摘要：于丰华, 许童羽, 郭忠辉, 白驹驰, 相爽, 国斯恩, 金忠煜, 李世隆, 王世宽, 刘美含, 惠尹宣. 水稻智慧无人农场关键技术研究现状与展望[J]. 智慧农业(中英文), 2024, 6(6): 1-22. DOI: 10.12133/j.smartag
本文节选自:
于丰华, 许童羽, 郭忠辉, 白驹驰, 相爽, 国斯恩, 金忠煜, 李世隆, 王世宽, 刘美含, 惠尹宣. 水稻智慧无人农场关键技术研究现状与展望[J]. 智慧农业(中英文), 2024, 6(6): 1-22. DOI: 10.12133/j.smartag.SA202410018
YU Fenghua, XU Tongyu, GUO Zhonghui, BAI Juchi, XIANG Shuang, GUO Sien, JIN Zhongyu, LI Shilong, WANG Shikuan, LIU Meihan, HUI Yinxuan. Research Status and Prospects of Key Technologies for Rice Smart Unmanned Farms[J]. Smart Agriculture, 2024, 6(6): 1-22. DOI: 10.12133/j.smartag.SA202410018
官网全文免费阅读
水稻产后智慧化关键技术研究现状与展望
水稻产后环节的智慧化关键技术包括水稻估产技术、无人收割技术、粮食加工技术和品质检测技术。
1 水稻估产
随着遥感技术的发展，学者们不断探索不同数据源和算法的融合，以提升无人农场水稻产量估算的精确度。基于无人机和卫星获取的多时相RGB影像、光谱数据、雷达数据等，结合深度学习、随机森林等机器学习算法，逐步实现水稻的动态估产。这些方法不仅能够定量反映作物生长状况，还能提高预测的稳定性与可靠性。
在基于植被指数的估产方法研究方面，吴雨轮提出一种基于归一化植被指数并结合气候修正因子的水稻估产模型。吴燕平等基于水稻生育物候期内的多时相多光谱MODIS13Q1影像产品，建立增强植被指数（Enhanced Vegetation Index, EVI）与水稻年产量之间的多元统计回归模型，应用于年产量预估。田婷等通过无人机搭载多光谱传感器，提取不同生育期8种植被指数与水稻产量的实测值建立水稻估产模型。Kanke等使用基于红光和红边的植被指数对稻田产量进行预测，基于红边的植被指数可能比基于红光的植被指数更能准确地预测水稻产量。Zhou等利用无人机搭载多光谱和数字传感器，通过单时相和多时相植被指数对水稻产量进行预测，多时相指数预测精度高于单时相预测精度，且与LAI相关性较高的植被指数对产量预测效果更优。
也有学者通过多特征融合的方法进行产量估计。王小攀等利用“珠海一号”高光谱卫星遥感数据，计算并筛选出18个对产量敏感的建模因子，通过训练随机森林模型优化参数，实现对研究区域的水稻估产。张海珍等以多时相的高光谱遥感数据建立水稻单产模型，计算研究区域年水稻总产量。Cao等利用卫星植被指数、气象指数和土壤属性数据，并结合长短期记忆网络（Long Short-Term Memory, LSTM）、随机森林和最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator, LASSO）模型在谷歌地球引擎（Google Earth Engine, GEE）平台上进行水稻产量预测。Elders等基于多时相的Sentinel-2遥感数据和随机森林模型预测研究区的水稻产量。Wan等通过融合无人机图像中的光谱和结构信息对水稻全生长期进行监测，提取了植被指数、冠层高度和覆盖度等特征改进稻谷产量预测模型。
