農(nóng)業(yè)物聯(lián)網(wǎng)導(dǎo)論(處理篇)課件

1、農(nóng)業(yè)物聯(lián)網(wǎng)導(dǎo)論（處理篇）11基本概念基礎(chǔ)農(nóng)業(yè)信息處理技術(shù)23智能化農(nóng)業(yè)信息處理技術(shù)農(nóng)業(yè)信息處理技術(shù)體系框架45農(nóng)業(yè)信息處理技術(shù)發(fā)展趨勢6小結(jié)第4章 農(nóng)業(yè)信息處理技術(shù)概述基本概念 農(nóng)業(yè)信息處理 農(nóng)業(yè)信息處理是研究模式識別、智能推理、復(fù)雜計算、機器視覺等技術(shù)在農(nóng)業(yè)的精準(zhǔn)作業(yè)、預(yù)測預(yù)警、智能控制、管理決策等領(lǐng)域應(yīng)用的技術(shù)。農(nóng)業(yè)信息處理技術(shù) 農(nóng)業(yè)信息處理技術(shù)是信息處理技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用分支，是利用現(xiàn)代信息技術(shù)改造傳統(tǒng)農(nóng)業(yè)的重要途徑?；靖拍?農(nóng)業(yè)信息處理關(guān)鍵技術(shù)數(shù)據(jù)存儲技術(shù)數(shù)據(jù)搜索技術(shù)基礎(chǔ)農(nóng)業(yè)信息處理技術(shù)智能化農(nóng)業(yè)信息處理技術(shù)云計算技術(shù)邊緣計算技術(shù)人工智能技術(shù)大數(shù)據(jù)技術(shù)區(qū)塊鏈技術(shù)多源異構(gòu)信息融合與處

2、理技術(shù)農(nóng)業(yè)預(yù)測預(yù)警技術(shù)農(nóng)業(yè)視覺信息處理與智能監(jiān)控技術(shù)農(nóng)業(yè)診斷推理與智能決策技術(shù)基礎(chǔ)農(nóng)業(yè)信息處理技術(shù)數(shù)據(jù)存儲技術(shù) 數(shù)據(jù)存儲技術(shù)解決了計算機信息處理過程中大量數(shù)據(jù)有效地組織和存儲的問題，是實現(xiàn)數(shù)據(jù)共享、保障數(shù)據(jù)安全以及高效地檢索數(shù)據(jù)的重要工具。數(shù)據(jù)存儲技術(shù)可以及時對農(nóng)業(yè)物聯(lián)網(wǎng)數(shù)據(jù)進行存儲和組織，提供便捷的查詢、統(tǒng)計和分析利用。 關(guān)鍵技術(shù)數(shù)據(jù)庫存儲技術(shù)分布式云存儲技術(shù)農(nóng)業(yè)數(shù)據(jù)庫建設(shè)圖1. 數(shù)據(jù)存儲關(guān)鍵技術(shù)基礎(chǔ)農(nóng)業(yè)信息處理技術(shù)數(shù)據(jù)庫存儲技術(shù) 數(shù)據(jù)庫是按照數(shù)據(jù)結(jié)構(gòu)來組織、存儲和管理數(shù)據(jù)的倉庫，是計算機數(shù)據(jù)處理與信息管理系統(tǒng)的一個核心技術(shù)。它研究如何組織和存儲數(shù)據(jù)，如何高效地獲取和處理數(shù)據(jù)。通過研究數(shù)據(jù)庫

3、的結(jié)構(gòu)、存儲、設(shè)計、管理，對數(shù)據(jù)庫中的數(shù)據(jù)進行處理、分析和理解。圖2. 數(shù)據(jù)庫系統(tǒng)基礎(chǔ)農(nóng)業(yè)信息處理技術(shù)分布式云存儲技術(shù) 分布式數(shù)據(jù)庫系統(tǒng)(Distributed DataBase System，DDBS)是以數(shù)據(jù)的分布存儲為基礎(chǔ)，由相應(yīng)的管理系統(tǒng)、通信網(wǎng)絡(luò)實現(xiàn)各類數(shù)據(jù)的管理、訪問的系統(tǒng)。從邏輯上分析，DDBS 是統(tǒng)一的整體；而從物理層面分析，數(shù)據(jù)庫中的數(shù)據(jù)存儲于不同的物理節(jié)點之上，是傳統(tǒng)技術(shù)和網(wǎng)絡(luò)時代結(jié)合的產(chǎn)物。典型的分布式數(shù)據(jù)庫系統(tǒng)如圖3所示。圖3. 典型的分布式數(shù)據(jù)庫系統(tǒng)基礎(chǔ)農(nóng)業(yè)信息處理技術(shù)農(nóng)業(yè)數(shù)據(jù)庫建設(shè) 世界大型農(nóng)業(yè)數(shù)據(jù)庫：聯(lián)合國糧農(nóng)組織的農(nóng)業(yè)數(shù)據(jù)庫(AGRIS)、國際食物信息數(shù)據(jù)庫(I

4、FIS)、美國農(nóng)業(yè)部農(nóng)業(yè)聯(lián)機存取數(shù)據(jù)庫(AGRICO2LA)、國際農(nóng)業(yè)與生物科學(xué)中心數(shù)據(jù)庫(ABI)。 中國大型農(nóng)業(yè)數(shù)據(jù)庫：我國除引進了以上世界大型數(shù)據(jù)庫外，自己建立了100多個數(shù)據(jù)庫，主要包括各種農(nóng)作物、果樹、蔬菜、園藝植物、畜禽動物、水產(chǎn)動植物的品種分類、生態(tài)適宜性、植物營養(yǎng)狀況、農(nóng)藝形狀、抗性、品質(zhì)、長勢、作物營養(yǎng)需求、農(nóng)業(yè)病蟲害、主產(chǎn)區(qū)、產(chǎn)量等數(shù)據(jù)。具有代表性的有：中國農(nóng)業(yè)文摘數(shù)據(jù)庫、全國農(nóng)業(yè)經(jīng)濟統(tǒng)計資料數(shù)據(jù)庫、農(nóng)產(chǎn)品集貿(mào)市場價格行情數(shù)據(jù)庫等。基礎(chǔ)農(nóng)業(yè)信息處理技術(shù)數(shù)據(jù)搜索技術(shù)搜索引擎分類（1）全文搜索引擎，是搜索引擎的主流，是指從互聯(lián)網(wǎng)提取各個網(wǎng)站的網(wǎng)頁信息，建立索引數(shù)據(jù)庫，并能檢索與

5、用戶查詢條件相匹配的記錄，按一定的排列順序?qū)⒉樵兘Y(jié)果返回給用戶;（2）目錄索引，雖然有搜索功能，但嚴(yán)格意義上不能稱為真正的搜索引擎，只是按目錄分類的網(wǎng)站鏈接列表。用戶可以通過關(guān)鍵詞檢索，也可以直接依靠分類目錄找到需要的信息。（3）元搜索引擎，接受用戶查詢請求后，由元搜索引擎負責(zé)轉(zhuǎn)換處理后提交給多個預(yù)先選定的獨立搜索引擎，并將從各獨立搜索引擎返回的所有查詢結(jié)果，集中處理后再返回給用戶。 搜索引擎是當(dāng)前人們檢索信息最普遍的軟件工具，它能夠從互聯(lián)網(wǎng)上自動搜集信息，對原始文檔進行一系列的整理和處理，為用戶提供查詢服務(wù)。基礎(chǔ)農(nóng)業(yè)信息處理技術(shù)全文搜索引擎 全文搜索引擎主要包括如下步驟：第一步是對Web信息

