郑新桥

（武昌工学院，湖北 武汉 430065）

0 引言

图像处理技术在农业上的应用，已经引起了广大研究者的关注与重视，也得到了越来越多人的认可。我国是一个农业大国，农业领域一直是人们关注的重要领域。因此，越来越多的研究者开始研究图像处理技术在农业上的应用。陈彦[1]根据云储存图像处理技术来研究数量庞大、体积小、特征无法通过肉眼来观察的种子。吴少霜等[2]利用数字图像处理技术对果蔬进行分级检测，详细介绍了利用图像处理技术对果蔬图像特征进行提取的方法。任震宇等[3]针对图像处理技术提出了有关我国未来智慧农业的发展意见和建议。

图像处理技术的出现，在一定程度上推动了我国农业的发展，对于促进现代农业信息化发展具有长远的意义。

1 相关理论概述

计算机图像处理技术是一门从图像出发的技术，是在计算机识别和处理分析过程中高度发展形成的一门学科，能够通过对捕捉到的图像进行相应的处理，如灰度化处理、图像的细节增强等，有效地帮助使用者从图像中分析出所需要的相关信息[4]。在最近40年里，计算机图像处理技术已经随着计算机技术的发展逐渐成为一门综合类的技术，为人们提供便利[5-7]。

计算机图像处理技术可以和传感器相结合，实现对图像的加工处理。在以往的农业生产中，常常依靠人眼去观察，人的眼睛在本质上也可以看作是一种图像处理的工具，但是通过人的眼睛来处理农作物的病害问题和其他问题时需要依靠人的一些经验，不仅不够准确，而且费时费力。计算机图像处理技术，不管是从处理的速度还是数量来说，都要优于人的眼睛。所以，随着计算机技术的不断发展，计算机图像处理技术也逐渐地进入农业领域，为更多的种植者和研究者提供了一定的技术支撑，在一定程度上帮助了种植者提高农作物的产量和质量。

2 图像处理技术在农业中的具体应用

图像处理技术没有被应用之前，在农业生产时，种植者往往依靠人工作业来掌控农作物的生长趋势，不仅效率低，而且掌控难度也非常大[8-9]。所以在农作物的生长过程中，查看农作物的长势、土壤、水量和空气湿度等相关信息都是依靠种植者的经验。随着图像处理技术的出现和发展，农作物的种植变得更加科学，我国农作物的整体产量和质量得到了提高。笔者将从以下三个方面来阐述图像处理技术在农业上的相关应用。

2.1 图像处理技术在病虫害监测上的应用

农作物的产量和质量在一定程度上与农作物的病虫害有关，所以，要提高农作物的收成，帮助种植者增加收益，就要及时处理农作物的病虫害问题，对症解决，有效地防治病虫害。以往农作物的收成相对现在较低，主要原因就是病虫害问题没有被及时解决。在大多数情况下，病虫害问题主要依靠人工来处理，如利用人工经验对病虫害进行防治，还有的直接利用手工将病虫害的区域去掉，若是防治不及时将导致农作物的产量降低。

目前，图像处理技术与农业生产结合，为智能化农业带来全新的发展，利用图像处理技术对农作物在生长过程中出现的病虫害进行监测，精密度高，识别速度快，识别分类准确，从而可以有效地减少农作物的损失。

2.2 图像处理技术在生长环境因子监测上的应用

在农作物的生长过程中，为了让农作物健康生长，产量和质量得到保障，除了要及时地满足其所需要的营养成分以外，还需要除去影响农作物生长的病虫草害[10-11]。人们的生活质量在不断地提高，同时也给周围的环境带来了一定的污染，所以对于农作物的生长环境，也需要进行一定的监测。如土壤的酸碱度、湿度，土壤有害化学残留物是否超标，土壤适合种植哪种农作物等等，都需要进行相应的考察。目前，我国针对环境问题，已经提出了垃圾分类方案，这可以在一定程度上减轻环境污染问题。利用AI图像智能分类功能，可以对垃圾的类别进行识别。同时，还可以利用无人机对环境进行监测、拍摄，然后利用相关技术将数据信息传送给研究者，从而有效地对农作物的生长环境因子进行监测。

2.3 图像处理技术在种子质量选育上的应用

优质的种子，能够保障农作物的成活率以及农作物的果实品质。在种植种子之前，可以利用计算机图像处理技术对种子进行检测和分类，比如按表皮破损、果实饱满、表皮褶皱等进行分类，利用不同的方法进行种植、实验。这样可以在一定程度上减少农作物的损失，同时，对下一年的育种选择具有一定的参考价值。

2.4 LeNet-5模型的苹果病害研究案例

本案例中的苹果数据来源于PlantVillage-Dataset数据集。苹果黑星病、黑腐病、锈病三种叶部病害图像和健康苹果叶部图像，如图1所示。

图1 三种苹果叶部病害图像和健康苹果叶部图像

案例中采用的分类方法是改进的经典LeNet-5模型，用来对苹果叶部的三种病害图像和健康图像进行分类研究。LeNet模型是由Lecun Y等[12]第一次用于手写数字的分类，也被众多人用于识别支票上的手写数字，近年来逐渐被用于农业领域中。其模型主要是由一个32×32的输入层和两个卷积层、两个池化层、两个全连接层和一个输出层组成。其中，卷积层使用步长为2的5×5的卷积核来提取图像特征。但是苹果叶部病害情况复杂，所以在本实验中，将卷积层的病害图像改为256×256大小作为卷积层的输入，卷积层的计算过程如式（1）所示。

