覃　寧，盧羿安，黃明昌，陳永昭，楊家業(yè)，黃健規(guī)，宋前明，梁耀寧，韋麗梅，黃應設

【專題-糖料高質量發(fā)展】

當前甘蔗機械收獲階段人工與AI相結合扣雜方式的探討

覃寧1，盧羿安2，黃明昌1，陳永昭1，楊家業(yè)1，黃健規(guī)1，宋前明1，梁耀寧1，韋麗梅1，黃應設1

(1廣西南寧東亞糖業(yè)集團，廣西南寧 530000；2廣西崇左東亞糖業(yè)有限公司，廣西崇左 532200)

2020年受疫情影響，甘蔗砍收勞動力流動性受到限制，甘蔗砍收勞動成本上漲，糖廠和蔗農(nóng)以甘蔗機械化收割需求明顯增加，長期以來甘蔗的扣雜政策主要是由糖廠單方面來制定，測雜的程序要求各糖廠不同，主要是以進廠甘蔗或地頭收獲甘蔗取樣測雜為主，隨著機收量的增加，測雜的人力、物力成本增加，效率比較低下，同時受取樣代表性的影響，測雜的數(shù)值常常引發(fā)爭議，如何找到一種各方都參與，測雜的結果相對信服，且效率較高的測雜方式成為迫切需求，本文從影響機收的主要因素出發(fā)，通過對各因素之間的關聯(lián)，建立測算模型，并得出預估值，結合AI的相關技術。分析結果表明人工預測雜系統(tǒng)與AI機結合的扣雜方式，為解決當前的扣雜方式，協(xié)調平衡各方利益，指導蔗農(nóng)、服務隊降低含雜量等方面具有一定的指導意義。

甘蔗機械化；管理；制糖企業(yè)；AI；扣雜

0 引言

近年來，越來越多的糖廠意識到機械化發(fā)展的重要性，尤其是2020年受疫情影響，各地方為防控需要限制外來砍蔗工的到來，加劇了勞動力的緊張局勢，2020/21年榨季的砍蔗費用普遍從120～150元/t上漲到160～180元/t，部分地區(qū)甚至更高。本榨季之初也出現(xiàn)了機收服務隊活躍流動的現(xiàn)象，機收服務隊由過去的相對集中到逐漸擴散，一些中、大型的農(nóng)場也早早落實了機收服務隊，目前甘蔗機收得到了前所未有的發(fā)展。然而每年的機收扣雜是各方(糖廠、蔗農(nóng)、服務隊)爭議最大的問題，以往各糖廠為響應政府推動機械收割，常常出臺一些補貼政策鼓勵機收，如扣雜補貼、機收運輸補貼等。而扣雜辦法則根據(jù)經(jīng)驗來制定，各糖廠的做法不盡相同，主要是根據(jù)當?shù)貦C收各方利益平衡來考慮，各糖廠針對性地向較弱一方政策傾斜。國外由于各方利益體少，農(nóng)場面積較大，加上工會或者協(xié)會的介入，各方勢力差異較小，相互之間容易達成協(xié)議，比如澳大利亞建立的價格體系，刺激糖廠、服務隊、蔗農(nóng)通過各方的努力來提升收益，也推動了行業(yè)的較好發(fā)展，機械化程度也走在世界前端。再如，泰國通過檢測甘蔗蔗汁糖分來支付甘蔗價格，同樣達到各方均能接受的利益平衡方式。國內真正大規(guī)模發(fā)展甘蔗機械收獲的時間相對較晚，利益方較多，機械化收獲基礎條件相對較差。本文經(jīng)過幾年的探索與實踐，從影響機收的主要因素出發(fā)，建立測算模型，預估機收含雜數(shù)值，為質檢部門提供一定的參考依據(jù)。該項目已在應用實踐當中，從目前的效果來看，預估值與實際測雜值之間的差值在3%以內所占的比例為70%，若經(jīng)過一定時間的積累和培訓，該比例還會有所提升，這將為甘蔗行業(yè)機械收獲提供一個新的測雜方式。

