深度学习及其在智慧产业中的应用 

张磊,禚春升,宋佳音,郑观卫 

摘要: 深度学习是一种数据分析和图像处理方法，具有很大的发展潜力和应用前景，近年来作为一种工具得到了广泛的关注，目前已经被应用于许多不同的领域。习近平总书记在中央农村工作会议上强调，锚定建设农业强国目标，切实抓好农业农村工作。因此，深度学习在农业领域的应用显得尤为重要。农业是人类生存和解决全球饥饿问题最重要的产业。随着全球人口的增长，对粮食的需求越来越大，这就需要更多的农业劳动力。然而，愿意从事农业工作的人数正逐步减少，导致农业劳动力严重短缺。因此，有必要研究没有劳动力参与的农业生产方式。本文的目的是探讨深度学习在农业和粮食生产方面的作用。深度学习在农业中的表现是本文将其与其他已经在农业中使用的现有人工智能模型进行比较的重点。

关键词：深度学习；人工智能；农业；

1引言

农业是世界上最重要的产业之一，因为它保障了全球人口的生存。农业生产需要更多的农业劳动力来应对全球人口的增长。然而，在过去的几十年里，农民的平均年龄急剧增加:美国和欧洲大约58岁，日本63岁。此外，愿意从事农业劳动的人数正逐年下降，尤其是在美国、日本、德国和俄罗斯等发达国家。数据显示，2017年美国、日本、德国和俄罗斯参与农业的劳动力比例分别为1.66%、1.28%、3.49%和6.70%，且仍呈现出下降趋势。因此，当前的农业研究主要集中在开发以较少的劳动力来提高农业生产的策略上[1]。农业正在从传统的小规模农场发展成为资源利用率高、占地面积小、产量高、不受气候和地域限制的大型产业[2]。人们经常在无意识的情况下使用人工智能，像Netflix，Pandora，Amazon Alexa这样的服务商已经将人工智能融入到他们的技术中，以便他们能够更多地了解他们的用户以及这些用户的偏好。这一切的结果是，生活变得更加舒适，家庭变得更加智能。

1.1人工智能在智慧产业的应用

人工智能让无人农场像人一样思考大数据提供了数据处理和存储技术，AI技术扮演着思考和决策的角色。人工智能允许机器或系统表现出独立但理性的思维和行为，类似于人类。人工智能具有分类、逻辑回归、相关分析和决策能力，已广泛应用于农业决策支持系统(ADS)、农业预测分析、视觉监控系统、机器人控制。

1.1.1预测分析

预测分析使用数据、统计算法和机器学习技术，根据历史数据确定未来结果的可能性。AI在农业预测分析中显示出巨大的潜力，如溶解氧预测、农产品价格预测、温室气体排放预测和农业产量预测[4]。在无人农场中，有必要进一步将数据驱动的机器学习和基于生物物理的方法结合起来，并在集成学习方法中优化它们的配置和参数。

1.1.2计算机视觉

计算机视觉是一项重要的技术，它研究如何使用计算机在高水平上理解数字图像或视频中包含的信息。机器视觉技术往往与一种AI算法相结合，在农业领域得到了广泛的应用，如物种分类、作物病害识别、行为分析等，这些表明AI在农业机器视觉中具有巨大的应用潜力。但文献中提出的大多数方法仅用于实验室，在实际应用中仍存在一些问题，尤其是对于无人农场。因此有必要研究如何利用人工智能来提高复杂场景下的识别精度。

1.1.3智能机器人

农业机器人是无人农场中的移动和自主操作设备；农业机器人的例子包括田间耕作和播种机械、收割机械、植物保护机械和其他操作机械。无人驾驶车辆、无人水面舰艇和无人机是无人农场中最重要的移动设备。这些农业机器人不仅可以实现无人驾驶运输任务，还可以作为搭载其他智能设备的平台,移动设备还包括各种移动机器人设备[5]。移动设备和固定设备在无人农场上执行农场作业。这些设备之间的有效对接和协作，增加了无人农场上智能设备和机器人的环境适应性和工作效率，提高了无人农场的智能化水平，有助于实现机器替代人工操作[6]。田间机器人在提高作业可靠性、环境健康和作物生产率方面发挥着重要作用。

