人工智能系列白皮書-智慧農(nóng)業(yè)

1、中國(guó)人工智能系列白皮書- 智慧農(nóng)業(yè) 目錄 HYPERLINK l _bookmark0 第 1 章 智慧農(nóng)業(yè)發(fā)展背景1 HYPERLINK l _bookmark1 1.1 人工智能在農(nóng)業(yè)領(lǐng)域中的應(yīng)用歷程 1 HYPERLINK l _bookmark2 1.2 智慧農(nóng)業(yè)及其發(fā)展趨勢(shì) 8 HYPERLINK l _bookmark3 第 2 章 農(nóng)業(yè)智能分析12 HYPERLINK l _bookmark4 2.1 農(nóng)業(yè)數(shù)據(jù)挖掘 12 HYPERLINK l _bookmark5 2.1.1 農(nóng)業(yè)數(shù)據(jù)挖掘特點(diǎn) 12 HYPERLINK l _bookmark6 2.1.2 農(nóng)業(yè)網(wǎng)絡(luò)數(shù)據(jù)挖掘 1

2、3 HYPERLINK l _bookmark7 2.1.3 農(nóng)業(yè)數(shù)據(jù)挖掘應(yīng)用 16 HYPERLINK l _bookmark8 2.2 農(nóng)業(yè)數(shù)據(jù)語(yǔ)義分析 18 HYPERLINK l _bookmark9 2.2.1 農(nóng)業(yè)數(shù)據(jù)語(yǔ)義模型 18 HYPERLINK l _bookmark10 2.2.2 農(nóng)業(yè)數(shù)據(jù)存儲(chǔ)模型 19 HYPERLINK l _bookmark11 2.2.3 農(nóng)業(yè)數(shù)據(jù)知識(shí)發(fā)現(xiàn) 20 HYPERLINK l _bookmark12 2.2.4 農(nóng)業(yè)數(shù)據(jù)語(yǔ)義檢索 21 HYPERLINK l _bookmark13 2.2.5 分布式農(nóng)業(yè)知識(shí)協(xié)同構(gòu)建 21 HYPERL

3、INK l _bookmark14 2.3 農(nóng)業(yè)病蟲害圖像識(shí)別 22 HYPERLINK l _bookmark15 2.3.1 基于機(jī)器視覺的農(nóng)業(yè)病蟲害自動(dòng)監(jiān)測(cè)識(shí)別系統(tǒng)框架 23 HYPERLINK l _bookmark16 2.3.2 農(nóng)業(yè)病蟲害圖像采集方法 24 HYPERLINK l _bookmark17 2.3.3 農(nóng)業(yè)病蟲害圖像預(yù)處理 26 HYPERLINK l _bookmark18 2.3.4 農(nóng)業(yè)病蟲害特征提取與識(shí)別模型構(gòu)建 27 HYPERLINK l _bookmark19 2.3.5 農(nóng)業(yè)病蟲害模式識(shí)別 28 HYPERLINK l _bookmark20 2.4

4、 動(dòng)物行為分析 29 HYPERLINK l _bookmark21 2.5 農(nóng)產(chǎn)品無(wú)損檢測(cè) 34 HYPERLINK l _bookmark22 2.5.1 農(nóng)產(chǎn)品的無(wú)損檢測(cè) 35 HYPERLINK l _bookmark23 2.5.2 農(nóng)產(chǎn)品無(wú)損檢測(cè)主要方法與基本原理 36 HYPERLINK l _bookmark24 2.5.3 無(wú)損檢測(cè)在農(nóng)產(chǎn)品質(zhì)量檢測(cè)中的應(yīng)用 38 HYPERLINK l _bookmark25 2.5.4 問題與展望 38 HYPERLINK l _bookmark26 第 3 章 典型農(nóng)業(yè)專家系統(tǒng)與決策支持40 HYPERLINK l _bookmark27

5、 3.1 作物生產(chǎn)決策系統(tǒng) 40 HYPERLINK l _bookmark28 3.1.1 作物生產(chǎn)決策支持系統(tǒng)的概念與功能 40 HYPERLINK l _bookmark29 3.1.2 作物決策支持系統(tǒng)的發(fā)展 41 HYPERLINK l _bookmark30 3.1.3 我國(guó)作物決策支持系統(tǒng)發(fā)展?fàn)顩r 41 HYPERLINK l _bookmark31 3.1.4 作物生產(chǎn)決策支持系統(tǒng)的發(fā)展趨勢(shì) 42 HYPERLINK l _bookmark32 3.1.5 作物生產(chǎn)決策支持系統(tǒng)的存在問題 43 3.1.6 作物生產(chǎn)決策支持系統(tǒng)的發(fā)展措施建議錯(cuò)誤!未定義書簽。 HYPERLINK

6、 l _bookmark33 3.2 作物病害診斷專家系統(tǒng) 45 HYPERLINK l _bookmark34 3.2.1 病害診斷知識(shí)表達(dá) 45 HYPERLINK l _bookmark35 3.2.2 作物病害描述模糊處理 47 HYPERLINK l _bookmark36 3.2.3 病害診斷知識(shí)推理 47 HYPERLINK l _bookmark37 3.2.4 基于圖像識(shí)別的作物病害診斷 48 HYPERLINK l _bookmark38 3.3 水產(chǎn)養(yǎng)殖管理專家系統(tǒng) 49 HYPERLINK l _bookmark39 3.3.1 問題與挑戰(zhàn) 49 HYPERLINK l

7、 _bookmark40 3.3.2 主要進(jìn)展 51 3.3.3 發(fā)展趨勢(shì) 52 HYPERLINK l _bookmark41 3.4 動(dòng)物健康養(yǎng)殖管理專家系統(tǒng) 54 HYPERLINK l _bookmark42 3.4.1 妊娠母豬電子飼喂站 54 HYPERLINK l _bookmark43 3.4.2 哺乳母豬精準(zhǔn)飼喂系統(tǒng) 56 HYPERLINK l _bookmark44 3.4.3 個(gè)體奶牛精準(zhǔn)飼喂系統(tǒng) 57 HYPERLINK l _bookmark45 3.4.4 畜禽養(yǎng)殖環(huán)境監(jiān)測(cè)系統(tǒng) 58 HYPERLINK l _bookmark46 3.5 多民族語(yǔ)言農(nóng)業(yè)生產(chǎn)管理專

8、家系統(tǒng) 59 HYPERLINK l _bookmark47 多民族語(yǔ)言智慧農(nóng)業(yè)即時(shí)翻譯系統(tǒng)結(jié)構(gòu) 59 HYPERLINK l _bookmark48 多民族語(yǔ)言農(nóng)業(yè)智能信息處理系統(tǒng)機(jī)器翻譯流程 . 60 HYPERLINK l _bookmark49 多民族語(yǔ)言農(nóng)業(yè)信息平臺(tái)中的翻譯關(guān)鍵技術(shù) 62 HYPERLINK l _bookmark50 多民族語(yǔ)言農(nóng)業(yè)智能信息處理系統(tǒng)機(jī)器翻譯結(jié)果 . 63 HYPERLINK l _bookmark51 3.6 農(nóng)業(yè)空間信息決策支持系統(tǒng) 66 HYPERLINK l _bookmark52 第 4 章 典型農(nóng)業(yè)機(jī)器人71 HYPERLINK l _bo

9、okmark53 4.1 茄果類嫁接機(jī)器人 74 HYPERLINK l _bookmark54 4.1.1 研究背景意義 74 HYPERLINK l _bookmark55 4.1.2 國(guó)內(nèi)外研究現(xiàn)狀 74 HYPERLINK l _bookmark56 4.1.3 關(guān)鍵技術(shù)與研究熱點(diǎn) 76 HYPERLINK l _bookmark57 4.1.4 案例分析 77 HYPERLINK l _bookmark58 4.1.5 存在問題與發(fā)展策略 78 HYPERLINK l _bookmark59 4.2 果蔬采摘機(jī)器人 79 HYPERLINK l _bookmark60 4.2.1 研

10、究背景意義 79 HYPERLINK l _bookmark61 4.2.2 國(guó)內(nèi)外研究現(xiàn)狀 79 HYPERLINK l _bookmark62 4.2.3 關(guān)鍵技術(shù)與研究熱點(diǎn) 80 HYPERLINK l _bookmark63 4.2.4 案例分析 81 HYPERLINK l _bookmark64 4.2.5 存在問題與發(fā)展策略 82 HYPERLINK l _bookmark65 4.3 大田除草機(jī)器人 83 HYPERLINK l _bookmark66 4.3.1 研究背景意義 83 HYPERLINK l _bookmark67 4.3.2 國(guó)內(nèi)外研究現(xiàn)狀 84 HYPERL

11、INK l _bookmark68 4.3.3 關(guān)鍵技術(shù)與研究熱點(diǎn) 84 HYPERLINK l _bookmark69 4.3.5 存在問題與發(fā)展策略 86 HYPERLINK l _bookmark70 4.4 農(nóng)產(chǎn)品分揀機(jī)器人 87 HYPERLINK l _bookmark71 4.4.1 農(nóng)產(chǎn)品分揀機(jī)器人發(fā)展現(xiàn)狀 88 HYPERLINK l _bookmark72 4.4.2 農(nóng)產(chǎn)品分揀機(jī)器人的應(yīng)用特點(diǎn)和支撐技術(shù) 90 HYPERLINK l _bookmark73 4.4.3 主要問題和建議 92 HYPERLINK l _bookmark74 第 5 章 農(nóng)業(yè)精準(zhǔn)作業(yè)技術(shù)94

12、HYPERLINK l _bookmark75 5.1 拖拉機(jī)自動(dòng)導(dǎo)航 94 HYPERLINK l _bookmark76 5.2 農(nóng)機(jī)作業(yè)智能測(cè)控 97 HYPERLINK l _bookmark77 5.3 果樹對(duì)靶施藥 101 HYPERLINK l _bookmark78 5.3.1 我國(guó)果園施藥作業(yè)現(xiàn)狀 101 HYPERLINK l _bookmark79 5.3.2 基于靶標(biāo)探測(cè)的智能施藥 102 HYPERLINK l _bookmark80 5.3.3 靶標(biāo)探測(cè)技術(shù) 102 HYPERLINK l _bookmark81 5.3.4 對(duì)靶施藥的經(jīng)濟(jì)性與環(huán)保性 106 HYP

