08.19 農業物聯網技術研究進展與發展趨勢分析

摘 要：以人力為主的現有生產模式與勞動力持續減少、人均農業資源匱乏與農業資源利用率低、新農民年輕化與勞動力老齡化是阻礙我國農業實現現代化的主要矛盾。依賴智能裝備實現精準化、自動化和智能化的農業生產, 提高農業生產率、資源利用率和土地產出率, 是解決以上矛盾的重要途徑。農業物聯網是以挖掘農業生產力、提高農業裝備精準化水平、實現農業生產智能化的新興技術, 集農業信息感知、數據傳輸、智能信息處理技術於一體, 並根據大田種植、設施園藝、畜禽養殖、水產養殖以及農產品物流的重大需求, 形成典型的產業應用。本文重點總結了近年來農業信息感知方向在農業個體標識研究與感知機理及工藝的最新發現、農業信息傳輸方向在低功耗廣域網的最新成果、農業智能信息處理方向的農業大數據技術與農業人工智能技術的重大突破, 提出以農業業務模型驅動農業業務控制、以設備管理設備的農業物聯網架構, 人的主要角色是實時數據與價值信息的消費者, 農業物聯網驅動的農機裝備智能化作業是最主要的勞動力來源;進而對比國內外農業物聯網技術應用與集成現狀, 分析農業物聯網發展的制約因素, 提出我國農業物聯網發展策略, 最終得出農業物聯網技術的未來研究重點與發展方向。

引言

作為人口大國, 以小規模粗放勞作為主的傳統農業依然是我國農業的主要生產、經營模式。由於傳統農業生產規模小、組織化程度低, 導致我國農業勞動生產率低下, 作為已實現農業現代化的發達國家, 美國、法國、德國的人均勞動力所負擔耕地面積分別是我國的145倍、55倍、45倍。同時, 伴隨著農業勞動力老齡化問題, 勞動力成本大幅提升, 農產品的勞動力成本高達70%, 導致我國農產品價格全面超過國際水平。在資源利用率方面, 發達國家主要糧食作物的水分生產效率、廢料利用率、農藥利用率分別為2 kg/m3、65%、50%~60%, 相比之下, 我國主要糧食作物的水分生產效率、廢料利用率、農藥利用率分別僅有1 kg/m3、35%、25%。傳統農業低下的資源利用效率進一步加劇了生態環境惡化、人均農業資源短缺, 並由此帶來更為嚴峻的農產品質量安全問題。發展高效、精準、環保的現代化農業生產、經營模式[1]是解決當前我國農業諸多難題的主要出路。

我國提出“感知中國”的物聯網發展戰略, “設施農業物聯網”是其中至關重要的應用[2]。我國農業正處於從傳統農業向現代農業迅速推進的過程中, 農業物聯網是我國農業現代化的重要技術支撐。農業物聯網技術在農業生產、經營、管理和服務中的具體應用, 就是運用各類傳感器、RFID、視覺採集終端等感知設備, 廣泛採集大田種植、設施園藝、畜禽養殖、水產養殖、農產品物流等領域的現場信息[3-9];按照約定的協議, 通過建立數據傳輸和格式轉換方法, 充分利用無線傳感器網絡、電信網和互聯網等多種現代信息傳輸通道, 實現農業信息的多尺度的可靠傳輸;最後將獲取的海量農業信息進行融合、處理, 並通過智能化操作終端實現農業的自動化生產、最優化控制、智能化管理、系統化物流、電子化交易, 進而實現農業集約、高產、優質、高效、生態和安全的目標[10]。

農業物聯網是一個複雜的系統, 涉及電子、通訊、計算機、農學等學科和領域。依據信息學的基本研究內容, 即信息的獲取、處理、傳遞和利用, 農業物聯網關鍵技術可劃分4個層次, 即感知層、傳輸層、處理層、應用層, 重點解決農業個體識別、情景感知、異構設備組網、多源異構數據處理、知識發現、決策支持等問題。在農業物聯網中, 不同種類的農業設備、傳感器突破數據共享屏障, 通過M2M通訊技術共享運行參數, 遵循基於大數據與人工智能的控制策略實現農業全過程的最優自動化控制。農業物聯網將扭轉當前農業生產以人為主, 以機器、科技為輔的局面, 開創以機器、科技為主, 以人為輔的生產模式, 解放農業設備生產力, 大幅提高農產品質量、物流的透明度, 全面降低農產品生產經營成本。

目前, 農業物聯網已在我國實現初步應用, 然而隨著信息技術的不斷升級, 農業現代化進程邁入了全新的信息時代, 傳統農業的升級過程對農業物聯網提出了新的需求。本文依次針對農業物聯網的架構與標準化、感知技術、傳輸技術、智能信息處理技術、集成與應用現狀進行梳理, 分析在新信息環境下農業物聯網的發展瓶頸, 提出我國農業物聯網發展策略。

1 農業物聯網技術進展

1.1 農業物聯網架構與標準化進展

農業物聯網架構如圖1所示, 標準化的數據共享協議、數據接口、業務模型訪問協議、用戶外部訪問協議促成農業系統的實時環境數據及設備運行狀態共享, 並實現多源異構分佈式的海量農業數據存儲;農業智能信息處理技術是建立農業業務模型的途徑, 是智能控制策略的來源, 結合大數據技術獲取價值關係信息與業務特徵、結合人工智能算法獲取業務模型的主要參數。在農業物聯網的技術框架中, 人的主要角色是實時數據與價值信息的消費者;農業全過程業務的運行, 例如農業產前、產中、產後及補給運維管理業務等, 則主要依靠控制策略自動運行, 控制策略由業務模型與底層控制網絡共同完成, 人僅可以通過頂層軟件平臺的人機接口進行輔助控制, 農業各個過程的業務控制已不再是人的主要任務, 農業物聯網驅動的農機裝備智能化作業是最主要的勞動力來源。

