基于人工智能技術的智慧煙草農業發展探究

施旭，高松，劉帥，馬石全，黃坤，潘元宏，郭建，宋文峰，張鐵懷，官群榮，肖長東，，龍寶安，普恩平，史曉慧，吳思

(1.云南省煙草公司 紅河州公司，云南 彌勒 652300；2.北京市農林科學院 信息技術研究中心，北京 100097；3.農芯(南京)智慧農業研究院，江蘇 南京 211800)

煙草是我國重要的經濟作物，種植歷史悠久，煙草農業在我國社會和國民經濟中有著舉足輕重的地位[1]。隨著新興電子信息技術的蓬勃發展，煙草農業正步入智慧化發展階段，這既是現代煙草農業的重要內容和標志，也是對現代煙草農業的繼承和發展，更是煙草農業從數字化邁向智能化的重要階段[2-3]。

人工智能的概念起源于1956年達特茅斯會議，是基于計算機科學技術研究機器智能的一門學科，即通過研制智能機器或智能系統，模仿、擴展人類智能，從而實現機器智能[4]。作為新興技術，人工智能自誕生以來先后經歷了多個發展階段[5]，目前理論與技術日益成熟，逐漸衍生出目標檢測、圖像識別、機器學習、智能控制等多個分支，呈現出跨界融合、人機協同、群智開放、自主操控等新特征，在農業領域具有較強的滲透性和融合力。

面向我國農業重大需求和世界智能農業科技的前沿，利用人工智能技術改造煙草農業，不僅是解決勞動力不足的重要選擇，也是提升煙葉品質量與效益的有效途徑，更是煙草農業智慧化發展的必然要求。因此，本文選擇煙草農業領域中育苗、種植、烘烤、分級四個關鍵環節的人工智能技術應用現狀進行綜述，在此基礎上，分析人工智能技術發展的制約因素并對其未來發展趨勢進行展望，以期為未來我國煙草產業的智慧化轉型提供參考思路。

1 人工智能技術在智慧煙草農業中的應用現狀

1.1 煙草育苗環節

育苗是煙葉生產過程中的重要環節[6-7]，對煙草后續生長過程的影響巨大。當前煙葉生產采用集中培育，成苗后移栽的生產方式，育苗過程中的環境監測和控制多以人工為主，但不同煙區煙苗播種期、移栽期不同，同時煙苗各生長階段對于外界環境、養分的需求各有差異，對育苗管理人員的技術要求較高。因此，在現代化煙草育苗理念以及整體技術革新的基礎上，各級學者正積極探索智慧化育苗新模式。

魏興等[8]建立了煙草育苗大棚群環境參數遠程無線監測系統，實現育苗棚內溫濕度、光照強度等參數的實時、動態監測。謝文婷等[9]將自動循環裝置融入育苗池的改造中，探索研發營養液自動循環系統，實現了煙草壯苗率的提高。李曉歌等[10]將多種技術，包括自動控制、傳感器、無線通信以及人工智能等技術應用到煙草育苗中，建立了監測控制系統，實現煙草育苗大棚實時溫度、濕度在線監測以及自動調整等功能，極大地減輕了人工成本。張錦中等[11]建立了煙葉育苗遠程監控綜合管理系統，通過各傳感器設備實現育苗大棚溫度、濕度、光照強度以及CO2濃度等環境參數的實時監測與自動控制，并基于已采集數據建立相關煙苗模型，對移栽時間做出科學預測。王曦等[12]則從農業角度對機械化智慧工廠育苗模式進行了深入研究，將現代生物技術、環境調控技術、人工智能技術貫穿種苗生產過程中，探索建立新型育苗工廠，實現種苗的數字化、可視化、自動化、規模化生產。

當前，智慧化育苗的研究還主要集中在育苗過程中環境的精準調控，在水肥智能管控、苗期自動識別、智慧輔助決策等方面還存在著局限性。充分吸收農業領域相關研究成果，將圖像識別技術和深度學習技術相融合，探索智慧化育苗是值得研究的課題。

1.2 煙草種植環節

1.2.1 土壤養分檢測

煙草農業與其他產業根本區別在于，它是以自然資源為基礎的[13]。其中，土壤資源是自然資源的重要組成部分，為煙株提供生長環境和營養條件[14]，并且直接影響著煙葉的產量以及品質風格[15]。由于我國煙區土壤類型不同，部分煙技員或者煙農憑借自身經驗開展局部土壤改良、土壤施肥，打破了土壤原有的生態平衡，導致煙葉產量、質量逐年下降[16]，因此，土壤成分檢測分析至關重要。

