機器視覺技術的農業應用研究進展

機器視覺技術是運用光學設備獲取真實圖像，通過圖像處理技術進行圖像分析獲取所需信息或控制機械執行裝置完成預設操作的一種非接觸式測量技術，可以對目標物體的外形特徵、位移尺寸等幾何量進行實時、在線檢測，具有準確可靠、高精度、高效率等優點，廣泛應用於工業、農業、製造業、交通業、航空航天等領域。

機器視覺技術在農業領域的應用研究起始於20世紀70年代，主要集中在植物種類的鑒別、農產品品質檢測等方面，初期的研究多數是對機器視覺在農業應用的可行性分析及圖像處理演算法的開發。隨著計算機軟硬體、圖像採集處理裝置、圖像處理技術的迅猛發展，機器視覺技術在農業的應用領域不斷擴展。目前，美國、日本、德國等發達國家已經開始將機器視覺系統應用到農業生產的各個階段，以解決人口老齡化加劇、勞動力缺失等問題引起的挑戰。

中國的相關研究，多數仍處於試驗階段，但隨著國家的政策支持和經濟投入，也取得一定研究成果；機器視覺技術在農業領域主要應用於農產品質量分級和無損檢測、作物信息監測等。基於機器視覺的農業裝備可以極大提高生產效率，實現農業生產的智能化。隨著智能駕駛的興起，農田車輛導航成為當前研究熱點，搭載機器視覺系統的智能農業機械也廣泛地應用在農業生產中。中國正處於傳統農業向現代農業的過渡期，融合各種現代化智能技術的農業將成為未來發展趨勢。機器視覺技術在農業生產的應用可以節約勞動力、帶動產業升級、推動農業現代化的發展進程，對未來農業的智能化發展有重要意義。

機器視覺技術概述

機器視覺系統一般包括光源系統、圖像捕捉系統、圖像數字化模塊、圖像處理系統和控制執行模塊（圖1）。首先採用CCD（CMOS）攝像機獲取圖像，經採樣量化後將模擬圖像轉換為數字影像或數字信號傳送到圖像處理系統。圖像處理系統對這些信號運用各種運算進行目標特徵的提取，如目標的顏色、位置、大小等，最後根據預設的判定標準輸出所需結果、顯示數據或控制執行模塊完成預定操作。

圖1 機器視覺系統

現在機器視覺技術已經發展成為一門涉及人工智慧、神經生物學、心理物理學、計算機科學、圖像處理、模式識別等諸多領域的交叉學科。隨著基於統計學模型的機器學習的快速發展，各種淺層機器學習模型相繼被提出。結合機器學習相關統計學特徵的演算法使得機器視覺系統的精度和效率都有了很大提升。近年來，深度學習在特徵提取方面表現出來的獨特優勢，成為人工智慧領域最熱門的學習方法。其中，卷積神經網路模型（CNN）是專門用於視覺領域的學習方法，極大地推動了機器視覺技術的發展。

機器視覺在農業生產中的應用

目前，機器視覺技術在農業生產中的應用研究範圍很廣，涉及農業生產的各個環節：在農業生產前期，可以利用機器視覺進行農作物種子的精選和質量檢驗；在農業生產環節，機器視覺可以被用來進行作物病蟲害的監視、植物生長信息的監測、果蔬的檢測等；在農業生產後期的應用包括水果分級、糧食無損檢測等。機器視覺也被廣泛應用在農業機械上，可以提高生產效率、節約勞動力、提高農業自動化水平。

