王寶聚，蘭玉彬，陳蒙蒙，柳寶虎，王國賓，劉海濤

(1. 山東理工大學農(nóng)業(yè)工程與食品科學學院，山東淄博，255000； 2. 國家精準農(nóng)業(yè)航空施藥技術(shù)國際聯(lián)合研究中心山東理工大學分中心，山東淄博，255000； 3. 山東理工大學電氣與電子工程學院，山東淄博，255000)

0 引言

農(nóng)業(yè)是世界上最重要的產(chǎn)業(yè)之一[1]，因為糧食是每個人所必須的，它保證了全球人口的生存,農(nóng)業(yè)的快速發(fā)展使得饑餓危機不再出現(xiàn)[2]。在當今全球人口不斷增長的趨勢下，需要更多的農(nóng)業(yè)勞動力來維持農(nóng)業(yè)生產(chǎn)[3]；然而，在之前的幾十年中，從事農(nóng)業(yè)勞動的農(nóng)民的平均年齡正在快速增大，從事農(nóng)業(yè)勞動的45～64歲的人口占比已經(jīng)從2006年的33.48%增長至2016年的43.48%[4]，因此，當前的農(nóng)業(yè)研究主要以更少的勞動力提升更高質(zhì)量的農(nóng)業(yè)生產(chǎn)為主[1]。

隨著信息技術(shù)的快速發(fā)展，物聯(lián)網(wǎng)(IoT)[5-6]、機器人技術(shù)[7-8]、大數(shù)據(jù)[9]和人工智能(AI)[10-11]等世界最前沿的技術(shù)在農(nóng)業(yè)中的應用越來越廣泛和成熟，使得無人農(nóng)場的作業(yè)模式從構(gòu)想變成現(xiàn)實，極大解放了生產(chǎn)力，提高了資源利用率；在無人農(nóng)場作業(yè)模式中，人工智能技術(shù)起著思考和決策的作用，而機器學習是人工智能最重要的技術(shù)之一[12]。

隨著機器學習技術(shù)逐漸成功地應用于其他科學領(lǐng)域，例如生物信息學[13]、醫(yī)學[14]、視覺跟蹤[15]、機器人技術(shù)[7]、氣候?qū)W[16]、遙感圖像處理[17-18]等，使得農(nóng)業(yè)科學家、學者越來越關(guān)注機器學習在農(nóng)業(yè)領(lǐng)域的應用，也是農(nóng)業(yè)領(lǐng)域目前最具有前沿性、現(xiàn)代性和前景的技術(shù)[19]。本文在介紹無人農(nóng)場以及機器學習概念的基礎上，結(jié)合機器學習技術(shù)在山東理工大學生態(tài)無人農(nóng)場的實際經(jīng)驗，總結(jié)其在生態(tài)無人農(nóng)場的應用現(xiàn)狀以及未來的發(fā)展方向，為以后機器學習能更好的應用在無人農(nóng)場提供參考。

1 無人農(nóng)場以及機器學習概念

1.1 無人農(nóng)場概念

隨著我國農(nóng)業(yè)資源出現(xiàn)過度開發(fā)的現(xiàn)象，可用耕地在逐年減少，同時，對農(nóng)業(yè)資源的浪費和無故開發(fā)導致了我國農(nóng)業(yè)勞動的環(huán)境越來越惡化?，F(xiàn)在，我國人口老齡化程度越來越嚴重，從事農(nóng)業(yè)勞動的勞動力越來越少，無人種地的困局越來越明顯。而物聯(lián)網(wǎng)、云計算、大數(shù)據(jù)以及人工智能等信息技術(shù)在農(nóng)業(yè)領(lǐng)域的深度應用[20]，使得無人農(nóng)場具備了產(chǎn)生的經(jīng)濟條件、社會條件以及技術(shù)條件。

