河南机电职业学院 饶晓慧

机器视觉是农业机械研究发展的热点方向，在图像识别系统的不断发展过程中，农业机械也开始将图像识别系统引入机器视觉领域，实现作物采集、处理的高效性。本文将简述机器视觉识别系统的构成，探索基于机器视觉的农业图像识别系统，并分析机器视觉图像识别系统在农业机械中的应用，以期为农业机械自动化作业提供一些建议。

机器视觉识别技术已经逐渐在农业生产中应用，实现作物缺陷识别、种类分拣、形状区分等功能，作为一种无损检测技术，机器视觉识别可以提高农业机械生产效率，是农机自动化发展的必然趋势。

1 机器视觉识别系统构成

机器视觉识别系统主要有软、硬件两大部分组成。在硬件方面，包括视觉传感器、照明设备、图像采集卡、计算机等系统设备，其中视觉传感器是获得图像的关键设备，性能良好的硬件设备能够传达效果更佳的视觉图像。而软件方面则是图像处理系统，从感光器件获取的图像，将由图像处理系统对其进行详细分析，从颜色、波长、光亮等软件单元进行处理，综合考虑识别环境、识别对象等因素，获得较为准确的图像内容，以保障识别的准确性。

2 基于机器视觉的农业图像识别系统

农业机械图像识别系统是机器视觉的核心内容。视觉识别通常是先由视觉传感器获取相应的图像，再利用机器视觉系统对图像进行处理，经过图像分割、特征提取等步骤后，得出最后的图像内容。这一系列步骤在农业图像识别系统中从图像获取和预处理的低级处理，传输到具备图像分割与特征提取功能的中级处理层级，最后到利用各种算法完成图像平面识别的高级处理。

2.1 图像预处理

图像的采集和获取依靠视觉传感器，在获得图像后需要对图像进行预处理，包括将RGB值转变为HIS模式，增强缺陷特点，优化图像分辨率等步骤。图像预处理主要涉及四点内容。首先是灰度化处理，将RGB三基色转换，把获取的彩色图像转变为灰度图像，并将24位图像转换为8位图像。其次是对图像内容进行统一化处理，使图像上农作物转变为统一的尺寸。图像处理采用统一缩放形式，可以使待识别的作物图像具备更多特征点，便于后续识别。之后是增强图像，为了提高图像清晰度，加强识别效果，需对图像进行增强，例如可以利用膨胀和腐蚀来增强图像的分辨率，或是利用滤波图像中的干扰部分。最后，为了方便图像处理，可以对图像进行二值化处理，采用Niblack算法，在作物图像上确定中心坐标，通过对像素点方差和均值的计算来实现二级化。

2.2 图像分割

图像分割是将图像划分为数个有意义的区域，图像分割主要有三种分割方式，分别根据图像边缘、图像阈值和图像区域进行分割。其中基于图像边缘的分割方法，是通过边缘检测算法计算图像区域的灰度值、颜色以及纹理等具有不规则性的边缘，利用这些边缘轮廓来确定图像区域。

基于阈值的图像分割是通过对物体表面光线发射或吸收的情况下来确定阈值，以此进行分割的方式，其主要包含两种方式。一种是最为基础的人工分割操作，运用直方图技术测试出最佳阈值，并将分割目标与背景隔离。人工分割本身就会受到认为因素的影响，需要经过反复监测和调整才能得到良好的分割效果，而再农业生产中作物受光照条件影响程度较大，发生改变时就需要调整阈值，而频繁调整阈值效果很容易对阈值分割造成影响。另一种则是自动阈值分割，无需人为干涉，自动阈值在选择分割目标的过程中会自动代入直方图信息，再基于设定好的参数进行分割操作，不过阈值分割在面对没有明显峰谷的图像时，很容易出现无法计算有效阈值的情况，致使分割出不完整的区域。

基于区域的分割方式是根据区域内代表性的像素内容进行组合，以此进行分割的方式，其对噪声的识别效果不佳，大多用于识别作物表面有明显特点的农作物，从作物整体、根茎、缺陷等位置区域进行识别。

2.3 特征提取

特征是物体区分和识别的主要因素之一，也是分类算法有效实施的核心。农业生产中机器视觉特征提取主要集中在颜色、形状、纹理和分形四方面。

颜色是非常明显的特征，其直观、有效的特点也被广泛应用在特征提取方面。农作物、杂草、病虫害都有着显著的颜色区分，将这些部分的RGB颜色进行分量、计算均值和标准偏差，或是将RGB转变为HIS颜色空间，又或者将RGB和HIS相互结合，都能够获得较为良好的颜色信息。

物体的面积、周长、大小、曲率等信息决定了物体的形状特征，在果蔬采摘机械识别系统中，机器视觉识别还需结合旋转、比例、平移等几何特征量，通过计算方差来确定物体的形状信息，形状信息提取更为准确，也需要更多的计算量来保持准确性。

