圖像識別技術在農業領域的應用綜述

洪楊 樊瑋婷 何夢俠 李忠華

摘要：近年來，圖像處理技術的迅猛發展使得圖像識別技術在人工智能領域中至關重要?，F如今，圖像識別技術已廣泛應用于農業領域，包括農作物病蟲害識別、農作物生長狀態判斷及雜草識別、農產品成熟度和品質檢測等，為人類的生產和生活帶來了極大的便利。本文主要闡述了圖像識別技術的基礎原理，并深入分析了其在農業領域的應用情況，同時探討了圖像識別技術在精準農業中面臨的挑戰及其未來的發展趨勢。

關鍵詞：圖片識別；病蟲害；雜草識別；農產品分揀與質檢；農業機械化

中圖分類號：TP391? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2024）07-0024-04

開放科學（資源服務）標識碼（OSID）

0 引言

我國是一個農業大國，隨著國家相關政策對現代農業的大力支持，現階段農業的智能化水平已經有了相當大的提升。采用圖像識別技術結合自動化控制技術的自動化處理、分析農業數據和遠程控制等優勢，既避免了傳統方法中需要人工干預的問題，保證了一定的準確率，也能夠節省行業人工成本，為農民提供合理的管理建議，實現高效的農業智能化[1-2]。除此之外，通過精準的農作物管理和施藥控制，還可以減少不必要的投入和對環境的污染，保護生態環境。本綜述的框架如圖1所示。

1 圖像識別技術概述

圖像識別技術是將圖像對象轉換為計算機可處理的數字信號，通過對這些數字信號的分析和處理，識別出圖像的內容和類別，為下一步的操作提供數據基礎。

在最初始的發展階段，20世紀60年代計算機視覺開始發展，研究方向主要是將圖像數字化，通過算法實現邊緣檢測、輪廓提取、閾值分割等基礎圖像處理技術，此時能夠對一些較為簡單的數字、文字信息進行處理，主要識別一些手寫字符、將印刷字符轉換為可編輯、可搜索的電子文本。到了發展中期，20世紀70年代開始運用模式識別技術對圖像進行分類和識別，主要采用統計學習方法（如貝葉斯分類器），進行模式識別和圖像分類等任務。主要應用于印刷體文字圖像的處理和分析。20世紀90年代，神經網絡被引入圖像識別領域，計算機視覺研究開始利用圖像的局部特征（如顏色、紋理、形狀等）進行特征提取，從而實現對圖像的分類和檢索。主要應用于圖像搜索、自然場景識別等領域。逐漸能夠對一些簡單的圖像信息進行圖像識別分類。隨著21世紀深度學習的興起，深度學習技術開始應用于計算機視覺領域。以深度神經網絡為基礎，通過多個層級的特征提取和分類器訓練，實現對圖像的自動分類和檢索。主要應用于人臉識別、醫療診斷、車輛識別、農業等領域。卷積神經網絡模型的應用和不斷革新，目前該技術的智能化水平已經顯著提高，能夠實現對一些復雜背景、復雜圖像以及小目標圖像進行有效識別處理。

1.1 圖片識別技術基礎原理

圖片識別技術的原理主要是將輸入的圖片經過預處理、特征提取和分類器訓練三個步驟，得到對該圖片所屬類別的預測結果。

圖片預處理是計算機圖像識別技術應用中用于前期處理的重要步驟。由于圖片獲取的渠道不同，一些學者使用公開數據集，有的研究人員自主制作數據集，而采集圖像使用的裝備、制作圖像標準的差異都對識別的效果有影響。預處理就可以將一些低價值的數據信息去除，保留有價值信息。圖像信息的預處理方法較多，可以通過使用高斯濾波等方式去除圖像中存在的噪聲，使得圖像更加清晰、有效內容更加突出；或者通過使用HSV、RGB等顏色空間等方式去調整圖像亮度、對比度、色彩等，使圖像更加清晰、鮮明；還可以通過灰度化處理能夠將彩色圖像轉換為灰度圖像，去除色彩分布對圖像中相關特征的影響，將彩色圖像的三個通道（RGB） 壓縮到一個通道，并減小圖像數據的維度，使得圖像中每個像素的數值只代表灰度的強度，使得圖像處理更加方便和準確[3]。

特征提取是圖像識別技術非常關鍵的步驟，科學選擇合適的特征點非常重要，可以對圖像的識別準確率和計算效率產生巨大的影響。具體的特征點選取要根據識別需求和應用方向來決定。一般來說，顏色可以作為一種全局特征點，而紋理通常被用作局部特征點。顏色作為全局特征點能夠快速地對不同對象進行區分，因為不同的對象往往具有不同的顏色特征。與顏色特征相比，紋理通常更加局部化，具有更強的局部判別性。除此之外，還有空間關系特征和形狀等。所以在識別一張具體圖像的應用中，對圖片中眾多的特征信息進行準確區分是非常必要的[4]。通過有效提取特殊信息，既能盡早發現農作物是否出現問題，又能實現對局部的瑕疵特征識別。

