計算機視覺在我國水稻生產中的應用研究概述

黃筑斌， 吳 雋

(貴州省農業科技信息研究所， 貴州 貴陽 550006)

計算機視覺(Computer Vision)是指用計算機及相關設備對生物視覺進行模擬，通過對采集的圖片、視頻進行處理，以獲得相應信息，實現物體識別、形狀方位確認、運動判斷等功能，以適應、理解外界環境和控制自身運動[1]。其研究最早可追溯到1982年英國神經和心理學家大衛·馬爾 (David Marr) 所著《視覺 (Vision)》一書[2]。計算機視覺綜合了計算機科學和工程、信號處理、物理學、應用數學和統計學等多個學科，涉及圖像處理、模式識別、人工智能、信號處理等多項技術，應用場景包括圖像分類、目標檢測、圖像語義分割、目標跟蹤等。經過40余年的發展，特別是在進入21世紀以來，隨著大數據技術和深度學術技術的快速發展，推進了計算機視覺在公共安全、自動駕駛、醫療健康、新零售等領域的廣泛應用[1]，使其成為人工智能技術的主要分支之一。在農業領域，計算機視覺技術同樣得到廣泛應用[3-5]，并且，隨著我國推進農業現代化進程中日益重視將包括人工智能在內的新一代信息技術與農業融合，加快數字農業技術創新和轉化[6]，發展數字農業和智慧農業等業態[7]，計算機視覺在農業領域的應用將具有良好的發展前景。

近年來，我國農業生產數字化改造已初見成效[7]，糧食生產領域也在積極探索數字化和智能化轉型升級[8-9]，國內眾多學者隨之以促進實現水稻生產的智能化為目標，開展了計算機視覺技術應用于水稻生產的研究。為推進計算機視覺在水稻生產中的應用研究提供參考，概述計算機視覺在我國水稻生產中的應用研究成果。

1 生長監測

1.1 葉綠素含量測定

葉綠素含量是反映作物生長過程中光合作用能力、營養脅迫和生長發育的重要指標[10]。準確測定水稻葉綠素含量有利于了解水稻的光合作用能力,為水稻高產育種和栽培提供依據。吳少俊[11]通過對水稻葉片圖像進行處理并提取葉片輪廓，以G-R、B-R和R/(G+B)等3個顏色特征參數建立估算模型測定水稻葉綠素含量，結果表明，基于G-R和R/(G+B)參數的模型對檢驗樣本SPAD值擬合方程的決定系數和斜率均接近1，精度較高。陳誠等[10]利用計算機視覺技術獲取水稻葉片的多個顏色指標，結合BP網絡、多元回歸模型和遺傳算法，建立葉綠素相對含量(SPAD值)的預測模型，其預測結果與大田實測數據相對誤差率僅為3.355 7%。童釗[12]提出基于計算機視覺的水稻葉片葉色網格分析法和測量葉片面積的新方法，并建立實驗室環境下和大田環境下水稻葉片顏色特征值與SPAD值的模擬模型，其預測精度最高可分別達97.5%和96.59%。路艷[13]提出基于OpenCV獲取水稻葉片形態參數的方法，并應用BP神經網絡、支持向量機及隨機森林構分別建立水稻的葉面積和SPAD模型，結果表明，BP神經網絡模型對水稻葉面積和SPAD值的擬合效果均最佳。

1.2 氮素含量測定

氮素是作物生長所必需的重要物質。有效測定水稻氮素含量有利于掌握水稻的氮素營養狀況，為科學施肥提供依據。劉江桓[14]對不同生長時期的水稻葉片顏色分量與葉片及全株氮素含量的相關性進行擬合分析得出，稻株的頂3葉對植株全氮最為敏感,同時，葉片顏色的G以及G/(R+G+B)特征與植株全氮含量具有最高的相關性，以其作為參數建立模型對水稻氮素營養狀況進行診斷具有較好的識別率。

1.3 秧苗狀態識別

隨著工廠化育苗的發展，采用恒溫箱進行育秧在水稻生產中得以應用。對于此類封閉式環境，秧苗形態識別及其生長參數監測是保障秧苗正常生長的重要措施。陳信新等[15]利用協方差聚類算法對秧苗RGB彩色圖像進行分割，再選用連續腐蝕開操作結合Hough變換進行預處理，提取與秧苗徒長直接相關的株高、葉面積、著生角、生長速率等形態指標參數進行曲線擬合，探索了一種識別恒溫箱封閉式育秧環境下秧苗發育狀態的方法。該方法識別秧苗及其形態指標參數的準確率達87.5%，秧苗形態參數識別誤差低于7%。

2 機械化作業

2.1 秧盤補苗

工廠化育秧作業中，育秧盤普遍存在空穴和單粒穴的情況，影響秧盤育秧成秧率。為解決該問題，王桂蓮等[17]針對超級雜交稻缽體秧盤育秧播種質量檢測與補種，基于計算機視覺技術開發了針對空穴和單粒穴補種的智能補種裝置。其通過對秧盤圖像的處理與分析獲取空穴和1粒穴位置坐標，再利用定位機構和補種機構從種槽取種和對秧盤指定位置動態補種。

