基于深度学习的智能农业计算机视觉技术及应用

农业中的人工智能6（2022）211基于深度学习的计算机视觉方法在智能农业中的应用V.G. Dhanyaa，A.d.Subeeshb，N.L.作者：Kushwahac，Dinesh Kumar Vishwakarmad，T.Nagesh Kumare，G. Ritikac，A.N.辛格aICAR-印度种子科学研究所，Mau，Uttar Pradesh 275101，印度bICAR-中央农业工程研究所，印度中央邦博帕尔，邮编462038。cICAR-印度农业研究所，印度新德里110012。dGovind Ballabh Pant University of Agriculture and Technology，Pantnagar，Uttarakhand 263145，IndiaICAR- National Institute of Natural Fibre Engineering and Technology，Kolkata 700040，Indiaa r t i c l e i nf o文章历史记录：收到2022年6月2日收到修订版，2022年9月22日接受，2022年2022年9月30日网上发售关键词：农业自动化计算机视觉深度学习机器学习智能农业视觉变压器内容a b s t r a c t农业正在经历快速的数字化转型，并在人工智能和相关技术等尖端方法 在人工智能的核心，基于深度学习的计算机视觉使各种农业活动能够以最高的精度自动执行，使智能农业成为现实。 计算机视觉技术与使用远程摄像机获取的高质量图像相结合，实现了农业领域的非接触和高效技术驱动解决方案。这篇综述有助于提供基于深度学习的最先进的计算机视觉技术，帮助农民从整地到收割。本文分析了计算机视觉领域的最新研究成果，并将其分为种子质量分析、土壤分析、灌溉水管理、植物健康分析、杂草管理、牲畜管理和产量估计等几个方面。本文还讨论了计算机视觉的最新趋势，如生成式对抗网络（GAN）、视觉转换器（ViT）和其他流行的深度学习架构。此外，本研究还指出了在农民的现场实时实施解决方案的挑战。 总体发现表明，卷积神经网络是现代计算机视觉方法的基石，其各种架构在精度和准确性方面为各种农业活动提供了高质量的解决方案。然而，计算机视觉方法的成功在于在高质量的数据集上构建模型并提供实时解决方案。版权所有© 2022作者。出版社：Elsevier B.V.我代表科爱通信公司，公司这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1.导言. 2122.计算机视觉和深度学习模型2132.1.使用CNN和对象检测模型进行图像分类缩略语：AI，人工智能; ANN，人工神经网络; BP，反向传播; C-GAN，条件生成对抗网络; CNN，卷积神经网络; COCO，上下文中的公共对象; CV，计算机视觉; DCNN，深度卷积神经网络;DL，深度学习; DNA，脱氧核糖核酸; RCNN，基于区域的卷积网络; FCN，全卷积网络; FLDA，Fisher线性判别分析; GAN，生成对抗网络; GLCM，灰度共生矩阵; GPU，图形处理单元; HOG，定向递归直方图; KNN，K-最近邻; LBP，局部二进制模式; LCTF，液晶可调滤波器; LDA，线性判别分析; LIDAR，光检测和测距; LSTM，长短期记忆; MHA，多头注意力; ML，机器学习;MLP，多层感知器; NASNet，神经搜索架构网络; NLP，自然语言处理; OCR，光学字符识别; PEAT，进步环境和农业技术; PLF，精准畜牧业; ResNet，残差网络; RF，随机森林; RGB，红绿蓝;SegNET，语义分割网络; SSD，单次多框检测器; SVM，支持向量机; UAV，无人机; VGG，视觉几何组; ViT，视觉变形器; WSN，无线传感器网络; YOLO，你只看一次。*通讯作者：V.G Dhanya，ICAR-印度种子科学研究所，Mau，北方邦275101，印度。Corresponding author to：A.Subeesh，ICAR-农业工程中央研究所（CIAE），博帕尔，中央邦462038，印度.电子邮件地址：www.example.comdhanya.vg @ icar.gov.in（V.G. Dhanya），subeesh. icar.gov.in（A. Subeesh）。