計算機視覺及模式識別技術在農業領域的應用

計算機視覺及模式識別技術在農業領域的應用

高 華、周 林

（山東農業大學信息技術與工程學院　山東　泰安　201018）

摘要：計算機視覺技術在農業各個領域的應用研究得到了廣泛開展，並隨着相關技術的不斷成熟和發展，計算機視覺在農業各領域中的應用必將對傳統農業模式產生巨大影響。本文從計算機視覺技術在果品分級與檢測、糧食種質的檢驗與評測、植物生長狀態監測、田間收穫作業、農產品加工、雜草與病蟲害防治等方面的發展作了回顧和綜述，並對今後的發展作了展望。
關鍵詞：計算機視覺；模式識別；圖象處理；農業
中圖分類號：TP391.41    文獻標識碼：A  文章編號：1000-2324(2003)04-0590-04
收稿日期：2002-12-24
作者簡介：高華（1963- ），男，教授，主要從事計算機視覺、圖像處理等教學與研究工作。
E-mail:[email protected]
1 引言
　　計算機視覺是研究用計算機來模擬生物外顯或宏觀視覺功能的科學和技術。計算機視覺的發展是20世紀50年代從統計模式識別開始的，計算機視覺的歷史雖短，但其技術已經廣泛地應用於各個方面。可以說，需要人類視覺的場合幾乎都需要計算機視覺，人類視覺無法感知的場合，計算機視覺也突顯其優越性。近20幾年來計算機視覺在農業領域中也得到了廣泛研究和應用。本文僅從幾個側面介紹計算機視覺技術在農業領域中的研究和進展。
2 在果品形狀與缺陷檢測及分級中的應用
　　計算機視覺技術無需接觸測定對象便可從獲取的圖像中得到大量的參數和信息，而且和人工檢驗相比具有效率高、識別率高、標準統一的優點。特別適合於動物、植物和農產品等生物體的檢測和質量綜合評定。因此在農產品品質檢驗中具有廣泛應用。
　　早在1985年Rehkugler［1］就採用圖象的灰度值檢測蘋果的缺陷，然而當時檢測精度較低。同年Sarkar N.和R.R.Wolfe［2］又利用數字圖像分析和模式識別技術，根據西紅柿8鄰域鏈碼邊界的曲率來描述西紅柿的形狀。並研製成功了一種具有定向機構和合適的照明裝置的計算機視覺西紅柿品質分級裝置。1989年Miller［3］等在桃子分級研究中，提出了利用彩色圖象和近紅外圖象分析損傷面積的算法，使測量結果與人工測量的結果相關係數達 0.56。Shearer［4］在1990年 又提出了用機器視覺對圓椒進行顏色分級的新方法，正確率達96%。而Brandon［5］利用計算機視覺系統獲取胡蘿蔔頂部圖象，提取外形特徵參數輸入神經網絡，將胡蘿蔔頂部形狀分爲 5級，平均分類的準確率達85%。Heinemann等［6］在1995年結合形狀與HIS兩方面信息進行蘋果質量檢評，使其用色彩的準確率達100%，而用形狀評價的準確率達92.3%。在果品檢測與分級設備研製方面，Tao.Y等(1995年)［7， 8］研製成功了Merling高速高頻機器視覺水果分級系統。該機的生產率爲44ｔ/ｈ，蘋果、桔子、桃子、西紅柿及其它水果的分級，目前已得到廣泛應用，美國每年有50%以上的蘋果經該設備處理，並已推廣到加拿大等其它國家。
3 在糧食作物質量檢測與分級中的應用
　　從20幾年前，美日等發達國家就開始把機器視覺技術應用於農作物種子質量檢驗評價，至今已經取得了較大發展。Zayas［9］在1985年將基於種子光特性的圖像分析連同統計圖像識別技術用於區分不同的小麥品種。1986年，Gunasekaran.S等［10］對玉米籽粒裂紋機器視覺無損檢測技術進行研究，表明玉米籽粒裂紋與其他部位可以採用高速濾波法將其識別出來，檢測精度達90%。而Zayas等［9，11，12］使用計算機視覺系統從小麥圖片中提取出形態學特徵參數，應用這些特徵區分小麥的品種及非小麥成分。Liao.K等［13］在1992年將玉米籽粒圖象用34個特徵參數作爲神經網絡的輸入變量，可將籽粒形態分爲 5類，經過學習的神經網絡對完整籽粒分類的準確率達93%，破損籽粒分類準確率達91 %。Liao K.等［14］1994年根據玉米粒的顏色和表面缺陷進行實時分級，該系統的缺點是分級速度很慢，每秒僅處理12個玉米粒。Ni-B等(1997年)［15］爲了區分凸形冠頂、光滑凹形冠頂和非光滑凹形冠頂玉米籽粒，找到了一種不用結構光而通過圖象處理的方法獲得玉米籽粒三維信息的可行技術，並發現不同形狀的玉米籽粒其圖象灰度曲線有明顯差異，該系統的平均檢測精度與人工檢測相仿，約爲87%，所需時間爲1.5～1.8ｓ/粒，離實際應用還有較大距離。另外Ni-B.等 (1998)［16］還研究機器視覺玉米粒大小分級，可測得獨立於玉米粒方向的尺寸。Y.Chtioui，S.等［17］在1999年提出了用Rough sets理論作爲模式分類工具通過計算機視覺技術來評價蠶豆品質的方法。這一理論提出用兩種不同的離散方法來區分合格、破損、過小、異類蠶豆和石頭。利用從彩色圖像中提取的35個特徵參數進行分類，分類結果與判別分析統計分類結果相比有較好的一致度。模擬實驗表明，該理論的分類方法與離散間隔數有很大關係。