6、的獲取，即得到網(wǎng)頁信息；第二步是對網(wǎng)頁內(nèi)容進行分析、加工和處理；第三步是將查詢與加工后的信息內(nèi)容進行相關(guān)度計算，從而為用戶提供信息服務(wù)。其關(guān)鍵技術(shù)主要包括：網(wǎng)絡(luò)爬蟲、中文分詞、文本索引、結(jié)果排序等。搜索引擎系統(tǒng)結(jié)構(gòu)如圖4所示。圖4. 搜索引擎系統(tǒng)結(jié)構(gòu)智能化農(nóng)業(yè)信息處理技術(shù)云計算技術(shù) 云計算（Cloud Computing）是借助于網(wǎng)絡(luò)實現(xiàn)的一種計算模式，云計算是物聯(lián)網(wǎng)發(fā)展的基礎(chǔ)。云計算作為一種虛擬化、分布式和并行計算的解決方案，可以為物聯(lián)網(wǎng)提供高效的計算能力、海量的存儲能力，為泛在鏈接的物聯(lián)網(wǎng)提供網(wǎng)絡(luò)引擎和支撐。 云計算技術(shù)的特點： 云計算為用戶提供按需分配的計算、服務(wù)和應(yīng)用服務(wù)能力； 方便用

7、戶，大大降低了軟硬件的購置成本； 易于動態(tài)擴展； 高可靠性和高安全性。智能化農(nóng)業(yè)信息處理技術(shù)云計算的服務(wù)層次 根據(jù)云計算所提供的服務(wù)類型，將其劃分為3個層次：應(yīng)用層、平臺層和基礎(chǔ)設(shè)施層。相應(yīng)地，各自對應(yīng)著一個子服務(wù)集合：軟件即服務(wù)（SaaS）、平臺即服務(wù)（PaaS）和基礎(chǔ)設(shè)施即服務(wù)（IaaS）。圖5. 云計算的服務(wù)層次智能化農(nóng)業(yè)信息處理技術(shù)云計算的核心技術(shù) 隨著云計算的研究的深入，云計算需研究的問題越來越多，云計算系統(tǒng)運用了很多技術(shù)，其中以編程模型、數(shù)據(jù)存儲技術(shù)、數(shù)據(jù)管理技術(shù)、虛擬化技術(shù)、平臺管理技術(shù)最為關(guān)鍵。圖6. 云計算的核心技術(shù)智能化農(nóng)業(yè)信息處理技術(shù)邊緣計算技術(shù) 邊緣計算是指在網(wǎng)絡(luò)邊緣執(zhí)

8、行計算的一種新型計算模型，邊緣是指從數(shù)據(jù)源到云計算中心之間的任意資源，邊緣計算中邊緣的下行數(shù)據(jù)表示云服務(wù)，上行數(shù)據(jù)表示萬物互聯(lián)服務(wù)。 邊緣計算模型的終端設(shè)備和云計算中心的請求傳輸是雙向的，云計算中心不僅可以從數(shù)據(jù)庫收集數(shù)據(jù)，也可以從邊緣設(shè)備收集數(shù)據(jù)，與此同時，邊緣設(shè)備不僅可以向云計算中心請求內(nèi)容和服務(wù)，也可以完成云計算中心下發(fā)的部分任務(wù)。圖7. 邊緣計算模型智能化農(nóng)業(yè)信息處理技術(shù)邊緣技術(shù)通用架構(gòu) 邊緣計算的通用架構(gòu)一般可以分為終端層、邊緣服務(wù)層及云計算層。（1）終端層：終端層由多種物聯(lián)網(wǎng)設(shè)備組成，用于數(shù)據(jù)的收集及上傳；（2）邊緣服務(wù)層：邊緣服務(wù)器既是數(shù)據(jù)的處理中心，也是數(shù)據(jù)的存儲中心;（3）云

9、計算層：云計算層由海量計算和存儲資源的服務(wù)器集群組成，負責(zé)復(fù)雜的數(shù)據(jù)處理和大規(guī)模的數(shù)據(jù)/服務(wù)存儲。圖8. 邊緣計算的通用框架智能化農(nóng)業(yè)信息處理技術(shù)邊緣技術(shù)的優(yōu)勢 目前，各個行業(yè)通過物聯(lián)網(wǎng)技術(shù)實現(xiàn)數(shù)字化和智能化轉(zhuǎn)型中的所遇到的五大難題：聯(lián)接(Connection)、業(yè)務(wù)實時性(Real-time)、數(shù)據(jù)優(yōu)化(Optimization)、應(yīng)用智能(Smart)、安全與隱私保護(Security)，簡稱“CROSS”。智能化農(nóng)業(yè)信息處理技術(shù)人工智能技術(shù) 人工智能是指用計算機模擬或?qū)崿F(xiàn)的智能，亦稱人造智能或機器智能。作為計算機科學(xué)的一個重要分支，人工智能著眼于探索智能的實質(zhì)，模擬智能行為，最終制造出能

10、以與人類智能相似的方式做出反應(yīng)的智能機器。人工智能的類型：（1）弱人工智能，包含基礎(chǔ)的、特定場景下角色型的任務(wù)；（2）通用人工智能，包含人類水平的任務(wù)，涉及機器的持續(xù)學(xué)習(xí);（3）強人工智能，指比人類更聰明的機器;智能化農(nóng)業(yè)信息處理技術(shù)人工智能的分類圖9. 人工智能的分類智能化農(nóng)業(yè)信息處理技術(shù)人工智能在農(nóng)業(yè)領(lǐng)域的應(yīng)用（1）水產(chǎn)養(yǎng)殖：通過將大數(shù)據(jù)技術(shù)與人工智能相結(jié)合，對水產(chǎn)養(yǎng)殖產(chǎn)生的大量數(shù)據(jù)加以處理和分析，并將有用的結(jié)果以直觀的形式呈現(xiàn)給生產(chǎn)者與決策者，可以解決水產(chǎn)養(yǎng)殖業(yè)中養(yǎng)殖環(huán)境預(yù)測與預(yù)警、病害診治與預(yù)警、異常行為檢測與分析、市場分析與挖掘、質(zhì)量控制與追溯和水產(chǎn)養(yǎng)殖大數(shù)據(jù)平臺構(gòu)建等實際。（2）農(nóng)

11、作物生長環(huán)境：基于農(nóng)業(yè)大數(shù)據(jù)構(gòu)建農(nóng)作物生長綜合管理系統(tǒng)，可對農(nóng)作物生長環(huán)境進行綜合分析，并根據(jù)結(jié)果制定不同農(nóng)作物的生長策略，推動精準(zhǔn)耕種，促進農(nóng)業(yè)生產(chǎn)逐漸向智能化轉(zhuǎn)變，從根本上杜絕因不良耕種環(huán)境以及人為判斷因素對農(nóng)作生產(chǎn)帶來的直接影響。（3）農(nóng)產(chǎn)品質(zhì)量追溯：農(nóng)業(yè)大數(shù)據(jù)貫穿于農(nóng)產(chǎn)品的形成、產(chǎn)銷和消費的整個過程，農(nóng)產(chǎn)品追溯大數(shù)據(jù)系統(tǒng)通過農(nóng)業(yè)信息化基礎(chǔ)設(shè)施獲取到農(nóng)產(chǎn)品的產(chǎn)地信息、定期檢測農(nóng)產(chǎn)品質(zhì)量和客戶評價等，實時監(jiān)控農(nóng)產(chǎn)品生產(chǎn)和銷售過程，實現(xiàn)農(nóng)產(chǎn)品質(zhì)量可控和農(nóng)產(chǎn)品可追溯，完善供應(yīng)鏈的各個環(huán)節(jié)。智能化農(nóng)業(yè)信息處理技術(shù)大數(shù)據(jù)技術(shù) 大數(shù)據(jù)是在一定時間內(nèi)使用傳統(tǒng)軟件工具無法捕獲，管理和處理的數(shù)據(jù)的集合。簡

