计算机视觉技术在农业生产中的应用

2019-03-18卜文广

广东蚕业 2019年9期

卜文广

计算机视觉技术在农业生产中的应用

卜文广

（荆楚理工学院湖北荆门448000）

计算机软硬件技术上的发展使得计算机视觉技术日渐成熟，其在各行业中的应用也越来越广泛。文章主要介绍了计算机视觉技术在农业生产中的应用，从计算机视觉技术的概念、系统组成以及其在农业生产中的作用入手，研究目前仍然存在的问题，展望计算机视觉技术在未来的发展方向以及应用领域拓展。

计算机视觉；农业生产；领域拓展

1 绪论

农业生产中的计算机视觉技术应用始于20世纪70年代末，在应用的最初期，其范围多为鉴别植物的各类、作物的品质检测等。随着技术的进一步发展，计算机的硬件生产水平以及软件开发水平都有了巨大的提升，图形图像处理技术也取得了长足的进步，计算机视觉技术在农业生产中的应用范围也更加广泛，农业生产的各个环节都有计算机视觉技术应用的例子。计算机作为一种新兴的计算机技术，在其应用扩展的速度上来说是十分迅速的，目前已经涵盖工、农、军事、医学等各个领域，对于农业来说其对生产力的帮助尤为巨大。农业生产主要是分为产前、产中和产后三个阶段，在产前阶段，视觉技术的应用主要是用来检测种子质量的好坏；在产中对于视觉技术的应用主要是杂草识别、农作业生产信息的监测以及病虫害的检测等；在产后阶段，主要将计算机视觉技术应用于农作物的二次加工以及产品质量分拣分类上。

本研究主要介绍了计算机视觉技术的基本工作原理以及系统组成，同时研究了目前计算机视觉技术在农业生产应用中仍然存在的问题以及未来的发展形势。

2 计算机视觉系统简介

2.1 概念及基本工作原理

计算机视觉技术是计算机自动化的一种，主要的功能是利用计算机技术进行图像的自动获取，同时通过计算机的运算来对获取的图像进行分析，用以描述某一情景或者某一物体的动作规律，计算机视觉技术是一种对宏观物体进行计算机模拟的科学和技术。对于计算机视觉技术来说，其涉及的科学分类是多样的，包括数学、人工智能技术、生物学、计算机科学、模式识别等多门学科。其工作原理是利用计算机视觉来对宏观事物进行近距离拍摄，再通过工人智能技术、数字图像处理等技术对拍摄到的图像或者视频信息进行计算分析，最终得出对于研究有价值的数据，这一过程主要包括图像采集、信息预处理、图像分析和特征提取等。

计算机视觉系统工作的第一步是进行图像的获取，完成这一步的工作部件是图像拍摄系统，即摄像机，而为了使系统可以适用大多数的工作环境，摄像机一般会与光源想配套，在自然光线不足的环境中依然可以保证有充足的光源来拍摄图像，摄像机拍摄到的图像需要配合图像采集卡来与计算机进行功能上的对接，摄像机将光信号转化为电信号之后通过图像采集卡再将电信号转换为数字信号，计算机在接收到数字信息之后就可以对信息进行更进一步的处理工作。

2.2 系统结构

计算机视觉技术系统所能完成的工作为视觉任务，其主要构造为进行图像采集的摄像机系统，图像采集卡以及计算机。摄像机系统是进行图像采集的主体，利用光学传感器的工作原理将传递过来的光信号转换为电信号，再由图像采集卡将电信号转换成数字信息，计算机系统利用其搭载的对应软件对数字信号进行分析处理，通过特征采集等算法得出具有分析价值的数据。

在使用时还需要软件来配合硬件的工作，一般来说，软件的主体功能设计差别不大，主要有：预处理、图像分割、信息识别、特征提取等核心功能。在这些步骤中，预处理是较为重要的一步，其目的为信息的过滤，由于图像中的信息包括大量的无用信息，如果在没有进行预处理的情况下直接交由计算机进行分析则会增加计算机过程的工作量和效率，而预处理是将数据进行初步的简化，去除其中没有价值的信息元，使得下一步的工作得出的结果具有更高的效率以及准确率。图像分割是针对图像信息进行区域分割处理，特征提取是依据特定的算法对图像的特征点进行识别。

