Agricultural Sensor: Research Progress, Challenges and Perspectives

WANGRujing

PDF(1179 KB)
PDF(1179 KB)
Smart Agriculture ›› 2024, Vol. 6 ›› Issue (1) : 1-17. DOI: 10.12133/j.smartag.SA202401017
Topic--Intelligent Agricultural Sensor Technology

Agricultural Sensor: Research Progress, Challenges and Perspectives

Author information +
History +

Abstract

[Significance] Agricultural sensor is the key technology for developing modern agriculture. Agricultural sensor is a kind of detection device that can sense and convert physical signal, which is related to the agricultural environment, plants and animals, into an electrical signal. Agricultural sensors could be applied to monitor crops and livestock in different agricultural environments, including weather, water, atmosphere and soil. It is also an important driving force to promote the iterative upgrading of agricultural technology and change agricultural production methods. [Progress] The different agricultural sensors are categorized, the cutting-edge research trends of agricultural sensors are analyzed, and summarizes the current research status of agricultural sensors are summarized in different application scenarios. Moreover, a deep analysis and discussion of four major categories is conducted, which include agricultural environment sensors, animal and plant life information sensors, agricultural product quality and safety sensors, and agricultural machinery sensors. The process of research, development, the universality and limitations of the application of the four types of agricultural sensors are summarized. Agricultural environment sensors are mainly used for real-time monitoring of key parameters in agricultural production environments, such as the quality of water, gas, and soil. The soil sensors provide data support for precision irrigation, rational fertilization, and soil management by monitoring indicators such as soil humidity, pH, temperature, nutrients, microorganisms, pests and diseases, heavy metals and agricultural pollution, etc. Monitoring of dissolved oxygen, pH, nitrate content, and organophosphorus pesticides in irrigation and aquaculture water through water sensors ensures the rational use of water resources and water quality safety. The gas sensor monitors the atmospheric CO2, NH3, C2H2, CH4 concentration, and other information, which provides the appropriate environmental conditions for the growth of crops in greenhouses. The animal life information sensor can obtain the animal's growth, movement, physiological and biochemical status, which include movement trajectory, food intake, heart rate, body temperature, blood pressure, blood glucose, etc. The plant life information sensors monitor the plant's health and growth, such as volatile organic compounds of the leaves, surface temperature and humidity, phytohormones, and other parameters. Especially, the flexible wearable plant sensors provide a new way to measure plant physiological characteristics accurately and monitor the water status and physiological activities of plants non-destructively and continuously. These sensors are mainly used to detect various indicators in agricultural products, such as temperature and humidity, freshness, nutrients, and potentially hazardous substances (e.g., bacteria, pesticide residues, heavy metals, etc. Agricultural machinery sensors can achieve real-time monitoring and controlling of agricultural machinery to achieve real-time cultivation, planting, management, and harvesting, automated operation of agricultural machinery, and accurate application of pesticide, fertilizer. [Conclusions and Prospects In the challenges and prospects of agricultural sensors, the core bottlenecks of large-scale application of agricultural sensors at the present stage are analyzed in detail. These include low-cost, specialization, high stability, and adaptive intelligence of agricultural sensors. Furthermore, the concept of "ubiquitous sensing in agriculture" is proposed, which provides ideas and references for the research and development of agricultural sensor technology.

Key words

agricultural sensors / ubiquitous sensing / environmental sensors / soil nutrient sensors / phenotypic sensors / smart agriculture

Cite this article

Download Citations
WANG Rujing. Agricultural Sensor: Research Progress, Challenges and Perspectives. Smart Agriculture. 2024, 6(1): 1-17 https://doi.org/10.12133/j.smartag.SA202401017

0 引 言

以智能化农业装备及数字化决策等为代表的“智慧农业”和“精准农业”先进技术,因其能够精准施肥、减施增效、提高农产品质量和保障食品安全,显著提升农产品附加值而受到关注1。智慧农业将农业场景下数字信息作为农业生产管理的基本要素,赋能农业由“稳产”阶段迈向“高产、高值、低耗”阶段。而实现各种农业应用场景数字信息获取的基础性装备与源头核心技术是农业传感器与农业感知技术。
农业传感器是一种能接受到农业环境及动植物相关的特定被测试量(物理量、化学量、生物量等),并按一定规律转换成便于处理和传输的可用输出信号(一般为电信号)的器件或装置,是实现农业智能感知的重要基础性部件。农业传感器感知各类农业场景下各种被测对象的数值状态,为智慧农业生产决策提供客观真实的数字依据2,其技术体系主要涵盖:农业感知敏感材料创制、农业传感器核心元器件设计、传感器封装工艺创新与集成、传感器的测试与标定、智能感知模型的构建、农业应用场景信息获取技术解决方案等。
随着全球智慧农业快速发展,农业传感器迎来新的发展机遇。相较于军用、医用或工业用传感器,农业传感器具有三个显著特性。一是农业传感器成本受限。农业整体附加值较低,导致农业传感器相较于其他领域传感器成本必须更低3, 4,低成本才能为未来农业大规模信息获取提供可能。二是农业传感器专用性强且所需种类繁多,现有传感器技术难以替代。农业环境存在多样性、复杂性等特性,农业对象也存在监测指标多样、类型品种差异大等特性,农业传感器要有嗅觉(气敏传感器)、视觉(光敏传感器)、听觉(声敏传感器)、味觉(化学传感器)和触觉(压敏、温敏传感器)等功能,对不同农业场景高度选择的特性决定了现有工业等领域传感器无法解决农业应用的感知问题。三是要求农业传感器可靠性高和适应性强。在农业场景现场或原位监测中,农业环境与动植物等检测对象具有高度时变性,农业传感器既要能准确感知生命活动的过程与环境变化等,还要在复杂自然环境下具有较强的适应性、稳定性与鲁棒性。设计研发、生产制造或集成应用成本低、复杂环境适应好及可靠性高的各种农业传感器是现代发展的重要任务。
本文在全面梳理农业传感器领域前沿基础研究成果的基础上,分析了农业环境传感器(土壤、水体和气体等)、动植物生命信息传感器、农产品质量安全传感器与农机传感器四大类农业传感器的研究现状,同时,指出农业传感器存在的挑战和未来建议发展方向,以期为农业传感器和智慧农业的发展提供参考。

1 农业传感器概述

1.1 农业传感器分类

农业传感器是传感器领域的一个重要分支,依据检测范畴可分为物理量农业传感器、化学量农业传感器、生物量农业传感器,又可进一步划分为力学量、热学量、光学量、声学量、气体、离子、温度、生化量、生理量等传感器。依据农业传感器的能源供给方式可分为有源农业传感器与无源农业传感器;依据农业传感监测指标数量的多寡可分为单功能农业传感器与多功能集成农业传感器;依据农业传感器是否引入智能化功能可分为非智能农业传感器与智能农业传感器;依据农业传感器监测感知原理可分为农业机电传感器、农业电化学传感器、农业荧光传感器、农业X射线传感器、农业图像传感器、农业拉曼传感器、农业红外传感器等;依据农业传感器核心元器件所使用的载体基质,也可将农业传感器划分为纸基传感器、硅基传感器、玻璃基传感器、聚酰亚胺基传感器等。上述分类方法与其他领域传感器分类方式一致。
为体现农业传感器与工业、军事等传感器的差异性,同时以需求为导向,农业传感器也可依据农业特色进行分类。依据使用场景,可将农业传感器分为大田传感器、植物工厂传感器、畜禽养殖传感器、水产养殖传感器、丘陵果园传感器、育种传感器等。依据农业传感监测应用领域及对象的不同,农业传感器可分为农业环境传感器、动植物生命信息传感器、农产品质量安全传感器与农机传感器四类,如图1所示。农业传感器分类方式多样,表明农业传感器是一个庞大的多学科多领域综合交叉的学科领域,这对农业传感器的研发具有巨大挑战。
Fig. 1 A classification method of agricultural sensors based on monitoring areas and objects

图1 农业传感器依据监测领域及对象分类方法

Full size|PPT slide

1.2 农业传感器研究前沿趋势分析

为分析农业传感器研究前沿趋势,以Web of Science为数据源,检索关键词“Agriculture sensor”。统计结果表明,截至2023年底,共检索到22 513篇论文与专著。近20年逐年论文出版数量如图2所示,2010年后相关论文数量急剧增加,2016年超过1 000篇,之后几年相关论文均超千篇,其中2020年突破2 000篇,并在2022年呈现井喷之势。由此可见,各国研究人员逐渐关注农业传感器领域,研究热度居高不下,是近年来的热点方向。
Fig. 2 The number of papers published of agricultural sensors as the subject in 2003‒2023

图2 2003—2023间农业传感器为主题的论文发表数量

Full size|PPT slide

对检索论文的被引频次为Top 1%的225篇论文进行高被引论文分析。发现这些论文来自美国和中国等42个国家,其中高被引论文数量最多的为美国,遥遥领先于其他国家,达到79篇,占比超35%;其次是中国和西班牙,高被引论文数量分别为17篇和15篇;再次是德国、加拿大、意大利和印度。这是因为美国比其他国家更早认定传感器技术将成为农业领域进步的底层驱动技术,从而支持研发,同时美国有适宜农业传感器大面积应用的场景。对225篇高被引论文的全部关键词进行出现次数分析和研究指标划分,发现“土壤氮素”出现次数最高,为8次;其次是“土壤湿度”,为5次;食品、水果、植物疾病、干旱、葡萄分别出现4次。表明土壤感知领域传感器研发所受关注度最高,这与土壤是农业最重要的生产资料相符。

2 农业环境传感器

农业环境传感器是利用不同原理感知各类农业场景下的环境信息,并按照一定规律转换成可识别信号,以此对农业场景下的环境目标进行信息感知、农业环境质量状况识别,这种装置已在农田环境、土壤及水体监测等诸多领域发挥重要作用。随着农业专用环境传感器整体技术的发展和成熟,也使得监测数据更加全面、精确。目前,常用的农业环境传感器主要有土壤传感器、水体传感器和气体传感器。农业环境传感器特征在于农业场景覆盖面广、丰富且时变。

