基于人工智能技術(shù)的職業(yè)化農(nóng)民教育培訓(xùn)平臺建設(shè)

摘 要：為適應(yīng)教育培訓(xùn)需求，本文基于人工智能技術(shù)，進行了建設(shè)職業(yè)化農(nóng)民教育培訓(xùn)平臺的研究，從數(shù)據(jù)層、控制層和表現(xiàn)層構(gòu)建了職業(yè)化農(nóng)民教育培訓(xùn)平臺的應(yīng)用架構(gòu)。為實現(xiàn)教育培訓(xùn)平臺的功能，軟件中設(shè)計了用戶信息收集、用戶信息處理、個性化農(nóng)業(yè)知識推薦和虛擬種植試驗4個模塊，以滿足職業(yè)化農(nóng)民教育培訓(xùn)的需求。試驗結(jié)果表明，本平臺性能良好，具有穩(wěn)定性，因此職業(yè)化農(nóng)民教育培訓(xùn)可以順利進行。本文的研究可以提升農(nóng)村地區(qū)農(nóng)民的職業(yè)技能和知識水平，為推動農(nóng)村地區(qū)經(jīng)濟發(fā)展提供有力的技術(shù)支持和解決方案。

關(guān)鍵詞：人工智能技術(shù)；教育培訓(xùn)；平臺建設(shè)；虛擬種植

中圖分類號：G 434" " " " " " " " " " " " " " 文獻標志碼：A

隨著信息技術(shù)的飛速發(fā)展和社會經(jīng)濟的不斷進步，農(nóng)村地區(qū)的農(nóng)業(yè)生產(chǎn)方式正經(jīng)歷著前所未有的轉(zhuǎn)變。傳統(tǒng)的耕作方式正在被現(xiàn)代農(nóng)業(yè)技術(shù)所取代，這提高了農(nóng)產(chǎn)品的質(zhì)量和產(chǎn)量，也為農(nóng)民提供了更多的增收機會。然而，要實現(xiàn)農(nóng)村現(xiàn)代化，不僅需要先進的農(nóng)業(yè)技術(shù)，還需要具備相應(yīng)知識和技能的職業(yè)化農(nóng)民隊伍。傳統(tǒng)的農(nóng)民教育培訓(xùn)模式存在資源不足、師資力量匱乏和教學(xué)內(nèi)容滯后等問題，導(dǎo)致農(nóng)民在應(yīng)對農(nóng)業(yè)現(xiàn)代化發(fā)展時面臨很多挑戰(zhàn)。人工智能技術(shù)是當今世界最前沿的科學(xué)技術(shù)之一，其在農(nóng)業(yè)領(lǐng)域中已經(jīng)展現(xiàn)了巨大的潛力。智能農(nóng)機、農(nóng)業(yè)大數(shù)據(jù)分析和精準農(nóng)業(yè)管理系統(tǒng)等技術(shù)的應(yīng)用，不僅提高了農(nóng)業(yè)生產(chǎn)的效率，還為農(nóng)民提供了更多的職業(yè)發(fā)展機會。因此，本文對基于人工智能技術(shù)的職業(yè)化農(nóng)民教育培訓(xùn)平臺建設(shè)進行深入研究，從數(shù)據(jù)層、控制層和表現(xiàn)層3個方面進行了平臺設(shè)計。希望通過本文的研究，為職業(yè)化農(nóng)民教育培訓(xùn)平臺的建設(shè)提供參考，促進農(nóng)村地區(qū)農(nóng)業(yè)的現(xiàn)代化轉(zhuǎn)型，進一步實現(xiàn)農(nóng)村振興的戰(zhàn)略目標。

1 職業(yè)化農(nóng)民教育培訓(xùn)平臺架構(gòu)

基于人工智能技術(shù)搭建的職業(yè)化農(nóng)民教育培訓(xùn)平臺主要包括數(shù)據(jù)層、控制層以及表現(xiàn)層。職業(yè)化農(nóng)民教育培訓(xùn)平臺的框架設(shè)計如圖1所示。

