没有合适的资源?快使用搜索试试~ 我知道了~
农业中的人工智能2(2019)1人工智能在农业自动化中的应用综述Kirtan Jhaa,Aalap Doshib,Poojan Patelc,Manan Shahd,a印度古吉拉特邦甘地讷格尔甘地讷格尔理工学院b印度古吉拉特邦艾哈迈达巴德Lalbhai Dalpatbhai工程学院c印度古吉拉特邦艾哈迈达巴德,阿赫赫达,Vishwakarma政府工程学院。dPandit Deendayal石油大学技术学院,Gandhinagar,Gujarat,印度a r t i c l e i n f o文章历史记录:2018年11月6日收到2019年5月25日收到修订版2019年5月25日接受在线提供2019年6月17日保留字:自动化人工智能灌溉机器学习内容a b s t r a c t农业自动化是各国关注的热点和新兴课题世界人口正在以非常快的速度增长,随着人口的增长,对食物的需求也迅速增加。农民使用的传统方法不足以满足日益增长的需求,因此他们不得不以密集的方式使用有害农药来破坏土壤这对农业实践影响很大,最终土地仍然贫瘠,没有肥力。本文讨论了不同的自动化实践,如物联网,无线通信,机器学习和人工智能,深度学习。有一些地区造成的问题,农业领域一样,作物病害,缺乏存储管理,杀虫剂控制,杂草管理,缺乏灌溉和水管理,所有这些问题都可以通过上述不同的技术解决。目前,农业生产中的有害农药使用、控制灌溉、污染控制和环境效应等问题亟待解决耕作方式的自动化已被证明增加了土壤的收益,也增强了土壤的肥力。本文综述了许多研究人员的工作,简要概述了农业自动化的现状本文还讨论了一个拟议的系统,该系统可以在植物农场实施,用于植物和叶片识别和浇水使用物联网。© 2019作者由爱思唯尔公司制作和主持我代表科爱通信公司,公司这是一CC BY-NC-ND许可下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1.介绍12.文献综述33.农业人工神经网络4.农业自动化和无线系统网络5.模糊逻辑系统在农业6.建议107.未来的范围108.结论10作者贡献11竞争利益声明鸣谢. 11B.数据和材料的提供供资11出版许可伦理批准和同意参与11参考文献11*通讯作者。电子邮件地址:Manan. spt.pdpu.ac.in(M. Shah)。https://doi.org/10.1016/j.aiia.2019.05.0042589-7217/© 2019作者。由爱思唯尔公司制作和主持我代表科爱通信公司,公司这是一篇CC BY-NC-ND许可证下的开放获取文章(http:creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表农业中的人工智能期刊主页:http://www.keaipublishing.com/en/j ournals/artificial-intelligence-in-agriculture/2K. Jha等人 /农业人工智能2(2019)1 - 121. 介绍随着数字世界技术的出现,我们人类已经突破了思维过程的极限,并试图将正常大脑与人工大脑结合起来这种持续的探索催生了一个全新的领域--人工智能。这是人类制造智能机器的过程人工智能属于计算机科学领域,它能够识别其环境,并应该蓬勃发展,以最大限度地提高成功率 AI应该能够根据过去的学习来工作。 深度学习,CNN,ANN,机器学习是增强机器工作并有助于开发更先进技术的某些领域。术语IOT被阐明为系统的三个主要目标是通信、自动化和节省成本。博士D.K. Sreekantha,Kavya.A.M提供了物联网在农业领域的深入应用以及它如何对人类有所帮助。人工智能已经渗透到医学、教育、金融、农业、工业、安全等许多领域。人工智能的实现涉及机器的学习过程 这将我们带到了AI领域的一个子领域“机器学习”。机器学习的唯一目的是为机器提供来自过去经验和统计数据的数据,以便它可以执行分配的任务来解决特定问题。目前存在许多应用,包括分析来自过去数据和经验的数据、语音和面部识别、天气预报、医疗诊断。正是由于机器学习,大数据和数据科学领域才发展到如此之大的程度。机器学习是一种构建智能机器的数学在人工智能的刺激下,许多新的逻辑和方法被发明和发现,使问题解决的过程变得更加简单。这些方法如下所列。1. 模糊逻辑2. 人工神经网络3. 神经模糊逻辑4. 专家系统在所有这些方法中,最广泛使用和不断应用的研究目的是人工神经网络。