2.1 农业土壤传感器

耕地土壤质量是粮食生产和保障粮食安全的根基和载体,是农业生产最重要的要素和可持续发展的核心基础。只有实施耕地土壤质量监测,不断提升耕地土壤质量,确保耕地资源的可持续利用,才能保障粮食产量和粮食安全。用来监测耕地土壤质量的土壤传感器在农业生产中发挥着重要作用,土壤传感器通过感知与作物生长相关的土壤属性,如土壤温度、水分、pH、养分、重金属、污染物、昆虫和微生物等一系列物理、化学和生物信息,收集和评估用于决策和管理耕地的关键数据,为优化作物生长环境、抵御生物和非生物胁迫、提高作物产量提供关键信息5-7。依据具体感知信息的指标,土壤传感器可具体分为土壤水分(湿度)传感器、土壤温度传感器、土壤pH传感器、土壤养分传感器、土壤微生物传感器、土壤病虫害传感器和土壤污染物传感器等多种类型。
土壤含水量显著影响土壤的理化性质,进而影响盐分的溶解、植物对水分和离子的吸收,以及微生物的活动。土壤水分传感器用于感知土壤中的含水量,为生产者提供客观的水分信息用以调节灌溉时间和灌溉量,以满足作物对水的生长需求8。土壤水分传感器通常由三部分组成:埋在土壤中用于提供偏置和读出信息的探针电极、传输电路和用于信号处理的电学组件或仪器。土壤水分传感器根据其工作机理主要包括以下四类:基于电容的水分传感器、基于电磁感应的水分传感器、基于超声波的水分传感器和基于光学的水分传感器。Xiao等9研发了一种基于频域理论的水田无线土壤水分和水深传感器,该传感器能够同时测量土壤含水量和水深,并将采集到的数据无线传输到远程数据管理中心,适用于稻田水分的监测和管理。Habibullah等10基于时域反射法,提出了电磁波通过土壤时发生的压降与电导率之间的理论公式,从而获取土壤含水率信息。Vellidis等11开发了一个用于测量土壤水分和土壤温度的实时智能传感器阵列,通过安装大量的土壤湿度传感器,监测田间存在的固有土壤变异性,并用于棉花灌溉。Xu等12利用脉冲声波方法测量土壤含水量,通过土壤声参数采集系统数据的拟合分析,建立了脉冲声速、衰减系数和双声参数与土壤体积含水量的标定模型,实现了三种土壤0~0.5 cm3/cm3体积含水量的标定模型。Zheng等13结合光学和雷达数据,探索了一种同时评估土壤表层水分和表层粗糙度特性的方法,减弱了地表粗糙度对表层土壤水分反演结果的影响,雷达背散射和光学反射模型具有良好的反演精度。
土壤温度对土壤物理过程具有显著影响,它直接关系到作物对土壤养分的吸收以及土壤水分保持。因此,对土壤温度进行实时监测并深入了解其变化规律,对农业生产实践和科学研究具有重要意义14。土壤温度传感器由将温度变化转换为电信号的温度探头、信号处理电路和显示器件组成。Jackson等15基于无线纳米技术的设备进行土壤温度和湿度的现场测量,开发的温度和湿度微机电系统(Micro-Electro-Mechanical System, MEMS)传感器由微机械MEMS悬臂梁组成,悬臂梁配备了水敏纳米聚合物和片上压阻式温度传感器。该传感器基于剪切应力原理,微型传感器芯片结合了专有的聚合物传感元件和惠斯通电桥压阻电路,以提供与土壤湿度和温度成线性比例的两个直流输出电压。
土壤pH影响土壤的物理、化学和生物特性,影响植物生长,是作物生产力的关键参数,因此应充分探究土壤pH、时间和空间变化问题,从而实现农业精准管理。传统基于玻璃电极的pH传感器由于参比电极需储存在饱和电解质盐溶液中,难以实现土壤pH的原位测量。用于原位测量土壤pH的传感器在逐步发展成固态电极、复合基质电极和水凝胶电极。Merl等16采用光学原位检测技术研究pH传感器,通过配制土壤悬浮液评估土壤pH,结果表明,该技术具有在较大土壤含水量范围内检测土壤pH的潜力。Nair等17报告了一种全固态电极原位土壤pH传感器,使用锑作为传感电极,通过在AgCl涂层电极表面涂覆KCl饱和Araldite制成新型固体参比电极。传感器在3~8的pH范围内表现出线性响应,灵敏度为-38.2 mV/pH。Eldeeb等18展示了一种电化学传感器,采用茜素和Nafion的复合基质作为传感器涂层,该传感器能够以时间动态方式测量土壤pH,误差率小于10%。Hammarling等19使用激光加工和涂层技术研发了一种由pH敏感水凝胶涂层的叉指电容组成的pH传感器,可在3 min内达到其最终值的95%,并在4 min后保持稳定。
土壤养分传感器可以测量土壤中作物所需的养分等信息,不仅能帮助用户了解土壤肥力状况,还可以根据作物类型、目标产量、肥料种类等帮助用户实现精准合理施肥。土壤养分传感器根据其工作原理可分为比色法、光谱法和电化学法等。基于比色法的养分传感器核心是通过试剂与样品溶液中的特定营养素反应生成颜色或浊度梯度,从颜色梯度或浊度梯度中反演出营养素浓度。Adesanwo等20通过比色法和电感耦合等离子体法测定土壤提取物中的磷,结果表明,两种测定方法对所有萃取溶液均呈线性相关关系。随着智能终端技术发展,出现了基于色度与Android系统的集成应用软件,方便了显色的捕获,提升了现场检测的便携性。Moonrungsee等21开发了一种基于智能手机的现场部署比色分析仪,用于测定土壤中速效磷含量,具有良好的准确度和精密度。Agarwal等22提出了一个基于比色法的土壤肥力测量系统,首先通过化学试剂与养分反应进行溶液显色,然后颜色传感器输出颜色数据与标准值校准,最后使用朴素贝叶斯分类算法将颜色强度值分成三类,显著提升土壤肥力检测效率。基于光谱的土壤养分传感器是利用每种养分都具有独特的特征光谱进行识别和量化。Qiao和Zhang23利用54个土壤样品的近红外漫反射光谱,采用主成分分析和最小二乘支持向量机(Least Squares Support Vector Machines, LS-SVM)分别建立了土壤有机质、速效氮(N)、速效磷(P)、钾(K)有效预测模型。Peng等24将反向传播神经网络与遗传算法优化相结合,利用可见光和近红外反射光谱实现预测土壤养分含量。He等25比较了单脉冲和共线双脉冲(Double Pulses, DP)激光诱导击穿光谱对土壤养分元素的检测能力,采用单因素法、偏最小二乘回归和LS-SVM等化学计量方法建立了元素定量分析的标定准确可靠模型。因其体积小、响应速度快且能够直接测量分析物,基于检测电极的电化学土壤养分传感器是一种很有前景的方法,主要有电化学传感器和离子选择电极两种。Garland等26利用激光诱导石墨烯(Laser-Induced Graphene, LIG)作为电极对土壤样品中的植物可利用氮(即NH4 +和NO3 -)进行电化学离子选择性传感,在聚氯乙烯基膜中用NH4 +(无活菌素)或NO3 -(三十二烷基甲基硝酸铵)特异性的离子载体对LIG电极进行功能化,分别创建了两种离子传感的固体接触离子选择性电极。Tang等27将丝网印刷电化学电极与微流控芯片结合,开发了一种便携式且易于操作的集成试剂反应的电化学微流控系统,用于土壤磷酸盐的现场连续监测,实现了5~100 μM的线性磷酸盐浓度范围,检测限为4.2 μM。Kim等28用37份土壤样品评估了三种离子选择电极(Ion-selective electrodes, ISEs)对土壤硝态氮(NO3-N)、速效钾和速效磷的检测效果,这三种ISEs的修饰材料分别为四十二烷铵硝酸盐-硝基苯辛醚(Tetradodecylammonium Nitrate-nitrophenyl octyl ether, TDDA-NPOE)、缬氨霉素-二(2-乙基己基)癸二酸酯和钴,结果显示,检测的土壤NO3-N浓度与标准实验室方法相似,速效钾和速效磷的检测结果低于实验室方法。
土壤微生物是土壤生态系统的重要组成部分,对土壤质量和健康状态具有重要影响。通过开发微生物传感器可以实时监测土壤中微生物的种类和数量,帮助农户和研究人员了解土壤健康状况,及时采取措施维护土壤生态平衡,优化农业生产。土壤微生物的测定方法有光学法、电化学法和微纳技术检测法等。Acharya等29研制了一种集成短肽配体的用于检测炭疽芽孢杆菌(Bacillus anthracis)孢子的光学生物传感器,检测限达到34个孢子。Yaghoubi等30提出了一种基于凝集素偶联多孔硅的生物传感器,用于通过反射干涉傅立叶变换光谱对大肠杆菌(Escherichia coli)和金黄色葡萄球菌(Staphylococcus aureus)进行无标记实时检测,检测限达到103 cells/mL。Jin等31设计了一种微生物电化学技术设备,测量的电势(电阻负载上的电压降)与土壤CO2排放和微生物活性水平相关,可作为测量土壤微生物活性的替代工具,并验证了其在黏土中检测的有效性。
土壤病虫害是农业生产中常见的问题,造成土壤质量恶化,导致农作物减产和质量下降。Potamitis等32提出了一种基于菲涅尔透镜的新型双峰光电传感器和立体声记录设备,该设备将昆虫在飞行中的翼跳事件记录为反向散射和消光,并嵌入到果蝇的电子诱捕器中,可以实时报告田间害虫种群水平。Mankin等33采用压电盘式声学系统检测土壤和植物内部结构中隐藏的虫害,将声学预测的虫害与在记录地点采集的土壤样本的含量进行比较。在实验室或理想的野外条件下,识别活动昆虫可靠性近100%。Rustia等34使用集成摄像头模块和嵌入式系统作为无线传感器网络中的传感器节点获取图像,采用图像处理算法自动检测和计数捕虫器上的害虫,平均检测准确率为93%。
农业土壤污染会影响土壤功能,导致作物品质下降,危害公众健康或者破坏生态环境35。污染物主要是重金属及农药。Rattanarat等36开发了用于电化学传感的微流控纸基分析装置,利用被动毛细管力将采样流体通过图案化的纸通道运输到包含有特定电化学分析试剂的检测区域,表现出高达0.12 μg(Cr)和0.25 ng(Cd和Pb)的极高灵敏度。Chen等37使用离子选择性高电子迁移率晶体管传感器检测重金属离子,Pb2+的检测限低至10-10M,Hg2+ 的检测限低至10-11M,并且检测特性不受干扰离子的影响。Das和Sharma38合成双金属氧化物修饰氧化石墨烯(Bi2O3/Fe2O3 @GO)用作镉(Cd2+)电化学传感器,该传感器表现出6.2~1 160.2 ng/L的宽线性范围和1.85 ng/L的检测限,适用于水、水果、土壤和生物样品中。针对除草剂污染的检测,Prasad等39制备了一种快速、选择性强和灵敏的电化学传感器,电极由双压印聚合物纳米膜改性铅笔石墨构成,可同时分析土壤和人血清样品中的含磷氨基酸型除草剂(草甘膦和草铵膦),电极表现出较宽的线性范围,分别为3.98~176.23和0.54~3.96 ng/mL;检测限较低,分别0.35和0.19 ng/mL。Vignesh等40开发了一种非酶半导体单壁碳纳米管(Semiconducting Single-Walled Carbon Nanotubes, s-SWCNT),这种晶体管由银锌氧化物复合材料和s-SWCNT修饰薄膜改性,用于选择性检测甲基对硫磷,该传感器表现出1×10-16~1×10-4 M的线性范围和0.27×10-16 M的检测限。
土壤传感器是农业传感器领域内发展相对受重视的一类传感器,是现代农业技术中不可或缺的部分,发展也较迅速和成熟。然而,在发展中还存在一些问题。一是精度和稳定性问题。耕地土壤种类与种植作物繁多、场景环境复杂多变,使用中漂移和失真导致传感器稳定性不足,因此要求传感器具有环境适应性、高精度和良好的稳定性,同时要提高传感器寿命和长期观测能力。二是传感器集成与兼容性研发不足。土壤传感器更多关注温湿度感知,在土壤有机质等养分原位监测、重金属农残等污染物监测、土壤微生物原位监测以及多参数共同感知等方面的发展仍存在不足,需要科研人员下大力气攻关更多参数,并进行产业化。三是成本制约大规模布置各种类型土壤传感器,如何降低成本的同时保证传感器的性能成为新的产业瓶颈。四是传感器设计要与农机兼容适配。无人化农机作业需要为土壤传感器的安置预留空间,避免破坏土壤传感器,这需要建立新的标准化作业规范,同时土壤传感器也需要向微型化发展。针对上述问题,未来的研究需要集中在提高传感器的性能、降低成本,以及提高传感器的耐用性和兼容性等方面,还应推动传感器研制标准以及规范化问题,以推动农业土壤传感器的技术创新和应用普及,进而支持现代农业的可持续发展。

