機(jī)器視覺在棉花智能打頂領(lǐng)域的應(yīng)用研究進(jìn)展*

劉海濤，伊麗麗，蘭玉彬, 2，韓鑫，崔立華

(1. 山東理工大學(xué)農(nóng)業(yè)工程與食品科學(xué)學(xué)院，山東淄博，255000； 2. 山東省農(nóng)業(yè)航空智能裝備工程技術(shù)研究中心，山東淄博，255000； 3. 山東綠風(fēng)農(nóng)業(yè)集團(tuán)有限公司，山東濱州，256600)

0 引言

棉花是我國(guó)重要的經(jīng)濟(jì)作物，其種植生產(chǎn)在國(guó)民經(jīng)濟(jì)發(fā)展和個(gè)人生活中具有不可替代的作用。但是，近10年來(lái)我國(guó)棉花種植面積不斷減少，其中棉花生產(chǎn)主要依靠人工，機(jī)械化水平低是原因之一。因此提升我國(guó)棉花機(jī)械化生產(chǎn)水平刻不容緩，而打頂作業(yè)正是需要機(jī)械替人的關(guān)鍵環(huán)節(jié)[1-3]。

棉花打頂能夠抑制頂芽生長(zhǎng)，打破棉花頂端優(yōu)勢(shì)，改變養(yǎng)分的輸送方向，促進(jìn)棉株結(jié)鈴結(jié)桃，提高棉花的產(chǎn)量和品質(zhì)。但目前的機(jī)械化打頂仍存在準(zhǔn)確率低、漏刀、過(guò)切等現(xiàn)象，嚴(yán)重影響棉花產(chǎn)量[4]。因此提高棉株在復(fù)雜田間背景下的識(shí)別定位精度，進(jìn)而提升打頂質(zhì)量就顯得很有必要。近年來(lái)隨著機(jī)器視覺技術(shù)在農(nóng)業(yè)領(lǐng)域的快速發(fā)展，利用機(jī)器視覺技術(shù)的非破壞性、精度高、智能化程度高、信息量大、靈活等特點(diǎn)解決棉株識(shí)別定位精度低的問(wèn)題變得越來(lái)越可行。本文對(duì)國(guó)內(nèi)外文獻(xiàn)進(jìn)行了總結(jié)，歸納了機(jī)器視覺在棉花打頂領(lǐng)域相關(guān)的應(yīng)用研究，對(duì)現(xiàn)有技術(shù)方法存在的問(wèn)題和不足進(jìn)行了分析，并提出了一些具有實(shí)際價(jià)值的建議，為后續(xù)的研究工作提出了看法。

1 機(jī)器視覺技術(shù)

機(jī)器視覺技術(shù)是指利用計(jì)算機(jī)模擬人的視覺功能，提取圖像信息并加以理解分析，廣泛應(yīng)用于工業(yè)、農(nóng)業(yè)、醫(yī)學(xué)等領(lǐng)域。機(jī)器視覺系統(tǒng)由照明光源、鏡頭、攝像機(jī)、圖像采集卡、計(jì)算機(jī)、執(zhí)行機(jī)構(gòu)等組成，如圖1所示。利用CCD攝像機(jī)以圖像形式采集作物生長(zhǎng)狀態(tài)，通過(guò)一系列圖像處理操作對(duì)其進(jìn)行分析，進(jìn)而控制驅(qū)動(dòng)執(zhí)行機(jī)構(gòu)完成相關(guān)操作[5-7]。

圖1 機(jī)器視覺系統(tǒng)簡(jiǎn)圖

由于不同植物或是同種植物不同部位之間在顏色、形態(tài)、紋理等方面存在著較大的差異，要實(shí)現(xiàn)對(duì)其特征的正確識(shí)別分類，需要利用圖像分割、特征檢測(cè)、邊緣檢測(cè)、圖像變換等技術(shù)對(duì)采集的視覺信息進(jìn)行針對(duì)性處理[8]，因此機(jī)器視覺技術(shù)與圖像處理、模式識(shí)別、人工智能等領(lǐng)域密切相關(guān)。

2 棉株的識(shí)別定位技術(shù)