我们人类的大脑是身体最复杂的部分基于互连的神经网络,电信号在轴突的帮助下穿过神经元位于每个节点末端的突触将信号向前传递人工神经网络方法是根据人脑工作原理而发明的存在该方法的各种算法,例如用于训练该特定模型的算法,如Silva和Almeida的算法、Delta-bar-delta、Rprop、动态自适应算法、Quickprop基于其应用而被使用9个神经元用于该过程。人工神经网络是一种基于任务的方法,它告诉系统基于一些内置的任务而不是传统的计算编程任务进行ANN的体系结构由三层组成1. 输入层2. 隐藏(中间)层3. 输出层(图第一章前馈反向传播机制及其参数如上所示:输入层-7激活层-隐层和输出层的Sigmoidal函数,输入层的线性函数此外,人工智能和机器学习大多是假设和理论。这些是编程和算法。为了实现这些算法和基于逻辑的概念,应该有一个硬件-软件接口。实现这一点的系统是“嵌入式系统”。嵌入式系统是硬件构建的系统,由内存芯片和定制软件组成(图1)。2)。本文涵盖了使嵌入式系统和人工智能与农业部门保持一致的联系人工智能和专家系统在农业中的应用是一个狭义的主题。McKinion和Lemmon(1985)讨论了这个问题。农业是任何一个国家的基本组成部分。目前,韩国、中国和北美正在投资数万亿美元用于农业部门的发展,并实施更先进的技术。人口以非常高的速度增长,这与图1.一、人工神经网络层。K. Jha等人 /农业人工智能2(2019)1 - 123图二. 嵌入式系统。增加对粮食的需求印度是粮食作物特别是物种的丰富来源农业部门是印度经济中最敏感的部门之一,支持所有其他部门,并将其重要性扩展到深远的领域。随着其他行业技术的出现,在农业中实现自动化是一个非常关键的点随着人口的持续增长,农业部门的压力将增加,因此农业技术和精确农业在当今世界变得非常重要这也被称为数字农业,这意味着使用高科技计算机系统来计算不同的参数,例如杂草检测、作物预测、产量检测、作物质量和更多的机器学习技术(Liakos等人,2018年)。本文讨论了人工神经网络、机器学习和物联网技术在农业中的不同应用以及有助于精确农业的多种模型2.文献调查在过去的50年里,人工智能由于其应用的健壮性和在各个领域的普遍性而得到了持续的发展其中一个领域就是农业。农业每天都面临着许多挑战,经营业务并不农民从播种到收获作物所面临的一些主要问题如下:1. 作物病害2. 缺乏存储管理。3. 农药控制4. 杂草管理5. 缺乏灌溉和排水设施。人工智能和机器学习已经渗透到上面提到的每一个类别Bannerjee等人(2018年)在人工智能类别中对广告进行了分类,并简要概述了各种人工智能技术。从1983年起,计算机和技术开始渗透到这一领域从那时起,从数据库到决策过程,有许多关于改善农业的建议和提议系统过滤掉每一个过程,只有基于人工智能的系统被证明是最可行和可靠的。基于人工智能的方法并不概括问题,而是对特定定义的复杂问题给出特定的文献调查涵盖了农业领域的重大突破,1980年至2018年。本文论述了农业次领域的50多项技术进展本文首先讨论了人工神经网络和专家系统在解决上述问题中的应用,然后讨论了机器学习和模糊逻辑系统。最后,它涵盖了农业中的自动化和物联网3. 农业中的人工神经网络人工神经网络由于其相对于传统系统的优势,已多次被纳入农业领域神经网络的主要优点是可以在并行推理的基础上进行预测和预报。 神经网络可以训练,而不是彻底编程。Gliever和Slaughter(2001)使用ANN来区分杂草和作物。Maier和Dandy(2000)使用神经网络预测水资源变量。Song和He(2005)将专家系统和人工神经网络结合在一起,预测作物的营养水平传统的专家系统在实现时有相当大的背景人工神经网络的使用弥补了专家系统的各种缺陷整个系统由单片计算机构成在预测方法方面,神经网络总是被证明是最好的神经网络可以预测复杂的映射,如果一组可靠的变量。为了避免西西里岛的霜冻问题,Robinson和Mort(1997)开发了一个使用神经网络的预测模型该模型首先输入原始数据,如湿度,温度,降水,云量,风向(所有这些数据都是从1980年到1983年)。然后,将收集的数据转换为二进制数据。这些数据现在被分成两个字符串(神经网络模型的输入和输出反向传播网络被用作神经网络预测器。该模型最初对10个试验集进行了分解和训练当采用一系列参数值(如上所述)而不是单个值时,预测霜冻更有效在三年的时间里,开发了两个专家系统,以提高棉花产量。首先是COMAX。1986年,Lemmon成功地尝试开发了一个名为Comax(棉花管理eXpert)的专家系统。Lemmon是农业领域人工智能的先驱,他开发了一个名为Gossym的程序,该程序对微型计算机友好,并支持Comax的使用(Lemmon,1986)。