人工智能在农业生产中的应用进展

《人工智能在农业生产中的应用进展》由会员分享，可在线阅读，更多相关《人工智能在农业生产中的应用进展（14页珍藏版）》请在装配图网上搜索。

1、人工智能在农业生产中的应用进展刘现;郑回勇;施能强;刘玉梅;林营志【摘要】Artificial intelligence is the forefront of the 21 st Century technology development.Using the computer and control sciences,significant social and economic benefits have been realized.Its application to improve the production efficiency and management automation

2、 has become an essential task for the agricultural professionals as well.In China,the progress is seen crucial for the modernization and sustainability of its agriculture,and the continual improvements on the high-yield,high-efficiency and high-quality crops.% 本文综述了人工智能技术 在农业生产中的应用现状.采用分阶段描述的方法分别详细阐

3、述目前人工智能各种 技术在农业生产的产前、产中和产后各阶段的应用情况,总结人工智能在农业生产 应用中的不足并展望其应用前景.由此可得,随着人工智能技术的不断成熟,利用人工 智能技术提高农业生产的效率和农业生产管理的自动化水平越来越普遍,人工智能 将为我国发展高产、高效、优质、可持续的现代化农业做出巨大贡献.期刊名称】 福建农业学报年(卷),期】 2013(028)006【总页数】6页(P609-614)关键词】 人工智能;农业;应用作 者】 刘现;郑回勇;施能强;刘玉梅;林营志【作者单位】福建省农业科学院数字农业研究所,福建福州 350003;福建省农业科 学院数字农业研究所,福建福州 350

4、003;福建省农业科学院数字农业研究所,福建福 州 350003;福建省农业科学院数字农业研究所,福建福州 350003;福建省农业科学 院数字农业研究所,福建福州 350003【正文语种】中文【中图分类】S126人工智能（Artificial Intelligence，简称Al ）指用计算机模拟或实现的智能，亦 称人造智能或机器智能1。作为计算机科学的一个重要分支，人工智能着眼于 探索智能的实质，模拟智能行为，最终制造出能以与人类智能相似的方式做出反应 的智能机器。AI的三个最基本、最核心的技术是“表示、运算和搜索，主要研 究内容包括搜索与求解、学习与发现、知识与推理、发明与创造、感知与交流

5、、记 忆与联想、系统与建造、应用与工程等8个方面，构成了人工智能的8个纵向分 支领域。经过多年研究，人工智能已结合到多个研究领域，比较重要的有难题求解 自动规划、调度与配置、模式识别、智能机器人、智能控制、管理与决策、数据挖 掘与知识发现、机器翻译等1。人工智能学科的研究策略则是先部分地或某种程度地实现机器的智能，并运用智能 技术解决各种实际问题，从而使现有的计算机更灵活、更好用和更有用，成为人类 的智能化信息处理工具，从而逐步扩展和不断延伸人的智能，逐步实现智能化。智 能化是自动化发展的必然趋势，是继机械化、自动化之后，人类生产和生活中的又 一个技术特征。当前人们研究人工智能主要的途径与方法

6、有心理模拟，符号推演； 生理模拟，神经计算；行为模拟，控制进化；群体模拟，仿生计算；博采广鉴，自 然计算；原理分析，数学建模1。它们各有所长，但也有一定的局限性，因此 我们要结合具体问题，选用适当的研究方法。 现代农业的发展已离不开信息技术的支持，人工智能技术可贯穿于农业生产的产前、 产中、产后直至销售阶段，以其独特的技术优势提升农业生产技术水平，实现智能 化的动态管理，减轻农业劳动强度，展示出巨大的应用潜力。将人工智能技术应用 于农业生产中，已经取得了良好的应用成效。比如农业专家系统，农民可利用它及 时查询在生产中所遇到的问题；农业机器人，它可代替农民从事繁重的农业劳动， 可在恶劣的环境中持

7、续劳动，大大提高农业生产的效率，节省劳动力；计算机视觉 识别技术能用于检验农产品的外观品质，检验效率高，可替代传统人工视觉检验法， 给消费者的健康提供保证。本文拟以若干实例具体阐述人工智能在农业生产中的应 用现状。1人工智能在农业生产产前阶段的应用1.1 土壤分析及土地景观规划土壤分析是农业产前阶段最重要的工作之一，是实现定量施肥、宜栽作物选择、经 济效益分析等工作的重要前提。在土壤分析等农业生产智能分析系统中，人工神经 网络（简称ANN）是应用最多的技术。ANN由多个神经元按某种拓扑结构连接 而构成，具备机器学习（machine learning ）能力。学习是神经网络的最重要特 征之一。神

