《2016中國人工智能系列白皮書——智能農業（140頁）.pdf》由會員分享，可在線閱讀，更多相關《2016中國人工智能系列白皮書——智能農業（140頁）.pdf（140頁珍藏版）》請在三個皮匠報告上搜索。

1、中國人工智能系列白皮書 中國人工智能系列白皮書中國人工智能系列白皮書 -智能農業智能農業 中國人工智能學會中國人工智能學會 二二一六年九月一六年九月 中國人工智能系列白皮書 目 錄 第 1 章 智能農業發展背景 .1 1.1 人工智能在農業領域中的應用歷程 . 1 1.2 智能農業及其發展趨勢 . 8 第 2 章 農業智能分析 .12 2.1 農業數據挖掘 . 12 2.1.1 農業數據挖掘特點 . 12 2.1.2 農業網絡數據挖掘 . 13 2.1.3 農業數據挖掘應用 . 16 2.2 農業數據語義分析 . 18 2.2.1 農業數據語義模型 . 18 2.2.2 農業數據存儲模型 .

2、19 2.2.3 農業數據知識發現 . 20 2.2.4 農業數據語義檢索 . 21 2.2.5 分布式農業知識協同構建 . 21 2.3 農業病蟲害圖像識別 . 22 2.3.1 基于機器視覺的農業病蟲害自動監測識別系統框架 23 2.3.2 農業病蟲害圖像采集方法 . 24 2.3.3 農業病蟲害圖像預處理 . 26 2.3.4 農業病蟲害特征提取與識別模型構建 . 27 2.3.5 農業病蟲害模式識別 . 28 2.4 動物行為分析 . 29 2.5 農產品無損檢測 . 34 2.5.1 農產品的無損檢測 . 35 2.5.2 農產品無損檢測主要方法與基本原理 . 36 2.5.3 無損

3、檢測在農產品質量檢測中的應用 . 38 1 中國人工智能系列白皮書 2.5.4 問題與展望 . 38 第 3 章 典型農業專家系統與決策支持 .40 3.1 作物生產決策系統 . 40 3.1.1 作物生產決策支持系統的概念與功能 . 40 3.1.2 作物決策支持系統的發展 . 41 3.1.3 我國作物決策支持系統發展狀況 . 41 3.1.4 作物生產決策支持系統的發展趨勢 . 42 3.1.5 作物生產決策支持系統的存在問題 . 43 3.1.6 作物生產決策支持系統的發展措施建議錯誤錯誤! !未定義書未定義書簽。簽。 3.2 作物病害診斷專家系統 . 45 3.2.1 病害診斷知識表

4、達 . 45 3.2.2 作物病害描述模糊處理 . 47 3.2.3 病害診斷知識推理 . 47 3.2.4 基于圖像識別的作物病害診斷 . 48 3.3 水產養殖管理專家系統 . 49 3.3.1 問題與挑戰 . 49 3.3.2 主要進展 . 51 3.3.3 發展趨勢 . 錯誤錯誤! !未定義書簽。未定義書簽。 3.4 動物健康養殖管理專家系統 . 54 3.4.1 妊娠母豬電子飼喂站 . 54 3.4.2 哺乳母豬精準飼喂系統 . 56 3.4.3 個體奶牛精準飼喂系統 . 57 3.4.4 畜禽養殖環境監測系統 . 58 3.5 多民族語言農業生產管理專家系統 . 59 3.5.1

5、多民族語言智能農業即時翻譯系統結構 . 59 3.5.2 多民族語言農業智能信息處理系統機器翻譯流程 . 60 3.5.3 多民族語言農業信息平臺中的翻譯關鍵技術 . 62 2 中國人工智能系列白皮書 3.5.4 多民族語言農業智能信息處理系統機器翻譯結果 . 63 3.6 農業空間信息決策支持系統 . 66 第 4 章 典型農業機器人 .71 4.1 茄果類嫁接機器人 . 74 4.1.1 研究背景意義 . 74 4.1.2 國內外研究現狀 . 74 4.1.3 關鍵技術與研究熱點 . 76 4.1.4 案例分析 . 77 4.1.5 存在問題與發展策略 . 78 4.2 果蔬采摘機器人 .

6、 79 4.2.1 研究背景意義 . 79 4.2.2 國內外研究現狀 . 79 4.2.3 關鍵技術與研究熱點 . 80 4.2.4 案例分析 . 81 4.2.5 存在問題與發展策略 . 82 4.3 大田除草機器人 . 83 4.3.1 研究背景意義 . 83 4.3.2 國內外研究現狀 . 84 4.3.3 關鍵技術與研究熱點 . 84 4.3.5 存在問題與發展策略 . 86 4.4 農產品分揀機器人 . 87 4.4.1 農產品分揀機器人發展現狀 . 88 4.4.2 農產品分揀機器人的應用特點和支撐技術 . 90 4.4.3 主要問題和建議 . 92 第 5 章 農業精準作業技術

