当前甘蔗机械收获阶段人工与AI相结合扣杂方式的探讨

2021-03-24卢羿安黄明昌陈永昭杨家业黄健规宋前明梁耀宁韦丽梅黄应设

甘蔗糖业 2021年1期

关键词：蔗农糖厂机手

覃　宁，卢羿安，黄明昌，陈永昭，杨家业，黄健规，宋前明，梁耀宁，韦丽梅，黄应设

【专题-糖料高质量发展】

当前甘蔗机械收获阶段人工与AI相结合扣杂方式的探讨

覃宁1，卢羿安2，黄明昌1，陈永昭1，杨家业1，黄健规1，宋前明1，梁耀宁1，韦丽梅1，黄应设1

(1广西南宁东亚糖业集团，广西南宁 530000；2广西崇左东亚糖业有限公司，广西崇左 532200)

2020年受疫情影响，甘蔗砍收劳动力流动性受到限制，甘蔗砍收劳动成本上涨，糖厂和蔗农以甘蔗机械化收割需求明显增加，长期以来甘蔗的扣杂政策主要是由糖厂单方面来制定，测杂的程序要求各糖厂不同，主要是以进厂甘蔗或地头收获甘蔗取样测杂为主，随着机收量的增加，测杂的人力、物力成本增加，效率比较低下，同时受取样代表性的影响，测杂的数值常常引发争议，如何找到一种各方都参与，测杂的结果相对信服，且效率较高的测杂方式成为迫切需求，本文从影响机收的主要因素出发，通过对各因素之间的关联，建立测算模型，并得出预估值，结合AI的相关技术。分析结果表明人工预测杂系统与AI机结合的扣杂方式，为解决当前的扣杂方式，协调平衡各方利益，指导蔗农、服务队降低含杂量等方面具有一定的指导意义。

甘蔗机械化；管理；制糖企业；AI；扣杂

0 引言

近年来，越来越多的糖厂意识到机械化发展的重要性，尤其是2020年受疫情影响，各地方为防控需要限制外来砍蔗工的到来，加剧了劳动力的紧张局势，2020/21年榨季的砍蔗费用普遍从120～150元/t上涨到160～180元/t，部分地区甚至更高。本榨季之初也出现了机收服务队活跃流动的现象，机收服务队由过去的相对集中到逐渐扩散，一些中、大型的农场也早早落实了机收服务队，目前甘蔗机收得到了前所未有的发展。然而每年的机收扣杂是各方(糖厂、蔗农、服务队)争议最大的问题，以往各糖厂为响应政府推动机械收割，常常出台一些补贴政策鼓励机收，如扣杂补贴、机收运输补贴等。而扣杂办法则根据经验来制定，各糖厂的做法不尽相同，主要是根据当地机收各方利益平衡来考虑，各糖厂针对性地向较弱一方政策倾斜。国外由于各方利益体少，农场面积较大，加上工会或者协会的介入，各方势力差异较小，相互之间容易达成协议，比如澳大利亚建立的价格体系，刺激糖厂、服务队、蔗农通过各方的努力来提升收益，也推动了行业的较好发展，机械化程度也走在世界前端。再如，泰国通过检测甘蔗蔗汁糖分来支付甘蔗价格，同样达到各方均能接受的利益平衡方式。国内真正大规模发展甘蔗机械收获的时间相对较晚，利益方较多，机械化收获基础条件相对较差。本文经过几年的探索与实践，从影响机收的主要因素出发，建立测算模型，预估机收含杂数值，为质检部门提供一定的参考依据。该项目已在应用实践当中，从目前的效果来看，预估值与实际测杂值之间的差值在3%以内所占的比例为70%，若经过一定时间的积累和培训，该比例还会有所提升，这将为甘蔗行业机械收获提供一个新的测杂方式。

1 当前机收含杂测量方法及存在问题

甘蔗种植户与糖厂的关系是买卖的关系，甘蔗是一种商品，而对这一商品的要求国家已有相关规定，而商品的质量要求本身应该由商品的提供者来控制并提供相关信息作为参考，最终由糖厂确定。但国情是甘蔗种植户做不到，涉及千家万户也只能由买方来投入人力、物力进行检测，主动权完全转向了糖厂，由于现阶段的技术及手段落后，很难公正的对甘蔗质量进行判断，矛盾的焦点指向了糖厂。近两年国家糖料产业技术体系在2018、2019年开展针对糖农种植行为、组织形式及其影响因素的调查报告显示(详见图1、图2)，2年来蔗农对糖厂履约行为反映最为强烈，连续2年排在首位，分别达到了57.41%、48.82%，如何找到各方都参与且较为客观的测杂方式成为当前甘蔗行业发展的一个重要环节。

