葡萄圖像檢測技術研究進展

鄭小南 楊凡 李富忠

摘要 ? ?葡萄是我國重要的栽培水果之一。隨著計算機技術的進步和我國智慧農業概念的提出和推廣，圖像處理技術現已被廣泛應用于葡萄檢測中，具有高效、便捷、無損傷的優點。本文綜述了圖像檢測技術在葡萄葉片（病害、營養物質）和果實上的研究進展，提出了現存的不足，并對未來圖像處理在葡萄檢測技術中的應用進行了展望。

關鍵詞 ? ?葡萄;圖像處理;生長監測

中圖分類號 ? ?S663.1 ? ? ? ?文獻標識碼 ? ?A

文章編號 ? 1007-5739（2020）12-0078-02 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 開放科學（資源服務）標識碼（OSID）

葡萄是常見的水果之一，通常有鮮食、釀酒和制葡萄干3種食用方式。葡萄的根和藤可藥用，能起到安胎和止嘔的作用[1-3]。葡萄作為我國重要的果樹之一，現已在栽培方式、葡萄品質和產量方面取得了很大的突破，逐步躋身于世界葡萄生產大國[4]。雖然取得了長足的進步，但我國葡萄栽培仍存在諸多問題，葡萄檢測主要通過人工進行，時間長，成本高，并且分析結果具有不可靠性。人工測量通常需要在良好的靜態測量條件下進行，得到的數據集往往會產生較大誤差，很難對作物生長狀況進行精準判斷，致使不能及時對葡萄生長過程中出現的問題施行相應的措施，導致我國葡萄品質與世界先進水平相比仍存在一定的差距。

隨著計算機技術和精準農業的發展，圖像技術已被廣泛應用于葡萄檢測中。計算機圖像能夠代替人眼快速、準確地進行檢測分析。在葡萄生長發育過程中，根據成像技術實時監測生長數據并及時采取相應的措施，同時可以對葡萄的產量進行精準預測，還可自動對葡萄品質分級，這對確保葡萄的品質與產量有重要作用[5]。了解國內外研究進展，對促進我國葡萄精準栽培和提高葡萄產量具有重要意義。本文主要對葡萄圖像檢測技術的研究進展進行綜述，并提出了不足以及未來的展望，以期為圖像處理在葡萄檢測中的應用提供參考。

1 ? ?葡萄葉片特性圖像檢測

1.1 ? ?葉片病害圖像檢測

葡萄種植過程中存在密度小、面積大的問題，這種種植模式加速了病害的傳播，且不利于病害防治。對病害進行準確檢測和識別，有利于對癥下藥，保證葡萄健康生長。傳統的病害識別和檢測主要是通過有經驗的果農在田間進行，該方式周期長、效率低，識別中人為主觀意識產生的誤差也較大[6]。圖像處理的應用有效解決了上述問題。喬虹[7]提出了一種基于深度學習動態監測葡萄葉片病害的方法，運用Faster R-CNN算法對葡萄葉片進行檢測，然后采用改進卡爾曼濾波法進行跟蹤，以此獲取葡萄葉片的正面圖像;文章中還提出了一種新的跟蹤方法，解決了由于葉片遮擋導致跟蹤失敗的問題，并且還可以實現多葉片的跟蹤。通過對跟蹤定位到的葉片進行姿態矯正，然后進行SIFT匹配，以此找出同一葉片的一系列生長圖像，利用深度學習技術對該組圖像進行病害識別。最后，通過對比葉片生長序列圖像的病斑面積或病斑數量來確認病害是否存在。試驗表明，該方法在葉片跟蹤和病害識別上都達到了良好的精度。李冠林等[8]提出了一種基于K_means聚類（HCM）算法的無監督分割處理方法?；贚*a*b*顏色空間模型中ab二維數據空間的顏色差異，以歐氏距離的平方作為相似距離，以均方差作為聚類準則函數，對2個聚類進行迭代顏色聚類。利用數學形態學算法對聚類結果進行校正。將該方法應用于3種葡萄病害的彩色圖像分割，結果表明，該方法能較好地從葡萄病害彩色圖像中分割出病變區域，具有良好的魯棒性和準確性。Adeel等[9]提出了一個用于分割和識別葡萄葉片病害的自動化系統，該系統利用SVM對最終提取的特征進行分類。在Plant Village數據集上對該系統進行了評估，數據集包含3種類型的葡萄葉片病害，例如黑麻疹、黑腐病和葉枯病。該方法的平均分割正確率為90%，分類正確率在92%以上。劉媛[10]通過計算機視覺和深度神經網絡實現了葡萄葉片6種常見病害的識別。半自動病害識別首先需要人工截取葉片病害區域作為樣本，篩選出5種特征用于識別，結果表明，Bagged Trees識別效果較好，平均識別率可達86.67%;全自動病害識別主要使用Faster R-CNN模型，對比多種卷積神經網絡，結果顯示，VGG-16網絡的識別性能最優異，識別正確率可達94.48%

