摘要： 目前，我國農機裝備物聯網存在高端傳感器國產化程度低、無線傳輸穩(wěn)定性差、全局化機群調度難的問題。本文從農機作業(yè)智能感知技術、農機裝備信息傳輸技術和農機作業(yè)數據處理與決策技術等方面對國內外研究現狀進行綜述，闡述作物信息、環(huán)境信息、農機作業(yè)狀態(tài)信息和農機識別等智能感知技術的成果，分析車載物聯技術和遠程物聯技術的研究進展，此外還論述了農機作業(yè)智能決策技術在農機作業(yè)異常檢測、作業(yè)質量評價和農機調度方面的技術突破以及農機裝備遠程監(jiān)管平臺的應用現狀并分析各環(huán)節(jié)待解決的問題。在此基礎上提出農機裝備物聯網技術未來的發(fā)展方向及應用前景，即農機高端傳感器研發(fā)、基于5G的新一代移動互聯技術研究、基于大數據和機器學習的智能決策技術、多機協同與智慧農場應用。

關鍵詞： 農機裝備；物聯網；遠程傳輸；智能感知；智能決策

中圖分類號：S126；S232.3 "文獻標志碼：A

文章編號：1002-1302（2024）01-0017-11

為解決“誰來種地”的社會問題，農機裝備科技變革正在興起，《中國制造2025》實施綱要中將智能農機裝備列為重點發(fā)展的十大領域之一［1］，“智能在端、智慧在云、管控在屏”，即現場控制智能化、云端決策智慧化、監(jiān)控調度移動終端化是未來智慧農機的發(fā)展方向，實現農業(yè)機械的現代化、智能化和規(guī)?；?］。智慧農機的發(fā)展催生了農業(yè)物聯網等高新技術應用到農機領域。農機物聯網是指通過農業(yè)信息感知設備，按照約定協議，把農機終端與客戶端連接起來，進行信息交換和通信，以實現對農機工作環(huán)境、工作狀態(tài)等智能化監(jiān)控和管理的一種網絡。農機設備上各類傳感器、數據采集器、控制器、定位裝置等智能終端部件，構建一個完整的產品工況運行數據實時采集傳輸系統，賦予農機感知和通信的能力。農業(yè)現代化離不開農業(yè)物聯網技術，2013年原農業(yè)部在糧食主產區(qū)啟動了農業(yè)物聯網區(qū)域試驗工程，利用無線傳感、定位導航與地理信息技術，實現了農機資源管理、田間作業(yè)質量監(jiān)控和跨區(qū)調度指揮。農機應用規(guī)?；乾F代農業(yè)的發(fā)展趨勢，農機集群作業(yè)的實現離不開農機作業(yè)遠程監(jiān)測，物聯網技術使得農機數據的采集成本大大降低，實現農機作業(yè)狀態(tài)、作業(yè)場景準確監(jiān)測，便于農機協同作業(yè)管理，減少作業(yè)質量參差不齊、重復作業(yè)等不良現象的發(fā)生。農機物聯網能對農業(yè)機械的作業(yè)狀況與自身情況實時監(jiān)測，當作業(yè)機械出現問題時可以及時發(fā)現，許多問題無需技術人員親臨現場就可以進行診斷與處理，提升了農機的作業(yè)效率，節(jié)約了人力物力。本文在分析智能農機裝備發(fā)展和物聯網技術概況的基礎上，歸納農機物聯網智能感知、信息傳輸、智能決策及遠程監(jiān)控平臺應用的最新研究進展，分析各部分相關技術的基本工作原理、特點及典型應用，并在此基礎上，結合我國國情，展望未來發(fā)展趨勢（圖1）。

1 農機智能感知技術

通過在農機產品中應用先進的感知技術，將物聯網系統與農機產品有機結合，有利于實時監(jiān)測控制農業(yè)機械的生產作業(yè)活動，推進智能農機的發(fā)展。物聯網農機感知按感知內容分類，分為機外感知和機內感知。機外感知是指對農機作業(yè)環(huán)境和對象信息參數的感知，包括土壤信息感知、障礙信息感知、雜草識別、作物冠層信息及病蟲草害信息感知等。機內感知是指對農業(yè)裝備自身的感知，包括農機類型、農機位置與運動信息感知、工作部件參數及農機作業(yè)狀態(tài)參數的感知。

1.1 農機機外感知技術

1.1.1 作業(yè)環(huán)境

作業(yè)環(huán)境感知是農機作業(yè)遠程監(jiān)控的重要依據之一，國內外學者的研究主要集中在農田現場圖像、障礙物、土壤等方面。Barusu等在基于視覺的農業(yè)機器人中安裝無線攝像頭進行現場監(jiān)測，可以讓用戶在客戶端查看現場的實時視頻片段，并結合樹莓派獲取的天氣信息、土壤信息，遠程控制作業(yè)［3］。Pea等使用IP攝像機對結構化環(huán)境進行視覺反饋，用戶根據觀察到的機器人行為和作業(yè)環(huán)境，遠程操作機器人執(zhí)行播種、灌溉、熏蒸和修剪等活動［4］。李建軍等基于物聯網技術設計圓捆機作業(yè)過程遠程監(jiān)控系統，可實現對圓捆機作業(yè)環(huán)境實時畫面監(jiān)控的功能［5］。Sun等獲取高穩(wěn)定、高清晰全向視覺的農機周圍視景圖像，并采用圖像拼接技術得到全景圖像，進而作為障礙物定位與識別的參考［6-7］。通過采集的視覺圖像，Cheein等使用SVM算法使農機正確識別出橄欖園中的樹枝障礙物［8］，置于農機前端的雙目視覺采集農機前方視景圖像，結合全向視覺多場景圖像將數據信息融合，可以實現復雜多變環(huán)境如光照不均、目標遮擋、背景雜亂等條件下目標作物、障礙物等的準確識別。通過對視景圖像的信息分析，識別障礙物的位置與類型，協助指導農機行進，穩(wěn)定有效避障，減少漏檢漏耕，從而保證農機的精確作業(yè)。

物聯網感知技術在農業(yè)機械上的應用可以實時收集土壤的各種數據，如土壤類型、pH值等。在智能分析控制技術支撐下，農業(yè)機械在運行過程中能及時決策，保證環(huán)境各項指標都能滿足植物生長的需求，起到增產增收的效果。美國威里斯技術公司開發(fā)了“實時”的傳感器系統，用于監(jiān)測和繪制土壤參數，產品“U3”在被動力車輛拖動時測量土壤電導率、pH值和有機質含量并創(chuàng)建空間地圖，這些數據將上傳至氣候公司的FieldView數字農業(yè)平臺，農場管理員或第三方能在網頁或移動端上查看高分辨率土壤地圖［9］。Kksal等在小麥智能生產案例中使用車載相機采集土壤圖像上傳服務器制作土壤類型地圖向農戶展示［10］。韓長杰等設計車載式大田土壤電導率快速檢測系統，實現土壤田塊不同區(qū)域內電導率的快速實時檢測，評價土壤肥力、生產能力及制作精準施肥處方，未來可用于變量施肥［11-12］。