2.1 國(guó)外研究概述

由于國(guó)外主要使用化學(xué)打頂方式，對(duì)棉花頂葉進(jìn)行藥劑控制，因此在棉株識(shí)別定位方面的研究?jī)?nèi)容很少。但使用機(jī)器視覺技術(shù)在雜草和其他植物識(shí)別方面的研究起步早，成果顯著。

1995年Chaisattapagon[9]使用了基于顏色、形狀、紋理三種不同特征的分析方法，利用機(jī)器視覺系統(tǒng)在溫室環(huán)境下對(duì)小麥田中的闊葉雜草進(jìn)行了識(shí)別研究。1998年Burks等[10]利用顏色共生矩陣方法進(jìn)行統(tǒng)計(jì)紋理分析，研究表明僅使用色調(diào)和飽和度統(tǒng)計(jì)就可以將5種雜草從土壤背景中識(shí)別分類, 其準(zhǔn)確率高達(dá)93%。2002年Astrand等[11]為了解決甜菜種植過(guò)程中的雜草問(wèn)題，使用兩套視覺系統(tǒng)進(jìn)行機(jī)械化除草，并且針對(duì)當(dāng)時(shí)技術(shù)對(duì)甜菜地塊種植行識(shí)別以及雜草識(shí)別方面存在的問(wèn)題，提出了一種新的行識(shí)別算法和一種新的植物識(shí)別算法，結(jié)果表明利用視覺系統(tǒng)對(duì)甜菜和雜草的單株識(shí)別是可行的。

隨著人工神經(jīng)網(wǎng)絡(luò)等模式識(shí)別方法的不斷發(fā)展，其研究也越來(lái)越多的應(yīng)用到了雜草等植物識(shí)別中。2002年Cho等[12]研制了一種利用(Charge Coupled Device)CCD相機(jī)對(duì)蘿卜和雜草進(jìn)行識(shí)別的機(jī)器視覺系統(tǒng)，通過(guò)分析彩色圖像的二值圖像形態(tài)特征，使用判別分析方法和人工神經(jīng)網(wǎng)絡(luò)分別對(duì)其進(jìn)行識(shí)別，研究發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)能更有效的區(qū)分兩者。2016年Mads等[13]利用卷積神經(jīng)網(wǎng)絡(luò)來(lái)分類識(shí)別22種早期生長(zhǎng)階段的雜草和作物，并搜集了不同環(huán)境條件下總計(jì) 10 413 張彩色圖片，經(jīng)過(guò)訓(xùn)練測(cè)試，最終該網(wǎng)絡(luò)分類的平均準(zhǔn)確率達(dá)到了86.2%。2018年Dias等[14]針對(duì)蘋果花識(shí)別困難問(wèn)題，提出了一種基于深度學(xué)習(xí)的花卉識(shí)別算法，該算法對(duì)比現(xiàn)有的三種檢測(cè)方法召回率和準(zhǔn)確率均超過(guò)90%，優(yōu)勢(shì)明顯且泛化性能好。

總體上，早期的科研人員利用植物的顏色、紋理、形狀等傳統(tǒng)的圖像特征進(jìn)行分析識(shí)別，雖然識(shí)別效果好，但圖像處理過(guò)程繁瑣，大部分試驗(yàn)在室內(nèi)或溫室等環(huán)境良好的條件下進(jìn)行，并未考慮真實(shí)田間環(huán)境以及雜草識(shí)別的實(shí)時(shí)性。后期則趨向于利用神經(jīng)網(wǎng)絡(luò)來(lái)提取特征信息進(jìn)行識(shí)別，由此積累了大量的試驗(yàn)數(shù)據(jù)和經(jīng)驗(yàn)，為國(guó)內(nèi)科研人員在棉株識(shí)別定位方面的研究提供了一定思路。

