Research on the development of smart tobacco agriculture based on artificial intelligence technology

doi:10.16178/j.issn.0528-9017.20221226

Abstract

Abstract:

Under the historical background of a new round of scientific and technological revolution and industrial transformation, the development of smart tobacco agriculture is an inherent requirement of modern tobacco agriculture, and it is also an inevitable trend and correct choice to realize the modernization of my country's agriculture. As the key technology for the development of smart tobacco agriculture, artificial intelligence technology has great potential in the field of tobacco agriculture. Therefore, this paper summarizes the application status of artificial intelligence technology, especially target detection technology, image recognition technology, and intelligent control technology, based on the connotation of smart tobacco agriculture development, and selects the four key links of tobacco leaf production: seedling raising, planting, curing, and grading. On this basis, the restrictive factors of the development of artificial intelligence technology are analyzed, and the future development trends, research hotspots and technological breakthroughs are prospected from the perspective of industrial application, in order to provide ideas and reference for the intelligent development of tobacco agriculture.

Key words: smart tobacco agriculture, artificial intelligence technology, research progress, restricting factors, development suggestions

CLC Number:

S572

SHI Xu, GAO Song, LIU Shuai, MA Shiquan, HUANG Kun, PAN Yuanhong, GUO Jian, SONG Wenfeng, ZHANG Tiehuai, GUAN Qunrong, XIAO Changdong, WU Jinhui, LONG Baoan, PU Enping, SHI Xiaohui, WU Si. Research on the development of smart tobacco agriculture based on artificial intelligence technology[J]. Journal of Zhejiang Agricultural Sciences, 2024, 65(4): 942-948.

