機器視覺的農業圖像識別系統分析

河南機電職業學院 饒曉慧

機器視覺是農業機械研究發展的熱點方向，在圖像識別系統的不斷發展過程中，農業機械也開始將圖像識別系統引入機器視覺領域，實現作物采集、處理的高效性。本文將簡述機器視覺識別系統的構成，探索基于機器視覺的農業圖像識別系統，并分析機器視覺圖像識別系統在農業機械中的應用，以期為農業機械自動化作業提供一些建議。

機器視覺識別技術已經逐漸在農業生產中應用，實現作物缺陷識別、種類分揀、形狀區分等功能，作為一種無損檢測技術，機器視覺識別可以提高農業機械生產效率，是農機自動化發展的必然趨勢。

1 機器視覺識別系統構成

機器視覺識別系統主要有軟、硬件兩大部分組成。在硬件方面，包括視覺傳感器、照明設備、圖像采集卡、計算機等系統設備，其中視覺傳感器是獲得圖像的關鍵設備，性能良好的硬件設備能夠傳達效果更佳的視覺圖像。而軟件方面則是圖像處理系統，從感光器件獲取的圖像，將由圖像處理系統對其進行詳細分析，從顏色、波長、光亮等軟件單元進行處理，綜合考慮識別環境、識別對象等因素，獲得較為準確的圖像內容，以保障識別的準確性。

2 基于機器視覺的農業圖像識別系統

農業機械圖像識別系統是機器視覺的核心內容。視覺識別通常是先由視覺傳感器獲取相應的圖像，再利用機器視覺系統對圖像進行處理，經過圖像分割、特征提取等步驟后，得出最后的圖像內容。這一系列步驟在農業圖像識別系統中從圖像獲取和預處理的低級處理，傳輸到具備圖像分割與特征提取功能的中級處理層級，最后到利用各種算法完成圖像平面識別的高級處理。

2.1 圖像預處理

圖像的采集和獲取依靠視覺傳感器，在獲得圖像后需要對圖像進行預處理，包括將RGB值轉變為HIS模式，增強缺陷特點，優化圖像分辨率等步驟。圖像預處理主要涉及四點內容。首先是灰度化處理，將RGB三基色轉換，把獲取的彩色圖像轉變為灰度圖像，并將24位圖像轉換為8位圖像。其次是對圖像內容進行統一化處理，使圖像上農作物轉變為統一的尺寸。圖像處理采用統一縮放形式，可以使待識別的作物圖像具備更多特征點，便于后續識別。之后是增強圖像，為了提高圖像清晰度，加強識別效果，需對圖像進行增強，例如可以利用膨脹和腐蝕來增強圖像的分辨率，或是利用濾波圖像中的干擾部分。最后，為了方便圖像處理，可以對圖像進行二值化處理，采用Niblack算法，在作物圖像上確定中心坐標，通過對像素點方差和均值的計算來實現二級化。

2.2 圖像分割

圖像分割是將圖像劃分為數個有意義的區域，圖像分割主要有三種分割方式，分別根據圖像邊緣、圖像閾值和圖像區域進行分割。其中基于圖像邊緣的分割方法，是通過邊緣檢測算法計算圖像區域的灰度值、顏色以及紋理等具有不規則性的邊緣，利用這些邊緣輪廓來確定圖像區域。

基于閾值的圖像分割是通過對物體表面光線發射或吸收的情況下來確定閾值，以此進行分割的方式，其主要包含兩種方式。一種是最為基礎的人工分割操作，運用直方圖技術測試出最佳閾值，并將分割目標與背景隔離。人工分割本身就會受到認為因素的影響，需要經過反復監測和調整才能得到良好的分割效果，而再農業生產中作物受光照條件影響程度較大，發生改變時就需要調整閾值，而頻繁調整閾值效果很容易對閾值分割造成影響。另一種則是自動閾值分割，無需人為干涉，自動閾值在選擇分割目標的過程中會自動代入直方圖信息，再基于設定好的參數進行分割操作，不過閾值分割在面對沒有明顯峰谷的圖像時，很容易出現無法計算有效閾值的情況，致使分割出不完整的區域。

基于區域的分割方式是根據區域內代表性的像素內容進行組合，以此進行分割的方式，其對噪聲的識別效果不佳，大多用于識別作物表面有明顯特點的農作物，從作物整體、根莖、缺陷等位置區域進行識別。

2.3 特征提取

特征是物體區分和識別的主要因素之一，也是分類算法有效實施的核心。農業生產中機器視覺特征提取主要集中在顏色、形狀、紋理和分形四方面。

顏色是非常明顯的特征，其直觀、有效的特點也被廣泛應用在特征提取方面。農作物、雜草、病蟲害都有著顯著的顏色區分，將這些部分的RGB顏色進行分量、計算均值和標準偏差，或是將RGB轉變為HIS顏色空間，又或者將RGB和HIS相互結合，都能夠獲得較為良好的顏色信息。

物體的面積、周長、大小、曲率等信息決定了物體的形狀特征，在果蔬采摘機械識別系統中，機器視覺識別還需結合旋轉、比例、平移等幾何特征量，通過計算方差來確定物體的形狀信息，形狀信息提取更為準確，也需要更多的計算量來保持準確性。