農業物聯網標準是實現農業物聯網技術應用的關鍵[11]。作為底層控制網絡、海量農業數據存儲系統、業務模型、用戶需求的交互中心, 頂層平臺與各部分的接入必然涉及各種網絡制式、數據接口、行業接口、異構數據交匯, 此外, 底層控制網絡不同廠商設備的組網、業務模型的標準交互通道、海量農業數據存儲、用戶訪問通道內部更是需要更為詳細、精確的標準規範, 因此數據共享協議、數據接口、業務模型訪問協議、用戶外部訪問的標準化是農業物聯網建設的基礎, 也是目前制約我國農業物聯網解放設備生產力、以設備為主以人為輔, 最終實現無人化管理的主要難題。

近年來專門面向農業物聯網的技術標準體系正在不斷完善, 我國農業物聯網行業應用標準工作組和國家傳感器網絡標準農業應用研究項目正在努力攻關。雖然如此, 由於農業物聯網的學科間交叉深度達到了前所未有的水平, 當前的農業物聯網標準體系還不足以全面支撐農業物聯網發展的標準化。

圖1 農業物聯網架構Fig.1 Technical framework of Io T in agriculture

根據《國務院關於推進物聯網有序健康發展的指導意見》, 農業物聯網標準體系應著重基礎共性標準、關鍵技術標準和重點應用標準建設。我國提出初步的物聯網標準體系框架大體上由總體共性標準、感知層標準、網絡層標準、服務支撐標準、應用層標準等部分組成。按照目前農業中行業的規模和信息化狀況, 以及農產品產前、產中、產後的農業產業鏈, 可以劃分選取大田種植、設施園藝、畜禽養殖、水產養殖、農產品物流5個代表性農業領域的物聯網標準體系進行重點攻關。目前已有國家批准立項的14項農業物聯網國家標準已取得重大進展。由於農業業務受地域分佈影響較大, 各地也相應推動局部地區的農業物聯網標準體系研究。

1.2 農業信息感知技術進展

1.2.1 農業個體標識技術

統一標識體系是農業物聯網建設的基礎, 農業物聯網經由全球定位系統、基礎網絡以及傳感器、RFID、條碼技術等各類信息承載技術, 實現到具體對象如人員、傳感器、農機設備、農田水域等地理設施、農產品等的精確定位、查找和信息追溯;此外, 基於統一標識體系所建立的無線傳感器網絡能夠在統一規劃的前提下, 兼容現有的基礎建設體系, 避免信息資源的重複建設, 及時發現問題、排除故障, 能夠實現對農業監測環境的精準信息搜尋[12]。

射頻識別 (RFID) 是一種無線通信技術, 它通過無線信號自動識別和感知貼附在物體上的射頻標籤並讀寫相關數據, RFID技術具有防水、防磁、耐高溫、讀取距離大、數據加密、存儲數據容量大、信息更改簡單等特點, 還可以實現多個標籤的防衝突操作, 從而可以解決很多傳統識別技術上的缺陷, 以上特點使得RFID成為實現農業物聯網個體規模化識別的主要技術[13]。近年來, RFID在質量追溯、倉儲管理、圖書管理、物流運輸、產品唯一性標識、醫藥及病人樣本跟蹤、電力通訊標識等領域的應用已取得令人矚目的成果。進一步而言, 基於RFID進行標識的研究熱點已延伸至精準位置標識、定位及自主導航上[14-15], 具體的研究內容包括參數提取、幾何位置估計、指紋位置估計、代價函數最小化、貝葉斯估計, 主要通過將RFID信號同WSN、Zig Bee、GPS信號中的位置信息加以融合從而實現物體位置標識、定位以及自主導航。此外, 針對RFID的鏈路及防碰撞協議、遠距離通訊、改進標籤技術等方面的研究將進一步改進RFID, 使其適應更多的應用場景[16-17]。綜上, 農業個體標識技術已在個體識別、個體信息共享上取得巨大進展, 將顛覆傳統農業粗獷、不區分個體差異的管理方式, 是實現農業物聯網內節點設備、農業動植物的精細化個體管理的基礎。

1.2.2 農業信息感知機理與工藝

(1) 電化學感知機理與工藝

電化學感知是以待測物質、修飾電極分別作為敏感源和轉化元件, 把電流、電勢或者電導等作為特徵檢測信號的機理[18]。電化學傳感器通常由2個或2個以上的電極組成, 可分為參比電極、工作電極和輔助電極, 根據電極界面間電子或離子的交換情況, 電極又可分為電子交換型電極和離子交換型電極 (也稱膜電極) 。農業傳感器電極的分類如表1。

表1 農業傳感器電極主要材料類型與優點Tab.1 Main types and advantages of agricultural sensor probe

新型電化學感知機理在農業中的重金屬、有毒物質監測具有極大潛力, 例如:納米材料與納米技術的發展實現了單鏈DNA在電極表面的固定, 各種類型的DNA電化學傳感機理得以廣泛研究[32];基於電化學感知機理, 針對重金屬、有毒化合物的痕量監測已有較為廣泛的研究[33], 並取得較好的效果。電化學傳感器製備工藝的研究熱點是納米片修飾電極工藝[34]、分子印跡工藝、絲網印刷工藝[35]。

(2) 光學感知機理與工藝

相比於電化學傳感器, 基於光學感知機理的傳感器不需要與被檢測物質發生化學反應的電極, 不存在電極表面鈍化、中毒以及電極膜汙染的問題, 重複性與穩定性良好, 能夠實現長期在線監測[36]。農業物聯網所應用的光學感知機理主要包括熒光淬滅效應[37-38]、分光光度法[39-40], 此外也有應用光纖倏逝場效應檢測氨氣的研究[41-42], 在農業物聯網領域具有應用潛力。

(3) 電學感知機理與工藝

電學感知機理在農業物聯網中主要用於溫度、溼度的測量[43]。介電法是土壤水分定量檢測的最佳機理[44-45]。測量土壤含水率的方法主要包括時域反射法 (TDR) 和頻域法 (FD) [46], 基於TDR法的土壤水分測量是國外的主流方法, 也是國內亟需進行深入研究的熱點[47]。

