機器視覺技術在農業中的應用

楊婷婷 郭志勛 雷定湘 楊野

摘 要：隨著我國科技的進步，機器視覺技術發展的越來越成熟，其非破壞性、準確性、快速性以及靈活性的特點在農業方面都得到了很好的體現。該文在查閱相關文獻的基礎上，對機器視覺技術的研究成果進行了總結，綜述了機器視覺技術在農產品品質分級、自動摘取、檢測植物生長進程以及監測病蟲害等方面的應用，分析了近年來機器視覺在農業發展應用中存在的問題，并對未來發展方向進行了展望。

關鍵詞：機器視覺;智能農業;圖像處理;品質分級;自動摘取;生長檢測;病蟲監測;應用

中圖分類號 F323? 文獻標識碼 A文章編號 1007-7731（2021）18-0110-02

Application of Machine Vision Technology in Agriculture

YANG Tingting et al.

（College of Information Engineering，Tarim University，Alaer 843300， China）

Abstract： With the advancement of science and technology in our country， the development of machine vision technology has become more and more mature， and its non-destructiveness， accuracy， speed and flexibility have been well reflected in agriculture. After consulting the relevant literature of the predecessors， the research results are analyzed and summarized， and the application of machine vision technology in agricultural product quality classification， automatic extraction， plant growth process detection and pest monitoring is proposed. The development of machine vision in agriculture in recent years is proposed. Existing problems， look forward to the future development direction.

Key words： Machine vision; Intelligent agriculture; Image processing; Quality grading; Automatic picking; Growth detection; Pest monitoring; Application

農業農村現代化的快速推進離不開人工智能在農業中的應用，而人工智能的核心技術是視覺技術，機器視覺實則充當了人的眼睛，可以高精度、高效率地進行運作，體現了農業自動化和智能化。本文對近年來的機器視覺技術在農業發展中應用的研究進行了綜述。

1 農產品品質分級

為了進入國際市場，農產品的質量好壞顯得尤為重要，所以要對農產品進行品質分級和檢測。傳統的檢測方法依靠大量的人力而且耗時長、破壞性大，而機器視覺技術可以很好地取代傳統方法。例如，采用將番茄顏色特征和BP神經網絡分類技術相結合的方法來檢測番茄成熟度[1]，首先對番茄圖像進行預處理，確定番茄表面最大內接圓為顏色特征提取區域，在此基礎上再將其分為5個子區域，提取5個區域平均色調值作為輸入值導入神經網絡模型來檢查番茄樣本成熟度，結果表明，基于顏色特征的分類方法可以應用于鮮番茄的田間估產，該方法檢測番茄成熟度的平均準確率為99.31%，標準偏差為1.2%;運用遷移學習方法在神經網絡模型上實現芒果成熟度檢測[2]，結果顯示分級準確率達到96.72%，不足之處是成熟芒果表面的斑點會對實驗結果造成影響;結合圖像處理和機器學習的方法實現免套袋蘋果缺陷分級[3]，運用形態學和固定閾值分割相結合的方法對蘋果區域進行提取，同時用SVM結合紋理特征獲得判別結果，在計算缺陷程度方面，利用種子填充法標記，計算缺陷的數量和面積，用60個蘋果進行實驗結果顯示分級準確率達到90%。綜上可知，已經有大量國內外著名學者將機器視覺運用到農產品品質檢測技術中并且成效顯著。但是農產品檢測不僅取決于外部特征更要求內部品質達標，未來在對農產品品質檢測技術上要實現動態檢測來提高檢測速度，找到可以識別所有農產品的通用檢測方法。

2 農產品自動采摘

農業生產鏈中成本效率最低的一個環節就是農產品的采摘。機器視覺技術在農產品自動采摘上面的應用，是當前農業生產領域最受關注的熱點課題之一。在近幾年內，科學家們運用最小矩形擬合結果預處理后的圖像輪廓[4]，然后將擬合后的長寬比與誤差范圍對比，該方法針對草莓特殊的生存環境開發了采摘草莓自動裝置，將視覺技術和機械采摘完美的結合，實現了全自動采摘工作，在種植壟的生長環境下，減少損失，提高了采摘效率，且無損采摘率達到90%;在自動檢測和定位溫室番茄作物的果實的問題上，首先用閃光燈獲取圖像可最大限度地減少照明變化的影響，同時當系統檢測到“候選”西紅柿時用一個單獨的區域（凸面區域）來表示它們中的每一個[5]，再通過計算圖像的平面中心位置實現定位，最后系統判別番茄是否可收獲，單個番茄收獲時間小于30s，對不同品種的番茄采摘情況下該方法同樣適用;將橙子作為實驗對象，采用二值化處理圖像得到樣本圖像輪廓[6]，實現目標定位，結果顯示，該系統識別率為98.6%，采摘速度是25s/個，但是該系統受外界環境光照因素的影響，所以不適用于個別應用場景。相對而言，農產品自動采摘在技術要求上比較嚴苛，目前對顏色信息較為明顯的蔬果可以很好地進行自動采摘。研究發現，農作物的生長方向和生長背景這2個因素對采摘效率有所影響，所以今后要考慮這2個因素提升采摘率。

