|
机器视觉在农业生产中应用少广泛，在农产品质量分级、检测、农田病虫草害控制、农业自动采摘系统、农作物生长过程检测以及农业机械导航等方面均有突破。虽然机器视觉技术具有在农作物或农产品等识别方面比人眼更客观、更标准的特点，但是由于农田环境的复杂多变性以及非结构化特性，使得机器视觉在农业生产中的应用还不成熟。
一、机器视觉在农产品质量分级及检测中的应用
对农产品进行质量分级可以确定农产品品质，提高农产品商品价值。而人工分选耗时一耗力，且分选精度不高;运用机器视觉技术，对农产品图像进行处理，根据预先设定的分级标准完成自动分级，不仅能够达到较好的分级和检测效果，还具有较高的处理效率。
近年来，机器视觉在农产品质量分级、检测中应用研究较多，取得了一定的研究成果，并应用于实际生产中。河北农业大学赵彦如等(2003)利用机器视觉技术对鸭梨进行外部品质检测;对于果面缺陷的检测采用分光反射率的变化情况，对鸭梨进行精确分级。南京林业大学黄秀玲等(2008)设计了一种基于自动定向原理的苹果品质动态、实时一检测的智能化分级生产线。该系统通过均匀分布的3个摄像头一次性采集苹果表面信息，通过计算机智能控制系统对采集信息综合分析，完成苹果的分级。浙江农林大学刘建军等(2010)首先对山核桃进行图像分割，然后提取山核桃图像的横径、果长、大小等特征，结合其几何尺寸建立数学模型，更符合人们的消费心理和习惯。华中农业大学展慧等(2010)首先对板栗进行图像分割，并提取分割后图像的颜色、纹理等特征参数，以主成分分析法提取作为输入的特征参数建立BP神经网络分级模型，结果表明机器视觉技术对缺陷板栗的分级检测是可行的。Jason Liu } Weihua Wade Yang等(2011)采用机器视觉与人工神经网络相结合的方法，以大豆为例进行了试验探索，提取大豆的周长、最大最小横径、面积等特征参数，用不同参数组合建立人工神经网络，试验得出了对大豆质量进行预测的最优神经网络。
相对而言，在农产品分选机械中的应用是机器视觉技术在农业生产中应用比较成熟的领域;然而，在实际应用中，许多产品的质量标准不只是由外部特征决定的。因此，后续的研究需要考虑多种特征对于产品分级和检测的影响，并将内部参数和信息作为典型特征考虑。
二、机器视觉在农田病虫草害控制中的应用
病虫草害不仅会导致农作物的大量减产，在一定程度上还影响农产品的品质。机器视觉技术的发展为作物病害诊断、杂草识别提供了快捷、低廉和无损检测的可能。
对于机器视觉进行病虫草害检测的研究目前己取得一定成果，但大多研究还处于试验阶段，实时一控制有待进一步改善和提高。赵玉霞等(2007)根据玉米叶部病害特点，使用VisualC ++开发了玉米病斑诊断系统。系统对玉米叶部的锈病、弯抱菌叶病斑、灰斑、褐斑和小斑的诊断准确率在80%以上。东北农业大学陈月华等(2008)以小麦蚜虫为例，运用机器视觉技术对非特定场景下害虫的分类和分割算法进行了研究，训练了SVM分类器和基于K一均值聚类的分类方法，其准确率和速度能满足实时一处理的要求。江苏大学尹建军等(2010)首先对靶点图像进行初步的剪切和灰度化，并用最大类间方差法分割得二值图像，利用隐参数矩阵由靶点质心坐标求取靶点世界坐标。试验表明，利用建立的摄像机隐参数矩阵，有序杂草和无序杂草的质心定位误差分别为19. 2mm和22.8 mm，可以满足除草剂精确喷施的要求。陈丽等(2011)依据玉米叶部多种病斑的特点提出一种图像处理技术和概率神经网络技术结合的识别病害方法;最后用径向基函数神经网络和竟争神经网络组合的新型PNN神经网络对病斑分类。试验结果表明，该方法优于BP神经网络，能为快速诊断作物病虫害提供支持。刘君等(2012)提出了一种基于彩色图像处理的作物病害与防治计算机诊断系统，最后用机器学习进一步识别病害。该方法自动化程度高，对黄瓜、番茄等叶部病害的自动识别诊断在一定条件下效果较好。但是，本文所提出的方法对输入图片有一定要求，对于田间复杂图片需要手动选定处理区域，对于复杂的田间环境和复杂的病理因素还需要进一步改进算法。
