機器學習算法在農業機器視覺系統中的應用

趙獻立 王志明

摘要：主要通過介紹機器視覺技術在農業中的發展狀況，然后闡述機器視覺系統的組成和工作原理，并基于當前機器視覺研究在農業中的應用，總結近幾年使用農業機器視覺研究中用到的機器學習技術，包括有監督學習、無監督學習、人工神經網絡，詳細討論這些技術的原理、優劣以及在農業領域中的應用，最后討論機器視覺技術面臨的問題和挑戰，以及未來應用場景與發展方向。

關鍵詞：農業;機器視覺;機器學習算法;監督機器學習;無監督機器學習;人工神經網絡

機器視覺技術是通過模擬人的視覺功能，利用光學設備采集客觀事物的圖像并獲得圖像信息，最終用于實際的檢測、測量和控制[1]。該技術具有可靠性高、速度快、功能多等特點，被廣泛應用于工業、農業、制造業、交通業等領域[2]。

目前來說，在農業上主要著力于解決如何合理使用農業資源、降低農業生產成本，改善農業生態條件、提高農作物的質量等問題[3]，而機器視覺技術以其高效、無損傷的特點被廣泛應用于農產品的質量分級和檢測、農田病蟲草害的控制、農業自動采摘系統、農作物生長過程檢測、農業機械導航等領域[4- 9]。而在農業生產應用中，采用機器視覺技術能夠有效合理地利用農業資源，降低成本以及提高農作物的產量和質量。

伴隨著計算機軟硬件、圖像采集裝置、圖像處理技術的發展，機器視覺技術在農業的應用領域將會不斷拓展。目前，歐美日等國家已將機器視覺系統應用到農業的各個領域，大幅提高了生產效率、節約了勞動成本[10]。相比較而言，國內的相關研究大多處于試驗階段，但也取得了一定的研究成果。目前我國正處于由農業機械化到“智慧農業”的關鍵期，機器視覺技術在推動農業產業升級和農業現代化過程中會發揮重要作用。

1 機器視覺系統

機器視覺就是利用相機等圖像采集裝置來代替人眼對目標進行識別、跟蹤、測量，然后進行各種運算，獲取目標特征，得到能夠觀察到或者儀器能夠檢測到的圖像，輸出信號并控制末端機構輸出。一個典型的機器視覺系統包括光源、鏡頭、工業相機（CCD、CMOS相機）、圖像處理單元、圖像處理軟件、監視器、通訊/輸入輸出單元等[11]（圖1）。

由圖2可知，機器視覺系統在工作時，通過圖像攝取裝置（工業相機等）獲得被攝取目標的圖像，傳送給專用的圖像處理系統進行處理，這個過程包括圖像的預處理（圖像去噪、圖像對比增強、圖像分割等操作）、圖像分割（圖像閾值分割、圖像區域分割、圖像梯度分割等）、提取特征（提取出物體的尺寸、形狀、紋理、顏色等信息），然后通過機器學習算法進行統計運算，根據運算得到的判別結果來進一步控制現場的設備動作。

機器視覺系統是一門比較綜合的學科，綜合了光學、機械、計算機軟硬件等方面的技術，而圖像處理、模式識別和人工智能等技術的發展，也會推動機器視覺技術的進步。

2 機器學習技術

使用機器學習技術對圖像進行分析與理解是研究熱點[12]，機器學習就是通過輸入一定量的數據，通過一定的邏輯規則，在給定的判斷準則下，來實現對數據的分析預測功能。對于機器視覺系統來說，輸入的數據是圖片。并按照輸入時是否對數據添加一定的標簽，機器學習可以分為監督學習、非監督學習等，在機器學習算法中均有一定的應用。

典型的機器學習算法首先需要一定的訓練樣本集，往往是提取圖像的特征，然后通過機器學習算法進行訓練得到訓練模型，不同的算法會有不同的訓練精度，而在預測的過程中，新的樣本通過使用已知的模型，會得到預測的結果。機器學習的算法過程如圖3所示。

2.1 監督機器學習

監督機器學習算法是利用帶標簽的樣本來構建模型，以此來預測未知樣本的類別。該學習算法從分析一個已識別的訓練數據集開始，生成一個推斷函數來預測所需的輸出值。該模型經過訓練，可以為任何新的樣本提供精確的、預期的輸出，同時能發現錯誤，進而調整模型。