2.2 國(guó)內(nèi)研究概述

與國(guó)外相比，國(guó)內(nèi)科研人員對(duì)于棉株識(shí)別定位的研究?jī)?nèi)容豐富、方法多樣，并取得了一定成果。2006年石河子大學(xué)的胡斌等研制了3MD-12型棉花打頂機(jī)，該型打頂機(jī)基本滿足棉花打頂作業(yè)的農(nóng)藝要求，而且也填補(bǔ)了國(guó)內(nèi)機(jī)械化打頂?shù)目瞻?，開創(chuàng)了國(guó)內(nèi)高校對(duì)棉花打頂機(jī)的設(shè)計(jì)研究。雖然機(jī)械打頂節(jié)省了人力，但漏打、過(guò)打問(wèn)題突出，刀軸高度不能根據(jù)棉株的個(gè)體差異實(shí)時(shí)做出調(diào)整，從而造成打頂精度低，損傷棉桃[15]。因此對(duì)單株棉花的精準(zhǔn)識(shí)別定位研究變得越來(lái)越迫切。

國(guó)內(nèi)對(duì)棉株的識(shí)別定位技術(shù)研究可以總結(jié)為5類：機(jī)器視覺技術(shù)、超聲波測(cè)距技術(shù)、激光三角測(cè)距技術(shù)、紅外線技術(shù)以及仿形板技術(shù)，它們?cè)诿拗曜R(shí)別定位方面的優(yōu)缺點(diǎn)如表1所示。李霞等[16]針對(duì) 3MD-12 型打頂機(jī)對(duì)棉株高度識(shí)別精準(zhǔn)不足問(wèn)題，采用標(biāo)定的UC4000-30GM型超聲波傳感器對(duì)棉株高度進(jìn)行測(cè)量研究。試驗(yàn)結(jié)果表明采用超聲波測(cè)距時(shí)，回波聲強(qiáng)與被測(cè)物體距離遠(yuǎn)近有關(guān)，并且要充分考慮傳播介質(zhì)的特性對(duì)聲速帶來(lái)的負(fù)面影響，利用溫度補(bǔ)償?shù)姆椒ㄐ拚曀伲瑴p少棉株測(cè)量過(guò)程中產(chǎn)生的誤差。周海燕等[17]對(duì)比了激光、超聲波兩種定位方法在棉株高度測(cè)量時(shí)的應(yīng)用表現(xiàn)，結(jié)果表明相較于超聲波傳感器，激光傳感器在測(cè)量棉株高度方面誤差小，更有優(yōu)勢(shì)。閆毅敏等[18]利用STC90C51單片機(jī)控制紅外測(cè)距傳感器和超聲波傳感器分別在室內(nèi)外環(huán)境下對(duì)棉株頂尖高度進(jìn)行測(cè)量。結(jié)果表明紅外測(cè)距傳感器在室外有太陽(yáng)光直射條件的測(cè)量精度高于室內(nèi)無(wú)太陽(yáng)光直射的環(huán)境，并且超聲波測(cè)距傳感器在聲速為340 m/s(15 ℃)條件下測(cè)量精度優(yōu)于經(jīng)過(guò)溫度補(bǔ)償后的聲速測(cè)量精度。姚強(qiáng)強(qiáng)等[19]設(shè)計(jì)了接觸式單體仿形裝置，并對(duì)裝置中仿形板的質(zhì)量，仿形板到水平切割器的距離以及切割器的最大行程這三個(gè)影響棉花仿形效果的主要參數(shù)進(jìn)行了優(yōu)化調(diào)整，經(jīng)過(guò)田間試驗(yàn)，打頂率達(dá)到了88.64%。

表1 棉株識(shí)別定位技術(shù)比較Tab. 1 Comparison of cotton identification and positioning technology

3 基于雙目立體視覺的棉株識(shí)別定位技術(shù)

雙目立體視覺技術(shù)是計(jì)算機(jī)視覺領(lǐng)域的重要分支，通過(guò)直接模擬人類視覺系統(tǒng)感知外界信息，它主要通過(guò)攝像機(jī)標(biāo)定、特征提取、圖像匹配、三維重建等步驟實(shí)現(xiàn)，一般由不同位置的兩臺(tái)或一臺(tái)運(yùn)動(dòng)攝像機(jī)所拍攝的場(chǎng)景進(jìn)行空間坐標(biāo)定位[20-21]。當(dāng)前以機(jī)械方式對(duì)棉花進(jìn)行打頂作業(yè)時(shí)，在三維空間中對(duì)棉株的識(shí)別以及位置信息獲取就顯得尤為重要。

