計算機視覺技術在農業領域的應用

郭宏杰 馬德新

（青島農業大學動漫與傳媒學院，山東 青島266109）

近年來，隨著計算機技術、光電子技術，信號處理理論與技術及人工智能理論與技術的發展，計算機視覺技術得到了快速發展和廣泛應用，其在科研領域和實際生產方面均發揮了重要作用。計算機視覺技術是一種綜合性技術，涉及人工智能、光學、機械學、計算機圖形學和神經生物學等，已經被廣泛應用在商業、軍事、氣象及自然災害預測等方面，給人們的生活帶來了翻天覆地的變化。例如，無人汽車、人臉識別等均離不開計算機視覺技術的支持。同時，計算機視覺技術在不斷更新迭代，已經從單維度向多維度發展，其涉及的領域也越來越廣。計算機視覺技術在農業領域中的應用主要體現在，可以用于農作物的選種、作物生長態勢監測、病蟲害監測、雜草識別、農作物采收等方面。另外，計算機視覺技術在畜牧業上可用于牲畜行為識別和牲畜體尺測量。

1 計算機視覺技術概述

計算機視覺是一門研究如何使機器“看”的科學，是指用圖像傳感器或攝像機代替人眼對目標進行識別、跟蹤和測量等，并進一步做圖像處理，用計算機處理成更適合人眼觀察或傳送給儀器檢測的圖像。計算機視覺技術的處理流程主要包括圖像獲取、圖像預處理、特征提取以及圖像檢測、分割及高級處理。

計算機視覺技術處理流程的第一步是圖像獲取，即通過一個或多個圖像傳感器拍攝圖像。第二步是圖像預處理，即在對圖像進行特征提取之前，需要先進行預處理，旨在消除圖像中存在的無關或者會影響最終識別效果的信息，恢復可靠的信息，使特征提取、圖像檢測和圖像分割得到更準確的信息。特征提取是指從圖像中提取各種凸顯差異大的特征，如局部特征點的檢測等。圖像檢測是指從一幅已知圖像中檢索出需要的某個子圖像。圖像分割是指有時為了提取更有價值的信息，以方便對圖像進行繼續處理，就需要先對圖像進行分割。例如，可以分割多幅圖片中含有特定目標的圖像信息，也可以將圖像中分屬不同物體的像素區域分開。到高級處理階段時，圖像已經被處理成很小的數據了，這個階段的任務主要是驗證數據是否符合要求，以評估下一目標的姿態、體積，并對目標進行分類和識別。

2 計算機視覺技術在種植業中的應用

2.1 對農作物進行選種及分類

俗話說“好瓜出好瓢，好種出好苗”，這句話充分說明選好種子會直接影響農作物的生長狀態和產量，選好種是作物來年大豐收的前提。目前，我國大部分種子質量檢測均是由人工識別，即由檢測人員取一部分種子進行直接觀察，通過檢測人員的過往經驗對種子質量進行辨認，這種檢測方法效率低下且對檢測人員的素質要求高。而利用計算機視覺技術進行選種可以有效提升種子的鑒定速度，通過不斷地收集優良種子特征，構建分類模型，并在植物生長后期收集數據，豐富完善分類模型，提升鑒別的準確度。將計算機視覺技術應用到農作物選種中，極大地提高了鑒種的效率和精準度。

2.2 監測農作物的生長狀態

利用計算機視覺技術可以對作物的生長狀態進行監測。例如，利用計算機視覺技術計算葉冠投影面積和株高等信息；通過對葉片狀態及表面顏色的分析，判斷出作物是否存在營養不良的情況，為及時施肥或灌溉提供理論依據；對果實的成熟度進行檢測，對果實表面的像素點進行特征提取，根據果實的表面顏色、形狀和大小判斷其成熟度。

2.3 識別雜草和病蟲害

利用計算機視覺技術對草害、病害和蟲害進行識別的本質是圖像分類問題，因為健康的農作物、遭受病蟲害危害的農作物以及雜草的顏色、大小、形態等特征均存在差異，可以通過與特征庫的葉寬、顏色等特征信息進行比較分析而區分開。在識別草害的實際生產中，首先對采集圖像中的土壤背景進行濾除，然后通過與特征庫的葉寬、顏色等特征信息進行比較分析，實現對雜草的快速精準識別，從而為去除雜草提供數據支撐。在病害識別的應用上，主要是對遭受病害的作物進行圖像特征分析，再與特征庫中的健康作物圖像信息特征進行比對，劃分出遭到各種病害危害的作物圖像，從而實現對作物病害的自動識別。在蟲害識別的應用上，計算機視覺技術主要的工作原理是對拍攝到的昆蟲的紋理、形態、大小等特征進行提取，使用卷積神經網絡（Convolutional Neural Net?work，CNN）進行識別，然后通過建立和不斷完善昆蟲特征信息庫，實現對害蟲的識別，給出及時、合理的措施，來預防或阻止病蟲害帶來的影響。

