计算机视觉技术在农业自动化中的应用

张玲　邹承俊　何兴无

摘要：随着图像处理技术的发展，计算机视觉技术在农业自动化领域中的应用越来越广泛。该文基于前人的研究，对计算机视觉技术在农产品生长中的自动监控、农产品的自动采摘以及筛分过程中的应用进行了分析总结，针对目前应用研究中存在的问题及将来的发展方向提出了自己的观点。

关键词：视觉技术；农业自动化；自动采摘

中图分类号：TP302 文献标识码：A 文章编号：1009-3044（2014）31-7464-02

计算机视觉开始于60年代初，经过多年的发展，计算机视觉技术渐趋成熟。它是一门在人工智能、图象处理、模式识别等领域基础上发展起来的学科。计算机视觉与人类视觉有着非常相似的原理，在人类视觉研究基础上展开计算机视觉的研究将会十分有益。国外在利用计算机视觉技术推进农业自动化中已经作了大量的研究，近年国内的大量学者也在此领域进行积极的探索。

1 计算机视觉技术

计算机视觉属于计算机模式识别与人工智能应用的范畴，其通过图像处理以及图像分析理解可以获取到相关景象或者控制动作的数据，模拟出物体形状及视觉特征。近年来，计算机软硬件技术和图像处理技术迅速发展，使得计算机视觉技术在农业自动化中得到研究应用，并且取得了较大的进展，例如温室大棚中作物生长过程中的监测诊断、农作物成熟后的自动采摘以及农产品质量品质鉴定、分类等。

2 计算机视觉在农业自动化中的应用现状

1） 在农作物生长过程监测诊断

国外在利用计算机视觉技术监测温室作物生长方面已经开展了许多研究。如GR.Hack利用图像处理技术测量大棚生菜在初期生长阶段的叶面积；K.A.Tarbell利用计算机图像技术设计了黄瓜生长状态分析系统；Ahmad I.S.等人利用彩色图像信息评价缺水和缺氮对黄瓜生长的影响及由此呈现的杆株RGB和HSI色彩特征，经过研究发现与RGB值相比，HSI值更能清晰地表征黄瓜植株的颜色变化； Woebbecke D. M.等1995年的研究发现利用彩色图象的2g-r-b特征区别植物与非植物背景的效果很好，可用于设计定点喷洒控制[1]。这些研究结果为基于杂草探测的精确施药技术的应用打下了一定的基础。

国内在农作物长势智能识别研究方面的起步较晚，但近些年发展比较迅速。目前在应用中，智能温室普遍采用传感器等物理方式实现作物长势智能检测与监控。对于计算机图像技术的运用研究方面，有不少学者已经完成了部分研究。例如东北农业大学信息学院的关辉等人成功的运用数学分析模型获得叶片病斑面积与叶片面积的比，实现分级；湖南农业大学工程学院的周正等人应用计算机图像处理技术对番茄叶部病害识别进行了研究，并进行了仿真和对比实验；吉林农业大学信息工程学院的彭占武等人完成了黄瓜病害特征提取的研究等；河南科技学院园林学院的刘弘等人利用成熟的图象处理软件等实现了快速测定南瓜叶面积的方法等[2]。

2） 在农产品自动筛分方面的应用

通过图像获取设备获取农产品图像，对图像进行去噪、分割处理后，可以从获取的图像中得到丰富的参数和数据信息。针对图像特征参数与农业产品的外部物理参数（例如颜色、形状或大小等）不用人眼依次测定对象便可对其进行质量判别、筛选和分类，而且和人工检验相比具有效率高、识别率高、标准统一的优点，因此计算机视觉技术动植物和农产品等生物体的自动化检测筛选系统中得到广泛的使用。例如：1984年， ThylorRW[3]等人运用线扫描和模拟摄像机完成了苹果自动损伤判定试验从而证明计算机视觉技术在自动筛分方面的应用是可实现的。当图像识别和近红外技术逐渐成熟，近红外计算机视觉分级方式已逐步被应用。特征参数变得更加立体化，由单一指标逐渐到农产品的外部缺损、外形、颜色等等，多个特征参数进行对比判别，使筛选精度进一步提高。紧随其后，Sarkar N和R.R.WoVe对新鲜优良番茄定向选择机制[4]的研究取得了很好的成果，在此研究中，他们首次结合数字图像分析和模式识别技术； 1991年，Miller BK 等人在桃的筛分研究中，进行了图像亮度的校正和区域的分割，采用近红外方式对没有明显边缘损伤的图像进行识别，自动分级效果达到美国农业部相关标准； 1997 年是我国应用计算机视觉技术服务农业的转折点，中国农业大学汪懋华等人这一年首次运用计算机视觉技术完成了苹果缺陷自动检测的研究；张书慧等人通过对农产品图像专家系统的建立，对苹果等农产品检测分级系统进行了研究。该系统实现了产品颜色、形状和伤势的准确分级，检测准确率达到96%左右；2008年，南京林业大学黄秀玲等设计了一种基于自动定向原理的苹果品质动态、实时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[5]。

