图像识别技术在农业领域的应用综述

洪杨 樊玮婷 何梦侠 李忠华

摘要：近年来，图像处理技术的迅猛发展使得图像识别技术在人工智能领域中至关重要。现如今，图像识别技术已广泛应用于农业领域，包括农作物病虫害识别、农作物生长状态判断及杂草识别、农产品成熟度和品质检测等，为人类的生产和生活带来了极大的便利。本文主要阐述了图像识别技术的基础原理，并深入分析了其在农业领域的应用情况，同时探讨了图像识别技术在精准农业中面临的挑战及其未来的发展趋势。

关键词：图片识别；病虫害；杂草识别；农产品分拣与质检；农业机械化

中图分类号：TP391        文献标识码：A

文章编号：1009-3044（2024）07-0024-04

开放科学（资源服务）标识码（OSID）

0 引言

我国是一个农业大国，随着国家相关政策对现代农业的大力支持，现阶段农业的智能化水平已经有了相当大的提升。采用图像识别技术结合自动化控制技术的自动化处理、分析农业数据和远程控制等优势，既避免了传统方法中需要人工干预的问题，保证了一定的准确率，也能够节省行业人工成本，为农民提供合理的管理建议，实现高效的农业智能化[1-2]。除此之外，通过精准的农作物管理和施药控制，还可以减少不必要的投入和对环境的污染，保护生态环境。本综述的框架如图1所示。

1 图像识别技术概述

图像识别技术是将图像对象转换为计算机可处理的数字信号，通过对这些数字信号的分析和处理，识别出图像的内容和类别，为下一步的操作提供数据基础。

在最初始的发展阶段，20世纪60年代计算机视觉开始发展，研究方向主要是将图像数字化，通过算法实现边缘检测、轮廓提取、阈值分割等基础图像处理技术，此时能够对一些较为简单的数字、文字信息进行处理，主要识别一些手写字符、将印刷字符转换为可编辑、可搜索的电子文本。到了发展中期，20世纪70年代开始运用模式识别技术对图像进行分类和识别，主要采用统计学习方法（如贝叶斯分类器），进行模式识别和图像分类等任务。主要应用于印刷体文字图像的处理和分析。20世纪90年代，神经网络被引入图像识别领域，计算机视觉研究开始利用图像的局部特征（如颜色、纹理、形状等）进行特征提取，从而实现对图像的分类和检索。主要应用于图像搜索、自然场景識别等领域。逐渐能够对一些简单的图像信息进行图像识别分类。随着21世纪深度学习的兴起，深度学习技术开始应用于计算机视觉领域。以深度神经网络为基础，通过多个层级的特征提取和分类器训练，实现对图像的自动分类和检索。主要应用于人脸识别、医疗诊断、车辆识别、农业等领域。卷积神经网络模型的应用和不断革新，目前该技术的智能化水平已经显著提高，能够实现对一些复杂背景、复杂图像以及小目标图像进行有效识别处理。

1.1 图片识别技术基础原理

图片识别技术的原理主要是将输入的图片经过预处理、特征提取和分类器训练三个步骤，得到对该图片所属类别的预测结果。

图片预处理是计算机图像识别技术应用中用于前期处理的重要步骤。由于图片获取的渠道不同，一些学者使用公开数据集，有的研究人员自主制作数据集，而采集图像使用的装备、制作图像标准的差异都对识别的效果有影响。预处理就可以将一些低价值的数据信息去除，保留有价值信息。图像信息的预处理方法较多，可以通过使用高斯滤波等方式去除图像中存在的噪声，使得图像更加清晰、有效内容更加突出；或者通过使用HSV、RGB等颜色空间等方式去调整图像亮度、对比度、色彩等，使图像更加清晰、鲜明；还可以通过灰度化处理能够将彩色图像转换为灰度图像，去除色彩分布对图像中相关特征的影响，将彩色图像的三个通道（RGB） 压缩到一个通道，并减小图像数据的维度，使得图像中每个像素的数值只代表灰度的强度，使得图像处理更加方便和准确[3]。

特征提取是图像识别技术非常关键的步骤，科学选择合适的特征点非常重要，可以对图像的识别准确率和计算效率产生巨大的影响。具体的特征点选取要根据识别需求和应用方向来决定。一般来说，颜色可以作为一种全局特征点，而纹理通常被用作局部特征点。颜色作为全局特征点能够快速地对不同对象进行区分，因为不同的对象往往具有不同的颜色特征。与颜色特征相比，纹理通常更加局部化，具有更强的局部判别性。除此之外，还有空间关系特征和形状等。所以在识别一张具体图像的应用中，对图片中众多的特征信息进行准确区分是非常必要的[4]。通过有效提取特殊信息，既能尽早发现农作物是否出现问题，又能实现对局部的瑕疵特征识别。

