黄伟丽 周明 刘涛

摘要 計算机图像处理技术是人工智能与模式识别的一个重要领域，其应用已扩展到农业领域的诸多方面。通过广泛查阅文献，分析了数字图像处理技术在小麦生产方面的研究和应用进展情况，概述了图像处理技术在小麦生产过程中各阶段的应用成果，如在小麦叶面积指数测定、病虫害识别、叶绿素含量测定以及产量预测等方面的应用，提出了尚待研究解决的关键问题，并展望了图像处理技术在小麦生产上的应用前景。

关键词 图像处理;小麦;群体质量;病虫害;产量

Abstract Computer image processing technology is an important field of artificial intelligence and pattern recognition， and its application has been extended to many aspects of agriculture. Based on extensive literature review， we analyzed the digital image processing technology in wheat production progress in research and application， and summarized the image processing technology for each stage of wheat production in the process of the application， such as the determination of wheat leaf area index， plant diseases and pest identification， determination of chlorophyll content， and the application of production prediction， etc. The key problems to be solved were put forward， and the application prospect of image processing technology in wheat production was forecasted.

Key words Image processing;Wheat;Population quality;Disease and pest;Yield

随着信息技术的不断发展，计算机图像识别技术已被广泛运用到各个领域，成为人类在生产生活中不可或缺的辅助工具[1-3]。人类与计算机之间的配合默契度已经达到了前所未有的新高度。我国的计算处理技术也在这股科技浪潮中取得了巨大的进步，实现了理论和实践的突破。数字图像信息量大，传输速度快，应用范围广，因此，数字图像处理技术已被广泛应用于医学、气象、航空航天、军事等领域[4]。近年来，随着农业信息化的发展，该技术在农业领域的应用也越来越深入[5-8]，特别是在小麦生产栽培管理中得到越来越多的应用[9-10]。

小麦是我国最主要的粮食作物之一，也是全球范围内的主要食品原料。作为我国三大储备粮食之一，小麦收获后通过控制其水分含量可提高其耐储存性，从而确保我国的粮食安全，这对我国不同产业的稳定发展和乡村振兴具有重要意义。由于小麦田间生长和自然条件的限制，在生产和科研中，大量的工作需借助于对形态、色泽、纹理等外部特征的判断，而这些特征信息的提取主要靠人工测量，且只能利用一些简单的测量工具，导致工作量大而烦琐、主观性强、测量数据难以验证，还有一些特征值难以量化描述，严重制约了小麦科学研究和生产上先进生产技术推广的进度。因此，越来越多的研究将数字图像处理技术应用于小麦生产过程中，以解决小麦特征信息提取问题[11]。

1 图像处理技术

图像是一种客观存在的事物，是光学信息在二维空间并列的表示，是一种信息载体。为了充分准确地获取图像中蕴涵的各种信息，需要对各种图像进行拾取、识别、处理、分割和分析等[12]。计算机图像处理技术是对已获得的图像信息进行去噪、增强、裁剪等处理，以满足相关信息提取或应用需求的操作，其目的是利用计算机对从处理后图像中提取得到不同的数字信号进行某些数学运算得到用户所需的结果。计算机图像处理与人的视觉处理相比具有处理精度高、再现性好、定量性和适应性强、速度快、可处理庞大的数据量等优点，故在众多领域得到广泛应用，尤其在农业领域显示出无可比拟的优势[13]。

计算机图像处理技术的研究始于20世纪60年代，随后的20～30年步入一个活跃研究阶段，首先应用于工业和生物医学等领域，在农业上的应用起步较晚，但前景广阔。目前，国内外从动植物生长智能监测、农田大数据获取、智能视觉机器人以及农产品质量分析与评价等方面开展了图像处理技术在农业上的应用。随着数学、生理学、模式识别、计算机图形学、人工智能、专家系统等相关学科的发展，计算机图像技术在各个领域，特别是农业方面已经得到广泛应用[14-15]。

