安徽省农业信息中心 丁作坤

科大国创软件股份有限公司 赵 龙 冯强中 周 源

在农业生产过程中，如未及时掌握农作物四情状态，则无法保证农作物的产量，影响着农业从业者的收入和农产品市场的稳定。随着物联网、大数据、人工智能技术的发展，让农作物“四情”的智能监管成为可能。通过IOT设备对农田的环境、作物状态等数据的采集，经清洗后汇聚大数据中心。利用智能技术对历史数据建模，构建“四情”预测模型库，实现对农作物病虫害识别、精准施肥施药、产量预估等智能应用，保证了农作物的健康发展。

1 背景简介

我国是农业大国，农业始终是国民经济的基础。通过利用现代信息技术改造传统农业、装备农业，实现精准智能农业，是实现农业现代化的重要途径。其中精准智能农业就是建立在高新技术基础上的新型农业，其核心思想是利用物联网技术集成先进传感器、无线通讯和网络等高新技术，对农业资源环境、农作物生长等的实时监测，获取植物生长发育状态、病虫害、水肥状况以及相应生态环境的实时信息，进行实时感知采集和实地视频图像采集，采用智能算法等算法建模分析，实现智能化对农作物四情监控管理，从而保证农作物的健康成长和农业的稳定发展。

安徽省农作物四情监测系统是一套利用现代物联网技术实时准确掌握大田作物生物进程和“四情”动态，并利用人工智能算法对农作物生长趋势预测、病虫害识别、墒情预测、灾情影响面积预测的解决方案。该系统能对大田作物苗情、墒情、病虫情、灾情以及作物各生育阶段的长势长相进行动态监测和趋势分析，并对病虫害识别、墒情预测、灾情影响面积预测，能高效调度指挥大田作物生产、田间管理和抗灾救灾，实现农业多源信息的智能采集、传输、在线智能分析和应用，促进农业信息资源整合，强化农产品质量安全智能监管，探索农业物联网应用运行机制和模式，带动农业物联网技术产业的发展和AI算法助力于农业发展。

2 相关智能技术介绍

近年来，人工智能（Artificial Intelligence，AI）是各行各业的热门话题，已成功应用于金融、司法、农业等众多领域。其中在农业大数据领域，人工智能常用的智能算法主要有数据挖掘和图像识别算法。前者通过对数据的建模分析，可构建异常检测、时序预测、数据分类等智能应用；后者主要通过对标注的图像数据进行学习，可实现对图像分类、目标检测等智能化应用。下面将重点介绍两类智能技术。

2.1 数据挖掘

数据挖掘是一门交叉学科，覆盖了机器学习、统计学、计算机程序设计、数学与算法、数据库、市场营销、数据可视化等领域的理论和实践成果。其是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。数据挖掘包含四大类模型：分类、聚类、预测和关联。建模过程主要包括：

（1）业务理解：根据对业务目标的分析，将其转换成数据挖掘中具体的模型类别；

（2）数据理解：通过相应的工具分析数据的质量，确定可用的数据并明确数据的表征；

（3）数据准备：根据具体模型类别的应用对数据进行相应的处理，构建相应的数据集；

（4）模型建立：选择合适的算法对数据集进行建模，迭代优化模型参数，构建知识模型；

（5）模型评估：应用相应的模型评估准则来评估模型的准确性、泛化能力；

（6）模型发布：当模型评估符合业务需求时，根据实际应用场景将模型封装部署，赋能业务生产。

以上数据挖掘建模的整理流程是不断迭代更新的，当模型评估不能满足业务场景时，需要从头开始优化更新模型，直到满足业务场景需求。

2.2 图像识别

图像识别是机器学习广泛应用之一，是使用多层神经网络和海量数据的算法，对图像做出各种处理、分析，经过训练完成任务，最后识别出我们所要研究的目标。主要过程包括：

（1）图像采集：通过提取待识别的物体的数字图像并存储在计算机内。数字图像主要借助于数字摄像机、数码相机等设备经过采样数字化得到的图像，也包括一些动态图像，并可以将其转化为数字图像和文字、图形、声音一起储存在计算机内，显示在计算机的屏幕上。

