抽象性

世界人口预计到2050年将超过90亿,这需要农业和粮食生产增加70%以适应需求,这是农粮产业面临的严峻挑战。缺少资源、气候变化、COVID-19大流行以及非常严酷的社会经济猜想等背景下,如果没有计算工具干预和预测策略难以实现。人工智能机学习非常重要, 是一种预测性多科方法整合改善粮农部门,

开工导 言

估计全球粮食生产量必须增加60-110%,到2050年养活9-100亿人口一号,2..因此,农业领域的可持续性是保证不断增长人口的粮食安全和消除饥饿的关键此外,由于食品部门出现数起食品安全丑闻和事件,如牛海绵式脑病和家禽二恶英[3文献详实的溯源系统已成为食品链质量控制的要求此外,天气和气候变化条件以及缺水造成的可持续水管理是今后几年的关键挑战。基于这些理由,迫切需要从当前提高农业生产率范式向农业可持续性的战略转移。预测高效解决方案,帮助农民和利害相关方通过可持续农业实践加强决策是一个关键选择,特别是数字技术的使用,包括物联网技术(iot)、人工智能技术(AI)和云计算技术并广泛使用AI子集(机器深学算法)和定位情报技术目的是介绍人工智能和机器学习技术在农粮部门的主要应用

二叉人工智能机器学习方法

人工智能(AI)是一个创新工具,通过机器模拟人情能力过程,主要是计算机系统、机器人和数字设备4..数项应用AI包括自然语言处理理解人言通信口音,计算机视觉看到模拟数字转换,如视频,语音识别和专家系统模拟判断AI编码基础是学习(获取数据并创建算法将算法转换为可操作信息)、推理(选择正确算法实现优先结果)和自我校正(持续调整设计算法并确保提供最精确结果)等三种认知技巧5..AI技术正在数个部门使用,这些部门近年来增长最快,如金融、保健、零售、药学研究、智能流程自动化和营销等机器学习是AI的中心主题之一,帮助人们提高创造性和效率工作ML使用统计数学方法从数据集学习数据驱动预测/决策有几种不同方法可用常分二制首先是符号式方法(引出规则并清晰表示实例),第二是子符号式方法(人工神经网络:ANN)。ML方法分为三大任务:监督学习、不受监督学习和增强学习监督学习显示,此方法的目的是映射偏向输出变量6..预测模型使用标签数据创建并预知输入和期望输出变量受监督学习技巧下使用算法数之多,特别是决策树、贝叶斯网络和回归分析关于不受监督学习问题,它包括算法,如人工神经网络、集群、遗传算法和深入学习并使用无标签数据集而不事先了解输入和输出变量事实和Jordan和Mitchell都提到7无人监督机学习法案例使用无标签数据集建立隐藏模式,主要用于维度消减和探索数据分析第三类ML任务命名为增强学习,多算法用于机器技能获取、机器人导航和实时决策,如Q学习和深Q学习以ML任务为例,学习者与环境交互收集信息并合并两步培训测试数据集学习者因环境行为获奖 导致探索与开发两难学习者必须探索新的未知动作以获取更多信息,而不是利用已收集的信息8..最近AI技术开通了农粮部门实施之门AI方法为理解模型识别、服务创建和决策过程提供重要贡献和援助,支持农业食品应用和供应链的不同阶段AI农业主要目标是提供精度预测决策,提高生产率并保护资源4万事通AI工具建议算法评估性能,分类模式并预测意外问题或现象,解决农业领域理解问题,识别害虫及其适当处理方法,管理灌溉过程和水耗,建立智能灌溉系统非生物因素正通过遥感传感器评估,以优化作物和牲畜管理[4,九九..此外,AI实施和应用具有巨大优势,可使农粮部门及其相关企业发生革命性变化。AI提供效率更高的生产、收割和销售作物产品方法,强调检查缺陷作物和提高健康作物生产潜力,AI正在应用中使用,如自动机变换天气预报和病或虫精度98%最近苏亚塔等[10比较机器学习法和深学习法检测并识别柑橘树叶病VGG-16深学习法在疾病分类精度方面产生最佳效果第二,AI技术的发展强化农基企业通过改进作物管理实践更熟练地运营,从而帮助许多技术企业投资算法,这些算法正在农业中变得有用,并解决农民面对的对比问题,如气候变异和害虫杂草降低产量Crane-Droesch实事求是11开发出新颖模型法,用深神经网络增强参数统计模型,用我们称半神经网络(SNNs),并使用美国中西部的玉米产量数据显示,与经典统计法和完全非对数神经网络相比,模型培训期间预留年产量预测法优异性第三,通过使用AI工具,农民可以保持更新天气预报数据,并因此预测天气数据帮助农民提高产量和利润而不冒作物风险,结果,AI分析生成数据后,允许农民更好地了解和学习,然后通过实践采取预防措施,以便做出准时智能决策。fente和Singh12收集印度气候数据中心的不同天气参数(温度、降水量、风速、压力、露点可见度和湿度)并使用带有长期短期内存技术的循环神经网络实施天气预报模型测试结论认为,使用技术与其他天气预报方法相比产生高精度结果第四,AI方法能够监测土壤健康和管理,通过图像识别工具或深学习工具对土壤可能的缺陷和养分缺陷进行检测并识别,分析农场植物模式并同时理解土壤缺陷、植物虫害和疾病苏契特拉和派13分类预测喀拉拉北端印度区域土壤的土壤肥力指数和pH值,使用极端学习机技术显示五大问题中四大最大性能(80%精确率计算问题)取高斯基函数后加双曲切换PH分类问题最优性能(90%)取自双曲切值,中值取自Gaussian弧基值第五,AI技术就业的一个重要功能利益是通过减少使用杀虫剂来保护环境举例说,为快速精度管理杂草,AI技术实施机器人技术、计算机视觉和机器学习可帮助农夫喷洒化学物直接减少化学物质喷洒人工智能工具帮助农民寻找更有效的行动保护作物不受杂草先进AI基础技术实践对农粮供应链具有其他优势,如降低员工培训成本、缩短解决问题所需时间、减少人为误差量、减少人工干预量和提供实时良好、准确和稳健决策低成本[14..

