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(nóng)林科學院 信息技術(shù)研究中心，北京 100097；3.農(nóng)芯(南京)智慧農(nóng)業(yè)研究院，江蘇 南京 211800)

煙草是我國重要的經(jīng)濟作物，種植歷史悠久，煙草農(nóng)業(yè)在我國社會和國民經(jīng)濟中有著舉足輕重的地位[1]。隨著新興電子信息技術(shù)的蓬勃發(fā)展，煙草農(nóng)業(yè)正步入智慧化發(fā)展階段，這既是現(xiàn)代煙草農(nóng)業(yè)的重要內(nèi)容和標志，也是對現(xiàn)代煙草農(nóng)業(yè)的繼承和發(fā)展，更是煙草農(nóng)業(yè)從數(shù)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(shù)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(tǒng)，模仿、擴展人類智能，從而實現(xiàn)機器智能[4]。作為新興技術(shù)，人工智能自誕生以來先后經(jīng)歷了多個發(fā)展階段[5]，目前理論與技術(shù)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(xiàn)出跨界融合、人機協(xié)同、群智開放、自主操控等新特征，在農(nóng)業(yè)領(lǐng)域具有較強的滲透性和融合力。

面向我國農(nóng)業(yè)重大需求和世界智能農(nóng)業(yè)科技的前沿，利用人工智能技術(shù)改造煙草農(nóng)業(yè)，不僅是解決勞動力不足的重要選擇，也是提升煙葉品質(zhì)量與效益的有效途徑，更是煙草農(nóng)業(yè)智慧化發(fā)展的必然要求。因此，本文選擇煙草農(nóng)業(yè)領(lǐng)域中育苗、種植、烘烤、分級四個關(guān)鍵環(huán)節(jié)的人工智能技術(shù)應(yīng)用現(xiàn)狀進行綜述，在此基礎(chǔ)上，分析人工智能技術(shù)發(fā)展的制約因素并對其未來發(fā)展趨勢進行展望，以期為未來我國煙草產(chǎn)業(yè)的智慧化轉(zhuǎn)型提供參考思路。

1 人工智能技術(shù)在智慧煙草農(nóng)業(yè)中的應(yīng)用現(xiàn)狀

1.1 煙草育苗環(huán)節(jié)

育苗是煙葉生產(chǎn)過程中的重要環(huán)節(jié)[6-7]，對煙草后續(xù)生長過程的影響巨大。當前煙葉生產(chǎn)采用集中培育，成苗后移栽的生產(chǎn)方式，育苗過程中的環(huán)境監(jiān)測和控制多以人工為主，但不同煙區(qū)煙苗播種期、移栽期不同，同時煙苗各生長階段對于外界環(huán)境、養(yǎng)分的需求各有差異，對育苗管理人員的技術(shù)要求較高。因此，在現(xiàn)代化煙草育苗理念以及整體技術(shù)革新的基礎(chǔ)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(huán)境參數(shù)遠程無線監(jiān)測系統(tǒng)，實現(xiàn)育苗棚內(nèi)溫濕度、光照強度等參數(shù)的實時、動態(tài)監(jiān)測。謝文婷等[9]將自動循環(huán)裝置融入育苗池的改造中，探索研發(fā)營養(yǎng)液自動循環(huán)系統(tǒng)，實現(xiàn)了煙草壯苗率的提高。李曉歌等[10]將多種技術(shù)，包括自動控制、傳感器、無線通信以及人工智能等技術(shù)應(yīng)用到煙草育苗中，建立了監(jiān)測控制系統(tǒng)，實現(xiàn)煙草育苗大棚實時溫度、濕度在線監(jiān)測以及自動調(diào)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(jiān)控綜合管理系統(tǒng)，通過各傳感器設(shè)備實現(xiàn)育苗大棚溫度、濕度、光照強度以及CO2濃度等環(huán)境參數(shù)的實時監(jiān)測與自動控制，并基于已采集數(shù)據(jù)建立相關(guān)煙苗模型，對移栽時間做出科學預(yù)測。王曦等[12]則從農(nóng)業(yè)角度對機械化智慧工廠育苗模式進行了深入研究，將現(xiàn)代生物技術(shù)、環(huán)境調(diào)控技術(shù)、人工智能技術(shù)貫穿種苗生產(chǎn)過程中，探索建立新型育苗工廠，實現(xiàn)種苗的數(shù)字化、可視化、自動化、規(guī)?；a(chǎn)。