1.1.2 作業(yè)對象

農機作業(yè)遠程監(jiān)測需要對作業(yè)對象進行實時監(jiān)測，根據作業(yè)對象調節(jié)作業(yè)模式和作業(yè)參數，作業(yè)對象感知包括雜草檢測、作物靶標探測、病蟲害監(jiān)測等（表1）。

計算機視覺在雜草實時檢測中具有至關重要的作用，其工作原理是通過攝像頭捕獲圖像，人工智能引擎檢測目標雜草，收集到的實時信息通過現場無線傳感器網絡發(fā)送給云平臺，用戶可以根據所需的信息作出決定，可以實現農藥物聯網智能對靶噴灑，減少農藥用量。Karthikeyan等使用Pi相機采集1 920像素×1 080像素高分辨率的數字圖像，這些圖像通過樹莓派終端轉換成JPEG或PNG格式存儲到云上，圖像信息包括作物行數和足夠分辨率的植物圖像，經數據白化、圖像分割等系列處理后，利用形態(tài)學圖像分割算法對農田作物和雜草進行檢測，正確率達到96%［18］。

作物生長信息感知通常是采用農業(yè)無人機遙測，相機和多光譜傳感器連接到無人機設備上，用于從大型作物中獲取航空圖像，這些圖像由物聯網云端平臺處理以計算農業(yè)參數，如葉面積指數等。Kumar等利用葉面積指數與其他參數，評估水稻作物中的氮含量，檢測甘蔗作物的疾?。?9］。農業(yè)無人機領域的獨角獸企業(yè)廣州極飛科技股份有限公司運用物聯網技術，讓農業(yè)無人機幫助農戶監(jiān)測農田、分析土壤狀況，使精準農業(yè)設備變得自動化、智能化。

冠層差異是植保機變量施藥的依據，實時獲取冠層信息主要有基于超聲波和實時傳感2種方式，Palleja等提出一種基于超聲波的實時方法來估計蘋果樹和葡萄藤的冠層密度，但還未投入應用實現遠程調整植保機參數［14］；姜紅花等設計自動對靶噴霧控制系統，使用超聲波傳感器測量作物距離，并將信號數據傳輸到物聯網終端，同時終端接收用戶上位機輸入的控制指令進行實時靶標檢測，當程序判斷為有效靶標時，實施噴霧作業(yè)，實現遠程調控噴霧機工作參數［15］。

1.2 農機機內感知技術

農業(yè)裝備機內參數感知技術通過對機器自身工作狀態(tài)和作業(yè)狀態(tài)的監(jiān)測，使用戶實現遠程控制農機獲取農機數據，作為決策依據，進而實現對農機的故障監(jiān)測、預警，工作性能評價以及作業(yè)參數的優(yōu)化。農業(yè)裝備機內感知技術包括農機作業(yè)參數、農機機械參數、農機識別以及農機定位與運動等（表2）。

1.2.1 農機作業(yè)參數感知

傳感器分布在農機裝備作業(yè)的各個環(huán)節(jié)，組成傳感器節(jié)點網絡，物聯網技術通過嵌入式平臺融合多節(jié)點數據，經云端處理讓田間作業(yè)過程可視化、數據化，進而實現農戶對農機作業(yè)質量的實時監(jiān)控。

耕整機的主要作業(yè)參數是耕作深度，一般通過角度傳感器和超聲波傳感器感知耕作深度。角度傳感器固定在犁具上測出角度變化，基于深松機運動姿態(tài)得到作業(yè)深度［34］。超聲波傳感器監(jiān)測深松機的機架與地面距離的變化，得到深松機的深松鏟入土深度，即實際的深松深度值［35］。Lou等使用多個超聲波獨立檢測每行的耕作深度用于調整、顯示和記錄，并試驗驗證應用超聲波傳感器檢測耕作深度的方法是可靠的、準確的［36］，但田間作物殘茬、地面凸凹不平等環(huán)境因素會對超聲波檢測造成一定干擾。

播種施肥機主要對種子、肥料等固體顆粒播量、播速、播深、漏播情況等進行監(jiān)測，排放效果直接決定農機工作的質量。國內外學者將物聯網技術、傳感器技術與定位技術相結合，用于播種施肥機漏播、重播位置、播種量等數據的遠程檢測，通常使用紅外光敏傳感器、視覺傳感器、光電傳感器、壓電傳感器等。使用紅外傳感器和視覺傳感器監(jiān)測種子流量具有可靠的監(jiān)測精度［37-38］。壓電傳感器可以監(jiān)視播種、檢測排種以及是否漏播、重播［21］，光電傳感器可以實時監(jiān)測漏播、播種位置和播種量等作業(yè)信息，施肥監(jiān)測實時監(jiān)測堵塞［22］、缺肥、排肥速度［20］和排肥量等作業(yè)信息，但光電、電容等不同傳感器易受環(huán)境中灰塵影響而不準確。Xie等使用激光束光電傳感器監(jiān)測排量，具有方向性好、亮度高、單色性好等優(yōu)點，可以穿透透明物體在多塵條件下使用［39］。美國約翰迪爾公司推出的GreenStarTM2系統能夠實時監(jiān)測小麥的播種行數、播種行距、漏播量、平均播種總量，并以圖表形式實時顯示［40］。

收獲機主要基于電阻傳感器、γ射線傳感器、光電傳感器、壓電傳感器等測量糧食產量、含水率、破損率等參數，為農場提供糧食產量［41］以及品質［42］判定的參考。國外科樂收農業(yè)機械貿易（北京）有限責任公司（http：//www.claas.cn/products/claas）的收獲機大多已安裝水分、流量等傳感器，傳感器原理和產品均較成熟，國內的傳感器還存在檢測精度與可靠性不高的問題。

植保機的作業(yè)狀態(tài)參數包括噴霧壓力、噴霧流量、噴桿姿態(tài)等，研究人員通常選擇壓力傳感器安裝在噴頭的管道中，測量機器的工作壓力；在供應管路中放置流量傳感器來測量流量［43］。目前對于植保機的作業(yè)參數實時監(jiān)測的研究較少，還須要解決傳感器的抗腐蝕性和精度穩(wěn)定性問題。

1.2.2 農機機械參數感知

工況良好是農機正常作業(yè)的前提，對農機部件工作狀態(tài)的感知是故障預警的主要依據，陳進等將物聯網技術與農業(yè)機械參數采集裝置相結合，采集聯合收獲機脫粒滾筒轉速、輸送器轉速等關鍵信息并上傳，實現收獲機主要部件工作情況的遠程監(jiān)測及故障診斷［24］。Cortés等選用溫度傳感器和水平傳感器監(jiān)測水箱的溫度以及水箱、肥箱、油箱液面高度等工況信息，以便管理員能夠確認有足夠的投入品供農機作業(yè)［26］。以農機物聯網技術為基礎，國內外學者對農業(yè)機械狀態(tài)進行監(jiān)控的系統研發(fā)已較成熟，多傳感器采集農機各個部件的狀態(tài)并上傳，數據分析確認農機能否正常執(zhí)行作業(yè)任務，并進行故障預警，方便管理員對故障部件及時發(fā)現和修理。