References 61

[1]	代琛. 浅谈现代烟草生产与农业发展的关系[J]. 农业与技术, 2019, 39(8): 167-168.
[2]	王小兵, 康春鹏, 刘洋, 等. 牢牢抓住建设智慧农业的时代主题[J]. 中国农业资源与区划, 2021, 42(12): 46-50.
[3]	赵春江. 人工智能引领农业迈入崭新时代[J]. 中国农村科技, 2018(1): 29-31.
[4]	SHI Z Z. Advanced artificial intelligence[M]. Singapore: World Scientific, 2011.
[5]	汝刚, 刘慧, 沈桂龙. 用人工智能改造中国农业:理论阐释与制度创新[J]. 经济学家, 2020(4): 110-118.
[6]	董建新, 苏建东, 王刚, 等. 我国烟草育苗技术现状分析[J]. 中国烟草学报, 2015, 21(1): 119-124.
[7]	丁万红, 唐勇, 张瑜琨, 等. 烟草育苗技术[J]. 农村科技, 2014(5): 51-52.
[8]	魏兴, 祝诗平, 黄华, 等. 基于ZigBee的烟草育苗大棚群环境参数无线监测系统设计[J]. 江苏农业科学, 2016, 44(2): 414-417.
[9]	谢文婷, 黄浩, 邓世媛, 等. 基于营养液自动循环系统的烟草育苗方式[J]. 烟草科技, 2013, 46(7): 72-75.
[10]	李晓歌, 李娜. 基于单片机的烟草育苗大棚温湿度监测系统设计[J]. 南方农机, 2022, 53(4): 30-33, 37.
[11]	张锦中, 朱学杰, 赵虎, 等. 烟叶育苗大数据综合管理系统的开发与应用[J]. 科技创新与应用, 2016(28): 95.
[12]	王曦, 王晓萍, 闫霞. 关于机械化智慧工厂育苗模式的思考[J]. 当代农机, 2021(6): 4-6.
[13]	孟曼琳. 洛宁县现代烟草农业发展现状及对策研究[D]. 郑州: 河南农业大学, 2021.
[14]	李杰, 徐兴阳, 杨树明, 等. 昆明市植烟土壤养分时空变异特征及其适宜性评价[J]. 云南大学学报(自然科学版), 2022, 44(2): 424-434.
[15]	张久权, 张瀛, 黄一兰, 等. 土地整理后土壤理化性状和烤烟产质量空间变异[J]. 土壤, 2019, 51(6): 1232-1239.
[16]	张双双, 贺非, 郭军, 等. 植烟土壤改良技术的研究进展及应用情况[J]. 河南农业, 2020(23): 17-18.
[17]	ELGAALI E, GARCIA L A, OJIMA D S. Sensitivity of irrigation water balance to climate change in the great Plains of Colorado[J]. Transactions of the ASABE, 2006, 49(5): 1315-1322.
[18]	李民赞, 郑立华, 安晓飞, 等. 土壤成分与特性参数光谱快速检测方法及传感技术[J]. 农业机械学报, 2013, 44(3): 73-87.
[19]	郑立华, 李民赞, 孙红. 基于近红外光谱的土壤参数快速分析系统[J]. 光谱学与光谱分析, 2009, 29(10): 2633-2636.
[20]	董超. 麦田土壤-作物养分时空耦合及其变量施肥模型研究[D]. 泰安: 山东农业大学, 2020.
[21]	陈昌华, 谭俊, 尹健康, 等. 基于PCA-RBF神经网络的烟田土壤水分预测[J]. 农业工程学报, 2010, 26(8): 85-90.
[22]	杨宇, 余伟, 冯文龙, 等. 攀枝花市烤烟土壤湿度空间分布反演研究[J]. 安徽农业科学, 2021, 49(16): 67-69, 74.
[23]	王一丁, 赵铭钦, 刘鹏飞, 等. 基于高光谱分析的植烟土壤有机质和全氮含量预测研究[J]. 中国烟草学报, 2016, 22(3): 44-51.
[24]	兰玉彬, 王天伟, 陈盛德, 等. 农业人工智能技术:现代农业科技的翅膀[J]. 华南农业大学学报, 2020, 41(6): 1-13.
[25]	杨睿, 王应宽, 王宝济. 基于WoS文献计量学和知识图谱的农业机器人进展与趋势[J]. 农业工程学报, 2022, 38(1): 53-62.
[26]	王瑜, 郑子辉. 人工智能技术在农业领域的应用方向及发展路径[J]. 信息通信技术与政策, 2019(6): 29-31.
[27]	张鹏, 张丽娜, 刘铎, 等. 农业机器人技术研究现状[J]. 农业工程, 2019, 9(10): 1-12.
[28]	胡旭. 基于多旋翼无人机的烟草打顶装备设计及试验[D]. 镇江: 江苏大学, 2021.
[29]	夏炎, 黄亮, 王枭轩, 等. 基于无人机影像的烟草精细提取[J]. 遥感技术与应用, 2020, 35(5): 1158-1166.
[30]	付必环, 黄亮. 基于深度语义分割的无人机影像烟草种植面积提取[J]. 通信技术, 2022, 55(2): 181-186.
[31]	孙志伟, 王晓琳, 张启明, 等. 基于无人机可见光谱平台的烤烟氮素营养诊断[J]. 光谱学与光谱分析, 2021, 41(2): 586-591.
[32]	杜传印, 夏磊, 王德权, 等. 潍坊烟草病虫害绿色防控体系建设实践与思考[J]. 中国烟草科学, 2019, 40(4): 92-98.
[33]	曾维爱, 周志成, 谭琳, 等. 湖南烟草病虫害绿色防控技术研究现状与应用对策[J]. 中国烟草学报, 2019, 25(2): 69-73.