图像分类是智能化图像识别技术中的重要步骤。它通过深入研究数据特征，并通过交叉验证、混淆矩阵等方法评估不同分类器的性能，最终选择最适合的分类器。例如，在处理植物叶片的RGB图像数据集时，可以选择适合RGB颜色空间的分类器，如支持向量机（SVM） 、Softmax、随机森林（Random Forest） 等。选择好分类器后，可以利用网格搜索等方法对其进行参数优化，以提高农业领域图像分类的准确性和稳定性。

1.2 图片识别技术分类

图像识别技术目前主要分为传统的图像识别方法和基于卷积神经网络的深度学习图像识别方法。传统方法通常适用于简单的图像分类任务，因为它们不需要大量数据训练和复杂的计算，可以通过简单的特征提取和分类方法实现较好的识别效果，更为实用和经济。但是，对于复杂的识别任务和大规模的图像分类应用，深度学习方法在准确性和可靠性上具有很大优势。深度学习可以实现自主学习特征、处理高维数据、适用于不同的图像分类任务等。然而，深度学习需要处理大量数据，对硬件算力要求较高。GPU（图形处理器）拥有大量的并行计算单元，能够显著加速深度学习模型的训练和推断过程，这极大地推动了深度学习在农业领域的应用。例如，彭明霞等人[5]采用深度学习方法识别棉田杂草，模型在CPU上运行时，单张图片平均耗时1.51s，使用GPU时，单张图片的平均处理时间缩短到0.09s，速度提高了近17倍。

2 农业领域图像识别的应用

2.1 植物病虫害检测

植物病虫害目前依然是影响农作物产量和农产品质量的主要杀手，给农业生产带来严重的危害。使用农药可以在短期内取得不错的效果，但大量使用农药抑制病虫害的发展，不仅对生态环境造成破坏，还增加了病虫害的抗药性，同时也使得农产品的农药残留量不断增加[6-7]。利用图片识别技术可以通过对害虫的纹理、形态、大小等特征进行识别分类，通过在病虫害形成规模灾情、造成严重影响之前捕捉识别到的特征，可以将灾情发生的可能性降到最低[8]。近年来，大量学者通过使用和改进算法，使得病虫害识别效果得到了一定的提升。例如，Wang等学者[9]的研究利用了K-means算法和自适应聚类方法，对叶片虫害图像进行网格分割和特征提取，最终实现了高效、准确的叶片虫害识别，识别有效精度达96.3%。李文勇等人[10]对果园害虫形态和结构进行了分析，选取了多个害虫的重要特征，如头部、翅膀、足部等，得到了害虫在不同旋转角度和虫体姿态下的多维特征描述子，然后结合分类算法进行训练和识别，并实现了害虫的自动化检测和识别。徐境深等人[11]将图片识别技术结合极坐标与傅里叶变换方法，提取蔬菜病虫害的颜色与外形特征实施快速识别，检测结果的识别准确率达到99.0%。仲元红等人[12]采集了大量带标注的飞虫图像样本，并将这些样本送入CNN分类模型进行训练，该系统可以在不同条件下识别大多数飞虫，如白粉虫、蚜虫等，其准确率高达96%以上。图像识别技术具备的快速性、准确性、实时性等特点，能够克服人工识别效率低、误判率高等问题。

2.2 农作物杂草控制

田间杂草会竞争农作物的生长资源，并且生长周期往往比农作物短。因此，如果不及时割除或处理杂草，就会导致杂草生长繁茂，形成“杂草暴发”。此外，杂草还会吸引病虫害并传播病毒病，进一步危及农作物的健康和产量[13]。然而，长期的化学除草会导致杂草对除草剂产生抗药性，进而导致除草剂的使用增加，加剧环境污染和生态风险[14]。随着人们对健康和环保意识的提高，使用智能机械除草设备替代化学除草剂已经成为重要的方向。

通过拍摄田间实时图像，利用计算机对影像进行分析，可以进行土壤背景去除和苗草分离，然后定位目标区域。在定位确定后，切割部分会进行精确的力控制和速度调整，实现对杂草的高效切除[15-16]。目前，用于杂草识别的模型大多在已有模型基础上进行优化设计，以更好地适应现实生产环境的需求。