https://doi.org/10.1016/j.aiia.2022.09.0072589-7217/© 2022作者。出版社：Elsevier B.V.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杂志主页：http://www.keaipublishing.com/en/journals/农业人工智能/V.G. Dhanya，A.北卡罗来纳州苏贝什库什瓦哈等人农业人工图1.一、智慧农业解决方案的组成部分。2122.2.生成对抗网络（GAN）和视觉转换器（ViT）2143.深度学习驱动的计算机视觉...................................................................................................................................................................................................................................3.1.种子质量分析2153.2.土壤分析2163.3.灌溉管理3.4.植物健康分析2183.5.杂草管理2193.6.牲畜管理2203.7.产量估计2214.实际影响2215.挑战和前进的道路6.结论224参考文献2241. 我不想让你失望联合国开发计划署2021年关于“利用数字技术促进可持续农业“的报告指出，到2050年，全球粮食产量需要增加98%，以养活99亿人口（Burra等人， 2021年）。这一目标需要通过有效利用现有资源，即土地、劳动力、资本和技术来实现（Ranganathan等人， 2018年）。精确农业的研究现状是在持续保护资源的同时，通过优化产量来建立农场管理的决策支持系统。建设性地指出，粮食安全的新趋势需要通过数据驱动的农业来处理，这可以提高生产力，效率和利润。 粮食需求、劳动力短缺、水资源短缺、气候变化等关键挑战（Badrzadeh等人， 2022; Elbeltagi等人，2022a;Kaack等人，2022年）和不断增长的能源需求导致需要技术干预。智能农业提供的机会，包括精确农业，数字农业以及现代农业实践，需要在这一点上进行初步验证 智慧农业主要基于三个平台，即科学，创新和ICT（信息和通信技术）（Khanna和Kaur，2019）。传统上用于收集和监测农业数据的信息和知识管理系统不仅费力，而且耗时且容易出错。因此，需要充分利用Navisphere在遥感、数字应用、传感器、先进成像系统、云数据存储以及使用决策支持系统进行智能数据分析方面的技术优势，使农业部门更加智能（图1）。智慧农业可以利用物联网、机器学习、云计算、区块链等，并从这些机会中受益，以改善粮食生产和应对这一部门新出现的挑战（Sami等人，2022年）。最近，计算机/移动技术甚至渗透到大多数农村地区，为连接农村生产者与城市消费者或国际投资者提供了一种独特的设施，从而促进了农业的更好投资和知识转让（Aker，2011年; Karim等人， 2013年）。 人工智能（AI）是一种改变游戏规则的技术，已经在包括农业在内的各个行业中获得了良好的记录（Adnan等人， 2021; Bhagat等人，2020; Jamei等人，2022 b; Kumar等人，2019; Subeesh等人，2019年）。 机器学习是人工智能的一个子集，研究人员在提供用于对复杂关系进行建模的创新解决方案以及进一步对农业数据进行预测方面已经广泛覆盖了机器学习的使用（Bhavsar和Panchal，2012年; Heramb等人， 2022; Jamei等人，2022 c; Karbasi等人， 2022; Malik等人，2022 a; Rai等人， 2022;Rehman等人， 2019; Tantalaki等人， 2019年）。计算机视觉是人工智能的一个领域，它正在使机器“看”，使用涉及相机和计算机而不是人类视觉的现代技术，赋予人工计算机视觉收集有关农作物、牲畜、农场或花园的必要视觉数据，使我们能够使用视觉元素识别、检测和跟踪特定对象，并理解复杂的视觉数据以执行自动化任务。 在过去的几十年中，基于计算机视觉技术的专家和智能系统已被很好地用于农业操作（Foglia和Reina，2006; Gomes和Leta，2012; Rico-Fernández等人， 2019年）。 