智慧農(nóng)業(yè)智能分析

智慧農(nóng)業(yè)智能分析物聯(lián)網(wǎng)、互聯(lián)網(wǎng)等技術(shù)與農(nóng)業(yè)生產(chǎn)、加工、流通等各環(huán)節(jié)緊密結(jié)合，產(chǎn)生了大量多源異構(gòu)的農(nóng)業(yè)數(shù)據(jù)，并且這些數(shù)據(jù)仍在呈指數(shù)方式增長(zhǎng)。如何采用數(shù)據(jù)挖掘與智能分析技術(shù)與手段發(fā)現(xiàn)或提取其中的有效信息與潛在價(jià)值，實(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)經(jīng)營(yíng)過(guò)程的整體信息化管控，在一定程度上加速轉(zhuǎn)變農(nóng)業(yè)生產(chǎn)方式，提高生產(chǎn)水平與效率，對(duì)于發(fā)展與實(shí)現(xiàn)現(xiàn)代農(nóng)業(yè)具有重要意義。本章在分析綜合分析農(nóng)業(yè)數(shù)據(jù)挖掘的現(xiàn)狀和需求基礎(chǔ)上，從農(nóng)業(yè)數(shù)據(jù)語(yǔ)義分析、農(nóng)業(yè)病蟲害圖像識(shí)別、動(dòng)物行為分析以及農(nóng)產(chǎn)品無(wú)損檢測(cè)等方面介紹討論了農(nóng)業(yè)典型數(shù)據(jù)挖掘的知識(shí)模型、處理方法與分析技術(shù)，并對(duì)未來(lái)的發(fā)展方向進(jìn)行展望。農(nóng)業(yè)數(shù)據(jù)挖掘農(nóng)業(yè)數(shù)據(jù)挖掘特點(diǎn)供應(yīng)鏈與溯源等精準(zhǔn)定位與智能服務(wù)；設(shè)施監(jiān)控和農(nóng)業(yè)裝備智能調(diào)度、遠(yuǎn)程診斷、設(shè)備運(yùn)行和實(shí)施工況監(jiān)控等。農(nóng)業(yè)網(wǎng)絡(luò)數(shù)據(jù)挖掘WEB3農(nóng)業(yè)網(wǎng)絡(luò)數(shù)據(jù)挖掘工具的典型代表有美國(guó)農(nóng)業(yè)網(wǎng)絡(luò)信息中心（AGNIC）AgriscapeSearchHyltelHtml信息抽取InformationExtraction）使“Agsoso”等工具信息的查準(zhǔn)率大幅提高。頁(yè)面所包含的非結(jié)構(gòu)或半結(jié)構(gòu)的清晰的格式。常用的信息抽取模型有基于隱馬爾可夫模型HiddenMarkovModel（HMM）的抽取方法，該方法要求大量的訓(xùn)練實(shí)例，頁(yè)面格式無(wú)關(guān)，但本體庫(kù)的構(gòu)建工作量非常大；基14農(nóng)業(yè)感知數(shù)據(jù)挖掘除了農(nóng)業(yè)網(wǎng)絡(luò)數(shù)據(jù)之外，在農(nóng)業(yè)產(chǎn)業(yè)鏈前端以及農(nóng)業(yè)生產(chǎn)過(guò)程農(nóng)業(yè)生產(chǎn)過(guò)程的主體是生物，存在多樣性、變異性和不確定性，因此農(nóng)業(yè)感知數(shù)據(jù)存在季節(jié)性、地域性、時(shí)效性、綜合性、多層次性等特點(diǎn)；而在具體應(yīng)用場(chǎng)景上也涉及不同專業(yè)的多個(gè)領(lǐng)域，如氣象、美國(guó)的農(nóng)場(chǎng)主通過(guò)安裝ClimateCorporation公司的氣象數(shù)據(jù)軟SolumFarmLogsPad就可以實(shí)現(xiàn)上傳目前農(nóng)業(yè)感知大數(shù)據(jù)挖掘主要還是針對(duì)不同領(lǐng)域利用數(shù)據(jù)挖掘量的數(shù)據(jù)預(yù)處理算法和數(shù)據(jù)挖掘算法;農(nóng)業(yè)數(shù)據(jù)挖掘服務(wù)則以服務(wù)的形式提供了針對(duì)不同領(lǐng)域、不同用戶的個(gè)性化數(shù)據(jù)挖掘與推薦方法。