智能農機裝備是集復雜農業機械、智能感知/智能決策/智能控制、大數據/云平臺/物聯網等技術為一體的現代農業裝備，可自主、高效、安全、可靠地完成農業作業任務。
智能農機系統以智能農機裝備為核心，包括田間信息感知獲取、田間智能作業機械、田間互通互聯以及云-端互聯系統、云平臺決策管控中心。
農機裝備智能測控技術是智能農機（無人農場）的核心。
一、智能感知技術
1-1 作物生長與病蟲草害感知技術
（1）作物生長信息感知技術
葉綠素、氮素含量是作物生長的重要營養指標，基于光譜特征分析法實時獲取作物葉綠素和氮素含量是變量施肥和精準植保作業亟待解決的難題。
在葉綠素含量檢測研究方面：俄克拉荷馬州立大學使用多光譜成像傳感器檢測葉綠素含量和濃度，使用超聲波傳感器估算植被高度來提高葉綠素含量檢測精度；愛達荷大學使用平板彩色掃描儀檢測植物葉片葉綠素含量；德國慕尼黑工業大學將光譜技術和數字圖像處理技術結合用于葉綠素含量檢測。
l 李民贊團隊（中國農業大學）研究了基于近紅外光譜技術的葉綠素含量檢測方法。
l 朱艷團隊（南京農業大學）基于高光譜遙感特征進行小麥葉片含氮量檢測、小麥氮素積累動態檢測等技術研究。
檢測傳感器及儀器產品開發方面，國內外已有較為成熟的葉綠素含量及氮含量檢測儀器，技術已相對成熟。
便攜式手持產品可實現參數的離線檢測，離線手持式測量儀器已實現產品化。
Yara公司（雅苒國際）的N-sensor傳感器可直接安裝在車載機具上進行作物葉綠素含量以及氮素含量的在線檢測，精度還有待進一步提高。
車載葉綠素和氮素含量高精度實時在線快速檢測是變量施肥和精準植保作業的關鍵，是亟待解決的難題。
（2）農田病蟲草害信息感知技術
目前病蟲害的檢測方法主要有熒光光譜法、可見/近紅外光譜法、高光譜成像和數字圖像處理法等。
國外學者的研究工作較早。如美國愛達荷州立大學，基于光譜特征，使用支持向量機(SVM，機器學習算法)來檢測感染病毒的馬鈴薯植株; 德國波恩大學，基于熒光光譜特征，使用支持向量機來檢測小麥葉銹病；比利時魯汶大學，基于高光譜反射信息，使用熒光成像技術來檢測冬小麥黃銹病。
l 何勇團隊（浙江大學）利用可見光和近紅外光等光譜信息對茄子葉片灰霉病、大豆豆莢炭疽病進行檢測。
l 王儒敬團隊（中國科學院）研究了基于深度學習的病蟲害智能化識別系統，使用多分類器融合的方法對玉米葉部病害進行識別。
目前雜草的檢測識別定位主要有視覺法和光譜法。
澳大利亞昆士蘭科技大學、日本名古屋大學、丹麥奧爾堡大學、法國勃艮第大學、比利時讓布盧大學等使用單目相機、立體視覺傳感器等進行雜草檢測。
l 李偉團隊（中國農業大學）研究了基于視覺形態特征的雜草識別方法，將其應用到移栽類蔬菜用苗間鋤草機器人上。
l 何東健（西北農林科技大學）等和李先鋒（江蘇大學）等分別將支持向量機和DS證據理論（人工智能）用于多特征融合的雜草識別方法。
國內外一些農機企業也推出了農田雜草識別系統，科樂收(CLAAS)、藍河科技(Blue River Technology)分別使用了基于視覺的田間雜草感知系統(圖4a)。碳蜂公司(Carbon Bee)推出了一種車載的高光譜傳感器AQiT-Sensor，可以識別出作物中間生長的雜草(圖4b)。