1.2 ? ?葉片營養元素圖像檢測

葡萄葉片營養元素的含量可以從一定程度上反映出當前葡萄生長狀況。葉片的還原糖和氮是作物光合作用的主要元素，間接表征了作物的光合速率和長勢[11]。水分作為作物生長階段最重要的營養元素之一，葉片是受水分影響反映最敏感的器官，主要表現為葉片發黃、萎縮等。因此，通過圖像處理技術，快速對葉片元素含量進行測定，對于作物生長狀況評價和產量估測具有重大意義[12]。賈尚云等[13]提出了一種葡萄葉片還原糖含量測定的新方法，利用工業相機獲取葡萄葉片圖像，獲取葉片的顏色、紋理特征值，然后采用支持向量機（SVM）算法，對葡萄葉片還原糖含量進行分類識別，結果顯示，分類識別的準確率為87.349%。楊娟娟等[14]通過卷積神經網絡VGG-16實現對葡萄葉片含氮量的識別，將獲取的葡萄葉片圖像用十折交叉驗證法分為測試集和訓練集，分別用4種網絡模型訓練比對，結果表明，在室內的識別準確率高于室外，這為作物葉片含氮量的識別提供了一種快捷的新方式。勞東青等[15]通過對葡萄葉片的圖像進行處理，獲取圖像的灰度均值，通過烘干法測量葡萄葉片含水率真實值，以此建立了灰度均值和葡萄葉片含水率之間的估算模型，模型確定系數R2為0.7803，此方法為作物的精準灌溉和自動化灌溉提供了一定的基礎。

2 ? ?葡萄果實圖像檢測

2.1 ? ?果實外部特征圖像檢測

葡萄品種眾多，一些品種的葉片和顏色較相近，人眼很難區分，這給葡萄采摘過程造成了極大的不便，而且會影響葡萄漿果產量和質量的準確預測。在傳統模式中，這些工作都是通過具有豐富經驗的熟練專家來執行。圖像技術提供了一種廉價、快速和無破壞性的替代方案，可替代專家進行耗時且主觀的現場分析，高效快捷地對葡萄漿果進行定位識別、果粒粒徑測量和顆粒數的統計[16]。在釀酒過程中，最耗時、最費力的就是葡萄采摘。由于各種顏色的葡萄莖和不規則的葡萄輪廓，使采摘機器人很難準確定位挑選點。為了提高葡萄采摘機器人的目標定位精度和工作效率，減少機械損傷、葡萄采摘節點定位不當等一系列影響，宋西平[17]提出了一種基于雙目視覺對葡萄漿果進行定位識別的方法，主要通過雙目視覺技術獲取葡萄圖像，在此基礎上研究了對葡萄采摘過程中采摘點的立體定位，并實現了采摘機器人實驗模擬仿真，為后期雙目視覺采摘機器人的開發和研究提供了一定的方向。羅陸鋒等[18]提出了一種基于改進的聚類圖像分割和最小點距約束的采摘點定位方法。通過對采集于陽光直射、晴天逆光和陰天的300幅夏黑葡萄測試圖像的統計分析，定位點準確率可達到88.33%。李俊偉等[19]提出了一種基于機器視覺技術對單個葡萄質量和果徑進行預測分級的方法，該方法首先對獲取的葡萄樣品圖像進行分割，獲取葡萄幾何特征，然后采用一元線性回歸法和偏最小二乘回歸法預測單粒葡萄的質量和果徑，運用二次判別分析法，對單粒葡萄的質量和果徑進行分級。結果表明，預測和分級的準確率均超過85%。Zabawal等[20]通過檢測圖像中的葡萄漿果，對葡萄產量進行估產。用Phenoliner（一種野外表型分析平臺）獲得的葡萄圖像，應用完全卷積神經網絡來實現葡萄漿果的檢測，主要包括漿果、邊緣和背景三部分。檢測出漿果之后，應用連通分量算法來確定一個圖像中的漿果數量，從而預估產量。將自動計數的漿果數量與手動檢測到的漿果進行比較，結果表明，該方法能夠準確地在垂直拍攝定位格架VSP系統內正確檢測漿果占34.0%，在半最小修剪樹籬SMPH系統占85.6%。Gennaro等[21]通過無人機拍攝葡萄園內的RGB圖像，應用無監督識別算法推導出簇數和大小，用于估算每株葡萄的產量。分割結果表明，群體檢測在部分葉片和多種條件下均顯示超過85%的性能，并且允許在收獲前數周估計葡萄產量超過84%。