(4) 遙感學感知機理

遙感學的理論基礎是物質成分在不同波段電磁波下的光譜吸收和反射特徵。農業遙感技術具有覆蓋面積大、重訪週期短、獲取成本相對低等優勢[48], 對大面積露天農業生產的調查、評價、監測和管理具有獨特的作用, 能夠解決農業作物種植種類分散、地域複雜的難題。農業遙感的收益約佔遙感應用總收益的70%, 可分為四大研究方向[49]:農業資源調查、農作物估產、農業災害預報、精準農業。

綜上, 農業信息感知研究不僅涉及到化學分析、物質表面特性、光譜學、生物學、微電子學、遙感學等多門學科的機理探索, 還在不斷突破加工方式, 以追求更高的工藝精度、更長的使用壽命、更低的感知成本。其中基於電化學、光學、電學感知機理的農業傳感器, 應側重於感知機理與硬件工藝的改善, 同時注意組合不同機理的優勢, 研發多參數、多途徑的農用傳感器;另一方面, 基於高光譜遙感、無人機遙感的精準遙感是特殊的農業感知途徑, 是實現精準農業的重要技術, 應側重於數據處理、挖掘與特徵提取算法的改進, 組合農業遙感數據與地面農業傳感網數據, 進行信息融合以提高農業遙感精度。

1.3 農業信息傳輸技術進展

1.3.1 農業現場總線技術

農業現場總線 (Field bus) 為惡劣工作環境設計, 保證了農業機械控制系統的高可靠性和實時性[50]。目前農業現場總線技術主要包括控制器局域網總線 (CAN bus) 、RS485總線。此外, 對應於特定廠商的硬件產品, 還有LON總線、Avalon總線、1-wire總線、Lonworks總線。

CAN總線協議是汽車計算機控制系統、嵌入式工業控制局域網的標準總線, 可靠性高、錯誤檢測能力強, 是農機自動化控制、農業物聯網、精準農業應用最多的總線技術, 基於CAN 2.0B協議, 國際標準化組織制訂了農林業機械專用的串行通信總線標準ISO11783協議[51], 廣泛應用於農機數據採集傳輸[52]、農機導航控制、分佈式溫室控制[53]、農業環境監控[54]、節水灌溉[55-56]、水產養殖監控系統等領域。

RS485總線是串口通訊的標準之一, 採用平衡傳輸方式, 當採用二線制時, 可實現多點雙向通信, 抗干擾能力強, 可實現傳感器節點的局域網兼容組網[57]。由於靈活、易於維護, 廣泛應用於農業監控系統中。

農業現場總線技術實現了農業控制系統的分散化、網絡化、智能化, 同時, 由於其魯棒性、抗干擾能力強, 故障率低, 是確保農業物聯網關鍵節點信息傳輸的必備技術。由於農業物聯網節點的信息傳輸往往關係到農業業務的正確執行、農業業務信息的準確共享, 即使已通過其它信息傳輸方式實現了通訊, 也應儘可能額外配置一條農業現場總線作為其它傳輸方式故障時的緊急信息傳輸通道。

1.3.2 農業無線傳感器網絡

無線傳感器網絡 (WSN) 是由大量具有片上處理能力的微型傳感器節點組成的網絡[58]。根據通訊距離、覆蓋範圍可以分為無線局域網技術、無線廣域網技術[59-61], 在無線廣域網技術中, 低功耗廣域網 (Low-power wide-area network, LPWAN) 技術是近年來物聯網研究的熱點方向之一, 相對於傳統的無線廣域網蜂窩移動通信技術 (如2G、3G、4G等) , 具有低成本、低功耗的特點[62]。WSN的傳輸技術對比如表2所示。

無線局域網技術主要包括Zig Bee、Wi-Fi、Bluetooth, 是主要頻段為2.4 GHz的短距離通訊技術。三者的具體性能比較如表3所示。

表2 無線傳感網主要傳輸技術對比Tab.2 Contrast of main WSN communication technologies

表3 無線局域網技術性能對比Tab.3 Contrast of wireless local area networks communication performance

無線廣域網技術包括蜂窩移動通信網、LPWAN (低功耗廣域網) ;蜂窩移動通信技術目前經歷了4代技術更新, 以“萬物互聯”為目標的第5代移動通信技術 (5G) 也已在2016年公佈, 將為農業物聯網進一步升級農業數據傳輸效率帶來新的動力。各代技術對比如表4所示。

表4 蜂窩移動通信技術性能對比Tab.4 Contrast of cellular mobile communication performace

LPWAN依工作頻譜是否授權, 又可分為為非授權頻譜LPWAN和授權頻譜LPWAN。其中LoRa是非授權頻譜LPWAN代表, NB-Io T是授權頻譜LPWAN代表。表5為非授權頻譜LPWAN技術對比, 表6為LoRa與NB-Io T技術對比。目前國內三大運營商以及華為、中興等設備供應商已在2017年推動NB-Io T的應用, 然而NB-Io T對具體行業的需求適應性相對LoRa較弱, 更適合分散型應用;LoRa作為最重要的非授權頻譜LPWAN技術之一, 運營方式更加靈活, 可以是以運營商主導的大範圍公開網絡, 也可以是私人部署的專用局域網絡[64]。另一方面, 低功耗廣域網技術按協議調製方式可以分為擴頻技術、超窄帶技術、窄帶技術。如圖2所示。

表5 非授權頻譜LPWAN技術性能對比Tab.5 Contrast of non-authorized spectrum LPWAN performace

表6 LoRa與NB-Io T技術對比Tab.6 Technical contrast between LoRa and NB-Io T

圖2 LPWAN調製方式Fig.2 Modulation types of LPWAN

綜上, WSN具有端節點和路由雙重功能:一方面實現數據的採集和處理;另一方面將數據融合經多條路由傳送到路由節點, 最後經互聯網或其他通信網絡傳送到信息消費者。就無線局域網而言, 已發展出基於不同協議標準的技術, Wi-Fi通訊速率高, 但功耗高, 適合易部署、固定點位的傳感器網絡組網;Bluetooth安全性高, 但通訊距離過短、功耗高, 適合短時近距離組網;Zig Bee由於功耗較低, 同時具有多跳、自組織的特點, 每個節點均可作為相鄰節點傳輸數據的中轉站, 容易擴展傳感器網絡的覆蓋範圍, 是理想的長距離、大範圍傳感器組網方式。就無線廣域網而言, 以LoRa、NBIo T為代表的LPWAN是未來農業傳感器網絡組網的主要途徑, 雖然架設LPWAN基站的成本高, 但低功耗、低運營成本、大節點容量的特點無疑是為農業物聯網量身定做的組網技術, 必將擁有巨大的應用空間;作為LPWAN的傳輸速率補充, 4G、5G移動通訊技術將使農業圖像、音頻為代表的大文件傳輸變為現實, 進一步擴充農業信息維度。就研究側重點而言, 無線傳感器網絡的研究主要集中於通信、節能和網絡控制3方面, 將其應用於農業環境監測領域是無線傳感器網絡的研究熱點之一。