農作物的無損檢測

1）種子質量鑒定

農作物種子的質量是決定農作物的最終產量的重要因素，因此類型識別以及播種前的精選，對於提高農作物產量具有重要意義。傳統的人工分選與檢測耗時耗力，工作量大。20世紀70年代，國外就已有研究者利用機器視覺技術對獲取的種子圖像進行基本的幾何測量，獲得形狀、長寬比、面積等參數，進而區分種子的類別。20世紀80年代後，很多研究者基於獲取的彩色圖像對種子進行品種鑒定和質量分級。近年，許多研究者提出一些創新性演算法或者將原有演算法結合，對於原始獲取的種子圖像進行分割和提取。陳兵旗等提出了一種基於圖像處理的棉種精選演算法。使用首幀差分閾值分割的方式提取種子區域的二值圖像，然後在原圖像的種子區域計算紅色像素數並判斷紅色種子，通過分析二值圖像判斷破殼種子，最後對種子圖像進行微分處理並去除邊緣像素判斷裂紋種子。Hong等利用圖像處理技術結合K最近鄰（KNN）、支持向量機（SVM）、隨機森林（RF）等分類技術識別混合樣本中的水稻種子。比較各種分類器的性能，採用隨機森林方法對6種不同水稻品種的圖像進行採集和分析，其分類系統的平均精度可以達到90.54％。該研究為評估水稻種子的純度提供了參考。李振等設計了一種蔬菜種子活力指數視覺檢測系統。首先對圖像進行預處理，然後將每一個生長周期所得圖像與原始未發芽圖像進行像素對比，通過視覺檢測系統計算得到發芽指數，進而得到種子的活力指數。將系統測得結果與人工測量結果進行比較，準確率高達92%以上。王僑等提出了玉米種粒圖像動態檢測方法，根據種粒圖像RGB顏色特徵，提取出種粒區域及其各顏色區域，結合種粒形態特徵建立了周長、面積等20個檢測指標，並通過測試統計確定了其合格範圍，最終據此分析和完成了尖端露黑色胚部、小型、圓形、蟲蝕破損、霉變等不符合定向播種種粒的判斷。從試驗數據來看，這些演算法具有比較高的識別率和適用性，可為種子質量檢測分選系統提供一定參考價值。

利用機器視覺技術進行種子質量檢驗的步驟一般包括：圖像採集、特徵提取和分類器設計。一些研究者在此基礎上開發了機械分選裝置，並且建立了種子在線檢測系統。陳兵旗等設計了一種基於機器視覺的水稻種子精選裝置。裝置主要包括傳送帶、光電觸發圖像採集系統和圖像處理與分析系統，可以檢測出幾何參數不合格及霉變的種子。在種子精選過程中，以掃描線上的像素突變次數來判斷種子的破裂，利用不同的閾值提取稻種的面積差，判斷稻種是否霉變或者破損。檢測結果如圖2所示，其中綠色橢圓表示檢測出的霉變種子，該處理系統可以有效識別不合格種粒。

圖2 霉變種子

20世紀90年代起，人工神經網路（artificialneural network，ANN）開始應用於農作物分類。隨著在全世界範圍內掀起的人工神經網路的研究和應用熱潮，新的人工神經網路模型的不斷推出，人工神經網路對種子精選與檢測的精度和效率有了很大提升。Arefi等結合機器視覺和人工神經網路對4個小麥品種進行鑒定。利用種粒的形態特徵和顏色特徵。在ANN的訓練階段使用了280幅圖像的11個特徵，利用40幅圖像進行驗證，並且使用80幅圖像進行ANN的測試。系統整體分類成功率為95.86％。李景彬等提出了一種基於BP神經網路的非線性識別方法，對3個脫絨棉種進行識別檢測，其綜合測試準確率為90%，證明該方法是可行的，有效地提高了脫絨棉種的識別準確率，該研究可為其他粒狀種子品種識別提供了參考。

2）農產品分級檢測及性狀測量

機器視覺技術具有準確、客觀、無損等優點，在農產品的品質檢測和分級方面有很多研究和應用。通過提取農產品靜態圖像中的形態、顏色等基本特徵信息，確定農產品的品質，最後依據分級標準進行分級操作。饒秀勤設計了水果品質檢測與實時分級系統。利用HSI顏色模型、主成分分析法、閾值分割等方法對水果尺寸、形狀、顏色和表面缺陷等品質指標進行提取，進行水果的實時檢測和分級。周竹等根據馬鈴薯的外形特徵，設計了基於機器視覺的馬鈴薯分級系統，對馬鈴薯按照大、中、小進行分級。同時，以馬鈴薯缺陷面積大小為判別依據，實現了馬鈴薯缺陷的在線監測。Hasankhani等基於馬鈴薯的尺寸和顏色設計了馬鈴薯快速分級系統。首先對樣本進行預分級，然後通過分級系統進行健康評估和分級，對比兩項數據得到總體分級準確率為96.823％。Sofu等設計了一種蘋果實時自動分檢和質量檢測系統。通過對蘋果的4個不同角度圖像進行處理，然後根據蘋果的顏色、大小、重量和缺陷程度作為分類指標對蘋果進行分類，平均每秒可以對15個蘋果進行檢測。