侯雨等人[17]采用改进的Canny边缘检测算法提取杂草特征，然后使用BP神经网络进行图像分类，识别大豆杂草准确率达到95.67%和93.33%。任全会等人[18]通过计算重要特征参数，构建Canny算子模型进行边缘检测，使用8种不同植物图像进行实验，并将结果与传统方法进行对比分析。结果显示，该方法在植物识别中的平均错误率明显低于传统方法，在杂草检测中也表现出更好的性能。樊湘鹏[19]使用优化的Faster R-CNN模型对自然条件下棉花幼苗及其７类常见杂草进行识别，mAP为94.21%，优于标准SSD（87.23%） 和YOLO（84.97%） ，但单张图片处理时间为0.385秒，高于SSD（0.297秒）和YOLO（0.314秒）。

考虑到实际应用方面，杂草识别是作业对象识别与定位的重要方面。如何将识别模型部署于无人机、田间移动平台，仍是后续研究需要解决的问题。

2.3 动物领域应用

近年来，基于图像識别技术的发展实现了无接触且无侵入性的动物身份识别，能够克服传统动物身份识别技术的局限性，成为计算机视觉领域的研究热点之一。将基于图像处理的动物身份识别技术应用于动物养殖可实现动物智能监督管理[20]。例如，杨晶晶等人[21]采用基于CNN改进网络进行雏鸡鉴别，能够在平均0.362s的时间内识别雏鸡性别的准确率达到96.82%，效果与具有10年经验的工作人员鉴别准确率相当。王文成等人[22]通过利用ResNet50网络框架对10种不同种类的鱼类图像进行处理，实现了准确的分类和识别，达到了93.3%的准确率。张宏鸣等人[23]利用改进的YOLO v3的肉牛多目标骨架提取方法实现了对肉牛站立与躺卧行为的识别，有助于提高养殖管理的效率和效果。图像识别技术已被广泛应用于畜牧养殖、动物生态研究等领域，呈现出多学科交叉融合的趋势，可以更好地促进动物行为分析研究、动物健康监测等方面发挥重要作用，提高动物产业的发展水平和动物保护水平。

2.4 农产品的分拣与质检

果蔬类农产品保鲜时间短、易损坏，纯人工分选速度慢、耗时长，影响流通效率。用果蔬分选设备替代人工分选已成为现代化农业发展的趋势[24]。例如，王志勃等[25]学者提出了一种基于机器视觉的自动化采摘和分拣系统，该系统能够实现对苹果的自动检测和采摘，并在分拣过程中实现了高效、准确的分类和分级。利用图像处理和计算机视觉等技术手段，对农产品的外观特征进行快速、准确和无损检测，从而实现对农产品的质量评估、分类和分级等工作。这样可以将农产品分成品质相似的批次，然后合并成易于销售和运输的整齐均匀的货物，降低不良农产品的混入率。

2.5 农业机械智能化

智能农机控制技术可以通过图片识别技术和高精度定位精确地控制农机在田间施肥、施药和灌溉等操作，降低过量施肥和过量灌溉造成的环境污染，实现可持续发展。马玉婷等[26]学者的研究表明，提高农业机械化水平不仅可以促使本地区农业种植结构向粮食作物倾斜，还可以影响邻近地区，使得区域内的种植结构趋向一致。农机视觉导航技术可以帮助农机在农田中准确导航，减少农机在田间的行驶次数和轮压，从而减少对农作物造成的损害。由于现在农村劳动力减少，高效机械设备的使用变得非常必要。

3 图像识别在农业领域面临的挑战和未来发展趋势

图像识别在农业领域的智能化、高效率和实用性已经带来了明显的便利。然而，目前图像识别仍存在一些问题：

1） 我国尚未建立完善的大型农业图像数据库。许多研究实验仍需依赖自行采集的图像。由于图像识别技术和算法的准确性与数据质量和采集方式密切相关，不同的光照和角度会对图像的识别和分析产生影响。若数据质量较差，将影响图像识别技术的应用效果。因此，需要加大投入，建立更完善的农业图像数据库，以满足农业图像应用的需求。

2） 农业种植环境复杂，为了在光线不足、作物与背景颜色难以区分、多目标互相遮挡、识别目标过小等情况下，仍能够进行有效识别，可将不同的识别技术相结合，融合不同技术的优点，设计模型以提高物体识别准确率。

3） 模型轻量化是当前深度学习在农业病虫害识别领域的一个重要突破方向。许多深度学习算法由于参数量较大、计算量较高，限制了模型在移动设备上的应用。模型轻量化有效地提高算法的执行速度，满足实时性要求，并在移动设备上实现应用，为农业病虫害的防治和农业现代化发展提供重要支持。

雖然图像识别在农业领域的应用前景广阔，但其硬件设备和开发成本相对较高，需要大量资金和技术支持，这可能限制了其在农业领域的广泛应用。图像识别技术的发展还有待进一步降低成本，扩大应用范围。

参考文献：

[1] 工信部印发《促进新一代人工智能产业发展三年行动计划（2018—2020年）》[J].智能建筑，2018（1）：11.