1.2.3 農機識別

在遠程控制農業(yè)機械執(zhí)行現場活動前需要確認農機類型，農業(yè)機械的分類是實現身份驗證的重要手段，沒有健全的農機識別系統，有可能造成農機被錯誤操作。國內外有關農機類型遠程識別的研究主要采用機器視覺圖像識別和依據機械振動頻率與傾斜度分類2種方法。雷雪梅等設計了卷積神經網絡，使用攝像頭識別播種機、起壟機、翻轉犁、深松機、旋耕機5種類型的農機，實現了農機機具的自動識別［28］。振動［44］和傾斜［45］一直被認為是機械的重要特征，由于機械在使用過程中引起不同的振動和傾斜，通過采集農機作業(yè)時的振動與傾斜數據可以確認農業(yè)機械種類的系統。Waleed等收集來自平整機、旋耕機和耕作機的振動和傾斜數據，這3類機械數據在平均值和標準差方面具有明顯區(qū)分，試驗驗證通過振動和傾斜識別平整機、旋耕機和耕作機的準確率可達82%以上［27］。

1.2.4 運動感知

農機定位與運動感知內容主要包括動力機械的位置、行駛方向、行進速度、作業(yè)姿態(tài)等。農機一般采用全球差分定位技術獲取實時位置信息，GPS基準站通過基站接收器獲取差分改正量信息，定位終端模塊將信號發(fā)送至核心處理器，核心處理器根據差分改正量和移動站的輸出量，計算出差分定位結果。在實際應用中，GPS移動站被固定在動力機械駕駛艙，基準站放置在作業(yè)地塊附近，且位置不允許變動，在作業(yè)過程中，遠程服務器軟件系統根據全球差分定位系統提供的經緯度信息，確定農機的實時位置，并繪制農機的實時位置地圖用于用戶查看。美國天寶導航公司開發(fā)的在線農場系統使用GPS差分技術，實現管理人員對農機位置與歷史軌跡進行遠程查看，在線監(jiān)督作業(yè)情況［46］。姿態(tài)信息一般采用陀螺儀和加速度計獲得，陀螺儀輸出參考軸向的角速度，通過積分計算獲取角度；加速度計算出參考軸向的加速度，通過積分計算獲取速度，通過二次積分計算獲取位移。農機行進速度可以通過GPS定位獲取位移和時間計算得到，或通過霍爾傳感器直接獲得。

2 農機物聯網信息傳輸、處理與決策

2.1 信息傳輸技術

實現農業(yè)設備信息互聯互通是構建農業(yè)物聯網的前提條件［47-48］。農機物聯網技術主要應解決2個層面的物聯：一是單機各部件之間的車載物聯，二是農機與云臺的遠程物聯。目前車載物聯主要采用基于ISO 11783 《串行總線標準》、協議標準GB/T 35381.10—2020《農林拖拉機和機械 串行控制和通信數據網絡 第10部分：任務控制器和管理信息系統的數據交換》的農機總線通信技術，實現任務控制器和管理信息系統的數據交換；農機遠程物聯標準2022年由中國農業(yè)機械工業(yè)協會和中國農業(yè)機械學會提出，由濰柴雷沃智慧農業(yè)科技股份有限公司等單位牽頭起草，目前《農業(yè)裝備遠程數據傳輸技術要求》（征求意見稿）等4項團體標準已完成征求意見稿，處于公開征求意見階段，意見稿采用TCP/IP傳輸協議，使用4G/5G、NB-LoT、LoRA或無線局域網等技術，實現農業(yè)裝備物聯網終端遠程傳輸數據至網絡服務平臺。

2.1.1 CAN總線

農機內部多個控制系統均有獨立的ECU作為各自的控制單元，CAN（控制器局域網絡）總線可實現多節(jié)點數據交換和共享，與其他通信方式相比，CAN總線具有以下優(yōu)點：（1）可靠性好，抗干擾能力強；（2）可多節(jié)點接入，靈活性強；（3）可調整節(jié)點優(yōu)先級，網絡負載低；（4）可自動切斷錯誤節(jié)點通信，具有檢錯機制。CAN總線技術作為農機物聯網感知層與物聯網終端間數據通信的主流方案，將拖拉機或其他農業(yè)機械上的傳感器和設備采集的數據上傳至物聯網終端存儲分析。

2.1.2 農機遠程信息傳輸

遠程數據終端將解析后的數據發(fā)送至云端服務器的過程需要借助無線通信技術。物聯網的無線通信技術有很多，主要分為3類：第1類是ZigBee、WiFi、藍牙等短距離通信技術，通常具有高數據傳輸速率和低功耗的特點；第2類是蜂窩網絡如GPRS、3G/4G/5G，可實現長距離通信和高數據傳輸速率，但是具有高功耗和許可成本；第3類是低功耗廣域網如LoRA、NB-LoT等，可實現超長距離通信，低功耗，但是數據傳輸速率很低（表3）。

短距離無線通信通常作為物聯網網關向下與傳感器節(jié)點進行數據通信的方式。WiFi是最常用的無線技術之一，傳輸速率快但傳輸距離很短，通常情況下只能達到約50 m的距離，且耗電量非常大。ZigBee是一類新興的可實現雙向無線通信的技術，該技術具有復雜度低、功耗小、數據傳輸速率低、成本小、自配置、靈活性高的網絡結構，適用于短距離范圍內的無線通信，如播種機采用ZigBee無線傳輸技術實現排種狀態(tài)的無線監(jiān)控［49］。

長距離通信作為物聯網網關向上接入網絡與上層平臺進行交互的方法。國內外學者在農機數據遠程上傳的研究中，最常用的遠程傳輸方法是通過GPRS模塊接入到運營商移動通信網絡中，再通過基站以封包的形式傳輸到服務器端。低功耗廣域網常用來實現超長距離通信，NB-LoT是一種新興的無線通信技術，相較于其他無線通信技術具有以下優(yōu)點：（1）覆蓋范圍廣，信號較弱地點也能保證連接質量；（2）支持節(jié)點多，在一個基站覆蓋范圍內最多接入較傳統蜂巢網絡100倍的設備接入數量；（3）功耗控制出色，延長設備的待機時間；（4）成本低。LoRA是一種低能耗和數據傳輸低速率的、點到點的通信模式，在無障礙情況下通信距離可達 15 km，作為網關可將一定數量無線傳感器節(jié)點連接起來。NB-LoT和LoRA技術發(fā)展僅數年，但在國內已有一定應用，如采用NB-LoT技術實現施肥工況數據遠程監(jiān)測的變量施肥機［19］、基于LoRA技術的病蟲害實時監(jiān)測無人機等［15］。Civelek基于低功耗廣域網設計了一種用于遠程監(jiān)測拖拉機扭矩、速度、燃油流量等性能參數的系統。由于使用了低功耗廣域網技術，相較于傳統的GSM（global system for mobile communications）技術，傳感器電池壽命從1周提高到5年，且可以大大減少基站的建設數量［50］。