對農作物種子的形態、色澤、紋理等性狀進行特徵信息的提取與分析，稱為考種。由於考種工作量大而繁瑣、主觀性較強、測量效率低，一些研究者對不同種類的種子特性進行分析，開發了基於機器視覺技術的考種系統。其中，玉米考種系統是目前工作中常用的儀器。它可以快速準確地提取玉米種子外形輪廓，進而對果穗長度、穗行數、每行粒數、種穗飽滿度等形態特徵進行提取。中國也有很多果穗性狀無損測量相關的研究。王僑等設計了一種玉米種穗精選傳輸裝置，可以實現玉米種穗性狀動態測量。根據種穗圖像中種穗的外形特徵、黃色籽粒區域與整個種穗的面積比、端面矩形度等參數判斷合格種穗，可以提高大批量種穗分選的效率。劉長青等提出了一種基於機器視覺的玉米果穗參數圖像測量方法。使用攝像頭連續圖像，經過圖像處理，獲得玉米果穗的穗長和穗寬、每一穗行的穗粒數和穗行寬度、穗行數，其檢測裝置如圖3所示。試驗表明，使用該方法的參數測量準確率較高、處理時間短。該成果可應用於玉米千粒質量檢測、產量預測育種和品質分析等場合，獲得了發明專利。畢昆等基於機器視覺技術，研製出一種玉米果穗性狀參數自動檢測裝置。增加了玉米果穗性狀檢測裝置的可測量參數，測量效率和精度較高。利用機器視覺提取玉米粒行並統計籽粒數，該方法效率較高，並且成本低。周金輝等結合果穗顏色特徵及果穗的生物學規律，建立玉米果穗的性狀計算模型，精確計算玉米性狀參數。穗行數及行粒數的零誤差率在93%以上。

圖3 玉米果穗參數圖像測量裝置

3）精密播種及播種機械質量檢測

精密播種就是利用播種機控制播種時的粒距、行距和深度，可以提高糧食產量，有效利用耕地。其中，排種器的性能是影響播種機播種精度的重要因素，因此排種器的性能檢測技術成為很多學者關注的熱點。Karayel利用高速攝像機測量了排種器排種間距和播種速度。馬旭等對獲取的種子動態圖像進行處理，利用圖像中的種子面積和種子間距檢測精密排種器性能。Yazgi等利用棉花種子運動圖像，研究了排種器的種子間距均勻性性能。趙鄭斌等運用機器視覺技術對穴盤精密播種機進行播種性能檢測，系統的重播率、漏播率檢測精度較高。秦忠連基於機器視覺技術，實現了排種器性能檢測中的種子粒數、行距、穴距等基本參數的自動測量。研究採用了光電觸發方式採集序列圖像，利用圖像合成演算法對連續幀圖像進行拼接；採用大津法自動獲取閾值，對拼接圖像進行閾值分割；提出了基於種子面積的雜訊識別、種子重疊識別和種子數量統計方法。採用縱向和橫向投影的方法，獲得種子在橫向和縱向的分布情況，從而對於條播能夠獲得各統計區間上的種子粒數、斷條率等參數；對於穴播和精播能夠獲得重播率、合格率、漏播率等參數，以此檢測排種器的性能。

定向播種是在精密播種技術要求基礎上，利用作物生長的規律性，控制種粒的播種方向。可以使作物葉片有規律生長，增強田間通風效果，實現合理密植。定向播種首先要對種粒的特徵進行提取。寧紀鋒等利用圖像中玉米尖端特徵，開發相應演算法進行玉米籽粒的尖端和胚部的識別。劉長青等研究了玉米種粒動態檢測演算法，並設計了玉米的精選和定向定位裝置。通過計算玉米種子黃色區域形心點與白色區域輪廓點的距離，可以確定種粒尖端朝向。通過分析種粒區域中白色區域的大小，進行玉米種粒胚芽朝向的判斷，為種粒定向包裝和定向播種提供了依據。王僑等基於機器視覺技術，針對適於定向播種的合格玉米種粒，設計了一種定向定位擺放裝置。相機採集圖像傳到系統後，判斷尖端朝向信息，控制調向分面擺放裝置精確旋轉調整種粒的朝向，能夠實現可控式的、多方位的定向。根據檢測到的胚芽正反面的不同，能夠將定向種粒準確地定位分放在指定的擺放工位上，經實際測試，定位和檢測準確率較高，可以為定向播種的種粒定位提供參考。

