机器学习在智慧农机中的应用综述

杨天佑 唐文辉 王福章

摘要：当前，我国正处于农业机械化转向农业智慧化的重要阶段，在农业智慧化决策方面，机器学习发挥着重要的作用。文章对机器学习算法在智慧农机中智能除草、防治病虫害、智能采摘方面的应用研究进行了梳理分析。通过对现有研究成果的总结和分析，期望为智慧农业的发展、机器学习算法的提升提供一定的基础，未来机器学习算法能更好地与智慧农业结合。

关键词：农业；机器学习算法；智慧农机；卷积神经网络

中图分类号：TP181      文献标识码：A

文章编号：1009-3044（2022）27-0097-03

开放科学（资源服务）标识码（OSID）：

智慧农机是指将互联网、大数据、云计算、物联网等高新技术与传统农机相结合，能够根据不同的劳动种类和农作物种类进行实时监控、预警、分析的新型农机，智慧农机的广泛应用有助于实现农业生产中的精准播种、智能决策和智能管理[1]。

智慧农机之所以比传统的农业机械更加智能，归根到底是在于其高效准确的机器学习算法。机器学习旨在让计算机实现自我学习。机器学习算法不再依赖传统的编程技术让计算机进行灌输式的学习，而是让计算机从海量的数据中自主学习知识和规律，通过海量数据训练模型，最终完成对目标的预测。机器学习算法与智慧农机系统的有机结合，能够让农机设备展现出类似人类行为的智能化效果，从而大幅提高农业生产效率、节约人力成本。

目前，欧美日等国家已将智慧农机应用到农业生产的方方面面。相比而言，国内在智慧农机领域的研究和应用仍然处于起步阶段。我国目前正处于由农业机械化转向农业智慧化的紧要关头，基于机器学习算法的智慧农机系统在推动农业产业升级和农业现代化过程中将发挥重要作用。

1 利用机器学习算法，提升智慧农机数据传输效率和网络安全水平

1.1数据传输

无线传感器是智慧农机系统中用于采集数据的重要设备。在智慧农机系统中，每个无线传感器都会周期性地捕捉农业生产相关的特征数据，并根据特定的采样率将数据发送到接收器进行进一步分析。这种大量的数据传输行为会导致传感器节点的高能耗和较高的网络带宽占用。Salim等[2]提出了一种基于机器学习的数据压缩算法（MLDR），该算法能够有效提高数据传输的效率和准确性。MLDR侧重于农业相关的环境数据，它通过在传感器节点级别添加机器学习技术来减少发送到接收器的数据量，从而保证接收器数据的可用性和准确性。实验结果表明，数据压缩后发送的数据量减少了70%，且方差的差异小于2%。说明这种数据压缩有助于降低能耗和带宽使用，并在保证信息准确性的同时，提高了传输工具的使用率。

1.2网络安全保护

作为智慧农机中的一种，农业无人机的普及正在将传统的农业经营方式转变为精准农业。一方面，农业无人机与物联网结合，使用开放式渠道协助农业生产者完成数据收集、处理、监控等工作，有助于提高农业决策的准确性；另一方面，农业无人机通过挂载不同功能的机载设备可实现不同的作业，实现一机多用，使用一个无人机平台就可实现药液喷洒、固体肥料播撒、粉剂喷洒、种子精量播种等多种作业，几乎贯穿了农作物的整个生长过程，能够帮助农业生产者节省大量的劳动力和农业投入成本。

需要注意的是，无人机网络容易受到诸多攻击和安全威胁，包括身份偽造、数据篡改、被动窃听、物理捕获、拒绝服务等[3]。在此背景下，Randhir等[4]提出了一种用于农业无人机的安全隐私保护框架（SP2F），该框架有两个主要引擎，一个两级隐私引擎和一个基于深度学习的异常检测引擎。实验结果表明，SP2F框架和传统集中式安全措施相比，在单点故障、可验证性、可追溯性、可伸缩性、身份验证、安全性、私密性、透明度、去中心化、链外合约等10个指标上的得分明显更高，能够为农业无人机的网络通信安全提供更加全面的保障。