1.2深度学习的应用

现在各行各业都在努力将人工智能纳入他们的日常工作中。农业就是其中一个行业，它开始应用人工智能，以实现更有效和更快的方式执行任务。

农业是世界经济中最重要的部分之一。人们已经投入了大量精力来建造自主机器人，这些机器人能够执行农业操作。与人类相比，这些机器在处理许多农业任务方面表现更好，速度更快。

基于DL的无人机技术对农业也非常有益，因为它通过提供高质量的图像使监测、扫描和分析作物变得更加容易。这项技术在识别农作物生长进程和评估其健康状况方面非常有用。例如，基于这项技术提供的图像，农民可以确定农作物是否已经准备好收割。DL和其他机器学习技术帮助农民确定他们的土壤状态。深度学习也用于了解水和养分需要如何管理，并确定种植和收获的最佳时间。

2.研究方法

这项研究包括两个步骤: (1)搜索与这个主题相关的之前的工作；(2)对这项工作进行深入分析。作为第一步的一部分，数据是通过在 ScienceDirect和IEEE Xplore等科学数据库以及 Google Scholar和Web of Science等网络科学服务中的关键词搜索收集的。然后根据以下问题对发现的研究论文进行分类:

他们试图解决什么样的农业问题？

他们用的是哪种DL型号？

他们使用什么样的数据？

他们使用过数据增强技术吗？

表现如何？

是否使用不同的数据集进行测试？

他们是否对DL和其他技术进行了比较？

3.深度学习模型结构

人脑是设计深度学习模型的蓝图，深度学习模型是机器学习的一种类型。DL模型的目的，顾名思义，就是从数据中学习，这些数据来源于不同的地方，并且在没有人为干预的情况下理解这些数据。数据是否具有结构化，一个好的DL模型能够从中学习，并根据其学习经验做出决策。

搜索引擎、社交媒体和其他平台每天都会产生大量的数据，DL模型必须能够从中学习。大数据是一个术语，用来描述任何人都可以根据自己的需要轻松访问和使用的海量数据[7]。

图1显示了DL的体系结构，它由具有完全连接和卷积层的卷积神经网络(CNN)组成。

图 1. DL 的体系结构。

CNN是一种基于DL的算法，主要用于自然语言处理、语音识别、人脸识别等。它有卷积层和汇集层，用于特征提取，而完全连接层充当c分类器。

3.1卷积层

如果我们有六个卷积核W(19)，并使用一个RGB图像作为输入x。图像的大小是一个三维矩阵H×W×3。H× W×3是与每个卷积层相关的卷积核的大小。B是卷积层阈值。在计算卷积后，新图像特征的大小为 H _ new × W _ new。输入或输出特征映射的数量取决于每个卷积层的卷积核的数量。零填充法用于识别图像的边缘信息，P是零填充的大小。当卷积在卷积层中计算时，设置合适的大小S来计算卷积也是至关重要的。

3.2. 池化层

通过对输入张量进行压缩，减小输入数据量，即将输入图像的每个 n × n 子矩阵转化为特定的元素值。最大池化和平均池化是最广泛使用的两种池化方法。作为其合并单元，最大合并取相应n × n面积的最大值，均值合并取相应 n × n 面积的平均值。W × H × D 是池化层输入的体积，W × H × D 是池化层输出的体积。另外，池化层需要两个超参数，即步长s和特殊程度f。

3.3全连接层

全连接层在整个卷积神经网络中起到“分类器”的作用。全连接的核心操作就是矩阵向量乘积 y = Wx。本质就是由一个特征空间线性变换到另一个特征空间。目标空间的任一维——也就是隐层的一个 cell——都认为会受到源空间的每一维的影响。不考虑严谨性，可以说目标向量是源向量的加权和。在 CNN 中，全连接常出现在最后几层，用于对前面设计的特征做加权和。

