人工智能在农业中的种植、监测和收获阶段的应用与发展

生命科学中的人工智能3（2023）100057审查人工智能技术和机器人技术在农业中的应用Manas Wakchaurea，b，B.K.Patleb，A.K.Mahindrakarba东京大学信息科学技术研究生院机械信息学系，日本b麻省理工学院机械工程系，麻省理工学院ADT大学，Loni Kalbhor，Pune，Maharashtra，412201，印度aRT i cL e i nf o保留字：人工智能技术农业机器人农业工程智能农业栽培监测收获a b sTR a cT提出的工作的目的是回顾各种人工智能技术（模糊逻辑（FL），人工神经网络（ANN），遗传算法（GA），粒子群优化（PSO），人工势场（APF），模拟退火（SA），蚁群优化（ACO），人工蜂群算法（ABC），和声搜索算法（HS），蝙蝠算法（BA），细胞分解（CD）和火灾算法（FA））在农业中，专注于专家系统，为农业开发的机器人，收集和传输数据的传感器技术，试图揭示它们在农业领域的潜在影响。没有文献强调人工智能技术和机器人在（种植，监测和收获）中的应用，以了解它们对农业部门的贡献，并根据其有用性和受欢迎程度同时比较它们。这项工作通过了解人工智能的深度和所使用的机器人，对农业的三个基本阶段进行了比较分析：耕作、监测和收获。目前的研究对1960年至2021年基于农业自动化应用的150多篇论文进行了系统综述。它突出了未来在农业智能自主系统方面的研究差距。本文最后以表格数据和图表比较了农业领域特定应用中各种人工智能方法的频率。1. 介绍任何一个国家的古代文化，都是以农业活动为基础，进行了几千年的全面发展。农业活动对人类健康食品的能量需求产生影响。任何作物的生长周期都经历三个基本阶段：种植、监测和收获阶段，每个阶段都有许多活动。种植阶段涉及选择要种植的作物、土地规划、土地整理、灌溉规划、种子准备和播种。在种植阶段之后，农业的主要任务是监测和控制作物的生长。在这一监测阶段，活动取决于时间，如计划的作物健康监测、肥料使用、疾病识别、杂草识别和农药喷洒。最后，作物周期中最关键的阶段是收获阶段，包括作物切割、分割、储存和销售等活动。目前，大多数农业活动都是传统的，导致无利润和无经济的农业。没有人工智能和机器人技术支持的传统农业*通讯作者。电子邮件地址：balu_patle@redi pagemail.com（英国）Patle）。https://doi.org/10.1016/j.ailsci.2023.100057接收日期：2022年11月21日;接受日期：2023年1月5日2023年1月6日上线• 这是更费时，需要大量的精力来准备和规划土地，灌溉和播种。• 涉及更多的人力资源来处理各种农业过程。• 缺乏关于天气、土壤条件和肥料使用的准确信息。• 人工监测农作物的健康状况和疾病识别需要更多的时间和精力• 它需要更多的劳动力来识别和控制杂草。• 传统的农药喷洒会影响农民的健康，并降低作物产量。• 传统的农作物切割和健康农作物和水果的分割方法是乏味的任务。• 储存收获粮食的不良做法导致粮食退化。此外，由于缺乏知识、经验和农业方面的问题，许多年轻一代正在脱离农业活动，这无疑将提出未来粮食生产和需求的问题。农业文化发展革命发生在1.0到4.0（今天），以克服所有这些问题。它正在用最先进的基于人工智能的系统取代传统的农业系统，在这种系统中，机器本身可以做出解决实时问题的决策。目前，年轻的工程师和科学家们正在努力使农业过程变得无害、智能、经济、高效、省时、可持续、健康和富裕。基于AI的系统包括传感器、2667-3185/© 2023作者。由爱思唯尔公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）可在ScienceDirect上获得目录列表生命科学期刊主页：www.elsevier.com/locate/ailsciM. Wakchaure，B.K. Patle和A.K. 马欣德拉卡生命科学中的人工智能3（2023）1000572传感器技术、物联网、数据管理技术、智能决策算法、机器人技术和先进机制。关于执行情况的审查文件很少在农业领域，[1 可用的论文突出了农业的特定领域，例如杂草识别和杀虫剂喷洒、灌溉规划、作物产量监测和预测、温室自动化、导航和路径规划、疾病识别、分割、作物和水果收获，现有的论文都没有考虑农业领域的整体过程和活动，包括不同的阶段，如种植，监控和收获。