瞿端陽(yáng)等[22]采用一對(duì)現(xiàn)代V2019攝像頭構(gòu)建了雙目立體視覺系統(tǒng)，通過(guò)對(duì)攝像頭的標(biāo)定獲得了相機(jī)內(nèi)外部參數(shù)信息。實(shí)驗(yàn)過(guò)程中將拍攝的圖像進(jìn)行分割，去除不相干背景信息，獲得棉株圖像。并利用棉株頂點(diǎn)進(jìn)行特征點(diǎn)立體匹配，經(jīng)過(guò)最小二乘計(jì)算方法和誤差校正最終算得棉株的深度信息且棉株定位誤差在0.43～30.57 mm之間，結(jié)果表明機(jī)器視覺技術(shù)能夠用于棉株識(shí)別定位。韓大龍[23]建立了動(dòng)態(tài)立體視覺系統(tǒng)(圖2)和靜態(tài)視覺系統(tǒng)分別用于棉株定位以及棉株頂尖檢測(cè)識(shí)別，并設(shè)計(jì)了基于Adaboost算法的多層級(jí)聯(lián)棉株頂尖檢測(cè)系統(tǒng)，對(duì)頂葉的檢測(cè)率達(dá)到了83.41%，檢測(cè)速度達(dá)到了3幀/s。馮康[24]搭建了成熟的棉花視覺系統(tǒng)(圖3)，并利用棉花形心進(jìn)行特征匹配以獲得其在三維空間中的深度信息，為避免誤匹配，同時(shí)再利用極線約束、唯一性約束、次序約束的匹配算法減少誤差，提高匹配效率，從而最終實(shí)現(xiàn)空間定位，實(shí)驗(yàn)結(jié)果表明：該方法定位準(zhǔn)確率達(dá)到了88%以上。樊海鳳[25]詳細(xì)總結(jié)了現(xiàn)有立體匹配方法的優(yōu)點(diǎn)，提出了基于棉花分割信息的區(qū)域匹配方法，并根據(jù)工況特殊性，對(duì)算法進(jìn)行了改進(jìn)。在室內(nèi)通過(guò)構(gòu)建平行雙目立體視覺系統(tǒng)進(jìn)行試驗(yàn)，結(jié)果表明該方法是一種誤匹配率低、計(jì)算量小、實(shí)時(shí)性好的匹配方法。

圖2 立體視覺執(zhí)行機(jī)構(gòu)

圖3 機(jī)器視覺執(zhí)行機(jī)構(gòu)

4 基于神經(jīng)網(wǎng)絡(luò)的棉株株頂識(shí)別技術(shù)

4.1 基于BP神經(jīng)網(wǎng)絡(luò)的棉株株頂識(shí)別

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)于1986年由Rumelhart[26]及其研究小組發(fā)表在Nature雜志的論文《Learning representations by back-propagating errors》上提出，BP神經(jīng)網(wǎng)絡(luò)是目前最廣泛應(yīng)用的神經(jīng)網(wǎng)絡(luò)模型之一。BP算法的學(xué)習(xí)過(guò)程包含兩部分，分別為正向傳播與反向傳播。它計(jì)算正向傳播的輸出層結(jié)果與期望結(jié)果之間的誤差，通過(guò)反向傳播不斷更新網(wǎng)絡(luò)中的權(quán)值與偏差，使其誤差平方和最小[27]。

劉俊奇[28]基于棉株頂尖的形態(tài)特征，利用BP神經(jīng)網(wǎng)絡(luò)對(duì)參數(shù)進(jìn)行了設(shè)計(jì)，開發(fā)了適合棉花打頂機(jī)高度自動(dòng)識(shí)別的棉花頂尖圖像識(shí)別系統(tǒng)，通過(guò)Visual C++開發(fā)工具實(shí)現(xiàn)了對(duì)圖像預(yù)處理以及棉花頂尖圖像識(shí)別的算法研究。經(jīng)過(guò)測(cè)試和實(shí)驗(yàn)，結(jié)果表明利用神經(jīng)網(wǎng)絡(luò)技術(shù)來(lái)實(shí)現(xiàn)棉花頂尖識(shí)別是可行。這是國(guó)內(nèi)首次利用神經(jīng)網(wǎng)絡(luò)對(duì)棉花頂葉圖像進(jìn)行識(shí)別的研究，為以后的探究奠定了基礎(chǔ)。

