新農(nóng)科背景下交叉融合的“人工智能+園藝學(xué)”建設(shè)的探索

余義和 趙曉春 高水平 郭大龍 張會(huì)靈 張菊平

摘 ?要：人類正邁入智能時(shí)代，人工智能與經(jīng)濟(jì)、社會(huì)的發(fā)展緊密融合，成為推動(dòng)中國經(jīng)濟(jì)高質(zhì)量發(fā)展的重要?jiǎng)恿?，培養(yǎng)適應(yīng)智能社會(huì)發(fā)展所需的跨學(xué)科人工智能創(chuàng)新創(chuàng)業(yè)人才變得極為必要。在新一輪科技革命和產(chǎn)業(yè)革命孕育的背景下，高校需要加強(qiáng)智能類學(xué)科建設(shè)，探索交叉融合的“人工智能+”建設(shè)新模式，提升人工智能領(lǐng)域?qū)W科地位并創(chuàng)新拓展其他學(xué)科的發(fā)展建設(shè)方向。文章提出了新農(nóng)科背景下交叉融合的“人工智能+園藝學(xué)”建設(shè)的探索，具體提出了通過各種理化儀器設(shè)備的開發(fā)應(yīng)用，研究出適宜特定園藝植物資源表型數(shù)據(jù)的科學(xué)、快速、準(zhǔn)確的信息采集技術(shù);借助物聯(lián)網(wǎng)等技術(shù)結(jié)合本地氣候特點(diǎn)，建立特色園藝植物生長發(fā)育的環(huán)境調(diào)控軟硬件技術(shù)集成;通過將特色園藝植物果實(shí)成熟度數(shù)字化、信息化，開發(fā)人工智能機(jī)器人的果實(shí)采收的軟硬件;通過將特色園藝植物病蟲草害發(fā)生與防治特征與無人機(jī)信息采集技術(shù)相結(jié)合，實(shí)現(xiàn)無人機(jī)對(duì)園藝植物病蟲草害的防治等建設(shè)內(nèi)容，為新農(nóng)科背景下園藝學(xué)人工智能領(lǐng)域的建設(shè)發(fā)展提供了有益參考。

關(guān)鍵詞：人工智能+;園藝學(xué);交叉融合

中圖分類號(hào)：G640 文獻(xiàn)標(biāo)志碼：A ? ? ? ? ?文章編號(hào)：2096-000X（2021）33-0001-05

Abstract： Human beings are entering the era of intelligence， and the deep integration of artificial intelligence with economic and social development has become the core driving force for breeding a new round of scientific and technological revolution and industrial transformation. Therefore， it is extremely necessary to cultivate interdisciplinary artificial intelligence innovation and entrepreneurship talents for the construction of intelligent society. In order to meet the urgent need of talent training in the era of intelligence， colleges and universities need to strengthen the construction of intelligent disciplines， explore a new mode of "Artificial Intelligence +" construction with cross-integration， enhance the status of subjects in the field of artificial intelligence， and innovate and expand the development direction of other disciplines. The paper puts forward the exploration of the cross-integrated construction of "Artificial Intelligence + Horticulture" under the background of new agriculture science， specifically puts forward that through the development and application of various physical and chemical instruments and equipment， to develop a scientific， fast and accurate information collection technology suitable for phenotypic data of specific horticultural plant resources. With the help of internet of things and other technologies combined with local climate characteristics， the integration of environmental control software and hardware technologies for the growth and development of characteristic horticultural plants was established. By digitizing and informatization， the fruit maturity of characteristic horticultural plants， the software and hardware of artificial intelligence robot for fruit harvesting are developed. By combining the occurrence and control characteristics of characteristic horticultural plant diseases， insect pests and weed with the information acquisition technology of unmanned aerial vehicle（UAV）， the prevention and control of horticultural plant diseases， insect pests and weeds by UAV was realized the construction content. The study provided beneficial reference for the construction and development of artificial intelligence field of horticulture under the background of new agriculture science.

