机器视觉技术在农作物病虫害的研究与应用

潘志国

（青岛农业大学，山东青岛,266109）

0 引言

机器视觉，又称为计算机视觉，是指用计算机实现人的视觉功能，对客观世界的三维场景的感知、识别和理解。80年代初，欧美发达国家较早的开展了机器视觉的研究，并利用该技术开展了农产品的品质检测与分级、病虫草害的检测与防治、自动化收获、农机的自动导航等方面的研究。我国对机器视觉的研究相对国外较晚，但十年来，机器视觉在我国农业领域的研究越来越广泛，取得了较多成果，对促进我国精细农业和智能化农业的发展有着重要的意义。

利用机器视觉技术检测和识别农作物病害、虫害是进行病虫害防治的基础，同时还可以根据获取的图像诊断作物受害的程度、病灶的位置，为变量化、自动化施药提供技术支持，从而达到提高药剂的使用效率，减少环境的污染，增加产量，降低劳动强度的目的。

1 病虫害的检测

由于农作物面临的病虫害种类繁多，通过人工识别难度较大，且需要经验或者专业知识。利用机器视觉提取病虫害的特征进行自动检测与识别，可在一定程度上提高识别的效率和准确性，是诊断病虫害的未来发展方向之一。病虫害的检测是病虫害防治的基础，为后面的防治方法提供决策依据。

1.1 农作物病害的检测

农作物病害通常体现在植株颜色的变化，其主要表现在叶片或者果实上颜色的变化，对于外观上的病害利用机器视觉方法比较容易发现。对病害的检测主要利用颜色特征和纹理特征来识别。

Yutaka Sasaki等较早的研究了黄瓜炭疽病的图像特征及识别方法。张静等研究了植物病害图像叶片纹理特征的提取方法，用来提取黄瓜斑疹病和角斑病的特征参量。

虎晓红，李炳军等研究了多示例图的小麦叶部病害分割方法，可以更好的度量示例包的内部差异和示例包之间的差异，同时兼顾了图像的局部信息和全局信息，通过对小麦锈病和白斑病图像的试验表明，所提出的方法具有较好的鲁棒性，并且分割效果高于传统的分割方法。

1.2 农作物虫害的检测

对农作物虫害的检测分为两个方面：一是虫害后农作物的检测；二是对害虫的检测。对虫害后农作物的检测、识别较容易，而对害虫的检测，由于害虫生长、运动、变异等因素的影响，识别起来相对较困难。

国外，Keagy等较早的采用机器视觉开展甲虫害的研究。Panigrahi等通过研究虫害后的玉米棒，根据虫害后的缺失部位灰度的变化，能够识别受虫害的玉米穗。沈佐锐等首次提出利用机器视觉对温室红的白粉虱进行自动计数，并研究对害虫种类的识别。

国内，陈佳娟等通过分析棉花叶片的空洞及叶片的残缺来检测棉花虫害的受害程度。应用局部门限法和高斯拉普拉斯算子进行棉花图像的分割和边缘检测；利用边缘跟踪算法确定棉叶中的孔洞；利用膨胀算法确定叶片边缘的残缺，实验表明该方法可有效地测定棉花虫害的程度，测定精度可达95%。邱道尹等设计了一套基于机器视觉的储粮害虫智能检测系统，通过提取出的粮虫面积、周长、复杂度为特征，运用模糊决策分类器对粮仓中常见害虫进行了分类，该系统的识别正确率达到95.2%。邱道尹等还设计了大田害虫实时监测系统，试验验证了系统的可行性。陈月华等研究了基于机器视觉的小麦害虫分割算法，他们以小麦蚜虫为例，对非特定环境下害虫分类和分割算法进行了研究，该算法对害虫的分割识别准确率达到了90.7%。结果表明，主成分神经网络简化了网落结构，减少了训练时间和计算量，提高了识别的正确率，其对大肠杆菌的识别正确率达到了91.33%。

