计算机视觉在我国水稻生产中的应用研究概述

黄筑斌， 吴 隽

(贵州省农业科技信息研究所， 贵州 贵阳 550006)

计算机视觉(Computer Vision)是指用计算机及相关设备对生物视觉进行模拟，通过对采集的图片、视频进行处理，以获得相应信息，实现物体识别、形状方位确认、运动判断等功能，以适应、理解外界环境和控制自身运动[1]。其研究最早可追溯到1982年英国神经和心理学家大卫·马尔 (David Marr) 所著《视觉 (Vision)》一书[2]。计算机视觉综合了计算机科学和工程、信号处理、物理学、应用数学和统计学等多个学科，涉及图像处理、模式识别、人工智能、信号处理等多项技术，应用场景包括图像分类、目标检测、图像语义分割、目标跟踪等。经过40余年的发展，特别是在进入21世纪以来，随着大数据技术和深度学术技术的快速发展，推进了计算机视觉在公共安全、自动驾驶、医疗健康、新零售等领域的广泛应用[1]，使其成为人工智能技术的主要分支之一。在农业领域，计算机视觉技术同样得到广泛应用[3-5]，并且，随着我国推进农业现代化进程中日益重视将包括人工智能在内的新一代信息技术与农业融合，加快数字农业技术创新和转化[6]，发展数字农业和智慧农业等业态[7]，计算机视觉在农业领域的应用将具有良好的发展前景。

近年来，我国农业生产数字化改造已初见成效[7]，粮食生产领域也在积极探索数字化和智能化转型升级[8-9]，国内众多学者随之以促进实现水稻生产的智能化为目标，开展了计算机视觉技术应用于水稻生产的研究。为推进计算机视觉在水稻生产中的应用研究提供参考，概述计算机视觉在我国水稻生产中的应用研究成果。

1 生长监测

1.1 叶绿素含量测定

叶绿素含量是反映作物生长过程中光合作用能力、营养胁迫和生长发育的重要指标[10]。准确测定水稻叶绿素含量有利于了解水稻的光合作用能力,为水稻高产育种和栽培提供依据。吴少俊[11]通过对水稻叶片图像进行处理并提取叶片轮廓，以G-R、B-R和R/(G+B)等3个颜色特征参数建立估算模型测定水稻叶绿素含量，结果表明，基于G-R和R/(G+B)参数的模型对检验样本SPAD值拟合方程的决定系数和斜率均接近1，精度较高。陈诚等[10]利用计算机视觉技术获取水稻叶片的多个颜色指标，结合BP网络、多元回归模型和遗传算法，建立叶绿素相对含量(SPAD值)的预测模型，其预测结果与大田实测数据相对误差率仅为3.355 7%。童钊[12]提出基于计算机视觉的水稻叶片叶色网格分析法和测量叶片面积的新方法，并建立实验室环境下和大田环境下水稻叶片颜色特征值与SPAD值的模拟模型，其预测精度最高可分别达97.5%和96.59%。路艳[13]提出基于OpenCV获取水稻叶片形态参数的方法，并应用BP神经网络、支持向量机及随机森林构分别建立水稻的叶面积和SPAD模型，结果表明，BP神经网络模型对水稻叶面积和SPAD值的拟合效果均最佳。

1.2 氮素含量测定

氮素是作物生长所必需的重要物质。有效测定水稻氮素含量有利于掌握水稻的氮素营养状况，为科学施肥提供依据。刘江桓[14]对不同生长时期的水稻叶片颜色分量与叶片及全株氮素含量的相关性进行拟合分析得出，稻株的顶3叶对植株全氮最为敏感,同时，叶片颜色的G以及G/(R+G+B)特征与植株全氮含量具有最高的相关性，以其作为参数建立模型对水稻氮素营养状况进行诊断具有较好的识别率。

1.3 秧苗状态识别

随着工厂化育苗的发展，采用恒温箱进行育秧在水稻生产中得以应用。对于此类封闭式环境，秧苗形态识别及其生长参数监测是保障秧苗正常生长的重要措施。陈信新等[15]利用协方差聚类算法对秧苗RGB彩色图像进行分割，再选用连续腐蚀开操作结合Hough变换进行预处理，提取与秧苗徒长直接相关的株高、叶面积、着生角、生长速率等形态指标参数进行曲线拟合，探索了一种识别恒温箱封闭式育秧环境下秧苗发育状态的方法。该方法识别秧苗及其形态指标参数的准确率达87.5%，秧苗形态参数识别误差低于7%。

2 机械化作业

2.1 秧盘补苗

工厂化育秧作业中，育秧盘普遍存在空穴和单粒穴的情况，影响秧盘育秧成秧率。为解决该问题，王桂莲等[17]针对超级杂交稻钵体秧盘育秧播种质量检测与补种，基于计算机视觉技术开发了针对空穴和单粒穴补种的智能补种装置。其通过对秧盘图像的处理与分析获取空穴和1粒穴位置坐标，再利用定位机构和补种机构从种槽取种和对秧盘指定位置动态补种。

