典型农业专家系统与决策支持解决方案.doc

典型农业专家系统与决策支持解决方案农作物生产的各个环境都用到专家系统，随着计算机应用的日益普与农业智能互联网技术的发展，建设农业专家系统成为加快农业科技知识和农业信息传播的重要手段，存进农业快速发展。本章围绕作物生产、病害诊断、水产养殖、动物健康养殖与多民族语言农业生产管理几个方面，应用人工智能的专家系统技术，在整理一个或多个农业专家提供的特殊领域知识和技术经验的基础上，用计算机模拟专家的智能，通过推理和判断，为农业生产中某一复杂的问题提供决策。3.1 作物生产决策系统作物生产具有分散性、区域性、时变性、经验性、稳定性和可控 制程度低等特征，而农业信息化建设为克服这种弱势提供了有力的技术支持。对各种信息采集、分析和处理，是农业生产决策必不可少的环节，运用现代信息技术收集、开发、利用和处理农业信息资源，可实现农业信息资源的高度共享。20世纪60年代后期和70年代初期发展起来的决策支持系统（Decision Support System, DSS），是在传统的管理信息系统（Management Information System, MIS）理论基础上发展起来的一门适用于不同领域的、概念和技术都是全新的信息系统发展分支，也是目前发展最为迅速的一个分支。根据农业生产系统的自组织特征，日益复杂的作物生产信息处理需要现代信息技术的支持，作物决策支持系统成为了信息时代指导作物生产的重要技术手段。3.1.1 作物生产决策支持系统的概念与功能作物生产决策支持系统针对作物生产具有时空性、动态性，且易受气候、土壤和社会经济投入等综合因素影响的特点，在作物模型、专家系统、智能算法、“3S”技术等关键技术的基础上，根据系统的设计目标及要求，综合应用农学、生态学、空间信息技术、环境科学、统计学以及计算机科学等基本理论与方法，通过广泛收集与分析农业基础数据（气象、土壤、品种、种植、经济及地图等数据）的特征， 建立了包括空间数据和属性数据的农业数据库；将模拟模型的预测功能、专家系统的推理决策功能、智能算法的数据挖掘与知识表达功能、以及“3S”技术的实时定位监测与分析功能进行融合，具有综合性、智能化、通用性、网络化、标准化的特点，能对不同环境条件下的作物生长状况作出实时预测并提供优化管理决策，实现作物生产的高产、优质、高效、安全和持续发展。作物生产决策支持系统的快速发展和广泛应用为农业生产管理的现代化和信息化提供了技术平台，对农业科技和作物生产产生深刻的影响，成为农业信息技术的突出标志和重要支柱。3.1.2 作物生产决策系统的发展作物生产决策支持系统是在农业信息系统、作物模拟模型和农业专家系统的基础上发展起来的。近年来，作物决策支持系统的向多样化发展，包括基于生长模型的决策支持系统、基于知识规则的决策支持系统（专家系统）、基于知识模型的决策支持系统、基于生长模型和知识模型的决策支持系统等。上述每一类决策支持系统又可按结构特点和应用目的再分为不同的亚类。如农业专家系统可分为专家系统开发平台、专家系统开发工具、实时控制专家系统、基于模型的专家系统、基于知识的专家系统、专家数据库系统等。1. 我国作物决策支持系统发展状况近年来，我国作物决策支持系统研究大有后来居上之势。北京市农林科学院赵春江等、中国科学院合肥智能机械研究所熊范纶等在20 世纪80、90年代建立了多个农业专家系统，为作物生长施肥、病虫害管理等提供了智能化决策支持。90年代，江苏省农科院高亮之等研制了的水稻计算机模拟优化决策系统（Rice Clutivational Simulation Optimization Decision Making System, RCSODS），江西农业大学戚昌瀚等开发的水稻生长日历模拟模型的调控决策支持系统，为水稻生长管理的预测与管理提供依据。21世纪以来，南京农业大学曹卫星等利用先进作物建模理论与决策支持技术，开发了基于生长模型和基于知识模型的稻麦棉油花决策支持系统，实现了4个作物的生长发育与产量预测、产前管理方案的设计与产中管理调控，系统界面更友好，结果更准确，适用性更强。2. 作物生产决策支持系统的发展趋势（1）和机理性的统一。随着未来作物模型机理性研究不断的拓宽和深化，模型机理性得到增强，有助于进一步了解生态环境和栽培技术措施与作物生长发育和产量形成的内在关系，进行不同生长条件和管理方式下的决策分析，进一步完善作物生产决策支持系统。