4.图像处理

由于其强大的图像处理能力，农业研究正在广泛使用CNN。一般来说，植物和作物分类是DL应用中最常见的类别，在产量预测、病虫害防治、灾害监测、机器人收获等方面有着重要的应用价值。通常检测植物疾病的模型采用叶型识别和图像分类。Berkley Vision创建了一个基于DL的框架，用于开发植物疾病检测模型。这个模型能够识别 13种不同类型的植物疾病，也能够区分植物叶片及其周围环境[9]。另一项研究表明，经过100次迭代训练，DL模型在植物病害检测中的准确率可以达到95.8%，经过更多的训练可以进一步提高到96.3%。

2017年，为了控制和分类杂草，开发了一种由CNN和K-means特征学习组成的新方法。新方法将杂草识别的准确率提高到92.89%[10]。AlexNet是一个经过预先训练的CNN架构，通常用于对植物进行分类。在伊斯坦布尔理工大学使用这种架构的结果表明，CNN比其他基于手工特征的机器学习算法更能区分物候阶段。

5.总结与展望

本文介绍了一些主要的基于深度学习的人工智能技术及其在农业领域中的应用。可以看出，深度学习已经应用于农业的各个领域，如植物分类学、病害检测、果实计数等。动态标记语言(DL)领域是当今的热门研究课题，许多应用已经被开发出来。然而，要充分发挥深度学习在农业中的潜力，还有很多工作要做。智慧农业有潜力开发许多基于深度学习的应用程序。

最近在农业领域取得的大多数技术成就都与生产和其他农业领域有关，目的是提高作物生产力、尽量减少植物病害和改进现代自动化农业。数据分类和图像识别通常是DL的用途。这两个领域可以分为以下几类：数据收集和预处理、模型测试、神经网络训练和结果分析。

对于第一个任务，DL可以与雷达、无人驾驶飞行器和物联网等其他技术结合使用，以提供高质量的图像数据集。这些数据增强了DL的应用，提高了所得仪器的精确性。有大量的农业应用不支持新技术，这意味着农业仍然有很多需要探索的DL方面。尽管一些结果表明95%的准确率，可靠性和健壮性仍然是主要的挑战。

参考文献

[1]马永海,胡庆毅,杨立凡,李臻园,焦淑亮,刘金涛,黄立钰.智慧农业发展现状及前景分析[J].现代农业研究,2021,27(11):11-15.DOI:10.19704/j.cnki.xdnyyj.2021.11.003.

[2]赵春江.智慧农业的发展现状与未来展望[J].中国农业文摘-农业工程,2021,33(06):4-8.DOI:10.19518/j.cnki.cn11-2531/s.2021.0136.

[3]程尹乔.探析人工智能在计算机网络技术中的应用[J].电子世界,2021(09):178-179.DOI:10.19353/j.cnki.dzsj.2021.09.072.

[4]施辉城.智能化技术在农业机械中的应用与发展[J].农业科技与装备,2021(06):80-81.DOI:10.16313/j.cnki.nykjyzb.2021.06.033.

[5]潘轶群,王文强,王跃勇,高宇.我国无人农场的现状与展望[J].农业与技术,2021,41(20):177-180.DOI:10.19754/j.nyyjs.20211030043.

[6]代东亮,刘志红,赵存,秦箐,张崇妍.人工智能技术在畜牧业中的应用进展[J].畜牧与饲料科学,2021,42(05):112-119.

[71]王芳,崔丹丹,李林.基于深度学习的采摘机器人目标识别定位算法[J/OL].电子测量技术:1-6[2021-12-07].http://kns.cnki.net/kcms/detail/11.2175.TN.20211125.0900.014.html.

[8]季长清,高志勇,秦静,汪祖民.基于卷积神经网络的图像分类算法综述[J/OL].计算机应用:1-6[2021-12-07].http://kns.cnki.net/kcms/detail/51.1307.TP.20210927.1733.024.html.

[9]Sheng‐Hung Lee,Shiou‐Ruei Lin,Shih‐Fang Chen. Identification of Tea Foliar Diseases and Pest Damages under Practical Field Conditions Using Convolutional Neural Network[J]. Plant Pathology,2020,69(9):

[10]Efthimia Mavridou,Eleni Vrochidou,George A. Papakostas,Theodore Pachidis,Vassilis G. Kaburlasos. Machine Vision Systems in Precision Agriculture for Crop Farming[J]. Journal of Imaging,2019,5(12)