计算机视觉及模式识别技术在农业领域的应用

计算机视觉及模式识别技术在农业领域的应用

高 华、周 林

（山东农业大学信息技术与工程学院　山东　泰安　201018）

摘要：计算机视觉技术在农业各个领域的应用研究得到了广泛开展，并随着相关技术的不断成熟和发展，计算机视觉在农业各领域中的应用必将对传统农业模式产生巨大影响。本文从计算机视觉技术在果品分级与检测、粮食种质的检验与评测、植物生长状态监测、田间收获作业、农产品加工、杂草与病虫害防治等方面的发展作了回顾和综述，并对今后的发展作了展望。
关键词：计算机视觉；模式识别；图象处理；农业
中图分类号：TP391.41    文献标识码：A  文章编号：1000-2324(2003)04-0590-04
收稿日期：2002-12-24
作者简介：高华（1963- ），男，教授，主要从事计算机视觉、图像处理等教学与研究工作。
E-mail:gaoh@sdau.edu.cn
1 引言
　　计算机视觉是研究用计算机来模拟生物外显或宏观视觉功能的科学和技术。计算机视觉的发展是20世纪50年代从统计模式识别开始的，计算机视觉的历史虽短，但其技术已经广泛地应用于各个方面。可以说，需要人类视觉的场合几乎都需要计算机视觉，人类视觉无法感知的场合，计算机视觉也突显其优越性。近20几年来计算机视觉在农业领域中也得到了广泛研究和应用。本文仅从几个侧面介绍计算机视觉技术在农业领域中的研究和进展。
2 在果品形状与缺陷检测及分级中的应用
　　计算机视觉技术无需接触测定对象便可从获取的图像中得到大量的参数和信息，而且和人工检验相比具有效率高、识别率高、标准统一的优点。特别适合于动物、植物和农产品等生物体的检测和质量综合评定。因此在农产品品质检验中具有广泛应用。
　　早在1985年Rehkugler［1］就采用图象的灰度值检测苹果的缺陷，然而当时检测精度较低。同年Sarkar N.和R.R.Wolfe［2］又利用数字图像分析和模式识别技术，根据西红柿8邻域链码边界的曲率来描述西红柿的形状。并研制成功了一种具有定向机构和合适的照明装置的计算机视觉西红柿品质分级装置。1989年Miller［3］等在桃子分级研究中，提出了利用彩色图象和近红外图象分析损伤面积的算法，使测量结果与人工测量的结果相关系数达 0.56。Shearer［4］在1990年 又提出了用机器视觉对圆椒进行颜色分级的新方法，正确率达96%。而Brandon［5］利用计算机视觉系统获取胡萝卜顶部图象，提取外形特征参数输入神经网络，将胡萝卜顶部形状分为 5级，平均分类的准确率达85%。Heinemann等［6］在1995年结合形状与HIS两方面信息进行苹果质量检评，使其用色彩的准确率达100%，而用形状评价的准确率达92.3%。在果品检测与分级设备研制方面，Tao.Y等(1995年)［7， 8］研制成功了Merling高速高频机器视觉水果分级系统。该机的生产率为44ｔ/ｈ，苹果、桔子、桃子、西红柿及其它水果的分级，目前已得到广泛应用，美国每年有50%以上的苹果经该设备处理，并已推广到加拿大等其它国家。
3 在粮食作物质量检测与分级中的应用
　　从20几年前，美日等发达国家就开始把机器视觉技术应用于农作物种子质量检验评价，至今已经取得了较大发展。Zayas［9］在1985年将基于种子光特性的图像分析连同统计图像识别技术用于区分不同的小麦品种。1986年，Gunasekaran.S等［10］对玉米籽粒裂纹机器视觉无损检测技术进行研究，表明玉米籽粒裂纹与其他部位可以采用高速滤波法将其识别出来，检测精度达90%。而Zayas等［9，11，12］使用计算机视觉系统从小麦图片中提取出形态学特征参数，应用这些特征区分小麦的品种及非小麦成分。Liao.K等［13］在1992年将玉米籽粒图象用34个特征参数作为神经网络的输入变量，可将籽粒形态分为 5类，经过学习的神经网络对完整籽粒分类的准确率达93%，破损籽粒分类准确率达91 %。Liao K.等［14］1994年根据玉米粒的颜色和表面缺陷进行实时分级，该系统的缺点是分级速度很慢，每秒仅处理12个玉米粒。Ni-B等(1997年)［15］为了区分凸形冠顶、光滑凹形冠顶和非光滑凹形冠顶玉米籽粒，找到了一种不用结构光而通过图象处理的方法获得玉米籽粒三维信息的可行技术，并发现不同形状的玉米籽粒其图象灰度曲线有明显差异，该系统的平均检测精度与人工检测相仿，约为87%，所需时间为1.5～1.8ｓ/粒，离实际应用还有较大距离。另外Ni-B.等 (1998)［16］还研究机器视觉玉米粒大小分级，可测得独立于玉米粒方向的尺寸。Y.Chtioui，S.等［17］在1999年提出了用Rough sets理论作为模式分类工具通过计算机视觉技术来评价蚕豆品质的方法。这一理论提出用两种不同的离散方法来区分合格、破损、过小、异类蚕豆和石头。利用从彩色图像中提取的35个特征参数进行分类，分类结果与判别分析统计分类结果相比有较好的一致度。模拟实验表明，该理论的分类方法与离散间隔数有很大关系。
4 在植物生长状态监测中的应用