農作物信息採集與病害檢測

1）農作物病蟲害檢測

農作物在生長過程中極易遭受病蟲侵害，從而影響最終產量。傳統的大面積施藥不僅浪費資源，更容易對環境造成污染和破壞。因此，對作物病蟲害區域進行檢測和識別，控制噴葯機械精準噴洒，是當前機器視覺在農業應用研究的熱點。陳兵旗等研究了小麥病害圖像診斷演算法。首先利用小波變換結合病害紋理特徵分析進行病害部位的強調，然後通過模態法自動閾值分割，獲得二值圖像，並對其執行膨脹與腐蝕處理，獲得病害部位較完整的修復圖像。最後將修復圖像病害部位的二值圖像與原圖像進行匹配，獲得結果圖像原圖像及檢測結果圖像（圖4）。獲得檢測圖像之後，將病害部位特徵數據與小麥病害種類資料庫比對，進行病害類型的判斷。韓瑞珍等設計了害蟲遠程自動識別系統，實現了大田害蟲的快速實時識別。害蟲圖像經過分割後，尋找最大連通區域進行去噪處理得到最後的害蟲圖像，提取個特徵值並保存特徵值矩陣。利用得到的特徵值矩陣對支持向量機分類器進行訓練。最後，利用分類器對害蟲識別請求進行自動分類。該系統可以通過3G無線網路將害蟲照片傳輸到主控平台實現遠程自動識別。張芳開發了一種病斑圖像的分割演算法，演算法採用了基於HSI顏色模型實現農作物葉部病斑圖像的分割，利用顏色信息實現病斑和葉片的分離，根據亮度信息消除圖像中背景信息的干擾。

圖4 小麥病害檢測結果

2）作物生長信息監測

作物外部生長信息包括植物的葉面積、株高、葉片顏色等，通過對作物生長信息的監測，可以及時調整作物培養方案，為作物提供適宜生長環境，滿足精細化農業生產管理的要求。機器視覺技術對作物的生長檢測主要是採集作物二維圖像或合成的三維圖像，進行定量分析，判斷作物生長狀況。馬稚昱等採用機器視覺及圖像處理技術對多株菊花生長信息進行了監測研究。實驗過程中，採用了一種基於亞像素和區域匹配的誤差消除估計演算法，有效地提高了檢測精度。檢測系統採用CCD相機對旋轉雲台上的植株進行定時取像，對菊花的莖長生長進行了分析，實現無接觸的植物生長監測。作物的二維圖像視覺監測系統雖然具有出色的處理性能，但由於植物多數具有複雜的冠層形狀，很難從重疊的植物冠層分離單個植株，並且葉片及植株具有不同的顏色和紋理，所以會產生大量的計算數據。陳兵旗等以大田間的玉米植株為研究對象，利用雙目立體視覺技術對其進行動態監測與三維建模，監測裝置如圖5所示。首先獲取左右視覺圖像，利用大津法對測量區域內的作物進行二值化提取。通過對測量區域進行網格分割，推算作物覆蓋面積。利用左右視覺圖像視差進行三維重建，獲得白色目標像素的形心點雲的三維坐標和平均株高。最後利用OpenGL實現了玉米生長過程的三維可視化顯示，圖6分別表示了3個不同生長時期的玉米三維建模結果，三維測量的株高設定為模型主莖的高度，葉片數、葉片參數、主莖直徑等參數根據其生長規律自動生成。該研究對玉米的葉片和主莖進行建模，能夠直觀地觀察作物的生長和發育過程。該研究方法同樣可以應用於作物的產量預測，通過對玉米穗等其他植株器官進行建模，模擬玉米抽穗之後的生長過程，從而獲取玉米果穗生長信息，進行玉米的產量預測。Jin等開發了實時立體視覺系統對玉米植株進行檢測，獲得玉米植物冠層的視圖。通過實時圖像處理演算法，有效地分離出單個玉米植株並檢測了它們的中心位置。在多個生長階段的玉米植物上測試了立體視覺系統。結果表明系統在室外照明條件下處理纏繞的植物冠層方面表現出優異的性能。