然而复杂的模型增加了人们对系统理解的难度，增加了输入参数，使用者面临了系统输入难以获取，系统运行难以理解，结果难以分析等问题。未来的作物生产决策支持系统将更需要注重系统的实用性及使用的人性化，使系统易于操作和理解，输入资料便于获得，提高人们对作物决策系统的使用兴趣，实现作物生产决策支持系统的全方位应用。（2）生长模型和决策支持系统的综合化。现代农业信息技术的发展，已经不能满足于决策一个作物生长一个季节的决策支持系统，需要研制多作物、多年连续的生长管理决策支持， 作物生长模型（DSSAT）和农田生产系统模型（APSIM）是其中的杰出代表，但还在不断充实与完善；注重土壤过程，如土壤养分和水分以及有机质过程的密切关系，明确土壤养分动态关系与作物生长的机理过程；注重轮作序列、休闲、地面留茬以及同土壤有关的土壤侵蚀、土壤结构衰退和土壤酸化等过程的定量化。从而增强作物生产决策支持系统的综合性决策能力。（3）多学科合作和交叉将日益受到重视。在作物生长模拟模型、专家系统、知识模型、智能算法、神经网络、“3S”技术等关键技术基础上，将模拟模型预测功能、知识模型决策功能、智能算法黑箱功能及“3S”技术空间信息管理功能相融合，最终建立综合性、通用性、数字化、标准化的作物管理决策支持系统，实现从点到面的作物生长发育与产量动态预测、作物生产智能管理。3. 作物生产决策支持系统的存在问题（1）作物模型本身的问题。目前作物模型包含了作物生长发育及产量品质形成的一些基本过程，然而，由于作物生长系统中的部分机理性过程并没有完全被理解，因此大多数作物生长模型仅限于对作物光温生产潜力、以及水分和氮素限制条件下作物生长发育过程进行模拟，关于极端气候条件对作物生长发育过程的定量影响、作物冠层结构对太阳辐射的利用、磷钾及氮磷钾等养分的互作对作物生长的调控、病虫草害等生物灾害对作物生产力的影响等，不同的模型虽然有不同程度的涉及，但机理性过程不强，尚缺少系统、完整而统一的科学理论与数据支持，需要相关学科的协同发展以及相应的试验研究来支持模型的构建。（2）作物生产决策支持系统输入的问题。作物生产决策支持系统决策的准确性取决于模型输入参数的可靠性。通常情况下，一个综合性的机理模型所需要的输入参数包括逐日气候要素、土壤理化特性、品种遗传特征和管理技术措施4大类，其中管理技术措施方面的信息较容易获取，但土壤理化特性和作物品种遗传特征需要通过查找文献资料获取。作物的生长发育受到实时气象条件的影响很大，作物生产力在很大程度上受到当年气象条件的制约，尽管气象要素的长期预测不断取得进步，但10天以上的长期预测，目前在世界范围内并没有达到令人满意的水平，因此决策存在不确定性。（3）系统过于注重科学研究而忽视实际应用。由于作物模型和智能算法过于复杂，大部分的系统对于非农业领域专家来说很难理解， 因而难以应用。在系统设计上，很多系统并没有按现代软件工程的思想来实现，运用的编程软件比较滞后，界面不够友好，存在难以理解把握的术语与输入。同时，对决策问题结构的了解不够深入，特别是尚无处理不良结构问题的、行之有效的方法和得心应手的工具。在系统输入方面，没有生成输入参数行之有效的办法与工具，例如需要提供可靠的气象资料生成工具、品种参数调试工具，大批量气象土壤数据的导入工具等。3.1.3 作物生产决策农业数据库农业信息数据库的建设是作物生产决策的基础性工作，对这些农业信息数据进行分析，对不同环境、不同作物品种、不同作物生育期生长状况作出实时预测并提供优化管理决策。目前，国内农、林、水、气、土地和环境等部门都在开展信息技术应用工作，而任何部门开展这项工作的第一步就是建立基础数据库。为避免低水平的重复，特别是要发挥数据库作用，关键是保持数据库内容的真实性和统一性，而各种环境资源状况是不断变化的，必须及时更新以保持数据库内容的现实性，否则数据库就不能发挥作用。因此，将农、林、水、土地等部门都需要的一些基础数据库，例如将农业资源信息、社会经济信息和科技信息等集中起来，统一建设农业信息综合基础数据库，由一个部门负责建设、管理，各部门共享，节省大量资金，并可集中力量维护以保持其现势性。