7、 .94 5.1 拖拉機自動導航 . 94 5.2 農機作業智能測控 . 97 3 中國人工智能系列白皮書 5.3 果樹對靶施藥 . 101 5.3.1 我國果園施藥作業現狀 . 101 5.3.2 基于靶標探測的智能施藥 . 102 5.3.3 靶標探測技術 . 102 5.3.4 對靶施藥的經濟性與環保性 . 106 5.4 設施蔬菜水肥一體化 . 106 5.4.1 水肥一體化在設施蔬菜中的應用 . 107 5.4.2 智能灌溉施肥設備 . 108 5.4.3 設施蔬菜水肥一體化發展趨勢 . 110 5.5 設施環境智能調控 . 112 5.5.1 溫室環境與作物信息采集 . 112 5

8、.5.2 溫室作物生長發育模型和小氣候預測模型 . 115 5.5.3 溫室智能環境控制理論 . 116 5.5.4 測控裝備及平臺構建方面 . 117 5.6 農用無人機自主作業 . 117 5.6.1 農用無人機自主作業需求背景 . 117 5.6.2 農業無人機自主作業技術特點 . 118 5.6.3 農業無人機自主作業發展現狀 . 119 5.6.4 抓住機遇迎接挑戰人工智能技術的挑戰 . 122 第 6 章 智能農業展望 . 123 6.1 當前農業發展需求分析 . 123 6.2 發展重點與建議 . 123 4 中國人工智能系列白皮書 第 1 章 智能農業發展背景 中國農業經歷了原

9、始農業、傳統農業、現代農業、智能農業的逐漸過渡。智能農業充分應用現代信息技術成果，集成應用計算機與網絡技術、物聯網技術、音視頻技術、3S 技術、無線通信技術及專家智慧與知識，實現農業可視化遠程診斷、遠程控制、災害預警等職能管理。本章從人工智能在農業領域的應用歷程與智能農業發展趨勢兩方面闡述了智能農業作為一種高新技術與農業生產相結合的產業，是農業可持續發展的重要途徑，通過高科技投入和管理，獲取資源的最大節約和農業產出的最佳效益，實現農業的科學化、標準化、定量化、高效化。 1.1 人工智能在農業領域中的應用歷程 人工智能（Artificial Intelligence，AI）是研究、開發用于模擬、

10、延伸和擴展人的智能理論、方法、技術及應用系統的一門學科。人工智能是計算機科學的一個分支，它試圖了解智能的實質，并生產出一種新的能以人類智能相似的方式做出反應的智能機器， 該領域研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。人工智能從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，農業是其重要的應用領域之一。 現代農業的發展已離不開以人工智能為代表的信息技術的支持，人工智能技術貫穿于農業生產產前、產中、產后，以其獨特的技術優勢提升農業生產技術水平，實現智能化的動態管理，減輕農業勞動強度，展示出巨大的應用潛力1。將人工智能技術應用于農業生產中，已經取得了良好的應用成效。比如農業專

11、家系統2，農民可利用它及時查詢在生產中所遇到的問題；農業機器人3，可代替農民從事繁重的農業勞動，在惡劣的環境中持續勞動，大大提高農業生產效率，節省勞動力；計算機視覺識別技術能用于檢驗農產品的外觀品質，檢驗效率高，可替代傳統人工視覺檢驗法，從而提高農業勞動效率4-6。 1 中國人工智能系列白皮書 人工智能在農業領域中的應用歷程可以分為以下幾個階段： 第一階段：萌芽期（第一階段：萌芽期（20 世紀世紀 70 年代末至年代末至 80 年代末）年代末） 20 世紀 70 年代末，美國為代表的歐美國家率先開始了農業信息化的應用研究， 以專家系統為代表的人工智能應用開始在農業領域萌芽。專家系統之父 Edw

12、ard A. Feigenbaum 提出：農業專家系統 AES （ Agriculture Expert System） 也 稱 為 以 知 識 庫 為 基 礎 的 系 統（Knowledge Based System, KBS） ，是一個（或一組）智能計算機程序，運用人工智能并集成了地理信息系統、信息網絡、智能計算、機器學習、 知識發現、 優化模擬等多方面高新技術， 匯集農業領域知識、模型和專家經驗等，采用適宜的知識表示技術和推理策略，運用多媒體技術并能以信息網絡為載體，向農業生產管理提供咨詢服務，指導科學種田，在一定程度上代替農業專家，對于提高作物產量，改善品質，提高農業管理的智能化決策水

13、平具有重要意義。這一階段的發展研究，以歐、美及日本等發達國家為主，開發系統主要是面向農作物的病蟲害診斷。 最早是美國伊利諾斯大學的植物病理學家和計算機學家于 1978 年共同開發的大豆病害診斷專家系統 LPANT/ds。20 世紀80 年代中期至 80 年代末，農業專家系統從單一的病蟲害診斷轉向生產管理、經濟分析決策、生態環境、農產品市場銷售管理等。如COMAX/GOSSYM 是美國最為成功的一個農業專家系統，用于向棉花種植者推薦棉田管理措施。 日本對人工智能在農業上的作用給予了高度重視，如東京大學西紅柿栽培管理專家咨詢系統、培養液管理專家系統、 溫室黃瓜栽培管理專家系統等。 這一階段開始，