目前，電化學技術、電磁技術、激光技術、光譜技術等被廣泛運用于土壤成分快速檢測，而人工智能技術的加入又為預測模型的建立提供了有力支撐。Elgaal等[17]利用非侵入型探地雷達對土壤進行成像，并利用神經網絡分類對土壤圖像進行分類研究，建立了土壤特征與作物的關聯模型。除雷達成像外，單一土壤成分的光譜預測分析同樣有大量報道。李民贊等[18-19]通過光譜儀獲取土壤信息，并利用神經網絡預測方法建立了土壤中有機質、全氮的分析模型，結果表明，有機質含量的模型預測相關系數為0.854，全氮含量的模型預測相關系數為0.808，模型預測效果較好。董超等[20]分別通過無人機以及地面采樣數據，從兩個尺度層面構建了麥田土壤養分的估測模型以及變量施肥模型，為麥田土壤分析和區域施肥提供科學依據。在煙草農業領域，陳昌華等[21]基于主元分析與徑向基函數神經網絡，建立了煙田土壤水分預測模型，識別準確率達96.02%；楊宇等[22]利用溫度植被干旱指數，對攀枝花市烤煙土壤濕度空間分布進行反演研究，預測結果與氣象觀測點數據基本一致；王一丁等[23]建立了植煙土壤高光譜與有機質和全氮間的定量反演模型，預測模型決定系數分別為0.948、0.919。上述研究均取得了較好的預測效果。

田間養分檢測技術在很大程度上解決了人工檢測費時、費力、成本高等的缺點。但目前，我國在土壤成分檢測分析和控制方面僅局限于單一層面，可加大多尺度土壤屬性數據的快速獲取與設備更新研發力度，并對相關數據進行多維分析探索建立不同煙區海拔、氣候、溫濕度、土壤養分、肥料組成和利用率等關鍵因子與土壤的關系，對煙區土壤進行分類，并結合有效養分校正系數、產量對土壤的依存率、最佳經濟施肥量等因子，因地制宜指導土壤生態平衡改良。

1.2.2 生產智能裝備應用

農業機器人是融合智能制造技術、人工智能技術、遙感技術，建立起的空間環境、位置以及形態的多模態信息感知系統[24]。相較于發達國家，我國農業智能機器人發展起步相對較晚，但產業發展迅速[25-26]，且政策上扶持力度較大，十五部門聯合發布了《“十四五”機器人產業發展規劃》，這為農業領域智能機器人的發展提供了新機遇。

目前，許多專家學者正自主開發機器人，涉及農業無人車、農業無人機等方面。其中，農業無人車受地形等因素影響，目前在煙草農業領域應用較少，但在其他農業作物領域，包括農田耕作、農業植保、施肥撒藥、信息采集、農資運輸等方面應用較為廣泛，主要是通過各類型傳感器接收外部環境條件，算法實現路徑的自動求解，控制系統改變運動軌跡躲避障礙物，并通過探針或機械手臂完成一系列農田作業[27]。

除地面機器人外，無人機同樣是當前研究熱點，由于其覆蓋面積大、作業速度快，且不受地面條件限制，已經在煙草農業種植領域得到廣泛應用。胡旭[28]結合煙草打頂農藝技術要求，以無人機為動力載體，設計了針對西南山地丘陵地區的多旋翼打頂裝備，實驗結果表明打頂準確率為94.4%，傷葉率為3.6%，能夠基本滿足西南地區智能化打頂需求。此外，應用遙感影像對煙草相關信息進行提取也已得到初步應用。夏炎等[29]基于無人機影像對煙草信息進行精細提取，實現煙草株數的識別，識別準確度達99%。付必環等[30]探討了深度語義分割無人機圖像在山區煙草種植面積自動提取的應用潛力，實驗結果表明該方法識別山區煙田面積具有較高的自動化程度和通用性。孫志偉等[31]基于無人機冠層圖像，實現了烤煙氮素營養分析與監測。相對于無人車，無人機打破了地形限置，能夠做到科學規劃監測作業流程，同時高精度影像經過解析可精準掌握煙田信息，對煙草智慧種植有著積極作用。

煙草農業各生產環節對無人化、少人化的作業需求為農業機器人的發展提供了新的驅動力。但相較于國外農業機器人的研究，我國發展起步較晚，大多數機型仍未達到產業應用水平，且引進的國外機器結構較為復雜，不能很好地適應我國農藝特點。因此，煙草農業復雜作業環境下的導航、機器人-煙草的無損作業、農藝-機器人的融合仍是未來研究的熱點和難點。