瞿端陽(yáng)等研究了基于顏色特征的棉株頂葉識(shí)別方法，采用MATLABR2011a軟件對(duì)采集的棉株頂葉圖像進(jìn)行分割處理，如圖4所示，通過(guò)提取頂葉圖像RGB3個(gè)通道分量的均值(Mean)、方差(Variance)、標(biāo)準(zhǔn)差(Standard Deviation)共9個(gè)特征作為棉株頂葉與其他葉片區(qū)別的特征，然后利用BP神經(jīng)網(wǎng)絡(luò)對(duì)棉株進(jìn)行識(shí)別。結(jié)果表明利用棉株頂葉的顏色特征，使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別定位，可以很好的區(qū)分出棉株頂葉和其他葉片，準(zhǔn)確率達(dá)到了85.7%。

(a) 原始圖像

4.2 基于卷積神經(jīng)網(wǎng)絡(luò)的棉株株頂識(shí)別

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)，是一種最常見的深度學(xué)習(xí)架構(gòu)，受生物自然視覺認(rèn)知機(jī)構(gòu)啟發(fā)而來(lái)。它主要包括卷積層(Convolutional Layer)和池化層(Pooling Layer)，由于具有局部連接性和權(quán)值共享等特點(diǎn)，使其在大規(guī)模圖像特征提取方面相較于傳統(tǒng)手工設(shè)計(jì)的圖像特征提取算法優(yōu)勢(shì)明顯[29-30]。兩種特征提取方式優(yōu)缺點(diǎn)總結(jié)，如表2所示。1998年Lecun等[31]提出LeNet-5模型，這是世界上第一個(gè)正式的卷積神經(jīng)網(wǎng)絡(luò)模型，確立了CNN的現(xiàn)代結(jié)構(gòu)。2012年Alex Krizhevshy提出了經(jīng)典AlexNet模型，該網(wǎng)絡(luò)模型在當(dāng)年的ImageNet比賽中一舉奪魁，開啟了深度學(xué)習(xí)時(shí)代。VGG模型由牛津大學(xué)在2014年提出，該模型結(jié)構(gòu)簡(jiǎn)潔，規(guī)律明顯，它在AlxeNet的基礎(chǔ)上，通過(guò)加深網(wǎng)絡(luò)，進(jìn)一步提高性能。VGG模型探索了卷積神經(jīng)網(wǎng)絡(luò)的深度與性能之間的關(guān)系，成功構(gòu)筑了VGG16和VGG19等經(jīng)典神經(jīng)網(wǎng)絡(luò)。證明了更深的網(wǎng)絡(luò)，有助于提高分類準(zhǔn)確度[32-33]。而后的GoogleNet、ResNet等深度從數(shù)十層到數(shù)百層的網(wǎng)絡(luò)提出，進(jìn)一步提升了對(duì)圖像的識(shí)別精度。從而為未來(lái)在棉株株頂識(shí)別領(lǐng)域進(jìn)一步的研究提供了算法基礎(chǔ)和探索方向。

表2 圖像不同特征提取方法優(yōu)缺點(diǎn)總結(jié)Tab. 2 Summary of advantages and disadvantages of different image feature extraction methods

沈曉晨[34]采用了目標(biāo)檢測(cè)網(wǎng)絡(luò)中YOLO模型的柵格思想，將棉株株頂圖像劃分為5×5個(gè)網(wǎng)格,如圖5所示。并選擇VGG16網(wǎng)絡(luò)模型，把網(wǎng)格作為輸入圖像進(jìn)行訓(xùn)練。通過(guò)1 000次迭代訓(xùn)練，模型在訓(xùn)練集中對(duì)棉株株頂識(shí)別率為91.2%，在測(cè)試集中識(shí)別率為83.4%。但由于受到CPU、GPU等硬件條件的限制，很難實(shí)現(xiàn)實(shí)時(shí)在線的定位識(shí)別。該測(cè)試結(jié)果表明，未來(lái)隨著硬件性能的提升能夠?qū)崿F(xiàn)在田間對(duì)棉株株頂?shù)膶?shí)時(shí)定位識(shí)別，深度學(xué)習(xí)思想能夠成為未來(lái)的探索方向。