紋理是物體的基本特征，與視覺外觀和觸摸品質有關。紋理與形狀特征有密切關系，兩者往往會同時進行分析，結合物體的走向、尺寸，測量出物體的紋理構造，而利用灰度共生矩陣，也可以計算出二階矩、熵值等深層紋理特征。另外，紋理特征可以構建基于HIS的彩色共生矩陣，將顏色特征與紋理特征相結合，提取出物體的紋理特征。

分形特征簡單來說就是依據物體表面粗糙度和邊界不規則性來衡量尺度，這是因為物體本身的形狀和外觀是具有相似性以及尺度不變性特征。分形特征主要用于識別果柄與花萼，通過計算兩者頻域分布，識別出缺陷果柄和花萼，其識別率可達90%以上。根據農作物的特點選擇適宜的特征提取方式，是農業機械圖像識別系統應用的主要途徑，在實際應用中應將多種特征提取方式進行結合，進一步提高系統識別的性能。

2.4 圖像識別

（1）直方圖識別

直方圖識別是最為基礎的識別方式，根據直方圖形狀計算出識別參數，以此判斷出作物的種類。直方圖識別需要灰度處理作為基礎，將灰度級大小、一階導數、形狀特性比值等參數代入，進行判別。以成熟蘋果和未成熟蘋果在顏色上的識別為例，由于成熟蘋果和未成熟蘋果在HIS顏色空間分量直方圖上的分布具有明顯不同，可以將RGB轉換為HIS，憑借直方圖閾值便能有效區分蘋果表面顏色的分布情況。只是蘋果在成熟階段的表面顏色分布不均，多數情況都存在顏色分布重疊情況，會對閾值設定和區分造成一定影響。不過，可以在圖像識別系統中應用人工神經網絡進行訓練，采取多元判別技術分辨H值特征，可以得到更多精準的判斷，以此解決重疊非問題。直方圖識別簡單方便，但在處理一些復雜的視覺圖像時效果不佳，現階段多是將直方圖識別與其他方法配合使用。

（2）線性判別分析識別

線性判別分析可以對所屬類別進行有效的分離，是早期處理復雜數據分類和統計的分析識別防范。線性判別分析識別的原理是將多元色調轉變為非多元色調，雖然會增加一些處理分析時間，卻不會限制測量對象所具有的色度維數，能夠得到高質量分辨效果。線性判別分析識別率可達95%以上，不過線性判別分析識別在面對類球形果蔬時識別率只能達到90%左右，這是因為有些數據在特征空間中并非表現為正態分布，無法精準識別邊界。

（3）神經網絡識別

人工神經網絡是信息技術智能化發展的主要趨勢，其本身具備的學習、記憶、處理和非線性轉換能力，在圖像識別系統中有著良好的應用。就農業生產而言，三層神經網絡就能滿足識別需求。通過將同種不同類別的作物作為輸出目標對象，讓神經網絡判斷目標對象的種類和特點，根據灰度直方圖計算出灰度級頻率，以此得到相應的分辨結果。三層神經網絡分別依據物體的形狀、紋理和分形進行識別，不斷對目標對象進行識別和分級，最終得到準確的分級結果。神經網絡識別技術還在發展當中，現今已經能夠檢測出玉米籽的裂紋等詳細情況。

（4）貝葉斯識別

貝葉斯判別就是一種統計學識別方法，根據目標對象的特征向量的函數分布情況，通過統計密度將將具有相同均值向量、協方差矩陣代入貝葉斯法則，便能得到相應的判別式。此種識別方式在正常情況下能達到92%的識別率，但在果蔬作物因成熟度發生明顯顏色變化的時期，其識別率會有明顯下降。

（5）向量機識別

向量機與神經網絡識別類似，是一種小樣本的學習方法，多適用于二類問題，大量樣本的學習、分析或是統計也會增加相應的計算時間，在農業機械快速運作中會增加系負荷。向量機面對非線性識別問題，可以運用核函數將非線性問題轉化為特征內容的線性問題，得到最優分類。以蘋果為例，結合顏色特征和形狀特征，運用支持向量機識別方式，其徑向核函數識別率為93%左右，在二類問題識別方面其速度和精度都要優于人工神經網絡。

3 基于機器視覺的圖像識別系統在農業機械中的應用

基于機器視覺的圖像識別系統在農業機械中有著廣泛應用，主要涉及農機自動檢測、農業收獲、田間作業三方面。分揀作業有人力完成效率過低，而機械式的分揀方式過于單一，無法滿足農產品的分揀需求，還容易損傷產品。使用圖像識別系統便可以實現無損自動檢測，極大地提升了農業生產質量，而在農產品收獲和田間播種、施肥灌溉之中也有高效的應用。現階段已經在農業生產中取得了良好的效果，正邁入更大范圍的應用階段。

結論：機器視覺在農業機械圖像識別系統已經有著不少的應用，從機器視覺圖像識別系統出發，深入了解機器視覺圖像識別在農業生產中預處理、分割、特征提取、圖像識別的應用情況，在信息技術快速發展的背景下，機械設備和算法也在不斷優化，機器視覺圖像識別也將更加精準和高效，為農業機械發展及農業生產提供了更為廣闊的發展空間。