8、经网络能够通过学习，改变其内部状态，使输入输出呈现出某种规律 性。网络学习一般是利用一组称为样本的数据，作为网络的输入（和输出），网 络按照一定的训练规则（又称学习规则）自动调节神经元之间的连接强度或拓扑 结构，当网络的实际输出满足期望的要求，或者趋于稳定时，则认为学习成功1-2o Odhiambo等3借助非侵入性的探地雷达成像技术对土壤进行探测，然后利用模糊神经网络分类器对土壤情况进行无监督聚类和分类研究，在土壤特征与宜栽作物品种间建立关联模型。Cockx等4 从深度加权EM38DD （种电 磁感应土壤传感器）的信号中提取出土壤表层质地信息，然后使用ANN来预测土 壤表层的黏土含量。Elke

9、 Richert等8 提出了一种方法可用于不同土地景观的 改造，在对土地情况进行评估时综合考虑了防洪及自然保育观。选取德国的萨克森 州东区的一片小流域进行试验，主要的土地景观改造措施是改造耕地为草地，植树 造林和森林的生态转型。在试验中采用了专家系统WBS - FLAB来评估流域的水 文情况，以确定风险领域，并从生态类型和景观结构方面对生态状况进行评估，结 果表明该方法可为景观规划师提供有价值的决策支持。1.2 灌溉用水供求分析及河川日常径流量预报 对灌溉用水供求量进行分析可帮助人们选择合适的水源对作物进行灌溉，保证作物 用水量，大大减轻干旱或者洪涝灾害对作物产量造成的不良影响。Elgaali

10、等5 研制出一个隐层的反馈前向ANN模型和一个位于科罗拉多州地区阿肯色河流域的 消费使用模型，使用它们可勘察区域气候变化对灌溉用水供应和需求可能产生的影 响。在灌溉项目的研究中，为了选择最好的折中灌溉规划策略，Raju等6基于 多目标线性规划优化，利用 Kohonen 神经网络将非支配的灌溉规划策略加以分类， 将这些策略分为若干个小类别。结果表明，在对多目标灌溉规划问题加以建模时， 综合模型方法是有效的。Kabir Rasouli等7选取加拿大不列颠哥伦比亚省内 小流域范围进行试验，根据气候指数和当地的水文气象观测数据，使用3种机器学习方法贝叶斯神经网络（BNN）、支持向量回归（SVR ）和高

11、斯处理（GP）来预报未来7d内的河川日常径流量。1.3 种子品种鉴别 采用非破坏性的方法对谷物种类做出评估具有十分重要的影响，它能帮助农民在后 续的生产中根据自己的实际情况选择合适的谷物种类。Piotr Zapotoczny 9使 用图像分析以及神经网络的方法对麦粒的品种加以鉴别。该试验调查研究了春季和 冬季不同质量等级的11个小麦品种，其分类准确率达到100%。因此，在农业生产产前阶段使用ANN技术作分析和评估能给农民做出科学指导，可帮助他们选择合适的土壤、水源、种子，这对后续的农业生产能起到很好的保障 作用。2 人工智能在农业生产产中阶段的应用2.1 作物种植及牧业管理专家系统 农业科研人

12、员把人工智能中的专家系统技术应用到农业生产中，开发出了农业专家 系统。它可代替农业专家走向地头、走进农家，在全国各地具体指导农民科学地种 植农作物，这是科技普及的一项重大突破。专家系统（Expert System，简称ES ） 是指应用于某一专门领域，拥有该领域相当数量的专家级知识，能模拟专家的思维， 能达到专家级水平，能像专家一样解决困难和复杂的实际问题的计算机 （软件） 系统1。Francisco Javier Orellana等10 科学家研制出一基于网络的橄 榄种植的综合生产系统 SAIFA （ Spanish acronym for Sistema de Alertae Inform