短距離通信技術通常用于傳感器與終端通信，長距離通信技術用于終端上傳服務器，二者結合完成網絡層搭建，但由于物聯網網關采集數據和上傳數據使用通信方法不同，遵循的協議也不同，因此，物聯網網關應在接收到傳感器數據后，對傳感器數據進行協議轉換，并將重封裝后的傳感器數據上報［51］。萬雪芬等結合LoRA模塊和藍牙2種傳輸方式滿足不同傳輸需求，實現農業(yè)設備快速接入物聯網體系［52］。

2.2 數據處理與決策技術

2.2.1 數據處理技術

眾多學者研究出許多方法和模型用于數據處理，實現農機作業(yè)對象實時識別、異常檢測、作業(yè)質量評估等。數據處理技術包括云計算、機器學習、大數據、人工智能等［53］。

深度學習算法是一種基于人工神經網絡數學原理，具有多層參數學習體系結構、使用海量數據訓練參數的機器學習算法。圖像數據是農機采集的主要數據之一，深度學習技術廣泛應用于圖片分析，在這些圖像中進行識別/分類并獲得有用的信息。深度學習使用特殊算法從原始數據中提取特征或特性，并只關注正確的特征或特性，即特征提取，當輸入數據被轉化為特征的集合，就能清楚地描述輸入數據。Sladojevic等創(chuàng)建了一個模型，利用深度卷積網絡對葉子的圖像進行分類并識別植物病害，該模型能夠識別13種植物病害，模型精度達到96.3%［54］。Karthikeyan等使用卷積神經網絡和k-means算法識別闊葉雜草，用于將特定的除草劑施用到雜草上［18］。

檢測農機工作狀態(tài)下的異常情況是非常重要的，能避免相應的經濟損失。對農機部件進行遠程異常監(jiān)測，需要模型模擬系統的正常行為。模擬模型需要系統的所有輸入，如行駛速度、農機部件信息等，如果實際測量值與預測值相差很大，則該行為被歸類為異常行為［55］。Steckel等提出一種針對聯合收割機的異常檢測和性能評價系統，使用奧塔拉算法作為行為模型，從收割機系統及其部件在正常、無故障運行時的數據中學習，使用MapReduce技術來識別行為模型進行農機部件工作狀況的異常檢測［56］。Catalano等提出一種異常檢測系統，降低智能農業(yè)領域的基礎設施故障損失，系統架構設計是基于多元線性回歸和長期記憶神經網絡算法的機器學習算法的方法［57］。Paudyal提出一種故障檢測和分類的方法，利用振動信號對旋轉機械的故障進行分類，使用機器學習算法正確識別/分類設備的狀況，如正常、錯位、不平衡和裂紋等［58］。

精確計算農業(yè)機械的工作區(qū)域，對于機械使用情況的評估、更好地分配資源、估算產量、工作計費都具有重要作用，手工測量農機作業(yè)面積耗時較長且誤差較大，利用物聯網技術實現農機作業(yè)面積準確監(jiān)測，為農機作業(yè)提供準確量化依據，進而提升農機作業(yè)管理信息化水平。尤其是在深松作業(yè)中，有效作業(yè)面積（深松機作業(yè)深度大于指定深度的作業(yè)面積）的測算決定了作業(yè)質量是否達到要求。Yin等利用云計算統計總面積、有效面積、作業(yè)里程等耕作數量指標，評估平均耕作深度、面積符合率等耕作質量指標，并分析時間利用率、有效里程率等耕作效率指標［59］。形狀規(guī)則的田地邊界檢測很容易計算，研究難點在不規(guī)則形狀的面積測算上，Waleed等設計一種用于精準測量規(guī)則和不規(guī)則農業(yè)機械工作面積的智能系統，通過將KNN算法與FLANN算法結合起來，精確計算不同形狀的田地和作業(yè)區(qū)域面積，系統誤差最大為9%［30］。Xiang等采用跟蹤法和像素法分別計算矩形、多邊形和不規(guī)則區(qū)域的面積，如農田總面積、作業(yè)面積、跳過面積、重疊面積和轉彎超出農田面積，用于評價農機作業(yè)質量［60］。

2.2.2 智能決策技術

智能決策技術較典型的應用于農機遠程調度。目前大部分農機仍是人工調度，存在調度周期長、效率低的問題。農機調度決策是多因素控制下的最優(yōu)解問題，實現不同因素（環(huán)境、農機等）、不同需求（最優(yōu)路徑、最大收益、最短時間等）下得到最優(yōu)農機調度方案［61］。王濤等采用WiFi聚類算法在無信號環(huán)境下也能獲取定位信息，采用遺傳算法模擬分析農機與農田土壤熵值的最佳匹配關系，從而推算出最佳農機調度方案，進而提高農業(yè)生產中耕地、播種、收獲等各個環(huán)節(jié)的工作效率［62］。李雯等建立農機設備信息化調度平臺，提供最滿足需求的調度決策［63］。楊立國等基于GNSS等技術，利用車載終端集成開發(fā)農機調度系統，并提升農機管理調度的效率［64］。王娜等使用MapGIS和云計算技術為農機提供行駛與作業(yè)路徑的優(yōu)化方案，實現農機聯合作業(yè)，提高農機工作效率［65］。馬軍巖等采用多背包農機服務調度模型，結合模擬退火和粒子群優(yōu)化的混合智能算法，設計協調調度方法用于多區(qū)互聯農機服務資源配置，在農機任務量高時可以明顯提高農機的工作效益［66］。Sun等為跨區(qū)域工作中的農機智能調度提供了一種架構，包括農機私有云、通信線路和監(jiān)控前端三部分，綜合考慮不同地區(qū)的農作物成熟時間、農機分布及狀態(tài)、當前農作物種植情況以及災害情況等因素，采用Floyd算法計算最小路徑矩陣，采用掃描算法分配任務，實現對農機的智能調度［67］。農機調度方法研究已取得一定成效，但主要從局部優(yōu)化角度進行農機調度研究，統籌各區(qū)域農戶損失和機手收益問題仍存在薄弱環(huán)節(jié)。在此基礎上，李洪等嘗試從全局角度分析農機調度問題，實現基于GIS、GPRS及GPS等技術的農機監(jiān)控調度管理系統設計與開發(fā)［68-69］。Blender等開發(fā)管理集群播種機器人的OptiVisor云控系統，可以協調控制多個農業(yè)機器人的播種模式、播種密度、 路徑規(guī)劃、播種補種、多機避碰［70］。綜上文獻梳理可知，國內外諸多學者在農機設備調度算法和調度平臺的研究上成果顯著。國外農機設備調度平臺發(fā)展較成熟， 而國內雖然在農機設備管理、農機設備調度平臺研發(fā)方面已經有一定成果，但是對于如何綜合考慮農機手、農機服務組織和農戶的需求，開發(fā)適用于多區(qū)互聯的農機調度模型和全局優(yōu)化智能調度算法還需要進一步研究。