Keywords： artificial intelligence plus; horticulture; cross-integration

當(dāng)前世界，氣候的變化，水資源短缺導(dǎo)致生態(tài)環(huán)境脆弱，全球糧食供應(yīng)不足，農(nóng)業(yè)勞動(dòng)力減少等問題對(duì)世界農(nóng)業(yè)和農(nóng)村可持續(xù)發(fā)展的威脅日益嚴(yán)重。我國是農(nóng)業(yè)大國，隨著經(jīng)濟(jì)的快速發(fā)展和城鎮(zhèn)化進(jìn)程的推進(jìn)，果樹、蔬菜、花卉及觀賞樹木等園藝植物在我國農(nóng)業(yè)種植中的比例不斷增大，園藝產(chǎn)品在國民經(jīng)濟(jì)中的作用日益增強(qiáng)。但其專業(yè)化和集約化發(fā)展緩慢、勞動(dòng)力投入大、生產(chǎn)成本高、產(chǎn)品質(zhì)量缺乏安全保障等問題嚴(yán)重影響了我國園藝產(chǎn)業(yè)的快速發(fā)展。人工智能（AI）是基于計(jì)算機(jī)技術(shù)模擬或?qū)崿F(xiàn)的智能，通過將遙感、物聯(lián)網(wǎng)、互聯(lián)網(wǎng)、大數(shù)據(jù)、云計(jì)算等現(xiàn)代化信息技術(shù)與農(nóng)業(yè)生產(chǎn)、經(jīng)營、管理和服務(wù)進(jìn)行深度融合，推進(jìn)農(nóng)業(yè)進(jìn)入信息化的高級(jí)階段。通過借助人工智能技術(shù)來實(shí)現(xiàn)農(nóng)業(yè)信息感知、定量決策、智能控制、精準(zhǔn)投入、人性化服務(wù)等多種多樣的農(nóng)業(yè)生產(chǎn)方式[1]，有助于節(jié)約農(nóng)業(yè)生產(chǎn)過程中的人力和物力、優(yōu)化資源要素的配置、促進(jìn)供需之間的有效對(duì)接、高效精準(zhǔn)治理[2]，為推進(jìn)農(nóng)業(yè)農(nóng)村可持續(xù)發(fā)展、農(nóng)業(yè)新舊動(dòng)能轉(zhuǎn)換以及精準(zhǔn)脫貧、鄉(xiāng)村振興提供了新的更好的方案。實(shí)施國家大數(shù)據(jù)戰(zhàn)略，推進(jìn)數(shù)據(jù)資源開放共享，利用人工智能技術(shù)改變傳統(tǒng)農(nóng)業(yè)模式，實(shí)現(xiàn)高效生態(tài)現(xiàn)代農(nóng)業(yè)已成為現(xiàn)代園藝產(chǎn)業(yè)發(fā)展的方向。目前，在我國智慧農(nóng)業(yè)還處于起步階段，人工智能與園藝學(xué)科交叉融合研究比較薄弱，急需加快園藝智能化應(yīng)用研究，讓人工智能與園藝交叉融合，成為現(xiàn)代化科學(xué)與產(chǎn)業(yè)的前進(jìn)動(dòng)力。

園藝智能化應(yīng)用系統(tǒng)將園藝植物在產(chǎn)前、產(chǎn)中、產(chǎn)后的各個(gè)階段所涉及的各類種質(zhì)資源對(duì)環(huán)境因素需求的信息進(jìn)行采集和綜合，利用實(shí)時(shí)傳遞影響園藝植物生長與生產(chǎn)的環(huán)境因素，在線指導(dǎo)園藝植物的生長和生產(chǎn)，對(duì)生產(chǎn)過程中產(chǎn)生的各種缺素癥狀或生長問題進(jìn)行定性診斷和定量決策，為園藝植物的高產(chǎn)和高品質(zhì)生產(chǎn)提供科學(xué)決策。主要包括通過各種理化儀器設(shè)備的開發(fā)應(yīng)用，研究出適宜特定園藝植物資源表型數(shù)據(jù)的科學(xué)、快速、準(zhǔn)確的信息采集技術(shù);借助物聯(lián)網(wǎng)等技術(shù)結(jié)合本地氣候特點(diǎn)，建立特色園藝植物生長發(fā)育的環(huán)境調(diào)控軟硬件技術(shù)集成，實(shí)現(xiàn)園藝植物生長環(huán)境的人工智能調(diào)控;通過將特色園藝植物果實(shí)成熟度數(shù)字化、信息化，開發(fā)人工智能機(jī)器人的果實(shí)采收的軟硬件，實(shí)現(xiàn)園藝產(chǎn)品的智能機(jī)器人采收;通過將特色園藝植物病蟲草害發(fā)生與防治特征與無人機(jī)信息采集技術(shù)相結(jié)合，實(shí)現(xiàn)園藝植物病蟲草害無人機(jī)防控。