首次将专家系统(Comax)与计算机模型(Gossym)集成,并模拟棉花作物的生长该专家系统的开发是为了4K. Jha等人 /农业人工智能2(2019)1 - 12在棉花田中全年连续作业Comax考虑了田间的三个参数:灌溉时间表、维持田间的氮含量和棉花作物的生长第二,COTFLEX。Stone和Toman(1989)开发了另一种棉花作物专家系统。该系统被命名为COTFLEX。该系统在Pyramid90 ×计算机上运行该系统结合了田间和农场数据库,为农民提供有关棉花作物的重要信息,使种植者能够轻松地做出关键和战术决策。该系统是在德克萨斯州开发的,它在基于规则的专家系统中创建了模拟模型和数据库,以 帮 助 德 克 萨 斯 州 的 农 民 做 出 谨 慎 的 经 济 和 有 利 可 图 的 决 策 。COTFLEX在测试成功后,被导入IBM微机,并开放使用。Batchelor等(1989)讨论了大豆作物生长模型,本文将其定义为SMARTSOY,称之为SOYGRO。该模型由基于知识的方法解释,它分为两种方法,第一种是实证方法,试图复制领域专家的过程,以得出结论,而第二种方法是规范方法,试图复制排除领域专家的过程的结论。采用系统的方法确定害虫的危害程度,并进行成本控制。在这里,实证和规范的方法崩溃,因为后者的方法帮助它选择杀虫剂和应用率。但是,系统的方法并不能确定虫害对产量的影响这是生成推荐的主要缺点,因为我们需要混合这两种方法,因为产量减少是通过类似昆虫攻击的先前经验、所使用的杀虫剂和最终作物的结果来计算的针对大豆作物产生推荐的目标是基于计算受害率和处理植物并获得产量的成本该计算是通过两种方法得出的基于模糊逻辑的专家系统PRITHVI是在Ra.jasthan,印度by Prakash et al. (2013年)。该系统是专门为蚕豆作物设计的。该系统从农业学者、出版文献和大豆作物专家中收集知识库在研究整个系统时考虑了模糊逻辑,并将农民视为专家。PRITHVI分为五个模块。开发该专家系统的主要目的是帮助该地区的农民提高大豆产量。该系统采用MATLAB作为用户界面模块。研究人员开发了一个专家系统,帮助农民何时在苹果果实上喷洒杀虫剂,以避免昆虫和大气造成的该系统被命名为POMME。随着时间的推移,它还建议农民喷洒什么在POMME中使用苹果黑星病循环模型而不是来自侵染表的理论值系统运行结果令人满意,并得到专家试用的认可。(Roach等人,1987年)。2016年,研究人员Ravichandran和Koteshwari成功地测试了一种方法,表明人工神经网络算法在智能手机中用于作物预测建立了预测模型 如 上 所 述 , 该 系 统 的 预 测 模 型 有 三 层 ( Ravichandran 和Koteshwari,2016)。模型的效率取决于隐含层的数目首先,使用各种算法(例如Silva和Almeida的算法、Delta-bar-delta、Rprop和各种其他算法)来构建和训练ANN模型,以找到最有利的配置。采用试错法选择隐层层数应该有一种精确的方法来仔细检查一些隐藏层的选择,因为预测系统的准确性取决于隐藏层的数量在研究中观察到,神经网络模型中的隐藏层越多,预测就越准确。由于该系统的目的是方便农民,它是在APK平台上开发的在Eclipse中编写了源代码,并在后台编写了Java代码,利用Matlab和ANN工具箱开发了算法然后将整个文件提取到Android平台上,以便智能手机可以使用除了向农民建议作物之外,该系统还具有另外的优点,即如果农民 希 望 使 用 他 选 择 的 作 物 , 则 向 农 民 建 议 要 使 用 的 肥 料(Ravichandran和Koteshwari,2016)(图。 3)。蒸散过程是维持水文循环稳定、可持续灌溉和水资源管理的必要条件。参数-海拔,平均每日温度,最高。每日温度,最低 日气温、风速、相对湿度、日照时数、日照时数、纬度、条件系数。有超过20种确定ET的方法,其依赖于多个参数。在德拉敦山谷进行了一项深入的研究;印度正在评估在估计ET的几种技术中加入ANN的重要性研究人员从森林研究所(FRI)Dehradun收集了每月的气候数据,用于ET估计。算法应用的方法有:1.Penman-Monteith方法2.Levenberg-Marquardt反向传播据观察,增加系统中隐藏层的数量导致ET估计的不稳定性。因此,应选择最优试凑法训练函数进行ET的整体优化估计。结果表明,在ANN模型的6种训练算法中,以75%数据输入的函数训练精度最高,神经元数目最多并利用单层前馈反向传播算法对PM方法和ANN模型进行利用Matlab设计并开发了人工神经网络模型。