3 计算机视觉技术在农业生产中的应用

3.1 产品质量检测与分级

传统意义上的产品质量检测都是取一部分产品样本进行直接观察，不管以何种观察手段都需要有农作物的样本才可以进行，而利用计算机视觉技术则不需要产品样本，视觉技术系统通过对农作物的图像分析可以获取农作物的参数信息，通过数据模型即可对产品的质量进行检测和分类，从而进行综合评定。随着计算机技术的发展，计算机的计算能力得到了巨大的提升，高速运算使得数据分析更有效率，计算机技术在农产品生产中的作用也越来赵大，利用视觉技术对农产品的质量品级进行划分在上个世纪90年代就已经被应用到实际使用中，利用算法对图像区域信息进行分析所获取的结果达到了80 %的准确率，基于分维理论对水果的颜色进行分级也可以对水果进行品级的自动分类。

3.2 作物生长态势监测

计算机视觉技术的另一个应用便是在农作物生长的过程中对其生长情况进行监测。经过国内外学者研究，农作物生长可以利用图像分析方法确实其生长共性，如果在监测过程中发生有偏离共性的农作物，则可以甄别出生长不规律的农作物。在实际的应用中，如对株型农作物的生长态势检测中，可以对株型作物的信息提取，然后再提取到的特征参数与传统农业学中的参数建立联系，从而实现对于株型作物叶片长度、茎叶夹角等信息的监测，同时对于株型作物颜色的分析也可以辨别出作物生长过程中是否可以获取足够的养分、水分等。

3.3 病虫及杂草检测

在影响农作物生长的诸多因素当中，杂草和病虫害是不容忽视的两个方面，为了确保农作物的生产质量，需要对杂草以及病虫害情况进行及时的监视，利用计算机视觉技术可以做到此两方面内容的自动识别。

3.3.1 病虫害的识别检测

在病虫害识别的应用上，主要是对常见的害虫进行图像特征分析，再与获取到的图像信息特征进行比对，从而实现对于昆虫的自动识别，经过实际发现，其准确率可以达到90 %。主要的工作原理为对昆虫的骨架特征进行提取之后，应用神经网络进行进一步的识别，最后通过建立的昆虫特征信息库与农作物图像进行数据对比，实现害虫的识别。

3.3.2 杂草的识别检测

利用计算机视觉技术对杂草进行识别主要依据的原理是对采集的图像进行光谱分析，由于农作物本身的颜色和杂草是存在区别的，在进行特征提取之后依据算法就可以辨别出属于农作物的特征信息以及属于杂草属性的特征信息，在对于识别玉米苗田间杂草的实际应用中，经过对土壤背景的滤除之后，根据叶宽、颜色等特征信息可以计算出杂草的密度，经过朴素贝叶斯算法对于误差进行计算之后，就可以对杂草密度信息进行计算，从而为去除杂草工作提供数据参考。

3.4 自动收获

计算机视觉技术最早应用于农业生产是20世纪80年代中，到目前为止，不管是农业生产的前中后期还是其一些扩展型的应用，计算机视觉技术的可依赖性正在逐步提升。对于在实际的应用中所遇到的难题来说，最大的问题是工作环境的多变性使得图像采集工作难度增加，如何采集更加清晰且有价值的图像信息是后期识别准确率的保障。在自动收获这一应用领域上，计算机识别技术可以利用与远程监控系统的结合，在计算机对农作物色调以及饱和度分析计算之后，得出作物的成熟度，再通过控制机械臂以及传送带系统完成对于农作物的自动收获。

4 存在的问题及未来展望

4.1 存在问题

4.1.1 研究对象复杂性的影响

将理论应用于实践最大的困难在于消除现实与理论之间的差异性，由于农作物生长环境复杂，同一各类之间生长情况也存在差异性，这给数字图像的分割以及特征提取工作带来了较大的难度。在技术实验阶段，一般来说用于测试的农作物都是相对静止的，对其采集的图像质量也会相对较高，而在实践的应用中，由于天气等因素的干扰，同一机位采集到的图像信息也有可能是动态的，这给图像分析带来了一定的难度。由于需要对图像进行实时的处理，所以对于计算机的运算速度有着较高的要求，如何实现快速精准的实时计算，如何从动态的图像中对信息进行矫正以及价值信息提取是需要进一步研究的课题。

4.1.2 环境多变性的影响

目前，大多数的研究都是建立于可控的环境因素下，当环境（如光照、色温、天气）多变时，高质量的图像采集难度很高。但是田间作业不同于实验室环境，其环境多变性是必然的，受到天气等因素的影响，设备的可靠性降低，由于风速变化以及机械振动带来的干扰很容易使得摄像机获取的图像资料受到干扰，从而增加无用数据的增加。这不仅增加了图像预处理的难度，同时也会降低后续计算的准确性。所以从实验室到真实环境的技术过渡仍然是需要进一步研究的难题。