机器视觉技术在农业工程中的应用

刘亚丽　李怡

摘要：随着图像技术的专业化，计算机硬件成本的降低和运算速度的提高，机器视觉在农业工程领域方面的应用更加广泛。该文主要介绍了机器视觉技术在农作物生长状况监测、农产品品质检测与分级、农业生产自动化等方面的研究及应用情况，并分析了机器视觉技术的局限性以及后续研究方向。

关键词：机器视觉；农业；检测；自动化

农业是我国重要的产业部门，因此提高农业生产效率和农业自动化程度是实现农业现代化的根本需求，而实现农业生产自动化主要依赖于对对象的正确识别。机器视觉技术经过30多年的发展，已成为一门新兴的识别的技术，在农业领域得到了广泛的应用，不仅农业装备的智能化与自动化的水平得到了飞速提升了，并且装备的使用效率与可靠性等性能得到了较好的改善。

1机器视觉技术概述

机器视觉即利用机器代替人眼并作出相应判断，亦可称之为“计算机视觉”。机器视觉系统即通过图像采集系统，将采集目标转换成图像信号，传至图像处理系统，根据像素的相关信息，转成简洁的数字信号，并对数字信号进行运算来提取特征参数，最终依据识别结果对现场设备执行相应动作。典型的机器视觉系统如图1所示：

2机器视觉技术在农业工程中的应用

机器视觉技术已被广泛应用于农业工程的许多领域：农作物生长状况监测、农产品品质鉴定与分级、精细农业、农业机械、农业生产自动化等。

2.1机器视觉技术在农作物生长状况监测方面的应用

影响农作物生长的三大基本问题为疾病、虫害及杂草，而影响农作物产量、品质及农业的生态环境的主要因素为化学药剂的施用量，为了进一步实现农业的自动化，自动监测农作物生长状况也是很有必要的。因此，需要对田间农作物病虫草害的自动检测与识别技术进行研究，用以区别田间的杂草和防治病虫害；并且开发自动监测农作物生长状况的视觉控制系统，以实现农业智能化。

2.1.1杂草识别

田间杂草的识别是准确使用除草剂的有效依据，对提高农作物产量、降低成本、生产出满足消费者需求的无害产品是十分重要的。

刘振恒等利用机器视觉技术，通过对RGB、HSI图像进行分析，找出了从复杂的土壤背景下分离出植物（作物和杂草）的方法，分离率可达96%以上，为杂草的识别做了前期准备工作。纪寿文等不仅滤除了土壤背景，还对图像中的特征参数（投影面积、叶长和叶宽）进行了提取，以识别玉米和杂草，提高了除草剂的喷洒位置精度。张玉珠利用近红外图像和红光图像建立二维直方图，以总分割误差值作为指标选择分割直线进行背景分割，通过提取整株植物的细化和骨架长度，以细化长度与叶片面积比、骨架长度与叶片面积比两个特征参数，作为棉花和杂草的识别参数，利用统计模式识别中基于有限样本和结构风险最小化原则的支持向量机建立了棉花和杂草的模式识别分类器，识别率可达80%以上。

2.1.2农作物病虫害自动识别

毛文华等首先把原图分为两部分：天空子图像部分和草地子图像部分，并检测出运动区域，以蝗虫的特征参数对运动区域分类后对蝗虫进行识别，带人所建立的数学模型可间接得到地面的蝗虫数目，蝗虫识别率为80%～100%，地面蝗虫数目识别精度大于80%。陈树人等创建了与二值图像相对应的0、1双精度型矩阵，并分别与R、G、B三基色分量图相乘，获取前景是R、G、B三基色分量图，背景是黑色的灰度图像；对棉花、铁苋菜前景R、G、B的标准差进行分析，并确定R的标准值与B的标准差值小于5作为判断铁苋菜的阙值，最终棉花的判断准确率为71.4%，铁苋菜的判断准确率为92.9%，总体准确率为82.1%。

2.1.3农作物生长状况自动监测

曾庆兵等在考虑葡萄果实形态和现场环境基础上，提出基于机器视觉的非接触、重叠条件下葡萄果实直径测量方法，该方法为葡萄生长状态监测及缺水状况诊断提供了可靠数据。张嘉琪等通过对万寿菊不同水分状态特征的提取，得出纹理特征可作为万寿菊缺水状态判断的依据，从而编写了一种分析处理万寿菊缺水状态的软件，该方法能够实现万寿菊状态的自动识别。