　　精确自动地监测动植物生长情况是自动控制动植物生长环境的前提。Seginer I.等 (1992) ［18］研究发现完全长成型的西红柿叶子的运动与缺水情况及CO2吸收率几乎成线性相关，叶尖的运动状态是反映植株需水情况的非常敏感的指标。为此，他们利用机器视觉技术对植株叶子的生长情况进行监测，其结果可用来作为灌溉系统的控制信号。而VandeVooren等 (1992年)［19］利用机器视觉技术测定了蘑菇的各种形态学特征，提出用圆度、弯曲能量、球形度和偏心距等来描述蘑菇的形状特征。Ling P. P.等 (1995年)［20］利用机器视觉采集了同一胚芽体细胞处于不同阶段时的两幅图像，并用伸长系数和生长纵横比 (即图像对主轴与次主轴的二阶矩之比)作为两个特征系数来比较以预测最终发芽状况，通过对426个样本进行的试验结果表明，该机器视觉系统预测发芽率的精度为61.5%～85.1 %，高于专家人工预测的精度43.1 %～69%。Shimizu H.(1995)［21］对利用机器视觉和近红外光进行非接触式植物三维生长信息测定技术的研究，所研制检测系统的分辨精度可以达到0.05个像素或0.025mm，通过分析该系统每隔12min记录一次,并连续记录所获得的信息后发现，白天和晚上的平均生长率分别为1.74mm/h和0.65mm/h，白天的生长速度要远远高于黑夜，这为合理控制植物的光照条件提供了依据。Ahmad I.S.等(1996年)［22］利用彩色图像信息评价缺水和缺氮对玉米生长的影响及由此而造成的植株颜色的变化，并表明色彩是一个用来识别植株和叶子的有效分类特征，可供灌溉和施肥决策时参考。Shinizu等(1995年)［23］通过连续采集植株图象，成功的分析了其昼夜生长率。Singh(1996年)［24］根据对冠层大小的图象分析来判断水稻中期生长情况，并建立了根据水稻中期生长情况及施肥量来预测产量的数学模型。
5 计算机视觉在田间收获作业中的应用 
　　计算机视觉技术应用于农产品自动化收获始于20世纪80年代中后期，是近年来最热门的研究课题之一。1989年Slaughter D. C.等［25］首先研究利用自然光条件下图像的色度和亮度信息对柑桔收获机械手进行导向，建立了一个利用彩色图像中的颜色信息从桔树上识别桔子的分类模型。该分类器从果园自然环境中识别桔子的正确率为75%，识别桔子形心的误差率为6%。1991年日本Kubota公司成功研制出一种用于桔子收获机器人的机械手［26］。1996年Zhang-Shuhai，Takahashi-T等［27］通过计算苹果图象轮廓线，并利用通过模式识别来实现对苹果的检测、定位，进而可以自动采摘苹果。Kondo.N等 (1996年)［28］研究了樱桃番茄的收获机器人，提出了检测樱桃番茄位置的有效算法，检测正确率达到了70%。国内周云山、李强等（1995）［29］利用计算机视觉技术设计了由蘑菇传送带、摄像机、采摘机器手、三自由度气动伺服机构、机器手抓取控制系统和计算机等组成的蘑菇采摘器。
6 在农产品加工中的应用
　　目前，人们已经开始探索计算机视觉技术在农产品加工自动化中的应用。国外已有部分成果得到实际应用。我国仅有极少数学者做过这方面的研究，与国外相比差距较大。
　　L ing P.P.等［30］在1991年就研究鲜虾图像的形态学特征和频谱特征，力图实现为鲜虾去头加工的自动化，发现根据频谱特征确定下刀位置较有效，在每秒处理2只虾的情况下，以频谱特征为依据所确定的下刀位置的标准偏差为2.8～4.6 mm。McConnell(1995年)［31］研究利用机器视觉技术检测颜色来控制烘制或烤制食品的质量，取得满意效果。为了保证食品加工过程中所用容器的质量，1995年，Seida S.等［32］研究了利用计算机视觉技术检测饮料容器质量的可行技术。而Tao Y.等［33］研制成功了基于计算机视觉的鸡肉中的骨头碎片及污染物的无损检测设备，并探索出了一种将X射线成像技术与激光三维成像技术相结合的方法，该方法可以大大提高系统快速、准确地检测骨头碎片及污染物的能力。
7 在杂草与病虫害防治方面的应用
　　研究大田作物病虫草害的自动识别与测定技术，建成自动化控制系统，用来防除田间杂草与病虫害，是计算机视觉技术在作物栽培生产中的重要应用研究领域。例如为了针对杂草精确喷洒除草剂，Woebbecke D. M.等 (1995年)［34］对美国中西部地区的10种常见杂草及玉米和大豆的二值图像进行了形态学特征分析，发现用形态学特征区别单子叶和双子叶植物非常有效，准确率为60%～90%。而，Woebbecke D. M.等(1995年)［35］的研究发现利用彩色图象的2g-r-b特征区别植物与非植物背景的效果很好，可用于设计探测杂草用的传感器的定点喷洒控制。同时，Zhang N.和 C.Chaisattapagon等(1995)［36］也对如何识别小麦地里的杂草进行了研究，他们同时使用了形状分析和颜色分析方法。可以识别出阔叶杂草品种。这些研究结果为基于杂草探测的精确施药技术的应用打下了一定的基础。Casady W. W.等 (1996年)［37］为了合理地对水稻施用氮肥，研究了利用机器视觉测定水稻稻冠尺寸和面积的技术，该机器视觉系统能在自然光照和水田灌水情况下采集水稻稻冠的图像，并能利用灰度中值和数学形态学进行水稻稻冠图像与背景的正确分割和特征抽取，研究发现所测定的水稻稻冠的高度、宽度和面积与人工测量结果的相关性分别为0.896、0.874和0.885，这为根据水稻生长情况合理施用氮肥创造了条件。在此基础上，Singh N.等 (1996年)［38］建立了基于机器视觉的水稻中期氮肥管理系统，该系统利用所测定的稻冠尺寸判断水稻的生长情况，并建立了根据中期氮肥施用量和中期水稻生长情况 (稻冠尺寸和叶绿素 )预测水稻产量的数学模型，预测结果与实测结果的相关系数为0.846。该模型为进行水稻中期需氮情况分析和确定最佳中期施氮量提供了一种客观的方法。农药的粗放式喷洒是农业生产中效率最低、污染最严重的环节，Giles D.K.和 D.C.Slaughter(1997)［39］等研制了一种能对成行作物实施精量喷雾的装置。该系统由机器视觉导向系统使喷头直接位于每行作物的上方，并能根据目标作物的宽度自动调节扇形喷头相对于前进方向的偏转角度，从而保证雾滴分布宽度与目标作物宽度相一致，以减少农药的浪费。经测定，与传统的喷雾方式相比，该系统可使用药量减少66%～80%，目标作物上的雾滴沉降效率提高2.5～3.7倍，周围土壤的沉降量和空中飘移将分别减少72 %～90%和62%～93%，这不仅节约了农药，提高了施药效率，而且还可以大大减少对环境的污染。而Zayas，-I. Y;Flinn，-P. W(1998)［40］利用机器视觉检测批量小麦样品昆虫，对多米尼克成虫、一些草籽、杂物的检出率高于90%。