2.2 农业水体传感器

农业水体传感器主要用于农业场景各类水体信息监测,监测对象包括大田灌溉用水、设施农业肥水、稻田水、水产养殖水体、牲畜饲养水体、面源污染水体等,主要监测水中总氮总磷、可溶性无机盐、微生物、污染物、溶解氧等指标。
氮是所有动植物生长的基本元素,是蛋白质供应的主要成分。为了现场、精准、快速获取水肥系统中养分离子含量,张俊卿等41研究设计了一套针对水肥溶液与浇灌尾水中K+、NO3 -、NH4 +、PO4 3-等四种养分离子的快检装置。该装置结合了毛细管电泳技术和电容耦合非接触电导检测技术,在10 min 内即可完成单个指标检测,为水肥系统的养分离子检测提供了新的方法与装置。然而,如果水中的硝酸盐浓度超过一定的阈值,会危害农业生产和人体健康。水体中NO3-N浓度过高会刺激有害藻类和水生植物的生长,改变水体的pH并造成较低的氧浓度,影响鱼类等水生生物正常生长。Alahi等42开发了一种可作为独立设备现场使用的便携式水中的硝酸盐浓度传感系统,采用电化学阻抗谱技术,通过评估浸泡在地表水样品中的叉指换能器读取的阻抗变化来检测和显示硝酸盐浓度,该系统能够测量水中0.01~0.5 mg/L范围内的硝酸盐浓度。Zhang等43以聚吡咯聚合物为膜材料的硝酸盐离子选择性电极作为传感单元,用于低成本、快速的硝酸盐污染检测,在10-4~10-1 mol/L的硝酸盐浓度范围内。
有机磷农药在工业和农业中的广泛使用造成了生态系统和水的污染。Bahamon-Pinzon等44研究了一种对草甘膦具有较高分析灵敏度的电化学传感器,用于环境水样中有机磷农药的安培法测定。该传感器由激光刻写的铜纳米颗粒修饰的石墨烯电极组成,对草甘膦的检测限为3.42 ± 1.69 μM,且不受天然水样中常见离子和有机分子的干扰影响。Jang等45利用MEMS技术,基于电化学原理工作研制了专门用于测量磷酸盐水平、氧化还原电位、选择性离子测量(如硝酸盐和pH)以及使用环保材料(如铋,而非汞)测量重金属浓度的传感器。
对于水产养殖溶解氧监测传感器,Lin等46提出了一种新型的无线多传感器系统,将温度、pH、溶解氧和电导率传感器等集成在一起,用于监测淡水养殖的水质,直接获取水位的传感数据和盐度信息,对淡水养殖水质监测具有足够的精度、可靠的置信度和良好的耐受性。顾浩等47基于荧光淬灭原理,利用自制备溶氧敏感膜,经激发光照射后产生红色荧光,然后利用光信号敏感器件设计光电转化电路实现光信号感知;再以STM32F103微处理器作为主控芯片,利用相敏检波原理以及快速傅里叶变换计算激发光与参照光的相位差,进而转化为溶解氧浓度,实现溶解氧的测量,测量范围是0~20 mg/L,响应延迟小于2 s。
农业水体传感器的发展与应用同样存在一些问题。一是农业水体传感器需要具有环境适应性。农业水体环境复杂多变,水质、温度、压力、流速等多个因素影响水分传感器的精度,传感器设计需要克服干扰因素和提高传感器的精准度,增加了研发的难度;二是农业水体传感器可靠性要求更高。农业水体传感器需要长期浸泡在水中进行监测,水体环境温湿度、酸碱度和微生物等会缩短传感器寿命,因此需要具备良好的耐久性和稳定性,这对传感器的材料和结构提出了挑战。针对上述问题,未来农业水体传感器的发展应结合传感技术、材料科学、水质学等领域的专业知识,不断改进传感器的设计和性能,研发方向应更专注于微型化和智能化,通过与计算机、物联网结合,实现水体环境信息的实时监测与自动诊定,以满足农业水体监测和管理的需求。

2.3 农业气体传感器

农业气体传感器主要用于农业场景各类气体信息的监测,常见的检测对象包括与农业生产相关的二氧化碳(CO2)、氨气(NH3)、乙烯(C₂H₄)、甲烷(CH4)等。
CO2监测可以帮助优化生产环境、提高作物产量和质量、控制温室气体排放、防治病虫害等,促进可持续农业发展。马淑英等48设计了基于红外CO2气体传感器的农业设施专用浓度测控仪,能实现CO2浓度多点多通道远距离测量和准确控制,其相对误差小于2%,可广泛应用于温室大棚、蔬菜储藏等农业生产领域。张尉等49研发了一种基于可调谐半导体激光技术的便携式CO2传感器,该传感器具有反应速度快、寿命长、精度高、无需校准等优点,适用于室内养殖的气体监测。
NH3是农业生产中常见的气体,对于畜禽养殖等场所来说,监测NH3浓度可以帮助控制通风、施肥等环境因素,保障动物健康和生产效率。Li等50开发了一种基于聚苯胺/碳化钛杂化敏感膜的柔性电导型NH3挥发监测传感器,该传感器表现出高灵敏度、低检测限、优异的重复性、高选择性和良好的空气稳定性,在农业应用中具有广阔的前景。
C2H4是跃变型果实生长信息的指示剂,可以反应香气特征、成熟度、新鲜度等。C2H4检测可以帮助优化果蔬采摘和储存、调控作物生长、改善贮运管理和防治病虫害,提高农产品的产量和质量。Das等51合成了氧化锌(ZnO)纳米晶用作C2H4传感器,在自然大气条件下,ZnO纳米晶气体传感器对C2H4气体表现出高灵敏度,在10和200 ppm的C2H4气体中分别表现出27%和92%的高响应。Yang等52设计了一种用于快速、便携地检测果实储藏空间中C2H4的光纤传感器,该传感器由一台15 mW@ 365 nm荧光信号激光器组成,以及一个双向光纤系统用于将信号从探头传送至智能手机,搭配一个标记有吡啶的格拉布斯催化剂探针,具有350 ppm的宽线性范围,检测限为0.6 ppm。
CH4是一种强效温室气体,对全球气候变化产生重要影响。在农业领域,CH4主要来自于牲畜消化过程、稻田水稻种植和沼气发酵等。实时监测CH4浓度有助于促进农业生产的可持续发展和环境保护。陈友安等53设计了一种基于红外光谱吸收的农田CH4在线监测系统,该系统以CH4传感器为核心,能够在0~5%量程内对CH4浓度进行实时在线精确监测,满足水稻田环境下CH4排放速率及单位面积的排放通量的实时监测。Komarudin等54开发了一种基于网络物理系统技术的稻田和湿地的CH4监测系统,能够实现CH4的自动化远程监测。
总体来看,农业气体传感器研发正处于快速发展阶段,技术创新和应用拓展并行,智能化和产业化趋势明显,政策支持和市场潜力巨大,未来有望在智慧农业发展中发挥更加关键的作用。但是,灵敏度弱、选择性差、耐久性和稳定性不足,以及成本高等缺陷限制了其广泛应用于实际农业场景。需要改善的方面包括:一是灵敏度和稳定性需要提高。农业生产过程中释放的气体成分复杂,且浓度较低,这就要求传感器必须具有极高的灵敏度以检测到微量的气体,并且在长时间内保持稳定可靠的性能,不受温度、湿度、灰尘等环境因素的影响。二是需要提高响应速度和降低恢复时间。在农业生产过程中,需要传感器能快速响应气体浓度的变化,并迅速恢复到稳定状态,以满足实时监测的需求。三是智能化和网络化水平需提高。随着物联网技术的发展,农业气体传感器需要与智能系统相结合,实现数据的远程传输和处理,以及与其他智能设备的互联互通。同时,气体传感器在保证性能的同时,还需要考虑成本、便携性以及集成性等因素,使传感器能够被广泛接受并在农业领域大规模应用。随着微处理器、信号处理技术等多学科综合技术的发展,智能化、微型化、集成化、多气体同时检测成为气体传感器的重要研究方向;同时,通用化和新材料的研发应用也能够提高传感器性能,拓宽其应用场景和发展领域。

