- 相關(guān)推薦
關(guān)于機器視覺技術(shù)在農(nóng)業(yè)工程中的應用論文
摘要：隨著圖像技術(shù)的專業(yè)化，計算機硬件成本的降低和運算速度的提高，機器視覺在農(nóng)業(yè)工程領(lǐng)域方面的應用更加廣泛。該文主要介紹了機器視覺技術(shù)在農(nóng)作物生長狀況監(jiān)測、農(nóng)產(chǎn)品品質(zhì)檢測與分級、農(nóng)業(yè)生產(chǎn)自動化等方面的研究及應用情況，并分析了機器視覺技術(shù)的局限性以及后續(xù)研究方向。
關(guān)鍵詞：機器視覺；農(nóng)業(yè)；檢測；自動化
農(nóng)業(yè)是我國重要的產(chǎn)業(yè)部門，因此提高農(nóng)業(yè)生產(chǎn)效率和農(nóng)業(yè)自動化程度是實現(xiàn)農(nóng)業(yè)現(xiàn)代化的根本需求，而實現(xiàn)農(nóng)業(yè)生產(chǎn)自動化主要依賴于對對象的正確識別。機器視覺技術(shù)經(jīng)過30多年的發(fā)展，已成為一門新興的識別的技術(shù)，在農(nóng)業(yè)領(lǐng)域得到了廣泛的應用，不僅農(nóng)業(yè)裝備的智能化與自動化的水平得到了飛速提升了，并且裝備的使用效率與可靠性等性能得到了較好的改善。
1機器視覺技術(shù)概述
機器視覺即利用機器代替人眼并作出相應判斷，亦可稱之為“計算機視覺”。機器視覺系統(tǒng)即通過圖像采集系統(tǒng)，將采集目標轉(zhuǎn)換成圖像信號，傳至圖像處理系統(tǒng)，根據(jù)像素的相關(guān)信息，轉(zhuǎn)成簡潔的數(shù)字信號，并對數(shù)字信號進行運算來提取特征參數(shù)，最終依據(jù)識別結(jié)果對現(xiàn)場設(shè)備執(zhí)行相應動作。典型的機器視覺系統(tǒng)如圖1所示：
2機器視覺技術(shù)在農(nóng)業(yè)工程中的應用
機器視覺技術(shù)已被廣泛應用于農(nóng)業(yè)工程的許多領(lǐng)域：農(nóng)作物生長狀況監(jiān)測、農(nóng)產(chǎn)品品質(zhì)鑒定與分級、精細農(nóng)業(yè)、農(nóng)業(yè)機械、農(nóng)業(yè)生產(chǎn)自動化等。
2.1機器視覺技術(shù)在農(nóng)作物生長狀況監(jiān)測方面的應用
影響農(nóng)作物生長的三大基本問題為疾病、蟲害及雜草，而影響農(nóng)作物產(chǎn)量、品質(zhì)及農(nóng)業(yè)的生態(tài)環(huán)境的主要因素為化學藥劑的施用量，為了進一步實現(xiàn)農(nóng)業(yè)的自動化，自動監(jiān)測農(nóng)作物生長狀況也是很有必要的。因此，需要對田間農(nóng)作物病蟲草害的自動檢測與識別技術(shù)進行研究，用以區(qū)別田間的雜草和防治病蟲害；并且開發(fā)自動監(jiān)測農(nóng)作物生長狀況的視覺控制系統(tǒng)，以實現(xiàn)農(nóng)業(yè)智能化。
2.1.1雜草識別
田間雜草的識別是準確使用除草劑的有效依據(jù)，對提高農(nóng)作物產(chǎn)量、降低成本、生產(chǎn)出滿足消費者需求的無害產(chǎn)品是十分重要的。
