郭宏杰 马德新

（青岛农业大学动漫与传媒学院，山东 青岛266109）

近年来，随着计算机技术、光电子技术，信号处理理论与技术及人工智能理论与技术的发展，计算机视觉技术得到了快速发展和广泛应用，其在科研领域和实际生产方面均发挥了重要作用。计算机视觉技术是一种综合性技术，涉及人工智能、光学、机械学、计算机图形学和神经生物学等，已经被广泛应用在商业、军事、气象及自然灾害预测等方面，给人们的生活带来了翻天覆地的变化。例如，无人汽车、人脸识别等均离不开计算机视觉技术的支持。同时，计算机视觉技术在不断更新迭代，已经从单维度向多维度发展，其涉及的领域也越来越广。计算机视觉技术在农业领域中的应用主要体现在，可以用于农作物的选种、作物生长态势监测、病虫害监测、杂草识别、农作物采收等方面。另外，计算机视觉技术在畜牧业上可用于牲畜行为识别和牲畜体尺测量。

1 计算机视觉技术概述

计算机视觉是一门研究如何使机器“看”的科学，是指用图像传感器或摄像机代替人眼对目标进行识别、跟踪和测量等，并进一步做图像处理，用计算机处理成更适合人眼观察或传送给仪器检测的图像。计算机视觉技术的处理流程主要包括图像获取、图像预处理、特征提取以及图像检测、分割及高级处理。

计算机视觉技术处理流程的第一步是图像获取，即通过一个或多个图像传感器拍摄图像。第二步是图像预处理，即在对图像进行特征提取之前，需要先进行预处理，旨在消除图像中存在的无关或者会影响最终识别效果的信息，恢复可靠的信息，使特征提取、图像检测和图像分割得到更准确的信息。特征提取是指从图像中提取各种凸显差异大的特征，如局部特征点的检测等。图像检测是指从一幅已知图像中检索出需要的某个子图像。图像分割是指有时为了提取更有价值的信息，以方便对图像进行继续处理，就需要先对图像进行分割。例如，可以分割多幅图片中含有特定目标的图像信息，也可以将图像中分属不同物体的像素区域分开。到高级处理阶段时，图像已经被处理成很小的数据了，这个阶段的任务主要是验证数据是否符合要求，以评估下一目标的姿态、体积，并对目标进行分类和识别。

2 计算机视觉技术在种植业中的应用

2.1 对农作物进行选种及分类

俗话说“好瓜出好瓢，好种出好苗”，这句话充分说明选好种子会直接影响农作物的生长状态和产量，选好种是作物来年大丰收的前提。目前，我国大部分种子质量检测均是由人工识别，即由检测人员取一部分种子进行直接观察，通过检测人员的过往经验对种子质量进行辨认，这种检测方法效率低下且对检测人员的素质要求高。而利用计算机视觉技术进行选种可以有效提升种子的鉴定速度，通过不断地收集优良种子特征，构建分类模型，并在植物生长后期收集数据，丰富完善分类模型，提升鉴别的准确度。将计算机视觉技术应用到农作物选种中，极大地提高了鉴种的效率和精准度。

2.2 监测农作物的生长状态

利用计算机视觉技术可以对作物的生长状态进行监测。例如，利用计算机视觉技术计算叶冠投影面积和株高等信息；通过对叶片状态及表面颜色的分析，判断出作物是否存在营养不良的情况，为及时施肥或灌溉提供理论依据；对果实的成熟度进行检测，对果实表面的像素点进行特征提取，根据果实的表面颜色、形状和大小判断其成熟度。

2.3 识别杂草和病虫害

利用计算机视觉技术对草害、病害和虫害进行识别的本质是图像分类问题，因为健康的农作物、遭受病虫害危害的农作物以及杂草的颜色、大小、形态等特征均存在差异，可以通过与特征库的叶宽、颜色等特征信息进行比较分析而区分开。在识别草害的实际生产中，首先对采集图像中的土壤背景进行滤除，然后通过与特征库的叶宽、颜色等特征信息进行比较分析，实现对杂草的快速精准识别，从而为去除杂草提供数据支撑。在病害识别的应用上，主要是对遭受病害的作物进行图像特征分析，再与特征库中的健康作物图像信息特征进行比对，划分出遭到各种病害危害的作物图像，从而实现对作物病害的自动识别。在虫害识别的应用上，计算机视觉技术主要的工作原理是对拍摄到的昆虫的纹理、形态、大小等特征进行提取，使用卷积神经网络（Convolutional Neural Net⁃work，CNN）进行识别，然后通过建立和不断完善昆虫特征信息库，实现对害虫的识别，给出及时、合理的措施，来预防或阻止病虫害带来的影响。

