摘要：智慧农业是现代农业的高级形式，无人农场是实现智慧农业的重要途径，智能农机是无人农场的物质支撑。本文以植物生产为例，介绍了智能农机的智能感知、自动导航、精准作业和智慧管理4项功能在智慧农业中的地位和关键技术的研究进展；介绍了华南农业大学集成相关智能农机创建水稻无人农场的实践和无人农场的5个特点，包括耕种管收生产环节全覆盖、机库田间转移作业全自动、自动避障异况停车保安全、作物生产过程实时全监控和智能决策精准作业全无人。在2020年的中稻和2021年的早稻生产中，水稻无人农场的稻谷产量均高于当地的平均产量，表明了其巨大的发展潜力。无人农场的建设为解决“谁来种田”和“如何种田”的问题提供了重要途径。

2012年中央一号文提出，要突出农业科技创新重点，在精准农业技术等方面取得重大突破[1]。2017年中央一号文提出，要实施智慧农业工程[2]。智慧农业是未来农业的发展方向，是现代农业的高级形式[3]。智慧农业是以数据、知识和智能装备为核心要素，通过将现代科学技术与农业深度融合，实现农业生产全过程的数字化感知、智能化决策、精准化作业和智慧化管理的全新农业生产方式[4]。当前，新一轮科技革命和产业变革正在兴起，信息技术、生物技术、新材料技术和新能源技术广泛渗透到农业领域，催生了一大批战略性新兴产业，农机装备先进制造、农业物联网、农业大数据和农业机器人等高新技术逐步应用到农业生产各个领域，智慧农业呈现出强劲的发展势头。无人农场是实现智慧农业的重要途径。无人农场以生物技术、智能农机和信息技术为支撑。生物技术为无人农场提供适应机械化作业的品种和栽培模式，智能农机为无人农场自动化作业提供装备支撑，信息技术为农机作业的精准定位、数据传输和无人农场的智慧管理提供支撑。无人农场采用4G/5G、物联网、大数据和人工智能等新一代信息技术远程控制各种智能农机，使之自主决策和自主作业，实现各个生产环节的智能化[5]。智能农机具有智能感知、自动导航、精准作业和智慧管理4个功能，是无人农场的物质支撑，是农业机械的转型升级[6]。毛泽东同志在1959年就提出农业的根本出路在于机械化。改革开放以来，经过40多年的发展，我国的农业机械化取得了举世瞩目的成就，为提高我国农业生产率作出了巨大贡献。目前，我国用不到世界10%的耕地生产了世界25%的粮食、养活了世界20%的人口[7]。今天，随着我国农业农村现代化加快推进，对农业机械提出了更高的要求，提高农业机械的智能化水平成为必然选择，也是农业现代化的重要建设内容。国内外实践表明，提高农业机械化和智能化可以大幅度提高劳动生产率、资源利用率和土地产出率。只有在智能农机的支持下，无人农场才能成为现实。

 1 智能农机研究 

1.1智能感知

农作物生长环境、作物长势和作物病虫草害信息是智能农机进行精准作业的依据[8]。“星−机−地”是获取这些信息的主要技术，“星”指根据卫星影像分析获取所需要的各种农情信息，“机”指根据飞机或无人机获取所需要的各种农情信息，“地”指在地面用仪器直接获取所需要的各种农情信息。

1.1.1作物生长环境信息

农作物生长环境信息的快速感知是实施精准农业中最为基本和关键的问题[9]，农作物生长环境信息包括土壤阻力、田面平整情况、土壤水分和土壤养分等信息[10]。农田土壤中不同位置和不同深度的耕作阻力(土壤坚实度)差异较大，准确获取土壤的耕作阻力信息是进行精准耕整的重要依据。张利民等[11]成功研制出带全球导航卫星系统(Global navigationsatellite system, GNSS)的车载式土壤耕作阻力测定仪，采用GNSS定位信息，通过液压系统将圆锥仪(国际上通用的土壤坚实度测定仪)压入土壤，获取不同地块和同一地块不同位置、不同深度(精度可以达到0.5 cm)的耕作阻力。曾庆猛等[12]研制出车载式可连续测定土壤耕作状况和含水量的测定仪。