图1　2018年蔗农对糖厂履约行为的评价

图2　2019年蔗农对糖厂履约行为的评价

1.1 原料蔗

原料蔗是指供糖厂制糖用的原料甘蔗，中华人民共和国国家标准(GB/T 10498-2010)[1]对甘蔗蔗糖分及蔗汁重力纯度有明确的规定，其中甘蔗蔗糖分≥12%，蔗汁重力纯度≥80%，对甘蔗外观质量也有相应要求：蔗茎不带泥沙、须根和叶鞘，蔗梢削到生长点下明显见肉，蔗头不带“烟斗头”，不带干枯茎、腐败茎(包括水浸、火烧、霜冰冻严重变质茎)、1 m以下的蔗笋、严重病虫鼠害茎和其他非蔗物。

国家对原料蔗的定义及要求已做了明确的解释。糖厂和蔗农之间的关系是买卖关系，糖厂有权利要求农户对不符合国家标准的原料蔗进行整改，甚至可以拒收严重不符合要求的原料蔗。然而机械化收割让这一问题变得更加复杂，从原来的双方关系变为三方关系，由于影响机械作业的因素较多，甘蔗进厂后也很难认定责任，一旦糖厂测杂的含量较高，蔗农和服务队很难接受这个结果，所以寻求到一个他们主动参与且比较客观的测杂方式是势在必行的。机收前先将影响含杂的责任分清，而后得到比较准确的含杂结果后，再由责任大小来承担对应的杂质比例费用。

1.2 杂质监控点

甘蔗的杂质主要为蔗叶、叶鞘、蔗尾、须根、蔗笋、蔗蔸、泥沙、干枯茎等非蔗物构成[2]。正常情况下，人工砍收甘蔗比重较大的杂质为蔗尾、须根，当甘蔗进厂后经过质检部门检查，很容易通过肉眼发现，而且有些地方对糖厂人工砍蔗扣杂有严格的规定，即正常情况不允许超过2%[3]，超出规定的扣杂需要向政府报备。大多数糖厂对甘蔗质量的控制主要集中于糖厂的质检部门，偶尔也会在地头进行甘蔗质量抽检，对有质量问题的甘蔗要求农户按标准进行修剪，但是不在地头作为甘蔗杂质控制点。

甘蔗机收的杂质与人工砍收的杂质基本相同，由于机械收获无法像人工砍收一样对杂质进行识别并挑选，所以总体上杂质会比人工砍收高，且杂质之间的比重不同，尤其以蔗尾、蔗蔸、泥沙为主，对工厂工艺及设备影响较大。由于机收蔗中这些杂质隐蔽性较大，在运输过程中一些比重较重的泥沙会下沉，运输车上、中、下层的杂质分配不均匀，加上人工只能在运输车表面取样，更不具代表性。我们在监控过程中就发现过多起在取样时实际测量的含杂比例为9.3%，而到卸蔗槽卸蔗时，翻板台已上升至最高倾斜角度，甘蔗仍无法卸蔗，经过二次测杂，含杂比例高达17%，二者之间差异较大。

因此，在目前甘蔗机械化发展阶段，要发展甘蔗机械化收获，为更好地监控机械化收获甘蔗的质量，更好地指导机械化收获甘蔗杂质的测定，以更客观真实的数据，协调各方利益平衡，我们认为甘蔗机械收割杂质监控点必须分为田间端和工厂端2个监控点来共同监测。