2.4 采收農作物

農作物采收也可以通過計算機視覺技術的方法實現。當前，利用計算機視覺技術能夠做到對柔軟果實的無損采收。計算機視覺技術可以對農作物的表面顏色、形狀、大小等特征進行分析，從而得出農作物的成熟度，再與機器人配合，通過傳送帶系統完成對果實的全自動收獲。例如，蘋果采摘機器人可以采用雙目立體視覺、目標檢測等技術實現對果實的定位和成熟度的判定，再與機器人配合，對果實進行無損摘取。

3 計算機視覺技術在畜牧業中的應用

3.1 識別牲畜行為

運用計算機視覺技術可以實現對牲畜個體和其行為特征的無接觸、遠程分析，能夠節省大量人力和時間成本。計算機視覺技術實現監測的核心，是通過對動物活動進行全方位的拍攝，獲取活動個體的信息數據，構建行為模型，再將信息數據放入神經網絡模型中訓練，生成相應的行為識別模型，進而實現對牲畜的采食、排泄、求偶和休息等一般行為的識別。通過識別牲畜行為也可以及時發現牲畜的異常行為，并及時采取相應的措施。

3.2 測量牲畜體尺

牲畜體尺是衡量牲畜生長和發育情況的重要指標，在牲畜養殖中，經常需要對大量牲畜進行體尺測量。傳統的測量方式是使用皮尺等工具靠近牲畜，進行近距離直接測量，用這種方式對大型牲畜進行測量時難度很大，易使牲畜產生應激反應，甚至對人進行攻擊，測量效率低下。而計算機視覺技術是通過對牲畜進行圖像拍攝，以遠距離的方式對其進行體尺的測量，然后將采集的圖像輸入圖像分割模型，從輸出的圖片中得到牲畜的輪廓，通過對得到的輪廓進行幾何分析得出體尺測點，并根據體尺測點計算當前牲畜的體尺參數。

4 計算機視覺技術在農業領域應用中遇到的問題及對策

4.1 環境復雜性的影響

目前，計算機視覺技術在農業中的應用大多處于可控的環境因素下，暫時沒有考慮在大田、養殖場等復雜的環境中應用。在相對穩定的環境中，圖像是相對靜止的，質量也很高；但在大田等環境中，農作物生長環境較復雜，會受到溫度、降水等因素的影響，農作物的形態和生長情況也存在差異性，因此，會使圖像的分割和特征提取存在較大難度，從而可能會降低圖像識別的速度和精準度。

針對環境復雜性的挑戰，建議采取多時段、高頻率采集圖像的方式來提高識別效率。針對大田這類環境較復雜的場所，可以對環境下的農作物采用一天內設定多個時段，每個時段采集多張圖像的方法來進行識別，同時對采集的圖像采取多次分割的方法，去除背景圖像，進一步提高識別的精準度。

4.2 數據局限性的影響

模型的精準度需要算法和數據的支撐，而計算機視覺技術中農業圖像知識庫的缺乏影響了模型的效果。目前，雖然相關科研人員對計算機視覺技術的研究達到了比較高的水準，但是數據大多是應用在人臉識別、語音識別等方面。農業圖像的知識庫存數據存在不同程度的缺乏，導致計算機視覺技術在具體應用過程中仍然會出現無法辨別、識別度較低等問題。

針對數據局限性的挑戰，建議由政府牽頭，各科研院所之間相互配合，在農業大數據的背景下，制作出農業相關的圖像知識庫，以減輕因數據缺乏所帶來的模型識別度低的影響，為計算機視覺技術在農業上的應用提供數據支撐。

5 計算機視覺技術應用展望

計算機視覺技術是一種高新技術，其對智慧農業發展具有巨大的推動作用，能用于種植業和畜牧業等相關農業產業中，可以有效提升農業生產效率、節約人力成本，未來仍然有巨大的研究空間和廣闊的應用前景。雖然計算機視覺技術在農業領域應用中面臨環境復雜性的技術難題和數據局限性等問題，但隨著研究人員的不斷深入研究，相信未來隨著技術的不斷進步，這些難題均會被逐步解決，計算機視覺技術一定會在農業領域中大放異彩，早日實現農業生產智能化。