农业物联网导论(处理篇)课件.pptx

1、农业物联网导论（处理篇）121基本概念基础农业信息处理技术23智能化农业信息处理技术农业信息处理技术体系框架45农业信息处理技术发展趋势6小结3基本概念 农业信息处理 农业信息处理是研究模式识别、智能推理、复杂计算、机器视觉等技术在农业的精准作业、预测预警、智能控制、管理决策等领域应用的技术。农业信息处理技术 农业信息处理技术是信息处理技术在农业领域的应用分支，是利用现代信息技术改造传统农业的重要途径。4基本概念 农业信息处理关键技术 数据存储技术 数据搜索技术基础农业信息处理技术智能化农业信息处理技术 云计算技术 边缘计算技术 人工智能技术 大数据技术 区块链技术 多源异构信息融合与处理技术

2、 农业预测预警技术 农业视觉信息处理与智能监控技术 农业诊断推理与智能决策技术5基础农业信息处理技术数据存储技术 数据存储技术解决了计算机信息处理过程中大量数据有效地组织和存储的问题，是实现数据共享、保障数据安全以及高效地检索数据的重要工具。数据存储技术可以及时对农业物联网数据进行存储和组织，提供便捷的查询、统计和分析利用。关键技术关键技术数据库存储技术数据库存储技术分布式云存储技术分布式云存储技术农业数据库建设农业数据库建设图图1.数据存储关键技术数据存储关键技术6基础农业信息处理技术 数据库存储技术 数据库是按照数据结构来组织、存储和管理数据的仓库，是计算机数据处理与信息管理系统的一个核心

3、技术。它研究如何组织和存储数据，如何高效地获取和处理数据。通过研究数据库的结构、存储、设计、管理，对数据库中的数据进行处理、分析和理解。图图2.数据库系统数据库系统7基础农业信息处理技术 分布式云存储技术 分布式数据库系统(Distributed DataBase System，DDBS)是以数据的分布存储为基础，由相应的管理系统、通信网络实现各类数据的管理、访问的系统。从逻辑上分析，DDBS 是统一的整体；而从物理层面分析，数据库中的数据存储于不同的物理节点之上，是传统技术和网络时代结合的产物。典型的分布式数据库系统如图3所示。图图3.典型的分布式数据库系统典型的分布式数据库系统8基础农业信

4、息处理技术 农业数据库建设 世界大型农业数据库：联合国粮农组织的农业数据库(AGRIS)、国际食物信息数据库(IFIS)、美国农业部农业联机存取数据库(AGRICO2LA)、国际农业与生物科学中心数据库(ABI)。中国大型农业数据库：我国除引进了以上世界大型数据库外，自己建立了100多个数据库，主要包括各种农作物、果树、蔬菜、园艺植物、畜禽动物、水产动植物的品种分类、生态适宜性、植物营养状况、农艺形状、抗性、品质、长势、作物营养需求、农业病虫害、主产区、产量等数据。具有代表性的有：中国农业文摘数据库、全国农业经济统计资料数据库、农产品集贸市场价格行情数据库等。9基础农业信息处理技术数据搜索技术

5、 搜索引擎分类（1）全文搜索引擎，是搜索引擎的主流，是指从互联网提取各个网站的网页信息，建立索引数据库，并能检索与用户查询条件相匹配的记录，按一定的排列顺序将查询结果返回给用户;（2）目录索引，虽然有搜索功能，但严格意义上不能称为真正的搜索引擎，只是按目录分类的网站链接列表。用户可以通过关键词检索，也可以直接依靠分类目录找到需要的信息。（3）元搜索引擎，接受用户查询请求后，由元搜索引擎负责转换处理后提交给多个预先选定的独立搜索引擎，并将从各独立搜索引擎返回的所有查询结果，集中处理后再返回给用户。搜索引擎是当前人们检索信息最普遍的软件工具，它能够从互联网上自动搜集信息，对原始文档进行一系列的整理

6、和处理，为用户提供查询服务。10基础农业信息处理技术 全文搜索引擎 全文搜索引擎主要包括如下步骤：第一步是对Web信息的获取，即得到网页信息；第二步是对网页内容进行分析、加工和处理；第三步是将查询与加工后的信息内容进行相关度计算，从而为用户提供信息服务。其关键技术主要包括：网络爬虫、中文分词、文本索引、结果排序等。搜索引擎系统结构如图4所示。图图4.搜索引擎系统结构搜索引擎系统结构11智能化农业信息处理技术云计算技术 云计算（Cloud Computing）是借助于网络实现的一种计算模式，云计算是物联网发展的基础。云计算作为一种虚拟化、分布式和并行计算的解决方案，可以为物联网提供高效的计算能力