3.1.4 作物生产决策模型作物生产具有复合性、复杂性和开放性，在进行作物生产管理过程中，需要了解作物自身依赖外界环境（天气、土壤等）的生长发育规律（建立作物模拟模型），然后根据这些规律性，人为地对作物生长平衡进行调整（建立作物生长决策专家系统），结合作物生理学、生态学、气象学、土壤学和农学等相关学科的关键技术，在综合量化作物生长发育过程及其与环境和技术关系的基础上，建立多个综合性作物生长模型，对作物生长系统中的主要机理过程进行较好的解释和量化，构建集适应性广、机理性强、预测性好于一体的作物生产力预测模型，提高我国作物生产决策支持系统的决策应用性与可靠性，达到作物高产、稳产、优质、高效目的。3.1.5 农机农艺结合的作物生产决策系统作物决策支持系统作为一种软件系统，其发展速度完全滞后于农业信息技术相关的硬件技术的发展，例如农田机械装备、农业物联网技术的发展。然而，农业生产的机械化与自动化需要基于模型和智能算法的作物生产决策支持系统的智能决策。紧密结合作物决策支持系统与农业智能机械、农业物联网技术，综合考虑大气-土壤-作物相互作用的过程，对精确定量的播种、施肥、灌溉、喷农药等进行智能化决策，推动现代农业机械在作物生长决策中的快速发展，形成农机农艺相结合的基于作物-大气-土壤过程模型的作物生产决策支持系统， 推动我国智慧农业发展。3.2 作物病害诊断专家系统作物在整个生长发育过程中，由于受到病原物的侵染或不良环境条件的影响，致使生理和外观上发生异常变化出现病害，对作物的产量和质量都有很大破坏。由于基层专家匮乏，作物病害得不到及时准确的诊断，因此，急需快捷的技术手段将农业专家的知识传递到农民手中，提供对作物病害及时准确的诊治服务。专家系统作为人工智能的分支，在作物病害诊断领域已得到了广泛应用。随着物联网技术发展，结合传感器采集数据、作物生育数据、图像数据进行作物病害诊断的专家系统也越来越受到基层农技人员的欢迎。3.2.1 病害诊断知识表达病害诊断系统的构建需要大量且描述准确的诊断知识。系统诊断知识主要来源于植保专家、植保专业技术人员和各种资料。对知识进行特征提取，将其标准化。病害诊断知识的知识表达具有以下层次化描述模型：（1）农作物病虫害组织层包括根、茎、叶、花果实等基本组织结构以及农作物的其他部位。（2）农作物的表观层主要包括农作物遭遇病虫害后的颜色、气味等属性，因此农作物的表观层的特性可以通过图像、视频等对比确认。（3）农作物周围环境层主要包括农作物周围的土壤环境、气象环境等属性，通过传感器来感知。（4）农作物种类层主要包括农作物属于哪一科目、种植季节、生长周期等。农作物病害的诊断主要从以下几个方面进行分析：（1）农作物组织层。主要针对各种农作物组织器官的致病危害性，进行形式化分析，如一种病理现象出现在根茎处，它的危害程度肯定要大于叶表面处，因此其权重也就比较大。（2）表观层分析。通过分析农作物的外观，主要是气味、及颜色、病理所呈现出的形态变化等，比如，颜色属性的深浅、气味的浓重、病斑的形状和大小等这些特性都需要进行量化的分析。（3）周围环境层。一种农作物疾病的致病原因与周围的环境是密切相关的，因此周围的温度、湿度也都是定位疾病的一个很重要的知识。（4）农作物整体描述层。农作物的科目、大小、作物的生长时间以及种植季节，可以通过农作物的整体属性来定位病虫害的类别， 减小搜索范围。作物病害知识表示是为描述病害所做的一组约定，是知识的符号化、形式化、模型化表达。任意知识单元或事实可运用“对象-属性- 值”三元组法来描述，结合产生式规则对知识进行知识表示。事实1：蔬菜作物是白菜 事实2：发病时期在包期事实3：发病部位为叶片规则：IF V(蔬菜作物)T(发病时期)P(发病部位)ThenV(病害名称)IF 病斑形状：多角形（0.3）病斑颜色：黄褐色（0.08）发病部位：叶部（0.15）病部特征物质：潮湿时病斑背面生白色霉层（0.33）Then白菜霜霉病0.86白菜霜霉病获病概率：0.86白菜细菌性角斑病获病概率：0.33 白菜软腐病获病概率：0.23条件阈值：0.5其中，条件项括号中数字为逻辑子式权重，患病概率为该条规则的运行结果，条件阈值为对规则运行结果进行筛选的临界值。3.2.2 作物病害描述模糊处理选取一种模糊化的算法，把病害诊断专家知识库里病害症状进行模糊处理。在层次化模型的基础上构造一个模糊矩阵，以矩阵形式来描述农作物病情。