（ 于景鑫 国家农业信息化工程技术研究中心）设施农业是现代农业的"压舱石",但传统的经验式管理模式已难以为继。在数字经济时代,设施农业亟需向数字化、网络化、智能化转型升级。以人工智能为代表的信息技术,正在为设施农业插上腾飞的翅膀。作为机器学习的"多面手",迁移学习让AI模型告别从零开始的"苦修",实现知识经验的灵活复用。本文将深入剖析迁移学习的技术创新,探寻它在设施农业智慧化进程中的角色与价值,展望"AI+农业"的美好未来。
图片来源：https://youtu.be/HWHBCsUR-58
一、设施农业:转型升级的当务之急
设施农业是利用温室大棚等人工环境,实现农作物规模化、周年化生产的现代农业形态。与露地种植相比,设施农业可以实现农业生产的"工厂化",大幅提高土地和劳动生产率。然而,传统的设施农业管理仍以经验为主,面临诸多亟待突破的瓶颈:
-
信息孤岛。大棚内环境监测、灌溉施肥、病虫防治等环节缺乏数字化手段,各生产要素数据割裂,难以形成闭环优化。
-
能耗高企。为保证大棚内适宜的光照、温湿度条件,能源消耗巨大,不仅增加生产成本,也加剧了农业碳排放。
-
质量参差。标准化程度低,导致农产品品质不稳定,难以形成优质品牌。同时,过度施用化肥农药,也埋下食品安全隐患。
-
决策粗放。种植、加工、销售等环节缺乏科学指导,全产业链协同水平低,导致产销失衡,价格大起大落。
破解设施农业发展困局,必须充分发挥现代信息技术的赋能作用。以人工智能为代表的智能技术,通过对农业生产全过程的感知、决策、控制,可以实现设施农业生产的精细化和智能化管理,推动形成优质、高效、安全、绿色的现代农业产业体系。然而,农业环境的复杂多变,决定了农业AI模型开发的门槛远高于其他领域。迁移学习作为一种让AI模型快速"上手"新任务的机器学习范式,为智慧农业的腾飞插上了"加速器"。
二、迁移学习:让AI模型"举一反三"
相比于传统的"从零学起",迁移学习允许AI模型在已学习过的知识基础上,快速掌握新技能。这种"知识复用"能力,堪比能工巧匠的"变通术",让建模者告别闭门造车,站在巨人的肩膀上开疆拓土。打个比方,就像一个熟练掌握编程思想的程序员,可以很快上手一门新的编程语言。迁移学习让AI模型练就"一通百通"的本领,为智慧农业注入了源源不断的新动能。
图片来源：Jindong Wang-Senior Researcher, Microsoft Research Asia- https://jd92.wang/
从技术原理看,迁移学习主要有以下几种实现范式:
-
基于特征的迁移。将源领域学习到的特征表示直接应用到目标领域,相当于AI模型的"移花接木"。例如,利用在ImageNet上预训练的视觉模型,提取农业图像的高层语义特征,再输入作物识别专用的分类器,实现农作物品种的快速识别。
-
基于参数的迁移。将源领域训练好的模型参数作为目标领域模型的初始化,再在目标数据上微调,让AI模型实现"转专业"。例如,利用在维基百科上预训练的BERT语言模型,在农业科普文本上微调,就能得到一个懂农业知识的智能助手。
-
负迁移学习。当源领域和目标领域差异较大时,盲目迁移反而会适得其反。负迁移学习通过自适应调整源领域和目标领域样本的权重,削弱源领域的"负面影响"。例如,在对不同地区的农作物长势进行预测时,负迁移学习可以根据地理位置差异,自动降低发生过作物病虫害地区样本的权重,提高预测的鲁棒性。
-
多任务学习。多任务学习力图让AI模型学会"一心多用",同时完成多个子任务。通过共享不同任务的知识表示,可以缓解单任务数据不足的问题。例如,在农作物病虫害诊断中,多任务学习可以让模型同时学习病虫害分类和病斑分割任务,梯度信息的交互可以提升两个任务的效果。
-
元学习。元学习让AI模型学会如何学习,即从多个不同但相关的任务中总结学习经验,形成快速学习新任务的能力。元学习在小样本场景下尤其有效。例如,对于一种新的作物品种识别任务,元学习可以根据已识别过的多个品种的训练经验,快速生成专用识别器,只需几张新品种照片就能实现"一见如故"。
图片来源：https://cloud.tencent.com/developer/article/2364603
迁移学习及其衍生的算法体系,为农业AI模型的快速定制提供了"操作指南"。与需要海量标注数据的"暴力"训练相比,迁移学习实现了对农业专家知识的"软继承",让稀缺的农业数据发挥出"以一当十"的效用。与通用模型相比,迁移学习得到的农业定制模型更"接地气",对农事操作也更"一针见血"。迁移学习让"AI+农业"的梦想不再遥不可及,正在为设施农业的智慧化升级开辟捷径。
三、迁移学习应用:花样"翻新"农业AI
在设施农业中,环境监测、营养管理、病虫防治、产量预测等各个关键环节,无不渴望AI技术的加持。迁移学习正是"点石成金"的魔法,让通用AI模型华丽转身,化身农业生产的"多面手"。