2.4 采收农作物

农作物采收也可以通过计算机视觉技术的方法实现。当前，利用计算机视觉技术能够做到对柔软果实的无损采收。计算机视觉技术可以对农作物的表面颜色、形状、大小等特征进行分析，从而得出农作物的成熟度，再与机器人配合，通过传送带系统完成对果实的全自动收获。例如，苹果采摘机器人可以采用双目立体视觉、目标检测等技术实现对果实的定位和成熟度的判定，再与机器人配合，对果实进行无损摘取。

3 计算机视觉技术在畜牧业中的应用

3.1 识别牲畜行为

运用计算机视觉技术可以实现对牲畜个体和其行为特征的无接触、远程分析，能够节省大量人力和时间成本。计算机视觉技术实现监测的核心，是通过对动物活动进行全方位的拍摄，获取活动个体的信息数据，构建行为模型，再将信息数据放入神经网络模型中训练，生成相应的行为识别模型，进而实现对牲畜的采食、排泄、求偶和休息等一般行为的识别。通过识别牲畜行为也可以及时发现牲畜的异常行为，并及时采取相应的措施。

3.2 测量牲畜体尺

牲畜体尺是衡量牲畜生长和发育情况的重要指标，在牲畜养殖中，经常需要对大量牲畜进行体尺测量。传统的测量方式是使用皮尺等工具靠近牲畜，进行近距离直接测量，用这种方式对大型牲畜进行测量时难度很大，易使牲畜产生应激反应，甚至对人进行攻击，测量效率低下。而计算机视觉技术是通过对牲畜进行图像拍摄，以远距离的方式对其进行体尺的测量，然后将采集的图像输入图像分割模型，从输出的图片中得到牲畜的轮廓，通过对得到的轮廓进行几何分析得出体尺测点，并根据体尺测点计算当前牲畜的体尺参数。

4 计算机视觉技术在农业领域应用中遇到的问题及对策

4.1 环境复杂性的影响

目前，计算机视觉技术在农业中的应用大多处于可控的环境因素下，暂时没有考虑在大田、养殖场等复杂的环境中应用。在相对稳定的环境中，图像是相对静止的，质量也很高；但在大田等环境中，农作物生长环境较复杂，会受到温度、降水等因素的影响，农作物的形态和生长情况也存在差异性，因此，会使图像的分割和特征提取存在较大难度，从而可能会降低图像识别的速度和精准度。

针对环境复杂性的挑战，建议采取多时段、高频率采集图像的方式来提高识别效率。针对大田这类环境较复杂的场所，可以对环境下的农作物采用一天内设定多个时段，每个时段采集多张图像的方法来进行识别，同时对采集的图像采取多次分割的方法，去除背景图像，进一步提高识别的精准度。

4.2 数据局限性的影响

模型的精准度需要算法和数据的支撑，而计算机视觉技术中农业图像知识库的缺乏影响了模型的效果。目前，虽然相关科研人员对计算机视觉技术的研究达到了比较高的水准，但是数据大多是应用在人脸识别、语音识别等方面。农业图像的知识库存数据存在不同程度的缺乏，导致计算机视觉技术在具体应用过程中仍然会出现无法辨别、识别度较低等问题。

针对数据局限性的挑战，建议由政府牵头，各科研院所之间相互配合，在农业大数据的背景下，制作出农业相关的图像知识库，以减轻因数据缺乏所带来的模型识别度低的影响，为计算机视觉技术在农业上的应用提供数据支撑。

5 计算机视觉技术应用展望

计算机视觉技术是一种高新技术，其对智慧农业发展具有巨大的推动作用，能用于种植业和畜牧业等相关农业产业中，可以有效提升农业生产效率、节约人力成本，未来仍然有巨大的研究空间和广阔的应用前景。虽然计算机视觉技术在农业领域应用中面临环境复杂性的技术难题和数据局限性等问题，但随着研究人员的不断深入研究，相信未来随着技术的不断进步，这些难题均会被逐步解决，计算机视觉技术一定会在农业领域中大放异彩，早日实现农业生产智能化。