Research status and prospect of crop information monitoring technology in field
-
摘要:
利用田间监测技术采集作物信息，可以实时获取田间作物的生长情况，并做出相应决策，对提高作物的产量和品质有重要作用。针对依赖于人工采样测量的传统作物田间监测方法存在效率低下、主观性强、特征单一等缺点，田间作物的快速监测、信息获取及分析技术成为了当下的研究热点。本文从采集目标、监测平台以及不同数据(信息)分析方法3个方面分析了国内外田间作物监测技术的研究现状，总结了目前我国田间作物监测中存在的问题，并对今后在监测技术创新、信息解析技术、数据(信息)标准化与共享化，以及基础设施及推广方面的发展提出了建议，以期为我国田间作物监测技术的创新和产业发展提供参考。
Abstract:Using field monitoring technology to collect crop information, we can obtain the growth of field crops in real time and make corresponding decisions, which is important for improving the yield and quality of crops. The rapid monitoring, information acquisition and analysis of field crops have become a hot topic of research today because traditional crop field monitoring methods rely on manual sampling and measurement, which have some shortcomings of low efficiency, strong subjectivity and single characteristic. This paper analyzed the current research status of field crop monitoring technology at home and abroad in terms of three aspects of acquisition targets, monitoring platforms and different data (information) analysis methods, summarized the current problems of field crop monitoring in China. Finally, some suggestions of the future development were put forward in terms of monitoring technology innovation, information analysis technology, data (information) standardization and sharing, infrastructure and extension, with the aim of providing a reference for innovation and industrialization of field crop monitoring technology in China.
-
畜禽养殖业是我国农业的重要组成部分，其产值目前已占我国农业总产值的一半以上，在国民经济中占有极为重要的地位[1]。随着国民需求的不断提升，传统畜禽养殖业已面临环境污染、疫病频发、食品安全等多种问题[2]。加快构建现代养殖体系，是养殖业持续努力奋斗的方向[3]。在绿色化、科技化、制度化的发展趋势下，我国现代畜禽养殖业正向规模化、自动化、智能化方向不断发展，以养殖动物与环境为关注点，充分利用科技成果，向精准养殖、自动化养殖、绿色养殖等方向逐步迈进。
工厂化家禽养殖是家禽养殖智慧化发展的结果，是现代营养科学配合饲料技术、家禽育种技术、疫病防治技术、环境控制技术、养殖舍建造技术以及机械化、自动化、智能化技术的综合体，能够摆脱自然环境的影响，完全依赖人为提供的最适合于家禽生长发育、繁殖的生活环境(温度、湿度、空气)和全价配合饲料的饲养条件，采用智能饲养技术，最大限度地提高劳动生产率的一种家禽养殖方法。
本文以鸡鸭鹅等主流家禽为讨论对象，从工厂化养殖智能装备、智能算法以及管控平台等方面对近年来的研究进展进行总结分析，并对工厂化家禽养殖发展的方向进行展望，为我国家禽工厂化养殖提供技术选型参考，促进家禽养殖的绿色高质量与健康可持续发展。
1. 工厂化家禽养殖智能装备
工厂化家禽养殖智能装备可有效解决家禽养殖对人工的依赖，提高劳动效率，从而提升管控效率并节省成本，促进家禽养殖的智能化与自动化发展。目前，工厂化家禽养殖智能装备主要有智能养殖舍、环境监控调控设备、智能饲喂设备、无害化粪污处理设备以及智能巡检设备。
1.1 智能养殖舍
养殖舍的智能化是实现家禽工厂化智慧养殖的前提。所谓智能养殖舍是根据家禽生活习惯结合智能化养殖技术(智能装备、智能算法和智能管控平台)，以只需个别养殖管理人员或者无人化养殖为目标，进行设计的规模化养殖场所。
虽然我国家禽养殖规模巨大，但在家禽养殖模式上存在巨大差异。以鸡鸭鹅的养殖场舍为例，鸡场的工厂化养殖模式起步早，鸡场集成调温、调湿、调光系统而呈现的规模化、集约化、智能化成熟度较高，任玲等[4]、罗坚强等[5]、郑纪业等[6]设计的集成环境监测控制系统的智能家禽舍，能够实现鸡场环境温度、湿度、二氧化碳等参数的智能感知，并能够根据感知结果调控鸡舍环境保持在适宜的范围。石海鹏等[7]通过研究蛋鸡养殖密度及光照条件等对蛋鸡生产性能的影响，为实现养殖舍光照条件智能调节提供了理论基础。除了环境智能监测调控之外，现阶段的工厂化鸡场在智能饲喂、智能防疫、无害化粪污智能处理及智能巡检等智能化建设方面也已逐步投入实际生产[8]。
与鸡只养殖相比，鸭鹅的养殖规模相对较小，仅仅针对养殖对象的不同采取不同的养殖技术(网床养殖、多层立体网养和地面平养)建设养殖舍，缺乏相应的智能化建设，不同养殖技术如图1所示。目前‘麻鸭’‘樱桃谷’‘三穗鸭’等品种鸭子的养殖舍以网床养殖和多层立体网养为主，地面平养模式较少。大部分网床养殖、多层立体网养实现了养殖环境温、湿度自动化监测及调控，喂水投食的半自动化控制；但地面平养的养殖模式主要依靠人工进行养殖。
结合智能养殖技术，工厂化家禽养殖可推动鸭鹅养殖的规模化、集约化、智能化，图2系华南农业大学智慧小院示范建设的智能家禽工厂的结构示意图。多层立体网养可进一步利用棚舍竖直方向的空间，有利于粪便的集中处理，符合绿色发展的理念，满足近年来不断扩大的家禽养殖规模。智能化设备与养殖技术可进一步提升高层笼式棚舍的优势，形成经济、高效、环保的工厂化家禽养殖模式。
1.2 环境监测与调控
养殖环境是影响家禽健康和生产力的重要因素。现代规模化、集约化家禽养殖舍易积蓄有害气体、悬浮颗粒以及气溶胶微生物等[9]，利用小气候环境的智能调控，可为畜禽提供适宜的生产环境，对提升家禽产品质量、动物食品安全和养殖场经济效益有重要意义[10]。目前，养殖场环境调控系统含有信息采集、调节装备以及控制处理器[11]，在系统正常运转时，利用各种传感器监测养殖环境的温度、湿度、空气质量，动物身上的体温、脉搏以及采食量等信息，处理系统利用以上环境及动物生理信息，得到适宜的环境调控决策，让家禽处于舒适的生活环境。图3为环境调控基本原理。
![]()
图 3 工厂化家禽养殖环境监测与调控流程Figure 3. Environment monitoring and regulation process of industrial poultry culture张万潮等[12]研发了肉鸡舍内环境监控与预警系统，实现了对肉鸡养殖栋舍内小气候的闭环调控，具有较好的应用和推广价值。目前鸭鹅的养殖环境监测调控基本处于人工或半自动化状态，能够对个别环境影响因子进行监测并控制，无法兼顾各个环境影响因子之间的联系进而采取智能化调控策略[13]。郭彬彬等[14]提出了一种基于BP神经网络的种鹅养殖舍环境智能监控系统，能够根据舍内外环境变化实现温、湿度智能控制，减少了鹅夏季热应激和病死淘汰率。刘双印等[15]为提高狮头鹅养殖舍的温度预测精度，提出了基于PCA-SVR-ARMA算法组合的温度预测模型，满足了狮头鹅养殖舍温度精准调控的决策需求。上述家禽养殖舍环境监测调控方面均应用人工智能模型取代人工做出环境调控决策，取得了理想的效果，但相关智能设备在养殖舍复杂恶劣环境下的可靠性与运行寿命尚未得到验证。