2 图像处理技术在小麦生产中的应用

2.1 叶面积指数的测定

叶面积指数（leaf area index，LAI）是单位土地面积上植物的总叶面积，叶面积指数与很多生态过程直接相关，如蒸腾量、土壤水分平衡、冠层光合作用和物质循环等。叶面积指数是一个重要的生物结构参数，然而大范围叶面积指数的获取比较困难。遥感技术为大范围叶面积指数的测量提供了条件。然而遥感得到的叶面积指数需要进一步的地面验证，且成本高、精度低。因此，实地叶面积指数的获取具有重要意义[16-18]。

国内外利用图像处理技术分析农作物叶面积特征的研究较多。Meyer 等[19]首次利用数字图像处理技术分析几种作物的叶面积、茎秆直径等特征。Chien等[20]设计了一种基于“椭圆形的霍夫变换”算法估测蔬菜总叶面积的方法。武聪玲等[21]利用图像处理技术检测黄瓜幼苗叶冠投影面积来预测其真实叶面积。李明等[16]针对不同的小麦品种设置了不同密度的栽培条件，通过数码相机获取主要生育期田间小麦群体冠层数字图像，利用计算机图像处理技术对图像进行分析计算从而得到小麦冠层叶面积指数，然后利用实测数据与图像分析得到的数据建立数学模型。

2.2 病虫害的识别与诊断

为了快速准确地诊断识别小麦病害，梁琨等[22]通过光谱分析和图像处理进行小麦赤霉病的识别，采用标准正态变量变换（SNV）和多元散射校正（MSC）方法对光谱进行预处理，分别利用连续投影算法（SPA）和正自适应加权算法（CARS）进行变量筛选提取特征波段，然后对特征波长下的特征图像进行特征提取并识别出病害信息。邓继忠等[23]采用图像分析与识别技术进行了小麦网腥、印度腥及矮腥3类病害的分类识别，并运用支持向量机方法对小麦腥黑穗病害进行定量识别，提高识别的准确性。王美丽等[24]选取小麦叶部常见病害图像，利用图像处理技术进行病害种类的识别。将图像由RGB彩色空间转换到HSV颜色空间，提取相关的颜色特征，接着提取几何形状特征，通过分析样本图像得到每种病害的特征值范围，利用特征值对未知样本进行病害识别，识别准确率为96%以上。苏一峰等[25]利用一种可以进行图像获取、图像识别诊断的小麦物联网平台，研发了一套小麦病虫害识别应用系统，并对小麦比较常见的3种病虫害（白粉病、锈病、蚜虫）进行了初步应用与验证，其中锈病、蚜虫的识别率均在95%以上，健康叶片的识别率可达99%，白粉病的识别率稍低，为82%左右。

2.3 群体叶绿素含量测定

小麦生长过程中，为了确保其优质高产，需要及时监测营养状况并采取相应的栽培调控措施。叶绿素是一种光合色素，对小麦产量形成意义重大，较低的叶绿素浓度会影响小麦的光合作用能力并最终影响到产量[26]。

长期以来，田间小麦叶绿素含量主要通过叶色来体现，而叶色变化主要靠人工进行观察，这种方法无定量标准，全凭观察者的经验，同时效率较低。利用计算机图像技术，不但效率高，还能更准确、更及时。前人研究发现，利用归一化的颜色指数，可将不同施氮水平下玉米叶片的颜色变化有效地识别出来[27]。Kawashima等[28]研究发现，（R-B）/（R+B）可以有效地估算植物叶片的叶绿素含量。Pagola等[29]利用主成分分析技术，研究了大麦叶片SPAD值与叶片颜色的关系并建议了估算模型，相关系数为0.9以上。Adamsen 等[30]通過分析小麦冠层图像发现G/R与叶绿素有显著的相关性。王方永等[31]研究发现，图像颜色指数和棉花叶片叶绿素含量相关性显著，特别是G-R，G-R/G+R等达极显著水平。王克如等[32]利用计算机图像技术建立棉花叶色与叶绿素含量估测模型，准确率为86.4%～92.2%。宋振伟等[33]通过叶片图像分析技术，发现不同施氮处理下，小麦叶片颜色变化在不同生育期中差异明显。时雷等[26]针对6个品种小麦拔节期群体图像，使用基于RGB颜色空间与马氏距离的模式识别方法，准确分割出小麦冠层图像，并提取了小麦冠层颜色特征，针对不同小麦品种建立叶绿素含量的估测模型，效果较好。