無人農(nóng)場是一種全新的農(nóng)業(yè)生產(chǎn)模式，不需要勞動力的過多參與，通過物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能、第五代(5G)技術(shù)和機器人等多種前沿技術(shù)的聯(lián)合使用，通過遠程控制，全過程執(zhí)行無人農(nóng)場的所有生產(chǎn)活動，實現(xiàn)設備、機械和機器人的自主作業(yè)，全過程執(zhí)行無人農(nóng)場的所有生產(chǎn)活動[1]。

無人農(nóng)場使用傳感器技術(shù)來監(jiān)測動植物的生長狀況以及各種生產(chǎn)設備的工作狀況，并使用可靠、高效的通信技術(shù)將數(shù)據(jù)傳輸?shù)皆浦?，例如LoRA無線傳輸通信技術(shù)[21]；云平臺通過大數(shù)據(jù)技術(shù)[22]分析和處理數(shù)據(jù)，生成生產(chǎn)和運營決策，然后將決策信息傳送給機器人，最后由機器人執(zhí)行特定的生產(chǎn)活動。

在無人農(nóng)場中，農(nóng)業(yè)生產(chǎn)和經(jīng)營的全過程要實現(xiàn)精準的管理、自我決策、無人操作以及個性化的服務，從而實現(xiàn)農(nóng)業(yè)生產(chǎn)的可持續(xù)發(fā)展目標。無人農(nóng)場的體系結(jié)構(gòu)由基礎層、決策層和應用程序服務層共同組成，其角色和組件描述如下：(1)基礎層包括通信系統(tǒng)和基礎設施系統(tǒng)。(2)決策層是用于無人農(nóng)場的智能決策云平臺，該平臺進行大量數(shù)據(jù)資源的分析、處理和存儲，并產(chǎn)生決策。(3)應用層是自動作業(yè)設備系統(tǒng)，它利用智能農(nóng)業(yè)設備和物聯(lián)網(wǎng)技術(shù)，是無人農(nóng)場的核心組件。

無人農(nóng)場的三層結(jié)構(gòu)扮演著不同的角色：基礎層對于支持其他系統(tǒng)的運行是必不可少的，基礎層的基礎設施系統(tǒng)和通信系統(tǒng)負責數(shù)據(jù)的收集和傳輸；決策層執(zhí)行數(shù)據(jù)管理并做出與生產(chǎn)和運營相關(guān)的決策；應用程序?qū)邮褂脵C器而不是人員來進行生產(chǎn)操作。這三層結(jié)構(gòu)相互配合，實現(xiàn)了無人農(nóng)場安全可靠的智能運行[1]。

1.2 機器學習

機器學習(Machine Learing，ML)是人工智能在計算機科學領(lǐng)域的一個重要的分支，ML名稱由Samuel[23]提出；機器學習是讓計算機模擬人的學習活動，獲取新知識、不斷改善性能和實現(xiàn)自身完善的智能方法。ML的基本原理是構(gòu)造一種算法，該算法可以接收數(shù)據(jù)并使用統(tǒng)計技術(shù)來預測輸出，同時在有新數(shù)據(jù)可用時更新輸出[24]。

機器學習方法分為有監(jiān)督學習、無監(jiān)督學習和半監(jiān)督學習，常用的算法有人工神經(jīng)網(wǎng)絡和深度學習等。

1.2.1 有監(jiān)督學習

有監(jiān)督學習是通過已有的訓練樣本去訓練得到一個最優(yōu)的學習模型，再利用這個學習模型將所有的輸入映射為相應的輸出，對輸出進行簡單的判斷從而實現(xiàn)預測和分類的目的。

1.2.2 無監(jiān)督學習

無監(jiān)督學習的訓練樣本沒有任何標記信息，它是通過學習沒有標記信息的訓練樣本來發(fā)現(xiàn)數(shù)據(jù)的內(nèi)在關(guān)系，為進一步的數(shù)據(jù)分析提供基礎，其適用在沒有足夠的先前經(jīng)驗、不適合人工標注的場景。