14、農業機器人和計算機視覺技術等人工智能技術也開始應用于農業領域，并取得了一定的成果。在農作物種子質量檢測取得較大進展。1985 年，Zayas 等通過采集的種子圖像，利用種子表面光的特性，基于統計圖像的處理分析與識別技術來區分小麥品種。1986 年，Gunasekaran 等在對玉米籽粒裂紋的研究中發現，運用計算2 中國人工智能系列白皮書 機視覺檢測技術中的高速濾波法可將裂紋與其他部位進行識別區分，其檢測精度高達 90%。 在農產品分級與加工方向， 早在 1984 年， Thylor等運用模擬攝像機和線掃描進行蘋果自動損傷判定試驗， 證明了將計算機視覺技術應用于自動分級的可行性。在隨后幾年中，T

15、hylor 等不斷開展此方面的相應研究，但其分級效率仍較低。1985 年，Sarkar等首次將數字圖像分析與模式識別技術運用于西紅柿的品質分級， 并取得了較好的精確度，但其速度較慢。1989 年，Miller 等在桃的分級研究中，運用圖像亮度校正和區域分割的方法，采用近紅外方式對沒有明顯邊緣損傷的圖像進行識別， 其自動分級效果達到了當時美國農業部的相關標準，并得到推廣應用。20 世紀 80 年代，我國農業專家系統開始起步， 雖起步較晚， 但發展很快， 涉及作物栽培、 品種選擇、育種、病蟲害防治、生產管理、節水灌溉、農產品評價等方面。在20 世紀 80 年代初，浙江大學進行過蠶育種專家系統的研究

16、，1985 年由中國科學院人工智能所開發的“砂姜黑土小麥施肥專家咨詢系統”在安徽省淮北平原得到很好的推廣應用。其后，各地高校、研究所和農科院相繼開發了許多農業專家系統。 第二階段：快速發展期（第二階段：快速發展期（20 世紀世紀 90 年代）年代） 20 世紀 90 年代，伴隨著人工智能技術的蓬勃發展，人工智能在農業中的應用也進入快速發展期。在專家系統領域，陸續出現了美國哥倫比亞大學梯田專家系統， 日本的溫室控制專家系統， 英國 ESPRIT 支持下的水果保鮮系統，德國的草地管理專家系統，埃及農墾部支持的黃瓜栽培與柑橘栽培生產管理專家系統， 希臘的六種溫室作物病蟲害和缺素診斷的多語種專家系統等

17、。為加快農業專家系統開發效率，一些輔助農業專家系統開發平臺應運而生，如 CALEX SELECT、PALMS 、 MICCSFARMSCAPE 、 PCYield 、 GLA & NUTBAL 、WHEATMAN 等，大大縮短了專家系統開發的周期，成為農業專家系統研究的重要方向。 3 中國人工智能系列白皮書 這一階段計算機視覺技術在農業中取得了較大進展， 如在農產品分級方向，1992 年，Liao 等在玉米籽粒的分類中引入了神經網絡方法來提高其分類的準確率。1994 年，Liao 等對玉米粒的顏色及表面缺陷進行實時分級研究，其分級速度仍較慢。1997 年，Ni 等通過圖像處理技術獲取三維信息的

18、方法對玉米籽粒進行分級， 但該系統的檢測精度及用時離實際應用仍有較大距離。1998 年，Choi 等將彩色圖像處理技術運用于番茄品質的分級，其分級效率高于人工檢測。1999年，Chtioui 等以粗糙集理論作為模式分類工具，通過計算機視覺技術檢測評價蠶豆品質，其分類結果具有較好的一致度。在農產品的加工應用中，Ling 等于 1991 年開始研究鮮蝦圖像的形態學特征和頻譜特征，發現根據頻譜特征確定下刀位置較為有效，為鮮蝦去頭加工的自動化提供了可靠依據。1995 年，Moconnell 等利用計算機視覺技術對顏色的識別來控制烘烤食品的質量，并取得了較好效果。Seida 等對機器視覺技術運用于飲料容

19、器質量檢測的可行性進行了研究。Jia 等提出將圖像處理算法應用于鰭類魚的加工。1998 年，Tao 等運用計算機視覺技術進行雞肉中骨頭碎片及污染物的無損快速檢測， 并研制出相關設備。在植物生長監測方向，1995 年，Shinizu 等利用機器視覺和近紅外光連續采集植株圖像，成功分析得出其白晝的生長率。1996 年，Casady 等利用數字圖像處理技術獲得了水稻植株的高度等形態特征信息，使利用計算機視覺獲得植株高度成為可能。在農作物病蟲害檢測方向， 1995 年， Woebbecke 等研究發現葉片的形態學特征可用于識別雙子葉與單子葉植物，準確率在 60% 80%；此外還研究發現，彩色圖像的 R