3 農機物聯網監(jiān)控技術應用

目前農機物聯網監(jiān)控系統國內外均有成熟的產品。在我國，農機車聯網技術已經在新疆生產建設兵團的精準農業(yè)中得到應用［71］。大型農機的遠程監(jiān)控調度系統已投入運行，依托北斗衛(wèi)星導航與位置服務平臺、地基增強系統，為各團場農機管理部門、采棉機公司和農機合作組織提供作業(yè)農機的實時信息服務。通過農機車聯網系統可以準確獲取當前作業(yè)機具的實時位置，跟蹤顯示當前農機的作業(yè)情況，準確獲取作業(yè)面積、主油耗等相關數據，并能觀看農機作業(yè)實時作業(yè)畫面，監(jiān)控作業(yè)質量，提高農機作業(yè)服務的效率，降低服務成本。呂新等開發(fā)農業(yè)全程機械化云管理服務平臺，發(fā)明采棉機作業(yè)工況實時監(jiān)測與智能控制技術，構建采棉機作業(yè)質量遠程監(jiān)測與調度云管理系統［72］。黑龍江省建三江七星農場研發(fā)的農業(yè)物聯網綜合服務信息平臺初步具備智能農機系統功能。浙江省智慧農業(yè)云平臺已在該省農業(yè)農村管理部門進行應用，數字農機管理系統整合農機監(jiān)理、發(fā)展水平、購機補貼、服務主體等相關業(yè)務和數據，為農機調度和決策管理提供科學依據［73］。吳東林等將云平臺和并行計算技術運用到無人收割機遠程監(jiān)測系統中，系統采集作業(yè)環(huán)境、收割機狀態(tài)監(jiān)測和收割機位置等數據，通過對漏收率、破損率的實時監(jiān)測來提高收割機的自主作業(yè)水平，農機管理人員可以根據系統顯示的實際作業(yè)進度和待收割地塊的情況對收割機進行調度［74］。馬俊飛基于山東省計算中心通用平臺構建農機物聯網云平臺，針對農業(yè)環(huán)境監(jiān)控的業(yè)務需求進行擴展和補充，為用戶提供集中模式的數據實時采集、分析預警和智能調控等功能。用戶通過計算機IE瀏覽器或手機客戶端隨時隨地了解監(jiān)控點的實時情況并進行遠程管理［75］。在農機智能監(jiān)測裝備方面，我國哈爾濱工業(yè)大學、北京市農林科學院智能裝備技術研究中心等單位分別研究開發(fā)了基于北斗定位技術的農機作業(yè)監(jiān)控終端和管理平臺，并在東北、華北、華東等地推廣應用。

國外很多大型農業(yè)機械均已安裝遠程實時監(jiān)控系統，并多以農場為單位提供整套農機作業(yè)綜合管理方案。智能農機品牌公司如約翰迪爾、凱斯、芬特、科樂收、格蘭等均開發(fā)了網絡化農業(yè)裝備管控平臺（表4）。

美國約翰迪爾集團有限公司多年前就將農機物聯網技術用于日常的農機管理中，其成果就是JD LINK系統，農機管理人員可通過該系統在計算機端和移動端在線對農機作業(yè)位置、農機參數信息等數據進行查詢，實時了解農機的行駛路線、車載農具的運作狀態(tài)和工作時間與進度，且農機上裝載有檢測農場的土壤結構、作物長勢、土壤營養(yǎng)成分等傳感器，可以預測收成和計算效益［76］。美國凱斯公司的農業(yè)機械上安裝有“網絡農場”系統，使用該系統可以實現從手機到辦公室、從農機到辦公室、農機對農機之間的無線通信，形成農業(yè)物聯網系統，管理人員在辦公室可以對農事操作進行有效管理，通過調度提高農機作業(yè)的效率和農業(yè)生產的經濟效益。德國芬特公司研發(fā)的“愛·農”農機車聯網系統（http：//www.agcocorp.cn/products/inong.html）通過大數據和云技術的應用，將田地的天氣、土壤、降水、溫度、地理位置等數據上傳到云端，數據可以實時在Web端和手機/平板APP端進行顯示。德國科樂收公司開發(fā)的EASY高效農業(yè)系統利用GPS衛(wèi)星，確定機器的位置，并定期通過移動通信向單個服務器傳輸GPS坐標、工作時間和性質、技術指標等數據，采用數據處理技術將農機機群位置、駕駛室虛擬儀表盤、農機機群生產效率等信息可視化，支持農場管理人員利用手機和計算機等對農機進行遠程監(jiān)控（http：//www.claas.cn/products/claas）［77］。美國紐荷蘭機械公司開發(fā)的PLM Connect遠程信息處理系統（http：//agriculture.newholland.com/en-us/nar/products/plm）實時發(fā)送和接收信息，包含在交互式地圖上跟蹤機器的移動、查看每個移動設備的移動路徑、為農場和田地創(chuàng)建地理位置、設置宵禁通知、當農機離開地理位置或非工作時間開關打開時通知管理員，以及顯示各種圖像以監(jiān)測操作參數和機器錯誤代碼的功能［78］。

目前，國外的拖拉機、聯合收割機和其他移動式農業(yè)機械的制造商使用各種遙測和監(jiān)測系統，提高其使用效率，降低組織工作控制的成本和擁有設備車隊的成本。系統對設備的運行模式和狀態(tài)進行24 h監(jiān)控，可獲得一般參數如油耗、燃料情況、發(fā)動機溫度等信息以及關鍵零件運行的參數如監(jiān)測液壓系統、脫粒滾筒的運行情況，向糧箱中注入糧食或糧箱中的糧食數量、糧食濕度等。監(jiān)控系統的使用可以減少設備維護和運行的費用，對設備的運行模式和狀態(tài)進行全天監(jiān)測，并計劃其維護。應用最廣泛的系統是遠程通信、遠程指揮、JDLINK、AFS Connect等。

隨著移動端設備的普及，利用移動端架設調度平臺將成為未來的新趨勢。葉文超等設計了一種基于安卓手機建立農機調度與管理平臺，實現農機的教據采集及管理調度，以及和農機主、農田主與管理部門對農機農田的數據共享［79］。張正飛等開發(fā)移動客戶端作為移動展現層，目前安卓版本采用原生開發(fā)，與Web端數據同步，主要實現農機信息遠程監(jiān)測查看和數據統計等，模塊配置和權限管理依然由Web后臺管理，移動端后臺實現方式主要通過調用Web Service接口，將后臺數據傳輸給手機，從而便于農機操作人員和移動客戶直接用手機查看相關數據，主要功能包括基本功能、農機列表、監(jiān)控詳情、數據統計和巡檢信息上傳，為農機管理信息化轉型提供了一定的基礎［80］。王誠龍等對播種、施肥、深松環(huán)節(jié)進行作業(yè)質量在線監(jiān)測研究，并采用B/S結構平臺結合智能移動終端APP進行數據管理［81］。

