機(jī)器視覺技術(shù)在農(nóng)作物病蟲害的研究與應(yīng)用

潘志國

（青島農(nóng)業(yè)大學(xué)，山東青島,266109）

0 引言

機(jī)器視覺，又稱為計(jì)算機(jī)視覺，是指用計(jì)算機(jī)實(shí)現(xiàn)人的視覺功能，對客觀世界的三維場景的感知、識別和理解。80年代初，歐美發(fā)達(dá)國家較早的開展了機(jī)器視覺的研究，并利用該技術(shù)開展了農(nóng)產(chǎn)品的品質(zhì)檢測與分級、病蟲草害的檢測與防治、自動(dòng)化收獲、農(nóng)機(jī)的自動(dòng)導(dǎo)航等方面的研究。我國對機(jī)器視覺的研究相對國外較晚，但十年來，機(jī)器視覺在我國農(nóng)業(yè)領(lǐng)域的研究越來越廣泛，取得了較多成果，對促進(jìn)我國精細(xì)農(nóng)業(yè)和智能化農(nóng)業(yè)的發(fā)展有著重要的意義。

利用機(jī)器視覺技術(shù)檢測和識別農(nóng)作物病害、蟲害是進(jìn)行病蟲害防治的基礎(chǔ)，同時(shí)還可以根據(jù)獲取的圖像診斷作物受害的程度、病灶的位置，為變量化、自動(dòng)化施藥提供技術(shù)支持，從而達(dá)到提高藥劑的使用效率，減少環(huán)境的污染，增加產(chǎn)量，降低勞動(dòng)強(qiáng)度的目的。

1 病蟲害的檢測

由于農(nóng)作物面臨的病蟲害種類繁多，通過人工識別難度較大，且需要經(jīng)驗(yàn)或者專業(yè)知識。利用機(jī)器視覺提取病蟲害的特征進(jìn)行自動(dòng)檢測與識別，可在一定程度上提高識別的效率和準(zhǔn)確性，是診斷病蟲害的未來發(fā)展方向之一。病蟲害的檢測是病蟲害防治的基礎(chǔ)，為后面的防治方法提供決策依據(jù)。

1.1 農(nóng)作物病害的檢測

農(nóng)作物病害通常體現(xiàn)在植株顏色的變化，其主要表現(xiàn)在葉片或者果實(shí)上顏色的變化，對于外觀上的病害利用機(jī)器視覺方法比較容易發(fā)現(xiàn)。對病害的檢測主要利用顏色特征和紋理特征來識別。

Yutaka Sasaki等較早的研究了黃瓜炭疽病的圖像特征及識別方法。張靜等研究了植物病害圖像葉片紋理特征的提取方法，用來提取黃瓜斑疹病和角斑病的特征參量。

虎曉紅，李炳軍等研究了多示例圖的小麥葉部病害分割方法，可以更好的度量示例包的內(nèi)部差異和示例包之間的差異，同時(shí)兼顧了圖像的局部信息和全局信息，通過對小麥銹病和白斑病圖像的試驗(yàn)表明，所提出的方法具有較好的魯棒性，并且分割效果高于傳統(tǒng)的分割方法。

1.2 農(nóng)作物蟲害的檢測

對農(nóng)作物蟲害的檢測分為兩個(gè)方面：一是蟲害后農(nóng)作物的檢測；二是對害蟲的檢測。對蟲害后農(nóng)作物的檢測、識別較容易，而對害蟲的檢測，由于害蟲生長、運(yùn)動(dòng)、變異等因素的影響，識別起來相對較困難。

國外，Keagy等較早的采用機(jī)器視覺開展甲蟲害的研究。Panigrahi等通過研究蟲害后的玉米棒，根據(jù)蟲害后的缺失部位灰度的變化，能夠識別受蟲害的玉米穗。沈佐銳等首次提出利用機(jī)器視覺對溫室紅的白粉虱進(jìn)行自動(dòng)計(jì)數(shù)，并研究對害蟲種類的識別。