1.3 智能饲喂
智能饲喂是在无人监管的情况下，根据家禽生长需求进行分析，通过计算机视觉、物联网和人工智能等技术，实现家禽自动化精准饲喂，基本原理如图4所示。
当前，家禽的智能化精准饲喂装备的研发与应用正飞速发展，目前已呈现诸多相关的研究成果。蔡吉晨等[16]针对家禽设计了一种基于PLC的颗粒料自动投放装置，如图5所示。该装置以PLC为控制核心，以接近开关为位置检测元件，利用电磁铁驱动落料部件的动作，通过触摸屏设定落料时间，实现饲料的自动定量投放；罗土玉等[17]设计了一种佩戴于鸡跗跖处的天线识别装置，为识别采食鸡只的身份以实现精准饲喂提供了技术铺垫；Cai等[18]设计了一种可调节养殖场温、湿度的家禽自动喂料机，除了可以定时喂料之外，还可通过设置温、湿度上下限自动控制环控设备，达到精准控制饲喂环境温、湿度的目的。图6为典型的笼养鸡自动喂料装备，能定时定量投喂饲料，张燕军等[19]、闻治国等[20]、杨宗武[21]、任文涛等[22]和倪征等[23]针对鸭鹅等水禽设计了自动饲喂装置，能够实现自动送料和饲喂功能，但存在家禽采食拱料及争食浪费现象。智能饲喂装备还需在家禽个体精准饲喂控制装备上寻求突破，提高智能化程度以实现根据家禽的生理生长状态对养分的动态需求差异进行精准饲喂。
![]()
图 5 饲料自动投放装置实物图1：料斗；2：电磁铁；3：安装架；4：收集桶；5：电子秤；6：开关电源；7：PLC；8：接近开关；9：触摸屏Figure 5. Automated feed dropping machine1: Hopper; 2: Electromagnet; 3: Mounting frame; 4: Collecting bucket; 5: Electronic balance; 6: Switching power supply; 7: PLC; 8: Proximity switch; 9: Touch screen1.4 智能防疫
消毒防疫是畜禽养殖的一项重要工作，是保障养殖场不受传染病侵害的重要手段[24]。及时做好防疫消毒工作，切断传播源，对阻断外界病毒细菌侵入起到重要作用。液体药剂喷洒是畜禽养殖过程中最基础、最有效、最广泛的防疫措施[25]，将稀释的消毒和防疫雾滴散布于养殖舍中。智能防疫原理如图7所示[26]。
现有的防疫喷雾设备主要分固定式[27-29]和移动式[30-31] 2类。图8a是固定式消毒机，该装置布置于养殖舍进出口对进出养殖舍人员进行喷雾消毒。侯学恒等[32]基于超声波喷雾消毒设计了一套智能的消毒控制系统，采用初级−次级消毒通道，有效降低了防疫成本。图8b为移动式防疫机器人，实现了畜禽舍防疫消毒喷雾的智能化作业。该机器人搭载的风助式药液雾化扩散喷嘴，提升了养殖舍内消毒和免疫药液的作业效果[33]。丁伟等[26]设计了一种移动式畜禽舍防疫消毒机器人，通过触觉传感器是否碰触到外界物体来确定防疫的作用范围，降低了防疫药物的使用量。
目前的防疫装备已经取得一定的效果，但是对药物扩散范围、作用效果及使用量的检测缺乏智能化手段，无法根据疫病程度变量用药。智能化程度不足再加上防疫设备生产成本高，使得防疫设备难以满足国内工厂化家禽养殖智能防疫作业的需要。
1.5 无害化粪污智能处理
粪污处理是工厂化家禽养殖过程中的重要环节，如果粪污处理不当，就一定会对周围的空气、土壤和水源等产生不同程度的污染。无害化粪污处理是通过干湿分离、氧化和发酵等一系列复杂操作，实现粪污的排放，不会对环境产生任何有害的影响。工厂化家禽养殖的多层笼养适宜采用干清粪方式进行粪污处理，即通过刮粪板、传送带和翻扒机等设备将固体粪便进行收集和转移，易实现废物固液分离、节省清洁用水，且废物利用率高[25]，无害化粪污处理流程如图9所示。刮粪板清粪在一定程度上降低了劳动强度，节约人工成本。但是，该种方式存在粪便难以刮净、残留粪便发酵等问题，导致鸡舍氨气浓度超标、牵引绳易断裂、刮粪机的绞盘和绳索裸露等安全隐患[34]。采用各层网下传送带清粪可以解决禽与粪的及时分离难题，显著提升舍内空气质量[35]，符合绿色发展的理念，可促成传统养殖行业的转型[36]。图10a为立体式家禽粪便传送带[37]，在各层笼下布置传送带清粪可实现粪便的不落地与集中处理，且传送带式的清粪技术可使禽舍的氨气和细菌总数保持低量，因此优于刮粪式技术[38]。但目前传送式的清粪技术智能化程度较低，无法结合粪便检测的智能手段采取针对性的粪污处理措施，对粪污进行科学合理的处理[39]。李昌武等[40]发明了一种新型粪便翻扒装置，该装置对粪便进行翻扒使发酵制剂充分混合，能够提高粪污无害化效果。图10b为江苏省现代农业产业技术体系溧水(水禽)推广示范基地布置的粪污翻扒装置，可显著提高养殖场的经济效益。在工厂化家禽养殖的过程中，还要结合智能粪污检测、分析技术及时按需对粪污进行无害化处理及资源化利用，降低处理成本并最大限度地挖掘粪污价值。
1.6 智能巡检
工厂化家禽养殖的智能巡检与上述环境监测调控共同实现对家禽养殖的全面了解。智能巡检装备以人工智能技术为核心，利用物联网和互联网等技术辅助，代替人的双脚进行养殖场巡逻，对家禽舍异常情况及时进行预警和处理。巡检机器人是智能巡检技术中研究成本和制造难度最大的装备，也是实现工厂化家禽智能养殖的必备装置。
我国家禽养殖自动化和智能化的研究开始比较晚，最早开始于1999年，且主要致力于变电站的巡检机器人的研发，针对工厂化养殖的巡检机器人研究更是十分稀少。直到近年来，随着人工智能、图像识别、路径规划以及物联网等技术的日趋成熟，越来越多的高校和科技企业加大了对巡检机器人核心技术的研发投入，使得用于各种领域的巡检机器人变得更加智能化、无人化。然而主流研究主要针对于体型较大的畜，对体型较小且有羽毛覆盖的禽类研究仍有很多难题亟待攻克。
轨道机器人主要通过在家禽养殖舍上方设计轨道，实现机器人定时巡检。华南农业大学研发了鹅场轨道式巡检机器人，如图11a所示。机器人本体上集成了一系列动物养殖环境智能感知装备，如环境监测仪、红外测温仪、估重仪、动物健康监测仪等，突破了一系列关键技术算法，如动物智能估重算法、行为识别算法、点数算法等，可以周期性监测动物体温、残次及死亡等异常行为。该巡检机器人已经被部署到狮头鹅养殖舍，用于对狮头鹅养殖过程中红白双光视频图像、声音、养殖环境等信息的智能化监测。
由于家禽养殖舍地面环境复杂，走地机器人开发难度比滑轨机器人大。连京华等[41]设计了一款行走式家禽智能巡检机器人，用于对家禽环境、行为、体温、声音等多种环境参数的自动化监测，协助家禽养殖场智能养殖管理，提升养殖效率。该巡检机器人采用激光雷达定位导航进行自主巡航，但家禽养殖场生产环境复杂，养殖场所建设不规范，环境恶劣对设备腐蚀程度较高，因此使用行走式机器人容易出现避障不及时、轮胎履带易损坏、养殖信息采集不全面等情况。此外，华南农业大学与广州高新兴机器人有限公司合作研发了一款基于机器学习的养鸡场巡检机器人，如图11b所示，重点研究并解决了机器人机械本体结构设计、运动控制系统设计、自主导航系统设计、无线充电模块设计以及鸡只身份识别算法研究等问题。
2. 工厂化家禽养殖智能算法
智能算法是工厂化家禽养殖智能设备的内核，为传统养殖设备插上智能化的“翅膀”。针对工厂化家禽养殖的智能化算法主要包括行为检测、盘点技术、体质量预估和健康状态评估等方面。
2.1 行为检测
在工厂化家禽养殖中，家禽行为检测算法是智能化设备的眼睛，动物行为直接反映动物机体对环境的适应程度，不同的行为方式反映动物自身的不同状态[42-43]，为家禽养殖智能化分析提供重要数据支持。由于家禽体积小、养殖密度高，识别难度高于体型较大的畜禽，但仍有学者进行了相关研究。方鹏等[44]运用知识蒸馏的方法，使用多个教师网络产生的软标签和本身的硬标签对学生网络进行训练，最后得到准确率较高的学生网络，能够正确识别鸡的采食和休息，但识别行为少，实际使用价值不大。劳凤丹等[45]使用深度摄像头采集RGBD信息，结合深度信息，运用传统机器学习方法精确判断鸡的采食、躺和站，但对于坐的识别正确率不足60%。