[2]首个农业全产业链人工智能工程“农业大脑” 发布[J].蔬菜，2017（12）：81.

[3] 尹雅楠.计算机图像识别技术现状及优化策略研究[J].无线互联科技，2021，18（4）：80-81.

[4] 孙成会，薛凯鑫.基于人工智能的图像识别技术分析[J].电子测试，2020（16）：139-140.

[5] 彭明霞，夏俊芳，彭辉.融合FPN的Faster R-CNN复杂背景下棉田杂草高效识别方法[J].农业工程学报，2019，35（20）：202-209.

[6] 钟珍秀.农业生产中病虫害绿色防控的必要性及存在的问题[J].种子科技，2023，41（12）：103-105.

[7] 刘震，纪明妹，郭志顶，等.图像识别技术在病虫害防治方面的应用与展望[J].沧州师范学院学报，2022，38（1）：119-123.

[8] 吴翔. 基于机器视觉的害虫识别方法研究[D].杭州： 浙江大学，2016.

[9] WANG Z B，WANG K Y，LIU Z Q，et al.A cognitive vision method for insect pest image segmentation[J].IFAC-PapersOnLine，2018，51（17）：85-89.

[10] 李文勇.On-line Identification and Counting of Sex-pheromones Lured Orchard Pest Based on Machine Vision[D].中国农业大学，2015.

[11] 徐境深，王昕彤，周芹，等.设施瓜菜病虫害识别技术研究[J].农业装备技术，2021，47（6）：53-55.

[12] ZHONG Y H，GAO J Y，LEI Q L，et al.A vision-based counting and recognition system for flying insects in intelligent agriculture[J].Sensors，2018，18（5）：1489.

[13] 刘佳鑫.农业生产领域计算机视觉技术的应用[J].山西农经，2018（11）：53，55.

[14] 潘浪，刘敏，刘伟堂，等.我国杂草科学学科发展现状与展望[J].植物保护，2023，49（5）：295-302，389.

[15] BAKHSHIPOUR A，JAFARI A.Evaluation of support vector machine and artificial neural networks in weed detection using shape features[J].Computers and Electronics in Agriculture，2018，145：153-160.

[16] PALLOTTINO F，MENESATTI P，FIGORILLI S，et al.Machine vision retrofit system for mechanical weed control in precision agriculture applications[J].Sustainability，2018，10（7）：2209.

[17] 侯雨，曹丽英，丁小奇，等.基于边缘检测和BP神经网络的大豆杂草识别研究[J].中国农机化学报，2020，41（7）：185-190.

[18] 任全会，杨保海.图像处理技术在田间杂草识别中应用研究[J].中国农机化学报，2020，41（6）：154-158.

[19] 樊湘鹏，周建平，许燕，等.基于优化Faster R-CNN的棉花苗期杂草识别与定位[J].农业机械学报，2021，52（5）：26-34.

[20] 薛芳芳，王月明，李琦.基于计算机视觉技术的牲畜行为识别研究进展[J].黑龙江畜牧兽医，2021（11）：33-38.

[21] 杨晶晶，韩闰凯，吴占福，等.基于CNN和图像深度特征的雏鸡性别自动鉴别方法[J].农业机械学报，2020，51（6）：258-263，92.

[22] 王文成，蒋慧，乔倩，等.基于ResNet50网络的十种鱼类图像分类识别研究[J].农村经济与科技，2019，30（19）：60-62.

[23] 张宏鸣，李永恒，周利香，等.基于改进YOLO v3的肉牛多目标骨架提取方法[J].农业机械学报，2022，53（3）：285-293.

[24] 李玉龙，郝龙，田军亮.果蔬分选专家系统训练平台分拣模块的设计[J].现代农机，2023（5）：68-71.

[25] 王志勃，孙慧然，孙静波.基于机器视觉的苹果自动采摘分拣系统研究[J/OL].机械设计与制造，1-12[2023-11-17].https：//doi.org/10.19356/j.cnki.1001-3997.20230905.010.

[26] 马玉婷，高强.粮食安全视角下农业机械化对农业种植结构的影响研究[J].现代经济探讨，2023（10）：98-111.

【通联编辑：唐一东】