（2）图像预处理：针对原始数字图像进行系列预处理操作，方面下一步的特征提取与模型构建。图像预处理往往是指对原始数字图像进行各种变换，比如白化、去噪、增强、均值滤波、分割、二值化等，从而提高其在后续过程中的算法运行效率。

（3）特征提取：根据具体的图像识别任务，将数字图像中的稠密的像素点值信息进行空间特征提取，便于计算机理解图像内容。通常特征提取的方法为采用卷积核、池化等操作进行图像中形状、颜色、纹理、尺寸信息等结构性特征或全局特征。

（4）图像识别：通过对数字图像的重要特征提取成特征向量之后，即可应用机器学习算法将图像与相应的标签进行迭代训练，构建相应场景下的图像识别模型，实现对未知图像的智能识别。其中的机器学习算法包括支持向量机、神经网络等。

上述的图像识别整体流程是不断迭代反复，直到达到理想的效果。近年来随着深度学习的发展，上述流程中的特征提取和图像识别都已融合在相应深度学习算法中实现，常用算法有VGG16、Inception V3等。

3 农作物四情智能决策

农作物“四情”智能决策系统利用现代信息技术准确掌握农作物生育进程和四情动态，对苗情、墒情、病虫草情、灾情以及各生育阶段的长势长相进行动态监测、智能趋势分析、智能识别、产量预测等，对生产、田间管理和抗灾救灾进行快捷高效的调度指挥，提高智能精细生产和田间智能管理的能力，及时发现生产中存在的问题，制定田管技术对策，提出田管意见或建议，更好地开展技术指导，促进农业增产增收。

农作物四情智能决策架构主要分为数据层、算法层和应用层，数据层主要采集四情相关的数据，算法层为在针对应用层所设计算法类，应用层为基于数据层和算法层基础上，进行农作物四情相关监控指标进行智能化识别、预测等。

3.1 数据层

安徽省农作物四情监测系统通过对农业相关数据的采集汇聚，并基于数据构建智能化应用赋能农作物四情智能监测。其中采集的数据主要包括农业资源环境数据、农业影像数据、农业生产管理数据、农作物本体数据、农业灾害数据、地理信息数据、病虫害数据等。采集的数据主要有两种数据来源，一种是来自于物联网设备、高清摄像头设备对实时农田的环境数据、影像数据的采集，另一种是从其他农业系统的对接过来的生产管理数据、本体数据、灾害数据、地理数据等。对于采集到的各类涉农数据，通过定制化脚本对其进行清洗、加工，构建高质量的农业数据集并发布数据集市，用于后续的数据挖掘建模以及图像识别的应用。

3.2 算法层

对于采集到农作物长势长相、环境参数、农作物影像以及其他人工监测点相关参数的信息数据等为主要数据源，通过数据挖掘技术（回归、分类、聚类、关联分析等）和图像识别技术（图像分类、目标检测、图像理解等），针对不同问题，采用相应算法技术，比如对于病虫害识别，采用图像识别中图像分类或者目标检测算法进行病虫害进行识别和诊断，利用回归分析算法对大田施肥施药等方面预估。

针对植物的病虫害识别，融合病虫害图像、状态数据等多模态信息，应用图像算法提取图像特征，应用人工特征工程提取状态时序特征，融合两者特征构建后应用机器学习算法对病虫害进行识别，当预测误差通过测试后发布模型，应用农作物生成过程中的病虫害监测与识别。