此外，现 代技术和 硬件支持 （如图形 处理单元（GPU）和边缘设备）的发展使计算机的应用多样化V.G. Dhanya，A.北卡罗来纳州苏贝什库什瓦哈等人农业人工图二、数据驱动的精准农业系统架构。213视觉，从而使链到有效的农业生产（李等人，2019; Mochida等人，2019年; Rehman等人，2019; Vázquez-Arellano等人， 2016年）。 现代计算机视觉技术可以帮助对不同形态和生理植物参数进行数字量化以及对其进行定性评估，并且预计将快速提高植物表型分析的准确性（Araus和Cairns，2014; Ghanem等人， 2015年）。此外，将计算机视觉技术与DNA测序的高通量分子方法相结合为有用基因的全基因组探索和其分子建模提供了机会，以了解复杂性状，例如植物产量和生产力、胁迫耐受性、生物和非生物胁迫管理等（Araus et al. 2018; Shakoor等人， 2017年）的报告。 因此，通过各种成像传感器和算法辅助的计算机视觉技术的成像确实可以在精准农业和为智能农业铺平道路中发挥重要作用（Araus等人， 2018年）。 数据驱动的精准农业系统架构由部署在田间的传感器（传感层），提供连接，存储和其他服务的网络层（服务层）和由最终用户通过移动/基于Web的应用程序访问服务组成的应用层组成（图1）。 2）。可以部署集成和多模式人工智能（AI）模型来预测不同田间条件下的作物行为（Shrivastava和Marshall-Colon，2018;Waldhoff等人，2017年）的报告。已经使用深度学习和机器学习的算法评估了不同地区主要作物的产量表现，以及作物生产的田间条件、环境影响和经济结果（Tantalaki等人， 2019年）。深度学习允许具有多个处理层的计算模型以多个抽象级别指示数据（Schmidhuber，2015）。 深度学习在农业领域的主要应用是构建模型，以从农业数据中获得有意义的见解（Jamei等人，2022 a; Malik等人，2022 b），图像分析，包括分类和对象检测，例如疾病检测、杂草识别、土壤分析、植物病害检测等。（Kamilaris和Prenafeta-Boldú，2018）。在这项研究中，我们从科学数据库中收集了100多篇基于深度学习的计算机视觉领域的研究论文，包括PubMed，Web of Science和Scopus此外，我们调查了所有这些利用基于深度学习的计算机视觉技术来解决关键农业任务的工作，如植物健康监测、疾病和杂草识别、灌溉管理、土壤分析、牲畜管理、产量估算等。本研究的主要目的是评估基于深度学习的计算机视觉方法在关键农业问题中的渗透，本综述旨在为农业研究人员以及对计算机视觉解决方案应用感兴趣的一般计算机视觉研究人员提供帮助，以自动化和解决潜在的农业问题。本研究还建设性地指出了这些技术的实际影响以及实施大规模应用的主要挑战。2. Computervisindeplearnngmodels计算机视觉具有双重且相互关联的目标。在生物科学中，计算机视觉旨在使用计算模型来表示人类视觉系统，而在工程学的角度，计算机视觉试图创建能够执行人类视觉系统通常无法执行的任务的自主系统（Huang，1993）。计算机视觉通过摄像机、数据、模型和算法而不是视网膜和视觉皮层来赋予机器视觉能力光学字符识别（OCR）技术和智能字符识别是利用计算机视觉完成诸如文档和发票处理、车牌检测等任务的一些主要任务。在计算机视觉研究的早期阶段，主要关注的是建立边缘、曲线、角点的检测算法V.G. Dhanya，A.北卡罗来纳州苏贝什库什瓦哈等人农业人工图3. （a）卷积神经网络（b）LeNet-5架构。214和其他基本形状。在深度学习时代之前，图像处理依赖于灰度分割，这种方法不足以表示复杂的现代计算机视觉算法广泛依赖于人工神经网络，与传统的图像处理方法相比，人工神经网络在性能和准确性方面有了基于深度学习的计算模型允许多个处理层学习和推断模仿人脑的复杂模式（O'Mahony等人， 2020; Schmidhuber，2015; Zhong等人， 2016年）。它运行并检查数据多次迭代，直到它辨别出区别并识别或重新识别图像中的特征最近对深度学习的兴趣激增是因为它可以处理大量异构数据（视觉，音频，文本等）。并且能够将解决方案嵌入到几个硬件中。