农情获取机器人研究进展及发展趋势思考

朱立学，田旭峰

（仲恺农业工程学院机电工程学院，广州 510225）

0 概述

农情信息获取在国家粮食安全保障、农业结构调整、农业资源开发和保护、农产品市场拓展、农业防灾减灾、农业可持续发展等方面已经并将继续发挥积极的科技支撑作用，开展农情监测意义重大[1-3]。大多数农业监测都是在非结构化环境下进行，地形、农作物长势、可视性、光照和空气条件等均无法事先预定且不断变化，这些都导致了环境参数的不确定性和产生不可预测的动态状态[4,5]。同时农情监测的数据具有海量、多源、异构、多时空尺度等数据特征，有多业务、多元化的应用需求[6-8]。

一般来说，获取农情主要有两种途径：第一，通过卫星遥感技术获取农情信息[9,10]；第二，通过田间布置传感器，利用物联网技术实现农情监测[11]。卫星遥感技术对大面积区域的部分种类农情数据如温度、光照、长势等监测具有优势，但是对于相对小区域分散农田则无法实现农情的准确、实时监测，也无法对土壤成分、病虫害等农情进行监测[12,13]。田间传感器物联网技术一次性投入大、设备利用率低，不利于农情监测与农业精准作业的集成化[14]。

随着科学技术的发展，传感器性能得到了大幅度改善，人们获取信息的能力和方法大幅度提高，所获取的信息数据量、信息表现形式、信息与信息间的相关性都发生了重大的变化[15]。实现多种传感器采集和来自不同知识源的信息及时快速地准确处理，并给出高效、完整、正确的判定、评估和决策，对于农业生态工程、精细农业的发展至关重要。通过引入集成传感器的云机器人技术，在农田实现多点、实时、多种农情监测，不仅使得农情获取精准、设备利用率高，而且可以实现农情监测与智能装备的集成化[16-18]。传感器融合的研究也使得多源信息集合后能发挥更大的作用，研发通用、适用的传感器融合能力算法并集成到多传感器平台中是重要方向[19]。提高子系统的整体性和集成性以增强农情监测的可持续性能，比如传感器融合算法和数据分析的信息获取系统需要提升其鲁棒性、可靠性以适应非结构化农业环境的动态特征[20]。此外，多机器人联动或协作需要进一步深入研究[21]。

1 国内外研究现状

1.1 国外研究现状

近年来，大量研究证明，适用于多种作物、农业环境和自动监测能力的集成技术具有可行性。美国马里兰大学研究了“全球农业监测系统”（GMAS)体系和农作物定量遥感反演技术，该体系研究了农情监测业务及相关数据处理技术，开发了多个系统，包括快速响应影像处理系统、作物关键参数反演系统、多源数据融合系统、作物生长条件动态分析系统、作物长势监测等[22]。美国加州的草莓培育商Norcal Harvesting安装一套物联网系统，能实时追踪植物状况，根据空气和土壤状况，自动触发相关行为，如浇水或者调节温度[23]。西班牙学者Conesa-Munoz等人开发了病虫监控自主机器人，它需要有辅助功能如自我定位、路径规划、在田间转向和导航、与机手交互或与其他机器人协作避开意外物体[24]。

多传感器监测平台是农情探测准确性和实时性的保证，国外在多传感器信息融合方面展开了大量研究，意大利学者Lauro Snidaroa分析了基于上下文信息融合的分布式计算优势，分析了在Java Development Kit (JDK) 框架内的上下文可以应用于多层融合的典型案例，研究了整合上下文信息、先验知识的信息融合算法[25]。美国学者Hitha Alex等人研究了传感器配置优化算法，提出了一个面向信息融合的传感器管理中间件，可以根据服务质量以及信息获取的代价来实现自适应的传感器优化配置[26]。西班牙学者Juan M. Corchado针对信息融合中隐式马尔科夫过程预测精度依赖于预设统计模型的不足，提出了无模型的解决方案，即直接从观测结果出发，基于蒙特卡洛采样过程以及贝叶斯过滤因子提出了一个无偏非线性推理算法[27]。