一、基于計(jì)算機(jī)視覺的園藝植物資源識(shí)別采集模塊設(shè)計(jì)

地球上的園藝種類繁多，各種不同的園藝植物資源之間都存在各自的生長習(xí)性，這些特性可以用于自然環(huán)境或人工模擬環(huán)境條件下的園藝植物的生長規(guī)律的研究，進(jìn)而對(duì)園藝植物資源挖掘和利用的研究、以及園藝植物對(duì)自然環(huán)境的適應(yīng)等領(lǐng)域起到了很大的幫助，能夠節(jié)約人力物力，提高工作效率，但是同一種植物因?yàn)槠渖L環(huán)境、周期以及基因突變等影響，致使園藝植物在形態(tài)上各不相同，差異極大，所以就算對(duì)專業(yè)人士來說，植物識(shí)別也不容易完成。隨著生命科學(xué)和現(xiàn)代信息技術(shù)的不斷發(fā)展，園藝植物分類學(xué)也得到了快速發(fā)展，基于圖像分析的植物分類識(shí)別是當(dāng)下園藝植物種質(zhì)資源研究的熱點(diǎn)問題，因此圖像分類問題也是計(jì)算機(jī)視覺等領(lǐng)域的重要研究方向之一。目前識(shí)別算法的發(fā)展已經(jīng)相對(duì)較為成熟，在葉、花、果實(shí)等傳統(tǒng)的植物識(shí)別技術(shù)已經(jīng)得到許多研究，然而基于多器官的現(xiàn)實(shí)世界識(shí)別方法的認(rèn)識(shí)還不是很多，因?yàn)槠湓诮鼛啄瓴诺靡赃M(jìn)行，起步較晚，如芍藥和牡丹，它們之間由于種類間差異較小，難以分辨不同種類的植物，其分類相對(duì)困難。對(duì)植物的識(shí)別來說，造成一定干擾的是處于現(xiàn)實(shí)世界中的植物所處的較為復(fù)雜的環(huán)境，這些復(fù)雜的環(huán)境會(huì)降低植物特征提取的準(zhǔn)確度，比如雜草、石子、泥土和建筑物等。因此，對(duì)現(xiàn)實(shí)世界中的植物識(shí)別，如何獲取植物圖像顯著性特征以及獲取種類之間差異更大的性狀以實(shí)現(xiàn)網(wǎng)絡(luò)特征增強(qiáng)是研究的重中之重。Champ等改進(jìn)了GoogLeNet模型的卷積神經(jīng)網(wǎng)絡(luò)（CNN）方法，應(yīng)用各種衰減因子來修正CNN給出的概率分布，實(shí)現(xiàn)了基于植物真實(shí)性狀的園藝植物種類識(shí)別[3]。該方法通過提取卷積神經(jīng)網(wǎng)絡(luò)的最后一層代表性特點(diǎn)來進(jìn)行分類，但是僅憑一層特點(diǎn)的識(shí)別能力和代表性比較差，不能有效鑒別出性狀類似或同一種群的園藝植物[3]。Lee等利用CNN模型結(jié)合物種和組織特征進(jìn)行植物分類，對(duì)基于驗(yàn)證集和測試集的結(jié)果進(jìn)行分析，提出了高層融合體系結(jié)構(gòu)[4]。Mc Cool等提出了一種針對(duì)特定領(lǐng)域的混合神經(jīng)網(wǎng)絡(luò)模型對(duì)植物圖像進(jìn)行自動(dòng)分類[5]。通過微調(diào)一個(gè)專門用于植物分類任務(wù)的已知模型，可以學(xué)習(xí)特定領(lǐng)域的模型。MixDCNN模型是通過首先對(duì)一個(gè)模型的子集數(shù)據(jù)進(jìn)行微調(diào)來學(xué)習(xí)的，可以使用不同的器官類型進(jìn)行分類，利用混合DCNNs框架對(duì)KDCNN模型進(jìn)行聯(lián)合優(yōu)化[5]。Xiao等為了研究真實(shí)世界中的物種識(shí)別問題，提出了一種新的深度學(xué)習(xí)框架和有效的數(shù)據(jù)擴(kuò)充方法。首先根據(jù)視覺注意來裁剪圖像，稱之為新的數(shù)據(jù)增強(qiáng)方法注意裁剪（AC），然后通過訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)從大量數(shù)據(jù)中預(yù)測物種。通過對(duì)數(shù)據(jù)擴(kuò)充方法AC的性能進(jìn)行了評(píng)估，結(jié)果表明AC具有優(yōu)越的性能[6]。綜上所述，以實(shí)際應(yīng)用為背景對(duì)園藝植物圖像特征分類器這一經(jīng)典算法為出發(fā)點(diǎn)，設(shè)計(jì)以計(jì)算機(jī)視覺為基礎(chǔ)的園藝植物識(shí)別模塊（圖1）。

