關于智慧農(nóng)業(yè)的綜合研究，在安徽大學、悉尼大學、內(nèi)布拉斯加大學、中國農(nóng)業(yè)科學院、華南農(nóng)業(yè)大學等機構的努力下，已經(jīng)取得了一定進展，在智慧養(yǎng)殖、農(nóng)業(yè)風險管理、水產(chǎn)養(yǎng)殖等方面獲取了一定進展，本文分享下農(nóng)業(yè)科研的前沿知識。

一、深度學習在家畜智慧養(yǎng)殖中研究應用進展

科研機構：安徽大學互聯(lián)網(wǎng)學院、南陽農(nóng)業(yè)職業(yè)學院、悉尼大學工學院

準確高效檢測動物信息，及時分析動物的生理與身體健康狀況，并結合智能化技術進行自動飼喂和養(yǎng)殖管理，對于家畜規(guī)?；B(yǎng)殖意義重大。深度學習技術由于具有自動特征提取和強大圖像表示能力，更適用于復雜的畜牧養(yǎng)殖環(huán)境中動物信息監(jiān)測。為進一步分析人工智能技術在當下智慧畜牧業(yè)中研究應用，該團隊針對牛、羊和豬三種家畜，將深度學習技術在目標檢測識別、體況評價與體重估計以及行為識別與量化方面進行分析。

智慧畜牧養(yǎng)殖技術當前面臨著應用場景存在多視角、多尺度、多場景和少樣本等挑戰(zhàn)以及智能技術泛化應用的問題，本文結合畜牧業(yè)實際飼養(yǎng)和管理需求，對智慧畜牧業(yè)發(fā)展進行展望并提出了：①結合半監(jiān)督或者少樣本學習來提高深度學習模型的泛化能力;②人、裝備和養(yǎng)殖動物這三者的統(tǒng)一協(xié)作及和諧發(fā)展;③大數(shù)據(jù)、深度學習技術與畜牧養(yǎng)殖的深度融合等發(fā)展建議，以期進一步推動畜牧養(yǎng)殖智能化發(fā)展。

二、作物脅迫感知和植物表型測量系統(tǒng)綜述(英文)

科研機構：內(nèi)布拉斯加大學林肯分校生物系統(tǒng)工程系

提高農(nóng)田管理的資源使用效率和持續(xù)培育優(yōu)良作物品種，是確保糧食產(chǎn)量和減輕作物生產(chǎn)對環(huán)境影響的關鍵途徑。作物脅迫感知和植物表型測量系統(tǒng)是田間變量管理和高通量植物表型測量研究的核心，且兩者在硬件和數(shù)據(jù)處理技術上具有相似性。幾十年來，人們一直在開發(fā)可以用在田間變量管理領域的作物脅迫感知系統(tǒng)，旨在建立更加可持續(xù)的田間管理方案。與此同時，田間高通量表型系統(tǒng)開發(fā)取得的重大進展，為降低傳統(tǒng)表型測量成本提供了技術基礎。對田間變量管理中涉及的作物脅迫感知系統(tǒng)進行了回顧，特別對目前用于精準灌溉、氮素施用和農(nóng)藥噴灑中的感知和決策方法進行了總結。

該團隊在內(nèi)布拉斯加大學林肯分校開發(fā)的三套田間表型測量系統(tǒng)，對常見田間高通量表型測量系統(tǒng)的傳感器和數(shù)據(jù)的處理分析流程進行介紹。并對當前田間表型測量系統(tǒng)面臨的挑戰(zhàn)，并提出了潛在解決方案。人工智能、機器人平臺和創(chuàng)新儀器的持續(xù)發(fā)展有望顯著提高測量系統(tǒng)的性能，對系統(tǒng)在育種中的大范圍應用起到積極作用。對主要植物生理過程更直接地測量，可能成為未來田間表型研究領域的研究熱點之一，并為培育更耐脅迫的作物新品種提供有價值的表型數(shù)據(jù)，為田間變量管理和高通量植物表型測量兩個研究領域，提供參考和獨特的見解。