DL允许自动特征提取，并且可以用于许多图像处理任务，并且以其在处理基于视觉的活动（如图像分类、对象检测、语义分割等）中的有效性而闻名。事实上，这些任务是农业活动建模和自动化的支柱，例如疾病识别、杂草检测、产量估计等（Jha等人， 2019; Subeesh和Mehta，2021; Tian等人，2020年）。2.1. 使用CNN和对象检测模型进行图像分类基于卷积神经网络的深度学习架构在图像分类等计算机视觉任务中很受欢迎。卷积神经网络是一种神经网络架构，其获取输入图像并提取相关特征以有效地识别和分类图像。CNN使用标签来执行卷积并生成特征图。 引入包含数百万标记图像的imageNet数据集为构建先进的基于计算机视觉的模型奠定了基础和基准（Kriegeskorte和Golan，2019;Miikkulainen等人， 2019; Yoo，2015）。LeNet-5是Yann LeCun（LeCun）最早提出的CNN之一例如， 1998年），导致了各种CNN模型的发展（图。 3）。2012年，AlexNet架构（Krizhevsky等人，2012a）被发现用于图像识别，以及许 多 新 的架 构 ，如 VGGNet （ Simonyan 和 Zisserman ， 2015 ） ，ResNet（He等人，2015）等。也被研究人员引入，降低了错误率，提高了性能。图像分割方法通过将图像划分为若干段来理解图像的组成，是非常有用的图像分割为图像中的每个对象创建一个面向像素的掩模这简化了图像处理任务，因为对于处理任务可以单独考虑重要的段图像分类主要是识别特定图像所属的类别当同一图像中存在多个对象时，图像分类目标检测的目的是检测图像/视频中目标的位置目标检测任务包括两个主要组成部分：类信息和位置信息。位置信息由目标对象周围的边界框来描述。 诸如YOLO（You Only Look Once）（Redmon等人， 2016）、SSD（单次发射多盒探测器）（Liu等人， 2016）、Faster-RCNN（区域卷积网络）（Ren等人， 2016）被广泛用于跨包括农业在内的不同领域的对象检测和自动化。2.2.生成对抗网络（GAN）和视觉转换器（ViT）生成对抗网络（GAN）是一种用于无监督学习的特殊类型的神经网络GAN是一种生成建模的方法，可以学习模仿给定的数据分布这些模型有效地将数据简化为基本属性或生成具有不同属性的新数据点。应用GANs在许多图像生成任务中实现了最先进的性能，例如文本到图像合成（Xu et al.，2017）、超分辨率（Ledig等人， 2017），和图像到图像的翻译V.G. Dhanya，A.北卡罗来纳州苏贝什库什瓦哈等人农业人工图四、 GAN（Generative Adversarial Network）的训练过程。215（Zhu等人，2020年b）。一般来说，GAN有两个主要的构建块（两个神经网络），它们相互竞争，并且能够捕获，复制和分析数据集中的变化（图1）。 4）。 这两个网络通常被称为Generator和Discriminator。生成器神经网络帮助生成新的实例，而判别器神经网络则评估生成图像的真实性。训练器决定它评估的数据的每个实例是否属于实际的训练集，并惩罚生成器生成不可信的结果。损失的能量用于改进发电机（Reimers和Requena-Mesa，2020）。网络试图从真实数据中识别出假数据，两个网络同时工作以学习复杂的数据。 GAN是解决数据稀缺问题的灵丹妙药 ， 数据稀缺问题是 消 除 鲁 棒 深 度 神 经 网 络 模 型 的 严 重 障 碍（Hiriyannaiah et al.，2020年）。GAN生成的真实感图像不同于原始训练数据，在DL-计算机视觉的数据增强中具有很大的吸引力，可以减少模型的过拟合。Transformer模型已经成为文本最近，计算机视觉社区已经扩展了NLP（自然语言处理）Transformer的概念，以应用于图像域，其中在实现中稍微修改以处理多个模态（例如，、图片、视频等）使用类似的处理块（Dosovitskiy等人，2021年;Khan等人，2021年; Vaswani等人， 2017年）的报告。 尽管在这两种情况下使用的一般架构是相似的，但ViT使用不同的方法进行标记化和嵌入（图1）。 5）。整体架构由三个主要部分组成，即：补丁嵌入，特征提取堆叠Transformer编码器和classi fication头。