圖像分類是智能化圖像識別技術中的重要步驟。它通過深入研究數據特征，并通過交叉驗證、混淆矩陣等方法評估不同分類器的性能，最終選擇最適合的分類器。例如，在處理植物葉片的RGB圖像數據集時，可以選擇適合RGB顏色空間的分類器，如支持向量機（SVM） 、Softmax、隨機森林（Random Forest） 等。選擇好分類器后，可以利用網格搜索等方法對其進行參數優化，以提高農業領域圖像分類的準確性和穩定性。

1.2 圖片識別技術分類

圖像識別技術目前主要分為傳統的圖像識別方法和基于卷積神經網絡的深度學習圖像識別方法。傳統方法通常適用于簡單的圖像分類任務，因為它們不需要大量數據訓練和復雜的計算，可以通過簡單的特征提取和分類方法實現較好的識別效果，更為實用和經濟。但是，對于復雜的識別任務和大規模的圖像分類應用，深度學習方法在準確性和可靠性上具有很大優勢。深度學習可以實現自主學習特征、處理高維數據、適用于不同的圖像分類任務等。然而，深度學習需要處理大量數據，對硬件算力要求較高。GPU（圖形處理器）擁有大量的并行計算單元，能夠顯著加速深度學習模型的訓練和推斷過程，這極大地推動了深度學習在農業領域的應用。例如，彭明霞等人[5]采用深度學習方法識別棉田雜草，模型在CPU上運行時，單張圖片平均耗時1.51s，使用GPU時，單張圖片的平均處理時間縮短到0.09s，速度提高了近17倍。

2 農業領域圖像識別的應用

2.1 植物病蟲害檢測

植物病蟲害目前依然是影響農作物產量和農產品質量的主要殺手，給農業生產帶來嚴重的危害。使用農藥可以在短期內取得不錯的效果，但大量使用農藥抑制病蟲害的發展，不僅對生態環境造成破壞，還增加了病蟲害的抗藥性，同時也使得農產品的農藥殘留量不斷增加[6-7]。利用圖片識別技術可以通過對害蟲的紋理、形態、大小等特征進行識別分類，通過在病蟲害形成規模災情、造成嚴重影響之前捕捉識別到的特征，可以將災情發生的可能性降到最低[8]。近年來，大量學者通過使用和改進算法，使得病蟲害識別效果得到了一定的提升。例如，Wang等學者[9]的研究利用了K-means算法和自適應聚類方法，對葉片蟲害圖像進行網格分割和特征提取，最終實現了高效、準確的葉片蟲害識別，識別有效精度達96.3%。李文勇等人[10]對果園害蟲形態和結構進行了分析，選取了多個害蟲的重要特征，如頭部、翅膀、足部等，得到了害蟲在不同旋轉角度和蟲體姿態下的多維特征描述子，然后結合分類算法進行訓練和識別，并實現了害蟲的自動化檢測和識別。徐境深等人[11]將圖片識別技術結合極坐標與傅里葉變換方法，提取蔬菜病蟲害的顏色與外形特征實施快速識別，檢測結果的識別準確率達到99.0%。仲元紅等人[12]采集了大量帶標注的飛蟲圖像樣本，并將這些樣本送入CNN分類模型進行訓練，該系統可以在不同條件下識別大多數飛蟲，如白粉蟲、蚜蟲等，其準確率高達96%以上。圖像識別技術具備的快速性、準確性、實時性等特點，能夠克服人工識別效率低、誤判率高等問題。

2.2 農作物雜草控制

田間雜草會競爭農作物的生長資源，并且生長周期往往比農作物短。因此，如果不及時割除或處理雜草，就會導致雜草生長繁茂，形成“雜草暴發”。此外，雜草還會吸引病蟲害并傳播病毒病，進一步危及農作物的健康和產量[13]。然而，長期的化學除草會導致雜草對除草劑產生抗藥性，進而導致除草劑的使用增加，加劇環境污染和生態風險[14]。隨著人們對健康和環保意識的提高，使用智能機械除草設備替代化學除草劑已經成為重要的方向。

通過拍攝田間實時圖像，利用計算機對影像進行分析，可以進行土壤背景去除和苗草分離，然后定位目標區域。在定位確定后，切割部分會進行精確的力控制和速度調整，實現對雜草的高效切除[15-16]。目前，用于雜草識別的模型大多在已有模型基礎上進行優化設計，以更好地適應現實生產環境的需求。