8 计算机视觉在农业领域其他方面的应用 
　　计算机视觉在农业领域的应用还包括很多方面。如Das K.和 Evans M.D.等 (1992 a，b) ［41，42］用机器视觉技术在鸡蛋孵化的早期检测鸡蛋的生命活力，去除死蛋或坏蛋，正确率可高达 96%～100%，从而提高出雏率。而Tao Y. (1997)［43］对基于机器视觉的幼鸡性别识别技术进行了研究，研制成功了借助于紫外线成像自动识别幼鸡性别的装置。还有在土地资源中可以用遥感图像提取土地荒漠化信息、对土壤环境进行分类、监测冬小麦面积、农作物种植面积提取、生态土地分类。利用数字图像分析土壤表面裂隙的方向分布、研究土壤孔隙三维结构。在林业生产中作林业资源调查、监测林区土壤粗空隙率、森林资源调查、木材无损检测等等。
9 结束语
　　计算机视觉技术在农业各个领域的应用研究得到了广泛开展，并随着相关技术的不断成熟和发展，计算机视觉、图象处理、模式识别、神经网络等技术和方法对于作物特征的识别、苗情的监测、病虫害的防治以及精细农业的发展都将起到积极的推动作用。相信在不久的将来计算机视觉技术必将对传统农业模式产生巨大影响。
　　但由于农业复杂的环境和生物多样性等因素，致使农产品外观一般比较复杂。另外计算机视觉技术在农业中的应用还处于初级阶段，有许多技术难题还未解决：如动态图像信息的快速获取，并行处理算法、多频图像特征的提取等。因此还需要我们进一步深入研究。
参考文献：
〔1〕Rehkugler G E，Throop J A.Apple sorting with machine vision［J］. Transaction of the ASAE，1985，29(5):1388-1395
〔2〕Sarkar N， Wolfe R R. Computer vision based system for quality separation of fresh market tomatoes［J］.Trans of the ASAE，1985b，28(5):1714-1718
〔3〕Miller B K，Delwiche M J.A color vision system for peach grading［J］. Trans of the ASAE，1989，32(4):1484-1490
〔4〕Shearer S A，Payne F. A Color and defect sorting of bell peppers using machine vision［J］. Trans of the ASAE，1990，33(6):2045-2050
〔5〕Brandon J R，Howarth M S，Searcy S W. A neural networks of carrot tip classification［J］. Trans of the ASAE，1990,7549
〔6〕Heinemann D Z，Varghess Z A，et al. Machine vision inspection of golden delicious apples［J］. Applied Engineering in Agricuture，1995，11(6)910-916
〔7〕Tao Y，Morrow C T，et al. Technique for shape grading of potatoes using machine vision［J］.Transactions of the ASAE，1995，1555-1561
〔8〕Tao Y，Chance L，et al. Full scale fruit vision sorting system design-factor sand conside rations［J］.Proceedings of the FPAC Ⅳ Conference，1995，Chicago，Illinois，14-22
〔9〕Zayas，Pomeranz L Y，Lai F S. Discrimination between Arthur and Arkan wheats by image analysis［J］.Cereal Chemistry. 1985，62(2):478-480
〔10〕Gunasekarans S，Cooper T M，et al. Image processing for stress crack in corn kernels［J］. Transactions of the ASAE，1987，30(1):266-271