在ViT中，最初，使用一组变换将形状（高度、宽度、通道）的输入图像嵌入到形状（n+1，d）输入图像被分割成一组图像块。然后，将这些图像块组嵌入到编码矢量中，并送入Transformer编码器网络。Transformer编码器使用Transformer编码器的堆栈从嵌入的补丁学习特征（Wu等人， 2021年）。编码器主要包括多头注意（MHA）和一个2层MLP层归一化和残差连接。被称为MLP头的最终MLP块被用作Transformer的输出 在图像分类的情况下，输出上的softmax生成分类输出。ViT在一些视觉应用中很有用，如图像分类、图像到文本、文本到图像生成、图像分割、对象检测等（Bazi等人，2021年; Li等人，2022年）。3. DEENCOPUTERVISION- A P L I C A R EANA R EAN3.1. 种子质量分析商业种子行业的重点是在适当的时间以适当的数量向农民提供适当质量的种子从高质量的种子中过滤出低质量的种子不仅是费力的，而且需要复杂的设备、基础设施和时间（Kannur等人， 2011年）。通过使用计算机视觉技术，可以提取不同种子批次的形态信息，并根据国际规定的质量标准对其进行分级（Bao和Bambil，2021），种子质量测试确实可以不同的种子测试模块可能涉及它们的物理纯度、遗传纯度、种子健康、活力、劣化模式等，其通常可以确实覆盖物理或视觉上可归因的特征，例如种子长度、形状、大小、视觉损伤和异物的存在，这些特征确实可以通过先进的计算机视觉技术来捕获（Granitto等人， 2005年）。基于深度学习的计算机视觉大大改善了传统计算机视觉的性能问题，从而更广泛地用于种子品种识别。利用计算机视觉进行种子质量评价的过程如图所示。第六章通常，光谱成像技术也与这些方法合并以增强准确性 （ Qiu 等 人 ， 2018 年 ; Zhu 等 人 ， 2019 年 ） 。 在 Zhu et al.（2019），结合光谱学和机器学习-CNN模型被发现在识别种子品种方面是有效的。机器学习模型在基于CNN和ResNet模型提取的特征对棉花种子进行分类时，准确率超过80%在另一项调查中，发现从计算机视觉CNN模型构建的SeedSortNet是有前途的，在对玉米和向日葵种子进行分类时的准确率为97.33%和99.56%（Li等人， 2021年）。CNN深度学习也用于认知有活力和无活力的种子，并且发现对于自然老化的种子具有90%的活力预测准确度是成功的（Ma等人， 2020年）。V.G. Dhanya，A.北卡罗来纳州苏贝什库什瓦哈等人农业人工216图五、 用于图像分类的视觉Transformer模型的架构（Dosovitskiy等人， 2021年; Vaswani等人， 2017年）的报告。Taheri-Garavand等人（2021）开发了使用可见光谱中的种子图像自动识别鹰嘴豆品种的模型。使用改进的VGG16模型进行鉴定。由于分选高质量的种子对育种业的增产至关重要，赵等。（2021）采用了七种不同的计算机视觉模型来准确检测和识别表面缺陷。MobileNet-V2模型在大豆数据集上表现出良好的检测精度各种研究人员进行了许多这样的研究，种子行业从先进的计算机视觉模型中受益匪浅，实现了更高水平的自动化能力。表1精确地总结了这一领域的一些研究。3.2. 土壤分析保持和改善土壤动态特性是农业土壤管理的主要重点，作物生产力（Kushwaha等人， 2022; Suchithra和Pai，2020）。 土壤质地分析需要采集土壤样品并将其带到实验室，在使用前将其干燥，粉碎和筛分。 对于粗糙的质地或沙质土壤，筛分是最典型的实验室分析方法，而对于较小的质地颗粒，则使用基于沉降理论的湿度计或移液管方法（Kushwaha等人， 2022; Sudarsan等人， 2016年）。随着图像处理能力的提高和图像获取的发展（例如，照相机）系统近年来，基于计算机视觉的图像分析方法在包括土壤科学在内的许多领域 这种方法用摄像机收集土壤图像（动态或静态），然后使用简单的计算机程序对它们进行分类和归类（图1）。7）。例如，在匹配纹理图案之后，可以直接从图像估计土壤颗粒的大小。在一些调查中，尝试了各种基于图像分析的计算机视觉方法图第六章 使用数据驱动模型进行种子质量分析。V.G. Dhanya，A.北卡罗来纳州苏贝什库什瓦哈等人农业人工217表1通过应用计算机视觉和深度学习进行种子质量分析的先前研究参考应用目标和场景方法作物结果（Javanmardi）玉米品种CNN作为通用特征提取器。