采用模糊均值聚类算法（Fuzzy C-means Algorithm , FCM）来对农业病害进行诊断，聚类以后根据隶属度矩阵R值以及聚类中心C把所有对农作物病情的描述就变成一个模糊化的效果，这样的表达易于理解和描述。例如：根（腐烂程度）模糊为严重、很重、一般、有点、稍微五个级别。3.2.3 病害诊断知识推理作物病害诊断问题具有特殊的复杂性和模糊性，（1）事实的模糊性：如病斑颜色深浅、病斑大小、病害发生程度等。（2）获取事实的准确程度：如环境温湿度、土壤水分含量等。（3）专家知识的模糊性：如根据发病部位、形状大小、颜色、味道、表观等推理出病害。（4） 推理结论或动作的模糊性。植保专家诊断病害推理过程通常经过下面3步，第1步区分症状， 利用已有经验和查询来的资料对症状进行区别，获得典型症状或综合各种症状初步诊断发生病害的可能性；第2步利用病体、病原和症状诊断三要素的关系进一步确定病害及病原；第3步依据上述结论，结合环境要素和生产管理要素最终确定病害并决定防治方法。即在判断可能发生的病害时期后，给出病害部位及可能的病害症状，再根据详细症状，确定具体的病害类型。这一过程从典型症状， 再到详细症状均为正向推理过程。从病害名称到病害症状、病害时期、部位逆推，将可能病害的详细症状对照用户输入病害的典型症状相比较，这些过程则属于反向推理过程。只有经过正反向推理的结合，才能使最终的诊断结果更符合实际，从而增加专家系统的有效性和实用性。3.2.4 基于图像识别的作物病害诊断病虫害图像分割方法主要包括：利用亮度、清晰度筛选算法，提取出清晰度、亮度适中的作物诊断图像；运用中值滤波算法，滤除图像噪音，并运用高帽变换和低帽变换对目标图像进行增强处理，增强后的图像对比度明显高于原始图像，且目标病斑更加鲜明；基于RGB 彩色原理，通过变换色彩空间，将叶片绿色部分分割出来，分别交替运用灰度二值化、形态学膨胀、腐蚀、开运算、闭运算、小面积、孔洞填充和边缘平滑等算法将叶片部分进行分割，最终获得可能存在病虫害的疑似病灶部位。病虫害图像特征提取方法主要包括：利用病斑提取后图像的形状差异提取面积特征信息；运用RGB色彩空间分析病斑颜色，提取疑似病灶部位RGB颜色分量均值，模糊标准化后获得颜色特征向量。根据作物纹理粗细程度，提取高频或低频能量，得到病害图像的纹理特征。采用基于支持向量机与多特征选择的作物彩色病斑边缘检测方法分割并提取病斑区域的颜色、纹理、形态特征；利用双编码遗传算法与支持向量机的病害识别模型对特征降维，以获取有效特征，并对有效特征归一化处理；计算出颜色、纹理、形态特征的相似度，计算综合特征的相似度；对图像知识库中所有图像检索后返回结果。3.3 水产养殖管理专家系统3.3.1 水产养殖管理存在问题与发展趋势水产养殖管理专家系统是指采用智能信息处理技术、先进传感技术、智能传输技术，通过对养殖水质及环境信息的智能感知，安全可靠传输，智能处理以及控制机构的智能控制，实现对水质和环境信息的实时在线监测、异常报警与水质预警和智能控制，健康养殖过程精细投喂，疾病实时预警与远程诊断。水产养殖管理专家系统是通过信息技术改变传统水产养殖业存在的养殖现场缺乏有效监控手段、水产养殖饵料和药品投喂不合理、水产养殖疾病频发等问题，促进水产养殖业生产方式转变，提高生产效率55。1. 存在问题我国是水产养殖大国，水产品总量连续20余年位居世界第1位， 水产养殖业在改善民生，增加农民收入方面发挥了重要作用。当前我国已进入由传统渔业向现代渔业转变的关键时期，现代渔业要求养殖模式由粗放式放养向精细化喂养转变，以工厂化养殖和网箱养殖为代表的集约化养殖模式正逐渐取代粗放式放养模式，但集约化养殖模式需要对水产养殖环境进行实时调控、对养殖过程饵料投喂和用药进行科学管理、对养殖过程疾病预防预警进行科学管控，这需要以信息化、自动化和智能化技术为保障，其中，人工智能技术可以有效地提升现代水产养殖业的信息化、自动化、智能化水平。水产养殖管理专家系统包括水产养殖环境监控模块、精细喂养决策模块、疾病预警与远程诊断模块、生产管理信息化模块四部分内容。（1）水产养殖环境监控模块主要指通过物联网技术，实现对水质和环境信息的实时在线监测、异常报警与水质预警。从而保持水质稳定，为水产品创造健康的水质环境。其中，智能感知和优化控制模型是实现智能监控的关键技术。（2）精细喂养决策模块通过建立养殖品种的生长阶段与投喂率、投喂量间定量关系模型，实现水产品的按需投喂，从而降低饵料损耗， 节约成本。