首页 学者频道 学术频道 创新频道

【学科发展报告】智慧农业

科界 02月15日

20190215022505_147b9b.jpg

一、引言

为解决传统农业生产模式中的供求矛盾,实现具有创新力、生命力和可持续发展的现代新型农业,“智慧农业”这一概念应运而生。智慧农业是利用智能传感系统、3S(GPS全球定位系统、GIS地理信息系统、RS遥感系统)技术、农业物联网与互联网、大数据与云计算、人工智能、自动控制等现代信息技术,在农业的生产、加工、经营、管理和服务等各个环节实现“智能化感知、预警和监控”“可视化管理”“智能化决策”“精细化种植”和“社会化服务”等产前、产中、产后全程智能化管理,是农业生产的高级阶段,也是信息化与农业现代化高度融合和同步发展的产物[1-6]。目标是促进农业生产精细管理,农户收益提高,农产品保质保量,农业环境健康可持续。

智慧农业涉及的技术体系架构包括四个层面:支撑智慧农业的信息感知和获取技术、大数据存储及处理技术、智能农业决策体系、农田作业精准控制。下面进行详细叙述。

二、我国研究现状与主要成果

(一)农业信息感知技术

农业信息感知是智慧农业建设的基础,为农业预测预警、农业智能决策、农业智能控制提供原始数据和支撑,直接影响着智慧农业的建设成效。

农业信息感知可分为物理信息感知和社会信息感知两方面。物理信息感知包括作物信息感知和环境信息感知两部分。从技术角度,农业物理信息感知技术大致可分为空间信息感知获取技术和地面探测技术,下面将详细介绍这两个方面。

1. 物理信息感知

(1)空间信息感知技术。主要包括遥感技术和卫星定位技术。基于遥感技术可获得播种面积、长势、洪涝、病虫害情况及营养等空间信息;基于卫星定位技术可获得装备的精准位置,可用于农业机械的移动定位。

我国利用遥感技术进行农田土壤养分监测的研究始于 20 世纪 90 年代,中科院遥感地球研究所应用高分辨率卫星遥感及低空遥感数据实现对作物生长全过程的状态监测。陈仲新和刘国栋等人从农业遥感信息获取、农业定量遥感、农业灾害遥感、作物遥感识别与制图、作物长势遥感监测与产量预测、农业土地资源遥感等方面对中国农业遥感科研与应用进行了总结[6,7]。中国农业大学、中国科学院东北地理所、北京农林科学院等科研机构在土壤养分光谱特征及作物表征方面开展了大量研究[8]。Salmon 等[9]综合遥感、气候和农业统计等数据,利用监督分类提取了 2005 年全球灌溉、雨量和水稻田空间分布。一些学者率先在国际上利用新的遥感信息(如静止卫星时间信息)开展了土壤水分的定量反演研究[10,11],虽然这些研究目前并未真正应用到具体的农业实践上,但它们极大地丰富了土壤水分的遥感反演,其方法有望在未来服务于“高分四号”等新型卫星数据上,为中国的农业研究应用提供高分辨率可靠的土壤水分数据。

(2)地面信息感知技术。主要是物联网技术所包括的传感技术。传感技术可获得如土壤湿度、温度、养分等数据,并将这些数据进行在线记录。对农业生产来说,低功耗低成本的传感器 , 对于农业提高产量、减少水资源的消耗等有重要的意义。地面感知还包括在田间按一定范围设置摄像机或者红外监测仪等,对农田进行定点定时监测,获取作物图像。

近年来,各类速测的传感器技术逐渐发展起来。我国在跟踪、引进、消化国外技术的基础上,土壤肥力速测研究逐步形成了具有我国自主知识产权的技术。中国科学院合肥物质科学研究院对可见光/ 近红外光谱、激光诱导击穿光谱车载土壤速测技术开展了系统研究[12-16],并成功研制了“车载土壤养分与重金属污染物快速检测装置”。浙江大学何勇等采用近红外光谱技术对土壤中氮、磷、钾和有机质含量进行了分析,取得了比较好的预测结果。将无线传感网络的方案和思路应用到农田土壤肥力监测领域,可实时、动态地测定土壤中养分和肥料的含量从而有效指导施肥。空间信息获取技术所获得的数据大多是地表的数据,而地面探测信息获取技术可以获得地表以下一定深度的有关土壤理化特性的数据。因此这两种信息获取技术所获得的数据相互补充、相互印证。