7、、海量的存储能力，为泛在链接的物联网提供网络引擎和支撑。云计算技术的特点：云计算为用户提供按需分配的计算、服务和应用服务能力；方便用户，大大降低了软硬件的购置成本；易于动态扩展；高可靠性和高安全性。12智能化农业信息处理技术 云计算的服务层次 根据云计算所提供的服务类型，将其划分为3个层次：应用层、平台层和基础设施层。相应地，各自对应着一个子服务集合：软件即服务（SaaS）、平台即服务（PaaS）和基础设施即服务（IaaS）。图图5.云计算的服务层次云计算的服务层次13智能化农业信息处理技术 云计算的核心技术 随着云计算的研究的深入，云计算需研究的问题越来越多，云计算系统运用了很多技术，其中以

8、编程模型、数据存储技术、数据管理技术、虚拟化技术、平台管理技术最为关键。图图6.云计算的核心技术云计算的核心技术14智能化农业信息处理技术边缘计算技术 边缘计算是指在网络边缘执行计算的一种新型计算模型，边缘是指从数据源到云计算中心之间的任意资源，边缘计算中边缘的下行数据表示云服务，上行数据表示万物互联服务。边缘计算模型的终端设备和云计算中心的请求传输是双向的，云计算中心不仅可以从数据库收集数据，也可以从边缘设备收集数据，与此同时，边缘设备不仅可以向云计算中心请求内容和服务，也可以完成云计算中心下发的部分任务。图图7.边缘计算模型边缘计算模型15智能化农业信息处理技术 边缘技术通用架构 边缘计算

9、的通用架构一般可以分为终端层、边缘服务层及云计算层。（1）终端层：终端层由多种物联网设备组成，用于数据的收集及上传；（2）边缘服务层：边缘服务器既是数据的处理中心，也是数据的存储中心;（3）云计算层：云计算层由海量计算和存储资源的服务器集群组成，负责复杂的数据处理和大规模的数据/服务存储。图图8.边缘计算的通用框架边缘计算的通用框架16智能化农业信息处理技术 边缘技术的优势 目前，各个行业通过物联网技术实现数字化和智能化转型中的所遇到的五大难题：联接(Connection)、业务实时性(Real-time)、数据优化(Optimization)、应用智能(Smart)、安全与隐私保护(Secu

10、rity)，简称“CROSS”。17智能化农业信息处理技术人工智能技术 人工智能是指用计算机模拟或实现的智能，亦称人造智能或机器智能。作为计算机科学的一个重要分支，人工智能着眼于探索智能的实质，模拟智能行为，最终制造出能以与人类智能相似的方式做出反应的智能机器。人工智能的类型：（1）弱人工智能，包含基础的、特定场景下角色型的任务；（2）通用人工智能，包含人类水平的任务，涉及机器的持续学习;（3）强人工智能，指比人类更聪明的机器;18智能化农业信息处理技术 人工智能的分类图图9.人工智能的分类人工智能的分类19智能化农业信息处理技术 人工智能在农业领域的应用（1）水产养殖：通过将大数据技术与人工

11、智能相结合，对水产养殖产生的大量数据加以处理和分析，并将有用的结果以直观的形式呈现给生产者与决策者，可以解决水产养殖业中养殖环境预测与预警、病害诊治与预警、异常行为检测与分析、市场分析与挖掘、质量控制与追溯和水产养殖大数据平台构建等实际。（2）农作物生长环境：基于农业大数据构建农作物生长综合管理系统，可对农作物生长环境进行综合分析，并根据结果制定不同农作物的生长策略，推动精准耕种，促进农业生产逐渐向智能化转变，从根本上杜绝因不良耕种环境以及人为判断因素对农作生产带来的直接影响。（3）农产品质量追溯：农业大数据贯穿于农产品的形成、产销和消费的整个过程，农产品追溯大数据系统通过农业信息化基础设施获

12、取到农产品的产地信息、定期检测农产品质量和客户评价等，实时监控农产品生产和销售过程，实现农产品质量可控和农产品可追溯，完善供应链的各个环节。20智能化农业信息处理技术大数据技术 大数据是在一定时间内使用传统软件工具无法捕获，管理和处理的数据的集合。简而言之，大数据技术就是随着数据量急剧膨胀而产生的对海量数据使用和提取有效信息的一种方法。大数据具有 4V 特性，即 Volume（数据体量大），Variety（数据类型繁多），Velocity（数据产生的速度快）和 Value（数据价值密度低）。Volume:非结构化数据的超大规模和增长；Variety:大数据的异构和多样性；Velocity:实时

13、分析而非批量式分析；Value：大量的不相关信息。21智能化农业信息处理技术 大数据技术处理流程 大数据技术是指相关技术具有大数据的收集、存储、分析和应用功能是一系列用于进行处理大量的结构化数据，以及半结构化数据，还包括非结构化数据的一些非传统技术的工具，是数据处理和分析的技术。大数据技术的处理过程如图10所示。图图10.大数据技术的处理过程大数据技术的处理过程22智能化农业信息处理技术 大数据技术在农业中的应用 农业中的大数据主要包括土壤信息、气象信息、水资源等环境信息，生物资源和物种资源等农业生物信息，农资信息、农业生产信息、农产品物流信息、农产品储藏信息、农产品加工数据、农产品市场流通信

