机器视觉技术在农业上的研究现状及展望

机器视觉技术在农业上的研究现状及展望

张强,张利敏

商丘工学院 机械工程学院，河南 商丘 476000

摘要：随着计算机技术硬件不断发展，计算机视觉理论越来越多应用在具体的工程领域当中。特别是机器视觉的发展，是计算机视觉理论实际转化到工程应用的一个典型分支。本文针对近年来机器视觉技术在农业上的应用进行分析和总结，为同行的研究人员提供参考。本文介绍机器视觉技术系统的组成，机器视觉技术在农业的研究现状，并对未来在农业领域的应用提出展望。

关键词:机器视觉；深度学习；农业；数字图像

0 引言

随着现代计算机技术的不断发展，农业转型升级迫在眉睫，越来越多的国家加快推进农业自动化时代的到来，尤其以德国为代表的欧美发达国家在农业自动化采摘、管理、收割等方面处于领先的地位。

机器视觉作为实现自动化必经的环节，在农业自动化的实现、智能制造的蓬勃发展做出巨大的贡献。近年来，计算机硬件、软件的发展为机器视觉的发展提供了基础，机器视觉作为计算机视觉在实际工程中的典型应用，具有实时性高、灵活性好、应用的范围较广等特点越来越多受到各行各业的重视，本文在总结机器视觉在农业领域的应用现状的基础上，对机器视觉在农业未来的发展方向提出展望，旨在为从事该领域的研究者提供一定的参考[1]。

1 机器视觉系统的组成及处理工程

目前机器视觉系统主要由成像系统、视觉处理系统、图像反馈。其中成像系统光源、镜头、工业相机等；视觉处理系统包含图像去噪、图像增强、图像配准与拼接等；图像反馈包含图像显示与图像分类。其大致过程为：被摄取目标在光源的照射下经过镜头的作用成像在工业相机的光敏面阵上，工业相机将形成图像信号传递给视觉处理系统，视觉处理系统根据图像的亮度、像素的分布、颜色、纹理等将图像信号处理成为数字信号，处理系统根据信号进行位运算等一系列操作，将处理的结果通过通信总线显示，根据显示做出相应的动作，经驱动信号、功率放大、机构驱动设备做出相应操作。

2机器视觉系统常用算法

深度学习模型是目前常用的物体识别算法，其基本思想是通过有监督或者无监督的方式学习层次化的特征表达来对物体进行从底层到高层的描述．主流的深度学习模型包括自动编码器、受限波尔兹曼机、深度信念网络、卷积神经网络、生物启发式模型等。
_______________

河南省省级重点学科专业建设资助项目（编号：2022KYXM01）

3机器视觉在农业领域的研究现状

3.1 农产品自动化采摘

随着农业自动化时代的提倡，在近几年内，科学家们运用最小矩形拟合结果预处理后的图像轮廓，然后将拟合后的长宽比与误差范围对比，该方法针对苹果特殊的生存环境开发了采摘苹果自动装置，将视觉技术和机械结构采摘完美的结合，实现了全自动采摘工作，该种方法在保持苹果完整率的基础上，提高的采摘效率，同时机器视觉的识别可有效减少因人工的原因带来的误差，通过测试，无损采摘率达90%以上，完全符合设计之初的构想。

徐同庆研究了苹果采摘机器人控制系统，从硬件和软件两方面对苹果采摘机器人进行设计，其中硬件主要为控制电路、机械臂、末端执行器，软件主要包含识别算法，数据采集；杨千当面机器视觉的技术，侧重平菇进行设计采摘控制系统，提出了基于改进SSD- MobileNet 的平菇检测方法，将平菇的大小基于机器视觉进行分类，提出的识别算法能有效的对平菇实现分类[2]。

3.2 农作物生长的实时监测

机器视觉相对于人的眼睛而言，在实时监测方面有着较大的优势，一是机器视觉能够长时间对农作物进行实时监测，二是机器视觉能够克服人眼带来的偶然误差造成监测数据不准确，三是机器视觉能够克服自然环境的变化，能够细微观察农作物的变化。