13、aci6n Fitosanitaria Andaluz- Andalusian Phitosanitary Information and Alert System ），它可以监测橄榄在西班牙的综合生产情况，SAIFA已成为 一种工具来协助农业技术人员达到综合生产的质量标准并帮助农户针对橄榄的生长 情况做出恰当的决策。LI Yi - shan等11 基于ASP.NET平台，成功开发出一 套甜橙施肥专家系统，该系统可以针对地理位置和气候条件对年幼的和成熟的甜橙 拟定年度施肥计划。这是一套典型的网上农业专家系统，使用该系统对甜橙进行管 理可降低生产成本，保证甜橙质量，提高经济效益。试验表明，农民使

14、用该系统可 节省N使用量41 238 g株-1, P2O5使用量3 24g株-1,K2O使用量1 36g株-1,可获得6 17kg株-1的较高产量。专家系统还可用于放牧管理。放牧管理系统对于以牧场作为他们主要食物来源的牧 民来说是很关键的。但由于个体差异性,一个牧民所适用的放牧管理系统很可能不 适用于其他的牧民，因此，需要建立具有个性化特征的专家系统。PeterL.Nuthall 12 考虑到个体差异性的放牧管理专家系统，使专家系统更具有针对 性，能更好地应用于实际的农业生产中。2.2 插秧系统 具有自主性，有自行学习、推理、决策、规划等能力的机器人叫作智能机器人。它 应具备 4 种机能：感知

15、机能获取外部环境信息以便进行自我行动监视的机能； 运动机能施加于外部环境的相当于人的手、脚的动作机能；思维机能求 解问题的认识、推理、判断机能；人机通信机能理解指示命令、输出内部 状态，与人进行信息交换的机能1。Ying - Jen Huanga等13 研发出一套 用于蝴蝶兰组培苗的视觉引导插秧系统。对蝴蝶兰苗进行手工插秧时，通常握住苗 的根或茎，因为叶是脆弱的，容易损坏。采用图像处理算法来定位插秧点，可以找 到比较合适的点。然后使用机器人抓手设备并结合计算机算法构建出自动插秧系统。 结果表明，自动插秧系统能在适当的位置握住幼苗的成功率可达到 78.2%。可见， 农业智能机器人的使用可提高农业

16、生产效率。A.D.Nakarmi等14 使用3D深 度传感器开发出了一种新型的株距遥感系统。与当前的基于色彩的2D系统相比， 该系统的优势是对颜色的变化不那么敏感。结果表明该系统可达到0.017m的整 体平均均方根误差，植株平均错误识别率达到2.2%。现场手工测量的距离与系统 估测的距离间的决定系数达到0.95%。2.3 田间杂草管理利用ANN技术对田间杂草进行识别是该技术在农业中的另一个重要应用方向。Juan Ignacio Arribas等15 采用神经网络和计算机视觉的方法开发出了一套 向日葵叶片图像自动分类系统，该系统可用于选择性除草剂的应用。该系统由4 个主要阶段组成。首先，基于RG

17、B颜色空间进行图像分割。其次，许多不同的特 征被检测出来并把这些特征从分割后的图像中提取出来。第三，最具有识别功能的 那些特征被挑选出来。最后，将GSP ( Generalized Softmax Perceptron )神经 网络结构与 PPMS ( Posterior Probability Model Selection )算法相结合，区 分图像中的叶片是否向日葵的叶片。结果表明，该系统达到高精确度水平，在测试 中只有5个选定的识别特征只获得85%的平均分类正确率，其余的都超过90%。 该方法避免了除草剂的大量使用，让人们能吃上绿色环保的食物。Henrik Skov Midtiby等16

18、 开发出了一套智能的实时微型杂草喷雾控制系统，该系统把田 间的植物图像拍摄下来，在拍摄到的图像中对作物和杂草加以区分，然后通过喷头 将除草剂(草甘膦)喷洒到杂草上。视觉系统每秒可捕获40RGB图像，每张 800x600像素的图像可覆盖140mmx105mm的占地面积，根据拍摄的图像， 喷头的前进速率可计算出来。2.4 植物采收 在农业生产中使用机器人来代替农民进行作物采收是现代化农业发展的必然要求。Wolfgang Heinemann等17研发出了具有两层结构的用于白芦笋采收的自动 机器人。在第一层上，使用2个独立的速度控制轮，电机按照人们要求的值加以 驱动，从而保证机器人按照人们所需的速度加