2 病虫害的防治

对病虫害害的检测和识别是病虫害防治的基础，根据检测的来结果判断病虫害的程度，然后利用设计好的决策系统来实现农药喷洒。国际上一些发达国家现在已经取得一些成果，逐渐进入应用阶段。

在国外，Giles 和 Slaughter研制了一款基于机器视觉的精确喷药系统，通过与传统的喷雾方式相比可以大大减少杀虫剂的用量，对目标作物上的雾滴沉降率提高了2.5-3.7倍，对周围土壤沉降量和空中飘移分别减少了72-90%和62-93%。Tellaeche等开发了一套精确决策系统，通过贝叶斯错误率决策法来判断图像所包含区域是否喷药，准确率达到了92%。

3 存在的不足与未来的发展方向

3.1 存在的不足

相比人工检测，机器视觉检测有其突出的优越性，具有高效快捷的特点。但是由于农作物病虫害的多样性和不规则性给病虫害的检测带来了困难，对该领域的研究还有许多难题需要解决。结合前人的研究成果，机器视觉技术在农作物病虫害的检测与防治存在以下不足：

1）在病虫草害的检测上，目前大多数研究的对象对静态图像的获取与分析。

2）学者的研究还主要集中在某种作物单个或几个病害、虫害和草害的研究，利用机器视觉针对某种作物病虫草害的综合检测研究较少。

3）由于农作物病虫草害图像的复杂性，在实际应用中经典的算法不能满足各种病虫草害实际检测的要求，需要对算法不断地改进以提高检测和识别的效率和准确性。

4）缺少关于病虫草害检测算法的研究数据库，这样不利于针对农作物病虫草害的综合检测，也不利于研究成果的共享及研究的深入，也会进一步影响病虫草害的防治。

5）单纯利用机器视觉进行病虫草害的检测与防治，存在一定的局限性。

3.2 未来发展方向

随着科技的进步与研究的深入，基于机器视觉的病虫害检测与防治将是一个复杂的系统工程，并配有一个复杂的智能专家检测和决策系统来应对复杂的病虫害检测与防治问题；该系统将会涉及诸多学科，需要不同专业的科研工作者努力和合作才能不断提高和完善，任重道远。随着物联网、自动化技术的发展，基于机器视觉的病虫害的检测与防治的未来发展方向体现在一下几个方面：

1）建立针对不同农作物及不同生长阶段的病虫害检测算法的综合数据库系统，将现有的研究成果总结与分类，将算法进行优化，供使用者调用。既能避免重复研究，耗费人力物力，也能较快的促进科技成果的转化。

2）建立病虫害的智能专家检测系统，该系统以病虫害检测算法数据库为基础，可实现对不同农作物病害、虫害的检测与识别。

3）建立病虫害的智能专家决策系统，该系统可以根据病害、虫害的综合检测结果来判断病虫害的受害程度，通过分析来判断是否进行病虫害的防治以及怎么进行防治。

4）利用物联网、自动化等技术，研究开发终端设备或者农业机器人来完成病虫害的检测与防治，此类设备可以利用物联网从病虫害检测算法数据库系统、智能专家检测系统以及智能专家决策系统下载并更新设备中的数据，或者设备将获取的图像利用网络服务器进行远程的病虫害检测。

[1]虎晓红，李炳军，等.基于多示例图的小麦叶部病害分割方法[J].农业工程学报，2012，28(13)：154-159

[2]Keagy P M,Schatzki T E.Machine recognition of weevil damage in wheat radiographs[J].Cereal Chemistry，1993，70(6): 696-700

[3]Panigrahi S,Misra M K,Bern C,et al.Background segmentation and dimensional measurement of corn germplasm[J].Transactions of the ASAE，1995，38(1): 291-297

[4]邱道尹，张红涛，等.基于机器视觉的大田害虫监测系统[J].农业机械学报，2007，38(1):120-122

[5]陈月华，胡晓光，等.基于机器视觉的小麦害虫分割算法研究[J].农业工程学报，2007，23(12):187-191