六个算法被召唤和评估。由于蒸散量在灌溉和水管理中至关重要,本研究表明,如果正确实施,人工神经网络结构的预测能力(Nema等人, 2017年)。此外,还提出了一种利用图像分析和神经网络技术识别杂草和农作物的方法在没有任何预先设备信息输入系统的情况下,其准确率达到75%以上(Aitkenhead等人,2003年)。Shahzadi等人(2016)开发基于专家系统的智慧农业系统。该系统中物联网的概念是将数据发送到服务器,以便现场的执行器能够做出适当的决策。为此,服务器应该足够智能,能够独立做出决策该系统由温度、湿度、叶片湿度和土壤传感器组成它只给出了关于田地的信息,而不对灌溉过程起作用Arif等人(2012)开发了两个人工神经网络模型,使用明显较少的气象数据估算稻田土壤水分。通过研究实测和估算的土壤湿度值,证实和验证了这两种模型。生成第一个ANN模型以获得估计ET。最低、平均和最高气温的帮助为了建立第二个模型,收集了太阳辐射、降水和气温数据。这两种模型均能用最少的气象资料、较少的人力和时间,准确、可靠地估算稻田土壤水分Hinnell等人(2010)讨论了神经滴灌系统,其中开发了ANN来预测地下水的空间分布。 为了使滴灌法正常运行,土壤下层的水分分布是至关重要的。在这里,人工神经网络进行预测,这对用户来说很方便,从而导致快速决策过程。人工神经网络模型给出了土壤与来自地面上的发射器的水过滤后的润湿模式(第一和第二)的结果因此,ANN模型向用户提供连续的模式还有,K. Jha等人 /农业人工智能2(2019)1 - 125图3. 使用智能手机的基于人工神经网络的作物预测器的流程图。研究人员开发了一个模型来研究玉米作物的产量多层前馈神经网络(MLFANN)。为了给这种网络提供动力,采用了像GDA(梯度下降算法)和CGDA(共轭梯度下降算法)这样的学习算法这两种算法都是使 用 神 经 网 络 工 具 箱 在 MATLAB 中 编 写 和 模 拟 的 ( Singh 和Prajneshu,2008)。精准农业和无线传感器网络应用结合了一个令人兴奋的新研究领域,将大大提高农业生产的质量,精确灌溉,并将大大降低所需的成本。此外,易于部署和系统维护,监测开辟了一条道路,接受无线传感器网络系统在精准农业。使用所提出的方法,在寻找最佳的传感器拓扑结构,我们设法降低实施成本,从而使无线传感器网络更有吸引力的解决方案,为各种领域和耕作。(Keshtgari和Deljoo,2012年)。4. 农业自动化和无线系统网络任何部门都必须与时俱进农业部门必须适应自动化领域的突破和发明。Yong等人(2018)提出了嵌入式智能(EI)的新兴研究领域。农业领域的嵌入式智能包括智能农业、智能作物管理、智能灌溉和智能温室。一个国家要想发展农业,就必须将这些日益增长的技术纳入农业部门。许多行业都依赖于农业。此外,本文的研究人员展示了技术路线图(TRM),这反过来又澄清了上述农业领域(智能农业,智能灌溉等)的疑虑考虑 到印 度农业 的社会 和经 济活力 ,研 究人员 Patil和Thorat(2016)开发了一种预先预测葡萄疾病的系统葡萄植株的任何异常只有在感染后才被注意到,这对整个葡萄园产生了相当大的恶化影响该系统采用了葡萄园中的温度传感器、叶片湿度传感器和湿度传感器等多种传感器这些传感器将感测到的数据发送到链接到传感器的ZigBee服务器中的数据库无线系统网络(Wireless System Network,WSN)在任何领域的部署都需要满足一定的标准,Zigbee联盟已经开发出了一种称为ZIGBEE的开放式全球标准。 Zigbee遵循四层即物理层、介质访问控制层、网络层、应用层的规定。在无线传感器网络中,Zigbee协调器(ZC)、Zigbee路由器(ZR)、Zigbee终端设备(ZED)这三种设备具有不同的功能Kalaivani等人(2011)讨论了Zigbee在农业中的端到端方法。服务器将存储数据。服务器端采用隐马尔可夫模型算法。该算法训练传感器检测到的正常数据,并通过短信向农民报告可能导致葡萄病害的温度、湿度或叶片湿度的任何异常机器学习预先融入系统中,以敏锐地推断葡萄中的疾病的额外优点6K. Jha等人 /农业人工智能2(2019)1 - 12图四、蒸散过程说明流程图。该 系 统 还 建 议 农 民 在 检 测 疾 病 时 使 用 杀 虫 剂 和 农 药 ( Patil andThorat,2016)。同时,将机器学习的类似方法应用于水稻生长的监测.该系统是为了提高水稻作物的产量和生产力而开发的它也被证明是具有成本效益和耐用。 (Kait等人, 2007)(Fig. 4)。图中使用的传感器。 5是用于监测农业领域中所示的图。第六章MQ4和MQ7等传感器分别用于天然气传感和一氧化碳传感DHT11用于环境的温度和湿度监测,土壤湿度传感器用于测量土壤湿度水平并进行连续监测。Esp8266是一个无线模块,有助于硬件系统和用户使用的设备之间的通信在土耳其安卡拉进行的一项研究中,实施了IIS(智能灌溉系统),观察到许多积极的好处,例如土壤上的水分和温度应力较小,有效的用水量,以及在作物灌溉中忽略了人为干预。开发的系统在三个单元上工作基本单元(BU)、阀单元(VU)和传感器单元(SU)。整个系统由太阳能电池板供电。每台设备安装成功后,BU将发送数据的地址发送给SU。来自SU的传感器将感测水分含量并将检测到的数据发送到BU中的特定地址如果需要,BU将向VU发送信号,以便其校准阀门位置,土壤与水。然而,特定地点使用的自动灌溉系统诞生于21世纪初;这种方法被证明是一个重大的成功,因为它降低了开发系统的成本,可行性和此外,可以使用相同的方法建立在田地中运输肥料和农药的单元。为此,新型传感器必须进行校准,以传输准确的信息。(Dursun和Ozden,2011年)。已经进行了研究以测试基于ET、基于ICT和基于IIS的技术。在利雅得,在小麦和番茄田进行了一项研究,采用了喷灌和滴灌方法,并使用ICT和IIS进行了测试绘制了所有三种方法的水深与作物生长期(每周)的关系图一项简明的观察得出结论,IIS在用水方面比ICT和ET系统更它将节水率从18%飙升至27%。(Al-Ghobari和Mohammad,2011年)。此外,Kodali和Sahu(2016年)介绍了使用Losant平台监测农田,并在系统观察到任何异常时通过短信或电子邮件告知农民Losant是一个基于简单物联网的最强大的云平台。它提供了存储在其中的数据的实时观测,而不管字段的位置古铁雷斯等人(2014)提出了一种使用GPRS模块作为通信设备的自动灌溉系统。该系统被编程为一个基于微处理器的网关,K. Jha等人 /农业人工智能2(2019)1 - 127图五、基于ML算法的葡萄病害检测系统。水量实践证明,该灌溉系统比常规灌溉系统节水90%以上 Kim等人(2008)使用分布式无线网络从远程位置感测和控制灌溉过程。为了提高效率,生产力,全球市场,减少人为干预,时间和成本,有必要转向名为物联网的新技术物联网是在没有人类参与的情况下传输信息的设备网络因此,为了获得高生产力,物联网与农业协同工作,以实现智能农业。Malavade和Akulwar(2016)专注于物联网在农业中的作用,导致智能框架(Malavade和Akulwar,2016)。无线通信的使用改变了当今世界的通信标准,这也可以提高农业自动化的标准 Logatchevl等人(1998)将物联网网关分为不同的节点,如执行器、传感器、接口和无线链路,这些节点为它们之间的通信提供帮助。频率估计及其带宽要求通信也已经被详细阐述,这对于自动化非常有益本文阐述了无线传感器网络在农业领域的实现方法许多不同的IEEE标准描述了传感器网络,诸如IEEE802.15.1 PAN/蓝牙、IEEE 802.15.4 ZigBee等是规划其应用时必须了解的。研究人员还讨论了IPV6,用于无线通信的Internet协议,以及建立无线传感器网络的许多硬件系统利用无线传感器网络实现精确农业是可能的,并将该策略应用于农作物管理.不同的数据由传感器记录并存储在系统中系统通过传感器的先前数据进行学习,并相应地采取未来的行动(Shiravale和Bhagat,2014)。Ganjegunte等人(2012年)研究了三种土壤水分传感器,并得出结论 , 所 使 用 的 传 感 器 ( ECH 2 O-5 TE , Watermark 200 SS 和Tensiometer model R)需要现场校准,以获得准确的结果。MQ4MQ7DHT11土壤水分传感器ESP8266图第六章用于检测的不同类型的传感器。8K. Jha等人 /农业人工智能2(2019)1 - 12Gondchawar和Kawitkar(2016)提出的论文的突出特点包括基于智能GPS的远程控制机器人执行任务,如除草,喷洒,湿度传感,鸟类和动物惊吓,保持警惕等。第二,它包括基于实时现场数据的智能仪表和智能控制。第三,智能仓库管理,包括:仓库内的温度维护,湿度维护和防盗检测所有这些操作的控制将通过连接到互联网的任何远程智能设备或计算机进行,并且操作将通过将传感器、Wi-Fi或ZigBee模块、摄像机和致动器与微控制器和树莓派接口连接来热成像技术是一种非接触式、非侵入式的技术,它可以分析农田的表面温度,并为农民提供有价值的反馈。