周长建, 宋 佳, 向文胜*,,3

(1. 东北农业大学 生命科学学院，哈尔滨 150030；2. 东北农业大学 高性能计算与人工智能实验室，哈尔滨 150030；3. 中国农业科学院 植物保护研究所，植物病虫害生物学国家重点实验室，北京 100193)

20 世纪70 年代，欧美国家首次提出早期的精准施药概念，其主要原理是在识别并定位作物病虫草害的基础上，根据病虫草害的类别及发生的严重程度，通过传感器技术定位喷雾靶点，利用决策系统计算并制定喷雾策略，采取非均匀、离散化的方案以实现按需施药[1]。精准施药的目的是在保障施药效果的基础上，最大限度地降低农药用量和减少农药污染[2]。人工智能是研究、模拟、开发用于延伸和扩展人类智能的理论、方法、技术及应用的技术科学[3]。近年来，随着人工智能技术的广泛应用，研究人员开始探索将人工智能技术应用于农业领域，并陆续提出了智慧农业、精准农业等概念。精准施药技术则是精准农业领域的重要组成部分[4-5]。如图1 所示，人工智能在精准施药中的应用主要包括施药器械和施药技术两个关键技术领域。施药器械是精准施药的载体和手段，而施药技术需要依赖施药器械实现。施药技术是精准施药的主要实施途径，包括作物信息获取、精准配药技术、喷头控制技术、雾滴飘移控制和雾滴沉淀控制等。目前鲜有针对人工智能技术在农药精准施药领域应用相关的综述，为此，本文从施药器械和施药技术两个关键技术领域分析人工智能在农药精准施药中的应用进展，并对其应用前景进行展望，旨在为人工智能在农药精准施药领域相关研究提供理论依据和实践参考。

图1 精准施药关键技术Fig. 1 Key techniques in precision pesticide application

1 施药器械

施药器械主要分为地面施药器械和植保无人飞机 (plant protection unmanned aerial vehicle, 以下简称UAV) 两种类别。人工智能技术在施药器械中的自动喷雾、自动导航和避障等技术中发挥着重要的作用。本节着重分析人工智能在大田和果园环境下施药器械中的应用进展。

1.1 人工智能在地面施药器械中的应用

随着智能技术的发展，从早期的背负式手动喷雾器到现在的自走式喷药机器人和植保喷雾无人飞机，人工智能在施药过程中对实现人、机、药的分离起着重要作用。21 世纪初期，我国就出现了自走式高地隙喷杆自动喷雾机[6]，利用计算机视觉、微控制技术实现了自动导航喷雾[7]；陈魁[8]设计了一种利用超声波传感器在丘陵山地果园自动探测果树位置的喷雾机。李进海等[9]研发了一种基于三维软体模拟的温室自动喷雾机。地面无人机有着负载大、受风场干扰因素小等优点，使其在平坦地面、植株干扰性小的环境下得到广泛应用，但由于其在复杂地面环境下操作性、避障等环节存在一定的困难，使其在复杂环境下应用效果大打折扣。