还可以看出，没有系统的重新审视人工智能在每个阶段的不同活动中的应用。在大多数的综述作品中，为了便于理解，数据既没有以表格形式呈现，也没有以图形形式呈现。各种被引用论文之间的比较数据也缺失。现有的审查文件没有提供这种深度，因为它们考虑了最小的页-Pers for review.现有评论文章的主要缺点是缺乏定性和定量解释农业中使用人工智能的现有研究差距。在审阅了七百多篇论文，并引用了一百五十多篇论文进行评审工作后，编写了这篇拟评审论文。在这项工作中，我们对农业各个阶段的人工智能技术进行了系统的回顾，包括农业机器人的路径规划。本文重点介绍了人工智能最常用的主要领域，也重点介绍了非常需要人工智能应用的领域。 该文件确定了可以使用各种现有技术改进现有工艺的农业领域。拟议的工作显示了各种人工智能技术和算法的应用，这些技术和算法已被广泛使用，并确定了作为混合模型使用的技术。在这里，人工智能的分析研究的基础上模拟工作，实验工作，应用作为一种混合的方法，并在农业中详细的表格分析和图形控制每年都有一个总结，以使审查更容易理解-有能力。使用深入的建议审查，人们应该能够区分的阶段，如种植和收获，仍然是传统的做法。大多数AI实施仅在监控阶段完成。人工智能技术如模糊逻辑（FL）、人工神经网络（ANN）、遗传算法（GA）、粒子群优化（PSO）、人工势场（APF）、模拟退火（SA）、蚁群优化（ACO）、人工蜂群算法（ABC）、和声搜索算法（HS）、蝙蝠算法（BA）、细胞分解（CD）和火灾算法（FA）已经提出了严格的分析。在这里，到目前为止在各种农业过程中使用的各种人工智能方法在第2节中进行了解释。该文件第3节规定详细讨论AI方法。结论和未来范围见第4。2. 农业中使用的AI技术与各种农业活动相关的问题可以通过实施人工智能技术来解决（图1）。从1960年到2021年的研究工作为农业领域提供了许多方法，如下所示。2.1. 模糊逻辑FL与传统的决策集相比有许多优点。FL是一组规则，用于解决具有非线性、复杂性和不确定性的问题。它首先由L. Zadeh在1965年[8]。FL是一种逻辑方法，它给出了关于正在进行的条件的精确决策，其值称为真度像其他传统的集合一样，FL不会给出真或假的结果。FL作为一种人工智能技术，帮助控制者正确理解系统在时间上的变化，在现实世界中，随着时间的推移，采取精确的步骤来采取行动。外语在过去几年中的发展已经进化了控制者的决策能力。目前，FL技术已广泛应用于农业无人机导航、航空成像、农作物切割机器人、农场监控、收割等各个环节。决策和计划在农业中非常重要。 气候的突然变化影响了农民对作物生长周期的计划. Shahjalal等人[9]研究了FL模型，以分析作物变化对农业生产的影响。通过这项研究，农民可以做出正确的决定种植作物。此外，Fujiwara[10]提出了FL在了解康乃馨幼苗及其生长周期参数（如形状）方面的应用。他的工作提出了一种图像处理算法的FL，并达到了97%的判断率。农业生产过程是复杂的，需要大量的人力物力才能在规定的时间内完成。考虑到这一点，Nassiri等人。[11]使用基于FL的分类模型对好番茄的包装进行了研究。对成熟的番茄果实颜色、大小和硬度进行分析。硬度测试采用模糊隶属函数和Instron压缩试验。此外，本发明还Collewet等人[12]提出了模糊自适应控制器作为一种完善的控制技术，帮助农业机器人更有效地在农业中工作。他们使用元规则、专门的学习架构和细胞到细胞映射算法来实现他们的目标。Hagras开发并实现了一种基于FL的方法 等[13]农业机器人，以尽量减少人类在收获-种植庄稼。Hayashi等人。[14]，Cho等人。[15]和Xue等人。[16]也致力于为农业机器人开发基于视觉的模糊反馈系统。这项工作更侧重于植物收获过程中出现的问题。他们使用FL来帮助机器人手臂到达水果，并提供反馈来控制毛皮。其他任务。在农场工作时，自主导航是任何移动机器人面临的最大挑战。因此，Borrero等人[17]、Kannan等人[18]和Barakat等人解决了这样的问题。[19]通过开发基于模糊的高效转向控制动作。的De Sousa等人[20]也使用FL和传感器技术解决了在作物行线复杂情况下的自主导航问题。Toda等人[21]开发了配备声纳地图和FL的机器人，以最大限度地减少监测作物的影响。为了妥善照顾作物，喷洒-农药是农业工程中的一个重要环节。 