3） 在自动化采摘农业产品方面的应用

自动采摘农业产品的机器人研究是近年来最热门的课题之一。美国研究人员Schertz等人早在1968年，就开始对水果的自动采摘进行研究，但当时未能实现； 1989年Slaughter D. C.等研究出一种从柑橘树上识别橘子的分类器模型，其大量运用了自然光照获取的柑橘图像上的颜色信息，并建立了一个关于色度和亮度信息库，实验得出此分类器从橘园的自然环境中成功识别桔子的概率达到75%；到2003年，荷兰学者E.J.VanHenten等研制了基于双目立体视觉原理的温室黄瓜自动采摘机器人；亚洲相关的研究紧随其后，走在亚洲计算机视觉技术研究领域前列的国家是日本。日本学者研究的西红柿自动采摘机器人很好的结合使用了传感器技术，其已经能较为准确的识别出果实与树叶。当机器人通过彩色摄像机视觉传感器传回寻找到成熟果实信息时， 机器人自动控制系统展开工作，甚至可以准确的采摘到被叶挡住的西红柿果实；台湾的K.C.T ing和Y. Yang等人研制成功的移栽机器人可以确定苗盘的大小和苗的定位[6] ，机器人由顶部的视觉传感器、主体部分的ADEPT - SCARA 四自由度工业机器人和SNS夹持器组成。国内在1995年，周云山研究采自动摘蘑菇的机器人，使蘑菇的生产从苗床管理到收获分类实现了全部自动化[7]；2011年张凯良等研究了实时自动采摘系统，但其在采摘速度、精度等方面仍需提高；彭辉等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阈值进行二值化取得比较好的效果[8]；

3 计算机视觉技术在农业自动化应用中存在的问题及未来研究的方向

计算机视觉技术在农业自动化中的应用已经取得了很大的发展，但由于农业图像的复杂性，多变性，使得图像中物体颜色、灰度、形态、背景等差异很大，使计算机视觉在应用中存在一些问题：

1） 农业图像复杂。一方面存在图像背景复杂、多变、叶片遮挡等问题，另一方面由于多数处于室外环境，采用自然光源，导致成像不稳定。目前很多研究是在实验室中布置好特定光源进行的，与露天的田间环境存有很大差别，这些因素都为图像分割增加了难度，在常见的串行方式处理下，效率很低；需要加大算法的快速性和有效性的研究，例如利用分形理论、小波变换等现代数学的分析方法， 以及模糊控制、神经网络以及遗传算法等智能算法进行研究。

2） 视觉技术对农业自动化的应用很大程度建立在农业专家知识库的基础上，而目前我国专家知识库的缺乏阻碍了视觉技术在农业中的应用，应当鼓励辅助视觉技术的专家系统的研究开发。

3） 实时图像处理技术尚待研究：目前的图像处理研究，大多数停留在静态层面，而大多数情况，实时的图像处理技术在农业自动化中被要求。因此，对识别算法实时性提出较高的要求，而由于图像处理的计算量很大，所以如何快速地识别目标对象也成为限制机器视觉技术在精细农业中实际应用的难点和未来的方向[9]。

4 结束语

作为一门新兴学科，计算机视觉技术在我国农业自动化中的应用研究还有巨大空间，在节约农村劳动力，提高农业生产效率以及实现农业现代化的过程中有广阔的应用前景。目前由于视觉理论、图像算法及硬件条件的限制，研究还未在生产中得到好的应用，随着相关技术的发展，计算机视觉技术必将在农业自动化中过程中发挥重要作用。

参考文献：

[1] 许月明，张爽.计算机视觉技术在农产品分级中的应用[J].安徽科技学院学报，2012，26（5）：85-89.

[2] 李辉，滕桂法，张燕.数字图像处理技术及其在农业中的应用研究[J].安徽农业科学，2013，41（13）：6060-6061，6072.

[3] 刁智华，王会丹，魏伟.机器视觉在农业生产中的应用研究[J].农机化研究，2014，3（3）：206-209，6072.

[4] 李红俊，韩冀皖.数字图像处理技术及其应用[J].计算机测量与控制，2002，10（9）：620-622.

[5] 苏光大.图像并行处理技术[M].北京：清华大学出版社，2002.

[6] Ting K CYANG Y.Factors affecting performance of sliding-needles gripper during robotic transplanting of seedlings[J].Applied Engineering in Agriculture，1991，7（4）：493-498.

[7] 周云山，李强.计算机视觉在蘑菇采摘机器上的应用[J].农业工程学报，1995，11：27-32.

[8] 张凯良，杨丽，张铁中.草莓收获机器人采摘执行机构设计与实验[J].农业机械学报，2011，42（9）：155-160.

[9] 冀荣华.机器视觉在精细农业中的应用[J].农机化研究，2011，12（2）：65-68.