1 當前機收含雜測量方法及存在問題

甘蔗種植戶與糖廠的關系是買賣的關系，甘蔗是一種商品，而對這一商品的要求國家已有相關規(guī)定，而商品的質量要求本身應該由商品的提供者來控制并提供相關信息作為參考，最終由糖廠確定。但國情是甘蔗種植戶做不到，涉及千家萬戶也只能由買方來投入人力、物力進行檢測，主動權完全轉向了糖廠，由于現(xiàn)階段的技術及手段落后，很難公正的對甘蔗質量進行判斷，矛盾的焦點指向了糖廠。近兩年國家糖料產(chǎn)業(yè)技術體系在2018、2019年開展針對糖農(nóng)種植行為、組織形式及其影響因素的調查報告顯示(詳見圖1、圖2)，2年來蔗農(nóng)對糖廠履約行為反映最為強烈，連續(xù)2年排在首位，分別達到了57.41%、48.82%，如何找到各方都參與且較為客觀的測雜方式成為當前甘蔗行業(yè)發(fā)展的一個重要環(huán)節(jié)。

圖1　2018年蔗農(nóng)對糖廠履約行為的評價

圖2　2019年蔗農(nóng)對糖廠履約行為的評價

1.1 原料蔗

原料蔗是指供糖廠制糖用的原料甘蔗，中華人民共和國國家標準(GB/T 10498-2010)[1]對甘蔗蔗糖分及蔗汁重力純度有明確的規(guī)定，其中甘蔗蔗糖分≥12%，蔗汁重力純度≥80%，對甘蔗外觀質量也有相應要求：蔗莖不帶泥沙、須根和葉鞘，蔗梢削到生長點下明顯見肉，蔗頭不帶“煙斗頭”，不帶干枯莖、腐敗莖(包括水浸、火燒、霜冰凍嚴重變質莖)、1 m以下的蔗筍、嚴重病蟲鼠害莖和其他非蔗物。

國家對原料蔗的定義及要求已做了明確的解釋。糖廠和蔗農(nóng)之間的關系是買賣關系，糖廠有權利要求農(nóng)戶對不符合國家標準的原料蔗進行整改，甚至可以拒收嚴重不符合要求的原料蔗。然而機械化收割讓這一問題變得更加復雜，從原來的雙方關系變?yōu)槿疥P系，由于影響機械作業(yè)的因素較多，甘蔗進廠后也很難認定責任，一旦糖廠測雜的含量較高，蔗農(nóng)和服務隊很難接受這個結果，所以尋求到一個他們主動參與且比較客觀的測雜方式是勢在必行的。機收前先將影響含雜的責任分清，而后得到比較準確的含雜結果后，再由責任大小來承擔對應的雜質比例費用。

1.2 雜質監(jiān)控點

甘蔗的雜質主要為蔗葉、葉鞘、蔗尾、須根、蔗筍、蔗蔸、泥沙、干枯莖等非蔗物構成[2]。正常情況下，人工砍收甘蔗比重較大的雜質為蔗尾、須根，當甘蔗進廠后經(jīng)過質檢部門檢查，很容易通過肉眼發(fā)現(xiàn)，而且有些地方對糖廠人工砍蔗扣雜有嚴格的規(guī)定，即正常情況不允許超過2%[3]，超出規(guī)定的扣雜需要向政府報備。大多數(shù)糖廠對甘蔗質量的控制主要集中于糖廠的質檢部門，偶爾也會在地頭進行甘蔗質量抽檢，對有質量問題的甘蔗要求農(nóng)戶按標準進行修剪，但是不在地頭作為甘蔗雜質控制點。