2. 社会信息感知

农业社会信息感知包括农产品市场需求、农产品价格、种植者操作经验等方面。农业需求信息是农业市场的灵魂,也是农业发展的动力。当前 , 在农业市场国际一体化的发展趋势下,特别是面向我国近期蓬勃发展的农业企业、协会、合作社等经济合作组织,对产前种什么效益高、产中何种农资优质优价、产后卖给谁等市场与技术信息有着更迫切的需求。如何帮助他们便捷、准确地捕捉市场信息,把握市场动向,及时调整种、养及销售方向,赢得市场竞争的先机, 对我国现代农业特别是工厂化农业、订单农业以及地方名、特、稀、优特色农业的发展意义重大。

在农产品市场需求方面,中科院合肥物质科学研究院顺应农业发展的历史潮流,开发了农业垂直搜索引擎—中国搜农,对农业市场信息进行“深加工”,为广大农户提供更专业、更易懂、更个性化和智能化的垂直搜索服务,建立了全新的复杂自适应搜索模型,可以满足食品安全全产业链的数据集成,智能处理与服务的需求,有效提高农业生产智能化程度。青岛智能产业技术研究院智慧农业研究所为解决市场信息不透明导致农民缺乏对市场走势的精准判断的问题,采用爬虫技术,自动采集各地市场公布的农产品价格信息,为种植者提供价格动态行情价格采集[17]。

中国科学院数学与系统科学研究院陈锡康等领导的全国粮食产量预测项目组,建立了以投入占用产出技术为核心的系统综合因素预测法,构建了主产省、主产区域的粮食产量预测模型,为准确判断农业生产形势进行宏观决策,安排粮食生产、储备和进口提供了科学的参考依据[18]。

(二)农业大数据传输和存储技术

农业大数据是指以大数据分析为基础,利用云计算和大数据挖掘等技术[19-21]处理农业耕地、育种、播种、施肥、收获、储运、农产品加工、销售整个链条中所产生大量的数据,从中得到有用信息以指导农业生产经营、农产品流通与消费的过程,为农业科研、政府决策和涉农企业的发展提供新方法、新思路。

1. 数据传输

通信网络是农业数据采集与监控系统的神经中枢,它将分散的具有独立功能的设备或子系统相互连接起来,并按照规定的网络协议进行数据通信,实现分布式系统硬件和软件资源的共享及系统的综合管理与控制[22]。按照传输媒质分类,通信技术可以分为有线通信技术和无线通信技术。农业应用中,有线通信技术存在系统可靠性较低、系统安装成本较高、传输距离受限等不足[23,24],限制了有线通信在农业生产实际中的推广应用。无线通信技术分类方法有很多种,根据传输距离的远近,可以分为无线局域网技术、无线广域网技术两类[25-28]。无线局域网技术主要包括 Sigfox、Zigbee、W-mbus、Bluetooth、Wi-Fi、NFC 技术、无线射频识别(RFID)、Z-wave 等。就无线局域网而言,已发展出基于不同协议标准的技术,Wi-Fi 通信速率高,但功耗高,适合易部署、固定点位的传感器网络组网;Bluetooth 安全性高,但通讯距离过短、功耗高,适合短时近距离组网;Zigbee由于功耗较低,同时具有多跳、自组织的特点,每个节点均可作为相邻节点传输数据的中转站,容易扩展传感器网络的覆盖范围,是理想的长距离、大范围传感器组网方式。蔡镔等利用Zigbee无线传感器网络技术设计了棉花精准灌溉监控系统。RFID技术已经在食品溯源29,30]、货物追踪、产品防伪31]等方面发挥了较大作用。