農(nóng)業(yè)數(shù)據(jù)挖掘應(yīng)用育種數(shù)據(jù)挖掘20040萬(wàn)種，人們可以通過(guò)數(shù)據(jù)挖掘技術(shù)根據(jù)豐富的種植經(jīng)驗(yàn)和積累從這些眾多的品種資源數(shù)據(jù)庫(kù)中挖掘出適宜、優(yōu)質(zhì)的品種來(lái)進(jìn)行培育。作物生產(chǎn)數(shù)據(jù)挖掘采用肥料效應(yīng)函數(shù)法對(duì)每個(gè)測(cè)試點(diǎn)的土壤養(yǎng)分含量和產(chǎn)量進(jìn)行分析比較，從而得出玉米生產(chǎn)過(guò)程中施肥量對(duì)其最后產(chǎn)量的影響。GIS技術(shù)對(duì)蝗蟲出蝗蟲爆發(fā)的程度空間分布圖來(lái)對(duì)其進(jìn)行統(tǒng)計(jì)預(yù)測(cè)。根據(jù)山東省1999-2013年玉米田第四代棉鈴蟲發(fā)生程度采集的數(shù)據(jù)，采用支持向（SupportRegression,養(yǎng)殖數(shù)據(jù)挖掘BP神數(shù)據(jù)挖掘在養(yǎng)殖管理中的應(yīng)用。采用聯(lián)機(jī)分析處理（On-LineAnalyticalProcessing,農(nóng)業(yè)數(shù)據(jù)語(yǔ)義分析是巨大的挑戰(zhàn)，導(dǎo)致有效的農(nóng)業(yè)知識(shí)無(wú)法得到有效的應(yīng)用。隨著Internet的發(fā)展，農(nóng)業(yè)知識(shí)共享和交互需求越來(lái)越廣泛，使得面向農(nóng)業(yè)知識(shí)共享的語(yǔ)義分析技術(shù)得到研究。農(nóng)業(yè)數(shù)據(jù)語(yǔ)義模型andAgriculture農(nóng)業(yè)本體的農(nóng)業(yè)詞斷陌生詞組與現(xiàn)有詞組之間的相似程度，從而完成概念的聚合和匹配。Lauser等構(gòu)建了生Maliappis研農(nóng)業(yè)數(shù)據(jù)存儲(chǔ)模型XML儲(chǔ)的性能與效率主要取決于元數(shù)據(jù)的組織方式以及語(yǔ)義標(biāo)注的準(zhǔn)確（{類別字段和農(nóng)業(yè)XML文件，另一方面將注冊(cè)信息加入資源索引表，建立關(guān)鍵描述字農(nóng)業(yè)數(shù)據(jù)知識(shí)表示（1）針對(duì)能代表農(nóng)業(yè)領(lǐng)域概念的詞匯獲取和代表農(nóng)業(yè)領(lǐng)域概念（同義詞或定義特征近似（2）針對(duì)海量知識(shí)中的概念（包括常識(shí)、農(nóng)業(yè)專業(yè)知識(shí)、農(nóng)業(yè)新聞流通領(lǐng)域等方面、概念與詞匯之間的對(duì)應(yīng)關(guān)系（同構(gòu)的或非同構(gòu)的，按不同概念的某些屬性類來(lái)進(jìn)行聚類；建立基于本體的農(nóng)業(yè)（3）概念之間的關(guān)系獲取，采用上下位、特征因子等方法逐層（Ease-basedreasoning,。這個(gè)階段必須解決語(yǔ)OWL在本體與本體、本體與信息源的映射中解決。農(nóng)業(yè)數(shù)據(jù)語(yǔ)義檢索本本體表示的查詢條件表達(dá)式。該查詢條件表達(dá)分布式農(nóng)業(yè)知識(shí)協(xié)同構(gòu)建農(nóng)業(yè)本體協(xié)同構(gòu)建個(gè)領(lǐng)域?qū)＜以谙鄬?duì)獨(dú)立的個(gè)人工作區(qū)中對(duì)自己的領(lǐng)域本體片斷進(jìn)行專家知識(shí)庫(kù)構(gòu)建與知識(shí)模型管理農(nóng)業(yè)知識(shí)構(gòu)建（規(guī)則）進(jìn)行管理。農(nóng)業(yè)病蟲害圖像識(shí)別21世紀(jì)以來(lái)，受全球氣候、耕作制度變化和農(nóng)產(chǎn)品貿(mào)易激增等因素影響，我國(guó)農(nóng)作物重大有害生物呈持續(xù)重發(fā)態(tài)勢(shì)[18]。以2009年為例，全國(guó)農(nóng)作物因病、蟲、草、鼠為害造成產(chǎn)量損失分別高達(dá)368億1000億元人民幣，對(duì)農(nóng)業(yè)生產(chǎn)造成了基于機(jī)器視覺的農(nóng)業(yè)病蟲害自動(dòng)監(jiān)測(cè)識(shí)別系統(tǒng)框架基于機(jī)器視覺的農(nóng)業(yè)病蟲害自動(dòng)監(jiān)測(cè)識(shí)別系統(tǒng)框架如圖2-1所示。