人工智能+农业：从作物识别到产量预测的实战指南

在数字化浪潮席卷全球的今天，“人工智能+农业”不再是科幻概念，而是正在改变传统种植、养殖模式的现实技术。本文将聚焦两大核心场景——作物病虫害图像识别 与 基于环境传感器的产量预测，通过可复用的代码与工程实践，展示如何用AI赋能智慧农业。

一、作物病虫害识别：从图像采集到模型部署

1.1 数据准备与预处理

农业图像数据通常来自田间摄像头或无人机。我们使用公开数据集（如PlantVillage）进行演示。首先，对图像进行统一尺寸、归一化及数据增强（旋转、翻转、亮度调整）以提升模型泛化能力。

import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGenerator# 数据增强配置
datagen = ImageDataGenerator(rescale=1./255,rotation_range=30,width_shift_range=0.2,height_shift_range=0.2,shear_range=0.2,zoom_range=0.2,horizontal_flip=True,validation_split=0.2
)train_generator = datagen.flow_from_directory('crop_disease_data/',target_size=(224, 224),batch_size=32,class_mode='categorical',subset='training'
)val_generator = datagen.flow_from_directory('crop_disease_data/',target_size=(224, 224),batch_size=32,class_mode='categorical',subset='validation'
)

1.2 模型构建与训练

采用迁移学习，使用预训练的MobileNetV2作为骨干网络，在顶部添加全连接分类层。这能大幅减少训练时间，并应对农业领域标注数据不足的问题。

base_model = tf.keras.applications.MobileNetV2(weights='imagenet', include_top=False, input_shape=(224, 224, 3)
)
base_model.trainable = False  # 冻结预训练权重model = tf.keras.Sequential([base_model,tf.keras.layers.GlobalAveragePooling2D(),tf.keras.layers.Dense(256, activation='relu'),tf.keras.layers.Dropout(0.5),tf.keras.layers.Dense(train_generator.num_classes, activation='softmax')
])model.compile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy'])history = model.fit(train_generator,validation_data=val_generator,epochs=20,callbacks=[tf.keras.callbacks.EarlyStopping(patience=3, restore_best_weights=True)]
)

1.3 边缘端部署

将模型转换为TFLite格式，部署到树莓派或Jetson Nano等边缘设备上，实现田间实时识别。这一步是“人工智能+农业”落地的关键——低延迟、无需网络依赖。

# 转换为TFLite
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()
with open('crop_disease_model.tflite', 'wb') as f:f.write(tflite_model)

二、产量预测：基于时间序列的环境建模

2.1 特征工程与数据清洗

我们从农业物联网平台获取温度、湿度、土壤pH值、降雨量等时序数据，并采集对应的最终亩产标签。使用窗口滑动构建样本：用过去30天的传感器数据预测未来7天的产量趋势。

人工智能+农业：从作物识别到产量预测的实战指南

import pandas as pd
import numpy as np
from sklearn.preprocessing import MinMaxScalerdf = pd.read_csv('farm_sensor_data.csv')
scaler = MinMaxScaler()
scaled_data = scaler.fit_transform(df[['temp', 'humidity', 'soil_ph', 'rainfall']])def create_sequences(data, lookback=30, forecast=7):X, y = [], []for i in range(len(data) - lookback - forecast + 1):X.append(data[i:i+lookback])y.append(data[i+lookback:i+lookback+forecast, 0])  # 预测产量（温度列为产量代理）return np.array(X), np.array(y)X, y = create_sequences(scaled_data)

2.2 LSTM模型构建与调优

LSTM擅长捕捉长时间依赖关系，适合农业时序预测。我们堆叠两层LSTM，并加入Dropout防止过拟合。

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropoutmodel_lstm = Sequential([LSTM(64, return_sequences=True, input_shape=(30, 4)),Dropout(0.2),LSTM(32, return_sequences=False),Dropout(0.2),Dense(16, activation='relu'),Dense(7)  # 输出未来7天的预测值
])model_lstm.compile(optimizer='adam', loss='mse', metrics=['mae'])
history = model_lstm.fit(X_train, y_train, validation_data=(X_val, y_val),epochs=50, batch_size=32)

2.3 模型评估与可视化

使用MAE和R2评估预测效果。绘制真实产量与预测产量对比曲线，辅助农业专家决策。

import matplotlib.pyplot as pltpred = model_lstm.predict(X_test)
pred_rescaled = scaler.inverse_transform(np.concatenate([pred, np.zeros((len(pred), 3))], axis=1))[:, 0]
true_rescaled = scaler.inverse_transform(np.concatenate([y_test.reshape(-1,1), np.zeros((len(y_test), 3))], axis=1))[:, 0]plt.plot(true_rescaled, label='True')
plt.plot(pred_rescaled, label='Predicted')
plt.legend()
plt.title('AI+Agriculture Yield Prediction')
plt.show()

结语

通过以上两个实战案例，我们完整展示了“人工智能+农业”从数据采集、模型训练到部署的闭环。无论是病虫害识别还是产量预测，关键都在于 结合农业领域知识设计特征 和 选择合适的模型结构。未来，随着物联网设备成本的下降和模型轻量化技术的成熟，AI将真正渗透到每一亩农田，实现精准灌溉、智能收割与无人化管理。