二、構(gòu)建園藝植物智能平臺(tái)，實(shí)現(xiàn)園藝植物生長發(fā)育的調(diào)控

為構(gòu)建更完善的園藝植物智能平臺(tái)，更科學(xué)的在線指導(dǎo)園藝植物生產(chǎn)，提高植物產(chǎn)量，一套完備的能滿足不同需求層次的智能平臺(tái)系統(tǒng)的需求迫在眉睫。

1. 框架模型的建立：由于園藝植物生長發(fā)育過程中，不同植物所需的外界環(huán)境條件各有差異，栽培技術(shù)也有所不同，因此就需構(gòu)建一個(gè)較為全面的數(shù)據(jù)知識(shí)庫框架，能夠綜合不同園藝植物生長過程中的各項(xiàng)指標(biāo)，匯總整理高產(chǎn)量園藝植物的基礎(chǔ)數(shù)據(jù)。不同園藝植物生長發(fā)育全過程中的水分、溫度、光照等環(huán)境因素指標(biāo)以及養(yǎng)分供給狀況、栽培管理技術(shù)差異等數(shù)據(jù)進(jìn)行記錄、收集、匯總，構(gòu)建動(dòng)態(tài)圖，通過對(duì)優(yōu)質(zhì)園藝植物的生長數(shù)據(jù)進(jìn)行分析，研究不同因素之間的連鎖反應(yīng)和綜合效應(yīng)，建立園藝植物生長發(fā)育特性、以及溫度、光照、水分、肥等環(huán)境因素和栽培管理技術(shù)關(guān)系的數(shù)據(jù)庫框架。種植技術(shù)員可根據(jù)不同栽培地區(qū)的實(shí)際情況對(duì)框架模型參數(shù)進(jìn)行調(diào)整，以適用于自己掌握的園藝植物栽培技術(shù)知識(shí)模塊;使用者也可推送不同的數(shù)據(jù)信息給數(shù)據(jù)管理者，擴(kuò)大數(shù)據(jù)庫數(shù)據(jù)量，參與數(shù)據(jù)庫的更新與完善。數(shù)據(jù)庫管理者也可對(duì)不同的數(shù)據(jù)模型庫進(jìn)行查詢、及時(shí)修改和動(dòng)態(tài)調(diào)用[7]。

2. 系統(tǒng)結(jié)構(gòu)的構(gòu)建：智能化平臺(tái)的功能包括通用平臺(tái)、智能系統(tǒng)和實(shí)用信息系統(tǒng)3個(gè)層次[4]。通用平臺(tái)由知識(shí)儲(chǔ)備量龐大的數(shù)據(jù)庫信息組成，涵蓋廣泛，便于不同知識(shí)層次的使用者更快更廣地查詢到所需內(nèi)容;智能系統(tǒng)需要收集匯總不同環(huán)境和地區(qū)園藝植物生長差異數(shù)據(jù)，及時(shí)更新平臺(tái)的數(shù)據(jù)，為使用者提供一個(gè)數(shù)據(jù)更全面、更具體、內(nèi)容更豐富的參考平臺(tái)，為種植技術(shù)員提供一個(gè)積極的二次開發(fā)的環(huán)境和工具，滿足不同生態(tài)背景下不同生產(chǎn)管理者的需要。