1.2.3 半監(jiān)督學習

半監(jiān)督學習是有監(jiān)督學習和無監(jiān)督學習的集合，其訓練數(shù)據(jù)集的數(shù)據(jù)一部分是有標簽的，另一部分是沒有標簽的，利用少量的標簽數(shù)據(jù)和大量的無標簽數(shù)據(jù)進行學習，從而得到相應的輸出。在農(nóng)業(yè)中，由于場景的限制一般會有大量的無標簽數(shù)據(jù)，因此半監(jiān)督學習的研究對于農(nóng)業(yè)很有幫助。

1.2.4 人工神經(jīng)網(wǎng)絡

人工神經(jīng)網(wǎng)絡(Artificial Neural Network，ANN)簡稱神經(jīng)網(wǎng)絡(NN)，是模擬人腦的神經(jīng)系統(tǒng)對復雜信息處理機制的一種數(shù)學模型，它實際上是一個由大量簡單元件相互連接而成的復雜網(wǎng)絡，是能夠進行復雜的邏輯操作和非線性關(guān)系實現(xiàn)的系統(tǒng)，是監(jiān)督學習的例子之一[25]。

人工神經(jīng)元是人工神經(jīng)網(wǎng)絡操作的基本信息處理單位。人工神經(jīng)元的結(jié)構(gòu)如圖1。

圖1 人工神經(jīng)網(wǎng)絡的結(jié)構(gòu)圖Fig. 1 Structure diagram of artificial neural network

一個人工神經(jīng)元對輸入信號X=[X1,X2,X3…Xm]T的輸出

y=f(u+b)

(1)

(2)

當前，人工神經(jīng)網(wǎng)絡已經(jīng)越來越多的應用于信息處理、預測分析等領(lǐng)域[26]。

1.2.5 深度學習

深度學習是機器學習的一個子領(lǐng)域，它是在人工神經(jīng)網(wǎng)絡上發(fā)展起來的，其核心思想是經(jīng)過數(shù)據(jù)的驅(qū)動[27]，使用非線性變換，在數(shù)據(jù)中心自動提取多層特征[28]，實質(zhì)是通過利用非線性信息處理機制，通過有監(jiān)督和無監(jiān)督相結(jié)合的訓練方式，達到特征提取和轉(zhuǎn)換的目的，使得樣本間的數(shù)據(jù)關(guān)系可以成功擬合[29]；深度學習是一種深層的機器學習模型，“深”主要體現(xiàn)在對特征的多次變換上[30]，深層網(wǎng)絡結(jié)構(gòu)在一定程度上弱化了前一層網(wǎng)絡所提取的錯誤特征，用較少的參數(shù)對復雜函數(shù)進行表示，使得網(wǎng)絡計算更加緊湊，進而提高效率和效果[28]；深度學習的強大優(yōu)勢是特征學習，即從原始數(shù)據(jù)中自動提取特征，由較低層次特征組合形成更高層次的特征[31]；深度學習有多種不同的網(wǎng)絡類型，其基本網(wǎng)絡包括深度置信網(wǎng)絡(Deep Belief Networks)、卷積神經(jīng)網(wǎng)絡(Convolutional Neural Networks)、遞歸神經(jīng)網(wǎng)絡(Recurrent Neural Networks)等[32]，而卷積神經(jīng)網(wǎng)絡在農(nóng)業(yè)中應用的最為廣泛，網(wǎng)絡模型LeNet-5是經(jīng)典的卷積神經(jīng)網(wǎng)絡，其網(wǎng)絡結(jié)構(gòu)如圖2所示。

圖2 LeNet-5網(wǎng)絡結(jié)構(gòu)圖Fig. 2 Structure diagram of LeNet-5 network

2 機器學習在無人農(nóng)場的應用

由于無人農(nóng)場的關(guān)鍵部分是人工智能，而機器學習是人工智能的關(guān)鍵技術(shù)之一，所以機器學習技術(shù)在無人農(nóng)場發(fā)揮著越來越重要的作用，本節(jié)將在種植業(yè)和畜牧業(yè)兩個部分對機器學習的應用進行論述。

