机器视觉技术在农业上的研究现状及展望 .pdfVIP

机器视觉技术在农业上的研究现状及展

望

摘要：随着计算机技术硬件不断发展，计算机视觉理论越来越多应用在具体

的工程领域当中。特别是机器视觉的发展，是计算机视觉理论实际转化到工程应

用的一个典型分支。本文针对近年来机器视觉技术在农业上的应用进行分析和总

结，为同行的研究人员提供参考。本文介绍机器视觉技术系统的组成，机器视觉

技术在农业的研究现状，并对未来在农业领域的应用提出展望。

关键词:机器视觉；深度学习；农业；数字图像

0引言

随着现代计算机技术的不断发展，农业转型升级迫在眉睫，越来越多的国家

加快推进农业自动化时代的到来，尤其以德国为代表的欧美发达国家在农业自动

化采摘、管理、收割等方面处于领先的地位。

机器视觉作为实现自动化必经的环节，在农业自动化的实现、智能制造的蓬

勃发展做出巨大的贡献。近年来，计算机硬件、软件的发展为机器视觉的发展提

供了基础，机器视觉作为计算机视觉在实际工程中的典型应用，具有实时性高、

灵活性好、应用的范围较广等特点越来越多受到各行各业的重视，本文在总结机

器视觉在农业领域的应用现状的基础上，对机器视觉在农业未来的发展方向提出

展望，旨在为从事该领域的研究者提供一定的参考。

[1]

1机器视觉系统的组成及处理工程

目前机器视觉系统主要由成像系统、视觉处理系统、图像反馈。其中成像系

统光源、镜头、工业相机等；视觉处理系统包含图像去噪、图像增强、图像配准

与拼接等；图像反馈包含图像显示与图像分类。其大致过程为：被摄取目标在光

源的照射下经过镜头的作用成像在工业相机的光敏面阵上，工业相机将形成图像

信号传递给视觉处理系统，视觉处理系统根据图像的亮度、像素的分布、颜色、

纹理等将图像信号处理成为数字信号，处理系统根据信号进行位运算等一系列操

作，将处理的结果通过通信总线显示，根据显示做出相应的动作，经驱动信号、

功率放大、机构驱动设备做出相应操作。

2机器视觉系统常用算法

深度学习模型是目前常用的物体识别算法，其基本思想是通过有监督或者无

监督的方式学习层次化的特征表达来对物体进行从底层到高层的描述．主流的深

度学习模型包括自动编码器、受限波尔兹曼机、深度信念网络、卷积神经网络、

生物启发式模型等。

_______________

河南省省级重点学科专业建设资助项目（编号：2022KYXM01）

3机器视觉在农业领域的研究现状

3.1农产品自动化采摘

随着农业自动化时代的提倡，在近几年内，科学家们运用最小矩形拟合结果

预处理后的图像轮廓，然后将拟合后的长宽比与误差范围对比，该方法针对苹果

特殊的生存环境开发了采摘苹果自动装置，将视觉技术和机械结构采摘完美的结

合，实现了全自动采摘工作，该种方法在保持苹果完整率的基础上，提高的采摘

效率，同时机器视觉的识别可有效减少因人工的原因带来的误差，通过测试，无

损采摘率达90%以上，完全符合设计之初的构想。

徐同庆研究了苹果采摘机器人控制系统，从硬件和软件两方面对苹果采摘机

器人进行设计，其中硬件主要为控制电路、机械臂、末端执行器，软件主要包含

识别算法，数据采集；杨千当面机器视觉的技术，侧重平菇进行设计采摘控制系

统，提出了基于改进SSD-MobileNet的平菇检测方法，将平菇的大小基于机器

视觉进行分类，提出的识别算法能有效的对平菇实现分类[2]。

3.2农作物生长的实时监测

机器视觉相对于人的眼睛而言，在实时监测方面有着较大的优势，一是机器

视觉能够长时间对农作物进行实时监测，二是机器视觉能够克服人眼带来的偶然

误差造成监测数据不准确，三是机器视觉能够克服自然环境的变化，能够细微观

察农作物的变化。

研究者通过Otsu方法实现图像分割、模糊形式模型（BSM）描述和灰度共生

矩阵提取形状和纹理特征，然后提取特征训练k最近邻（K-nn），朴素贝叶斯和

神经网络分类器，观察咖啡叶片的外观形貌，通过形貌的变化观察咖啡植物是否

健康成长，同时基于农学知识，将叶片颜色的不同对应微量元素的缺失，实时的

检测微量元素的缺乏。结果表明该方法的运用能够有效检测咖啡叶片的生长。

刘永波等基于机器视觉技术对水稻的常见病稻瘟病进行研究，通过计算叶片

的面积进行判断该病程的大小及严重程度，在一定程