1.2 国内研究现状

随着信息技术的发展，国内针对农情信息的监测开展了大量研究。武汉工程大学杨帆等在2011年采用D-S证据理论和BP神经网络相结合的方法，建立了多传感器信息融合算法，并将这种信息融合算法应用于农作物生长环境监控中[28]。江苏大学高洪燕等在2012年建立番茄冠层气温差模型和水分胁迫指数模型，将特征波长、单通道的近红外和可见光图像的灰度均值和CWSI作为多信息融合的输入，利用偏最小二乘-神经网络回归分析进行了验证[29]。北京市农林科学院农业科技信息研究所于金莹等在2013年采用物联网等相关技术，研发了一套农情监测诊断综合平台，平台采用客户端和服务器端模式，包括环境因子监测子平台、智能决策子平台和专家远程科技咨询服务子平台[30]。东华大学刘倩在2014年将传感器节点布设于农田等目标区域，将采集到的各种环境信息作为信息源，研究监测判别模型所使用的数据挖掘和多源信息融合算法，建立了农情监测系统[31]。中国科学院杜克明在2015年结合物联网与多源信息融合方法，提出了基于点面融合的小麦苗情分类分析方法、基于物联网与模型耦合的小麦气象灾害诊断方法和基于图像识别的小麦叶部病害诊断方法[32]。同年昆明理工大学段有艳融合了地理信息系统、遥感及卫星定位系统等相关技术，实现对农情环境温度、湿度、露点温度、光照、风速、pH值、大气环境等指标的实时无人全天候监测，并实现数据的远程可靠传输[33]。江苏大学刘红玉在2016年利用经过遗传算法优化的BP神经网络程序（GA-BPANN）和最小二乘支持向量机方法（LS-SVM）建立了番茄叶片氮、磷、钾含量的多元信息融合模型，全面、准确地反映作物的营养信息[34]。同年，东华大学刘兵将无人机数据、遥感以及物联网等多源异构数据进行数据关联处理和数据类型处理，侧重对多源数据的集成管理，为农情决策空间信息系统提供稳定可靠的数据来源[35]。东南大学的徐泽水概括分析了近年来基于直觉模糊决策的信息融合方法，指出了这些方法的优点以及面临的挑战[36]。

2 农情信息获取机器人发展趋势

农情信息具备多种属性，如何实现信息的全面、多维度的表达成为近年来的研究热点，研究方法主要为跨模态（多源信息）数据融合技术，而技术的研究焦点为数据融合算法。国内对于农业领域跨模态信息融合的研究，存在监测对象相对单一，数据模态也相对较少，数据融合算法相对简单的问题。现实生产的农情监测，包括苗情、虫情、灾情、墒情、长势等农情数据，模态繁多，且要求数据响应速率要高，因此，农情监测信息融合算法要进一步优化，满足多模态、大容量、高速率要求[37,38]。为了进一步实现农情的精准探查，需要采用农情探查云机器人集群信息采集与控制技术[39-41]，同时为了避免出现信息误报，需要进行农情探查云机器人目标任务解耦算法与协调作业调度策略的研究，以进行农情信息的二次探查[42-45]。

随着中国农业机器人的研发进程不断加快，机器人系统的研究也取得了长足的进步，农情获取机器人系统研究也逐步跟上发达国家农业机械发展的步伐。综合分析国内外农情获取机器人系统研究进展，结合农业机器人工作环境的复杂与多变性，农情获取机器人系统呈现出以下发展趋势。

2.1 信息采集系统更趋智能化

为了使机器人系统更加完善，农情获取更加准确，需加强对融合互补传感器的研究开发，以及基于机器学习算法和计算机视觉增强机器人系统的农情获取能力与学习能力，在植物病虫害检测、果蔬采摘等领域，使机器人系统更加智能。开发研究适用于不同作物分类检测技术，如数字图像处理和人工神经网络已成为植物监测系统中的重要适用技术。

农业环境复杂多变，且非结构化，而农业机器人的一个关键特征就是要满足在非结构化农业环境中正常运行，因此信息采集系统将得到改进。应研究和开发具有多传感器融合能力的多功能和自适应算法，集成到多传感器平台，整合机器人系统，开发适用于各种非结构化的农业环境数据获取、传输与信息监测的智能机器人系统，以期提升非结构化环境下机器人系统鲁棒性。

2.2 降低机器人系统开发成本成为可能

机器人系统的研发将更加贴合实际需求，应针对不同的农情与作业要求，开发简单的机械执行部件，以适当的传感融合辅助，指导提升执行部件适用性，克服当前存在的产品研发周期长的问题。为了提升机器人系统的安全性与可靠性，需要保持农情信息观测数据获取的稳定性，集成机器人系统，优化结构设备，减小系统尺寸，使机器人系统更趋集约化，克服功能单一、研发成本过高的劣势。

2.3 机器人应用向更专业化发展

为了适应不同农业环境的监测需求，未来农情获取机器人系统发展将更专业化，如适用于室外、温室的苗情、长势等农情数据获取，进而实现不同瓜果的采摘、搬运等其他操作的机器人将越来越多，结合卫星遥感和基于物联网的传感器技术，针对不同作物实现对应农情机器人系统的快速构建，形成模块化的专业应用系统方案，提升机器人系统的可复制性，实现快捷应用，同时也可缩短研发周期。