3级人工智能技术应用改善农粮产业

目前,农业供应链四大集群(预产、生产、处理和分配)使用ML算法正变得越来越重要[15..生产前步骤使用ML技术,特别是预测作物产量、土壤特性和灌溉需求下阶段生产阶段ML可用于疾病检测和天气预测关于第三集群处理阶段,运用ML方法,特别是估计生产规划以达到产品高安全质量ML算法也可以用于分布集群,特别是在存储、交通和消费者分析方面预生产集群是农业供应链的第一步主要涉及预测作物收成、土壤特性和灌溉需求多位研究人员报告作物产量生产的重要性,以便更好地支持植物管理事实上,通过使用输入数据(设备需求、养分和肥料)预测基于ML算法的有效模型,这些精度农业工具旨在使利害相关方和农民支持作物产量预测理想决策并改进智能农作方法最近,不同的ML算法用于作物产量预测,如贝叶斯网络、回归、决策树、聚类、深学习和ANN16-18号..根据对土壤管理属性预测,数项ML算法用于学习土壤属性Morellos等人使用LS-SVM方法[19号研究140土壤样本Nahvi等[20码saE自学ML算法提高极端学习机架构的性能估计每日土壤温度库马尔等[21号创用CCM方法解决作物选择问题并帮助提高本季作物净产值此外,Ben Ayed等[16分析全球表橄榄栽培器 使用形态学、生物学和物理化学参数 贝叶斯网络研究这些参数对耐受性、生产率和油含量的影响显示油含量受作物耐受度高度影响预产物集群中另一个重要参数是灌溉管理,该管理在影响作物质量和数量方面起着关键作用。实现有效灌溉系统(更好地判定时间、地点和水量),研究人员使用土壤湿度数据、降水数据、蒸发数据以及天气预报作为输入数据,模拟优化基于ML适当算法预测模型22号..实中 Arvind et al[23号证明使用ML算法与传感器、Zigbee和Arduino微控制器等其他技术有效预测和处理干旱状况此外,Cruz等[24码开发ANN前向回向通信技术优化智能农场的水资源最近Choudhary等[25码PLSR等回归算法用成人工智能工具,并配之以传感器资料采集和硬件互联网实现以提高效率和经济可行性