當前，智慧化育苗的研究還主要集中在育苗過程中環(huán)境的精準調(diào)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(nóng)業(yè)領(lǐng)域相關(guān)研究成果，將圖像識別技術(shù)和深度學習技術(shù)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(huán)節(jié)

1.2.1 土壤養(yǎng)分檢測

煙草農(nóng)業(yè)與其他產(chǎn)業(yè)根本區(qū)別在于，它是以自然資源為基礎(chǔ)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(huán)境和營養(yǎng)條件[14]，并且直接影響著煙葉的產(chǎn)量以及品質(zhì)風格[15]。由于我國煙區(qū)土壤類型不同，部分煙技員或者煙農(nóng)憑借自身經(jīng)驗開展局部土壤改良、土壤施肥，打破了土壤原有的生態(tài)平衡，導(dǎo)致煙葉產(chǎn)量、質(zhì)量逐年下降[16]，因此，土壤成分檢測分析至關(guān)重要。

目前，電化學技術(shù)、電磁技術(shù)、激光技術(shù)、光譜技術(shù)等被廣泛運用于土壤成分快速檢測，而人工智能技術(shù)的加入又為預(yù)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(jīng)網(wǎng)絡(luò)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(guān)聯(lián)模型。除雷達成像外，單一土壤成分的光譜預(yù)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(jīng)網(wǎng)絡(luò)預(yù)測方法建立了土壤中有機質(zhì)、全氮的分析模型，結(jié)果表明，有機質(zhì)含量的模型預(yù)測相關(guān)系數(shù)為0.854，全氮含量的模型預(yù)測相關(guān)系數(shù)為0.808，模型預(yù)測效果較好。董超等[20]分別通過無人機以及地面采樣數(shù)據(jù)，從兩個尺度層面構(gòu)建了麥田土壤養(yǎng)分的估測模型以及變量施肥模型，為麥田土壤分析和區(qū)域施肥提供科學依據(jù)。在煙草農(nóng)業(yè)領(lǐng)域，陳昌華等[21]基于主元分析與徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，建立了煙田土壤水分預(yù)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(shù)，對攀枝花市烤煙土壤濕度空間分布進行反演研究，預(yù)測結(jié)果與氣象觀測點數(shù)據(jù)基本一致；王一丁等[23]建立了植煙土壤高光譜與有機質(zhì)和全氮間的定量反演模型，預(yù)測模型決定系數(shù)分別為0.948、0.919。上述研究均取得了較好的預(yù)測效果。

田間養(yǎng)分檢測技術(shù)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(shù)據(jù)的快速獲取與設(shè)備更新研發(fā)力度，并對相關(guān)數(shù)據(jù)進行多維分析探索建立不同煙區(qū)海拔、氣候、溫濕度、土壤養(yǎng)分、肥料組成和利用率等關(guān)鍵因子與土壤的關(guān)系，對煙區(qū)土壤進行分類，并結(jié)合有效養(yǎng)分校正系數(shù)、產(chǎn)量對土壤的依存率、最佳經(jīng)濟施肥量等因子，因地制宜指導(dǎo)土壤生態(tài)平衡改良。

1.2.2 生產(chǎn)智能裝備應(yīng)用

農(nóng)業(yè)機器人是融合智能制造技術(shù)、人工智能技術(shù)、遙感技術(shù)，建立起的空間環(huán)境、位置以及形態(tài)的多模態(tài)信息感知系統(tǒng)[24]。相較于發(fā)達國家，我國農(nóng)業(yè)智能機器人發(fā)展起步相對較晚，但產(chǎn)業(yè)發(fā)展迅速[25-26]，且政策上扶持力度較大，十五部門聯(lián)合發(fā)布了《“十四五”機器人產(chǎn)業(yè)發(fā)展規(guī)劃》，這為農(nóng)業(yè)領(lǐng)域智能機器人的發(fā)展提供了新機遇。