常见的广域网技术有GPRS,3G、4G、5G、Lora、以及NB-IoT。就无线广域网而言, 以LoRa、NBIoT为代表的LPWAN是未来农业传感器网络组网的主要途径。

具体采用哪种数据传输方式需根据农田环境、方案需求、成本综合确定。技术层面, 国内很多院所和公司可实现上述不同的传输方式,为智慧农业提供服务。对于大面积的推广应用,技术的成熟度、当地环境和产品价格是重要考虑因素。

2. 数据存储

农业大数据存储及处理技术主要有分布式文件系统、分布式数据库等。面对智慧农业中的大数据,云平台可以实现信息存储及计算能力的分布式共享。在农业生产过程中,对于利用传感器网络获取的大量数据信息,采用高存储、高负载处理性能云计算技术,可以提高网站访问的响应速度和性能[4]。许多学者研究了以物联网技术为依托,以云计算提供的基础数据采集、管理等基础服务和各种农业专用服务为核心,以数据标准化为基础, 以智能物联云网关为接口,以便携式智慧终端为手段,建立了可实现实时监测、远程控制、数据查询、通告预警等服务的农业物联云系统[33-36]。陈联诚等[37]利用 Hill-Climbing 搜索算法优化云平台配置及 MapReduce 对大数据的并行计算,提高私有云上的农产品安全追溯系统的性能。

(三)构建智能农业决策体系

智能农业决策体系是利用信息技术,对农业生产、经营、管理、服务全产业链进行智能化控制,实现农业的优质、高效、安全和可控。智能农业决策覆盖农业生产整个链条从产前排产、产中种植管理及环境控制和产后储存、加工、运输和销售等各个环节。首先,利用物联网及传感器技术,从农业生产田间环节、生产加工环节、流通环节、消费环节以及追溯环节等几个方面进行数据的获取;然后,提取相关知识并建立模型,构建农业生产各个环节精细管控的分析决策机制。该体系旨在实现市场需求分析和种植方案推荐, 种植过程中环境的智能感知与控制及智能决策、智能分析、专家在线指导等,为农业生产提供精准化种植、可视化管理、智能化决策[38]。中国科学院、中国农业科学院、北京市 农林科学院开发了系列农业专家系统及开发工具。河北农业大学开发了基于小麦生长信息的变量施肥智能空间决策支持系统。江苏省农业科学院研发了水稻栽培模拟优化决策系统RCSODC)。作物生产管理决策支持技术的研究,集中在作物生长模拟模型及作物管理专家系统方面。中国科学院自动化研究所团队与法国农业发展中心合作开发的功能结构模型Greenlab[39],模型参数较少,适合参数辨识。针对实际农业环境复杂的情况,提出了基于数据与知识共同驱动的建模方法,可以对作物产量进行精准预测[40],将已知先验知识或机理子模型与数据驱动子模型相结合。目前RS和GIS 等空间信息技术也已被引入进来参与决策管理[41]。在现代农业物流中,农业生产资料和农产品的库存控制、运输车辆调配、流通加工与配送中心的选址、农产品市场分析与预测等,使用统计分析方法和智能计算方法提供决策支持功能,分析和指导农业生产和经营。

