主粮作物全生长周期智慧化管理决策技术规范

1主粮作物全生长周期智慧化管理决策技术规范本文件提供了智慧农场作物全生长周期智能决策管理技术的术语和定义、农场作物在线识别与杂草病虫害诊断、作物生长智慧化田间管理等关键技术。场智慧化设计与研究的技术依据。2规范性引用文件本文件没有规范性引用文件。3术语和定义3.1数据增强（dataaugmentation）数据增强是通过对原始数据进行变换和扩充来创建更助于提高模型性能和泛化能力，减少过拟合问题。3.2卷积神经网络（convolutionalneuralnetwork）卷积神经网络（CNN）是一种深度学习模型，用于处理图像和其他结构化数据。它使用卷积层来提取特征，并通过池化层减少参数。3.3注意力机制（attentionmechanism）注意力机制是一种计算模型中的机制，允许模型在处理数据时和性能。注意力机制在自然语言处理、图像处理等领域广泛应用。3.4TransformerTransformer是一种用于自然语言处理和其他序列到序列任务的深度学习模型。使用自注意力机制来捕捉输入序列中各个位置之间的依赖关系，避免了传统循环神经网络(RNN)的顺序处理。这使得Transformer能够并行计算，加快训练速度。23.5强化学习（reinforcementlearning）强化学习是一种机器学习方法，通过智能体与环境的交互学习。智能体根据环境的反馈(奖励或惩罚）来优化决策策略，以实现特定目标。目标是最大化习来找到最优策略。4总体设计4.1基本原则(1)对标国家重大需求。以国家需求为研究命题导向，以研究成果转化落地为研究目标。(2)紧跟学科和工程前沿。以前沿科学技术驱动智慧农业的发展创新，加快农业生产和管理服务的数字化和智能化。(3)密切联系实际农场作物生长场景和复杂管理决策系统。以向无人化、信息化、多样化、标准化、系统化、智能化和绿色化方向发展为目标。4.2智慧农场作物全生长周期智能决策管理技术总体思路介绍作物在线识别和病虫害实时诊断、农事环节精准决策、作物生长智慧化田间管理是农场作物全生长周期智慧化管理决策的关键步骤。在智慧农场中，通过利用传感器收集到的数据,实现作物和病虫害的实时诊断，并准确区分作物和杂草；经过农事环节精准决策技术，决策出当前农作物所处的农事环节，例如灌溉、施肥、病虫害防治等；采用作物生长智慧化田间管理，实现农机在播种等农事环节的无人化和智慧化。由于作物全生长周期智慧化管理系统所涉及的技术种类繁多、分工各异、功能复杂、协同困难等特点。本文件提供了一种农场作物全生长周期智慧化管理决策的通用技术框架，解决作物生长周期智慧化管理的重点难点问题，加快农业4.0发展的步伐。4.3农场作物在线识别与杂草病虫害实时诊断技术规范4.3.1农场作物杂草病虫害实时诊断技术规范概述中国是个农业大国，农业在国民经济发展中占有基础性地位，其中农场作物的安全稳定生产对于中国的国民经济和社会发展具有重要的意义。杂草和病虫害的危害在农业生产中是不可避免的，是农业中常见的灾害。杂草的生存力强，对农田环境有很强的适应力，相较于作物，杂草有更强的根系，争夺营养物质，同时杂草的繁育以及生长较快，如果不能及时进3行除草作业，会导致作物的产量严重下降。大面积农作物受病虫害影响也是作物产量下降另一重要原因，为了控制病虫害的发生，大多数农户盲目喷洒农药，不可避免地造成了环境污染、食品安全等一系列问题。另外，在过去很长时间，人们对农作物杂草病虫害的研究一直都是依靠人工方法。大量的农业专家与技术工作者通过测量、统计、计算等工作，根据自身经验分析病虫害的类别。但这样传统方法存在诸多问题，一方面不同工作人员的知识与经验的高低不同，会导致对杂草病虫害种类识别结果产生误差导致整个工作的无效，从而对农业生产造成损失。另一方面人工识别方法仅适用于小规模种植，当农作物种植面积广阔时需要大量的技术人员与时间去人工识别病虫害种类，不仅成本太高、效率太低也不太现实。当应对大面积农作物杂草病虫害监测时，人工的方式不仅效率低，而且工程量大、误判率高。