此外，也有学者利用数据同化方法结合作物生长模型实现对水稻的估产。陈劲松等通过数据同化方法，将环境卫星HJ-1A/B数据提取的水稻叶面积指数信息与作物生长模型相结合，以提高水稻估产的精度。Yang等将ORYZA2000模型与半经验后向散射模型结合，利用全局优化算法洗牌复形演化算法-亚利桑那大学（Shuffled Complex Evolution-University of Arizona, SCE-UA）对ORYZA2000模型进行优化，生成水稻产量分布图。Sun等将两个热应激模型耦合到基于资源与环境综合的水稻作物模型（Crop Estimation through Resource and Environment Synthesis-rice, CERES-Rice）中，模拟水稻在开花和灌浆阶段的生长过程，改进后的模型相比原模型在水稻产量估算上更为准确。
综上，当前水稻估产研究尽管结合了多源数据和多种算法取得显著进展，但仍存在若干不足。首先，多源数据融合容易产生不同数据的时空分辨率不一致的问题；其次，气候变化对模型鲁棒性也有一定的影响；此外，还存在作物生长模型的参数优化复杂的问题。未来研究需要在数据融合、气候适应性、模型通用性与可解释性等方面继续探索，以提高水稻产量预测的精度和应用效果。
2 无人收割
将无人收割机应用到水稻收割的过程中，既能降低粮食的损耗，又能提高生产的效率。目前，国内外水稻联合收割机主要包括全喂入与半喂入两种机型。
2.1 全喂入机型收割机
全喂入机型结构简单，割台切割下来的谷物需要全部进入滚筒脱粒，如图1所示。但是含杂率、破损率、油耗均较高，脱粒后的水稻品质较差，破损率高达5%以上。Liu等结合再生稻的种植模式和收获要求，设计了一种三角履带式再生稻收割机，再生稻第一次收获的线性滚动率降低了26.1%。李川等通过灰色关联分析，确定了割台主动轴扭矩、发动机从动轴扭矩与喂入量的关联度，分别建立了回归模型。并根据灰色关联权重对两个回归模型进行加权融合，结果表明回归模型的平均绝对误差为0.09 kg/s，平均相对误差为6.28%，能够实现喂入量的准确检测。
图1 全喂入联合收割机
Fig. 1 Full-feed combine harvester
2.2 半喂入机型收割机
半喂入机型结构复杂，割台切割下来的作物仅穗头部进入脱粒滚筒脱粒。这种机型的含杂率相对较低，脱粒干净。Doungpueng等收集了15台联合收割机的数据，生成了KDML-105（Kao Dawk Mali 105）变体的预测模型，使用12台联合收割机验证预测模型。结果表明，该模型的RMSE为0.24 m2/s。Liang等在切向-纵向轴联合收割机上安装传感器，在华北地区进行了粮食分离损失监测试验，结果表明该监测方法可行，收割水稻时测量相对误差最大为4.63%。Hasan等分别使用小型联合收割机和手动收割两种方式对不同地区的水稻进行收割，与手动收割方式相比，使用小型联合收割机成本节省了55.86%。
目前，智能化技术的应用使得无人收割机能够实现自主运行、智能识别作物的功能，极大地提高了农业生产效率和质量。然而在收割中有时需要多台机器协同作业以提高作业的效率，满足农事生产的需求。因此，合理分配各农机作业任务、协同各农机间任务的逻辑关系至关重要。河北农业大学等高校已开展相关研究。如李文鑫等针对联合收割机与运粮车无法协同优化调度的问题，构建多机型多任务协同优化调度模型，为联合收割机与运粮车的协同调度问题提供了有效的解决方案。