2.4 小麦形态检测

作物的形态特征包括株高、叶长、叶基角、开张角等。在农业科研工作中需要根据作物的形态特征来研究其生长状态、病虫草害等重要信息。李明等[34]选取大田里自然生长状态下的小麦作为研究对象，研究适用于小麦形态特征信息提取的图像处理方法，提取形态特征信息，从而为小麦育种、生长状况分析、动态施肥等提供指导依据，利用VC ++语言实现了小麦形态信息检测系统，系统能高效地检测出小麦植株的重要形态参数，如株高、叶长、叶基角、开张角等。

2.5 小麦收获技术

农作物收获具有收获速度较慢、障碍物少、环境简单等特点，作业具有重复性。因此如何精确地识别出收获与未收获作物间的边界线，有效避免收获过程中的漏割、重割现象，并防止出现收获机非满幅作业等情况，成为国内外学者深入研究的一项重要课题[35]。

张卫等[36]采用最大类间方差法分割图像，利用中间线检测定位基准线。Cho等[37]对水稻田进行逆透视投影变换，还原作物行平行的状态，消除了视角误差。沈明霞等[38]采用最小距离分类器对农作物区和非农作物区域的形态特征进行分类。丁幼春等[39]针对垄行、作业区域与未作业区域的标识线提出一种旋转投影算法。陈娇等[40]采用垂直投影法提取导航定位点，采用改进的Hough变换实现田间多垄线识别。Choi等[41]依据激光测距的原理对作物高度进行重构，实现作物行的定位。Zhao等[42]应用激光传感器对麦田信息进行获取，采用最大类间方差的方法寻找收获边界点。

3 图像处理技术在小麦产量估测中的应用

3.1 大田麦穗计数

小麦产量构成的三因素之一是单位面积穗数，为实现小麦快速、准确估产，计算机图像识别技术显得尤为重要[43]。范梦扬等[44]通过部署的田间摄像头采集大田环境下小麦麦穗低分辨率群体图像，实现了复杂大田环境下小麦麦穗图像的降噪增强处理;提取麦穗的颜色、纹理特征，采用支持向量机方法，将小麦麦穗从背景中分离，然后对麦穗的二值图像细化得到麦穗骨架;最后通过计算麦穗骨架的数量以及麦穗骨架有效交点的数量，即可得到图像中麦穗的数量。刘涛等[43]设计了一种基于图像分析技术的小麦穗数智能计算方法，该方法实现了不同播种方式下大田麦穗快速、准确的计数，在条播和撒播小麦田中计数准确率均较高。

3.2 小麦产量预测

小麦产量受到气候、灾害、病虫害等因素综合影响，利用各种快速有效的方法准确预测小麦产量是广大农业科技工作者追求的目标，因此提高小麦产量预测精度一直是研究的热点。杨俊等[45]利用无人机RGB图像提取了8个颜色指数和4个纹理特征指数，并分析了它们与小麦产量及生物量之间的关系，为进一步的产量预测奠定了基础。杨梅等[46]为了提高小麦产量的预测精度，提出一种灰色模型和支持向量机组合的预测模型，首先利用灰色模型对小麦产量进行预测，挖掘小麦产量的线性变化规律，然后采用支持向量机对小麦产量进行预测，描述小麦产量的非线性变化规律。采用以上2个模型的预测加权平均得到了小麦产量，并进行仿真。

4 图像处理技术在小麦生产中的其他应用

4.1 小麦容重检测

容重是小麦定等的指标，该标准是小麦流通过程中判定其质量等级的重要依据。相关研究表明，收获时籽粒不够成熟、结构疏松、含水量高的样品，容重较小;反之，容重较大[47]。图像处理技术在农产品质量与品质的检测过程中，通常从样品的形态、颜色和纹理等方面提取特征参数，用于农产品特征描述并对其进行评价。因此，可以使用图像处理技术对小麦籽粒的形状、大小、光滑度等因素进行描述[48]。目前，利用图像处理技术进行水稻、马铃薯、玉米、花生等农产品质量与品质检测已经取得了一定进展。在小麦质量与品质检测方面也有诸多研究成果，主要涉及小麦品种与种类识别、质量分级、角质和硬度检测等方面。如张玉荣等[47]以不同容重小麦入手，采用图像识别技术获取与小麦籽粒容重相关的指标特征，研究与小麦容重相关的内外在因素，从而得到可以客观评价小麦容重的不同条件，并构建差异化的小麦容重检测模型。