总之,在农业大数据时代,智能决策体现在农业生产过程的各个环节。目前不同的算法已经涌现,但函需便捷的平台能集成各种数据和智能技术,提供一体化的农业智能服务。

(四)农田作业装备智能控制

随着农业从业人员的老龄化和减少,农业智能装备的应用是必然趋势。农业智能装备包括服务施肥、打药、灌溉、修剪、采摘、播种等各种操作的设备。随着国家对农业智能装备研发的重视和投入,国内多个机构开展相关研发。例如,中国农业机械化科学研究院主持了“十一五”国家科技部“863”计划课题“精准农业智能变量作业装备研究开发”, 课题以GPS导航、机载CAN 总线标准的控制装备及计算机视觉技术为基础,从精准农业变量施肥、播种和插秧,中耕变量施肥、喷药和除草,到收获小麦、水稻和大豆的联合收割机智能测产,进行了农业装备智能化系统性的研究[42]。由北京农林科学研究院牵头的项目“农业精准作业技术与装备”,研发大幅宽自走式高地隙精准喷药机、水田精量喷药机、多营养元素同步变量施肥机等种、肥、药精准施用作业机械装备。视觉导航研究始于20世纪90年代,机器视觉导航的主要任务是从图像中识别出作物行,检测出跟踪路径线[43-48],从而利用控制技术使得农业机械路径跟踪的最大误差达到最小值[49]。罗锡文等对基于RTK-GPS的农机自动导航控制系统进行了研究,在东方红X-804型拖拉机上开发了基于RTK-GPS的自动导航控制系统。伟利国等在XDNZ630型水稻插秧机上安装了天宝RTK-GPS 接收机 AgGPS332 进行定位,采用模糊控制策略实现了直线路径追踪。激光雷达具有测距精度高、分辨率好、抗干扰能力强、体积小、质量轻等诸多优点,在农业机械导航中的应用也较为普遍。华南农业大学研制的 1PJ 系列水田激光平地机,平地精度可达3cm,节约灌溉用水,增加水稻产量,经济效益和社会效益[50]。李加念等设计了一种基于模糊控制、采用粗细 2 级调节的控制策略的肥液自动混合装置,最大浓度误差为0.04%[51]。施药机械朝着大型化和智能化方向发展[52]。此外,中国农业航空作业量逐年增加,作业领域逐渐扩大,除对粮食作物、园艺作物、经济作物施药外,还开展了植物生长授粉等作业[53]。

农田作业装备精准控制技术是发达国家在大面积机械化条件下发展起来的,和中国的作物生产地域环境条件差异较大,因此技术和装备的选择不可千篇一律地套用。发展适应我国国情的精准农机化必须持续地、因地制宜地逐步完善[54]。

三、国外发展现状

目前,在智慧农业建设上,很多国家已取得一定成绩。以色列的智能育种、自动灌溉、物联网技术在农业中得到广泛应用和推广;美国的智慧农业融合了发达农业科技服务体系,监控科学、调控精细,智慧农业的推广与发展一定程度上促进了美国经济的增长; 加拿大的家庭农场生产的谷种、乳制品、蔬菜、精肉在世界范围享有良好的口碑,得益于智慧农业技术在相关领域的应用;日本的农业产业顺利转型升级,农业信息网络、生物信息、农业数据库系统等技术应用领域广。

具体说来,在遥感技术方面,目前国外主要有美国的凯斯 AFS 系统、GreenStar 系统、天宝(Trimble)系统以及英国的 Fieldstar 系统等,它们针对大田作物栽培,采用 GIS 中的空间抽样方法获取关键点上的土壤信息,应用高分辨率卫星遥感及低空遥感数据实现对作物生长全过程的状态监测、分析和决策的循环,运用高精度 GPS 动态差分技术完成农田的精确定位,研发变量施肥模型,通过施肥处方图来实施农机导航和肥料的田间投放控制。在信号传输方面,美国、英国、德国、瑞典、日本等国家的 RFID 技术较为成熟,且具有了 RFID 先进产品。

在决策支持系统方面,美国的DSSAT 系统(Decision Support System for Agro-technology Transfer)是目前国际上最具有代表性的农业决策支持系统。英国的 Katsuyuki 开发的专家系统能实现变量施肥决策。美国芝加哥大学的 Dils R.A. 研发了计算机网络的大豆专家决策管理系统,可实现在线决策。美国农业部建立了棉花生长发育模拟模型 GOSSYM/COMA。美国农业科学院 Manoj K. G. 开发了针对番茄的温室育苗决策支持系统,分为长期规划和日常温度管理两个模块,系统应用的控制算法能最大限度地利用环境条件,尽可能降低能源的消耗。