14、息以及农产品质量安全信息等。大数据在农业中的应用主要体现在以下几个方面：（1）通过智能终端设备采集在农产品生产、加工、流通、消费等过程中产生的数据；（2）融合了各领域、学科的交叉数据，综合、关联的融合式数据共享平台取代了传统的关系型数据库，成为新的数据存储管理形式。（3）在农业产业链上各个环节的政府、科研机构、高校、企业形成竞争协同作业机制，共同促进智慧农业的发展。智慧大数据形成一个可持续、可循环、高效、完整的生态圈。23智能化农业信息处理技术区块链技术 区块链可以从狭义和广义个角度定义，从狭义角度讲，区块链是一种按照时间顺序将数据区块以链条的方式组合而成的数据结构，并以密码学方式保证不可篡改

15、和不可伪造的分布式账本。从广义角度讲，区块链是一种去中心化、去信任的基础构架与分布式计算范式，亦可称为区块链技术。区块链的特征如图11所示。图图11.区块链的特征区块链的特征24智能化农业信息处理技术 区块链的基本架构 区块链技术的基础架构模型可以概述为一个层次模型，由数据层、网络层、共识层、激励层、合约层和应用层6层组成，如图12所示。其中数据层、网络层、共识层是区块链的必要元素。在区块链基本架构中不同的层次对应的功能不同。图图12.区块链的基本架构区块链的基本架构25智能化农业信息处理技术 区块链在农业中的应用 区块链可打造农产品供应链，优化供应链条，贯通供应和消费安全渠道，建立从田间生产

16、到家庭餐桌的溯源监控体系，让农产品更健康、更安全。另外，在农业金融、保险、信贷、农产品交易、品牌认知和知识产权保护方面，区块链也均可大有作为。图图13.区块链在农业中的应用与优势区块链在农业中的应用与优势26智能化农业信息处理技术多源异构信息融合与处理技术 农业作业复杂多样，每种传感器都有其优势和局限性，利用多个传感器共同工作，得到描述同一特征的互补信息，再利用一定的方法进行综合处理分析，取得该特征较为准确的描述信息，可以为农业作业提供较准确的信息和决策依据，从而提高农业作业的准确性。多源信息融合(multi-source information fusion)又称为多传感信息融合(multi

17、sensor information fusion)，是指组合和合并多个来源的信息或数据，以便形成一个统一结果的技术，其过程是用技术工具和数据方法来综合处理不同来源的信息，通过对信息的优化组合，得到高品质的有效信息。简而言之，即信息融合是为综合信息系统的用户提供多个数据源的统一视图的过程。27智能化农业信息处理技术 数据融合处理的分类28智能化农业信息处理技术 多源异构信息融合方法 多源异构数据是不同质信息，或同质但不同态信息，异构信息间具有很强的互补性和实用价值，但异构信息融合较同构信息融合更具挑战性。多源异构信息融合方法重点研究的关键科学问题包括：(1)基于随机集理论的多源异构信息的统一描

18、述方法研究。(2)基于容差关系广义粗集理论的多源异构信息特征选择及特征空间同化算法研究。(3)基于D-S证据理论的多源异构信息的融合算法研究。(4)按照生物异构信息融合的复杂机制，利用概率原则对信息进行重组，对不确定信息则使用条件概率进行表示，形成类Bayes规则，以此提供最后的融合结果。29智能化农业信息处理技术农业预测预警技术 农业预测是以土壤、环境、气象资料、作物或动物生长、农业生产条件、化肥农药、饲料、航拍或卫星影像等实际农业资料为依据，经济理论为基础，数学模型为手段，对研究对象未来发展的可能性进行推测和估计，是精确施肥、灌溉、播种、除草、灭虫等农事操作及农业生产编制计划、监督计划执行

19、情况的科学决策的重要依据，也是改善农业经营管理的有效手段。农业预测技术农业预测方法分类农业预测方法分类相关方法相关方法定性预测方法对比类推、特尔斐法传统的预测方法回归预测方法、自适应过滤法、灰色预测法、模糊预测法人工智能预测方法神经网络、支持向量回归法表表1.农业预测方法分类农业预测方法分类30智能化农业信息处理技术 农业预警技术 农业预警是预测发展的高级阶段，是在预测基础上进一步给出的定性说明，使预测的内容更加丰富而广泛。农业预警是指对农业的未来状态进行测度，预报不正确状态的时空范围和危害程度以及提出防范措施。农业预警可以归纳为2大类：定性方法和定量方法。定性分析方法是环境预警分析的基础性方