3 动植物生命信息传感器

动植物生命信息传感器是利用信息感知技术获取农业类动植物的各项生命体征、生理生化、行为动作等信息,并按照一定规律转换成可识别信号,对目标生物进行信息感知、识别动植物状况的一种装置。相对于农业环境传感器,动植物生命信息传感器起步较晚,除了耳标、图像等传感器进入产业化被广泛使用,其余种类的传感器在农业生产端应用进展较慢。依据传感器监测动植物对象的位置可分为非接触式动植物生命信息传感器、可穿戴式动植物生命信息传感器与植入式体内动植物生命信息传感器。

3.1 动物生命信息传感器

动物生命信息传感器主要用于监测动物的生长运动状态(体型、体重、叫声、运动轨迹和采食量等)、生理参数(体温、呼吸频率和血压等)及生化参数(激素水平和血糖等)55-57。常见的包括:心率传感器、体温传感器、定位传感器、运动监测传感器(如步数计数器、加速度传感器等)、睡眠监测传感器和呼吸监测传感器等。
数字表型阅读器是一种典型的多指标动物生命信息检测传感器,可以收集和传递特定的指标,如体温、心血管功能水平、活动水平和社交行为等。Neethirajan和Kemp58使用多模态传感器技术在农场上收集了大量的动物数据,通过皮肤/体表温度测量、心血管健康监测、出汗率和成分分析、饮食健康评估、呼吸健康监测、睡眠质量和活动监测等模态技术实现监测动物的活动、养殖条件、饲料摄入量和健康状况,能够对动物状况实时、连续评估。未来的研究应该为数字表型选项设计提供依据,为农民提供可靠、稳健的信息,长期目标是建立共享的数据标准和存储。
声学检测是一种简单有效的非接触式判断动物健康状况的方法59。Li等60通过在聚二甲基硅氧烷(Polydimethylsiloxane, PDMS)基底上加载还原氧化石墨烯(reduced Graphene Oxide, rGO)薄膜开发了一种基于裂纹的应变传感器,rGO传感器具有方向性,因此该传感器具有良好的抗干扰能力,在110~5 000 Hz的宽频率范围内具有较高的灵敏度,将rGO传感器应用于猪的声音识别,测量结果与原始音频吻合较好,实现对养殖场猪健康状况的实时监控和早期预警。Yin等61开发了一种基于微调AlexNet模型和频谱图特征以及概率神经网络的猪咳嗽声分类算法,总体识别准确率分别达到96.8%。Zhao等62基于深度神经网络-隐马尔可夫模型构建连续猪咳嗽声音识别的声学模型,通过基于小波阈值的多窗谱Wiener算法消除连续猪声中的噪声,从去噪后的连续猪声中获得实验语料库,平均词错误率为8.03%,具有极高的稳定性和可靠性。
动物糖尿病影响动物生活质量与养殖场财产安全,兽医通常通过测量血糖水平和其他相关的生化指标来确定动物是否患有糖尿病。Gough等63开发出一种能够通过无线遥测技术长期监测动物组织内葡萄糖浓度的植入式传感器,在猪的皮下组织中植入传感器遥测系统实现长期的组织葡萄糖监测。这些实验结果以及从动物实验中获得的对传感器功能的理解为向人类临床研究的转化提供了基础。
近年来,科研人员不断改进动物生命信息传感器的设计和性能,使其能够更全面地识别和监测各种动物的生理状态。动物生命信息传感器在取得显著进展的同时,也面临一些问题和挑战,包括专用养殖动物生命传感器缺乏、传感器准确性不高、动物适应性差,以及部分传感器的制造和维护成本高等。因此,未来研究动物生命指标传感器首要目标在于各类专用动物生命传感器的研制与突破,其次集中提升传感器的准确性和适用性,探索自供能技术、多模态传感器融合,以及智能化数据处理算法。重点关注实时监测系统的建立、数据隐私和伦理问题的考虑,促进动物生命信息传感器大规模应用和标准化,同时推动跨学科合作,以全面推动动物健康监测技术的创新和发展。

3.2 植物生命信息传感器

植物生命信息传感器是一种用于监测植物生长状态和健康的设备,这些传感器可以测量多种植物参数,如叶片可挥发性有机化合物、叶片表面温湿度及植物激素等,用以评估植物的生理状况。植物表型的多样性使得植物个体生理特征测量具有较大需求。
柔性可穿戴植物传感器是一种新型传感器技术,专用于监测和收集植物生长数据,具有柔性设计、多参数感知、实时监测、无创等特点64, 65。由于刚性传感器与柔软、脆弱且弯曲的植物表面不匹配,传统硅基传感器技术难以对植物内部生理状态进行连续实时监测。Chai等64报道了首个柔性电子传感装置,该装置具有薄、柔软、轻便、透气、透光等特征,可以无害地与植物共存,并连续监测其茎液流,进而分析植物健康,生长状态,水分消耗、营养物质的分布和运输的关键植物生理特征。Qu等65介绍了一种基于液态金属的植物电子文身,通过可溶性静电纺丝膜实现双面导电,有效解决了电子器件刚性界面与静止植物表面不匹配的问题,实现无害地连续监测水分含量和植物电信号,对于深入了解植物的干旱适应机制和开发抗旱品种具有重要意义。当植物叶片气孔打开时,水蒸气从叶片中逸出,增加了叶片表面的局部湿度。因此,通过在不同叶片上安装多个相对湿度传感器可以动态监测叶片表面的相对湿度变化,跟踪叶片发生大量失水的关键时间点,从而量化通过木质部从根部到每片被测叶片的水分运输时间66, 67
植物生长的精确定量测量是理解植物生长调控机制的基础。植物生长是一个高度动态的过程,可以在几秒钟内开始或停止,但由于现有的传感器分辨率不足,因此能够提供的动态生长信息很少。Tang等68研发了一种用于可穿戴的低成本高灵敏度应变传感器,可以评估从纳米级到厘米级的植物生长信息。在对茄子和西葫芦的监测中捕捉到了果实节律性生长模式的证据,决定系数为0.989。石墨和碳纳米管传感器是一种对用户友好的可穿戴应变传感器,并能够实时无损测量植物生长。Oren等69制造了一种胶带式石墨烯相对湿度传感器,可用于估算植物体内水分从根部向上部和下部叶片移动所需时间。该传感器通过使用独特的“滴铸-干燥-粘贴-剥离”方法在PDMS基底表面创建石墨烯图案,随后通过易于实现的“粘贴-转移”过程将生成的石墨烯图案转移到最终的粘胶带上,测得石墨烯图案的特征尺寸小至几微米。
高通量表型分析技术在揭示植物关键性状并在育种方面发挥重要作用。在众多的植物表型分析方法中,高光谱成像和三维激光传感器是发展快、前途广的方法。目前已有多种类型的高光谱成像和三维激光传感器可供使用,同样的传感器可以在不同的平台上以不同的方式进行设置和校准,以测量不同的植物参数,并对可能对植物发育、营养、健康和疾病提供信息的特征进行分类,表面和体积的三维重建可以实现功能和机理分析。
在植物生理活动中,激素发挥着不可或缺的角色。目前,利用光学表面等离子共振技术的生物传感器在监测植物激素方面扮演了至关重要的作用。Wang等70开发了一种基于局部表面等离子体共振的生物传感器,构建富含适配体的金纳米颗粒(Gold nanoparticles, AuNPs)检测新鲜水稻叶中的脱落酸(Abscisic Acid, ABA),在5×10-7~5×10-5 M范围内具有良好的线性,检测限为0.33 μM。 Wei等71制造了一种基于表面等离子体共振的生物传感器,能够识别并定量桃子、玫瑰花和紫薇花蕾中的植物激素1H-吲哚-3-乙酸,在紫薇、桃子和玫瑰中的检测限分别为0.23、0.20和0.32 pM。
植物生命指标传感器具备实时监测植物生理状态和生长状况的能力,为智慧农业和生态环境检测等领域提供了强大支持。然而,目前大多数植物传感器仍停留在实验室阶段,且其供电系统尚未完全实现柔性化和微型化,严重限制了植物柔性传感器的应用场景。植物的生长发育受到多种因素的影响,多指标检测通常需要整合和叠加多个检测元件,因此抗信号串扰、实现准确测量是亟待解决的问题。此外,传感器材料或渗出的化学物质可能对植物生长发育产生影响。植物的快速生长也可能导致传感器失配,这些都是植物生命指标传感器应用所面临的挑战。针对这些问题,后续研究应重点关注优选材料、优化传感器制备工艺和适合的传感器结构设计。

4 农产品质量安全传感器

农产品质量安全传感器是一种用于检测农产品质量和安全性的传感器设备。此类传感器可以感知农产品的温湿度、外观形状、新鲜度、营养成分含量及细菌、农药残留、抗生素、重金属危害成分的各项参数。通过实时监测这些参数,农产品质量安全传感器可以帮助用户、生产者、消费者和监管部门确保农产品符合食品安全标准,避免食品污染和质量问题。相对于其他种类的农业传感器,农产品质量安全传感器目前面向普通消费者使用更加广泛。