1.2.3 病害監測預警

煙草病害問題已成為制約煙草農業生產的重要因素[32]，而高效精準診斷煙草是精準化防治與信息化監測的前提和基礎[33]。傳統煙草病害主要依靠人工進行識別，識別精度不高，易造成誤診。為提高煙草病害診斷精度及效率，諸多學者選擇采用機器學習、深度學習方法，包括支持向量機(support vector machine，SVM)、模糊C-均值聚類算法(fuzzy C-means clustering，FCC)、K近鄰算法(K-nearest neighbor，KNN)、K-means聚類算法、卷積神經網絡(AlexNet、Resnet、VGG-16、Inception-V3、Inception-V4)等[34-36]，提取患病葉片特征信息構建病害分析、識別模型，以此制定出合適的預防控制策略。

濮永仙[37]針對煙草7種常見葉部病害，應用雙編碼遺傳算法和SVM病害識別模型對提取的病斑特征進行優化，提出一種基于病斑特征融合的病害圖像檢索方式，結果表明，融合病斑顏色、紋理、形狀特征檢索病害圖像，準確度和精確度明顯高于單個特征檢索。王建璽等[38]采用C-均值聚類算法對煙葉病斑圖像進行分割，采用模糊識別技術對病害進行自動識別，實現煙草角斑病和野火病的精準識別。謝裕睿等[39]針對煙草5種常見葉部病害，基于SVM和深度殘差網絡，建立了煙草五類病害精準識別診斷系統。喻勇等[40]以煙葉赤星病和野火病為研究對象，基于標準特征庫、模糊C-均值聚類算法兩種不同方法建立了分類識別系統，對于這兩類煙葉病害具有良好的識別率。張文靜等[41]針對煙草5種較為常見的病害，基于Inception-V3網絡，使用遷移學習方法建立煙草病害識別模型，識別準確率達到90%以上。

除上述通過可見光圖像進行煙草病害識別外，無人機搭載多光譜、高光譜儀器可從不同波段提取更多圖像信息，在農業病害識別中也得到了越來越多的應用。Albetis等[42]通過采集葡萄園地面數據以及多光譜遙感數據，評估無人機監測葡萄霜霉病的可行性，結果表明，基于無人機多光譜數據能夠較好識別葡萄發病情況。Moshou等[43]將成像光譜數據與熒光圖像融合，構建了基于神經網絡算法的小麥條銹病害分類器，分類精度達到94.50%。朱耀輝[44]利用無人機搭載高光譜儀，對該區域小麥全蝕病病害等級構建監測模型，分類精度達到90.35%。Deng等[45]利用無人機搭載高光譜相機采集柑橘園的遙感圖像，基于植被指數的多特征融合檢測方法和構建的冠層光譜特征參數的訓練集分類準確率為99.33%，能有效地判斷大面積植物病害水平。在煙草病害識別領域，劉勇昌等[46]利用高光譜儀器獲得了煙草感染的馬鈴薯Y病毒病害后的光譜數據，建立了該病害進程診斷模型，預測準確度為83.84%。上述學者的研究均實現了精準識別煙草病害，為煙草病害的防治提供了相應的理論基礎。

1.3 煙葉烘烤環節

烘烤環節銜接著商業產煙與工業用煙，其過程好壞直接決定煙葉品質與經濟效益[47]。傳統烘烤需要技術人員判斷鮮煙葉成熟度、烘烤中的煙葉變黃以及干燥程度，因此，煙葉烘烤執行超前或滯后的現象時有發生[48]。建立智慧化煙葉烘烤系統，實時預測煙葉的烘烤狀態并自動調整煙葉烘烤工藝，對于提升煙葉烘烤品質、降低勞動強度具有重大意義。其中，煙葉烘烤階段的自動判別是烘烤環節走向智慧化的重要前提，且人工智能技術的快速發展，為煙葉狀態智能識別和精準判斷提供了重要技術手段，諸多學者對此進行了深入探究。陳飛程等[49]采用BP神經網絡建立煙葉含水率預測模型，精準把握烘烤過程，具有較好的便捷性和精確性。吳娟[50]基于圖像特征，建立了GA-SVM的烘烤階段識別模型，總體精度達96.5%。李增盛等[51]提取烤中煙葉圖像顏色特征和紋理特征后，建立了多種烘烤階段預測模型，同樣表明基于GA-SVM模型預測效果最好。