20、法，尤其是在预警所需资料缺乏，或者影响因素复杂，或主要影响因素难以定量分析时，定性分析方法则具有很大的优点，常用于对环境影响、环境发展的大趋势与方向之类的问题进行预测和报警。31智能化农业信息处理技术农业视觉信息处理与智能监控技术 农业视觉信息是农业物联网中众多信息的一种，是利用相机等图像采集设备获取的农业场景图像。农业视觉处理与智能监控是指通过各类传感器和无线传输设备，对农业场景信息进行实时采集，并利用图像处理、人工智能及信息论技术对采集的农业场景图像进行处理分析，从而实现对农业场景中的目标进行识别和理解，并利用控制论、系统论有针对性的做出反应，降低人工投入，通过精细化分析和控制进一步提高农

21、业生产管理。农业视觉处理与智能监控系统则通过构建相应的图像采集子系统、图像处理子系统、图像分析子系统、反馈子系统等实现农业视觉信息的综合利用。32智能化农业信息处理技术农业诊断推理与智能决策技术 农业诊断是指农业专家根据诊断对象所表现出的特征信息，采用一定的诊断方法对其进行识别，以判定客体是否处于健康状态，找出相应原因并通过智能决策技术提出改变状态或预防发生的办法，从而对客体状态做出合乎客观实际结论的过程。农业诊断在畜禽和水产品养殖环境诊断、农业病虫害诊断、水产品精细投喂等方面有广泛的应用。农业智能决策是智能决策支持系统在农业领域的具体应用，技术思想的核心是按需实施、定位调控，即“处方农作”，

22、其目标是建立精确农业智能决策技术体系，为农业生产者、管理人员、科技人员提供智能化、精确化和形象直观化的农业信息服务。农业智能决策在提高广大农民和基层农业技术人员的科学技术水平，指导农民科学种田，实现优质、高产、高效，发展可持续农业方面越来越显示其巨大作用，具有重要的实用价值。33农业信息处理技术体系框架 农业信息处理技术体系框架如图14所示，农业信息处理技术在农业物联网中的应用主要分为三个层次。即数据层、支撑层和应用服务层。图图14.农业信息处理技术体系框架农业信息处理技术体系框架34农业信息处理技术发展趋势微型化、智能化、移动化、多样化新材料、新结构、新原理、新工艺创新性、适应性、产业化、标

23、准化35小结 （1）本章介绍了农业信息处理的基本概念、地位与作用，并从基础农业信息处理和智能化农业信息处理的角度对农业信息处理进行了阐述。（2）农业信息处理技术主要涉及农业技术与计算机技术的结合，随着农业物联网应用的普及，海量数据的存储、搜索和数据分析计算是农业信息处理技术急需解决的关键技术。（3）农业信息处理技术的发展趋势具有微型化、智能化、集成化、产业化、标准化、新材料、新工艺等特点，将农业信息处理技术应用在物联网系统中，是实现农业生产智能化的关键。361概述农业数据预测方法23农业数据预警方法农业预测预警案例分析45小结37概述 农业预测预警技术的支撑智能传感器农业物联网数据分析模型38

24、概述 农业预测技术 农业预测是以实际农业生产的历史数据（如土壤、水质、环境、生物生长等）为依据，以数学模型为方法，对研究对象未来的变化进行推测和估计。农业预警技术 农业预警是预测的高级阶段，在预测的基础上，结合预先的领域知识，进一步给出的判断性说明。从最大程度上避免或减少农业生产活动中所受到的损失，从而提升农业活动收益的同时降低农业活动的风险。39农业数据预测方法 农业预测的基本原则农业领域中的预测方法通常遵循以下几个原则：惯性原则，任何事物的发展都与其过去的状态变化有着一定的联系。类推原则，即许多事物的发展规律有着相似之处，用一个事物的变化规律来类推另外一个事物的变化规律。相关原则，任何事物

25、的发展变化都不是孤立的，是与其它事物发展变化相互联系、相互影响的。相关性有多种表达形式，其中最为广泛的是因果关系。即任何事物的发展变化都是有原因的，其变化状况是原因的结果，而相关回归预测模型就是基于这一原则设计的。40农业数据预测方法 概率推断原则，由于各种因素的干扰，常常使事物各个方面的变化呈现出随机形式。随机变化的不确定性增加了预测的难度，随机方法的出现可以解决一些不确定性问题。质、量分析相结合原则，指预测中要把量的分析(定量预测法)与质的分析法(定性预测法)相结合起来使用，才能取得良好的效果。41农业数据预测方法 农业预测的基本步骤农业预测并不是简单的根据农业资料进行预测估计，而是一个科