圖2-1農(nóng)業(yè)病蟲害自動(dòng)監(jiān)測(cè)識(shí)別系統(tǒng)框架輸網(wǎng)絡(luò)將病蟲害圖像數(shù)據(jù)上傳到病蟲害自動(dòng)監(jiān)測(cè)與預(yù)警系統(tǒng)或用戶PDAMatlab進(jìn)行害蟲圖像處理，并將害蟲識(shí)別算法編譯生成動(dòng)態(tài)連接庫(kù)，然后在studio.Net平臺(tái)下進(jìn)行調(diào)用；在studio.Net平臺(tái)中應(yīng)用支持向量機(jī)進(jìn)行害蟲種類識(shí)別，完成系統(tǒng)軟件的開發(fā)。農(nóng)業(yè)病蟲害圖像采集方法室內(nèi)病蟲害圖像采集方法過(guò)拍照獲取圖像。為獲取清晰的圖像需應(yīng)用圖像采集箱完成拍照工作。工業(yè)相機(jī)可調(diào)節(jié)支架光源封閉箱體工控機(jī)

圖2-2圖像采集系統(tǒng)

落蟲板如圖2-2所示，圖像采集箱主要包括可調(diào)節(jié)支架、工業(yè)相機(jī)（-S2001（-120-0-WDH-SV2001GC相機(jī)通過(guò)網(wǎng)線與工控機(jī)相連，通過(guò)軟件對(duì)圖像進(jìn)行采集操作。田間病蟲害圖像采集方法田間病蟲害圖像采集可直接應(yīng)用野外相機(jī)正對(duì)寄主植物進(jìn)行監(jiān)2-32JV2054608×3456像素，采用自動(dòng)模式拍攝，光圈值f=3.2。圖中參照物采用的是黃色乒乓球，用相機(jī)參照物固定環(huán)目標(biāo)果實(shí)立柱圖2-3蘋果果實(shí)病蟲害自動(dòng)監(jiān)測(cè)2-42-4a為簡(jiǎn)易1502-4b為自動(dòng)更換粘蟲板的害蟲監(jiān)測(cè)裝置，該裝置包括誘捕部 a簡(jiǎn)易害蟲自動(dòng)監(jiān)測(cè)裝置b自動(dòng)更換粘蟲板的害蟲自動(dòng)監(jiān)測(cè)裝置圖2-4基于機(jī)器視覺的害蟲監(jiān)測(cè)裝置農(nóng)業(yè)病蟲害圖像預(yù)處理440×355大小的范圍進(jìn)行處理。由于監(jiān)測(cè)裝置在田間HSV顏色空2-52-5a2-5b為梨小食心蟲圖像，將圖2-5b2-5a2-5c。2-5d。 a背景圖像b害蟲圖像c差分圖像d靶標(biāo)害蟲分割圖像圖2-5基于圖像差分的害蟲分割農(nóng)業(yè)病蟲害特征提取與識(shí)別模型構(gòu)建Matlab環(huán)境.Net2-6HSV9SVM的模型訓(xùn)練，將訓(xùn)練得到的模型保存到數(shù)據(jù)庫(kù)中，用于后續(xù)的害蟲識(shí)別與計(jì)數(shù)[24]。圖2-6害蟲特征提取農(nóng)業(yè)病蟲害模式識(shí)別2-7件界面圖。選擇常見的果樹害蟲梨小食心蟲(Busck、桃蛀螟(Guenee、蘋小卷葉蛾AdoxophyesoranaFishervonRoslerstamm動(dòng)物行為分析

圖2-7害蟲識(shí)別與計(jì)數(shù)動(dòng)物行為學(xué)（Ethology）是專門研究動(dòng)物行為的學(xué)科，以研究動(dòng)物與環(huán)境和群體內(nèi)個(gè)體之間的關(guān)系以及和其他生物的互動(dòng)等為主要內(nèi)容，并在動(dòng)物行為本身、行為維系群體的作用、個(gè)體發(fā)育進(jìn)化史、行為的控制及社會(huì)性組織等方面研究進(jìn)行了擴(kuò)展[28]。稱為動(dòng)物行為模式分析，由一個(gè)或多個(gè)具有時(shí)空關(guān)聯(lián)的基本行為組音頻分析技術(shù)動(dòng)物聲音音頻采集需要針對(duì)不同動(dòng)物種類設(shè)計(jì)相應(yīng)的采集方案，（識(shí)別的基本單元的參考模板結(jié)合在一起形成參考模式庫(kù)；在識(shí)別階計(jì)算機(jī)視覺技術(shù)利的立法要求，相應(yīng)地在養(yǎng)殖領(lǐng)域取得了一定的研究成果。