不少研究利用穿戴式传感器对家禽行为进行识别检测。Li等[46]通过九轴传感器使用改进的鲸鱼优化算法和极值梯度增强算法混合策略观察鸡的进食和饮水行为，降低了特征维度，同时达到了95.58%的正确率，但其算法运算量较大。Yang等[47]对三轴加速度传感器数据提取时域信号特征，结合机器学习实现了鸡散步、休息、进食以及饮水等4种日常行为的分类。孙爱东等[48]采用无线射频识别(RFID)技术获取马岗鹅的个体产蛋规律。
深度学习在图像目标识别、检测领域取得巨大成功，利用深度学习进行家禽行为检测具有广阔的应用前景。Gu等[49]运用YoloV5成果识别鸭的伸脖、踩踏和展翅3种行为。Nasiri等[50]使用卷积神经网络识别并跟踪肉鸡的6个关键点之后，结合视频内容使用长短期记忆网格(Long short-term memory，LSTM)识别出肉鸡的跛行，在400段视频中验证得到97.5%的正确率，但算法主要用于散养鸡群，对工厂化养殖并不适用。Fang等[51]使用深度神经网络提取肉鸡关键点，结合朴素贝叶斯分类器识别站立、进食、休息和整羽等行为，但走路和跑步识别率低于65%。Li等[52-53]使用Faster R-CNN目标检测模型检测家禽的走动与梳羽行为。从现有研究来看，少有针对鸭鹅等其他家禽的研究，且研究成果中仅少部分有长时间验证，实用价值并未得到证明。
2.2 盘点计数
自动准确的家禽盘点计数在工厂化家禽养殖的智能管理中起着关键作用。目前主要是利用计算机视觉感知技术对禽畜进行盘点计数研究。与大型动物相比，国内少有针对家禽的盘点技术研究，这是因为家禽个体较小、外观相似、姿态众多以及密集重合等特征使得应用计算机视觉方法准确计算家禽数量成为一项非常具有挑战的任务。Guo等[54]和Wang等[55]使用人工神经网络的方法分别实现鸡群分布状态监测和家禽数量追踪；Li等[56]构建了一种Y-BGD模型，实现了肉鸡跟踪计数。针对目标计数跟踪过程中频繁出现的身份切换问题，采用出生、成长、死亡数据的关联策略，配合YOLOX目标检测算法，减少了跟踪损失和计数误差，提出了4种计数模型，其中CM-CL计数模型在自建的ChickenRun-2022数据集达到98.13%的计数准确率，不同算法的盘点计数结果如图12所示。
2.3 体质量预估
利用家禽图像或视频，结合智能化体质量预估算法进行体质量预估，有利于养殖人员及时评估家禽养殖情况、调整养殖方法和制定销售方案。家禽体质量预估需要依据家禽体尺(身高、体长和体宽)，养殖时间，品种和饲料类型等多方面信息。华南农业大学肖德琴等[57]发明了一种肉鸭体质量估测方法及其估测系统，提高了肉鸭体质量估测效率。南京农业大学沈明霞团队又提出了一种基于实例分割的白羽肉鸡体质量估测方法，利用Mask R-CNN和YOLACT 2种实例分割算法获取白羽肉鸡位置与覆盖掩膜，并进行效果对比；通过双变量相关性分析验证白羽肉鸡背部投影面积与体质量间的显著相关性，在理想姿态、伸头、歪头以及部分遮挡情况下，2种算法对28周龄和48周龄2种白羽肉鸡体质量估测平均准确率均能达到97%[58]。
2.4 健康状态评估
家禽健康状态评估需要结合行为检测、盘点技术和体质量预估等智能算法对采集的信息进行综合分析与处理，并对家禽的健康状态做出评价与预测。家禽健康状态评估的一般流程如图13所示。
体温是衡量家禽健康状况的重要生理指标。监测体温变化有助于家禽养殖中的健康异常监测，预防疾病。在鸡翅下装设温度传感器来感应鸡翅的体温，然后结合无线通信技术实现对鸡翅体温的远程自动监测。虽然传感器体积已经做到了很小，但是固定附着在家禽体表难免引发不适。传感器节点的数量和无线通信距离也限制了它们在大规模、远距离农业环境中的部署。基于热红外成像技术非接触和无压力的优点，从热像仪获取肉鸡图像后，通过传统DIP算法计算体表和足底的平均温度，可以感知单个肉鸡的体温[59]。Xiong等[60]利用热红外对家禽头部温度进行研究，最终得出单个家禽的温度。这些研究主要侧重单个家禽体温监测，原因是红外热成像对颜色和纹理特征缺乏敏感性，难以区分家禽群体。
有研究通过监测家禽的声音信息判断它们的福利状态。Liu等[61]和秦伏亮等[62]基于音频技术和机器学习模型实现家禽咳嗽声识别；张铁民等[63]提取鸡鸣声音的音频特征并利用模糊神经网络进行了禽流感病鸡检测。Huang等[64]提取了家禽声音的频域特征和梅尔频谱特征，用于禽流感诊断；Cuan等[65]通过获取家禽声音，使用卷积神经网络检测禽流感。Du等[66]开发了一种基于机器学习的家禽发声检测算法，用于评估家禽的热应激状况。
患病家禽在外观、行为等方面存在显著差异。众多学者利用计算机视觉提取和分析家禽的外观和行为特征，开展家禽健康状况监测的研究[67-68]；但其中大多数方法要求手动标注，不能及时反映家禽行为中包含的信息。近年来，深度学习方法开始在农场部署和应用，深度学习具有强大的特征提取和目标识别功能，可用于鸡关键部位的检测，如头部和身体，以识别病禽，但需要较高的计算能力[69]。Zhuang等[70]通过计算机视觉获取家禽发病的几何特征，再建立支持向量机模型评估家禽的健康状态。
目前在理想环境下进行家禽健康状态评估的相关研究成果丰富，而实际的工厂化家禽养殖环境复杂，干扰因素众多。目前的健康状态评估方法大多是基于家禽的一种特征信息进行分析诊断，存在泛化能力差、抗干扰能力差等问题，无法很好地排除干扰并精确地提取出所需特征信息，这使得健康状态评估的准确率受到影响，制约了其推广与应用。未来工厂化养殖中家禽健康状态评估的研究重点是提高相关智能装备的性能、智能算法模型的适用性与鲁棒性，并可尝试多源数据融合及多特征耦合的方法；此外，还应进一步研究更准确和高效的网络框架，以便于在嵌入式设备、机器人和其他计算能力较弱的设备上部署，争取实现实时、高效、智能、精准的家禽健康状态评估。
3. 智能管控平台
工厂化家禽养殖智能管控平台以工厂化养殖智能装备为平台，搭建信息化、智能化分析管控网络，同时结合多元真实养殖数据与专家分析系统，建立工厂化养殖智能算法与管控模型，对家禽养殖中的生理信息与环境信息实时监测，形成立体笼养肉鸡健康预警与环境精准管控信息，实现养殖过程信息自动采集、传输、入库、分析、预警及可视化显示。
智能管控平台的开发及示范应用可为畜禽养殖企业提供有效的智能养殖管理，减少企业养殖人员投入，降低人与畜禽的接触频率，保障养殖场的生物安全，实现畜禽养殖的少人化、远程化、数据化管理[71]。
目前家养殖模式主要是基于人工监管的规模化养殖，虽然部分养殖企业引入了自动饲喂设备和物联网系统[72]，但还缺乏对动物生理生长信息的监测和海量数据的有效挖掘；在智能化禽类疾病监测领域，还存在大量的空白；多数智能化系统仅针对单个具体环境开发且处于科学研究阶段，未能大规模投入应用；对于养殖专用的智能装备的研究仍处于起步阶段，在感知—处理—决策的智能化流程上仍存在难题。因此我国正处于家禽养殖数据积累向大数据智能高效养殖研究的过渡阶段。
华南农业大学研发了一种肉鸡笼养搭配双重报警系统，当环境控制器出现死机等无法输出高温报警故障时，可提供高温报警并能够强制启动多台风机通风。通过在线实时采集养殖现场环境信息，可有序控制风机、小窗、湿帘等执行单元的运行，实现养殖环境的智能控制。同时，通过物联网云平台实现环境数据、生长数据、养殖数据、消耗数据以及销售数据、人员信息等数据的实时监控和分析，实现养殖数智化。在物联网养殖云平台基础上，针对新时期物联网环控应用规划，构建了新一代的养鸡场精准管控平台，其用户终端包括PC客户端、WEB、智能手机APP等版本，如图14所示。
4. 面临的困难与发展趋势
4.1 我国工厂化家禽养殖存在的不足与困难
我国家禽养殖正在向规模化、标准化和智能化方向发展，在工厂化家禽养殖技术上初步实现了一定程度的集约化与自动化，但仍然处于起步阶段，在我国当前家禽智能养殖装备、算法及管控平台等方面，主要存在以下4个方面问题。
1)标准化规范缺乏。针对工厂化家禽养殖智能装备、算法及管控平台的研究大多处于科学研究阶段，信息化建设缓慢，国家和行业都还没有制定统一的标准和规范。例如养殖场建设标准、环境管理标准、配套设施标准、养殖场管理标准等行业统一的技术规范的缺失，导致智能化养殖技术的大规模落地与推广较为困难。
2)智能化技术产品化能力弱。家禽养殖智能化技术的相关成果较少，且已有的成果结合智能化程度较低，科技成果转化滞后。其中，针对鸭鹅的养殖智能化技术研究更是缺乏，智能化装备、算法管控平台的研究基本还处于科研试验阶段，个别研究有小范围试用与测试，但大多未考虑实际养殖环境的复杂性及应用需求。此外，家禽养殖智能装备、智能算法和管控平台三者联系不够紧密，难以形成一种可靠有效的集成式智能化养殖产品。这就使得先进的养殖理念、养殖方式得不到很好的推广应用。
