基于人工智能技术的智慧烟草农业发展探究

施旭，高松，刘帅，马石全，黄坤，潘元宏，郭建，宋文峰，张铁怀，官群荣，肖长东，，龙宝安，普恩平，史晓慧，吴思

(1.云南省烟草公司 红河州公司，云南 弥勒 652300；2.北京市农林科学院 信息技术研究中心，北京 100097；3.农芯(南京)智慧农业研究院，江苏 南京 211800)

烟草是我国重要的经济作物，种植历史悠久，烟草农业在我国社会和国民经济中有着举足轻重的地位[1]。随着新兴电子信息技术的蓬勃发展，烟草农业正步入智慧化发展阶段，这既是现代烟草农业的重要内容和标志，也是对现代烟草农业的继承和发展，更是烟草农业从数字化迈向智能化的重要阶段[2-3]。

人工智能的概念起源于1956年达特茅斯会议，是基于计算机科学技术研究机器智能的一门学科，即通过研制智能机器或智能系统，模仿、扩展人类智能，从而实现机器智能[4]。作为新兴技术，人工智能自诞生以来先后经历了多个发展阶段[5]，目前理论与技术日益成熟，逐渐衍生出目标检测、图像识别、机器学习、智能控制等多个分支，呈现出跨界融合、人机协同、群智开放、自主操控等新特征，在农业领域具有较强的渗透性和融合力。

面向我国农业重大需求和世界智能农业科技的前沿，利用人工智能技术改造烟草农业，不仅是解决劳动力不足的重要选择，也是提升烟叶品质量与效益的有效途径，更是烟草农业智慧化发展的必然要求。因此，本文选择烟草农业领域中育苗、种植、烘烤、分级四个关键环节的人工智能技术应用现状进行综述，在此基础上，分析人工智能技术发展的制约因素并对其未来发展趋势进行展望，以期为未来我国烟草产业的智慧化转型提供参考思路。

1 人工智能技术在智慧烟草农业中的应用现状

1.1 烟草育苗环节

育苗是烟叶生产过程中的重要环节[6-7]，对烟草后续生长过程的影响巨大。当前烟叶生产采用集中培育，成苗后移栽的生产方式，育苗过程中的环境监测和控制多以人工为主，但不同烟区烟苗播种期、移栽期不同，同时烟苗各生长阶段对于外界环境、养分的需求各有差异，对育苗管理人员的技术要求较高。因此，在现代化烟草育苗理念以及整体技术革新的基础上，各级学者正积极探索智慧化育苗新模式。

魏兴等[8]建立了烟草育苗大棚群环境参数远程无线监测系统，实现育苗棚内温湿度、光照强度等参数的实时、动态监测。谢文婷等[9]将自动循环装置融入育苗池的改造中，探索研发营养液自动循环系统，实现了烟草壮苗率的提高。李晓歌等[10]将多种技术，包括自动控制、传感器、无线通信以及人工智能等技术应用到烟草育苗中，建立了监测控制系统，实现烟草育苗大棚实时温度、湿度在线监测以及自动调整等功能，极大地减轻了人工成本。张锦中等[11]建立了烟叶育苗远程监控综合管理系统，通过各传感器设备实现育苗大棚温度、湿度、光照强度以及CO2浓度等环境参数的实时监测与自动控制，并基于已采集数据建立相关烟苗模型，对移栽时间做出科学预测。王曦等[12]则从农业角度对机械化智慧工厂育苗模式进行了深入研究，将现代生物技术、环境调控技术、人工智能技术贯穿种苗生产过程中，探索建立新型育苗工厂，实现种苗的数字化、可视化、自动化、规模化生产。

当前，智慧化育苗的研究还主要集中在育苗过程中环境的精准调控，在水肥智能管控、苗期自动识别、智慧辅助决策等方面还存在着局限性。充分吸收农业领域相关研究成果，将图像识别技术和深度学习技术相融合，探索智慧化育苗是值得研究的课题。

1.2 烟草种植环节

1.2.1 土壤养分检测

烟草农业与其他产业根本区别在于，它是以自然资源为基础的[13]。其中，土壤资源是自然资源的重要组成部分，为烟株提供生长环境和营养条件[14]，并且直接影响着烟叶的产量以及品质风格[15]。由于我国烟区土壤类型不同，部分烟技员或者烟农凭借自身经验开展局部土壤改良、土壤施肥，打破了土壤原有的生态平衡，导致烟叶产量、质量逐年下降[16]，因此，土壤成分检测分析至关重要。