圖5 三維圖像監測設備

圖6 三維建模結果

3）果蔬的檢測及採摘

果蔬的採摘工作耗時耗力且人工成本較高，由於機器視覺可以完成形狀和顏色識別相關工作，因此結合機器視覺的自動採摘設備具有很廣闊的發展前景。Liu等研究了自然環境下桃子果實的自動識別演算法。以色差R-G的平均值作為閾值提取桃子紅色區域，然後進行匹配擴展以識別整個區域。通過輪廓上線的垂直平分線的交點，得到擬合圓的潛在中心點。最後，通過計算潛在中心點的統計參數，得到擬合圓的中心點和半徑。演算法的環境適應性較高，可以識別單個果實、彼此接觸的果實、被遮擋的果實，且識別準確率高。圖7為採集的果樹上桃子彩色原圖像（圖上圓圈為最終擬合結果），（a）為順光拍攝，光照強，果實單個生長，有樹葉遮擋，背景主要為樹葉；（b）為弱光照、相機自動補光拍攝，果實相互接觸，無遮擋，背景主要為樹葉；（c）為逆光拍攝，圖像中既有單個果實又存在果實相互接觸，且果實被樹葉部分遮擋，背景主要為枝葉和直射陽光。由檢測結果可知，該演算法具有很好的擬合效果。Silwal等在機器視覺系統中，使用迭代圓形Hough變換（CHT）檢測清晰可見的蘋果。對圖像中相同像素的連通域進行分析，檢測部分遮擋的蘋果，通過顏色分析鑒定潛在的果實。最後通過試驗證明了連通域分析和CHT的融合演算法可以顯著提高檢測精度。趙曉霞等研究了桃子圖像的圖像分割方法。利用RGB模型和HSI模型分別對彩色圖像進行了3種方法的灰度化處理。然後採用最大類間方差法對圖像進行二值化處理，結合去噪和匹配膨脹的演算法可以對自然環境下的桃子果實圖像進行有效的分割。司永勝等提出了利用歸一化的紅綠色差分割蘋果的方法，隨後採用隨機圓環法對蘋果輪廓圖像進行果實圓心和半徑的提取。彭輝等採用雙目立體視覺系統解決了重疊果實的分割問題，提出了基於視差圖像的果實分割演算法，可以有效地分割相互遮擋的果實，具有較強的魯棒性。Linker等提出了一種在自然光照條件下蘋果彩色圖像計數的演算法，可以有效估計果園產量，進行果園管理決策。

圖7 彩色原圖像上的擬合結果

農田視覺導航

1）導航路線檢測

農業車輛自動導航是當前和未來農業智能化研究的熱點，基於機器視覺的導航路線檢測演算法是自動導航系統的核心。早在20世紀70年代就有研究者提出視覺導航的概念，在20世紀90年代，很多國家開始對農田視覺導航技術進行研究，提出了雜草檢測、導航路線檢測的方法。中國隨後也開始進行相關的研究。對於農田導航路線檢測，車輛或機器人工作環境主要分為水田和旱田，水田中的導航路線檢測的重點是苗列線檢測，陳兵旗對插秧機器人視覺系統進行了研究，提出了基於圖像處理和Hough變換的目標苗列線檢測，土田埂及水泥田埂的檢測。隨後，又研究了水田自動管理機器的行駛路線檢測演算法。首先以圖像中的顏色分布來判斷稻穀之間的空間作為行進路線，然後通過對水平線輪廓線的分析，檢測出其運動方向的候選點，最後通過已知的點Hough變換檢測移動方向線。其檢測結果如圖8所示，圖中紅線表示檢測出的水田的導航路線，視覺系統根據紅色導航線控制機器的行進方向，可以穩定行駛。該演算法檢測速度快、適應性強，對於複雜水田也可以有效提取導航路線。毛可駿等研究了基於機器視覺的自主插秧機導航信息的提取，提出了一種利用秧苗行分割線作為基準線提取導航參數的演算法。Han等提出了基於圖像分割的車輛導航演算法，首先將彩色圖像轉換成灰度圖像，然後計算出每個像素的標準偏差，將平均值和偏差值進行融合，作為支持向量機分割圖像的新輸入因子。最後對小波分析得到的低解析度圖像進行了處理，分割的結果克服了雜草等高頻干擾的影響。張方明等研究了水田作業輪式自動農業機器人的路徑規劃方法，設計了矩形田塊和梯形田塊的自動插秧機路徑規劃方法。