13、ERLINK l _bookmark82 5.4 設(shè)施蔬菜水肥一體化 106 HYPERLINK l _bookmark83 5.4.1 水肥一體化在設(shè)施蔬菜中的應(yīng)用 107 HYPERLINK l _bookmark84 5.4.2 智能灌溉施肥設(shè)備 108 HYPERLINK l _bookmark85 5.4.3 設(shè)施蔬菜水肥一體化發(fā)展趨勢(shì) 110 HYPERLINK l _bookmark86 5.5 設(shè)施環(huán)境智能調(diào)控 112 HYPERLINK l _bookmark87 5.5.1 溫室環(huán)境與作物信息采集 112 HYPERLINK l _bookmark88 5.5.2 溫室作物

14、生長(zhǎng)發(fā)育模型和小氣候預(yù)測(cè)模型 115 HYPERLINK l _bookmark89 5.5.3 溫室智能環(huán)境控制理論 116 HYPERLINK l _bookmark90 5.5.4 測(cè)控裝備及平臺(tái)構(gòu)建方面 117 HYPERLINK l _bookmark91 5.6 農(nóng)用無(wú)人機(jī)自主作業(yè) 117 HYPERLINK l _bookmark92 5.6.1 農(nóng)用無(wú)人機(jī)自主作業(yè)需求背景 117 HYPERLINK l _bookmark93 5.6.2 農(nóng)業(yè)無(wú)人機(jī)自主作業(yè)技術(shù)特點(diǎn) 118 HYPERLINK l _bookmark94 5.6.3 農(nóng)業(yè)無(wú)人機(jī)自主作業(yè)發(fā)展現(xiàn)狀 119 HYPE

15、RLINK l _bookmark95 5.6.4 抓住機(jī)遇迎接挑戰(zhàn)人工智能技術(shù)的挑戰(zhàn) 122 HYPERLINK l _bookmark96 第 6 章智慧農(nóng)業(yè)展望123 HYPERLINK l _bookmark97 6.1 當(dāng)前農(nóng)業(yè)發(fā)展需求分析 123 HYPERLINK l _bookmark98 6.2 發(fā)展重點(diǎn)與建議 123第 1 章 智慧農(nóng)業(yè)發(fā)展背景中國(guó)農(nóng)業(yè)經(jīng)歷了原始農(nóng)業(yè)、傳統(tǒng)農(nóng)業(yè)、現(xiàn)代農(nóng)業(yè)、智慧農(nóng)業(yè)的逐漸過渡。智慧農(nóng)業(yè)充分應(yīng)用現(xiàn)代信息技術(shù)成果，集成應(yīng)用計(jì)算機(jī)與網(wǎng)絡(luò)技術(shù)、物聯(lián)網(wǎng)技術(shù)、音視頻技術(shù)、3S 技術(shù)、無(wú)線通信技術(shù)及專家智慧與知識(shí)，實(shí)現(xiàn)農(nóng)業(yè)可視化遠(yuǎn)程診斷、遠(yuǎn)程控制、災(zāi)害預(yù)警等

16、職能管理。本章從人工智能在農(nóng)業(yè)領(lǐng)域的應(yīng)用歷程與智慧農(nóng)業(yè)發(fā)展趨勢(shì)兩方面闡述了智慧農(nóng)業(yè)作為一種高新技術(shù)與農(nóng)業(yè)生產(chǎn)相結(jié)合的產(chǎn)業(yè)，是農(nóng)業(yè)可持續(xù)發(fā)展的重要途徑，通過高科技投入和管理， 獲取資源的最大節(jié)約和農(nóng)業(yè)產(chǎn)出的最佳效益，實(shí)現(xiàn)農(nóng)業(yè)的科學(xué)化、標(biāo)準(zhǔn)化、定量化、高效化。人工智能在農(nóng)業(yè)領(lǐng)域中的應(yīng)用歷程人工智能（Artificial Intelligence，AI）是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門學(xué)科。人工智能是計(jì)算機(jī)科學(xué)的一個(gè)分支，它試圖了解智能的實(shí)質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機(jī)器，該領(lǐng)域研究包括機(jī)器人、語(yǔ)言識(shí)別、圖像識(shí)別、自然語(yǔ)言處理和專家

17、系統(tǒng)等。人工智能從誕生以來(lái)，理論和技術(shù)日益成熟，應(yīng)用領(lǐng)域也不斷擴(kuò)大，農(nóng)業(yè)是其重要的應(yīng)用領(lǐng)域之一?，F(xiàn)代農(nóng)業(yè)的發(fā)展已離不開以人工智能為代表的信息技術(shù)的支持， 人工智能技術(shù)貫穿于農(nóng)業(yè)生產(chǎn)產(chǎn)前、產(chǎn)中、產(chǎn)后，以其獨(dú)特的技術(shù)優(yōu)勢(shì)提升農(nóng)業(yè)生產(chǎn)技術(shù)水平，實(shí)現(xiàn)智能化的動(dòng)態(tài)管理，減輕農(nóng)業(yè)勞動(dòng)強(qiáng)度，展示出巨大的應(yīng)用潛力1。將人工智能技術(shù)應(yīng)用于農(nóng)業(yè)生產(chǎn)中， 已經(jīng)取得了良好的應(yīng)用成效。比如農(nóng)業(yè)專家系統(tǒng)2，農(nóng)民可利用它及時(shí)查詢?cè)谏a(chǎn)中所遇到的問題；農(nóng)業(yè)機(jī)器人3，可代替農(nóng)民從事繁重的農(nóng)業(yè)勞動(dòng)，在惡劣的環(huán)境中持續(xù)勞動(dòng)，大大提高農(nóng)業(yè)生產(chǎn)效率，節(jié)省勞動(dòng)力；計(jì)算機(jī)視覺識(shí)別技術(shù)能用于檢驗(yàn)農(nóng)產(chǎn)品的外觀品質(zhì)，檢驗(yàn)效率高，可替代傳統(tǒng)人工視

18、覺檢驗(yàn)法，從而提高農(nóng)業(yè)勞動(dòng)效率4-6。人工智能在農(nóng)業(yè)領(lǐng)域中的應(yīng)用歷程可以分為以下幾個(gè)階段： 第一階段：萌芽期（20 世紀(jì) 70 年代末至 80 年代末）20 世紀(jì) 70 年代末，美國(guó)為代表的歐美國(guó)家率先開始了農(nóng)業(yè)信息化的應(yīng)用研究，以專家系統(tǒng)為代表的人工智能應(yīng)用開始在農(nóng)業(yè)領(lǐng)域萌芽。專家系統(tǒng)之父Edward A. Feigenbaum 提出：農(nóng)業(yè)專家系統(tǒng) AES（ Agriculture Expert System ） 也稱為以知識(shí)庫(kù)為基礎(chǔ)的系統(tǒng) （Knowledge Based System, KBS），是一個(gè)（或一組）智能計(jì)算機(jī)程序，運(yùn)用人工智能并集成了地理信息系統(tǒng)、信息網(wǎng)絡(luò)、智能計(jì)算、機(jī)器學(xué)

19、習(xí)、知識(shí)發(fā)現(xiàn)、優(yōu)化模擬等多方面高新技術(shù)，匯集農(nóng)業(yè)領(lǐng)域知識(shí)、模型和專家經(jīng)驗(yàn)等，采用適宜的知識(shí)表示技術(shù)和推理策略，運(yùn)用多媒體技術(shù)并能以信息網(wǎng)絡(luò)為載體，向農(nóng)業(yè)生產(chǎn)管理提供咨詢服務(wù)，指導(dǎo)科學(xué)種田，在一定程度上代替農(nóng)業(yè)專家，對(duì)于提高作物產(chǎn)量，改善品質(zhì)，提高農(nóng)業(yè)管理的智能化決策水平具有重要意義。這一階段的發(fā)展研究，以歐、美及日本等發(fā)達(dá)國(guó)家為主，開發(fā)系統(tǒng)主要是面向農(nóng)作物的病蟲害診斷。最早是美國(guó)伊利諾斯大學(xué)的植物病理學(xué)家和計(jì)算機(jī)學(xué)家于 1978 年共同開發(fā)的大豆病害診斷專家系統(tǒng) LPANT/ds。20 世紀(jì)80 年代中期至 80 年代末，農(nóng)業(yè)專家系統(tǒng)從單一的病蟲害診斷轉(zhuǎn)向生產(chǎn)管理、經(jīng)濟(jì)分析決策、生態(tài)環(huán)境、農(nóng)產(chǎn)

20、品市場(chǎng)銷售管理等。如COMAX/GOSSYM 是美國(guó)最為成功的一個(gè)農(nóng)業(yè)專家系統(tǒng)，用于向棉花種植者推薦棉田管理措施。日本對(duì)人工智能在農(nóng)業(yè)上的作用給予了高度重視，如東京大學(xué)西紅柿栽培管理專家咨詢系統(tǒng)、培養(yǎng)液管理專家系統(tǒng)、 溫室黃瓜栽培管理專家系統(tǒng)等。這一階段開始，農(nóng)業(yè)機(jī)器人和計(jì)算機(jī)視覺技術(shù)等人工智能技術(shù)也開始應(yīng)用于農(nóng)業(yè)領(lǐng)域，并取得了一定的成果。在農(nóng)作物種子質(zhì)量檢測(cè)取得較大進(jìn)展。1985 年，Zayas 等通過采集的種子圖像，利用種子表面光的特性，基于統(tǒng)計(jì)圖像的處理分析與識(shí)別技術(shù)來(lái)區(qū)分小麥品種。1986 年，Gunasekaran 等在對(duì)玉米籽粒裂紋的研究中發(fā)現(xiàn)，運(yùn)用計(jì)算機(jī)視覺檢測(cè)技術(shù)中的高速濾波法