2.2机器视觉技术在农产品品质检测与分级方面的应用

在农产品检测领域，机器视觉技术得到了快速的发展和广泛的应用，这必将对传统检测模式产生巨大影响。农产品品质检测和分级是流通和加工过程中的一个重要环节，也是保证农产品质量和安全的关键环节。利用机器视觉技术检验农产品具有实时、客观、无损害等优点。机器视觉技术不仅可以对农产品形状、大小、表面缺陷、成熟度、内部品质进行检测和判定，并且大大提高分级精度和分级效率。

2.2.1农产品外部品质检测

农作物的外部品质一般包括：形状、大小、颜色、裂纹、表面缺陷等。

章海亮等从采集的图像中提取苹果的特征参数（形状、尺寸、颜色和缺陷等）特与标准进行比较，以确定苹果的等级。祝连海等提出了两种基于机器视觉技术的脐橙尺寸在线检测方法：最小矩形法和形心一边缘距离法。熊利荣等采集了鸭蛋表面的图像，并根据颜色特征参数和灰度阈值方法对图像进行分割，提取裂纹区域和噪声区域的特征参数，裂纹识别率为93%。

2.2.2农产品内部品质检测

农作物的内部品质一般包括：水分、含糖度、内部腐烂、变质、内部虫害等。

Kawamura等对湿谷及潮湿糙米的水分进行了检测，并建立了相关标准判断模型，并对整精米进行了检测。刘华波等对烟叶反射和透射图像中获取了烟叶内在的特征参数，在实验中验证了透射图像的颜色特征参数的有效性，并使烟叶分组识别的准确率得以提升。

2.2.3农产品分级

Blasco J和Cubero S等在研究机器视觉技术分离石榴假种皮过程中，提出了两种图像分割方法，一是基于色度比R/G的阈值分割法，二是对RGB空间的贝叶斯线性判别分析fLDA）方法，两者的平均成功率达90%。最终开发出一套石榴假种皮分离设备，并通过了整机测试。A1-Mallahi A和KataokaT等开发出了一套用于马铃薯收获机上检测马铃薯块茎的机器视觉系统，利用马铃薯块茎和背景对紫外光反射比的差异，提取合适的阈值，实现对象分离，控制一套分级机构完成块茎和土块的检测。最终试验结果显示，块茎和土块的正确检测率分别达98.79%和98.28%。

2.3机器视觉技术在农业生产自动化中的应用

农业生产机器人的有效工作均依赖于对对象的正确识别。

王荣本等在拖拉机正前方装有CCD系统，对拖拉機前方地表进行图像识别，并对垄沟中心线与拖拉机纵向对称线的侧向偏差进行判断，用最优导向控制器控制前轮偏转角，最终可实现拖拉机对目标路径的跟踪。司永胜等提出了利用色差R-G和色差比（R-G）/（G-B）相结合的识别方法实现苹果采摘机器人精确的果实识别与定位。对在不同情况下拍摄的苹果图像进行预处理后，采用遗传算法（GA）对轮廓图像进行形状特征提取。提出了通过多次运行遗传算法，依次转换目标轮廓点为背景点来解决果实图像相邻和重叠问题。Blasco J和Cubero S等研究了基于机器视觉的自动分拣萨摩瓣的系统，通过提取对象的形态特征，实现了在线检测和水果分选，该系统正确分类率为93.2%。

3机器视觉技术的局限性以及后续研究方向

机器视觉技术的研究主要包括硬件和软件。硬件方面：硬件设备发展非常迅猛，已获较完善解决方案；软件方面：1）图像处理的速度主要依赖于算法的改善，目前的算法普遍存在效率低、速度慢、灵活性差等问题，在环境多样化的农业现场，系统的抗干扰能力较差，从而使得准确度和精度不够理想。因此，图像处理新方法的研究将成为提高图像处理速度与效率的有力手段；2）当前视觉技术集中应用于2维及2.5维图像中，而复杂农产品的特征参数往往无法精确得到。因此，为了能更加全面地掌握对象的信息，研究三维成像视觉技术是十分必要的；3）目前绝大多数研究的对象均是静态的农产品个体，效率较低，因此，所研究的对象应向动态的农产品群体发展。

4结束语

机器视觉技术在农业工程中的应用前景非常广阔，但是机器视觉是一门多领域的交叉学科，发展受到一些因素的限制，如视觉理论知识、图像算法、模型理论知识及硬件条件等，因此将机器视觉技术应用于农业工程中距离

实用化、商品化仍有一定的距离。因此，我们需要跟踪最新的研究动态，探索新的相关理论知识和方法，并结合我国现状，研制适合我国的机器视觉系统，为我国的农业现代化建设添砖贴瓦。