目前，許多專家學者正自主開發(fā)機器人，涉及農(nóng)業(yè)無人車、農(nóng)業(yè)無人機等方面。其中，農(nóng)業(yè)無人車受地形等因素影響，目前在煙草農(nóng)業(yè)領(lǐng)域應(yīng)用較少，但在其他農(nóng)業(yè)作物領(lǐng)域，包括農(nóng)田耕作、農(nóng)業(yè)植保、施肥撒藥、信息采集、農(nóng)資運輸?shù)确矫鎽?yīng)用較為廣泛，主要是通過各類型傳感器接收外部環(huán)境條件，算法實現(xiàn)路徑的自動求解，控制系統(tǒng)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(nóng)田作業(yè)[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(yè)速度快，且不受地面條件限制，已經(jīng)在煙草農(nóng)業(yè)種植領(lǐng)域得到廣泛應(yīng)用。胡旭[28]結(jié)合煙草打頂農(nóng)藝技術(shù)要求，以無人機為動力載體，設(shè)計了針對西南山地丘陵地區(qū)的多旋翼打頂裝備，實驗結(jié)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(qū)智能化打頂需求。此外，應(yīng)用遙感影像對煙草相關(guān)信息進行提取也已得到初步應(yīng)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(xiàn)煙草株數(shù)的識別，識別準確度達99%。付必環(huán)等[30]探討了深度語義分割無人機圖像在山區(qū)煙草種植面積自動提取的應(yīng)用潛力，實驗結(jié)果表明該方法識別山區(qū)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(xiàn)了烤煙氮素營養(yǎng)分析與監(jiān)測。相對于無人車，無人機打破了地形限置，能夠做到科學規(guī)劃監(jiān)測作業(yè)流程，同時高精度影像經(jīng)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(nóng)業(yè)各生產(chǎn)環(huán)節(jié)對無人化、少人化的作業(yè)需求為農(nóng)業(yè)機器人的發(fā)展提供了新的驅(qū)動力。但相較于國外農(nóng)業(yè)機器人的研究，我國發(fā)展起步較晚，大多數(shù)機型仍未達到產(chǎn)業(yè)應(yīng)用水平，且引進的國外機器結(jié)構(gòu)較為復(fù)雜，不能很好地適應(yīng)我國農(nóng)藝特點。因此，煙草農(nóng)業(yè)復(fù)雜作業(yè)環(huán)境下的導(dǎo)航、機器人-煙草的無損作業(yè)、農(nóng)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(jiān)測預(yù)警

煙草病害問題已成為制約煙草農(nóng)業(yè)生產(chǎn)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(jiān)測的前提和基礎(chǔ)[33]。傳統(tǒng)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，F(xiàn)CC)、K近鄰算法(K-nearest neighbor，KNN)、K-means聚類算法、卷積神經(jīng)網(wǎng)絡(luò)(AlexNet、Resnet、VGG-16、Inception-V3、Inception-V4)等[34-36]，提取患病葉片特征信息構(gòu)建病害分析、識別模型，以此制定出合適的預(yù)防控制策略。

濮永仙[37]針對煙草7種常見葉部病害，應(yīng)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(yōu)化，提出一種基于病斑特征融合的病害圖像檢索方式，結(jié)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(shù)對病害進行自動識別，實現(xiàn)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(wǎng)絡(luò)，建立了煙草五類病害精準識別診斷系統(tǒng)。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(tǒng)，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(wǎng)絡(luò)，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(nóng)業(yè)病害識別中也得到了越來越多的應(yīng)用。Albetis等[42]通過采集葡萄園地面數(shù)據(jù)以及多光譜遙感數(shù)據(jù)，評估無人機監(jiān)測葡萄霜霉病的可行性，結(jié)果表明，基于無人機多光譜數(shù)據(jù)能夠較好識別葡萄發(fā)病情況。Moshou等[43]將成像光譜數(shù)據(jù)與熒光圖像融合，構(gòu)建了基于神經(jīng)網(wǎng)絡(luò)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(qū)域小麥全蝕病病害等級構(gòu)建監(jiān)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(shù)的多特征融合檢測方法和構(gòu)建的冠層光譜特征參數(shù)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(lǐng)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(shù)據(jù)，建立了該病害進程診斷模型，預(yù)測準確度為83.84%。上述學者的研究均實現(xiàn)了精準識別煙草病害，為煙草病害的防治提供了相應(yīng)的理論基礎(chǔ)。

1.3 煙葉烘烤環(huán)節(jié)

