这是一份在农业方向的AI解决方案，供诸位参考借鉴，如需商用，请联系本人。
一、 商业模式分析
1.1 市场背景
在发达国家，人工智能技术得到了农业科学家和企业家的青睐，发展速度很快，已逐渐成为农业服务业的技术支柱。从20世纪70年开始，以美国为代表的欧美国家率先开展了农业信息化的应用研究，以专家系统为代表的人工智能应用开始在农业领域出现萌芽。经过数 10 年的发展，人工智能技术已应用于植物保护、土壤肥水管理、设施园艺管理、作物栽培管理、畜禽养殖、水产养殖以及农产品销售决策等各领域。进入21世纪，伴随着人工智能技术的蓬勃发展，人工智能在农业中的应用也进入规模发展期。
在我国，人工智能在农业领域的应用虽然起步较晚，但发展进步很快。在政策层面，国家出台一系列政策支持人工智能在农业中的应用。2016年5月，农业部等8部门联合印发了《“互联网+”现代农业3年行动实施方案》，明确提出“在管理方面，重点推进以大数据为核心的数据资源共享开放、支撑决策，着力点在互联网技术运用”。2017年7月，国务院印发了《新一代人工智能发展规划》，明确提出：“发展智能农业、建立典型农业大数据智能决策分析系统，开展智能农场、智能化植物工厂、智能牧场、智能渔场、智能果园、农产品加工智能车间、农产品绿色智能供应链等集成应用示范”。
1.2 应用方向
（1） 智能土壤探查
运用计算机视觉及深度学习算法处理由无人机与或基于软件的技术所采集的数据以检测土壤健康程度，目前可判断最佳的宜栽作物、种植时间和施肥量，从而提高经济效益。例如，美国 IntelinAir 公司推出SafeSmart新型无人机，通过类似核磁共振成像技术拍下土壤照片，运用电脑智能分析，确定土壤肥力，精准判断适宜栽种的农作物。
（2） 农业病虫害探测
利用图像识别、红外传感器监测、声音特征检测、雷达监测等技术，采用特定的计算机算法和模型，对农业的光谱或图像信号进行挖掘，实现农业病虫害发生信息的获取。例如，美国手机APP Plant Village能智能识 别 14 种 作 物 的 26 种 病 虫 害 ，识 别 准 确 率 高 达99.35%。
（3） 动物行为分析
利用可穿戴设备实时搜集所养殖畜禽的个体信息，通过机器学习技术识别畜禽的健康状况、发情期探测和预测、喂养状况等，从而及时获得相应处置。例如，美国Cowlar通过奶牛的项圈能够提前预测奶牛的疾病，更能够帮助奶农增加奶牛的产奶量；澳大利亚Agersens通过牛的智能项圈来实现无人放牧和无围栏的智能放牧。
（4） 农产品无损检测
在不损坏检测对象的前提下，利用被测物外部特征和内部结构所引起的物化反应变化，来探测其性质和数量变化，主要用于水果、蔬菜、畜禽、水产品、经济作物和谷物籽粒等的检测与分级。随着无损检测技术的发展，数据处理技术、自动控制技术以及计算机技术在农产品无损检测中将发挥越来越重要的作用。
（5） 预测分析
在精准生产决策、食品安全监管、精准消费营销、市场贸易引导等方面，人工智能可以通过挖掘数据之间的关联特征，预测事物未来的发展趋势，增强预见性，实现精准农业、智慧农业。例如，美国aWhere运用机器学习算法与卫星开展天气情况预测、农作物可持续性分析及农场病虫害评价。
1.3 竞品分析
在国家乡村振兴战略、国家数字化农业战略等多种因素的推动下，阿里、京东、百度、腾讯等国内互联网巨头纷纷结合自身优势，布局智慧农业。阿里云正式发布ET农业大脑，该大脑具备数字档案生成、全生命周期管理、智能农事分析、全链路溯源等功能，并已在国内大型生猪养殖企业特驱集团、国家级农业龙头企业海升集团等落地。京东宣布将以无人机农林植保服务为切入点，整合京东集团物流、金融、生鲜、大数据等能力，与地方政府、农业上下游龙头企业、农业领域专家等共同合作，构建开放、共生、共赢的农业合作平台，打造智慧农业共同体。百度与麦飞科技合作研发农业遥感智能监测系统对农作物病虫害实施智能化监测，并完成精准施药。腾讯借助物联网系统和腾讯云平台积极布局养鹅、种菜、智慧农业和生鲜渠道，解决农业生产管理、供应链管理、产品溯源三大问题。
二、解决方案
AI智能化生长种植决策解决方案以人工智能、大数据、云存储、5G、边缘计算、物联网等新基建新生数字技术为技术支撑，基于设施农业物联系统所提供的农业大数据并对其进行相应的数据治理，围绕病虫害防治、种养殖生产效率的提升、降低种养殖生产成本、生长决策分析等核心业务需求，实现农作物病虫害防治、农作物生长决策、农产品流通大数据分析及智慧农机控制系统等业务功能。
2.1 AI病虫害防治系统建设
