計算機視覺技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用

郭宏杰 馬德新

（青島農(nóng)業(yè)大學(xué)動漫與傳媒學(xué)院，山東 青島266109）

近年來，隨著計算機技術(shù)、光電子技術(shù)，信號處理理論與技術(shù)及人工智能理論與技術(shù)的發(fā)展，計算機視覺技術(shù)得到了快速發(fā)展和廣泛應(yīng)用，其在科研領(lǐng)域和實際生產(chǎn)方面均發(fā)揮了重要作用。計算機視覺技術(shù)是一種綜合性技術(shù)，涉及人工智能、光學(xué)、機械學(xué)、計算機圖形學(xué)和神經(jīng)生物學(xué)等，已經(jīng)被廣泛應(yīng)用在商業(yè)、軍事、氣象及自然災(zāi)害預(yù)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(shù)的支持。同時，計算機視覺技術(shù)在不斷更新迭代，已經(jīng)從單維度向多維度發(fā)展，其涉及的領(lǐng)域也越來越廣。計算機視覺技術(shù)在農(nóng)業(yè)領(lǐng)域中的應(yīng)用主要體現(xiàn)在，可以用于農(nóng)作物的選種、作物生長態(tài)勢監(jiān)測、病蟲害監(jiān)測、雜草識別、農(nóng)作物采收等方面。另外，計算機視覺技術(shù)在畜牧業(yè)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(shù)概述

計算機視覺是一門研究如何使機器“看”的科學(xué)，是指用圖像傳感器或攝像機代替人眼對目標(biāo)進(jìn)行識別、跟蹤和測量等，并進(jìn)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(shù)的處理流程主要包括圖像獲取、圖像預(yù)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(shù)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(yù)處理，即在對圖像進(jìn)行特征提取之前，需要先進(jìn)行預(yù)處理，旨在消除圖像中存在的無關(guān)或者會影響最終識別效果的信息，恢復(fù)可靠的信息，使特征提取、圖像檢測和圖像分割得到更準(zhǔn)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(jìn)行繼續(xù)處理，就需要先對圖像進(jìn)行分割。例如，可以分割多幅圖片中含有特定目標(biāo)的圖像信息，也可以將圖像中分屬不同物體的像素區(qū)域分開。到高級處理階段時，圖像已經(jīng)被處理成很小的數(shù)據(jù)了，這個階段的任務(wù)主要是驗證數(shù)據(jù)是否符合要求，以評估下一目標(biāo)的姿態(tài)、體積，并對目標(biāo)進(jìn)行分類和識別。

2 計算機視覺技術(shù)在種植業(yè)中的應(yīng)用

2.1 對農(nóng)作物進(jìn)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(nóng)作物的生長狀態(tài)和產(chǎn)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(zhì)量檢測均是由人工識別，即由檢測人員取一部分種子進(jìn)行直接觀察，通過檢測人員的過往經(jīng)驗對種子質(zhì)量進(jìn)行辨認(rèn)，這種檢測方法效率低下且對檢測人員的素質(zhì)要求高。而利用計算機視覺技術(shù)進(jìn)行選種可以有效提升種子的鑒定速度，通過不斷地收集優(yōu)良種子特征，構(gòu)建分類模型，并在植物生長后期收集數(shù)據(jù)，豐富完善分類模型，提升鑒別的準(zhǔn)確度。將計算機視覺技術(shù)應(yīng)用到農(nóng)作物選種中，極大地提高了鑒種的效率和精準(zhǔn)度。

2.2 監(jiān)測農(nóng)作物的生長狀態(tài)

利用計算機視覺技術(shù)可以對作物的生長狀態(tài)進(jìn)行監(jiān)測。例如，利用計算機視覺技術(shù)計算葉冠投影面積和株高等信息；通過對葉片狀態(tài)及表面顏色的分析，判斷出作物是否存在營養(yǎng)不良的情況，為及時施肥或灌溉提供理論依據(jù)；對果實的成熟度進(jìn)行檢測，對果實表面的像素點進(jìn)行特征提取，根據(jù)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(shù)對草害、病害和蟲害進(jìn)行識別的本質(zhì)是圖像分類問題，因為健康的農(nóng)作物、遭受病蟲害危害的農(nóng)作物以及雜草的顏色、大小、形態(tài)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(jìn)行比較分析而區(qū)分開。在識別草害的實際生產(chǎn)中，首先對采集圖像中的土壤背景進(jìn)行濾除，然后通過與特征庫的葉寬、顏色等特征信息進(jìn)行比較分析，實現(xiàn)對雜草的快速精準(zhǔn)識別，從而為去除雜草提供數(shù)據(jù)支撐。在病害識別的應(yīng)用上，主要是對遭受病害的作物進(jìn)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(jìn)行比對，劃分出遭到各種病害危害的作物圖像，從而實現(xiàn)對作物病害的自動識別。在蟲害識別的應(yīng)用上，計算機視覺技術(shù)主要的工作原理是對拍攝到的昆蟲的紋理、形態(tài)、大小等特征進(jìn)行提取，使用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Net?work，CNN）進(jìn)行識別，然后通過建立和不斷完善昆蟲特征信息庫，實現(xiàn)對害蟲的識別，給出及時、合理的措施，來預(yù)防或阻止病蟲害帶來的影響。