1.3 近年来机收含杂测量方法

甘蔗机械化收获发展的初始阶段，由于收割的作业地点少、服务队少及当天的机收量不多，大多数糖厂采取第一车测杂作为后续其他车辆的参考，并不定期进行抽查。测杂地点可在地头或是车间过磅前，主要由多人上车以竹筐或其他较大容器进行3～5点取样，之后将甘蔗与杂质(蔗叶、嫩梢、泥沙、蔗蔸、杂草等)分离称重，依次记录不同样品甘蔗与杂质的重量，并计算出平均含杂比例。一般情况下，完成1个车次的测杂时间为30 min左右，当不同的服务队分散于蔗区各个村屯时，测杂的人员需要在服务队机收蔗第一车甘蔗进厂前进行杂质测量，如果参与测杂的人员或小组较少，而待测杂的服务队较多且分散，没有得到及时测量的服务队就需要等待，影响了车辆的周转率。

目前机械化收获得到快速的发展，服务队的数量增加至数十甚至上百个，且分布于各大乡镇村屯时，测杂的工作量将非常巨大，糖厂不可能也做不到投入大量的人力、物力对机收蔗杂质进行测量，这种情况下只能对机收车辆进行集中抽查，由原来在蔗区各村屯分散测量，转移到工厂质检部门集中测杂。在机收量远远超出了每车取样测杂的能力时，糖厂可根据不同的情况随机或按一定要求抽查一定比例的机收车辆作为扣杂依据，当然这样的做法准确性较差，但是在糖厂人力、物力不足的情况下，不得已而采取的办法。

1.4 国外机收做法

澳大利亚和泰国在推行机械化发展主要应用价格体系来平衡各方利益，尤其是澳大利亚推行按质论价的价格体系是由政府决定，在1916年这个分配公式被引入的时候，是由当时糖业生产关系、商业含糖量(CCS)回收率经验值90%、甘蔗平均商业含糖量(CCS)12个单位这些因素决定的[3]，计算公式如下：

=×(90/100)×(CCS-4)÷100+0.578······⑴

式⑴中，代表甘蔗价格，代表糖价，0.578是一个澳元金额常数，这个常数随时间而增加，在2000年为0.578澳元。

公式中体现了对种植户和糖厂的激励措施。糖厂的收益是12个单位CCS中的4个，其余的给种植者，在正常生产情况下，收益大约2/3归种植者，1/3归糖厂。100多年前的政策能够延续至今且还被认可和使用的原因之一就是，这一政策刺激各方从自身条件出发，为改善机收环境不断努力，并且在改善的过程当中获利。这一政策是能达到较好的效果，也是澳大利亚成为世界上机械化效率最高、成本最低的国家的原因之一。按质论价的前提是杂质相对稳定地控制在一定的数值范围内，主要是通过建立农艺标准，使之与农机相配套，机手的熟练与配合默契度等措施相结合，使机收蔗的总体杂质率控制在一定范围内，个别差异较大但对整体的影响不大，当甘蔗糖分低于最低标准时，糖厂可拒绝收购。

1.5 当前机收含杂存在的问题

1.5.1 准确度不高

机械化作业时，同一地块由于没有经过统一的规划、整理，区域性条件差异较大，设备状况也随作业时间变化而下降，操作人员也因疲劳而操作水平有所差异，这些都会造成同一车内的甘蔗杂质差异性较大[4]。另外，在运输过程中由于车辆晃动，一些比重较大的泥沙下沉，运输车上、中、下层的杂质分配不均匀，人工只能在运输车表面取样，更不具代表性，因此，现有的抽样测杂方法未能真实的反应含杂情况，机收含杂准确度不高。

1.5.2 责任不分，无法以结果导向指导各方改善作业环境

测杂的目的是以结果为导向，找出带来杂质的原因或影响因素，反推责任。我们认为后者更具指导意义。是设备的责任就要求及时维护设备，是机手的操作问题就要加强培训，是蔗农的农艺问题就要改善农艺，使农艺适应农机。另外，根据责任大小，对应承担杂质产生的费用损失。

1.5.3 夜晚车辆测杂较困难

目前的机收量虽不多，但已有部分车辆在夜间过磅测杂，这无疑增加了难度。在未来机收量增多的情况下，夜晚回到糖厂的车辆数量会增加，且夜晚车辆测杂较困难，这是我国机械化发展必将面临的问题之一。

1.5.4 国外的方式不能照搬

国外人均土地资源较丰富，涉及甘蔗种植的多为大型农场，且经过几代人的经营管理，农场的种植条件较好。另外，农机设备较为成熟，机手操作水平较熟练，大多数情况下机收作业是控制在一定的合理区域内，所以他们更关注的是通过提高甘蔗品种的蔗糖分增加蔗农效益，这也体现在他们价格体系之中。而国内机械化的基础薄弱，影响因素较多，机收杂质波动较大，对蔗汁糖分跟踪的方式不成熟，按质论价的价格体系还不适用于我国当前的机械化收获情况。