除學術研究層面外，不少產區也正在將大數據技術、物聯網技術與人工智能技術結合，探究不同成熟度、烘烤溫濕度、烘烤工藝曲線等關鍵因子與煙葉烘烤之間的關系，并著手建立地區煙葉烘烤數據服務平臺，實現不同區域烘烤煙葉質量轉化的智能輔助識別，為推進煙葉生產方式變革和現代化進程、助推智慧煙草農業發展提供重要支撐。

1.4 煙葉分級環節

煙葉的質量以及等級純度直接影響著卷煙工業的品質和質量穩定性[52]，對煙葉進行等級分類是當前控制煙葉質量的重要手段之一。國家標準中煙葉分級指標以感官定性為主，但在執行過程中主觀隨意性較大，造成了諸多問題與矛盾。因此，利用人工智能技術代替傳統人工分級已經成為煙草農業智慧化發展的必然趨勢。

當前，基于人工智能技術對煙葉進行自動分級和量化評估研究已有大量文獻報道，主要分為2個方面：①基于機器視覺技術以及神經網絡的煙葉自動分級研究。利用機器視覺技術提取煙葉圖像顏色、紋理、形狀等特征，建立相應分級模型，這一技術在許多文獻中可見報道。顧金梅等[53]基于BP神經網絡，選擇相關顏色分量作為輸入項，實現煙葉等級的識別，研究結果表明，該模型準確率達89.17%。姚學練等[54]提出了基于主成分分析、遺傳算法和支持向量機的煙葉分級方法，較單一模型相比，顯著提高了煙葉分級效率以及分級準確度，煙葉平均識別率達96.596%。王士鑫等[55]選取12 000張煙葉圖像，結合卷積層與網絡層完成遷移學習，仿真實驗結果表明，模型識別準確率達95.23%，優于傳統分級算法。②基于光譜技術的煙葉自動分級研究，建立基于光譜特征的煙葉分類模型。其中，章英等[56]基于近紅外光譜技術，研究出了一種快速鑒別煙葉分組的方法，為煙葉等級評價提供了新思路。李士靜等[57]通過高光譜儀器獲取煙葉光譜信息，并探討光譜數據預處理方式以及分類模型對煙葉等級分類正確率的影響。研究結果表明，采用多元散射校正預處理方式以及支持向量機分類模型準確率達96%，故利用煙葉高光譜信息對煙葉分級是可行的。

2 人工智能技術賦能智慧煙草農業的現實約束

根據上文人工智能技術在煙草農業關鍵環節的應用進展綜述可知，我國人工智能技術發展勢頭迅猛，在煙草農業各領域取得了巨大進展，在各個生產環節中均有實際應用場景。但由于主客觀條件的約束，人工智能技術的發展仍處于初步階段，賦能煙草農業智慧化發展還存在著現實問題與挑戰。

數據治理困難。高質量的數據是人工智能發展的前提和基礎[58]。一方面，煙葉生產過程中產生了大量數據[59]，包括地理空間及衛星遙感數據、物聯網數據、智能機械裝備作業數據，煙葉生長加工環境影像數據以及氣象部門等的第三方共享數據。無論從數據體量和維度看，煙葉數據已從傳統的基礎業務數據向多維數據拓展，存在著數據粒度小、時間跨度大、維度多、采集頻率高等特點。另一方面，不同單位數據采集標準并不統一，數據格式呈現多元化，數據治理困難，數據孤島現象難以破除。因此，智慧煙草農業不同場景的落地催生出前所未有的風險頻譜，其發展的先進性、動態性、復雜性為我國煙草農業帶來史無前例的數據治理挑戰。

技術研究薄弱。相較于發達國家，我國人工智能發展時間較短，整體實力存在差距，智慧煙草農業研發應用整體呈落后態勢。《新一代人工智能白皮書》(2020年)中指出，農業領域智能化升級總指數得分為29.7，顯著低于工業智能升級進程，前沿技術薄弱仍是我國人工智能發展的關鍵制約因素[60]。例如，當前主流機器學習、深度學習框架基本由美國大型公司所建立，我國產業發展依賴于開源代碼以及現有數學模型[61]，基礎模式研究不足；農業領域自有傳感器種類較少，且關鍵零部件依賴于進口[24]，標準化和自動化存在一定問題。總的來說，我國在傳感器、模型構建、核心算法以及相關系統軟件等關鍵技術和產品仍受制于人，智能技術研究基礎薄弱，發展容易陷入“卡脖子”窘境。