1.4 農業智能信息處理技術進展

1.4.1 基於農業物聯網的大數據技術

隨著信息技術的不斷普及, 計算機存儲技術快速發展, 數據量跨入ZB (1.024×1021bit) 時代, 待處理的信息量超過了一般計算機在處理數據時所能使用的內存量, 新的分佈式系統架構Hadoop和計算模型MapReduce應運而生。全新的技術條件使得對海量數據的整合、聚類、迴歸等變得可行。舍恩伯格提出, 大數據是人類學習新知識、創造新價值的源泉[65]。大數據的主要特徵可以概括為“4V”特徵, 即規模性 (Volume) 、快速性 (Velocity) 、多樣性 (Variety) 、真實性 (Veracity) 。

農業數據主要是對各種農業對象、關係、行為的客觀反映, 農業大數據技術是多源異構的海量農業數據的抽象數學描述, 是挖掘農業生產、加工、銷售、資源環境、過程等全產業鏈價值信息的有效工具[66], 通過統計學的方法量化農業對象、關係、行為, 為精細農業的研究與實施提供知識支持。基於web of science核心合集數據, 將近5年農業大數據的研究重點分類統計如表7。

農業大數據的主要處理技術是MapReduce軟件模型與Hadoop架構。具體框架如圖3, 主要包括分佈式文件系統 (Hadoop distributed file system, HDFS) 與MapReduce的並行計算框架:HDFS的主要作用是整合不同地址的海量數據資源[73], 為並行計算分配不同的數據資源並向用戶共享可公開訪問的數據;MapReduce框架包括Mapper主機、Reducer主機、Worker主機, Mapper主機根據用戶請求轉化為對應的計算任務, 根據Worker主機數量建立任務池, 並下發給各Worker主機, Worker主機依照任務從HDFS資源池獲取資源、進行運算, 運算結果將提交給Reducer主機進行進一步的整合、統計, 獲取從海量數據中挖掘出的價值信息, 並將價值信息反饋給用戶或進行存儲。

表7 近5年國際範圍農業大數據研究重點Tab.7 Main research issues of big data technologies in recent five years

農業大數據資源的重要性日益凸顯, 國家於2003年啟動農業科學數據共享中心項目, 經過多年發展, 數據量的積累已初見規模, 截止2016年底, 共積累2.9 TB的農業數據, 其中包括1.2 TB的高分辨率影像數據。農業大數據的來源包括:農業生產環境數據;生命信息數據;農田變量信息;農業遙感數據;農產品市場經濟數據;農業網絡數據抓取。海量多源數據為農業大數據的研究奠定了基礎, 相關方面的研究主要集中在監測與預警、數據挖掘、信息服務等方面, 其數據資源如表8所示。

圖3 基於Hadoop架構與MapReduce軟件模型的大數據處理與計算框架示意圖Fig.3 Processing and calculation route based on Hadoop framework and MapReduce programming model

表8 國家農業科學數據共享中心數據資源Tab.8 Data resources of China agricultural science data sharing center

農業數據體量大、結構複雜、模態多變、實時性強、關聯度高, 通過大數據技術從海量農業數據中獲取價值關係, 是解決農業變量高維、強耦合問題的主要途徑。農業大數據的本質在針對特定農業問題, 依託大體量農業數據與處理方法, 分析數據變量間的關係, 制定解決方案, 農業大數據的規模性 (Volume) 、多樣性 (Variety) 決定其複雜程度, 農業大數據處理方法的快速性 (Velocity) 、真實性 (Veracity) 決定其質量。基於農業大數據技術, 深入分析農業數據, 發現潛在價值是農業物聯網智能信息處理的研究重點, 大數據的應用主要集中在精準農業可靠決策支持系統、國家農村綜合信息服務系統、農業數據監測預警系統、天地網一體化農情監測系統、農業生產環境監測與控制系統。

1.4.2 基於農業物聯網大數據的人工智能技術

人工智能AI (Aritificial intelligence) 指基於計算機技術模擬或實現的智能, 亦稱人造智能或機器智能, AI的3個核心技術是:表示、運算、求解[74]。農業人工智能是人工智能技術在農業生產、業務上的具體實現, 農業人工智能的主要研究方向可概括為知識表現、模式識別、智能規劃、信息搜索4方面。農業知識表現的研究內容是農業知識的數字化及決策支持;農業模式識別的研究內容是農業對象的識別方法;農業智能規劃的研究內容是農業機械的智能化作業;農業信息搜索的研究內容是農業主題信息的搜索;表9是基於中國知網的SCI、EI、中文核心期刊檢索數據, 對近5年農業人工智能技術專題的中文文獻分類統計結果, 通過該表可以對我國當前農業人工智能的研究側重點進行分析。

近5年我國農業人工智能的重點研究方向是農業模式識別和農業智能規劃, 農業模式識別的研究熱點趨向於同深度學習算法的結合, 農業智能規劃的研究熱點側重於建模與控制方法的研究;農業知識表現的最新研究熱點是知識圖譜, 農業信息搜索的研究側重點在於網絡爬取技術及農業信息搜索引擎技術。在國際上, 農業人工智能技術的研究始於2000年, 農業發達國家已經出現商業化的耕作、播種、採摘等面向單一農業業務的智能機器人, 也具備比較完善的智能土壤探測、病蟲害識別、氣候災害預警的智能系統, 用於畜禽養殖業的畜禽智能穿戴產品也已實現量產[104]。農業人工智能技術在農業的產前、產中、產後、運維方面均有應用[105], 產前業務的研究包括:土壤分析及土地景觀規劃、灌溉用水供求分析及河川日常徑流量預報、種植品種鑑別;在產中業務的研究包括:水質預測預警、水產養殖投餵管理、作物種植及牧業管理專家系統、插秧系統、田間雜草管理;在產後階段的研究包括:農產品收貨, 農產品檢驗、品種分類、染料提取及蒸餾冷點溫度預測;運維業務包括:農業設施裝備運行管控、農業設施裝備故障診斷等。