烘烤環(huán)節(jié)銜接著商業(yè)產(chǎn)煙與工業(yè)用煙，其過程好壞直接決定煙葉品質(zhì)與經(jīng)濟效益[47]。傳統(tǒng)烘烤需要技術(shù)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(zhí)行超前或滯后的現(xiàn)象時有發(fā)生[48]。建立智慧化煙葉烘烤系統(tǒng)，實時預(yù)測煙葉的烘烤狀態(tài)并自動調(diào)整煙葉烘烤工藝，對于提升煙葉烘烤品質(zhì)、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(huán)節(jié)走向智慧化的重要前提，且人工智能技術(shù)的快速發(fā)展，為煙葉狀態(tài)智能識別和精準判斷提供了重要技術(shù)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(jīng)網(wǎng)絡(luò)建立煙葉含水率預(yù)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(yù)測模型，同樣表明基于GA-SVM模型預(yù)測效果最好。

除學術(shù)研究層面外，不少產(chǎn)區(qū)也正在將大數(shù)據(jù)技術(shù)、物聯(lián)網(wǎng)技術(shù)與人工智能技術(shù)結(jié)合，探究不同成熟度、烘烤溫濕度、烘烤工藝曲線等關(guān)鍵因子與煙葉烘烤之間的關(guān)系，并著手建立地區(qū)煙葉烘烤數(shù)據(jù)服務(wù)平臺，實現(xiàn)不同區(qū)域烘烤煙葉質(zhì)量轉(zhuǎn)化的智能輔助識別，為推進煙葉生產(chǎn)方式變革和現(xiàn)代化進程、助推智慧煙草農(nóng)業(yè)發(fā)展提供重要支撐。

1.4 煙葉分級環(huán)節(jié)

煙葉的質(zhì)量以及等級純度直接影響著卷煙工業(yè)的品質(zhì)和質(zhì)量穩(wěn)定性[52]，對煙葉進行等級分類是當前控制煙葉質(zhì)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(zhí)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(shù)代替?zhèn)鹘y(tǒng)人工分級已經(jīng)成為煙草農(nóng)業(yè)智慧化發(fā)展的必然趨勢。

當前，基于人工智能技術(shù)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(shù)以及神經(jīng)網(wǎng)絡(luò)的煙葉自動分級研究。利用機器視覺技術(shù)提取煙葉圖像顏色、紋理、形狀等特征，建立相應(yīng)分級模型，這一技術(shù)在許多文獻中可見報道。顧金梅等[53]基于BP神經(jīng)網(wǎng)絡(luò)，選擇相關(guān)顏色分量作為輸入項，實現(xiàn)煙葉等級的識別，研究結(jié)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(jié)合卷積層與網(wǎng)絡(luò)層完成遷移學習，仿真實驗結(jié)果表明，模型識別準確率達95.23%，優(yōu)于傳統(tǒng)分級算法。②基于光譜技術(shù)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(shù)，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(shù)據(jù)預(yù)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(jié)果表明，采用多元散射校正預(yù)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(shù)賦能智慧煙草農(nóng)業(yè)的現(xiàn)實約束

根據(jù)上文人工智能技術(shù)在煙草農(nóng)業(yè)關(guān)鍵環(huán)節(jié)的應(yīng)用進展綜述可知，我國人工智能技術(shù)發(fā)展勢頭迅猛，在煙草農(nóng)業(yè)各領(lǐng)域取得了巨大進展，在各個生產(chǎn)環(huán)節(jié)中均有實際應(yīng)用場景。但由于主客觀條件的約束，人工智能技術(shù)的發(fā)展仍處于初步階段，賦能煙草農(nóng)業(yè)智慧化發(fā)展還存在著現(xiàn)實問題與挑戰(zhàn)。