三、人工智能在農(nóng)業(yè)風險管理中的應用研究綜述

科研機構：中國農(nóng)業(yè)科學院農(nóng)業(yè)信息研究所

農(nóng)業(yè)是關系國計民生的基礎產(chǎn)業(yè)，但同時又是弱質(zhì)產(chǎn)業(yè)，針對傳統(tǒng)農(nóng)業(yè)風險管理研究方法中存在非線性信息挖掘不足、精確度不高和魯棒性差等問題。該團隊開展了研究，以擁有基于大數(shù)據(jù)的強非線性擬合、端到端建模和特征自學習等功能的人工智能技術為推手，在農(nóng)業(yè)脆弱性評估、農(nóng)業(yè)風險預測，以及農(nóng)業(yè)損害評估三大方面的研究進展，得出如下結論：

①AI在農(nóng)業(yè)脆弱性評估中的特征重要性評估缺乏科學有效的驗證指標，且應用方式導致無法比較多個模型之間的優(yōu)劣，建議采用主客觀法進行評價;

②在風險預測中，發(fā)現(xiàn)隨著預測時間的增加，機器學習模型的預測能力往往會下降，過擬合問題是風險預測中的常見問題，且目前研究針對圖數(shù)據(jù)空間信息的挖掘還較少;

③農(nóng)業(yè)生產(chǎn)環(huán)境復雜，應用場景多變是影響損害評估準確性的重要因素，提升深度學習模型的特征提取能力和魯棒性是未來技術發(fā)展需要克服的重點和難點問題。然后，針對AI應用過程中存在的性能提升問題和小樣本問題提出了相應的解決方案。對于性能提升問題，根據(jù)使用者對人工智能的熟悉程度，可分別采用多種模型比較法、模型組合法和神經(jīng)網(wǎng)絡結構優(yōu)化法以提升模型的性能表現(xiàn);對于小樣本的問題，往往可以將數(shù)據(jù)增強、生成對抗網(wǎng)絡和遷移學習相結合，以增強模型的魯棒性和提高模型識別的準確性。

對AI在農(nóng)業(yè)風險管理中的應用進行了展望。未來可以考慮將人工智能引入農(nóng)業(yè)脆弱性曲線的構建;針對農(nóng)業(yè)產(chǎn)業(yè)鏈的上下游關系和與農(nóng)業(yè)相關的行業(yè)關系，更多的應用圖神經(jīng)網(wǎng)絡對農(nóng)業(yè)價格風險預測進一步深入研究;損害評估建模過程中可以更多地引入評估目標相關領域的專業(yè)知識以增強對目標的特征學習，對小樣本數(shù)據(jù)進行增廣也是未來研究的重點內(nèi)容。

四、水禽智能化養(yǎng)殖研究現(xiàn)狀及發(fā)展趨勢

科研機構：華南農(nóng)業(yè)大學數(shù)學與信息學院、華南農(nóng)業(yè)大學動物科學學院

水禽養(yǎng)殖在向規(guī)?；?、標準化與智能化方向迅速發(fā)展。智能養(yǎng)殖裝備和信息化技術的研究與應用是促進水禽養(yǎng)殖業(yè)健康持續(xù)發(fā)展的關鍵，對提高水禽養(yǎng)殖的產(chǎn)出效率、降低生產(chǎn)過程對勞動力的依賴、契合綠色環(huán)保的發(fā)展理念以及實現(xiàn)高質(zhì)量轉型發(fā)展具有重要意義。

該團隊介紹了智能化水禽棚舍的發(fā)展、水禽棚舍環(huán)境智能調(diào)控技術，以及智能化水禽飼喂、飲水、加藥消殺和自動糞污處理等智能化設備的新研究進展。

此外，對水禽的信息采集技術現(xiàn)狀，包括視覺成像系統(tǒng)、聲音捕獲系統(tǒng)和穿戴式傳感器，以及智能管理技術的新應用進展進行了介紹，及水禽產(chǎn)業(yè)的智能化養(yǎng)殖所面臨的困難，并對未來水禽智能化養(yǎng)殖的發(fā)展和改進提出了建議。

審核編輯黃宇