因此，农作物杂草和病虫害的自动诊断的实现是保证作物高产的关键。4.3.2杂草、病虫害数据采集，数据标注策略农场作物杂草病虫害识别领域，各个研究者针对的杂草及病虫害类别与任务目标基本不同，且研究者很少公开杂草病虫害数据集。通过现有农场农作物进行构建数据集，且为进一步提高数据集的质量，提高数据集对对抗样本的敏感性，对数据集进行数据增强。农场作物杂草病虫害数据集构建的总体框架。如图1所示，该方法有两个关键步骤进行:第一步，数据收集与人工核对，该步骤的目的是收集相关类别的农场作物杂草病虫害图像。因为收集到的图像可能存在如类别错误，非实际图片等问题。农场作物杂草病虫害数据集构建，要通过人工核对的方式进行数据筛选。第二步，数据增强。通过三种不同的数据增强方式，基于第一步得到的初始农场作物杂草病虫害数据集，得到三种经过增强的农场作物杂草病虫害数据集。第三步，该步骤是通过实验对比三种增强农场作物杂草病虫害数据集在相同卷积神经网络上面的准确率来选取最优的农场作物杂草病虫害增强数据集。4使用Labelme软件对收集到的图像手动标记标签，标注出目标的具体轮廓，然后分别标记农场作物和杂草、病虫害的标签，用于之后训练网络使用。4.3.3基于图卷积网络的农场作物分类识别田间作物分类识别在现代农业中具有重要的意义和价值。随着人口的增长和城市化进程的加快，农业生产面临着更大的压力和挑战。如何高效地管理农田，提高作物产量和质量，确保粮食安全，成为摆在农业发展面前的重要任务。而农场作物分类识别作为智能农业的重要应用之一，将科技与农业紧密结合，为农业生产带来全新的可能性。农场作物分类识别能够实现农业的自动化管理。传统农业生产依赖大量的人工劳动，识别不同作物、判断病虫害等需要耗费大量时间和精力。而通过应用图卷积网络等深度学习技术，农场作物的识别可以实现自动化，大大减轻农民的劳动负担，提高生产效率。农场作物分类识别为农业决策提供科学依据。了解每块农田上种植的作物类型，可以有针对性地制定农业管理措施，比如针对不同作物的施肥、灌溉、病虫害防治等，从而提高作物的产量和品质。同时，还可以根据识别结果规划土地利用和作物轮作，优化资源配置，提高资源的利用效率。农场作物分类识别5有助于精准农药施用，传统农业中，农民为了防治病虫害，往往采取大面积、不加区分的喷洒农药，导致资源浪费和环境污染。而通过识别作物及病虫害情况，可以实现精准施药，减少农药的使用量，降低对环境和生态的影响，同时提高农产品的食品安全性。农场作物分类识别提升了农业科技水平。应用深度学习和计算机视觉技术，对农场作物进行分类识别，推动了农业科技的发展。这也为其他农业智能化和自动化技术的应用提供了范例和借鉴。基于卷积特征和图卷积网络的农场作物识别方法，该方法由CNN农场作物特征提取和GCN农场作物识别两部分组成。由于CNN模型具有较强的特征表示能力，因此采用基于训练的CNN模型提取农场作物特征。为了进一步保留农场作物图像的特征属性，基于提取的CNN农场作物特征之间的欧氏距离，构造了无向相似性图。在基于GCN的农场作物识别中，农场作物特征矩阵无向相似性图通过图卷积层实现农场作物图像节点之间的特征传播，基于特征相似性,未标记的农场作物样本（测试图像）从图中的邻居节点获得标签信息。卷积是GCN农场作物识别模型的核心，谱图卷积和空间域卷积是图卷积网络卷积中应用最广泛的两种类型，考虑到实际作物的实时性要求，使用谱图卷积的方法。4.3.4基于卷积神经网络和注意力机制的农场作物杂草病虫害识别方法农场作物病虫害识别的关键是在于对杂草病虫害图片处理和分类识别。对于农场作物杂草病虫害的识别问题，需要在收集图像的基础上进行改善，对不合适的图像进行删减，对过大过小的图像进行剪裁和放大。通过图像处理计算利用卷积神经网络等算法手段对图像信息进行归纳计算，因此特征提取直接影响到作物的识别准确率。对于图像方面，使用最广泛，最有效的深度学习模型是卷积神经网络。