圖5 柵格化輸入圖像

李尚平等[35]采用改進(jìn)的YOLOv3網(wǎng)絡(luò)(圖6)，建立了對(duì)甘蔗莖節(jié)智能識(shí)別卷積神經(jīng)網(wǎng)絡(luò)模型，通過(guò)切種裝置內(nèi)部的攝像頭對(duì)甘蔗表面進(jìn)行連續(xù)、動(dòng)態(tài)的數(shù)據(jù)采集，對(duì)輸入識(shí)別系統(tǒng)的圖像特征進(jìn)行實(shí)時(shí)定位與識(shí)別，標(biāo)記出莖節(jié)位置，再經(jīng)過(guò)數(shù)據(jù)處理將實(shí)時(shí)的莖節(jié)信息傳遞給多刀數(shù)控切割臺(tái)進(jìn)行實(shí)時(shí)切割。試驗(yàn)結(jié)果表明基于改進(jìn)YOLOv3的卷積神經(jīng)網(wǎng)絡(luò)模型的莖節(jié)識(shí)別平均精確度為90.38%，平均識(shí)別時(shí)間達(dá)到了28.7 ms。滿足連續(xù)、實(shí)時(shí)識(shí)別定位蔗種莖節(jié)的要求。該裝置的研制成功對(duì)于未來(lái)在棉花打頂機(jī)的研發(fā)具有積極的借鑒意義。Zhang等[36]為了有效識(shí)別和定位麥田中的雜草，開發(fā)了基于無(wú)人機(jī)成像的深度學(xué)習(xí)雜草檢測(cè)方法，相較于YOLOv3，利用更適合在移動(dòng)端部署的YOLOv3-Tiny網(wǎng)絡(luò)模型檢測(cè)出圖像中的雜草像素坐標(biāo)并將其轉(zhuǎn)化成地面真實(shí)位置從而標(biāo)記在處方圖上，為后續(xù)噴施除草劑作業(yè)提供支持。該研究也為棉花打頂提供了一種利用無(wú)人機(jī)識(shí)別頂葉的新思路。

圖6 改進(jìn)的YOLOv3網(wǎng)絡(luò)正向傳播過(guò)程

5 存在問(wèn)題

棉株株頂?shù)木珳?zhǔn)識(shí)別對(duì)于棉花打頂意義重大，通過(guò)對(duì)國(guó)內(nèi)外相關(guān)文獻(xiàn)的分析總結(jié)，結(jié)合機(jī)器視覺技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用特點(diǎn)，發(fā)現(xiàn)機(jī)器視覺技術(shù)在棉花打頂方面依舊存在一些問(wèn)題有待進(jìn)一步改進(jìn)。

1) 棉株株頂識(shí)別實(shí)時(shí)性有待提高。受到計(jì)算機(jī)硬件和相關(guān)執(zhí)行機(jī)構(gòu)響應(yīng)速度的制約，現(xiàn)階段的棉花打頂機(jī)很難對(duì)棉花頂葉實(shí)時(shí)識(shí)別打頂，即“邊識(shí)別邊打頂”。在保證識(shí)別精度的情況下，難以滿足實(shí)時(shí)性的要求。因此一方面需要提高數(shù)據(jù)的處理速度，包括使用運(yùn)算更快的處理器或是使用遠(yuǎn)程服務(wù)器進(jìn)行云端識(shí)別。另一方面，從農(nóng)藝角度出發(fā)，要選育出易被識(shí)別的棉花品種，避免棉花頂部雜亂無(wú)序的生長(zhǎng)，使得棉株頂葉圖像難以被攝像機(jī)采集，進(jìn)而不能被及時(shí)處理，造成錯(cuò)識(shí)別、漏識(shí)別。

2) 棉株株頂圖像識(shí)別算法有待優(yōu)化。一方面隨著人工智能發(fā)展，算法的革新帶來(lái)的優(yōu)勢(shì)是顯而易見的，從早期的BP神經(jīng)網(wǎng)絡(luò)到后來(lái)的VGG16網(wǎng)絡(luò)，算法的革新帶來(lái)了更好的識(shí)別效果。因此在以后的研究中可以采用目標(biāo)檢測(cè)方法，利用像YOLO這種端到端的網(wǎng)絡(luò)將目標(biāo)檢測(cè)問(wèn)題轉(zhuǎn)化為回歸問(wèn)題。此外，對(duì)算法改進(jìn)優(yōu)化，減少模型冗余，使其善于處理棉株頂葉圖像信息，提升識(shí)別精度。