數(shù)據(jù)治理困難。高質(zhì)量的數(shù)據(jù)是人工智能發(fā)展的前提和基礎(chǔ)[58]。一方面，煙葉生產(chǎn)過程中產(chǎn)生了大量數(shù)據(jù)[59]，包括地理空間及衛(wèi)星遙感數(shù)據(jù)、物聯(lián)網(wǎng)數(shù)據(jù)、智能機械裝備作業(yè)數(shù)據(jù)，煙葉生長加工環(huán)境影像數(shù)據(jù)以及氣象部門等的第三方共享數(shù)據(jù)。無論從數(shù)據(jù)體量和維度看，煙葉數(shù)據(jù)已從傳統(tǒng)的基礎(chǔ)業(yè)務(wù)數(shù)據(jù)向多維數(shù)據(jù)拓展，存在著數(shù)據(jù)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(shù)據(jù)采集標準并不統(tǒng)一，數(shù)據(jù)格式呈現(xiàn)多元化，數(shù)據(jù)治理困難，數(shù)據(jù)孤島現(xiàn)象難以破除。因此，智慧煙草農(nóng)業(yè)不同場景的落地催生出前所未有的風險頻譜，其發(fā)展的先進性、動態(tài)性、復(fù)雜性為我國煙草農(nóng)業(yè)帶來史無前例的數(shù)據(jù)治理挑戰(zhàn)。

技術(shù)研究薄弱。相較于發(fā)達國家，我國人工智能發(fā)展時間較短，整體實力存在差距，智慧煙草農(nóng)業(yè)研發(fā)應(yīng)用整體呈落后態(tài)勢?！缎乱淮斯ぶ悄馨灼?2020年)中指出，農(nóng)業(yè)領(lǐng)域智能化升級總指數(shù)得分為29.7，顯著低于工業(yè)智能升級進程，前沿技術(shù)薄弱仍是我國人工智能發(fā)展的關(guān)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(chǎn)業(yè)發(fā)展依賴于開源代碼以及現(xiàn)有數(shù)學模型[61]，基礎(chǔ)模式研究不足；農(nóng)業(yè)領(lǐng)域自有傳感器種類較少，且關(guān)鍵零部件依賴于進口[24]，標準化和自動化存在一定問題?？偟膩碚f，我國在傳感器、模型構(gòu)建、核心算法以及相關(guān)系統(tǒng)軟件等關(guān)鍵技術(shù)和產(chǎn)品仍受制于人，智能技術(shù)研究基礎(chǔ)薄弱，發(fā)展容易陷入“卡脖子”窘境。

3 基于人工智能技術(shù)的智慧煙草農(nóng)業(yè)發(fā)展展望

從煙葉質(zhì)量出發(fā)，育苗仍將是構(gòu)建智慧煙草農(nóng)業(yè)體系的重要環(huán)節(jié)，需要探索建設(shè)現(xiàn)代化、規(guī)?；療煵萦绻S。通過對先進設(shè)施農(nóng)業(yè)技術(shù)和物聯(lián)網(wǎng)設(shè)備的集成應(yīng)用，優(yōu)化煙葉育苗業(yè)務(wù)流程，實現(xiàn)育苗環(huán)節(jié)機械化、自動化。探索立體化煙葉育苗模式，研發(fā)立體化多模塊拼接調(diào)節(jié)育苗技術(shù)與裝置，兼顧煙葉育苗閑置期間其他作物的設(shè)備使用需求，增加育苗工廠的綜合經(jīng)濟收益。繼續(xù)深入研究溫度、濕度、煙葉品種、煙苗階段等關(guān)鍵因子與煙苗生長發(fā)育間的關(guān)系，并依據(jù)植物表型建立分析模型綜合研判育苗期生長發(fā)育狀態(tài)，為育苗供苗方案制定提供數(shù)據(jù)支撐。此外，在建立育苗工廠的基礎(chǔ)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(xiàn)對全省的煙葉育苗工廠設(shè)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(shù)在煙草農(nóng)業(yè)種植管理領(lǐng)域的技術(shù)應(yīng)用和平臺建設(shè)的潛力仍待挖掘和推廣。一是針對煙草農(nóng)業(yè)生產(chǎn)特點，深入研究基于靶標定位識別精準施用控制、作業(yè)質(zhì)量監(jiān)測、作業(yè)場景智能識別和自主行走作業(yè)等系統(tǒng)，實現(xiàn)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(fù)雜場景下的應(yīng)用，解決所面臨的勞動力短缺問題。二是將衛(wèi)星遙感、無人機遙感、無人機植保、物聯(lián)網(wǎng)所獲數(shù)據(jù)與地面觀測數(shù)據(jù)相結(jié)合，形成天空地一體化的煙草農(nóng)情監(jiān)測系統(tǒng)，實現(xiàn)煙草種植環(huán)境監(jiān)控、煙葉長勢監(jiān)測、煙葉估產(chǎn)遙感監(jiān)測、旱情監(jiān)測與預(yù)警、病害監(jiān)測與預(yù)警等多維立體監(jiān)測，為田間管理提供定制化服務(wù)。三是要針對煙草農(nóng)業(yè)不同環(huán)節(jié)應(yīng)用場景所存儲數(shù)據(jù)，基于數(shù)據(jù)驅(qū)動管理理念，圍繞核心業(yè)務(wù)與管理目標進行數(shù)據(jù)挖掘與數(shù)據(jù)建模，包括生產(chǎn)智能感知、識別與作業(yè)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(gòu)建智慧“煙葉大腦”，為煙葉智慧化轉(zhuǎn)型提供業(yè)務(wù)模型支撐。