20、-G-B 特征能很好地區分非植物與植物的背景，從而將其運用于田間雜草的探測控制。Zhang 等提出同時使用形狀和顏色分析識別小麥田間雜草的方法。1997 年，Giles 等研制出一種裝有機器視覺導向系統的噴霧裝置，能對成行作物實施精量噴霧，該系統不僅節約農藥，提高施藥效率，還可大大減少對環境的污染?；? 中國人工智能系列白皮書 機器視覺的雜草識別技術在國外已經進入實用階段。1999 年，Lee 等研制出由計算機視覺系統、精準噴施系統等構成的智能雜草控制系統，該系統可根據植物形狀特征的差異識別作物和雜草，并確定雜草的位置以進行精準噴施。Burks 等利用彩色共生矩陣法和神經網絡技術對土壤和 5

21、 種雜草進行識別研究，分類準確率達 93%。在機器人領域，融合了計算機視覺技術，果蔬采摘機器人成為人工智能的新興領域。1991 年，日本 Kubota 公司成功研制出用于橘子采摘機器人的機械手。1995 年，周云山等將計算機視覺技術應用于蘑菇識別，使蘑菇生產從苗床管理到收獲分類的全過程基本實現自動化， 但離實際推廣應用仍有一定距離。1996 年，近藤等研制出采用雙目視覺方法定位果實的番茄采摘機器人，能準確識別果實與樹葉，而當可采摘番茄被莖葉遮擋時，機械手難以避開莖葉等障礙物完成采摘。1997 年，德田勝等研制出一套運用機器視覺技術檢測西瓜成熟度的機器視覺系統，用于控制采摘機器人適時自動采摘西瓜

22、。中國農業大學為國內農業機器人技術早期研發單位之一， 研制出的自動嫁接機器人已成功進行了試驗性嫁接生產，解決了蔬菜幼苗的柔嫩性、易損性和生長不一致性等難題，可用于黃瓜、西瓜、甜瓜等幼苗的嫁接，形成了具有自主知識產權的自動化嫁接技術。 我國 1996-2005 年期間，在國家 863 計劃的持續支持下，系統開展了以農業專家系統為核心的智能化農業信息技術應用示范工程， 該項目以智能信息技術直接服務“三農”為目標，按照智能系統開發平臺、共性關鍵技術、應用示范區和研發基地建設四個層次進行組織實施。全國共研發出 5 個農業智能系統開發平臺，70 多個應用框架，200 多個本地化農業專家系統，涉及糧食、果

23、樹、蔬菜、畜牧、水產等不同農業領域，建立了 23 個省級應用示范區，取得了重大的社會經濟效益，形成了我國特有的“電腦農業” ，全面推動了我國農業智能信息技術的應用發展。2003 年 12 月， “中國 863 電腦農業5 中國人工智能系列白皮書 （Agricultural Expert System in China） ” 在日內瓦舉辦的世界信息首腦峰會上獲峰會大獎（World Summit Award） ，標志著我國利用智能化農業信息技術改造傳統農業做出的巨大貢獻得到了世界的承認。 第三階段：規模應用期（第三階段：規模應用期（2000 至今）至今） 進入 21 世紀，農業勞動力不斷向其他產業

24、轉移， 農業勞動力結構性短缺和日趨老齡化漸已成為全球性問題，通過人工智能技術，提高生產力，成為農業領域的研究與應用熱點，人工智能在許多農業領域出現了規模應用。 設施農業、精確農業和高新技術的快速發展，特別是人工作業成本的不斷攀升，為農業機器人的進一步發展提供了新的動力和可能。如果蔬采摘不僅季節性強、勞動量大，而且作業費用高，人工收獲的費用通常占全程生產費用的 50%左右， 因此采摘機器人在日本、 美國、荷蘭等國家已有初步使用。例如，2000 年，荷蘭農業環境工程研究所研制出移動式黃瓜采摘機器人樣機， 在實驗室和溫室中的采摘試驗效果良好。VanHenten 等對溫室黃瓜收獲機器人機械手的運動結構

25、進行優化設計，并提供了一種評價和優化該運動機構的客觀方法、優化結果發現，4 臂 4 自由度 PPRR 機器手最適合于溫室黃瓜的收獲。計算機視覺的應用進一步成熟。到 2011 年，Zapotoczny 采用神經網絡的方法對春、冬季不同質量等級的 11 個小麥品種進行試驗，使用圖像處理分析技術進行分類鑒別的準確率高達 100%。近十幾年來，我國科研人員對計算機視覺技術在農作物種子質量檢測的應用方面作了大量研究。2004 年，周紅等運用計算機視覺技術提取玉米種子的外形輪廓，為玉米種子的進一步分級識別提供依據。2008 年，萬鵬等提出利用計算機視覺系統代替人眼識別整粒及碎大米粒形的方法，并設計了一套基