目前農田雜草的感知技術主要基于視覺特征，對于不同的雜草需要不同的算法，用于學習訓練的數據庫比較單一和獨立。未來可以將雜草的特征進行整合建立一個統一的數據庫，使用機器學習的方式將各種雜草最主要的特征進行提取，減少終端的運算量，提高雜草感知的準確性和實時性。
目前研究現狀：
作物位置（成熟）、外形體積（成熟） ；
生物量（不成熟）、病蟲草害信息（不成熟）。
1-2 作業環境與障礙感知技術
（1）農田土壤信息感知技術
土壤養分信息獲取：
①測土配方：目前國際上應用最廣。但是測土配方采樣柵格區域較大，細化柵格進行土壤養分測定耗時耗力，需要長期積累。
②遙感探測技術：通過對土壤進行探測，經反演模型構建，分析有機質等土壤養分信息作為施肥處方變量依據，是一種大范圍處方信息快速獲取手段。但是存在動態數據監測困難的問題。
③土壤電導率：能夠反映土壤養分差異，是施肥變量在線獲取的重要手段，主要有電磁感應法、遙感法、化學檢測法、“電流-電壓”四端法，研究應用最多的是四端法，其檢測裝備可快速檢測電導率并且受環境干擾較小。
車載土壤信息獲取包括土壤養分、水分、酸堿度、壓實度等信息。
車載土壤養分精確測量目前還沒有成熟的手段，但國內外學者都對此進行了大量深入研究。
國外：美國喬治亞大學使用射頻識別技術對土壤的溫度信息進行快速無線實時監測; 意大利卡西諾大學使用主動紅外熱成像法實現了實驗室和現場的土壤含水量快速檢測; 比利時列日大學使用近紅外反射光譜法檢測土壤有機質含量。
l 何勇團隊（浙江大學）利用土壤的光譜特征來檢測土壤的有機質含量、含水率、氮磷含量、pH 值等信息;
l 李民贊團隊（中國農業大學）基于鹵鎢燈光源和多路光纖法設計了土壤全氮含量檢測儀，基于近紅外光譜信息對土壤參數進行實時分析;
l 王儒敬團隊（中國科學院）設計了土壤鉀離子非接觸電導檢測裝置，基于光譜、卷積神經網絡等方法對土壤有機質含量進行預測;
l 張小超團隊（中國農業機械化科學研究院）研究了基于激光誘導擊穿光譜的土壤鉀素檢測方法，應用傅里葉變換近紅外光譜技術分析了土樣的全氮、全鉀、有機質養分含量和pH 值;
l 孫宇瑞團隊（中國農業大學）開發了土壤水分剖面實時測量傳感器、農田土壤含水率與堅實度信息快速采集系統，運用近紅外光譜分析方法對土壤質地進行分類。
奧地利 POTTINGER公司的車載綜合土壤傳感器TSM，可以實時地掃描土壤表層和深層土質結構，得到不同區塊的壓實度、含水率、電導率和土壤類型等信息。
美國精密種植公司(Precision Planting) Smart Firmer傳感器和Delta Force壓力傳感器能夠感知土壤的有機質含量，收集溫度和濕度信息，采集土壤的硬度信息。
美國Veris公司的iScan車載傳感器可以實時檢測土壤的質地、含水率、溫度、土壤陽離子交換容量、有機質含量等信息。
在土壤電導率方面：
l 李民贊團隊（中國農業大學）研制出便攜式土壤電導率檢測裝置。
美國Veris公司研制的車載式MSPS土壤OM-EC-pH勘查測繪系統可以快速、高密度、原位測繪區域土壤電導等參數。
土壤電導率在線監測系統的精度和可靠性是困擾土壤電導率國產化產品應用的難題，研究土壤電導率與施肥處方決策模型將是下一步工作重點。