4.1 农产品质量传感器

农产品质量传感器广泛应用于农产品检测各场景,在果蔬的供应链中尤为重要。果蔬在供应链储存运输不当易遭受损伤,引起果蔬内部腐烂和生理病害,造成品质和商品价值的降低甚至完全丧失。因此,果蔬品质的快速、高灵敏、高精度、无损伤检测系统尤为重要。近红外光谱技术是一种可靠、快速、无损和无需样品预处理的检测技术,适用于果蔬质量连续检测。陈玥瑶等72用近红外漫反射光谱法结合化学计量学定量分析技术开展了平谷大桃品质的无损检测,依据桃中的糖度、酸度、硬度和水分建立检测模型对水果进行分选,实现桃品质的田间检测和最佳采摘期确认。
光纤传感器技术已被广泛应用于农产品质量监测领域,展现了其在确保农产品安全与提高品质方面的重要价值。酪胺经常发现在腐烂的食品产品中,被作为检查食品质量的重要因素。Singh等73通过MXene和AuNPs对光纤表面功能化,开发了一种基于局域表面等离子体共振的光纤传感器,用于检测农产品中的酪胺,检测限为6.96 µM,灵敏度为0.038 5 nm/µM,并具有极高的稳定性和重复性。
未来,农产品质量传感器的发展趋势主要为低成本、多参数及智能化。一是发展便携式、低成本、快速检测技术,提高农产品质量检测效率。二是发展多参数检测技术,可以同时检测农产品的多个参数,如湿温度、pH、营养成分等,以全面评估农产品的质量。三是实现智能化检测技术,将人工智能、大数据等技术应用于农产品质量检测传感器中,实现数据的智能分析和预测,提高检测的准确性和效率。此外,适应于冷链运输场景农产品质量的实时监测、配合采摘机器人的果蔬质量分选感知等农产品质量传感器具有较大发展前景,应最大限度地与智能运输车、无人采摘机器人等新型装备结合使用。

4.2 农产品安全传感器

农药、重金属、抗生素等农产品污染物已成为农产品安全传感器检测的主要目标物。基于生物识别的农药传感器具有灵敏度高、选择性高、可便携式检测等优点,主要由生物部件(酶、全细胞、抗体、DNA等)、换能器(电化学、光学或热学)和放大单元三个部分组成。可穿戴式生物传感器可直接附着在穿戴者身上,在动态分析过程中具有连续、无创、实时等特性。Mishra等74成功研发一种集成可拉伸印刷电极系统的柔性手套传感器,基于有机磷水解酶的食指电化学生物传感器系统,可在采集可疑农产品后快速现场检测有机磷神经毒剂化合物。Zhao等75开发了一种智能植物可穿戴生物传感器,可用于作物表面农残的原位分析,通过激光诱导石墨烯技术制备了蛇形三电极体系,经过PDMS转移后,得到了可拉伸的柔性石墨烯基电极,可以适应叶片、果实等不规则表面农产品有机磷农药检测。Zhang等76利用脱氧核酶和卟啉功能化的金属有机骨架(Metal-organic framework, MOF)构建了一种快捷、灵敏的电化学传感器,表现出优异的过氧化物模拟酶活性,对Pb2+分析的检测限为5 pM,适用于叶菜中铅污染的定期监测。Tümay等77设计了芘修饰的纳米纤维素作为荧光传感器,实现了食品和土壤样品中的Cd2+的检测,检测限为0.09 μM,低于世界卫生组织规定的植物中镉的允许限量。Gai等78构建了超灵敏单室酶生物燃料电池用于抗生素残留检测,该传感装置最大优势可以实现自供能,同时具有简单、抗干扰能力强、选择性高和成本低等优点。Pan等79开发了一种可重复的分子印迹石英晶体微天平(Quartz crystal microbalance, QCM)传感器,用于准确、灵敏地分析动物源性食品中恩诺沙星残留。该传感器通过将恩诺沙星的分子印迹聚合物直接固定在金芯片表面,结合了分子印迹聚合物选择性识别的优点和石英晶体微天平传感器的高灵敏度和便携性,可长期保存并具有良好的稳定性,在30个分析周期内响应衰减仅为7.8%。Trofimchuk等80利用咖啡环效应构建纸基微流控装置,耦合智能手机检测食品中诺氟沙星残留,在纤维素材质的滤纸上设计并嵌入蜡通道,通过打印和加热使蜡渗入纸张,进而监测每个反应室中发生的比色反应,实现对食品样品中诺氟沙星浓度的便携式测定。
此外,表面增强拉曼光谱(Surface-enhanced Raman Spectroscopy, SERS)在检测农产品和食品安全领域也受到广泛关注。目前,SERS已成功用于检测牛奶中的三聚氰胺、鱼类中的非法物质,以及食物样本中的细菌等生物污染物。Alsammarraie和Lin81通过将金纳米棒组装到镀金硅片上的直立阵列中,可以制备新的SERS基板。所制备的SERS传感器对橙汁、西柚汁和牛奶中西维因的检出限分别为509、617和391 ppb,低于美国国家环境保护局设定的最大残留限量。Cheng等82利用氧化石墨烯/AuNPs复合材料,通过分散固相萃取结合SERS快速、可靠、定量地检测油炸食品中的丙烯酰胺,检出限和定量限分别为2和5μg/kg。丙烯酰胺的回收率为73.4%~92.8%。
农产品安全传感器是民众相对重视的一类传感器,也将是未来市场用户数相对较多的传感器,目前已在实验室中实现超高灵敏度、超高选择性的检测,但在发展中还存在一些问题。一是普通消费者对传感器售价敏感,面向消费市场的农产品安全传感器需要尽快降低成本。目前,结合智能手机的纸基传感器、布基传感器和柔性塑料基传感器的快速发展为农产品安全传感器成本大幅降低带来了新的希望。二是缺乏多个危害物指标共同检测的小体积便携式传感器,因此引入微型化制造技术,结合多参数融合检测传感器将是未来发展趋势。

5 农机传感器

农机传感器是安装在农业机械设备上,感知、监测和记录农业机械、农业装备及农业机器人的机器工况、作业目标识别、作业效果等农机参数,并转换成可识别信号的装置。农机传感器一般不独立使用,通常作为关键配件嵌入至农业机械中。农机传感器在实现农机工况和耕种管收信息实时感知、农机自动化作业、药肥饲料等农资用量精确化施用等环节中扮演着重要角色。农机传感器具有以下优点:一是具有较好的信息获取与反馈的及时性;二是可针对不同工况开展工作,具有良好的可靠性和精确性;三是能够开展非接触、不同距离的监测工作;四是传感器型号众多,针对不同的工况具有专门的系列产品设计,能够适应恶劣的环境使用需求。
农机装备的自动定位与导航是实现农机自动驾驶的基础,目前主要基于全球导航卫星系统(Global Navigation Satellite System, GNSS)定位技术和视觉定位技术来实现。随着GNSS定位技术向民用领域的开放,利用载波相位差分技术的实时动态定位精度可达厘米级,相关技术和产品在精准农业领域得到了广泛应用,并促进了农业自动导航技术的发展。
智能农机和农业机器人在复杂非结构化的农业环境中的自主导航是完成各种作业任务的先决条件,但如何实现自主精确导航仍然是一个具有挑战性的问题。随着电子信息技术的发展,视觉定位技术已成为农业机器人实时、准确导航的有力工具。视觉定位技术使用摄像头或其他视觉传感器获取环境信息,并通过图像或视频对作业环境建模进行处理和分析,实现农机装备的自动定位和姿态调整,由于在没有卫星信息时也能实现定位和导航,其研究受到广泛关注。视觉定位技术在农机领域主要应用场景包括农机自动驾驶、农田作物检测、精准播种和施肥、农田测绘和规划,以及农田精准灌溉等。
复杂的农业环境,如外观不断变化的田间或果园,以及植物高度重复的结构导致的视觉混叠对农机定位提出了独特的挑战,农业环境中定位问题的核心是可靠地提取传感器信息并将其自动关联农业环境地图。利用各种视觉传感器和视觉系统获取的2D和3D图像,可对农业环境进行非接触式测量,反映环境中树木、农作物、障碍物等的形态特征和空间位置,实现农机导航规划。Xue等83设计了一个自适应记忆模块来缓解视觉里程计任务的累积误差。该模块使用时空注意力方法基于特征域的共可视性为每个视图选择特征,并使用卷积神经网络和循环神经网络从局部到全局逐步构建和保存记忆,为农业机器人进一步的姿态估计提供充分且有价值的信息。
对障碍物的实时感知是智能农机装备在复杂开放的非确定性农田环境下安全可靠工作的保证。Yin等84基于3D相机开发了一种障碍物规避系统,采用噪声滤波算法检测损坏像素,通过背景去除方法区分背景中的障碍物,基于二维直方图反投影障碍物像素到地平面的聚类算法来进行图像的分割和解析,其静态条件下位置精度的均方根误差为5.6 cm、动态条件下的均方根误差为7.1 cm。
农机作业工况信息涵盖了位置信息、速度信息、作业参数、传感器数据、作业状态和异常报警等多个方面的内容,通过获取和分析这些信息,可以实现对农机作业过程的全面监测和管理,提高农业生产效率和质量。肖跃进等85在作业机械上配备信息采集器,通过控制器局域网总线传至核心处理器将接收到的数据综合分析后生成农机的工况信息,通过移动通信发送到云端的服务器上。利用云计算服务平台建立监测与调度系统,动态采集农机作业信息,并及时地将信息传送到调度中心,最终实现田间农机工况信息在云平台上实时监控,为未来的农机调度提供数据支持。
精准播种和变量施肥是一项先进的农业生产技术。金鑫等86基于光电检测与介质型电容传感技术,分别将对射式红外传感器、变介电常数电容传感器元件封装于排种管上端内与排肥管下端口,可实现种、肥流量信号的实时监测;变量施肥通过采集肥箱压力传感器获取的肥料质量变化数据,解算出实际施肥量和肥料流量;整机监控系统能够适应复杂田间环境,漏播监测准确率可达91%,变量施肥准确率超过96%,具有较好的实用性和经济性。
谷物流量监测是实时监测产量的有效手段,也是实现精准农业的关键技术之一。尹文庆等87构建了基于结构光三维视觉的滑槽输送谷粒体积流量的测量系统,通过实时获取滑槽谷粒流表面的结构光图像,建立谷粒流的截面积计算模型和体积计算模型,在4种谷粒体积流量的测量中,系统测量误差不大于5.2%,可以实现滑槽输送谷粒体积的在线测量。耿端阳等88以谷物产量与谷物流压力间的监测数学模型为依据,开发了基于谷物流压力原理的谷物产量监测系统,实现了谷物收割过程和谷物产量等信息的实时测量、显示与存储,并对田间实际效果进行试验验证,其谷物产量测产误差为5.28%,可以为后续作业管理提供决策依据。
随着计算机技术、传感器技术和人工智能技术的不断进步,农业装备正在向自动化和智能化发展。未来,研制可自主作业、节能降耗、智能化、高速宽幅的多功能农业机械,已成为农业机械化生产发展的重要方向89。农机传感器对无人农机与农业机器人的发展应用至关重要,因此农机传感器需要在复杂环境中运动状态下实时且精准地感知农业环境、农机自身与作业对象信息,这对农机传感器的瞬时感知能力与可靠性提出重要挑战。