為監(jiān)測(cè)是目前最好的方法，這種技術(shù)以無(wú)接觸方式記錄動(dòng)物行為信BiobserveTrackit23維采用直接序列圖像差分提取前景像素變化情況作為視覺圖像特?zé)o線傳感器網(wǎng)絡(luò)技術(shù)無(wú)線傳感器網(wǎng)絡(luò)是由部署在監(jiān)測(cè)區(qū)域內(nèi)眾多的微型傳感器節(jié)點(diǎn)愛爾蘭Diarymaster射頻識(shí)讀器識(shí)別牛只頸圈上的RFID標(biāo)簽，實(shí)現(xiàn)門控式分群管理和牛的奶牛監(jiān)測(cè)系統(tǒng)通過(guò)在奶牛頸部安裝無(wú)線傳感器節(jié)點(diǎn)獲取奶牛的體加速度傳感器采集動(dòng)物行為數(shù)據(jù)并通過(guò)分析處理后來(lái)識(shí)別其活5超聲波成像技術(shù)（舍養(yǎng)動(dòng)物的不同姿態(tài)對(duì)超聲波的反射、吸收、散射程度等參量的不同，再通過(guò)匯聚裝置將透云計(jì)算與大數(shù)據(jù)充分挖掘與發(fā)現(xiàn)原先未知的信息關(guān)聯(lián)性，這與動(dòng)物養(yǎng)殖管理中的飼來(lái)基于大數(shù)據(jù)和云計(jì)算的動(dòng)物行為分析技術(shù)勢(shì)必成為一種高效的動(dòng)農(nóng)產(chǎn)品無(wú)損檢測(cè)農(nóng)產(chǎn)品的無(wú)損檢測(cè)（NondestructiveDeterminationTechnologiesNDT）是一門新興的綜合性應(yīng)用學(xué)科，它是在不損壞被檢測(cè)對(duì)象的前提下，（diorqunyIdntifitiontrintionFI（煙（將輸出能量與對(duì)象品質(zhì)有關(guān)的物理化學(xué)信息進(jìn)行關(guān)聯(lián)并建立數(shù)學(xué)模（即在無(wú)損狀態(tài)下檢測(cè)出定性或定量的品質(zhì)信息[41（所用的對(duì)象可以反復(fù)（（3（操（）節(jié)約試劑，綠色、環(huán)保。農(nóng)產(chǎn)品無(wú)損檢測(cè)主要方法與基本原理光學(xué)特性分析法聲學(xué)特性分析利用農(nóng)產(chǎn)品的聲學(xué)特性對(duì)其品質(zhì)進(jìn)行無(wú)損檢測(cè)是20世紀(jì)80年代以來(lái)發(fā)展形成的新技術(shù)[43]行分級(jí)。利用農(nóng)產(chǎn)品聲學(xué)特性對(duì)其品質(zhì)進(jìn)行無(wú)損檢測(cè)和分級(jí)是生物計(jì)算機(jī)視覺檢測(cè)技術(shù)計(jì)算機(jī)視覺是以計(jì)算機(jī)和圖像獲取部分為工具，以圖像處理技電學(xué)特性分析物質(zhì)介電特性是指生物分子中的負(fù)電荷對(duì)外加電場(chǎng)的響應(yīng)特性。核磁共振檢測(cè)技術(shù)核磁共振技術(shù)（NMR）是一種探測(cè)濃縮氫質(zhì)子的技術(shù)，它對(duì)農(nóng)[46]NMRX射線檢測(cè)技術(shù)X射線具有穿透能力，物質(zhì)的密度大小影響X射線的穿透量的多X射線已被成功地運(yùn)用于農(nóng)產(chǎn)品的自動(dòng)化無(wú)損檢測(cè)分級(jí)中[47]。光譜成像技術(shù)（Spectral是20世紀(jì)80年代發(fā)展起來(lái)的新品質(zhì)與安全性檢測(cè)中應(yīng)用高光譜圖像檢測(cè)技術(shù)是一種重要發(fā)展趨勢(shì)[48-50]。無(wú)損檢測(cè)在農(nóng)產(chǎn)品質(zhì)量檢測(cè)中的應(yīng)用X、功能成分（維生素、生物堿等、有害成分（硫甙、芥酸、焦油、毒素）等內(nèi)部品質(zhì)[51-54]表2-1。表2-1農(nóng)產(chǎn)品無(wú)損檢測(cè)技術(shù)的應(yīng)用產(chǎn)品類別檢測(cè)指標(biāo)谷物和油料作物乳制品、肉類、魚類、蛋類谷氨酸、葡萄糖、產(chǎn)品種類、真?zhèn)嗡卟怂岫取⒑橇?、維生素、水分、纖維素、可溶性固形物等品質(zhì)、產(chǎn)地鑒定、分類定性判別