分类玉米CNN ANN分类的分类准确率为98.1%，例如，2021年） 分类使用9使用ANN，SVM，kNN，提升树，袋装树准确率为98.2%，召回率为98.1%，F1评分为98.1%。不同品种和LDA（Qiu等人，2018年）品种鉴定KNN、SVM和CNN模型水稻CNN优于其他模型，在水稻训练集和测试集上87%的准确率（Gulzar等人，种子分类用于分类的VGG16架构-在234张图像2020年）使用14种种子（Wu等人， 2019年度）品种鉴定DCNN模型燕麦测试集的准确率为99.19%燕麦（Gulzar等人，种子分类CNN模型玉米和基于CNN的视觉模型-SeedSortNet开发97.332020年）玉米太阳能发电机太阳能电池 对玉米的准确率为99.56数据分别。（Liu等人，（2015年）蚕豆种子分选BP神经网络大豆对857幅大豆有虫害的种子。（韦拉马尼玉米种子缺陷VGG 19和GoogleNet玉米-例如，2018年） 检测（Dolata和品种鉴定CNN大麦平均分类准确率提高0.6%，灵敏度Reiner，2018） 大麦2.3%的人认为，（Kurtulmusic，种子分类AlexNet、GoogleNet和ResNet太阳能电池study.使用GoogleNet算法分类4800个样本，2021年）太阳能发电机太阳能植物种子。（Ni等人，2019年度）玉米种子分级DCNN玉米对408幅玉米图像的预测准确率为98.2%Haralick等人（1973）试图使用熵和基于角动量的纹理分类来对从航空或卫星源接收的图像进行分类。从那时起，灰度共生矩阵（GLCM）及其类似物已被用于各种遥感应用（Dell'Acqua和Gamba，2003;Kuplich等人，2005年）。然而，最高分辨率的卫星只能提供10米/平方像素的最大分辨率，这不足以了解土壤颗粒的大小。Riese和Keller（2019 a）实现了 三 个 一 维 （ 1D ） 卷 积 神 经 网 络 ： LucasCNN ， LucasResNet 和LucasCoordConv。此外，对于手头的分类问题，该研究调整了两种现有的1D CNN技术，并将CNN技术与随机森林分类器进行比较，以了解它们的效果。因此，研究使用LUCAS表土数据集，这是免费提供的。具有最小深度的CNN方法被证明是最有效的分类器。就平均精度而言，LucasCoordConv的结果最好同样，Zhang et al. （Zhang等人， 2003）提出了一种土壤质地分类系统，该系统使用小波变换方法来区分不同类型的土壤。 小波变换是一种强大的图像和信号分析方法，它具有多分辨率的能力，用于提取特征。使用一组训练实例来创建最大似然（ML）分类器。这种ML方法参数估计产生最佳结果。在训练和分类时，使用Fisher线性判别分析（FLDA）来优化和降低向量的维数土壤质地，如粘土，沙子和粉土用于训练和分类。粘土、砂和粉土的矿化率分别为60%、100%和100% 在实例分割中，Zhang等人（Zhang等人， 2020）建议使用R-CNN的掩模来细化对象细节。我们的目标是弄清楚高级和低级特征的语义分割如何影响实例分割。COCO（上下文中的常见对象）和城市景观数据集用于收集试验结果。据报告，这一方法使用简单，效果显著。表2总结了之前使用DL计算机视觉进行土壤分析的一些重要研究。3.3. 灌溉管理农业生产中的灌溉水管理需要付出相当大的努力，对于维持水文、气候和农艺平衡至关重要因此，已经进行了几项研究，以获得生物物理过程的知识，包括通过土壤根区的水分吸收和通过植物冠层的 蒸 腾 过 程（Elbeltagi等人，图第七章利用图像处理进行土壤质地分析。V.G. Dhanya，A.北卡罗来纳州苏贝什库什瓦哈等人农业人工2182022 b; Kushwaha等人， 2021年）。 对于有效的灌溉计划，有必要知道作物所需的精确水量（Kushwaha等人， 2016; Vishwakarma等人，2022年）。因此，计算机视觉技术的应用以及自动化作物生产管理、植物灌溉和产量评估的集成和部署变得至关重要。Zhang等人 （Zhang等人， 2018）使用卷积神经网络（CNN）方法分配灌溉水，对中心枢纽灌溉系统进行识别和监测。构建并比较了具有各种结构的CNN，并开发了用于数据增强、训练的采样策略。在测试区域，使用性能最好、训练时间最短的CNN。