6 挑战与展望

6.1 农业传感器发展面临的挑战

农业智能感知技术为现代农业的可持续及高质量发展提供了机遇和可能,农业传感的新原理、新工艺、新器件与新应用正被不断突破,已呈现欣欣向荣的发展态势。然而,现阶段核心瓶颈问题仍是农业传感器大规模应用严重不足,导致现代农业的发展缺乏海量客观真实数据支撑,仍旧依靠经验进行决策。这一瓶颈问题主要由农业传感器使用场景与监测对象的特性决定,面临的挑战主要有以下三个方面。
一是研制的农业传感器成本过高,限制其在农业场景的广阔应用,比如在附加值最低的大田主粮作物种植场景大规模使用受限。二是用于监测各类指标的专用性强的农业传感器大量缺乏,即便不考虑多指标集成,仅单一农业传感器的种类也将是海量的;传感器从原理开发至产品成熟转入产业化的周期较长,研制完成所有种类的农业传感器并推向市场应用将是项极其宏大且艰巨的任务。三是农业传感器的可靠性、适应性等性能需要进一步提升,以适应复杂的和高度时序性的农业环境与监测对象。传感器标定技术始终是制约传感器研发和产业化的重要因素,特别是有利于提升农业传感器的非结构化复杂环境的检测问题,以及降低现有产业化农业传感器故障率等问题。
在解决上述三点挑战后,农业感知的趋势必将是人工干预极少的,甚至是完全无人化的,“农业泛在感知”这一概念将应运而生(图3),即农业海量信息的感知和获取手段无处不在、无时不有,且获取信息主体与被监测对象完全感知不到大量已联网的智能化传感器的存在。
Fig. 3 Schematic diagram of challenges and solutions for agricultural sensors

图3 农业传感器的挑战与解决方案示意图

Full size|PPT slide

6.2 农业传感器发展展望

全球正迎来新一代信息技术、高端智能制造、人工智能及生物学的深度发展,农业传感器所需的各项底层技术正快速突破,农业传感器的发展应用也将随之进入爆发式增长期。以低成本、专用型、智能化为特征的农业传感器将驱动未来农业进一步向集约化、精准化、数字化发展。
(1)进一步降低传感器成本。未来的研究重点可以考虑进一步降低农业传感器材料成本,也可以考虑转嫁农业传感器成本。一是注重农业传感器的基础研究,进一步探究新的低成本感知机理和传感材料,如采用成本更低的纸基材料或者其他感知载体替代传统复杂的传感装备。二是进一步开发新型低成本、微型化传感器制造工艺,同时提高传感器的稳定性与可靠性。引入MEMS工艺来制造微型化农业传感器,通过微型化降低核心元器件成本,进一步研发8寸或12寸等更大尺寸的农业传感器MEMS制造工艺,以降低流片成本;引入MEMS技术通过精密的制造工艺和微型化集成,可以显著提升农业传感器的性能,确保其在复杂的农业环境中能够持续准确地监测和反馈数据。三是将农业场景部分感知成本转移给已广泛普及的其他智能设备,如智能手机、智能手表等。例如,通过纸基传感器直接感知土壤养分、水体污染、农产品重金属检测等,再结合手机拍照识别纸基传感器的颜色变化自动判定待测物浓度并及时将数据传输至手机,这套传感器方案将检测问题转化为图像识别问题,进而将感知成本降至只有极低的纸基材料和敏感材料,将电信号转化功能与数据传输功能交给已广泛普及的手机等智能设备和公共网络。四是大规模、长周期的农业信息感知由同一传感设备完成,进而共同承担昂贵的传感设备成本。例如,采用无人机遥感或者卫星遥感进行县域长周期的农情监测。
(2)研制大量专用型农业传感器。未来的研究重点在进一步加强农业传感器基础研究的同时,注重引入交叉融合团队,通过分析化学、生物化学、动植物生理、传感器设计与工艺、人工智能等多专业科研人员协同研发,将光学、电化学、电磁、超声、分子生物、敏感材料、MEMS、微纳器件、图像识别等方法技术应用于农业传感新机理,有望突破大量新型专用农业传感器,如可穿戴式植物胁迫传感器、牲畜发情传感器、肉蛋奶抗生素传感器、瓜果甜度传感器、水产病毒预警传感器、农业卫星高光谱传感器、无人农机谷物流量传感器等。
(3)提升农业传感器自适应等性能。未来的研究重点将聚集于智能化、网络化的农业传感器研发。低成本、高性能、可靠性实际上是一个不可能“三角形”,区别于军用、医疗或工业传感器,农业传感器可以舍弃一部分精度,做到高可靠性和低成本性。但是,通过大规模低成本农业传感器的智能化与网络化发展,未来可靠性高、适应性强、标准化、高性能的农业传感器将有望逐步实现。一是建设标准化的农业传感器与智能检测装备标定第三方公共平台,对研制的各类农业传感器进行统一参数标定。二是发展智能化云感知自适应的农业传感器技术。自适应控制系统可以根据实际情况自动调整传感器参数,以确保其性能在不同情况下都能达到最佳状态。这种技术允许传感器自主学习并自动适应环境的变化,从而实现自适应标定。农业大模型自适应标定是目前农业传感器标定技术的发展趋势,通过对非结构化环境数据智能的采集,以及通过物联网云感知技术将数据上传到互联网传感数据中心,构建数据融合和协同传感器网络的农业传感器大模型实现数据自学习和标定,海量传感器的数据在协同传感器网络中集成和融合,从而互相校准和纠正。同时通过比较不同传感器之间的数据,自动进行农业复杂环境参数的矫正和调整。自适应传感器标定技术同智能化云感知技术相结合,能够实现现代智慧农业海量数据的采集和汇聚,为构建农业领域大模型奠定重要基础。三是数据融合空天地一体化感知。利用地面传感器、无人机遥感和卫星遥感3种农业感知手段进行大数据融合,构建数据融合-空天地一体化感知,是实现农业大面积、低成本、高精度数据感知的重要传感技术和发展方向。通过对“空-天-地”多来源数据进行融合,一方面发挥地表传感器高精度、高空间分辨率的特性,同时充分发挥遥感技术在大面积、长时序数据获取中的优势,便可实现低成本、高精度、长时序、大面积、高效率的信息获取,满足农业生产过程中作物全生长周期、地表肥力分布、农情旱涝灾害等适应性强的农业信息获取需求。
在农业传感器大量技术突破的基础上,未来有望实现农业传感器全面产业化。农业传感器产业化涉及传感器制造、数据处理、农业技术服务等多个领域,将带动相关产业的发展,促进农业与科技、信息技术的深度融合,形成农业产业链的完整生态系统。未来的研究重点是将研发阶段的技术成果转化为可大规模生产和广泛应用的产品。首先,加强基础和应用研究,推进新型传感器材料、设计和制造工艺的发展,降低成本的同时提高性能。其次,鼓励跨学科合作,结合化学、生物学、信息技术等领域的最新成果,开发出满足不同农业应用需求的定制化传感器。同时,建立标准化和模块化的生产流程,提升生产效率和产品质量。促进“产学研用金推”结合,加速技术成果的转化。此外,加强市场推广和用户培训,提高农业生产者对智能农业技术的接受度和使用效率。下一代具备泛在感知能力的农业传感器将具备集成化、多功能、微型化、柔性化、低功耗、超低成本、智能化、互联化和环保化这几个显著特征。从而显著提高农事生产采集数据的精密性、完整性,更好地指导农业生产,提高现代农业的管理水平,以适应农业现代化和高质量发展的需求。未来,各类农业监测对象将通过农业泛在感知技术实时告知决策中心它们的状态和“想法”,那时农业生产效率将极大提高,人与自然将更和谐。