國內(nèi)，陳佳娟等通過分析棉花葉片的空洞及葉片的殘缺來檢測棉花蟲害的受害程度。應(yīng)用局部門限法和高斯拉普拉斯算子進(jìn)行棉花圖像的分割和邊緣檢測；利用邊緣跟蹤算法確定棉葉中的孔洞；利用膨脹算法確定葉片邊緣的殘缺，實(shí)驗(yàn)表明該方法可有效地測定棉花蟲害的程度，測定精度可達(dá)95%。邱道尹等設(shè)計(jì)了一套基于機(jī)器視覺的儲(chǔ)糧害蟲智能檢測系統(tǒng)，通過提取出的糧蟲面積、周長、復(fù)雜度為特征，運(yùn)用模糊決策分類器對糧倉中常見害蟲進(jìn)行了分類，該系統(tǒng)的識別正確率達(dá)到95.2%。邱道尹等還設(shè)計(jì)了大田害蟲實(shí)時(shí)監(jiān)測系統(tǒng)，試驗(yàn)驗(yàn)證了系統(tǒng)的可行性。陳月華等研究了基于機(jī)器視覺的小麥害蟲分割算法，他們以小麥蚜蟲為例，對非特定環(huán)境下害蟲分類和分割算法進(jìn)行了研究，該算法對害蟲的分割識別準(zhǔn)確率達(dá)到了90.7%。結(jié)果表明，主成分神經(jīng)網(wǎng)絡(luò)簡化了網(wǎng)落結(jié)構(gòu)，減少了訓(xùn)練時(shí)間和計(jì)算量，提高了識別的正確率，其對大腸桿菌的識別正確率達(dá)到了91.33%。

2 病蟲害的防治

對病蟲害害的檢測和識別是病蟲害防治的基礎(chǔ)，根據(jù)檢測的來結(jié)果判斷病蟲害的程度，然后利用設(shè)計(jì)好的決策系統(tǒng)來實(shí)現(xiàn)農(nóng)藥噴灑。國際上一些發(fā)達(dá)國家現(xiàn)在已經(jīng)取得一些成果，逐漸進(jìn)入應(yīng)用階段。

在國外，Giles 和 Slaughter研制了一款基于機(jī)器視覺的精確噴藥系統(tǒng)，通過與傳統(tǒng)的噴霧方式相比可以大大減少殺蟲劑的用量，對目標(biāo)作物上的霧滴沉降率提高了2.5-3.7倍，對周圍土壤沉降量和空中飄移分別減少了72-90%和62-93%。Tellaeche等開發(fā)了一套精確決策系統(tǒng)，通過貝葉斯錯(cuò)誤率決策法來判斷圖像所包含區(qū)域是否噴藥，準(zhǔn)確率達(dá)到了92%。

3 存在的不足與未來的發(fā)展方向

3.1 存在的不足

相比人工檢測，機(jī)器視覺檢測有其突出的優(yōu)越性，具有高效快捷的特點(diǎn)。但是由于農(nóng)作物病蟲害的多樣性和不規(guī)則性給病蟲害的檢測帶來了困難，對該領(lǐng)域的研究還有許多難題需要解決。結(jié)合前人的研究成果，機(jī)器視覺技術(shù)在農(nóng)作物病蟲害的檢測與防治存在以下不足：

1）在病蟲草害的檢測上，目前大多數(shù)研究的對象對靜態(tài)圖像的獲取與分析。

2）學(xué)者的研究還主要集中在某種作物單個(gè)或幾個(gè)病害、蟲害和草害的研究，利用機(jī)器視覺針對某種作物病蟲草害的綜合檢測研究較少。

3）由于農(nóng)作物病蟲草害圖像的復(fù)雜性，在實(shí)際應(yīng)用中經(jīng)典的算法不能滿足各種病蟲草害實(shí)際檢測的要求，需要對算法不斷地改進(jìn)以提高檢測和識別的效率和準(zhǔn)確性。