劉振恒等利用機器視覺技術(shù)，通過對RGB、HSI圖像進行分析，找出了從復雜的土壤背景下分離出植物（作物和雜草）的方法，分離率可達96%以上，為雜草的識別做了前期準備工作。紀壽文等不僅濾除了土壤背景，還對圖像中的特征參數(shù)（投影面積、葉長和葉寬）進行了提取，以識別玉米和雜草，提高了除草劑的噴灑位置精度。張玉珠利用近紅外圖像和紅光圖像建立二維直方圖，以總分割誤差值作為指標選擇分割直線進行背景分割，通過提取整株植物的細化和骨架長度，以細化長度與葉片面積比、骨架長度與葉片面積比兩個特征參數(shù)，作為棉花和雜草的識別參數(shù)，利用統(tǒng)計模式識別中基于有限樣本和結(jié)構(gòu)風險最小化原則的支持向量機建立了棉花和雜草的模式識別分類器，識別率可達80%以上。
2.1.2農(nóng)作物病蟲害自動識別
毛文華等首先把原圖分為兩部分：天空子圖像部分和草地子圖像部分，并檢測出運動區(qū)域，以蝗蟲的特征參數(shù)對運動區(qū)域分類后對蝗蟲進行識別，帶人所建立的數(shù)學模型可間接得到地面的蝗蟲數(shù)目，蝗蟲識別率為80%～100%，地面蝗蟲數(shù)目識別精度大于80%。陳樹人等創(chuàng)建了與二值圖像相對應的0、1雙精度型矩陣，并分別與R、G、B三基色分量圖相乘，獲取前景是R、G、B三基色分量圖，背景是黑色的灰度圖像；對棉花、鐵莧菜前景R、G、B的標準差進行分析，并確定R的標準值與B的標準差值小于5作為判斷鐵莧菜的闕值，最終棉花的判斷準確率為71.4%，鐵莧菜的判斷準確率為92.9%，總體準確率為82.1%。
2.1.3農(nóng)作物生長狀況自動監(jiān)測
曾慶兵等在考慮葡萄果實形態(tài)和現(xiàn)場環(huán)境基礎(chǔ)上，提出基于機器視覺的非接觸、重疊條件下葡萄果實直徑測量方法，該方法為葡萄生長狀態(tài)監(jiān)測及缺水狀況診斷提供了可靠數(shù)據(jù)。張嘉琪等通過對萬壽菊不同水分狀態(tài)特征的提取，得出紋理特征可作為萬壽菊缺水狀態(tài)判斷的依據(jù)，從而編寫了一種分析處理萬壽菊缺水狀態(tài)的軟件，該方法能夠?qū)崿F(xiàn)萬壽菊狀態(tài)的自動識別。
2.2機器視覺技術(shù)在農(nóng)產(chǎn)品品質(zhì)檢測與分級方面的應用
在農(nóng)產(chǎn)品檢測領(lǐng)域，機器視覺技術(shù)得到了快速的發(fā)展和廣泛的應用，這必將對傳統(tǒng)檢測模式產(chǎn)生巨大影響。農(nóng)產(chǎn)品品質(zhì)檢測和分級是流通和加工過程中的一個重要環(huán)節(jié)，也是保證農(nóng)產(chǎn)品質(zhì)量和安全的關(guān)鍵環(huán)節(jié)。利用機器視覺技術(shù)檢驗農(nóng)產(chǎn)品具有實時、客觀、無損害等優(yōu)點。機器視覺技術(shù)不僅可以對農(nóng)產(chǎn)品形狀、大小、表面缺陷、成熟度、內(nèi)部品質(zhì)進行檢測和判定，并且大大提高分級精度和分級效率。
2.2.1農(nóng)產(chǎn)品外部品質(zhì)檢測
農(nóng)作物的外部品質(zhì)一般包括：形狀、大小、顏色、裂紋、表面缺陷等。
章海亮等從采集的圖像中提取蘋果的特征參數(shù)（形狀、尺寸、顏色和缺陷等）特與標準進行比較，以確定蘋果的等級。祝連海等提出了兩種基于機器視覺技術(shù)的臍橙尺寸在線檢測方法：最小矩形法和形心一邊緣距離法。熊利榮等采集了鴨蛋表面的圖像，并根據(jù)顏色特征參數(shù)和灰度閾值方法對圖像進行分割，提取裂紋區(qū)域和噪聲區(qū)域的特征參數(shù)，裂紋識別率為93%。