Abdel- latif等人[22]提出了一种基于FL的无人驾驶飞行器，用于快速自主喷洒农药。在他们的工作中，FL用于控制来自传感器的输入信号输出到执行器。 Cho等人[23]开发了一种FL控制器，以实现果园环境中的快速喷洒操作。他们使用机器视觉和FL来控制液压缸的操作时间。同样地， 农业机器人视觉导航的又一应用是由Zhou等人[24]使用强化学习和模糊规则提供的。基于FL的电子农业的新概念由Narendran等人给出。[25]。他们的工作与农业机器人有关，该机器人是使用FL设计和开发的，用于控制微控制器，以便在农业中执行多种功能时精确移动电机，例如耕地，种子分配，浇水，农药喷洒和温度监测。Prema等人[26]给出了农业工程领域的另一块温和的石头。在他们的工作中，他们还提供了FL的应用程序来从远程位置控制机器人。他们证明了PID控制器与FL的有效性不一致。任何智能系统都需要来自传感器的精确和正确的输入数据，但机械系统中的多重振动会干扰它。Paul等人[27]提出了一种用于农业机械手振动控制的FL调整PID控制器来解决这个问题。通过使用Type-2 FL控制非线性最近在无人机方面的工作由Nderu et al.[28]第28话最好的朋友of fuzzy模糊technologies技术.对于精准农业，M. Wakchaure，B.K. Patle和A.K. 马欣德拉卡生命科学中的人工智能3（2023）1000573Fig. 1. 将人工智能技术应用于农业活动。作物是非常需要的适当控制植物生长。按照作者的说法，模糊技术有助于无人机处理和克服模糊和歧义。FL与许多其他技术一起实现，以便在相同的输入中获得最大的优势。Morimoto等人提出了一种这样的混合方法[29]。本工作使用FL、GA和NN进行温室自动化，以减少人为干扰。Noguchi等人。[30]提出了一种使用FL和GA进行精确农业的混合方法。在他们的工作中，他们专注于如何控制杂草，因为它会影响作物的生长周期。FL和GA的实现被用来分别对植物和杂草进行分类。Hagras等人。[31]已经实施了FL和GA，以开发基于作物衬砌，喷雾，犁耕和收获的导航自动农业车辆。Cho等人[32]提供了FL和基于GA的混合方法在自主速度喷涂中的应用。Hagras等人[33]更多地关注FL和GA来开发智能农业机器人 在执行各种农业任务的同时，独立地在线做出学习决定。农业中至关重要的一步是作物检查，Camci等人[34]使用无人机解决了这一问题。在这项工作中，人工智能算法，如FL，PSO和NN被用来解决无人机FL的发展也被用于产量预测、作物需求推荐系统和灌溉预测。众所周知，农作物的生长主要取决于湿度、温度和土壤湿度。Upsdhaya等人[35]使用了具有所有这些参数的FL研究蔬菜作物生长和产量的可能性 。 有 了 这 些 结 果 ， 人 们 可 以 计 划 有 效 的 刺 激 方 法 。 类 似 地 ，Parbakaran等人[36]研究了FL和SVM农业产量预测系统。该系统具有95%的预测准确率。此外，该系统还提供了作物需求建议，以提高产量。为了控制土壤肥料的使用和需求，Haban et al.[37]开发了一个基于模糊逻辑的土壤施肥推荐系统，该系统以常用的施肥水平数据为输入，推荐所需的肥料。同样，阿尔·芬等人[38]提出了使用FL和各种土壤参数来跟踪甘蔗种植需求的推荐系统。该系统提供了理想的水和肥料使用建议。作为Puspaningrum等人[39]提出了基于FL的灌溉预测系统。该系统根据作物的预测需求2.2. 人工神经网络由于人工神经网络具有多解性，是目前人工神经网络研究的热点。它的灵感来自于人的大脑，它通过分析结果，对变化做出完美的反应。人工神经网络被广泛用于解决动态复杂问题，因为它的工作在输入，隐藏和输出层。这些层根据问题的复杂性进行了完美的组织。这一层由一个称为节点的激活函数构成。这些节点具有用于分析新输入特征的不同信息和数据集。输入层利用预学习数据集连续识别输入特征集。之后，这些特征集在隐藏层的帮助下进行诊断， 从数据集到输出层的最高匹配解决方案。最后，输出层提供最终解决方案。人工神经网络在农业领域的应用越来越广泛。Elizondo等人[40]提出了用人工神经网络预测大豆开花和检查成熟度的工作由于缺乏作物参数信息，农民无法预测产量。作者用气温，光度，并在这项工作中作为输入的人工神经网络模型的天数。ANN已被Dyrmann等人用于使用深度卷积神经网络的植物物种分类。[41]。