21、可將裂紋與其他部位進(jìn)行識(shí)別區(qū)分， 其檢測(cè)精度高達(dá) 90%。在農(nóng)產(chǎn)品分級(jí)與加工方向，早在 1984 年，Thylor等運(yùn)用模擬攝像機(jī)和線掃描進(jìn)行蘋果自動(dòng)損傷判定試驗(yàn)，證明了將計(jì)算機(jī)視覺技術(shù)應(yīng)用于自動(dòng)分級(jí)的可行性。在隨后幾年中，Thylor 等不斷開展此方面的相應(yīng)研究，但其分級(jí)效率仍較低。1985 年，Sarkar 等首次將數(shù)字圖像分析與模式識(shí)別技術(shù)運(yùn)用于西紅柿的品質(zhì)分級(jí)，并取得了較好的精確度，但其速度較慢。1989 年，Miller 等在桃的分級(jí)研究中，運(yùn)用圖像亮度校正和區(qū)域分割的方法，采用近紅外方式對(duì)沒有明顯邊緣損傷的圖像進(jìn)行識(shí)別，其自動(dòng)分級(jí)效果達(dá)到了當(dāng)時(shí)美國(guó)農(nóng)業(yè)部的相關(guān)標(biāo)準(zhǔn)，并得到推廣應(yīng)用。

22、20 世紀(jì) 80 年代，我國(guó)農(nóng)業(yè)專家系統(tǒng)開始起步，雖起步較晚，但發(fā)展很快，涉及作物栽培、品種選擇、育種、病蟲害防治、生產(chǎn)管理、節(jié)水灌溉、農(nóng)產(chǎn)品評(píng)價(jià)等方面。在20 世紀(jì) 80 年代初，浙江大學(xué)進(jìn)行過蠶育種專家系統(tǒng)的研究，1985 年由中國(guó)科學(xué)院人工智能所開發(fā)的“砂姜黑土小麥?zhǔn)┓蕦＜易稍兿到y(tǒng)” 在安徽省淮北平原得到很好的推廣應(yīng)用。其后，各地高校、研究所和農(nóng)科院相繼開發(fā)了許多農(nóng)業(yè)專家系統(tǒng)。第二階段：快速發(fā)展期（20 世紀(jì) 90 年代）20 世紀(jì) 90 年代，伴隨著人工智能技術(shù)的蓬勃發(fā)展，人工智能在農(nóng)業(yè)中的應(yīng)用也進(jìn)入快速發(fā)展期。在專家系統(tǒng)領(lǐng)域，陸續(xù)出現(xiàn)了美國(guó)哥倫比亞大學(xué)梯田專家系統(tǒng)，日本的溫室控制專家

23、系統(tǒng)，英國(guó) ESPRIT 支持下的水果保鮮系統(tǒng)，德國(guó)的草地管理專家系統(tǒng)，埃及農(nóng)墾部支持的黃瓜栽培與柑橘栽培生產(chǎn)管理專家系統(tǒng)，希臘的六種溫室作物病蟲害和缺素診斷的多語(yǔ)種專家系統(tǒng)等。為加快農(nóng)業(yè)專家系統(tǒng)開發(fā)效率， 一些輔助農(nóng)業(yè)專家系統(tǒng)開發(fā)平臺(tái)應(yīng)運(yùn)而生，如 CALEX SELECT、PALMS 、 MICCSFARMSCAPE 、 PCYield 、 GLA &NUTBAL 、WHEATMAN 等，大大縮短了專家系統(tǒng)開發(fā)的周期，成為農(nóng)業(yè)專家系統(tǒng)研究的重要方向。這一階段計(jì)算機(jī)視覺技術(shù)在農(nóng)業(yè)中取得了較大進(jìn)展，如在農(nóng)產(chǎn)品分級(jí)方向，1992 年，Liao 等在玉米籽粒的分類中引入了神經(jīng)網(wǎng)絡(luò)方法來(lái)提高其分類的準(zhǔn)

24、確率。1994 年，Liao 等對(duì)玉米粒的顏色及表面缺陷進(jìn)行實(shí)時(shí)分級(jí)研究，其分級(jí)速度仍較慢。1997 年，Ni 等通過圖像處理技術(shù)獲取三維信息的方法對(duì)玉米籽粒進(jìn)行分級(jí)，但該系統(tǒng)的檢測(cè)精度及用時(shí)離實(shí)際應(yīng)用仍有較大距離。1998 年，Choi 等將彩色圖像處理技術(shù)運(yùn)用于番茄品質(zhì)的分級(jí)，其分級(jí)效率高于人工檢測(cè)。1999 年，Chtioui 等以粗糙集理論作為模式分類工具，通過計(jì)算機(jī)視覺技術(shù)檢測(cè)評(píng)價(jià)蠶豆品質(zhì)，其分類結(jié)果具有較好的一致度。在農(nóng)產(chǎn)品的加工應(yīng)用中，Ling 等于 1991 年開始研究鮮蝦圖像的形態(tài)學(xué)特征和頻譜特征，發(fā)現(xiàn)根據(jù)頻譜特征確定下刀位置較為有效，為鮮蝦去頭加工的自動(dòng)化提供了可靠依據(jù)。1

25、995 年，Moconnell 等利用計(jì)算機(jī)視覺技術(shù)對(duì)顏色的識(shí)別來(lái)控制烘烤食品的質(zhì)量，并取得了較好效果。Seida 等對(duì)機(jī)器視覺技術(shù)運(yùn)用于飲料容器質(zhì)量檢測(cè)的可行性進(jìn)行了研究。Jia 等提出將圖像處理算法應(yīng)用于鰭類魚的加工。1998 年，Tao 等運(yùn)用計(jì)算機(jī)視覺技術(shù)進(jìn)行雞肉中骨頭碎片及污染物的無(wú)損快速檢測(cè)，并研制出相關(guān)設(shè)備。在植物生長(zhǎng)監(jiān)測(cè)方向，1995 年，Shinizu 等利用機(jī)器視覺和近紅外光連續(xù)采集植株圖像，成功分析得出其白晝的生長(zhǎng)率。1996 年，Casady 等利用數(shù)字圖像處理技術(shù)獲得了水稻植株的高度等形態(tài)特征信息，使利用計(jì)算機(jī)視覺獲得植株高度成為可能。在農(nóng)作物病蟲害檢測(cè)方向，1995

26、 年，Woebbecke 等研究發(fā)現(xiàn)葉片的形態(tài)學(xué)特征可用于識(shí)別雙子葉與單子葉植物，準(zhǔn)確率在 60% 80%；此外還研究發(fā)現(xiàn)，彩色圖像的 R-G-B 特征能很好地區(qū)分非植物與植物的背景， 從而將其運(yùn)用于田間雜草的探測(cè)控制。Zhang 等提出同時(shí)使用形狀和顏色分析識(shí)別小麥田間雜草的方法。1997 年，Giles 等研制出一種裝有機(jī)器視覺導(dǎo)向系統(tǒng)的噴霧裝置，能對(duì)成行作物實(shí)施精量噴霧，該系統(tǒng)不僅節(jié)約農(nóng)藥，提高施藥效率，還可大大減少對(duì)環(huán)境的污染?；跈C(jī)器視覺的雜草識(shí)別技術(shù)在國(guó)外已經(jīng)進(jìn)入實(shí)用階段。1999 年，Lee 等研制出由計(jì)算機(jī)視覺系統(tǒng)、精準(zhǔn)噴施系統(tǒng)等構(gòu)成的智能雜草控制系統(tǒng)，該系統(tǒng)可根據(jù)植物形狀特征

27、的差異識(shí)別作物和雜草，并確定雜草的位置以進(jìn)行精準(zhǔn)噴施。Burks 等利用彩色共生矩陣法和神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)土壤和 5 種雜草進(jìn)行識(shí)別研究，分類準(zhǔn)確率達(dá) 93%。在機(jī)器人領(lǐng)域，融合了計(jì)算機(jī)視覺技術(shù)，果蔬采摘機(jī)器人成為人工智能的新興領(lǐng)域。1991 年，日本 Kubota 公司成功研制出用于橘子采摘機(jī)器人的機(jī)械手。1995 年，周云山等將計(jì)算機(jī)視覺技術(shù)應(yīng)用于蘑菇識(shí)別，使蘑菇生產(chǎn)從苗床管理到收獲分類的全過程基本實(shí)現(xiàn)自動(dòng)化，但離實(shí)際推廣應(yīng)用仍有一定距離。1996 年，近藤等研制出采用雙目視覺方法定位果實(shí)的番茄采摘機(jī)器人，能準(zhǔn)確識(shí)別果實(shí)與樹葉，而當(dāng)可采摘番茄被莖葉遮擋時(shí)，機(jī)械手難以避開莖葉等障礙物完成采摘。1

28、997 年， 德田勝等研制出一套運(yùn)用機(jī)器視覺技術(shù)檢測(cè)西瓜成熟度的機(jī)器視覺系統(tǒng)，用于控制采摘機(jī)器人適時(shí)自動(dòng)采摘西瓜。中國(guó)農(nóng)業(yè)大學(xué)為國(guó)內(nèi)農(nóng)業(yè)機(jī)器人技術(shù)早期研發(fā)單位之一，研制出的自動(dòng)嫁接機(jī)器人已成功進(jìn)行了試驗(yàn)性嫁接生產(chǎn)，解決了蔬菜幼苗的柔嫩性、易損性和生長(zhǎng)不一致性等難題，可用于黃瓜、西瓜、甜瓜等幼苗的嫁接，形成了具有自主知識(shí)產(chǎn)權(quán)的自動(dòng)化嫁接技術(shù)。我國(guó) 1996-2005 年期間，在國(guó)家 863 計(jì)劃的持續(xù)支持下，系統(tǒng)開展了以農(nóng)業(yè)專家系統(tǒng)為核心的智能化農(nóng)業(yè)信息技術(shù)應(yīng)用示范工程，該項(xiàng)目以智能信息技術(shù)直接服務(wù)“三農(nóng)”為目標(biāo)，按照智能系統(tǒng)開發(fā)平臺(tái)、共性關(guān)鍵技術(shù)、應(yīng)用示范區(qū)和研發(fā)基地建設(shè)四個(gè)層次進(jìn)行組織實(shí)施。

