大力推进人工智能在农业生产中的应用

张国锋 肖宛昂

当前，数字化转型已成为各行业经济发展的新引擎，以科技为支撑的农业信息化、智能化正在朝着智慧农业的方向不断升级发展，我国数字农业的发展水平显著提升。《2019全国县域数字农业农村发展水平评价报告》显示，2018年全国县域数字农业农村发展水平达33%，农业生产数字化水平达18.6%，农作物种植数字化水平为16.2%，设施栽培信息化水平为27.2%，畜禽养殖信息化水平为19.3%，水产养殖信息化水平为15.3%[1]。信息化水平的提高为农业人工智能技术的应用奠定了坚实基础，并为数字农业经济发展提供了新动能。艾瑞咨询发布的《2019年中国人工智能产业研究报告》预测，我国“AI+农业”市场规模将以35.2%的年复合增长率高速发展，并将于2024年突破10亿元，2025年达到15.7亿元。

应用现状

从农业科技的推广经验来看，人工智能被率先应用于经济效益较高的农业生产领域[2]。深度神经网络作为人工神经网络的代表已经在农业领域得到了广泛使用，尤其是计算机视觉和语音技术的日渐成熟，更加促进了农业机器人的智能化水平发展。

目前，农业人工智能的应用主要依托于科技公司的技术驱动，通过采用人工智能算法、模型以及农机智能装备等实现农业信息的智能采集、加工和处理，并最终用于指导农业生产、提升农业生产效率及保障农产品质量。农业人工智能应用从技术分类来看，主要包括：农业计算机视觉、农业语音识别、农业机器人和专家系统等。从应用阶段来看，包括产前的土壤墒情分析、灌溉用水分析和品种选育鉴别等，产中的精细化管理、生产作业管理（如灌溉、插秧、除草、采收、病虫害防治和产量预测）等，产后的农产品品质鉴定、等级分级分类和仓储物流等。目前，我国以技术、资金和产业链为主导的新型或大型农业人工智能服务平台已初具规模，开始为农业不同产业领域提供全产业链的人工智能服务。

1.农业计算机视觉应用

基于FPGA（Field Programmable Gate Array，现场可编程门阵列）芯片、专用视觉处理芯片等嵌入式处理模块和多技术融合的机器视觉系统将成为未来人工智能的主要发展趋势，以卷积神经网络为代表的深度学习模型也将成为图像识别的核心技术，并将极大地改善目前机器视觉在农业应用中存在的诸多问题[3]。如可将农业人工智能技术应用于对水稻、棉花、黄瓜、草莓和马铃薯等不同作物病虫害的诊断，或是利用人工智能模型完成对核桃无损检测分类、茶叶质量评估、奶酪质量等级分类、根据作物叶片自动识别杂草、对果树上的果实进行识别计数以及成熟度鉴别等人工很难胜任的工作。

但是，目前我国农业计算机视觉应用的实时性和准确性还较低，现有算法及模型的计算成本较高，对设备性能要求苛刻，同时缺乏农业计算机视觉专用算法、芯片及配套设备。因此，须重视并加强农业计算机视觉芯片及智能化装备的研究与开发。

2.农业语音技术应用

目前，农业语音技术已应用于机器人语音控制、牲畜疾病诊断以及农业特定场景信息采集等系统中。其中，语音识别技术应用最为广泛，主要包括：通过语音对机器人进行自动控制，实现精准作业；将农业信息自动转换为语音输出，用于指导农业生产活动等。目前农业语音技术已将农机设备的人机交互水平提升到更高层面，朝着智慧农机的方向不断发展。但我国地域广阔，农业从业者多以所在地方言进行交流，导致基于普通话的农业语音技术难以在全国范围内得到推广应用。因此，研究针对地域口音特征和农业领域专业术语的语音识别、合成等技术势在必行。

3.农业机器人应用

农业机器人可应用于信息采集、施肥、除草、嫁接、采摘和分拣等多种生产场景，解决传统人工在特殊场景中无法作业的难题。但是，农业机器人的应用需要与农耕方式相适应才能发挥其准确性和高效性。我国农业种植多采用作物轮作耕种，不同作物种类、耕作方式并存，降低了农机作业的适用范围。因此，除了研究通用的农业机器人技术之外，还应建立不同农作物的区域性标准耕作方式，并以此为标准设计研发配套的系列农业机器人。另外，精确定位技术是进行自动导航的农业机器人执行巡检任务的基础，相较于其他应用于生产生活领域的机器人，其作业环境更加复杂且易受光照、杂草等自然条件的影响。因此，农业机器人在应用过程中，还需要结合机器视觉、激光雷达、语音识别和农业专家系统等多种技术，进行多任务协同作业。