目前，电化学技术、电磁技术、激光技术、光谱技术等被广泛运用于土壤成分快速检测，而人工智能技术的加入又为预测模型的建立提供了有力支撑。Elgaal等[17]利用非侵入型探地雷达对土壤进行成像，并利用神经网络分类对土壤图像进行分类研究，建立了土壤特征与作物的关联模型。除雷达成像外，单一土壤成分的光谱预测分析同样有大量报道。李民赞等[18-19]通过光谱仪获取土壤信息，并利用神经网络预测方法建立了土壤中有机质、全氮的分析模型，结果表明，有机质含量的模型预测相关系数为0.854，全氮含量的模型预测相关系数为0.808，模型预测效果较好。董超等[20]分别通过无人机以及地面采样数据，从两个尺度层面构建了麦田土壤养分的估测模型以及变量施肥模型，为麦田土壤分析和区域施肥提供科学依据。在烟草农业领域，陈昌华等[21]基于主元分析与径向基函数神经网络，建立了烟田土壤水分预测模型，识别准确率达96.02%；杨宇等[22]利用温度植被干旱指数，对攀枝花市烤烟土壤湿度空间分布进行反演研究，预测结果与气象观测点数据基本一致；王一丁等[23]建立了植烟土壤高光谱与有机质和全氮间的定量反演模型，预测模型决定系数分别为0.948、0.919。上述研究均取得了较好的预测效果。

田间养分检测技术在很大程度上解决了人工检测费时、费力、成本高等的缺点。但目前，我国在土壤成分检测分析和控制方面仅局限于单一层面，可加大多尺度土壤属性数据的快速获取与设备更新研发力度，并对相关数据进行多维分析探索建立不同烟区海拔、气候、温湿度、土壤养分、肥料组成和利用率等关键因子与土壤的关系，对烟区土壤进行分类，并结合有效养分校正系数、产量对土壤的依存率、最佳经济施肥量等因子，因地制宜指导土壤生态平衡改良。

1.2.2 生产智能装备应用

农业机器人是融合智能制造技术、人工智能技术、遥感技术，建立起的空间环境、位置以及形态的多模态信息感知系统[24]。相较于发达国家，我国农业智能机器人发展起步相对较晚，但产业发展迅速[25-26]，且政策上扶持力度较大，十五部门联合发布了《“十四五”机器人产业发展规划》，这为农业领域智能机器人的发展提供了新机遇。

目前，许多专家学者正自主开发机器人，涉及农业无人车、农业无人机等方面。其中，农业无人车受地形等因素影响，目前在烟草农业领域应用较少，但在其他农业作物领域，包括农田耕作、农业植保、施肥撒药、信息采集、农资运输等方面应用较为广泛，主要是通过各类型传感器接收外部环境条件，算法实现路径的自动求解，控制系统改变运动轨迹躲避障碍物，并通过探针或机械手臂完成一系列农田作业[27]。

除地面机器人外，无人机同样是当前研究热点，由于其覆盖面积大、作业速度快，且不受地面条件限制，已经在烟草农业种植领域得到广泛应用。胡旭[28]结合烟草打顶农艺技术要求，以无人机为动力载体，设计了针对西南山地丘陵地区的多旋翼打顶装备，实验结果表明打顶准确率为94.4%，伤叶率为3.6%，能够基本满足西南地区智能化打顶需求。此外，应用遥感影像对烟草相关信息进行提取也已得到初步应用。夏炎等[29]基于无人机影像对烟草信息进行精细提取，实现烟草株数的识别，识别准确度达99%。付必环等[30]探讨了深度语义分割无人机图像在山区烟草种植面积自动提取的应用潜力，实验结果表明该方法识别山区烟田面积具有较高的自动化程度和通用性。孙志伟等[31]基于无人机冠层图像，实现了烤烟氮素营养分析与监测。相对于无人车，无人机打破了地形限置，能够做到科学规划监测作业流程，同时高精度影像经过解析可精准掌握烟田信息，对烟草智慧种植有着积极作用。

烟草农业各生产环节对无人化、少人化的作业需求为农业机器人的发展提供了新的驱动力。但相较于国外农业机器人的研究，我国发展起步较晚，大多数机型仍未达到产业应用水平，且引进的国外机器结构较为复杂，不能很好地适应我国农艺特点。因此，烟草农业复杂作业环境下的导航、机器人-烟草的无损作业、农艺-机器人的融合仍是未来研究的热点和难点。