注意力机制的核心是对特征进行权重分配让更重要的特征发挥更重要的作用，使其对于结果产生更大的影响。在计算机图像领域中，注意力机制主要作用于两种域：空间域，通道域。空间域注意力机制的作用是突出特征中的某一区域,增加其权重，使其在进行空间信息变换时能保留关键信息。正常是空间域方法是使用平均6池化函数实现，即利用一个矩阵窗口在张量上进行扫描，将每个矩阵中通过取平均值来替代原有矩阵。通过这种方法得到的权重可以突出原有信息的重点区域。通道域注意力机制的作用是突出特征的信息。即用权重评价对不同通道对关键信息的贡献，用来代表该通道与关键信息的相关度。权重越大，即对最终结果的贡献程度就越大。基于卷积神经网络和注意力机制的农场作物病虫害识别的总体思路。如图3所示，该方法有两个关键步骤进行：第一步，该步骤的目的是通过比较Inception-ResNetV2、VG四种传统的卷积神经网络模型在农场作物杂草病虫害数据集上的准确率，得到最适合农场作物杂草病虫害识别的卷积神经网络模型。第二步，该步骤的目的是通过现有的注意力机制。并与步骤一的卷积神经网络进行结合,优化现有网络，得到高准确率的网络模型，最终实现农场作物杂草病虫害识别。74.4农场作物农事环节精准决策策略4.4.1农场作物农事环节精准决策策略概述在传统的农业生产中，农场作物的种植和管理通常依赖于农民的经验和常规的农业操作,如根据季节进行灌溉、施肥和农药喷洒，而对于农田的实际状况和作物的生长状态了解相对有限。由于缺乏科学依据和数据支持，传统农业生产往往面临着一些挑战，包括资源浪费、产量不稳定、农药滥用导致环境污染等问题。随着现代技术的迅猛发展，农业生产正面临着转型升级的机遇。物联网、大数据、人工智能等新兴技术为农业提供了全新的解决方案，为农民和农业管理者带来了前所未有的智能化和高效化体验。农场作物农事环节精准决策技术应运而生，正成为推动农业生产现代化的关键引擎，为实现全球农业的绿色高效和可持续发展注入了新的活力。通过合理利用现代技术，作物农事活动精准决策可以更加精准地满足作物的需求，减少资源浪费，提高产量和品质，实现农业生产的高效化和可持续发展，提高粮食产量和质量，满足人民对美好生活的向往。农场作物农事精准决策技术是以信息技术为支撑，通过农作物的生长数据、土地环境数据和病虫害数据等先验知识，对农作物农事环节精准决策。本文件提出了一种农场作物农事活动环节精准决策策略，其流程如图4所示。（1）数据采集：使用无人机拍摄的方式，获取农场作物生长过程中萌芽期、幼苗期、开花期、结实期、成熟期等高清图片数据和作物的病虫害数据。采用传感器、无线传感网络等技术实时监测农场作物生长环境的温度、湿度、CO2浓度、土壤温度、土壤湿度、土壤养分含量等地块环境数据，采集设备的实时状态数据和运行日志文件，以监控设备的健康状态和利用率。（2）数据预处理：通过农作物识别技术将采集到的图像数据按照水稻、玉米、小麦等农作物进行分类，通过数据关联技术，将采集到的作物生长环境数据、土地环境数据、病虫8害数据与地块进行关联，形成作物完整的数据集。通过先验知识和感知融合技术形成作物生长态势特征向量、土地环境特征向量、病虫害特征向量。（3）模式识别：将作物的生长态势特征向量、地块的土地环境特征向量和作物的病虫害特征向量作为输入，采用神经网络技术，识别出作物的生长环节、干旱程度、缺肥程度、虫害类别、虫害等级。根据农场作物生长态势、个体状态植保类型的任务情景不同，设计以下三种任务，精准识别出作物生长环节等信息。a)设计一种基于Transformer的农场作物生长态势识别方法，确认所处的生长环节。b）设计一种基于图卷积神经网络的农场作物个体状态识别方法，明确所需植保环节。c)设计一种基于多层图卷积神经网络的网格地块所需植保类型与相应等级分类方法。（4）智能决策：根据模式识别确定的作物生长环节、干旱程度、缺肥程度、虫害类别和虫害等级的数据，建立基于多任务强化学习的农事活动精准控制决策方法，决策的农事活动有揭膜、施肥、灌溉、植保和收割。