29、全國(guó)共研發(fā)出 5 個(gè)農(nóng)業(yè)智能系統(tǒng)開發(fā)平臺(tái)，70 多個(gè)應(yīng)用框架，200 多個(gè)本地化農(nóng)業(yè)專家系統(tǒng)，涉及糧食、果樹、蔬菜、畜牧、水產(chǎn)等不同農(nóng)業(yè)領(lǐng)域，建立了 23 個(gè)省級(jí)應(yīng)用示范區(qū)，取得了重大的社會(huì)經(jīng)濟(jì)效益，形成了我國(guó)特有的“電腦農(nóng)業(yè)”，全面推動(dòng)了我國(guó)農(nóng)業(yè)智能信息技術(shù)的應(yīng)用發(fā)展。2003 年 12 月，“中國(guó) 863 電腦農(nóng)業(yè)（Agricultural Expert System in China）”在日內(nèi)瓦舉辦的世界信息首腦峰會(huì)上獲峰會(huì)大獎(jiǎng)（World Summit Award），標(biāo)志著我國(guó)利用智能化農(nóng)業(yè)信息技術(shù)改造傳統(tǒng)農(nóng)業(yè)做出的巨大貢獻(xiàn)得到了世界的承認(rèn)。第三階段：規(guī)模應(yīng)用期（2000 至今）進(jìn)入

30、21 世紀(jì)，農(nóng)業(yè)勞動(dòng)力不斷向其他產(chǎn)業(yè)轉(zhuǎn)移， 農(nóng)業(yè)勞動(dòng)力結(jié)構(gòu)性短缺和日趨老齡化漸已成為全球性問題，通過人工智能技術(shù)，提高生產(chǎn)力，成為農(nóng)業(yè)領(lǐng)域的研究與應(yīng)用熱點(diǎn)，人工智能在許多農(nóng)業(yè)領(lǐng)域出現(xiàn)了規(guī)模應(yīng)用。設(shè)施農(nóng)業(yè)、精確農(nóng)業(yè)和高新技術(shù)的快速發(fā)展，特別是人工作業(yè)成本的不斷攀升，為農(nóng)業(yè)機(jī)器人的進(jìn)一步發(fā)展提供了新的動(dòng)力和可能。如果蔬采摘不僅季節(jié)性強(qiáng)、勞動(dòng)量大，而且作業(yè)費(fèi)用高，人工收獲的費(fèi)用通常占全程生產(chǎn)費(fèi)用的 50%左右，因此采摘機(jī)器人在日本、美國(guó)、荷蘭等國(guó)家已有初步使用。例如，2000 年，荷蘭農(nóng)業(yè)環(huán)境工程研究所研制出移動(dòng)式黃瓜采摘機(jī)器人樣機(jī)，在實(shí)驗(yàn)室和溫室中的采摘試驗(yàn)效果良好。VanHenten 等對(duì)溫室黃

31、瓜收獲機(jī)器人機(jī)械手的運(yùn)動(dòng)結(jié)構(gòu)進(jìn)行優(yōu)化設(shè)計(jì)，并提供了一種評(píng)價(jià)和優(yōu)化該運(yùn)動(dòng)機(jī)構(gòu)的客觀方法、優(yōu)化結(jié)果發(fā)現(xiàn)，4 臂 4 自由度 PPRR 機(jī)器手最適合于溫室黃瓜的收獲。計(jì)算機(jī)視覺的應(yīng)用進(jìn)一步成熟。到 2011 年，Zapotoczny 采用神經(jīng)網(wǎng)絡(luò)的方法對(duì)春、冬季不同質(zhì)量等級(jí)的 11 個(gè)小麥品種進(jìn)行試驗(yàn)，使用圖像處理分析技術(shù)進(jìn)行分類鑒別的準(zhǔn)確率高達(dá) 100%。近十幾年來(lái)，我國(guó)科研人員對(duì)計(jì)算機(jī)視覺技術(shù)在農(nóng)作物種子質(zhì)量檢測(cè)的應(yīng)用方面作了大量研究。2004 年，周紅等運(yùn)用計(jì)算機(jī)視覺技術(shù)提取玉米種子的外形輪廓，為玉米種子的進(jìn)一步分級(jí)識(shí)別提供依據(jù)。2008 年，萬(wàn)鵬等提出利用計(jì)算機(jī)視覺系統(tǒng)代替人眼識(shí)別整粒及碎大

32、米粒形的方法， 并設(shè)計(jì)了一套基于計(jì)算機(jī)視覺技術(shù)的大米粒形識(shí)別裝置，該裝置對(duì)完整米粒、碎米的識(shí)別準(zhǔn)確率分別為 98.67%、92.09%。在農(nóng)產(chǎn)品分級(jí)方面，計(jì)算機(jī)視覺水果分級(jí)自動(dòng)化系統(tǒng)得到了廣泛應(yīng)用，國(guó)外已將部分成果應(yīng)用于實(shí)際生產(chǎn)中。2002 年，Yun 等成功研制出一種谷?？焖俜旨?jí)系統(tǒng)，每分鐘檢測(cè) 200 顆谷粒，其分級(jí)準(zhǔn)確率達(dá) 98.9%。2011年，Mathanker 等發(fā)現(xiàn)使用機(jī)器學(xué)習(xí)分類器 AdaBoost 和支持向量機(jī) (Support Vector Machine,SVM) 的方法可提高核桃分級(jí)檢測(cè)的精度。我國(guó)將計(jì)算機(jī)視覺技術(shù)應(yīng)用于水果等的檢測(cè)分級(jí)相對(duì)較晚，但由于借 鑒了其他國(guó)家的

33、研究成果，發(fā)展速度比較快。研究大田作物病蟲草害 的自動(dòng)識(shí)別與測(cè)定技術(shù)，建成自動(dòng)化控制系統(tǒng)以防治田間雜草與病蟲 害，也是計(jì)算機(jī)視覺技術(shù)在作物生產(chǎn)中較為重要的應(yīng)用研究領(lǐng)域。農(nóng) 業(yè)航空是現(xiàn)代農(nóng)業(yè)人工智能應(yīng)用的重要組成部分，農(nóng)業(yè)無(wú)人機(jī)在美國(guó)、日本等發(fā)達(dá)國(guó)家早已使用，應(yīng)用在農(nóng)田植被數(shù)據(jù)監(jiān)測(cè)、農(nóng)田土壤 分析及規(guī)劃、農(nóng)田噴灑方面的研究等多個(gè)方面。我國(guó)自 2008 年無(wú)錫漢和第一架植保無(wú)人機(jī)面試以來(lái)，無(wú)人機(jī)行業(yè)如雨后春筍般的發(fā)展。 主要應(yīng)用在土壤濕度監(jiān)測(cè)、農(nóng)田噴灑、植被覆蓋度的監(jiān)測(cè)等方向7。 在這一時(shí)期，特別是 2009 年“感知中國(guó)”的目標(biāo)提出后，作為人工智能集成應(yīng)用的農(nóng)業(yè)物聯(lián)網(wǎng)和無(wú)人機(jī)開始迅速發(fā)展。物聯(lián)網(wǎng)

34、、移動(dòng)互聯(lián)、大數(shù)據(jù)、云計(jì)算、空間信息技術(shù)、智能裝備技術(shù)開始進(jìn)行深入融合，人工智能成為核心技術(shù)承擔(dān)優(yōu)化、決策的任務(wù)。2010 年國(guó)家發(fā)改委啟動(dòng)了物聯(lián)網(wǎng)產(chǎn)業(yè)化規(guī)劃，規(guī)劃未來(lái)我國(guó)十年到二十年的物聯(lián)網(wǎng)發(fā)展重大專項(xiàng)，其中將精細(xì)農(nóng)牧業(yè)列為規(guī)劃專項(xiàng)的一個(gè)很重要的內(nèi)容。隨后國(guó)家發(fā)改委、農(nóng)業(yè)部、財(cái)政部決定在黑龍江農(nóng)墾開展大田種植物聯(lián)網(wǎng)應(yīng)用示范、北京市開展設(shè)施農(nóng)業(yè)物聯(lián)網(wǎng)應(yīng)用示范、江蘇省無(wú)錫市開展養(yǎng)殖業(yè)物聯(lián)網(wǎng)應(yīng)用示范，并將這 3 個(gè)項(xiàng)目作為國(guó)家物聯(lián)網(wǎng)應(yīng)用示范工程智慧農(nóng)業(yè)項(xiàng)目，農(nóng)業(yè)部在天津、上海、安徽三省市組織實(shí)施了農(nóng)業(yè)物聯(lián)網(wǎng)的區(qū)域試驗(yàn)工程，這些國(guó)家和部委項(xiàng)目的實(shí)施引領(lǐng)與促進(jìn)了人工智能技術(shù)在農(nóng)業(yè)領(lǐng)域中的規(guī)?；瘧?yīng)用發(fā)展

35、，提高了我國(guó)農(nóng)業(yè)現(xiàn)代化水平。人工智能技術(shù)在我國(guó)農(nóng)業(yè)領(lǐng)域廣泛應(yīng)用，把農(nóng)業(yè)帶入數(shù)字化、信息化和智能化的嶄新時(shí)代。但人工智能在農(nóng)業(yè)領(lǐng)域應(yīng)用研究任重道遠(yuǎn)，離我們追求的目標(biāo)還有很大距離，核心技術(shù)有待重大突破，應(yīng)用成本需要大幅度降低。以人工智能技術(shù)為核心的現(xiàn)代信息技術(shù)及智能裝備技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用，逐漸形成了現(xiàn)代農(nóng)業(yè)發(fā)展的新業(yè)態(tài)智慧農(nóng)業(yè)，這是農(nóng)業(yè)未來(lái)的一場(chǎng)深刻變革。智慧農(nóng)業(yè)發(fā)展趨勢(shì)智慧農(nóng)業(yè)按照工業(yè)發(fā)展理念，充分應(yīng)用現(xiàn)代信息技術(shù)成果，以信息和知識(shí)為生產(chǎn)要素，通過互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、云計(jì)算、大數(shù)據(jù)、智能裝備等現(xiàn)代信息技術(shù)與農(nóng)業(yè)深度跨界融合，實(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)全過程的信息感知、定量決策、智能控制、精準(zhǔn)投入和工廠化生產(chǎn)的全