2.1 機器學習在種植業(yè)中的應用

2.1.1 機器學習在田間雜草識別中的應用

在農(nóng)業(yè)生產(chǎn)活動中，田間雜草是不可避免的伴生植物，目前我國使用的主要除草方式是化學除草、人工除草、機械除草、生物除草等，傳統(tǒng)的除草工作費時費力，在當今“無人種地”的形勢下，不可能依賴于傳統(tǒng)的除草技術(shù)，所以基于機器學習的除草技術(shù)已經(jīng)變得越來越重要。

利用卷積神經(jīng)網(wǎng)絡和深度學習對雜草進行識別檢測，是現(xiàn)在最為廣泛通用的一種方法。波恩大學的Andrea等[33]利用卷積神經(jīng)網(wǎng)絡在作物早期生長階段區(qū)分玉米植株和雜草，使用分割階段生成的數(shù)據(jù)集對卷積神經(jīng)網(wǎng)絡進行訓練，識別精度達到97.23%。姜紅花等[34]對田間雜草進行識別時，對卷積神經(jīng)網(wǎng)絡進行改進，在全連接層后面增加二進制的哈希層，通過對比全連接層特征碼和哈希碼，找出與其最相近的K幅圖像的標簽，歸入頻率最高的一類，此算法使用5 000 張圖片訓練，使用1 000張數(shù)據(jù)集進行測試(訓練集測試集比例為5∶1)，田間識別準確率高達98.6%，在其他雜草數(shù)據(jù)集上的檢測準確率達到95.8%；北達科他州州立大學農(nóng)業(yè)與生物工程系的Flores等[35]在溫室環(huán)境下模擬田間條件，采集圖像形狀、色彩和紋理特征值后，使用支持向量機模型(SVM)、神經(jīng)網(wǎng)絡(NN)、隨機森林(RF)、GoogLeNet和VGG-16模型分別進行識別檢測，最終VGG-16模型在區(qū)分大豆幼苗和玉米雜苗中的識別精度達到96.2%，在以上五個模型方法中精度最高。孟慶寬等[36]采用深度可分離卷積結(jié)合壓縮與激勵網(wǎng)絡模塊構(gòu)建輕量特征提取單元，替代標準SSD模型中的VGG16網(wǎng)絡，提高特征提取速度；將擴展網(wǎng)絡中的深層語義信息與淺層細節(jié)信息進行融合，經(jīng)過改進后的深度學習檢測模型對玉米及雜草的平均檢測精度均值為88.27%。劉慧力等[37]基于深度學習框架TensorFlow搭建了多尺度分層特征的卷積神經(jīng)網(wǎng)絡模型，應用4倍膨脹的單位卷積核，獲得了玉米秧苗圖像的識別模型，其識別準確率達到99.65%。

在田間的雜草管理中，通過改進各種機器學習算法，使雜草的識別準確率已經(jīng)很高，但大多是在實驗室進行種植、采集數(shù)據(jù)，并沒有在田間進行實地測試，由于在田間的環(huán)境更加復雜，會加大機器學習算法的識別難度，應加強落地實驗，通過實際的田間場景改進算法模型，使機器學習算法更好地應用在田間雜草識別項目中。

2.1.2 機器學習在病蟲害檢測中的應用

在農(nóng)業(yè)中除了雜草問題對作物的影響較大之外，病蟲害控制是作物種植的另一個重要的問題，在針對病蟲害的問題上，目前常用的做法就是在種植區(qū)域均勻的噴灑化學藥劑，這種方法雖然是最有效的，但是化學藥劑的使用還會造成環(huán)境污染，對環(huán)境安全造成威脅[38]；由于深度學習在精準農(nóng)業(yè)中的使用，使得在病蟲害防治的過程中實現(xiàn)精準噴施，減少了農(nóng)藥的使用。

