基于智能体的智慧农业多源感知与闭环控制系统

admin

随着数字化和智能化技术在农业领域的深入应用，智慧农业已成为当今全球现代农业的重要发展方向。当前，大多数智慧农业系统利用环境传感器、摄像头及各类智能化设备收集农业相关数据，通过云平台及相应算法进行农业生产情况监控与作业调度，在一定程度上提升了农业生产管理水平。然而，这些系统在面对复杂农田环境中多源异构信息时，往往难以进行充分的理解与融合，也缺乏合理的自主决策能力和设备联动控制机制。

近年来，大模型在农业领域展示出广泛而强大的应用潜力，涉及农业的多个子领域，大模型与农业深度融合是未来的发展趋势。同时，结合智能体（Agent）能够让农业系统完成一些较为复杂的任务。本文针对智慧农业中多源信息融合不足以及智能决策能力有限等问题，而设计了一种由多源感知与智能体结合的应用系统，并对该系统进行了农业生产闭环管理测试。

1 系统总体架构设计1.1 系统总体架构

根据物联网体系结构构建原则及农业产业的具体需求，本文将整个系统层次结构由下至上划分为感知控制层、网络通信层、平台层以及应用层共四层，如图1所示。

感知控制层主要由感知设备和执行器构成，其中感知设备包括气象类传感器、土壤墒情传感器以及图像采集设备等，用于获取多种感知信息。

在网络通信层中，传感器和执行器通过485接口连接至数传网关并采用Modbus协议进行数据通信。数传网关负责数据汇聚、协议转换以及通过4G网络与物联网云平台进行数据交互等任务，进而实现数据采集和设备远程控制等功能。

平台层依托第三方物联网云平台实现设备管理、数据存储及HTTP接口服务等功能。本文重点研究基于智能体驱动的农业闭环控制系统设计，不对第三方物联网云平台的具体实现进行讨论。

应用层的核心模块是智能体模块，通过智能体可利用大模型进行智能决策。基于上述结构，本系统能够完成农业现场多种类型的信息采集、智能决策以及设备联动控制，从而为智能体决策以及闭环控制流程奠定基础。

1.2 系统运行流程

本系统可以接收多种来源的输入信息，比如用户输入的信息、定时采集任务返回的环境传感数据或视觉检测的结果等。这些多源数据被转换为统一的结构化文本表述，输入智能体决策模块。智能体基于大语言模型的分析能力和ReAct推理机制完成任务执行，系统运行流程如图2所示。

智能体可以通过工具接入的方式调用物联网云平台提供的HTTP API来获取环境中的信息或发送控制命令到相应的物理设备上。真实设备执行结果反馈至智能体并更新当前环境状态，为下一轮决策做准备，最终形成感知、推理、执行和反馈相结合的闭环控制流程。

2 智能体架构与运行机制2.1 智能体总体架构

为了实现农业场景中多种类型信息的融合以及自主决策，本文设计了基于大语言模型的智能体。智能体包括上下文管理模块、推理与决策核心模块、工具调用模块以及记忆管理模块等几个部分，各个模块相互协作进而实现农业生产环境分析、制定策略和相关自动化控制等功能。

上下文管理模块用于管理和存储智能体在运行过程中接收到的所有信息，包括当前的任务信息、系统提示词、之前的对话内容以及工具调用后的返回值等，以便于大语言模型了解整个任务的情况。

基于上下文的输入，推理与决策核心模块能够确定任务的目标并给出相应的结论或者解决方案。

工具调用模块是连接智能体和外界的功能接口，在有获取环境的状态、查询农业方面的知识或者是操作相关设备等需求时，智能体会利用这个工具使用的机制获取信息或操作真实设备。

记忆管理模块用于存储重要历史信息，使智能体能够结合历史经验做出更优决策。

2.2 ReAct推理与工具调用机制2.2.1 ReAct推理过程

ReAct机制将大语言模型的推理过程和行动过程相结合，让智能体能够根据任务需求调用外部工具，并结合工具反馈持续完成后续推理与决策。本系统的智能体其推理基本过程可表示为：