4 在植物生長狀態監測中的應用
　　精確自動地監測動植物生長情況是自動控制動植物生長環境的前提。Seginer I.等 (1992) ［18］研究發現完全長成型的西紅柿葉子的運動與缺水情況及CO2吸收率幾乎成線性相關，葉尖的運動狀態是反映植株需水情況的非常敏感的指標。爲此，他們利用機器視覺技術對植株葉子的生長情況進行監測，其結果可用來作爲灌溉系統的控制信號。而VandeVooren等 (1992年)［19］利用機器視覺技術測定了蘑菇的各種形態學特徵，提出用圓度、彎曲能量、球形度和偏心距等來描述蘑菇的形狀特徵。Ling P. P.等 (1995年)［20］利用機器視覺採集了同一胚芽體細胞處於不同階段時的兩幅圖像，並用伸長係數和生長縱橫比 (即圖像對主軸與次主軸的二階矩之比)作爲兩個特徵係數來比較以預測最終發芽狀況，通過對426個樣本進行的試驗結果表明，該機器視覺系統預測發芽率的精度爲61.5%～85.1 %，高於專家人工預測的精度43.1 %～69%。Shimizu H.(1995)［21］對利用機器視覺和近紅外光進行非接觸式植物三維生長信息測定技術的研究，所研製檢測系統的分辨精度可以達到0.05個像素或0.025mm，通過分析該系統每隔12min記錄一次,並連續記錄所獲得的信息後發現，白天和晚上的平均生長率分別爲1.74mm/h和0.65mm/h，白天的生長速度要遠遠高於黑夜，這爲合理控制植物的光照條件提供了依據。Ahmad I.S.等(1996年)［22］利用彩色圖像信息評價缺水和缺氮對玉米生長的影響及由此而造成的植株顏色的變化，並表明色彩是一個用來識別植株和葉子的有效分類特徵，可供灌溉和施肥決策時參考。Shinizu等(1995年)［23］通過連續採集植株圖象，成功的分析了其晝夜生長率。Singh(1996年)［24］根據對冠層大小的圖象分析來判斷水稻中期生長情況，並建立了根據水稻中期生長情況及施肥量來預測產量的數學模型。
5 計算機視覺在田間收穫作業中的應用 
　　計算機視覺技術應用於農產品自動化收穫始於20世紀80年代中後期，是近年來最熱門的研究課題之一。1989年Slaughter D. C.等［25］首先研究利用自然光條件下圖像的色度和亮度信息對柑桔收穫機械手進行導向，建立了一個利用彩色圖像中的顏色信息從桔樹上識別桔子的分類模型。該分類器從果園自然環境中識別桔子的正確率爲75%，識別桔子形心的誤差率爲6%。1991年日本Kubota公司成功研製出一種用於桔子收穫機器人的機械手［26］。1996年Zhang-Shuhai，Takahashi-T等［27］通過計算蘋果圖象輪廓線，並利用通過模式識別來實現對蘋果的檢測、定位，進而可以自動採摘蘋果。Kondo.N等 (1996年)［28］研究了櫻桃番茄的收穫機器人，提出了檢測櫻桃番茄位置的有效算法，檢測正確率達到了70%。國內周雲山、李強等（1995）［29］利用計算機視覺技術設計了由蘑菇傳送帶、攝像機、採摘機器手、三自由度氣動伺服機構、機器手抓取控制系統和計算機等組成的蘑菇採摘器。
6 在農產品加工中的應用
　　目前，人們已經開始探索計算機視覺技術在農產品加工自動化中的應用。國外已有部分成果得到實際應用。我國僅有極少數學者做過這方面的研究，與國外相比差距較大。
　　L ing P.P.等［30］在1991年就研究鮮蝦圖像的形態學特徵和頻譜特徵，力圖實現爲鮮蝦去頭加工的自動化，發現根據頻譜特徵確定下刀位置較有效，在每秒處理2只蝦的情況下，以頻譜特徵爲依據所確定的下刀位置的標準偏差爲2.8～4.6 mm。McConnell(1995年)［31］研究利用機器視覺技術檢測顏色來控制烘製或烤制食品的質量，取得滿意效果。爲了保證食品加工過程中所用容器的質量，1995年，Seida S.等［32］研究了利用計算機視覺技術檢測飲料容器質量的可行技術。而Tao Y.等［33］研製成功了基於計算機視覺的雞肉中的骨頭碎片及污染物的無損檢測設備，並探索出了一種將X射線成像技術與激光三維成像技術相結合的方法，該方法可以大大提高系統快速、準確地檢測骨頭碎片及污染物的能力。