为了进一步精确定位每个中心枢轴系统的中心，提出了基于方差的技术。该方法在中心枢纽灌溉系统的识别挑战中表现良好，识别结果的准确率为95.85%，召回率为93.33%。同样，Chang和Lin（Chang和Lin，2018）开发了一种紧凑型智能农业机器，能够在耕地上自主除草和可变浇水，使用计算机视觉和多任务的组合该系统实时对植物和杂草进行分类，以便在保持90%的平均除草率和80%的深层土壤水分水平的同时进行除草和浇水这种策略有很大的潜力，因为它不仅允许多任务集成，而且还允许整体资源利用Kamyshova等人（Kamyshova等人，2022）提出了一种基于计算机视觉的技术，用于在低延迟模式下利用植物指示系统来优化作物的浇水过程，该研究提出了一种基于算法的系统，用于获得玉米灌溉图。该系统包括8个IP摄像机，与连接到笔记本电脑的DVR相连，可以安装在中心枢轴灌溉系统上算法有三个步骤在图像预处理阶段使用集成的过量绿色本研究根据系统的运行状况选择的方法的应用是分类阶段。最后利用弹性传播法训练的神经网络来计算喷灌场当前区域内植物的浇水率。植物识别准确率高达93%，生长阶段高达92%。低成本相机现在被用于所有技术领域，特别是农业应用。通过照片获取园艺作物生长的相关信息，可以精确评估土壤水分平衡，从而实现准确的灌溉规划（Koech和Langat，2018）。表3显示了灌溉通过应用计算机视觉和深度学习技术来管理水资源。3.4. 植物健康分析随着计算机视觉和深度学习的进步，引入了新的有前途的解决方案来识别植物的整体健康状况作物病害识别智能决策支持系统（图1）。8）、水分胁迫和养分缺乏将导致及时控制恐慌情况并消除巨大损失，最终导致植物质量的改善。由生物和非生物因素引起的植物逆境在冠层表现为多种症状。在水分胁迫的情况下，植物关闭气孔并延迟光合作用和蒸腾作用活动，这表明叶子和温度的颜色变化（Nilsson，1995）。类似地，营养缺乏相关症状通常在叶子颜色和质地中可见（Xu et al.， 2011年）。图像分析可以非常有效地检测图案中的这些变化基于深度学习的计算机视觉方法是解决及时疾病识别和避免咨询人类专家的可行解决方案大量公共图像数据集的可用性，例如PlantVillage（Hughes和Salsman，2016），PlantDoc（Singh等人， 2020）已经扩散了疾病识别领域的研究，并且许多工作已经朝着无病农业迈出了令人鼓舞的步伐（Hassan和Maji，2022; Ji和Wu，2022; Nagasubramanian等人， 2019年）。PlantVillage数据集已被广泛用于各种再利用，使用深度学习解决疾病识别问题的搜索器（Amara等人，2017; Brahimi等人，2017; Ferentinos，2018; Mohanty等人， 2016年）。 几项研究表明，预先训练的模型在精度、再调用和F1评分方面快速准确地识别疾病（Abbas等人， 2021年; Chen等人，2020 b; Coulibaly等人， 2019;Mukti 和 Biswas ， 2019; Thakur 等 人 ， 2021 年 ） 。 Abbas 等 人（Abbas等人，2021）使用条件生成对抗网络（C-GAN）生成的合成图像来构建番茄叶病检测。 C-GAN可以解决数据不足的问题，并为模型提供更多的泛化能力（Mirza和Osindero，2014）。值得注意的是，一些研究集中在疾病点的定位上，给出了关于疾病的精确信息（Cen等人，2016;Liu和Wang，2020; Mathew和Mahesh，2022; Son，2021）。其他几项研究报道了基于DL-计算机视觉的作物胁迫识别的研究，包括水分胁迫和营养缺乏（Abdalla et al.， 2021; Anami等人， 2020年; Jahagirdar和表2关于计算机视觉和深度学习技术用于土壤特性分析和管理的先前研究参考目标和应用场景方法和结果（Riese和Keller，2019b）（Omondiagbe等人，2022年）土壤质地分析土壤质地预测CNN架构LucasCNN、LucasResNet和LucasCoordConv模型采用自动深度卷积神经网络，基于群体的学习，用贝叶斯优化代替随机搜索具有最小深度的CNN方法被证明是最有效的分类器结果显示，所有三种土壤的改善率为5%至26例如沙子、淤泥和粘土。