式中，X表示输入需要卷积的M区域元素，i和j表示坐标，W表示卷积核元素，m和n表示卷积核的尺寸，b表示偏移量。F(*)表示Sigmoid激活函数，传统的激活函数是用Sigmoid函数，Sigmoid函数表达式如式（2）所示。但是此函数在反向传播过程中很容易出现梯度消失等情况，对苹果病害分类研究有一定的影响，所以案例中将Sigmoid激活函数修改为Relu激活函数，Relu函数如式（3）所示。

从式（3）可以看出，当输入的x值小于或等于0时，其函数值为0；当输入的x值为正数时，其函数值为x，成正比关系，这样可以有效地避免梯度爆炸的情况。Sigmoid函数和Relu函数对实验准确率的影响如表1所示。

表1 Sigmoid函数和Relu函数对模型准确率的影响

由表1可知，在实验过程中使用Sigmoid函数，对苹果叶部病害的分类准确率在81.3%左右，而改用为Relu激活函数后，模型的分类准确率达到了92.5%，相对于Sigmoid函数，提高了11.2个百分点。可以看出，换用激活函数，对模型的性能有积极作用。

苹果叶部病害情况复杂，病害程度也不一样，所以在本案例中，增加了网络层数，用以有效地提取病害图像特征。卷积层的层数对模型性能的影响如表2所示。

由表2可知，对于苹果叶部的几种病害图像，卷积层选择5层的时候，模型对苹果叶部病害的分类准确率达到最高，为92.5%左右。所以，本案例中选择卷积层的层数为5层。

表2 卷积层的层数对模型性能的影响

随着网络层数的加深，模型中很容易发生过拟合现象，所以在添加了网络层数后，在网络层中添加Dropout层，设置丢弃概率，这样可以有效地避免过拟合现象产生，提高模型的鲁棒性。Dropout层对实验结果准确性的影响如表3所示。

表3 Dropout层对实验结果准确性的影响

由表3可知，实验中添加Dropout策略层，随机值设为0.5，对数据进行随机删减，可以有效地防止过拟合现象的产生。在没有使用Dropout策略层时，模型的准确率为87.7%，使用之后准确率达到了92.5%，对苹果叶部病害的分类率提高了4.8个百分点。在一定程度上，提高了模型的鲁棒性。

实际生活中苹果叶部的病害区域，大多比较小，并且分布不均匀，结合目前所拥有的苹果病害数据集，对LeNet-5模型进行了相应的改进，LeNet-5改进前后相关的参数如表4所示。

表4 改进后模型与传统模型的相关参数对比

模型选择的池化方式为最大池化法（Max Pooling），由于本模型中是4种不同类别的苹果叶部图像，所以最后采用了Saftmax分类器，分类器选择的输出类别是4，进行了训练。

苹果叶部图像一共选择了2 606张，其中苹果叶部黑病选择了630张，苹果叶部黑腐病选择了621张，苹果叶部锈病选择了675张，苹果叶部健康图像选择了680张，按照4∶1的比例对数据集分类训练集和测试集进行实验，最后的实验结果如图2所示。

图2 训练集和测试集的准确率和损失值曲线图

图2中横坐标表示实验迭代的次数，本案例中实验迭代次数设置为6，每批次选择22张进行实验。纵坐标表示分类准确率和损失值，可以看出，模型的分类准确率最终为92%左右，损失值为29%左右。

从这个案例可以看出，利用计算机图像处理技术，可以很方便地解决农作物在生长过程中出现的病虫害问题。而这个案例只是利用了最经典的卷积神经网络模型之一的LeNet模型实验，随着计算机技术的发展，近年来出现了越来越多的其他模型，例如AlexNet模型、VGG模型、ResNet模型以及这些模型的改进，已经逐步应用于农业中，为更多的农业从业者提供了便利。

3 图像处理技术在农业中应用的局限性与展望

图像处理技术虽然已经被众多研究者广泛应用，但是目前还存在一系列的问题。1）在大田背景下，如何快速准确地采集农作物的病虫害图像？2）农作物的病害、虫害、杂草以及附近土壤等如何划分？3）对于农作物的病虫害图像分割算法，边缘检测和特征提取还存在一定的难度。4）图像处理技术与移动硬件设备相结合，是否能够普遍应用于我国广大的田间农作物病害的快速识别分类？

针对上述问题，图像处理技术在今后的发展中，可以致力于研究图像处理硬件的开发。这就包括了采集田间农作物病虫害图像以及采集后进行处理的硬件设备。同时要改进与图像处理技术相结合的相关特征提取算法，不断地研究出新型的快速准确的算法。针对图像处理技术在训练过程中数据集的收集问题，还可以考虑构建全国农作物病虫害数据集平台，健全农作物病虫害图像，为更多的研究者提供训练模型所需的数据集。

4 总结

农业是我国重点关注的一个领域，为了提高农作物的产量和质量，加快推进现代农业信息化进程，应该发展计算机图像处理技术，让农业生产变得更加科学，更加有保障。我国的农业领域，不同地区，不同的农作物在生长过程中环境各不相同，具有多样性的生物因素，而这些问题同人类视觉相比，可以很明显地看出，图像处理技术在未来还是有很大的发展空间。所以，笔者深信图像处理技术未来将在我国农业领域有更广阔、更先进、更便捷、更智能化的应用。