26、学的过程。尤其对农业领域的复杂问题应遵循一定的步骤来进行预测，从而使预测过程更为科学、合理。这一过程被总结为以下5个基本步骤：明确对象，界定问题归类处理，概念细化建立决策分析模型模型求解和检验形成决策分析报告42农业数据预测方法 基于回归分析的预测方法 回归分析预测方法是根据各种观察指标之间的关系，通过分析与预测对象相关的事物变化趋势，进而预测对象未来发展变化。回归分析通常是指某随机变量与其他自变量之间的数量变动关系，这种关系被称为回归模型。回归模型的类别包括：1)按自变量个数的多少，分为一元和多元回归模型；2)按是否是线性，可分为线性回归模型和非线性回归模型；3)按是否带有虚拟变量，可分为普

27、通回归模型和虚拟变量回归模型。普通回归模型的自变量都是数值类型，而虚拟变量回归模型的自变量既有数值类型，也有品质变量类型。43农业数据预测方法 基于神经网络的预测方法 在计算机硬件升级与深度学习快速发展的基础上，神经网络也得到了前所未有的发展。在数值预测方面，目前已经提出了多种神经网络模型，比如误差反向传播神经网络BPNN、径向基神经网络RBFNN、循环神经网络RNN以及长短时记忆网络LSTM等。循环神经网络是一种利用输入数据序列化特征的神经网络，序列化输入是指依赖于它之前的元素序列，例如文本、语音、时间序列等。在农业中能够较容易地获取大量的序列化数据，比如大田中的温湿度，水产养殖环境中溶解氧

28、浓度变化等，借助于循环神经网络对环境变化因子进行预测，可以为农作物和养殖对象提供并保证良好的生长环境。44农业数据预测方法 循环神经网络 RNN是一种特殊的神经网络结构，它是根据人的认知是基于过往的经验和记忆这一观点提出的。它不仅考虑前一时刻的输入,而且赋予了网络对前面的内容的一种记忆功能。RNN之所以称为循环神经网络，即一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层之间的节点不再是无连接而是有连接的，并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。45循环神经网络 下图为RNN模型的基本结构，RNN层级结构与

29、CNN相比更简单，主要包括输入层、隐藏层和输出层。并且能够看到在隐藏层上有一个箭头表示数据的循环更新，该部分就是实现时间记忆功能的方法。对于隐藏层的结构，我们参考下一页PPT。农业数据预测方法 46农业数据预测方法 循环神经网络 下图为隐藏层的层级展开图，t-1，t，t+1表示时间序列。X表示输入的样本。St表示样本在时间t处的记忆,。其中，W表示输入的权重，U表示此刻输入的样本的权重，V表示输出的样本权重。47农业数据预测方法 在t=1时刻，一般初始化输入S0=0,随机初始化W,U,V,根据公式1进行计算：（1）其中，f和g均为激活函数.其中f可以是tanh,relu,sigmoid等激活函

30、数，g通常是softmax也可以是其他。随着时间向前推进，此时的状态S1作为时刻1的记忆状态将参与下一时刻的预测活动，也就是 （2）以此类推，得到最终的输出值 （3）48农业数据预测方法 长短时记忆网络（LSTM）LSTM(Hochreiter S,1997)是RNN的一种变体，RNN由于梯度消失的原因只能有短期记忆，LSTM网络通过精妙的门控制将短期记忆与长期记忆结合起来，并且一定程度上解决了梯度消失的问题。结构如下图所示：49农业数据预测方法 在RNN中，是简单的线性求和过程，而LSTM可以通过“门”结构来去除或者增加“细胞状态”信息，实现了对重要内容的保留和对不重要内容的删除。通过Sig

31、moid层输出一个0到1之间的概率值，描述每个部分有多少量可以通过，0表示“不允许任务变量通过”，1表示“允许所有变量通过”。LSTM 拥有三个门，分别是遗忘门、输入门、输出门，用来保护和控制信息。在LSTM保持和控制信息时，首先，遗忘门结合上一个隐藏层状态值hi-1与当前输入xi，通过sigmoid函数决定要舍弃的信息；其次，输入门与tanh决定从上一时刻隐藏层激活值hi-1和当前输入值xi中保存那些信息；接下来，结合遗忘门与输入门进行信息的舍弃与保存，得到当前时刻的细胞状态ci；最后，输出门结合tanh决定hi-1，xi，ci中的信息，提供该时刻隐层的状态hi。50农业数据预测方法 预测模

32、型评估 任何预测都必须以一定的标准来检验它的预测效果，即预测精度。常用的性能评价指标有：平方和误差 平均绝对误差均方误差 平均绝对百分比误差均方百分比误差 相关系数 51农业数据预警方法 农业预警的逻辑过程 预警的基本逻辑过程包括确定警情（明确警义）、寻找警源、分析警兆、预报警度以及排除警情等一系列相互衔接的过程。这里明确警义是大前提，是农业预警研究的基础，而寻找警源，分析警兆则属于对警情的因素分析及定量分析，预报警度是预警目标所在，排除警情是目标实现的过程。右图是以水产养殖水质预警的具体预警逻辑过程。52农业预测预警案例分析 基于RS-SVM的集约化河蟹养殖水质预警模型 集约化河蟹养殖中，水