1.2 人工智能在UAV 中的应用

低空UAV 在地面器械难以作业的区域发挥出其极大的优势，人工智能促使UAV 及工作部件在路径规划、避障与工作参数智能化调控等关键技术的性能进一步提升。王宇等[10]提出一种改进蚁群算法的UAV 路径规划方法，该方法比传统贪心算法路径总长度缩短3%～28%。闵洁等[11]提出了一种基于遗传算法优化Dubins 的避障路径规划算法，通过模糊算法估算外界干扰，设计滑膜滤波器避免重喷或漏喷的问题。Chai 等[12]设计了一种在复杂环境下的UAV 多策略融合差分进化算法(MSFDE)，该方法综合了多种群策略、自适应策略和交互变异策略以平衡开发和探索能力。Vasanthan等[13]提出了一种基于监督学习和数字孪生的路径规划方法，利用基于超参数调整的梯度Boosting回归模型与数字双星相结合的方法生成足够的训练数据，并引入场景模拟，取得了不错效果。合理的路径规划需要考虑地形、风向、续航等因素，人工智能促进了路径规划在精准施药领域的应用，克服了许多传统规划算法的不足，使路径规划更加智能。然而，现有算法大多以早期的人工智能技术如蚁群算法和遗传优化算法为主。相对于人工智能应用的其他领域，路径规划算法存在样本难以获取、学习滞后等问题，使其难以满足农药精准施药路径规划实时性要求。UAV 在施药过程中，既要避开固定的障碍物，也要实时监测可能影响飞行安全的行人、飞鸟等。目前多数UAV 作业时需要人工遥控，过度依赖飞手的个人经验，一旦超出视野范围极易发生事故。因此，设计自主避障无人机使精准施药作业更加智能化，人工智能为无人机避障提供了可行的解决方案[14]。刘立臣[15]设计了一种基于毫米波雷达和双目视觉相结合的多尺度多旋翼UAV 避障技术，该技术首先通过雷达预警障碍物，然后通过双目视觉技术识别障碍物，并形成局部路径导航，避开障碍物后回到原预设航线。Liu 等[16]提出了一种多障碍区域避障算法，该算法结合航向、喷口、作业区和障碍区信息计算喷洒区内部路径，采用光线法避开障碍区。一般而言，无人机避障需要解决以下3 个问题：飞行稳定性、精准识别并定位障碍物以及预定轨迹恢复[17]。传统的避障主要依靠超声波感知障碍物，但在精准识别与定位障碍物技术上还有一定的提升空间。

1.3 应用分析

随着传感器、物联网和自动控制技术在施药器械中的普遍应用，大量基于施药器械的自动化和半自动化控制技术被提出，但由于在实际施药过程中会受到诸如地形、风速、移动速度、计算效率等因素的影响，使得实验室中设计的模型在生产实践中难以转化为生产力。在施药器械方面，由于地面施药器械无法适应复杂地形，而UAV 又存在负载和续航等问题，因此天-地-空一体化协同工作将是未来复杂环境下实现精准施药的发展趋势。在路径规划与避障方面，受限于机器学习模型训练样本不足，导致难以训练出强大的路径规划与避障模型。随着小样本机器学习的发展，模型的特征表达能力逐步提升，这种局限性将会逐步得到解决。另外，自监督学习和数字孪生技术在一定程度上解决了训练样本不足的问题，会成为解决人工智能技术在路径规划与避障训练过程中样本不足问题的一种有效方法。

2 施药技术

施药技术是通过获取作物信息计算施药方案、规划合理的施药路径，引导施药器械到达施药区域，利用靶标识别技术、喷头控制技术实施喷药操作。在喷药过程中根据周围环境和作物信息进行雾滴飘移和药液沉积控制，既要达到理想的施药效果，又要保护生态环境。本节分析人工智能在施药技术关键阶段发挥的作用及应用进展，并探索人工智能在施药技术相关研究存在的问题及发展方向。

2.1 作物信息获取技术

作物信息获取是精准施药的基础和重要环节，精准检测施药区域及病虫草害严重程度，可为下一步施药提供数据支撑。本节简述人工智能技术在作物表型信息获取、冠层信息获取、病虫草害严重程度分析、靶标识别等作物信息获取关键技术研究进展及趋势。

2.1.1 作物表型信息获取 植物表型是指植物内在的组织、细胞和结构及相应的生化特征[18]。在精准施药领域，作物表型信息获取主要指作物的病虫草害识别，人工智能在作物表型病虫草害识别技术中得到较为广泛的应用。目前的作物病虫草害识别方法主要有传统机器学习方法、深度学习方法和两者相结合的方法等[19]。传统机器学习方法具备对计算资源要求低、鲁棒性强、计算速度快等优点，使其在相当长的一段时间内成为主流的机器学习方法。Xiao 等[20]采用支持向量机和前馈神经网络对水稻表型病害识别。Neelakantan[21]设计了一种有监督的机器学习方法，利用随机森林、支持向量机、K-近邻、人工神经网络等设计了一种作物表型识别算法。深度学习技术无需人工提取作物病虫草害特征，只需足够多的训练数据就能达到理想的分类效果。近年来，深度学习在作物病虫草害识别领域有着广泛的应用。Too 等[22]设计了一种由多种深度学习相结合的作物表型识别方法，比如VGG-16、DenseNet、ResNet-50、Inception-4 等。Jiang 等[23]设计了一种基于迁移学习的VGG-16 深度学习模型识别小麦和水稻表型信息。传统机器学习方法和深度学习方法各自在不同的应用领域有着一定的优势，传统机器学习方法具有鲁棒性强、计算效率高的特点，而深度学习技术能够在海量图像中自动提取特征，具有无与伦比的优势。Sethy 等[24]设计了一种结合二者优势的模型取得不错的效果。此外，利用目标检测算法检测作物表型应用较为广泛，卢伟等[25]设计了一种基于YOLOv3 检测模型的玉米根系表型信息获取方法。申志超[26]研究基于YOLO 的迁移学习的颗粒状农作物检测方法，可以有效提升检测效率和减少资源占用率。

