摘要：智慧農(nóng)業(yè)是農(nóng)業(yè)現(xiàn)代化的標志，農(nóng)業(yè)信息采集是智慧農(nóng)業(yè)的重要環(huán)節(jié)之一，相較于人工信息采集具有的低效、準確度不高等不足，利用農(nóng)業(yè)信息采集機器人代替人工進行農(nóng)情信息采集，可降低農(nóng)作強度、提升生產(chǎn)效率。本文針對不同場景下的農(nóng)業(yè)信息采集機器人，概括了近幾十年國內(nèi)外農(nóng)業(yè)信息采集機器人的應(yīng)用現(xiàn)狀，總結(jié)了自主導(dǎo)航技術(shù)、機器視覺技術(shù)、智能控制技術(shù)、智能云處理技術(shù)四大關(guān)鍵技術(shù)的研究現(xiàn)狀，并結(jié)合農(nóng)業(yè)生產(chǎn)中環(huán)境非結(jié)構(gòu)化、作業(yè)對象具有嬌嫩性等特點，指出了目前關(guān)鍵技術(shù)存在的問題，并提出復(fù)合導(dǎo)航技術(shù)、多機智能感知、視覺監(jiān)測算法優(yōu)化、通用化智能控制、智能云管控平臺是未來的發(fā)展趨勢。

關(guān)鍵詞：農(nóng)業(yè)信息采集機器人；自主導(dǎo)航；機器視覺；智能控制；智能云處理

中圖分類號：S237文獻標識碼：A文章編號：1000-4440（2024）07-1351-10Research status and development trend of key technologies of agricultural information acquisition robotQI Haixia，YANG Zekang，CHEN Yu，F(xiàn)ENG Fasheng

（College of Engineering， South China Agricultural University， Guangzhou 510642， China）

Abstract：Smart agriculture is the symbol of agricultural modernization， and agricultural information collection is one of the important links of smart agriculture. Compared with inefficient and inaccurate manual information collection， the use of agricultural information collection robots for agricultural information collection can reduce agricultural intensity and improve production efficiency. Aiming at agricultural information acquisition robots under different scenarios， this paper summarized the application status of agricultural information acquisition robots at home and abroad in recent decades， and summarized the research status of four key technologies， namely autonomous navigation， machine vision， intelligent control and intelligent cloud processing. Based on the characteristics of unstructured environment and delicate operation objects in agricultural production， the paper pointed out the problems existing in the current key technologies， and put forward that composite navigation technology， multi-intelligence sensing， visual monitoring algorithm optimization， universal intelligent control， intelligent cloud management and control platform were the future development trends.

Key words：agricultural information acquisition robot;autonomous navigation;machine vision;intelligent control;intelligent cloud processing

農(nóng)業(yè)是人類生活的根基，農(nóng)業(yè)生產(chǎn)不僅會直接影響人類的生存狀況，也是推動社會進步與維持社會穩(wěn)定的基石。農(nóng)業(yè)生產(chǎn)大體可按社會發(fā)展階段分為4個階段[1]：第1個階段是農(nóng)業(yè)社會時期，該階段以人力、畜力為主完成傳統(tǒng)的農(nóng)業(yè)生產(chǎn)；第2個階段是工業(yè)社會階段，該階段以農(nóng)業(yè)機械化為主，通過使用農(nóng)機具完成農(nóng)業(yè)生產(chǎn)；第3個階段是信息化社會階段，該階段逐步開始使用自動化機器進行農(nóng)業(yè)生產(chǎn)；第4個階段是智慧社會階段，該階段以無人化生產(chǎn)為主，實現(xiàn)智慧農(nóng)業(yè)生產(chǎn)。

智慧農(nóng)業(yè)是現(xiàn)代農(nóng)業(yè)的主要表現(xiàn)形式，主要通過物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能等現(xiàn)代信息技術(shù)與農(nóng)機裝備的相互融合，實現(xiàn)農(nóng)業(yè)生產(chǎn)中的智能農(nóng)情信息感知、智能控制、智能決策，農(nóng)業(yè)信息化發(fā)展是智慧農(nóng)業(yè)的基礎(chǔ)，農(nóng)業(yè)信息采集是智慧農(nóng)業(yè)的前提[2-5]。在農(nóng)業(yè)生產(chǎn)中，傳統(tǒng)農(nóng)情信息采集仍通過人工，不能高效完成信息采集任務(wù)。因此，發(fā)展農(nóng)業(yè)信息采集機器人、提高信息采集的質(zhì)量與速度，是發(fā)展智慧農(nóng)業(yè)的重要途徑[6]。

當今，農(nóng)業(yè)信息采集機器人主要針對農(nóng)業(yè)生產(chǎn)作業(yè)對象信息（生長情況、病蟲害、表型等）和環(huán)境信息（土壤pH值、氣象、溫度等）進行數(shù)據(jù)采集和判斷。本文擬根據(jù)農(nóng)業(yè)信息采集機器人不同的應(yīng)用場景，從田間、果園、設(shè)施農(nóng)業(yè)、畜禽養(yǎng)殖、水產(chǎn)養(yǎng)殖5個方面進行闡述，并對其研究現(xiàn)狀進行分析，探討農(nóng)業(yè)信息采集機器人應(yīng)用的關(guān)鍵技術(shù)，分析這些技術(shù)的發(fā)展對農(nóng)業(yè)信息采集機器人的識別準確率、穩(wěn)定性產(chǎn)生的影響，并對農(nóng)業(yè)信息采集機器人的發(fā)展趨勢進行展望，以期為中國農(nóng)業(yè)信息采集機器人的發(fā)展提供參考。

1農(nóng)業(yè)信息采集機器人技術(shù)發(fā)展現(xiàn)狀

農(nóng)業(yè)機器人技術(shù)可以追溯到1951年，主要是美國人進行機器人機械部分的研究，1984年日本近騰直首次將機器人運用在農(nóng)業(yè)中[7]。在農(nóng)情信息采集方面，農(nóng)業(yè)信息采集機器人的應(yīng)用主要是為了提高生產(chǎn)產(chǎn)量，保護動植物免受病蟲害和環(huán)境因素的影響。20世紀90年代開始，國外已通過傳感器、攝像頭進行土壤、雜草、溫度等信息的采集[8]。進入21世紀，機器人技術(shù)和信息技術(shù)水平不斷提升，通過對農(nóng)業(yè)機器人搭載傳感器和攝像頭，實現(xiàn)了機器人自主的信息采集，并逐漸形成了如今的農(nóng)業(yè)信息采集機器人。