4）缺少關(guān)于病蟲草害檢測算法的研究數(shù)據(jù)庫，這樣不利于針對農(nóng)作物病蟲草害的綜合檢測，也不利于研究成果的共享及研究的深入，也會(huì)進(jìn)一步影響病蟲草害的防治。

5）單純利用機(jī)器視覺進(jìn)行病蟲草害的檢測與防治，存在一定的局限性。

3.2 未來發(fā)展方向

隨著科技的進(jìn)步與研究的深入，基于機(jī)器視覺的病蟲害檢測與防治將是一個(gè)復(fù)雜的系統(tǒng)工程，并配有一個(gè)復(fù)雜的智能專家檢測和決策系統(tǒng)來應(yīng)對復(fù)雜的病蟲害檢測與防治問題；該系統(tǒng)將會(huì)涉及諸多學(xué)科，需要不同專業(yè)的科研工作者努力和合作才能不斷提高和完善，任重道遠(yuǎn)。隨著物聯(lián)網(wǎng)、自動(dòng)化技術(shù)的發(fā)展，基于機(jī)器視覺的病蟲害的檢測與防治的未來發(fā)展方向體現(xiàn)在一下幾個(gè)方面：

1）建立針對不同農(nóng)作物及不同生長階段的病蟲害檢測算法的綜合數(shù)據(jù)庫系統(tǒng)，將現(xiàn)有的研究成果總結(jié)與分類，將算法進(jìn)行優(yōu)化，供使用者調(diào)用。既能避免重復(fù)研究，耗費(fèi)人力物力，也能較快的促進(jìn)科技成果的轉(zhuǎn)化。

2）建立病蟲害的智能專家檢測系統(tǒng)，該系統(tǒng)以病蟲害檢測算法數(shù)據(jù)庫為基礎(chǔ)，可實(shí)現(xiàn)對不同農(nóng)作物病害、蟲害的檢測與識別。

3）建立病蟲害的智能專家決策系統(tǒng)，該系統(tǒng)可以根據(jù)病害、蟲害的綜合檢測結(jié)果來判斷病蟲害的受害程度，通過分析來判斷是否進(jìn)行病蟲害的防治以及怎么進(jìn)行防治。

4）利用物聯(lián)網(wǎng)、自動(dòng)化等技術(shù)，研究開發(fā)終端設(shè)備或者農(nóng)業(yè)機(jī)器人來完成病蟲害的檢測與防治，此類設(shè)備可以利用物聯(lián)網(wǎng)從病蟲害檢測算法數(shù)據(jù)庫系統(tǒng)、智能專家檢測系統(tǒng)以及智能專家決策系統(tǒng)下載并更新設(shè)備中的數(shù)據(jù)，或者設(shè)備將獲取的圖像利用網(wǎng)絡(luò)服務(wù)器進(jìn)行遠(yuǎn)程的病蟲害檢測。

[1]虎曉紅，李炳軍，等.基于多示例圖的小麥葉部病害分割方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2012，28(13)：154-159

[2]Keagy P M,Schatzki T E.Machine recognition of weevil damage in wheat radiographs[J].Cereal Chemistry，1993，70(6): 696-700

[3]Panigrahi S,Misra M K,Bern C,et al.Background segmentation and dimensional measurement of corn germplasm[J].Transactions of the ASAE，1995，38(1): 291-297

[4]邱道尹，張紅濤，等.基于機(jī)器視覺的大田害蟲監(jiān)測系統(tǒng)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2007，38(1):120-122

[5]陳月華，胡曉光，等.基于機(jī)器視覺的小麥害蟲分割算法研究[J].農(nóng)業(yè)工程學(xué)報(bào)，2007，23(12):187-191