在这项工作中，人工神经网络被用来识别图像的幼苗在早期生长阶段。Behroozi-Khazaei等人[42]提出了一种基于ANN和GA的鲁棒算法用于葡萄分割同样，基于卷积神经网络的苹果识别系统由Liang等人开发。[43]。收获阶段是最关键的阶段，这取决于产品条件和环境的复杂性该算法旨在克服这些问题。他们使用GA来基于颜色的分割优化ANN。与上述类似，Kumar等人开发了基于人工神经网络的分选机制[44]，以决定健康或死亡的石榴果实。 Dimiler等人[45]已经开发出一种系统，可以帮助农民在0.2秒内识别出他们土地上不需要的植物。该系统是基于图像处理和反向传播神经网络技术。该算法将图像作为输入，并提供分析作为输出。实验结果表明，该系统具有良好的鲁棒性和有效性。另一个困难的任务是切割并保持大蒜的所需路径，Thuyet等人[46]已经在其中成功地执行了通过使用卷积神经网络进行自主分级来对大蒜进行分类的过程。他们研制出了一套全自动的大蒜操作计算机系统。许多农业研究人员已经使用ANN实践了视觉系统的实现。Cho等人。[15]，Zhao等人。[47]，Tang等人[48]和Dorrer等人。[49]已经使用独立的ANN来提供精准农业中的视觉智能杂草监测和控制是农业中急需的任务。现有的分类系统M. Wakchaure，B.K. Patle和A.K. 马欣德拉卡生命科学中的人工智能3（2023）1000574有一些局限性，例如在每个操作领域都要进行测试。为了克服这个问题，Hall等人[50]提出了一种使用深度卷积神经网络数据收集（DCNN）算法的低维特征分类模型。 他们用移动平台将其用于棉花植物，并发现了纯棉群体和杂草群体。McCool等人。[51]提出了一个类似的工作想法，使用基于轻量级DCNN和Champ等人的农业机器人轻量级模型。[52]。Noguchi等人讨论了使用ANN-FL-GA的混合方法。[30]。他们将视觉智能应用于杂草控制。Sa等人[53]使用无人机进行杂草测绘。在多光谱成像和深度神经网络的帮助下，精确农业的杂草地图 应用人工神经网 络 检 测 水 果 的 成 熟 或 未 成 熟 状 态 是 一 个 很 有 意 义 的 课 题 。Habaragamuwa等人使用ANN解决了草莓的这种问题。[54]。Ge等人使用ANN设计了农业机器人上用于收获这种草莓的专用机器视觉系统。[55]。农业机器人的路径规划在移动到农场执行特定任务时至关重要。考虑到这一点，Lulio等人[56]解决了使用ANN的农业机器人的路径规划问题。Bo et al.[57]已经工作了研究了阴影环境下农业移动机器人的路径识别方法。为了减少温室中的人为干扰，人工神经网络方法可以发挥重要作用。为了实现这一目标，Morimoto等人[29]提供了在苹果和橘子农场的实验工作，观察结果达到了标准。深度学 习模型在 决策、智 能预测、 分类等方 面非常有 效。Xenakis等人[58] 已经提出了一个诊断支持系统上实现的机器人系统的植物疾病诊断使用CNN。深度学习算法的分类率达到98%。此外，为了密切关注健康的作物，Sharmila et al.[59] 提出了一种基于CNN和K-Means聚类算法的昆虫分类算法结果有助于农民及时识别害虫并采取必要的措施。Singh等人[60]强调了杂草识别的核心问题，并提供了一个由基于区域的卷积神经网络（R-CNN）深度学习算法驱动的系统，系统还能给出杂草的坐标，方便操作。类似地，Mary等人。[61]基于CNN开发了一种除草机器人用于杂草控制。使用深度学习模型，机器人识别杂草，然后执行钻孔动作来杀死杂草。所提出的机器人是生态友好和成本效益。Guillen-Navarro等人提出了一种称为长短期记忆的深度学习模型来预测低温区[62].Mhango等人[63]曾使用Faster region-基于CNN和无人机的输入这项工作是为了在收获土豆之前进行管理和做出重要决定。此外，Khan等人。[64]基于R-CNN开发了一种用于无人机精确喷洒的深度学习模型现场试验表明，该方法准确率为88.57%.深度学习模型对于收获阶段的分类问题表现出色Munir等人[65]开发了一种自动水果检测工具，使用深度学习NN轻松收获。他们使用resNet-50进行迁移学习，并在10%的训练中获得了结果。2.3. 遗传算法GA是一种启发式（进化）算法，用作AI中的优化工具。它是由约翰·霍兰德在1960年提出的[66]。