12、而言之，大數(shù)據(jù)技術(shù)就是隨著數(shù)據(jù)量急劇膨脹而產(chǎn)生的對海量數(shù)據(jù)使用和提取有效信息的一種方法。大數(shù)據(jù)具有 4V 特性，即 Volume（數(shù)據(jù)體量大），Variety（數(shù)據(jù)類型繁多），Velocity（數(shù)據(jù)產(chǎn)生的速度快）和 Value（數(shù)據(jù)價值密度低）。Volume: 非結(jié)構(gòu)化數(shù)據(jù)的超大規(guī)模和增長；Variety: 大數(shù)據(jù)的異構(gòu)和多樣性；Velocity: 實時分析而非批量式分析；Value：大量的不相關(guān)信息。智能化農(nóng)業(yè)信息處理技術(shù)大數(shù)據(jù)技術(shù)處理流程 大數(shù)據(jù)技術(shù)是指相關(guān)技術(shù)具有大數(shù)據(jù)的收集、存儲、分析和應(yīng)用功能是一系列用于進行處理大量的結(jié)構(gòu)化數(shù)據(jù)，以及半結(jié)構(gòu)化數(shù)據(jù)，還包括非結(jié)構(gòu)化數(shù)據(jù)的一些非傳統(tǒng)技術(shù)的

13、工具，是數(shù)據(jù)處理和分析的技術(shù)。大數(shù)據(jù)技術(shù)的處理過程如圖10所示。圖10.大數(shù)據(jù)技術(shù)的處理過程智能化農(nóng)業(yè)信息處理技術(shù)大數(shù)據(jù)技術(shù)在農(nóng)業(yè)中的應(yīng)用 農(nóng)業(yè)中的大數(shù)據(jù)主要包括土壤信息、氣象信息、水資源等環(huán)境信息，生物資源和物種資源等農(nóng)業(yè)生物信息，農(nóng)資信息、農(nóng)業(yè)生產(chǎn)信息、農(nóng)產(chǎn)品物流信息、農(nóng)產(chǎn)品儲藏信息、農(nóng)產(chǎn)品加工數(shù)據(jù)、農(nóng)產(chǎn)品市場流通信息以及農(nóng)產(chǎn)品質(zhì)量安全信息等。大數(shù)據(jù)在農(nóng)業(yè)中的應(yīng)用主要體現(xiàn)在以下幾個方面：（1）通過智能終端設(shè)備采集在農(nóng)產(chǎn)品生產(chǎn)、 加工、流通、消費等過程中產(chǎn)生的數(shù)據(jù)；（2）融合了各領(lǐng)域、學(xué)科的交叉數(shù)據(jù)，綜合、 關(guān)聯(lián)的融合式數(shù)據(jù)共享平臺取代了傳統(tǒng)的關(guān)系型數(shù)據(jù)庫，成為新的數(shù)據(jù)存儲管理形式。（3）在

14、農(nóng)業(yè)產(chǎn)業(yè)鏈上各個環(huán)節(jié)的政府、 科研機構(gòu)、高校、企業(yè)形成競爭協(xié)同作業(yè)機制，共同促進智慧農(nóng)業(yè)的發(fā)展。智慧大數(shù)據(jù)形成一個可持續(xù)、可循環(huán)、高效、完整的生態(tài)圈。智能化農(nóng)業(yè)信息處理技術(shù)區(qū)塊鏈技術(shù) 區(qū)塊鏈可以從狹義和廣義個角度定義，從狹義角度講，區(qū)塊鏈?zhǔn)且环N按照時間順序?qū)?shù)據(jù)區(qū)塊以鏈條的方式組合而成的數(shù)據(jù)結(jié)構(gòu)，并以密碼學(xué)方式保證不可篡改和不可偽造的分布式賬本。從廣義角度講，區(qū)塊鏈?zhǔn)且环N去中心化、去信任的基礎(chǔ)構(gòu)架與分布式計算范式，亦可稱為區(qū)塊鏈技術(shù)。區(qū)塊鏈的特征如圖11所示。圖11. 區(qū)塊鏈的特征智能化農(nóng)業(yè)信息處理技術(shù)區(qū)塊鏈的基本架構(gòu) 區(qū)塊鏈技術(shù)的基礎(chǔ)架構(gòu)模型可以概述為一個層次模型，由數(shù)據(jù)層、網(wǎng)絡(luò)層、共識層、

15、激勵層、合約層和應(yīng)用層6層組成，如圖12所示。其中數(shù)據(jù)層、網(wǎng)絡(luò)層、共識層是區(qū)塊鏈的必要元素。在區(qū)塊鏈基本架構(gòu)中不同的層次對應(yīng)的功能不同。圖12.區(qū)塊鏈的基本架構(gòu)智能化農(nóng)業(yè)信息處理技術(shù)區(qū)塊鏈在農(nóng)業(yè)中的應(yīng)用 區(qū)塊鏈可打造農(nóng)產(chǎn)品供應(yīng)鏈，優(yōu)化供應(yīng)鏈條，貫通供應(yīng)和消費安全渠道，建立從田間生產(chǎn)到家庭餐桌的溯源監(jiān)控體系，讓農(nóng)產(chǎn)品更健康、更安全。另外，在農(nóng)業(yè)金融、保險、信貸、農(nóng)產(chǎn)品交易、品牌認知和知識產(chǎn)權(quán)保護方面，區(qū)塊鏈也均可大有作為。圖13.區(qū)塊鏈在農(nóng)業(yè)中的應(yīng)用與優(yōu)勢智能化農(nóng)業(yè)信息處理技術(shù)多源異構(gòu)信息融合與處理技術(shù) 農(nóng)業(yè)作業(yè)復(fù)雜多樣，每種傳感器都有其優(yōu)勢和局限性，利用多個傳感器共同工作，得到描述同一特征的互

16、補信息，再利用一定的方法進行綜合處理分析，取得該特征較為準(zhǔn)確的描述信息，可以為農(nóng)業(yè)作業(yè)提供較準(zhǔn)確的信息和決策依據(jù)，從而提高農(nóng)業(yè)作業(yè)的準(zhǔn)確性。 多源信息融合(multi-source information fusion)又稱為多傳感信息融合(multisensor information fusion)，是指組合和合并多個來源的信息或數(shù)據(jù)，以便形成一個統(tǒng)一結(jié)果的技術(shù)，其過程是用技術(shù)工具和數(shù)據(jù)方法來綜合處理不同來源的信息，通過對信息的優(yōu)化組合，得到高品質(zhì)的有效信息。簡而言之，即信息融合是為綜合信息系統(tǒng)的用戶提供多個數(shù)據(jù)源的統(tǒng)一視圖的過程。智能化農(nóng)業(yè)信息處理技術(shù)數(shù)據(jù)融合處理的分類智能化農(nóng)業(yè)信息處理

17、技術(shù)多源異構(gòu)信息融合方法 多源異構(gòu)數(shù)據(jù)是不同質(zhì)信息，或同質(zhì)但不同態(tài)信息，異構(gòu)信息間具有很強的互補性和實用價值，但異構(gòu)信息融合較同構(gòu)信息融合更具挑戰(zhàn)性。多源異構(gòu)信息融合方法重點研究的關(guān)鍵科學(xué)問題包括：(1)基于隨機集理論的多源異構(gòu)信息的統(tǒng)一描述方法研究。(2)基于容差關(guān)系廣義粗集理論的多源異構(gòu)信息特征選擇及特征空間同化算法研究。(3)基于D-S證據(jù)理論的多源異構(gòu)信息的融合算法研究。(4)按照生物異構(gòu)信息融合的復(fù)雜機制，利用概率原則對信息進行重組，對不確定信息則使用條件概率進行表示，形成類Bayes規(guī)則，以此提供最后的融合結(jié)果。智能化農(nóng)業(yè)信息處理技術(shù)農(nóng)業(yè)預(yù)測預(yù)警技術(shù) 農(nóng)業(yè)預(yù)測是以土壤、環(huán)境、氣象資