Pantazi等[39]采用Artificial Neural Network(ANN)和XY-Fusion network的方法，用于檢測和鑒別健康的水飛薊植物和被黑曲霉菌感染的植物，使用XY-Fusion的方法，其檢測準確率達到了95.16%。Ebrahimi等[40]利用SVM分類方法檢測農(nóng)作物冠層圖像上的薊馬，并利用一種新的圖像處理技術(shù)檢測草莓植物上可能出現(xiàn)的寄生蟲，采用具有不同核函數(shù)的支持向量機方法對寄生蟲進行分類和薊馬檢測，結(jié)果表明，以區(qū)域指數(shù)和亮度為顏色指數(shù)的支持向量機模型分類效果最好，平均誤差小于2.25%。Chung等[41]提出了一種使用機器視覺無損的區(qū)分3周齡感染水稻惡苗病和健康幼苗的方法，開發(fā)了支持向量機(SVM)分類器，以區(qū)分受感染和健康的幼苗，將遺傳算法用于選擇SVM分類器的基本特征和最佳模型參數(shù)，結(jié)果顯示所提出的方法有87.9%的準確度，對被感染植物實現(xiàn)了自動檢測，提高了谷物產(chǎn)量，并且減少了耗時。張銀松[42]對粘蟲板害蟲進行目標檢測識別，采用可以實時檢測的SSD目標檢測算法，并且在SSD算法的基礎上對害蟲體積小的問題進行改進；利用反卷積實現(xiàn)高層和低層的特征融合,再利用融合后的特征建立特征金字塔,再進行逐層檢測,以得到最優(yōu)的識別模型，結(jié)果顯示，模型識別準確率達到91.8%。劉志勇等[43]針對傳統(tǒng)的leNet-5模型在復雜紋理圖像的分類上圖片的識別精度不高、模型訓練效率較低等問題，對傳統(tǒng)的LeNet-5進行改進，采用PReLU函數(shù)作為激活函數(shù)，并在網(wǎng)絡中加入Inception結(jié)構(gòu)模塊組、采用DropOut策略并加入Batch Normalization等,提出改進后的LeNet-5模型，在識別番茄病蟲害的實驗中,其改進的模型識別準確率高達95.3%。Moshou等[44]將受黃銹病感染的冬小麥、氮脅迫的植株和健康的植物進行了識別檢測，采用了基于SOM神經(jīng)網(wǎng)絡和高光譜反射成像的方法，結(jié)果表明，識別氮脅迫植株的準確度為100%，感染黃銹病的植株識別準確度為99.92%，健康植株的識別準確度為99.39%。

2.1.3 機器學習在產(chǎn)量預測中的作用

作物的產(chǎn)量預測在無人農(nóng)場作業(yè)中占據(jù)非常重要的地位，對于提高農(nóng)場的生產(chǎn)管理水平具有重要的意義。You團隊[45]放棄了在遙感領(lǐng)域使用的傳統(tǒng)方法，而是采用卷積神經(jīng)網(wǎng)絡(CNN)和長短期時間記憶網(wǎng)絡(LSTM，是一種時間遞歸神經(jīng)網(wǎng)絡)的方法，自動的從原始數(shù)據(jù)中提取出相關(guān)特征，并利用深高斯過程整合數(shù)據(jù)的時空信息，在預測大豆產(chǎn)量的任務中評估他們的方法，結(jié)果表明，他們的模型平均比美國農(nóng)業(yè)部的預測準確率高出15%。Ali等[46]在愛爾蘭的集約化管理但規(guī)模較小的農(nóng)場中進行估算草地生物量的工作，他們采用多元線性回歸(MLR)、人工神經(jīng)網(wǎng)絡(ANN)以及自適應神經(jīng)模糊推理系統(tǒng)(ANFIS)模型的方法，其中ANFIS模型結(jié)合了人工神經(jīng)網(wǎng)絡和模糊邏輯的優(yōu)點，并在愛爾蘭的兩個集約化管理的草地農(nóng)場進行評估，結(jié)果表明ANFIS相比于其他兩種方法，有更好的效果。

通過對機器學習在種植業(yè)中的相關(guān)文獻進行總結(jié)，發(fā)現(xiàn)經(jīng)過改進的機器學習算法，其識別準確率以及預測效果都非常好，這表明了機器學習可以在無人農(nóng)場中進行應用，但也應加強算法的嵌入式研究，進行實地測驗，使得機器學習能夠更好的在無人農(nóng)場中應用，更快的推動無人農(nóng)場的智能化發(fā)展。