2.2 ? ?果實內部特征圖像檢測

葡萄作為一種常見的水果，主要用途分為鮮食、葡萄干、葡萄酒3種，不同內部元素含量的葡萄對應不同的用途，圖像處理技術可以快速、無損傷地對葡萄進行內部指標檢測，以滿足生產環節的不同需求[22]。徐 ?麗等[23]通過高光譜成像技術獲取葡萄的漫反射光譜，對原始光譜進行預處理，用逐步多元線性回歸（SMLR）和偏最小二乘法（PLS）建立可溶性固形物含量的預測模型。試驗表明，2種預測模型的準確率均在90%以上。Gutiérrez等[24]以非破壞性的方式，實時測量葡萄中的TSS和花青素濃度。在自然光下拍攝葡萄的高光譜圖像，采用支持向量機建立光譜模型，實現預測。結果顯示，TSS的預測準確率達到92%，對于花青素濃度預測的準確率達到83%，本研究中獲取高光譜圖像可以實現自動化，對葡萄成分的自動評估提供了有用的參考價值。蔡正云等[25]對比了多種光譜圖像預處理方法和不同的預測模型，結果表明，CARS提取特征波長建立的PLSR模型最優異，預測集的相關系數為0.806，證明了用可見近紅外高光譜成像技術預測葡萄含水量是可行的。

3 ? ?存在的不足及展望

隨著圖像處理技術的迅猛發展，現該技術已被逐漸應用到農業方面，在眾多研究者的共同努力下，圖像處理在葡萄的葉片病害、營養物質檢測和葡萄果實識別、品質分級等方面也取得了一定的成果。圖像處理技術并不只局限于數字圖像，近年來也逐漸與光譜、機器視覺和遙感技術相融合，從而實現葡萄的內外品質自動檢測和葡萄園生長狀況的大面積快速監測。雖然圖像處理技術在葡萄生長過程監測和品質檢測方面已有大量的研究，這對推動葡萄種植和品質分級的自動化具有重大意義，但是在走向技術成熟和投入實際生產環節還存在一定的問題。一是葡萄品種眾多，不同品種的葉片和果實存在較大的差異，特征差異顯著的圖像有較好的分割效果，對于一些葡萄葉片顏色和果實顏色相近的品種，分割不夠精確，相關研究也較少。二是葡萄果實較脆弱，且采摘過程中易落果，葉片繁多造成圖像對葡萄采摘點進行定位時，定位點不夠精準，機械臂采摘過程中會對果實造成一定的損傷，自動采摘實際投入生產環節還需要一定的時間。三是圖像處理現以處理靜態圖像為主，對于處理動態圖片還存在一定的不足，需要進一步研發有關動態圖像的處理算法，捕捉葡萄生長的每一個階段，可以對其生長狀況有更精準的評價。

4 ? ?參考文獻

[1] 莊楷杏，李妙清，鄭燦芬，等.黑提葡萄不同部位的香氣分析[J].飲料工業，2018，21（5）：13-16.

[2] 侯廷帥，韓曉東，趙江，等.葡萄的加工技術綜述[J].食品工業，2015，36（5）：223-228.

[3] BARR？譩 P，HERZOG K，H？魻FLE R，et al.Automated phenotyping of epic-uticular waxes of grapevine berries using light separation and convolutional neural networks[J].Computers and Electronics in Agriculture，2019，156：263-274.

[4] 劉旭宇.金華市葡萄產業現狀、技術特點與發展對策[D].杭州：浙江大學，2011.