3. 可視輸入平臺(tái)的構(gòu)建：設(shè)置一個(gè)便于簡易操作的包含數(shù)值上下限的參數(shù)錄入方式，同時(shí)設(shè)置數(shù)據(jù)自查系統(tǒng)，對(duì)操作者上傳的不合理的參數(shù)及時(shí)提醒更正，保證數(shù)據(jù)輸入的及時(shí)性、準(zhǔn)確度和合理性。對(duì)不能給出準(zhǔn)確參數(shù)的用戶，根據(jù)其提供的園藝植物品種和種植環(huán)境條件，調(diào)動(dòng)數(shù)據(jù)庫存儲(chǔ)的內(nèi)容，智能辨別并輸入，增加平臺(tái)的使用率?？梢曒斎肫脚_(tái)不僅要做到便于使用者對(duì)編輯數(shù)據(jù)，還應(yīng)該確保數(shù)據(jù)準(zhǔn)確度[8]。

以人工智能控制系統(tǒng)為核心部分，并從軟件和硬件方向分別對(duì)人工智能控制系統(tǒng)進(jìn)行研究討論，比如S3C6410型操作系統(tǒng)是性價(jià)比較高的軟件，而A1203 型號(hào)濕度傳感器、DS18B20型溫度傳感器、Po188-C型光照度傳感器及S3C6410型RSIC處理器則為價(jià)格適宜的硬件。由于智能化管理平臺(tái)為園藝植物生長發(fā)育提供了綜合信息技術(shù)咨詢和園藝領(lǐng)域內(nèi)的專家數(shù)據(jù)庫，可以基于不同管理者和種植技術(shù)員的需要，為用戶提供基于環(huán)境、土壤的綜合評(píng)價(jià)信息進(jìn)而提供有力可行的決策意見，對(duì)園藝植物的生長發(fā)育和高品質(zhì)起著積極的促進(jìn)作用。智能化平臺(tái)在設(shè)計(jì)過程中完全采用了可視化操作技術(shù)，管理員在使用過程中可以基于個(gè)人的不同需求和不同知識(shí)背景直接操作，不需要依賴技術(shù)員或者是平臺(tái)的開發(fā)人員修改程序，可以依據(jù)不同園藝植物種類或不同生態(tài)條件實(shí)現(xiàn)平臺(tái)的二次開發(fā)和利用，加大人工智能使用率，為實(shí)現(xiàn)園藝植物高效和高品質(zhì)生產(chǎn)提供在線指導(dǎo)和科學(xué)決策。

三、設(shè)計(jì)園藝植物果實(shí)采收的人工智能機(jī)器人

針對(duì)園藝植物果實(shí)選擇性采收的視覺定位要求，設(shè)計(jì)了排除園藝植物枝條、葉片和花朵等性狀，僅適用于園藝植物果實(shí)特異性識(shí)別與定位的圖像處理算法，在視覺系統(tǒng)中利用專業(yè)識(shí)別相機(jī)的標(biāo)定及畸變校正而獲取高質(zhì)量的園藝植物采收區(qū)域圖像，進(jìn)而建立坐標(biāo)轉(zhuǎn)換識(shí)別模型，開發(fā)智能機(jī)器人控制系統(tǒng)，從而實(shí)現(xiàn)上位機(jī)與下位機(jī)模塊的邏輯配對(duì)功能，同時(shí)為提高園藝植物果實(shí)的采收效率，針對(duì)采收系統(tǒng)設(shè)計(jì)的兩個(gè)收獲點(diǎn)設(shè)計(jì)收獲路徑優(yōu)化算法[9]。通過大量采收試驗(yàn)，優(yōu)化控制系統(tǒng)的工作參數(shù)，達(dá)到自動(dòng)化采收的目的（圖2）。