4.2 籽粒外观检测

籽长、粒宽和粒厚是评价小麦籽粒质量的重要指标。目前小麦籽粒长、宽、厚的测量主要通过游标卡尺来实现，这种方法主观性较强，测量部位的选择较难把握，效率低下且可重演性差[49]。机器视觉或图像处理技术在小麦籽粒上的应用一方面可以实现籽粒种类的识别，其中包括对大麦、小麦、燕麦等的区分以及不同小麦品种的识别;另一方面，机器视觉技术可应用于小麦籽粒的综合评价，其中包括对籽粒病害、损伤的评价以及籽粒形态特征的测算。在研究技术上，一般通过图像处理算法提取小麦籽粒的不同特征参数，再通过这些参数建立评价和分析体系[50-51]。仲晓春等[52]利用图像处理技术结合一定的外部光源测定小麦籽粒的长、宽、厚信息，在单幅二维图像中提取小麦籽粒的三维信息，为小麦籽粒三维信息的快速准确测定提供一定的技术支持。

5 问题与展望

5.1 问题

通过上述分析可知，基于图像处理技术的小麦生产管理研究已取得了一定的进展，但由于小麦是一种大田作物，其生长环境的多变性和品种的复杂性以及图像处理技术的特点，目前仍有不少問题需进一步解决。

（1）图像识别精度不高。目前大部分研究中图像的处理方法比较简单，以单一的颜色指数或组合指数难以实现复杂背景下小麦的提取。同时参数及模型选择的不同导致识别效果也不相同，再加上不同品种、不同密度以及不同施肥条件的影响，图像识别的精度很难提高。

（2）图像采集实时性较差。目前大部分研究还是将图像采集到实验室后再进行分析，缺少图像采集的实时性。主要原因是实时图像采集对设备要求较高，对网络传输要求也较高，同时图像处理时间也难以满足要求。

（3）结果的可靠性有待提高。图像识别结果受到多种因素的影响，例如采样时间、天气条件、土壤条件等，每一个条件发生变化都会影响图像识别效果。目前尚无一个统一的标准使图像处理技术流程化和标准化，不同的研究仅针对特定的条件，导致结果的可靠性不够高。

（4）用户的接受程度较低。我国现有的小麦种植仍以农户分散种植为主，直接从事种植业的农户年龄均较大，知识水平不高，总体认知水平低，难以接受先进的图像处理技术，导致这项技术在很长一段时间内难以推广。

5.2 展望

随着计算机及人工智能技术的迅速发展，基于图像处理技术的小麦生产管理技术已经取得了较好的研究成果，该技术在小麦叶面积指数测定、病虫害识别与诊断、群体叶绿素状况测定以及产量预测等方面均有广泛的应用前景。图像处理技术已经从理论走向实践，处理对象也在不断发生变化，早期主要是针对黑白图像，现在使用的已全部是彩色图像。在空间结构上也从以二维图像信息为主到二维与三维相结合的转变。除了单一使用图像技术，越来越多的研究者将图像与光谱技术相融合，特别是将高光谱成像技术引入到小麦生产管理研究中，使小麦生长表型信息获取的手段更加丰富[53]。

小麦的生产管理包括产前、产中和产后，图像处理也要从这3个阶段入手，如产前的种子选择、土地平整等，产中是从出苗到成熟的过程管理，产后的仓储、流通和加工等。目前我国的图像处理技术在小麦生长信息监测、病虫害的识别与诊断、产量预测等方面的研究已有很大进步，这些均属于产中的图像信息处理技术，但产前和产后的研究还较少，而且能够进行商品化应用的成果不多，还有诸多内容需要进一步研究。

参考文献

[1]姜淑华，孙海波.计算机图像技术在农业工程中的应用[J].农机化研究，2006，28（11）：177-178.