1.1田間信息采集機器人

田間信息采集機器人用于采集作物生長情況、田間雜草檢測、土壤含水量等數(shù)據(jù)檢測。日本Iida等[9]研制出了1款六足雜草識別機器人，該機器人能實現(xiàn)田間自由行走，并能利用微型計算機、紅外測距傳感器、CO2氣體模塊和風向儀等組成的裝置，對大田土壤含水量、肥量和作物生長情況進行采集，用相機對地面進行掃描，實現(xiàn)對雜草的判別。丹麥Bak等[10]研發(fā)的田間雜草檢測農(nóng)業(yè)機器人（圖1），由移動機構(gòu)、攝像機、推進平臺及控制系統(tǒng)組成，用于行距為0.25～0.50 m的農(nóng)田雜草檢測。日本的Nagasaka等[11]研發(fā)了一款名叫“看門犬”的機器人（圖2），配備了1個攝像頭和1個全球定位系統(tǒng)（GPS）接收器，該機器人能夠找出田間的病害植株和雜草。

國內(nèi)最早研制農(nóng)業(yè)信息采集機器人的是胡娜[12]，他們研制了四輪并聯(lián)懸架的本體結(jié)構(gòu)，通過遙控行走，對田間地形環(huán)境有較強的適應(yīng)能力，且機器人運動靈活，有較好的穩(wěn)定性。通過攝像頭進行信息采集，并將采集的信息用分析軟件進行信息保存與分析。劉成龍等[13]設(shè)計了1款小型四足柔性信息采集機器人，為避免機器人將田間土壤壓實，采用三段式兩自由度的腿部結(jié)構(gòu)、遠程繩索驅(qū)動式膝關(guān)節(jié)和彈簧儲能裝置等，將足端軌跡曲線設(shè)計為斜線式，提高了其運動速度并減少了能耗，并通過試驗發(fā)現(xiàn)，該機器人符合田間信息采集工作的要求。

1.2果園信息采集機器人

果園信息采集機器人主要完成對果園圖像的自動采集，并對相關(guān)環(huán)境信息進行提取和上報。在現(xiàn)代農(nóng)業(yè)中，為了提高生產(chǎn)效率，用無人機和地面機器人協(xié)同進行農(nóng)情采集，并在此基礎(chǔ)上研發(fā)地空兩用信息采集機器人作為新的研究方向。He等[14]綜述了用機器人、遙感技術(shù)對果園產(chǎn)量進行預(yù)測的過程，肯定了遙感技術(shù)利用光譜相機采集的植被指數(shù)對于提高果園預(yù)測率的重要性，并指出未來可通過多傳感器信息采集技術(shù)與園藝技術(shù)的交融來實現(xiàn)果園智能化。Anastasiou等[15]用衛(wèi)星影像、近端遙感對葡萄進行種植到收獲階段植被指數(shù)的采集，并對采集的數(shù)據(jù)進行歸一化植被指數(shù)（NDVI）和綠色歸一化植被指數(shù)（GNDVI）計算。通過對比得出，近地端遙感對于葡萄生產(chǎn)信息的識別效果更好。王偉等[16]設(shè)計出1款地空兩用信息采集機器人，該機器人可同時進行空中作業(yè)與地面作業(yè)，其基本結(jié)構(gòu)由飛行控制機構(gòu)、地面行走機構(gòu)和信息采集系統(tǒng)3個部分構(gòu)成，在原有地面機器人的基礎(chǔ)上加裝飛行機構(gòu)，提升了其在大田工作的越障能力。陳成坤[17]設(shè)計了地空多級協(xié)同作業(yè)的信息采集平臺，通過在無人機、無人車上搭載雙目相機進行果園信息的采集，并通過Node.js、Express.js技術(shù)設(shè)計的云平臺，實現(xiàn)了多機協(xié)同作業(yè)，實現(xiàn)了各類機器人的信息共享。筆者所在團隊之前針對溫室作物研發(fā)了一款行車式相機電驅(qū)平臺和一款履帶式全地形農(nóng)業(yè)作物信息監(jiān)測移動平臺[18-19]。安徽益可達智能科技有限公司研發(fā)的巡檢機器人（圖3），可將農(nóng)業(yè)生產(chǎn)環(huán)節(jié)中的空氣溫濕度、土壤溫度、土壤水分含量等數(shù)據(jù)上傳至云端，將最優(yōu)解反饋給控制系統(tǒng)，并可進行噴灌加溫、換氣、遮陽、補充CO2等操作。

1.3設(shè)施農(nóng)業(yè)信息采集機器人

在設(shè)施農(nóng)作物生長過程中，需要監(jiān)測作物生長信息，可利用機器人獲取作物形狀、大小、顏色等狀態(tài)信息。Clearpath公司研發(fā)了一款名為HUSKY OBSERVER的機器人（圖4），該機器人具有自主移動和導(dǎo)航功能，可通過互聯(lián)網(wǎng)對其進行實時操控，并搭載云臺熱成像攝像頭，能遠程精準監(jiān)測作物的生長情況。荷蘭Phenospex公司研發(fā)的“PlantEye”用無人移動車輛或龍門架等移動設(shè)備搭載三維（3D）視覺與多光譜成像設(shè)備，在溫室、實驗室等場景中采集葉傾角、葉面積指數(shù)、光穿透深度等17種參數(shù)。中國科學院研發(fā)了國內(nèi)首套高通量信息采集監(jiān)測平臺Crop3D，搭載了高清相機、熱成像儀、高光譜成像儀等傳感器，能通量化、全面化監(jiān)測植物的表型數(shù)據(jù)[20]。北京魔山科技有限公司研發(fā)了高通量植物表型采集機器人（圖5），該機器人以輪式機器人Autolabor PM1為本體，搭載了激光雷達、超聲波、視覺傳感器等多種傳感器，將多傳感器信息進行融合，實現(xiàn)了機器人在農(nóng)業(yè)環(huán)境下的高穩(wěn)定性運動與數(shù)據(jù)采集處理。在機器人上可擴展設(shè)備安裝面，可按需安裝激光雷達、深度相機、紅外相機、光譜相機、機械臂等傳感器設(shè)備，實現(xiàn)對植物表型和環(huán)境數(shù)據(jù)的監(jiān)測與采集。王旭等[21]設(shè)計了無線傳感系統(tǒng)的設(shè)施農(nóng)業(yè)信息監(jiān)測移動機器人，其在移動過程中通過傳感器對溫室的溫濕度、光照度及CO2等參數(shù)進行動態(tài)監(jiān)測，并通過無線通信模塊傳輸數(shù)據(jù)到遠程客戶端，還可以手機作為控制端，控制機器人的行動路徑、方向和速度。