由于作物病害本身具有多样性以及特征的变化性特点，为机器视觉诊断病害带来诸多困难。目前的实验研究虽然取得一定成果，但是从实用化角度来看还存在不足，单一的特征无法准确判断病害类型和受害程度。
三、机器视觉在农业自动采摘系统中的应用
果蔬采摘是农业生产链中最耗时一耗力的一个环节。农业机器人在解决劳动力不足、降低采摘成本、提高劳动生产率、保证果蔬适时一采收等方面具有很大潜力。然而，由于作业环境复杂多变，对视觉辨别能力要求高，目前的机器视觉定位蔬果己由最初的单目视觉发展到双目视觉甚至多目视觉，以实现对蔬果在三维空间的精确定位。
目前，对于机器视觉在农业自动采摘方面的研究取得了一定进展，特别是国外在农产品收获中的应用研究成果比较成熟。国内起步较晚，但近年来也成为一个较热门的研究方向，在借鉴国外技术的基础上也有了一定的发展。早在1968年，美国学者一Schertz和Brown就开展水果自动探测的研究;但由于技术不成熟，还不能实现自主采摘。荷兰学者一E. J. VanHenten等(2003)研制了一套基于双目立体视觉原理的温室黄瓜采摘机器人系统。该系统有一定的应用价值，但是还存在图像分割和匹配误差、漏检果柄和机械手误操作等问题。袁挺等(2009)针对黄瓜等与背景颜色相近果实提出了一种利用光谱成像技术检测成熟果实的方法。实验结果表明，正确识别率能达96%，但是对于光照变化以及部分遮挡的情况还是无法正确识别。Arman Arefi等(2011)就基于机器视觉的成熟番茄果实的检测和定位进行一系列研究，引入HIS和YIQ模型综合分析。静态图像处理试验表明，图像处理的速度以及对光强的适应性都有使用价值，但是动态性能还有待进一步研究。张凯良等(2011)设计了一套草蓦自动采摘执行机构。该系统在实时一环境中的实验效果比较理想，但采摘速度、精度等仍需进一步提高。彭辉等(2012)针对重叠果实不易分割的情况，提出一种基于双目视觉的视差图像分割算法，对每一单目图像用R-B参数进行灰度化，用中值滤波去除噪声，然后用迭代法自动获取闽值进行二值化;对双目图像选择基于摄像机标定的线性校正算法进行校正，对校正后的图像进行视差计算;在实际匹配时一采用左右图像分别作为模板的双向匹配法，对获取后的视差图像进行插值、平滑等处理，采用基于区域或边缘方法分割视差图像能较好地分割果实重叠，在复杂背景下该方法较之传统方法更加有效。
目前，基于机器视觉的自动采摘机器人对于“色觉”信号明显的蔬果(如苹果、番茄、草蓦等)可以很好地辨别，但是由于蔬果生长位置和方向的随机性，定位采摘点比较困难。对于颜色与背景相近的蔬果，纹理和形状能更好地表征目标。因此，结合多种特征提取有效参数组合能更好地适应环境复杂性，有效辨认成熟果实。
四、机器视觉在农作物生长过程检测中的应用
作物生长信息主要是用来提供作物生长状况的相关信息，例如水分、温度、营养状况等，能够为现代化的精细农业提供信息支持。机器视觉对作物生长信息的检测主要是及时一采集作物图像，通过图像处理提取作物营养状况信息，能够为判断作物生长状况提供决策支持。