26、于計算機視覺技術的大米粒形識別裝置， 該裝置對完整米粒、碎米的識別準確率分別為 98.67%、92.09%。在農產品分級方面，計算機視覺水果分級自動化系統得到了廣泛應用，國外已將部6 中國人工智能系列白皮書 分成果應用于實際生產中。2002 年，Yun 等成功研制出一種谷?？焖俜旨壪到y，每分鐘檢測 200 顆谷粒，其分級準確率達 98.9%。2011年，Mathanker 等發現使用機器學習分類器 AdaBoost 和支持向量機(Support Vector Machine,SVM) 的方法可提高核桃分級檢測的精度。我國將計算機視覺技術應用于水果等的檢測分級相對較晚， 但由于借鑒了其他國家的研

27、究成果，發展速度比較快。研究大田作物病蟲草害的自動識別與測定技術， 建成自動化控制系統以防治田間雜草與病蟲害，也是計算機視覺技術在作物生產中較為重要的應用研究領域。農業航空是現代農業人工智能應用的重要組成部分，農業無人機在美國、日本等發達國家早已使用，應用在農田植被數據監測、農田土壤分析及規劃、農田噴灑方面的研究等多個方面。我國自 2008 年無錫漢和第一架植保無人機面試以來，無人機行業如雨后春筍般的發展。主要應用在土壤濕度監測、農田噴灑、植被覆蓋度的監測等方向7。 在這一時期，特別是 2009 年“感知中國”的目標提出后，作為人工智能集成應用的農業物聯網和無人機開始迅速發展。物聯網、移動互聯

28、、大數據、云計算、空間信息技術、智能裝備技術開始進行深入融合，人工智能成為核心技術承擔優化、決策的任務。2010 年國家發改委啟動了物聯網產業化規劃， 規劃未來我國十年到二十年的物聯網發展重大專項， 其中將精細農牧業列為規劃專項的一個很重要的內容。隨后國家發改委、農業部、財政部決定在黑龍江農墾開展大田種植物聯網應用示范、北京市開展設施農業物聯網應用示范、江蘇省無錫市開展養殖業物聯網應用示范， 并將這 3 個項目作為國家物聯網應用示范工程智能農業項目，農業部在天津、上海、安徽三省市組織實施了農業物聯網的區域試驗工程， 這些國家和部委項目的實施引領與促進了人工智能技術在農業領域中的規?；瘧冒l展，

29、 提高了我國農業現代化水平。 7 中國人工智能系列白皮書 人工智能技術在我國農業領域廣泛應用，把農業帶入數字化、信息化和智能化的嶄新時代。但人工智能在農業領域應用研究任重道遠，離我們追求的目標還有很大距離，核心技術有待重大突破，應用成本需要大幅度降低。 以人工智能技術為核心的現代信息技術及智能裝備技術在農業領域的應用， 逐漸形成了現代農業發展的新業態智能農業，這是農業未來的一場深刻變革。 1.2 智能農業發展趨勢 智能農業按照工業發展理念，充分應用現代信息技術成果，以信息和知識為生產要素，通過互聯網、物聯網、云計算、大數據、智能裝備等現代信息技術與農業深度跨界融合， 實現農業生產全過程的信息感

30、知、定量決策、智能控制、精準投入和工廠化生產的全新農業生產方式與農業可視化遠程診斷、遠程控制、災害預警等職能管理，是農業信息化發展從數字化到網絡化再到智能化的高級階段， 是繼傳統農業（1.0） 、機械化農業（2.0） 、生物農業（3.0）之后，中國農業 4.0的核心內容8。 1.2.1 智能農業智能農業在中國的研究進展在中國的研究進展 智能化農業信息技術研究始于 80 年代初，包括施肥專家咨詢系統、栽培管理專家系統等。其中，施肥專家咨詢系統是根據實測的土壤理化參數或土壤肥力、地力參數以及地理分布，評估肥力水平，利用施肥量與各種農作物產量的關系，土壤區劃、土壤類型以及不同生態條件下肥料運籌、 施

31、肥時期與施肥方法， 化肥投入與產出比的肥效，非正常情況下的補救措施等。 栽培管理專家系統是根據各個農作物的不同生育期、生理特點、不同的生態條件、作物品種、播種期、密度、灌水等進行科學的農事安排，包括品種選擇、種子篩選準備、整地、播種、 田間管理與收獲等栽培部分， 優化肥料與產量關系的施肥部分，合理灌排、優化水分與產量關系的灌溉部分，病蟲害發生發展規律和8 中國人工智能系列白皮書 消長關系的植保部分，農業氣候的發生規律、氣候與農作物生長期的產量關系的氣象服務部分等，指導農民進行科學生產和管理。 我國農業正向知識高度密集型的現代農業發展，相繼出現了“有機農業” 、 “生態農業” 、 “持續農業”