侯雨等人[17]采用改進的Canny邊緣檢測算法提取雜草特征，然后使用BP神經網絡進行圖像分類，識別大豆雜草準確率達到95.67%和93.33%。任全會等人[18]通過計算重要特征參數，構建Canny算子模型進行邊緣檢測，使用8種不同植物圖像進行實驗，并將結果與傳統方法進行對比分析。結果顯示，該方法在植物識別中的平均錯誤率明顯低于傳統方法，在雜草檢測中也表現出更好的性能。樊湘鵬[19]使用優化的Faster R-CNN模型對自然條件下棉花幼苗及其７類常見雜草進行識別，mAP為94.21%，優于標準SSD（87.23%） 和YOLO（84.97%） ，但單張圖片處理時間為0.385秒，高于SSD（0.297秒）和YOLO（0.314秒）。

考慮到實際應用方面，雜草識別是作業對象識別與定位的重要方面。如何將識別模型部署于無人機、田間移動平臺，仍是后續研究需要解決的問題。

2.3 動物領域應用

近年來，基于圖像識別技術的發展實現了無接觸且無侵入性的動物身份識別，能夠克服傳統動物身份識別技術的局限性，成為計算機視覺領域的研究熱點之一。將基于圖像處理的動物身份識別技術應用于動物養殖可實現動物智能監督管理[20]。例如，楊晶晶等人[21]采用基于CNN改進網絡進行雛雞鑒別，能夠在平均0.362s的時間內識別雛雞性別的準確率達到96.82%，效果與具有10年經驗的工作人員鑒別準確率相當。王文成等人[22]通過利用ResNet50網絡框架對10種不同種類的魚類圖像進行處理，實現了準確的分類和識別，達到了93.3%的準確率。張宏鳴等人[23]利用改進的YOLO v3的肉牛多目標骨架提取方法實現了對肉牛站立與躺臥行為的識別，有助于提高養殖管理的效率和效果。圖像識別技術已被廣泛應用于畜牧養殖、動物生態研究等領域，呈現出多學科交叉融合的趨勢，可以更好地促進動物行為分析研究、動物健康監測等方面發揮重要作用，提高動物產業的發展水平和動物保護水平。

2.4 農產品的分揀與質檢

果蔬類農產品保鮮時間短、易損壞，純人工分選速度慢、耗時長，影響流通效率。用果蔬分選設備替代人工分選已成為現代化農業發展的趨勢[24]。例如，王志勃等[25]學者提出了一種基于機器視覺的自動化采摘和分揀系統，該系統能夠實現對蘋果的自動檢測和采摘，并在分揀過程中實現了高效、準確的分類和分級。利用圖像處理和計算機視覺等技術手段，對農產品的外觀特征進行快速、準確和無損檢測，從而實現對農產品的質量評估、分類和分級等工作。這樣可以將農產品分成品質相似的批次，然后合并成易于銷售和運輸的整齊均勻的貨物，降低不良農產品的混入率。

2.5 農業機械智能化

智能農機控制技術可以通過圖片識別技術和高精度定位精確地控制農機在田間施肥、施藥和灌溉等操作，降低過量施肥和過量灌溉造成的環境污染，實現可持續發展。馬玉婷等[26]學者的研究表明，提高農業機械化水平不僅可以促使本地區農業種植結構向糧食作物傾斜，還可以影響鄰近地區，使得區域內的種植結構趨向一致。農機視覺導航技術可以幫助農機在農田中準確導航，減少農機在田間的行駛次數和輪壓，從而減少對農作物造成的損害。由于現在農村勞動力減少，高效機械設備的使用變得非常必要。

3 圖像識別在農業領域面臨的挑戰和未來發展趨勢

圖像識別在農業領域的智能化、高效率和實用性已經帶來了明顯的便利。然而，目前圖像識別仍存在一些問題：

1） 我國尚未建立完善的大型農業圖像數據庫。許多研究實驗仍需依賴自行采集的圖像。由于圖像識別技術和算法的準確性與數據質量和采集方式密切相關，不同的光照和角度會對圖像的識別和分析產生影響。若數據質量較差，將影響圖像識別技術的應用效果。因此，需要加大投入，建立更完善的農業圖像數據庫，以滿足農業圖像應用的需求。

2） 農業種植環境復雜，為了在光線不足、作物與背景顏色難以區分、多目標互相遮擋、識別目標過小等情況下，仍能夠進行有效識別，可將不同的識別技術相結合，融合不同技術的優點，設計模型以提高物體識別準確率。

3） 模型輕量化是當前深度學習在農業病蟲害識別領域的一個重要突破方向。許多深度學習算法由于參數量較大、計算量較高，限制了模型在移動設備上的應用。模型輕量化有效地提高算法的執行速度，滿足實時性要求，并在移動設備上實現應用，為農業病蟲害的防治和農業現代化發展提供重要支持。

雖然圖像識別在農業領域的應用前景廣闊，但其硬件設備和開發成本相對較高，需要大量資金和技術支持，這可能限制了其在農業領域的廣泛應用。圖像識別技術的發展還有待進一步降低成本，擴大應用范圍。

參考文獻：

[1] 工信部印發《促進新一代人工智能產業發展三年行動計劃（2018—2020年）》[J].智能建筑，2018（1）：11.