在农田作业装备精准控制方面,国外先进智能农业装备融合现代微电子技术、仪器与控制技术和信息技术。目前,美国 John Deere 公司生产的 Maxemerge planters 系列高速气吸式精量播种机,装备了“精准农业”高新技术系统。美国拥有无人机 4000 多架,能完成其国内 60% 以上的农药喷洒;日本有无人机 3000 多架,可以完成 45% 的病虫害防治。荷兰的 Hiremath 等为了使农业机器人能够在玉米地中进行自主导航,基于粒子滤波器构建了激光测距仪模型[55]。

在农业智能装备方面,日本是研究农业机器人最早的国家之一 , 早在 20 世纪 70 年代后期 , 随着工业机器人的发展 , 对农业机器人的研究工作逐渐启动 , 已研制出多种农业生产机器人 , 如嫁接机器人、扦插机器人、移栽机器人和采摘机器人等。许多国家根据自己的情况开发出了各具特色的农业机器人 , 如澳大利亚的剪羊毛机器人、荷兰开发的挤奶机器人、法国的耕地机器人、日本和韩国的插秧机器人等[56-59]。美国研究人员研发了经济作物生产农业机器人:包括啤酒花生产(田间)机器人、果树疏花机器人、果园运输机器人、苹果采摘机器人等[60]。

四、国内外发展比较 

目前,国内外在智慧农业方面各自有大量的研究成果。从技术成熟度来看,在欧美等国,不少相关的产品和装备已经进入生产应用,而国内更多还在研发阶段,可批量生产用于生产实践中的技术及设备还相当有限。农业传感器的核心专利技术主要被国外拥有。中国智慧农业相关的期刊论文虽然数量不少,但高被引文章很少,未能形成国际影响力。从应用场景来看,国外土地相对集中,以美国为例,地广人稀,而且是以平原为主,农业机械化程度高,大面积种植都是靠机械,使得农业信息化的推广较易。而我国的土地较分散,以小规模种植为主,且很多是丘陵山地,难以大面积地使用机械。此外,我国农村信息化条件落后,农民知识水平低,生产管理平台推广难。因此,我国的智慧农业技术发展的方式及技术需要考虑中国实际情况,任重而道远。

五、我国发展趋势与展望

随着人口增加、城镇化发展,农业从基于资源的时代转向基于知识与数据的时代。将来的农业将是竞争的、知识密集的、市场驱动的农业。从技术来说,智能技术的发展和普及,如云计算、大数据、物联网、人工智能及智能控制等,使得智慧农业的发展已具备技术条件。从需求来说,社会的老龄化、农业从业人员的缺失,需要智能农业来提高生产效率。从社会发展来说,民众对安全食品的需求,环境的改善,呼唤农业的精细管理,增加农业生产的透明度。从国家政策来看,农业始终是国家非常重视的领域,出台了各种有利于农业现代化的政策,例如三权分离,为智慧农业的应用创造了条件。

智慧农业的发展与社会的经济、文化、观念息息相关,而不仅仅是农业种植技术和信息技术的结合。复杂的种植环境和社会环境都难以建模,难以预测。将社会因素的影响考虑到农业系统内,发展面向农业的人工物理社会系统(CPSS),将是农业未来发展的趋势。而以描述、预测、处方为三部曲的平行农业,则为智慧农业提供了一个总体发展框架。

六、结束语

信息化时代,智慧农业作为一种新型的农业发展模式,将信息技术综合、全面、系统地应用到农业生产经营的各个环节,为农业生产提供精准化种植、可视化管理、智能化决策,从而使农业更具有“智慧”,实现农业系统发展升级的整体目标。大力发展智慧农业既能补“短板”,又能实现“直道超车”,为中国农业发展与世界同步提供国际领先的全新平台。但是,在智慧农业发展中仍然存在展望中提到的客观问题,需要政府、科研单位、高校企业及各个相关行业共同努力来解决。


参考文献

[1] 夏于,孙忠富,杜克明,胡新 . 基于物联网的小麦苗情诊断管理系统设计与实现[J],农业工程学报, 2013,29(5):117-124.