2.4 采收農(nóng)作物

農(nóng)作物采收也可以通過計算機視覺技術(shù)的方法實現(xiàn)。當(dāng)前，利用計算機視覺技術(shù)能夠做到對柔軟果實的無損采收。計算機視覺技術(shù)可以對農(nóng)作物的表面顏色、形狀、大小等特征進(jìn)行分析，從而得出農(nóng)作物的成熟度，再與機器人配合，通過傳送帶系統(tǒng)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(biāo)檢測等技術(shù)實現(xiàn)對果實的定位和成熟度的判定，再與機器人配合，對果實進(jìn)行無損摘取。

3 計算機視覺技術(shù)在畜牧業(yè)中的應(yīng)用

3.1 識別牲畜行為

運用計算機視覺技術(shù)可以實現(xiàn)對牲畜個體和其行為特征的無接觸、遠(yuǎn)程分析，能夠節(jié)省大量人力和時間成本。計算機視覺技術(shù)實現(xiàn)監(jiān)測的核心，是通過對動物活動進(jìn)行全方位的拍攝，獲取活動個體的信息數(shù)據(jù)，構(gòu)建行為模型，再將信息數(shù)據(jù)放入神經(jīng)網(wǎng)絡(luò)模型中訓(xùn)練，生成相應(yīng)的行為識別模型，進(jìn)而實現(xiàn)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(fā)現(xiàn)牲畜的異常行為，并及時采取相應(yīng)的措施。

3.2 測量牲畜體尺

牲畜體尺是衡量牲畜生長和發(fā)育情況的重要指標(biāo)，在牲畜養(yǎng)殖中，經(jīng)常需要對大量牲畜進(jìn)行體尺測量。傳統(tǒng)的測量方式是使用皮尺等工具靠近牲畜，進(jìn)行近距離直接測量，用這種方式對大型牲畜進(jìn)行測量時難度很大，易使牲畜產(chǎn)生應(yīng)激反應(yīng)，甚至對人進(jìn)行攻擊，測量效率低下。而計算機視覺技術(shù)是通過對牲畜進(jìn)行圖像拍攝，以遠(yuǎn)距離的方式對其進(jìn)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(jìn)行幾何分析得出體尺測點，并根據(jù)體尺測點計算當(dāng)前牲畜的體尺參數(shù)。

4 計算機視覺技術(shù)在農(nóng)業(yè)領(lǐng)域應(yīng)用中遇到的問題及對策

4.1 環(huán)境復(fù)雜性的影響

目前，計算機視覺技術(shù)在農(nóng)業(yè)中的應(yīng)用大多處于可控的環(huán)境因素下，暫時沒有考慮在大田、養(yǎng)殖場等復(fù)雜的環(huán)境中應(yīng)用。在相對穩(wěn)定的環(huán)境中，圖像是相對靜止的，質(zhì)量也很高；但在大田等環(huán)境中，農(nóng)作物生長環(huán)境較復(fù)雜，會受到溫度、降水等因素的影響，農(nóng)作物的形態(tài)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(zhǔn)度。

針對環(huán)境復(fù)雜性的挑戰(zhàn)，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(huán)境較復(fù)雜的場所，可以對環(huán)境下的農(nóng)作物采用一天內(nèi)設(shè)定多個時段，每個時段采集多張圖像的方法來進(jìn)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(jìn)一步提高識別的精準(zhǔn)度。

4.2 數(shù)據(jù)局限性的影響

模型的精準(zhǔn)度需要算法和數(shù)據(jù)的支撐，而計算機視覺技術(shù)中農(nóng)業(yè)圖像知識庫的缺乏影響了模型的效果。目前，雖然相關(guān)科研人員對計算機視覺技術(shù)的研究達(dá)到了比較高的水準(zhǔn)，但是數(shù)據(jù)大多是應(yīng)用在人臉識別、語音識別等方面。農(nóng)業(yè)圖像的知識庫存數(shù)據(jù)存在不同程度的缺乏，導(dǎo)致計算機視覺技術(shù)在具體應(yīng)用過程中仍然會出現(xiàn)無法辨別、識別度較低等問題。

針對數(shù)據(jù)局限性的挑戰(zhàn)，建議由政府牽頭，各科研院所之間相互配合，在農(nóng)業(yè)大數(shù)據(jù)的背景下，制作出農(nóng)業(yè)相關(guān)的圖像知識庫，以減輕因數(shù)據(jù)缺乏所帶來的模型識別度低的影響，為計算機視覺技術(shù)在農(nóng)業(yè)上的應(yīng)用提供數(shù)據(jù)支撐。

5 計算機視覺技術(shù)應(yīng)用展望

計算機視覺技術(shù)是一種高新技術(shù)，其對智慧農(nóng)業(yè)發(fā)展具有巨大的推動作用，能用于種植業(yè)和畜牧業(yè)等相關(guān)農(nóng)業(yè)產(chǎn)業(yè)中，可以有效提升農(nóng)業(yè)生產(chǎn)效率、節(jié)約人力成本，未來仍然有巨大的研究空間和廣闊的應(yīng)用前景。雖然計算機視覺技術(shù)在農(nóng)業(yè)領(lǐng)域應(yīng)用中面臨環(huán)境復(fù)雜性的技術(shù)難題和數(shù)據(jù)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(shù)的不斷進(jìn)步，這些難題均會被逐步解決，計算機視覺技術(shù)一定會在農(nóng)業(yè)領(lǐng)域中大放異彩，早日實現(xiàn)農(nóng)業(yè)生產(chǎn)智能化。