该部分关键技术是饲料配方模型和精细投喂模型，重点解决“喂什么、喂多少、何时喂”的问题。（3）疾病预警与远程诊断系统是基于水环境因素和非水质环境因素，对水产疾病进行实时预警和远程诊断。该部分的核心问题是预警及时有效，疾病诊断自动准确。（4）生产智能管理子系统主要是将大数据技术应用到水产生产中，通过对生产、经营数据进行分析，给水产养殖提供决策依据。目前，在各专家系统中，存在着“数据丰富，知识贫乏”的问题，因此， 生产经营数据分析模型一直是本领域的研究重点和热点。经过多年的研究，水产养殖管理专家系统已初步形成了从关键技术研究、产品研发、平台建设、应用示范为一体的发展技术路线56。目前我国水产养殖管理专家系统所存在的挑战主要表现在农业物联网关键技术不成熟、产业化程度低、标准规范缺失等方面。2. 发展趋势利用信息技术实现水产养殖健康养殖过程信息化监测、科学化管理、智能化决策、自动化控制是现代渔业未来发展趋势，如何提高信息感知的精度、完善精细投喂知识库、扩展疾病预警与诊断在不同养殖类型中的应用是信息化技术水产养殖领域应用的关键。采用信息技术，实现水产养殖全程信息可测、可控，健康养殖过程精细化喂养， 疾病实时预警与网络化远程诊断，提高水产养殖生产管理效率，降低养殖风险，促进传统生产方式转变，实现水产养殖高效、安全、健康、环保和可持续发展必将成为水产养殖业未来发展趋势。从技术角度看，水产养殖管理专家系统是多种技术的协同工作， 涵盖了身份识别、物联网架构、通信、传感器、搜索引擎、信息安全、信号处理和电源与能量存储等关键技术。将朝着规模化、协同化和智能化方向发展。需要更深入的感知、更全面的互联互通、更深入的智慧服务和更优秀的集成。3.3.2 水产养殖环境监控水产养殖环境监控是解决我国现有的水产养殖场缺乏有效信息监测技术和手段，水质在线监测和控制水平低等问题。其主要功能是保持水质稳定，为水产品创造健康的水质环境。水产养殖环境监控在我国一些大型的集约化养殖场已有一定的应用基础57,58。水产养殖环境监控系统通常由智能水质传感器、水产养殖无线监控网络和水质智能调控模块组成。其中结构如下图3-1所示。 无线溶解氧控制器GPRS远程接入点无线控制终端增氧机电控箱增氧设备用户短信浏览WEB浏览WAP浏览GPRS远程监控中心WSN无线接入点现场监控中心传感器和采集节点 图 3-1 水产养殖环境监控模块 目前的传感器多采用智能传感器，智能传感器多采用IEEE1451 智能传感器设计思想，使传感器具有自识别、自标定、自校正、自动补偿功能；智能传感器还具有自动采集数据并对数据进行预处理功能，双向通讯、标准化数字输出等其他功能。无线传感网络可实现2.4GHz短距离通讯和GPRS通信，现场无线覆盖范围3公里；采用智能信息采集与控制技术，具有自动网络路由选择、自诊断和智能能量管理功能59。在水产养殖中水质是水产养殖最为关键的因素，水质好坏对水产养殖对象的正常生长、疾病发生甚至生存都起着极为重要的作用，因而在水产养殖场的管理中，水质管理是最为重要的部分。水质智能调控系统通过对水产养殖物联网实时监测溶氧、温度、pH、盐度、水温、气压、空气温湿度、光照数据进行分析，揭示水质参数变化趋势及规律，采用智能算法实现对水质溶解氧等参数变化趋势进行预测预警，以解决水质参数预测的难题。3.3.3 精细喂养决策精细喂养决策是根据各养殖品种长度与重量关系，通过分析光照 度、水温、溶氧量、浊度、氨氮、养殖密度等因素与鱼饵料营养成分 的吸收能力、饵料摄取量关系，建立养殖品种的生长阶段与投喂率、 投喂量间定量关系模型，实现按需投喂，降低饵料损耗，节约成本。 精细喂养决策的核心技术主要包括：饲料配方优化模型和精细喂养决策。饵料配方优化模型是通过分析不同养殖对象在不同生长阶段对营养成分的需求情况，在保证养殖对象正常生长所需养分供给的情况下，根据不同原材料的营养成分及成本，采用遗传算法、微粒群等优化设计方法，优化原材料配比，降低饵料成本。目前大型的水产养殖企业已有比较成熟的配方和模型。精细喂养决策模型主要根据各养殖品种长度与重量关系，光照度、水温、溶氧量、浊度、氨氮、养殖密度等因素鱼饵料营养成分的吸收能力、饵料摄取量关系，研究不同养殖品种的生长阶段与投喂率、投喂量间定量关系模型。