3)创新人才不足。工厂化家禽养殖建设初期，要快速推进智能化养殖技术，需要大量具备信息化、自动化、智能化和农业专业知识的高素质复合型人才。由于多学科交叉研究的专业跨度大、人才技术培训以及迁移成本高等导致一般养殖企业无相关人员和技术的储备，高端创新智慧养殖复合型专业人才少。
4)投入成本高。现阶段工厂化家禽养殖还处于探索阶段，缺乏相应的人才团队、技术和装备支撑。传统养殖舍向工厂化养殖舍改造、传统设备向智能设备过渡、传统养殖人员向复合型养殖人才培养等方面都面临投入成本高的问题。
4.2 我国工厂化家禽养殖未来发展趋势
纵观目前国内对家禽养殖的研究现状，未来新技术、新理念与家禽养殖产业会不断加深融合，未来我国家禽养殖业也将迎来深刻的发展改革，对工厂化家禽养殖的未来发展，给出如下建议。
1)政府或行业主导制定工厂化家禽养殖标准规范。工厂化家禽养殖需要制定科学且统一的养殖标准化规范，建议在政府或行业主导下，由高等院校、科研院所和大型企业合作，在养殖场建设标准、环境管理标准、配套设施标准、养殖场管理标准等多个方面为家禽养殖创新发展提供参考依据和目标方向，也是进一步推动传统家禽养殖向现代化养殖更新的有效动力。
2)着力工厂化家禽智能养殖技术攻关。根据工厂化家禽养殖不同生产阶段自动化和智能化程度低的问题，有针对性地进行智能养殖技术联合攻关。有必要通过重点科技项目牵引等多种形式鼓励当地相关科研院所和养殖企业合作，加快装备技术成果转化，推进人工智能技术与家禽养殖高度融合，使工厂化家禽养殖技术走向实践，为应用于实际生产打好坚实基础。
3)科研院校加强复合专业型人才的培养及人才队伍建设，养殖企业注重人才引进、加强专业培训、强化工作保障，探索企业技术骨干进院校、院校人才进企业的深度合作机制，实现复合型养殖人才快速高质量培养，适应工厂化家禽养殖的智能化产业升级。
4)发挥科研院校的创新能力与大型养殖企业的产业优势，产学研高度结合建立全新的工厂化家禽养殖示范点，共同推进智能装备、算法及管控平台的自主研发升级，应用智能化养殖技术提高家禽生产性能，通过产品质量支撑未来发展，最终降低生产成本。
-
![]()
图 2 地面监测平台示意图
a：固定式车载监测平台；b：固定式高地隙检测平台；c：可调节式高地隙监测平台；d：高地隙自走式监测平台；e：履带型自走式监测平台；f：挪威生命科学大学Thorvald II；g：PhenoWatch-GF门架式植物表型成像系统；h：Scanalyzer Field门架式平台
Figure 2. The diagrams of ground monitoring platforms
a: Fixed vehicle-mounted monitoring platform; b: Fixed highland detection platform; c: Adjustable highland monitoring platform; d: Highland self-propelled monitoring platform; e: Tracked self-propelled monitoring platform; f: Thorvald II, Norwegian University of Life Sciences; g: PhenoWatch-GF gantry plant phenotype imaging system; h: Scanalyzer Field gantry platform
表 1 遥感传感器的优缺点及应用场景
Table 1 Advantages and disadvantages of remote sensing sensors and application scenarios
传感器类型 Sensor type 优点 Advantage 缺点 Disadvantage 应用场景 Application Scenario 可见光相机 RGB camera 体积小、成本低、数据量小、数据结构简单且直观 受天气影响大，波段少 产量预估、作物分类、氮素含量估算等[56-57] 多光谱成像仪 Multispectral camera 光谱范围较大、波段较多、光谱分辨率较高 无法提供连续的高光谱分辨率频谱信息 作物表型反演、病虫草害监测， 水分胁迫监测等[34, 58] 高光谱成像仪 Hyperspectral camera 可提供完整且连续的光谱曲线 操作困难、成本高昂、数据过于复杂 叶面积指数、叶绿素含量监测、氮素含量估算等[59-60] 热成像相机 Thermal imaging camera 可将红外辐射图转化为可视的热量图 受环境影响大，获得信息较单一 作物表层温度、水分胁迫监测等[61-63] 激光雷达 Lidar 采集信息速度快、精度高 成本高，作用范围较小 作物点云信息采集等[64] 
下载: 导出CSV
表 2 不同类型田间作物监测平台优点和缺点
Table 2 Advantages and disadvantages of different types of field crop monitoring platforms
平台 Platform 类型 Type 优点 Advantage 缺点 Disadvantage 天基平台 Space-based platform 卫星 可进行大面积监测 成本高，精度相对较低 空基平台 Air-based platform 有人驾驶飞机 载荷能力高，可进行较大面积监测 需要专业飞行操作人员，成本较高 无人机 成本较低，可搭载多种传感器，可进行固定面积的快速监测 续航时间短，飞行高度低，载荷量低 飞艇 相较于有人驾驶飞机等成本更低，可进行较大面积监测 不能进行精确移动，飞行速度较慢 地基平台 Ground-based platform 车载式平台 可搭载多种传感器，操作简单 对田间行距有要求，需满足机械作业条件 自走式平台 可搭载多种传感器，适应性强，相较于车载式更灵活 造价高，智能程度低，仍没有商业化普及 门架式和悬索式固定平台 可进行连续作业，测量精度高 造价较高，监测区域有限 分布式无线网络平台 成本低，可根据需求进行动态配置 覆盖面积小，只能监测个体作物情况
下载: 导出CSV
表 3 不同信息分析方法的优缺点
Table 3 Advantages and disadvantages of different information analysis methods
方法 Method 优点 Advantage 缺点 Disadvantage 经典统计分析方法 Classical statistical analysis 简单易行，对计算机设备性能要求相对较低 只能概括基本规律及趋势，难以进行深层次挖掘 经典图像处理与计算机视觉技术 Traditional Image Processing and Computer Vision 图像传感器应用广泛，可以对数据进行多角度处理 图像易受环境因素的影响 机器学习方法 Machine Learning 从现有的数据中归纳出趋势，减少人工操作 样本数据量较大，而且训练样本的品质对最终的识别结果影响较大，硬件性能要求高 大数据分析方法 Big data 计算资源丰富，处理速度快 系统结构和数据分析方法不完善，运营成本高
下载: 导出CSV
-
[1] 岳学军, 蔡雨霖, 王林惠, 等. 农情信息智能感知及解析的研究进展[J]. 华南农业大学学报, 2020, 41(6): 14-28. doi: 10.7671/j.issn.1001-411X.202008044 [2] 张泽, 吕新, 侯彤瑜. 浅析中国农业信息化技术发展现状及存在的问题[J]. 教育教学论坛, 2019(14): 267-268. [3] TESTER M, LANGRIDGE P. Breeding technologies to increase crop production in a changing world[J]. Science, 2010, 327(5967): 818-822. doi: 10.1126/science.1183700
[4] FURBANK R T. Plant phenomics: From gene to form and function[J]. Functional Plant Biology, 2009, 36(10/11): 5-6.