4.农业专家系统

作为一个解决实际问题的计算机系统，农业专家系统将解决农业生产中的困难。该类系统主要为某个单品农作物或牲畜服务，如大豆专家系统、肉牛专家系统或智能灌溉系统等。伴随着人工智能技术的不断发展，农业专家系统也需要进行改进升级。目前，我国已将深度神经网络模型应用于不同的农业专家系统中，如灌溉用水分析系统、河流径流量、玉米产量、模拟育种及作物营养水平预测等。相对于人工诊断而言，专家系统对于某些问题的判断更加准确、高效，但它也存在知识获取难、处理复杂问题耗时较长等缺点[4]，而且对于生产数据的采集和录入等都有较高要求，因此，农业从业者的知识水平、农业信息化基础设施建设情况成了影响其应用的主要因素。未来的农业专家系统，应借助农业人工智能技术，实现更加“傻瓜”的操作方式，出具更加“智慧”和通俗易懂的诊断说明使其更好地服务于农业生产。

5.农业人工智能服务平台

目前，我国农业人工智能服务平台主要以人工智能初创公司、超大型互联网公司为主体，面向某一农业单品或某一农业人工智能技术提供全产业链的农业人工智能方案，实现对原产业链的升级改造。该类平台主要包括：基于百度大脑的智能农业，可以针对农业地块识别、作物模型构建、病虫害识别、无人机植保、农产品溯源及智能养殖等场景提供解决方案；阿里云ET农业大脑，基于人工智能、大数据和云计算技术优势，提供涵盖产业链上游、核心、下游及仓储物流、供应链金融服务的人工智能整体方案，目前已成功应用于生猪养殖、苹果及甜瓜种植；京东农牧自主研发并推出集成“AI神农大脑”+“IoT神农物联网设备”+“SaaS神农系统”三大模块的智能养殖解决方案，实现了养猪/养牛的智能养殖。此外，还有佳格推出的数字农业系统——耕境，其利用中、美、欧等数十颗卫星和无人机实时采集地面和气象数据，帮助客户进行标准化生产，实现生产全程可追溯，助力食品安全；麦飞科技自主研发的天空地一体化视觉/光谱技术，可以实时生成作物长势及病虫害多维农情监测图，推出麦云农业AI云平台，建立了麦信、农情及地理信息采集系统。

发展建议

农业数据是驱动和支撑农业人工智能技术的核心要素，农业物联网是农业数据采集、传输的关键技术，面向农业应用的系列芯片是农业数据计算和处理的核心器件，农业信息安全则是农业安全和国家安全的重要屏障。因此，为了保障农业人工智能技术快速、有序、健康地发展，笔者建议做好四方面工作：

1.发展农业人工智能，助力农业物联网改造升级

计算能力是农业物联网应用的重要阻碍之一，常规人工智能算法计算量过大，无法直接集成应用于传统物联网系统。而经过训练并裁剪压缩的农业人工智能算法模型可嵌入物联网设备，在设备边缘端即可计算提取有效信息，从而实现物联网设备端的AI应用。如基于AI的病虫害检测，摄像头采集到农作物图像后，可于第一时间在设备端利用集成的AI芯片或模块进行预处理，完成特征提取、边缘检测及图像分割等计算操作，再将可用于农业生产的有效数据传输到云端，大大降低物联网系统中数据传送量，减少网络资源消耗，缩短计算延时。

2.研发农业人工智能芯片，提升农机智能化水平

人工智能芯片是人工智能技术的重要一环，但我国的人工智能芯片和智能传感器等核心技术仍较薄弱，适用于低成本农业应用的人工智能芯片尚不能满足农业的特殊需求和应用场景的性能需求。因此，应针对农业应用智能处理器进行深入研究。目前，伴随着语音技术的成熟和计算机视觉的深入应用，国内已有企业和科研院所开始进行人工智能芯片研发[5]。如中国农业大学信息与电气工程学院联合中国科学院半导体研究所，已针对农业病虫害识别、农业智能控制及农业信息安全等研制基于RISC-V指令集（加州大学伯克利分校发布的基于精简指令集计算原理建立的开放指令集架构）的人工智能芯片。

3.标准化引领，推进农业人工智能技术落地

目前我国农业人工智能技术作为新一代信息技术的核心，依然缺乏国家级/行业级标准或规范。因此，现阶段，我们要加强标准化对农业人工智能技术的引领，从国家/行业/企业等多个层面，研究制定围绕人工智能技术与农业物联网、农机设备和农业大数据等融合应用的相关标准，在顶层设计上优先制定人工智能在农业装备制造及现代农业生产、经营和管理决策中的应用创新研究规划[6]，进一步解决不同品牌、不同种类的设备间因缺少一致性接口难以实现互联互通，进而导致技术或设备重复采购、利用率低，且无法服务于智慧农业整体解决方案等问题。

4.技术发展与信息安全并重，切实保障农业安全和国家安全

农业人工智能技术发展依赖于数据，而农业数据具有体量大、种类多和来源广等特点，必须首先保障农业数据安全和信息系统安全，才可以保障农业的安全生产、精准管理和智能决策[7]。因此，应加强面向农业应用的自主芯片和软件的研发，加强农业人工智能技术体系以及产品的监管。在技术及产品层面，将农业人工智能技术和区块链技术进行融合，研发满足农业安全监管要求的农业人工智能安全芯片、智能装备及系统。