〔11〕Zayas I， Lai F S， Pomeranz Y. Discrimination between wheat classes and varieties by im age analysis ［J］. Cereal Chemistry，1986，63 (1):52-56
〔12〕Zayas I， Pormeranz Y， L ai F S. Discrimination of wheat and non wheat components in grain samples by image analysis［J］. Cereal Chemistry，1989， 66(3):233-237
〔13〕Liao K，Reid J J，et al. Corn kernel shape identification by machine vision using a neural network classifier［J］. ASAE Peper，1992,7017
〔14〕Liao K，Paulsen M R，Reid JF，et al. Corn kernel breakage classification by machine vision using a neural network classifier［J］. Trans of the ASAE. 1994，36(6):1949-1953
〔15〕Ni- B，Paulsen M R，et al. Corn kernel crown shape identification using image processing［J］. Trans of the ASAE，1997，40(3):833-838
〔16〕Ni- B， Paulsen，et al. Size grading of corn kernels with machine vision［J］. Apple ngagric.1998，14(5):567-571
〔17〕Chtioui Y， Panigrahi S， Backer L F. Rough sets theory as a pattern classification tool for quality assessment of edible beans［J］. Transactions of the ASAE，1999，42 (4):1145-1152
〔18〕Seginer I，Elster R T，Goodrum J W，et al. Plant wilt detection by computer- vision tracking of leaf tips［J］. Trans of the ASAE，1992，35(5):1563-1567
〔19〕Van De Vooren J G，Polder G，et al. Identifications mush rooms cultivars using image analysis［J］. Trans of the ASAE，1992，3(1):347-350
〔20〕Ling P P，Cheng Z，Musacchio D J. Quantification of xomatic coffee embryo growth using machine vision［J］.Trans of the ASAE，1995，38(6):1911-1917
〔21〕Shimizu H，Heins R D. Computer vision based system for plant growth analysis［J］.Trans of the ASAE，1995，38(3 ):959-964
〔22〕Ahmad I S，Reid J F. Evaluation of color representations for maize image［J］. Agricultural Engineering Research，1996，63:185-196
〔23〕Shimizu H，Heins R D. Computer vision based system for plant growth analysis［J］. Trans of the ASAE，1995，38(3)959-964
〔24〕Singh N，Casady W W，et al. Machine vision based nitrogen management models for rice［J］. Trans of the ASAE，1996，39(3):1899-1904
〔25〕Slaughter D C， Harrell R C. Discriminating fruit for robotic harvest using color in natural outdoor scenes［J］. Trans of the ASAE，1989，32 (2):757-763
〔26〕Saring Y. Robotics of fruit harvesting: a state of the art review［J］. Journal Agricultural Engineering Research，1993，54:265-280
〔27〕Zhang Shuhai， Takahashi- T， et al. Studies on autom ation of work in orchards (part 1 ). Detection of apple by pattern recognition［J］. Journal of the Japanese Society of Agricultural Machinery，1996，58(1): 9-16