研究者通过Otsu方法实现图像分割、模糊形式模型（BSM）描述和灰度共生矩阵提取形状和纹理特征，然后提取特征训练k最近邻（K-nn），朴素贝叶斯和神经网络分类器，观察咖啡叶片的外观形貌，通过形貌的变化观察咖啡植物是否健康成长，同时基于农学知识，将叶片颜色的不同对应微量元素的缺失，实时的检测微量元素的缺乏。结果表明该方法的运用能够有效检测咖啡叶片的生长。

刘永波等基于机器视觉技术对水稻的常见病稻瘟病进行研究，通过计算叶片的面积进行判断该病程的大小及严重程度，在一定程度上实现水稻生长过程的实时检测。结果表明，该计算方法与人工得到的结果吻合度在95%以上。王奕等基于机器视觉技术对马铃薯进行识别，通过研究马铃薯的外观，基于灰度图像对马铃薯的病虫害进行研究，结果有效度达90%以上。

3.3 农产品的检测与分类

农产品品质检测包括缺陷识别、尺寸等级的检测、成熟程度的识别等，传统农产品的识别和分级拣选主要依靠人眼识别和挑选，后期为提高效率采用人眼识别和机械筛选，该弊端在于人眼识别的主观性强，且存在较大的随机误差。而基于机器视觉的检测和分类可克服以上缺陷。

高嘉轩基于机器视觉技术，选用苹果为研究对象，以苹果的大小、纹理等为特征，对苹果进行缺陷检测，并将苹果按等级进行划分，结构表明，基于视觉的等级划分有效率在

94%以上。该方法的实行为圆形水果的检测和分类提供一定的参考依据。王宇杰采用DSP+ARM 控制器、机器视觉系统等，图像背景单一降低了数据处理量，系统可实时处理苹果图像、计算出苹果最大横切面直径，根据产品要求对苹果精确分级，结果表明机选与人工分选结果基本一致。张海歆基于机器视觉技术，以番茄苗为研究对象，通过对番茄苗进行拍摄图片并进行图像处理，依据其根茎粗细等将番茄苗进行分类。结果表明，该算法能够将95%以上的番茄幼苗正确分开，其算法的有效性可以推广至其他根茎类幼苗的检测与分类，具有较大的应用前景。利用机器视觉检测与分类代替人工，是实现农业智能化发展的必经途径，是农业生产智能化发展的必然趋势。

4机器视觉目前存在挑战及未来展望

尽管机器视觉技术在农业生产上取得巨大进步，且在很多方面成功应用，但在实施过程中仍存在较多的问题。

4.1 存在问题

目前机器视觉存在问题如下：一、可靠性及准确度较低，目前很多机器视觉产品在对图像进行识别与分割时需要图像与环境有良好的对比度，否则图像提取非常困难；二、实时性，当前存在的许多机器视觉算法对于图像处理速度较慢，最快的也就是每秒即使帧，难以满足高速处理，跟不上实时性的要求；三、机器视觉产品通用性不强，许多机器视觉系统的构建仅限于当前的检测，换为另一个同类型的可能检测效率非常低，这为机器视觉产品的中小企业的发展带来了阻碍，同时对于用户来说，增加了成本。

4.2 未来展望

机器视觉技术以其灵活性高、适用范围广、自动化程度高等优点在未来农业领域中发挥着越来越重要的作用，未来发展方向有以下两点：

一、2D平面图像向3D立体转变：目前处理大都是二维图像，随着3D传感器的出现，未来机器视觉势必出现3D立体视觉占据主导，可以更准确、更可靠识别及决策。

二、标准化、集成化方案的出现：目前的机器视觉方案大都针对农业中某一具体问题而搭建，为缩短开发周期及降低成本，未来标准化解决方案、集成化的传感器势必占据主导，突破空间、体积等局限。

参考文献

[1]仇裕淇,黄振楠,阮昭,林思浩.机器视觉技术在农业生产智能化中的应用综述[J].机械研究与应用,2019,32(02):202-206.

[2] 朱云, 凌志刚, 张雨强. 机器视觉技术研究进展及展望[J]. 图学学报, 2020, 41(6):20.