圖8 水田導航路線檢測

旱田中的導航路線一般是地壟或者已作業區域和未作業區域的分界線。趙穎等研究了基於機器視覺的耕作機器人行走目標直線檢測，提出了犁溝線斜率的檢測演算法和基於掃描線的圖像分割方法，首先用安裝在拖拉機前方的攝像機採集圖像，然後根據已耕作區域、未耕作區域和非農田區域的特徵，分析田端和犁溝線位置和方向候補點群，最後使用基於一點的改進Hough變換演算法計算犁溝線的斜率。旱田導航路線檢測結果如圖9所示，其中，紅色十字表示檢測出的已知點，黃色直線表示旱田的導航路線，由檢測結果可以看出，該演算法在靜態圖像（a）和動態圖像（b）中都可以準確地檢測出導航線。李景彬等研究了采棉機和棉花鋪膜播種機田間作業導航路線和田端的圖像檢測方法，提出了檢測采棉機田間作業路徑演算法，首先針對不同區域的目標特徵進行提取，然後利用小波變換、線性分析和前後幀相關聯等方法，確定直線變換候補點群，最後用過已知點的Hough變換對候選點進行線性擬合。

圖9 旱田導航路線檢測

2）農田障礙物檢測

在農用車輛自動駕駛的研究中，農田障礙物的檢測也是很重要的研究內容。機器視覺系統檢測到障礙物後控制執行機構進行制動或者警告，對於實現無人駕駛或者車輛輔助駕駛都具有非常重要的意義。張磊等提出了一種基於雙目視覺的農田障礙物檢測方法。首先，利用基於掃描線的目標提取方法進行目標提取，然後進行立體視覺匹配計算解出障礙物型心空間坐標，進而確定障礙物的位置。苟琴等研究了基於視差圖的未知環境下農田障礙物檢測方法，首先用攝像頭採集左右場景圖並計算其視差圖，然後通過視察閾值獲得潛在障礙物，最終通過面積閾值和高度閾值對障礙物定位。李權利用雙目視覺結合最大類間方差法提取障礙物，採用SURF（speeded uprobust features）演算法檢測特徵點，並進行深度信息計算。Cherubini等提出了一個基於感測器的視覺導航框架，可以保證避障和導航同時完成，即使存在視覺遮擋，機器人也可以避免碰撞。這些研究均具有一定可行性，為實現農用車輛無人駕駛提供了參考依據。

3）農田視覺導航系統集成

與公路導航相比，農田導航目標的識別更複雜，但是農田導航不需要特別關注周圍環境，所以農用視覺導航系統更容易推廣使用。國內外很多研究者將視覺導航系統和控制系統、機械裝置結合，設計了自動駕駛系統。自動駕駛的農用車輛裝配農田作業機械進行農藥的噴洒、農作物收穫等大規模作業，可以大幅度提高效率、節約勞動力。Hanawa等開發了農用拖拉機的立體視覺導航系統，對兩個相機採集的圖像進行處理，可以檢測農作物行、人為標記、非耕作區域。將檢測到的作物位置數據傳送到拖拉機轉向控制器，可以完成拖拉機的自動耕作。English等對農田的平行和側向偏移結構，比如作物行或者犁溝線，結合顏色、間距、結構性進行分析，利用C++和OpenCV實現從拍攝的俯視圖中提取導航線。採用多用途車搭載視覺導航系統和GPS系統，完成了自動導航。陳兵旗等研究了農用拖拉機田間視覺導航系統。利用結合感測器與機器視覺技術進行信號的採集與處理，通過機械裝置控制方向盤轉動，可以實現拖拉機的無人駕駛。原型樣機如圖10所示，（a）為機器視覺導航系統組成，包括攝像頭、計算機處理系統、轉向控制系統等；（b）為轉向控制系統，通過對方向盤的轉向控制，實現模擬人工駕駛。通過性能測試，其導航精度遠高於精密GNSS（全球衛星導航系統）的定位精度。