1.4畜禽養(yǎng)殖信息采集機器人

畜禽養(yǎng)殖信息采集機器人主要用于養(yǎng)殖環(huán)境及動物行為的巡檢。馮青春等[22]研發(fā)了一種畜禽防疫巡檢機器人（圖6），包括移動承載平臺、防疫噴霧部件、環(huán)境監(jiān)測傳感器及控制器等部分，可通過機載攝像機和傳感器實時探測室內(nèi)不同位置的環(huán)境信息，為人工管理作業(yè)提供決策依據(jù)。劉艷昌等[23]設(shè)計了一種軌道式機器人，能夠?qū)ιi健康進行智能監(jiān)控，該機器人以現(xiàn)場可編程門陣列（FPGA）控制器為硬件核心，結(jié)合豬體表面特征與環(huán)境感知傳感器、智能控制技術(shù)、圖像處理技術(shù)，構(gòu)建了生豬監(jiān)測平臺，實現(xiàn)了對生豬異常行為和環(huán)境參數(shù)信息的采集，識別率可達93.5%。連京華等[24]設(shè)計了家禽智能巡檢機器人，通過監(jiān)測系統(tǒng)上報異常情況并預(yù)警，防范了各種風險。筆者所在團隊于2016年設(shè)計了一套關(guān)于豬舍信息采集的畜牧養(yǎng)殖守衛(wèi)（LBG）自主移動機器人，搭載溫度、相對濕度和灰塵傳感器，能夠?qū)崟r監(jiān)測畜禽舍內(nèi)環(huán)境，通過比較里程計航跡推算（ODR）、里程表和陀螺儀航跡推算（OGDR）和卡爾曼濾波融合算法（KFDF），得出KFDF能更好地提高舍內(nèi)定位精度及機器人的工作效率[25]。Usher等[26]設(shè)計了一種家禽信息采集機器人（圖7），通過SuperDroidRobots底盤搭載Kinect 3D攝像頭，用于采集雞舍中的環(huán)境信息，在采集雞蛋的試驗中，共完成83次測試，采集成功率達到91.57%。

1.5水產(chǎn)養(yǎng)殖信息采集機器人

水產(chǎn)養(yǎng)殖信息采集機器人主要通過將聲吶、溶解氧含量等傳感器搭載到機器人上，實現(xiàn)對網(wǎng)箱內(nèi)環(huán)境與作業(yè)對象的信息采集[27]。Karimanzira等[28]設(shè)計了1款水下監(jiān)測機器人，通過磁感應(yīng)原理測量光學指標、電導(dǎo)率并以此來測量氧氣含量，同時搭配發(fā)光二極管（LED）攝像頭，可對網(wǎng)箱內(nèi)水質(zhì)和魚類行為進行自動監(jiān)測與分析。Sakamoto等[29]用中分辨率成像光譜儀（MODIS）的時序影像遙感方法，對越南部分蝦類養(yǎng)殖的發(fā)展狀況進行了研究，從宏觀角度闡述了區(qū)域養(yǎng)殖系統(tǒng)隨時間、空間的分布與變化。深圳潛行創(chuàng)新科技有限公司研發(fā)了一款名為“潛鮫”的水下機器人（圖8），這類機器人可根據(jù)自身需求搭載定距聲吶、多參數(shù)水質(zhì)傳感器、激光卡尺等傳感器，通過遙感觀察環(huán)境和魚層分布，具有實時記錄數(shù)據(jù)、共享數(shù)據(jù)的功能。

2農(nóng)業(yè)信息采集機器人關(guān)鍵技術(shù)

2.1自主導(dǎo)航技術(shù)

2.1.1導(dǎo)航定位技術(shù)自主導(dǎo)航是讓機器人在無人操作的情況下通過傳感器檢測周圍環(huán)境信息并確定自身姿態(tài)與位置，以按照預(yù)定的路徑規(guī)劃行走[30]。目前主流的導(dǎo)航定位技術(shù)包括衛(wèi)星導(dǎo)航、視覺導(dǎo)航、激光導(dǎo)航、超聲波導(dǎo)航等[31]。表1為如今主流導(dǎo)航技術(shù)的原理及優(yōu)缺點。

全球?qū)Ш蕉ㄎ幌到y(tǒng)（GNSS）泛指所有全球?qū)Ш叫l(wèi)星系統(tǒng)，包含美國的GPS、中國的北斗（BDS）、歐洲的伽利略（Galileo）與俄羅斯的格洛納斯（GLONASS）[32]。而目前常用的農(nóng)業(yè)信息采集機器人導(dǎo)航技術(shù)以GPS、北斗和視覺導(dǎo)航為主，因此本研究主要介紹GPS、北斗和視覺導(dǎo)航技術(shù)的研究現(xiàn)狀。在導(dǎo)航定位技術(shù)的應(yīng)用中，GPS導(dǎo)航常采用偽距差分動態(tài)定位法，用基準接收機、動態(tài)接收機共同觀測4顆GPS衛(wèi)星，通過計算求出某時刻機器人的三維坐標。當前GPS導(dǎo)航技術(shù)相對成熟、成本較低，應(yīng)用在農(nóng)業(yè)生產(chǎn)中可提高農(nóng)機效率，提升工作質(zhì)量。但是，由于農(nóng)業(yè)生產(chǎn)受到非結(jié)構(gòu)性環(huán)境的影響，因此GPS導(dǎo)航技術(shù)的穩(wěn)定性有待提高。目前中國大力開展北斗導(dǎo)航（圖9）在農(nóng)業(yè)中的應(yīng)用研究，其定位精度達到厘米級，使機器人在作業(yè)時可根據(jù)需求規(guī)劃采集路線，導(dǎo)航控制器對車載衛(wèi)星接收天線收到的差分數(shù)據(jù)進行聯(lián)合解算，最后根據(jù)車身搭載的傳感器進行信息采集，并實時向控制機構(gòu)發(fā)送控制指令[33]。

Zhang等[34]設(shè)計的果園信息采集機器人Bin-dog（圖10）利用GPS、激光掃描儀等傳感器，能在果樹間進行直線巡航作業(yè)及自動轉(zhuǎn)向，直線追蹤的橫向誤差不超2 cm，航向偏差不超過1.5°。陳黎卿等[35]設(shè)計了一套配備雙天線的實時動態(tài)差分全球?qū)Ш叫l(wèi)星系統(tǒng)（RTK-GNSS）的輔助駕駛系統(tǒng)，該系統(tǒng)基于預(yù)瞄算法、二自由度車輛轉(zhuǎn)向模型，以0.5 m/s的速度分別在水泥路面、玉米田間環(huán)境下進行了試驗，試驗結(jié)果表明，輔助駕駛系統(tǒng)在2種條件下的直線路徑跟蹤偏差均值和標準差分別為5.2 cm、3.4 cm和6.8 cm、4.8 cm，表明所設(shè)計的輔助駕駛系統(tǒng)在寬行種植作物中有良好的應(yīng)用價值。劉陽春等[36]為實現(xiàn)農(nóng)業(yè)機器人松土作業(yè)的質(zhì)量監(jiān)控，基于北斗導(dǎo)航、互聯(lián)網(wǎng)技術(shù)研發(fā)了一款遠程監(jiān)控管理系統(tǒng)，該系統(tǒng)可在線實時獲取作業(yè)面積和工況，實現(xiàn)遠程監(jiān)控。王誠龍等[37]設(shè)計了一款在線監(jiān)測終端，用北斗導(dǎo)航確定位置信息，對農(nóng)業(yè)機器人播種、施肥等過程進行監(jiān)測，并在終端開發(fā)了應(yīng)用程序（APP），為實現(xiàn)精準農(nóng)業(yè)提供了保證。