目前主要有一些海珍品的投喂模型。3.3.4 疾病预警和远程诊断疾病预警主要包括分为水环境预警模块和非水环境预警模块两部分。水环境预警模块通常采用的方法是利用专家调查方法，确定集约化养殖的主要影响因素为溶氧、水温、盐度、氨氮、pH、等水环境参数为准的预测预警。对于每一个影响因子，根据专家调查的方法， 综合多个水产养殖专家的意见，来确定每个水质参数的无警、中警、重警的边界点，进而确定每一个警级的区间。水环境趋势预警模块是利用数据挖掘模型，根据当前水环境各个参数数值，预测两个小时或三个小时后的水环境各个参数数值，然后再利用状态预警的方法得出两个小时和三个小时后的警级大小和预警预案。非水环境预警模块是通过对饵料质量、鱼体损伤等因素的评价，确定当前的警级大小和预警预案。其中鱼体损伤根据无损伤、轻损伤和重损伤所占百分比来确定此因素的警级区间，而其他因素则同样按专家调查方法确定每个因素的警级区间，非水环境预警主要是对单因子进行评价，当某一个因素超过确定的警限就输出相应的预警预案。用户诊断推理模块案例诊断数学诊断案例维护数学诊断知识维护案例库知识库用户界面图 3-2 疫病诊断流程如图3-2所示，疾病诊断通过案例诊断和数值诊断，对疾病进行综合推理并得出结论，最后将诊断结果返回给用户。其中，案例诊断与数学诊断方法所用到的知识信息分别的从案例库和数值诊断知识库中得到。3.3.5 水产生产智能管理水产养殖智能管理是将大数据技术应用到水产生产中，针对水产品养殖、经营过程中存在的问题，采用数据挖掘、指数预警、统计预警和模型预警等方法，构建预测分析和预警模型，为管理者和养殖户提供生产和销售决策支持。在生产方面主要包括上面已经提到的精细投喂、环境控制等功能，在经营方面主要包括市场价格预测、个性化服务等功能。目前，各专家系统中，普遍存在着“数据丰富，知识贫乏”的问题，因此，生产智能管理的广泛研究一直是研究重点和热点。3.4 动物健康养殖管理专家系统3.4.1 妊娠母猪电子饲喂站我国是养猪业大国，目前每年出栏的商品猪数量已达7亿头以上， 居世界第一。而繁殖母猪的数量经过不断的结构性调整，目前存栏大约在4000万头左右，大约占生猪存栏数量的10%左右，这意味着在我国需要饲养较多的繁殖母猪才能保证出栏商品猪的数量。总体而言， 我国生猪养殖水平有一定程度的提升，生产力日益提高，但是整体水平仍远远落后于欧美等发达国家。据Agri-stats 2010年提供的母猪生产力行业基础报告，在国际上母猪繁殖力即生产力较高的国家如荷兰、丹麦、爱尔兰、法国等，一头繁殖母猪，年产窝数在2.32.5之间， 一年能够提供的断奶活仔数高达2426头，母猪死亡率为6.8%，断奶日龄提前到18.7天，断奶仔猪重量也能达到5.6kg。在如此高的母猪生产力水平下，断奶均匀度基本一致的仔猪在其后的饲养过程中，饲喂管理方便，发育健康，发病率及淘汰率低，保证了最终上市猪只数量及猪肉数量的稳定供给，维护了猪肉价格的稳定。目前我国的母猪繁殖力相比存在巨大的差距。据农业部有关部门统计，目前母猪年产窝数一般为2，一头母猪年产活仔数大约为1520头，但能够提供的断奶活仔数仅为14头左右，为欧洲发达水平的56% 左右，最终能提供出栏的商品猪头数大约在12头以上。这就意味着要提供相同数量的出栏猪只数量，则需要饲养的繁殖母猪的数量大约是高繁殖力国家的1.7倍以上，不仅需要多耗费大量的人力、物力及饲料资源，而且由此造成的排放及污染问题更加严重。提高繁殖母猪的生产力，提供健康及体重均匀度较好的断奶仔猪，是保证商品猪饲养的关键，不仅是养殖场的核心竞争力，也是一个国家养殖业水平的关键性指标。目前，我国饲养的商品猪都是经过遗传改良后的大三元杂交品种，如杜洛克、长白、大约克等品种杂交而来，在遗传潜力上几乎同质化而无差异，引起母猪生产力差异的根本原因在于对母猪的精细饲喂与管理、护理上。而对规模化母猪场的精细饲养，随着劳动力成本的增加，也越来越离不开自动智能化设备的采用。为此，在现代养殖领域，尤其是针对母猪的饲喂技术上，智能化、精确化的饲喂技术已经成为必然发展的趋势，尤其是随着我国劳动力的结构及成本悄然发生了颠覆性变化，生猪养殖模式已经从散养、家庭饲养迅速向集约化及规模化、标准化的模式转变，具有智能化、自动化及精细化的养殖技术成为行业发展的迫切需求60。