2.1.1 樸素貝葉斯算法 樸素貝葉斯（naive bayesian，簡稱NB）算法是一種生成概率模型，基于預測變量和特征之間的條件獨立性假設，給定的訓練數據集，基于特征條件獨立假設學習輸入/輸出的聯合概率密度，然后基于此模型，對給定的輸入，利用貝葉斯定理求出后驗概率最大的輸出。

樸素貝葉斯算法多用于分類分級的研究中，在實際應用中，會與其他分類算法對比使用。王永波等在對鳶尾花數據進行分類研究中指出，對花的花兒長度、花兒寬度、花瓣長度和花瓣寬度等4個特征進行建模，其中使用人工神經網絡、樸素貝葉斯算法、支持向量機等3種算法，其準確度分別為92.2%、94.1%、98.0%，人工神經網絡易出現局部最小化現象，導致分類的準確度降低，而樸素貝葉斯的方法雖然簡單，但準確度較高，支持向量機算法由于能夠有效克服局部最小化的問題，因而準確度最高[13]。周軍等在研究核桃仁的分級中，首先獲取顏色和完整度等的特征，得到特征矩陣并進行篩選，最后使用支持向量機、決策樹和樸素貝葉斯算法進行分類，得到測試精度分別為80.67%、93.33%、94.67%，而通過使用樸素貝葉斯預測的精度達到97.33%[14]。

樸素貝葉斯算法對小規模的數據表現很好，能夠處理多分類的任務，有比較穩定的分類效率，但是樸素貝葉斯假設屬性之間是相互獨立的，而實際中往往有一定的關聯程度的，而且樸素貝葉斯方式需要先驗概率，而這也會導致預測的精確度不佳[15]。

2.1.2 K近鄰算法 K近鄰法（K-nearest neighbor，簡稱K-NN）是一種分類和回歸的方法，在使用時，輸入實例的特征向量，也即是對應的特征的點集，通過k值的選擇、距離的度量和分類的規則來輸出的是實例的類別，然后如果有新的實例產生，則會根據訓練的模型選擇最近的實例集所在的類，從而完成預測。

Kurtulmu等在使用機器學習算法對油菜籽進行分類的研究中，分別使用灰度共生矩陣（GLCM）、灰色線性回歸模型（GLRM）和局部二值模式（local binary pattern，簡稱LBP）的方式提取的14、11、59個紋理特征作為描述符，并使用K-NN算法進行分類，結果表明，k=3時K-NN算法的分類精度最高，達到97.8%[16]。Li等對自然環境下藍莓的生長階段圖像進行識別，首先構建圖像像素的數據集，然后獲得圖像的紅、藍、色調3個顏色分量，通過K近鄰（K-NN）和樸素貝葉斯分類器對藍莓的成熟階段進行識別分類，結果表明，使用K-NN分類的精度最高達到98%[17]。在研究對不同類型的香菇自動分類檢測時，夏青采用K-NN的方式，使用香菇的紋理特征作為參數，對香菇類型自動分選，試驗中的模型的分選準確度在91%以上[18]。

2.3.2 卷積神經網絡 卷積神經網絡（convolutional neural networks，簡稱CNN）是一類包含卷積計算的具有深度結構的前饋神經網絡，對于神經網絡中的神經元，只與部分鄰層的神經元連接。一個卷積層中，卷積神經網絡的基本結構包括2層，分別是卷積層、池化層[32-33]。通過卷積和池化把局部特征結合成全局特征，并與全連接層相連，最后進行分類和預測。卷積神經網絡結構如圖5所示。卷積神經網絡的發展很快，并且有很多成員，比如AlexNet、GoogleLeNet、VGGNet、ResNet等，隨著卷積神經網絡的發展，大大推動了機器視覺的發展[34]。目前，卷積神經網絡的預測準確度已經很高，但由于卷積神經網絡有很高的深度，運算速度上有待提升，在應用中更多的是希望速度和準確度上均有提高。