[2] 颜波,石平 . 基于物联网的水产养殖智能化监控系统[J].农业机械学报,2014,45(1):259-265.

[3] 柳平增,王秀娟,马鸿渐,等 . 生姜产业链物联网信息感知系统研究[J].农业机械学报,2013,44(12): 204-208,197.

[4] 何勇,聂鹏程,刘飞 . 农业物联网与传感仪器研究进展[J].农业机械学报,2013,44(10):216-226.

[5] Wang J F,Haining R.,Cao Z D. Spatial survey to estimate the means of a heterogenerous surface,reducing the error variance through zoning[J].International Journal of Geographic Information Science,2009,35(6):263-277.

[6] 陈仲新,任建强,唐华俊,等 . 农业遥感研究应用进展与展望[J].遥感学报,2016,748-767.

[7] 刘国栋,邬明权,牛铮,等. 基于GF-1卫星数据的农作物种植面积遥感抽样调查方法[J].农业工程学报,2015,31(5):160-166.

[8] 吴倩,孙红,李民赞,等 . 玉米作物多光谱图像精准分割与叶绿素诊断方法研究[J].光谱学与光谱分析, 2015,35(1):178-183.

[9] Salmon J M,Friedl M A,Frolking S,et al. Global rain-fed,irrigated,and paddy croplands:a new high resolution map derived from remote sensing,crop inventories and climate data[J].International Journal of Applied Earth Observation and Geoinformation,2015,38:321-334.

[10]Kuenzer C,Guo H D,Huth J,et al. Flood mapping and flood dynamics of the Mekong Delta:ENVISAT-ASAR- WSM based time series analyses[J].Remote Sens-ing,2013,5(2):687-715.

[11] Leng P,Song X N,Li Z L,et al. Bare sur-face soil moisture retrieval from the synergistic use of optical and thermal infrared data[J].International Journal of Remote Sensing. 2014,35(3):988-1003.

[12] Yubing Wang,Cuiping Lu,Liusan Wang,et al. Prediction of soil organic matter content using VIS/NIR soil sensor

[J].Sensors & Transducers,2014,168(4):113-119.

[13] Yubing Wang,Tianyu Huang,Jing Liu,et al. Soil PH value organic matter and macronutrients contents prediction using optical diffuse reflectance spectroscopy[J].Computer and Electronics in Agriculture,2015,111(111): 69-77.

[14] Cuiping Lu,Liusan Wang,Haiying Hu,et al. Total nitrogen and phosphorus analysis of soil using LIBS[J]. Chinese Optics Letters,2013,11(5):053004.

[15] Z. D. Lin,Y. B. Wang,R. J. Wang,et al. Improvements of the Vis-NIRS Model in the Prediction of Soil Organic Matter Content Using Spectral Pretreatments,Sample Selection,and Wavelength Optimization[J].Journal of Applied Spectroscopy,2017,84(3):29-534.

[16] Zhidan Lin,Yubing Wang,Rujing Wang,et al. Improvements of Vis-NIRS Model in The Prediction  of  Soil Organic Matter Content Using Wavelength Optimization[J].Chinese Journal of Luminescence. 2016,37(11): 1428-1435.

[17] 王浩宇,华净,陆浩,等 . 农产品市场价格采集平台 -JJFarmer. in 2016 年全国智能工程与农业信息化学术会议 . 河北廊坊,2016.

[18] 陈锡康,杨翠红 . 2002. 农业复杂巨系统的特点与全国粮食产量预测研究 . 系统工程理论与实践 . 6:108- 112.

[19] 徐计,王国胤,于洪 . 基于粒计算的大数据处理[J].计算机学报,2015,38(8):1497-1517.

[20] 余凯,贾磊,陈雨强,等 . 深度学习的昨天、今天和明天[J].计算机研究与发展,2013,50(9): 1799-1804.

[21] 任磊,杜一,马帅,等 . 大数据可视化分析综述[J].软件学报,2014,25(9):1909-1936.