遗传算法是一种人工智能技术，它的灵感来自于遗传原理和自然部分的步骤，为我们提供复杂问题的最佳解决方案。GA在许多工业应用中用于各种过程的优化。遗传评价可以在每一个新的世代中陈述，所述新的世代通过对旧个体的交叉和变异来评价。与老一代个体相比，它总是会有一种新的混合方法，具有强大的物种内分化能力这里有些物种的个体传递了所有的基因，而有些人没有。那些传递基因的人形成了新的个体物种，这个过程在每一代新的个体中重复。在遗传算法中，随机的个体种群已经采取，他们通过每个个体并找到具有最大拟合值的最佳个体。这里检查解决问题的条件是否存在。如果不是，那么该过程再次通过添加旧的最佳个体的遗传信息（交叉）来获得新的种群，这个个体遗传算法由于其高效的工作和提供最佳结果的准确性而在农业领域被广泛采用。遗传算法在移动农业机器人的运动规划中得到了广泛的应用.各种研究人员，如Makino等人。[67]，Dohi等人。[68]，Ferentinos等人。[69]，Ryerson等人。[70]，Jihong[71]和Pham等人。[72]已经提出了用于农业机器人路径规划的独立GA算法。并将遗传算法与其他人工智能技术相结合，解决了农业机器人的路径规划问题 作为一种混合方法。其中一个例子是Noguchi等人提供的[73]。此外，Mahmud等人[74]对GA和PSO进行了比较。Conesa-Munoz等人提出了一种机器人集群在各种农业任务和多路径规划方法上的应用。[75].拟议的工作旨在减少所需的时间，以提高农业机器人路径规划的性能。无人机在监控偏远农场方面非常有效，但它涉及多种规划和问题。Singh等人。[76]提出了一种新的轨迹，其参数在GA的帮助下进行了优化所提出的计划是一个完美的弹道与基站避免所有的障碍物。这有助于他们减少能源需求。电动拖拉机的覆盖路径规划取决于几个因素。Shang等人提出了新的改进的GA[77]优化影响电动拖拉机路径规划的各种因素，如降低能耗、提高速度等。一些作者，如Gao等人。[78]和Meng等人。[79]，使用基于视觉的系统和GA。他们的目标是识别作物行，以便更好地规划。采用改进的遗传算法实现了作物行线的识别。他们发现GA在寻找导航线方面是有效Dacal-Nieto等人[80]致力于GA的马铃薯分类视觉识别系统。他们尝试了一种基于外部缺陷和疾病对土豆进行分类的系统。为了提高作物产量，杂草控制和土壤养分控制是至关重要的因素，因为它影响作物Noguchi等人[30]他们对精准农业进行了研究。他们利用FL和GA对作物和杂草进行分类。遗传算法优化了输入和输出隶属函数，并在大豆农场对模型进行了测试。此外，Feng等人。[81]研究了GA优化的黄瓜作物营养液配方。该模型给出了溶液中N、K、Ca和Mg浓度的最佳组合。提出的配方有助于黄瓜高产栽培。灌溉系统的有效规划与其他农业过程同样重要。Monis等人[82]开发了GA来优化光伏（PV）灌溉泵的设计。 其目的是在工程规则的帮助下优化搜索空间， 佐治亚州该方法被用来优化一个真实农场的光伏系统的基准。从而降低了系统的总成本Ahmed等[83]提供了PV的最佳尺寸和经济分析基于遗传算法的水利灌溉风力发电系统。水或杀虫剂的喷洒是非常耗时的任务，因此非常需要这种任务的自动化。Cho等人[32]开发了一种改进的GA-模糊控制器，带有GPS，用于喷洒操作。识别系统在农业生产中发挥着重要的作用。Tao等人。[84]已经证明了使用GA的完美识别系统。本文采用颜色和纹理信息融合的方法，实现了苹果的自动识别和采摘。M. Wakchaure，B.K. Patle和A.K. 马欣德拉卡生命科学中的人工智能3（2023）10005753D功能。像这样，Behroozi-Khazaeiet等人。[42]提出了一种基于神经网络和遗传算法的葡萄分割算法收获阶段是最关键的阶段，这取决于环境的颜色该算法旨在克服这些问题。他们使用GA优化ANN，以基于颜色进行分割他们发现葡萄丛的成功率为99.4%Zou等人[85]研究了精密西瓜采摘机器人的逆运动学解。他们旨在克服速度快、精度低、西瓜产量得不到保证 等问题所使用的模型被称为Denavit-Hartenberg，这是基于GA和非线性遗传算法。为了采摘蘑菇，一个独特的机器人与三个采摘臂正在设计和开发。Jia等人。[86]研究了一种基于GA的三个拾取臂的回避算法。所提出的算法是有效的，在执行采摘没有任何碰撞。用于温室环境中的自动化，Tong等人。[87]我用过的。