(O_i, M_i, T) → R_i → C_i → A_i → Re_i → O_i' → R_i' → Out

其中：O_i为当前观测信息（用户输入、传感器数据、视觉语义等）；M_i为历史记忆和上下文信息；T为工具描述信息；R_i为大语言模型根据当前信息产生的推理结果；C_i为工具调用请求（tool_call），包含目标工具名称和调用参数；A_i为智能体采取的行动（直接生成回答或调用外部工具）；Re_i为工具执行返回的结果；O_i'为工具执行后的反馈观测；R_i'为基于反馈的下一轮推理；Out为智能体的最终响应或控制结果。

2.2.2 工具调用机制

大语言模型可借助工具完成特定任务，从而扩展其在复杂任务中的感知与执行能力。本文将传感器数据获取、设备控制等功能封装为外部工具，由大语言模型根据当前任务自主完成工具选择与调用。与传统的程序直接调用固定函数不同，本文将工具接口定义、功能描述等信息作为模型输入的一部分，与用户任务及其他上下文信息一同传递给大语言模型，使其了解可用工具及其约束条件，并自主决定是否调用特定工具。

工具接口采用JSON Schema进行描述，通过结构化方式定义工具名称、功能说明及输入参数约束。其中，name表示工具名称，description表示工具功能与适用场景，parameters定义输入参数的类型、属性及约束。表1列举了本系统智能体中的代表性工具接口定义。

当大语言模型根据当前任务状态决定需要获取一些外部信息或者执行某些设备时，会产生一个工具调用请求（tool_call），这个请求包括目标工具名称以及对应的参数，智能体接收到这个请求以后解析出其中的工具调用的内容，然后根据工具名称找到相应的功能接口实现具体的操作。工具执行完毕后，系统将结果封装为工具反馈消息（tool_result），加入当前消息上下文，供大语言模型进行下一轮推理。

2.2.3 ReAct闭环运行流程

基于上述推理机制与工具调用机制，本文进一步构建了智能体的整体运行流程，如图3所示。用户的输入、定时任务采集的环境传感器数据或视觉检测结果都会被构造成统一的文本结构作为大语言模型的上下文输入。其中，用户可以通过文字或语音与智能体交互。大语言模型通过对当前的任务分析判断是否需要调用工具，通过工具调用机制完成信息获取或设备操作，并将执行结果反馈至当前上下文，驱动后续推理过程。

通过“推理—行动—反馈”的迭代循环，智能体随工具执行结果的反馈不断调整推理结论，直至任务目标达成或获得足够信息以生成最终回复。智能体推理与工具调用的完整流程如图3所示。

2.3 记忆与知识增强机制

农业生产具有连续性和长期性特征，大语言模型在决策时不仅要考虑当前任务相关的信息，还需要结合之前的历史经验和已经执行过的工具记录。为提高智能体的持续决策能力，本文把智能体记忆分成短期记忆和长期记忆两种类型。

短期记忆用于存储当前任务执行过程中产生的临时性内容，如用户意图、模型回答及工具运行结果等。随着任务推进，短期记忆持续更新，维护当前任务过程中的连续交互消息，确保上下文的连贯性。

长期记忆用于存储具有长期价值的历史经验或知识。当系统需要保留重要信息时，对其进行总结提炼，并以向量形式存储至知识库中，长期记忆写入流程如图4所示。在执行新任务时，智能体根据当前任务需求决定是否要调用以前的经验，在长期记忆库中查找相关的内容。将查找到的结果进行处理后再与当前的任务一起传入到大语言模型中，作为其进行下一步推断的基础依据。本文采用FAISS向量数据库管理长期记忆，实现高效的历史信息检索。

3 视觉感知与智能体融合3.1 YOLO视觉检测模块

视觉信息是智慧农业智能体获取农作物生长状况的重要来源。为监控作物生长情况及病虫害，本文搭建了两个基于YOLO的视觉检测模块：水稻生长状态检测模块和虫害识别模块。

水稻生长周期检测模块利用固定监控摄像头拍摄农田图像，通过YOLO模型识别不同生长期的水稻，为智能体提供作物生长状态及农事管理视觉参考。

虫害目标检测模块面向农田巡检场景，通过无人机搭载的摄像头拍摄巡检视频，经YOLO模型识别虫害，为后续风险评估与防控措施制定提供依据。

两个视觉模块虽针对不同任务进行训练，但数据处理流程一致：获取视频源，经YOLO模型推理生成检测结果。视觉检测模块输出带有目标框、类别及置信度的检测截图，同时生成包含目标数量、类别名称、置信度及边界框坐标的文本信息。截图与文本一并发送至智能体模块，水稻生长状态检测流程如图5所示。