[5] 姜玉英, 刘万才, 黄冲, 等. 2020年全国农作物重大病虫害发生趋势预报[J]. 中国植保导刊, 2020, 40(2): 37-39. [6] 刘杰, 姜玉英, 黄冲, 等. 2021年全国粮食作物重大病虫害发生趋势预报[J]. 中国植保导刊, 2021, 41(1): 37-39. [7] 2022年全国农作物重大病虫害发生趋势预报[J]. 中国植保导刊, 2022, 42(4): 107-108. [8] 赵春江. 智慧农业的发展现状与未来展望[J]. 华南农业大学学报, 2021, 42(6): 1-7. [9] ADAMCHUK V I, PERK R L, SCHEPERS J S. Applications of remote sensing in site-specific management[M]. Nebraska : University of Nebraska, 2003: 693-702.
[10] BAO Y, NAKAMI A, TANG L. Development of a field robotic phenotyping system for sorghum biomass yield component traits characterization[C]//2014 ASABE Annual International Meeting. American Society of Agricultural and Biological Engineers (ASABE), 2014.
[11] BAO Y, TANG L. Field-based robotic phenotyping for sorghum biomass yield component traits characterization using stereo vision[J]. IFA-PapersOnLine, 2016, 49(16): 265-270. doi: 10.1016/j.ifacol.2016.10.049
[12] ZHU J M, INGRAM P A, BENFEY P N, et al. From lab to field, new approaches to phenotyping root system architecture[J]. Current Opinion in Plant Biology, 2011, 14(3): 310-317. doi: 10.1016/j.pbi.2011.03.020
[13] AMATO M, BITELLA G, ROSSI R, et al. Multi-electrode 3D resistivity imaging of alfalfa root zone[J]. European Journal of Agronomy, 2009, 31(4): 213-222. doi: 10.1016/j.eja.2009.08.005
[14] FETTER K C, EBERHARDT S, BARCLAY R S, et al. StomataCounter: A neural network for automatic stomata identification and counting[J]. New Phytologist, 2019, 223(3): 1671-1681. doi: 10.1111/nph.15892
[15] LIU X X, FU X, YU S, et al. Convolutional recurrent neural networks for observation-centered plant identification[J]. Journal of Electrical and Computer Engineering, 2018, 2018: 1-7.
[16] ZHU H Y, HUANG X Y, ZHANG S P, et al. Plant identification via multipath sparse coding[J]. Multimedia Tools and Applications, 2017, 76(3): 4599-4615. doi: 10.1007/s11042-016-3538-4
[17] 蔡坤, 徐兴, 俞龙, 等. 基于LVDS传输线延时检测技术的土壤含水率传感器[J]. 农业机械学报, 2016, 47(12): 315-322. doi: 10.6041/j.issn.1000-1298.2016.12.039 [18] 蔡坤, 岳学军, 洪添胜, 等. 基于RC网络相频特性的土壤含水率传感器设计[J]. 农业工程学报, 2013, 29(7): 36-43. [19] BENEDET L, ACUÑA-GUZMAN S F, FARIA W M, et al. Rapid soil fertility prediction using X-ray fluorescence data and machine learning algorithms[J]. Catena, 2021, 197: 105003. doi: 10.1016/j.catena.2020.105003
[20] 董彭赓. 新型自动气象站在农业气象观测中的应用分析[J]. 农业灾害研究, 2021, 11(11): 83-84. doi: 10.3969/j.issn.2095-3305.2021.11.037 [21] 李轩, 吴门新, 侯英雨, 等. 农业气象大数据共享平台设计与实现[J]. 中国农业气象, 2022, 43(8): 657-669. doi: 10.3969/j.issn.1000-6362.2022.08.006 [22] 欧善国, 彭晓丹, 凌洋. 广州智慧农业气象服务平台设计与实现[J]. 气象科学, 2022, 42(2): 270-278. [23] 翟肇裕, 曹益飞, 徐焕良, 等. 农作物病虫害识别关键技术研究综述[J]. 农业机械学报, 2021, 52(7): 1-18. doi: 10.6041/j.issn.1000-1298.2021.07.001 [24] 管泽鑫, 姚青, 杨保军, 等. 数字图像处理技术在农作物病虫草识别中的应用[J]. 中国农业科学, 2009, 42(7): 2349-2358. doi: 10.3864/j.issn.0578-1752.2009.07.012 [25] 张竞成, 袁琳, 王纪华, 等. 作物病虫害遥感监测研究进展[J]. 农业工程学报, 2012, 28(20): 1-11. [26] DELWICHE S R, KIM M S. Hyperspectral imaging for detection of scab in wheat[M]//Biological quality and precision agriculture II. Massachusetts State: SPIE, 2000: 13-20.
[27] HUANG W, LAMB D W, NIU Z, et al. Identification of yellow rust in wheat using in-situ spectral reflectance measurements and airborne hyperspectral imaging[J]. Precision Agriculture, 2007, 8(4/5): 187-197.
[28] GRIFFEL L M, DELPARTE D, EDWARDS J. Using support vector machines classification to differentiate spectral signatures of potato plants infected with potato virus Y[J]. Computers and Electronics in Agriculture, 2018, 153: 318-324. doi: 10.1016/j.compag.2018.08.027
[29] KAUR R, KANG S S. An enhancement in classifier support vector machine to improve plant disease detection[C]//2015 IEEE 3rd International Conference on MOOCs, Innovation and Technology in Education (MITE). IEEE, 2015: 135-140.
[30] TURKOGLU M, HANBAY D. Plant disease and pest detection using deep learning-based features[J]. Turkish Journal of Electrical Engineering and Computer Sciences, 2019, 27(3): 1636-1651. doi: 10.3906/elk-1809-181
[31] LOUARGANT M, JONES G, FAROUX R, et al. Unsupervised classification algorithm for early weed detection in row-crops by combining spatial and spectral information[J]. Remote Sensing, 2018, 10(671): 1-18.