在農業應用上，卷積神經網絡主要應用在病蟲害檢測、分類分級、導航定位上，如Ramcharan等利用坦桑尼亞田間木薯病害圖像數據集，應用轉移學習訓練深層卷積神經網絡，識別木薯的3種病害和2類害蟲危害。訓練好的模型獲得的褐斑病、木薯褐條病、木薯花葉病檢測精度分別為98%、98%、96%，對紅螨害的檢測精度為96%，綠螨害的檢測精度為95%， 測試集總準確率為93%[35]。孫俊等使用AlexNet改進的卷積神經網絡算法，得到8種改進模型，訓練識別14種植物共計26種病蟲害，選擇最優模型。所使用的模型與原來相比精簡了運行所需要的內存，同時提高了運行的泛化能力，測試準確度達到99.56%，具有很好的適應性和魯棒性，能夠對多種植物的多種病害進行識別[36]。楊洋等在對玉米根莖進行精準定位和識別研究中，通過履帶自走式熱霧機獲取圖像，構成訓練樣本，使用神經網絡訓練，在試驗中能夠取得較好的規劃路徑和定位精度[37]。

神經網絡具有很強的并行計算能力，與人腦類似，人工神經網絡具有自學習和自組織能力，在神經網絡中，神經元部分消失在整個神經網絡系統仍能夠進行工作，因此神經網絡具有很強的容錯能力。但神經網絡要求比較多的樣本進行訓練，而且訓練結果會有時間過長、過度擬合的問題，因此也具有一定的局限性。

3 總結和展望

機器學習技術在農業機器視覺中具有重要的作用，目前已經應用到農產品質量檢測和分級、雜草和植物病蟲害檢測、土壤分析等方面，預計未來機器視覺會在農業領域得到越來越廣泛的應用。但也存在一些問題和挑戰，一是在農業領域的大規模數據集亟須構建，目前的研究成果多是依賴研究者自身采集數據集，得到的結果沒有可比性。二是在面對不同的環境，如何提高機器視覺系統的魯棒性，也是面臨的挑戰。比如，在不同的光照條件、不同的背景條件、不同作物的不同生長階段、不同的天氣條件等給機器視覺的研究帶來難題。

未來的農業機器視覺發展主要體現在：一是農業機器視覺系統會體現在整合在人工智能、機器人、傳感器、物聯網中的一部分，能夠展示農作物的生長信息情況，并能夠提前預測。二是嵌入式機器視覺具有易使用、易維護、易安裝的特點，且具有低功耗的優勢，會結合機器學習和深度學習方法，在對圖像的定位和處理方向上得到長足發展，同時在農業機械裝備中得到普及。

參考文獻：

[1]陳兵旗，吳召恒，李紅業，等. 機器視覺技術的農業應用研究進展[J]. 科技導報，2018，36（11）：54-65.

[2]周 航，杜志龍，武占元，等. 機器視覺技術在現代農業裝備領域的應用進展[J]. 中國農機化學報，2017，38（11）：86-92.

[3]付玉志. 基于ZigBee技術的智慧農業實時采集和遠程控制系統[D]. 杭州：浙江大學，2015.

[4]刁智華，王會丹，魏 偉. 機器視覺在農業生產中的應用研究[J]. 農機化研究，2014，36（03）：206-211.

[5]王福娟. 機器視覺技術在農產品分級分選中的應用[J]. 農機化研究，2011，33（5）：249-252.

[6]曹樂平. 基于機器視覺的植物病蟲害實時識別方法[J]. 中國農學通報，2015，31（20）：244-249.

[7]陳 軍，張繼耀，張 欣. 基于機器視覺的草莓自動采摘機的設計[J]. 農機化研究，2020，42（2）：141-145.

[8]楊 斯，黃鋁文，張 馨. 機器視覺在設施育苗作物生長監測中的研究與應用[J]. 江蘇農業科學，2019，47（6）：179-187.

[9]曹 倩，王 庫，楊永輝，等. 基于TMS320DM642的農業機器人視覺導航路徑檢測[J]. 農業機械學報，2009，40（7）：171-175.

[10]鄭文鐘. 國內外智能化農業機械裝備發展現狀[J]. 現代農機，2015（6）：4-8.

[11]姚 綴，呂建秋，向 誠，等. 計算機視覺在農產品外部品質檢測中的應用研究[J]. 食品工業科技，2019，40（14）：363-368.

[12]許憲東，王亞東，運海紅. 統計學習在圖像分類中的應用研究綜述[J]. 黑龍江科技信息，2012（32）：108.