2.1.2 作物冠层信息获取 人工智能的发展提升了农作物及果树冠层信息采集的准确性和效率，由于冠层信息采集一般需要较高的分辨率，传统摄像头基于可见光的采集方法难以达到精度要求[27]。目前较为普遍使用的方法有激光雷达和光谱信息采集法，杨洲等[28]采用毫米波雷达，李鹏[29]采用二维激光传感器获取果树冠层信息用于测算果树冠层体积。孙娜[30]利用三维全景激光扫描仪和点云配准技术获取农田高通量玉米冠层信息。姜红花等[31]利用超声波传感器与激光传感器获取冠层信息点云图，能够准确获取植株的行距和株高等典型表型信息，为后期用药量计算提供参考。但激光雷达方法有难以获取冠层重叠、分辨率低、测量误差大等缺点，一般需要结合光谱信息才能达到理想的效果。视觉计算技术的发展使得高光谱构建作物冠层模型成为可能，光谱成像融合了计算机视觉技术和光谱学信息，可以从多尺度获取作物病虫草害的视觉特征，进一步提升光谱特征对作物冠层特征的表达能力[32]。王磊[33]使用无人机和Hyperion 卫星高光谱数据获取草地植被参数信息，得到草地物种丰度估算结果，具有一定的创新性。针对高光谱数据采集过程中遇到的风场问题，也有研究提出了风场与作物植被指数模型，为光谱数据采集提供了解决方案，旨在获取精准的农作物精准冠层光谱数据[34]。Nutter 等[35]利用遥感和地理信息系统相结合的方法检测大豆胞囊线虫病，通过获取到的卫星遥感图像，再利用GIS 软件生成大豆胞囊线虫种群密度图谱，计算每个地理空间的受害位置，从而预测大豆产量和质量。张向君[36]设计了一种基于YOLOv4 的杨梅树冠层检测模型，验证了该方法的实用性和有效性。

2.1.3 病虫草害严重程度分析 作物病虫草害严重程度是决定用药剂量的关键指标，精准施药技术不但要区分用药类别，也要根据病虫草害严重程度计算用药量，以做到按需施药。传统的病虫草害严重程度分析往往依据植保专家个人经验做出判断后给出单位种植面积用药量，施药人员难以根据不同病虫草害严重程度实时调整用药方案。近年来，人工智能技术在作物病虫草害严重程度分析中发挥着越来越重要的作用。刘佳等[37]利用高光谱信息建立了作物病害程度评估模型，该模型以监测指数作为变量，结合反演系数建立线性函数，用于评估病害的严重程度。刘洋[38]提出了基于手机端的作物病害严重程度分析方法，利用语义分割方法分割叶片及受害区域，通过计算两个区域面积的比值来估计严重程度。韩新立[39]提出了基于ImageJ 的总感染面积和总叶片面积的作物病害严重程度估算方法。黄双萍等[40]提出了一种基于高光谱成像的水稻穗瘟病程度分级模型，利用光谱词袋法分析稻穗光谱图像来预测病害等级，实验选取了170 株稻穗样本，通过在测试集上验证，识别准确率为94.72%，高于传统的预测方法。Wspanialy 等[41]提出了一种依据平均叶片面积和受害面积比值的严重程度估计模型，在Plantvillage 数据集上进行验证，取得了不错效果。