[22] 高峰 . 现代通信技术在设施农业中的应用综述[J].浙 江林学院学报,2009,26(5):742-749.

[23] 柏章荣 . 现代通信技术在设施农业中的应用综述[J].农业与技术,2017,37(17):177.

[24] 付永康 . 通信技术在农业中的运用 . 农业装备,2015,1:137.

[25] VIJAY G,BDIRA E B. Cognition in wireless sensor networks:a perspective.[J].IEEE Sens,2011,3(11): 582-592.

[26] ZHANG S,ZHANG H. A review of wireless sensor networks and its applications.[C].Proceeding of the IEEE International Conference on Automationand Logistics,Zhengzhou,China.,2012.

[27] ZHU C H,Wang H,Liu X L. A novel sensory data processing framework to integrate sensor networks with mobile cloud[J].IEEE Syst,2014,10(3):1-12.

[28] 李道亮, 杨昊. 农业物联网技术研究进展与发展趋势分析. 农业机械学报 .http://kns.cnki.net/kcms/ detail/11.1964.S.20171128.1800.010.html.

[29] 杨信延,钱建平,孙传恒,等 . 农产品及食品质量安全追溯系统关键技术研究进展[J].农业机械学报, 2014,45(11):212-222.

[30] 钱建平,刘学馨,杨信廷,等 . 可追溯系统的追溯粒度评价指标体系构建[J].农业工程学报,2014,30

(1):98 -104.

[31] Sun C,Li W,Zhou C,et al.Anti-counterfeit system for agricultural product origin labeling based on GPS data and encrypted Chinese-sensible Code[J],Computers and Electronics in Agriculture,2013,92:82-91.

[32] 董 慧,黄世震 . 基于 LoRa 技术的智慧农业系统设计与实现[J].微型机与应用,2017,36(22):106- 108.

[33] 黄华,祝诗平,刘碧贞 . 近红外光谱云计算分析系统构架与实现[J].农业机械学报,2014,45(8): 294-298,327.

[34] 刘晶晶,孙永海,陈莉,等 . 基于云模型的玉米饮料感官鉴评[J].农业机械学报,2013,44(1): 113-118.

[35] Kostinger H,Gobber M,Grechenig T,et al. Developing a NFC based patient identification and ward round system for mobile devices using the android platform[C].Point-of -Care Healthcare Technologies(PHT). 2013 IEEE, 176-179.

[36] The economist editoral offices.Technology quarterly:The future of agriculture[J].Economist,2016(6):3-1

[37] 陈联诚,胡月明,张飞扬,等 . 农产品安全追溯系统的云计算技术性能提升设计[J].农业工程学报, 2013,29(24):268-274.

[38] Kang M. and Wang F. From Parallel Plants to Smart Plants:Intelligent Control and Management for Plant Growth.

Journal of Automatica Sinica,2017,4:161-166.

[39] 康孟珍 . 植物功能结构模型研究的回顾与展望 . 系统仿真学报,2012,24(10):2039-2048.

[40] Fan Xing-Rong,Kang Meng-Zhen,Heuvelink Ep,de Reffye Philippe,Hu Bao-Gang. 2015. A knowledge-and- data-driven modeling approach for simulating plant growth:A case study on tomato growth. Ecological Modelling. 2015. 312:363-373.

[41] 李盛阳,张万峰,杨松 . 多源高分辨率遥感影像智能融合[J].遥感学报,2017,415-424.

[42] 张小超,胡小安,苑严伟,等 . 精准农业智能变量作业装备研究开发 . 农业工程,2011,1(3).26-32.

[43] 孟庆宽,刘刚,张漫,等 . 基于线性相关系数约束的作物行中心线检测方法[J].农业机械学报,2013, 44:216 -223.

[44] 田光兆,安秋,姬长英,等 . 基于立体视觉的智能农业车辆实时运动检测[J].农业机械学报,2013,44

(7):210-215.