數(shù)據(jù)層包括用戶數(shù)據(jù)采集模塊和用戶信息處理模塊，用戶數(shù)據(jù)采集模塊負責收集用戶的相關(guān)數(shù)據(jù)；用戶信息處理模塊負責對采集的數(shù)據(jù)進行分析，以更好地了解用戶的需求和學(xué)習(xí)進展，為個性化農(nóng)業(yè)知識教學(xué)模塊提供支持?？刂茖臃譃?個關(guān)鍵模塊，即個性化農(nóng)業(yè)知識教學(xué)模塊和虛擬種植試驗?zāi)K。個性化農(nóng)業(yè)知識教學(xué)模塊基于用戶數(shù)據(jù)分析結(jié)果，提供個性化的教育內(nèi)容和學(xué)習(xí)計劃，以滿足用戶的特定需求；虛擬種植試驗?zāi)K為用戶提供了一個模擬的實踐環(huán)境，使其可以在虛擬農(nóng)田中進行試驗，提高其種植技能，增加其農(nóng)業(yè)經(jīng)驗。表現(xiàn)層的設(shè)計目標是將教育內(nèi)容以直觀和易理解的方式呈現(xiàn)給用戶，以供用戶使用。

2 軟件設(shè)計

2.1 數(shù)據(jù)層

基于人工智能技術(shù)的職業(yè)化農(nóng)民教育培訓(xùn)平臺，使用WebHarvy采集器以保證平臺能夠高效采集用戶關(guān)鍵信息。在時效性方面，要求信息采集系統(tǒng)能夠?qū)崟r獲取用戶數(shù)據(jù)，保持用戶信息更新的時效性，并能夠在極短的延遲內(nèi)將數(shù)據(jù)傳送到平臺進行處理和分析[1]。為解決以上難點，本文采用基尼不純度指標來評估網(wǎng)絡(luò)節(jié)點的重要性，該指標通過計算某個節(jié)點與其他節(jié)點相比的重要程度，以保證用戶信息采集的時效性。以某個節(jié)點為例，假設(shè)該節(jié)點有k個類別并且該節(jié)點上有n個樣本點，則該節(jié)點的基尼不純度如公式（1）所示。

（1）

式中：Ig為該節(jié)點的基尼不純度；pi為屬于第i個類別的樣本占總樣本數(shù)的比例。基尼不純度越低，該節(jié)點包括的信息越純凈、越重要。由此，平臺可以確定哪些節(jié)點包括了關(guān)鍵信息，對實時數(shù)據(jù)采集和信息更新來說至關(guān)重要。

一旦用戶完成個人信息的錄入，系統(tǒng)就自動將這些信息傳輸至用戶信息處理模塊，該模塊主要利用先進的人工智能技術(shù)，包括自然語言處理和機器學(xué)習(xí)算法，對錄入的數(shù)據(jù)進行分析、清洗和分類操作，以保證有效地利用這些數(shù)據(jù)。用戶信息處理模塊流程如圖2所示。

通過用戶信息處理模塊對用戶提供的信息進行有效處理，以便為用戶提供個性化的教育培訓(xùn)建議和課程推薦。用戶提供的信息需要經(jīng)過驗證，一致的數(shù)據(jù)直接傳輸?shù)紸WS RDS存儲數(shù)據(jù)庫供后續(xù)分析使用，不一致的數(shù)據(jù)，需要進行數(shù)據(jù)清洗和標準化操作。使用TF-IDF（Term Frequency-Inverse Document Frequency）文本向量化提取技術(shù)，從不一致的非結(jié)構(gòu)化數(shù)據(jù)中提取有意義的特征，以形成高維數(shù)據(jù)集。在高維數(shù)據(jù)集中，Z-score標準化方法對數(shù)據(jù)點特征進行降維、標準化操作，具體計算過程如公式（2）所示。

（2）

式中：z為Z-score標準化后的數(shù)據(jù)點；v為原始數(shù)據(jù)點的值；p為數(shù)據(jù)集的平均值；σ為數(shù)據(jù)集的標準差。經(jīng)過降維、標準化操作后，保證數(shù)據(jù)點具有相同的尺度，降低后續(xù)計算復(fù)雜度，減少過擬合的風險。然后將經(jīng)過上述操作處理后的數(shù)據(jù)集重新組合，以生成新的數(shù)據(jù)集。此時，應(yīng)保證其中包括與研究問題有統(tǒng)計學(xué)意義的標簽或目標變量，以支持后續(xù)的監(jiān)督學(xué)習(xí)任務(wù)。同時，添加索引或唯一標識符，以便更容易訪問和檢索數(shù)據(jù)。將經(jīng)過特征重組的新數(shù)據(jù)集以CSV數(shù)據(jù)格式保存在AWS RDS數(shù)據(jù)庫中，供后續(xù)的決策邏輯和控制算法使用[2]。通過數(shù)據(jù)層的設(shè)計，職業(yè)化農(nóng)民教育培訓(xùn)平臺能夠高效地管理和處理用戶數(shù)據(jù)，以便為后續(xù)提供個性化、實時性的教育內(nèi)容給予數(shù)據(jù)支持。