农作物、蔬菜、果树和花卉等经济作物，从播种、生长至收获，经常受到各种有害生物(植物病原、害虫、杂草和害鼠等)的危害。有害生物种类繁多且形态各异，发生规律各有不同，而且时常爆发。对我国国民经济、特别是农业生产造成重大损失。因此，正确识别植物病虫害，掌握有害生物的习性、特点，对防控有害生物极其重要。
一旦发生病虫害，广大从业者往往依靠传统经验进行粗略判断，再利用当地容易获取的农药农资，实施一些事后防治措施。鉴于从业人员存在的以下问题，往往不易获得良好的防治效果。
对病虫害的认知水平有限，不能正确识别病虫害类型。
对病虫害防治技术了解不深，难以获得专家具体指导，不易采取有针对性的高效且环保的合理防治措施和方案。
无法在更大范围掌握周边病虫害发生的概率及发展情况，做趋势性判断更是无能为力。
如果仅依靠少数植保科技工作人员或昆虫研究者，通过手工检查、肉眼观察来完成，识别效率较低，识别率又极其不稳定。同时，由于植保科技人员有限，再加上有些区域位置偏远、交通不便，许多病虫害无法及时现场识别，只好根据种植户的描述来识别，而许多种植户专业知识有限，无法提供准确描述，常导致误判。给农业生产的质量和产量都带来较大损害。
中国存在巨大的病虫害防治市场，但目前仍没有病虫害防治巨头。尽管部分互联网公司纷纷涉足农作物病虫害防治，比如，麦飞、神农识、植医堂等公司，但从目前来看，互联网+作物病虫害防治还处于发展的初级阶段。当前影响发展的因素主要有：1）农业本身的分散性，病虫害大数据很难建立；2）在农作物病虫害防治上，互联网技术应用仅仅是初级阶段；3）网上帮助农作物看病的习惯没有形成。
在病虫害大数据体系建立的过程中，依托于设施农业物联系统解决方案所提供的有效数据源是至关重要的环节，对数据进行有效精准的数据治理，是决定AI病虫害防治模型训练效果好坏的决定因素。
基于上述分析，从如下功能角度设计病虫害防治系统：
建设农业专题数据库，联合农科院、农技所专家，共同完成数据标注工作，实现有效、精准的数据前期治理。
基于当前主流的图像识别算法模型（EfficinentNet）及目标检测算法模型(Yolo)，进行各个品种种类的病虫害识别模型训练。
为农户提供小程序/APP查询入口，通过拍照智能识别植物病虫害。
为农户提供植物病虫害知识信息和防治方法的综合解决方案，对接福农农资集团，为农户提供AI精准施药服务，减少农户损失。
对接5G智慧庄稼医院，为农户提供区域范围内的植保专家对接服务，实现农技农事线上问诊。
2.2 AI农作物生长决策信息系统建设
在农业种植领域应用的模型被称为“作物模型”，也叫作物生长模拟模型，通过模拟作物生长过程，最终得到作物的生物量累积量、作物单产以及农田生态系统的水、碳、氮及能量的循环流动量。
农业智能化近几年才受到广泛关注，但对于作物生长模拟模型的应用研究早在20世纪60年代就已经开始了。当时荷兰、美国、澳大利亚等国的科学家开始着手开发能够解释植物生理过程、解释植物与环境相互作用的新模型，这种模型经过50多年的发展，在作物估产、作物育种、田间管理等方面已有较广泛的应用。以作物生长模型为核心的农业决策支持系统的研究与应用越来越多元化，并逐渐成为辅助农业生产管理和决策的重要工具。
目前世界范围内流行的作物模型有APSIM、DSSAT和RZWQM等，以马铃薯作物模型为例，当前应用比较广泛的马铃薯模型主要有DSSAT-SUBSTOR模型、APSIM-POTATO模型、NPOTATO模型、SOLANUM模型、HPOTATC模型。SUBSTOR – POTATO是国际上常用的模型，与CERES模型一同包含在DSSAT系统中。该系统由美国农业部组织开发研制，以天为步长模拟作物生长，按照作物生育期详细描述作物生长发育过程。
每一款有效的作物生长模型的获得，同样离不开有效的作物长势基础数据治理，例如百度设计的马铃薯智慧生长产业链解决方案，通过近百万张作物长势照片及数亿条农事干预行为，建立起基于组表达长短时记忆网络作物模型，以7天为步长，模拟马铃薯的生长发育与产量形成过程，并通过因果优化传输生成对抗网络提供灌溉与营养管理措施，真正做到因地制宜、因种制宜、千人千面的马铃薯种植解决方案。
因此，可以考虑从如下方向开展系统建设：
基于福建多丘陵少平原，山海资源丰富但耕地少的的生产环境，水果产业发展相对发达，尤以柑橘种植业为主。因此前期可以选择柑橘类作物生长模型作为研发投入方向。
设施农业解决方案可为作物生长模型训练提供各类生长环境因子数据、土壤环境因子数据、病虫害视觉数据、作物长势照片等多源异构数据，实现多源异构数据的有效治理，为作物生长模型的训练提供数据土壤。