田面平整情况是进行农田平整的重要依据[13]。周浩[14]和胡炼等[ 15]采用水准仪、全站仪、地面激光扫描仪和无人机载激光扫描仪快速采集农田平整度信息，研制出基于GNSS的农田三维地形实时采集系统，可在平整作业过程中快速精准获取田面的平整度信息。

土壤水分是影响作物生长的重要参数，Xiao等[16]研制出既可在水田田面有水时测定水层深度又可以在水田田面无水时测定土壤水分的无线测量系统，并可以根据田面/土壤中的水层/水分情况远程控制自动灌水和排水。

“庄稼一枝花，全靠肥当家”，土壤中氮、磷、钾的实时在线快速测定是世界难题，至今尚未取得实质性的突破，大都只能进行间接测量。孙建英等[17]采用光谱测量技术，分析了东北黑土地和华北潮土的土壤参数和光谱特性，采用GNSS定位信息标志土壤的位置，通过实验室分析可准确给出pH以及氮、磷、钾和有机质含量的分布图，为精准施肥提供依据。Dong等[18]尝试采用激光诱导技术测定土壤中的氮素。

1.1.2作物长势信息

作物长势信息主要包括作物生长状况(株高、叶面积指数、生物量、倒伏面积等)、养分胁迫和产量等信息，目前多采用高清数码相机、多光谱相机以及热像仪等传感器进行测定。杨贵军等[19]研发了一套农业多载荷无人机遥感辅助小麦育种信息获取系统，可以实现冠层叶面积指数、作物倒伏面积和产量的高通量数据获取。孙红等[20]基于作物在红光范围660 nm附近的光谱深吸收和近红外850 nm附近的光谱强反射特征，设计了一种采用主动光源的双波长便携式叶绿素含量检测装置，可以高效检测作物叶绿素含量。杨燕琼等[21]采用卫星、高光谱仪和3CCD摄像机多信息融合技术，进行了水稻生产过程中的叶绿素含量、叶面积指数测定以及生物量和产量估测，估产方程的复相关系数均大于0.92，精度均在89%以上。汪沛等[22]采用无人机遥感平台获取水稻冠层图像，提出了基于矩形约束对低空多光谱图像存在的桶形畸变进行校正的方法，该校正方法解决了没有或缺少地面控制点的图像校正的困难。臧英等[23]建立了基于标准种植比值法的水稻养分信息快速解析和施肥决策模型，通过与已有标准种植模型比对的方式生成施肥处方，该方法可以有效地减少施肥决策中对土壤肥力数据的依赖，提高了管理决策的效率。

在作物长势信息的快速获取和解析处理中，传统的航天、航空遥感技术存在气象影响因子多、周期长、分辨率低等问题，尤其在广东等南方地区，适合遥感的无云气象条件的时间窗口期更少。采用无人机进行作物长势信息的近地遥感获取，可弥补现有航天、航空遥感技术的不足。受载荷量及滞空时间的限制，无人机挂载的遥感传感器要求质量轻、体积小。此外，受航空管制的影响，飞行高度通常比较低，这就决定了无人机低空遥感单张影像的覆盖面积难以达到传统航空航天的遥感覆盖面积。按照传统的做法，遥感监测66.67 hm2，拼接前的影像采集量可达5 000幅，普通图形工作站完成校正、拼接及解析等处理工作需要5 h以上。而作物的田间管理对农时要求通常时间比较短，需要即时生成作业处方图，遥感信息的获取和解析处理需要有较高的实时性才能满足实际生产的要求。Jiang等[24-25]研制的遥感传感器可以提供与专业级高光谱仪器和多光谱相机相近的反射率和辐射照度测量精度，在水稻长势信息解析中，该研究信息解析数据量可达534.6 hm2/min，相比传统方法，长势专题图的生成速率和变量施肥处方图的决策效率大幅度提升。