土壤養分車載精確測量是未來努力的方向，車載含水率、酸堿度、壓實度、有機質含量等參數測量技術相對成熟，但高可靠性、高精度、多參數組合量傳感器是未來的發展方向，在土壤中預埋大量物聯網傳感器的智慧農田系統是未來智慧農業的發展趨勢。
（2）作業障礙信息感知技術
目前障礙物檢測手段主要有超聲雷達、激光雷達、紅外傳感、視覺傳感器以及多傳感融合等。
l 美國肯塔基大學使用超聲波傳感器檢測農業環境中的障礙物。
l 韓國外國語大學、西班牙阿卡拉德赫拿勒斯大學使用多個超聲波傳感器組成陣列來檢測障礙物，該方法可以有效地提高穩定性。
l 德國漢諾威大學使用三維激光雷達檢測障礙物，受天氣、光照等環境因素的影響較小。
l 美國斯坦福大學使用單目視覺傳感器檢測障礙物，配合強化學習算法提高檢測穩定性(圖 6)。
l 德國凱澤斯勞滕大學使用雙目立體視覺生成點云信息，識別障礙物比單目視覺更加準確。
l 劉成良團隊（上海交通大學）研究了基于支持向量機的視覺水田田埂邊界檢測方法。
l 周俊團隊（南京農業大學）基于機器視覺技術檢測作業環境中的運動障礙，采用幀差法消除機器人自身運動的影響。
l 何東健團隊（西北農林科技大學）基于機器視覺技術，使用貝葉斯決策圖像分割法進行障礙物檢測。
l 奧地博田公司的車載Sensosafe傳感器通過光學紅外傳感器檢測在收割時隱藏在草叢中的野生動物。
農業裝備作業環境中的障礙物感知技術中，紅外技術是檢測人和動物的有效方法，超聲與激光雷達測量范圍大，對距離、速度檢測精度高，三維雷達測量精度高，但成本也高，基于視覺、二維雷達組合的障礙物檢測是較理想的方案，多傳感融合是農田障礙感知的研究重點。
1-3 農業裝備共性參數感知技術
農業裝備機內共性參數包括發動機信息、動力輸出信息、扭矩信息、滑轉率、姿態信息、安全隱患信息等。其中發動機信息、動力輸出信息等可通過CAN總線按照ISO 11783協議讀出，姿態信息一般可采用北斗模塊和陀螺儀獲得，而扭矩信息、滑轉率是農業裝備共性參數檢測的難點。
l 伊朗學者基于徑向基函數 (RBF) 神經網絡和自適應神經網絡模糊推理系統(ANFIS) ，使用低成本傳感器對拖拉機發動機的扭矩進行了估測。
l 王書茂團隊（中國農業大學）使用多模多頻衛星定位與慣導測速技術，采用扭振補償的旋轉編碼測速方法，實現了低速扭振動力機械的驅動輪邊速的高精度測量。
未來農業裝備機內共性參數感知的研究重點是扭矩信息和車輪滑轉率精確測量。
1-4 耕整機械作業參數感知技術
耕整機械的作業參數有姿態、壓力、位置、深度等。
l 孟志軍團隊（北京農業智能裝備技術研究中心）提出一種基于深松機組姿態估測的耕深檢測方法。
l 朱忠祥團隊（中國農業大學）提出一種基于傾角傳感器的自動測量農機具耕深的方法。
l 苑嚴偉團隊（中國農業機械化科學研究院）提出一種基于超聲波測距傳感器的懸掛式深松機耕深在線檢測方法。
l 博世力士樂公司（中德）推出用于耕整機械的液壓控制解決方案，方案使用多種傳感器實現了耕整機具姿態感知、耕整作業阻力感知、耕整深度感知。
未來耕整機械的作業參數感知可以結合土壤信息感知技術，在耕整階段全方位、多參數地感知土壤信息，建立土壤信息圖，實現“一次感知，全過程使用”。
1-5 施肥播種機械作業參數感知技術
施肥播種機械的作業參數有種肥流速流量、播施深度等。