2.2 機器學習在畜牧業(yè)的應用

機器學習在畜牧業(yè)中的應用，主要的應用場景是漁場和養(yǎng)殖場，一方面用于精準識別動物，實時監(jiān)測動物的行為，為生產(chǎn)者提供生長狀況信息；另一方面，機器學習技術(shù)主要應用于生產(chǎn)線的監(jiān)控，為生產(chǎn)者提供生產(chǎn)信息，以創(chuàng)造最大的經(jīng)濟價值。

2.2.1 機器學習在牲畜精準識別中的應用

利用機器學習對魚類進行智能化識別，為進一步的漁情預測打下基礎，精確的漁情預測數(shù)據(jù)能夠解決目前多數(shù)漁業(yè)標準服務系統(tǒng)中缺少基于標準體系的漁業(yè)標準服務問題，并能夠為漁業(yè)標準修訂指南提供數(shù)據(jù)決策依據(jù)[47]，同時還能為漁場主提供實時監(jiān)測魚類的生長健康數(shù)據(jù)，為魚類養(yǎng)殖提供數(shù)據(jù)支持。

利用深度學習對魚類進行識別檢測，是現(xiàn)在最通用的一種方法；王文成等[48]利用RESNet50網(wǎng)絡對大菱鲆、黃鰭鯛、金錢魚、鯔魚這四種魚類進行識別檢測，測試準確率達到96%以上，并且利用PyQt5開發(fā)了GUI可視化界面，通過界面操作，測試結(jié)果與預測類別一致，同時利用DSOD框架做了水下目標的實時跟蹤檢測，在不損失檢測速度的情況下，對小目標的檢測準確率實現(xiàn)大幅提高。袁紅春等[49]采用了一種基于Faster R-CNN二次遷移學習和帶色彩恢復的多尺度視網(wǎng)膜增強算法(MSRCR)，解決了魚類樣本數(shù)量不足以及魚類模糊圖像的快速檢測問題，通過測試結(jié)果表明，此方法利用樣本數(shù)量較少的魚類數(shù)據(jù)集訓練出來的網(wǎng)絡，其檢測準確率可達到98.12%。李慶忠等[50]利用改進的YOLO檢測算法和遷移學習，解決了非限制性環(huán)境中的水下機器人基于視頻圖像的魚類目標的快速檢測問題，相比于傳統(tǒng)的YOLO算法，改進后的算法提高了對小目標以及重疊目標的檢測性能，檢測準確率達到89%。王燁[51]提出基于殘差網(wǎng)絡的魚類識別模型，他們利用ResNet50作為基礎網(wǎng)絡，利用遷移學習搭建網(wǎng)絡，并引入注意力機制，將注意力機制中的非局部算子以模塊的形式插入殘差網(wǎng)絡中，結(jié)果表明，改進后的網(wǎng)絡模型識別精度達到98.16%。

隨著集約化管理的采用，比如豬和牛等牲畜的精準識別已經(jīng)成為養(yǎng)殖場中的一個重要的問題。Hansen團隊[52]提出了采用動物面部非侵入式的生物識別方法，使用Fisherfaces，VGG-Face預先訓練的人臉卷積神經(jīng)網(wǎng)絡(CNN)模型和他們自己的CNN模型三種方法進行測試，使用人工擴充的數(shù)據(jù)集進行訓練，結(jié)果表明，他們自己設計的CNN模型識別準確率達到96.7%。

對牲畜進行精準識別分類，在畜牧養(yǎng)殖中占據(jù)重要的地位，在近幾年的牲畜識別研究中，各學者對機器學習算法進行改進，已經(jīng)達到了非常高的識別準確率，也為牲畜的行為識別、健康監(jiān)測等打下堅實的基礎。