[32] HALL D, DAYOUB F, PEREZ T, et al. A rapidly deployable classification system using visual data for the application of precision weed management[J]. Computers and Electronics in Agriculture, 2018, 148: 107-120. doi: 10.1016/j.compag.2018.02.023
[33] 余小东, 杨孟辑, 张海清, 等. 基于迁移学习的农作物病虫害检测方法研究与应用[J]. 农业机械学报, 2020, 51(10): 252-258. doi: 10.6041/j.issn.1000-1298.2020.10.028 [34] 赵静, 李志铭, 鲁力群, 等. 基于无人机多光谱遥感图像的玉米田间杂草识别[J]. 中国农业科学, 2020, 53(8): 1545-1555. [35] 彭文, 兰玉彬, 岳学军, 等. 基于深度卷积神经网络的水稻田杂草识别研究[J]. 华南农业大学学报, 2020, 41(6): 75-81. [36] LEHOTAY S J, SON K A, KWON H, et al. Comparison of QuEChERS sample preparation methods for the analysis of pesticide residues in fruits and vegetables[J]. Journal of Chromatography A, 2010, 1217(16): 2548-2560. doi: 10.1016/j.chroma.2010.01.044
[37] 刘美辰. 石墨炉原子吸收光谱法和胶体金快速定量法测定粮食中铅的对比研究[J]. 食品研究与开发, 2019, 40(9): 149-153. doi: 10.3969/j.issn.1005-6521.2019.09.025 [38] JIN M, LIU X N, WU L, et al. An improved assimilation method with stress factors incorporated in the WOFOST model for the efficient assessment of heavy metal stress levels in rice[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 41: 118-129. doi: 10.1016/j.jag.2015.04.023
[39] ZHOU X, ZHENG H B, XU X Q, et al. Predicting grain yield in rice using multi-temporal vegetation indices from UAV-based multispectral and digital imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 130: 246-255. doi: 10.1016/j.isprsjprs.2017.05.003
[40] OLSON D, CHATTERJEE A, FRANZEN D W, et al. Relationship of drone-based vegetation indices with corn and sugarbeet yields[J]. Agronomy Journal, 2019, 111(5): 2545-2557. doi: 10.2134/agronj2019.04.0260
[41] DUAN B, FANG S, ZHU R, et al. Remote estimation of rice yield with unmanned aerial vehicle (UAV) data and spectral mixture analysis[J]. Frontiers in Plant Science, 2019, 10: 1-14.
[42] IHUOMA S O, MADRAMOOTOO C A. Recent advances in crop water stress detection[J]. Computers and Electronics in Agriculture, 2017, 141: 267-275. doi: 10.1016/j.compag.2017.07.026
[43] ROMERO M, LUO Y C, SU B F, et al. Vineyard water status estimation using multispectral imagery from an UAV platform and machine learning algorithms for irrigation scheduling management[J]. Computers and Electronics in Agriculture, 2018, 147: 109-117. doi: 10.1016/j.compag.2018.02.013
[44] 甘平, 董燕生, 孙林, 等. 基于无人机载LiDAR数据的玉米涝灾灾情评估[J]. 中国农业科学, 2017, 50(15): 2983-2992. [45] 董锦绘, 杨小冬, 高林, 等. 基于无人机遥感影像的冬小麦倒伏面积信息提取[J]. 黑龙江农业科学, 2016(10): 147-152. [46] HAULE J, MICHAEL K. Deployment of wireless sensor networks (WSN) in automated irrigation management and scheduling systems: A review[C]//Proceedings of the 2nd Pan African International Conference On Science, Computing and Telecommunications (PACT 2014). IEEE, 2014: 86-91.
[47] 王林惠, 兰玉彬, 刘志壮, 等. 便携式柑橘虫害实时检测系统的研制与试验[J]. 农业工程学报, 2021, 37(9): 282-288. [48] 岳学军, 刘永鑫, 洪添胜, 等. 基于土壤墒情的自动灌溉控制系统设计与试验[J]. 农业机械学报, 2013, 44(S2): 241-246. [49] 徐兴, 岳学军, 林涛. 基于ZigBee网络的水环境无线监测系统设计[J]. 华南农业大学学报, 2013, 34(4): 593-597. [50] AZFAR S, NADEEM A, BASIT A. Pest detection and control techniques using wireless sensor network: A review[J]. Journal of Entomology and Zoology Studies, 2015, 3(2): 92-99.
[51] HE J L, WANG J L, HE D X, et al. The design and implementation of an integrated optimal fertilization decision support system[J]. Mathematical and Computer Modelling, 2011, 54(3/4): 1167-1174.
[52] KOLOKOTSA D, SARIDAKIS G, DALAMAGKIDIS K, et al. Development of an intelligent indoor environment and energy management system for greenhouses[J]. Energy Conversion and Management, 2010, 51(1): 155-168. doi: 10.1016/j.enconman.2009.09.007
[53] XIANG H, TIAN L. Development of autonomous unmanned helicopter based agricultural remote sensing system[C]//2006 ASAE Annual International Meeting. Portland: American Society of Agricultural and Biological Engineers, 2006.
[54] 程曼, 袁洪波, 蔡振江, 等. 田间作物高通量表型信息获取与分析技术研究进展[J]. 农业机械学报, 2020, 51(S1): 314-324. doi: 10.6041/j.issn.1000-1298.2020.S1.037 [55] 张保辉, 查燕, 史云. 智慧农业装备依赖进口情况、潜在风险及对策建议[J]. 中国农业信息, 2019, 31(4): 113-120. doi: 10.12105/j.issn.1672-0423.20190412 [56] 李红军, 李佳珍, 雷玉平, 等. 无人机搭载数码相机航拍进行小麦、玉米氮素营养诊断研究[J]. 中国生态农业学报, 2017, 25(12): 1832-1841. doi: 10.13930/j.cnki.cjea.170996 [57] 周元琦, 王敦亮, 陈晨, 等. 基于无人机RGB图像颜色及纹理特征指数的小麦产量预测[J]. 扬州大学学报(农业与生命科学版), 2021, 42(3): 110-116. doi: 10.16872/j.cnki.1671-4652.2021.03.017 [58] 田婷, 张青, 张海东. 无人机遥感在作物监测中的应用研究进展[J]. 作物杂志, 2020(5): 1-8. [59] 束美艳, 陈向阳, 王喜庆, 等. 基于高光谱数据的玉米叶面积指数和生物量评估[J]. 智慧农业(中英文), 2021, 3(1): 29-39. [60] 冯伟, 姚霞, 朱艳, 等. 基于高光谱遥感的小麦叶片含氮量监测模型研究[J]. 麦类作物学报, 2008, 28(5): 851-860. [61] 李真, 史智兴, 王成, 等. 红外热成像技术在作物胁迫检测方面的应用[J]. 农机化研究, 2016, 38(1): 232-237. [62] 魏嘉呈, 刘俊岩, 何林, 等. 红外热成像无损检测技术研究发展现状[J]. 哈尔滨理工大学学报, 2020, 25(2): 64-72. [63] 甘海明, 岳学军, 洪添胜, 等. 基于深度学习的龙眼叶片叶绿素含量预测的高光谱反演模型[J]. 华南农业大学学报, 2018, 39(3): 102-110. doi: 10.7671/j.issn.1001-411X.2018.03.016 [64] 张漫, 苗艳龙, 仇瑞承, 等. 基于车载三维激光雷达的玉米点云数据滤波算法[J]. 农业机械学报, 2019, 50(4): 170-178. doi: 10.6041/j.issn.1000-1298.2019.04.019 [65] HOFFER R M. Biological and physical considerations in applying computer-aided analysis techniques to remote sensor data[M]//SWAIN P H, DAVIS S M. Remote sensing: The quantitative approach. New York: McGraw-Hill Book Company, 1978: 227-289.