3 植物生長進程監測

機器視覺相較于人眼視覺，可及時發現植物生長變化的細微狀況，從而提供可行措施。光照條件的改變也會影響病葉的外觀，有學者通過描述咖啡葉片圖像的形狀和質地來自動識別硼，鈣，鐵和鉀的營養是否缺乏的問題，首先使用Otsu方法實現圖像分割、模糊形式模型（BSM）描述和灰度共生矩陣提取形狀和紋理特征[7]，然后提取特征訓練k最近鄰（K-nn），樸素貝葉斯和神經網絡分類器，以預測每個分析圖像中出現的缺陷類型，結果表明，樸素的貝葉斯分類器和BSM描述方法比其他方法具有更高的性能，但總體性能卻相對較低（f-measure 64.9%）;運用機器視覺技術對處在膨果期的獼猴桃實施生長監測，通過圖像處理得到果實表現及參數同時于環境信息參數結合，采用小波分析等算法建立EC和pH模型[8]，實行營養液預測，結果顯示，該研究不僅降低了肥水的使用量，而且提高了5.43%的獼猴桃膨果率;利用自動無損的方法對不同水溶性有機肥和蛭石含量的番茄植株進行分析，通過圖像分割和計算幾種植株指數，將得到的形態特征與植被指數相對比來解決精準施肥問題，建立番茄早期有機肥料監測系統，研究顯示，形態特征可以更好地反應施肥需求，不足之處是只能在實驗室理想環境進行，對于田間復雜環境還有待改進。基于機器視覺的作物生長檢測技術是當前的熱點研究課題，機器視覺具有無損測量的特點，所以可以取代人工實現對植物生長動態變化過程的檢測。目前存在的問題是系統通用性不強，大部分是針對顏色和外形的檢測，后續要多發掘其他特征對植物生長的影響。

4 病蟲害監測

在農作物生長期，病蟲害的發生會對農產品產量和質量產生一定程度的影響，目前機器視覺技術可以有效地改善和抑制此類事情的發生。將柑橘作為研究對象進行植物疾病檢測和分類，該研究有2個主要階段，首先檢測柑橘類農作物葉片上的病斑，然后對柑橘類疾病進行分類，通過優化的加權分割方法提取柑橘病變點[9]，在增強的輸入圖像上執行，將顏色，紋理和幾何特征融合到密碼本中，同時實施一種混合特征選擇方法來選擇最佳特征，該方法包括PCA分數，熵和基于偏度的協方差向量，選定的特征會饋送到多類支持向量機（M-SVM），以進行最終的柑橘疾病分類，實驗數據表明分類精度可以到達97%;為實現對苦瓜葉片病蟲害自動化檢測技術有學者對原始更快速網絡進行了改進[10]，主要是根據苦瓜葉部病蟲害斑點的大小擴大區域建議框的尺寸和大小，同時在保證計算量不變的前提下加入金字塔特征網絡來提高對小斑點的識別率，該模型不僅可以快速進行識別而且還能在復雜生長環境下完成作業改進后的系統精度值提升7.54%。綜上所述，利用機器視覺監測農作物病蟲害的研究有了一定的成果但還不成熟，主要因為自然光照的變化會給采集來的圖像產生明暗色差，在增加目標提取難度的同時也降低了識別率。

5 結語

機器視覺技術在實現農業自動化中發揮著重要的作用。目前，我國已大力開展農業領域機器視覺研究工作，但機器視覺在農業方面的應用仍存在諸多問題：算法不完善，特征提取局限于形狀和顏色;多為靜態監測，動態識別效果差;系統依靠人工操作不能完全自動化，智能化。因此，今后應優化算法，增強魯棒性，發掘其他有效特征信息，為研究提供強有力的數據支撐;訓練系統對動態極其復雜環境的適應能力，克服動態缺陷，增強穩定性能;增強各項技術的融合性，實現靈活運用，從而擴大系統的應用范圍。

參考文獻

[1]Peng Wan，Arash Toudeshki，Hequn Tan，et al. A methodology for fresh tomato maturity detection using computer vision[J]. Computers and Electronics in Agriculture，2018，146：43-50.

[2]向陽，林潔雯，李亞軍，等.芒果雙面成熟度在線檢測分級系統[J].農業工程學報，2019，35（10）：259-266.

[3]張琛，房勝，王風云，等.基于機器學習的免套袋蘋果缺陷分級[J].河南農業科學，2019，48（04）：154-160.

[4]陳軍，張繼耀，張欣.基于機器視覺的草莓自動采摘機的設計[J].農機化研究，2020，42（02）：141-145.

[5]Benavides M.，CantónGarbín M.，SánchezMolina J. A.，et al.Automatic Tomato and Peduncle Location System Based on Computer Vision for Use in Robotized Harvesting[J].Applied Sciences，2020，10（17）：5887.

[6]曹煦，蘇銘.計算機視覺在果蔬機械采摘中的應用研究[J].農機化研究，2021，43（06）：239-242.

[7]M Vassallo-Barco，L Vives-Garnique，V Tuesta-Monteza，et al.Automatic detection of nutritional deficiencies in coffee tree leaves through shape and texture descriptors[J].DigitInf Manag， 2017，15：7-18.

[8]李頎，白澤亮.基于機器視覺的獼猴桃膨果期營養液預測[J].中國科技論文，2020，15（11）：1234-1240.

[9]Muhammad Sharif， Muhammad Attique Khan， Zahid Iqbal， et al. Detection and classification of citrus diseases in agriculture based on optimized weighted segmentation and feature selection[J].Computers and Electronics in Agriculture， 2018， 50： 220-234.

[10]李就好，林樂堅，田凱，等.改進Faster R-CNN的田間苦瓜葉部病害檢測[J].農業工程學報，2020，36（12）：179-185.

（責編：張宏民）