園藝植物果實(shí)采收的人工智能機(jī)器人包括以下幾個(gè)程序：

1. 圖像的預(yù)處理：圖像識(shí)別是果實(shí)采摘的前提，為使機(jī)械手臂高精度對(duì)準(zhǔn)目標(biāo)果實(shí)，對(duì)目標(biāo)植物進(jìn)行識(shí)別具有關(guān)鍵性作用。圖像識(shí)別包括圖像預(yù)處理、圖像分割和特征識(shí)別等。圖像預(yù)處理主要提高圖像的質(zhì)量，除去噪音提高圖像清晰度。李振雨等針對(duì)果實(shí)晃動(dòng)、多層重疊影響機(jī)器人采摘精準(zhǔn)度和效率的問題，研制了適宜在山地及農(nóng)田環(huán)境下利用視覺檢測技術(shù)和機(jī)器人精準(zhǔn)定位抓取技術(shù)的蘋果高精度采摘系統(tǒng)[10]。該系統(tǒng)首先利用精準(zhǔn)圖像處理技術(shù)對(duì)初始圖像進(jìn)行圖像多次預(yù)處理;再根據(jù)分析后的圖像角點(diǎn)提取算法計(jì)算圖像曲率，通過計(jì)算曲線段上的多個(gè)像素平均角方向之間的差值對(duì)曲率進(jìn)行多次平滑處理，獲取圖像曲率集中峰值點(diǎn);最后對(duì)圖像曲率峰值點(diǎn)進(jìn)行像素坐標(biāo)標(biāo)定，并將該點(diǎn)像素坐標(biāo)定位進(jìn)行坐標(biāo)轉(zhuǎn)換，作為機(jī)器人的定位抓取目標(biāo)點(diǎn)，機(jī)器人根據(jù)定位目標(biāo)點(diǎn)的位置信息調(diào)整運(yùn)動(dòng)姿態(tài)對(duì)果實(shí)進(jìn)行實(shí)時(shí)追蹤和識(shí)別，實(shí)現(xiàn)果實(shí)的精確定位、抓取和采摘[10]。

2. 目標(biāo)的識(shí)別與分割：圖像分割是圖像處理和分析過程中的重要一步。圖像分割是將相機(jī)獲取的圖像中具有不同識(shí)別物的不同區(qū)域進(jìn)行劃分，劃分的時(shí)候使得這些區(qū)域相互不交叉，且每一個(gè)區(qū)域滿足特定的顏色、紋理、灰度等特征的識(shí)別準(zhǔn)則。圖像分割方法可以分為固定閾值、區(qū)域生長、邊緣以及形狀的圖像分割方法，其中基于固定閾值的圖像分割辦法能夠快速有效地將目標(biāo)圖像區(qū)域從背景中區(qū)分出來，是最為有效的圖像分割方法。王麗麗對(duì)番茄采摘機(jī)器人的底盤行走控制方法、番茄自動(dòng)識(shí)別與定位、采摘機(jī)械臂、系統(tǒng)集成等關(guān)鍵技術(shù)進(jìn)行了系統(tǒng)研究，研發(fā)了具有果實(shí)目標(biāo)自動(dòng)識(shí)別與定位、自主導(dǎo)航移動(dòng)、機(jī)械手自動(dòng)采摘功能的番茄采摘機(jī)器人[11]。采用Otsu算法以及橢圓模板法對(duì)成熟的、多層次的番茄圖像進(jìn)行分割，然后特異性選取包含番茄彩色圖像的區(qū)域得到匹配點(diǎn)的三維坐標(biāo)，該方法的成功率和精準(zhǔn)率分別為99%和97%[11]。

3. 圖像的特征匹配：在圖像分割成功之后，需要對(duì)圖像進(jìn)行特征匹配。特征匹配方法主要分為基于特征提取方法以及灰度值的相關(guān)方法。由于獼猴桃的特殊形狀，張瑞華等人利用Hough變換來匹配獼猴桃果實(shí)的圖像特征[12]。因?yàn)橐环暾膱D像會(huì)占用更大的背景區(qū)域，而且背景區(qū)域越大，圖象識(shí)別就越復(fù)雜。采用最小外接矩形法在圖像中劃定目標(biāo)區(qū)域，減少了橢圓擬合獼猴桃的處理面積，提高了運(yùn)算效率。

4. 植物采摘的定位技術(shù)：最后一個(gè)重要步驟是要在世界坐標(biāo)系中確定水果采摘點(diǎn)，定位的準(zhǔn)確性直接關(guān)系到后續(xù)采摘的成功。定位功能模塊采用多目立體視覺系統(tǒng)從不同的視角獲取到多幅圖像，并且根據(jù)視覺相差原理獲取到真實(shí)物體的三維信息，同時(shí)獲取圖像的深度信息，進(jìn)行精準(zhǔn)測距，領(lǐng)取三維坐標(biāo)圖譜。攝像機(jī)獲得原始頭像信息后，經(jīng)過圖片處理后，能夠從背景中將水果目標(biāo)分隔出，通過利用雙目視覺的特點(diǎn)計(jì)算出水果的空間位置信息來檢測目標(biāo)的立體信息。司永勝等人提出了用歸一化紅綠色差（R-G）/（R+G）對(duì)蘋果圖像進(jìn)行分割，并在不同環(huán)境條件下對(duì)多維蘋果圖像進(jìn)行識(shí)別和定位的方法。研究結(jié)果表明，這種方法能有效地消除環(huán)境不一致而引起的影響，定位精確率可達(dá)到92%[13]。