33、质因素是最为关键的养殖因素之一，并对养殖品种的正常生长、疾病发生都起着重要作用，甚至会影响河蟹的生存。结合河蟹养殖用水标准与养殖专家的调查问卷，构建了如下图所示的河蟹养殖水质预警指标体系。53农业预测预警案例分析 针对上述体系结构，结合河蟹养殖水质的实际情况，并参考渔业水质标准、无公害食品海水养殖用水水质渔业水质标准以及河蟹养殖专家意见，运用粗糙集理论对水质预警指标进行属性约简，最终以对河蟹生长起重要影响的溶解氧、PH值、水温、氨氮等4项指标作为预警模型的水质指标。并对水质指标的警度进行了划分，如下表：警度分级警度分级溶解氧溶解氧(mg/L)PH值值水温水温()氨氮氨氮(mg/L)描述描述无警

34、无警5.07.58.52528 0.05河蟹处于最适宜的生存环境安全，无警情。河蟹处于最适宜的生存环境安全，无警情。轻警轻警4.05.06 7.5 o r 8.59.02325 or 28300.050.10河蟹能够生存，但是有些指标已经接近或河蟹能够生存，但是有些指标已经接近或达到河蟹的适宜指标上下限并持续一定时达到河蟹的适宜指标上下限并持续一定时间，需要引起关注。间，需要引起关注。中警中警3.04.067.5 or 8.59.023 or 28300.050.10河蟹能够生存，但是有些指标已经接近或河蟹能够生存，但是有些指标已经接近或达到影响河蟹生存的上下限并持续一定时达到影响河蟹生存的上

35、下限并持续一定时间，可能会引起河蟹的死亡。间，可能会引起河蟹的死亡。重警重警3.06 7.5 o r 8.59.0300.050.10水质指标超过河蟹的生存极限，需要立即水质指标超过河蟹的生存极限，需要立即采取措施，否则会造成河蟹的死亡。采取措施，否则会造成河蟹的死亡。54农业预测预警案例分析 运用粗糙集和支持向量机融合算法构建水质预警模型。将粗糙集方法作为支持向量分类机的前置预处理系统，通过粗糙集对水质样本数据进行预处理，剔除决策表中冗余信息和冲突信息，从而简化支持向量机分类模型的结构，缩短支持向量机的训练时间，有效地提高支持向量机的分类性能，然后再利用最小条件属性集相应的训练集对支持向量机

36、分类器进行优化训练，将优化后的SVM分类器建立水质预警模型。55农业预测预警案例分析 组别组别RS-SVM模型模型实际个数实际个数正确判定个数判定正判定正确率确率%无警无警80807695.00轻警轻警12121191.67中警中警23232295.65重警重警444100 利用上述模型对水质数据进行处理，并对不同警情预警结果如下，该水质预警模型精度都在91%之上，对于不同的警度级别，误判样本个数也都小于等于4个，基本上能够满足集约化河蟹养殖的实际需要。56农业预测预警案例分析 基于深度LSTM网络的海水养殖水质预测方法本小节介绍了一种借助于LSTM网络对pH值和水温进行短期预测的模型，该模型

37、主要包含3部分。首先，采用插值和滤波等方法对数据进行预处理；然后，利用Pearsons相关系数法得到水温、pH等水质参数之间的相关关系，作为模型训练的输入参数；最后，建立基于LSTM的水质预测模型。流程图如下：57农业预测预警案例分析 从图中可以看出基于LSTM模型的预测结果更接近真实数据，根据表格也可以看出LSTM在pH和温度预测中达到更高的精度。58小结 本章简单介绍了农业预测预警的基本概念，分析了农业预测模型的基本原则、预测模型选择原则、预测的基本步骤、预测的基本方法，预测性能评价指标等；同时也介绍了农业预警的基本方法、预警的逻辑过程、以及农业预测预警的异同点，为更好地实现农业领域预测预

38、警提供了翔实的理论基础。除此之外，分别从传统模型和深度网络模型两个角度分析了水产养殖预测预警模型，详述了水产养殖水质预测、预警的具体实现过程、实践验证。593农业智能监控技术概述智能温室环境控制系统的设备及原理45控制案例-溶解氧的模型预测控制1农业视觉信息目标检测农业视觉信息目标分类2农业视觉信息的目标检测 u目标目标检测检测目标检测技术是指对视频和图像中的特定物体进行提取，对目标进行精准判断。传统的目标检测方法主要基于滑动窗口，使用手工特征（如形状、颜色、纹理等）作为目标和背景的分类依据，将目标以包围框的形式进行定位。传统方法问题区域选择（基于滑动窗口）特征提取（颜色、形状、纹理、SIFT

