机器视觉技术在我国现代农业生产中的应用研究

机器视觉技术在我国现代农业生产中的应

用研究

摘要：随着计算机和图像处理技术的发展，机器视觉技术的研究和应用已扩展到农业生产领域，并取得了许多重要研究成果。阐述了机器视觉技术在农业生产各领域（水果的自动分选、种子和粮食品质的检测、农产品异物检测、农田作业机械、植物生长情况监测及动物生产中）的应用，为进一步应用机器视觉技术提供参考。 关键词：机器视觉技术 农业生产 应用

机器视觉系统是一个能自动获取一幅或多幅目标物体图像，对所获取图像的各种特征量进行处理、分析和测量，并对测量结果做出定性分析和定量解释，从而得到有关目标物体的某种认识并做出相应决策的系统。机器视觉系统的功能包括：物体定位、特征检测、缺陷判断、目标识别、计数和运动跟踪。机器视觉技术具有非接触性、速度快和精度高等特点，可以提高生产的柔性和自动化程度。因此，机器视觉技术在多个领域都得到了广泛应用。我国是农业大国，目前已有大量文献资料研究了机器视觉技术在农业中的应用，如机器视觉技术在选种、农作物生产管理及其控制、农业机械导航、农业机器人、农产品品质检测和分级等农业生产环节中均得到了广泛应用。

1 研究现状

1.1 农作物生产管理及其控制

农作物生产管理及其控制主要内容包括农作物生长形态监测和农药喷洒控制。 1.1.1 农作物生长形态监测

农作物的生长状况直接受气象条件、土壤肥力和栽培管理等因素的影响，及时掌握农作

物的生长形态可以辅助农业生产管理，根据作物生长情况及时调整栽培方案。 机器视觉技术的应用主要集中在农作物植株的静态识别定位和形状参数测量上，主要方法有两种。第一种是通过获取多幅植株的二维图像进行定位识别及参数获取。例如，采用双目视觉系统对棉株株顶进行识别定位和高度测量，采用matlab软件进行了图像处理，结果显示，对棉株株顶的识别率为92.6%，棉株在1 100～1 900 mm处的定位误差为0.43～30.57 mm，基本满足了棉花打顶的作业要求。第二种是通过获取单幅二维图像构建植株的三维表面，进而进行定位识别及参数获取。例如，以果园田间叶片为研究对象，利用单幅图像恢复叶片的三维表面获取了农学形状参数，实现了田间叶片图像的远程采集和叶片面积的测量，促进了机器视觉系统在农业生产管理中的应用。 1.1.2 农药喷洒控制

农药喷洒控制也属于精细农业的研究范畴，主要针对除草剂和杀虫剂两种农药进行喷洒

控制。主要研究内容集中在对杂草、病虫害和作物的精确识别上，从而控制农药的喷洒。 机器视觉技术的应用主要集中在农作物植株的动态识别定位和正确区分植株、杂草和病虫害上，因此，在实际应用中，要求其识别准确率要高，采集和处理信息的速度要快。

1.2 农业机械导航

农业机械导航广泛应用在农药喷洒、施肥、收割、除草、地膜清理和无人驾驶农业机械等农业生产中。目前，对农业机械导航的研究主要集中在机器视觉和GPS两种技术的应用上。在农业机械导航方面，机器视觉技术的应用主要集中在自动采集农田环境图像，通过图像分析处理确定导航路径上，其重点在于提取导航基准线。实际应用中，要求精度高、处理速度快。采用直线检测算法实现了农业车辆自动导航，并进行了仿真试验。该系统可以有效地实现直线路径跟踪，当车速为2.16 km/h时，最大横向偏差不超过80 mm。采用机器视觉技术在农田图像中提取导航基准线，实现了对农业车辆的导航。

1.3 农业机器人

农业机器人是现代农业中最重要的部分，其结合了机械、电子、图像处理、自动控制、人工智能和计算机技术等多个方面，是农业机械的主要发展方向。根据作业内容不同，农业机器人分为嫁接机器人、采摘机器人和移栽机器人。在该方面，机器视觉技术的应用主要集中在自动采集植株图像，通过图像处理确定植株的形态参数以及生长位置，辅助农业机器人进行相关操作上。 1.3.1 嫁接机器人

机器视觉技术通过采集幼苗图像恢复幼苗的叶面参数，如生长方向、生长点和叶面面积等，再由生长点准确确定培育幼苗的穴孔位置，从而辅助嫁接机器人进行嫁接配对和定位。在实际应用中，要求较高的定位精度和较快的处理速度来满足机器人的自动作业要求。 人采用二维幼苗俯视图像、利用椭圆拟合的方法恢复幼苗叶面，并提取了用于机器人自动嫁接的参数，克服了叶面相互遮挡的问题，幼苗识别且定位成功率达到97.5%，满足了嫁接机器人自动作业的要求。 1.3.2 采摘机器人