2利用机器学习算法，让智慧农机应用农业生产各环节

2.1智能除草

田间杂草是目前农业生产中影响食品安全和作物产量的主要因素。当前常用的除草方法有人工除草、畜力除草和杀虫剂除草。这些方法存在较多问题，包括污染严重、效率不高、使用范围有限、费时费力等。因此，基于机器视觉的快速发展，结合机器学习算法的先进成果，打造智能除草机器人，有效准确地识别和治理田间杂草是未来农业发展的重要途径之一。作为智慧农机的典型代表，智能除草机器人需要先进的杂草识别算法来高效准确地搜寻杂草所在位置，从而有效根除杂草。在此背景下，张瑞森等[5]提出了一种基于FasterR-CNN的田间杂草反向识别改进算法，该算法为了有效解决训练样本不足问题，借助了循环一致性生成对抗网络（Cycle-GAN）的图像生成能力，并且在此基础上，使用FasterR-CNN（快速区域卷积神经网络）算法对田间杂草进行识别和定位。改进后的FasterR-CNN算法在实时性和识别速度方面都具有明显优势。实验结果表明，该方法的对田间杂草的识别准确率高达95.06%，能够有效提升除草机器人对杂草的识别和定位能力。

2.2防治病虫害

病虫害是病害和虫害的并称。农作物在生长期间遭遇病虫害，将严重影响农产品的产量和品质。目前病虫害防治的主要方法包括农业防治法、化学防治法、生物防治法、物理防治法[6]等。这些方法需要消耗大量的人力物力，防治效率不高，并且容易产生严重的环境污染问题。作为智慧农机中的典型代表，智能病虫害监测系统使用机器学习算法对病虫害问题进行准确地定位和识别，对农作物的病虫害问题进行动态监控、智能预警和精准治理，能够显著改善病虫害防治效果，提升病虫害防治工作的及时性和准确性，节省大量的人力物力成本。智能病虫害监测系统的关键在于病虫害识别和定位算法的实现。近年来，基于卷积神经网络的深度学习模型在病虫害监测任务中取得良好的效果。郭阳等[7]基于水稻虫害数据集，对比了SSD、YOLOv3、Faster-RCNN三种算法的效果。通过对比研究，发现三种算法中YOLOv3算法的平均精度最高。与Faster-RCNN算法相比，YOLOv3算法平均每幅照片的识别时间缩短了853.68毫秒，同时平均准确率提高了1.43个百分点；而与SSD算法相比，YOLOv3算法平均每幅照片的识别时间缩短了2.9毫秒，同时平均准确率提高了5.56个百分点。此外，YOLOv3算法对背景相似或障碍物遮挡等特殊情况都能进行精准识别，不会出现漏检、错检，且识别准确率大于98%。在病虫害识别和定位方面，YOLOv3算法检测速度快且准确率较高，这对农产品病虫害的智能监测和精准喷药具有重要意义。

2.3智能采摘

农产品采摘是农业生产各环节中的重要一环。目前主流的采摘方式是人工采摘，该方式存在劳动过度密集、效率低下、成本较高等多种问题。与此同时，近年来农村地区的青壮年劳动人口不断向城市流动，导致农村地区的劳动力出现明显短缺。特别在农忙时节，需要短时间内完成大量的采摘工作，由此造成了亟待填补的巨大劳动力缺口。在此背景下，使用智能采摘机器人代替传统的人工采摘具有十分重要的意义。采摘机器人作为智慧农机的典型代表，使用机器学习算法识别农产品成熟度，实现自动采摘，能够取代人工进行自主采摘作业，为提高农业生产效率提供了强大的技术支撑。