2.1.4 靶标识别研究进展 施药技术中的靶标，广义上既包括作物冠层信息(大田、果树冠层形态与密度等)，也包括病虫草害具体施药靶点。本文将作物表型和冠层信息以及靶标识别分开论述，既狭义的靶标。其中前期的作物冠层、表型信息获取为病害严重程度分析提供数据支撑，并生成精准施药处方图，随后在施药作业的时候根据处方图进行靶标识别与施药作业。靶标识别是精准施药的落脚点，识别的精度和效率对喷雾效果有较大影响[42]。目前，大田变量喷杆喷雾机中采用超声波、PLC 或激光测距传感器，通过采集喷杆与作物冠层的距离进行靶标识别，从而消除垄沟对喷雾效果的影响[43-45]。但这种方法无法探测到作物病害状态，人工智能在理论上可以提供有效的解决方案。赵栋杰等[46]提出了一种基于图像矩的靶标识别方案，利用图像矩视觉跟踪算法进行对靶喷雾，取得不错效果。王林惠等[47]事先利用计算机视觉技术监测作业区域，根据识别结果控制摄像头实现靶标识别。人工智能模型可以根据训练数据、结合多传感器设计变量喷雾决策系统，自动实时探测到作业区域。目前已有基于人工神经网络的PID-PWM 智能变量喷雾系统被设计出来，实验环境下可以自动识别靶点目标[48]。受限于图像芯片处理速度、网络延迟等影响，人工智能技术对靶标识别准确率面临挑战，在实际应用中需要综合考虑环境和设备因素，利用机器视觉技术设计喷雾时延估计模型，对提升喷雾精准性起积极作用[49]。

2.2 精准配药技术应用进展

农药精准配药根据获取到的作物信息实时调整配药方案和用药剂量，结合雾滴飘移、靶点控制等技术，达到精准施药的目的。精准配药技术主要包括药物选择系统、混药系统、过滤和清洗系统等。由于配药技术指标要求较为严格，目前大多依赖植保专家手动配药。人工智能在精准配药技术中的应用尚处于根据已知的作物病害和严重程度通过药物选择系统和混药系统的初级配药阶段。随着高精度传感器、机器学习与物联网技术的发展，未来结合多传感器和智能信息处理的全自动实时调节精准配药将会成为现实。

2.3 喷头控制技术应用进展

在精准施药过程中，喷头控制技术主要包括变量喷药控制、方位控制及多喷头协同控制等。基于人工智能的喷头控制系统可以根据施药方案及时调节喷头流量和方位。影响喷头控制的主要因素有喷头磨损与喷药高度、喷雾压力和植保器械前进速度等。郭爱静[50]根据这4 项因素设计了喷药系统控制模型，具有良好的跟踪控制性能。戢冰[51]设计了一套基于ARM 的套变量喷药控制系统，其试验效果可以满足作业要求。张菡[52]根据水稻的病害等级设计了一套变量喷药控制系统，通过蠕动泵调节流量可使其适合无人机喷洒作业。在喷雾作业过程中，往往需要采用多喷头协同工作以提升工作效率。包佳林[53]设计了一套多喷头变量喷药控制系统，可以实时调度不同喷头协同工作，以完成变量喷药任务。

2.4 雾滴飘移控制技术进展

雾滴飘移是衡量喷雾质量的重要指标，指在施药过程中雾滴没有落在靶标区域的现象，该现象是导致农药污染的主要因素之一。雾滴飘移控制受气流场影响较大，人工智能技术可以模拟气流场自动调节辅助气流来减少雾滴飘移现象。李宏泽[54]详细分析了多旋翼UAV 在复杂环境下的作业参数，利用流体力学建立了雾滴飘移模型，实现了对雾滴飘移的控制。朱晓文[55]分析了果园风送式喷雾机的喷药参数，根据车速和距离等设计了基于多传感器的风场飘移模型，实现了精准对靶喷雾。贾卫东等[56]设计了风幕式喷杆喷雾飘移距离计算模型，可以实现在风幕环境下的正常喷雾作业。一般影响雾滴飘移的主要因素有风速、喷雾压力和靶标距离等[57]，利用人工智能和物联网技术，建立基于关键因素的自动雾滴飘移控制模型尤为关键。