18、料、作物或動物生長、農(nóng)業(yè)生產(chǎn)條件、化肥農(nóng)藥、飼料、航拍或衛(wèi)星影像等實際農(nóng)業(yè)資料為依據(jù)，經(jīng)濟理論為基礎(chǔ)，數(shù)學(xué)模型為手段，對研究對象未來發(fā)展的可能性進行推測和估計，是精確施肥、灌溉、播種、除草、滅蟲等農(nóng)事操作及農(nóng)業(yè)生產(chǎn)編制計劃、監(jiān)督計劃執(zhí)行情況的科學(xué)決策的重要依據(jù)，也是改善農(nóng)業(yè)經(jīng)營管理的有效手段。農(nóng)業(yè)預(yù)測技術(shù)農(nóng)業(yè)預(yù)測方法分類相關(guān)方法定性預(yù)測方法對比類推、特爾斐法傳統(tǒng)的預(yù)測方法回歸預(yù)測方法、自適應(yīng)過濾法、灰色預(yù)測法、模糊預(yù)測法人工智能預(yù)測方法神經(jīng)網(wǎng)絡(luò)、支持向量回歸法表1. 農(nóng)業(yè)預(yù)測方法分類智能化農(nóng)業(yè)信息處理技術(shù)農(nóng)業(yè)預(yù)警技術(shù) 農(nóng)業(yè)預(yù)警是預(yù)測發(fā)展的高級階段，是在預(yù)測基礎(chǔ)上進一步給出的定性說明，使預(yù)測的內(nèi)

19、容更加豐富而廣泛。農(nóng)業(yè)預(yù)警是指對農(nóng)業(yè)的未來狀態(tài)進行測度，預(yù)報不正確狀態(tài)的時空范圍和危害程度以及提出防范措施。 農(nóng)業(yè)預(yù)警可以歸納為2大類：定性方法和定量方法。定性分析方法是環(huán)境預(yù)警分析的基礎(chǔ)性方法，尤其是在預(yù)警所需資料缺乏，或者影響因素復(fù)雜，或主要影響因素難以定量分析時，定性分析方法則具有很大的優(yōu)點，常用于對環(huán)境影響、環(huán)境發(fā)展的大趨勢與方向之類的問題進行預(yù)測和報警。智能化農(nóng)業(yè)信息處理技術(shù)農(nóng)業(yè)視覺信息處理與智能監(jiān)控技術(shù) 農(nóng)業(yè)視覺信息是農(nóng)業(yè)物聯(lián)網(wǎng)中眾多信息的一種，是利用相機等圖像采集設(shè)備獲取的農(nóng)業(yè)場景圖像。農(nóng)業(yè)視覺處理與智能監(jiān)控是指通過各類傳感器和無線傳輸設(shè)備，對農(nóng)業(yè)場景信息進行實時采集，并利用圖像

20、處理、人工智能及信息論技術(shù)對采集的農(nóng)業(yè)場景圖像進行處理分析，從而實現(xiàn)對農(nóng)業(yè)場景中的目標(biāo)進行識別和理解，并利用控制論、系統(tǒng)論有針對性的做出反應(yīng)，降低人工投入，通過精細化分析和控制進一步提高農(nóng)業(yè)生產(chǎn)管理。 農(nóng)業(yè)視覺處理與智能監(jiān)控系統(tǒng)則通過構(gòu)建相應(yīng)的圖像采集子系統(tǒng)、圖像處理子系統(tǒng)、圖像分析子系統(tǒng)、反饋子系統(tǒng)等實現(xiàn)農(nóng)業(yè)視覺信息的綜合利用。智能化農(nóng)業(yè)信息處理技術(shù)農(nóng)業(yè)診斷推理與智能決策技術(shù) 農(nóng)業(yè)診斷是指農(nóng)業(yè)專家根據(jù)診斷對象所表現(xiàn)出的特征信息，采用一定的診斷方法對其進行識別，以判定客體是否處于健康狀態(tài)，找出相應(yīng)原因并通過智能決策技術(shù)提出改變狀態(tài)或預(yù)防發(fā)生的辦法，從而對客體狀態(tài)做出合乎客觀實際結(jié)論的過程。農(nóng)業(yè)

21、診斷在畜禽和水產(chǎn)品養(yǎng)殖環(huán)境診斷、農(nóng)業(yè)病蟲害診斷、水產(chǎn)品精細投喂等方面有廣泛的應(yīng)用。 農(nóng)業(yè)智能決策是智能決策支持系統(tǒng)在農(nóng)業(yè)領(lǐng)域的具體應(yīng)用，技術(shù)思想的核心是按需實施、定位調(diào)控，即“處方農(nóng)作”，其目標(biāo)是建立精確農(nóng)業(yè)智能決策技術(shù)體系，為農(nóng)業(yè)生產(chǎn)者、管理人員、科技人員提供智能化、精確化和形象直觀化的農(nóng)業(yè)信息服務(wù)。農(nóng)業(yè)智能決策在提高廣大農(nóng)民和基層農(nóng)業(yè)技術(shù)人員的科學(xué)技術(shù)水平，指導(dǎo)農(nóng)民科學(xué)種田，實現(xiàn)優(yōu)質(zhì)、高產(chǎn)、高效，發(fā)展可持續(xù)農(nóng)業(yè)方面越來越顯示其巨大作用，具有重要的實用價值。農(nóng)業(yè)信息處理技術(shù)體系框架 農(nóng)業(yè)信息處理技術(shù)體系框架如圖14所示，農(nóng)業(yè)信息處理技術(shù)在農(nóng)業(yè)物聯(lián)網(wǎng)中的應(yīng)用主要分為三個層次。即數(shù)據(jù)層、支撐層和

22、應(yīng)用服務(wù)層。圖14. 農(nóng)業(yè)信息處理技術(shù)體系框架農(nóng)業(yè)信息處理技術(shù)發(fā)展趨勢微型化、智能化、移動化、多樣化新材料、新結(jié)構(gòu)、新原理、新工藝創(chuàng)新性、適應(yīng)性、產(chǎn)業(yè)化、標(biāo)準(zhǔn)化小結(jié) （1）本章介紹了農(nóng)業(yè)信息處理的基本概念、地位與作用，并從基礎(chǔ)農(nóng)業(yè)信息處理和智能化農(nóng)業(yè)信息處理的角度對農(nóng)業(yè)信息處理進行了闡述。 （2）農(nóng)業(yè)信息處理技術(shù)主要涉及農(nóng)業(yè)技術(shù)與計算機技術(shù)的結(jié)合，隨著農(nóng)業(yè)物聯(lián)網(wǎng)應(yīng)用的普及，海量數(shù)據(jù)的存儲、搜索和數(shù)據(jù)分析計算是農(nóng)業(yè)信息處理技術(shù)急需解決的關(guān)鍵技術(shù)。 （3）農(nóng)業(yè)信息處理技術(shù)的發(fā)展趨勢具有微型化、智能化、集成化、產(chǎn)業(yè)化、標(biāo)準(zhǔn)化、新材料、新工藝等特點，將農(nóng)業(yè)信息處理技術(shù)應(yīng)用在物聯(lián)網(wǎng)系統(tǒng)中，是實現(xiàn)農(nóng)業(yè)生產(chǎn)

23、智能化的關(guān)鍵。1概述農(nóng)業(yè)數(shù)據(jù)預(yù)測方法23農(nóng)業(yè)數(shù)據(jù)預(yù)警方法農(nóng)業(yè)預(yù)測預(yù)警案例分析45小結(jié)第5章 農(nóng)業(yè)預(yù)測預(yù)警技術(shù)概述 農(nóng)業(yè)預(yù)測預(yù)警技術(shù)的支撐智能傳感器農(nóng)業(yè)物聯(lián)網(wǎng)數(shù)據(jù)分析模型概述 農(nóng)業(yè)預(yù)測技術(shù) 農(nóng)業(yè)預(yù)測是以實際農(nóng)業(yè)生產(chǎn)的歷史數(shù)據(jù)（如土壤、水質(zhì)、環(huán)境、生物生長等）為依據(jù)，以數(shù)學(xué)模型為方法，對研究對象未來的變化進行推測和估計。農(nóng)業(yè)預(yù)警技術(shù) 農(nóng)業(yè)預(yù)警是預(yù)測的高級階段，在預(yù)測的基礎(chǔ)上，結(jié)合預(yù)先的領(lǐng)域知識，進一步給出的判斷性說明。從最大程度上避免或減少農(nóng)業(yè)生產(chǎn)活動中所受到的損失，從而提升農(nóng)業(yè)活動收益的同時降低農(nóng)業(yè)活動的風(fēng)險。農(nóng)業(yè)數(shù)據(jù)預(yù)測方法 農(nóng)業(yè)預(yù)測的基本原則農(nóng)業(yè)領(lǐng)域中的預(yù)測方法通常遵循以下幾個原則：慣性原則