References

1
金欢庆, 热孜燕·瓦卡斯. 中国智慧农业发展现状及对策[J]. 农业展望, 2023, 19(11): 62-66.
JIN H Q, REZIYAN WAKASI. Development status and countermeasures of intelligent agriculture in China[J]. Agricultural outlook, 2023, 19(11): 62-66.
2
刘羽飞, 何勇, 刘飞, 等. 农业传感器技术在我国的应用和市场:现状与未来展望[J]. 浙江大学学报(农业与生命科学版), 2023, 49(3): 293-304.
LIU Y F, HE Y, LIU F, et al. Application and market of agricultural sensor technology in China: Current status and future perspectives[J]. Journal of Zhejiang university (agriculture and life sciences), 2023, 49(3): 293-304.
3
MAHMOUDPOUR M, TORBATI M, MOUSAVI M M, et al. Nanomaterial-based molecularly imprinted polymers for pesticides detection: Recent trends and future prospects[J]. Trends in Analytical Chemistry, 2020, 129: ID 115943.
4
MA P, ZHU H R, LU H, et al. Design of biodegradable wheat-straw based triboelectric nanogenerator as self-powered sensor for wind detection[J]. Nano energy, 2021, 86: ID 106032.
5
DE LARA A, LONGCHAMPS L, KHOSLA R. Soil water content and high-resolution imagery for precision irrigation: Maize yield[J]. Agronomy, 2019, 9(4): 174.
6
VISCARRA ROSSEL R A, BOUMA J. Soil sensing: A new paradigm for agriculture[J]. Agricultural systems, 2016, 148: 71-74.
7
YIN H, CAO Y, MARELLI B, et al. Soil sensors and plant wearables for smart and precision agriculture[J]. Advanced materials, 2021, 33(20): ID e2007764.
8
YU L M, GAO W L, SHAMSHIRI R R, et al. Review of research progress on soil moisture sensor technology[J]. International journal of agricultural and biological engineering, 2021, 14(3): 32-42.
9
XIAO D Q, FENG J Z, WANG N, et al. Integrated soil moisture and water depth sensor for paddy fields[J]. Computers and electronics in agriculture, 2013, 98: 214-221.
10
HABIBULLAH B, ALEXANDER S, DIDIER B, et al. Soil moisture and density monitoring methodology using TDR measurements[J]. International journal of pavement engineering, 2020, 21(10): 1263-1274.
11
VELLIDIS G, TUCKER M, PERRY C, et al. A real-time wireless smart sensor array for scheduling irrigation[J]. Computers and electronics in agriculture, 2008, 61(1): 44-50.
12
XU Y, DUAN J L, JIANG R, et al. Study on the detection of soil water content based on the pulsed acoustic wave (PAW) method[J]. IEEE access, 2021, 9: 15731-15743.
13
ZHENG X M, FENG Z Z, LI L, et al. Simultaneously estimating surface soil moisture and roughness of bare soils by combining optical and radar data[J]. International journal of applied earth observation and geoinformation, 2021, 100: ID 102345.
14
宋豫晓, 王建, 乔晓军, 等. 多功能土壤温度测量仪的研发[J]. 农机化研究, 2010, 32(9): 80-84.
SONG Y X, WANG J, QIAO X J, et al. Development of muti-functional soil temperature measuring instrument[J]. Journal of agricultural mechanization research, 2010, 32(9): 80-84.
15
JACKSON T, MANSFIELD K, SAAFI M, et al. Measuring soil temperature and moisture using wireless MEMS sensors[J]. Measurement, 2008, 41(4): 381-390.
16
MERL T, RASMUSSEN M R, KOCH L R, et al. Measuring soil pH at in situ like conditions using optical pH sensors (pH-optodes)[J]. Soil biology and biochemistry, 2022, 175: ID 108862.
17
NAIR N, AKSHAYA A V, JOSEPH J. An in-situ soil pH sensor with solid electrodes[J]. IEEE sensors letters, 2022, 6(8): 1-4.
18
ELDEEB M A, DHAMU V N, PAUL A, et al. Espial: Electrochemical soil pH sensor for in situ real-time monitoring[J]. Micromachines (basel), 2023, 14(12): ID 2188.
19
HAMMARLING K, ENGHOLM M, ANDERSSON H, et al. Broad-range hydrogel-based pH sensor with capacitive readout manufactured on a flexible substrate[J]. Chemosensors, 2018, 6(3): ID 30.
20
ADESANWO O O, IGE D V, THIBAULT L, et al. Comparison of colorimetric and ICP methods of phosphorus determination in soil extracts[J]. Communications in soil science and plant analysis, 2013, 44(21): 3061-3075.
21
MOONRUNGSEE N, PENCHAREE S, JAKMUNEE J. Colorimetric analyzer based on mobile phone camera for determination of available phosphorus in soil[J]. Talanta, 2015, 136: 204-209.
22
AGARWAL S, BHANGALE N, DHANURE K, et al. Application of colorimetry to determine soil fertility through naive Bayes classification algorithm[C]// 2018 9th International Conference on Computing, Communication and Networking Technologies (ICCCNT). Piscataway, New Jersey, USA: IEEE, 2018: 1-6.
23
QIAO Y, ZHANG S. Near-infrared spectroscopy technology for soil nutrients detection based on LS-SVM[C]// Computer and Computing Technologies in Agriculture V, Berlin, German: Springer, 2012: 325-335.
24
PENG Y P, ZHAO L, HU Y M, et al. Prediction of soil nutrient contents using visible and near-infrared reflectance spectroscopy[J]. ISPRS international journal of geo-information, 2019, 8(10): ID 437.
25
HE Y, LIU X, LYU Y, et al. Quantitative analysis of nutrient elements in soil using single and double-pulse laser-induced breakdown spectroscopy[J]. Sensors (basel), 2018, 18(5): ID E1526.
26
GARLAND N T, MCLAMORE E S, CAVALLARO N D, et al. Flexible laser-induced graphene for nitrogen sensing in soil[J]. ACS applied materials & interfaces, 2018, 10(45): 39124-39133.
27
TANG C L, FU D C, WANG R J, et al. An electrochemical microfluidic system for on-site continuous monitoring of soil phosphate[J]. IEEE sensors journal, 2024, 24(5): 6754-6764.
28
KIM H J, HUMMEL J W, SUDDUTH K A, et al. Simultaneous analysis of soil macronutrients using ion-selective electrodes[J]. Soil science society of America journal, 2007, 71(6): 1867-1877.
29
ACHARYA G, DOORNEWEERD D D, CHANG C L, et al. Label-free optical detection of anthrax-causing spores[J]. Journal of the American chemical society, 2007, 129(4): 732-733.
30
YAGHOUBI M, RAHIMI F, NEGAHDARI B, et al. A lectin-coupled porous silicon-based biosensor: Label-free optical detection of bacteria in a real-time mode[J]. Scientific reports, 2020, 10: ID 16017.
31
JIN K S, FALLGREN P H, SANTIAGO N A, et al. Monitoring in situ microbial activities in wet or clayey soils by a novel microbial-electrochemical technology[J]. Environmental technology & innovation, 2020, 18: ID 100695.
32
POTAMITIS I, RIGAKIS I, VIDAKIS N, et al. Affordable bimodal optical sensors to spread the use of automated insect monitoring[J]. Journal of sensors, 2018, 2018: ID 3949415.
33
MANKIN R W, BRANDHORST-HUBBARD J, FLANDERS K L, et al. Eavesdropping on insects hidden in soil and interior structures of plants[J]. Journal of economic entomology, 2000, 93(4): 1173-1182.
34
RUSTIA D J A, LIN C E, CHUNG J Y, et al. Application of an image and environmental sensor network for automated greenhouse insect pest monitoring[J]. Journal of asia-pacific entomology, 2020, 23(1): 17-28.
35
DESAULES A, AMMANN S, SCHWAB P. Advances in long-term soil-pollution monitoring of Switzerland[J]. Journal of plant nutrition and soil science, 2010, 173(4): 525-535.
36
RATTANARAT P, DUNGCHAI W, CATE D, et al. Multilayer paper-based device for colorimetric and electrochemical quantification of metals[J]. Analytical chemistry, 2014, 86(7): 3555-3562.
37
CHEN Y-T, C-YHSEIH, SARANGADHARAN I, et al. Beyond the limit of ideal nernst sensitivity: Ultra-high sensitivity of heavy metal ion detection with ion-selective high electron mobility transistors[J]. ECS Journal of solid state science and technology, 2018, 7(9): Q176-Q183.
38
DAS T R, SHARMA P K. Sensitive and selective electrochemical detection of Cd2 + by using bimetal oxide decorated Graphene oxide (Bi 2 O3/Fe 2 O3 @GO) electrode[J]. Microchemical journal, 2019, 147: 1203-1214.
39
PRASAD B B, JAUHARI D, TIWARI M P. Doubly imprinted polymer nanofilm-modified electrochemical sensor for ultra-trace simultaneous analysis of glyphosate and glufosinate[J]. Biosensors & bioelectronics, 2014, 59: 81-88.
40
VIGNESH KUMAR T H, RAMAN PILLAI S K, CHAN-PARK M B, et al. Highly selective detection of an organophosphorus pesticide, methyl parathion, using Ag–ZnO–SWCNT based field-effect transistors[J]. Journal of materials chemistry C, 2020, 8(26): 8864-8875.
41
张俊卿, 陈翔宇, 王儒敬, 等. 用于水肥系统的养分离子快检装置研制与试验[J]. 农业工程学报, 2022, 38(2): 102-110.
ZHANG J Q, CHEN X Y, WANG R J, et al. Development and experiment of the rapid detection device of the nutrient ion concentrations for fertigation system[J]. Transactions of the Chinese society of agricultural engineering, 2022, 38(2): 102-110.
42
ALAHI MD ESHRAT E, LI X, SUBHAS M, et al. A temperature compensated smart nitrate-sensor for agricultural industry[J]. IEEE transactions on industrial electronics, 2017, 64(9): 7333-7341.
43
ZHANG Y, QI Y, WANG L, et al. Sensing technologies for detection of non-point source pollutants in rice paddy fields[J]. International journal of precision agricultural aviation, 2020, 1(1): 1-13.
44
BAHAMON-PINZON D, MOREIRA G, OBARE S, et al. Development of a nanocopper-decorated laser-scribed sensor for organophosphorus pesticide monitoring in aqueous samples[J]. Microchimica Acta, 2022, 189(7): ID 254.
45
JANG A, ZOU Z W, LEE K K, et al. State-of-the-art lab chip sensors for environmental water monitoring[J]. Measurement science and technology, 2011, 22(3): ID 032001.
46
LIN J Y, TSAI H L, LYU W H. An integrated wireless multi-sensor system for monitoring the water quality of aquaculture [J]. Sensors (basel), 2021, 21(24): ID 8179.
47
顾浩, 王志强, 吴昊, 等. 基于荧光法的溶解氧传感器研制及试验[J]. 智慧农业(中英文), 2020, 2(2): 48-58.
GU H, WANG Z Q, WU H, et al. A fluorescence based dissolved oxygen sensor[J]. Smart agriculture, 2020, 2(2): 48-58.
48
马淑英, 马玉泉, 张丽红, 等. 农业设施中二氧化碳测控仪的研制[J]. 农机化研究, 2007, 29(12): 104-105, 115.
