王春军

摘要：机器视觉在农业生产中应用较广泛，在农产品质量分级、检测、农田病虫草害控制、农业自动采摘系统、农作物生长过程检测以及农业机械导航等方面均有突破。

关键词：机器视觉;质量分级;自动采摘

机器视觉在农业生产中应用较广泛，在农产品质量分级、检测、农田病虫草害控制、农业自动采摘系统、农作物生长过程检测以及农业机械导航等方面均有突破。虽然机器视觉技术具有在农作物或农产品等识别方面比人眼更客观、更标准的特点，但是由于农田环境的复杂多变性以及非结构化特性，使得机器视觉在农业生产中的应用还不成熟。

一、机器视觉在农产品质量分级及检测中的应用

对农产品进行质量分级可以确定农产品品质，提高农产品商品价值。而人工分选耗时一耗力，且分选精度不高;运用机器视觉技术，对农产品图像进行处理，根据预先设定的分级标准完成自动分级，不仅能够达到较好的分级和检测效果，还具有较高的处理效率。

相对而言，在农产品分选机械中的应用是机器视觉技术在农业生产中应用比较成熟的领域;然而，在实际应用中，许多产品的质量标准不只是由外部特征决定的。因此，后续的研究需要考虑多种特征对于产品分级和检测的影响，并将内部参数和信息作为典型特征考虑。

二、机器视觉在农业自动采摘系统中的应用

果蔬采摘是农业生产链中最耗时一耗力的一个环节。农业机器人在解决劳动力不足、降低采摘成本、提高劳动生产率、保证果蔬适时一采收等方面具有很大潜力。然而，由于作业环境复杂多变，对视觉辨别能力要求高，目前的机器视觉定位蔬果己由最初的单目视觉发展到双目视觉甚至多目视觉，以实现对蔬果在三维空间的精确定位。

目前，对于机器视觉在农业自动采摘方面的研究取得了一定进展，特别是国外在农产品收获中的应用研究成果比较成熟。国内起步较晚，但近年来也成为一个较热门的研究方向，在借鉴国外技术的基础上也有了一定的发展。目前，基于机器视觉的自动采摘机器人对于“色觉”信号明显的蔬果（如苹果、番茄、草蓦等）可以很好地辨别，但是由于蔬果生长位置和方向的随机性，定位采摘点比较困难。对于颜色与背景相近的蔬果，纹理和形状能更好地表征目标。因此，结合多种特征提取有效参数组合能更好地适应环境复杂性，有效辨认成熟果实。

三、机器视觉在农作物生长过程检测中的应用

作物生长信息主要是用来提供作物生长状况的相关信息，例如水分、温度、营养状况等，能够为现代化的精细农业提供信息支持。机器视觉对作物生长信息的检测主要是及时一采集作物图像，通过图像处理提取作物营养状况信息，能够为判断作物生长状况提供决策支持。

目前，机器视觉在作物生长过程检测中的应用研究主要集中在叶片面积和颜色、植株高度、叶片形态和作物营养信息检测等方面，并取得了一定的研究进展。早在1996年，Ahmad I. S.等就利用机器视觉技术，通过对玉米图像色彩信息的提取和研究发现RGB值能很好地反应作物干旱和缺肥的症状，及时一为灌溉和施肥提供可靠依据。作物生长是一个较为复杂的动态过程，由于环境不稳定，对其进行实时一检测的设备要求较高。目前，无损检测基于颜色和外形特征的检测比较多，但是算法的通用性不强且精度不高。

四、机器视觉在农业机械导航中的应用

随着农业机械化、智能化的发展，自动导航系统己成为农田机械设施的重要组成部分，在自动化收割、喷施农药等方面己有应用。机器视觉是导航系统中的关键技术部分，通过实时一监测、图像处理等来为导航、定位提供必要信息。

在运用机器视觉导航的研究方面，国外学者一起步较早，国内令家学者一对于视觉导航的研究也做出了许多努力，取得了不少研究成果。1996年，Torii等人提出了基于机器视觉的智能农药喷洒装置，通过对目标图像在HSI空间的分析，用最小二乘法提取导航路径，该装置易受缺行和杂草干扰。美国佛罗里达大学Vijay Subramanian等人（2006）提出了一种基于机器视觉与激光雷达结合的柑橘园车辆自动导航方法，结合激光器的DGPS导航克服了果园树冠遮挡GPS信号致使导航错误的缺点。用干草堆替代的场景实验表明，大田环境下的导航效果在车辆速度低于3. lm/s的情况下可以满足要求。杨庆华等（2009）针对复杂的农林环境提出了不同的导航路径算法，针对矮小作物群的农田环境，采用限定区域的Hough变换方法，在直线检测前限定区域，利用简化向量T（e>的Hough变换批量处理类似农田场景;对于高大树木的林地环境，用Hough变换检测，依据树干与地面的交点确定机器人行走的左右边界，求两边界的中点，对这些中点进行Hough变换，生成导航路径。陈来荣等（2010）提出了基于梯度的随机Hough变换，能更好地适应密度分布不均的作物行，在缺行等情况下也能提供较准确的导航信息。Jinlin Xue } Tony E. Grift等人（2012）在总结己有成果的基础上提出了基于可变视场的农业机器人导航方案：对于田间环境下先采用远视场获取具有清晰对比度的图像，设定像素数量闽值，依据像素调整视场;通过图像处理依据左右玉米行确定导航路径。玉米田间的试验表明，在作物行中远视场时，精度最高可以达到平均误差lmm，其他两种视场下精度也能满足导航需求，而且理论上更能满足特殊行情况。

农业机械导航是实现农业产业全自动化的关键，作物行、垄、沟等田间环境为导航提供了有力的信息支持。机器视觉可以通过色彩對比度获取边界点、线，有效的图像处理算法可以提取出航向线;但是，在非结构化的农田环境下，作物形态各异和无序的杂草给导航信息的提取带来一定干扰。

参考文献：

[1]农业信息成像感知与深度学习应用研究进展[J]. 孙红，李松，李民赞，刘豪杰，乔浪，张瑶.农业机械学报. 2020（05）

[2]无人机光谱成像技术在大田中的应用研究进展[J]. 彭要奇，肖颖欣，郑永军，严海军，董玉红，李鑫星.光谱学与光谱分析. 2020（05）

[3]农业机械导航技术研究进展[J]. 张漫，季宇寒，李世超，曹如月，徐弘祯，张振乾.农业机械学报. 2020（04）