［35］Chebrolu N，Lottes P，Schaefer A，et al. Agricultural robot dataset for plant classification，localization and mapping on sugar beet fields［J］. International Journal of Robotics Research，2017，36（10）：1045-1052.

［36］Chakraborty M，Khot L R，Sankaran S，et al. Evaluation of mobile 3D light detection and ranging based canopy mapping system for tree fruit crops［J］. Computers and Electronics in Agriculture，2019，158：284-293.

［37］Shafiekhani A，Kadam S，Fritschi F B，et al. Vinobot and vinoculer：two robotic platforms for high-throughput field phenotyping［J］. Sensors，2017，17（1）：214.

［38］Fan Z Q，Sun N，Qiu Q，et al. In situ measuring stem diameters of maize crops with a high-throughput phenotyping robot［J］. Remote Sensing，2022，14（4）：1030.

［39］Kim W S，Lee D H，Kim Y J，et al. Stereo-vision-based crop height estimation for agricultural robots［J］. Computers and Electronics in Agriculture，2021，181：105937.

［40］[JP3]Mueller-Sim T，Jenkins M，Abel J，et al. The Robotanist：a ground-based agricultural robot for high-throughput crop phenotyping［C］//2017 IEEE International Conference on Robotics and Automation （ICRA）.New York：ACM，2017：3634-3639.

［41］Roure F，Moreno G，Soler M，et al. GRAPE：ground robot for vineyArd monitoring and ProtEction［M］//ROBOT 2017：Third Iberian Robotics Conference.Cham：Springer International Publishing，2017：249-260.

［42］Xaud M F S，Leite A C，Barbosa E S，et al. Robotic tankette for intelligent bioenergy agriculture：design，development and field tests［C］//Procedings ⅩⅫ Congresso Brasileiro de Automtica，September 9-12，2018. Joo Pessoa，Paraíba，Brasil. Joao Pessoa，Paraíba，Brasil：SBA Sociedade Brasileira de Automática，2018：1901.00761.

［43］Vidoni R，Gallo R，Ristorto G，et al. ByeLab：an agricultural mobile robot prototype for proximal sensing and precision farming［C］//Proceedings of ASME 2017 International Mechanical Engineering Congress and Exposition，November 3-9，2017，Tampa，Florida，USA.2018

［44］Ahmadi A，Nardi L，Chebrolu N，et al. Visual servoing-based navigation for monitoring row-crop fields［C］//2020 IEEE International Conference on Robotics and Automation （ICRA），May 31-August 31，2020，Paris，France.IEEE，2020：4920-4926.

［45］Kayacan E，Young S N，Peschel J M，et al. High-precision control of tracked field robots in the presence of unknown traction coefficients［J］. Journal of Field Robotics，2018，35（7）：1050-1062.

［46］袁洪波，趙努東，程 曼. 基于圖像處理的田間雜草識別研究進展與展望［J］. 農業機械學報，2020，51（增刊2）：323-334.

［47］Alam M S，Alam M，Tufail M，et al. TobSet：a new tobacco crop and weeds image dataset and its utilization for vision-based spraying by agricultural robots［J］. Applied Sciences，2022，12（3）：1308.

［48］Bak T，Jakobsen H. Agricultural robotic platform with four wheel steering for weed detection［J］. Biosystems Engineering，2004，87（2）：125-136.

［49］Arakeri M P，Vijaya Kumar B P，Barsaiya S，et al. Computer vision based robotic weed control system for precision agriculture［C］//2017 International Conference on Advances in Computing，Communications and Informatics （ICACCI），September 13-16，2017. Udupi，India：IEEE，2017：1201-1205.

［50］Haug S，Michaels A，Biber P，et al. Plant classification system for crop/weed discrimination without segmentation［C］//IEEE Winter Conference on Applications of Computer Vision，March 24-26，2014. Steamboat Springs，CO，USA：IEEE，2014：1142-1149.

［51］Ruckelshausen A，Biber P，Dorna M，et al. BoniRob：an autonomous field robot platform for individual plant phenotyping［J］. Precision Agriculture，2009，9（841）：841-847.

［52］Sujaritha M，Annadurai S，Satheeshkumar J，et al. Weed detecting robot in sugarcane fields using fuzzy real time classifier［J］. Computers and Electronics in Agriculture，2017，134：160-171.