（Pyo等人，2020年）估计重金属浓度根据土壤反射率图像，训练具有卷积自编码器的CNN来估计As，Cu和Pb金属。最高的准确性报告为As，Cu和Pb的估计值与R2值为0.86，0.74，和0.82。（Zhong等人，2021年）土壤特性DCNN架构LucasResNet-16和LucasVGGNet-16模型与单任务DCNN模型相比，基于LucasResNet-16创建的多任务DCNN模型的性能得到了增强。（Yu等人， 2019） 土壤分类基于液体晶体可调谐滤波器（LCTF）的系统和用于土壤分类的3D-CNN-SD-PCA的总体准确率为99.59%（Azadnia等人，2022年）（Azadnia等人，2022年）纹理分析开发了基于智能手机的便携式CNN机器视觉系统。使用CNN提取特征，并使用ANN、SVM、RF和KNN分类器进行分类纹理分析使用深度学习模型VggNet 16、ResNet 50和Inception-v4模型对土壤团聚体在20、40和60 cm距离处的模型准确度分别为99.89、99.81和99.58%，CNN网络的总体准确率分别为96.2%、97.1%和98.7%。V.G. Dhanya，A.北卡罗来纳州苏贝什库什瓦哈等人农业人工表219219通过应用计算机视觉和深度学习方法进行灌溉水管理的先前研究。应用目标和情景（Albuquerque等人，2020年）（Chen等人，（2020年a）识别灌溉系统故障农业灌溉水源水污染的识别基于Mask R-CNN的无人机捕获图像分割基于近红外数据在给定数据集大小的情况下，结果令人满意。验证结果为RMSEV为25.47，Rv为0.914（Zhang等人，2018年）喷灌系统供水监测与识别基于CNN的无人机捕获图像分割的准确率和召回率分别为95.85%和93.3%，分别达到了。（Tang等人，2021年）监控中心枢轴灌溉系统基于GoogLeNet和Hough变换的轻量级实时目标检测网络（PVANET）Sentinel-2图像的实验达到了95%的准确率和95.5%的召回率，（Kumbi和Birje，2022）基于原子优化的深度卷积神经网络（SFAO-DeepCNN）算法最高准确度为92%，特异度为91.2%，敏感度为94.1%（Kim等人，2022）灌溉渠道水位估算ResNet-50图像分类和U-Net灌溉渠道闭路电视图像分割模型图像分割模型显示Dice得分为0.998，预测水位显示R2为0.97Budihal，2021）。表4显示了之前基于深度学习的计算机视觉技术在植物健康分析方面的研究。3.5. 杂草管理杂草是影响农业生产的主要因素之一。随着人们对提高农业生产力的关注，越来越多的化学品被倾倒到环境中，目的是控制杂草的生长。但要提高生产力，还需要对资源进行优化利用，而这只有通过对杂草的精确喷洒才能实现传统的机器人除草器通常通过检测作物行模式来工作，并且它们不依赖于用于除草操作的作物识别如果杂草密度和种群很大，它们可能会使行模式变得模糊，导致除草机效率降低计算机视觉方法在这一点上通过准确地识别对象来拯救，因为杂草的精确喷洒取决于杂草的准确识别和位置最近，研究人员进行了几项关于计算机视觉技术在田间水平上对植物物种进行农艺分类的适应性的研究，即从杂草、非杂草类型等中对作物进行分类（Sau和Ucchesu，2019年; Sau等人， 2018; Subeesh等人， 2022年）。已经提出了在基于叶识别模式的植物物种的自动识别中相同的详细应用，用于保存和编目植物物种（Putzu等人， 2016）以及种质的植物学表征（Lo Bianco等人，2017年）的报告。实现田间杂草检测的方法主要包括利用传统的图像处理和深度学习的计算机视觉技术当使用传统的计算机视觉方法时，提取不同的特征，如颜色，形状，纹理图八、基于深度学习的计算机视觉方法用于植物健康分析。V.G. Dhanya，A.北卡罗来纳州苏贝什库什瓦哈等人农业人工220表4先前关于计算机视觉和深度学习技术用于作物健康分析的研究引用应用目标和场景方法作物结果（Hassan andMaji，2022）（Hati和Singh，植物病害鉴定物种识别（SR）基于少参数Inception和Residual连接的轻量级CNN基于残差网络（ResNet）大米、木薯12个不同在Plantvillage、Rice和Cassava数据集物种识别：准确率91.84%，召回率91.67%2021年）（Ji和Wu，