〔28〕Kondo N，Nishitsuji Y，Ling P P，et al. Visual feed back guided robotic cherry to mat to harvesting［J］. Trans of the ASAE，1996，39(6):2331-2338
〔29〕周云山，李强等 .计算机视觉在蘑菇采摘机器上的应用［J］.农业工程学报，1995，11(4)，27-32
〔30〕Ling P P， Searcy S W. Feature extraction for a machine- vision- based shrimp deheader［J］. Trans of the ASAE，1991，34(6):2631-2637
〔31〕McConnell R K，Blau H H. Color classification of non-uniform baked and roasted foods［M］. Chicago，Illinois: Proceeding soft the FPAC Ⅳ Conference，1995，40-46
〔32〕Seida S， Franke E. Unique applications of machine vision for container inspection and sorting［A］.Chicago， Illinois:Proceedings of the FPAC IV Conference［C］，1995,102-108
〔33〕Tao Y， Wen Z. Item defect detection apparatus and method［J］. United States Patent Pending， 0 9/046，270，1998
〔34〕Woebbecke D M，Meyer G E，Von Bargen K，et al. Shape features for identifying young weeds using image analysis［J］. Trans of the ASAE，1995b，38(1):271-28
〔35〕Woebbecke D M，Meyer G E，Von Bargen K，et al. Color indices for weed identification under various soil，residue，and lighting conditions［J］. Trans of the ASAE，1995a，38(1):259-269
〔36〕Zhang N，Chaisattapagon C. Effective criteria for weed identification in wheat fields using ma chine vision［J］.Trans of the ASAE，1995，38(3):965-974
〔37〕Casady W W，Singh N，Costello T A. Machine vision for measurement of rice canopy dimensions［J］. Trans of the ASAE，1996，39(5):1891-1898
〔38〕Singh N，Casady W W， Costello T A. Machine vision based nitrogen management models for rice［J］.Trans of the ASAE，1996，39(5):1899-1904
〔39〕Giles D K，Slaughter D C. Precision band spraying with machine- vision guidance and adjustable yaw nozzles［J］. Trans of the ASAE，1997，40 (1 ):29-36
〔40〕Zayas I Y， Flinn P W. Detection of insects in bulk wheat samples with machine vision［J］. Trans of the ASAE，1998，41(3):883-888
〔41〕Das K，Evans M D. Detecting fertility of hatching eggs using machine vision:Neural network classifiers［J］.Trans of the ASAE，1992b，35(6):2035-2041
〔42〕Das K，Evans M D. Detecting fertility of hatching eggs using machine vision:Histogram characterization method［J］.Trans of the ASAE，1992a，35(4):1335-1341
〔43〕Tao Y. United States Patent Pending (Ser No.60/076，342 Attny Ref:#ARK007/97- 856)［M］.Automatic Feather Sexing of Poultry Chicks Using Ultraviolet Imaging，1997