近些年來，基于人工智能與圖像處理技術(shù)的發(fā)展，視覺導(dǎo)航技術(shù)得以完善。視覺導(dǎo)航通過視覺傳感器獲取周圍環(huán)境信息，對圖像信息進行處理并規(guī)劃導(dǎo)航線路，最終讓機器人在無人干擾的情況下按照規(guī)劃路線移動到目標處[38]。相較于GNSS導(dǎo)航，視覺導(dǎo)航的實時性和靈活性更勝一籌，但大量的采集數(shù)據(jù)需要較高的信息計算能力，并受到農(nóng)業(yè)生產(chǎn)中環(huán)境復(fù)雜程度的影響，因此精度較差。2020年，視覺導(dǎo)航的研究進展主要體現(xiàn)在算法優(yōu)化方面，算法的優(yōu)化可提高視覺導(dǎo)航的精度，并提高在未知環(huán)境中的導(dǎo)航成功率，從而增強視覺導(dǎo)航的自主性[39]。Choi等[40]基于水稻秧苗在生長過程中其葉片、分枝等圍繞主莖進行生長的特點，提出了一種新的導(dǎo)航線路提取算法，該方法對不同生長周期的秧苗具有較好識別效果，解決了秧苗生長過程中葉片交叉遮擋的問題。張翔淼[41]為解決機器人在農(nóng)業(yè)生產(chǎn)中因光照度低、分布不均勻所導(dǎo)致的同步性與適應(yīng)性較差的問題，提出了基于YCrCb（Y代表亮度、Cr與Cb分別代表紅色和藍色色差）顏色空間的圖像預(yù)處理算法、超像素低頭基準線監(jiān)測算法和垂直投影特征點搜索與校正算法，提高了視覺導(dǎo)航的精度和適應(yīng)性。

2.1.2路徑規(guī)劃路徑規(guī)劃是指在機器人運動的過程中，根據(jù)特定的性能指標，通過搜索來找到一條最優(yōu)或次優(yōu)的路徑，以實現(xiàn)從起始狀態(tài)到目標狀態(tài)的移動[42]。路徑規(guī)劃技術(shù)包括全局路徑規(guī)劃和局部路徑規(guī)劃，其中全局路徑規(guī)劃通過掌握的所有環(huán)境信息和地圖環(huán)境進行路徑規(guī)劃，包括Dijkstra算法[43]、A*算法[44]、概率路圖法[45]、快速擴展隨機數(shù)法[46]、柵格法[47]、拓撲法[48]和自由空間法[49]。局部路徑規(guī)劃通過機器搭載的傳感器來掌握周圍的環(huán)境，以此來確定自身所在地圖的位置及周圍的障礙分布，并實時計算從當前節(jié)點到某一子目標節(jié)點的最優(yōu)路徑，其算法有人工勢場法[50]、動態(tài)窗口法[51]、模糊控制法[52]、遺傳算法[53]及神經(jīng)網(wǎng)絡(luò)法。在當前的農(nóng)業(yè)生產(chǎn)中，存在規(guī)劃路線重復(fù)或遺漏的問題。因此，發(fā)展高質(zhì)量的路徑規(guī)劃能夠減少機器人的運行時間，降低成本與損耗。表2為當前主流路徑規(guī)劃技術(shù)的原理及優(yōu)缺點。

近幾年來，研究者將重點放在改進型算法和混合型算法模型上。殷建軍等[54]提出了一種基于改進啟發(fā)式搜索的能量約束A*（ECA*）路徑規(guī)劃算法， 該算法可以在資源受限的情況下完成最優(yōu)能量損耗路徑的規(guī)劃，通過在ECA*算法中添加相應(yīng)的能量約束，設(shè)計了ECA*算法與傳統(tǒng)的A*算法搜索路徑能量損耗仿真試驗，結(jié)果表明， 改進算法的能量損耗降低了14.87%。2019年，趙輝等[55]提出一種基于天牛須搜索（BAS）算法和A*算法相結(jié)合的BASA*全局規(guī)劃算法，該算法在天牛須搜索算法的基礎(chǔ)上適當調(diào)整步長，并對路徑進行優(yōu)化，基于A*算法采用曼哈頓距離作為啟發(fā)函數(shù)進行全局規(guī)劃，最后采用貝塞爾曲線對路徑進行圓滑處理，優(yōu)化后的算法縮短了路徑長度，減少了轉(zhuǎn)折點數(shù)量。

2.2機器視覺技術(shù)

機器視覺技術(shù)通過機器人搭載攝像頭并用軟件從圖像中提取各類信息，其優(yōu)點是精度高、效率高、靈活性強，缺點是系統(tǒng)較為復(fù)雜，對非結(jié)構(gòu)性作物的識別成功率有待提高，對動態(tài)物體的識別能力較差。在農(nóng)業(yè)生產(chǎn)中，機器視覺的主要應(yīng)用領(lǐng)域包括作物識別、雜草與蟲害監(jiān)測、作物生長監(jiān)測與產(chǎn)量預(yù)估[56]。

2.2.1作物識別機器視覺技術(shù)中的作物識別即機器人通過視覺識別系統(tǒng)精準識別作物，從而獲取作物的表型信息，如顏色、大小和形狀等。傳統(tǒng)的視覺識別只是通過特征來區(qū)分目標，受到神經(jīng)網(wǎng)絡(luò)的啟發(fā)，加上近些年來人工神經(jīng)網(wǎng)絡(luò)與深度學習的快速發(fā)展，近年來，科研人員憑借神經(jīng)網(wǎng)絡(luò)的強大特征處理能力，在作物識別方面已經(jīng)逐步解決光照、外物遮擋、振動、作物重疊粘連等問題[57]。

Fu等[58]針對獼猴桃的識別提出了一種基于深度卷積的獼猴桃田間圖像檢測系統(tǒng)，該系統(tǒng)從不同光照度條件下拍攝的圖像中提取出2 100張784×784像素的子圖像用來訓練模型和驗證樣本。接著利用Zeiler、Fergus卷積神經(jīng)網(wǎng)絡(luò)（ZFNet）的反向傳播、隨機梯度下降處理，得到1個Faster R-CNN模型。經(jīng)試驗，發(fā)現(xiàn)基于此模型的獼猴桃快速檢測儀的平均檢測準確率為89.3%，被遮擋果實、重疊果實、相鄰果實、分離果實的識別率分別為82.5%、85.6%、94.3%、96.7%。2021年，李寒等[59]提出了一種番茄果實識別與定位方法，該方法將紅綠藍深度信息（RGB-D）圖像與K-means優(yōu)化的自組織映射神經(jīng)網(wǎng)絡(luò)相結(jié)合，共采集了366個番茄樣本的80幅圖像，正確識別率為87.2%，定位結(jié)果的均方根誤差為1.66 mm。

2.2.2雜草與蟲害監(jiān)測雜草和病蟲害監(jiān)測是防治植物病蟲害的前提，近些年來，隨著深度學習等技術(shù)的不斷發(fā)展，雜草和病蟲害的識別更快捷、方便，且精度更高。此項技術(shù)應(yīng)用在高價值農(nóng)作物上，能夠帶來較大的經(jīng)濟增收[60]。