2.5 雾滴沉积控制技术进展

雾滴沉积分布是衡量药液喷施效果的重要指标之一，目前最常用的雾滴沉积分布方法依然是早期使用的雾滴卡或叶片洗脱等人工检测方法[58]，这种方法不仅效率低下，还对人力成本要求较高。近年来出现了基于机器学习和图像处理技术的雾滴沉积分布检测模型。刘思瑶[59]开发了一种基于水敏试纸的机器视觉雾滴沉淀质量检测方法，其效果与人工检测方法相近。Brandoli 等[60]设计了一种基于图像处理技术的智能雾滴沉淀质量检测终端，取得了不错的效果。但这些方法前期需要做一些复杂的图像预处理工作，如去除图像背景、调整畸变等，尚未达到高度智能化的程度。

2.6 人工智能在施药技术中的应用分析

近年来，传统农业向数字化、智能化转型进度加快，常规机械化生产与人工智能技术融合程度逐步加深，精准施药技术在人工智能技术的辅助下取得了突破性的进展。在作物信息获取方面，人工智能技术扩宽了信息获取渠道，提升了计算效率和精度，也为病虫草害严重程度评估提供了可靠的数据支撑。但若广泛应用尚需克服以下几个问题：1) 识别精度难以达到精准施药要求。目前已公开的作物信息获取机器学习模型大多基于实验室环境下采集的数据集设计，而实际种植环境中受到光照、天气等因素影响，该模型往往在实际应用中的检测精度难以达到理想的效果，基于实际种植环境下数据集的作物信息获取模型会成为解决这一问题的途径之一。在实际种植环境下，采集海量数据需要耗费大量的人力成本，并且需要植物保护专家对每一条收集的数据进行标注，进一步加大了深度学习模型训练难度。而无监督深度学习方法或小样本机器学习可以有效解决数据采集和标注的难题，成为一种可能的解决方案。2) 缺乏以植株为单位的受害严重程度估计模型。精准施药技术往往以网格化单位面积为施药单位，目前多数公开的成果是以叶片受灾面积来估算严重程度。采用施药机械如果根据不同的叶片进行施药，虽然这种方法尽管在理论上具有一定的可行性，但计算每个叶片和受感染区域的面积是一项巨大的工作，同时对计算资源要求极高，在实际应用中难以达到可接受的计算效率。因此，建立以网格化面积为单位的作物病虫草害严重程度估算模型非常有必要。随着低空遥感技术的发展，分辨率和精度越来越高，建立基于光谱信息的病害严重程度估计模型可以为精准施药技术的发展提供数据支撑。3) 对计算资源需求较高。由于作业面积大，需要采集高分辨率图像数据并输入到机器学习模型进行训练，施药机械在作业过程中需要实时计算作业路径，精准检测到病害区域，这就需要大量的计算资源。而现有的机器学习模型训练时长难以达到实时作业要求，进一步限制了人工智能在精准施药领域的发展。在喷头控制方面，人工智能在变量喷药控制系统虽然有一定的应用，但大多是基于处方图的变量喷药，距离实时调节用药量尚有一定的距离，加之雾滴飘移控制受外界环境影响较大，进一步加大了控制难度。随着智能装备技术的发展，未来基于实际种植环境下的可实时调节雾滴飘移控制将会是一个可能的发展方向。雾滴沉积控制技术智能化程度较低，更多的应用成果集中在智能控制系统范畴，受限于计算效率和训练数据等因素，基于机器学习和计算机视觉的靶标识别等模型难以达到生产实践作业标准。计算机视觉与深度学习技术的发展使得训练基于复杂背景的雾滴沉积分布模型成为现实，助力开发适用于田间作业环境的实时雾滴沉积分布检测模型，以符合未来精准施药中雾滴沉积实时检测的要求。