另外，人工砍收甘蔗成本逐年递增，扣杂对农民选择机械化的积极性有一定的打击，因此，要想机械化又好又快的发展需要多方人员的共同努力，需要有合理的利益分配机制或责任机制，并在各自的能力范围内不断地改善机械化的作业条件(环境)，经过近2年的探索，我们提出人工与AI相结合的扣杂方式，以期能得到较好的解决思路与方法。

2 人工与AI相结合的扣杂方式

2.1 定义

由机收队在即将作业的地块对影响甘蔗机械收获含杂因素进行评价，系统自动预估杂质的比例并上传对应机收蔗图片作为参照，将上传的图片及甘蔗实际进厂图片与AI系统内标准比对，当差异小于设定的阈值时，扣杂按AI读取的数据扣杂(也可按预估值扣杂)，当任何一个差异大于阈值时，需要作为重点测杂目标。

2.2 做法及功能

2.2.1 主要做法

影响机械化收获甘蔗杂质含量的因素较多，在机收作业前，机手对影响因素做一次全方位的记录，其中包括：作业条件、作物及生长情况、设备状况、机手作业水平等内容。输入相应的指标后，系统自动计算出此次作业预计产生的杂质比例，得到的含杂预估值作为甘蔗进厂后的参考数据。当机收作业装车到半时，拍摄一张机收蔗作为预估值对应的图片，并上传到机收服务平台，AI根据已建立的大数据信息，对上传的图片进行杂质比对，并计算差异率。当真正的甘蔗运输车到达工厂后，摄像设备再次截取车内甘蔗图片并与之前预估机收图片比对，AI自动分析2者之间(即田间端、工厂端控制点差异数据)的差异，并计算差异率。在系统内设定阈值，比如当差异≥2%或3%时系统自动提醒，当2个数据中的单个或是2个都出现提醒时，就意味着需要重点跟踪测杂。由于同一运输车内含杂分布不均匀，糖厂亦可在卸蔗槽，增加一套摄像设备，获取更多的图像资料进行比对，这样监测的结果将更加准确。只有当田间端、工厂端控制点差异数据同时低于阈值时，才能以田间端的预估值作为扣杂的数值或是直接由AI读取的数据作为扣杂值。

2.2.2 主要功能

2.2.2.1 基于杂质产生的原因，明确责任

人工与AI相结合的扣杂方式，和传统或单独的AI方式的区别在于机收前对影响含杂的因素进行了评定，可以直接从系统里面导出农艺、农机设备或者机手的问题，进而分析出具体的原因，针对性地开展指导工作，提升作业质量，如指导农户对土地的整治，对行距、品种、中耕管理等进行调整。对服务队则要求设备定期维护、机手培训等方面。而当他们完成这些要求后，也可以与相关的信息关联，进而起到优化机收含杂的作用。

表1　人工预测杂系统评价模式

2.2.2.2 为糖厂制定扣杂政策提供依据

目前糖厂在出台扣杂政策的主要依据是经验及利益方的承受程度，没有相关数据的支撑，在制定和执行过程当中难免有失偏颇。同时在机收过程中也没有相关的信息指明影响含杂的关键方是哪方，不利于有针对性的引导。另外，AI需要建立相对比较准确的图像标准，这需要大量的试验及数据进行支持，这个过程也许需要长期且不断的修正，并且将无限接近真实数据，为糖厂制定扣杂政策提供依据。

2.1.3 目前的效果

⑴评分值与实际进厂扣杂值不同差异分布区间情况分析(见表2)：目前参与评分的车次合计为206车次，我们把差异率分为1%以下、1.1%～2%、2.1%～3%、3%以上4个区间，其中1%以下的有41车比例为19.9%，1.1%～2%之间的有47车比例为22.82%，2.1%～3%之间的有55车比例为26.7%，3%以上的有63车比例为30.58%。以上数据是参与机收服务的机手，在经过一些简单的宣传后进行的测试，并没有经过专门的培训，所以出现3%以上差异的比例较大，经过进一步调研，差异超过3%的数据是由于服务队缺乏对系统功能的了解，或是不按地块、设备、机手等实际情况进行评分。在该系统普及过程中，经过一定的专业培训，这一情况可以得到一定改善。