32、、 “智能農業” 等替代型現代農業，智能農業的出現為現代農業的發展指明了方向9-11。我國“智能農業”技術的應用較發達國家要落后 20 年以上，甚至有些地方還是一片空白。近年來，信息技術飛速發展，其在農業上的應用也得以重視。目前，我國北京、上海等地已開展了智能農業的研究應用，例如，在京郊小湯山智能農業基地， 由北京師范大學遙感與地理信息系統研究中心、 中國科學院地理科學與資源研究所熱紅外遙感實驗室以及北京市農林科學院聯合實施的大型定量遙感聯合試驗和北京農業信息技術研究中心，根據國家 973 項目與智能農業示范項目的總體要求，在小麥病害的高光譜遙感檢測和預測預報試驗等方面， 都取得了大量試驗數據

33、。但目前我國關于智能農業的研究應用還處于起步階段。 1.2.2 智能農業存在的問題智能農業存在的問題 智能農業已成為合理利用農業資源、提高農作物產量和品質、降低生產成本、 改善生態環境及農業可持續發展的前沿性農業科學研究熱點之一12-14。目前，我國農業仍處于由傳統農業向現代農業轉變的過程中，與國外智能農業條件比較,還存在諸多不利因素。例如地形復雜,機械化和集約化水平不高，信息技術及其裝備薄弱，農民素質不高等；此外，實施智能農業，前期的儀器、設備、裝置等的成本投入相對過高，也影響了智能農業在我國的發展。 1. 我國智能農業科技含量我國智能農業科技含量、發展水平發展水平較低較低 我國智能農業相關

34、領域的研究起步比較晚，投入低，較農業發達國家而言仍具有不小的差距。同時，智能農業的產業鏈仍比較單薄，相關設備的生產、安裝、實施、維護一整套環節都比較薄弱，整體農9 中國人工智能系列白皮書 業機械化水平與發達國家相比仍有不小的差距，科技含量低，導致農業自動化程度、集約化水平偏低。 2. 農業生產方式農業生產方式、效率效率較落后較落后 我國智能農業起點較低， 效率仍處于一個較低水平， 如生產效率、勞動產比率、 資源利用率等一些農業生產核心數據都可以反映出這個問題的嚴重性。另一方面，我國資源短缺與資源利用率低的矛盾日益加劇， 這就要求我國走一條集約化的、 可持續發展的現代化農業道路。 3. 農業抵御

35、自然災害能力較弱農業抵御自然災害能力較弱 我國是一個農業自然災害頻發的國家，由于設備陳舊，防災設施缺乏，農業抵御自然災害的能力較低，看天吃飯的尷尬處境仍未得到有效改變，一旦發生大規模的自然災害，將會造成重大損失，糧食產量大幅下降，甚至絕收等。 4. 農業科研投入農業科研投入、相關領域人才儲備缺乏相關領域人才儲備缺乏 無論是從科研經費，還是其他的獎勵政策來說，國家歷來對農業與工業的重視度不在同一水平線上， 客觀上導致了我國農業長期處于落后的現狀。我國智能農業起步比較晚，并且受傳統觀念影響，只有極小部分科研人員愿意投入到這一領域， 導致相關領域的技術人員儲備不足，影響了智能農業事業的迅速崛起。 1

36、.2.3 智能農業的發展前景智能農業的發展前景 智能農業已成為合理利用農業資源、提高農作物產量和品質、降低生產成本、 改善生態環境及農業可持續發展的前沿性農業科學研究熱點之一。目前，我國農業仍處于由傳統農業向現代農業轉變的過程中， 與國外智能農業條件比較， 還存在諸多不利因素。 例如地形復雜，機械化和集約化水平不高， 信息技術及其裝備薄弱， 農民素質不高等；此外，實施智能農業，前期的儀器、設備、裝置等的成本投入相對過高，也影響了智能農業在我國的發展。 10 中國人工智能系列白皮書 針對上述問題，我國發展智能農業必須分步推行，從應用較為成熟、投資較小的階段性成果開始，逐步配套提高精準程度15。在

37、技術上，首先發展 3S 集成技術，開發應用軟件，再研制智能控制的裝備和農機具； 在技術實施過程中， 先進行人工采集信息， 常規機械操作，逐步過渡到半自動化、自動化作業；在推廣上，先在受自然條件影響小、時空差異不大和工業化程度較高的設施農業生產中應用，在大規模的農場和農業高新技術綜合開發試驗區實踐， 然后才向有條件的農村和農戶滲透。這樣，既可使我國的智能農業與國際接軌，又符合我國的國情，逐步形成自身特點。 在農業生產環節， 智能農業技術對農業生產各種要素實行數字化設計、智能化控制、精準化運行、科學化管理，促進生產要素的優化配置，提高農業生產力，推動農業生產向集約化、規?；?、精準化轉變；在農業經營

38、環節，智能農業通過“互聯網+”電子商務等模式，發展農業新業態，促進農業一二三產業融合發展，促進農民收入持續較快增長；在農村信息服務方面，智能農業技術可以實現農業農村信息服務的個性化、精準化，提高服務效能。隨著我國土地流轉、農業?；l展、新型農業經營主體壯大，智能農業技術必將成為我國發展現代農業、改變傳統農業生產方式、提高效率和效益、推進農業三產融合發展的重大選擇。 在智能農業裝備方面，主要集中在農業專用傳感器與儀器儀表、農業大數據與云計算、智能化植物生產工廠、農業機器人、農業精準作業與智能裝備、農業物聯網等智能化農機裝備構建技術研究，逐步從粗放式過渡到智能化、 自動化為標志的集約化發展與制造