2.2 控制層

2.2.1 個性化農(nóng)業(yè)知識推薦模塊

個性化農(nóng)業(yè)知識推薦模塊是職業(yè)化農(nóng)民教育培訓(xùn)平臺的核心組成部分之一，它的目標是根據(jù)每位學(xué)習(xí)者的需求、興趣和背景，提供定制化的農(nóng)業(yè)知識教育內(nèi)容。構(gòu)建個性化農(nóng)業(yè)知識推薦模塊的主要步驟如下。對采集、處理后的用戶信息進行分析，包括農(nóng)民的農(nóng)業(yè)經(jīng)驗、所在地理位置、農(nóng)田大小、作物種植歷史和特殊需求等方面，以構(gòu)建用戶畫像[3]。該步驟的目的是為每個用戶定義詳細的特征和屬性，以便更好地了解他們的背景和學(xué)習(xí)需求，從而為其提供精準化的教育內(nèi)容?；谟脩舢嬒?，利用神經(jīng)網(wǎng)絡(luò)反向傳播算法建立用戶個性化農(nóng)業(yè)知識推薦模型。使用點積（dot product）公式預(yù)測用戶對未學(xué)過農(nóng)業(yè)知識的興趣程度，即用戶興趣與內(nèi)容特征的匹配度，具體計算過程如公式（3）所示。

Rmn=UmT×Kn" " " " （3）

式中：Rmn為用戶m對內(nèi)容n的預(yù)測興趣得分；UmT為用戶m的特征向量轉(zhuǎn)置；Kn為內(nèi)容n的特征向量。通過匹配度評分，可以篩選與用戶相關(guān)的農(nóng)業(yè)知識，保證推薦的內(nèi)容對用戶更有幫助，更符合其學(xué)習(xí)需求。通過最小化損失函數(shù)，引導(dǎo)模型參數(shù)更新，使模型的預(yù)測逐漸趨向更準確的方向，損失函數(shù)具體計算過程如公式（4）所示。

（4）

式中：L為損失函數(shù)；為模型的評估輸出值；s為用戶總數(shù)。在模型訓(xùn)練中，損失函數(shù)充當了評估模型性能的關(guān)鍵指標，它量化了模型的評估輸出值與用戶的預(yù)測興趣得分之間的差距，通過不斷最小化損失函數(shù)，逐漸提高該模型對用戶需求的理解程度。使用梯度下降（Gradient Descent）法不斷優(yōu)化模型參數(shù)，更新模型權(quán)重（Weights），梯度下降法的計算過程如公式（5）所示。

（5）

式中：w為權(quán)重；α為學(xué)習(xí)率，它控制參數(shù)更新的步長；為損失函數(shù)L對權(quán)重的偏導(dǎo)數(shù)。通過不斷計算損失函數(shù)對權(quán)重的偏導(dǎo)數(shù)，梯度下降法朝最小化損失的方向更新模型參數(shù)。這個迭代過程一直持續(xù)，直到損失函數(shù)收斂到一個局部或全局最小值，指導(dǎo)模型參數(shù)向減少損失的方向調(diào)整，從而提高了推薦系統(tǒng)的精度和個性化效果。綜上所述，這個模塊的主要任務(wù)是在綜合分析用戶的興趣和需求的基礎(chǔ)上，生成個性化的推薦列表，旨在為每個用戶提供最相關(guān)的農(nóng)業(yè)知識。這些知識包括種植指導(dǎo)、病蟲害防治、天氣預(yù)測和市場分析等多個領(lǐng)域。根據(jù)知識與用戶的興趣、過去的瀏覽歷史和反饋等因素的相關(guān)性，實現(xiàn)推薦內(nèi)容的精心排序，將與用戶需要最相關(guān)的信息排在前面。

2.2.2 虛擬種植試驗?zāi)K

基于人工智能技術(shù)的職業(yè)化農(nóng)民教育培訓(xùn)平臺在建設(shè)的過程中，利用PlayStation VR頭戴式虛擬現(xiàn)實設(shè)備獲取農(nóng)田場景的圖像，設(shè)備上搭載RGB-D相機，它能夠捕獲作物、土壤、植被和天空等元素的圖像。同時，從AWS RDS數(shù)據(jù)庫中檢索預(yù)先存儲的基準農(nóng)田圖像，這些圖像代表了虛擬種植試驗的參考狀態(tài)。在處理圖像的過程中，使用高斯差分圖像法突出圖像中的特征點，這個過程可以分解為2個主要步驟。高斯核是一個二維高斯分布函數(shù)，用于平滑圖像。在圖像中，每個像素的強度值都受到周圍像素的加權(quán)平均影響。高斯核的參數(shù)包括標準差σ，它控制了圖像的平滑程度，具體計算過程如公式（6）所示。