1.2.3 病害监测预警

烟草病害问题已成为制约烟草农业生产的重要因素[32]，而高效精准诊断烟草是精准化防治与信息化监测的前提和基础[33]。传统烟草病害主要依靠人工进行识别，识别精度不高，易造成误诊。为提高烟草病害诊断精度及效率，诸多学者选择采用机器学习、深度学习方法，包括支持向量机(support vector machine，SVM)、模糊C-均值聚类算法(fuzzy C-means clustering，FCC)、K近邻算法(K-nearest neighbor，KNN)、K-means聚类算法、卷积神经网络(AlexNet、Resnet、VGG-16、Inception-V3、Inception-V4)等[34-36]，提取患病叶片特征信息构建病害分析、识别模型，以此制定出合适的预防控制策略。

濮永仙[37]针对烟草7种常见叶部病害，应用双编码遗传算法和SVM病害识别模型对提取的病斑特征进行优化，提出一种基于病斑特征融合的病害图像检索方式，结果表明，融合病斑颜色、纹理、形状特征检索病害图像，准确度和精确度明显高于单个特征检索。王建玺等[38]采用C-均值聚类算法对烟叶病斑图像进行分割，采用模糊识别技术对病害进行自动识别，实现烟草角斑病和野火病的精准识别。谢裕睿等[39]针对烟草5种常见叶部病害，基于SVM和深度残差网络，建立了烟草五类病害精准识别诊断系统。喻勇等[40]以烟叶赤星病和野火病为研究对象，基于标准特征库、模糊C-均值聚类算法两种不同方法建立了分类识别系统，对于这两类烟叶病害具有良好的识别率。张文静等[41]针对烟草5种较为常见的病害，基于Inception-V3网络，使用迁移学习方法建立烟草病害识别模型，识别准确率达到90%以上。

除上述通过可见光图像进行烟草病害识别外，无人机搭载多光谱、高光谱仪器可从不同波段提取更多图像信息，在农业病害识别中也得到了越来越多的应用。Albetis等[42]通过采集葡萄园地面数据以及多光谱遥感数据，评估无人机监测葡萄霜霉病的可行性，结果表明，基于无人机多光谱数据能够较好识别葡萄发病情况。Moshou等[43]将成像光谱数据与荧光图像融合，构建了基于神经网络算法的小麦条锈病害分类器，分类精度达到94.50%。朱耀辉[44]利用无人机搭载高光谱仪，对该区域小麦全蚀病病害等级构建监测模型，分类精度达到90.35%。Deng等[45]利用无人机搭载高光谱相机采集柑橘园的遥感图像，基于植被指数的多特征融合检测方法和构建的冠层光谱特征参数的训练集分类准确率为99.33%，能有效地判断大面积植物病害水平。在烟草病害识别领域，刘勇昌等[46]利用高光谱仪器获得了烟草感染的马铃薯Y病毒病害后的光谱数据，建立了该病害进程诊断模型，预测准确度为83.84%。上述学者的研究均实现了精准识别烟草病害，为烟草病害的防治提供了相应的理论基础。

1.3 烟叶烘烤环节

烘烤环节衔接着商业产烟与工业用烟，其过程好坏直接决定烟叶品质与经济效益[47]。传统烘烤需要技术人员判断鲜烟叶成熟度、烘烤中的烟叶变黄以及干燥程度，因此，烟叶烘烤执行超前或滞后的现象时有发生[48]。建立智慧化烟叶烘烤系统，实时预测烟叶的烘烤状态并自动调整烟叶烘烤工艺，对于提升烟叶烘烤品质、降低劳动强度具有重大意义。其中，烟叶烘烤阶段的自动判别是烘烤环节走向智慧化的重要前提，且人工智能技术的快速发展，为烟叶状态智能识别和精准判断提供了重要技术手段，诸多学者对此进行了深入探究。陈飞程等[49]采用BP神经网络建立烟叶含水率预测模型，精准把握烘烤过程，具有较好的便捷性和精确性。吴娟[50]基于图像特征，建立了GA-SVM的烘烤阶段识别模型，总体精度达96.5%。李增盛等[51]提取烤中烟叶图像颜色特征和纹理特征后，建立了多种烘烤阶段预测模型，同样表明基于GA-SVM模型预测效果最好。