在这两项工作中，控制技术的发展，以优化未知的农业非线性系统。2.4. 粒子群优化PSO是一种用于各种工程优化问题的众所周知的元启发式算法。它是由詹姆斯·肯尼迪和罗素·埃伯哈特在1995年提出的[88]。自然的蜂群行为激发了 一个解决非线性问题的粒子群优化算法。PSO的概念之所以存在，是因为鸟类和鱼类具有非凡的能力，能够理解并实施沟通计划以实现其目标，例如在群体中工作时寻找食物。鸟群不需要有人带领它们去寻找食物。他们只是跟着邻居的鸟，通过与邻居的适当沟通和团队合作达到目标。在这里，有一件事必须明白，每只鸟都有一个宝贵的经验，以支持鸟在达到它的目标。粒子群优化算法就是基于这一基本思想而提出的。在这里，粒子群相互跟随，有助于优化问题。每个粒子都有一些有助于团队到达目标的值。每个粒子通过随机运动到达与自身最佳位置和与目标点最佳位置的贡献来相互协调。粒子群算法在各个领域有着广泛的应用，农业工程就是其中之一.农业机械需要先进的控制以应对农业挑战。Gokce等人提出了通过使用PSO优化PID参数来改善移动农业机器人控制系统的挑战之一。[89]。对系统进行了仿真，仿真结果令人满意. Wenhua等人。[90]提出了基于PSO和K-means聚类的农业超绿图像分割。Shi等人也解决了同样的问题。[91]。在这项工作中，棉花领域的复杂环境已经研究了使用PSO和K-均值聚类的棉花采摘机器人。Weikuan等人。[92]使用PSO算法和去噪算法来去除苹果收获机器人拍摄的苹果夜视图像中的噪声。许多研究者提出了将粒子群算法与其他人工智能算法相技术，以获得更多的好处，使系统更有效。在在这方面，Li et al.[93]提出了粒子群算法和遗传算法相结合的多无人机航迹规划方法。建议的混合路径规划方法旨在最大限度地减少进行各种农业操作（如田间耕作、作物健康监测和自动喷洒农药）时覆盖田间所需的时间。深度学习模型与其他传统模型相比具有许多优势。Mythili等人。[94]提出了修改后的DNN和PSO在种植阶段提供作物建议。他们在这项工作中使用了气候数据和过去的作物生产数据。PSO-MDNN模型在作物推荐中具有很好的效果。对Mahmud等人提出的基于粒子群算法和遗传算法的方法进行了比较[74]通过他们的发明解决了农业机器人的常规问题。在此，农业机器人已经进行了喷洒作业的测试在温室里。Camci等人[34]介绍了使用PSO-FL-NN混合方法监测稻田的另一项无人机工作。在他们的工作中，整个机构致力于分析水稻作物的质量检查。Chaudhary等人。[95]提出了一种新的粒子群算法，称为Enhanced PSO，用于作物病害识别。Enclusive PSO的结果令人印象深刻。粒子群算法作为一种优化工具的应用有助于决策。Ji等人[96]已经展示了他们在温室中识别青椒的工作该方法是基于最小二乘支持向量机，这是优化的更好的性能与粒子群优化。将加工后青椒的形状、纹理特征作为粒子群算法的输入，类似地，Zou等人[97]使用PSO AI技术优化支持向量机（SVM）分类和疾病识别率。在自然背景下的结果是非常有效的。Fur-100，Anam等人。[98]还使用PSO AI技术和K均值算法对苹果植物的叶斑病分割进行了优化。有了这些系统，农民可以生产更多，赚更多。育苗机构在栽培阶段起着至关重要的作用，以特定的模式种植每种作物并减少相同的浪费。一种小麦的优化与改进设计提出了一种基于粒子群算法的集中式排种器等[99]。考虑了各种种子和进料装置参数。他们通过模拟和现场试验验证了结果。为了在作物生长周期的所有三个阶段对作物的水分需求进行分层，Bulbul等人[100]使用PSO研究了灌溉优化调度系统。系统根据作物类型进行优化。2.5. 人工势场APF方法用于实时应用中，以更好和最简单的方式规划解决问题。APF方法的灵感来自于电荷场的产生。势场法是由Khatib在1985年提出的[101]。他认为， 工作空间是由障碍物和目标产生的场所决定的。根据他的研究，障碍具有很高的潜力。它们的行为就像一个正电荷消除了吸引点（机器人），这被认为是一个正电荷，目标位置具有低电位。它们的行为就像负电荷吸引。该方法在农业机器人路径规划中的应用效果较好。Longo等人。[102]介绍了他们在葡萄园中导航农业机器人的工作。为了实现这一目标，APF和激光测距仪以及GPS都在机器人上实现。 与这项工作类似，其他作者如Harik等人[103]和Hou等人[104]也通过使用APF将自动驾驶汽车用于农田工作。