［53］Fawakherji M，Potena C，Pretto A，et al. Multi-spectral image synthesis for crop/weed segmentation in precision farming［J］. Robotics and Autonomous Systems，2021，146：103861.

［54］Ji Y，Kumar R，Singh D，et al. Performance analysis of target information recognition system for agricultural robots［J］. International Journal of Agricultural and Environmental Information Systems，2021，12（2）：49-60.

［55］劉成良，林洪振，李彥明，等. 農業裝備智能控制技術研究現狀與發展趨勢分析［J］. 農業機械學報，2020，51（1）：1-18.

［56］Pilli S K，Nallathambi B，George S J，et al. eAGROBOT-A robot for early crop disease detection using image processing［C］//2014 International Conference on Electronics and Communication Systems （ICECS），February 13-14，2014. Coimbatore，India：IEEE，2015：1-6.

［57］Shen B L，Chang J，Wu C H，et al. Local zoom system for agricultural pest detection and recognition［J］. Applied Physics B，2018，124（11）：219.

［58］Cubero S，Marco-Noales E，Aleixos N，et al. RobHortic：a field robot to detect pests and diseases in horticultural crops by proximal sensing［J］. Agriculture，2020，10（7）：276.

［59］岳學軍，蔡雨霖，王林惠，等. 農情信息智能感知及解析的研究進展［J］. 華南農業大學學報，2020，41（6）：14-28.

［60］Iida M，Kang D，Taniwaki M，et al. Localization of CO2 source by a hexapod robot equipped with an anemoscope and a gas sensor［J］. Computers and Electronics in Agriculture，2008，63（1）：73-80.

［61］趙 靜，閆春雨，曹佃龍，等. 基于VR的農田環境監測機器人研制［J］. 農機化研究，2020，42（12）：74-79.

［62］Efimov A E，Sitdikova Y R，Dobrokhotov A V，et al. Monitoring evapotranspiration in an agricultural field and determination of irrigation rates and dates by automated mobile field agrometeorological complex［J］. Water Resources，2018，45（1）：133-137.

［63］張雪芬，薛紅喜，孫 涵，等. 自動農業氣象觀測系統功能與設計［J］. 應用氣象學報，2012，23（1）：105-112.

［64］高平安. 一種低功耗農田氣象數據監測器設計［J］. 國外電子測量技術，2021，40（5）：150-153.

［65］趙小強，陳玉兵，高 強，等. 基于Modbus協議的農田氣象信息監測站設計［J］. 電子技術應用，2018，44（12）：55-59，64.

［66］Fentanes J P，Gould I，Duckett T，et al. 3-D soil compaction mapping through kriging-based exploration with a mobile robot［J］. IEEE Robotics and Automation Letters，2018，3（4）：3066-3072.

［67］Scholz C，Moeller K，Ruckelshausen A，et al. Automatic soil penetrometer measurements and GIS based documentation with the autonomous field robot platform bonirob［C］. California：12th International Conference of Precision Agriculture，2014.

［68］Meng C，Yang W，Lan H，et al. Development and application of a vehicle-mounted soil texture detector［J］. Sensors，2020，20（24）：7175.

［69］Piper P M，Vogel J S，Fahrenkrug M T，et al. Designing an autonomous soil monitoring robot［C］//2015 Systems and Information Engineering Design Symposium，April 24-24，2015. Charlottesville，VA，USA：IEEE，2015：137-141.

［70］nal I·，Topakci M，anakci M，et al. Development of a mobile robot-based combined sensor platform to determine the corre-lation between soil penetration resistance and electrical conductivity［J］. Turkish Journal of Agriculture and Forestry，2021，45（3）：365-379.

［71］Yan X T，Bianco A，Niu C，et al. The AgriRover：a reinvented mechatronic platform from space robotics for precision farming［M］//Reinventing mechatronics. Cham：Springer International Publishing，2020：55-73.

［72］Pobkrut T，Kerdcharoen T. Soil sensing survey robots based on electronic nose［C］. South Korea：International Conference on Control，Automation and Systems，2014，12：1604-1609.

［73］Kitic＇ G，Krklje D，Panic＇ M，et al. Agrobot Lala-an autonomous robotic system for real-time，in-field soil sampling，and analysis of nitrates［J］. Sensors，2022，22（11）：4207.