甘蔗機收的雜質與人工砍收的雜質基本相同，由于機械收獲無法像人工砍收一樣對雜質進行識別并挑選，所以總體上雜質會比人工砍收高，且雜質之間的比重不同，尤其以蔗尾、蔗蔸、泥沙為主，對工廠工藝及設備影響較大。由于機收蔗中這些雜質隱蔽性較大，在運輸過程中一些比重較重的泥沙會下沉，運輸車上、中、下層的雜質分配不均勻，加上人工只能在運輸車表面取樣，更不具代表性。我們在監(jiān)控過程中就發(fā)現(xiàn)過多起在取樣時實際測量的含雜比例為9.3%，而到卸蔗槽卸蔗時，翻板臺已上升至最高傾斜角度，甘蔗仍無法卸蔗，經(jīng)過二次測雜，含雜比例高達17%，二者之間差異較大。

因此，在目前甘蔗機械化發(fā)展階段，要發(fā)展甘蔗機械化收獲，為更好地監(jiān)控機械化收獲甘蔗的質量，更好地指導機械化收獲甘蔗雜質的測定，以更客觀真實的數(shù)據(jù)，協(xié)調各方利益平衡，我們認為甘蔗機械收割雜質監(jiān)控點必須分為田間端和工廠端2個監(jiān)控點來共同監(jiān)測。

1.3 近年來機收含雜測量方法

甘蔗機械化收獲發(fā)展的初始階段，由于收割的作業(yè)地點少、服務隊少及當天的機收量不多，大多數(shù)糖廠采取第一車測雜作為后續(xù)其他車輛的參考，并不定期進行抽查。測雜地點可在地頭或是車間過磅前，主要由多人上車以竹筐或其他較大容器進行3～5點取樣，之后將甘蔗與雜質(蔗葉、嫩梢、泥沙、蔗蔸、雜草等)分離稱重，依次記錄不同樣品甘蔗與雜質的重量，并計算出平均含雜比例。一般情況下，完成1個車次的測雜時間為30 min左右，當不同的服務隊分散于蔗區(qū)各個村屯時，測雜的人員需要在服務隊機收蔗第一車甘蔗進廠前進行雜質測量，如果參與測雜的人員或小組較少，而待測雜的服務隊較多且分散，沒有得到及時測量的服務隊就需要等待，影響了車輛的周轉率。

目前機械化收獲得到快速的發(fā)展，服務隊的數(shù)量增加至數(shù)十甚至上百個，且分布于各大鄉(xiāng)鎮(zhèn)村屯時，測雜的工作量將非常巨大，糖廠不可能也做不到投入大量的人力、物力對機收蔗雜質進行測量，這種情況下只能對機收車輛進行集中抽查，由原來在蔗區(qū)各村屯分散測量，轉移到工廠質檢部門集中測雜。在機收量遠遠超出了每車取樣測雜的能力時，糖廠可根據(jù)不同的情況隨機或按一定要求抽查一定比例的機收車輛作為扣雜依據(jù)，當然這樣的做法準確性較差，但是在糖廠人力、物力不足的情況下，不得已而采取的辦法。

1.4 國外機收做法

澳大利亞和泰國在推行機械化發(fā)展主要應用價格體系來平衡各方利益，尤其是澳大利亞推行按質論價的價格體系是由政府決定，在1916年這個分配公式被引入的時候，是由當時糖業(yè)生產(chǎn)關系、商業(yè)含糖量(CCS)回收率經(jīng)驗值90%、甘蔗平均商業(yè)含糖量(CCS)12個單位這些因素決定的[3]，計算公式如下：

=×(90/100)×(CCS-4)÷100+0.578······⑴

式⑴中，代表甘蔗價格，代表糖價，0.578是一個澳元金額常數(shù)，這個常數(shù)隨時間而增加，在2000年為0.578澳元。

公式中體現(xiàn)了對種植戶和糖廠的激勵措施。糖廠的收益是12個單位CCS中的4個，其余的給種植者，在正常生產(chǎn)情況下，收益大約2/3歸種植者，1/3歸糖廠。100多年前的政策能夠延續(xù)至今且還被認可和使用的原因之一就是，這一政策刺激各方從自身條件出發(fā)，為改善機收環(huán)境不斷努力，并且在改善的過程當中獲利。這一政策是能達到較好的效果，也是澳大利亞成為世界上機械化效率最高、成本最低的國家的原因之一。按質論價的前提是雜質相對穩(wěn)定地控制在一定的數(shù)值范圍內，主要是通過建立農(nóng)藝標準，使之與農(nóng)機相配套，機手的熟練與配合默契度等措施相結合，使機收蔗的總體雜質率控制在一定范圍內，個別差異較大但對整體的影響不大，當甘蔗糖分低于最低標準時，糖廠可拒絕收購。