24、，任何事物的發(fā)展都與其過去的狀態(tài)變化有著一定的聯(lián)系。類推原則，即許多事物的發(fā)展規(guī)律有著相似之處，用一個事物的變化規(guī)律來類推另外一個事物的變化規(guī)律。相關(guān)原則，任何事物的發(fā)展變化都不是孤立的，是與其它事物發(fā)展變化相互聯(lián)系、相互影響的。相關(guān)性有多種表達形式，其中最為廣泛的是因果關(guān)系。即任何事物的發(fā)展變化都是有原因的，其變化狀況是原因的結(jié)果，而相關(guān)回歸預(yù)測模型就是基于這一原則設(shè)計的。農(nóng)業(yè)數(shù)據(jù)預(yù)測方法 概率推斷原則，由于各種因素的干擾，常常使事物各個方面的變化呈現(xiàn)出隨機形式。隨機變化的不確定性增加了預(yù)測的難度，隨機方法的出現(xiàn)可以解決一些不確定性問題。質(zhì)、量分析相結(jié)合原則，指預(yù)測中要把量的分析(定量預(yù)測法

25、)與質(zhì)的分析法(定性預(yù)測法)相結(jié)合起來使用，才能取得良好的效果。農(nóng)業(yè)數(shù)據(jù)預(yù)測方法 農(nóng)業(yè)預(yù)測的基本步驟農(nóng)業(yè)預(yù)測并不是簡單的根據(jù)農(nóng)業(yè)資料進行預(yù)測估計，而是一個科學(xué)的過程。尤其對農(nóng)業(yè)領(lǐng)域的復(fù)雜問題應(yīng)遵循一定的步驟來進行預(yù)測，從而使預(yù)測過程更為科學(xué)、合理。這一過程被總結(jié)為以下5個基本步驟：明確對象，界定問題歸類處理，概念細化建立決策分析模型模型求解和檢驗形成決策分析報告農(nóng)業(yè)數(shù)據(jù)預(yù)測方法 基于回歸分析的預(yù)測方法 回歸分析預(yù)測方法是根據(jù)各種觀察指標(biāo)之間的關(guān)系，通過分析與預(yù)測對象相關(guān)的事物變化趨勢，進而預(yù)測對象未來發(fā)展變化。回歸分析通常是指某隨機變量與其他自變量之間的數(shù)量變動關(guān)系，這種關(guān)系被稱為回歸模型。

26、回歸模型的類別包括：1)按自變量個數(shù)的多少，分為一元和多元回歸模型；2)按是否是線性，可分為線性回歸模型和非線性回歸模型；3)按是否帶有虛擬變量，可分為普通回歸模型和虛擬變量回歸模型。普通回歸模型的自變量都是數(shù)值類型，而虛擬變量回歸模型的自變量既有數(shù)值類型，也有品質(zhì)變量類型。農(nóng)業(yè)數(shù)據(jù)預(yù)測方法 基于神經(jīng)網(wǎng)絡(luò)的預(yù)測方法 在計算機硬件升級與深度學(xué)習(xí)快速發(fā)展的基礎(chǔ)上，神經(jīng)網(wǎng)絡(luò)也得到了前所未有的發(fā)展。在數(shù)值預(yù)測方面，目前已經(jīng)提出了多種神經(jīng)網(wǎng)絡(luò)模型，比如誤差反向傳播神經(jīng)網(wǎng)絡(luò)BPNN、徑向基神經(jīng)網(wǎng)絡(luò)RBFNN、循環(huán)神經(jīng)網(wǎng)絡(luò)RNN以及長短時記憶網(wǎng)絡(luò)LSTM等。 循環(huán)神經(jīng)網(wǎng)絡(luò)是一種利用輸入數(shù)據(jù)序列化特征的神經(jīng)網(wǎng)

27、絡(luò)，序列化輸入是指依賴于它之前的元素序列，例如文本、語音、時間序列等。在農(nóng)業(yè)中能夠較容易地獲取大量的序列化數(shù)據(jù)，比如大田中的溫濕度，水產(chǎn)養(yǎng)殖環(huán)境中溶解氧濃度變化等，借助于循環(huán)神經(jīng)網(wǎng)絡(luò)對環(huán)境變化因子進行預(yù)測，可以為農(nóng)作物和養(yǎng)殖對象提供并保證良好的生長環(huán)境。農(nóng)業(yè)數(shù)據(jù)預(yù)測方法 循環(huán)神經(jīng)網(wǎng)絡(luò) RNN是一種特殊的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，它是根據(jù)人的認知是基于過往的經(jīng)驗和記憶這一觀點提出的。它不僅考慮前一時刻的輸入,而且賦予了網(wǎng)絡(luò)對前面的內(nèi)容的一種記憶功能。RNN之所以稱為循環(huán)神經(jīng)網(wǎng)絡(luò)，即一個序列當(dāng)前的輸出與前面的輸出也有關(guān)。具體的表現(xiàn)形式為網(wǎng)絡(luò)會對前面的信息進行記憶并應(yīng)用于當(dāng)前輸出的計算中，即隱藏層之間的節(jié)點不再

28、是無連接而是有連接的，并且隱藏層的輸入不僅包括輸入層的輸出還包括上一時刻隱藏層的輸出。循環(huán)神經(jīng)網(wǎng)絡(luò) 下圖為RNN模型的基本結(jié)構(gòu)，RNN層級結(jié)構(gòu)與CNN相比更簡單，主要包括輸入層、隱藏層和輸出層。并且能夠看到在隱藏層上有一個箭頭表示數(shù)據(jù)的循環(huán)更新，該部分就是實現(xiàn)時間記憶功能的方法。對于隱藏層的結(jié)構(gòu)，我們參考下一頁PPT。農(nóng)業(yè)數(shù)據(jù)預(yù)測方法 農(nóng)業(yè)數(shù)據(jù)預(yù)測方法 循環(huán)神經(jīng)網(wǎng)絡(luò) 下圖為隱藏層的層級展開圖，t-1，t，t+1表示時間序列。X表示輸入的樣本。St表示樣本在時間t處的記憶, 。其中，W表示輸入的權(quán)重，U表示此刻輸入的樣本的權(quán)重，V表示輸出的樣本權(quán)重。農(nóng)業(yè)數(shù)據(jù)預(yù)測方法 在t=1時刻，一般初始化輸入

29、S0=0, 隨機初始化W,U,V, 根據(jù)公式1進行計算： （1）其中，f和g均為激活函數(shù). 其中f可以是tanh, relu, sigmoid等激活函數(shù)，g通常是softmax也可以是其他。隨著時間向前推進，此時的狀態(tài)S1作為時刻1的記憶狀態(tài)將參與下一時刻的預(yù)測活動，也就是 （2）以此類推，得到最終的輸出值 （3）農(nóng)業(yè)數(shù)據(jù)預(yù)測方法 長短時記憶網(wǎng)絡(luò)（LSTM） LSTM (Hochreiter S, 1997)是RNN的一種變體，RNN由于梯度消失的原因只能有短期記憶，LSTM網(wǎng)絡(luò)通過精妙的門控制將短期記憶與長期記憶結(jié)合起來，并且一定程度上解決了梯度消失的問題。結(jié)構(gòu)如下圖所示：農(nóng)業(yè)數(shù)據(jù)預(yù)測方法