妊娠母猪电子饲喂站利用母猪采食行为特性与接近传感器的协同工作，控制饲喂器的精确下料，只有当母猪采食完预设的初次下料量并继续具有采食需求时，通过传感器的距离感知，才能继续驱动下料装置下料，一是保证系统计算的或设定的采食量能采食完，二是严格保证基本不出现剩余料的状况发生，避免不同猪只采食量计量的相互干扰，从而保证不同个体一次或多次实际采食量累计计量的准确性，同时提高设备的利用效率。同时还采用低频RFID技术实现对母猪个体的自动识别；通过全机械式通道，实现对母猪单头进入与离开的连锁控制；通过饲喂控制器的模块设定、无刷电机的单圈旋转与接近传感器的协同控制，实现对定量饲喂剩余料量的最小化控制。该智能设备的先进性在于采用了针对动物行为的感知技术与饲喂电子精确控制技术的有效结合，实现基于母猪个体营养需求的差异性饲喂。创新性在于：（1）母猪采食量的设定与采食量的动态模型结合起来，最大限度满足妊娠胎儿生长对养分需求的动态变化；（2）摈弃了过去的进入门为纯机械门，以及出口门与进入门连锁工作的思路，采用进口处传感感知与电动门结合的协同模式，控制进口猪只的依次有规律进入，提高设备的利用效率，为智能设备的实际推广应用解决技术控制屏障问题。整个设备在剩余料的智能控制及如何提高设备的利用效率上达到国际同类产品的先进水平。3.4.2 哺乳母猪精准饲喂系统研究发现，通过饲喂设备的研发，最大程度的发挥哺乳母猪的采食量，与提高仔猪的成活率及断奶重量有直接的关系。因此，研究解决母猪饲喂系统的一些关键问题具有实际意义。哺乳母猪精准饲喂系统利用哺乳母猪采食曲线与中央控制器的协同工作，控制下料装置的精确下料，只有当母猪采食完预设的上次的下料量后，才能在规定的时间间隔内继续下次采食，一是保证系统计算的或设定的采食量能按一定的程序采食，较少或根本不出现剩余料，二是均匀地采食，最大限度促进哺乳母猪的采食潜力，满足哺乳母猪及仔猪的营养需求。采用预设的个性化的采食量模型与雨刷电机的精确旋转电子控制技术，实现对预设饲喂量的准确投料；通过储料仓的料位控制设备及设置的人工观察孔，可保持缓冲料仓日粮的新鲜度及减少结拱。智能饲喂系统采用4次/天的饲喂频率及与采食曲线的协同工作，与人工饲喂对比，能显著促进采食量的增加和显著提高平均日增重（p<0.05）。系统采用机电协同工作可行，无需传感器及电子识别系统，设备控制简单，维护方便，可视化性能好，对环境适应性强，与进口设备比较成本具有明显优势，适合在我国中、小型的种猪繁育场的哺乳车间推广应用。该智能设备的先进性在于结合了不同哺乳母猪个体及哺乳仔猪的数量，动态计算个体日粮供给量，与饲喂电子精确控制技术相结合， 实现基于哺乳母猪个体营养需求的差异性饲喂。创新性在于：（1）母猪采食量的设定与采食量模型及抚养的小猪数量结合起来， 最大限度满足哺乳母猪对养分需求的动态变化；（2）系统自动记录每台哺乳的采食量及采食量的节律，为今后开启哺乳母猪的采食行为大数据分析提供了数据在线平台。整个系统通过智能设备控制与母猪的采食内在规律结合，最大限度实现哺乳母猪采食量最大化的技术实现上达到国际先进水平。3.4.3 个体奶牛精准饲喂系统在进行泌乳奶牛的精细饲喂和性能测定的研究中，需要准确计量每头奶牛每天的实际采食量，甚至每次的采食量与采食的时间。在获得每头牛的采食量后，结合每天计量的泌乳牛的产量，才能评价测定对象泌乳牛的生产性能及产乳潜力，并获得完整的DHI（奶牛性能） 数据，为制定泌乳牛的营养调控及品种改良计划提供基础数据支撑。但是，国内外一直以来只是通过对奶牛的单笼饲喂，人工称量每天每头牛的剩余采食量，计算单头奶牛每天的采食量。这种最为传统的饲喂量的计量方法，当饲喂的奶牛头数较多时，工作量大，难免会出现人为的错误，其次，也无法记录每头奶牛每天的采食规律。随着现代信息技术，包括个体电子标识技术，自动感知（如近红外、RFID技术等）技术及自动控制技术的快速发展，为研究基于奶牛个体的自动饲喂及自动计量技术提供了可能61。若能结合上述技术，提供一种能够自动识别奶牛身份并记录其采食量的饲喂装置，则可以大大提高数据准确性，为科研生产提供助力。个体奶牛精准饲喂系统能够根据奶牛身份编号和服务器通信，获取奶牛进食情况，以此判定是否开放阻挡单元，允许奶牛进食，满足科学饲养、个性化饲喂的要求。