1.5 當前機收含雜存在的問題

1.5.1 準確度不高

機械化作業(yè)時，同一地塊由于沒有經(jīng)過統(tǒng)一的規(guī)劃、整理，區(qū)域性條件差異較大，設備狀況也隨作業(yè)時間變化而下降，操作人員也因疲勞而操作水平有所差異，這些都會造成同一車內的甘蔗雜質差異性較大[4]。另外，在運輸過程中由于車輛晃動，一些比重較大的泥沙下沉，運輸車上、中、下層的雜質分配不均勻，人工只能在運輸車表面取樣，更不具代表性，因此，現(xiàn)有的抽樣測雜方法未能真實的反應含雜情況，機收含雜準確度不高。

1.5.2 責任不分，無法以結果導向指導各方改善作業(yè)環(huán)境

測雜的目的是以結果為導向，找出帶來雜質的原因或影響因素，反推責任。我們認為后者更具指導意義。是設備的責任就要求及時維護設備，是機手的操作問題就要加強培訓，是蔗農(nóng)的農(nóng)藝問題就要改善農(nóng)藝，使農(nóng)藝適應農(nóng)機。另外，根據(jù)責任大小，對應承擔雜質產(chǎn)生的費用損失。

1.5.3 夜晚車輛測雜較困難

目前的機收量雖不多，但已有部分車輛在夜間過磅測雜，這無疑增加了難度。在未來機收量增多的情況下，夜晚回到糖廠的車輛數(shù)量會增加，且夜晚車輛測雜較困難，這是我國機械化發(fā)展必將面臨的問題之一。

1.5.4 國外的方式不能照搬

國外人均土地資源較豐富，涉及甘蔗種植的多為大型農(nóng)場，且經(jīng)過幾代人的經(jīng)營管理，農(nóng)場的種植條件較好。另外，農(nóng)機設備較為成熟，機手操作水平較熟練，大多數(shù)情況下機收作業(yè)是控制在一定的合理區(qū)域內，所以他們更關注的是通過提高甘蔗品種的蔗糖分增加蔗農(nóng)效益，這也體現(xiàn)在他們價格體系之中。而國內機械化的基礎薄弱，影響因素較多，機收雜質波動較大，對蔗汁糖分跟蹤的方式不成熟，按質論價的價格體系還不適用于我國當前的機械化收獲情況。

另外，人工砍收甘蔗成本逐年遞增，扣雜對農(nóng)民選擇機械化的積極性有一定的打擊，因此，要想機械化又好又快的發(fā)展需要多方人員的共同努力，需要有合理的利益分配機制或責任機制，并在各自的能力范圍內不斷地改善機械化的作業(yè)條件(環(huán)境)，經(jīng)過近2年的探索，我們提出人工與AI相結合的扣雜方式，以期能得到較好的解決思路與方法。

2 人工與AI相結合的扣雜方式

2.1 定義

由機收隊在即將作業(yè)的地塊對影響甘蔗機械收獲含雜因素進行評價，系統(tǒng)自動預估雜質的比例并上傳對應機收蔗圖片作為參照，將上傳的圖片及甘蔗實際進廠圖片與AI系統(tǒng)內標準比對，當差異小于設定的閾值時，扣雜按AI讀取的數(shù)據(jù)扣雜(也可按預估值扣雜)，當任何一個差異大于閾值時，需要作為重點測雜目標。