30、在RNN中， 是簡單的線性求和過程，而LSTM可以通過“門”結(jié)構(gòu)來去除或者增加“細胞狀態(tài)”信息，實現(xiàn)了對重要內(nèi)容的保留和對不重要內(nèi)容的刪除。通過Sigmoid層輸出一個0到1之間的概率值，描述每個部分有多少量可以通過，0表示“不允許任務(wù)變量通過”，1表示“允許所有變量通過”。LSTM 擁有三個門，分別是遺忘門、輸入門、輸出門，用來保護和控制信息。 在LSTM保持和控制信息時，首先，遺忘門結(jié)合上一個隱藏層狀態(tài)值hi-1與當(dāng)前輸入xi，通過sigmoid函數(shù)決定要舍棄的信息；其次，輸入門與tanh決定從上一時刻隱藏層激活值hi-1和當(dāng)前輸入值xi中保存那些信息；接下來，結(jié)合遺忘門與輸入門進行信息的

31、舍棄與保存，得到當(dāng)前時刻的細胞狀態(tài)ci；最后，輸出門結(jié)合tanh決定hi-1， xi， ci中的信息，提供該時刻隱層的狀態(tài)hi 。農(nóng)業(yè)數(shù)據(jù)預(yù)測方法 預(yù)測模型評估 任何預(yù)測都必須以一定的標(biāo)準(zhǔn)來檢驗它的預(yù)測效果，即預(yù)測精度。常用的性能評價指標(biāo)有：平方和誤差 平均絕對誤差均方誤差 平均絕對百分比誤差均方百分比誤差 相關(guān)系數(shù) 農(nóng)業(yè)數(shù)據(jù)預(yù)警方法 農(nóng)業(yè)預(yù)警的邏輯過程 預(yù)警的基本邏輯過程包括確定警情（明確警義）、尋找警源、分析警兆、預(yù)報警度以及排除警情等一系列相互銜接的過程。這里明確警義是大前提，是農(nóng)業(yè)預(yù)警研究的基礎(chǔ)，而尋找警源，分析警兆則屬于對警情的因素分析及定量分析，預(yù)報警度是預(yù)警目標(biāo)所在，排除警情是目

32、標(biāo)實現(xiàn)的過程。 右圖是以水產(chǎn)養(yǎng)殖水質(zhì)預(yù)警的具體預(yù)警邏輯過程。農(nóng)業(yè)預(yù)測預(yù)警案例分析 基于RS-SVM的集約化河蟹養(yǎng)殖水質(zhì)預(yù)警模型 集約化河蟹養(yǎng)殖中，水質(zhì)因素是最為關(guān)鍵的養(yǎng)殖因素之一，并對養(yǎng)殖品種的正常生長、疾病發(fā)生都起著重要作用，甚至?xí)绊懞有返纳妗＝Y(jié)合河蟹養(yǎng)殖用水標(biāo)準(zhǔn)與養(yǎng)殖專家的調(diào)查問卷，構(gòu)建了如下圖所示的河蟹養(yǎng)殖水質(zhì)預(yù)警指標(biāo)體系。農(nóng)業(yè)預(yù)測預(yù)警案例分析 針對上述體系結(jié)構(gòu)，結(jié)合河蟹養(yǎng)殖水質(zhì)的實際情況，并參考漁業(yè)水質(zhì)標(biāo)準(zhǔn)、無公害食品海水養(yǎng)殖用水水質(zhì)漁業(yè)水質(zhì)標(biāo)準(zhǔn)以及河蟹養(yǎng)殖專家意見，運用粗糙集理論對水質(zhì)預(yù)警指標(biāo)進行屬性約簡，最終以對河蟹生長起重要影響的溶解氧、PH值、水溫、氨氮等4項指標(biāo)作為預(yù)警模

33、型的水質(zhì)指標(biāo)。并對水質(zhì)指標(biāo)的警度進行了劃分，如下表：警度分級溶解氧(mg/L)PH值水溫()氨氮(mg/L)描述無警5.07.58.52528 0.05河蟹處于最適宜的生存環(huán)境安全，無警情。輕警4.05.067.5 or 8.59.02325 or 28300.050.10河蟹能夠生存，但是有些指標(biāo)已經(jīng)接近或達到河蟹的適宜指標(biāo)上下限并持續(xù)一定時間，需要引起關(guān)注。中警3.04.067.5 or 8.59.023 or 28300.050.10河蟹能夠生存，但是有些指標(biāo)已經(jīng)接近或達到影響河蟹生存的上下限并持續(xù)一定時間，可能會引起河蟹的死亡。重警3.067.5 or 8.59.0300.050.10

34、水質(zhì)指標(biāo)超過河蟹的生存極限，需要立即采取措施，否則會造成河蟹的死亡。農(nóng)業(yè)預(yù)測預(yù)警案例分析 運用粗糙集和支持向量機融合算法構(gòu)建水質(zhì)預(yù)警模型。 將粗糙集方法作為支持向量分類機的前置預(yù)處理系統(tǒng)，通過粗糙集對水質(zhì)樣本數(shù)據(jù)進行預(yù)處理，剔除決策表中冗余信息和沖突信息，從而簡化支持向量機分類模型的結(jié)構(gòu)，縮短支持向量機的訓(xùn)練時間，有效地提高支持向量機的分類性能，然后再利用最小條件屬性集相應(yīng)的訓(xùn)練集對支持向量機分類器進行優(yōu)化訓(xùn)練，將優(yōu)化后的SVM分類器建立水質(zhì)預(yù)警模型。農(nóng)業(yè)預(yù)測預(yù)警案例分析 組別RS-SVM模型實際個數(shù)實際個數(shù)正確判定個數(shù)判定正確率%無警80807695.00輕警12121191.67中警232

35、32295.65重警444100 利用上述模型對水質(zhì)數(shù)據(jù)進行處理，并對不同警情預(yù)警結(jié)果如下，該水質(zhì)預(yù)警模型精度都在91%之上，對于不同的警度級別，誤判樣本個數(shù)也都小于等于4個，基本上能夠滿足集約化河蟹養(yǎng)殖的實際需要。農(nóng)業(yè)預(yù)測預(yù)警案例分析 基于深度LSTM網(wǎng)絡(luò)的海水養(yǎng)殖水質(zhì)預(yù)測方法本小節(jié)介紹了一種借助于LSTM網(wǎng)絡(luò)對pH值和水溫進行短期預(yù)測的模型，該模型主要包含3部分。首先，采用插值和濾波等方法對數(shù)據(jù)進行預(yù)處理；然后，利用Pearsons相關(guān)系數(shù)法得到水溫、pH等水質(zhì)參數(shù)之間的相關(guān)關(guān)系，作為模型訓(xùn)練的輸入?yún)?shù)；最后，建立基于LSTM的水質(zhì)預(yù)測模型。流程圖如下：農(nóng)業(yè)預(yù)測預(yù)警案例分析 從圖中可以看出

36、基于LSTM模型的預(yù)測結(jié)果更接近真實數(shù)據(jù)，根據(jù)表格也可以看出LSTM在pH和溫度預(yù)測中達到更高的精度。小結(jié) 本章簡單介紹了農(nóng)業(yè)預(yù)測預(yù)警的基本概念，分析了農(nóng)業(yè)預(yù)測模型的基本原則、預(yù)測模型選擇原則、預(yù)測的基本步驟、預(yù)測的基本方法，預(yù)測性能評價指標(biāo)等；同時也介紹了農(nóng)業(yè)預(yù)警的基本方法、預(yù)警的邏輯過程、以及農(nóng)業(yè)預(yù)測預(yù)警的異同點，為更好地實現(xiàn)農(nóng)業(yè)領(lǐng)域預(yù)測預(yù)警提供了翔實的理論基礎(chǔ)。除此之外，分別從傳統(tǒng)模型和深度網(wǎng)絡(luò)模型兩個角度分析了水產(chǎn)養(yǎng)殖預(yù)測預(yù)警模型，詳述了水產(chǎn)養(yǎng)殖水質(zhì)預(yù)測、預(yù)警的具體實現(xiàn)過程、實踐驗證。3農(nóng)業(yè)智能監(jiān)控技術(shù)概述智能溫室環(huán)境控制系統(tǒng)的設(shè)備及原理45控制案例-溶解氧的模型預(yù)測控制第6章 農(nóng)業(yè)視