生产集群是农业供应链的第二阶段多参数影响并发挥作物生产阶梯关键作用其中包括天气预报(阳光、雨量、湿度等)、作物保护不受生物压力因素(草原和病原体)和非生物压力因素(养分和缺水)、作物质量管理以及收获多式ML算法模拟有效天气预测模型(ANN、深学习、决策树、协同学习和实例学习)26,作物保护(分组回归)[27号ANN深入学习14网状检测(ANN、决策树、深学习和实例学习)28码),作物质量管理(分组回归)29和采集(深度神经网络,数据挖掘技术等k平均聚类k近邻ANN和SVM30码..收割阶段是作物成熟后最后园艺阶段,ML算法还用来预测果色或作物颜色变换多研究队使用ML算法预测水果成熟阶段和成熟度,如Gao等[31号高光谱数据集和亚历克斯网CNN深层次学习模型将草莓果分解为先行成熟阶段时实现98.6%分类精度处理集群是农业供应链的第三阶段农产品处理技术种类繁多,如加热、冷却、研磨、抽烟、做饭和干燥等选择处理阶段有效组合参数可提高食品质量和数量并同时避免资源过度使用数家食品产业使用现代食品处理技术,使用ML算法中,有遗传算法、ANN、聚类和贝叶斯网络32码..Arora和Mangipudi实战三十三支持向量机分类器和人工神经网络模型检测红肉食品样本中是否存在硝胺,并获取预测建模结果显示最高测试精度使用深学习模型法拉等[34号差分扫描量度结合ML工具(如梯度推动机、随机森林、RF、多层感知器、MLP和GBM)确定牛奶特征和真伪并检测欺诈最高效结果取自GBM和MLP机学习工具,这些工具能对100%染色样本分类分布集群是农业供应链的最后一步本阶段是食品生产和处理与最终使用或最终消费者之间的联系ML算法可用于存储、运输、消费者解析和库存管理运输和存储阶梯中,主要使用算法是遗传算法、聚类法和回归法预测技术旨在更好地维护食品质量,确保安全食品并跟踪产品[16..对消费者分析而言,ML技术如深学习和ANN用于食品零售阶段预测消费者需求、感知和购买行为清单管理使用ML遗传算法帮助预测每日需求并确保没有与清单有关的问题[35码..AI应用技术实例多见于农粮部门即机器人和机电学2无人机2,36号地理信息系统[37号块链38号卫星引导2..Miranda等[三十九上报并描述这些项目为感知、智能和可持续的技术,提供系统过程,互连互通、自动化、精度、监控和数字化40码-43号..智能机械化、机器人化和机械化农业旨在减少劳作并尽量减少使用高度自主智能机输入2..从马到拖拉机、机器人和智能车辆,一个革命时代已经到来,农业和食品工业从初级到高效农业,引进机械化、创新技术、计算机化分析和决策,提高农活和作物生产率2..开工机器常被称为Agribots,现在用于各种农业活动,即土壤编织、播种、除草和害虫处理、灌溉、肥化并最终实现收粮和果实,尽量减少努力和能源成本2,44号-47..农用无人机从土壤处理(除草剂)、播种阶梯、植物处理(杀虫剂)和生理控制和观察开始使用,最后取收成时间判定2,36号,48号-51号..农用无人机现在能够提供水、肥料、除草剂和杀虫剂甚至胶片、摄像头并实时制作地图以帮助农民做出管理决策2,48号,52-56号..农夫使用无人机监视牲畜监测疾病、伤害甚至怀孕57号..2019年,世界农业无人机市场价值约100万美元,预计到2027年将达370万美元[58码机器人和农用无人机市场预测到2028年将达230亿美元59号,60码..基于依赖卫星的地理空间技术,GIS应用数个农业领域:作物管理、灌溉控制、产量估计、疾病和杂草控制、农用自动化、牲畜监测、植被映射、侵蚀和土地退化预测37号,61号-68号..因此GIS应用适合精密农业、实时控制、提高认识并大大有助于满足持续增加粮食需求的需求阻塞链是另一种技术 解决消费者对食物源头 质量 主要是安全感知BC提供食品供应链透明性、信任度、认证度和可追踪性从农场到叉路,每个运算和数据都及时注册、保存、加密并安全,不单存中央服务器或单控件,而存入公共平台数据库,每个用户都可访问并参与交易[38号,69-79..数字计算机追踪整个食品供应链,可检测出产品缺陷、污染和染色性,从而优化产品质量和安全性众多机构、财团和平台79..2020年BC全球农粮市场规模约1.33亿美元估计到2025年将增长约9.5亿美元69..卫星引导技术应用到农业改良农场监测和辅助绘制农业区、土壤管理、农牧业、灌溉疾病和杂草控制、产量估计和收获2,80-88..上世纪末 单农能生产128粮 未来通过智能农业2..

4级AI和ML限制和退步

然而,尽管有所有这些长处,AI技术也有一些缺陷代表挑战第一,最重要的社会挑战 失业可能成为威胁智能机器和机器人可替换大多数重复工程和任务人干扰正在减少,这将在就业标准上造成重大问题。其它技术挑战,例如机器只能执行编程或开发任务,而除此以外,机器往往崩溃或提供无关输出,都可能成为主要背景此外,智能机和刀机高成本可被视为AI技术限制,特别是AI每天更新,正正正正因此硬件和软件需要时时更新才能满足最新需求机器需要修复维护 费用昂贵创建需要巨额费用,因为它们是非常复杂的机器与这些应用有关的其他问题包括高成本可提高产品价格此外,除智能计算机化技术提供的机会外,还可能给可持续性带来一些风险和忧虑,特别是大规模能源消耗、电子垃圾问题、市场集中化、工作置换甚至道德框架[79,89..

5级结论

农粮产业是人类最重要的领域第一批农产品作为多动分布式供应链输入物使用,包括农业供应链的四个集群或阶段(预产、生产、处理和分配),以接触终端用户或消费者未来农业和食品部门面临数大挑战以及气候变化、人口增长、技术进步和自然资源状态(水等)等各种因素,迫切需要在农产品供应链不同阶段使用数字技术,如农机自动化、传感器和远程卫星数据使用、人工智能、机器学习改善作物监控和水等农业食品可追踪性在当前研究中,我们展示AI和ML算法在不同农业供应链集群中的主要应用,以及不可置疑地采用这些算法改善食品产业的日益增长的趋势

数据可用性

支持本研究发现的数据可应请求从相关作者处获取。

利益冲突

作者声明无利益冲突