刘海蓉 黄冈职业技术学院

　　摘要：随着计算机等技术的不断发展，计算机视觉技术被广泛运用到各个领域中。与此同时，随着人口数量的增长、城市化进程导致耕地面积的减少，农业向着高质量、高产量方向的发展成为关键。计算机技术推进农业向着高质量、高产量的方向不断发展。本文回顾计算机视觉领域的重要任务，介绍当前计算机视觉技术在农业领域中的应用。

　　关键词：计算机视觉；农业；深度学习

　　在前深度学习时代，人工设计的特征和浅层分类器被广泛应用于各个领域。Bakhshipour A等人将彩色RGB图像转换为二值图像，分别通过检测边缘抽取傅里叶描述子、计算时不变特征和外形因素等，以均方误差为评价指标，使用支持向量机和人工神经网络进行训练。Guo W等人将物体分割物体问题变为分类问题，通过一系列假设将图像中的不同像素进行标注——将像素分为植物和背景，并基于该标注数据提取不同颜色空间的特征训练决策树模型。为了保证结果的鲁棒性，作者使用5张不同情况下的图像，包括晴天、阴影、光反射、雨天等，从图像中选取135000个像素进行训练，经过消除噪声等步骤后生成的掩膜能够较好地对图像进行分割。在深度学习时代，卷积神经网络被广泛用于物体分类等领域，经典的网络结构包含卷积层、池化层、随机失活层、非线性激活函数等。Khan Z等人提出了一种使用RGB彩色图像进行基于模型的植被指数估计的新方法，在保留卷积层、池化层等卷积神经网络常规结构的基础上通过更换新的损失函数，实现对植被指数的估计。整个实验以RGB图像作为输入，输出结果为对应的植被指数，进而获取RGB图像所对应区域的作物健康状况、水分含量、营养含量等信息，植物表型指受基因和环境因素决定或影响并反映植物结构等的特征，通常能够很好地反映基因、环境对植物的影响。通过分析表型等，能够很好地指导农学专家将数据与已知遗传数据对比，将基因型和表型进行关联分析，达到高级遗传育种的目的。

　　传统的检测设备体积过大或者过于复杂，农学专家操作复杂的检测设备较为困难，考虑到移动便携设备如智能手机在计算、摄像等方面具有很高的性能，Aquino A等人开发了一个基于安卓智能手机的应用程序vitisBerry用于估计葡萄粒数。该应用程序通过手机自带摄像头获取葡萄图像，并对该图像进行处理和分析以估计葡萄粒数。Baweja H S等人提出StalkNet，该方法利用深度学习方法获得植物秸秆数及茎宽。StalkNet使用Faster RCNN进行物体检测并对检测结果进行计数，该计数结果即为该植物的秸秆数。StalkNet以物体检测结果作为全连接网络的输入，输出为植物秸秆的像素宽度，通过立体视觉匹配将像素宽度转换成植物秸秆的实际茎宽，上述研究主要集中在二维图像，而三维物体的二维表示通常会丢失掉某些重要信息，三维表示能够更好反映物体在真实空间中的位置以及表型信息。

　　一、机器视觉在棉花氮素营养诊断中的应用

　　农作物生长发育进程和产量形成受肥料影响很大，近地面遥感监测的方法是机器视觉的作物生长监测与诊断技术，清晰优质的数字图像评估农作物发育生长的季节性变化，准确、快速、高效实时无损提供作物诊断，在信息化农业生产中扮演重要角色，还帮助农户采取农艺措施，提高农作物产量。

　　二、机器视觉在嫁接苗移栽实时定位中的应用

　　降低培育嫁接苗强度、提高嫁接苗存活率，未来趋势是嫁接苗培育全自动。全自动包括定向自动育苗、嫁接、供苗、播种、苗移嫁接栽及管理温室。自动嫁接苗移栽完成取苗种穴盘上。移栽效果取决于执行器设计、穴孔定位稳定性。机器视觉移栽过程中，穴孔定位是研究热点。

　　三、机器视觉在茶陇识别与采茶机导航中的应用

　　中国是茶叶原产地，作为世界上茶叶出口、种植、消费最大国家，茶叶采摘和用工的矛盾成为茶叶产业发展瓶颈，加快茶叶采摘机械化至关重要。用机械化作业代替人工，可降低成本，而且能够提高采茶质量和生产效率。机器视觉在茶陇识别与采茶机导航中的应用，给茶产业带来了新的春天。利用视觉识别茶树嫩芽并实现定位采摘，可保证叶片完整性，能使采摘过程自动化，节省大量的人力物力，但机器视觉的识别效率还有待提高。

　　四、总结与展望

　　机器视觉在农业中的应用为精细农业和农业生产自动化奠定了基础，不仅有助于解放劳动力，还有助于提高农作物产品的品质和产量。植物生长过程的三维重构是目前国内外的研究热点，机器视觉技术是该过程中不可或缺的重要环节。植物生长周期长，利用三维重构技术可将作物在虚拟空间中的结构发育与生长过程进行仿真，并以三维图像进行展现，不仅能够直观、精确地呈现植物的三维生长过程，还可对植物的生长进行预测，为生物育种、育苗提供高效便捷的实验方法。

　　参考文献：

　　[1]梁良良：创新思维训练[M].新世界出版社,2019.

　　作者简介：

　　刘海蓉，1977年2月生，女，黄冈职业技术学院讲师。研究方向：高职教育。