2.2 作業機械的自動導航

自動導航是實現農業機械化的重要內容[18]。針對水稻插秧機的自動導航，毛可駿等[19]提出了一種利用秧苗行分割線作為基準線提取導航參數的算法。其主要原理是根據秧苗在田間環境的特征,采用EXG因子分割圖像，在此基礎上擬合秧苗區域的水平分割線，再利用分割線計算插秧機的位移偏差和角度偏差，作為插秧機的導航參數。該算法計算得出的位移偏差及角度偏差與人工測量誤差小，且實時性好、精度高。對于水稻收獲機的自動導航，關卓懷等[20]提出了一種水稻收獲作業視覺導航路徑提取方法。其采用基于2R-G-B超紅特征模型的綜合閾值法進行圖像分割,對分割圖像進行形態學運算處理，根據圖像灰度垂直投影值動態設定感興趣區域，水平掃描獲取作物線擬合關鍵點，最后采用多段三次B樣條曲線擬合法提取水稻待收獲區域邊界線。經室內試驗表明，提取的圖像中距離信息平均誤差為9.9 mm、偏差率為2.0%,角度信息平均誤差為0.77°、誤差率2.7%。

另外，在水稻制種田授粉作業中，植保無人機已得到廣泛運用[21-22]。為提高無人機授粉作業效率，郭祥雨等[23]提出一種在復雜環境下快速準確提取水稻制種田導航線的方法。其原理是基于田間圖像中父本與母本行的特點分割出父本行，再結合中值濾波和形態學方法對圖像去噪，基于作物行最大連通區域提取感興趣區域(ROI),引入趨勢線消除斷行與作物形態的影響，水平行掃描提取特征點等擬合出導航基準線。該方法的準確率可達92%以上，且處理實時圖像的耗時較短，在不同環境下具有良好的可靠性。

2.3 含雜率和破碎率計算

水稻含雜率、破碎率是衡量聯合收獲機作業質量的重要標準[24]，2021年，農業農村部還明確要求將機收減損作為當前和今后一個時期糧食生產機械化工作的重中之重常抓不懈[25]。快速準確地計算該兩項指標，有助于合理調整聯合收獲機的工作參數，提高收獲作業質量。陳進等[26]采用經多尺度Retinex算法增強的原始圖像，對HSV顏色模型的色調、飽和度分別設定閾值進行圖像分割，并結合形狀特征進行分類識別，結果表明，莖稈雜質、細小枝梗雜質、破碎籽粒識別的綜合評價指標值分別達86.92%、85.07%、84.74%。另外，采用“色譜訓練-驗證”兩步法對完整和破碎籽粒進行識別，結果表明，完整和破碎籽粒的識別率達96%，破碎率監測值與真實人工監測值具有良好的趨勢一致性[27]。

3 品質檢測

3.1 種子活力檢測

種子活力是種子品質評估的重要指標。隨著水稻免耕直播技術和大規模機械化插秧的推廣應用，對種子活力提出了較高要求[28]。針對種子活力檢測方法較繁復的不足，章華仙[29]利用Matlab 6.5對四唑染色后的水稻種子胚圖像進行預處理，選定閾值進行圖像分割，特征提取，區域標記和圖像識別，結果表明，圖像處理結果和標準發芽測試與人工判定結果間有很好的相關性。

3.2 稻種質量檢測

除種子活力外，還有學者利用計算機視覺技術對識別正常稻種、微裂稻種、霉變稻種、裂穎稻種進行研究。成芳[30]構建適用于稻種質量檢驗的機器視覺硬件系統，設計適用于稻種質量檢測的圖像預處理方法，并開發高精度識別算法進行不同品質水稻的識別，對正常稻種、微裂稻種、裂穎稻種的平均識別準確率分別達96%、92%、87%。

3.3 空殼率計算

水稻出現空殼會對其產量帶來不利影響，而水稻自身的品種特性是影響其空殼率的因素之一[31]，因此，計算空殼率對于評估稻種品質具有一定的參考意義。為實現水稻空殼率的自動化檢測，王康[32]設計了一種基于機器視覺技術的水稻空殼率檢測設備。其利用稻谷的透光性，使用普通可見光照射方式對水稻顆粒圖像進行分析處理，分別采用灰度特征和YUV顏色模型進行空殼稻粒的識別。結果表明，在稻粒無粘連的情況下，錯判數僅為9粒，誤差率為4.86‰，符合水稻空殼率計算誤差必須控制在5‰以內的標準。