在煙葉烘烤環(huán)節(jié)，可繼續(xù)以數(shù)據(jù)獲取—算法開發(fā)—系統(tǒng)服務(wù)為發(fā)展主線，逐步將專家經(jīng)驗判斷為主導(dǎo)的煙葉烘烤模式轉(zhuǎn)變?yōu)橐匀斯ぶ悄?、大?shù)據(jù)分析為主導(dǎo)的智能烘烤。一是加快煙葉烘烤過程中物聯(lián)網(wǎng)設(shè)備的接入分析，建立數(shù)據(jù)采集規(guī)范，實現(xiàn)烘烤過程中溫濕度、葉片狀態(tài)等數(shù)據(jù)的實時采集。二是分區(qū)域研發(fā)烘烤工藝分析算法和烘烤煙葉質(zhì)量轉(zhuǎn)化數(shù)值模擬方法，實現(xiàn)烘烤工藝在線分析和煙葉烘烤質(zhì)量動態(tài)識別；運用數(shù)字孿生技術(shù)，構(gòu)建烘烤過程烤房溫濕度與煙葉質(zhì)量轉(zhuǎn)化的仿真模型，實現(xiàn)烘烤工藝參數(shù)科學調(diào)優(yōu)。三是以提升煙葉烘烤服務(wù)和管理質(zhì)量為目的，以精準服務(wù)需求為牽引，研發(fā)煙葉烘烤大數(shù)據(jù)綜合服務(wù)管理平臺并推廣應(yīng)用，從烘烤數(shù)據(jù)監(jiān)測、烘烤模型推薦、烘烤歷史記錄、工藝執(zhí)行評價、烘烤技術(shù)指導(dǎo)等方面提供個性化服務(wù)。

在煙葉分級環(huán)節(jié)，將煙葉分級理論研究的基礎(chǔ)與商業(yè)化落地應(yīng)用相結(jié)合，開創(chuàng)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(chǔ)通用技術(shù)的研究，提升煙葉分級系統(tǒng)集成的靈活性，提高圖像數(shù)據(jù)的處理速度。其次，將光譜技術(shù)、視覺識別技術(shù)引入煙葉智能分選定級設(shè)備研發(fā)中，加速智能煙葉分級機的工作效率，促進設(shè)備的商業(yè)化落地應(yīng)用，實現(xiàn)設(shè)備對通道上的煙葉自動識別其等級，為工業(yè)復(fù)烤實現(xiàn)“分級減負”。

4 結(jié)語

在全球面臨百年未有之大變局的時代背景下，作為農(nóng)業(yè)領(lǐng)域的“第一車間”，煙草農(nóng)業(yè)與人工智能技術(shù)的融合交互在各個生產(chǎn)環(huán)節(jié)中均有實際應(yīng)用場景，為行業(yè)帶來了突破性革命。未來發(fā)展過程中，必須要系統(tǒng)謀劃煙草農(nóng)業(yè)發(fā)展布局，創(chuàng)新人工智能與煙草農(nóng)業(yè)融合發(fā)展模式，并加強關(guān)鍵技術(shù)研發(fā)創(chuàng)新能力，強化專業(yè)人才隊伍建設(shè)，以期實現(xiàn)人工智能技術(shù)賦能與場景落地深度融合、人工智能技術(shù)創(chuàng)新與場景細分精準匹配、人工智能技術(shù)突破與場景應(yīng)用交互迭代的良好局面，更好地發(fā)揮人工智能“頭雁效應(yīng)”，推動我國智慧煙草農(nóng)業(yè)高質(zhì)量發(fā)展。