36、新農(nóng)業(yè)生產(chǎn)方式與農(nóng)業(yè)可視化遠(yuǎn)程診斷、遠(yuǎn)程控制、災(zāi)害預(yù)警等職能管理，是農(nóng)業(yè)信息化發(fā)展從數(shù)字化到網(wǎng)絡(luò)化再到智能化的高級(jí)階段，是繼傳統(tǒng)農(nóng)業(yè)（1.0）、機(jī)械化農(nóng)業(yè)（2.0）、生物農(nóng)業(yè)（3.0）之后，中國(guó)農(nóng)業(yè) 4.0的核心內(nèi)容8。智慧農(nóng)業(yè)在中國(guó)的研究進(jìn)展智能化農(nóng)業(yè)信息技術(shù)研究始于 80 年代初，包括施肥專家咨詢系統(tǒng)、栽培管理專家系統(tǒng)等。其中，施肥專家咨詢系統(tǒng)是根據(jù)實(shí)測(cè)的土壤理化參數(shù)或土壤肥力、地力參數(shù)以及地理分布，評(píng)估肥力水平，利用施肥量與各種農(nóng)作物產(chǎn)量的關(guān)系，土壤區(qū)劃、土壤類型以及不同生態(tài)條件下肥料運(yùn)籌、施肥時(shí)期與施肥方法，化肥投入與產(chǎn)出比的肥效， 非正常情況下的補(bǔ)救措施等。栽培管理專家系統(tǒng)是根據(jù)各個(gè)

37、農(nóng)作物的不同生育期、生理特點(diǎn)、不同的生態(tài)條件、作物品種、播種期、密度、灌水等進(jìn)行科學(xué)的農(nóng)事安排，包括品種選擇、種子篩選準(zhǔn)備、整地、播種、田間管理與收獲等栽培部分，優(yōu)化肥料與產(chǎn)量關(guān)系的施肥部分， 合理灌排、優(yōu)化水分與產(chǎn)量關(guān)系的灌溉部分，病蟲害發(fā)生發(fā)展規(guī)律和消長(zhǎng)關(guān)系的植保部分，農(nóng)業(yè)氣候的發(fā)生規(guī)律、氣候與農(nóng)作物生長(zhǎng)期的產(chǎn)量關(guān)系的氣象服務(wù)部分等，指導(dǎo)農(nóng)民進(jìn)行科學(xué)生產(chǎn)和管理。我國(guó)農(nóng)業(yè)正向知識(shí)高度密集型的現(xiàn)代農(nóng)業(yè)發(fā)展，相繼出現(xiàn)了“有機(jī)農(nóng)業(yè)”、“生態(tài)農(nóng)業(yè)”、“持續(xù)農(nóng)業(yè)”、“智慧農(nóng)業(yè)”等替代型現(xiàn)代農(nóng)業(yè)， 智慧農(nóng)業(yè)的出現(xiàn)為現(xiàn)代農(nóng)業(yè)的發(fā)展指明了方向9-11。我國(guó)“智慧農(nóng)業(yè)” 技術(shù)的應(yīng)用較發(fā)達(dá)國(guó)家要落后 20 年以

38、上，甚至有些地方還是一片空白。近年來(lái)，信息技術(shù)飛速發(fā)展，其在農(nóng)業(yè)上的應(yīng)用也得以重視。目前，我國(guó)北京、上海等地已開展了智慧農(nóng)業(yè)的研究應(yīng)用，例如，在京郊小湯山智慧農(nóng)業(yè)基地，由北京師范大學(xué)遙感與地理信息系統(tǒng)研究中心、中國(guó)科學(xué)院地理科學(xué)與資源研究所熱紅外遙感實(shí)驗(yàn)室以及北京市農(nóng)林科學(xué)院聯(lián)合實(shí)施的大型定量遙感聯(lián)合試驗(yàn)和北京農(nóng)業(yè)信息技術(shù)研究中心，根據(jù)國(guó)家 973 項(xiàng)目與智慧農(nóng)業(yè)示范項(xiàng)目的總體要求，在小麥病害的高光譜遙感檢測(cè)和預(yù)測(cè)預(yù)報(bào)試驗(yàn)等方面，都取得了大量試驗(yàn)數(shù)據(jù)。但目前我國(guó)關(guān)于智慧農(nóng)業(yè)的研究應(yīng)用還處于起步階段。智慧農(nóng)業(yè)存在的問題智慧農(nóng)業(yè)已成為合理利用農(nóng)業(yè)資源、提高農(nóng)作物產(chǎn)量和品質(zhì)、降低生產(chǎn)成本、改善生態(tài)環(huán)

39、境及農(nóng)業(yè)可持續(xù)發(fā)展的前沿性農(nóng)業(yè)科學(xué)研究熱點(diǎn)之一12-14。目前，我國(guó)農(nóng)業(yè)仍處于由傳統(tǒng)農(nóng)業(yè)向現(xiàn)代農(nóng)業(yè)轉(zhuǎn)變的過程中，與國(guó)外智慧農(nóng)業(yè)條件比較,還存在諸多不利因素。例如地形復(fù)雜,機(jī)械化和集約化水平不高，信息技術(shù)及其裝備薄弱，農(nóng)民素質(zhì)不高等；此外，實(shí)施智慧農(nóng)業(yè)，前期的儀器、設(shè)備、裝置等的成本投入相對(duì)過高，也影響了智慧農(nóng)業(yè)在我國(guó)的發(fā)展。我國(guó)智慧農(nóng)業(yè)科技含量、發(fā)展水平較低我國(guó)智慧農(nóng)業(yè)相關(guān)領(lǐng)域的研究起步比較晚，投入低，較農(nóng)業(yè)發(fā)達(dá)國(guó)家而言仍具有不小的差距。同時(shí)，智慧農(nóng)業(yè)的產(chǎn)業(yè)鏈仍比較單薄， 相關(guān)設(shè)備的生產(chǎn)、安裝、實(shí)施、維護(hù)一整套環(huán)節(jié)都比較薄弱，整體農(nóng)業(yè)機(jī)械化水平與發(fā)達(dá)國(guó)家相比仍有不小的差距，科技含量低，導(dǎo)致農(nóng)業(yè)

40、自動(dòng)化程度、集約化水平偏低。農(nóng)業(yè)生產(chǎn)方式、效率較落后我國(guó)智慧農(nóng)業(yè)起點(diǎn)較低，效率仍處于一個(gè)較低水平，如生產(chǎn)效率、勞動(dòng)產(chǎn)比率、資源利用率等一些農(nóng)業(yè)生產(chǎn)核心數(shù)據(jù)都可以反映出這個(gè)問題的嚴(yán)重性。另一方面，我國(guó)資源短缺與資源利用率低的矛盾日益加劇，這就要求我國(guó)走一條集約化的、可持續(xù)發(fā)展的現(xiàn)代化農(nóng)業(yè)道路。農(nóng)業(yè)抵御自然災(zāi)害能力較弱我國(guó)是一個(gè)農(nóng)業(yè)自然災(zāi)害頻發(fā)的國(guó)家，由于設(shè)備陳舊，防災(zāi)設(shè)施缺乏，農(nóng)業(yè)抵御自然災(zāi)害的能力較低，看天吃飯的尷尬處境仍未得到有效改變，一旦發(fā)生大規(guī)模的自然災(zāi)害，將會(huì)造成重大損失，糧食產(chǎn)量大幅下降，甚至絕收等。農(nóng)業(yè)科研投入、相關(guān)領(lǐng)域人才儲(chǔ)備缺乏無(wú)論是從科研經(jīng)費(fèi)，還是其他的獎(jiǎng)勵(lì)政策來(lái)說，國(guó)家歷來(lái)

41、對(duì)農(nóng)業(yè)與工業(yè)的重視度不在同一水平線上，客觀上導(dǎo)致了我國(guó)農(nóng)業(yè)長(zhǎng)期處于落后的現(xiàn)狀。我國(guó)智慧農(nóng)業(yè)起步比較晚，并且受傳統(tǒng)觀念影響，只有 極小部分科研人員愿意投入到這一領(lǐng)域，導(dǎo)致相關(guān)領(lǐng)域的技術(shù)人員儲(chǔ)備不足，影響了智慧農(nóng)業(yè)事業(yè)的迅速崛起。智慧農(nóng)業(yè)的發(fā)展前景智慧農(nóng)業(yè)已成為合理利用農(nóng)業(yè)資源、提高農(nóng)作物產(chǎn)量和品質(zhì)、降低生產(chǎn)成本、改善生態(tài)環(huán)境及農(nóng)業(yè)可持續(xù)發(fā)展的前沿性農(nóng)業(yè)科學(xué)研究熱點(diǎn)之一。目前，我國(guó)農(nóng)業(yè)仍處于由傳統(tǒng)農(nóng)業(yè)向現(xiàn)代農(nóng)業(yè)轉(zhuǎn)變的過程中，與國(guó)外智慧農(nóng)業(yè)條件比較，還存在諸多不利因素。例如地形復(fù)雜， 機(jī)械化和集約化水平不高，信息技術(shù)及其裝備薄弱，農(nóng)民素質(zhì)不高等； 此外，實(shí)施智慧農(nóng)業(yè)，前期的儀器、設(shè)備、裝置等的成本投