19、以行进。为了第二层的需要，使用了 级联控制结构，包括一个内部的定位误差控制器和一个外部的横向偏置控制器，以 驱动机器人按照期望的轨迹加以行进。控制器的设计基于PID(proportionalintegral - derivative )算法。采用轨迹分析来选择控制参数，这 样保证了系统的稳定性。利用机器人采收农作物，可帮助农民在农忙季节快速而轻 松地对农作物进行抢收，大大节约了人力和时间。在农业生产产中阶段使用农业专家系统、ANN技术、农业机器人能帮助农民更科 学地种植农作物并可对农田进行合理的管理，能指导农民科学种田，提高产量。这 些人工智能技术的使用推进了农业现代化的发展，提高了农业生产的

20、效率，令农业 生产更加机械化、自动化、规范化。3 人工智能在农业生产产后阶段的应用3.1 食品搬运天然食品往往容易变形和擦伤，使它们难以用机器来搬运。 A.Pettersson 等18 设计了一种用来搬运不同形状食品的磁机器人手爪。该手爪采用了磁流变 （MR） 流体技术，可用于搬运苹果、胡萝卜、草莓、西兰花和葡萄，并且不会在表面留下 手爪造成的淤痕和凹陷。在此基础上，A.Pettersson等19 又研制出一个力传 感机器人手爪，它可用来搬运易变和易坏的天然食品。它可在410530ms内抓 握50 700g重量的食品，能显著减少SIK215细菌的交叉感染，可用于搬运西红 柿、苹果、胡萝卜、西兰

21、花和葡萄等。3.2 农产品检验 机器视觉识别技术可用于农产品的外观检验，它比人类视觉的识别率高，在它的帮 助下，消费者对农产品的安全可更加放心。机器视觉识别技术是模式识别中的一个 重要研究内容，能够表征或刻画被识对象类属特征的信息模型称为对象的模式（pattern ）。具有某些共同特性的模式的集合称为模式类，判定一个待识模式类 属的过程称为模式识别12。对水果和蔬菜形状的均匀性进行检查并分类是很有必要的。采用人工对农产品进行 检验有许多不足之处。计算机视觉已经成为一种成熟、可靠的工具来对农产品的外 观形状进行检验。G.P.Moreda等20概述了一些在过去25年中用于农产品检 验的两维计算机视

22、觉方法。然而大部分的检验系统只能在规则的和畸形的这两类特 征的分类上获得较高的精度，只有少部分的系统能对两类以上的特征进行分类。鸡蛋壳的微小裂缝是细菌污染的来源，这对消费者的健康非常不利。Yongyu Li等 21利用机器视觉技术和计算机算法开发出了一套蛋壳微裂纹识别的机器视觉系统，所开发的系统能够达到100%的检测准确率而不受蛋壳表面污垢的影响。SKMathanker等22 使用机器学习分类器AdaBoost和支持向量机的方法对 核桃进行检测，把好的核桃和外观具有缺陷的核桃加以区分，该方法的使用提高了 检测的精确度。使用生化实验的方法来测定茶黄素（TF ）含量往往很费时，对样 品的制备、储存

23、和测量都需要细致的操作。Arunangshu Ghosh等26提出了 一种茶质量评估的新方法来预测茶叶中的茶黄素量。该方法利用了电子舌设备并在 数据分析时采用了 ANN技术。Alessandro Gori等27 基于红外光谱和ANN 的方法来快速区分奶酪的生产季节，结果表明预测的准确率可达到100%。3.3 品种分类Wang等23提出了一种新的葡萄干分类的方法。该方法将葡萄干的形态、颜 色和纹理特征组合在一起进行分类，结果表明该方法在RGB图像特征的基础上能 对葡萄干的品种加以区分而且分类的准确性得到了提高。E.Roder。等24采用 功能鉴别分析（DFA）、多层感知器（MLP）、概率神经网络

24、（PNNS ）和支持 向量机（SVMs ） 4种方法对西班牙本地的4个牛品种加以分类，并对这4种方法 做了比较。结果表明，不仅DFA整体逊色于其他3种方法，且在基因非常接近的 情况下，它无法对品种加以区分。MLP和SVM有类似的分类能力，PNN是最差 的一种。3.4染料提取及蒸馏冷点温度预测从石榴的干果皮中提取的染料已被用作纺织品的天然着色剂。Keka Sinha等25 借助微波辅助萃取（MAE ）法和ANN建模法对石榴皮中的天然染料成分加以提 取。Yvan Antonio Llave等28 研发了一套ANN模型对淀粉食品杀菌蒸馏过 程中的冷点温度加以预测，结果表明模型的性能非常好，F0预测值