[2]首個農業全產業鏈人工智能工程“農業大腦” 發布[J].蔬菜，2017（12）：81.

[3] 尹雅楠.計算機圖像識別技術現狀及優化策略研究[J].無線互聯科技，2021，18（4）：80-81.

[4] 孫成會，薛凱鑫.基于人工智能的圖像識別技術分析[J].電子測試，2020（16）：139-140.

[5] 彭明霞，夏俊芳，彭輝.融合FPN的Faster R-CNN復雜背景下棉田雜草高效識別方法[J].農業工程學報，2019，35（20）：202-209.

[6] 鐘珍秀.農業生產中病蟲害綠色防控的必要性及存在的問題[J].種子科技，2023，41（12）：103-105.

[7] 劉震，紀明妹，郭志頂，等.圖像識別技術在病蟲害防治方面的應用與展望[J].滄州師范學院學報，2022，38（1）：119-123.

[8] 吳翔. 基于機器視覺的害蟲識別方法研究[D].杭州： 浙江大學，2016.

[9] WANG Z B，WANG K Y，LIU Z Q，et al.A cognitive vision method for insect pest image segmentation[J].IFAC-PapersOnLine，2018，51（17）：85-89.

[10] 李文勇.On-line Identification and Counting of Sex-pheromones Lured Orchard Pest Based on Machine Vision[D].中國農業大學，2015.

[11] 徐境深，王昕彤，周芹，等.設施瓜菜病蟲害識別技術研究[J].農業裝備技術，2021，47（6）：53-55.

[12] ZHONG Y H，GAO J Y，LEI Q L，et al.A vision-based counting and recognition system for flying insects in intelligent agriculture[J].Sensors，2018，18（5）：1489.

[13] 劉佳鑫.農業生產領域計算機視覺技術的應用[J].山西農經，2018（11）：53，55.

[14] 潘浪，劉敏，劉偉堂，等.我國雜草科學學科發展現狀與展望[J].植物保護，2023，49（5）：295-302，389.

[15] BAKHSHIPOUR A，JAFARI A.Evaluation of support vector machine and artificial neural networks in weed detection using shape features[J].Computers and Electronics in Agriculture，2018，145：153-160.

[16] PALLOTTINO F，MENESATTI P，FIGORILLI S，et al.Machine vision retrofit system for mechanical weed control in precision agriculture applications[J].Sustainability，2018，10（7）：2209.

[17] 侯雨，曹麗英，丁小奇，等.基于邊緣檢測和BP神經網絡的大豆雜草識別研究[J].中國農機化學報，2020，41（7）：185-190.

[18] 任全會，楊保海.圖像處理技術在田間雜草識別中應用研究[J].中國農機化學報，2020，41（6）：154-158.

[19] 樊湘鵬，周建平，許燕，等.基于優化Faster R-CNN的棉花苗期雜草識別與定位[J].農業機械學報，2021，52（5）：26-34.

[20] 薛芳芳，王月明，李琦.基于計算機視覺技術的牲畜行為識別研究進展[J].黑龍江畜牧獸醫，2021（11）：33-38.

[21] 楊晶晶，韓閏凱，吳占福，等.基于CNN和圖像深度特征的雛雞性別自動鑒別方法[J].農業機械學報，2020，51（6）：258-263，92.

[22] 王文成，蔣慧，喬倩，等.基于ResNet50網絡的十種魚類圖像分類識別研究[J].農村經濟與科技，2019，30（19）：60-62.

[23] 張宏鳴，李永恒，周利香，等.基于改進YOLO v3的肉牛多目標骨架提取方法[J].農業機械學報，2022，53（3）：285-293.

[24] 李玉龍，郝龍，田軍亮.果蔬分選專家系統訓練平臺分揀模塊的設計[J].現代農機，2023（5）：68-71.

[25] 王志勃，孫慧然，孫靜波.基于機器視覺的蘋果自動采摘分揀系統研究[J/OL].機械設計與制造，1-12[2023-11-17].https：//doi.org/10.19356/j.cnki.1001-3997.20230905.010.

[26] 馬玉婷，高強.糧食安全視角下農業機械化對農業種植結構的影響研究[J].現代經濟探討，2023（10）：98-111.

【通聯編輯：唐一東】