39、、HOG、LBP、DPM等）分类器分类（SVM、BPNN等）基于滑动窗口的区域选择策略没有针对性，时间复杂度高，窗口冗余；手工设计的特征对于图像多样性的变化并没有很好的鲁棒性。现有水下目标检测方法的局限性主要在数据集过于理想化、模型泛化性不高等 农业视觉信息的目标检测 CNN从海量图像数据中自动学习出物体的本质特征，主要由卷积层、池化层和全连接层等组成。近几年在图像识别、目标检测、语音识别、自然语言处理、人机交互等领域取得了巨大进步。基于CNN精度高，但由于区域提名有2000个，降低了速度。直接基于回归预测边界框，能够实现实时性，但精度受到一定影响。速度与准确度的平衡一直是目标检测领域的研究热

40、点。问题农业视觉信息的目标检测 图像视觉目标的分类u分类是运用某种决策标准将待分类数据分配到类别的某个有限集合的过程。u分类的关键问题是如何确定分类标准，即什么是特征相似，相似程度如何表示。u分类需要构造决策函数，用于计算待分类目标与指定类之间的相似程度。图像视觉目标的分类 贝叶斯 K-近邻 人工神经网络 支持向量机 深度学习u常用分类方法常用分类方法 图像视觉目标的分类线性可分非线性可分u支持向量机支持向量机输入空间转化为高维空间最优分类超平面核函数计算 图像视觉目标的分类 深度学习的概念来自对人工神经网络的研究。深度学习是通过组合低层的特征来表示高层特征，其中高层特征比较抽象。它可以通过网

41、络模型自动提取特征。深度学习分为监督学习和无监督学习。传统的神经网络与深度神经网络u深度学习深度学习海参的收获目前主要依靠人力潜水捕捞，随着海参养殖规模越来越大，生产效率低、劳动力耗费巨大的弊端日益凸显。不仅大大增加了海参捕捞过程中的经济成本和时间成本，而且捕捞人员的安全健康也得不到保障。全国海参产量与同比增速图（来源：中国产业信息网）目标检测典型应用研究背景o 基于S-FPN的水下海参图像目标检测目标检测典型应用S-FPN的整体结构o 基于S-FPN的水下海参图像目标检测目标检测典型应用o 基于S-FPN的水下海参图像目标检测S-FPN(A)S-FPN(B)S-FPN(C)跳层金字塔的细节如

42、上图所示。其中C2,C3,C4,C5来自ResNet_v1_50不同卷积层b1_unit2,b2_unit3,b3_unit5,b4_unit3，其表示不同尺度的卷积特征图。目标检测典型应用o 基于S-FPN的水下海参图像目标检测上图所示为以特征图可视化角度观察深度神经网络的表征学习能力。C2、C3、C4、C5分别是原图尺度的1/4、1/8、1/16、1/32倍。P2P5对应经过特征融合的特征图。目标检测典型应用o 基于S-FPN的水下海参图像目标检测目标分类典型应用 考虑到不同特征之间对图像分类识别效果的影响。传统的图像分类识别方法很难对数据中隐藏的更深层的信息进行掌握，其鲁棒性、分类识别的

43、准确率会随之降低。随着深度学习在各领域应用的展开，基于卷积神经网络模型的图像分类识别方法逐渐得到推广，而且广泛应用于各个领域。132o 在蔬菜图像分类识别中的应用目标分类典型应用在VGG-16网络的基础上融合 fc6 和 fc7 层网络的输出特征，把改进的该网络称为 VGG-M。在 VGG-M 网络基础上增加 5 个批量归一化层（BN 层），把网络称为 VGG-M-BN。VGG-M-BN 的网络结构如上图所示。VGG网络改进o 在蔬菜图像分类识别中的应用目标分类典型应用使用多个较小卷积核的卷积层代替一个卷积核较大的卷积层，可以减少参数的数量，使得网络层数加深，网络有更多的非线性变换，对特征的学

44、习能力变得更强。上图为部分卷积层的输出特征。VGG网络改进o 在蔬菜图像分类识别中的应用目标分类典型应用池化层采用最大池化操作，Max pooling 操作之后得到的值是相同的，因此，该操作可以实现平移、旋转和尺度不变等特性，为模型提供了很强的鲁棒性。上图为部分池化层的输出特征。VGG网络改进o 在蔬菜图像分类识别中的应用目标分类典型应用不同激活函数的准确率VGG网络改进o 在蔬菜图像分类识别中的应用目标分类典型应用o 在蔬菜图像分类识别中的应用农业视觉信息处理总结1农业视觉处理是指利用图像处理技术对采集的农业场景图像进行处理而实现对农业场景中的目标进行识别和理解的过程，基本方法包括图像增强、