除学术研究层面外，不少产区也正在将大数据技术、物联网技术与人工智能技术结合，探究不同成熟度、烘烤温湿度、烘烤工艺曲线等关键因子与烟叶烘烤之间的关系，并着手建立地区烟叶烘烤数据服务平台，实现不同区域烘烤烟叶质量转化的智能辅助识别，为推进烟叶生产方式变革和现代化进程、助推智慧烟草农业发展提供重要支撑。

1.4 烟叶分级环节

烟叶的质量以及等级纯度直接影响着卷烟工业的品质和质量稳定性[52]，对烟叶进行等级分类是当前控制烟叶质量的重要手段之一。国家标准中烟叶分级指标以感官定性为主，但在执行过程中主观随意性较大，造成了诸多问题与矛盾。因此，利用人工智能技术代替传统人工分级已经成为烟草农业智慧化发展的必然趋势。

当前，基于人工智能技术对烟叶进行自动分级和量化评估研究已有大量文献报道，主要分为2个方面：①基于机器视觉技术以及神经网络的烟叶自动分级研究。利用机器视觉技术提取烟叶图像颜色、纹理、形状等特征，建立相应分级模型，这一技术在许多文献中可见报道。顾金梅等[53]基于BP神经网络，选择相关颜色分量作为输入项，实现烟叶等级的识别，研究结果表明，该模型准确率达89.17%。姚学练等[54]提出了基于主成分分析、遗传算法和支持向量机的烟叶分级方法，较单一模型相比，显著提高了烟叶分级效率以及分级准确度，烟叶平均识别率达96.596%。王士鑫等[55]选取12 000张烟叶图像，结合卷积层与网络层完成迁移学习，仿真实验结果表明，模型识别准确率达95.23%，优于传统分级算法。②基于光谱技术的烟叶自动分级研究，建立基于光谱特征的烟叶分类模型。其中，章英等[56]基于近红外光谱技术，研究出了一种快速鉴别烟叶分组的方法，为烟叶等级评价提供了新思路。李士静等[57]通过高光谱仪器获取烟叶光谱信息，并探讨光谱数据预处理方式以及分类模型对烟叶等级分类正确率的影响。研究结果表明，采用多元散射校正预处理方式以及支持向量机分类模型准确率达96%，故利用烟叶高光谱信息对烟叶分级是可行的。

2 人工智能技术赋能智慧烟草农业的现实约束

根据上文人工智能技术在烟草农业关键环节的应用进展综述可知，我国人工智能技术发展势头迅猛，在烟草农业各领域取得了巨大进展，在各个生产环节中均有实际应用场景。但由于主客观条件的约束，人工智能技术的发展仍处于初步阶段，赋能烟草农业智慧化发展还存在着现实问题与挑战。

数据治理困难。高质量的数据是人工智能发展的前提和基础[58]。一方面，烟叶生产过程中产生了大量数据[59]，包括地理空间及卫星遥感数据、物联网数据、智能机械装备作业数据，烟叶生长加工环境影像数据以及气象部门等的第三方共享数据。无论从数据体量和维度看，烟叶数据已从传统的基础业务数据向多维数据拓展，存在着数据粒度小、时间跨度大、维度多、采集频率高等特点。另一方面，不同单位数据采集标准并不统一，数据格式呈现多元化，数据治理困难，数据孤岛现象难以破除。因此，智慧烟草农业不同场景的落地催生出前所未有的风险频谱，其发展的先进性、动态性、复杂性为我国烟草农业带来史无前例的数据治理挑战。

技术研究薄弱。相较于发达国家，我国人工智能发展时间较短，整体实力存在差距，智慧烟草农业研发应用整体呈落后态势。《新一代人工智能白皮书》(2020年)中指出，农业领域智能化升级总指数得分为29.7，显著低于工业智能升级进程，前沿技术薄弱仍是我国人工智能发展的关键制约因素[60]。例如，当前主流机器学习、深度学习框架基本由美国大型公司所建立，我国产业发展依赖于开源代码以及现有数学模型[61]，基础模式研究不足；农业领域自有传感器种类较少，且关键零部件依赖于进口[24]，标准化和自动化存在一定问题。总的来说，我国在传感器、模型构建、核心算法以及相关系统软件等关键技术和产品仍受制于人，智能技术研究基础薄弱，发展容易陷入“卡脖子”窘境。