[2]恽鸿峰.计算机图像识别技术的应用及细节问题研究[J].数字技术与应用，2016（8）：123-124.

[3]张晓娟，高瑾.计算机图像识别技术的应用及细节问题阐述与分析[J].电子技术与软件工程，2016（6）：89.

[4]唐录洁.计算机智能化图像识别技术的理论性探究[J].计算机光盘软件与应用，2013，16（13）：98-100.

[5]王力坚，杜永林，葛自强，等.论农业推广中的信息传播与沟通[J].中国农业信息，2014（2）：31-33.

[6]张茅.计算机技术在现代农业中的应用[J].农业工程，2011，1（4）：26-28.

[7]石榕清.数字图像处理在农业信息化条件下的发展及应用研究[J].农村经济与科技，2016，27（18）：261-262.

[8]李辉，滕桂法，张燕.数字图像处理技术及其在农业中的应用研究[J].安徽农业科学，2013，41（13）：6060-6061，6072.

[9]李冬，薛龄季轩，姜珊，等.数字图像处理技术在农业上的应用及发展前景[J].黑龙江科技信息，2016（30）：165.

[10]郭艳艳，李绍明，朱德海，等.数字图像处理技术在玉米种植中的应用[J].中国种业，2008（6）：10-11.

[11]夏永泉，李耀斌，李晨.基于图像处理技术与Android手机的小麦病害诊断系统[J].安徽大学学报（自然科学版），2016，40（2）：26-31.

[12]高俊梅，黄忠文.图像处理技术在农业上的应用[J].农业网络信息，2014（5）：34-39.

[13]胡涛.图像处理技术在农业工程中的应用[J].安徽农业科学，2005，33（4）：678-679.

[14]崔艳丽，王双喜.图像处理技术在农业中的应用研究概论[J].农机推广与安全，2006（12）：33-34.

[15]赵萍，李永奎，林静，等.数字图像处理技术在农产品方面的应用[J].农机化研究，2007，29（11）：198-200，210.

[16]李明，张长利，房俊龙.基于图像处理技术的小麦叶面积指数的提取[J].农业工程学报，2010，26（1）：205-209，386.

[17]宋英博，郭伟，张洪权，等.图像处理技术在玉米叶面积测量中的实际应用[J].农学学报，2015，5（8）：111-114.

[18]王桂琴，郑丽敏，朱虹，等.图像处理技术在冬小麦叶面积指数测定中的应用[J].麦类作物学报，2004，24（4）：108-112.

[19]MEYER G E，DAVISON D A.An electronic image plant growth measurement system[J].Transaction of ASAE，1987，30（1）：242-248.

[20]CHIEN C F，LIN T T.Non-destructive growth measurement of selected vegetable seedlings using orthogonal images[J].Transaction of the ASAE，2005，48（5）：1953-1961.

[21]武聪玲，滕光辉，李长缨.黄瓜幼苗生长信息的无损监测系统的应用与验证[J].农业工程学报，2005，21（4）：109-112.

[22]梁琨，杜莹莹，卢伟，等.基于高光谱成像技术的小麦籽粒赤霉病识别[J].农业机械学报，2016，47（2）：309-315.

[23]邓继忠，李敏，袁之报，等.基于图像识别的小麦腥黑穗病害特征提取与分类[J].农业工程学报，2012，28（3）：172-176.

[24]王美丽，牛晓静，张宏鸣，等.小麦叶部常见病害特征提取及识别技术研究[J].计算机工程与应用，2014，50（7）：154-157.

[25]苏一峰，杜克明，李颖，等.基于物联网平台的小麦病虫害诊断系统设计初探[J].中国农业科技导报，2016，18（2）：86-94.

[26]时雷，庞晓丹，钱诚，等.基于图像处理技术的小麦群体叶绿素状况估计研究[J].太原理工大学学报，2016，47（2）：223-227.

[27]AHMAD I S，REID J F.Evaluation of colour representations for maize images[J].Journal of agricultural engineering research，1996，63（3）：185-195.

[28]KAWASHIMA S，NAKATANI M.An algorithm for estimating chlorophyll content in leaves using a video camera[J].Annals of botany，1998，81（1）：49-54.