随着人工智能技术的发展和计算能力的提升，会有更多基于真实种植环境下轻量级的作物病虫草害识别模型会不断被提出，计算资源与模型计算量之间的鸿沟会越来越小。近年来，智能农业装备相关学科的不断发展和融合，融合计算机视觉和多传感器技术的喷头控制、雾滴飘移控制和雾滴沉积控制系统性能会逐渐提升，以及边缘计算、视觉Transformer 等新模型不断提出，融合结合超声波、激光红外、机器视觉和GIS 技术等多模态的集成方案将会成为未来精准施药领域的主要研究方向之一。

3 讨论与展望

国家“十四五”纲要提出加快数字社会的发展，而精准农业作为数字社会的重要组成部分，成为未来5 年重点发展的领域之一。随着无线传感器网络、人工智能以及UAU 技术的改进，为精准农业带来更加广泛的应用前景，如作物生长态势感知、病虫草害预测以及精准施药技术等。精准施药技术作为精准农业的一个重要实现途径，相关成果逐渐在生产实践中得到应用，但距离大规模应用还需要克服技术手段和管理水平等问题的约束。

随着人工智能技术的发展和处理器计算速度加快，越来越多的高通量、轻量级的基于实际种植环境的作物病害识别、监测与定位模型会被研发出来。与无线传感器、物联网、“3S”等技术集成在精准施药控制器中，为施药技术提供可靠数据支撑。低空遥感和计算机视觉技术的发展也促进了光谱图像与可见光特征融合，充分发挥光谱特征信息和可见光的特征表达能力，使作物病虫草害严重程度分析更加精确，保障可变喷雾技术的顺利实施。人工智能会使UAV 摆脱传统人工遥控的方式，朝着越来越智能化、精准化方向发展，使精准路径规划与避障等问题得到进一步优化。雾滴飘移和沉积控制技术受到喷雾压力、自然环境、气流场等因素影响，未来会有集成视觉传感器、距离传感器、周围环境传感器等高度集成的喷雾控制系统被设计出来，可以根据周围环境自动调节参数，实现轻量型、可靠性强、环境自适应型喷雾作业。总之，精准施药技术是一项宏大而又复杂的系统性工程，从顶层设计并出台相关标准、精准施药评价体系，到每个系统部件研发与融合，都需要大量研发人员和管理人员共同努力。借助人工智能技术发展的机遇，大力研发精准施药技术，促进我国农业向智能化和数字化转型升级。

谨以此文庆贺中国农业大学农药学科成立70 周年。

Dedicated to the 70th Anniversary of Pesticide Science in China Agricultural University.

作者简介：

周长建，男，博士研究生，高级工程师，东北农业大学高性能计算平台负责人。2012 年毕业于哈尔滨工程大学计算机软件与理论专业，获工学硕士学位，同年进入东北农业大学工作，历任助理工程师、工程师、高级工程师。2021 年起在东北农业大学读博士学位，主要从事人工智能技术在微生物药物创制中的应用研究等工作。近年来以第一作者或通讯作者在SCI/EI 来源期刊上表学术论文10 余篇，以第一发明人获授权发明专利2 项，登记软件著作权10 余项。

向文胜，男，博士，二级教授，东北农业大学博士生导师，中国农业科学院植物保护研究所天然产物农药首席科学家。获国家杰出青年基金、长江学者特聘教授、国家“万人计划”、国家“百千万人才工程”有突出贡献中青年专家、科技部“中青年科技创新领军人才”、农业部农业科研杰出人才及创新团队、教育部新世纪优秀人才、龙江学者特聘教授、黑龙江省杰出青年基金、黑龙江省首批长江学者后备人才、黑龙江省微生物学科领军人才，入选全国优秀科技工作者，享国务院特殊津贴。2019 年获“全国模范教师”，2020 年获全国先进工作者。主要就农业微生物天然产物的发现和分子作用机理、生物合成调控及产业化的科学与技术问题进行创新性研究。实现4 个筛选新微生物的发酵和半合成7 个产品产业化，获得8 个中国新药证书，多个农业功能活体微生物转让多家公司。以第一作者或通讯作者在Nature Biotechnology、Current Opinion in Biotechnology、Organic Letters、Science China(Life Sciences)、中国科学等期刊发表论文280 余篇。2015 年以第一完成人获得国家科技发明二等奖。分别于2021、2018、2014 和2011 年以第一完成人获黑龙江省科技发明一等奖4 项。