纹理是物体的基本特征，与视觉外观和触摸品质有关。纹理与形状特征有密切关系，两者往往会同时进行分析，结合物体的走向、尺寸，测量出物体的纹理构造，而利用灰度共生矩阵，也可以计算出二阶矩、熵值等深层纹理特征。另外，纹理特征可以构建基于HIS的彩色共生矩阵，将颜色特征与纹理特征相结合，提取出物体的纹理特征。

分形特征简单来说就是依据物体表面粗糙度和边界不规则性来衡量尺度，这是因为物体本身的形状和外观是具有相似性以及尺度不变性特征。分形特征主要用于识别果柄与花萼，通过计算两者频域分布，识别出缺陷果柄和花萼，其识别率可达90%以上。根据农作物的特点选择适宜的特征提取方式，是农业机械图像识别系统应用的主要途径，在实际应用中应将多种特征提取方式进行结合，进一步提高系统识别的性能。

2.4 图像识别

（1）直方图识别

直方图识别是最为基础的识别方式，根据直方图形状计算出识别参数，以此判断出作物的种类。直方图识别需要灰度处理作为基础，将灰度级大小、一阶导数、形状特性比值等参数代入，进行判别。以成熟苹果和未成熟苹果在颜色上的识别为例，由于成熟苹果和未成熟苹果在HIS颜色空间分量直方图上的分布具有明显不同，可以将RGB转换为HIS，凭借直方图阈值便能有效区分苹果表面颜色的分布情况。只是苹果在成熟阶段的表面颜色分布不均，多数情况都存在颜色分布重叠情况，会对阈值设定和区分造成一定影响。不过，可以在图像识别系统中应用人工神经网络进行训练，采取多元判别技术分辨H值特征，可以得到更多精准的判断，以此解决重叠非问题。直方图识别简单方便，但在处理一些复杂的视觉图像时效果不佳，现阶段多是将直方图识别与其他方法配合使用。

（2）线性判别分析识别

线性判别分析可以对所属类别进行有效的分离，是早期处理复杂数据分类和统计的分析识别防范。线性判别分析识别的原理是将多元色调转变为非多元色调，虽然会增加一些处理分析时间，却不会限制测量对象所具有的色度维数，能够得到高质量分辨效果。线性判别分析识别率可达95%以上，不过线性判别分析识别在面对类球形果蔬时识别率只能达到90%左右，这是因为有些数据在特征空间中并非表现为正态分布，无法精准识别边界。

（3）神经网络识别

人工神经网络是信息技术智能化发展的主要趋势，其本身具备的学习、记忆、处理和非线性转换能力，在图像识别系统中有着良好的应用。就农业生产而言，三层神经网络就能满足识别需求。通过将同种不同类别的作物作为输出目标对象，让神经网络判断目标对象的种类和特点，根据灰度直方图计算出灰度级频率，以此得到相应的分辨结果。三层神经网络分别依据物体的形状、纹理和分形进行识别，不断对目标对象进行识别和分级，最终得到准确的分级结果。神经网络识别技术还在发展当中，现今已经能够检测出玉米籽的裂纹等详细情况。

（4）贝叶斯识别

贝叶斯判别就是一种统计学识别方法，根据目标对象的特征向量的函数分布情况，通过统计密度将将具有相同均值向量、协方差矩阵代入贝叶斯法则，便能得到相应的判别式。此种识别方式在正常情况下能达到92%的识别率，但在果蔬作物因成熟度发生明显颜色变化的时期，其识别率会有明显下降。

（5）向量机识别

向量机与神经网络识别类似，是一种小样本的学习方法，多适用于二类问题，大量样本的学习、分析或是统计也会增加相应的计算时间，在农业机械快速运作中会增加系负荷。向量机面对非线性识别问题，可以运用核函数将非线性问题转化为特征内容的线性问题，得到最优分类。以苹果为例，结合颜色特征和形状特征，运用支持向量机识别方式，其径向核函数识别率为93%左右，在二类问题识别方面其速度和精度都要优于人工神经网络。

3 基于机器视觉的图像识别系统在农业机械中的应用

基于机器视觉的图像识别系统在农业机械中有着广泛应用，主要涉及农机自动检测、农业收获、田间作业三方面。分拣作业有人力完成效率过低，而机械式的分拣方式过于单一，无法满足农产品的分拣需求，还容易损伤产品。使用图像识别系统便可以实现无损自动检测，极大地提升了农业生产质量，而在农产品收获和田间播种、施肥灌溉之中也有高效的应用。现阶段已经在农业生产中取得了良好的效果，正迈入更大范围的应用阶段。

结论：机器视觉在农业机械图像识别系统已经有着不少的应用，从机器视觉图像识别系统出发，深入了解机器视觉图像识别在农业生产中预处理、分割、特征提取、图像识别的应用情况，在信息技术快速发展的背景下，机械设备和算法也在不断优化，机器视觉图像识别也将更加精准和高效，为农业机械发展及农业生产提供了更为广阔的发展空间。