Cheng等人[105]他们把工作重点放在收割机器人上。在他的方法中，APF方法在机械手上实现，以执行苹果的采摘操作。Xie等人[106]也提出了用于苹果采摘路径规划的APF方法，但结果仅在仿真环境中进行了测试。同样，Nemlekar等人[107]提出了APF动力机械臂，用于采摘石灰。他们使用了APF 减少寻找到目的地的低成本路径的时间（lime）。为了开发用于环境监测和管理的移动平台，Martinovic等人[108]将基于传感器的技术与APF相结合。在所提出的工作中，温室微气象环境控制使用移动测量环境。Jihong等人[71]提供了基于APF-GA的比较方法来解决农业应用中播种机的路径规划问题。 APF方法与其他人工智能技术相结合，混合方法，Tiexin et al.[109]第109话我是一个人农业机器人路径规划的蚁群算法。Yingkun[110]展示了APF在无人机中用于路径规划和农作物检查的应用。M. Wakchaure，B.K. Patle和A.K. 马欣德拉卡生命科学中的人工智能3（2023）10005762.6. 模拟退火SA被称为全局优化AI技术，有助于解决大型复杂优化问题。SA的灵感来自类比，因为它能够处理物理退火和固体。SA算法是由S. 1983年，柯克帕特里克（Kirkpatrick）。这种SA被称为概率技术，因为它专注于热处理方法和由于热处理而在金属中发生的变化。热浴中的金属被带到最高温度，在那里它开始从固相转化为液相。 这里 颗粒在液相中占据随机位置。之后，它慢慢冷却下来，逐渐降低热浴的温度。所有的随机位置都是由粒子以这样一种方式排列的，即它们将处于低基态能量状态（图1）。 12）。在农业领域，SA的主要应用已经被看到用于自动农业车辆的运动规划。Ferentinos等人。[112]提出了一个模型，通过使用SA来解决农业领域的实际挑战。 他们比较了SA和GA的性能。据观察，SA给出了与农业农场条件下的多路径规划问题相关的更好的解决方案[113]，并且多个农用车辆的路线规划[114]由各种研究人员使用SA解决。而在耕作阶段，为了优化盐渍农田上的曝气（用于失去土壤的农业机械）性能，Zhang等人[115]设计并开发了一种五杆曝气机构。他们使用SA来优化各种工作参数。Andersen等人介绍了SA作为一种有效监测技术的应用。[116]。他们改进了传统的监测方法，使用SA与立体视觉，以获得一个完美的估计植物属性。 杂草和害虫控制是农业中的关键问题。冈萨雷斯-德桑托斯等人[117]已经解决了使用UAV和UGV的农业中的这些问题。软件中的规划策略是采用模拟退火算法开发的。灌溉系统在农业中发挥着关键作用。因此，Brown等人[118]和Perez-Sanchez等人[119]提出了使用SA的最优农场灌溉调度问题。 Cong等人。[120]致力于设计调度模型， SA有助于农业拖拉机在特定区域高效工作。他们考虑了许多因素，如耕地面积、农业机械等，并发现SA模型比其他人工智能技术，如GA，更有效。类似地，Qingkai等人[121]提出了使用SA和GA的收获活动调度模型。该模型性能稳定、有效。2.7. 蚁群优化对蚂蚁的研究表明，蚂蚁和其他昆虫一样，具有天然的视觉系统。然而，他们通过优化现实世界的复杂性来非常有效地规划自己的道路。蚁群算法正在帮助许多现实问题获得最优解。ACO算法是一种用作优化工具的元启发式算法。ACO由Marco Dorigo在1992年引入[122]。该算法的工作原理和思想的蚂蚁采取最短的可能解决方案。蚂蚁在做决定时非常勇敢，如图14所示。每当他们瞄准食物时，他们都会计划离开他们的起始位置。每只蚂蚁都有一种天然的能力，在地面上分泌一种被称为信息素的生物物质，这是一种信号，被其他人当作一条路来走。就这样，他们互相引导蚁群优化算法是一种先进的群体智能算法，目前已被应用于农业工程领域。蚁群算法的实现日益增多在农业实践中。Bakhtiari等人[123]介绍了使用ACO进行农业领域路线规划的操作。此外，Cao等人[124]研究了农业机械的管理，并提出了一种ACO模型来执行有效的任务管理。 他们进行了动态和静态任务的模拟实验，- 是的这两项研究的目的是降低农业部门所需的运营成本。农业机器人是当今提高各种农业过程性能的重要设备之一。Zhou等人[125]提出了使用ACO算法进行这种机器人的路径规划。他们演示了在存在障碍物的情况下使用ACO进行机器人的路径规划。