42、入相對(duì)過高，也影響了智慧農(nóng)業(yè)在我國(guó)的發(fā)展。針對(duì)上述問題，我國(guó)發(fā)展智慧農(nóng)業(yè)必須分步推行，從應(yīng)用較為成熟、投資較小的階段性成果開始，逐步配套提高精準(zhǔn)程度15。在技術(shù)上，首先發(fā)展 3S 集成技術(shù)，開發(fā)應(yīng)用軟件，再研制智能控制的裝備和農(nóng)機(jī)具；在技術(shù)實(shí)施過程中，先進(jìn)行人工采集信息，常規(guī)機(jī)械操作， 逐步過渡到半自動(dòng)化、自動(dòng)化作業(yè)；在推廣上，先在受自然條件影響小、時(shí)空差異不大和工業(yè)化程度較高的設(shè)施農(nóng)業(yè)生產(chǎn)中應(yīng)用，在大規(guī)模的農(nóng)場(chǎng)和農(nóng)業(yè)高新技術(shù)綜合開發(fā)試驗(yàn)區(qū)實(shí)踐，然后才向有條件的農(nóng)村和農(nóng)戶滲透。這樣，既可使我國(guó)的智慧農(nóng)業(yè)與國(guó)際接軌，又符合我國(guó)的國(guó)情，逐步形成自身特點(diǎn)。在農(nóng)業(yè)生產(chǎn)環(huán)節(jié)，智慧農(nóng)業(yè)技術(shù)對(duì)農(nóng)業(yè)生產(chǎn)各種要

43、素實(shí)行數(shù)字化設(shè)計(jì)、智能化控制、精準(zhǔn)化運(yùn)行、科學(xué)化管理，促進(jìn)生產(chǎn)要素的優(yōu)化配置，提高農(nóng)業(yè)生產(chǎn)力，推動(dòng)農(nóng)業(yè)生產(chǎn)向集約化、規(guī)模化、精準(zhǔn)化轉(zhuǎn)變；在農(nóng)業(yè)經(jīng)營(yíng)環(huán)節(jié)，智慧農(nóng)業(yè)通過“互聯(lián)網(wǎng)+”電子商務(wù)等模式， 發(fā)展農(nóng)業(yè)新業(yè)態(tài)，促進(jìn)農(nóng)業(yè)一二三產(chǎn)業(yè)融合發(fā)展，促進(jìn)農(nóng)民收入持續(xù)較快增長(zhǎng)；在農(nóng)村信息服務(wù)方面，智慧農(nóng)業(yè)技術(shù)可以實(shí)現(xiàn)農(nóng)業(yè)農(nóng)村信息服務(wù)的個(gè)性化、精準(zhǔn)化，提高服務(wù)效能。隨著我國(guó)土地流轉(zhuǎn)、農(nóng)業(yè)?；l(fā)展、新型農(nóng)業(yè)經(jīng)營(yíng)主體壯大，智慧農(nóng)業(yè)技術(shù)必將成為我國(guó)發(fā)展現(xiàn)代農(nóng)業(yè)、改變傳統(tǒng)農(nóng)業(yè)生產(chǎn)方式、提高效率和效益、推進(jìn)農(nóng)業(yè)三產(chǎn)融合發(fā)展的重大選擇。在智慧農(nóng)業(yè)裝備方面，主要集中在農(nóng)業(yè)專用傳感器與儀器儀表、農(nóng)業(yè)大數(shù)據(jù)與云計(jì)算、智能化植

44、物生產(chǎn)工廠、農(nóng)業(yè)機(jī)器人、農(nóng)業(yè)精準(zhǔn)作業(yè)與智能裝備、農(nóng)業(yè)物聯(lián)網(wǎng)等智能化農(nóng)機(jī)裝備構(gòu)建技術(shù)研究，逐步從粗放式過渡到智能化、自動(dòng)化為標(biāo)志的集約化發(fā)展與制造業(yè)轉(zhuǎn)型的階段16,17。按照智能制造試點(diǎn)示范所包含的智能工廠、數(shù)字化車間、智能裝備、智能新業(yè)態(tài)、智能化管理、智能化服務(wù)等六個(gè)維度的要求來(lái)構(gòu)建智能化農(nóng)機(jī)裝備制造體系，是未來(lái)智能裝備發(fā)展的方向，為智能化農(nóng)機(jī)發(fā)展提供支撐與保障。第 2 章 農(nóng)業(yè)智能分析物聯(lián)網(wǎng)、互聯(lián)網(wǎng)等技術(shù)與農(nóng)業(yè)生產(chǎn)、加工、流通等各環(huán)節(jié)緊密結(jié)合，產(chǎn)生了大量多源異構(gòu)的農(nóng)業(yè)數(shù)據(jù)，并且這些數(shù)據(jù)仍在呈指數(shù)方式增長(zhǎng)。如何采用數(shù)據(jù)挖掘與智能分析技術(shù)與手段發(fā)現(xiàn)或提取其中的有效信息與潛在價(jià)值，實(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)經(jīng)營(yíng)

45、過程的整體信息化管控，在一定程度上加速轉(zhuǎn)變農(nóng)業(yè)生產(chǎn)方式，提高生產(chǎn)水平與效率， 對(duì)于發(fā)展與實(shí)現(xiàn)現(xiàn)代農(nóng)業(yè)具有重要意義。本章在分析綜合分析農(nóng)業(yè)數(shù)據(jù)挖掘的現(xiàn)狀和需求基礎(chǔ)上，從農(nóng)業(yè)數(shù)據(jù)語(yǔ)義分析、農(nóng)業(yè)病蟲害圖像識(shí)別、動(dòng)物行為分析以及農(nóng)產(chǎn)品無(wú)損檢測(cè)等方面介紹討論了農(nóng)業(yè)典型數(shù)據(jù)挖掘的知識(shí)模型、處理方法與分析技術(shù)，并對(duì)未來(lái)的發(fā)展方向進(jìn)行展望。農(nóng)業(yè)數(shù)據(jù)挖掘現(xiàn)代農(nóng)業(yè)發(fā)展過程中數(shù)據(jù)呈爆炸式增長(zhǎng)，尤其是隨著移動(dòng)互聯(lián)網(wǎng)和物聯(lián)網(wǎng)技術(shù)的發(fā)展，在農(nóng)業(yè)生產(chǎn)、流通與交易過程中，農(nóng)業(yè)資源、環(huán)境、多樣化的生產(chǎn)經(jīng)營(yíng)方式不斷產(chǎn)生全量超大規(guī)模、多源異構(gòu)、實(shí)時(shí)變化的農(nóng)業(yè)數(shù)據(jù)，產(chǎn)生的大量數(shù)據(jù)既包含價(jià)值密度低的數(shù)據(jù)塊，也包含價(jià)值密度高的數(shù)據(jù)塊，需

46、要從這些數(shù)據(jù)中尋求科學(xué)規(guī)律、有用知識(shí)，快速抽取出模式、關(guān)聯(lián)、變化、異常特征與分布結(jié)構(gòu)，利用自然語(yǔ)言處理、信息檢索、機(jī)器學(xué)習(xí)等技術(shù)挖掘抽取知識(shí)，把數(shù)據(jù)轉(zhuǎn)化為智慧的方法學(xué)，指導(dǎo)農(nóng)業(yè)生產(chǎn)經(jīng)營(yíng)是農(nóng)業(yè)數(shù)據(jù)挖掘的價(jià)值所在。農(nóng)業(yè)數(shù)據(jù)挖掘特點(diǎn)農(nóng)業(yè)數(shù)據(jù)挖掘可稱為數(shù)據(jù)庫(kù)中的知識(shí)發(fā)現(xiàn)，是指從農(nóng)業(yè)數(shù)據(jù)庫(kù)的大量數(shù)據(jù)中揭示出隱含的、先前未知的并有潛在價(jià)值的信息的過程。原始農(nóng)業(yè)數(shù)據(jù)可以是結(jié)構(gòu)化的，如關(guān)系數(shù)據(jù)庫(kù)中的數(shù)據(jù)；也可以是半結(jié)構(gòu)化的，如文本、圖形和圖像數(shù)據(jù)；甚至是分布在網(wǎng)絡(luò)上的異構(gòu)型農(nóng)業(yè)數(shù)據(jù)，如農(nóng)業(yè)技術(shù)、農(nóng)產(chǎn)品市場(chǎng)價(jià)格、農(nóng)業(yè)視頻等。通過數(shù)據(jù)挖掘發(fā)現(xiàn)的知識(shí)可以被用于：精準(zhǔn)農(nóng)業(yè)生產(chǎn)，提高農(nóng)業(yè)生產(chǎn)過程中的科學(xué)化管理、精準(zhǔn)化監(jiān)

47、控和智能化決策；農(nóng)業(yè)水資源、農(nóng)業(yè)生物資源、土地資源以及生產(chǎn)資料資源的優(yōu)化配置、合理開發(fā)以實(shí)現(xiàn)高效高產(chǎn)的可持續(xù)綠色發(fā)展；農(nóng)業(yè)生態(tài)環(huán)境管理，實(shí)現(xiàn)土壤、水質(zhì)、污染、大氣、氣象、災(zāi)害等智能監(jiān)測(cè)；農(nóng)產(chǎn)品和食品安全管理與服務(wù)，包括市場(chǎng)流通領(lǐng)域、物流、產(chǎn)業(yè)鏈管理、儲(chǔ)藏加工、產(chǎn)地環(huán)境、供應(yīng)鏈與溯源等精準(zhǔn)定位與智能服務(wù)；設(shè)施監(jiān)控和農(nóng)業(yè)裝備智能調(diào)度、遠(yuǎn)程診斷、設(shè)備運(yùn)行和實(shí)施工況監(jiān)控等。農(nóng)業(yè)網(wǎng)絡(luò)數(shù)據(jù)挖掘農(nóng)業(yè)網(wǎng)絡(luò)數(shù)據(jù)挖掘就是以 WEB 信息資源為對(duì)象，以信息檢索的方式為用戶提供所需信息，它包括信息收集、信息過濾、信息存取、信息索引、信息檢索等環(huán)節(jié)。互聯(lián)網(wǎng)上存有海量的農(nóng)業(yè)信息資源，據(jù)不完全統(tǒng)計(jì)，在國(guó)內(nèi)農(nóng)業(yè)領(lǐng)域現(xiàn)有各種網(wǎng)