表9 近5年農業人工智能技術專題中文文獻分析Tab.9 Chinese research article analysis of agricultural AI technologies in recent five years

隨著大數據技術的成熟、海量基礎數據技術的不斷積累, 深度學習算法迎來第3次科研成果爆發, 深度學習算法是一種以人工神經網絡數學原理為基礎、以多層參數學習體系為結構、以海量數據訓練參數的機器學習算法, 其特點是可自動抽取數據中蘊含的特徵, 並可對高維複雜變量間的關係進行數學表示, 理論上可以通過深度學習算法對現實世界的一切過程進行數學表達[106-111]。深度學習算法有許多變種, 從有無人工標註的參與可以分為監督學習、非監督學習;從算法輸出可以分為判決式學習、生成式學習。深度學習算法已在數據預測迴歸、圖像識別、語音識別等模式識別方面應用成熟, 在自然語言處理、圖像內容的語義表達 (看圖說話) 、圖像問答等非數值型數據的特徵提取、建模方面不斷取得進展, 為異構數據的融合提供更加強大的解決方案。

通過以上的分析可以看出, 我國農業人工智能的研究側重點在由以往單一的知識表現研究向複雜系統規劃、模式識別、機器學習遷移, 這也與國際農業人工智能領域的研究熱點相符合, 同時我國農業人工智能技術主要側重於農業產中業務, 基於農業機器人的綜合業務研究正處於基礎性研究階段;我國農業人工智能技術在農產品物流方面的研究比較欠缺。深度學習的研究成果與未來研究方向將對農業人工智能技術的發展具有重大意義, 表10是當前深度學習算法在農業人工智能領域的應用潛力分析。

表1 0 深度學習算法在農業人工智能領域的潛力分析Tab.10 Potential analysis of deep learning algorithms in agricultural AI

由於農業業務的未知變量多, 且變量間相互影響、關係複雜, 對某個區域農業業務有效的農業人工智能技術在另外的區域內不足以代替人類在農業業務上的重要作用。因此, 通過全新的機器學習、模式識別技術研究變量間的複雜關係, 從根本上提高基於農業人工智能的複雜系統在不同地區的兼容性、準確性, 進一步推進農業機器人技術的整合, 是我國農業人工智能未來發展的側重點。

2 農業物聯網技術集成與應用現狀

2.1 農業物聯網嵌入式平臺與智能裝備

農業智能機械是代替人力的直接農業勞動力來源, 也是農業物聯網底層控制網絡的具體執行機構。國際各大嵌入式平臺與芯片平臺開發商早已有意搶佔物聯網嵌入式開發平臺高地, 推出一系列適用於物聯網應用的產品, 例如Arduino Uno、Arduino Yun、Intel的伽利略創2等, 這些物聯網平臺已實現農機參數共享、農機信息融合、農機遠程通訊, 表11為國際農業物聯網的主要嵌入式平臺參數。

表1 1 農業物聯網主要嵌入式平臺參數Tab.11 Main embedded platform parameters for Io T in agriculture

農業物聯網嵌入式平臺推動了農業智能裝備的研發、升級, 農業智能機械的研究內容包括農機作業導航自動駕駛技術、農機具遠程監控與調度、農機作業質量監控、農業機器人等方面。在國內, 白曉平等[112]在建立收穫機群運動學模型的基礎上, 結合反饋線性化及滑模控制理論設計了漸進穩定的路徑跟蹤控制律和隊形保持控制律, 實現了聯合收穫機群協同導航作業;國家農業信息化工程技術研究中心研發了基於GNSS、GIS和GPRS等技術的農業作業機械遠程監控指揮調度系統, 有效避免了農機盲目調度、極大地優化了農機資源的調配。在國外, 針對傳統的路徑生成方法Dubins路徑沒有考慮最大轉向速率問題, 已有學者提出曲率和速率連續的平滑路徑生成算法, 使該算法平均計算時間為0.36 s, 適合實時和模擬方式來使用。在雙目視覺領域, 已有學者研究通過一對前置的立體相機獲取圖像的顏色、紋理和三維結構描述符信息, 利用支持向量機迴歸分析算法估計作物行的位置, 並基於此進行農業機器人自動導航。

農業物聯網嵌入式平臺將突破由於製造商不同而造成的設備數據共享屏障, 為底層控制網絡的組建、農業裝備的智能化升級奠定了基礎。此外, 政府部門是農業智能機械技術研究與推廣的主力, 2013年農業部在糧食主產區啟動了農業物聯網區域試驗工程, 利用無線傳感、定位導航與地理信息技術開發了農機作業質量監控終端與調度指揮系統, 實現了農機資源管理、田間作業質量監控和跨區調度指揮, 工程所取得的成功必然會推動各地農業主管部門對農業智能機械的推廣, 並採取因地制宜的應用。

2.2 農業環境智能監控與決策平臺

農業智能環境監控指利用傳感器技術採集和獲取農業生產環境各要素信息, 通過對採集信息的分析決策來指導農業生產環境的調控, 實現高產高效。目前國內外已經有許多針對農業場景的環境智能監控平臺, 可以實現農業物聯網基本的自動化環境監控業務, 例如國外的Edyn平臺, 已經具備一定的用戶量, 通過架設太陽能供電的底層監控網絡, 用戶便可以在Edyn平臺上實時查看溫室的土壤、供水、肥料、空氣、光照信息, 平臺會根據這些信息向用戶提出最佳的控制方案, 用戶也可以自行設定各執行器的工作時間與工作條件。國外比較成熟的農業環境智能監控平臺如表12所示。