模式识别和智能决策的方法对农场作物生长环节预判至关重要，是智慧化农场管理中的关键，下文将分别对模式识别和智能决策所涉及的方法进行论述。4.4.2基于Transformer的农场作物生长态势识别方法农作物的生长态势事关农事生产的整个过程，因此通过农作物不同时期图片信息、土地环境信息和病虫害信息，对农作物进行合理的生长态势检测，对于农业生产是十分有必要的,为我国人民的生存条件和粮食安全提供保障。因此，有必要设计一种农作物生长态势识别方法，本文件提供了一种可行的解决方案。本文件设计一种基于Transformer的农场作物生长态势识别方法，确认作物所处的生长环节，其整体架构如图5所示。该系统首先获取农场农作物的生长态势数据、土地环境数据和病虫害数据，通过先验知识和感知融合技术形成农场作物的生长态势特征向量、土地环境特征向量和病虫害特征向量，并将它们输入到农场作物生长状态识别网络中。假设n个网格地块，根据获得的融合特征YN根Q提取网格地块i的特征向量，包括作物生长态势特征向量ai、土地环境特征向量bi、病虫害特征向量ci等一系列参数。对于网格地块i，通过生长态势特征向量计算其所处的生长环节ye{1,2,…,qa}，9其中，CNN和Transformer分别表示基于CNN和Transformer的分类模型，g(.)和即可确定作物所处的具体生产环节，为后续农事决策提供基础。4.4.3基于图卷积神经网络的农场作物个体状态识别方法在农事活动中，确定农作物的干旱程度和缺肥程度对整个农事活动至关重要。本文件提出了一种基于图卷积神经网络的作物个体状态识别方法，明确所需植保环节。其架构如图6所示。该方法首先获取农场作物的生长态势数据、土地环境数据和病虫数据，经过先验知识和感知融合技术生成农场作物的生长态势特征向量、土地环境特征向量和病虫害特征向量。对于网格地块i，利用作物生长态势特征向量ai、土地环境特征向量bi和病虫害特征向量cimyim}、病虫害类别yc}与病虫害等级y别的关键指标。例如，对于干旱度等级，可采用图卷积神经网络进行分类，并用softmax函=softmax(GCN(bi;Θb))，其中GCN(.)是对干旱度等级进行分类的图卷积神经网络，Θb是网络参数。采用类似的分类方法，可以精准获得作物所需的植保环节。4.4.4基于多层图神经网络的网格地块所需植保类型与相应等级分类方法在农事活动中，确定网格地块农作物的虫害类型和虫害等级是确认植保类型和相应等级分类的基础，是实现作物农事活动精准决策的关键一步。本文件提出了一种基于多层图神经网络的网格地块所需植保类型与相应等级分类方法。对于农场网格地块i，基于病虫害特征向量ci、病虫害类别y以及每个病虫害类别cj的qc个不同等级，将ci输入多层图卷积神经网络，通过全连接层获得病虫害类型预测向量p和病虫害等级预测向量p，并组合成新向量vi=ci,p,p，表示网格地块i中存在类型为cj、等级为dk的病虫害。使用图卷积神经网络对vi进行处理，得到网格地块i属于病虫害类型cj且等级为dk的概率(cj,dk)，即得(cj,dk)=softmax(hic;hid)。其中，GCN1和GCN2分别是图卷积层，Madj是地块之间的邻接矩阵，表示全连接层的权重矩阵，hic;hid表示将hic和hid拼接在一起。使用iicj,dk)，即可得到网格地块i病虫害的类型和等级预测结4.4.5基于多任务强化学习的农场作物农事活动精准决策方法在农事活动中，通过农作物的生长状态、土地环境数据和病虫害等先验信息，能够精准决策出农事活动的类型对整个智慧农业系统至关重要，是进行作物生长智慧化田间管理的基础。本文件提出来一种基于多任务强化学习的农事活动精准决策控制方法，其系统架构如图7所示。该系统首先获取每个网格地块的农场作物的生长态势数据、土地环境数据、病虫害数据，通过数据融合、病虫害识别技术、农场作物生长态势识别技术、农场作物个体状态识别技术生成每个地块作物的生长环节、土地干旱程度、土地缺肥程度、病虫害类型、病虫害示生长环节，表示土地干旱程度、表示土地缺肥程度、表示病虫害类型、表示、施肥、灌溉、植保、收割等。