45、图像分割、特征提取和目标分类等。23农业视觉处理存在的主要问题包括降质图像难以复原、图像目标难以精确分割、最优特征向量难以获取、分类精度难以满足现实要求等。农业视觉处理的发展趋势，在算法上表现在与新理论、新方法的结合上，来提高结果的精准度；在系统上表现在软件的固化上，进一步提高处理速度；在应用上体现与其他物联网技术的有机融合。农业智能监控技术概述实时监测农业生产环境信息个体信息动植物生长模型智能控制手段和方法农业生产设施节约生产成本保障动植物最佳生长环境降低生产能耗实现农业生产过程的全面优化 农业智能监控是农业信息处理技术的一个重要分支，基于检测系统的数据采集，通过智能控制方法调节农业生产设施

46、，使农业生产过程达到低能耗、低成本的作物生长最优环境；智能温室环境控制系统的主要设备温室主要设备：温室主要设备：覆盖物、进气百叶窗，排气扇和二氧化碳燃烧器；蒸发冷却器，冷却器；雾化器和加热器；循环风扇和卷起通风侧壁；浇水或水培系统；监控设备主要监控设备主要包括包括：温度计、湿度计pH/EC米、电子计时器、环境控制器、自动定量给料器等农业温室控制设计原理应用层 环境监测 设备控制 统计分析 自动报警 图标显示服务层 统一门户、数据挖掘 环境信息接入、网关接入系统应用管理 环境信息比对、任务管理、系统终端管理传输层 节点 GPRS/CDMA模块 网关 服务器 互联网 PC端传感层 传感器 WSN

47、摄像头 GPS 基站 手机终端控制案例-溶解氧的模型预测控制养殖水体溶解氧的模型预测控制 模型预测控制基本结构 图中，()是系统当前输出值，是根据设定值 和(+1)求得的参考轨迹，是预测模型的直接输出，是经反馈校正后的预测输出，虚线部分将与(+1)之间的偏差()反馈给预测器以便进行反馈校正，在本例中被控对象为DO,用氧传质系数表征。控制案例-溶解氧的模型预测控制养殖水体溶解氧的模型预测控制 模型预测控制基本原理 养殖水体溶解氧预测控制系统示意图控制案例-溶解氧的模型预测控制 养殖水体溶解氧分析模型和QDMC模型采用MATLAB平台开发，利用 Database 工具箱，配 置好接口和驱动，链接基

48、于WINCC开发的鱼菜共生集控平台SQL数据库，集控平台与西门子PLC互相通信，对曝气机进行精准调控，使溶氧含量稳定在设定参数。85农业智能决策技术23典型案例1概述农业病虫害诊断推理过程26本章小结86农业诊断推理基本概念 农业诊断推理农业诊断推理是农业信息处理的一个重要分支，是指农业专家针对诊断对象表现出的一组症状现象或者非正常工作状态现象，采用一定的诊断方法判定是否处于健康状态，找出相应原因并提出办法，从而做出合乎客观实际结论的过程。农业诊断推理方法农业诊断推理方法可分为三大类，（1）基于解析模型的方法；（2）基于信号处理的方法；（3）基于知识的诊断推理方法。87基本概念 农业诊断推理方

49、法优缺点解析模型的诊断方法通过利用一些数学、物理学上的准确模型对检测目标的状态进行检测和评估来实现诊断的方法。该方法的优点就是诊断的准确率很高，算法在计算机上实现比较简单；缺点是要求检测目标必须具有比较精确的数理模型的特点，因而限制了该方法的应用范围。基于信号处理的诊断方法基于知识的诊断方法直接利用相关函数、频谱分析、小波分析等信号模型来进行诊断识别。其优点是回避了建立或抽取诊断对象的数学模型的技术难点，使该方法有较好的适应性，尤其是小波分析方法，对噪声的抑制能力强，对故障检测有较高的灵敏度；缺点是该类方法的诊断准确率要比基于信号处理的方法低，主要适应于线性系统。以知识处理技术为基础，以推理为

50、主要手段来实现推理过程与算法的统一。基于知识的诊断推理所涉及的主要理论、技术方法以及实现等问题，包括概念体系、诊断知识处理与应用、诊断系统的结构与实现等方面内容。该类方法的优点是不需要定量的数学模型，是一种很有前途的方法，是农业智能诊断技术的核心。88农业病虫害诊断推理与智能决策过程数据农业病虫害诊断的根本目的是通过对症状等诊断信息的综合分析，找出所患疾病及其发病的原因并给出治疗方法，以保证诊断对象及其生存环境处于健康状态。农业病虫害诊断过程农业病虫害诊断过程89农业病虫害诊断推理与智能决策过程 获取诊断资料 传感器获取传感器获取网页查询网页查询视频录像视频录像显微观察显微观察手机拍照手机拍照