4 現狀問題分析

4.1 感知層問題分析

在信息感知設備與技術方面主要存在以下2個難點：（1）缺乏農業(yè)專業(yè)感知設備；（2）缺乏普適性傳感器。我國農機裝備作業(yè)環(huán)境復雜，且地面不平整造成農機振動會影響感知設備的探測精度，需要研發(fā)適應農業(yè)作業(yè)環(huán)境的高精度感知產品，尤其是農機作業(yè)環(huán)境與作業(yè)對象立體的感知；大田作業(yè)環(huán)境地域差異性較大，且作業(yè)具有農時限制，目前大多感知產品僅適用于某些作物或某些區(qū)域，缺乏普適性，導致農機物聯網獲取的信息不準確，進而影響后續(xù)的數據分析與決策。

4.2 網絡層問題分析

在數據傳輸技術方面受到作業(yè)區(qū)域和地理位置的影響，在地塊坡度較大時，有時獲取的數據與實際情況有一定偏差。另外，在地理位置較偏僻的地塊，有時無線信號較弱，造成數據無法傳輸，需要提高網絡層的可靠性、穩(wěn)定性、實時性和通用性，需要研發(fā)適合農村不同地理環(huán)境的高通量、低資費的信息通信技術。此外，農機遠程傳輸技術標準體系還未正式實施，使得物聯網技術在農機裝備規(guī)范化應用發(fā)展方面受到制約。

4.3 應用層問題分析

在信息處理與決策方面存在模型穩(wěn)定性、準確性不夠和數據挖掘不充分的問題。國內農機數據主要由農機制造企業(yè)和地方管理部門管理，數據較分散，尚未形成全國范圍的農機作業(yè)大數據系統，沒有大量的數據集支撐模型訓練，算法檢測的性能受到限制，模擬模型與實際生產差別較大。如對于視覺相似但癥狀不同的病蟲害，模型需要利用氣候環(huán)境、地理位置和歷史病蟲害數據等信息源來增加模型的穩(wěn)定性和準確性。目前，在大田智慧農業(yè)生產中，農機作業(yè)模式識別、農業(yè)病蟲害診斷機器學習等方面都取得了顯著進展，但部分模型、算法還不足以全面反映客觀現實，數據沒有得到充分挖掘利用，還需加強對農業(yè)智能決策模型的研究。

5 結論與展望

我國大田農機裝備物聯網技術應用已取得一定成果，但在農機信息準確獲取、遠程傳輸和智能決策方面仍與世界先進水平存在差距，在農業(yè)專用傳感器研發(fā)、新一代移動互聯技術、大數據支撐的智能決策模型研究、多機協同與智慧農場應用方面需要加大研發(fā)力度。

5.1 農業(yè)專用傳感器研發(fā)

農機物聯網感知技術是智能農機科學決策的數據來源。持續(xù)改進現有傳感器在復雜環(huán)境下的準確性、穩(wěn)定性和耐用性，從傳感器材料、固定結構方面進行商品化研發(fā)；針對農機作業(yè)環(huán)境、作業(yè)對象研發(fā)國產化低成本立體感知設備，支撐遠程作業(yè)控制；使用原位精準測量技術針對不同需求進行感知設備研究設計，提高產品的適用范圍和農機作業(yè)效率。

5.2 基于5G的新一代移動互聯技術

隨著我國對5G基站大力建設，為農業(yè)信息在復雜的地理地勢、遼闊的地域進行高速穩(wěn)定遠程傳輸提供硬件支撐。在平臺與物聯網終端互通互聯技術中，5G技術擁有大帶寬、低時延的優(yōu)勢，能提高數據傳輸效率；構建基于5G的傳輸節(jié)點網絡，對農機感知信息進行分布式管理。

5.3 大數據支撐的智能決策模型研究

農機大數據技術通過對農機信息的存儲、融合和挖掘等，將信息轉變?yōu)榭茖W決策，為用戶提供實用建議。在移動互聯技術支撐下，構建農機云平臺，發(fā)展以機器學習為代表的云端決策技術，利用機器學習提供的技術進行數據挖掘來分析大數據，促進農機大數據融合，并研究多種模型，如基于農機作業(yè)對象實時識別精準施藥決策模型、異常檢測和智能診斷模型、農機作業(yè)質量評估模型、農機遠程調度、多機協同決策模型等。

5.4 多機協同與智慧農場應用

智慧農場采用物聯網、大數據等信息技術，對農機作業(yè)參數進行遠程監(jiān)控，實現智能化生產作業(yè)。現代化農機作業(yè)趨向于機群協作，機群協作能大大提高作業(yè)效率和運輸效率。研究大數據、機器學習等物聯網技術，構建農場遠程監(jiān)控調度系統，通過傳輸節(jié)點網絡和無線傳輸技術，來實現農機信息的自動采集和處理、科學決策以及農機遠程控制等功能。

綜上，農機物聯網已進入高速發(fā)展期，應結合我國農業(yè)的特點，攻克農業(yè)專用傳感器、智能決策模型等核心技術；研制農機智能終端、農機遠程控制系統等高端產品；加快農機遠程傳輸標準化建立；加強政策扶持，推動產品應用，進而提高我國農機智能化水平。

參考文獻：

［1］ 周 濟. 智能制造——“中國制造2025”的主攻方向［J］. 中國機械工程，2015，26（17）：2273-2284.

［2］劉成良，林洪振，李彥明，等. 農業(yè)裝備智能控制技術研究現狀與發(fā)展趨勢分析［J］. 農業(yè)機械學報，2020，51（1）：1-18.

［3］Barusu M，Reddy K，Shanmugapriya R，et al. Irrigation，fertilizing and weed cutting in the row crops with IoT controlled robot［J］. International Journal of Mechanical and Production Engineering Research and Development，2019，8（3）：512-518.

［4］Pea C，Riao C，Moreno G. RobotGreen：a teleoperated agricultural robot for structured environments［J］. Journal of Engineering Science and Technology Review，2019，12（1）：87-98.

［5］李建軍，王 巖，姜永成，等. 共享農機技術可行性研究——以圓捆機為例［J］. 中國農機化學報，2018，39（9）：81-84.

［6］Sun D，Chen D，Wang S M，et al. A dynamic instability detection and prediction system for high clearance tractor［J］. IFAC，2016，49（16）：50-54.

［7］Zhang Z Y. Flexible camera calibration by viewing a plane from unknown orientations［C］//Proceedings of the Seventh IEEE International Conference on Computer Vision.Kerkyra，2002：666-673.

［8］Cheein F A，Steiner G，Paina G P，et al. Optimized EIF-SLAM algorithm for precision agriculture mapping based on stems detection［J］. Computers and Electronics in Agriculture，2011，78（2）：195-207.

［9］ Veris launches U3 mobile soil sensor platform［EB/OL］. （2021-12- 04）［2023-03-01］. https：//www.globalagtechinitiative.com/ in-field-technologies/sensors/veris-launches-u3-mobile-soil- sensor-platform/.