3.2 视觉结果接入智能体与任务分析

为使视觉信息与智能体输入格式一致，本文对目标检测结果进行语义化处理，即将类别、数量、位置等视觉信息转化为具有农业含义的状态描述。例如，水稻生长周期检测结果可表示为“农作物当前处于抽穗期”；虫害检测结果可表示为“检测到稻飞虱，置信度0.92，建议采取防控措施”。通过语义转换，视觉检测结果被转化为大语言模型能够理解且带有任务导向的语义信息。

4 系统运行结果与分析4.1 实验平台与运行环境

本系统智能体运行于本地计算机（Intel Core i7-13620H处理器、16GB内存、NVIDIA GeForce RTX 4060 Laptop GPU，8GB显存）。ReAct推理流程通过OpenAI API接口与大语言模型交互，采用DeepSeek大语言模型作为推理引擎。视觉检测模块部署于独立计算机，采用YOLOv11模型进行农业图像分析。

4.2 农业场景实验平台构建

为测试系统的闭环控制流程，本文搭建了智慧农业沙盘平台，如图6所示。固定摄像头采用大华网络摄像头，无人机图传模块采用搭载OV3660板载摄像头的ESP32-S3模块。执行端采用蠕动泵控制装置和杀虫灯装置模拟真实农业设备。水稻采用1∶1仿真水稻，虫害采用真实昆虫标本。虽然实验设备为模拟装置，但其接口、通信方式及智能体调用方式均依照真实农业设备设定，能够完整测试从环境感知、智能决策到设备执行反馈的全流程。

4.3 智能体决策与控制流程验证

为验证智能体系统在农业环境中能否做出合理决策，本文在实验平台上对知识问答、视觉驱动决策及设备控制等功能进行了测试。如图7所示，视觉检测模块输出作物生长状态信息并经语义转换后传送至智能体，智能体根据当前环境状态解析任务并给出相应农事建议。结果表明，视觉信息可有效参与智能决策，在系统检测到作物达到特定成熟阶段时，智能体能够给出针对性的收割建议等。

如图8所示，系统利用视觉模块进行虫害检测，通过知识查询与工具调用获取防治方案，完成了从目标识别、状态判定到方案执行的全流程。由上述实验结果可以看出，该系统能够完成智能推理分析、自主决策以及设备控制等功能，验证了基于智能体的闭环控制系统在农业应用中的可行性。

5 结语

本文以智慧农业中多源感知信息与智能决策相结合的问题为背景，提出一种基于智能体的农业闭环控制系统设计方案以及其实现方案。研究重点不在于改进某一特定算法，而在于探索大语言模型智能体与物联网设备、视觉检测模块及农业自动化设备之间的协同控制方式。实验结果表明，该系统可以完成农业环境感知、情况判断、设备操作以及反馈更新的一系列工作，说明智能体技术应用于现代农业中具有一定的现实意义。

当前系统仍存在若干不足，如大语言模型推理导致的响应延迟较长、长期记忆容量有限及农业专业知识库尚不完善等。后续研究将围绕轻量化模型部署、多模态信息融合及专业农业领域知识注入等方向展开，以进一步提升系统的实时性、稳定性与鲁棒性。

参考文献：

[1]刘南辉,蔡金宇.基于智能体的智慧农业多源感知与闭环控制系统[J].

声明：本文所用图片、文字均为转载，如有涉及作品版权问题，请第一时间告知，我们将根据您提供的证明材料确认并立即删除内容。本文内容系作者个人观点，不代表物联网123观点或立场。

特别提醒：物联网专业交流群欢迎物联网行业相关的人群加入，同时群内欢迎各路社牛、大咖、前辈加入，群内除了不能发敏感内容、色情内容，以及不太建议多次发送推广内容，其他内容皆可畅聊~——交流QQ群724511126，进群的朋友请备注：姓名-单位-研究方向（无备注请恕不通过），由编辑审核后邀请入群！