2.2.2 機器學習在牲畜的生產(chǎn)預測中的應用

機器學習具有早期發(fā)現(xiàn)和警告問題的能力，這在畜牧業(yè)中有非常重要的作用，能夠?qū)仪葸M行實時監(jiān)測，能夠及時發(fā)現(xiàn)生產(chǎn)過程中的問題，及時采取行動來避免這些問題，減少經(jīng)濟損失。

對養(yǎng)殖場中的動物進行實時的生產(chǎn)監(jiān)測，可以及時調(diào)整生產(chǎn)策略，實現(xiàn)效益的最大化，目前機器學習被廣泛利用在此領(lǐng)域。Morales團隊[53]利用農(nóng)場的478 919只母雞的雞蛋生產(chǎn)數(shù)據(jù)，采用支持向量機的方法，發(fā)現(xiàn)了雞蛋生產(chǎn)曲線中的問題，該技術(shù)能夠提前一天發(fā)出警報警示生產(chǎn)曲線出現(xiàn)了問題，準確率達到98.54%。Alonso等[54]利用支持向量機回歸的方法，對屠宰前幾天的肉牛預測其體重，對144只動物進行了390次測量，其平均絕對誤差為真實值的4.27%。

2.2.3 機器學習在牲畜喂食決策中的應用

在水產(chǎn)養(yǎng)殖中，魚的喂食對降低成本具有重要意義，同時對提高魚的產(chǎn)量也有重要作用；Zhou等[55]利用近紅外計算機視覺和神經(jīng)模糊的進給控制方法，實現(xiàn)根據(jù)魚類的食欲進行自動喂養(yǎng)的目的，通過結(jié)果測試表明，其模型的進食決策精度達到98%。趙健[56]對循環(huán)水養(yǎng)殖中具備表征魚群饑餓程度的魚群局部突發(fā)行為進行監(jiān)測，他們采用遞歸神經(jīng)網(wǎng)絡、粒子平流方案以及改進運動影響力圖的方法，通過實驗結(jié)果表明平均檢測準確率達到98.91%，平均識別準確率達到89.89%。

機器學習在畜牧養(yǎng)殖中的應用都表現(xiàn)出較好的效果，其在精準分類識別、生產(chǎn)預測以及喂食決策中都有非常好的表現(xiàn)，由于養(yǎng)殖牲畜需要更加嚴謹，保證牲畜信息的準確性，導致現(xiàn)在的機器學習不能完全解決人工養(yǎng)殖中的問題，但現(xiàn)在機器學習的表現(xiàn)完全可以為養(yǎng)殖過程提供較好的信息決策支持；在日后的技術(shù)發(fā)展中，機器學習在養(yǎng)殖業(yè)必有更加廣闊的應用天地。

3 討論與展望

經(jīng)過總結(jié)上述文獻，機器學習技術(shù)主要集中在機器視覺方面，用機器學習算法來檢測目標物體，在這些應用中也存在一些缺點。

1) 機器視覺的使用需要用到大量的數(shù)據(jù)集，用于模型的訓練以及驗證，在當前的農(nóng)業(yè)機器學習環(huán)境下，并沒有通用的數(shù)據(jù)集，都是依靠各個實驗團隊自己采集標注數(shù)據(jù)集，由于農(nóng)田環(huán)境的影響，采集數(shù)據(jù)集耗時耗力，并且標注數(shù)據(jù)集需要專業(yè)人員進行人工標注，以至于并沒有流通的數(shù)據(jù)量多的數(shù)據(jù)集，這限制了機器視覺模型的檢測準確性，同時也增加了機器學習在農(nóng)業(yè)方面的應用難度。

2) 目前的機器學習需要高質(zhì)量的硬件以滿足其運算能力，但當前的嵌入式芯片存在運算能力不足，運算速度較慢等問題，嵌入式芯片的性能突破涉及到其他領(lǐng)域的問題，短期內(nèi)難以有更大的研究突破。

3) 在農(nóng)業(yè)領(lǐng)域運用機器學習，需要具備農(nóng)業(yè)的生產(chǎn)經(jīng)驗同時還需要具備機器學習的專業(yè)知識，但現(xiàn)在具備兩者的專業(yè)人才嚴重缺乏，這限制了機器學習技術(shù)在農(nóng)業(yè)中的發(fā)展。