从水稻无人收割机的企业发展来看，国际上水稻收割机中知名度较高的有久保田、约翰迪尔、雷沃谷神、江苏沃德等。其中，久保田凭借其高质量产品长期占据着中国水稻联合收割机市场的最大份额。而江苏沃德作为水稻联合收割机的领头羊企业，是久保田在水稻联合收割机市场中的主要竞争对象。就目前来看，中国水稻联合收割机市场格局已经趋向稳定，市场集中度较高。从收割技术的发展来看，无人收割技术仍存在着图像识别准确度不高，自动驾驶安全性不足等问题。未来可以通过加强传感器设备、引入碰撞避免算法、建立完善的紧急制动系统等方法改善这些问题，使无人收割机能够更好的为农业提供支持，实现农业生产的高效，精准和可持续发展。
3 稻谷储藏品质检测
稻谷储藏品质指标主要包括水分含量、脂肪酸含量、直链淀粉含量、淀粉酶活性、挥发性物质等。
在水分含量、脂肪酸含量、直链淀粉含量、淀粉酶活性等稻谷储藏品质检测方面，光谱技术提高了检测的准确性、速度和自动化水平。苗雪雪等利用近红外光谱技术实现了大米中含水量的快速测定。Weng等使用反射光谱技术，实现了对大米淀粉酶活性和水分含量的快速、无损检测。目前，已有公司研发了稻谷储藏品质检测的仪器，如波通公司研发的IM9500近红外分析仪和FT9700傅里叶变换型近红外光谱仪均能够快速准确地分析稻谷脂肪酸含量，简化了检测流程。
挥发性物质的检测方法主要包括气质联用技术和电子鼻技术等。Ashokkumar等通过气相色谱-质谱联用技术分析了南印度八种传统稻米和两种现代稻米的挥发性有机化合物和总酚含量。Wang等用气相色谱-质谱联用技术对稻谷储存前后的代谢物进行了分析。Xu等应用电子鼻技术检测大米在陈化过程中产生的主要挥发性有机化合物。Zhang等使用电子鼻和气相色谱-质谱联用技术检测了粳稻发霉过程中的挥发性有机化合物，并成功识别了与霉菌污染相关的主要成分。
综上，目前多种稻谷品质指标依赖不同的检测技术，集成难度较大。未来研究应着重开发便捷、经济的挥发性物质检测技术，并且集成多项检测指标，实现稻谷储藏品质的高效综合监控。
4 稻谷加工品质检测
在稻谷加工过程中，机器视觉技术的应用逐渐增加，通过图像传感器获取物体图像信息，并将其转换为数字信号，以分析大米表面颜色、亮度等特征，可以客观、高效地检测加工精度、垩白度、碎米率等大米加工品质，从而提高生产效率，降低人为误差。万鹏等利用机器视觉和反向传播神经网络（Back Propagation Neural Network，BPNN），通过颜色特征值检测大米加工精度，试验平均准确率为92.17%。陈昊然等研究提出了一种基于图像显著性区域提取的垩白区域检测算法，用于提高大米垩白度检测的准确性，试验表明其检测准确率为96.76%。程科等设计了一套基于机器视觉的大米外观品质参数在线检测系统，能够实时检测碾米机出料口的大米碎米率和留皮度，以在满足加工精度的同时控制碎米率。Prabira等应用聚类算法精确区分并分割出大米中的垩白区域，分割效果如图2所示。中谷机械公司研发了大米外观品质测定仪，通过图像采集、图像处理技术可以检测大米质量指标中的整精米率、垩白粒率、垩白度等指标。
图2 大米垩白分割效果图
Fig. 2 Segmentation effect of chalky rice
综上，机器视觉技术在稻谷加工品质检测中虽取得了一定成效，但仍存在不足之处。首先，检测精度易受光照、灰尘、设备震动等环境因素影响，导致检测结果不够稳定；其次，由于不同品种和加工批次的大米在颜色、形状等方面存在差异，现有模型的泛化能力还不足。未来研究可结合深度学习与多模态融合技术，提升机器视觉系统对大米外观特征的识别能力及适应性。
为方便农业科学领域读者、作者和审稿专家学术交流，促进智慧农业发展，为更好地服务广大读者、作者和审稿人，编辑部建立了微信交流服务群，有关专业领域内的问题讨论、投稿相关的问题均可在群里咨询。入群方法：加小编微信17346525780，备注：姓名、单位、研究方向，小编拉您进群，机构营销广告人员勿扰。
发布征集
来源：智慧农业资讯一点号