48、站 3 萬(wàn)余個(gè)，內(nèi)容涉及實(shí)用技術(shù)、供求信息、價(jià)格信息、農(nóng)業(yè)資訊、農(nóng)業(yè)視頻等多個(gè)主題。這些農(nóng)業(yè)資源網(wǎng)站信息集中，專業(yè)性強(qiáng)，服務(wù)有針對(duì)性。另外，一些綜合類和商務(wù)類網(wǎng)站，如阿里巴巴、淘寶、阿拉丁等提供了大量的農(nóng)產(chǎn)品供求、農(nóng)資市場(chǎng)、農(nóng)業(yè)設(shè)備等特定的農(nóng)業(yè)數(shù)據(jù)，對(duì)網(wǎng)絡(luò)中海量存在的數(shù)據(jù)進(jìn)行挖掘入庫(kù)，后期進(jìn)行智能分析對(duì)于現(xiàn)代農(nóng)業(yè)發(fā)展具有現(xiàn)實(shí)意義。農(nóng)業(yè)網(wǎng)絡(luò)數(shù)據(jù)挖掘工具的典型代表有美國(guó)農(nóng)業(yè)網(wǎng)絡(luò)信息中心（AGNIC）與美國(guó)普林斯頓建立的 Agriscape Search，法國(guó)的 HyltelMultimedia，中國(guó)科學(xué)院合肥智能機(jī)械研究所研發(fā)的“農(nóng)搜”、華南農(nóng)業(yè)大學(xué)的“華農(nóng)在線”、中國(guó)農(nóng)業(yè)科學(xué)院“農(nóng)搜”、國(guó)家農(nóng)業(yè)

49、信息化工程技術(shù)研究中心的“Agsoso”等。最早網(wǎng)絡(luò)數(shù)據(jù)抓取采用基于 Html 網(wǎng)頁(yè)庫(kù)的關(guān)鍵詞匹配方法，由于網(wǎng)頁(yè)里包含了很多廣告、與當(dāng)前頁(yè)面無(wú)關(guān)的鏈接等垃圾信息，導(dǎo)致查準(zhǔn)率較低。因此，在抓取網(wǎng)頁(yè)的同時(shí)進(jìn)行 Web 信息抽?。╓eb Information Extraction）使“Agsoso”等工具信息的查準(zhǔn)率大幅提高。Web 信息抽取技術(shù)能夠從 Web 頁(yè)面所包含的非結(jié)構(gòu)或半結(jié)構(gòu)的信息中識(shí)別用戶感興趣的數(shù)據(jù)，并將其轉(zhuǎn)化為更為結(jié)構(gòu)化、語(yǔ)義更為清晰的格式。常用的信息抽取模型有基于隱馬爾可夫模型 Hidden Markov Model（HMM）的抽取方法，該方法要求大量的訓(xùn)練實(shí)例， 處理速度較慢

50、；基于本體的抽取方法是利用本體這個(gè)比較成熟的刻畫領(lǐng)域的技術(shù)手段，對(duì)抽取頁(yè)面的類型進(jìn)行描述及設(shè)計(jì)匹配規(guī)則，該方法與抽取的 Web 頁(yè)面格式無(wú)關(guān)，但本體庫(kù)的構(gòu)建工作量非常大；基于規(guī)則的文本信息抽取模型也需要先構(gòu)造抽取規(guī)則，從手工標(biāo)記的訓(xùn)練例中推導(dǎo)出一個(gè)抽取規(guī)則集。目前“Agsoso”已經(jīng)整合了農(nóng)業(yè)科技、特色農(nóng)產(chǎn)品、農(nóng)業(yè)生產(chǎn)資料、農(nóng)業(yè)社會(huì)經(jīng)濟(jì)、農(nóng)業(yè)自然資源、農(nóng)業(yè)產(chǎn)品、農(nóng)產(chǎn)品市場(chǎng)、農(nóng)民專業(yè)合作社、農(nóng)業(yè)企業(yè)、農(nóng)業(yè)視頻等 14 個(gè)分類，59 個(gè)主題信息庫(kù)，6.8TB 數(shù)據(jù)資源，實(shí)現(xiàn)了農(nóng)產(chǎn)品數(shù)據(jù)集市挖掘、基于規(guī)則的包裝器專題信息抽取模型、農(nóng)業(yè)信息專題詞庫(kù)更新算法、無(wú)序數(shù)據(jù)的大樣本學(xué)習(xí)機(jī)制等技術(shù)的應(yīng)用，為農(nóng)業(yè)

51、知識(shí)來(lái)源的最大頻繁項(xiàng)目集和信息熵集合提供了數(shù)據(jù)倉(cāng)庫(kù)基礎(chǔ)。農(nóng)業(yè)感知數(shù)據(jù)挖掘除了農(nóng)業(yè)網(wǎng)絡(luò)數(shù)據(jù)之外，在農(nóng)業(yè)產(chǎn)業(yè)鏈前端以及農(nóng)業(yè)生產(chǎn)過程中，農(nóng)業(yè)生產(chǎn)活動(dòng)也產(chǎn)生了大量的農(nóng)業(yè)過程數(shù)據(jù)，該部分的數(shù)據(jù)主要通過各類物聯(lián)網(wǎng)感知設(shè)備、自動(dòng)控制設(shè)備、智能農(nóng)機(jī)具包括人工操作記錄等方式進(jìn)行采集與收集，這里統(tǒng)稱為農(nóng)業(yè)感知數(shù)據(jù)。不同于農(nóng)業(yè)網(wǎng)絡(luò)數(shù)據(jù)，農(nóng)業(yè)感知數(shù)據(jù)的來(lái)源繁多，數(shù)據(jù)結(jié)構(gòu)與類型復(fù)雜多樣，多維特征間關(guān)聯(lián)十分緊密，這些都對(duì)農(nóng)業(yè)感知數(shù)據(jù)挖掘提出了很高的要求。農(nóng)業(yè)生產(chǎn)過程的主體是生物，存在多樣性、變異性和不確定性， 因此農(nóng)業(yè)感知數(shù)據(jù)存在季節(jié)性、地域性、時(shí)效性、綜合性、多層次性等特點(diǎn)；而在具體應(yīng)用場(chǎng)景上也涉及不同專業(yè)的多個(gè)領(lǐng)域，

52、如氣象、動(dòng)植物育種、土地管理、產(chǎn)量分析圖、畜禽飼養(yǎng)、土壤水肥、植物保護(hù)等。隨著物聯(lián)網(wǎng)數(shù)據(jù)的不斷積累，挖掘分析方法對(duì)大數(shù)據(jù)的處理方法與傳統(tǒng)小樣本的分析方法有著本質(zhì)的不同，而且對(duì)挖掘深度、數(shù)據(jù)可視化與實(shí)時(shí)性等方面都有了更高的要求。美國(guó)的農(nóng)場(chǎng)主通過安裝 Climate Corporation 公司的氣象數(shù)據(jù)軟件，可以獲得農(nóng)場(chǎng)范圍內(nèi)的實(shí)時(shí)天氣信息，如溫度、濕度、風(fēng)力、雨水等，同時(shí)結(jié)合天氣模擬、植物構(gòu)造和土質(zhì)分析得出優(yōu)化決策，幫助農(nóng)場(chǎng)主從生產(chǎn)規(guī)劃、種植前準(zhǔn)備、種植期管理、采收等各環(huán)節(jié)做出優(yōu)化決策。來(lái)自美國(guó)硅谷的 Solum 公司致力于提供精細(xì)化農(nóng)業(yè)服務(wù)，其開發(fā)的軟硬件系統(tǒng)能夠?qū)崿F(xiàn)高效、精準(zhǔn)的土壤抽樣分析

53、，以幫助種植者在正確的時(shí)間、正確的地點(diǎn)進(jìn)行精確施肥，幫助農(nóng)民提高生產(chǎn)效益。美國(guó) FarmLogs 公司幫助農(nóng)民通過移動(dòng)終端，如 Pad 就可以實(shí)現(xiàn)上傳農(nóng)場(chǎng)數(shù)據(jù)，并獲取分析結(jié)果，使農(nóng)場(chǎng)管理更加便捷，同時(shí)正在開發(fā)基于大數(shù)據(jù)分析，具備智能預(yù)測(cè)功能的農(nóng)作物輪作優(yōu)化的產(chǎn)品。由國(guó)家信息化工程技術(shù)研究中心等研發(fā)組建的“金種子育種云平臺(tái)”，面向科研單位和育種企業(yè)需求，在采集試驗(yàn)狀態(tài)、譜系等相關(guān)數(shù)據(jù)的上， 提供包括種質(zhì)資源管理、試驗(yàn)規(guī)劃、性狀采集、品種選育、系譜管理、數(shù)據(jù)分析等育種過程數(shù)據(jù)分析與服務(wù)，并在隆平高科、山東圣豐種業(yè)等成功應(yīng)用。目前農(nóng)業(yè)感知大數(shù)據(jù)挖掘主要還是針對(duì)不同領(lǐng)域利用數(shù)據(jù)挖掘技術(shù)解決生產(chǎn)中的問題