王芳等[8]基于Faster-RCNN框架，提出了一种关于智能采摘机器人的目标识别算法。该算法首先使用VGG16模型对输入图片的特征数据进行提取，同时使用RPN网络形成包含采摘對象的自适应候选框，并且基于多任务损失函数对采摘对象实现预测框矫正和分类，以获取采摘对象的准确坐标，最后使用标定方法计算机器人手眼坐标系之间的对应转换关系。使用该算法对苹果进行目标识别和定位，平均精度达97.5%，最大误差仅为1.33cm。通过使用该算法，智能采摘机器人对采摘对象的定位和识别准确率得到明显提升，从而有效提高农产品采摘作业的效率和准确性。

2.4农产品分级

对农产品严格按照标准进行清选、分级，能够提高其售价，实现优质优价，进而提升农产品的商品化程度和价值。由于外界因素影响，不同农产品的外部形态特征差异很大，很难用统一标准进行描述。传统的农产品分级大都采用人工感官分级或比较，这种方法存在着受主观因素影响大、精度差、易产生视觉疲劳、分级速度慢、效率低等问题。基于计算机视觉技术和机器学习算法开发的农产品分级系统能够提高农产品分级的效率和准确性，节省大量的人力成本，弥补人工分级的不足。农产品分级系统的核心在于准确高效的分级算法的研究和开发。

周军等[9]在研究核桃仁的分级中，将核桃仁图像从RGB数据转换为HSV数据，在此基础上从颜色、色调、饱和度、完整度等角度提取原始特征集， 同时使用mRMR算法对原始特征进行筛选并根据重要性对特征进行排列， 最后分别使用决策树、支持向量机和朴素贝叶斯三种算法进行比较研究，发现各个算法的准确率分别为96.00%、85.33%、97.33%。相比其他两种算法，朴素贝叶斯算法能够有效提高核桃仁分级工作的准确性，促进提升农产品分级作业的效率和自动化水平。

3 总结和展望

机器学习算法的研究和应用对智慧农机系统的研发和普及具有十分重要的意义。目前机器学习技术已经广泛应用到智慧农机的数据传输、网络安全防护、农作物的除草、病虫害防治、农产品的采摘和分级等多个方面。可以展望，未来在智慧农机领域，机器学习技术的应用范围将越来越广。但同时也存在着一些不容忽视的问题，一是各个地区农业生产的场景千差万别，如何有效提高机器学习算法在不同农业生产场景中的准确性和计算效率，是亟待解决的关键问题；二是在农业生产数据集方面，为了推动机器学习算法在智慧农机领域的改进和迭代，需要建立与农业生产相关的各类大规模数据集，目前大多数的研究结果主要依赖研究人员自主收集的数据，研究结果在可验证性和可比性方面存在不足。

未来的智慧农机发展主要体现在两个方面：一是机器学习技术将与农业机器人、传感器、物联网深度融合，能够根据农作物的生长情况和环境变化，进行实时的监测和预警，有效提高农业生产的精细化和科学化水平。二是机器学习算法与嵌入式机器视觉紧密结合，推动机器学习技术在图像的定位和处理方法上的创新和发展，从而广泛应用到农作物的除草和病虫害防治、农产品的采摘和分级等环节。

参考文献：

[1] 何彦林.智慧农机发展现状及趋势预测[J].农机使用与维修，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] 吕龙伟.轻量级无人机网络安全通信协议[D].西安：西安电子科技大学，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] 张瑞森，万兴鸿，陈子颖，等.基于Cycle-GAN+Faster R-CNN的除草机器人杂草识别算法研究[J].南方农机，2021，52（15）：7-10.

[6] 刘俊.油茶林害虫植物源引诱剂研制[D].长沙：中南林业科技大学，2017.

[7] 郭阳，许贝贝，陈桂鹏，等.基于卷积神经网络的水稻虫害识别方法[J].中国农业科技导报，2021，23（11）：99-109.

[8] 王芳，崔丹丹，李林.基于深度学习的采摘机器人目标识别定位算法[J].电子测量技术，2021，44（20）：162-167.

[9] 周军，蔡建，郭俊先，等.基于机器视觉的核桃仁特征提取与分级方法研究[J].江苏农业科学，2018，46（11）：175-179.

【通联编辑：唐一东】