39、業轉型的階段16,17。按照智能制造試點示范所包含的智能工廠、數字化車間、智能裝備、智能新業態、智能化管理、智能化服務等六個維度的要求來構建智能化農機裝備制造體系，是未來智能裝備發展的方向，為智能化農機發展提供支撐與保障。11 中國人工智能系列白皮書 第 2 章 農業智能分析 物聯網、互聯網等技術與農業生產、加工、流通等各環節緊密結合，產生了大量多源異構的農業數據，并且這些數據仍在呈指數方式增長。如何采用數據挖掘與智能分析技術與手段發現或提取其中的有效信息與潛在價值，實現農業生產經營過程的整體信息化管控，在一定程度上加速轉變農業生產方式，提高生產水平與效率，對于發展與實現現代農業具有重要意義。

40、本章在分析綜合分析農業數據挖掘的現狀和需求基礎上，從農業數據語義分析、農業病蟲害圖像識別、動物行為分析以及農產品無損檢測等方面介紹討論了農業典型數據挖掘的知識模型、處理方法與分析技術，并對未來的發展方向進行展望。 2.1 農業數據挖掘 現代農業發展過程中數據呈爆炸式增長， 尤其是隨著移動互聯網和物聯網技術的發展，在農業生產、流通與交易過程中，農業資源、環境、多樣化的生產經營方式不斷產生全量超大規模、多源異構、實時變化的農業數據，產生的大量數據既包含價值密度低的數據塊，也包含價值密度高的數據塊，需要從這些數據中尋求科學規律、有用知識，快速抽取出模式、關聯、變化、異常特征與分布結構，利用自然語言處

41、理、信息檢索、機器學習等技術挖掘抽取知識，把數據轉化為智慧的方法學，指導農業生產經營是農業數據挖掘的價值所在。 2.1.1 農業數據挖掘特點農業數據挖掘特點 農業數據挖掘可稱為數據庫中的知識發現， 是指從農業數據庫的大量數據中揭示出隱含的、先前未知的并有潛在價值的信息的過程。原始農業數據可以是結構化的，如關系數據庫中的數據；也可以是半結構化的，如文本、圖形和圖像數據；甚至是分布在網絡上的異構型農業數據，如農業技術、農產品市場價格、農業視頻等。 12 中國人工智能系列白皮書 通過數據挖掘發現的知識可以被用于：精準農業生產，提高農業生產過程中的科學化管理、精準化監控和智能化決策；農業水資源、農業生

42、物資源、土地資源以及生產資料資源的優化配置、合理開發以實現高效高產的可持續綠色發展；農業生態環境管理，實現土壤、水質、污染、大氣、氣象、災害等智能監測；農產品和食品安全管理與服務，包括市場流通領域、物流、產業鏈管理、儲藏加工、產地環境、供應鏈與溯源等精準定位與智能服務；設施監控和農業裝備智能調度、遠程診斷、設備運行和實施工況監控等。 2.1.2 農業網絡數據挖掘農業網絡數據挖掘 農業網絡數據挖掘就是以 WEB 信息資源為對象，以信息檢索的方式為用戶提供所需信息，它包括信息收集、信息過濾、信息存取、信息索引、信息檢索等環節?；ヂ摼W上存有海量的農業信息資源，據不完全統計，在國內農業領域現有各種網站

43、 3 萬余個，內容涉及實用技術、供求信息、價格信息、農業資訊、農業視頻等多個主題。這些農業資源網站信息集中，專業性強，服務有針對性。另外，一些綜合類和商務類網站，如阿里巴巴、淘寶、阿拉丁等提供了大量的農產品供求、農資市場、農業設備等特定的農業數據，對網絡中海量存在的數據進行挖掘入庫，后期進行智能分析對于現代農業發展具有現實意義。 農業網絡數據挖掘工具的典型代表有美國農業網絡信息中心（AGNIC）與美國普林斯頓建立的 Agriscape Search，法國的 Hyltel Multimedia，中國科學院合肥智能機械研究所研發的“農搜” 、華南農業大學的“華農在線” 、中國農業科學院“農搜” 、

44、國家農業信息化工程技術研究中心的“Agsoso”等。最早網絡數據抓取采用基于 Html網頁庫的關鍵詞匹配方法，由于網頁里包含了很多廣告、與當前頁面無關的鏈接等垃圾信息，導致查準率較低。因此，在抓取網頁的同時進行 Web 信息抽?。╓eb Information Extraction）使“Agsoso”等工具信息的查準率大幅提高。 13 中國人工智能系列白皮書 Web 信息抽取技術能夠從 Web 頁面所包含的非結構或半結構的信息中識別用戶感興趣的數據，并將其轉化為更為結構化、語義更為清晰的格式。常用的信息抽取模型有基于隱馬爾可夫模型 Hidden Markov Model（HMM）的抽取方法，該