在研究国际同类装置的基础上，集成物联网核心技术，即电子标识技术、无线感知技术与自动控制技术， 实现了对奶牛个体的自动识别、自动计量饲喂，并能获得个体采食量规律曲线，为奶牛的精准饲喂技术的创新提供了基础的研究平台。3.4.4 畜禽养殖环境监测系统畜禽养殖环境监测系统将计算机技术与多种传感器数据融合技术，对畜禽舍内温度、相对湿度、光照强度、氨气和硫化氢等五种数据进行实时采集，通过Socket方式实现对服务器的实时监控，实现多传感器的集成应用；当感知的环境数据超过系统预设值时，系统可自动开启相应的通风设备、降温设备等；用户可通过手机远程对畜禽舍内各种数据进行实时监测、对比分析，并可通过移动手机端APP软件远程修改环境参数预设值，实现畜禽舍环境智能化管理62。畜禽养殖环境监测系统基于ARM M3单片机智能化猪、奶牛养殖环境监测和控制系统，系统主要由环境控制箱、系统服务器端和移动软件端。环境控制箱由单片机、铁电、SIM卡模块、继电器、显示屏、电子变频器等多种硬件组成，主要实现三个功能，分别是采集功能、控制功能和通讯功能。畜禽养殖环境监测系统创新性在于：（1）实时采集并保存畜禽养殖环境的五种环境参数，自动生成数日内不同监测指标数据曲线对比图；（2）系统对环境参数进行了预设值设定，当实际采集的数据达到预设值时，系统将通过自动打开或关闭风机等装备对畜禽舍环境进行智能化控制。整个设备在畜禽养殖环境监测数据的采集及智能控制相关设备从而改变畜禽舍环境方面达到国际同类产品的先进水平。3.5 多民族语言农业生产管理专家系统针对民族地区群众在应用农业信息技术过程中的特殊性和薄弱性，通过模块构件集成应用，利用农业领域翻译模板抽取技术、汉民语料库技术、即时翻译技术、翻译模型构造技术、语言模型训练即时、统计机器翻译的编/解码器技术、民族语言显示和编码转换技术、软件工程技术、多民族语言知识获取与推理技术等，对现有“农业信息处理与知识管理平台”进行多民族语言知识获取、多语言文字适应、系统强壮性、平台可扩展性等几个方面的改造和提高，构建了多民族语言农业智能信息处理系统。本文以汉/蒙、汉/藏、汉/傣、汉/维和汉/彝双语农业智能信息专家系统为例，介绍具体实现与应用，获得构建多民族语言农业智能信息专家系统的一般方法。3.5.1 多民族语言智慧农业即时翻译系统结构针对民族地区对民语即时翻译的需求，考虑到多种民族语言的不同特点，采用了“有限词汇”和“动态翻译”的技术路线，以基于统计的机器翻译方法，开放性的结构设计思想研制了多民族语言即时翻译系统。开放结构分为三个部分：一是将“有限”范围限制在农业领域内，建立多民族平行专业词典和语料骨架，供不同民族语言的使用者进行对应翻译，作为基础语料使用；二是在知识获取阶段，采用统计机器翻译思想，利用不同民族地区的农业知识库构造了语言模型部分、翻译模型以及解码器；三是在知识推理阶段，首先对每一条汉语 语句进行断句、分词处理，然后通过解码器对应民族语言进行翻译处理，最后显示处理，针对未被翻译的词条进行未登陆词学习。多民族语言智慧农业即时翻译系统结构如图3-3所示，系统由六个模块组成，各个模块及其功能如下：（1）显示界面模块，利用网页中表格设置的技术，分别显示汉语和民族语言的推理结果。其中民族语言的结果按民族语言的显示习惯以弹出对话框的形式出现。（2）推理机模块，釆用Agent技术基于模型知识表示和案例推理的方法，把用户在多种编辑器下写好的专业领域知识(也称知识库）“转变”成计算机应用软件，这个应用软件将模拟专家思维过程，提出专家咨询意见。（3）翻译请求模块，利用客户机服务器技术，主要是完成翻译的前期工作和后期的多语言显示可能需要的工作。前期工作主要是对源语言（汉语）进行文本断句，然后进行汉语分词，再进行相应的预处理，把结果发送给服务模块。（4）翻译服务模块，利用客户机服务器技术，主要完成解码的工作，由解码器构成。解码器就是把客户端发送来的预处理的结果进行解码，解码成所需的目标语言。（5）多民族语言显示模块，根据各个民族语言的特点并以网页的形式显示其推理结果。（6）知识库模块，主要存储农业领域的专家知识。图 3-3 多民族语言智慧农业即时翻译系统结构图 3.5.2 多民族语言农业智能信息处理系统机器翻译流程农业智能信息处理系统知识推理过程中的汉/民机器即时翻译， 釆用改进的基于短语的统计机器翻译方法。翻译请求模块发送请求民族语言转换接受端推理结果结果界面民族语言显示汉语分