［10］ Kksal ，Tekinerdogan B. Architecture design approach for IoT-based farm management information systems［J］. Precision Agriculture，2019，20（5）：926-958.

［11］韓長杰，楊文奇，竇漢杰，等. 大田土壤電導率快速檢測系統設計與試驗［J］. 農業(yè)機械學報，2022，53（3）：301-310.

［12］梁 棟，胡麗娜，王 秀，等. 車載式大田土壤電導率在線檢測系統設計與試驗［J］. 農業(yè)機械學報，2022，53（6）：274-285.

［13］Alam M，Shakil K A，Khan S. Internet of things （IoT）［M］. Berlin：Springer，2020：273-284.

［14］Palleja T，Landers A J. Real time canopy density estimation using ultrasonic envelope signals in the orchard and vineyard［J］. Computers and Electronics in Agriculture，2015，115：108-117.

［15］姜紅花，白 鵬，劉理民，等. 履帶自走式果園自動對靶風送噴霧機研究［J］. 農業(yè)機械學報，2016，47（增刊1）：189-195.

［16］史東旭，高德民，薛 衛(wèi)，等. 基于物聯網和大數據驅動的農業(yè)病蟲害監(jiān)測技術［J］. 南京農業(yè)大學學報，2019，42（5）：967-974.

［17］Li S Y，Ding X Z，Kuang Q L，et al. Potential of UAV-based active sensing for monitoring rice leaf nitrogen status［J］. Frontiers in Plant Science，2018，9：1834.

［18］Suresh P，Saravanakumar U，Salameh M，et al. Advances in smart system technologies［C］. Singapore：Springer，2021：495-505.

［19］Kumar S，Mishra S，Khanna P. Precision sugarcane monitoring using SVM classifier［J］. Procedia Computer Science，2017，122：881-887.

［20］溫 鑫. 基于CAN總線的變量施肥機遠程數據終端研究［D］. 大慶：黑龍江八一農墾大學，2022.

［21］姜鑫銘. 玉米免耕播種機精確播種關鍵技術研究［D］. 長春：吉林大學，2017.

［22］陳 幸，賀智濤，姬江濤，等. 基于云平臺的玉米播種位置監(jiān)測系統設計與試驗［J］. 農機化研究，2022，44（8）：71-75.

［23］陳興和，孫 超，劉 輝. 農機深松作業(yè)遠程監(jiān)測裝備發(fā)展現狀及建議［J］. 農業(yè)工程，2018，8（9）：6-8.

［24］陳 進，王學磊，王一帆. 基于Android手機的聯合收獲機主要部件工況監(jiān)測系統［J］. 農業(yè)機械學報，2016，47（增刊1）：203-207.

［25］杜志偉，郝鳳琦，程廣河，等. 基于物聯網的農機狀態(tài)監(jiān)控系統研究［J］. 中國農機化學報，2019，40（11）：189-194.

［26］Cortés C A P，Jaimes C I R，Moreno G G. RobotGreen：a teleoperated agricultural robot for structured environments［J］. Journal of Engineering Science and Technology Review，2019，12（1）：87-98.

［27］Waleed M，Um T W，Kamal T，et al. Classification of agriculture farm machinery using machine learning and internet of things［J］. Symmetry，2021，13（3）：403.

［28］雷雪梅，張光強，姚 旗，等. 基于卷積神經網絡的農機圖像自動識別研究［J］. 中國農機化學報，2022，43（5）：140-147.

［29］楊 洋，溫 興，馬強龍，等. 基于貝塞爾曲線的動態(tài)識別區(qū)農機避障路徑實時規(guī)劃［J］. 農業(yè)工程學報，2022，38（6）：34-43.

［30］Waleed M，Um T W，Kamal T，et al. Determining the precise work area of agriculture machinery using internet of things and artificial intelligence［J］. Applied Sciences，2020，10（10）：3365.

［31］董 勝，袁朝輝，谷 超，等. 基于多學科技術融合的智能農機控制平臺研究綜述［J］. 農業(yè)工程學報，2017，33（8）：1-11.

［32］王 培，孟志軍，尹彥鑫，等. 基于農機空間運行軌跡的作業(yè)狀態(tài)自動識別試驗［J］. 農業(yè)工程學報，2015，31（3）：56-61.

［33］王至秋，員玉良，秦振朕. 基于物聯網技術的農機作業(yè)參數采集器的設計與試驗［J］. 農機化研究，2020，42（1）：75-79.

［34］劉陽春，苑嚴偉，張俊寧，等. 深松作業(yè)遠程管理系統設計與試驗［J］. 農業(yè)機械學報，2016，47（增刊1）：43-48.

［35］劉婞韜，牛 康，李治國，等. 深松作業(yè)質量監(jiān)測系統的設計與應用［J］. 中國農機化學報，2016，37（9）：163-165，177.

［36］Lou S Y，He J，Lu C Y，et al. A tillage depth monitoring and control system for the independent adjustment of each subsoiling shovel［J］. Actuators，2021，10（10）：250.

［37］Karimi H，Navid H，Besharati B，et al. A practical approach to comparative design of non-contact sensing techniques for seed flow rate detection［J］. Computers and Electronics in Agriculture，2017，142：165-172.

［38］Besharati B，Navid H，Karimi H，et al. Development of an infrared seed-sensing system to estimate flow rates based on physical properties of seeds［J］. Computers and Electronics in Agriculture，2019，162：874-881.

［39］Xie C J，Zhang D X，Yang L，et al. Precision seeding parameter monitoring system based on laser sensor and wireless serial port communication［J］. Computers and Electronics in Agriculture，2021，190：106429.

［40］ GreenStarTM 3 commmand centerTM release notes［EB/OL］. （2015- 08-04）［2023-03-03］. https：//www.deere.com/en/stellarsupport/release_notes/greenstar3-commandcenter/.

［41］Oksanen T，Linkolehto R，Seilonen I. Adapting an industrial automation protocol to remote monitoring of mobile agricultural machinery：a combine harvester with IoT［J］. IFAC，2016，49（16）：127-131.

［42］Blank S，Pfeiffer D. Real-time operator performance analysis in agricultural equipment［C］// 5th IFAC Conference on Sensing，Control and Automation Technologies for Agriculture Agricontrol. Seattle，2016：359-364.

［43］Sarri D，Martelloni L，Vieri M. Development of a prototype of telemetry system for monitoring the spraying operation in vineyards［J］. Computers and Electronics in Agriculture，2017，142：248-259.

［44］Cutini M，Costa C，Bisaglia C. Development of a simplified method for evaluating agricultural tractors operator whole body vibration［J］. Journal of Terramechanics，2016，63：23-32.

［45］Serap G，Eugenio C，Dennis M. Perceptions of tilt angles of an agricultural tractor［J］. Journal of Agromedicine，2014，19（1）：5-14.

［46］Martínez C J，Arnó S J. Understanding geolocation and navigation and their uses in precision agriculture［J］. New AG International，2017，65：20-26.