从目前的调研数据来看，69.42%差异控制在3%以内，意味着如果设定阈值为3%，那么接近70%的车辆不需要实际测杂，而通过评分值或是AI值直接扣杂，我们只需重点跟踪30%的车辆含杂的情况。另外，当机手对评分系统的熟悉和对机收条件的正确判断，理论上阈值可设定为2%或更低，通过评分值或是AI值直接扣杂的比例可达80%甚至90%，那么未来对于糖厂简化机械收获甘蔗杂质流程，降低成本，提高准确率有重要的指导意义。

表2　评分值与实际进厂扣杂值不同差异区间比例

⑵评分值与实际进厂扣杂值差异大小分析(见表3)：预测杂系统重要的指导意义在于指导机收服务队提高作业质量、减少含杂。我们分别在5个测试点进行数据收集，参与评分的车次为206车，参与评分后实际进厂的扣杂为8.06%，与榨季机收蔗累计平均实际扣杂值9.33%，减少了1.27%，其中以序号2、3、4的数据减少明显，分别达到了1.48%、1.97%、2.39%，同时序号2、3、4号的实际扣杂值分别为7.57%、7.90%、7.04%，已属于正常机收情况下的作业水平。

通过预测杂系统，让参与机收的服务队，主动参与分析影响机收作业的因素，并形成正确的作业观念，对于降低机收含杂量具有一定积极作用。

⑶存在问题：大多数情况下，进厂甘蔗杂质数值会比预估值高，出现这一情况的原因主要有：评估人故意为之，以达到最低含杂率的目的，或对评估要求不熟悉而做出错误判断。当出现差异较大的情况时，我们可以到田间查找原因，通过培训达到正确使用的目的。对于数据的准确性，我们认为机械收割的甘蔗含杂率永远是一个无法准确测定的数值，我们必须长期坚持数据的积累，模拟机收环境，建立大数据平台，才能无限接近我们想得到的数值，预测杂计算模型见图3。

3 人工预测杂方式与AI测杂方式之间的关系

表3　评分值与实际进厂扣杂值差异大小分析

注：数据截至2020年12月30日。

图3　预测机收含杂率计算模型随时间的推进趋向实际含杂率[5]

经过近2年来的研究及探索，我们对人工预测杂方式与AI测杂方式之间的关系进行了总结。

3.1 AI测杂方式

⑴准确度被各方认可需要时间及数据的积累；

⑵潜在(隐性)杂质难监测，即使未来AI技术提升，从蔗槽捕捉到更精准的含杂数据，但甘蔗已进入压榨阶段，缺乏前期的参照对比，过后农户、机手不承认，容易引起纠纷；

⑶AI追求的是含杂的准确性，而缺乏数据指导提升作业质量的功能，也没能区分出影响机收质量的各方责任大小，没有给糖厂提供处罚依据；

⑷机手、服务队被动接受含杂的结果，而没有主动思考影响机收质量的因素有哪些，并主动采取减少含杂的措施；

⑸AI主要功能是采集大数据，制定甘蔗含杂的不同级别标准。

3.2 人工预测杂系统

⑴提升机手、蔗农参与性，并找出影响机收质量因素，对指导机手、农户改善作业条件，提升作业水平起到关键作用；

⑵通过人工预测杂系统，机收作业前设立了一个预估值，更具前瞻性，让机收想办法提升作业服务质量，假设：①预估数值高：需要机手通过提升作业技能、设备驾驶等方面来降低或改善机收质量；②预估数值低：并不代表实际的作业质量就一定会好，而是给机手设定了一个作业质量目标，有责任的机手会在作业过程中始终按照既定的目标控制作业质量；③通过人工评价区分出作业条件(蔗农)、服务水平或设备状况(服务队)、天气情况等影响机收作业质量关键因素的比例，从而为扣杂确定各方的责任大小提供参考依据，同时在发现较大差异时，也能通过现场查看起到追溯责任的作用；④在作业中途要求提供装车时的图片上传农务系统，作业目前预估值的对应含杂图片，为甘蔗车辆进厂时作业质检部门检验提供参考，不受白天、夜晚影响，24 h可进行含杂测定。