3.3 应用层

结合数据层和算法层，进行农作物四情相关监控指标进行智能化决策实现流程，主要实现了对病虫害识别和发展趋势预测、施肥施药预测、农作物产量估量等应用。

（1）病虫害识别和发展趋势分析

针对对于农作物上病害虫识别和诊断系统，包含了小麦白粉病、小麦赤霉病、小麦麦蜘蛛、小麦纹枯病、小麦诱病、小麦吸浆病、小麦粘虫、小麦蚜虫等首先数据采集，一方面来说监测点拍摄视频图像，进行视频图像预处理，主要收集包含病虫害农作物图片。利用图像识别算法能够对快速及时发现农作物病虫害，进行识别以及统计单位面积内密度；另一方面进行人工周期性实地采调研的小麦苗情，并针对每种病虫害统计相关指标。比如：1）小麦白粉病：生育期、病株率、病叶率、病指、大标面积占种植面积、主要发病品类；2）小麦赤霉病：病穗率、病指、病穗率达3%以上面积占种植面积、主要发病品种；3）小麦麦蜘蛛：生育期、最高/平均每市行长螨量、达标面积占种面积；4）小麦纹枯病：生育期、病株率、侵茎率、病指、白穗率、达标面积占种植面积、主要发病品种；5）小麦吸浆病：生育期、平均虫口密度（头/样方）、最高虫口密度（头/样方）、幼虫盛期剥穗穗被害率(%)、幼虫盛期剥穗百穗虫头量（头）、幼虫盛期剥穗穗粒被害率(%)、幼虫盛期剥穗损失率(%)；6）其他情况。在初步统计病虫害数据集基础上，通过数据挖掘技术，对其发展趋势分析。最后结合智能化识别病虫害和周期性分析病虫害发展趋势，实现对农作物的病虫害的智能监测与预防，保障了农作物的健康成长。

（2）精准施肥施药

一方面通过对农作物生长环境的历史数据（温度、湿度、苗情）进行分析，并结合专家知识和历史施肥数据，应用智能算法构建精准施肥模型，可分析出具体区域是否需要施肥以及相应的施肥处方。另一方面，通过采集农田的视频图像数据，应用病虫害图像识别模型，识别出相应的农作物是否感染相应的病虫害，并应用专家知识构建病虫害施药知识图谱，推荐相应施药药房。通过结合实时采集数据与智能算法模型，可实现农作物生成的精准施肥施药，保障农作物稳定生产。

（3）产量智能估算

对于农作物产量估算，主要是从农业气象环境、农作物成长数据、植被覆盖指数、病虫害识别及发展预测、施肥等信息进行分析。首先利用实时遥感指数和高清摄像头拍摄的农田影像数据，计算农作物不同时间点的同比变化率、环比变化率，实现区域农作物生长状况的量化评估。其次利用植被覆盖指数（NDVI）对农作物的生长过程趋势进行建模，实现对生长趋势进行评估。其中NDVI=(NIR-R)/(NIR+R)，NIR：近红外波段的反射率值；R：红波段的反射率值。然后对农业气象环境分析，在气象观测站点的观测数据包含空气湿度和温度、太阳辐射、风速、风向、雨量等的基础上，融入区域的历史气象数据，应用机器学习算法分析区域的气象变化趋势，实现区域气象评估。最后对农业气象灾害灾情指标进行统计，其中包括受灾率、成灾率、绝收率、受灾面积和成灾面积变化、受灾强度指数变化；此外还分析农业土壤不同层次湿度不同周期内变化趋势。再结合病虫害信息和施肥等相关的数据，分析农作物产量和上述相关因子之间关系，通过数据挖掘建模流程构建农作物产量和影响因子之前的回归模型，实现对当季度农作物趋势分析和产量预估。

4 结语

综上所述，本文立足于安徽省农作物四情智能监测系统，提出以数据层、算法层和应用层为核心的农作物四情智能决策体系。通过数据采集工具将农田的环境数据、影像数据、病虫害数据等进行清洗、加工后发布数据集市；再应用数据挖掘、图像识别等智能技术，结合实际应用场景构建病虫害识别模型、精准施肥施药模型、产量估算模型等农作物四情模型库，赋能农业生产。通过构建农作物四情智能监测系统，一方面实现对农作物四情数据的实时采集与汇总，另一方面应用模型能力对四情进行智能监测预判。随着系统的应用和数据资产的积累，后期将不断丰富的农作物四情智能化应用并迭代更新模型，构建智慧农业AI能力生态，全面提升农业生产效率，促进农业的智能化发展。