2.2 作业机械的自动导航

自动导航是实现农业机械化的重要内容[18]。针对水稻插秧机的自动导航，毛可骏等[19]提出了一种利用秧苗行分割线作为基准线提取导航参数的算法。其主要原理是根据秧苗在田间环境的特征,采用EXG因子分割图像，在此基础上拟合秧苗区域的水平分割线，再利用分割线计算插秧机的位移偏差和角度偏差，作为插秧机的导航参数。该算法计算得出的位移偏差及角度偏差与人工测量误差小，且实时性好、精度高。对于水稻收获机的自动导航，关卓怀等[20]提出了一种水稻收获作业视觉导航路径提取方法。其采用基于2R-G-B超红特征模型的综合阈值法进行图像分割,对分割图像进行形态学运算处理，根据图像灰度垂直投影值动态设定感兴趣区域，水平扫描获取作物线拟合关键点，最后采用多段三次B样条曲线拟合法提取水稻待收获区域边界线。经室内试验表明，提取的图像中距离信息平均误差为9.9 mm、偏差率为2.0%,角度信息平均误差为0.77°、误差率2.7%。

另外，在水稻制种田授粉作业中，植保无人机已得到广泛运用[21-22]。为提高无人机授粉作业效率，郭祥雨等[23]提出一种在复杂环境下快速准确提取水稻制种田导航线的方法。其原理是基于田间图像中父本与母本行的特点分割出父本行，再结合中值滤波和形态学方法对图像去噪，基于作物行最大连通区域提取感兴趣区域(ROI),引入趋势线消除断行与作物形态的影响，水平行扫描提取特征点等拟合出导航基准线。该方法的准确率可达92%以上，且处理实时图像的耗时较短，在不同环境下具有良好的可靠性。

2.3 含杂率和破碎率计算

水稻含杂率、破碎率是衡量联合收获机作业质量的重要标准[24]，2021年，农业农村部还明确要求将机收减损作为当前和今后一个时期粮食生产机械化工作的重中之重常抓不懈[25]。快速准确地计算该两项指标，有助于合理调整联合收获机的工作参数，提高收获作业质量。陈进等[26]采用经多尺度Retinex算法增强的原始图像，对HSV颜色模型的色调、饱和度分别设定阈值进行图像分割，并结合形状特征进行分类识别，结果表明，茎秆杂质、细小枝梗杂质、破碎籽粒识别的综合评价指标值分别达86.92%、85.07%、84.74%。另外，采用“色谱训练-验证”两步法对完整和破碎籽粒进行识别，结果表明，完整和破碎籽粒的识别率达96%，破碎率监测值与真实人工监测值具有良好的趋势一致性[27]。

3 品质检测

3.1 种子活力检测

种子活力是种子品质评估的重要指标。随着水稻免耕直播技术和大规模机械化插秧的推广应用，对种子活力提出了较高要求[28]。针对种子活力检测方法较繁复的不足，章华仙[29]利用Matlab 6.5对四唑染色后的水稻种子胚图像进行预处理，选定阈值进行图像分割，特征提取，区域标记和图像识别，结果表明，图像处理结果和标准发芽测试与人工判定结果间有很好的相关性。

3.2 稻种质量检测

除种子活力外，还有学者利用计算机视觉技术对识别正常稻种、微裂稻种、霉变稻种、裂颖稻种进行研究。成芳[30]构建适用于稻种质量检验的机器视觉硬件系统，设计适用于稻种质量检测的图像预处理方法，并开发高精度识别算法进行不同品质水稻的识别，对正常稻种、微裂稻种、裂颖稻种的平均识别准确率分别达96%、92%、87%。

3.3 空壳率计算

水稻出现空壳会对其产量带来不利影响，而水稻自身的品种特性是影响其空壳率的因素之一[31]，因此，计算空壳率对于评估稻种品质具有一定的参考意义。为实现水稻空壳率的自动化检测，王康[32]设计了一种基于机器视觉技术的水稻空壳率检测设备。其利用稻谷的透光性，使用普通可见光照射方式对水稻颗粒图像进行分析处理，分别采用灰度特征和YUV颜色模型进行空壳稻粒的识别。结果表明，在稻粒无粘连的情况下，错判数仅为9粒，误差率为4.86‰，符合水稻空壳率计算误差必须控制在5‰以内的标准。