（6）

式中：G（x，y，σ）為在點（x，y）處的高斯核值；x為像素在圖像中的橫坐標；y為像素在圖像中的縱坐標；σ為高斯核的標準差。假設(shè)2個不同尺度高斯圖像的高斯核分別為kσ和σ，這2個尺度的高斯核相減，產(chǎn)生高斯差分圖像Gc（xc，yc，σ），具體計算過程如公式（7）所示。

Gc（xc，yc，σ）=I×（G（x，y，kσ）-G（x，y，σ）） （7）

式中：I為當前幀圖像；k為尺度因子。這一步驟的目的是突出圖像的邊緣和特征，以便進一步對特征點進行檢測和匹配。一旦建立了特征點的對應(yīng)關(guān)系，就可以使用這些關(guān)系來估計虛擬相機的姿態(tài)，即虛擬相機在農(nóng)田中的位置和方向。使用歐幾里得距離誤差公式判斷估計的姿態(tài)是否足夠準確，具體計算過程如公式（8）所示。

（8）

式中：O為歐幾里得距離誤差；ηj為虛擬相機姿態(tài)下虛擬農(nóng)作物的坐標；κj為實際農(nóng)田中對應(yīng)點的坐標；u為向量的維度；j為一個索引變量，它遍歷向量的所有維度。如果誤差較大，則需要利用束法（Bundle Adjustment）公式，修正虛擬相機的姿態(tài)，它是一種用于同時估計多個相機的姿態(tài)參數(shù)、三維場景結(jié)構(gòu)以及特征點的三維坐標的優(yōu)化算法，其目標是最小化重投影誤差，即最小化觀測到的特征點在圖像中的投影與其估計的三維位置之間的差異。最小化束法參數(shù)的計算過程如公式（9）所示。

Ei=∑[uj+Ki×Ri×（pi-ci）2] （9）

式中：∑為對所有的相機和特征點的投影誤差進行求和，以覆蓋所有的相機和特征點；uj為觀測到的特征點在相機i中的投影；Ki為相機i的內(nèi)參矩陣；Ri為相機i的旋轉(zhuǎn)矩陣；pi為特征點的三維坐標；ci為相機i的平移向量。

束法公式的目標是最小化觀測數(shù)據(jù)和估計值之間的差異，通過調(diào)整相機參數(shù)（ci，Ri）和特征點坐標（Pi），使誤差的平方和最小化，使用非線性優(yōu)化算法來找到最小化成本函數(shù)的解，從而獲得最佳的相機姿態(tài)參數(shù)和特征點坐標的估計值，提高虛擬相機姿態(tài)估計的準確性。利用估計的虛擬相機姿態(tài)，系統(tǒng)將虛擬種植試驗疊加到當前幀圖像中。該步驟的目的是保證修正后的虛擬相機姿態(tài)滿足對齊要求，使用戶在虛擬試驗中獲得身臨其境的種植體驗。與此同時，這一過程需要考慮到虛擬試驗和真實農(nóng)田環(huán)境之間的位置和方向的一致性，以保證虛實融合的效果。最終，虛擬種植試驗的結(jié)果將以虛實融合的方式呈現(xiàn)在頭戴式虛擬現(xiàn)實設(shè)備的屏幕上，用戶將能夠在真實農(nóng)田中看到虛擬種植試驗與實際作物相互交織。平臺能夠提供實時的種植信息和指導(dǎo)方法，為培訓(xùn)職業(yè)化農(nóng)民提供有力的輔助工具。