同時, 為確保飲用水的安全供應, 國內外已研製出低成本且技術成熟的實時水質監控物聯網系統, 監測參數包括水溫、p H值、濁度、導電率、溶解氧等, 並通過核心控制系統對監測數據進行處理, 監測數據可以通過互聯網進行查看;此外, 可再生、低成本、能量自給的土壤無線環境監控系統也已在國外初步實現, 使用該項技術進行遠程農田環境監控可以降低人工和傳感器電池更換的成本。針對蔬菜溫室的無線傳感器網絡架構, 通過分析溫室環境特點, 國內外均已實現基於無線傳感器網絡技術的低成本溫室環境監控系統, 結合專家系統指導, 採取遠程控制滴灌等適當的措施, 實現科學栽培、降低管理成本。

表1 2 國外農業環境智能監控平臺Tab.12 Intelligent agriculture monitoring and control platform abroad

農業環境信息的精度與實時性程度, 決定了農業業務執行的精度與實時性, 農業環境監控的精細化程度決定了農業資源利用效率的高低, 有效且精細的農業環境監控可提高農業資源利用效率。通過上述分析可知, 國外絕大多數農業智能環境監控平臺能夠實現農業物聯網基本的智能環境監控業務, 即做到農業環境數據實時共享、農業環境控制方案的輔助決策、用戶對農業環境的實時與定製化控制, 且絕大多數平臺同時具備移動客戶端。在各大科研院所的推動下, 我國也已具備相同水平的農業環境監控平臺, 然而平臺的用戶量、普及率遠遠低於國外平臺。普及農業環境智能監控平臺、推動平臺智能決策機理的進一步研究, 以及平臺的標準化、組件化、雲化是國內農業物聯網發展的重要任務之一。

2.3 農業業務模型與雲平臺

農業業務模型是農業大數據技術、農業人工智能技術的結合, 是農業智能決策、農業智能控制的重要依據, 涉及知識表示、模式識別、機器學習、圖像處理等領域, 在作物栽培、節水灌溉優化、農業災害預測預警、養殖場智能管理、飼料配方優化設計、土壤信息與資源環境系統管理以及農機信息化管理等方面進行了廣泛應用。例如, 通過挖掘特定農業業務的專業知識、變量間關係, 整合農業專家多年積累的知識、經驗和成果, 對專家知識庫建模, 模型以農業問題為輸入, 輸出等同於專家水平的結論。雲平臺是農業業務建模的廣泛數據資源, 也為建模算法提供了更為有效的運算途徑。表13列舉了國外4個物聯網雲平臺, 均具備實時數據獲取、抓取、數據可視化功能, 絕大多數都具備數據分析功能, 開發費用均較低, 多數為開發者開放了足夠的免費開發支持。

表1 3 國外主要物聯網雲平臺對比Tab.13 Contrast of main Io T cloud platform abroad

在具體的應用方面, 劉雙印等[113]以南美對蝦養殖為研究對象, 融合養殖環境實時數據、對蝦疾病圖像數據和專家疾病診治經驗等多種信息, 構建了基於物聯網的南美對蝦疾病遠程智能診斷模型。在國外發達畜牧業國家, 已有通過在牛身上安裝運動頸圈和GPS傳感器, 觀察和記錄牛的覓食、反芻、走動、休息和其他活動的行為 (包括與物體磨蹭、搖頭、梳理皮毛) , 對牛的行為分類進行建模, 實現了對動物個體行為的準確掌握, 提升了養殖場的管理水平;在國外發達畜禽養殖業國家已廣泛存在針對各類畜禽動物的健康診斷模型, 基於該業務模型的Zig Bee監控系統可根據熱溼度指數分析畜禽的應激水平, 已廣泛普及。

精準的農業業務模型有助於農業業務擺脫對傳統主觀經驗的過度依賴而導致的盲目性、不確定性, 使農業業務各具體環節的決策依賴於科學的數據統計結果與專業業務知識, 推進農業業務的智能化、集群化、跨媒體管理, 提高自動化水平與精度, 實現穩定的高產、高效、低成本。

2.4 農產品物流與安全溯源

農產品物流與安全溯源層面的集成與應用主要體現在農產品包裝標識信息化及農產品物流配送控制技術, 農產品物流配送信息化的主要技術包括條形碼技術、電子數據交換技術、個體標識技術、射頻技術等;農產品物流配送控制技術主要包括冷鏈技術、農產品配送機器人分揀與自主行走等技術。通過電子數據交換技術、條形碼技術和RFID電子標籤等技術實現物品的自動識別和出入庫, 利用無線傳感器網絡對農產品配送機器人的分揀與自主行走進行控制, 並通過冷鏈技術保證配送過程中農產品的質量與鮮活度要求, 實現配送過程農產品的保質保量、來源可追溯、去向可追蹤的目標。

國外對農產品可追溯系統進行了深入研究, 如美國的農產品全程溯源系統、瑞典的農產品可追溯管理系統、澳大利亞的牲畜標識和追溯系統、日本的食品追溯系統和歐盟的牛肉可追溯系統等[114];RFID技術在動物個體標號識別、農產品包裝標識及農產品物流配送等方面得到非常廣泛的應用, 如加拿大肉牛已從2001年起使用的一維條形碼耳標過渡到電子耳標;日本2004年構建了基於RFID技術的農產品追溯試驗系統, 利用RFID標籤實現對農產品流通的管理和個體識別;國外發達國家也已實現豬肉的可追溯系統, 並通過實驗證明了該系統的可行性。

我國在北京、上海、天津等地相繼採用條碼技術、RFID技術、IC卡技術等建立了以農產品流通體系監管為主的質量安全溯源系統, 國內學者針對各類農產品可追溯系統進行了較為全面的研究:例如已有將數據網格技術與RFID技術相結合, 構建了基於數據網格的RFID農產品質量跟蹤與追溯系統, 實現農產品跟蹤與信息共享的物聯網系統應用[115];以RFID電子標籤為數據載體、結合EPC編碼體系對豬肉進行唯一標識的基礎上構建RFID/EPC物聯網架構下的豬肉跟蹤追溯系統, 實現豬肉供應鏈各環節溯源信息數據的自動採集和豬肉生產全程的網絡化管理[116];針對水產品冷鏈配送控制研究方面, 汪庭滿等[117]基於RFID對每批次的冷鏈羅非魚進行編碼, 實現了冷鏈配送過程中的實時溫度監控及運輸後羅非魚的貨架期預測;對於農資產品, 我國已具備由農資溯源防偽、農資調度和農資知識服務3個子系統組成的農資溯源服務系統。