Roopaei等人(2017)讨论了基于云的热成像系统的使用,该系统通过结合设备的性能来帮助灌溉,并确定最需要水的田地面积缺乏均匀的水分会阻碍作物生长,而热成像技术可以提供帮助巩固这一损失。同时,热成像技术在农业领域的应用也越来越广泛. Manickavasagan et al. (2005)讨论了热成像的各种应用,如收获前操作、田间育苗、灌溉、产量预测、温室气体、白蚁攻击、农业机械。Katariya等人(2015)讨论了机器人在农业领域的应用。机器人被设计为遵循白线的轨迹,实际上需要工作,其他表面被认为是黑色或棕色。机器人的工作是喷洒农药,种子的下降,供水和耕地。2016年,一组研究人员提出了基于知识管理知识库和监控模块框架的电子农业应用。物联网和云计算开发的系统强调可靠的架构,通过3G或Wi-Fi提供及时的现场信息TI CC 3200(RFID)launchpad用于构建原型与其他必要的设备。知识库比传统的基于物联网的系统具有优势;知识库的构建是为了存储大量复杂的结构化和非结构化信息,以帮助农民甚至没有农业知识的个人但是,以适当的方式找到正确的信息是困难的,提供相关的知识不仅应该以有组织和完整的方式分发,而且还应该以绝对的方式分发。以知识为基础的基础设施可以适应农业的变化,以便更好地推广和增加咨询服务。(Mohanraj等人,2016年)。由于每个领域都需要一定程度的自动化,人工干预变得更少,并且在机械和电子的早期阶段设计布局是非常重要的除草是农民面临的一个重要问题,计算机视觉技术可以帮助解决这一问题。杂草和所需的作物之间有着特殊的区别CNN可以帮助我们区分它们,而不是让我们只砍掉不必要的植物。CNN有许多算法,甚至可以用来识别植物并获得相应的种植数据(Möller,2010年)。R-CNN广泛用于目标检测和自动化,它用于水果检测和水果计数Bargoti和Underwood(2017)讨论了R-CNN在果园水果检测中的应用,而训练网络的输入是任意大小的3通道彩色图像(BGR)。 他们使用了具有13个卷积网络的VGG16 NET和具有5个卷积层的ZF网络。使用数据扩充是因为它有助于人为地扩大数据集并改变训练数据的可变性他们讨论的结果(R-CNN代表区域卷积神经网络)。基于云的农业决策和支持现在正在蓬勃发展。决策支持和自动化系统(DSAS)帮助种植者的农民通过以下方式控制所有应用程序:其门户网站。DSAS作为不同的阶段,它可以在一个时间内连接许多设备,并向农民提供实时数据。农民扮演着重要的角色,因为他可以监控实时数据,也可以通过软件控制所有的机器像喷雾控制器这样的系统将农药按规定的量喷洒在田间类似地,灌溉控制器帮助管理灌溉,肥料控制器管理肥料。DSAS通过不同传感器(如土壤湿度传感器,氮传感器等)提供的数据进行工作(Tan,2016)。Kumar(2014)使用肥力和pH计来提取土壤成分的百分比,并开发了基于无线传感器的滴灌系统。Ingale和Kasat(2012)使用IC 89c52微控制器构建智能灌溉系统。只有当湿度和水分下降到标准确定值以下时,原型才供水,因此它在一定程度上保存了水研制了一种半自动灌溉系统,并在黄秋葵田进行了试验。该系统采用四个湿度传感器,以PIC16F877A单片机为处理器。系统中的阀门仅在任何两个传感器上的电压降低于固定值时才打开,并保持打开,直到该值达到确定的阈值。(Soorya等人,2013年)。5. 模糊逻辑系统在农业中的应用Sicat等人(2005)开发了一个基于FK的模糊模型来确定土地适宜性。 各种模糊集产生的农民以及科学的知识一致。这些集使用S-隶属函数,并用于确定土壤质地,坡度和颜色。研究工作是在印度安得拉邦Nizamabad地区的几个村庄进行的。在基于FK的模糊因子映射中,没有必要分别取下限0和上限1这是因为在知识驱动的模糊建模中,只要函数在必须建模的因素的上下文中(在这种情况下,基于FK的模型),就没有对选择隶属函数的Si等人对土地平整进行了模糊建模的另一种实现。(2007年)。在系统的控制器中采用了模糊控制理论通过实施模糊控制理论,获得了基于精度的结果。 高精度模糊控制理论将变量(田间高度与期望田间高度的偏差)转化为定义的变量集(E和EC),其中包含“高”、“非常高”等模糊术语。对于变量集合E定义了九个集合,对于变量集合EC定义了两个集合这一理论有助于控制器推断出铲斗的位置,铲斗的位置将是田地的高度桶从接收器接收 Sannakki等人(2011)开发了一种用于对叶病进行分级的创新系统。