［47］李道亮，楊 昊. 農業(yè)物聯網技術研究進展與發(fā)展趨勢分析［J］. 農業(yè)機械學報，2018，49（1）：1-20.

［48］Khanna A，Kaur S. Evolution of internet of things （IoT） and its significant impact in the field of precision agriculture［J］. Computers and Electronics in Agriculture，2019，157：218-231.

［49］劉志欣. 基于Zigbee的播種質量監(jiān)控系統設計與試驗［D］. 南京：南京農業(yè)大學，2014.

［50］Civelek C. Low power wide area network （lpwan） and internet of things adaptation in agricultural machinery［J］. Scholars Journal of Agriculture and Veterinary Sciences，2017，4（1）：18-23.

［51］陳 琦，韓 冰，秦偉俊，等. 基于Zigbee/GPRS物聯網網關系統的設計與實現［J］. 計算機研究與發(fā)展，2011，48（增刊2）：367-372.

［52］萬雪芬，鄭 濤，崔 劍，等. 中小型規(guī)模智慧農業(yè)物聯網終端節(jié)點設計［J］. 農業(yè)工程學報，2020，36（13）：306-314.

［53］Navarro E，Costa N，Pereira A. A systematic review of IoT solutions for smart farming［J］. Sensors，2020，20（15）：4231.

［54］Sladojevic S，Arsenovic M，Anderla A，et al. Deep neural networks based recognition of plant diseases by leaf image classification［J］. Computational Intelligence and Neuroscience，2016，2016：3289801.

［55］Faltinski S，Flatt H，Pethig F，et al. Detecting anomalous energy consumptions in distributed manufacturing systems［C］//IEEE 10th International Conference on Industrial Informatics.Beijing，2012：358-363.

［56］Steckel T，Bernardi A，Gu Y，et al. Anomaly detection and performance evaluation of mobile agricultural machines by analysis of big data［C］//Conference Agricultural Engineering.Hannover：EurAgEng，2015： 349-355.

［57］Catalano C，Paiano L，Calabrese F，et al. Anomaly detection in smart agriculture systems［J］. Computers in Industry，2022，143：103750.

［58］Paudyal S. Classification of rotating machinery fault using vibration signal［D］. Grand Forks： University of North Dakota，2019.

［59］Yin Y X，Zhao C J，Zhang Y W，et al. Development and application of subsoiling monitoring system based on edge computing using IoT architecture［J］. Computers and Electronics in Agriculture，2022，198：106976.

［60］Xiang M，Wei S，Zhang M，et al. Real-time monitoring system of agricultural machinery operation information based on ARM11 and GNSS［J］. IFAC，2016，49（16）：121-126.

［61］翟長遠，楊 碩，王 秀，等. 農機裝備智能測控技術研究現狀與展望［J］. 農業(yè)機械學報，2022，53（4）：1-20.

［62］王 濤，劉 飛，高羽佳，等. 基于遺傳算法與WiFi聚類算法結合的北斗農機精準調度［J］. 江蘇大學學報（自然科學版），2020，41（4）：426-433，445.

［63］李 雯，白正玉，侯天龍，等. 農機設備信息化調度平臺架構設計研究［J］. 江蘇農業(yè)科學，2021，49（9）：172-178.

［64］楊立國，李傳友，賈 生，等. 北京市農機管理調度系統設計與實現［J］. 農學學報，2014，4（8）：96-100.

［65］王 娜，張曉亮. 基于地理信息系統MapGIS的農機調度分配優(yōu)化研究［J］. 農機化研究，2022，44（6）：240-244.

［66］馬軍巖，袁逸萍，任年魯，等. 多區(qū)域協調調度架構下的農機服務資源優(yōu)化配置方法［J］. 中國農業(yè)大學學報，2020，25（4）：113-122.

［67］Sun Z G，Xia H，Wang W S. An architecture for the agricultural machinery intelligent scheduling in cross-regional work based on cloud computing and internet of things［C］//International Conference on Computer and Computing Technologies in Agriculture.Berlin：Springer，2011：9-15.

［68］李 洪，姚光強，陳立平. 基于GPS、GPRS和GIS的農機監(jiān)控調度系統［J］. 農業(yè)工程學報，2008，24（增刊2）：119-122.

［69］王春山，張 璠，滕桂法，等. 智慧農機調配管理平臺設計與實現［J］. 中國農機化學報，2018，39（1）：61-68.

［70］Blender T，Buchner T，Fernandez B，et al. Managing a mobile agricultural robot swarm for a seeding task［C］//42nd Annual Conference of the IEEE Industrial Electronics Society.Florence，2016：6879-6886.

［71］劉基余. 關于北斗衛(wèi)星導航系統技術標準化的幾點建議［J］. 導航定位學報，2013，1（1）：101-107.

［72］呂 新，苑嚴偉，馬富裕，等. 棉花集約化生產關鍵環(huán)節(jié)精準技術與裝備研發(fā)應用［Z］. 石河子：石河子大學，2016：10-34.

［73］管孝鋒，陸林峰，吳曉柯. 浙江省智慧農業(yè)云平臺建設及應用［J］. 浙江農業(yè)科學，2020，61（3）：595-597，601.

［74］吳東林，張玉華. 收割機遠程監(jiān)測系統的設計——基于云平臺數據挖掘并行算法［J］. 農機化研究，2020，42（6）：235-239.

［75］馬俊飛. 基于物聯網技術的農機車聯網系統的研究與實現［D］. 青島：青島理工大學，2018.

［76］王少農，莊衛(wèi)東，王 熙. 農業(yè)機械遠程監(jiān)控管理信息系統研究［J］. 農機化研究，2015，37（6）：264-268.

［77］Goltyapin V，Golubev I. Global trends in the development of monitoring systems for mobile agricultural equipment［J］. E3S Web of Conferences，2020，157：01013.

［78］ New holland. Smart solutions for your operation［EB/OL］. （2023- 03-01）［2023-03-01］. http：//agriculture.newholland.com/en-us/nar/products/plm.

［79］葉文超，張小花，廖東東，等. 基于Android的農機調度與管理平臺設計與應用［J］. 仲愷農業(yè)工程學院學報，2019，32（3）：53-57.

［80］張正飛，楊 松，康 敏，等. 基于物聯網的農機信息化平臺設計與研發(fā)［J］. 南方農機，2018，49（15）：4-7.

［81］王誠龍，王吉旭，葛寶玉，等. 北斗農機作業(yè)全信息質量在線監(jiān)測終端［C］//衛(wèi)星導航定位與北斗系統應用2017——深化北斗應用 開創(chuàng)中國導航新局面.北京：中國衛(wèi)星導航定位協會，2017：186-190.

收 稿日期：2023-03-06

基金項目：江蘇省重點研發(fā)計劃 （編號：BE2021302）。

作者簡介： 華明圓（1997—），女，湖北荊門人，碩士研究生，主要從事物聯網精準配藥系統研究。E-mail：huamingyuan2021@163.com。

通信作者：翟長遠，博士，研究員，主要從事精準施藥技術研究。E-mail：zhaicy@nercita.org.cn。