迁移学习在设施农业中的主要应用之一是对植物病害、害虫和杂草进行分类和检测。AgriNet项目利用大型农业图像数据集在 VGG16、VGG19、Inception-v3、Inception-v3、InceptionResNet-v2和Xception等各种架构上训练模型，从而证明了这一点。这些模型实现了很高的分类精度，Agrinet-VGG19的准确率达到94％，F1分数为92％，这表明了迁移学习在改善植物病虫害检测任务方面的潜力 [4]。
图片来源：https://doi.org/10.3389/fpls.2022.992700
在遥感领域，迁移学习在加强作物图像分类方面发挥了重要作用。传统方法往往难以应对有限的标签数据和农业数据固有的可变性。通过使用来自不同领域的预训练网络作为初始权重或冻结早期图层，迁移学习可以提高深度神经网络在遥感数据集上的性能。这种方法可以实现更准确的作物分类，这对于有效监测和管理农业资源至关重要 [7]。
图片来源：https://ieeexplore.ieee.org/document/10108000
迁移学习在叶片病害的早期发现和分类方面显示出巨大的前景，这对于维持作物健康和生产力至关重要。一项以水稻作物为重点的研究利用了各种迁移学习架构，包括InceptionV3、VGG16、ResNet、SqueezeNet和 VGG19，开发了一种在检测叶片病害方面实现了96.4％的准确率的模型。该模型的表现优于现有的最先进模型，突显了迁移学习在提高疾病检测准确性和促进及时干预方面的有效性 [8]。
此外，迁移学习与深度学习框架的整合促进了强大的植物病害检测模型的开发，例如PDDNet-AE和PDDNet-LVE。这些模型整合了多个预训练的卷积神经网络，在PlantVillage数据集上分别实现了96.74％和97.79％的高准确率。这证明了模型的稳健性和泛化能力，解决了当前植物病害检测和分类方面的挑战 [10]。
图片来源：https://bmcplantbiol.biomedcentral.com/articles/10.1186/s12870-024-04825-y
尽管取得了这些进步，但设施农业中的迁移学习仍存在局限性和挑战。迁移学习的有效性取决于大型多样化数据集的可用性以及根据特定农业环境微调模型的能力。此外，尽管预训练模型提供了良好的起点，但它们可能并不总是能捕捉到农业数据的独特特征，因此需要进一步的研究和开发来针对特定应用优化这些模型。
四、前沿探索:迁移学习"玩出花"
迁移学习在AI农业中的应用,目前还处在"万里长征"的起步阶段。随着人工智能从感知智能向认知智能的纵深发展,迁移学习也在不断焕发出新的生机。
对比学习、Prompt学习等前沿范式的出现,正在重塑迁移学习的技术内涵,为农业AI模型创新带来更多可能。
对比学习是当前自监督学习的"新贵"。与监督学习不同,对比学习让AI模型学会"对比炼丹",通过最小化正样本对的距离、最大化负样本对的距离,从无标注数据中自动提取判别性特征。在计算机视觉领域,对比学习在ImageNet分类任务上的表现已经与监督学习旗鼓相当。这意味着,对比学习有望减少农业图像的标注依赖,让设施农业的每个摄像头都成为"采集专家"。例如,利用地块作物长势的时序图像构建正样本对,让对比学习模型习得不同生育期的农情演变规律;或利用不同温室内作物图像构建负样本对,让对比学习模型习得环境因素对作物表型的影响。对比学习"以己为尺",让作物生长的"小秘密"无处遁形,为精准农业插上"慧眼"。
图片来源：https://blog.51cto.com/u_13707997/5227003
Prompt学习是自然语言处理的"新风口"。有别于传统的端到端微调,Prompt学习巧妙地将下游任务知识蕴藏在输入文本中,让预训练语言模型在"做中学"。比如,对于农作物病害识别任务,可以将少量标注图像的文本描述作为Prompt,引导语言模型输出诊断结论。模型只需"读懂"图像语义,无需修改模型参数,就实现了农业知识的"即插即用"。如此"轻装上阵"的迁移学习范式,为农业AI的模型开发和部署带来了想象空间。例如,农技专家可以将多年"田头"经验总结成Prompt模板,输入到预训练Agriculture-LLM中,即可产出"AI农技专家"。或者,多个农场基于自身种植实践构造场景化Prompt,再统一输入公共大模型,实现个性化种植建议的"千人千面"。总之,Prompt学习让看似"难以捉摸"的农业知识变得"唾手可得",用"对话"串起模型、专家、农民的互信,用"提问"打通基础研究和应用开发的"最后一公里"。
图片来源：https://cloud.baidu.com/qianfandev/topic/267770
