新火種
2024-01-03 
智慧農業監測與管理系統課程設計
原標題：智慧農業監測與管理系統課程設計
引言2020年教育部、國家發展改革委、財政部《關于“雙一流”建設高校促進學科融合加快人工智能領域研究生培養的若干意見》文件提出，促進“人工智能+農業”交叉學科建設，為服務國家鄉村振興戰略培養一流人才。以農業大數據、農業物聯網、精準農業航空為核心，實踐教育基地不僅可以為信息類專業學生提供具有農業特色的信息技術實踐教學活動，也可以為農科專業提供新農科所需的信息技術展示環境，促進院校各個專業對農業AI所涉及的信息技術的交接與應用，促進學生實踐能力、綜合素養的不斷提升。本文將基于當前智慧農業專業設立背景和人才培養要求，探討智慧農業專業在課程設置、人才培養的規劃與方案。
智慧農業學科建設內容應涵蓋以下方面：1.環境基礎平臺
需提供對作物水肥的自動化控制，有效控制環境和實驗樣本、對不同小區進行水肥梯度處理、利用云平臺對水肥灌溉進行可視化查看和操作、提升基地農業信息化和智能化水平，是產生不同環境梯度或模擬不同環境以供后續數據采集的基礎平臺。
該方面推薦使用國內首個集水肥灌溉、能效監測和表型自動化分析的多功能一體化智能灌溉系統WaterBrain，該系統由土壤墑情監測系統、作物長勢監測系統、灌溉能效監測系統、作物表型自動分析系統、自動化灌溉系統、智能施肥系統和可視化云平臺七大子系統組成。
2.數據采集平臺
需覆蓋可見光、多光譜和高光譜，近端和低空端的數據信息采集平臺，學習實踐不同類型傳感器應用范圍和對應的解決問題方案，以供后續數據分析和模型訓練。
該方面建議采用全類型多空間信息采集平臺PhenoAI Near(近地端信息采集系統)和PhenoAI air(低空端采集系統)，平臺適用各類大田和園藝作物的多尺度組織和器官，適用各類傳感器如可見光、多光譜、高光譜、近紅外等，可添加所有主流框架/深度學習模型，涵蓋農業實訓所需全部主流數據源和AI全類型數據，功能強大操作簡單。
3. 可視化AI平臺
用戶通過簡單拖拽即可實現AI分析，同時平臺內置自寫代碼模塊，需涵蓋所有前沿深度學習網絡架構，激發興趣同時加速掌握AI算法知識和編程能力，鍛煉學生快速掌握國際主流算法和關鍵參數，是后續模型部署的關鍵依賴。
該方面建議采用國內首個專門針對智慧農業專業建設的智慧農業AI實驗和教學平臺GrowthBrain E系列，基于當前智慧農業的現實學情和人才培養要求而設計，具備數據真實切合、功能強大全面、算法豐富前沿、零代碼可視化分析、內置編程實踐模塊等特點，讓用戶更真實的感受智慧農業的數據特點和分析方法，針對具體問題掌握對應哪種解決方案并制定技術路線，同時激發興趣，讓用戶全面了解AI模型體系和前沿算法的功能特性及重要參數，并內置編程實踐模塊，強化計算機編程和算法水平，實現激發興趣- 會運用- 實踐結合- 熟練強化的循序進階發展，最終成長為一名合格的集農業和信息化知識的全面交叉人才。
4.模型部署平臺
覆蓋各主流部署(ONNX、OpenVINO等)和部署平臺(X86_64 cpu、Nvidia GPU等)，連接相機或攝像頭測試模型精度，掌握如何調整精度和速度以適配不同部署平臺或開發板，培養學生應用級別的AI部署能力(掌握如何搭建環境和自寫代碼實現部署)。
該方面建議采用國內首個AI一鍵部署平臺GrowthBrain Deploy，一鍵便可自動化將訓練好的模型部署在服務器或開發板上，生產級框架平臺、全系列任務部署、自定義編程實踐、應用級能力培養，增強學生認識問題和解決實際科研或生產問題的能力。
結語智慧農業專業以育人成才為治學核心，以教學、科研、生產為辦學環節，構建產學研一體化的專業技術人才培養模式。根據行業需要和專業發展方向，制定本專業的教學計劃，培養合格的應用技術人才；本方案旨在激發學生對智慧農業的興趣，產生自發的學習和探索動力，結合課程和基礎理論，已能編寫簡單程序去與軟件中各算法模塊進行協同，鍛煉學生運行AI等信息化手段解決實際科研或生產問題的能力，通過基礎理論(課程)、實踐操作(軟件)、編程調試(實踐)反復的系統性訓練，終向著集農業和信息化知識的全面交叉人才方向邁進。
【教程】植物表型分析案列
?智慧農業教育解決方案案例
責任編輯：
平臺聲明：該文觀點僅代表作者本人，搜狐號系信息發布平臺，搜狐僅提供信息存儲空間服務。相關推薦
- 免責聲明
- 本文所包含的觀點僅代表作者個人看法，不代表新火種的觀點。在新火種上獲取的所有信息均不應被視為投資建議。新火種對本文可能提及或鏈接的任何項目不表示認可。 交易和投資涉及高風險，讀者在采取與本文內容相關的任何行動之前，請務必進行充分的盡職調查。最終的決策應該基于您自己的獨立判斷。新火種不對因依賴本文觀點而產生的任何金錢損失負任何責任。