该系统分为五个部分,即图像采集,研究人员已经捕获了红叶的图像,图像预处理,然后根据所需的参数调整捕获的图像的大小,过滤和处理然后是彩色图像分割,其中k均值聚类用于分离健康的部分与疾病感染的部分。然后,从调整大小的图像,总的叶片面积计算,并在第三部分的帮助下,叶片的感染疾病的面积计算。最后,通过模糊推理系统,对病害进行了准确的分级模糊推理系统(FIS)是由Tremblay等人提出的。(2010)根据农田和作物特点确定最佳氮肥施用量此外,Valdés-Vela et al. (2015年)实施FIS以估计茎水潜力。Kavdir和Guyer(2003)将FL模型应用于苹果果实品质的测定Gottschalk等人(2003)开发了基于模糊逻辑的空气控制器,以保持马铃薯储存设施的温度。Escobar和Galindo(2004)提出了一种仿真软件(SCD),它对许多基于模糊的控制器都很有用。 该软件采用基于规则的知识库,并带有IF。THEN条件类型。它的图形化特点使软件K. Jha等人 /农业人工智能2(2019)1 - 129适用于任何模糊算法模拟。Tilva等人开发了另一种使用IF. THEN条件类型的模糊推理系统。(2013年)。该模型以气象资料为基础,对植物病害进行预测. 该系统的开发是为了避免疾病在植物中发生在特定的温度和湿度范围仅印度和中国就有27亿人生活在缺水的压力之在总用水量中,70%用于农业生产。剩余部分用于基础设施管道和其他杂项工程。城市漏水是不可避免的,也是无法控制的水需求将在短期内激增50%,这一事实不能被否决。 农业兄弟会是唯一的选择,其中水的使用可以通过采用智能灌溉系统进行优化。 通过灌输智能灌溉系统,可以在很大程度上减少水的浪费,可以减少20%的用水量。(Gupta等人, 2016年)。在所采用的传统灌溉方法中存在水浪费和缺水的主要问题举个例子,埃及面临着与邻国的尼罗河水分配问题针对灌溉过程中面临的问题,进行了充分的研究 许多公司已经开发了基于传感器的智能灌溉系统。 这些系统的开发是为了优化水资源利用,监测水污染,以及解决其他一些严重问题。土壤湿度和温度传感器直接与田间的嵌入式组件相互作用,在没有农民参与的情况下,照顾作物之间所需的水分配通过智能灌溉或任何其他传统方法向农场提供的水应该是优质的。研究人员已经开始在水产养殖领域以及农业领域实施物联网系统和人工智能技术Encinas等人设计的系统。(2017)通过部署最先进的自动化技术来监测水质。Wall和King(2004)提出了一种智能系统,该系统在现场部署的温度和湿度传感器的帮助下控制洒水器的阀门然而,这个系统没有考虑到水污染问题。 Miranda等人(2003)提出了一种分布式灌溉系统,该系统对土壤水分进行测量。M2M(机器对机器)技术,允许机器自主相互交互,并将数据直接在线存储在基于云的服务器中这种M2M技术处于起步阶段,正在稳步发展 Shekhar等人(2017)开发了一种技术,允许机器进行自我通信。 Yang等人(2007)还开发了一种自组织的完整的基于传感器的强化灌溉方法。该系统构建了底层和上层。 Pawar等人( 2018 ) 试 图 展 示 小 型 智 能 灌 溉 系 统 的 原 型 。 Savitha 和UmaMaheshwari(2018)在寻求智能灌溉系统时只考虑了自动化和物联网I到目前为止,还没有出现这样一种完全不受人为干预的情况本文试图提出一种方法SR编号作物/水果名称技术系统名称结果/说明局限性/未来范围国家参考1茶面向对象专家系统茶从该系统中选取65个实际案例,对相关参数进行评价,结果基本该系统的准确率仅为90%。其余的不准确是由于诊断不当造成的。印度(Ghosh和Samanta,2003年)2茶径向基莫迪·菲埃德满意该系统在茶园驻扎了两年这个神经网络的隐藏层是开发的系统只检测到三个印度(Banerjee等人,3一般功能网络基于规则茶。害虫31.该隐藏层的检测准确率为99.99%。测试误差仅为1%。该系统在实际应用中取得了令人满意的效果,茶树的主要害虫此外,它仅限于茶叶,而不是所有的经济作物。由于该系统是在20世纪80年代后期开发的,(2017年)澳大利亚(帕斯夸尔和4作物芒果专家系统人工神经(Pest专家系统)N/A它被开发出来了。(识别和控制昆虫)。开发的模型使用三个神经元,由于该领域的资源和开发不多,因此原型无法涵盖作物营养,盐度,品种选择等许多开发参数。系统没有事先Mansfield,2003)法国和(埃尔南-佩雷斯和木薯网络网络的隐藏层来识别水果中的水果。本研究表明预测和假设。还有,无法预测温度墨西哥等人,(2004年第10期)5啤酒花植物基于规则科拉克神经网络可用于获取食物中的干燥模式。