l 苑嚴偉團隊（中國農業機械化科學研究院）設計了一種差分結構的電容傳感器，在排料管道外壁構建陣列式電容傳感器來提高檢測精度。
l 劉成良團隊（上海交通大學）基于電容法設計了一套用于小麥播種量檢測的系統，建立了種子數量與電容變化量之間的線性關系。
l 余洪鋒團隊（南京農業大學）設計了一種基于皮帶秤的施肥機施肥性能檢測裝置，裝置可以檢測排肥口的實時流量。
l 美國精密種植公司的SpeedTube是高速種植系統的一個組件，可以在高速播種的情況下精確測量播種施肥的速率。
目前施肥播種精量控制技術比較成熟，但在肥種流量檢測方面，雖然有光電、電容等不同方法，但其精度不高、可靠性還有待進一步提高，應側重于檢測數據的智能處理方法以及創新感知原理新型傳感器設計的研究。
1-6 植保機械作業參數感知技術
植保機械作業狀態參數包括 噴霧壓力、噴霧流量、噴桿姿態等。
l 李樹江團隊（沈陽工業大學）通過多傳感信息采集，建立基于總線的作業速度、噴霧流量、噴霧壓力、噴桿作業狀態、噴頭堵塞、噴桿高度探測、藥液體積、氣象環境等參數的在線監測系統，并實現噴頭堵塞及低流量自動報警、噴桿高度自動仿形，解決了傳統植保機械容易出現的農藥漏噴、不均勻和飄移等問題。
l 美國精密種植公司開發了用于液體測量的傳感器，該傳感器可以實時測量包括液體農藥和液體肥料在內的液體流量。
目前對于植保機械的作業參數感知研究較少，未來應研究液體肥料和農藥的感知機理，解決傳感器的抗腐蝕性和精度保持性問題。
1-7 收獲機械作業參數感知技術
稻麥、玉米等聯合收獲機械的作業參數有含水率、流量、損失率、含雜率等。
l 巴西圣保羅大學使用 6 個雙板差分沖擊式傳感器形成陣列來測量谷物產量，有效地減小了振動引起的噪聲干擾。
l 印度旁遮普農業大學基于稱量傳感器開發了安裝在儲罐底部的收獲機械產量傳感器，結合GPS系統開發了產量制圖系統。
l 丹麥電氣工程技術大學使用谷物流量模型和谷物吞吐量傳感器，對谷物流量進行預測。
l 印度農業工程學院使用人工神經網絡技術評估田間條件下的谷物收獲損失。
l 加拿大阿爾伯塔大學使用9個聲學谷物撞擊傳感器布置在收割機分離格柵下方，通過對聲學撞擊信號的分析檢測谷物損失量。
l 比利時魯汶大學基于多光譜視覺傳感器和遺傳算法檢測谷物流中的谷殼、稻草等雜質，得到谷物清潔度數據。
l 羅錫文團隊（華南農業大學）設計了一種雙板沖量式谷物流量傳感器及其差分消振電路，以消除車身振動對測產精度的影響。
l 劉成良團隊（上海交通大學）設計了沖量式谷物聯合收獲機智能測產系統和基于計算機視覺的谷物測產系統。
l 張小超團隊（中國農業機械化科學研究院）研究了基于稱重法的聯合收獲機測產方法，設計了用于聯合收獲機谷物損失測量的聚偏氟乙烯陣列傳感器。
l 劉成良團隊（上海交通大學）研究了基于光電原理的棉花流量產量測量裝置，引入網絡神經元進行數據的分析。
l 鄭傳濤團隊（吉林大學）提出采用可調諧二極管激光吸收光譜技術，探測痕量CO，研制抗干擾新型紅外CO傳感器。
目前收獲機械的作業參數傳感原理已基本成熟，國外科樂收等機型也安裝有成熟的水分、流量等傳感器。
國內缺乏成熟的產品，主要在于檢測精度與可靠性不高，雖然多年來國內學者一直進行此方面的研究，但在精度、可靠性、算法模型等方面與實際應用還有差距。