4 栽培管理

4.1 稻種精選

品質優良的稻種是保障水稻產量和質量的基礎。為探索精準自動篩選稻種的技術方法，陳兵旗等[33]以面積和寬長比作為稻種類型的特征參數，以等價矩形長、寬的差值最小為標準，進行未知稻種類型的判斷；以掃描線上黑白像素的變化次數和掃描線數判斷稻種的破裂；以不同閾值提取的稻種面積差判斷稻種是否霉變。結果表明，對稻種類型、工位有無種子、種子幾何參數以及發霉與破損情況判斷的正確率分別達100%、91.4%、88.9%和76.8%。

4.2 成熟度檢測

成熟度判定是開展水稻收獲作業的關鍵因素，對水稻實收產量和質量具有顯著影響。許煊汶[34]通過對水稻的圖像信息分析，使用大數據統計的方式計算出不同成熟度所對應的不同水稻RGB信息，結合深度學習算法，并通過制作“比色板”方式輔助算法對水稻的成熟度進行預測，構造以青米率為判別成熟度指標的模型。與人工測定青米率判斷成熟度的方式相比，該模型的最大絕對誤差為8%，最大相對誤差為13%。

4.3 雜株識別

雜草稻是一種具有野生稻和栽培稻特性的一類雜草[35]，其會與水稻爭奪陽光和養分等，進而顯著影響水稻的產量。為準確識別水稻雜株，以實現對其進行有效控制，李寧等[36]設計了一種由圖像獲取系統、特征提取系統和模式識別方法系統組成的水稻雜株識別系統。該系統可利用顏色特征識別圖像中的雜株，通過 DS 融合理論程序實現水稻雜株的識別，準確率達92%以上。袁南星等[37]采用類似方法對水稻各生長發育期的雜株進行識別得出，秧苗期水稻雜株的識別率較低，僅為89.1%，而抽穗期的識別率最高。楊紅云[38]利用水稻葉片冠層圖像，針對水稻葉片與單片近圓形雜草的識別，提出了凹點檢測與Hough變換相結合的識別方法；同時，針對多片雜草交疊生長的情況，提出了基于二值圖像輪廓曲率的雜草識別方法。2種方法對水稻雜草的識別準確率分別超90%和87%。

4.4 病蟲害識別

病蟲害識別是計算機視覺技術在農業領域的主要應用場景，涉及病害蟲的分類、檢測和識別等[39]。針對水稻葉斑病，劉濤等[40]利用水稻大田、病害圖冊和病害數據庫的圖像數據，建立顏色、形狀、紋理、病健交界4個特征參數的支持向量機模型，其平均識別準確率為92.67%，平均漏報率為7.00%，最大漏報率和誤報率分別為15.00%和25.00%。呂軍[41]采用基于圖像灰度差分的背景分割方法，以支持向量機作為分類器對多種水稻燈誘害蟲進行識別，實現了對每種害蟲的準確計數。針對水稻紋枯病，沈美等[42]通過分析自然環境中典型水稻葉部紋枯病病害的顏色特征與局部模糊特征，運用神經網絡算法對5個危害級別150個樣本進行識別得出，2級病葉識別的正確率接近80%，3級90%，4級100%，5級正確率接近75%。針對水稻基部白背飛虱，劉慶杰[43]采用NCuts算法進行水稻粘連害蟲圖像分割，建立綜合Adaboost算法、HOG特征、SVM分類器、常規特征參數的檢測機制，實現白背飛虱的檢測與計數。在水稻病蟲害識別的實踐應用上，管澤鑫[44]構建水稻病害數據庫，以計算機視覺技術結合模式識別方法為基礎，開發了具有圖像采集、病斑分割、特征提取、室內病斑評價、病害識別等功能的水稻病害智能識別系統。

5 結語

計算機視覺在水稻生產上的應用涉及水稻的生長監測、稻種品質檢測、病蟲害識別等方面，其主要的實現方式可概括為圖像獲取-圖像特征提取-建立算法(模型)識別特征。現有的相關研究也主要圍繞這三方面開展，以實現方法上的改進，但相較于其他領域的計算機視覺技術應用現狀，并且與我國水稻的總體生產規模相比，并未普遍有效實現成果轉化，沒有在水稻生產實踐中得到廣泛應用。從產業發展的角度看，我國農業整體的數字化和智能化程度仍然不高，尚需一定的發展過程。從技術層面看，與其他應用計算機視覺技術較成熟的領域相比，農業領域應用計算機視覺仍需要改善軟硬件配套，提高技術的實用性和易用性。另外，與其他行業相比，特別是標準化和可控程度更高的工業，農業生產本身具有特殊的復雜性，存在諸多影響因素和不可控的風險，實現計算機視覺技術在農業生產中的成熟應用具有更大的技術難度。綜合來看，推進計算機視覺在包括水稻生產在內的農業領域進行應用，不僅需要從技術上持續改進，也要結合我國農業數字化和智能化發展的現實條件和趨勢，探索技術最終得以應用的有效方式及相應的保障和支撐措施，逐漸建立相對完善的技術研發和應用體系，更好地實現科技興農。