25、的相对误差小 于2%。综上，在农业生产产后阶段使用ANN技术可对农产品进行合理的分类；机器视觉 技术的使用能有效地对农产品进行检验，保证食品安全，这是我们今后食品检验的 发展趋势。使用机器人手爪可有效搬运易变和易坏的天然食品，不仅能保证食品的 卫生而且能提高搬运速率。4 人工智能在农业生产应用中的不足及展望人工智能的潜力十分巨大，将其应用于我国农业中，将会提高农业生产的经济效益， 把农业带入数字和信息化时代，是现代农业的重要发展方向。但是人工智能的研究 才刚刚起步，离我们的目标还很远。随着研究的不断深入，它的许多不足逐渐暴露 出来，使得它在农业上的应用出现困难。首先，人工智能的技术还不够完善，

26、还不 能广泛地应用于农业生产中。比如虽然使用计算机进行模式识别的研究已经取得了 大量的成果，有的已经可以投入到实际生产中。但是，它的识别方法与人的感官识 别机制是完全不同的，人的形象思维能力是任何最先进的计算机都望尘莫及的，因 而还不能代替人类在实际生产中进行鉴别工作。又如，机器人的智能程度还很低， 只能机械性地代替人类做一些简单的工作，要替代人类进行实际的生产还需要很长 一段时间。其次，农业专家库的建立比较复杂。由于农业生产的周期长、知识获取 难、牵涉因素多，因此农业专家系统的研制具有一定困难。而且专家系统虽然可以 成功解决某些专门领域的问题，但经过多年的实践和应用，它呈现出知识获取难、 处

27、理复杂问题耗时较长、理论体系发展还不够成熟等缺点。再次，硬件设施还需要 进一步完善。只有有了完善的硬件设备的支持，人工智能才能更好地应用于农业生 产中，脱离了硬件设备一切将成为空谈。要解决以上问题，首先需要不断深入研究 理论知识，提高人工智能技术。其次要加大应用研究的力度，把理论知识在实际中 不断地加以实践，在实践中找问题，解决问题并不断总结经验。再次需要完善相关 的硬件设施，形成对应的产业链，才能使之很好地应用于实际生产中。 现在人工智能研究者们正在辛勤耕耘，经过他们的不懈努力，我们坚信人工智能的 未来是十分美好的。在不久的将来，人工智能技术能够更好地为人类服务，它将大 大改善人类生活，带来

28、巨大的社会经济效益。在它的引领下，农业将迈入数字和信 息化的崭新时代。借助其技术优势来提高农业生产的经济效益，是全面实现农业生 产现代化、智能化、信息化的必由之路。参考文献：1 廉师友人工智能技术导论M.西安：西安电子科技大学出版社，2007.2 边肇祺，张学工模式识别M.北京：清华大学出版社，2002.3 ODHIAMBO L O，FREELAND R S，YODER R E，et al.Investigation of a fuzzyneural network application in classification of soils using groundpenetrating r

29、adar imagery J.Applied Engineering in Agriculture， 2004，20 （1）：109117.4 COCKX L，VAN MEIRVENNE M，VITHARANA UWA，et al.Extracting topsoil information from EM38DD sensor data using a neural network approach J.Soil Science Society of America Journal ， 2009 ， 73 （6）： 20512058.5 ELGAALI E，GARCIA L A，OJIMA

30、D S.Sensitivity of irrigation water balance to climate change in the great plains of ColoradoJ.Transactions of the ASABE ， 2006 ， 49 （5）：13151322.6 RAJU K S，KUMAR D N，DUCKSTEIN L.Artificial neural networks and multicriterion analysis for sustainable irrigation planning J.Computers Operations Researc

31、h，2006，33（4）：11381153.7 RASOULI K，HSIEH W W，CANNON A J.Daily streamflow forecasting by machine learning methods with weather and climate inputsJ.Journal of Hydrology，2012，414415：284293.8 RICHERT E，BIANCHIN S，HEILMEIER H，et al.A method for linking results from an evaluation of land use scenarios from