在無人農(nóng)場的作業(yè)模式中，機器學習是必不可少的，針對機器學習在無人農(nóng)場中的應用現(xiàn)狀，還應加大對以下幾個方面的研究力度。

1) 現(xiàn)如今，機器學習技術(shù)主要應用在作物的田間雜草管理、病蟲害檢測等方面，在農(nóng)作物方面的應用技術(shù)已經(jīng)比較廣泛，節(jié)省了大量的人力、物力以及財力，但在漁場、養(yǎng)牛場、養(yǎng)豬場等應用方面還較少，在未來應該加大對動物方面的研究；使用機器學習技術(shù)動態(tài)監(jiān)測動物的生長狀況，并利用大數(shù)據(jù)技術(shù)，結(jié)合專家的生產(chǎn)經(jīng)驗，能夠通過動物日常的行為，預測動物的健康狀況，建立一套專家系統(tǒng)，可及時避免動物疾病的大規(guī)模傳播；同時還應利用機器學習對動物的生長環(huán)境狀況進行實時監(jiān)測，為改善動物的生長環(huán)境提供決策支持。

2) 同時還應在無人農(nóng)場建立一套高質(zhì)量的數(shù)據(jù)庫，數(shù)據(jù)庫對機器學習的作用是非常重要的，因此具有高質(zhì)量的數(shù)據(jù)庫會加速機器學習的應用進程，同時會極大提高無人農(nóng)場的管理效率，對無人農(nóng)場的建設有非常積極的意義。

3) 隨著無人農(nóng)場的興起，其在生產(chǎn)領(lǐng)域、智能裝備領(lǐng)域等產(chǎn)生了大量的數(shù)據(jù)，利用機器學習結(jié)合5G、傳感器、大數(shù)據(jù)等技術(shù)對這些數(shù)據(jù)傳輸、融合、處理和應用，將農(nóng)場的管理系統(tǒng)建設成為真正的AI系統(tǒng)。

4) 針對當前的機器學習研究大多停留在實驗室中的問題，應加強機器學習技術(shù)的嵌入式研究，將實驗室中的研究真正落地到田間；加強對機器學習算法的研究，減少其對嵌入式芯片的性能依賴，加快算法的訓練速度以及運行速度；從而加快機器學習在無人農(nóng)場的應用速度。

總之，機器學習在無人農(nóng)場的應用將會有更加廣闊的天地。

4 結(jié)論

本文對近幾年機器學習在農(nóng)業(yè)中的應用相關(guān)文獻進行整理介紹，結(jié)合在山東理工大學生態(tài)無人農(nóng)場的實際經(jīng)驗，闡述了機器學習在種植業(yè)中的田間雜草識別、作物病蟲害檢測、作物產(chǎn)量預測的應用，以及在畜牧業(yè)中的魚類、豬羊等牲畜的精準識別分類、魚類的喂食決策系統(tǒng)以及雞、牛的生產(chǎn)線預測方面的應用；并且通過總結(jié)以上文獻以及實際經(jīng)驗得出機器學習在無人農(nóng)場應用的劣勢，其在數(shù)據(jù)集、專業(yè)人才以及嵌入式系統(tǒng)中都存在相當大的問題；其次通過總結(jié)自身在無人農(nóng)場的實際經(jīng)驗以及目前的研究水平及問題，提出機器學習在無人農(nóng)場的發(fā)展趨勢，主要是建立高效的數(shù)據(jù)庫、搭建“專家系統(tǒng)”、結(jié)合多領(lǐng)域技術(shù)以及算法的嵌入式研究。

機器學習在無人農(nóng)場中的應用正在快速發(fā)展，也被更多的研究學者所重視，也會有更多的機器學習技術(shù)應用到無人農(nóng)場中，實現(xiàn)真正的無人化作業(yè)，推動農(nóng)業(yè)的快速可持續(xù)發(fā)展。