2.2 做法及功能

2.2.1 主要做法

影響機械化收獲甘蔗雜質含量的因素較多，在機收作業(yè)前，機手對影響因素做一次全方位的記錄，其中包括：作業(yè)條件、作物及生長情況、設備狀況、機手作業(yè)水平等內容。輸入相應的指標后，系統(tǒng)自動計算出此次作業(yè)預計產(chǎn)生的雜質比例，得到的含雜預估值作為甘蔗進廠后的參考數(shù)據(jù)。當機收作業(yè)裝車到半時，拍攝一張機收蔗作為預估值對應的圖片，并上傳到機收服務平臺，AI根據(jù)已建立的大數(shù)據(jù)信息，對上傳的圖片進行雜質比對，并計算差異率。當真正的甘蔗運輸車到達工廠后，攝像設備再次截取車內甘蔗圖片并與之前預估機收圖片比對，AI自動分析2者之間(即田間端、工廠端控制點差異數(shù)據(jù))的差異，并計算差異率。在系統(tǒng)內設定閾值，比如當差異≥2%或3%時系統(tǒng)自動提醒，當2個數(shù)據(jù)中的單個或是2個都出現(xiàn)提醒時，就意味著需要重點跟蹤測雜。由于同一運輸車內含雜分布不均勻，糖廠亦可在卸蔗槽，增加一套攝像設備，獲取更多的圖像資料進行比對，這樣監(jiān)測的結果將更加準確。只有當田間端、工廠端控制點差異數(shù)據(jù)同時低于閾值時，才能以田間端的預估值作為扣雜的數(shù)值或是直接由AI讀取的數(shù)據(jù)作為扣雜值。

2.2.2 主要功能

2.2.2.1 基于雜質產(chǎn)生的原因，明確責任

人工與AI相結合的扣雜方式，和傳統(tǒng)或單獨的AI方式的區(qū)別在于機收前對影響含雜的因素進行了評定，可以直接從系統(tǒng)里面導出農(nóng)藝、農(nóng)機設備或者機手的問題，進而分析出具體的原因，針對性地開展指導工作，提升作業(yè)質量，如指導農(nóng)戶對土地的整治，對行距、品種、中耕管理等進行調整。對服務隊則要求設備定期維護、機手培訓等方面。而當他們完成這些要求后，也可以與相關的信息關聯(lián)，進而起到優(yōu)化機收含雜的作用。

表1　人工預測雜系統(tǒng)評價模式

2.2.2.2 為糖廠制定扣雜政策提供依據(jù)

目前糖廠在出臺扣雜政策的主要依據(jù)是經(jīng)驗及利益方的承受程度，沒有相關數(shù)據(jù)的支撐，在制定和執(zhí)行過程當中難免有失偏頗。同時在機收過程中也沒有相關的信息指明影響含雜的關鍵方是哪方，不利于有針對性的引導。另外，AI需要建立相對比較準確的圖像標準，這需要大量的試驗及數(shù)據(jù)進行支持，這個過程也許需要長期且不斷的修正，并且將無限接近真實數(shù)據(jù)，為糖廠制定扣雜政策提供依據(jù)。

2.1.3 目前的效果

⑴評分值與實際進廠扣雜值不同差異分布區(qū)間情況分析(見表2)：目前參與評分的車次合計為206車次，我們把差異率分為1%以下、1.1%～2%、2.1%～3%、3%以上4個區(qū)間，其中1%以下的有41車比例為19.9%，1.1%～2%之間的有47車比例為22.82%，2.1%～3%之間的有55車比例為26.7%，3%以上的有63車比例為30.58%。以上數(shù)據(jù)是參與機收服務的機手，在經(jīng)過一些簡單的宣傳后進行的測試，并沒有經(jīng)過專門的培訓，所以出現(xiàn)3%以上差異的比例較大，經(jīng)過進一步調研，差異超過3%的數(shù)據(jù)是由于服務隊缺乏對系統(tǒng)功能的了解，或是不按地塊、設備、機手等實際情況進行評分。在該系統(tǒng)普及過程中，經(jīng)過一定的專業(yè)培訓，這一情況可以得到一定改善。