荷蘭、比利時、美國等國家的農產品交易市場已經搭建好具備農產品物流自動配送、農產品質量追溯業務功能的農產品物聯網:每個農產品均通過個體標識技術連接進入農產品交易網絡, 農產品信息會上報至交易平臺供用戶估價、交易, 交易成功的農產品由配送機器人自動下單、篩選、搬運, 質量追溯信息會隨個體標識信息伴隨農產品配送至每個消費者。我國目前還處於農產品物流與安全溯源相關物聯網技術的關鍵研發期, 雖然國內在個體標識技術、機器人室內定位與導航技術、質量追溯技術的研究已經比較完善, 但並不適合應用在當前相對落後的農產品交易模式, 政府也在積極搭建農產品質量追溯環境, 培育民眾的食品安全意識, 使農產品物聯網真正在國內普及。

3 農業物聯網發展的瓶頸

(1) 我國農業生產仍以小規模模式為主, 使以物聯網為代表的新興信息技術的進入門檻較高, 此外, 我國在農業生產精細化、自動化方面還比較薄弱, 現有的農業監測及自動控制技術普及率較低, 物聯網應用環境還不完善, 嚴重製約了農業物聯網發展。農業物聯網技術產品的穩定性差, 故障率高, 影響了用戶的使用積極性。

(2) 農業物聯網配套標準滯後。目前國內還沒建立完整的農業物聯網技術標準體系。由於農業物聯網應用標準規範缺失, 使得物聯網技術在農業領域規範化應用發展受到制約, 農業傳感器標準化程度不夠, 可靠性難以保證, 難於實現廣泛的集成應用;傳感網建設缺乏統一的指導規範, 多采用自定義傳輸協議, 隨意性較大;感知數據的融合應用和上層應用系統的開發也沒有標準可循, 無法互聯共享, 不利於產業化技術發展。

(3) 物聯網傳感器實用化程度較低, 管理不方便。與國際先進的物聯網傳感器技術相比, 我國的物聯網傳感器還存在著設備體積大、功耗高、感知數據精度低、設備在惡劣自然環境下不穩定等問題。由於農田環境下傳感器電源不易更換、損壞檢修困難, 傳感器的上述問題給傳感器管理帶來了不便, 阻礙了傳感器在農業生產環境下的廣泛部署。

(4) 物聯網數據傳輸可靠性較差, 數據收集不穩定。農業生產環境的自身特點和傳感器低功耗的技術需求給農業物聯網數據傳輸提出了更高的要求。我國在低功耗下的網絡傳輸安全性技術抗干擾技術、自動動態組網技術等方面相比國際先進水平還存在一定的差距, 網絡傳輸的不穩定給後端數據處理和智能分析帶來了一定的困難。

(5) 農業業務模型的實用性需要加強。雖然農業物聯網應用匯集了大量農業數據, 但這些實時感知數據沒有得到充分挖掘利用。目前主要還是時序控制、單一指標控制, 難於實現按需控制和多指標控制, 應用系統的智能化程度需要提高。雖然目前在農業知識模型、農業模式識別、農業知識表示、農業業務模型的機器學習方面已有突破性進展, 但部分的模型、算法不足以反映客觀現實, 以致於失去了指導農業精細生產的實際意義。

(6) 農業物聯網廣泛存在異質性問題。農業物聯網中的異質性問題涉及不同廠商的異構設備、不同格式的異構數據、不同輸出格式的業務模型。設備的異構性阻礙了農業物聯網的擴展, 數據的異構性阻礙了模型對融合信息的利用。

4 農業物聯網發展策略

我國農業物聯網發展的關鍵在於結合中國國情和農業特點, 實現關鍵核心技術和共性技術的突破創新, 最終成為精細農業應用實踐的重要驅動力。發達國家在農業物聯網技術研發和產業化應用方面已經取得了較大的進展, 相比我國存在以下優勢:美歐日韓等發達國家在物聯網的發展中非常重視基礎技術的研發, 尤其是傳感器技術的研發, 並投入大量支持經費;農業生產規模大, 為以農業物聯網技術提供了廣闊的應用空間, 農業物聯網技術進一步提高了農業機械的生產效率, 形成了以平臺推技術, 以技術提高平臺優勢的良性循環;政府支撐強大, 互聯網基礎網絡環境完善、物流基礎環境等各類硬件基礎設施先進。以養殖大戶、家庭農場為主的高級農村主體的互聯網和電商知識紮實;農業物聯網技術標準化體系完善, 具備有國際影響力的標準體系, 如IEEE、EPC global、ETSI M2M、ITU-T等, 涵蓋了M2M通信、標籤數據、空中接口、無線傳感網等農業物聯網所需的關鍵數據與通訊標準。

我國農業物聯網的發展應重點對比發達國家農業物聯網的優勢, 同時結合我國農業特點, 在拉近與農業發達國家在農業物聯網技術差距的同時, 克服制約我國農業物聯網發展的瓶頸問題:

(1) 農業物聯網應用重點改革各地農業小規模經營現狀, 應適當引導擴大農業種植規模, 集中連片的大面積耕地, 提高農業機械化程度和新技術採用率, 增強種植的專業化水平和土地產出率, 為農業物聯網的實施提供適宜的環境。

(2) 農業物聯網標準化重點是攻克農業物聯網相關標準的研究與修訂, 縮短行業達成共識的時間, 統一農業物聯網技術和接口標準, 掌握物聯網在農業市場的控制權, 加強國際合作, 積極參與國際標準建設工作, 借鑑和引進國際先進標準。

(3) 農業感知技術重點發展高靈敏度、高適應性、高可靠性傳感器, 並向嵌入式、微型化、模塊化、智能化、集成化、網絡化方向發展, 攻克數字補償技術、網絡化技術、智能化技術、多功能複合技術, 完善製造工藝, 提高環境適應能力與精度, 在新材料應用、生產製造工藝與產業化技術水平上, 也要形成明顯的競爭優勢。