目前，机器视觉在作物生长过程检测中的应用研究主要集中在叶片面积和颜色、植株高度、叶片形态和作物营养信息检测等方面，并取得了一定的研究进展。早在1996年，Ahmad I. S.等就利用机器视觉技术，通过对玉米图像色彩信息的提取和研究发现RGB值能很好地反应作物干旱和缺肥的症状，及时一为灌溉和施肥提供可靠依据。H}yesJ C等通过对灰度图像的纹理分析发现对于色彩特征不是很明显的作物，纹理能更好地表达其营养状况。张彦娥等(2005)应用机器视觉技术对黄瓜叶片营养信息进行检测。发现叶片RGB色彩空间的G指标和HIS色彩空间的H指标在光照合适的情况下与含氮量呈线性相关关系，且在光照变化时一，测定效果受到影响。宋亚杰等(2008)研究了基于机器视觉技术的无损作物水分检测模型，找到了作物需水状况与特征参数之间的关系，能够为精准灌溉提供决策支持;但是该算法鲁棒性较差，一般只适用于特定条件，对于复杂的农田环境还有很多问题需要考虑。张儿等(2009)采用多光谱机器视觉技术对油菜氮素营养进行检测，得到各生长期氮素营养诊断模型，并通过试验验证了多光谱视觉技术检测油菜氮素营养的准确性。希腊学者一Nick Sigrimis等(2010)采用CCD摄像机与滤光片相结合的图像采集设备，对不同营养水平下生长作物采集近红外和红光图像。从光谱反射率中提取多种主要植被指数，将这些指数和对应的叶面积N含量拟合发现作物的归一化植被指数(NDVI)等与叶片含氮量密切相关的指标，而且对光照变化的适应性更好;对黄瓜的检测实验表明，该方法对检测作物的营养状况和生长状态是可行的。
作物生长是一个较为复杂的动态过程，由于环境不稳定，对其进行实时一检测的设备要求较高。目前，无损检测基于颜色和外形特征的检测比较多，但是算法的通用性不强且精度不高。
五、机器视觉在农业机械导航中的应用
随着农业机械化、智能化的发展，自动导航系统己成为农田机械设施的重要组成部分，在自动化收割、喷施农药等方面己有应用。机器视觉是导航系统中的关键技术部分，通过实时一监测、图像处理等来为导航、定位提供必要信息。
在运用机器视觉导航的研究方面，国外学者一起步较早，国内令家学者一对于视觉导航的研究也做出了许多努力，取得了不少研究成果。1996年，Torii等人提出了基于机器视觉的智能农药喷洒装置，通过对目标图像在HSI空间的分析，用最小二乘法提取导航路径，该装置易受缺行和杂草干扰。美国佛罗里达大学Vijay Subramanian等人(2006)提出了一种基于机器视觉与激光雷达结合的柑橘园车辆自动导航方法，结合激光器的DGPS导航克服了果园树冠遮挡GPS信号致使导航错误的缺点。用干草堆替代的场景实验表明，大田环境下的导航效果在车辆速度低于3. lm/s的情况下可以满足要求。杨庆华等(2009)针对复杂的农林环境提出了不同的导航路径算法，针对矮小作物群的农田环境，采用限定区域的Hough变换方法，在直线检测前限定区域，利用简化向量T(e>的Hough变换批量处理类似农田场景;对于高大树木的林地环境，用Hough变换检测，依据树干与地面的交点确定机器人行走的左右边界，求两边界的中点，对这些中点进行Hough变换，生成导航路径。陈来荣等(2010)提出了基于梯度的随机Hough变换，能更好地适应密度分布不均的作物行，在缺行等情况下也能提供较准确的导航信息。Jinlin Xue } Tony E. Grift等人(2012)在总结己有成果的基础上提出了基于可变视场的农业机器人导航方案:对于田间环境下先采用远视场获取具有清晰对比度的图像，设定像素数量闽值，依据像素调整视场;通过图像处理依据左右玉米行确定导航路径。玉米田间的试验表明，在作物行中远视场时，精度最高可以达到平均误差lmm，其他两种视场下精度也能满足导航需求，而且理论上更能满足特殊行情况。
农业机械导航是实现农业产业全自动化的关键，作物行、垄、沟等田间环境为导航提供了有力的信息支持。机器视觉可以通过色彩对比度获取边界点、线，有效的图像处理算法可以提取出航向线;但是，在非结构化的农田环境下，作物形态各异和无序的杂草给导航信息的提取带来一定干扰。
本文链接：机器视觉在现代农业中的应用（中）之农业应用篇——武汉三维光之洋
|