4 建议和展望

甘蔗机械化收获是一个系统工程，在发展过程中受到多种因素的影响和制约，而机收蔗扣杂是最重要的影响因素之一，也是涉及机械化收获最直接的3个主要利益方，由于利益方较多，测杂方面存在较大分歧。目前各糖厂主要采用的是人工测杂，不仅准确率不高，而且效率跟不上机械化发展的趋势。国外的一些糖厂的做法，是适应本国行业发展需要而制定的，由于国情不同，我们不能照搬相应的模式来应用。唯一的办法还是立足于本国实际，从影响机收含杂的因素出发，机收前记录好这些因素的状态，量化这些因素在机械收割中的杂质比例，从而确定各方的责任大小，并承担相应扣杂带来的损失，只有这样才能处理好农户、机收服务队、糖厂之间的关系。同时，通过责任大小，追溯原因，促使蔗农采用宜机化措施提高机械收获的作业条件，促使服务队加强对农机设备的维护和操作水平的提升，糖厂提升适应机械化发展的管理水平。

甘蔗机械化发展需要提升各参与方的能动性，扣杂是促使各方参与的关键，参与程度高，总体的趋势是含杂会降低，在未来经过大量数据的积累及各方的积极参与，当作业条件和作业水平相对较好的情况下，机收蔗含杂量保持在相对较平稳的范围，那么测杂的功能将完全被AI所取代，这需要我们这一代人甚至更多后来人的持续努力。

[1] 国家质量监督检验检疫总局，国家标准化管理委员会. 糖料甘蔗：GB/T 10498-2010 [S]. 北京：中国标准出版社，2010.

[2] 陈海军，王宝，李一，等. 甘蔗机械采收杂质对甘蔗加工性能及成本的影响[J]. 中国糖料，2020(1)：38-44.

[3] 覃宁，宋前明，卢羿安，等. 东亚糖业集团甘蔗机械化发展的3个阶段及其研究与分析[J]. 甘蔗糖业，2020(3)：14-24.

[4] 覃宁，宋前明，卢羿安，等. 糖料蔗全程机械化的关键技术及发展建议[J]. 甘蔗糖业，2020，49(4)：1-7.

[5] 覃宁，宋前明，卢羿安，等. 当前甘蔗机械化的主要矛盾及解决对策[J]. 甘蔗糖业，2020，49(5)：1-6.

The Discussion on the Combination of Artificial and AI in the Current Sugarcane Mechanical Harvest Stage

QIN Ning1, LU Yi-an2, HUANG Ming-chang1, CHEN Yong-zhao1, YANG Jia-ye1, HUANG Jian-gui1, SONG Qian-ming1, LIANG Yao-ning1, WEI Li-mei1, HUANG Ying-she1

(1Nanning East Asia Sugar Group, Nanning, Guangxi 530000;2Guangxi Chongzuo East Asia Sugar Co. Ltd., Chongzuo, Guangxi 532200)

Affected by the epidemic in 2020, the mobility of sugarcane harvesting labor had been restricted, and the labor cost of sugarcane harvesting had risen. Sugar mills and sugarcane farmers had significantly increased the demand for sugarcane mechanical harvesting. For a long time, sugarcane deduction policies had been unilaterally formulated by sugar factories. The procedures for measuring impurities were different from sugar factories. The main focus was on the sugarcane entering the factory or harvesting sugarcane from the ground. The sampling and testing of impurities was the main method. With the increase of machine harvesting, the manpower and material costs of testing impurities increased, and the efficiency was relatively low. The impact of such representativeness, the value of impurity measurement often triggered controversy. How to find a way that all parties participate in the impurity test, the result of the impurity test was relatively convincing, and the efficiency of the impurity test method had become an urgent need. This articlestarted from the main factors affecting machine receipt, analyzed the correlation between the various factors to set up the establishment of a measurement model and the estimated value, combined with AI related technology. We believed that the artificial prediction system combined with the AI machine deduction method was solving the current methods of impurity deduction, coordinating and balancing the interests of all parties, and guiding sugarcane farmers and service teams to reduce impurity content had certain guiding significance.

Sugarcane mechanization; Management; Sugar enterprises; Artificial Intelligence; Deduction