3 基于人工智能技術的智慧煙草農業發展展望

從煙葉質量出發，育苗仍將是構建智慧煙草農業體系的重要環節，需要探索建設現代化、規模化煙草育苗工廠。通過對先進設施農業技術和物聯網設備的集成應用，優化煙葉育苗業務流程，實現育苗環節機械化、自動化。探索立體化煙葉育苗模式，研發立體化多模塊拼接調節育苗技術與裝置，兼顧煙葉育苗閑置期間其他作物的設備使用需求，增加育苗工廠的綜合經濟收益。繼續深入研究溫度、濕度、煙葉品種、煙苗階段等關鍵因子與煙苗生長發育間的關系，并依據植物表型建立分析模型綜合研判育苗期生長發育狀態，為育苗供苗方案制定提供數據支撐。此外，在建立育苗工廠的基礎之上，可逐步搭建起省級煙草育苗智慧管理平臺，并基于電子地圖實現對全省的煙葉育苗工廠設施的可視化展示、智能化控制，提高煙草育苗效率。

人工智能技術在煙草農業種植管理領域的技術應用和平臺建設的潛力仍待挖掘和推廣。一是針對煙草農業生產特點，深入研究基于靶標定位識別精準施用控制、作業質量監測、作業場景智能識別和自主行走作業等系統，實現煙田土壤處理、煙草信息自動獲取、空地一體水肥藥管理、煙葉機械采收等復雜場景下的應用，解決所面臨的勞動力短缺問題。二是將衛星遙感、無人機遙感、無人機植保、物聯網所獲數據與地面觀測數據相結合，形成天空地一體化的煙草農情監測系統，實現煙草種植環境監控、煙葉長勢監測、煙葉估產遙感監測、旱情監測與預警、病害監測與預警等多維立體監測，為田間管理提供定制化服務。三是要針對煙草農業不同環節應用場景所存儲數據，基于數據驅動管理理念，圍繞核心業務與管理目標進行數據挖掘與數據建模，包括生產智能感知、識別與作業的決策管理和智能控制模型，并將模型集成至管理平臺中，探索構建智慧“煙葉大腦”，為煙葉智慧化轉型提供業務模型支撐。

在煙葉烘烤環節，可繼續以數據獲取—算法開發—系統服務為發展主線，逐步將專家經驗判斷為主導的煙葉烘烤模式轉變為以人工智能、大數據分析為主導的智能烘烤。一是加快煙葉烘烤過程中物聯網設備的接入分析，建立數據采集規范，實現烘烤過程中溫濕度、葉片狀態等數據的實時采集。二是分區域研發烘烤工藝分析算法和烘烤煙葉質量轉化數值模擬方法，實現烘烤工藝在線分析和煙葉烘烤質量動態識別；運用數字孿生技術，構建烘烤過程烤房溫濕度與煙葉質量轉化的仿真模型，實現烘烤工藝參數科學調優。三是以提升煙葉烘烤服務和管理質量為目的，以精準服務需求為牽引，研發煙葉烘烤大數據綜合服務管理平臺并推廣應用，從烘烤數據監測、烘烤模型推薦、烘烤歷史記錄、工藝執行評價、烘烤技術指導等方面提供個性化服務。

在煙葉分級環節，將煙葉分級理論研究的基礎與商業化落地應用相結合，開創煙葉智能化收購工作新局面。首先，加快煙葉圖像采集、特征提取、模式識別等基礎通用技術的研究，提升煙葉分級系統集成的靈活性，提高圖像數據的處理速度。其次，將光譜技術、視覺識別技術引入煙葉智能分選定級設備研發中，加速智能煙葉分級機的工作效率，促進設備的商業化落地應用，實現設備對通道上的煙葉自動識別其等級，為工業復烤實現“分級減負”。

4 結語

在全球面臨百年未有之大變局的時代背景下，作為農業領域的“第一車間”，煙草農業與人工智能技術的融合交互在各個生產環節中均有實際應用場景，為行業帶來了突破性革命。未來發展過程中，必須要系統謀劃煙草農業發展布局，創新人工智能與煙草農業融合發展模式，并加強關鍵技術研發創新能力，強化專業人才隊伍建設，以期實現人工智能技術賦能與場景落地深度融合、人工智能技術創新與場景細分精準匹配、人工智能技術突破與場景應用交互迭代的良好局面，更好地發揮人工智能“頭雁效應”，推動我國智慧煙草農業高質量發展。