这是为了检测疾病而正确系统中有像LANCE这样的模型捷克(Mozny等人,6黄麻专家系统人工神经N/A如霜霉病、啤酒花蚜虫和象鼻虫。系统提供了酒花植株在隐藏层中有9到5个神经元,而MESA在估计疾病危害时会产生问题,而且气象数据会根据当地气候而变化。预测结果与共和国1993年)孟加拉国(拉哈曼和巴拉,7不同网络模糊逻辑N/A该模型准确地预测了黄麻作物的生长。它使用反向传播来训练模型。用于分级和观察结果(树皮,根,叶),如果训练得当,模型可以预测不同作物的结果。有错误的分类问题,(2010年)马来西亚(Mustafa等人,8水果小麦图像N/A不同水果的分类是MATLAB。采用支持向量机技术对水果进行分类,采用模糊逻辑进行分级。两种机器算法SVM和神经网络发达的制度。但它可以减轻增加水果的颜色和质地的特征。可以设计出(2009年)印度(Punn和Bhalla,9水稻处理图案N/A网络用于分类过程。支持向量机的准确率为86.8%,神经网络的准确率为94.5%。使用的算法比手动开发的算法更准确。形态和颜色特征这将具有较少的计算成本。此外,可以使用不同的特征集对各种小麦品种进行分类研究中只考虑了水稻作物。2013年度)印度(山泰雅和分类,反向传播神经网络考虑到开发算法。从图像中获得9个形态特征和6个颜色特征。的准确性使用该系统可以识别和安抚各种作物上的进一步感染Ansari,2010年)(接下页)10K. Jha等人 /农业人工智能2(2019)1 - 12(续)Sr作物/水果没有名字技术系统名称结果/说明限制/未来范围网络分类数据集的范围从74%到90%。10扁豆机器视觉N/A平板扫描仪用作硬件一个带CPU的组件。采用K-NN、神经网络等多种方法对小扁豆进行颜色分级。此外,还使用了在线神经分类器,该分类器在农作物分级中的准确率几乎达到90%。成本效益和较小的扫描仪可以用来代替一个大的扫描仪,它可以只给出所需的信息所需的扁豆分类。由于扫描仪的尺寸,它提供了各种信息,这是不太有用的分类和分级的目的。加拿大(Shahin和Symons,2001年)通过人工智能和嵌入式技术的帮助,消除了过去强调的故障6. 提议的想法农业部门必须实现自动化,并且在实践中可以采用多种方式灌溉是最重要的土壤湿度传感器有助于监测土壤的湿度水平,并在土壤湿度低于农民设定的阈值水平时开始为农场浇水嵌入式系统和物联网有助于开发一个紧凑的系统,该系统无需人工干预即可监控农场的水位。有许多不同的技术,我们可以通过不同的形式实现自动化,如使用机器学习,人工智能,深度学习,神经网络,模糊逻辑。我们的想法是使用这些扩展方法中的任何一种来减少人为干预和人为努力。所有这些方法都有自己的优点和缺点,但它们的使用方式彼此不同。在深度学习技术领域的研究很少,该技术分析来自过去数据的图像数据集,并对植物或植物进行分类。Kamilaris和Prenafeta-Boldú(2018)讨论了农业中的深度学习概念以及在各个农业部门执行深度学习技术深度学习应用程序在这个领域是必需的,因为它对现代技术产生了重大影响,它通过向模型中添加更多深度来扩展机器学习深度
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 5
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- SSM动力电池数据管理系统源码及数据库详解
- R语言桑基图绘制与SCI图输入文件代码分析
- Linux下Sakagari Hurricane翻译工作:cpktools的使用教程
- prettybench: 让 Go 基准测试结果更易读
- Python官方文档查询库,提升开发效率与时间节约
- 基于Django的Python就业系统毕设源码
- 高并发下的SpringBoot与Nginx+Redis会话共享解决方案
- 构建问答游戏:Node.js与Express.js实战教程
- MATLAB在旅行商问题中的应用与优化方法研究
- OMAPL138 DSP平台UPP接口编程实践
- 杰克逊维尔非营利地基工程的VMS项目介绍
- 宠物猫企业网站模板PHP源码下载
- 52简易计算器源码解析与下载指南
- 探索Node.js v6.2.1 - 事件驱动的高性能Web服务器环境
- 找回WinSCP密码的神器:winscppasswd工具介绍
- xctools:解析Xcode命令行工具输出的Ruby库
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功