Picon等[61]在2019年將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于多作物病蟲害的分類，用到超過105張圖像的數(shù)據(jù)集，包含5種作物的17種病蟲害情況，并提出了1種擴展卷積神經(jīng)網(wǎng)絡(luò)（CNN）架構(gòu)，該架構(gòu)的優(yōu)勢在于讓卷積神經(jīng)網(wǎng)絡(luò)對圖像數(shù)據(jù)進行集中學習，降低了疾病分類任務(wù)的復(fù)雜性。經(jīng)試驗發(fā)現(xiàn)，該架構(gòu)的平均精度為98%。Kao等[62]用卷積自動編碼器（CAE）進行番茄成熟度的檢測，發(fā)現(xiàn)其對番茄成熟度的識別準確率達到了100%。陳晶等[63]將機器視覺技術(shù)應(yīng)用到茶小綠葉蟬的自動識別領(lǐng)域，用改進的SMOTE算法、KS算法對茶小綠葉蟬進行自動識別，結(jié)果表明，該算法的整體識別精度可達到99.03%，對茶小綠葉蟬的查準率可達91.76%，與其他傳統(tǒng)算法相比提高了對茶小綠葉蟬的識別精度。

2.2.3作物生長監(jiān)測與產(chǎn)量預(yù)估作物生長監(jiān)測數(shù)據(jù)是預(yù)估產(chǎn)量的重要信息。生長監(jiān)測分為人工監(jiān)測、遙感監(jiān)測和機器視覺監(jiān)測[64]，現(xiàn)代農(nóng)業(yè)以遙感和機器視覺技術(shù)進行單一監(jiān)測或協(xié)同檢測，能夠提高生產(chǎn)效率。

樊艷英等[65]研制了玉米長勢監(jiān)測分析系統(tǒng)，該系統(tǒng)通過視頻傳感器、光譜傳感器、4G通信模塊等傳感通信設(shè)備對玉米的長勢進行數(shù)據(jù)采集并進行數(shù)據(jù)上傳。通過對人工采集和系統(tǒng)采集的數(shù)據(jù)進行對比試驗，證明該系統(tǒng)能正確識別玉米植株高度，并能進行全區(qū)域監(jiān)控，保證玉米的良好生長。馮文斌[66]用無人機搭載光譜相機監(jiān)測夏玉米4個生育期的長勢變化，通過變異系數(shù)法搭建4個生育期的監(jiān)測模型，通過比較產(chǎn)量數(shù)據(jù)得出，BP神經(jīng)網(wǎng)絡(luò)用于綜合生長監(jiān)測有較好的效果，在產(chǎn)量預(yù)估上，用4種植被指數(shù)的擬合模型能精準得到預(yù)估產(chǎn)量。賈彪[67]通過集成感光耦合組件（CCD）相機將棉花監(jiān)測技術(shù)、圖像識別技術(shù)、信息通信技術(shù)等其他信息化技術(shù)融為一體，構(gòu)建了遠程控制監(jiān)測平臺，能夠高效監(jiān)測與判斷棉花的長勢與營養(yǎng)狀況。Nguyen等[68]為解決因遮光影響果實識別定位的問題，用RGB-D相機進行圖像采集，并基于色彩、大小研發(fā)了一種單色、雙色監(jiān)測算法，經(jīng)試驗證明，該算法對被遮蓋果實的識別率為82%，位置誤差均在10 mm以內(nèi)，能有效用于果園監(jiān)測與產(chǎn)量預(yù)估。

2.3智能控制技術(shù)

智能控制技術(shù)通過人工智能、結(jié)構(gòu)設(shè)計、控制理論等技術(shù)，實現(xiàn)機器人多個子系統(tǒng)的協(xié)同工作，無需人工干預(yù)即可完成目標控制。通過研制開源操作系統(tǒng)、通用控制器和作業(yè)決策通用組件，可以實現(xiàn)高性能農(nóng)業(yè)信息采集機器人的快速開發(fā)[69]。

Shamshiri等[70]主要介紹了虛擬機器人試驗平臺（V-REP）開源仿真模擬器，在該模擬器中可快速創(chuàng)建試驗平臺，在試驗平臺中能開發(fā)、測試和驗證控制策略和算法。Grimstad等[71]研發(fā)了一款模塊化機器人Thorvald Ⅱ，通過組裝開發(fā)成模塊化小麥表型機器人（圖11），該機器人的硬件部分包括驅(qū)動模塊、懸架模塊、傳感器模塊等，軟件部分選擇機器人操作系統(tǒng)（ROS）。通過軟硬件的模塊化設(shè)計，該機器人可通過簡單的重新組裝實現(xiàn)不同場景下的工作需求。此外，通過修改該機器人的部分軟件尺寸、驅(qū)動類型參數(shù)可實現(xiàn)機器人的自主控制作業(yè)。Coleman等[72]設(shè)計了一款名為開放雜草定位器（OWL）的雜草檢測裝置，通過超綠值、歸一化超綠值、色調(diào)飽和度以及超綠值與色調(diào)飽和度結(jié)合算法開發(fā)了一個開源、低成本、可用于大規(guī)模雜草檢測的系統(tǒng)，平均檢測準確率為79%，推動了社區(qū)農(nóng)業(yè)的發(fā)展。張強[73]設(shè)計了一款大棚作業(yè)多功能農(nóng)業(yè)機器人，該機器人以履帶底盤搭載模塊化末端機構(gòu)實現(xiàn)耕地、播種等功能，并以單片機、姿態(tài)傳感器和無線傳輸?shù)瓤刂苽鬏斈K實現(xiàn)遠程控制與通信。未來，可在機器人上加裝攝像頭并優(yōu)化末端機構(gòu)，以提高信息采集工作的效率，為深入研究提供新的方向。

2.4智能云處理技術(shù)

智慧農(nóng)業(yè)已經(jīng)成為當今農(nóng)業(yè)發(fā)展的主流，主要采用4G/5G、物聯(lián)網(wǎng)、大數(shù)據(jù)和人工智能等新一代信息技術(shù)遠程監(jiān)測和控制機器人，使其實現(xiàn)自主監(jiān)測和自主作業(yè)，并實現(xiàn)各個生產(chǎn)環(huán)節(jié)的智能化[74]。無人農(nóng)場、植物工廠、無人漁場等是智慧農(nóng)業(yè)的高級形式。Pavón-Pulido等[75]設(shè)計了1個精準農(nóng)業(yè)（PA）系統(tǒng)，該系統(tǒng)包括固定節(jié)點和1個無線傳感器網(wǎng)絡(luò)（WSN），通過智能設(shè)備對作物進行監(jiān)測。Kajol等[76]提出了1個基于物聯(lián)網(wǎng)的自動化農(nóng)業(yè)田間分析和監(jiān)測（AAFAMS）系統(tǒng)，該系統(tǒng)通過監(jiān)測和檢索SQLite數(shù)據(jù)庫中的數(shù)據(jù)，反饋給用戶病蟲害、水分含量等信息。在羅錫文等[2]的研究中，花生無人農(nóng)場2021年的產(chǎn)量為3 164.10 kg/hm2，高于廣東省當?shù)仄骄a(chǎn)量（2 400.00 kg/hm2），已實現(xiàn)農(nóng)場耕種管收、作物生產(chǎn)實時監(jiān)控等生產(chǎn)過程全無人。劉凱[77]基于“云-邊-端”研發(fā)了一款果園信息監(jiān)測平臺，通過改進的SK-YOLOv5算法配合信息監(jiān)測網(wǎng)站，實現(xiàn)了對果實的數(shù)量檢測、病蟲害監(jiān)測、數(shù)據(jù)云存放等功能。