圖10 視覺導航系統樣機示意

存在問題及未來展望

機器視覺技術在農產品無損檢測、植物生長信息檢測、病蟲害檢測、農田視覺導航等方面的研究已有很大進步，但是由於農業研究對象的多樣性和複雜性以及機器視覺技術自身的特點，機器視覺技術在農業領域的應用仍存在如下問題。

1）機器視覺技術對測量條件和環境要求較高，但是農業生產環境複雜，應用場合多變，針對不同的研究對象和生產環境需要開發不同的處理演算法，使得機器視覺測量的環境適應性和可靠性較差。

2）由於農作物特徵的多樣化，機器視覺在農作物信息檢測和特徵提取方面還存在一些不足。對於一些顏色或形狀特徵不明顯作物的檢測還需要研究更高精度的檢測演算法。

3）目前包含末端執行機構的機器視覺系統還不成熟，未能進行大規模的農業生產應用。並且，由於機械控制系統存在的局限性，導致機器視覺在某些實時性要求較高的場合仍然達不到要求。

4）當前基於機器視覺的農業裝備集成化和智能化程度不高，操作複雜。國內外很多對於農業生產的機器視覺應用研究仍處於試驗階段，農業智能裝備的大規模應用還需要克服很多實際問題。

由於問題的複雜性和長期性，機器視覺系統在農業領域的應用還要經歷一段很長的發展階段，其未來的研究和發展方向主要集中在以下方面。

1）圖像處理是機器視覺技術的核心，對現有的演算法進行改進或者研究出更為高效的演算法，提高機器視覺系統的處理效率和魯棒性，仍然是未來機器視覺應用和發展的重要前提。當前，基於卷積神經網路的圖像識別演算法正處於研究階段，訓練後的卷積神經網路可以極大提高圖像識別的準確性，應用卷積神經網路模型的機器視覺系統將成為未來發展趨勢。

2）嵌入式視覺系統具有結構緊湊、處理速度快、成本低等特點，成為未來機器視覺系統發展的重要方向。也使得結合機器視覺系統的農機裝備的大規模普及成為可能。

3）融合多種技術的機器視覺系統也是當前及未來研究熱點。例如，融合機器視覺系統和北斗導航系統，可以實現農田導航系統的高精度和低成本；融合三維成像技術、神經網路技術、智能控制技術等，可以使農田作業機器人更加智能化。

結 論

機器視覺技術在農業生產中的應用研究範圍很廣，涉及農業生產的各個環節。在農作物種子的精選和質量檢驗、作物病蟲害的監視、植物生長信息的監測、果蔬的檢測、水果分級、糧食的無損檢測及農業機械上都起著很重要的作用。機器視覺技術以其獨有的優勢，對實現農業的高度自動化和智能化有重要推動意義。目前，中國的機器視覺農機裝備相比於國外仍有一些差距，精度及自動化水平較低，實際應用也存在可靠性問題，說明中國的農業智能化發展還有很長的一段路要走。當然，機器視覺技術本身的局限性和農業應用的複雜性也限制了機器視覺裝備的大規模推廣和使用。當前機器視覺技術仍處於高速發展階段，隨著現代智能化及相關技術的發展，機器視覺技術也將不斷完善，現階段的很多問題會得到解決，機器視覺技術在農業領域的應用也將進一步擴展。

參考文獻（略）

本文作者：陳兵旗，吳召恆，李紅業，王進

作者簡介：陳兵旗，中國農業大學工學院，教授，研究方向為圖像處理。

注：本文發表於《科技導報》2018 年第11 期，敬請關注。

（責任編輯 王志敏）

《科技導報》

中國科協學術會刊

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！