采摘机器人目前已经实现了对番茄、茄子、黄瓜、蘑菇和草莓的采摘。机器视觉技术通过农作物图像识别出同类农产品中微妙的颜色、形状和大小差异，从而辅助采摘机器人进行

农产品的定位采摘。在实际应用中，要求识别定位准确和处理速度快。 我国农业机器人的研发起步晚、发展慢，与发达国家相比差距还很大，目前还处于起步阶段。中国农业大学研发的茄子采摘机器人利用机器视觉技术测量出果实与机械臂的距离，当测量距离在270～570 mm范围时，测量误差可被控制在±18 mm内，抓取成功率可达到89%，平均每次摘取耗时37 s。2011年，中国农业大学农业机器人实验室完成了黄瓜采摘机器人的研究，该黄瓜采摘机器人可以根据黄瓜的外形识别黄瓜的成熟度，一次采摘动作可以在15 s内完成。 1.3.3 移栽机器人

机器视觉技术主要应用于识别穴盘幼苗的生长情况，利用多特征判断需要移栽的幼苗并进行定位，辅助移栽机器人完成移栽工作。在实际应用中，要求识别定位准确和处理速度快。 采用图像分割的彩色特征变换从背景提取的幼苗植株图像，采用单连通域分析算法提取每个穴孔中幼苗的叶片面积，并根据此特征判断需要移栽的幼苗。该系统对于50孔穴盘番

茄幼苗的识别准确率为98.7%，对于72孔穴盘幼苗的识别准确率为98.14%，移栽成功率为82.5%。

1.4 农产品无损检测

农产品无损检测具有快捷、卫生、准确等优点。目前，主要应用近红外光谱分析和机器视觉技术进行农产品的无损检测。农产品无损检测主要应用在种子质量检测、农产品品质检测和分级等方面。 1.4.1 种子质量检测

有效的种子质量检测可以控制种子质量，提高农产品的产量和质量。因此，种子质量检测是农业生产中至关重要的一个环节。 机器视觉技术主要通过采集静态种子图像，分析处理识别同类种子不同质量的特征，建立相应的辨识方法。成芳等针对静态、单粒稻种的可见光彩色图像进行分析，实现了稻种质量的检测和稻种的识别，其对稻种的各种图像特征识别率均在85%以上。等采用机器视觉技术的种蛋筛选方法建立了4个检测指标的种蛋外观品质综合评价体系，对各指标的检测准确率均达到了90%以上。在分析玉米种子的形态及光学特性的基础上，利用机器视觉技术搭建了硬件系统，采集出符合玉米种子品种识别和检测要求的种子图像，并通过多对象轮廓提取算法对玉米种子的几何特征进行了提取，实现了4个品种玉米种子的识别和检验，识别正确率均达到95%以上。 1.4.2 品质检测和分级

机器视觉技术通过采集静态果实图像进行多方面的特征分析确定果实的外部品质，从而进行分级操作。采用机器视觉技术对马铃薯的3个外观指标进行了外观品质检测。在重量检测方面，不同规格马铃薯的检测准确率均在96%以上；在形状检测方面，不同外形类别的检测准确率均在93%以上。建立了基于多光谱成像设备的计算机视觉系统，对茶叶的外观品质进行了定量检测，并利用光谱技术对茶叶的内在品质进行了检测。以鳊鱼为研究对象，建立了基于近红外光谱和机器视觉信息融合的淡水鱼新鲜度检测模型，该模型的预测准确率达到96.67%。采用机器视觉技术进行西瓜几何参数的提取和残缺果识别，对缺陷果的识别准确率达到93.3%，实现了西瓜的无损检测和分级。采用机器视觉技术和偏最小二乘回归模型预测了葡萄穗的质量，相关性高达96.91%。采用机器视觉技术对猕猴桃果实进行了识别，正确提取率为88.5%，平均提取时间为3.976 s，基本满足了采摘机器人的实时识别要求。 1.4.3 农产品异物检测

由于大部分农产品都是野外生产，且在整个生产和收获过程中需要一定的机械和人工作业，所以不可避免地会掺杂进某些杂质，对农产品的质量造成了较大影响。尤其是象棉花和烟草。棉花中掺杂的布片、绳头、塑料薄膜、丙纶丝和毛发等杂质虽然很少，但在纺纱过程中一旦遇到就会立即断线，严重影响了皮棉的精纺性能。而混在烟叶中的杂物及霉烂烟叶等对卷烟产品的质量也有较大影响。所以，利用机器视觉技术在某个生产环节，采集棉花或烟草的图像，通过图像处理，识别出其中的杂质或劣质部分，并采用一定的执行机构将其剔除，可以极大的提高其质量。而这个工作依靠人工是很难完成的。

此外，在食品工业中，利用X 光等光源，通过机器视觉技术进行食品中的异物检测、骨头和碎骨渣检测等的应用也很普遍。