当然,让迁移学习在农业AI中开花结果绝非易事。农业知识的时空多样性、农事操作的经验性,对迁移学习方法的鲁棒性、可解释性提出了更高要求。例如,如何克服农业大数据"五花八门"的特征维度灾难?如何应对"一亩三分地"般的种植区域迁移?再如,如何权衡不同农事Prompt的贡献度?如何保证模型输出兼顾农学常识和农民口碑?这些都是农业知识迁移急需理论创新的"肥沃"土壤。同时,迁移学习在农业落地中,还需与农业装备、农事流程深度融合。例如,农机装备的智能化改造,离不开迁移学习驱动的故障诊断、远程运维等辅助决策能力。再如,农产品质量溯源、农资供应链优化等,也有赖于农业大模型从业务全局"穿针引线"的协同优化能力。总之,迁移学习要做到"接地气",必须对农业生产系统的方方面面"吃透",让智能模型内化为新型农事要素,让认知智能体现为农业产业价值,以"AI+农业"的跨界融合,催生出设施农业的"新物种"。
参考文献：
Nowosielski, A., et al. (2021). Crop type mapping by using transfer learning. International Journal of Applied Earth Observation and Geoinformation, 101.Ying, Y. (2022). An interpretable deep learning approach for calibration transfer among multiple near-infrared instruments. Computers and Electronics in Agriculture, 192.Ying, Y., et al. (2022). An interpretable deep learning approach for calibration transfer among multiple near-infrared instruments. Computers and Electronics in Agriculture, 192.Al Sami, Z., et al. (2022). The power of transfer learning in agricultural applications: AgriNet. Frontiers in Plant Science, 13.Chen, K., et al. (2020). Transfer learning enhanced AR spatial registration for facility maintenance management. Automation in Construction, 113.Moon, T., et al. (2021). Knowledge transfer for adapting pre-trained deep neural models to predict different greenhouse environments based on a low quantity of data. Computers and Electronics in Agriculture, 181.Sadiwal, K. K., et al. (2023). Application of Transfer Learning in Remote Sensing Crop Image Classification. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing.Gautam, V. K., et al. (2022). A Transfer Learning-Based Artificial Intelligence Model for Leaf Disease Assessment. Sustainability, 14(21).Chen, J., et al. (2020). Using deep transfer learning for image-based plant disease identification. Computers and Electronics in Agriculture, 173.
Shukla, W., et al. (2024). Using transfer learning-based plant disease classification and detection for sustainable agriculture. BMC Plant Biology, 24.