從目前的調研數(shù)據(jù)來看，69.42%差異控制在3%以內，意味著如果設定閾值為3%，那么接近70%的車輛不需要實際測雜，而通過評分值或是AI值直接扣雜，我們只需重點跟蹤30%的車輛含雜的情況。另外，當機手對評分系統(tǒng)的熟悉和對機收條件的正確判斷，理論上閾值可設定為2%或更低，通過評分值或是AI值直接扣雜的比例可達80%甚至90%，那么未來對于糖廠簡化機械收獲甘蔗雜質流程，降低成本，提高準確率有重要的指導意義。

表2　評分值與實際進廠扣雜值不同差異區(qū)間比例

⑵評分值與實際進廠扣雜值差異大小分析(見表3)：預測雜系統(tǒng)重要的指導意義在于指導機收服務隊提高作業(yè)質量、減少含雜。我們分別在5個測試點進行數(shù)據(jù)收集，參與評分的車次為206車，參與評分后實際進廠的扣雜為8.06%，與榨季機收蔗累計平均實際扣雜值9.33%，減少了1.27%，其中以序號2、3、4的數(shù)據(jù)減少明顯，分別達到了1.48%、1.97%、2.39%，同時序號2、3、4號的實際扣雜值分別為7.57%、7.90%、7.04%，已屬于正常機收情況下的作業(yè)水平。

通過預測雜系統(tǒng)，讓參與機收的服務隊，主動參與分析影響機收作業(yè)的因素，并形成正確的作業(yè)觀念，對于降低機收含雜量具有一定積極作用。

⑶存在問題：大多數(shù)情況下，進廠甘蔗雜質數(shù)值會比預估值高，出現(xiàn)這一情況的原因主要有：評估人故意為之，以達到最低含雜率的目的，或對評估要求不熟悉而做出錯誤判斷。當出現(xiàn)差異較大的情況時，我們可以到田間查找原因，通過培訓達到正確使用的目的。對于數(shù)據(jù)的準確性，我們認為機械收割的甘蔗含雜率永遠是一個無法準確測定的數(shù)值，我們必須長期堅持數(shù)據(jù)的積累，模擬機收環(huán)境，建立大數(shù)據(jù)平臺，才能無限接近我們想得到的數(shù)值，預測雜計算模型見圖3。

3 人工預測雜方式與AI測雜方式之間的關系

表3　評分值與實際進廠扣雜值差異大小分析

注：數(shù)據(jù)截至2020年12月30日。

圖3　預測機收含雜率計算模型隨時間的推進趨向實際含雜率[5]

經(jīng)過近2年來的研究及探索，我們對人工預測雜方式與AI測雜方式之間的關系進行了總結。

3.1 AI測雜方式

⑴準確度被各方認可需要時間及數(shù)據(jù)的積累；

⑵潛在(隱性)雜質難監(jiān)測，即使未來AI技術提升，從蔗槽捕捉到更精準的含雜數(shù)據(jù)，但甘蔗已進入壓榨階段，缺乏前期的參照對比，過后農(nóng)戶、機手不承認，容易引起糾紛；

⑶AI追求的是含雜的準確性，而缺乏數(shù)據(jù)指導提升作業(yè)質量的功能，也沒能區(qū)分出影響機收質量的各方責任大小，沒有給糖廠提供處罰依據(jù)；

⑷機手、服務隊被動接受含雜的結果，而沒有主動思考影響機收質量的因素有哪些，并主動采取減少含雜的措施；

⑸AI主要功能是采集大數(shù)據(jù)，制定甘蔗含雜的不同級別標準。

3.2 人工預測雜系統(tǒng)