使自動(dòng)化轉(zhuǎn)為人工智能化，需要將圖像處理技術(shù)應(yīng)用到農(nóng)業(yè)領(lǐng)域，提高生產(chǎn)效率，節(jié)約人工、物力以及財(cái)力。

四、無人機(jī)對(duì)園藝植物病蟲草害的監(jiān)測與防治

借助低空無人機(jī)為探測平臺(tái)，使用高光譜分辨率的新型成像光譜儀作為傳感器，獲取農(nóng)田數(shù)據(jù)，構(gòu)成低空遙感技術(shù)平臺(tái)。分析不同光譜指數(shù)，借助最小二乘法對(duì)病情指數(shù)估測的能力，綜合病情指數(shù)構(gòu)建植物病蟲害空間監(jiān)測模型。根據(jù)園藝植物病蟲草害的嚴(yán)重程度，合理規(guī)劃用藥量和管理方式，利用無人機(jī)進(jìn)行噴施作業(yè)或者適當(dāng)管理，可大大減少成本消耗，減少對(duì)環(huán)境的污染，從而提高園藝植物產(chǎn)量和品質(zhì)，實(shí)現(xiàn)農(nóng)業(yè)精準(zhǔn)管理（見圖3）。 國內(nèi)的農(nóng)用植保無人機(jī)種類繁多，空機(jī)重量差異大，飛行速度慢，低空作業(yè)一般在5m以下。按結(jié)構(gòu)分為單旋翼和多旋翼2種，單旋翼無人機(jī)荷載量大，一般可載5～20L;多旋翼無人機(jī)荷載量小，但其結(jié)構(gòu)簡單，使用成本低，效率高，受到大家的歡迎。按動(dòng)力分為電動(dòng)和機(jī)動(dòng)2種，電動(dòng)無人機(jī)的動(dòng)力核心是電動(dòng)效率，無人機(jī)單次飛行的時(shí)間較短，使得其載藥量偏小，電池續(xù)航是限制其使用時(shí)間的關(guān)鍵因素之一。機(jī)動(dòng)無人機(jī)的動(dòng)力核心是發(fā)動(dòng)機(jī)，單次飛行時(shí)間可達(dá)1h，載藥液量大，但靈活性差，需要一定的起降時(shí)間，對(duì)操作人員要求高，飛機(jī)維護(hù)成本高。截止到2016年，在我國已有160多種農(nóng)業(yè)無人機(jī)投放市場，開展園藝植物的病蟲害防治和施肥澆水等工作[14]。生產(chǎn)實(shí)踐結(jié)果表明，無人機(jī)在空中作業(yè)應(yīng)該符合農(nóng)業(yè)生產(chǎn)的實(shí)際需求。目前，無人機(jī)噴灑的人工控制已不能適應(yīng)現(xiàn)代農(nóng)業(yè)的發(fā)展。隨著精密噴涂的不斷實(shí)施，人工控制大面積噴涂的弊端逐漸顯現(xiàn)。發(fā)展先進(jìn)的控制技術(shù)勢在必行，隨著信息技術(shù)的發(fā)展，很多新技術(shù)與無人機(jī)相結(jié)合，例如GPS導(dǎo)航技術(shù)、DSS系統(tǒng)、遙感技術(shù)、GIS系統(tǒng)等新技術(shù)，使航空植保得到了進(jìn)一步的良好發(fā)展[14]。

