农民正在收集传感器数据，以从预防性农业转向预测性农业。

自成立以来，工业革命以自动化生产流程为中心。现在，我们已经进入了工业4.0时代，大多数工业过程都以数据为中心，通常涉及五个数据操作步骤：收集、传输、存储、分析，最后是显示。最后一步是让人类保持在循环中，但数据也可以反馈给某些驱动装置，将这个过程带入机器人领域。

在过去的两个世纪里，农业并没有受到工业化的影响，近年来，农业4.0取得了势头。正如工业生产向数据管理过渡一样，农业也在走这条路。传统上服务于工业部门的公司现在为农业部门提供了类似的以数据为中心的方法，我们甚至看到农业设备制造商向工业设备制造业扩展。尽管与传统工业制造业相比，农业通常以非结构化环境为特征，但新的以数据为中心的技术的多功能性正在帮助农业成为一个与汽车或航空航天相同的试点行业。这位农民和其他任何工程师一样成为了一名工程师。

这一切始于20世纪90年代，当时高价值乳制品行业的第一台自动化设备——主要是瑞典制造商利拉伐和荷兰莱利的挤奶机。与此同时，总部位于日本的Satake和总部位于瑞士的Bühler等公司开发了谷物（尤其是大米）光学分拣机。其中一些分类技术最终再次应用于高端农产品，如葡萄园葡萄。法国南部的Pellenc开发了这种机器人设备，将农民转变为数据科学家。

事实上，一旦新一代农民实现了自动化，他们就有机会迈出更多的一步，不仅被动地看产量，而且积极主动地提高农产品的质量和数量。过去的小规模农业操作可以依靠农民的眼睛和直觉来监控日常活动，而今天的大型农业操作不再依赖人类的感官。数据技术已成为引导农场朝着正确方向发展的核心。无论是放牧、作物生产，还是葡萄酒等高端生产，数据都是农业4.0的重点。

相机在农业中的应用

农业数据管理的最佳例子之一是使用无人机监测田地。总部位于巴黎的Parrot是该领域的关键参与者，这主要归功于其美国子公司，MicaSense公司然而，这家法国公司在1月份宣布，已同意以2300万美元的价格将MicaSense出售给美国的数据收集、分析、航空成像服务和无人机公司AgEagle Aero。MicaSense开发了一种使用不同波长计算归一化差异植被指数（NDVI）图的相机，这已成为监测作物生长和发现问题区域的公认方法。最先进的方法是将NDVI地图下载到拖拉机上，从而调整输送到田间的肥料。

美国联邦航空管理局（FAA）最近报告称，在美国注册的160万架无人机中，7%用于农业目的。这意味着美国有超过10万架现役无人机用于农业。虽然农业无人机市场仅占整个商用无人机市场的一小部分，但它已成为一个重要的创收现实。数据收集越来越成为机器人的角色。无论是自动谷仓、农业无人机还是自动拖拉机，数据不再是新的石油；这是新的作物。

IMU在农业中的应用

智能农业中使用的机器人分为两大类：空中（无人机）和陆地（如拖拉机和收割机）。在这两种情况下，机器人的功能都依赖于各种类型的传感器。一个这样的功能是用于导航和稳定的惯性系统，它必须满足高性能、可靠性和精度的要求；低偏置漂移；低偏压不稳定性；以及在温度下的稳定性能——所有这些都是以可承受的价格——来证明投资的合理性。

单击以查看全尺寸图像

（来源：Yole Dévelopment公司)

单击以查看全尺寸图像

（来源：Yole Dévelopment）

无人机可以（通过摄像头）监测作物田的健康和状况，通常用于中小型农田（<20公顷）的施肥，作为更昂贵的飞机施肥解决方案的替代方案。当相机指向地面时，无人机导航和稳定非常重要，因为需要知道相机正在捕捉什么。在10米的高度，5°的误差导致80厘米的误差。

虽然GPS对于无人机导航来说足够精确，但相机稳定需要强大的惯性测量单元（IMU）解决方案。

用于农业的陆地机器人车辆导航作物行，需要厘米级的精度以避免损坏植物。这些机器中的大多数都有一个精确的GPS系统，可以让驾驶员知道车辆的位置，并防止重复施肥或缺少施肥。然而，在机器人驾驶的情况下，GPS可能会受到限制，例如，在树下，信号可能会丢失。这就是需要IMU或姿态航向参考系统（AHRS）解决方案的地方。基于微机电系统（MEMS）的IMU装备精良，能够满足陆基应用对高性能、低尺寸、重量、功率和成本的要求（SWAP-C）。

迪米特里奥斯·达米阿诺斯他是Yole Dévelopment's Photonics&Sensing Division的技术和市场分析师。
皮埃尔·坎布他是Yole Dévelopment光电与传感部门的首席分析师。