3存在的問題與發(fā)展趨勢

隨著國內(nèi)外對農(nóng)業(yè)信息采集機器人研究的深入，雖然從理論到應(yīng)用已有許多成果，但是受到作業(yè)環(huán)境復(fù)雜、成本較高、智能化程度低等問題的影響，目前未能實現(xiàn)大規(guī)模應(yīng)用。結(jié)合國內(nèi)外農(nóng)業(yè)信息采集機器人最新研究進展和思路，對現(xiàn)存問題和未來研究方向進行總結(jié)。

3.1復(fù)合導(dǎo)航技術(shù)

在自動導(dǎo)航定位和路徑規(guī)劃技術(shù)上，受農(nóng)業(yè)生產(chǎn)環(huán)境復(fù)雜性的影響，有不小的局限性。例如在導(dǎo)航定位中，視覺導(dǎo)航在非結(jié)構(gòu)性的工作環(huán)境中的精度較差，激光導(dǎo)航避障能力較差。在路徑規(guī)劃中，無論是A*算法還是模糊控制法等，都有路徑節(jié)點多、無法定義控制目標等問題。因此，為提高導(dǎo)航精度，實現(xiàn)自主導(dǎo)航、發(fā)展多傳感器復(fù)合導(dǎo)航、實現(xiàn)技術(shù)互補等是解決上述問題的主要方法。

3.2多機智能感知

現(xiàn)階段的農(nóng)業(yè)信息采集方法較為單一，工作效率較低。隨著農(nóng)業(yè)機器人、水下機器人、無人機和互聯(lián)網(wǎng)等技術(shù)的不斷發(fā)展，從陸地、海洋和空中3個不同維度，通過巡檢、遙感等多種方法對農(nóng)業(yè)生產(chǎn)進行信息采集，實現(xiàn)立體農(nóng)情信息采集，是未來的一個重要發(fā)展趨勢。

3.3視覺監(jiān)測算法優(yōu)化

農(nóng)業(yè)信息采集機器人是生產(chǎn)過程中的“眼睛”，由于作業(yè)對象差異性較大，會影響識別效率，因此現(xiàn)階段的識別與監(jiān)測更多的是對靜態(tài)、單一變量情況進行采集。而在農(nóng)業(yè)生產(chǎn)中，存在雨水、大霧、光照變化等動態(tài)因素。因此，為了提高自然環(huán)境下視覺識別的成功率，優(yōu)化深度學習識別算法并提高復(fù)雜算法的實時性是未來研究的重點。

3.4通用化智能控制

在應(yīng)用方面，農(nóng)業(yè)信息采集機器人仍面臨成本較高、穩(wěn)定性較低、未規(guī)?；a(chǎn)等問題。未來研究的重點為設(shè)計并制造安全穩(wěn)定、操作簡便的農(nóng)業(yè)信息采集機器人，以提高推廣率，在結(jié)構(gòu)上研究低成本模塊化設(shè)計，通過更換傳感器模塊和搭載不同攝像設(shè)備來實現(xiàn)在不同場景中的使用。此外，可以在軟件上設(shè)計開源系統(tǒng)，實現(xiàn)系統(tǒng)的迅速開發(fā)，以降低用戶的成本。

3.5智能云管控平臺

隨著5G、物聯(lián)網(wǎng)、大數(shù)據(jù)、云處理等技術(shù)的不斷發(fā)展，機器人能夠自主學習和深度學習，并能對農(nóng)作物信息進行自動提取、自主判斷，從而實現(xiàn)農(nóng)業(yè)生產(chǎn)的智能化、無人化。因此，讓操作系統(tǒng)集成化、簡易化，同時搭建多機協(xié)作的云管控平臺是接下來的關(guān)鍵研究內(nèi)容。

參考文獻：

[1]羅錫文，廖娟，臧英，等. 我國農(nóng)業(yè)生產(chǎn)的發(fā)展方向：從機械化到智慧化[J]. 中國工程科學，2022，24（1）：46-54.

[2]羅錫文，廖娟，胡煉，等. 我國智能農(nóng)機的研究進展與無人農(nóng)場的實踐[J]. 華南農(nóng)業(yè)大學學報，2021，42（6）：8-17，5.

[3]趙春江. 智慧農(nóng)業(yè)的發(fā)展現(xiàn)狀與未來展望[J]. 華南農(nóng)業(yè)大學學報，2021，42（6）：1-7.

[4]趙春江. 智慧農(nóng)業(yè)發(fā)展現(xiàn)狀及戰(zhàn)略目標研究[J]. 農(nóng)業(yè)工程技術(shù)，2019，39（6）：14-17.

[5]羅錫文，廖娟，鄒湘軍，等. 信息技術(shù)提升農(nóng)業(yè)機械化水平[J]. 農(nóng)業(yè)工程學報，2016，32（20）：1-14.

[6]張剛. 農(nóng)業(yè)信息采集機器人結(jié)構(gòu)及控制系統(tǒng)設(shè)計[D]. 哈爾濱：東北林業(yè)大學，2016：1-2.

[7]趙靜娟，鄭懷國，董瑜，等. 全球農(nóng)業(yè)機器人研發(fā)趨勢預(yù)測及對我國的啟示[J]. 中國農(nóng)機化學報，2021，42（4）：157-162.

[8]GRIFT T， ZHANG Q， KONDO N， et al. A review of automation and robotics for the bio-industry[J]. Journal of Biomechatronics Engineering，2008，1（1）：37-54.

[9]IIDA M， KANG D， TANIWAKI M， et al. Localization of CO2 source by a hexapod robot equipped with an anemoscope and a gas sensor[J]. Computers and Electronics in Agriculture，2008，63（1）：73-80.

[10]BAK T， JAKOBSEN H. Agricultural robotic platform with four wheel steering for weed detection[J]. Biosystems Engineering，2004，87（2）：125-136．

[11]NAGASAKA Y， ZHANG Q， GRIFT T E， et al. Control system design for an autonomous field watching-dog robot[C]//International Conference on Automation Technology for Off-road Equipment. Kyoto：ATOE，2004：298-304.