[66] FU Y Y, YANG G J, WANG J H, et al. Winter wheat biomass estimation based on spectral indices, band depth analysis and partial least squares regression using hyperspectral measurements[J]. Computers and Electronics in Agriculture, 2014, 100: 51-59. doi: 10.1016/j.compag.2013.10.010
[67] 庄东英, 李卫国, 武立权. 冬小麦生物量卫星遥感估测研究[J]. 干旱区资源与环境, 2013, 27(10): 158-162. doi: 10.13448/j.cnki.jalre.2013.10.018 [68] HUNT E R, DORAISWAMY P C, MCMURTREY J E, et al. A visible band index for remote sensing leaf chlorophyll content at the canopy scale[J]. International Journal of Applied Earth Observation and Geoinformation, 2013, 21: 103-112. doi: 10.1016/j.jag.2012.07.020
[69] 李卫国, 王纪华, 赵春江, 等. 冬小麦抽穗期长势遥感监测的初步研究[J]. 江苏农业学报, 2007(5): 499-500. doi: 10.3969/j.issn.1000-4440.2007.05.026 [70] 赵春江. 农业遥感研究与应用进展[J]. 农业机械学报, 2014, 45(12): 277-293. doi: 10.6041/j.issn.1000-1298.2014.12.041 [71] 邢素丽, 张广录. 我国农业遥感的应用现状与展望[J]. 农业工程学报, 2003(6): 174-178. doi: 10.3321/j.issn:1002-6819.2003.06.041 [72] 吴志峰, 骆剑承, 孙营伟, 等. 时空协同的精准农业遥感研究[J]. 地球信息科学学报, 2020, 22(4): 731-742. doi: 10.12082/dqxxkx.2020.190726 [73] 张传波, 李卫国, 张宏, 等. 遥感光谱指标和神经网络结合的冬小麦地上部生物量估测[J]. 麦类作物学报, 2022, 42(5): 631-639. doi: 10.7606/j.issn.1009-1041.2022.05.14 [74] 张晓春, 刘海若, 严忆辉, 等. 基于物候特征的农田土壤表层含水率遥感反演[J]. 灌溉排水学报, 2021, 40(10): 1-9. doi: 10.13522/j.cnki.ggps.2021195 [75] DEERY D M, REBETZKE G J, JIMENEZ-BERNI J A, et al. Evaluation of the phenotypic repeatability of canopy temperature in wheat using continuous-terrestrial and airborne measurements[J]. Frontiers in Plant Science, 2019, 10: 875-893. doi: 10.3389/fpls.2019.00875
[76] REJEB A, ABDOLLAHI A, REJEB K, et al. Drones in agriculture: A review and bibliometric analysis[J]. Computers and Electronics in Agriculture, 2022, 198: 107017. doi: 10.1016/j.compag.2022.107017
[77] 郭亚东. 无人机低空遥感技术应用研究[J]. 产业与科技论坛, 2022, 21(3): 37-38. doi: 10.3969/j.issn.1673-5641.2022.03.015 [78] 樊湘鹏, 周建平, 许燕. 无人机低空遥感监测农情信息研究进展[J]. 新疆大学学报(自然科学版)(中英文), 2021, 38(5): 623-631. [79] 岳学军, 王林惠, 兰玉彬, 等. 基于DCP和OCE的无人机航拍图像混合去雾算法[J]. 农业机械学报, 2016, 47(S1): 419-425. [80] WANG L H, YUE X J, WANG H H, et al. Dynamic inversion of inland aquaculture water quality based on UAVs-WSN spectral analysis[J]. Remote Sensing, 2020, 12(3): 1-18. doi: 10.3390/rs12030402
[81] 岳学军, 全东平, 洪添胜, 等. 不同生长期柑橘叶片磷含量的高光谱预测模型[J]. 农业工程学报, 2015, 31(8): 207-213. [82] 黄双萍, 岳学军, 洪添胜, 等. 不同物候期柑橘叶片钾素水平预测建模[J]. 江苏大学学报(自然科学版), 2013, 34(5): 529-535. [83] 岳学军, 全东平, 洪添胜, 等. 柑橘叶片叶绿素含量高光谱无损检测模型[J]. 农业工程学报, 2015, 31(1): 294-302. doi: 10.3969/j.issn.1002-6819.2015.01.039 [84] 岳学军, 全东平, 洪添胜, 等. 基于流形学习算法的柑橘叶片氮含量光谱估测模型[J]. 农业机械学报, 2015, 46(6): 244-250. doi: 10.6041/j.issn.1000-1298.2015.06.035 [85] 张宏鸣, 谭紫薇, 韩文霆, 等. 基于无人机遥感的玉米株高提取方法[J]. 农业机械学报, 2019, 50(5): 241-250. [86] 樊鸿叶, 李姚姚, 卢宪菊, 等. 基于无人机多光谱遥感的春玉米叶面积指数和地上部生物量估算模型比较研究[J]. 中国农业科技导报, 2021, 23(9): 112-120. [87] 陈志超, 蒋贵印, 张正, 等. 基于无人机高光谱遥感的春玉米氮营养指数反演[J]. 河南理工大学学报(自然科学版), 2022, 41(3): 81-89. [88] 史东旭, 高德民, 薛卫, 等. 基于物联网和大数据驱动的农业病虫害监测技术[J]. 南京农业大学学报, 2019, 42(5): 967-974. doi: 10.7685/jnau.201812026 [89] 袁培森, 薛铭家, 熊迎军, 等. 基于无人机高通量植物表型大数据分析及应用研究综述[J]. 农业大数据学报, 2021, 3(3): 62-75. doi: 10.19788/j.issn.2096-6369.210307 [90] 谢芳. 基于物联网和人工智能的农业无人机路径规划系统[J]. 农机化研究, 2023, 45(6): 30-33. doi: 10.13427/j.cnki.njyi.2023.06.029 [91] 黄进良徐新刚吴炳方. 农情遥感信息与其他农情信息的对比分析[J]. 遥感学报, 2004, 8(6): 655-663. doi: 10.11834/jrs.20040616 [92] 罗锡文, 廖娟, 胡炼, 等. 我国智能农机的研究进展与无人农场的实践[J]. 华南农业大学学报, 2021, 42(6): 8-17. doi: 10.7671/j.issn.1001-411X.202108040 [93] THOMPSON A L, THORP K R, CONLEY M M, et al. Comparing nadir and multi-angle view sensor technologies for measuring in-field plant height of upland cotton[J]. Remote Sensing, 2019, 11(6): 1-19. doi: 10.3390/rs11060700
[94] 唐政, 余越, 刘羽飞, 等. 田间作物表型获取无人车平台主体结构设计与优化[J/OL]. 浙江大学学报(农业与生命科学版), (2022-05-19) [2022-09-28]. https://kns.cnki.net/kcms/detail/33.1247.S.20220518.2107.002.html. [95] 卢少志, 杨蒙, 杨万能, 等. 田间作物表型检测平台设计与试验[J]. 华中农业大学学报, 2021, 40(4): 209-218. doi: 10.13300/j.cnki.hnlkxb.2021.04.025 [96] 康凯, 袁洪波, 肖雪朋, 等. 自走式表型平台及在线自整定PID速度控制研究[J]. 农机化研究, 2022, 44(4): 19-25. doi: 10.3969/j.issn.1003-188X.2022.04.004 [97] YOUNG S N, KAYACAN E, PESCHEL J M. Design and field evaluation of a ground robot for high-throughput phenotyping of energy sorghum[J]. Precision Agriculture, 2019, 20(4): 697-722. doi: 10.1007/s11119-018-9601-6
[98] GRIMSTAD L, FROM P J. Software components of the Thorvald II modular robot[J]. Modeling Identification and Control, 2018, 39(3): 157-165. doi: 10.4173/mic.2018.3.2
[99] KIRCHGESSNER N, LIEBISCH F, YU K, et al. The ETH field phenotyping platform FIP: A cable-suspended multi-sensor system[J]. Functional Plant Biology, 2017, 44(1): 154-168. doi: 10.1071/FP16165
[100] BAI G, GE Y F, SCOBY D, et al. NU-Spidercam: A large-scale, cable-driven, integrated sensing and robotic system for advanced phenotyping, remote sensing, and agronomic research[J]. Computers and Electronics in Agriculture, 2019, 160: 71-81. doi: 10.1016/j.compag.2019.03.009
[101] GARCIA-SANCHEZ A J, GARCIA-SANCHEZ F, GARCIA-HARO J. Wireless sensor network deployment for integrating video-surveillance and data-monitoring in precision agriculture over distributed crops[J]. Computers and Electronics in Agriculture, 2011, 75(2): 288-303. doi: 10.1016/j.compag.2010.12.005
[102] DIAZ S E, PEREZ J C, MATEOS A C, et al. A novel methodology for the monitoring of the agricultural production process based on wireless sensor networks[J]. Computers and Electronics in Agriculture, 2011, 76(2): 252-265. doi: 10.1016/j.compag.2011.02.004
[103] ZHU B Q, HAN W T, WANG Y, et al. Development and evaluation of a wireless sensor network monitoring system in various agricultural environments[J]. Journal of Microwave Power and Electromagnetic Energy, 2014, 48(3): 170-183. doi: 10.1080/08327823.2014.11689881
[104] GEORGIEVA T, PASKOVA N, GAAZI B, et al. Design of wireless sensor network for monitoring of soil quality parameters[J]. Agriculture & Agricultural Science Procedia, 2016, 10: 431-437.