MA S Y, MA Y Q, ZHANG L H, et al. The designing of carbon dioxide density detection instrument used in agriculture[J]. Journal of agricultural mechanization research, 2007, 29(12): 104-105, 115.
49
张尉, 高星星, 方贤才, 等. 适用于农业环境的便携式激光CO2传感器设计[J]. 中国农机化学报, 2017, 38(3): 73-76, 81.
ZHANG W, GAO X X, FANG X C, et al. Design of portable laser CO2 sensor for agricultural environment[J]. Journal of Chinese agricultural mechanization, 2017, 38(3): 73-76, 81.
50
LI X, XU J, JIANG Y, et al. Toward agricultural ammonia volatilization monitoring: A flexible polyaniline/Ti3C2T hybrid sensitive films based gas sensor[J]. Sensors and actuators B: Chemical, 2020, 316: ID 128144.
51
DAS K, JANA B, PRAMANIK M, et al. Chemically synthesized ZnO nanocrystal-based ethylene sensor operative at natural humid condition[J]. Applied physics A, 2022, 128(11): ID 962.
52
YANG X, LEONG J L K, SUN M T, et al. Quantitative determination of ethylene using a smartphone-based optical fiber sensor (SOFS) coupled with pyrene-tagged Grubbs catalyst[J]. Biosensors, 2022, 12(5): ID 316.
53
陈友安, 张建, 高翔, 等. 水稻田甲烷在线监测系统设计[J]. 仪表技术, 2016(9): 7-11.
CHEN Y A, ZHANG J, GAO X, et al. Design of online monitoring system for methane in the paddy field[J]. Instrumentation technology, 2016(9): 7-11.
54
KOMARUDIN M, SEPTAMA H D, YULIANTI T. Autonomous cyber physical systems for monitoring of methane gas in rice field[C]// 2nd International Conference on Smart and Innovative Agriculture (ICoSIA 2021), Paris, France: Atlantis Press, 2022: 138-143.
55
PENG Y, ZHOU J, SONG X, et al. A flexible pressure sensor with ink printed porous graphene for continuous cardiovascular status monitoring[J]. Sensors (basel), 2021, 21(2): ID E485.
56
GONZÁLEZ-SÁNCHEZ C, FRAILE J C, PÉREZ-TURIEL J, et al. Capacitive sensing for non-invasive breathing and heart monitoring in non-restrained, non-sedated laboratory mice[J]. Sensors (basel), 2016, 16(7): ID E1052.
57
ION M, DINULESCU S, FIRTAT B, et al. Design and fabrication of a new wearable pressure sensor for blood pressure monitoring[J]. Sensors (basel), 2021, 21(6): ID 2075.
58
NEETHIRAJAN S, KEMP B. Digital phenotyping in livestock farming[J]. Animals (basel), 2021, 11(7): ID 2009.
59
杨亮, 王辉, 陈睿鹏, 等. 猪专用传感器研究进展[J]. 智能化农业装备学报(中英文), 2023, 4(2): 22-34.
YANG L, WANG H, CHEN R P, et al. Advances in research on pig-specific sensors[J]. Journal of intelligent agricultural mechanization, 2023, 4(2): 22-34.
60
LI J, LIAO Z Q, LIANG T, et al. High sensitivity, fast response and anti-interference crack-based reduced graphene oxide strain sensor for pig acoustic recognition [J]. Computers and electronics in agriculture, 2022, 200: ID 107267.
61
YIN Y, TU D, SHEN W, et al. Recognition of sick pig cough sounds based on convolutional neural network in field situations[J]. Information processing in agriculture, 2021, 8(3): 369-379.
62
ZHAO J, LI X, LIU W, et al. DNN-HMM based acoustic model for continuous pig cough sound recognition[J]. International journal of agricultural and biological engineering, 2020, 13(3): 186-193.
63
GOUGH D A, KUMOSA L S, ROUTH T L, et al. Function of an implanted tissue glucose sensor for more than 1 year in animals[J]. Science translational medicine, 2010, 2(42): ID 42ra53.
64
CHAI Y, CHEN C, LUO X, et al. Cohabiting plant-wearable sensor in situ monitors water transport in plant[J]. Advanced science (weinh), 2021, 8(10): ID 2003642.
65
QU C C, CAO L X, LI M L, et al. Liquid metal-based plant electronic tattoos for in situ monitoring of plant physiology[J]. Science China technological sciences, 2023, 66(6): 1617-1628.
66
YIN S, IBRAHIM H, SCHNABLE P S, et al. A field‐ deployable, wearable leaf sensor for continuous monitoring of vapor‐pressure deficit [J]. Advanced materials technologies, 2021, 6(6): ID 202001246.
67
LEE G, HOSSAIN O, JAMALZADEGAN S, et al. Abaxial leaf surface-mounted multimodal wearable sensor for continuous plant physiology monitoring[J]. Science advances, 2023, 9(15): ID eade2232.
68
TANG W, YAN T, WANG F, et al. Rapid fabrication of wearable carbon nanotube/graphite strain sensor for real-time monitoring of plant growth [J]. Carbon, 2019, 147: 295-302.
69
OREN S, CEYLAN H, SCHNABLE P S, et al. High‐resolution patterning and transferring of graphene‐based nanomaterials onto tape toward roll‐to‐roll production of tape‐based wearable sensors [J]. Advanced materials technologies, 2017, 2(12): ID 1700223.
70
WANG S, LI W, CHANG K, et al. Localized surface plasmon resonance-based abscisic acid biosensor using aptamer-functionalized gold nanoparticles[J]. PLoS One, 2017, 12(9): ID e0185530.
71
WEI C, ZHOU H, CHEN C, et al. On-line monitoring 1h-indole-3-acetic acid in plant tissues using molecular imprinting monolayer techniques on a surface plasmon resonance sensor[J]. Analytical letters, 2011, 44(18): 2911-2921.
72
陈玥瑶, 夏静静, 韦芸, 等. 近红外光谱法无损检测平谷产大桃品质方法研究[J]. 分析化学, 2023, 51(3): 454-462.
CHEN Y Y, XIA J J, WEI Y, et al. Research on nondestructive quality test of Pinggu peach by near-infrared spectroscopy[J]. Chinese journal of analytical chemistry, 2023, 51(3): 454-462.
73
SINGH R, ZHANG W, LIU X C, et al. WaveFlex biosensor: MXene-immobilized w-shaped fiber-based LSPR sensor for highly selective tyramine detection[J]. Optics laser technology, 2024, 171: ID 110357.
74
MISHRA R K, HUBBLE L J, MARTÍN A, et al. Wearable flexible and stretchable glove biosensor for on-site detection of organophosphorus chemical threats[J]. ACS sensors, 2017, 2(4): 553-561.
75
ZHAO F, HE J, LI X, et al. Smart plant-wearable biosensor for in situ pesticide analysis[J]. Biosens bioelectron, 2020, 170: ID 112636.
76
ZHANG X N, HUANG X Y, XU Y W, et al. Single-step electrochemical sensing of ppt-level lead in leaf vegetables based on peroxidase-mimicking metal-organic framework[J]. Biosensors and bioelectronics, 2020, 168: ID 112544.
77
TÜMAY S O, ŞANKO V, DEMIRBAS E, et al. Fluorescence determination of trace level of cadmium with pyrene modified nanocrystalline cellulose in food and soil samples[J]. Food and chemical toxicology, 2020, 146: ID 111847.
78
GAI P, GU C, HOU T, et al. Ultrasensitive self-powered aptasensor based on enzyme biofuel cell and DNA bioconjugate: A facile and powerful tool for antibiotic residue detection[J]. Analytical chemistry, 2017, 89(3): 2163-2169.
79
PAN M F, GU Y, ZHANG M Y, et al. Reproducible molecularly imprinted QCM sensor for accurate, stable, and sensitive detection of enrofloxacin residue in animal-derived foods[J]. Food analytical methods, 2018, 11(2): 495-503.
80
TROFIMCHUK E, NILGHAZ A, SUN S, et al. Determination of norfloxacin residues in foods by exploiting the coffee-ring effect and paper-based microfluidics device coupling with smartphone-based detection[J]. journal of food science, 2020, 85(3): 736-743.
81
ALSAMMARRAIE F K, LIN M S. Using standing gold nanorod arrays as surface-enhanced Raman spectroscopy (SERS) substrates for detection of carbaryl residues in fruit juice and milk[J]. Journal of agricultural and food chemistry, 2017, 65(3): 666-674.
82
CHENG J, ZHANG S, WANG S, et al. Rapid and sensitive detection of acrylamide in fried food using dispersive solid-phase extraction combined with surface-enhanced Raman spectroscopy[J]. Food chemistry, 2019, 276: 157-163.
83
XUE F, WANG X, WANG J Q, et al. Deep visual odometry with adaptive memory[J]. IEEE transactions on pattern analysis and machine intelligence, 2022, 44(2): 940-954.
84
YIN X, NOGUCHI N, ISHI K. Development of an obstacle avoidance system for a field robot using a 3D camera[J]. Engineering in agriculture, environment and food, 2013, 6(2): 41-47.
85
肖跃进, 梁春英, 李新宇, 等. 基于云平台的农业作业机械工况监测系统的研究[J]. 黑龙江八一农垦大学学报, 2017, 29(2): 102-107.
XIAO Y J, LIANG C Y, LI X Y, et al. Research on operating condition monitoring system of agricultural machine based on cloud platform[J]. Journal of Heilongjiang bayi agricultural university, 2017, 29(2): 102-107.
86
金鑫, 李倩文, 苑严伟, 等. 2BFJ-24型小麦精量播种变量施肥机设计与试验[J]. 农业机械学报, 2018, 49(5): 84-92.
JIN X, LI Q W, YUAN Y W, et al. Design and test of 2BFJ-24 type variable fertilizer and wheat precision seed sowing machine[J]. Transactions of the Chinese society for agricultural machinery, 2018, 49(5): 84-92.
87
尹文庆, 浦浩, 胡飞, 等. 基于结构光视觉的联合收获机谷粒体积流量测量方法[J]. 农业机械学报, 2020, 51(9): 101-107.
YIN W Q, PU H, HU F, et al. Measurement method of grain volume flow based on structured light[J]. Transactions of the Chinese society for agricultural machinery, 2020, 51(9): 101-107.
88
耿端阳, 谭德蕾, 苏国粱, 等. 压力式谷物产量监测系统优化与试验验证[J]. 农业工程学报, 2021, 37(9): 245-252.
GENG D Y, TAN D L, SU G L, et al. Optimization and experimental verification of grain yield monitoring system based on pressure sensors[J]. Transactions of the Chinese society of agricultural engineering, 2021, 37(9): 245-252.
89
钱震杰, 金诚谦, 刘政, 等. 无人农场中的智能控制技术应用现状与趋势(英文)[J]. 智能化农业装备学报(中英文), 2023, 4: 1-13.
QIAN Z J, JIN C Q, LIU Z, et al. Development status and trends of intelligent control technology in unmanned farms[J]. Journal of intelligent agricultural mechanization, 2023, 4: 1-13.

Funding

National Key Research and Development Program of China(2023YFD1701800)
National Natural Science Foundation of China(12304236)
Anhui Province Science and Technology Major Project(2020b06050001)
Anhui Provincial Natural Science Foundation(2308085QA19)
Science and Technology Mission Program of Anhui Province(S2022t06010123)
The Dean Foundation of Hefei Institutes of Physical Science, Chinese Academy of Sciences(YZJJ2024QN38)

RIGHTS & PERMISSIONS

copyright©2024 by the authors
Share on Mendeley
PDF(1179 KB)

2097

Accesses

0

Citation

Detail

Sections
Recommended

/