拟议工作的主要目的是节省时间，以及农业经营的成本。Jiang等人[126]比较了ACO与GA和标准序列法（CSM）在苗木移栽机补插巡回规划中的性能，观察到ACO比GA和CSM的结果更好。Yang等人提出了用于农业目的的无人机ACO应用。[127]。本文提出了路径规划方法，是为无人机开发的，通过使用蚁群算法快速获取最大信息。Gao等人开发了一种智能无人机刺激系统，该系统实现了ACO算法以找到最佳路径。[128]。该算法具有非常有效的结果。为了提高农业机器人在路径规划中的性能，Tiexin等人提出了混合ACO-APF方法。[109]。采用混合方法后，与独立的ACO相比，性能有所改善。Mythili等人[129]介绍了ACO作为作物推荐系统中的优化器的应用。蚁群算法用于优化作物推荐系统的网络输入和训练权重的复杂性。2.8. 人工蜂群算法ABC算法是解决多个复杂问题的最好的群体智能方法之一。它是一种变形金刚-tic算法用作智能组合工具。 该算法的灵感来自蜜蜂的智能行为，通过适当的沟通和专注的团队合作来寻找食物。ABC算法是由Dervis Kharaboga在2005年提出的，用于解决复杂的现实问题。蜜蜂的殖民地有三种类型的蜜蜂命名为受雇蜜蜂，旁观者，和侦察的蜜蜂。他们都有一些工作，这有助于他们在更短的时间内聪明地收集食物。被雇佣的蜜蜂拜访食物来源，寻找食物的状态，源，并保存相同的信息（图16）。在完成寻找过程后，他们通过摇摆舞通知等待在舞蹈区的蜜蜂。在舞蹈区等待的蜜蜂，被称为摇摆蜜蜂，通过理解受雇蜜蜂的摇摆舞蹈来分析食物来源，并与最初的食物来源进行比较。如果它们发现食物来源没有用，那么蜜蜂就会派侦察蜂去寻找新的食物来源。Selvakumar等人。[131]提出了一个大蒜咨询系统的智能系统。他们还比较了基于规则的算法，发现实现ABC算法更好，更有效。咨询系统是一个基于网络的应用程序，具有ABC算法和机器学习。土地规划和整理在任何作物生长周期中都起着至关重要的作用。Bijandi等人[132]提出了一种基于ABC算法的模型，以改善土地分割。他们考虑了灌溉效率的结果，发现从模型中获得的布局更有效。在农业部门使用无线传感器来监测农作物的情况越来越多，数据也越来越多。Sathish等人。[133]使用ABC优化了这些传感器的数据聚合。他们发现ABC比GA更有效。本文介绍了ABC算法在水果图象识别中[134]这是一个很好的例子。在他们工作，机器视觉系统与ABC已实施，水果的识别，并使用模拟的结果证明。在农场条件下，导航农用车辆是一个具有挑战性的问题;因此，为了避免准确性误差，Kumar等人[135]提出了一个全面的基于卡尔曼滤波器的ABC方法，用于动态转弯问题。作者还致力于使用ABC和GPS对无人机进行精确定位，以便在监测和检查农作物方面提供额外的便利[136]。M. Wakchaure，B.K. Patle和A.K. 马欣德拉卡生命科学中的人工智能3（2023）10005772.9. 和声搜索音乐音符启发了HS算法，2001年由Geem等人[137]提出HS算法是一种基于音频处理的元启发式算法，具有一组用于优化错误效果以获得更好的决策输出的规则。音频处理处理一个特定和声的音高控制作为输出。完美的音频音高被存储，并在未来的时间内使用经验来创造完美的和谐。该算法从所有可用的信息和经验中选择完美的解决方案，以实现理想问题的优化。Mandal等人。[138]提出了一种基于芥菜植物生产力HS算法的预测模型。为了克服预测作物生命周期以确定其产量的挑战，本文进行了研究。他们有输入作为作物的短长度。并将该方法与其他人工智能算法进行了性能评价。Valente等人[139]提出了一种新的方法，使用HS在精密工程管理中进行空中覆盖优化。HS的结果与基于波前规划器的方法进行了比较，他们发现HS的结果更适合于优化路线 和时间Sabzi等人在精准农业中提出了HS和NN的混合方法。[140]。所开发的使用视觉系统的方法用于马铃薯作物中的杂草识别。类似地，Pourdarbani等人。[141]和Sabzi等人。[142]也开发了一种混合方法，使用HS-NN来识别花园条件和果园环境中的水果。2.10. 蝙蝠算法BA是一种元启发式算法，用作基于 关于群体智慧的研究2010年由杨[143]提出。学士学位是受微蝙蝠的启发，通过回声定位来寻找它们的路径。微型蝙蝠非常小，由于体积很小，它们能产生大量的声波，并能听到从猎物或食物等假定物体反射回来的