为了得到最佳决策，将此问题建模成多任务强化学习问题，定义第i个网格地块的值函数：V(0,1)表示折扣因子，Ri(si,ai)表示在状态si执行动作ai后获得的收益。策略。4.5作物生长智慧化田间管理4.5.1智慧化田间管理概述随着我国经济和科学技术的快速发展，建立精准化、自动化的现代智慧农业有很重要的意义。智慧化田间管理是一种利用现代科技手段，结合融合生长态势、作物生产和生长大数据的方式来提高农业生产效率和农田资源的可持续利用。这种管理方式通过将传感器、物联网、人工智能和大数据技术应用于农田，实现对作物生长过程的实时监测和精细化管理。融合生长态势是通过高精度的遥感技术和无人机影像，获取农田的地貌、土壤类型、植被覆盖等信息，以了解不同地块的生长环境差异，有针对性地制定农业生产策略。可根据不同地块的土壤营养状况，合理配置施肥方案，提高肥效利用率。作物生产大数据是通过农业物联网设备，实时采集作物生长过程中的温度、湿度、光照等关键数据，并结合气象数据、土壤监测数据等，形成大数据资源。这些数据通过人工智能技术进行分析，可以预测作物生长趋势和发现潜在的病虫害风险，帮助农民及时采取防治措施，最大限度地减少农作物的损失。智慧化田间管理的优势在于提供了实时、精准的农业生产决策依据。传统的农业管理往往依赖于经验和直觉，难以适应复杂多变的自然环境和市场需求。而智慧化管理通过数据驱动的方式，能够更科学地制定种植计划、管理病虫害等，大幅提高了农业生产效率。4.5.2智慧化农场自动灌溉施肥策略传统的施肥方法(非施肥灌溉)只能在作物生育期内大量、少量几次向作物施肥。不能“用勺喂”作物营养，因此也就不需要去经常了解和监视土壤和植物的营养状况。灌溉施肥与传统施肥有着很大的区别，其施肥和灌溉都是即时即用对土壤和作物养分在时间和数量上实现微观的管理，对土壤和作物的水分和养分随时都需要监视和了解，尤其施肥也是由灌溉来实现和完成。根据土壤水分传感器反映的田间含水量为依据开启灌溉指令，随着农场作物不同时期需水量的不同，通过控制以灌溉区为最小单位组建的不同作物的轮灌组的灌溉时间，来合理化的智能灌溉。并针对灌溉区中相应作物现阶段对应所在的生理期需要进行合理调用配方公示对其配肥和施肥，实现多作物的并行管理。切实做到水肥利用上的节约和高效化，相对传统农业对农田生态环境保护和水资源的利用都有很大的进步和改善。通过构建数据库，各种作物各个生长阶段所需营养元素(主要是大量元素N、P、K)量、所需水量、持续生长时间等存放于数据库表中，当进行自动灌溉时，根据当前灌溉区中的作物种类，从数据库中查询灌溉施肥量，计算出灌溉施肥时间，再根据采集器(湿度传感器)得知的土壤电压，与作物需水临界电压域值比较，低于时进行灌溉。当所有轮灌区都不需灌溉时，则系统不断监测土壤湿度，从而决定作物是否需要灌溉施肥，如图8所示。4.5.3基于Transformer农机收割任务调度策略农机调度问题是车辆调度问题的一种。主要是农机车场对于现有的农机资源进行合理的模型与只关注局部特征的卷积神经网络相比，Transformer模型可以捕获远距离的特征，因此能够轻松获得全局信息。在农业领域，Transformer网络可以用来对作物生长情况、土壤条件、气象数据等进行建模，以优化作物收割任务的调度。基于Transformer网络的作物收割任务调度规划策略是一种基于深度学习技术的先进方法，用于优化作物收割过程的安排和调度，从而提高农业生产效率和资源利用率。在农业领域，Transformer网络可以被用来对作物生长情况、土壤条件、气象数据等进行建模，以优化作物收割任务的调度，Transformer架构图如图9所示。首先，基于Transformer网络的作物收割任务调度规划策略需要收集丰富的农田数据。这包括土壤信息、气象数据、作物生长阶段和生长情况等。这些数据将被用作Transformer网络的输入，帮助模型理解农田的实时状态。其次，建立Tra