［74］Adebiyi M O，Ogundokun R O，Abokhai A A. Machine learning-based predictive farmland optimization and crop monitoring system［J］. Scientifica，2020，7：1-12.

［75］Wang W C，Yang W，Zhou P，et al. Development and performance test of a vehicle-mounted total nitrogen content prediction system based on the fusion of near-infrared spectroscopy and image information［J］. Computers and Electronics in Agriculture，2022，192：106613.

［76］Goel N，Sehgal P. Fuzzy classification of pre-harvest tomatoes for ripeness estimation-an approach based on automatic rule learning using decision tree［J］. Applied Soft Computing，2015，36：45-56.

［77］Sa I，Ge Z Y，Dayoub F，et al. DeepFruits：a fruit detection system using deep neural networks［J］. Sensors，2016，16（8）：1222.

［78］Yu Y，Zhang K L，Yang L，et al. Fruit detection for strawberry harvesting robot in non-structural environment based on Mask-RCNN［J］. Computers and Electronics in Agriculture，2019，163：104846.

［79］Rahnemoonfar M，Sheppard C. Deep count：fruit counting based on deep simulated learning［J］. Sensors，2017，17（4）：905.

［80］Stein M，Bargoti S，Underwood J. Image based mango fruit detection，localisation and yield estimation using multiple view geometry［J］. Sensors，2016，16（11）：1915.

［81］Feng X，Yan F，Liu X Y. Study of wireless communication technologies on Internet of Things for precision agriculture［J］. Wireless Personal Communications，2019，108（3）：1785-1802.

［82］李蘭蘭，馮江華. 5G網絡技術在農業智能化管理中的應用［J］. 農機化研究，2022，44（9）：260-263.

［83］賈敬敦，魯相潔，黃 峰，等. 遠程控制與無線通信技術在農業中的應用分析與展望［J］. 農業機械學報，2021，52（增刊1）：351-359.

［84］劉 昊，李 靜，魯旭濤. 5G背景下智慧農業通信節點部署策略［J］. 西安交通大學學報，2020，54（10）：45-53.

［85］王 敏. 基于5G網絡技術的智能收割通信系統優化［J］. 農機化研究，2023，45（3）：232-236.

［86］邱彩虹，蘇文青，陳家明，等. 基于WiFi的室內智能蔬菜無土栽培結構設計［J］. 中國農學通報，2019，35（4）：125-129.

［87］刁智華，閆嬌楠，張 萌，等. 基于WiFi通信的玉米除草機器人結構設計與試驗［J］. 中國農機化學報，2022，43（4）：131-137.

［88］賈科進，王文貞，杜太行，等. 基于ZigBee無線傳感器網絡的土壤墑情監測系統［J］. 節水灌溉，2014（3）：69-71，74.

［89］楊亦洲，周 杰，杜景林. 基于ModBus協議和ZigBee網絡的氣象無線傳感網設計［J］. 電子技術應用，2014，40（10）：16-19.

［90］Ye Y F，Sun X H，Liu M H，et al. The remote farmland environment monitoring system based on ZigBee sensor network［J］. International Journal of Computational Science and Engineering，2018，17（1）：25.

［91］漆海霞，董義潔，林圳鑫，等. 基于LoRa的花生土壤水分監測系統設計與試驗［J］. 農機化研究，2021，43（8）：69-74.

［92］Wu Q L，Zhao C Q，Liang Y，et al. Design of farmland information acquisition system based on LoRa wireless sensor network［C］//International Conference on Computer and Computing Technologies in Agriculture.Cham：Springer，2019：529-539.

［93］聶鵬程，張 慧，耿洪良，等. 農業物聯網技術現狀與發展趨勢［J］. 浙江大學學報（農業與生命科學版），2021，47（2）：135-146.

［94］Zheng L H，Li M Z，Wu C C，et al. Development of a smart mobile farming service system［J］. Mathematical and Computer Modelling，2011，54（3/4）：1194-1203.

［95］Huang Y，Li C C. Real-time monitoring system for paddy environmental information based on DC powerline communication technology［J］. Computers and Electronics in Agriculture，2017，134：51-62.