2.3 表現(xiàn)層

在構(gòu)建基于人工智能技術(shù)的職業(yè)化農(nóng)民教育培訓(xùn)平臺的過程中，表現(xiàn)層是至關(guān)重要的，它主要負責與用戶互動、展示平臺的界面和數(shù)據(jù)，以保證系統(tǒng)的易用性和用戶友好度。建立良好的信息架構(gòu)是關(guān)鍵，JavaScript創(chuàng)建網(wǎng)站地圖和用戶登錄流程，用于實現(xiàn)頁面的交互性和動態(tài)性。在UI設(shè)計中，層疊樣式表（CSS）用于美化頁面的樣式、選擇色彩方案、設(shè)計界面元素和字體排版，以滿足不同用戶的審美和文化偏好。超文本標記語言（HTML）提供頁面的基本結(jié)構(gòu)，以初步定義布局和組件位置，創(chuàng)建可交互的原型，以演示用戶界面的交互流程。圖標和標簽應(yīng)該清晰表示每個選項，當設(shè)置用戶輸入時，需要提供明確的輸入字段和相關(guān)提示，以保證用戶能夠解決問題和獲取相關(guān)信息。

3 測試試驗

3.1 試驗準備

為驗證平臺的實際應(yīng)用效果，選擇Apache服務(wù)器，以提供可靠的運行環(huán)境。使用Spring Boot框架進行開發(fā)，Spring Boot提供了快速開發(fā)功能和輕量級的應(yīng)用程序，適用于構(gòu)建高性能的應(yīng)用程序。選擇Nginx作為Web服務(wù)器，以托管高流量的Web應(yīng)用程序，保證平臺的高性能和穩(wěn)定性。后端系統(tǒng)采用JSON（JavaScript對象表示法）格式將數(shù)據(jù)傳輸至前端，適用于Web應(yīng)用程序的數(shù)據(jù)傳輸。采用AWS RDS作為主要的數(shù)據(jù)庫系統(tǒng)，其具有強大的數(shù)據(jù)管理和查詢功能，適用于存儲和管理教育培訓(xùn)平臺的數(shù)據(jù)。為實現(xiàn)實時數(shù)據(jù)交互，采用WebSocket通信技術(shù)，其允許平臺與用戶之間建立雙向通信通道，提供實時信息傳輸。

3.2 試驗結(jié)果

選取5個不同節(jié)點的資源值，評估基于人工智能技術(shù)的職業(yè)化農(nóng)民教育培訓(xùn)平臺的性能，測試結(jié)果見表1。

平臺的數(shù)據(jù)采集時間表現(xiàn)穩(wěn)定，最長不超過8.5 ms，說明平臺能夠高效地獲取數(shù)據(jù)；平均傳輸速率為21.28 MB/s，說明平臺數(shù)據(jù)傳輸和處理的速度較快；平臺的計算過程在2 s

內(nèi)完成，說明平臺的計算效率較高，能夠快速為用戶提供結(jié)果；平臺的準確率保持在98%以上，最高達到99.3%，這說明平臺的推薦和分析功能具有較高的精度。綜上所述，基于人工智能技術(shù)的職業(yè)化農(nóng)民教育培訓(xùn)平臺在試驗中表現(xiàn)出良好的性能，平臺能夠高效地處理數(shù)據(jù)，提供準確的推薦和分析結(jié)果，有助于提高農(nóng)民的職業(yè)化水平，實現(xiàn)教育培訓(xùn)效果。

4 結(jié)語

基于人工智能技術(shù)的職業(yè)化農(nóng)民教育培訓(xùn)平臺不僅為農(nóng)民提供了更便捷、高效的學(xué)習(xí)途徑，還為農(nóng)村地區(qū)的可持續(xù)發(fā)展和現(xiàn)代化建設(shè)提供了有力的支持。在平臺的幫助下，農(nóng)民可以更全面地了解農(nóng)業(yè)生產(chǎn)情況、市場趨勢和最新的農(nóng)業(yè)技術(shù)，可以提高農(nóng)業(yè)生產(chǎn)水平，增加收入來源，促進農(nóng)村地區(qū)的經(jīng)濟繁榮。研究人員需要不斷改進和優(yōu)化該平臺，以適應(yīng)農(nóng)村地區(qū)的技術(shù)水平，滿足農(nóng)民的多樣性需求。

參考文獻

[1]袁華根，奚照壽.農(nóng)民遠程教育培訓(xùn)平臺的開發(fā)與應(yīng)用[J].農(nóng)民科技培訓(xùn)，2021（1）：43-45.

[2]崔艷梅，齊乃敏.農(nóng)民教育培訓(xùn)信息化平臺構(gòu)建研究[J].安徽農(nóng)業(yè)科學(xué)，2020，48（22）：276-279.

[3]高靖.農(nóng)民教育培訓(xùn)信息化平臺建設(shè)探討[J].浙江農(nóng)業(yè)科學(xué)，2022，63（3）：638-640，644.