[13]王永波，鄺炳洽. 基于機器學習的花卉分類算法研究[J]. 現代計算機，2013（13）：21-24.

[14]周 軍，蔡 建，郭俊先，等. 基于機器視覺的核桃仁特征提取與分級方法研究[J]. 江蘇農業科學，2018，46（11）：175-179.

[15]丁 月，汪學明. 基于改進特征加權的樸素貝葉斯分類算法[J]. 計算機應用研究，2019，36（12）：3597-3600，3627.

[16]Kurtulmu F，nal H. Discriminating rapeseed varieties using computer vision and machine learning[J]. Expert Systems with Applications，2015，42（4）：1880-1891.

[17]Li H，Lee W S，Wang K. Identifying blueberry fruit of different growth stages using natural outdoor color images[J]. Compute Electron Agriculture，2014，106：91-101.

[18]夏 青. 基于圖像處理的干香菇分級方法研究[D]. 武漢：華中農業大學，2014.

[19]徐 奐. 基于支持向量機的開放式作物模型（SBOCM）研究[D]. 杭州：浙江大學，2012.

[20]Mokhtar U，Ali M A S，Hassanien A E，et al. Tomato leaves diseases detection approach based on Support Vector Machines[C]. Computer Engineering Conference，2016：246-250.

[21]羅匡男，彭 琳，齊偉恒. 基于機器視覺的三七葉片病斑識別[J]. 江蘇農業科學，2017，45（24）：209-212.

[22]劉永娟. 基于計算機視覺技術的玉米發育期識別研究[D]. 無錫：江南大學，2017.

[23]Zhang S W，Wu X W，You Z H，et al. Leaf image based cucumber disease recognition using sparse representation classification[J]. Compute Electron Agriculture，2017，134：135-141.

[24]歐垚江. 基于高斯混合模型的圖像分割的研究[D]. 北京：北京交通大學，2015.

[25]程相康，朱宏擎. 一種基于高斯混合模型的快速水平集圖像分割方法[J]. 華東理工大學學報（自然科學版），2015，41（6）：808-814.

[26]董 騰. 基于機器視覺的水果分揀系統的研究[D]. 聊城：聊城大學，2018.

[27]田 杰，韓 冬，胡秋霞，等. 基于PCA和高斯混合模型的小麥病害彩色圖像分割[J]. 農業機械學報，2014，45（7）：267-271.

[28]鄭 春，張繼山. 基于神經網絡的機器視覺圖像識別算法應用[J]. 哈爾濱師范大學自然科學學報，2018，34（4）：41-45.

[29]梁培生，孫 輝，張國政，等. 基于主成分分析和BP神經網絡的蠶蛹分類方法[J]. 江蘇農業科學，2016，44（10）：428-430，582.

[30]黃喜梅. 基于機器視覺技術的小麥葉片含水量無損檢測研究[D]. 泰安：山東農業大學，2018.

[31]譚穗妍，馬 旭，吳露露，等. 基于機器視覺和BP神經網絡的超級雜交稻穴播量檢測[J]. 農業工程學報，2014，30（21）：201-208.

[32]牛亞茜，冀小平. 基于卷積神經網絡的圖像檢索算法研究[J]. 計算機工程與應用，2019，55（18）：201-206.

[33]趙 軼，劉堂友. 基于卷積神經網絡的田間雜草識別方法研究[J]. 計算機仿真，2019，36（4）：440-444.

[34]李國和，喬英漢，吳衛江，等. 深度學習及其在計算機視覺領域中的應用[J]. 計算機應用研究，2019，36（12）：3521-3529，3564.

[35]Ramcharan A，Baranowski K，Mccloskey P，et al. Deep learning for image-based cassava disease detection[J]. Frontiers in Plant Science，2017，8：1852.

[36]孫 俊，譚文軍，毛罕平，等. 基于改進卷積神經網絡的多種植物葉片病害識別[J]. 農業工程學報，2017，33（19）：209-215.

[37]楊 洋，張亞蘭，苗 偉，等. 基于卷積神經網絡的玉米根莖精確識別與定位研究[J]. 農業機械學報，2018，49（10）：46-53.伏文卓，魏 鑫，高艷明. 新型保溫被結構溫室冬季環境性能測試評價[J]. 江蘇農業科學，2020，48（12）：231-237.