[29]PAGOLA M，ORTIZ R，IRIGOYEN I，et al.New method to assess barley nitrogen nutrition status based on image colour analysis：Comparison with SPAD-502[J].Computers and electronics in agriculture，2009，65（2）：213-218.

[30]ADAMSEN F J，PINTER P J JR，BARNES E M，et al.Measuring wheat senescence with a digital camera[J].Crop science，1999，39（3）：719-724.

[31]王方永，李少昆，王克如，等.基于機器视觉的棉花群体叶绿素监测[J].作物学报，2007，33（12）：2041-2046.

[32]王克如，李少昆，王崇桃，等.用机器视觉技术获取棉花叶片叶绿素浓度[J].作物学报，2006，32（1）：34-40.

[33]宋振伟，文新亚，张志鹏，等.基于数字图像技术的冬小麦不同施氮和灌溉处理颜色特征分析[J].中国农学通报，2010，26（14）：350-355.

[34]李明，张长利，王晓楠.基于图像处理技术的小麦形态检测方法研究[J].东北农业大学学报，2009，40（4）：111-115.

[35]赵腾，野口伸，杨亮亮，等.基于视觉识别的小麦收获作业线快速获取方法[J].农业机械学报，2016，47（11）：32-37.

[36]张卫，杜尚丰.机器视觉对农田中定位基准线的识别[J].中国农业大学学报，2006，11（4）：75-77，88.

[37]CHO W，IIDA M，SUGURI M，et al.Vision-based uncut crop edge detection for automated guidance of head-feeding combine[J].Engineering in agriculture，environment and food，2014，7（2）：97-102.

[38]沈明霞，李秀智，姬长英.基于形态学的农田景物区域检测技术[J].农业机械学报，2003，34（1）：92-94.

[39]丁幼春，王书茂，陈度.基于图像旋转投影的导航路径检测算法[J].农业机械学报，2009，40（8）：155-160.

[40]陈娇，姜国权，杜尚丰，等.基于垄线平行特征的视觉导航多垄线识别[J].农业工程学报，2009，25（12）：107-113.

[41]CHOI J，YIN X，YANG L L，et al.Development of a laser scanner-based navigation system for a combine harvester[J].Engineering in agriculture，environment and food，2014，7（1）：7-13.

[42]ZHAO T，NOGUCHI N，YANG L L，et al.Development of uncut crop edge detection system based on laser rangefinder for combine harvesters[J].International journal of agriculture and biological engineering，2016，9（2）：21-28.

[43]刘涛，孙成明，王力坚，等.基于图像处理技术的大田麦穗计数[J].农业机械学报，2014，45（2）：282-290.

[44]范梦扬，马钦，刘峻明，等.基于机器视觉的大田环境小麦麦穗计数方法[J].农业机械学报，2015，46（S1）：234-239.

[45]杨俊，丁峰，陈晨，等.小麥生物量及产量与无人机图像特征参数的相关性[J].农业工程学报，2019，35（23）：104-110.

[46]杨梅，李广.小麦产量预测模型的仿真研究[J].计算机仿真，2013，30（10）：382-385.

[47]张玉荣，陈赛赛，姜忠丽，等.基于图像处理的小麦容重检测方法研究[J].中国粮油学报，2015，30（3）：116-121.

[48]张玉荣，陈赛赛，周显青.小麦图像检测技术研究进展[J].中国粮油学报，2014，29（4）：118-123.

[49]贾佳，王建华，谢宗铭，等.计算机图像识别技术在小麦种子精选中的应用[J].中国农业大学学报，2014，19（5）：180-186.

[50]王志军，丛培盛，周佳璐，等.基于图像处理与人工神经网络的小麦颗粒外观品质评价方法[J].农业工程学报，2007，23（1）：158-161.

[51]毕昆，姜盼，唐崇伟，等.基于麦穗特征的小麦品种BP分类器设计[J].中国农学通报，2011，27（6）：464-468.

[52]仲晓春，陈雯，刘涛，等.基于图像技术的小麦籽粒三维信息测量[J].广东农业科学，2016，43（2）：150-155.

[53]周清松，唐秀忠.图像识别处理技术在农业工程中的应用[J].现代电子技术，2017，40（4）：107-110.