⑴提升機手、蔗農(nóng)參與性，并找出影響機收質量因素，對指導機手、農(nóng)戶改善作業(yè)條件，提升作業(yè)水平起到關鍵作用；

⑵通過人工預測雜系統(tǒng)，機收作業(yè)前設立了一個預估值，更具前瞻性，讓機收想辦法提升作業(yè)服務質量，假設：①預估數(shù)值高：需要機手通過提升作業(yè)技能、設備駕駛等方面來降低或改善機收質量；②預估數(shù)值低：并不代表實際的作業(yè)質量就一定會好，而是給機手設定了一個作業(yè)質量目標，有責任的機手會在作業(yè)過程中始終按照既定的目標控制作業(yè)質量；③通過人工評價區(qū)分出作業(yè)條件(蔗農(nóng))、服務水平或設備狀況(服務隊)、天氣情況等影響機收作業(yè)質量關鍵因素的比例，從而為扣雜確定各方的責任大小提供參考依據(jù)，同時在發(fā)現(xiàn)較大差異時，也能通過現(xiàn)場查看起到追溯責任的作用；④在作業(yè)中途要求提供裝車時的圖片上傳農(nóng)務系統(tǒng)，作業(yè)目前預估值的對應含雜圖片，為甘蔗車輛進廠時作業(yè)質檢部門檢驗提供參考，不受白天、夜晚影響，24 h可進行含雜測定。

4 建議和展望

甘蔗機械化收獲是一個系統(tǒng)工程，在發(fā)展過程中受到多種因素的影響和制約，而機收蔗扣雜是最重要的影響因素之一，也是涉及機械化收獲最直接的3個主要利益方，由于利益方較多，測雜方面存在較大分歧。目前各糖廠主要采用的是人工測雜，不僅準確率不高，而且效率跟不上機械化發(fā)展的趨勢。國外的一些糖廠的做法，是適應本國行業(yè)發(fā)展需要而制定的，由于國情不同，我們不能照搬相應的模式來應用。唯一的辦法還是立足于本國實際，從影響機收含雜的因素出發(fā)，機收前記錄好這些因素的狀態(tài)，量化這些因素在機械收割中的雜質比例，從而確定各方的責任大小，并承擔相應扣雜帶來的損失，只有這樣才能處理好農(nóng)戶、機收服務隊、糖廠之間的關系。同時，通過責任大小，追溯原因，促使蔗農(nóng)采用宜機化措施提高機械收獲的作業(yè)條件，促使服務隊加強對農(nóng)機設備的維護和操作水平的提升，糖廠提升適應機械化發(fā)展的管理水平。

甘蔗機械化發(fā)展需要提升各參與方的能動性，扣雜是促使各方參與的關鍵，參與程度高，總體的趨勢是含雜會降低，在未來經(jīng)過大量數(shù)據(jù)的積累及各方的積極參與，當作業(yè)條件和作業(yè)水平相對較好的情況下，機收蔗含雜量保持在相對較平穩(wěn)的范圍，那么測雜的功能將完全被AI所取代，這需要我們這一代人甚至更多后來人的持續(xù)努力。

[1] 國家質量監(jiān)督檢驗檢疫總局，國家標準化管理委員會. 糖料甘蔗：GB/T 10498-2010 [S]. 北京：中國標準出版社，2010.

[2] 陳海軍，王寶，李一，等. 甘蔗機械采收雜質對甘蔗加工性能及成本的影響[J]. 中國糖料，2020(1)：38-44.

[3] 覃寧，宋前明，盧羿安，等. 東亞糖業(yè)集團甘蔗機械化發(fā)展的3個階段及其研究與分析[J]. 甘蔗糖業(yè)，2020(3)：14-24.

[4] 覃寧，宋前明，盧羿安，等. 糖料蔗全程機械化的關鍵技術及發(fā)展建議[J]. 甘蔗糖業(yè)，2020，49(4)：1-7.

[5] 覃寧，宋前明，盧羿安，等. 當前甘蔗機械化的主要矛盾及解決對策[J]. 甘蔗糖業(yè)，2020，49(5)：1-6.

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

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

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

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

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

1005-9695(2021)01-0017-07

2021-01-06；

2021-01-26

覃寧(1983-)，男，農(nóng)藝師，廣西南寧東亞糖業(yè)集團農(nóng)務技術總經(jīng)理，主要從事甘蔗種植技術研究及推廣應用；E-mail：215331104@qq.com

覃寧，盧羿安，黃明昌，等. 當前甘蔗機械收獲階段人工與AI相結合扣雜方式的探討[J]. 甘蔗糖業(yè)，2021，50(1)：17-23.