7 在雜草與病蟲害防治方面的應用
　　研究大田作物病蟲草害的自動識別與測定技術，建成自動化控制系統，用來防除田間雜草與病蟲害，是計算機視覺技術在作物栽培生產中的重要應用研究領域。例如爲了針對雜草精確噴灑除草劑，Woebbecke D. M.等 (1995年)［34］對美國中西部地區的10種常見雜草及玉米和大豆的二值圖像進行了形態學特徵分析，發現用形態學特徵區別單子葉和雙子葉植物非常有效，準確率爲60%～90%。而，Woebbecke D. M.等(1995年)［35］的研究發現利用彩色圖象的2g-r-b特徵區別植物與非植物背景的效果很好，可用於設計探測雜草用的傳感器的定點噴灑控制。同時，Zhang N.和 C.Chaisattapagon等(1995)［36］也對如何識別小麥地裏的雜草進行了研究，他們同時使用了形狀分析和顏色分析方法。可以識別出闊葉雜草品種。這些研究結果爲基於雜草探測的精確施藥技術的應用打下了一定的基礎。Casady W. W.等 (1996年)［37］爲了合理地對水稻施用氮肥，研究了利用機器視覺測定水稻稻冠尺寸和麪積的技術，該機器視覺系統能在自然光照和水田灌水情況下采集水稻稻冠的圖像，並能利用灰度中值和數學形態學進行水稻稻冠圖像與背景的正確分割和特徵抽取，研究發現所測定的水稻稻冠的高度、寬度和麪積與人工測量結果的相關性分別爲0.896、0.874和0.885，這爲根據水稻生長情況合理施用氮肥創造了條件。在此基礎上，Singh N.等 (1996年)［38］建立了基於機器視覺的水稻中期氮肥管理系統，該系統利用所測定的稻冠尺寸判斷水稻的生長情況，並建立了根據中期氮肥施用量和中期水稻生長情況 (稻冠尺寸和葉綠素 )預測水稻產量的數學模型，預測結果與實測結果的相關係數爲0.846。該模型爲進行水稻中期需氮情況分析和確定最佳中期施氮量提供了一種客觀的方法。農藥的粗放式噴灑是農業生產中效率最低、污染最嚴重的環節，Giles D.K.和 D.C.Slaughter(1997)［39］等研製了一種能對成行作物實施精量噴霧的裝置。該系統由機器視覺導向系統使噴頭直接位於每行作物的上方，並能根據目標作物的寬度自動調節扇形噴頭相對於前進方向的偏轉角度，從而保證霧滴分佈寬度與目標作物寬度相一致，以減少農藥的浪費。經測定，與傳統的噴霧方式相比，該系統可使用藥量減少66%～80%，目標作物上的霧滴沉降效率提高2.5～3.7倍，周圍土壤的沉降量和空中飄移將分別減少72 %～90%和62%～93%，這不僅節約了農藥，提高了施藥效率，而且還可以大大減少對環境的污染。而Zayas，-I. Y;Flinn，-P. W(1998)［40］利用機器視覺檢測批量小麥樣品昆蟲，對多米尼克成蟲、一些草籽、雜物的檢出率高於90%。
8 計算機視覺在農業領域其他方面的應用 
　　計算機視覺在農業領域的應用還包括很多方面。如Das K.和 Evans M.D.等 (1992 a，b) ［41，42］用機器視覺技術在雞蛋孵化的早期檢測雞蛋的生命活力，去除死蛋或壞蛋，正確率可高達 96%～100%，從而提高出雛率。而Tao Y. (1997)［43］對基於機器視覺的幼雞性別識別技術進行了研究，研製成功了藉助於紫外線成像自動識別幼雞性別的裝置。還有在土地資源中可以用遙感圖像提取土地荒漠化信息、對土壤環境進行分類、監測冬小麥面積、農作物種植面積提取、生態土地分類。利用數字圖像分析土壤表面裂隙的方向分佈、研究土壤孔隙三維結構。在林業生產中作林業資源調查、監測林區土壤粗空隙率、森林資源調查、木材無損檢測等等。
9 結束語
　　計算機視覺技術在農業各個領域的應用研究得到了廣泛開展，並隨着相關技術的不斷成熟和發展，計算機視覺、圖象處理、模式識別、神經網絡等技術和方法對於作物特徵的識別、苗情的監測、病蟲害的防治以及精細農業的發展都將起到積極的推動作用。相信在不久的將來計算機視覺技術必將對傳統農業模式產生巨大影響。
　　但由於農業複雜的環境和生物多樣性等因素，致使農產品外觀一般比較複雜。另外計算機視覺技術在農業中的應用還處於初級階段，有許多技術難題還未解決：如動態圖像信息的快速獲取，並行處理算法、多頻圖像特徵的提取等。因此還需要我們進一步深入研究。
參考文獻：
〔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〕周雲山，李強等 .計算機視覺在蘑菇採摘機器上的應用［J］.農業工程學報，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