[34]	CORTES C, VAPNIK V. Support-vector networks[J]. Machine Learning, 1995, 20(3): 273-297.
[35]	BOCHIE K, GILBERT M S, GANTERT L, et al. A survey on deep learning for challenged networks: applications and trends[J]. Journal of Network and Computer Applications, 2021, 194: 103213.
[36]	周飞燕, 金林鹏, 董军. 卷积神经网络研究综述[J]. 计算机学报, 2017, 40(6): 1229-1251.
[37]	濮永仙. 基于病斑特征融合的烟草病害图像检索方法[J]. 河南农业科学, 2015, 44(2): 71-76.
[38]	王建玺, 徐向艺. 基于图像处理和模糊识别技术的烟叶病害识别研究[J]. 现代电子技术, 2015, 38(8): 4-7.
[39]	谢裕睿, 苗晟, 张铄, 等. 基于残差神经网络的烟草病害识别研究[J]. 现代计算机, 2020(30): 27-31.
[40]	喻勇, 张云伟, 王静, 等. 基于计算机视觉的烟叶病害识别研究[J]. 计算机工程与应用, 2015, 51(20): 167-171.
[41]	张文静, 孙秀朋, 乔永亮, 等. 基于InceptionV3的烟草病害识别[J]. 中国烟草学报, 2021, 27(5): 61-70.
[42]	ALBETIS J, DUTHOIT S, GUTTLER F, et al. Detection of flavescence dorÉe grapevine disease using unmanned aerial vehicle (UAV) multispectral imagery[J]. Remote Sensing, 2017, 9(4): 308.
[43]	MOSHOU D, BRAVO C, OBERTI R, et al. Plant disease detection based on data fusion of hyper-spectral and multi-spectral fluorescence imaging using Kohonen maps[J]. Real-Time Imaging, 2005, 11(2): 75-83.
[44]	朱耀辉. 基于无人机成像高光谱的冬小麦全蚀病等级监测[D]. 郑州: 河南农业大学, 2018.
[45]	DENG X L, ZHU Z H, YANG J C, et al. Detection of Citrus Huanglongbing based on multi-input neural network model of UAV hyperspectral remote sensing[J]. Remote Sensing, 2020, 12(17): 2678.
[46]	刘勇昌, 耿丽, 高强, 等. 基于叶片光谱分析的烟草马铃薯Y病毒病严重度诊断[J]. 烟草科技, 2021, 54(7): 23-28.
[47]	孙福山, 王丽卿, 刘伟, 等. 烟叶成熟度及烘烤关键指标与烟叶质量关系的研究[J]. 中国烟草科学, 2002, 23(3): 25-27.
[48]	贺帆, 王涛, 武圣江, 等. 密集烘烤烤烟不同品种烟叶质地和颜色变化[J]. 核农学报, 2014, 28(9): 1647-1655.
[49]	陈飞程, 杨懿德, 李常军, 等. 基于图像信息的烤烟烘烤过程中烟叶含水率预测[J]. 西南农业学报, 2021, 34(11): 2378-2384.
[50]	吴娟. 基于图像特征和GA-SVM的烤烟烘烤阶段识别研究[J]. 西南师范大学学报(自然科学版), 2016, 41(9): 100-106.
[51]	李增盛, 孟令峰, 王松峰, 等. 基于图像处理的烟叶烘烤阶段判别模型优选[J]. 中国烟草学报, 2022, 28(2): 65-76.
[52]	李小兰, 孙建生, 梁伟. 构建卷烟工业烟叶原料质量保障体系的思考[J]. 广东农业科学, 2008, 35(11): 142-144.
[53]	顾金梅, 吴雪梅, 龙曾宇, 等. 基于BP神经网络的烟叶颜色自动分级研究[J]. 中国农机化学报, 2016, 37(4): 110-114.
[54]	姚学练, 贺福强, 平安, 等. 基于PCA-GA-SVM的烟叶分级方法[J]. 烟草科技, 2018, 51(12): 98-105.
[55]	王士鑫, 云利军, 叶志霞, 等. 一种基于卷积神经网络的烟叶分级处理算法[J]. 云南民族大学学报(自然科学版), 2020, 29(1): 65-69.
[56]	章英, 贺立源. 基于近红外光谱的烤烟烟叶自动分组方法[J]. 农业工程学报, 2011, 27(4): 350-354.
[57]	李士静, 潘羲, 陈熙卓, 等. 基于高光谱信息的烟叶分级方法比较[J]. 烟草科技, 2021, 54(10): 82-91.
[58]	刘光亮, 徐茜, 徐辰生, 等. 烟叶生产大数据管理信息系统设计及应用[J]. 中国烟草科学, 2019, 40(2): 92-98.
[59]	罗锡文. 农业人工智能的应用和思考[J]. 中国农村科技, 2019(5): 16-19.
[60]	刘玉书. 中美人工智能战略及政策的比较研究[J]. 云南行政学院学报, 2022, 24(1): 101-124.
[61]	李中科, 赵慧娟, 苏晓萍, 等. 人工智能在农业中的最新应用及挑战[J]. 农业技术与装备, 2018(6): 90-92.