4 栽培管理

4.1 稻种精选

品质优良的稻种是保障水稻产量和质量的基础。为探索精准自动筛选稻种的技术方法，陈兵旗等[33]以面积和宽长比作为稻种类型的特征参数，以等价矩形长、宽的差值最小为标准，进行未知稻种类型的判断；以扫描线上黑白像素的变化次数和扫描线数判断稻种的破裂；以不同阈值提取的稻种面积差判断稻种是否霉变。结果表明，对稻种类型、工位有无种子、种子几何参数以及发霉与破损情况判断的正确率分别达100%、91.4%、88.9%和76.8%。

4.2 成熟度检测

成熟度判定是开展水稻收获作业的关键因素，对水稻实收产量和质量具有显著影响。许煊汶[34]通过对水稻的图像信息分析，使用大数据统计的方式计算出不同成熟度所对应的不同水稻RGB信息，结合深度学习算法，并通过制作“比色板”方式辅助算法对水稻的成熟度进行预测，构造以青米率为判别成熟度指标的模型。与人工测定青米率判断成熟度的方式相比，该模型的最大绝对误差为8%，最大相对误差为13%。

4.3 杂株识别

杂草稻是一种具有野生稻和栽培稻特性的一类杂草[35]，其会与水稻争夺阳光和养分等，进而显著影响水稻的产量。为准确识别水稻杂株，以实现对其进行有效控制，李宁等[36]设计了一种由图像获取系统、特征提取系统和模式识别方法系统组成的水稻杂株识别系统。该系统可利用颜色特征识别图像中的杂株，通过 DS 融合理论程序实现水稻杂株的识别，准确率达92%以上。袁南星等[37]采用类似方法对水稻各生长发育期的杂株进行识别得出，秧苗期水稻杂株的识别率较低，仅为89.1%，而抽穗期的识别率最高。杨红云[38]利用水稻叶片冠层图像，针对水稻叶片与单片近圆形杂草的识别，提出了凹点检测与Hough变换相结合的识别方法；同时，针对多片杂草交叠生长的情况，提出了基于二值图像轮廓曲率的杂草识别方法。2种方法对水稻杂草的识别准确率分别超90%和87%。

4.4 病虫害识别

病虫害识别是计算机视觉技术在农业领域的主要应用场景，涉及病害虫的分类、检测和识别等[39]。针对水稻叶斑病，刘涛等[40]利用水稻大田、病害图册和病害数据库的图像数据，建立颜色、形状、纹理、病健交界4个特征参数的支持向量机模型，其平均识别准确率为92.67%，平均漏报率为7.00%，最大漏报率和误报率分别为15.00%和25.00%。吕军[41]采用基于图像灰度差分的背景分割方法，以支持向量机作为分类器对多种水稻灯诱害虫进行识别，实现了对每种害虫的准确计数。针对水稻纹枯病，沈美等[42]通过分析自然环境中典型水稻叶部纹枯病病害的颜色特征与局部模糊特征，运用神经网络算法对5个危害级别150个样本进行识别得出，2级病叶识别的正确率接近80%，3级90%，4级100%，5级正确率接近75%。针对水稻基部白背飞虱，刘庆杰[43]采用NCuts算法进行水稻粘连害虫图像分割，建立综合Adaboost算法、HOG特征、SVM分类器、常规特征参数的检测机制，实现白背飞虱的检测与计数。在水稻病虫害识别的实践应用上，管泽鑫[44]构建水稻病害数据库，以计算机视觉技术结合模式识别方法为基础，开发了具有图像采集、病斑分割、特征提取、室内病斑评价、病害识别等功能的水稻病害智能识别系统。

5 结语

计算机视觉在水稻生产上的应用涉及水稻的生长监测、稻种品质检测、病虫害识别等方面，其主要的实现方式可概括为图像获取-图像特征提取-建立算法(模型)识别特征。现有的相关研究也主要围绕这三方面开展，以实现方法上的改进，但相较于其他领域的计算机视觉技术应用现状，并且与我国水稻的总体生产规模相比，并未普遍有效实现成果转化，没有在水稻生产实践中得到广泛应用。从产业发展的角度看，我国农业整体的数字化和智能化程度仍然不高，尚需一定的发展过程。从技术层面看，与其他应用计算机视觉技术较成熟的领域相比，农业领域应用计算机视觉仍需要改善软硬件配套，提高技术的实用性和易用性。另外，与其他行业相比，特别是标准化和可控程度更高的工业，农业生产本身具有特殊的复杂性，存在诸多影响因素和不可控的风险，实现计算机视觉技术在农业生产中的成熟应用具有更大的技术难度。综合来看，推进计算机视觉在包括水稻生产在内的农业领域进行应用，不仅需要从技术上持续改进，也要结合我国农业数字化和智能化发展的现实条件和趋势，探索技术最终得以应用的有效方式及相应的保障和支撑措施，逐渐建立相对完善的技术研发和应用体系，更好地实现科技兴农。