37、覺信息處理與智能監(jiān)控技術(shù)1農(nóng)業(yè)視覺信息目標(biāo)檢測農(nóng)業(yè)視覺信息目標(biāo)分類2農(nóng)業(yè)視覺信息的目標(biāo)檢測 目標(biāo)檢測目標(biāo)檢測技術(shù)是指對視頻和圖像中的特定物體進行提取，對目標(biāo)進行精準(zhǔn)判斷。傳統(tǒng)的目標(biāo)檢測方法主要基于滑動窗口，使用手工特征（如形狀、顏色、紋理等）作為目標(biāo)和背景的分類依據(jù)，將目標(biāo)以包圍框的形式進行定位。傳統(tǒng)方法問題區(qū)域選擇（基于滑動窗口）特征提?。伾⑿螤?、紋理、SIFT、HOG、LBP、DPM等）分類器分類（SVM、BPNN等）基于滑動窗口的區(qū)域選擇策略沒有針對性，時間復(fù)雜度高，窗口冗余；手工設(shè)計的特征對于圖像多樣性的變化并沒有很好的魯棒性。現(xiàn)有水下目標(biāo)檢測方法的局限性主要在數(shù)據(jù)集過于理想化、模

38、型泛化性不高等 農(nóng)業(yè)視覺信息的目標(biāo)檢測 CNN從海量圖像數(shù)據(jù)中自動學(xué)習(xí)出物體的本質(zhì)特征，主要由卷積層、池化層和全連接層等組成。近幾年在圖像識別、目標(biāo)檢測、語音識別、自然語言處理、人機交互等領(lǐng)域取得了巨大進步?；贑NN精度高，但由于區(qū)域提名有2000個，降低了速度。直接基于回歸預(yù)測邊界框，能夠?qū)崿F(xiàn)實時性，但精度受到一定影響。速度與準(zhǔn)確度的平衡一直是目標(biāo)檢測領(lǐng)域的研究熱點。問題農(nóng)業(yè)視覺信息的目標(biāo)檢測 圖像視覺目標(biāo)的分類分類是運用某種決策標(biāo)準(zhǔn)將待分類數(shù)據(jù)分配到類別的某個有限集合的過程。分類的關(guān)鍵問題是如何確定分類標(biāo)準(zhǔn)，即什么是特征相似，相似程度如何表示。分類需要構(gòu)造決策函數(shù)，用于計算待分類目標(biāo)與指

39、定類之間的相似程度。 圖像視覺目標(biāo)的分類貝葉斯K-近鄰人工神經(jīng)網(wǎng)絡(luò)支持向量機深度學(xué)習(xí)常用分類方法 圖像視覺目標(biāo)的分類線性可分非線性可分支持向量機輸入空間轉(zhuǎn)化為高維空間最優(yōu)分類超平面核函數(shù)計算 圖像視覺目標(biāo)的分類深度學(xué)習(xí)的概念來自對人工神經(jīng)網(wǎng)絡(luò)的研究。深度學(xué)習(xí)是通過組合低層的特征來表示高層特征，其中高層特征比較抽象。它可以通過網(wǎng)絡(luò)模型自動提取特征。深度學(xué)習(xí)分為監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)與深度神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)海參的收獲目前主要依靠人力潛水捕撈，隨著海參養(yǎng)殖規(guī)模越來越大，生產(chǎn)效率低、勞動力耗費巨大的弊端日益凸顯。不僅大大增加了海參捕撈過程中的經(jīng)濟成本和時間成本，而且捕撈人員的安全健康也得不

40、到保障。全國海參產(chǎn)量與同比增速圖 （來源：中國產(chǎn)業(yè)信息網(wǎng)）目標(biāo)檢測典型應(yīng)用研究背景基于S-FPN的水下海參圖像目標(biāo)檢測目標(biāo)檢測典型應(yīng)用S-FPN的整體結(jié)構(gòu)基于S-FPN的水下海參圖像目標(biāo)檢測目標(biāo)檢測典型應(yīng)用基于S-FPN的水下海參圖像目標(biāo)檢測S-FPN(A)S-FPN(B)S-FPN(C)跳層金字塔的細節(jié)如上圖所示。其中C2,C3,C4,C5來自ResNet_v1_50不同卷積層b1_unit2, b2_unit3, b3_unit5, b4_unit3，其表示不同尺度的卷積特征圖。目標(biāo)檢測典型應(yīng)用基于S-FPN的水下海參圖像目標(biāo)檢測上圖所示為以特征圖可視化角度觀察深度神經(jīng)網(wǎng)絡(luò)的表征學(xué)習(xí)能力。

41、C2、 C3、C4、C5分別是原圖尺度的1/4、1/8、1/16、1/32倍。P2P5對應(yīng)經(jīng)過特征融合的特征圖。目標(biāo)檢測典型應(yīng)用基于S-FPN的水下海參圖像目標(biāo)檢測目標(biāo)分類典型應(yīng)用考慮到不同特征之間對圖像分類識別效果的影響。傳統(tǒng)的圖像分類識別方法很難對數(shù)據(jù)中隱藏的更深層的信息進行掌握，其魯棒性、分類識別的準(zhǔn)確率會隨之降低。隨著深度學(xué)習(xí)在各領(lǐng)域應(yīng)用的展開，基于卷積神經(jīng)網(wǎng)絡(luò)模型的圖像分類識別方法逐漸得到推廣，而且廣泛應(yīng)用于各個領(lǐng)域。132在蔬菜圖像分類識別中的應(yīng)用目標(biāo)分類典型應(yīng)用在VGG-16網(wǎng)絡(luò)的基礎(chǔ)上融合 fc6 和 fc7 層網(wǎng)絡(luò)的輸出特征，把改進的該網(wǎng)絡(luò)稱為 VGG-M。在 VGG-M 網(wǎng)

42、絡(luò)基礎(chǔ)上增加 5 個批量歸一化層（BN 層），把網(wǎng)絡(luò)稱為 VGG-M-BN。VGG-M-BN 的網(wǎng)絡(luò)結(jié)構(gòu)如上圖所示。VGG網(wǎng)絡(luò)改進在蔬菜圖像分類識別中的應(yīng)用目標(biāo)分類典型應(yīng)用使用多個較小卷積核的卷積層代替一個卷積核較大的卷積層，可以減少參數(shù)的數(shù)量，使得網(wǎng)絡(luò)層數(shù)加深，網(wǎng)絡(luò)有更多的非線性變換，對特征的學(xué)習(xí)能力變得更強。上圖為部分卷積層的輸出特征。VGG網(wǎng)絡(luò)改進在蔬菜圖像分類識別中的應(yīng)用目標(biāo)分類典型應(yīng)用池化層采用最大池化操作，Max pooling 操作之后得到的值是相同的，因此，該操作可以實現(xiàn)平移、旋轉(zhuǎn)和尺度不變等特性，為模型提供了很強的魯棒性。上圖為部分池化層的輸出特征。VGG網(wǎng)絡(luò)改進在蔬菜圖像分

43、類識別中的應(yīng)用目標(biāo)分類典型應(yīng)用不同激活函數(shù)的準(zhǔn)確率VGG網(wǎng)絡(luò)改進在蔬菜圖像分類識別中的應(yīng)用目標(biāo)分類典型應(yīng)用在蔬菜圖像分類識別中的應(yīng)用農(nóng)業(yè)視覺信息處理總結(jié)1農(nóng)業(yè)視覺處理是指利用圖像處理技術(shù)對采集的農(nóng)業(yè)場景圖像進行處理而實現(xiàn)對農(nóng)業(yè)場景中的目標(biāo)進行識別和理解的過程，基本方法包括圖像增強、圖像分割、特征提取和目標(biāo)分類等。23農(nóng)業(yè)視覺處理存在的主要問題包括降質(zhì)圖像難以復(fù)原、圖像目標(biāo)難以精確分割、最優(yōu)特征向量難以獲取、分類精度難以滿足現(xiàn)實要求等。農(nóng)業(yè)視覺處理的發(fā)展趨勢，在算法上表現(xiàn)在與新理論、新方法的結(jié)合上，來提高結(jié)果的精準(zhǔn)度；在系統(tǒng)上表現(xiàn)在軟件的固化上，進一步提高處理速度；在應(yīng)用上體現(xiàn)與其他物聯(lián)網(wǎng)技術(shù)的