广泛调研考察，选择合适的农业合作伙伴，实现AI作物生长模型的过程训练，构建开放、共生、共赢的农业合作平台，打造智慧农业共同体。
2.3 农产品流通大数据分析系统
a. 现状分析
当前，从我国社会信息化建设的视角出发分析，大数据与产业化的结合是未来信息化发展的趋势。大数据与农业相关学科进行结合互融，会对我国农业可研的现代化发展、政府宏观战略决策以及涉农企业战略决策起到决定性的作用。
农产品流通是链接农产品生产与消费的纽带，利用农业大数据技术，可以实现农产品流通在生产、运输、包装、装卸、搬运、储存和加工配送等各个环节信息的透明化，追溯农产品流通的整个过程，很好的解决了传统农产品流通各环节存在的问题。与此同时，还可以更好的预测农产品供需端、产销端的平衡关系，并且通过这些数据的分析，用于指导农户对农产品生产做出决策，维持市场平衡发展。
中国农产品流通渠道效率低下、成本较高，批发市场占据流通主导地位。中国目前农产品的流通仍处于发展的初期，多数农产品通过批发市场流通；而美国、德国、日本农超渠道占比达90%、87%、70%。相较于美国等发达国家农产品以产地直销的方式流通，中国的农产品销售以批发渠道为主，且流通环节多，各环节加价较为严重。根据商务部数据，各流通环节至少加价5%-10%，平均加价率达20%以上。
b. 技术框架
当前，大数据技术广泛应用，它包含了海量的复杂结构的数据存储技术（HDFS、HBase）、大型数据集的分析技术（Hive），以及数据可视化技术等。目前以Hadoop生态圈代表的大数据技术，占据了市场的主导地位。
农产品流通大数据分析系统初步考虑设计以Hadoop技术框架、Hive数据分析技术为基础进行构建，包括数据采集、数据处理及处理，数据分析，数据可视化四大部分。整体架构图如下所示。
数据采集：由于数据来源类型广泛，大数据采集是对不同业务系统中的结构化数据、日志文件的半结构化数据和非结构化数据进行采集。
大数据存储及处理：利用大数据技术、分布式存储技术将多个数据源获取的数据进行整合并存储在HDFS中。相对于传统的本地文件系统，HDFS是通过网络实现存储，可将大规模不同数据类型的数据存储在多台廉价的计算机上。要对大规模的数据进行科学的分析，由于所采集的数据里，并不是所有的数据都是必须的，而是掺杂了很多无效数据，所以将海量数据存储在分布式存储集群后，在此基础上运用MapReduce做一些简单的预处理工作。
大数据分析：大数据分析是整个平台的核心内容，用HIVE大数据分析技术对农产品流通模式、农产品流通成本、农产品价格、农产品流通地区、农产品运输方式等多个维度进行分析挖掘，帮助农户进行更精准的营销，提供农产品流通效率。
c. 实现过程分析
在大数据采集这个环节中，需要考虑的一个问题是：农产品流通在生产、运输、包装、装卸、搬运、储存和加工配送等各个环节的数据信息来源渠道从何而来？ 借助设施农业物联系统解决方案，我们可以获取到有效的生产环节过程数据。农业的一大痛点就是有资源无市场，有产品无销量。长期以来，许多优质农产品高度分散、体量太小、销售太少、无法形成规模，数据难以有效汇聚。
农产品流通平台生态系统的建设水平与农业原产地电商业务生态的发展密不可分。2015年拼多多提出“新农人”体系，引导受过高等教育，了解互联网机制的新型人才返乡创业，担当各产区电商拓荒的角色，整合农产品的集聚、分级、加工、包装等环节。2017年拼多多打造“农货中央处理系统”，系统通过输入各大产区地理位置、特色产品、成熟周期等信息，经由系统运算后，将各类农产品在成熟期内匹配给消费者。 依靠“新农人”体系，将后端的农产品及产区的相关信息录入系统，完成流通数据采集建设。
在当下电商巨头三足鼎立的情况下，切入电商领域赛道的机会甚微，但可通过整合农产品供应链，建设农产品流通大数据分析系统，打造一个为企业级客户服务的供应链服务平台。
三、 价值分析
如果以一辆汽车的建设过程来比喻智慧农业产业的建设过程，设施农业解决方案是在造车身，让智慧农业产业具备了形，是产业建设必不可少的底层建筑基础；AI智能化生产种植决策则是中控系统，是智慧农业产业的大脑，是产业建设的指挥官；而农产品供应链体系则是这台汽车的发动机，是智慧农业产业的心脏，是产业建设的动力能源。
在AI智慧农业体系建设过程中，所逐步积累的人才价值、生长数据价值、算法模型价值也将成为公司重要的数据资产。深耕AI智慧农业，构建智慧农业AI生态闭环，做好智慧大脑的建设，将助力智慧农业产业生态建设走的更远，未来更具想象空间。
网友评论