3) 棉田復(fù)雜作業(yè)環(huán)境帶來(lái)的干擾?，F(xiàn)階段大多數(shù)研究處于科研人員設(shè)定的理想環(huán)境下，忽略了真實(shí)棉田條件下不同時(shí)間段內(nèi)光照、溫度、風(fēng)速等因素給棉株株頂圖像采集與識(shí)別帶來(lái)的干擾。因此需要對(duì)這些影響因素做進(jìn)一步的探索和試驗(yàn)，從而對(duì)裝備或是算法做出針對(duì)性的調(diào)整。

6 研究展望

1) 利用機(jī)器視覺開展棉株頂葉生長(zhǎng)期分類研究。由于不同棉株頂葉生長(zhǎng)期存在差異，在同一時(shí)間段內(nèi)打頂可能會(huì)造成某些棉株發(fā)生早打頂或晚打頂現(xiàn)象，過(guò)早或過(guò)晚打頂都會(huì)給棉花后續(xù)生長(zhǎng)和產(chǎn)量帶來(lái)負(fù)面影響。因此對(duì)棉株頂葉的不同生長(zhǎng)期進(jìn)行的分類識(shí)別，從而實(shí)現(xiàn)更精細(xì)的打頂作業(yè)。

2) 利用機(jī)器視覺開展棉株物理打頂技術(shù)研究。由于現(xiàn)有棉花打頂機(jī)仍存在仿形精度低，蕾鈴損傷高等問(wèn)題，通過(guò)機(jī)器視覺技術(shù)識(shí)別定位棉株頂葉位置的同時(shí)輔以傳感器，控制割刀移動(dòng)的距離與角度，改進(jìn)其不足，提升打頂質(zhì)量。

3) 利用機(jī)器視覺開展棉株化學(xué)打頂技術(shù)研究。近年來(lái)采取人工與化控相結(jié)合的打頂方式越來(lái)越普遍，噴施化學(xué)打頂劑一方面減少人工、降低成本，另一方面對(duì)棉花進(jìn)行二次打頂，抑制幼芽生長(zhǎng)，徹底消除棉花頂端優(yōu)勢(shì)。但是大范圍噴施化學(xué)打頂劑不僅污染環(huán)境，還造成藥液浪費(fèi)，因此利用機(jī)器視覺技術(shù)對(duì)棉株進(jìn)行識(shí)別實(shí)現(xiàn)精準(zhǔn)噴施，達(dá)到綠色環(huán)保的作業(yè)要求。

4) 利用機(jī)器視覺開展棉株打頂與病蟲害防控協(xié)同作業(yè)技術(shù)研究。充分發(fā)揮機(jī)器視覺技術(shù)的優(yōu)勢(shì)，在識(shí)別定位棉株頂葉的同時(shí)，對(duì)其葉面病蟲害進(jìn)行檢測(cè)評(píng)估。一方面及時(shí)發(fā)現(xiàn)棉花葉面初期病害信息，提前防治、減少損失。另一方面一機(jī)多用，在實(shí)現(xiàn)打頂作業(yè)同時(shí)，節(jié)省人工檢測(cè)成本。

7 結(jié)束語(yǔ)

針對(duì)現(xiàn)有棉花機(jī)械化打頂存在的定位不清晰、漏刀、過(guò)切等現(xiàn)象，隨著計(jì)算機(jī)硬件的推陳出新，以及深度學(xué)習(xí)等內(nèi)容的不斷成熟，相信利用其智能化程度高、識(shí)別精度好、靈活等特點(diǎn)能夠?qū)崿F(xiàn)棉株頂芽的精準(zhǔn)識(shí)別，進(jìn)而提升棉花機(jī)械化打頂質(zhì)量、增加棉花產(chǎn)量。因此不斷克服目前相關(guān)技術(shù)難點(diǎn)和環(huán)境局限性，相信機(jī)器視覺技術(shù)能夠改善我國(guó)棉花田間管理的水平。