1.1.3作物病虫草害信息

作物病虫草害的早期准确监测是精准喷施作业的基础，对精准用药和早期防治具有重要意义。作物光谱反射特性与作物叶绿素含量具有高度相关性，当植株遭受病虫草害时，可以通过光谱的方式进行检测。目前，常用的作物病虫草害监测方式主要有光谱检测法、图像识别法和电子鼻检测法等。袁媛等[26]利用R分量和中值滤波进行图像预处理，并采用支持向量机的方法对水稻纹枯病进行分类识别。刘又夫等[27]对褐飞虱Nilaparvata lugens(Stal)诱导的水稻冠层热图像温度特征变异评估方法进行了研究，将水稻冠层的温度特征作为输入向量，对水稻受褐飞虱侵害状况测试集判断的精准率达到87.15%。He等[28]采用深度目标检测网络对水稻局部图像中的褐飞虱进行检测和计数，提出双层R-FCN网络的褐飞虱检测和计数算法，可以有效提升算法的召回率，召回率可达60.44%。邓向武等[29]基于多特征融合的DBN模型和深度置信网络对稻田苗期杂草进行识别，识别率为91.13%。Liu等[30]采用深度卷积网络对5 136幅图片进行了虫害识别(12种水稻虫害)，准确度约为95%。李泽轩[31]收集并整理了包含15种病害和22种虫害的水稻病虫害数据集，在深度残差网络的基础上提出了改进算法FRNet，对水稻病虫害的识别率超过了80%。李梓和[32]建立了一个包含8种稻田杂草的目标检测数据集，针对稻田杂草数据存在复杂背景以及目标相互遮挡等问题提出了Det-ResNet，检测精度达到了91.6%，并提出了一种轻量化的RetinaNet检测模块Efficient retinahead(ERetina-Head)，可以使模型的检测精度提高1.2%。

1.1.4农田障碍物目标识别与定位

农田中存在着各种障碍物，影响了智能农机的正常作业，并存在安全隐患，因此，智能农机必须具备障碍物识别与检测的能力。在智能农机对障碍物检测的研究中，按照所使用的传感器种类可以将障碍物检测分为基于超声波、毫米波雷达、激光雷达、机器视觉以及多传感器融合等多种方法[33]。贾闯等[34]研制了山地果园单轨运输机超声波避障系统，在一定条件下，该系统能够识别轨道上的障碍物和轨道旁的非障碍物，提高了单轨运输机无人驾驶运行时的安全性和可靠性。王水满[35]基于单线激光雷达传感器进行了无人机360°全方位障碍物检测与识别，根据获得的障碍物信息和无人机的状态信息，实现无人机的自动避障。高振海等[36]采用自适应卡尔曼滤波算法对毫米波雷达数据进行分析，估计前方目标的运动状态，估计结果精度较高且滤波收敛稳定。基于深度学习的目标检测算法根据候选框的生成方式，分成一阶段(One-stage)目标检测算法和二阶段(Two-stage)目标检测算法：一阶段目标检测算法的代表有YOLO系列[37]和SSD系列[38]等，一阶段目标检测算法计算量小、检测速度快，但准确率较低；二阶段目标检测算法的代表有R-CNN[39]、Fast R-CNN[40]和SPP-NET[41]，二阶段目标检测算法的计算量大、检测速度慢，但准确率高。蔡舒平等[42]对YOLOv4目标检测模型进行了改进，改进后的模型参数减少，检测速度提高了29.4%，鲁棒性强、实时性好。马佳良等[43]在传统的Fast R-CNN基础上，提出了Accurate R-CNN目标检测框架，可以在不同数据集和不同的任务上取得良好的检测效果。