(4) 農業信息傳輸技術重點發展無線傳感器網絡在精細農業中的應用, 具體可概括為4方面:空間數據採集、精準灌溉、變量作業、數據共享與推送, 攻克低功耗無線傳輸技術。推進傳輸節點的集成化與小型化、網絡的動態自組織、信息的分佈式處理與管理的發展。

(5) 農業智能信息處理技術重點發展大數據技術、人工智能技術在農業物聯網中的具體實現, 深入研究深度學習算法, 以深度學習算法提高農業模式識別準確度、業務模型準確度、複雜農業變量間關係的知識表示準確度, 重點攻克海量數據的分佈式存儲系統與業務模型在智能裝備中的嵌入技術, 發展流數據實時處理技術。

(6) 基於主流農業物聯網嵌入式平臺以統一的接口連接異構設備;結合深度學習算法處理非常規類型數據 (語音、自然語言、圖像) 的異構數據, 實現非常規異構數據間、非常規類型與常規類型數據的融合。

此外, 國內農業物聯網技術的先驅平臺要理解農業行業本身, 理解物聯網, 依託資源優勢, 滲透農村和農業市場, 進而提升平臺與技術優勢, 形成以平臺推技術, 以技術發展現代農業, 以現代農業提升科研平臺的良性循環。

5 結論與展望

農業物聯網技術是實現精準農業的必要支撐, 為應對重大變化的農業信息環境, 農業物聯網技術必須進行全面升級以進一步提升其普適性、可靠性、智能化水平, 同時降低成本, 推進其更廣泛的應用。科研方面需重點突破:新感知機理的優化應用;農業傳感器工藝升級;低功耗傳輸技術;基於農業大數據技術、農業人工智能技術的農業業務模型升級;具備標準統一、基於雲計算和分佈式技術的農業物聯網頂層平臺;農業物聯網自維護技術;底層裝備的智能化。

標準化的數據共享協議、數據接口、業務模型訪問協議、用戶外部訪問協議促成農業系統的實時環境數據及設備運行狀態共享, 並實現多源異構分佈式的海量農業數據存儲;個體信息標識、感知機理研究、傳感器製作工藝是農業信息感知技術的研究重點, 基於RFID的農業個體標識技術日趨成熟, 不斷得以應用, 新的感知機理結合先進的製作工藝, 使新型多參數低功耗傳感器不斷湧現, 基於高光譜遙感、無人機遙感的特殊農業感知技術, 已經成為國內農業作業的必要支撐;無線傳感器網絡組網簡單、無需佈線, 同時能夠克服複雜的農業生產環境, 在高溫、高溼、低溫、雨水等惡劣多變環境下運行, 是農業物聯網傳輸的主要方式, 其中低功耗廣域網技術是研究熱點, 無線局域網技術是目前底層測控網絡的主要組網方式;農業智能信息處理技術是建立農業業務模型的途徑, 是智能控制策略的來源, 研究熱點包括大數據技術、人工智能算法。

與國際先進農業物聯網應用集成的實例進行對比分析後可知, 我國在關鍵技術的應用與集成環節已經實現甚至達到領先水平, 主要的約束來自於不完善的應用背景與較低的普及程度。農業物聯網的應用與集成對每個國家而言都是全新的嘗試, 在政府的推動與科研院所的成果支撐下, 我國目前在應用與集成的初始階段佔得了一定的先機, 要保持住優勢, 未來國內農業物聯網應用以及集成的重點任務是:

(1) 基於農業物聯網嵌入式平臺實現農業裝備智能化, 以提高農機作業的信息透明度、自動化水平、通訊的實時性與大規模協同作業, 使農機在更大範圍內進一步提高作業效率、連續作業時間和作業精度。

(2) 在各大科研院所的推動下, 國內也已具備國際先進的農業環境監控平臺, 然而平臺的用戶量、普及率遠遠低於國外平臺, 普及農業環境智能監控平臺、推動平臺智能決策機理的進一步研究是國內農業物聯網發展的重要任務之一。

(3) 隨著農業大數據技術、農業人工智能技術的發展, 已實現了大數據的深層次挖掘, 例如深度置信網絡、遞歸神經網絡、人工蜂群算法, 結合有監督學習與無監督學習的優勢, 充分挖掘數據內蘊藏的實際問題的最優解, 為農業生產者、管理者提供智能決策和在線指導。

農業物聯網將徹底改變當前以人為主、以設備為輔的農業業務模式, 在一個理想的農業物聯網中, 要以設備為主、以人為輔。因此, 農業物聯網可以解放設備、機器的生產力, 使設備、機械在準確信息與農業業務模型指導下, 實現智能化, 擺脫人的約束, 以優於人為控制的合理性與準確性保持更長時間的運行。模型與底層控制網絡的精度是實現這個目標的決定性因素, 而精準的農業業務模型依賴於先進的數據處理、價值關係挖掘及模型參數學習技術;精準的底層控制網絡則依賴於精準的農業感知、執行裝備, 更先進的機理、更完善的工藝是決定底層控制網絡質量的關鍵因素。此外, 我國農業物聯網的推廣與實際應用, 需要具備達到一定規模的集約化生產模式的支撐。

我國農業物聯網的需求日趨強勁, 傳感器國產化、通信低成本化、信息處理智能化和物聯網平臺的雲化是農業物聯網的必然發展趨勢。傳感器國產化是我國農業物聯網的發展方向, 一方面國產傳感器的穩定性、準確性和可靠性有待進一步提升, 需要大學、科研院所和傳感器企業聯合協同攻關;NBIo T、5G等新一代通信技術需要進一步降低使用成本, 形成各種農業應用終端;各種農業動植物生產模型需要進一步系統化、體系化和實用化, 這是一個長期的艱鉅的過程;農業物聯網平臺也要按照標準化、個性化、雲計算化的要求, 逐步形成行業統一的平臺, 實現農業物聯網、大數據、人工智能、智能裝備技術的系統集成。