在國家重要戰(zhàn)略實(shí)行的背景下，順應(yīng)農(nóng)業(yè)工程由機(jī)械化、自動(dòng)化向信息化、智能化發(fā)展的前景，積極與人工智能對(duì)接，推進(jìn)信息科技和先進(jìn)制造技術(shù)在農(nóng)業(yè)機(jī)械裝備和農(nóng)業(yè)機(jī)械作業(yè)中的應(yīng)用，實(shí)現(xiàn)“多功能、自動(dòng)化、智能化”，支撐農(nóng)業(yè)可持續(xù)發(fā)展。針對(duì)人工智能普適性、滲透性、應(yīng)用性強(qiáng)的特點(diǎn)，盡快建立人工智能與園藝學(xué)科交叉融合的研究中心，構(gòu)建產(chǎn)學(xué)研協(xié)同育人模式，開展人工智能與園藝學(xué)融合研究，推動(dòng)園藝復(fù)合型人才培養(yǎng)，促進(jìn)園藝創(chuàng)新發(fā)展和人工智能深入應(yīng)用，實(shí)現(xiàn)與行業(yè)未來需求對(duì)接，提升學(xué)生的創(chuàng)新能力和創(chuàng)業(yè)意識(shí)[15]。

參考文獻(xiàn)：

[1]趙春江.人工智能引領(lǐng)農(nóng)業(yè)邁入嶄新時(shí)代[J].中國農(nóng)村科技，2018（1）：29-31.

[2]張輝.發(fā)展智慧農(nóng)業(yè) 助力農(nóng)業(yè)農(nóng)村現(xiàn)代化——2019人工智能在現(xiàn)代農(nóng)業(yè)中應(yīng)用對(duì)話交流活動(dòng)上的致辭[J].農(nóng)業(yè)工程技術(shù)，2019，39（27）：20-21.

[3]Champ J， Goau H， Joly A.Floristic participation at lifeclef 2016 plant identification task[J]. Conference and Labs of the Evaluation Forum，2016：450-458.

[4]Lee S H， Chang Y L， Chan C S.Plant Identification System based on a ?Convolutional Neural Network for the Life Clef 2016 Plant Classification Task[J]. ?Conference and Labs of the valuation Forum，2016：502-510.

[5]Mc Cool C， Ge Z Y， Corke P I.Feature Learning via Mixtures of DCNNs for Fine-Grained Plant Classification[J].Conference and Labs of the Evaluation Forum，2016：511-517.

[6]Xiao Q G， Li G Y， Xie L. Real-world plant species identification based on deep convolutional neural networks and visual attention[J]. Ecological Informatics，2018：48.

[7]武書彥，朱坤華，王輝，等.人工智能系統(tǒng)設(shè)計(jì)在園藝栽培生產(chǎn)中的運(yùn)用[J].農(nóng)機(jī)化研究，2018，40（2）：216-220.

[8]趙春江，楊寶祝，吳華瑞，等.農(nóng)業(yè)智能系統(tǒng)平臺(tái)（PAID）研究與應(yīng)用[R].北京：國家農(nóng)業(yè)信息化工程技術(shù)研究中心，2004.

[9]竇寶鋼.基于機(jī)器視覺的白蘆筍選擇性采收機(jī)器人控制系統(tǒng)設(shè)計(jì)及試驗(yàn)[D].泰安：山東農(nóng)業(yè)大學(xué)，2019.

[10]李振雨，王好臣.基于視覺識(shí)別定位的蘋果采摘系統(tǒng)研究[J].圖學(xué)學(xué)報(bào)，2018，39（3）：493-500.

[11]王麗麗.番茄采摘機(jī)器人關(guān)鍵技術(shù)研究[D].北京：北京工業(yè)大學(xué)，2017.

[12]張瑞華，曾嘉遠(yuǎn)，甘愛芬.獼猴桃圖像識(shí)別與特征提取程序設(shè)計(jì)[J].機(jī)電工程技術(shù)，2019，48（9）：171-173.

[13]司永勝，喬軍，劉剛，等.蘋果采摘機(jī)器人果實(shí)識(shí)別與定位方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2010，41（9）：148-153.

[14]蘭玉彬，鄧小玲，曾國亮.無人機(jī)農(nóng)業(yè)遙感在農(nóng)植物病蟲草害診斷應(yīng)用研究進(jìn)展[J].智慧農(nóng)業(yè)，2019，1（2）：1-19.

[15]王國胤，瞿中，趙顯蓮.交叉融合的“人工智能+”學(xué)科建設(shè)探索與實(shí)踐[J].計(jì)算機(jī)科學(xué)，2020（4）：1-5.