44、有機融合。農(nóng)業(yè)智能監(jiān)控技術(shù)概述實時監(jiān)測農(nóng)業(yè)生產(chǎn)環(huán)境信息個體信息動植物生長模型智能控制手段和方法農(nóng)業(yè)生產(chǎn)設(shè)施節(jié)約生產(chǎn)成本保障動植物最佳生長環(huán)境降低生產(chǎn)能耗實現(xiàn)農(nóng)業(yè)生產(chǎn)過程的全面優(yōu)化 農(nóng)業(yè)智能監(jiān)控是農(nóng)業(yè)信息處理技術(shù)的一個重要分支，基于檢測系統(tǒng)的數(shù)據(jù)采集，通過智能控制方法調(diào)節(jié)農(nóng)業(yè)生產(chǎn)設(shè)施，使農(nóng)業(yè)生產(chǎn)過程達到低能耗、低成本的作物生長最優(yōu)環(huán)境；智能溫室環(huán)境控制系統(tǒng)的主要設(shè)備溫室主要設(shè)備： 覆蓋物、進氣百葉窗， 排氣扇和二氧化碳燃燒器； 蒸發(fā)冷卻器，冷卻器； 霧化器和加熱器； 循環(huán)風(fēng)扇和卷起通風(fēng)側(cè)壁； 澆水或水培系統(tǒng)；監(jiān)控設(shè)備主要包括： 溫度計、濕度計pH / EC米、電子計時器、環(huán)境控制器、自動定量給料

45、器等農(nóng)業(yè)溫室控制設(shè)計原理應(yīng)用層環(huán)境監(jiān)測設(shè)備控制統(tǒng)計分析自動報警圖標(biāo)顯示服務(wù)層統(tǒng)一門戶、數(shù)據(jù)挖掘環(huán)境信息接入、網(wǎng)關(guān)接入系統(tǒng)應(yīng)用管理環(huán)境信息比對、任務(wù)管理、系統(tǒng)終端管理傳輸層節(jié)點GPRS/CDMA模塊網(wǎng)關(guān)服務(wù)器互聯(lián)網(wǎng)PC端傳感層傳感器WSN攝像頭GPS 基站手機終端控制案例-溶解氧的模型預(yù)測控制養(yǎng)殖水體溶解氧的模型預(yù)測控制模型預(yù)測控制基本結(jié)構(gòu) 圖中，() 是系統(tǒng)當(dāng)前輸出值， 是根據(jù)設(shè)定值 和( + 1) 求得的參考軌跡， 是預(yù)測模型的直接輸出，是經(jīng)反饋校正后的預(yù)測輸出，虛線部分將與( + 1) 之間的偏差()反饋給預(yù)測器以便進行反饋校正，在本例中被控對象為DO, 用氧傳質(zhì)系數(shù)表征。控制案例-溶解氧

46、的模型預(yù)測控制養(yǎng)殖水體溶解氧的模型預(yù)測控制模型預(yù)測控制基本原理養(yǎng)殖水體溶解氧預(yù)測控制系統(tǒng)示意圖控制案例-溶解氧的模型預(yù)測控制 養(yǎng)殖水體溶解氧分析模型和QDMC模型采用MATLAB平臺開發(fā)，利用 Database 工具箱，配 置好接口和驅(qū)動，鏈接基于WINCC開發(fā)的魚菜共生集控平臺SQL數(shù)據(jù)庫，集控平臺與西門子PLC互相通信，對曝氣機進行精準(zhǔn)調(diào)控，使溶氧含量穩(wěn)定在設(shè)定參數(shù)。農(nóng)業(yè)智能決策技術(shù)23典型案例第7章 農(nóng)業(yè)診斷推理與智能決策技術(shù)1概述農(nóng)業(yè)病蟲害診斷推理過程26本章小結(jié)農(nóng)業(yè)診斷推理基本概念 農(nóng)業(yè)診斷推理農(nóng)業(yè)診斷推理是農(nóng)業(yè)信息處理的一個重要分支，是指農(nóng)業(yè)專家針對診斷對象表現(xiàn)出的一組癥狀現(xiàn)象或者

47、非正常工作狀態(tài)現(xiàn)象，采用一定的診斷方法判定是否處于健康狀態(tài)，找出相應(yīng)原因并提出辦法，從而做出合乎客觀實際結(jié)論的過程。農(nóng)業(yè)診斷推理方法農(nóng)業(yè)診斷推理方法可分為三大類，（1）基于解析模型的方法；（2）基于信號處理的方法；（3）基于知識的診斷推理方法?；靖拍?農(nóng)業(yè)診斷推理方法優(yōu)缺點解析模型的診斷方法通過利用一些數(shù)學(xué)、物理學(xué)上的準(zhǔn)確模型對檢測目標(biāo)的狀態(tài)進行檢測和評估來實現(xiàn)診斷的方法。該方法的優(yōu)點就是診斷的準(zhǔn)確率很高，算法在計算機上實現(xiàn)比較簡單；缺點是要求檢測目標(biāo)必須具有比較精確的數(shù)理模型的特點，因而限制了該方法的應(yīng)用范圍。基于信號處理的診斷方法基于知識的診斷方法直接利用相關(guān)函數(shù)、頻譜分析、小波分析等信

48、號模型來進行診斷識別。其優(yōu)點是回避了建立或抽取診斷對象的數(shù)學(xué)模型的技術(shù)難點，使該方法有較好的適應(yīng)性，尤其是小波分析方法，對噪聲的抑制能力強，對故障檢測有較高的靈敏度；缺點是該類方法的診斷準(zhǔn)確率要比基于信號處理的方法低，主要適應(yīng)于線性系統(tǒng)。以知識處理技術(shù)為基礎(chǔ)，以推理為主要手段來實現(xiàn)推理過程與算法的統(tǒng)一。基于知識的診斷推理所涉及的主要理論、技術(shù)方法以及實現(xiàn)等問題，包括概念體系、診斷知識處理與應(yīng)用、診斷系統(tǒng)的結(jié)構(gòu)與實現(xiàn)等方面內(nèi)容。該類方法的優(yōu)點是不需要定量的數(shù)學(xué)模型，是一種很有前途的方法，是農(nóng)業(yè)智能診斷技術(shù)的核心。農(nóng)業(yè)病蟲害診斷推理與智能決策過程數(shù)據(jù)農(nóng)業(yè)病蟲害診斷的根本目的是通過對癥狀等診斷信息的綜合分析，找出所患疾病及其發(fā)病的原因并給出治療方法，以保證診斷對象及其生存環(huán)境處于健康狀態(tài)。農(nóng)業(yè)病蟲害診斷過程農(nóng)業(yè)病蟲害診斷推理與智能決策過程獲取診斷資料 傳感器獲取網(wǎng)頁查詢視頻錄像顯微觀察手機拍照農(nóng)業(yè)病蟲害診斷推理與智能決策過程診斷推理階段在獲取診斷資料以后，對診斷資料進行綜合分析，然后進行診斷推理。農(nóng)業(yè)病蟲害查詢診斷系統(tǒng)中的推理行為主要由推理機實現(xiàn)。推理機是專家系統(tǒng)的核心部分，通過它對農(nóng)業(yè)專業(yè)知識進行判斷和推理，模擬人類專家的決策過程，解決那些需要人類專家處理的復(fù)雜問題，過程如下圖所示。