3 基于人工智能技术的智慧烟草农业发展展望

从烟叶质量出发，育苗仍将是构建智慧烟草农业体系的重要环节，需要探索建设现代化、规模化烟草育苗工厂。通过对先进设施农业技术和物联网设备的集成应用，优化烟叶育苗业务流程，实现育苗环节机械化、自动化。探索立体化烟叶育苗模式，研发立体化多模块拼接调节育苗技术与装置，兼顾烟叶育苗闲置期间其他作物的设备使用需求，增加育苗工厂的综合经济收益。继续深入研究温度、湿度、烟叶品种、烟苗阶段等关键因子与烟苗生长发育间的关系，并依据植物表型建立分析模型综合研判育苗期生长发育状态，为育苗供苗方案制定提供数据支撑。此外，在建立育苗工厂的基础之上，可逐步搭建起省级烟草育苗智慧管理平台，并基于电子地图实现对全省的烟叶育苗工厂设施的可视化展示、智能化控制，提高烟草育苗效率。

人工智能技术在烟草农业种植管理领域的技术应用和平台建设的潜力仍待挖掘和推广。一是针对烟草农业生产特点，深入研究基于靶标定位识别精准施用控制、作业质量监测、作业场景智能识别和自主行走作业等系统，实现烟田土壤处理、烟草信息自动获取、空地一体水肥药管理、烟叶机械采收等复杂场景下的应用，解决所面临的劳动力短缺问题。二是将卫星遥感、无人机遥感、无人机植保、物联网所获数据与地面观测数据相结合，形成天空地一体化的烟草农情监测系统，实现烟草种植环境监控、烟叶长势监测、烟叶估产遥感监测、旱情监测与预警、病害监测与预警等多维立体监测，为田间管理提供定制化服务。三是要针对烟草农业不同环节应用场景所存储数据，基于数据驱动管理理念，围绕核心业务与管理目标进行数据挖掘与数据建模，包括生产智能感知、识别与作业的决策管理和智能控制模型，并将模型集成至管理平台中，探索构建智慧“烟叶大脑”，为烟叶智慧化转型提供业务模型支撑。

在烟叶烘烤环节，可继续以数据获取—算法开发—系统服务为发展主线，逐步将专家经验判断为主导的烟叶烘烤模式转变为以人工智能、大数据分析为主导的智能烘烤。一是加快烟叶烘烤过程中物联网设备的接入分析，建立数据采集规范，实现烘烤过程中温湿度、叶片状态等数据的实时采集。二是分区域研发烘烤工艺分析算法和烘烤烟叶质量转化数值模拟方法，实现烘烤工艺在线分析和烟叶烘烤质量动态识别；运用数字孪生技术，构建烘烤过程烤房温湿度与烟叶质量转化的仿真模型，实现烘烤工艺参数科学调优。三是以提升烟叶烘烤服务和管理质量为目的，以精准服务需求为牵引，研发烟叶烘烤大数据综合服务管理平台并推广应用，从烘烤数据监测、烘烤模型推荐、烘烤历史记录、工艺执行评价、烘烤技术指导等方面提供个性化服务。

在烟叶分级环节，将烟叶分级理论研究的基础与商业化落地应用相结合，开创烟叶智能化收购工作新局面。首先，加快烟叶图像采集、特征提取、模式识别等基础通用技术的研究，提升烟叶分级系统集成的灵活性，提高图像数据的处理速度。其次，将光谱技术、视觉识别技术引入烟叶智能分选定级设备研发中，加速智能烟叶分级机的工作效率，促进设备的商业化落地应用，实现设备对通道上的烟叶自动识别其等级，为工业复烤实现“分级减负”。

4 结语

在全球面临百年未有之大变局的时代背景下，作为农业领域的“第一车间”，烟草农业与人工智能技术的融合交互在各个生产环节中均有实际应用场景，为行业带来了突破性革命。未来发展过程中，必须要系统谋划烟草农业发展布局，创新人工智能与烟草农业融合发展模式，并加强关键技术研发创新能力，强化专业人才队伍建设，以期实现人工智能技术赋能与场景落地深度融合、人工智能技术创新与场景细分精准匹配、人工智能技术突破与场景应用交互迭代的良好局面，更好地发挥人工智能“头雁效应”，推动我国智慧烟草农业高质量发展。