[105] 兰玉彬, 邓小玲, 曾国亮. 无人机农业遥感在农作物病虫草害诊断应用研究进展[J]. 智慧农业, 2019, 1(2): 1-19. [106] TAHIR M N, NAQVI S, LAN Y, et al. Real time monitoring chlorophyll content based on vegetation indices derived from multispectral UAVs in the kinnow orchard[J]. International Journal of Precision Agricultural Aviation, 2018, 1(1): 24-32.
[107] 王超, 王建明, 冯美臣, 等. 基于多变量统计分析的冬小麦长势高光谱估算研究[J]. 光谱学与光谱分析, 2018, 38(5): 1520-1525. [108] FU P, MEACHAM-HENSOLD K, GUAN K, et al. Estimating photosynthetic traits from reflectance spectra: a synthesis of spectral indices, numerical inversion, and partial least square regression[J]. Plant Cell & Environment, 2020, 43(5): 1241-1258.
[109] TARDIEU F, CABRERA-BOSQUET L, PRIDMORE T, et al. Plant phenomics, from sensors to knowledge[J]. Current Biology, 2017, 27(15): 770-783. doi: 10.1016/j.cub.2017.05.055
[110] 周济, TARDIEU F, PRIDMORE T, 等. 植物表型组学: 发展、现状与挑战[J]. 南京农业大学学报, 2018, 41(4): 580-588. doi: 10.7685/jnau.201805100 [111] 杨涛, 李晓晓. 机器视觉技术在现代农业生产中的研究进展[J]. 中国农机化学报, 2021, 42(3): 171-181. doi: 10.13733/j.jcam.issn.2095-5553.2021.03.024 [112] ZHANG C, SI Y, LAMKEY J, et al. High-throughput phenotyping of seed/seedling evaluation using digital image analysis[J]. Agronomy, 2018, 8(5): 63. doi: 10.3390/agronomy8050063
[113] YAO Q, XIAN D X, LIU Q J, et al. Automated counting of rice planthoppers in paddy fields based on image processing[J]. Journal of Integrative Agriculture, 2014, 13(8): 1736-1745. doi: 10.1016/S2095-3119(14)60799-1
[114] 刁智华, 袁万宾, 罗雅雯, 等. 基于图像处理的小麦白粉病病斑生长模型构建[J]. 中国农机化学报, 2019, 40(6): 158-161. doi: 10.13733/j.jcam.issn.2095-5553.2019.06.30 [115] 苗中华, 余孝有, 徐美红, 等. 基于图像处理多算法融合的杂草检测方法及试验[J]. 智慧农业(中英文), 2020, 2(4): 103-115. [116] 任全会, 杨保海. 图像处理技术在田间杂草识别中应用研究[J]. 中国农机化学报, 2020, 41(6): 154-158. [117] 刘丹, 诸叶平, 刘海龙, 等. 植物三维可视化研究进展[J]. 中国农业科技导报, 2015, 17(1): 23-31. doi: 10.13304/j.nykjdb.2014.579 [118] 季富华, 刘佳, 王利民. 农作物类型遥感识别算法及国产高分卫星应用示例[J]. 中国农业资源与区划, 2021, 42(7): 254-268. [119] 马怡茹, 吕新, 易翔, 等. 基于机器学习的棉花叶面积指数监测[J]. 农业工程学报, 2021, 37(13): 152-162. doi: 10.11975/j.issn.1002-6819.2021.13.018 [120] 杨明欣, 高鹏, 陈文彬, 等. 基于机器学习的油青菜心水分胁迫研究[J]. 华南农业大学学报, 2021, 42(5): 117-126. [121] BAEK I, KIM M S, CHO B K, et al. Selection of optimal hyperspectral wavebands for detection of discolored, diseased rice seeds[J]. Applied Sciences, 2019, 9(5): 1027. doi: 10.3390/app9051027
[122] 郭祥云, 台海江. 深度学习在大田种植中的应用及展望[J]. 中国农业大学学报, 2019, 24(1): 119-129. doi: 10.11841/j.issn.1007-4333.2019.01.16 [123] GRINBLAT G L, UZAL L C, LARESE M G, et al. Deep learning for plant identification using vein morphological patterns[J]. Computers and Electronics in Agriculture, 2016, 127: 418-424. doi: 10.1016/j.compag.2016.07.003
[124] 卢涵宇, 胡超, 张涛, 等. 基于深度学习的高分辨率遥感影像分类研究[J]. 广西大学学报(自然科学版), 2020, 45(2): 328-335. [125] SLADOJEVIC S, ARSENOVIC M, ANDERLA A, et al. Deep neural networks based recognition of plant diseases by leaf image classification[J/OL]. Computational Intelligence and Neuroscience, (2016-05-29)[2022-09-28]. http://dx. doi.org/10.1155/2016/3289801.
[126] 朱允君. 大数据在智慧农业中研究与应用展望[J]. 中国新通信, 2020, 22(16): 108. doi: 10.3969/j.issn.1673-4866.2020.16.099 [127] BHAT S A, HUANG N F. Big data and AI revolution in precision agriculture: Survey and challenges[J]. IEEE Access, 2021, 9: 110209-110222. doi: 10.1109/ACCESS.2021.3102227
[128] 孙九林, 李灯华, 许世卫, 等. 农业大数据与信息化基础设施发展战略研究[J]. 中国工程科学, 2021, 23(4): 10-18. [129] 陈桂芬, 李静, 陈航, 等. 大数据时代人工智能技术在农业领域的研究进展[J]. 吉林农业大学学报, 2018, 40(4): 502-510. [130] 何清, 李宁, 罗文娟, 等. 大数据下的机器学习算法综述[J]. 模式识别与人工智能, 2014, 27(4): 327-336. doi: 10.3969/j.issn.1003-6059.2014.04.007 [131] 贾继增, 高丽锋, 赵光耀, 等. 作物基因组学与作物科学革命[J]. 中国农业科学, 2015, 48(17): 3316-3347. [132] WU F, LI A, HE S, et al. Research on measurement and control system of common parameters of agricultural equipment based on wireless transmission[J]. International Journal of Agricultural and Environmental Information Systems, 2021, 12(2): 73-86.
[133] ROUKH A, FOTE F N, MAHMOUDI S A, et al. Big data processing architecture for smart farming[J]. Procedia Computer Science, 2020, 177: 78-85. doi: 10.1016/j.procs.2020.10.014
[134] TUMMERS J, KASSAHUN A, TEKINERDOGAN B. Reference architecture design for farm management information systems: A multi-case study approach[J]. Precision Agriculture, 2021, 22(1): 22-50. doi: 10.1007/s11119-020-09728-0
[135] 江顺, 陈荣宇, 林伟君, 等. 基于大数据的智能农业云服务平台设计与实现[J]. 安徽农业科学, 2022, 50(16): 190-197. -
期刊类型引用(0)
其他类型引用(1)
计量
- 文章访问数:
- HTML全文浏览量: 0
- PDF下载量:
- 被引次数: 1