[12]胡娜. 農(nóng)田信息采集機器人本體研制[D]. 南京：南京林業(yè)大學，2009：9-61.

[13]劉成龍，章永年，王睿，等. 面向農(nóng)情信息采集的小型四足柔性機器人設(shè)計［J］. 機械設(shè)計，2017，34（12）：15-19．

[14]HE L L， FANG W T， ZHAO G N， et al. Fruit yield prediction and estimation in orchards： a state-of-the-art comprehensive review for both direct and indirect methods[J]. Computers and Electronics in Agriculture，2022，195：106812.

[15]ANASTASIOU E， BALAFOUTIS A， DARRA N， et al. Satellite and proximal sensing to estimate the yield and quality of table grapes[J]. Agriculture，2018，8（7）：1-15.

[16]王偉，李超藝，劉九慶，等. 地空兩用農(nóng)業(yè)信息采集機器人行走機構(gòu)仿真[J]. 農(nóng)機化研究，2019，41（6）：26-31.

[17]陳成坤. 空-地協(xié)同環(huán)境下果園信息共享平臺設(shè)計與實現(xiàn)[D]. 楊凌：西北農(nóng)林科技大學，2021.

[18]許俊云，漆海霞，黎鑒文，等.溫室作物生長信息檢測相機的電驅(qū)平臺設(shè)計[J].農(nóng)機化研究，2023，45（9）：54-59.

[19]漆海霞，陳宇，周子森，等.全地形農(nóng)業(yè)作物信息監(jiān)測移動平臺及監(jiān)測方法：CN115384643B[P]. 2023-11-28.

[20]郭慶華，吳芳芳，龐樹鑫，等. Crop 3D—基于激光雷達技術(shù)的作物高通量三維表型測量平臺[J]. 中國科學：生命科學，2016，46（10）：1210-1221.

[21]王旭，敬濯瑄，姚園園，等. 無線傳感系統(tǒng)的設(shè)施農(nóng)業(yè)移動機器人監(jiān)測系統(tǒng)設(shè)計[J]. 電子制作，2022，30（13）：25-26，40.

[22]馮青春，王秀，邱權(quán)，等. 畜禽舍防疫消毒機器人設(shè)計與試驗[J]. 智慧農(nóng)業(yè)（中英文），2020，2（4）：79-88.

[23]劉艷昌，趙海生，李澤旭，等. 基于機器人的生豬健康養(yǎng)殖智能監(jiān)控系統(tǒng)設(shè)計[KeK/9ZIQrXAtAl6scoJT4w==J]. 中國農(nóng)機化學報，2021，42（8）：187-195.

[24]連京華，李惠敏，祝偉，等. 家禽生產(chǎn)智能巡檢機器人的設(shè)計[J]. 中國家禽，2019，41（18）：72-75.

[25]QI H X， THOMAS M B， ZHANG Z G， et al. Preliminary laboratory test on navigation accuracy of an autonomous robot for measuring air quality in livestock buildings[J]. International Journal of Agricultural and Biological Engineering，2016，9（2）：29-39.

[26]USHER C T， DALEY W D， JOFFE B P， et al. Robotics for poultry house management[C]. Washington： American Society of Agricultural and Biological Engineers，2017：1.

[27]李道亮，包建華. 水產(chǎn)養(yǎng)殖水下作業(yè)機器人關(guān)鍵技術(shù)研究進展[J]. 農(nóng)業(yè)工程學報，2018，34（16）：1-9.

[28]KARIMANZIRA D， JACOBI M， PFTZENREUTER T， et al. First testing of an AUV mission planning and guidance system for water quality monitoring and fish behavior observation in net cage fish farming[J]. Information Processing in Agriculture，2014，1（2）：131-140.

[29]SAKAMOTO T， VAN PHUNG C， KOTERA A， et al. Analysis of rapid expansion of inland aquaculture and triple rice-cropping areas in a coastal area of the Vietnamese Mekong Delta using MODIS time-series imagery[J]. Landscape and Urban Planning，2009，92（1）：34-46.

[30]蔣浩. 基于RTK技術(shù)的農(nóng)業(yè)機械自動導(dǎo)航系統(tǒng)研究[D]. 杭州：浙江大學，2019.

[31]姬長英，周俊. 農(nóng)業(yè)機械導(dǎo)航技術(shù)發(fā)展分析[J]. 農(nóng)業(yè)機械學報，2014，45（9）：44-54.

[32]季宇虹，王讓會. 全球?qū)Ш蕉ㄎ幌到y(tǒng)GNSS的技術(shù)與應(yīng)用[J]. 全球定位系統(tǒng)，2010，35（5）：69-75.

[33]姚洋，郭承軍. 北斗衛(wèi)星導(dǎo)航系統(tǒng)在精準農(nóng)業(yè)中的應(yīng)用研究[C]. 成都：中國衛(wèi)星導(dǎo)航系統(tǒng)管理辦公室學術(shù)交流中心，2021：110-113.

[34]ZHANG Q， WANG Z D， JONES D， et al. Bin-dog： a robotic platform for bin management in orchards[J]. Robotics，2017，6（2）：12.

[35]陳黎卿，許鳴，柏仁貴，等. 高地隙植保機輔助駕駛系統(tǒng)設(shè)計與試驗[J]. 農(nóng)業(yè)機械學報，2019，50（9）：25-32.

[36]劉陽春，苑嚴偉，張俊寧，等. 深松作業(yè)遠程管理系統(tǒng)設(shè)計與試驗[J]. 農(nóng)業(yè)機械學報，2016，47（增刊1）：43-48.

[37]王誠龍，王吉旭，葛寶玉，等. 北斗農(nóng)機作業(yè)全信息質(zhì)量在線監(jiān)測終端[C]//中國衛(wèi)星導(dǎo)航定位協(xié)會.衛(wèi)星導(dǎo)航定位與北斗系統(tǒng)應(yīng)用2017——深化北斗應(yīng)用開創(chuàng)中國導(dǎo)航新局面.北京：測繪出版社，2017：186-190.

[38]王家輝. 基于YOLOv3的水田除草機器人視覺導(dǎo)航技術(shù)研究[D]. 廣州：華南理工大學，2020：2-3.

[39]楊文鈺，李東兵，隋毅，等. 2020年國外不依賴衛(wèi)星的導(dǎo)航技術(shù)發(fā)展綜述[J].飛航導(dǎo)彈，2021（1）：25-30，70.

[40]CHOI K H， HAN S K， HAN S H， et al. Morphology-based guidance line extraction for an autonomous weeding robot in paddy fields[J]. Computers and Electronics in Agriculture，2015，113：266-274.

[41]張翔淼. 復(fù)雜環(huán)境下農(nóng)業(yè)機器人視覺導(dǎo)航技術(shù)研究[D]. 天津：天津理工大學，2022.

[42]陳浩，王光林，郝詢. 移動機器人的路徑規(guī)劃綜述與發(fā)展趨勢[J]. 物流技術(shù)與應(yīng)用，2020，25（10）：158-160.