54、。其基本架構(gòu)包括三部分：農(nóng)業(yè)數(shù)據(jù)挖掘模型、農(nóng)業(yè)數(shù)據(jù)挖掘工具集和農(nóng)業(yè)數(shù)據(jù)挖掘服務(wù)。其中，農(nóng)業(yè)數(shù)據(jù)挖掘模型主要用于數(shù)據(jù)的特征提取與模型構(gòu)建；農(nóng)業(yè)數(shù)據(jù)挖掘工具集提供了大量的數(shù)據(jù)預(yù)處理算法和數(shù)據(jù)挖掘算法; 農(nóng)業(yè)數(shù)據(jù)挖掘服務(wù)則以服務(wù)的形式提供了針對(duì)不同領(lǐng)域、不同用戶的個(gè)性化數(shù)據(jù)挖掘與推薦方法。農(nóng)業(yè)數(shù)據(jù)挖掘應(yīng)用育種數(shù)據(jù)挖掘在人類早期簡(jiǎn)單的種植和采收活動(dòng)中，就開始孕育作物馴化育種的思維。在源于西歐的近代育種技術(shù)和理論出現(xiàn)之前，作物育種都是通過天然雜交和變異產(chǎn)生一些符合人類生產(chǎn)需求的作物品種。隨著遺傳學(xué)、分子生物學(xué)、生物統(tǒng)計(jì)學(xué)等學(xué)科發(fā)展，作物育種研究產(chǎn)生了海量多種類型的數(shù)據(jù)，整合和最大化利用這些生物學(xué)數(shù)據(jù)，無(wú)

55、疑對(duì)現(xiàn)代育種研究具有不可估量的重要意義。據(jù)不完全統(tǒng)計(jì)，我國(guó)現(xiàn)有的農(nóng)作物資源中含有水果、蔬菜等 200 種作物，其中包含的品種數(shù)更是達(dá)到40 萬(wàn)種，人們可以通過數(shù)據(jù)挖掘技術(shù)根據(jù)豐富的種植經(jīng)驗(yàn)和積累從這些眾多的品種資源數(shù)據(jù)庫(kù)中挖掘出適宜、優(yōu)質(zhì)的品種來(lái)進(jìn)行培育。 農(nóng)作物品種選育呈多元化發(fā)展態(tài)勢(shì)，高產(chǎn)是新品種選育的永恒主題，品質(zhì)改良是新品種選育的重點(diǎn)，病蟲害抗性是新品種選育的重要選擇，非生物逆境是新品種選育的重要方向，養(yǎng)分高效利用是品種選育的重要目標(biāo)，適宜機(jī)械化作業(yè)是新品種選育的重要特征。育種相關(guān)數(shù)據(jù)包括基因組測(cè)序數(shù)據(jù)、轉(zhuǎn)錄組測(cè)序與分子標(biāo)記數(shù)據(jù)、作物表型檢測(cè)數(shù)據(jù)、田間數(shù)據(jù)和農(nóng)業(yè)環(huán)境數(shù)據(jù)等。國(guó)內(nèi)外學(xué)者基

56、于經(jīng)典遺傳學(xué)、數(shù)量遺傳學(xué)和群體遺傳學(xué)原理，采用關(guān)聯(lián)、分類和聚類算法，挖掘種質(zhì)資源農(nóng)藝性狀、品質(zhì)、抗逆、抗病蟲等特征特性的關(guān)聯(lián)知識(shí)，實(shí)現(xiàn)育種關(guān)聯(lián)知識(shí)發(fā)現(xiàn)、野生種質(zhì)預(yù)測(cè)、核心種質(zhì)篩選等典型業(yè)務(wù)服務(wù)。作物生產(chǎn)數(shù)據(jù)挖掘在作物耕作過程中土壤情況、施肥量和氣候等因素都會(huì)影響整個(gè)農(nóng)作物的生產(chǎn)過程，從而帶來(lái)產(chǎn)量上的差異。農(nóng)業(yè)數(shù)據(jù)和信息具有很強(qiáng)的地域性和時(shí)效性，圍繞農(nóng)作物生產(chǎn)過程的關(guān)鍵環(huán)節(jié)開展數(shù)據(jù)挖掘工作，發(fā)現(xiàn)苗、水、肥、土、蟲、氣象、災(zāi)害數(shù)據(jù)背后隱藏的信息， 實(shí)時(shí)提供相關(guān)的預(yù)測(cè)、時(shí)令性和指導(dǎo)性的信息是數(shù)據(jù)挖掘技術(shù)在農(nóng)業(yè)領(lǐng)域應(yīng)用的重要需求?；趯?shí)時(shí)墑情、氣象、土壤肥力和大宗糧食作物栽培數(shù)據(jù)的數(shù)據(jù)挖掘分析，能夠支

57、撐農(nóng)業(yè)精準(zhǔn)生產(chǎn)管理，提高化肥、水、農(nóng)藥等合理投入。例如吉林省農(nóng)安縣的玉米試驗(yàn)田就采用了基于神經(jīng)網(wǎng)絡(luò)集成的6-x-1 施肥模型，通過收集來(lái)自于試驗(yàn)田不同養(yǎng)分的測(cè)試點(diǎn)的數(shù)據(jù)， 采用肥料效應(yīng)函數(shù)法對(duì)每個(gè)測(cè)試點(diǎn)的土壤養(yǎng)分含量和產(chǎn)量進(jìn)行分析比較，從而得出玉米生產(chǎn)過程中施肥量對(duì)其最后產(chǎn)量的影響。數(shù)據(jù)挖掘可以對(duì)農(nóng)作物的整個(gè)生產(chǎn)過程進(jìn)行風(fēng)險(xiǎn)評(píng)估，通過對(duì)農(nóng)作物病害、雜草、品種抗性以及相關(guān)的地理環(huán)境等元素分析，降低氣候異常、病蟲害等對(duì)糧食安全生產(chǎn)的影響。例如利用 GIS 技術(shù)對(duì)蝗蟲爆發(fā)和土壤類型、降雨情況以及它們的群種和密度進(jìn)行研究，通過畫出蝗蟲爆發(fā)的程度空間分布圖來(lái)對(duì)其進(jìn)行統(tǒng)計(jì)預(yù)測(cè)。根據(jù)山東省1999-2013

58、 年玉米田第四代棉鈴蟲發(fā)生程度采集的數(shù)據(jù)，采用支持向量回歸（Support Vector Regression, SVR）算法，構(gòu)建了玉米田第四代棉鈴蟲發(fā)生程度與其關(guān)聯(lián)因子間的非線性關(guān)系模型，實(shí)現(xiàn)了棉鈴蟲有效防控。養(yǎng)殖數(shù)據(jù)挖掘先進(jìn)技術(shù)已經(jīng)成為智能化養(yǎng)殖發(fā)展的重要推動(dòng)力，能夠從養(yǎng)殖個(gè)體、群體、環(huán)境、投入品等各個(gè)方面采集全方位、實(shí)時(shí)、高頻度的養(yǎng)殖信息，通過數(shù)據(jù)挖掘判定畜禽個(gè)體健康情況、飼料配比營(yíng)養(yǎng)狀況， 對(duì)不同生育期內(nèi)最佳養(yǎng)殖環(huán)境模擬、個(gè)體行為預(yù)警等特征抽取、分類、聚類、預(yù)測(cè)、關(guān)聯(lián)規(guī)則發(fā)現(xiàn)、統(tǒng)計(jì)分析等，支持高層次的決策分析， 保障養(yǎng)殖產(chǎn)品的繁育和生產(chǎn)效率。數(shù)據(jù)挖掘在養(yǎng)殖效益分析中的應(yīng)用。根據(jù)養(yǎng)殖原

59、始數(shù)據(jù)、價(jià)格和投入量等，運(yùn)用數(shù)理統(tǒng)計(jì)模型、關(guān)聯(lián)分析模型、確定目標(biāo)函數(shù)的具體形式，進(jìn)行趨勢(shì)預(yù)測(cè)和定量分析，例如利用改進(jìn)的粒子群算法 BP 神經(jīng)網(wǎng)絡(luò)挖掘生豬適時(shí)出欄量，分析社會(huì)資源需求、自然資源、生態(tài)環(huán)境、畜禽養(yǎng)殖業(yè)與其他行業(yè)關(guān)系等內(nèi)在數(shù)據(jù)聯(lián)系等。數(shù)據(jù)挖掘在養(yǎng)殖管理中的應(yīng)用。采用聯(lián)機(jī)分析處理（On-Line Analytical Processing, OLAP）技術(shù)切片、鉆取和旋轉(zhuǎn)多維數(shù)據(jù)，挖掘不同時(shí)期養(yǎng)殖個(gè)體營(yíng)養(yǎng)需要和采食量的內(nèi)在關(guān)系，實(shí)現(xiàn)飼料的精準(zhǔn)配比與自動(dòng)補(bǔ)飼。例如采用視頻動(dòng)態(tài)監(jiān)控與圖像特征圖，根據(jù)不同單位圓內(nèi)魚的密集度，評(píng)價(jià)魚群對(duì)飼料的需求度。通過數(shù)據(jù)挖掘?qū)?yōu)技術(shù)挖掘飼料成本、個(gè)體生長(zhǎng)速

60、率、銷售情況、養(yǎng)殖環(huán)境等數(shù)據(jù)關(guān)系。對(duì)犢?；钴S度、采食次數(shù)、睡覺時(shí)長(zhǎng)、呼吸率等生理及行為信息挖掘， 實(shí)現(xiàn)犢牛身體狀態(tài)自動(dòng)監(jiān)測(cè)和調(diào)節(jié)。農(nóng)業(yè)數(shù)據(jù)語(yǔ)義分析農(nóng)業(yè)領(lǐng)域數(shù)據(jù)所蘊(yùn)含的知識(shí)通常以自由文本、表格、圖片、視頻、數(shù)據(jù)庫(kù)等形式載體存在，且多以自然語(yǔ)言形式存在于文本載體之中。自然語(yǔ)言形式的特點(diǎn)是非結(jié)構(gòu)化，對(duì)于處理結(jié)構(gòu)化數(shù)據(jù)的計(jì)算機(jī)來(lái)說是巨大的挑戰(zhàn)，導(dǎo)致有效的農(nóng)業(yè)知識(shí)無(wú)法得到有效的應(yīng)用。隨著Internet 的發(fā)展，農(nóng)業(yè)知識(shí)共享和交互需求越來(lái)越廣泛，使得面向農(nóng)業(yè)知識(shí)共享的語(yǔ)義分析技術(shù)得到研究。農(nóng)業(yè)數(shù)據(jù)語(yǔ)義模型利用 FAO（Food and Agriculture Organization）農(nóng)業(yè)本體的農(nóng)業(yè)詞匯