32、 the viewpoint of flood prevention and nature conservation J.Landscape and Urban Planning，2011，103（2）：118128.9 ZAPOTOCZNY P.Discrimination of wheat grain varieties using image analysis and neural networks J.Journal of Cereal Science，2011，54 （1）：6068.10 ORELLANA F J , DEL SAGRADO J ,DELAGUILA I M.SAI

33、FA: A web - based system for Integrated Production of olive cultivation J.Computers and Electronics in Agriculture ， 2011 ， 78（2） : 231 - 237.11 LI Y S，HONG L F.Development of a Non-Pollution Orange Fruit Expert System Software Based on ASP.NET J.Agricultural Sciences in China，2011，10（5）:805-812.12

34、NUTHALL P L.The intuitive world of farmers-The case of grazing management systems and experts J.Agricultural Systems ， 2012 ， 107 : 65-73.13 HUANG Y J，LEE F F.An automatic machine vision - guided grasping system for Phalaenopsis tissue culture plantlets J.Computers and Electronics in Agriculture，201

35、0，70 （1）:42-51.14 NAKARMI A D，TANG L.Automatic inter - plant spacing sensing at early growth stages using a 3Dvision sensor J. Computers and Electronics in Agriculture，2012，82:23-31.15 ARRIBAS J I，SZALO V-FERRERO G V，RUIZ-RUIZ G，et al.Leaf classification in sunflower crops by computer vision and neu

36、ral networksJ.Computers and Electronics in Agriculture，2011，78（1）:9-18.16 MIDTIBY H S，MATHIASSEN S K，ANDERSSON K J，etal.Performance evaluation of a cropweed discriminating microsprayer J.Computers and Electronics in Agriculture ， 2011 ， 77（1） : 35 - 40.17 DONG F，HEINEMANN W，KASPER R.Development of a

37、 row guidance system for an autonomous robot for white asparagus harvesting J.Computers and Electronics in Agriculture ，2011，79（2）：216225.18 PETTERSSON A，DAVIS S，GRAY J O，et al.Design of a magnetorheological robot gripper for handling of delicate food products with varying shapes J. Journal of Food

38、Engineering，2010，98（3）： 332338.19 PETTERSSON A，OHLSSON T，DAVIS S，et al.A hygienically designed force gripper for flexible handling of variable and easily damaged natural food products J.Innovative Food Science and Emerging Technologies，2011，12（3）：344351.20 MOREDA G P，MUNOZ M A，RUIZALTISENT M，et al.S

39、hape determination of horticultural produce using twodimensional computer visionA review J.Journal of Food Engineering，2012，108（2）：245 261.21 LI Y Y，DHAKAL S，PENG Y.A machine vision system for identification of microcrack in egg shell J.Journal of Food Engineering，2012，109（1）：127134.22 MATHANKER S K

40、，WECKLER P R，BOWSER T J，et al.AdaBoost classifiers for pecan defect classification J.Computers and Electronics in Agriculture，2011，77 （1）：6068.23 WANG S J，LIU K S，YU X J，et al.Application of hybrid image features for fast and noninvasive classification of raisinJ.Journal of Food Engineering，2012，109

41、（3）：531537.24 RODERO E ,GONZaLEZ A,LUQUE M , et al.Classification of Spanish autochthonous bovine breeds.Morphometric study using classical and heuristic techniques J. Livestock Science，2012，143（23）：226 232.25 SINHA K，SAHA P D，DATTA S.Response surface optimization and artificial neural network model

42、ing of microwave assisted natural dye extraction from pomegranate rind J.Industrial Crops and Products， 2012，37 （1）：408414.26 GHOSH A，TAMULY P，BHATTACHARYYA N，et al.Estimation of theaflavin content in black tea using electronic tongueJ.Journal of Food Engineering，2012，110 （1）：7179.27 GORI A，CEVOLI C

43、，FABBRI A，et al.A rapid method to discriminate season of production and feeding regimen of butters based on infrared spectroscopy and artificial neural networks J.Journal of Food Engineering，2012，109（3）：525530.28 LLAVE Y A，HAGIWARA T，SAKIYAMA T.Artificial neural network model for prediction of cold spot temperature in retort sterilization of starchbased foodsJ.Journal of Food Engineering，2012，109（3）： 553560.29 HUANG Y，LAN Y，THOMSON S J，et al.Development of soft computing and applications in agricultural and biological engineering J.Computers and Electronics in Agriculture ，2010，71（2）：107127.