[43]DIJKSTRA E. A note on two problems in connexi on with graphs[J]. Numerische Mathematik，1951，1（1）：269-271.

[44]熊壬浩，劉羽. A*算法的改進及并行化[J]. 計算機應(yīng)用，2015，35（7）：1843-1848.

[45]LADD A M， KAVRAKI L E. Measure theoretic analysis of prob-abilistic path planning[J]. Transaction on Robotics and Automation，20（2）：229-242.

[46]LAVALLE S M. Planning algorithms[M]. Cambridge： Cambridge University Press，2006.

[47]姜龍騰，遲瑞娟，馬悅琦，等.基于柵格法的農(nóng)業(yè)機器人路徑規(guī)劃方法研究[J].農(nóng)機化研究，2024，46（6）：19-24.

[48]THRUN S. Learning metric-topological maps for indoor mobile robot navigation[J]. Artificial Intelligence，1998，99（1）：21-71.

[49]BROOKS R A. Solving the find-path problem by good representation of free space[M]//COX I J， WILFONG G T. Autonomous robot vehicles. Berlin， Heidelberg： Springer-Verlag， 1983：290-297.

[50]KHATIB O. Real-time obstacle avoidance for manipulators and mobile robots[J]. The International Journal of Robotics Research，1986，5（1）：90-98.

[51]陳奕梅，康雪晶，徐鵬. 復(fù)雜環(huán)境下多移動機器人控制算法研究[J]. 電光與控制，2021，28（4）：48-52.

[52]李鵬，溫素芳. 基于模糊控制的路徑規(guī)劃算法的實現(xiàn)[J]. 杭州電子科技大學學報，2007，27（6）：82-86.

[53]徐力，劉云華，王啟富. 自適應(yīng)遺傳算法在機器人路徑規(guī)劃的應(yīng)用[J]. 計算機工程與應(yīng)用，2020，56（18）：36-41.

[54]殷建軍，董文龍，梁利華，等. 復(fù)雜環(huán)境下農(nóng)業(yè)機器人路徑規(guī)劃優(yōu)化方法[J]. 農(nóng)業(yè)機械學報，2019，50（5）：17-22.

[55]趙輝，郝夢雅，王紅君，等. 基于改進A*算法與天牛須搜索算法的農(nóng)業(yè)機器人路徑規(guī)劃方法[J]. 科學技術(shù)與工程，2019，19（31）：185-190.

[56]楊濤，李曉曉. 機器視覺技術(shù)在現(xiàn)代農(nóng)業(yè)生產(chǎn)中的研究進展[J]. 中國農(nóng)機化學報，2021，42（3）：171-181.

[57]傅隆生，宋珍珍，王東，等. 深度學習方法在農(nóng)業(yè)信息中的研究進展與應(yīng)用現(xiàn)狀[J]. 中國農(nóng)業(yè)大學學報，2020，25（2）：105-120.

[58]FU L S， FENG Y L， MAJEED Y， et al. Kiwifruit detection in field images using Faster R-CNN with ZFNet[J]. IFAC-PapersOnLine，2018，51（17）：45-50.

[59]李寒，陶涵虓，崔立昊，等. 基于SOM-K-means算法的番茄果實識別與定位方法[J]. 農(nóng)業(yè)機械學報，2021，52（1）：23-29.

[60]楊濤，李曉曉. 機器視覺技術(shù)在現(xiàn)代農(nóng)業(yè)生產(chǎn)中的研究進展[J]. 中國農(nóng)機化學報，2021，42（3）：171-181.

[61]PICON A， SEITZ M， ALVAREZ-GILA A， et al. Crop conditional convolutional neural networks for massive multi-crop plant disease classification over cell phone acquired images taken on real field conditions[J]. Computers and Electronics in Agriculture，2019，167：105093.

[62]KAO I H， HSU Y W， YANG Y Z， et al. Determination of Lycopersicon maturity using convolutional autoencoders[J]. Scientia Horticulturae，2019，256：108538.

[63]陳晶，朱啟兵，黃敏，等. 基于機器視覺的茶小綠葉蟬識別方法研究[J]. 激光與光電子學進展，2018，55（1）：348-355.

[64]王鵬新，田惠仁，張悅，等. 基于深度學習的作物長勢監(jiān)測和產(chǎn)量估測研究進展[J]. 農(nóng)業(yè)機械學報，2022，53（2）：1-14.

[65]樊艷英，張自敏，陳冠萍，等. 基于物聯(lián)網(wǎng)的精準農(nóng)業(yè)玉米長勢監(jiān)測分析系統(tǒng)研究[J]. 農(nóng)機化研究，2018，40（8）：223-227.

[66]馮文斌. 基于無人機多光譜遙感的夏玉米長勢監(jiān)測及產(chǎn)量估測[D]. 泰安：山東農(nóng)業(yè)大學，2022.

[67]賈彪. 基于計算機視覺技術(shù)的棉花長勢監(jiān)測系統(tǒng)構(gòu)建[D]. 石河子：石河子大學，2014.

[68]NGUYEN T T， VANDEVOORDE K， WOUTERS N， et al. Detection of red and bicoloured apples on tree with an RGB-D camera[J]. Biosystems Engineering，2016，146：33-44.

[69]劉成良，貢亮，苑進，等. 農(nóng)業(yè)機器人關(guān)鍵技術(shù)研究現(xiàn)狀與發(fā)展趨勢[J]. 農(nóng)業(yè)機械學報，2022，53（7）：1-22，55.

[70]SHAMSHIRI R R， HAMEED I A， PITONAKOVA L， et al. Simulation software and virtual environments for acceleration of agricultural robotics：features highlights and performance comparison[J]. International Journal of Agricultural and Bioengineering，2018，11（4）：1-16.

[71]GRIMSTAD L， FROM P J. The ThorvaldⅡ agricultural robotic system[J]. Robotics，2017，6（4）：1-24.

[72]COLEMAN G， SALTER W， WALSH M. OpenWeedLocator （OWL）： an open-source，low-cost device for fallow weed detection[J]. AgriRxiv，2022，12（1）：170.

[73]張強. 大棚作業(yè)多功能農(nóng)業(yè)機器人研究[D]. 武漢：湖北工業(yè)大學，2019.

[74]李道亮，李震. 無人農(nóng)場系統(tǒng)分析與發(fā)展展望[J]. 農(nóng)業(yè)機械學報，2020，51（7）：1-12.

[75]PAVN-PULIDO N， LPEZ-RIQUELME J A， TORRES R， et al. New trends in precision agriculture： a novel cloud-based system for enabling data storage and agricultural task planning and automation[J]. Precision Agriculture，2017，18：1038-1068.

[76]KAJOL R， AKSHAY K K. Automated agricultural field analysis and monitoring system using IOT[J]. International Journal of Information Engineering and Electronic Business，2018，12（2）：1-17.

[77]劉凱. 基于“云-邊-端”的果園信息監(jiān)測平臺研究[D]. 長春：吉林大學，2022.（責任編輯：徐艷）