[45] 韩永华,汪亚明,康锋,等 . 基于小波多分辨率分解的农田障碍物检测[J].农业机械学报,2013,44(6): 215-221.

[46] 李盛辉,周俊,姬长英,等 . 基于全景视觉的智能农业车辆运动障碍目标检测[J].农业机械学报, 2013,44(12):239-244.

[47] 李林,魏新华,朱文静,等 . 宽幅施药机视觉辅助导航系统研究[J].农业机械学报,2015,46(9): 28-33.

[48] 姬长英,周俊 . 农业机械导航技术发展分析[J].农业机械学报,2014,45(9):44 -54.

[49] 李逃昌,胡静涛,高雷,等 . 基于模糊自适应纯追踪模型的农业机械路径跟踪方法[J],农业机械学报, 2013,44(1):205 -210.

[50] 胡炼,罗锡文,林潮兴,等 . 1PJ-4.0 型水田激光平地机设计与试验[J].农业机械学报,2014,45(4): 146-151.

[51] 李加念,洪添胜,冯瑞珏,等 . 基于模糊控制的肥液自动混合装置设计与试验[J].农业工程学报, 2013,29(16):22-30.

[52] 吴海华,方宪法,杨炳南 . 国内外农业装备技术发展趋势及进展[J].农业工程,2013,3(6):20-23.

[53] 周志艳,臧英,罗锡文,等 . 中国农业航空植保产业技术创新发展战略[J].农业工程学报,2013,29

(24):1-10.

[54] 罗锡文,廖娟,胡炼,等 . 提高农业机械化水平促进农业可持续发展[J].农业工程学报,2016,32(1): 1-11.

[55] Hiremath S A,Heijden G W,Evert F K,et al.Laserrange finder model for autonomous navigation of a robot in a maize field using a particle filter[J].Computers and Electronics in Agriculture,2014,100:41-50.

[56] Kondo N,Ting K C. Robo tics fo r bio-pr oduction systems[M ].AS AE Publisher ,1998.

[57] Sarig Y. Robo tics o f fr uit harv esting:A state-of-the-artrev iew[ J].Jour na l o f Ag ricultur al Engineering Reso urces,1993,54:265-280.

[58] Gunther Weise,Yo shisada Nagasaka,Ken Taniwaki. Aninvestigation of the turning behaviour o f an autonomousrice transplanter[ J].J Agric Eng Res,2000,77( 2):233-237.

[59] Ryu K H,Kim G,Han J S. Development of a robotictransplanter for bedding plants[ J ].J Agric Eng Res, 2001,78( 2):141-146.

[60] Silwal A.,DavidsonJ.,KarkeeM.,et al. Effort towards robotic apple harvesting in Washington State Written for presentation at the 2016 ASABE Annual International Meeting Sponsored by ASABE. Asabe International Meeting, 2016.

内容节选自《控制科学与工程学科发展报告》

往期文章推荐

20190215022505_180ff6.jpg

🔗【重要通知】关于开展2019年度中国自动化学会会士候选人提名工作的通知

🔗【重要通知】关于2019年度CAA科学技术奖励推荐工作的通知

🔗【重要通知】关于开展第六届杨嘉墀科技奖评奖活动的通知

🔗【学科史·期刊】中国自动化学会通讯

🔗【重要通知】关于开展第五届中国自动化学会青年科学家奖推荐工作的通知

🔗【CAA】不忘初心,砥砺奋进 ——中国自动化学会蓬勃发展的五年

🔗【重要通知】关于2019年度CAA高等教育教学成果奖推荐工作的通知

🔗【CAA】中国自动化学会2018年度大盘点

🔗【重要通知】关于开展2019年CAA优秀博士学位论文奖励及推荐工作的通知

🔗【学科史·教材】开拓进取,影响深远——中国控制科学与工程学科发展中的重要著作

🔗【学科史·人物】中国自动化学会创始人钱学森先生

🔗【CAA】中国自动化学会选举产生第十一届理事会领导机构(内附名单)

20190215022505_1988c8.jpg20190215022505_1b1d94.jpg