45、方法要求大量的訓練實例，處理速度較慢； 基于本體的抽取方法是利用本體這個比較成熟的刻畫領域的技術手段，對抽取頁面的類型進行描述及設計匹配規則，該方法與抽取的 Web 頁面格式無關，但本體庫的構建工作量非常大；基于規則的文本信息抽取模型也需要先構造抽取規則， 從手工標記的訓練例中推導出一個抽取規則集。 目前“Agsoso”已經整合了農業科技、特色農產品、農業生產資料、農業社會經濟、農業自然資源、農業產品、農產品市場、農民專業合作社、 農業企業、 農業視頻等 14 個分類， 59 個主題信息庫， 6.8TB數據資源，實現了農產品數據集市挖掘、基于規則的包裝器專題信息抽取模型、農業信息專題詞庫更新算

46、法、無序數據的大樣本學習機制等技術的應用， 為農業知識來源的最大頻繁項目集和信息熵集合提供了數據倉庫基礎。 2.1.3 農業感知數據挖掘農業感知數據挖掘 除了農業網絡數據之外，在農業產業鏈前端以及農業生產過程中，農業生產活動也產生了大量的農業過程數據，該部分的數據主要通過各類物聯網感知設備、自動控制設備、智能農機具包括人工操作記錄等方式進行采集與收集，這里統稱為農業感知數據。不同于農業網絡數據，農業感知數據的來源繁多，數據結構與類型復雜多樣，多維特征間關聯十分緊密， 這些都對農業感知數據挖掘提出了很高的要求。 農業生產過程的主體是生物，存在多樣性、變異性和不確定性，因此農業感知數據存在季節性、

47、地域性、時效性、綜合性、多層次性等特點；而在具體應用場景上也涉及不同專業的多個領域，如氣象、14 中國人工智能系列白皮書 動植物育種、土地管理、產量分析圖、畜禽飼養、土壤水肥、植物保護等。隨著物聯網數據的不斷積累，挖掘分析方法對大數據的處理方法與傳統小樣本的分析方法有著本質的不同，而且對挖掘深度、數據可視化與實時性等方面都有了更高的要求。 美國的農場主通過安裝 Climate Corporation 公司的氣象數據軟件，可以獲得農場范圍內的實時天氣信息，如溫度、濕度、風力、雨水等，同時結合天氣模擬、植物構造和土質分析得出優化決策，幫助農場主從生產規劃、種植前準備、種植期管理、采收等各環節做出優

48、化決策。 來自美國硅谷的 Solum 公司致力于提供精細化農業服務， 其開發的軟硬件系統能夠實現高效、精準的土壤抽樣分析，以幫助種植者在正確的時間、 正確的地點進行精確施肥， 幫助農民提高生產效益。美國 FarmLogs 公司幫助農民通過移動終端，如 Pad 就可以實現上傳農場數據，并獲取分析結果，使農場管理更加便捷，同時正在開發基于大數據分析，具備智能預測功能的農作物輪作優化的產品。由國家信息化工程技術研究中心等研發組建的“金種子育種云平臺” ，面向科研單位和育種企業需求，在采集試驗狀態、譜系等相關數據的上，提供包括種質資源管理、 試驗規劃、 性狀采集、 品種選育、 系譜管理、數據分析等育種

49、過程數據分析與服務，并在隆平高科、山東圣豐種業等成功應用。 目前農業感知大數據挖掘主要還是針對不同領域利用數據挖掘技術解決生產中的問題。 其基本架構包括三部分： 農業數據挖掘模型、農業數據挖掘工具集和農業數據挖掘服務。其中，農業數據挖掘模型主要用于數據的特征提取與模型構建； 農業數據挖掘工具集提供了大量的數據預處理算法和數據挖掘算法; 農業數據挖掘服務則以服務的形式提供了針對不同領域、不同用戶的個性化數據挖掘與推薦方法。 15 中國人工智能系列白皮書 2.1.4 農業數據挖掘應用農業數據挖掘應用 2.1.4.1 育種數據挖掘 在人類早期簡單的種植和采收活動中， 就開始孕育作物馴化育種的思維。在

50、源于西歐的近代育種技術和理論出現之前，作物育種都是通過天然雜交和變異產生一些符合人類生產需求的作物品種。 隨著遺傳學、分子生物學、生物統計學等學科發展，作物育種研究產生了海量多種類型的數據，整合和最大化利用這些生物學數據，無疑對現代育種研究具有不可估量的重要意義。據不完全統計，我國現有的農作物資源中含有水果、蔬菜等 200 種作物，其中包含的品種數更是達到40 萬種，人們可以通過數據挖掘技術根據豐富的種植經驗和積累從這些眾多的品種資源數據庫中挖掘出適宜、優質的品種來進行培育。 農作物品種選育呈多元化發展態勢， 高產是新品種選育的永恒主題，品質改良是新品種選育的重點，病蟲害抗性是新品種選育的重要