［96］張李元，左少華，江錦春. 基于NB-IoT技術的小型自動氣象站監測系統設計［J］. 氣象科技，2020，48（6）：816-822.

［97］Hu Z L，Gao Y，Li M，et al. An agricultural habitat information acquisition and remote intelligent decision system based on the Internet of Things［C］//International Conference on Computer and Computing Technologies in Agriculture.Cham：Springer，2019：75-85. [HJ2mm]

［98］李 瑾，郭美榮，高亮亮. 農業物聯網技術應用及創新發展策略［J］. 農業工程學報，2015，31（增刊2）：200-209.

［99］Lokers R，Knapen R，Janssen S，et al. Analysis of Big Data technologies for use in agro-environmental science［J］. Environmental Modelling & Software，2016，84：494-504.

［100］Lagos-Ortiz K，del Pilar Salas-Zárate M，Paredes-Valverde M A，et al. AgriEnt：a knowledge-based web platform for managing insect pests of field crops［J］. Applied Sciences，2020，10（3）：1040.

［101］侯 亮，王新棟，高 倩，等. 基于Hadoop的農業大數據挖掘系統構建［J］. 農業圖書情報學刊，2018，30（7）：19-21.

［102］柴 進. 基于Hadoop的農業數據挖掘系統的研究與實現［D］. 北京：北京工業大學，2015：45-46.

［103］郭二秀. 基于Spark的農業大數據挖掘系統的設計與實現［D］. 杭州：浙江大學，2018：55-56.

［104］Fu S W，Chen G F，Zhao S，et al. Research and application of spark platform on big data processing in intelligent agriculture of Jilin Province［M］//Computer and computing technologies in agriculture Ⅺ. Cham：Springer International Publishing，2019：1-12.

［105］彭秀媛，王 楓. 農業大數據應用研究［J］. 園藝與種苗，2020，40（11）：56-57.

［106］劉 彪.“云計算”和大數據在“互聯網+”時代的應用［J］. 電子技術與軟件工程，2020（12）：201-203.

［107］Zhang X H，Cao Z Y，Dong W B. Overview of edge computing in the agricultural Internet of Things：key technologies，applications，challenges［J］. IEEE Access，2020，8：141748-141761.

［108］Zhou L J，Chen N C，Chen Z Q. A cloud computing-enabled spatio-temporal cyber-physical information infrastructure for efficient soil moisture monitoring［J］. ISPRS International Journal of Geo-Information，2016，5（6）：81.

［109］崔曉軍，高子航. 基于GIS與云計算的溫州市農業大數據可視化平臺研究［J］. 電腦編程技巧與維護，2020（4）：113-115.

［110］Zha X.Design of rice regional test information collection system based on cloud computing［J］. INMATEH Agricultural Engineering，2021，64（2）：497-506.

［111］Hsu T C，Yang H，Chung Y C，et al. A creative IoT agriculture platform for cloud fog computing［J］. Sustainable Computing：Informatics and Systems，2020，28：100285.

［112］蔡自興. 中國人工智能40年［J］. 科技導報，2016，34（15）：12-32.

［113］張彬露. 農業專家系統概述與優化研究［J］. 農村經濟與科技，2020，31（15）：341-342，354.

［114］蘭玉彬，王天偉，陳盛德，等. 農業人工智能技術：現代農業科技的翅膀［J］. 華南農業大學學報，2020，41（6）：1-13.

［115］Li D K. Application of artificial intelligence and machine learning based on big data analysis in sustainable agriculture［J］. Acta Agriculturae Scandinavica，Section B-Soil & Plant Science，2021，71（9）：956-969.

收稿日期：2022-09-04

基金項目：江蘇省農業科技自主創新資金［編號：CX（21）3153］；江蘇省自然科學基金（編號：BK20210823）；揚州大學作物學學科特區學科交叉課題（編號：yzuxk202007）；江蘇省現代農機裝備與技術示范推廣項目（編號：NJ2021-28）。

作者簡介：李鴻基（1999—），男，山東肥城人，碩士，主要從事智能農業裝備與技術研究。E-mail：mz120210885@stu.yzu.edu.cn。

通信作者：瞿濟偉，博士，主要從事智能農業裝備與技術研究。E-mail：jiweiqu@yzu.edu.cn。