2.2.2農(nóng)產(chǎn)品內(nèi)部品質(zhì)檢測
農(nóng)作物的內(nèi)部品質(zhì)一般包括：水分、含糖度、內(nèi)部腐爛、變質(zhì)、內(nèi)部蟲害等。
Kawamura等對濕谷及潮濕糙米的水分進行了檢測，并建立了相關(guān)標準判斷模型，并對整精米進行了檢測。劉華波等對煙葉反射和透射圖像中獲取了煙葉內(nèi)在的特征參數(shù)，在實驗中驗證了透射圖像的顏色特征參數(shù)的有效性，并使煙葉分組識別的準確率得以提升。
2.2.3農(nóng)產(chǎn)品分級
Blasco J和Cubero S等在研究機器視覺技術(shù)分離石榴假種皮過程中，提出了兩種圖像分割方法，一是基于色度比R/G的閾值分割法，二是對RGB空間的貝葉斯線性判別分析fLDA）方法，兩者的平均成功率達90%。最終開發(fā)出一套石榴假種皮分離設(shè)備，并通過了整機測試。A1-Mallahi A和KataokaT等開發(fā)出了一套用于馬鈴薯收獲機上檢測馬鈴薯塊莖的機器視覺系統(tǒng)，利用馬鈴薯塊莖和背景對紫外光反射比的差異，提取合適的閾值，實現(xiàn)對象分離，控制一套分級機構(gòu)完成塊莖和土塊的檢測。最終試驗結(jié)果顯示，塊莖和土塊的正確檢測率分別達98.79%和98.28%。
2.3機器視覺技術(shù)在農(nóng)業(yè)生產(chǎn)自動化中的應用
農(nóng)業(yè)生產(chǎn)機器人的有效工作均依賴于對對象的正確識別。
王榮本等在拖拉機正前方裝有CCD系統(tǒng)，對拖拉機前方地表進行圖像識別，并對壟溝中心線與拖拉機縱向?qū)ΨQ線的側(cè)向偏差進行判斷，用最優(yōu)導向控制器控制前輪偏轉(zhuǎn)角，最終可實現(xiàn)拖拉機對目標路徑的跟蹤。司永勝等提出了利用色差R-G和色差比（R-G）/（G-B）相結(jié)合的識別方法實現(xiàn)蘋果采摘機器人精確的果實識別與定位。對在不同情況下拍攝的蘋果圖像進行預處理后，采用遺傳算法（GA）對輪廓圖像進行形狀特征提取。提出了通過多次運行遺傳算法，依次轉(zhuǎn)換目標輪廓點為背景點來解決果實圖像相鄰和重疊問題。Blasco J和Cubero S等研究了基于機器視覺的自動分揀薩摩瓣的系統(tǒng)，通過提取對象的形態(tài)特征，實現(xiàn)了在線檢測和水果分選，該系統(tǒng)正確分類率為93.2%。
3機器視覺技術(shù)的局限性以及后續(xù)研究方向
機器視覺技術(shù)的研究主要包括硬件和軟件。硬件方面：硬件設(shè)備發(fā)展非常迅猛，已獲較完善解決方案；軟件方面：1）圖像處理的速度主要依賴于算法的改善，目前的算法普遍存在效率低、速度慢、靈活性差等問題，在環(huán)境多樣化的農(nóng)業(yè)現(xiàn)場，系統(tǒng)的抗干擾能力較差，從而使得準確度和精度不夠理想。因此，圖像處理新方法的研究將成為提高圖像處理速度與效率的有力手段；2）當前視覺技術(shù)集中應用于2維及2.5維圖像中，而復雜農(nóng)產(chǎn)品的特征參數(shù)往往無法精確得到。因此，為了能更加全面地掌握對象的信息，研究三維成像視覺技術(shù)是十分必要的；3）目前絕大多數(shù)研究的對象均是靜態(tài)的農(nóng)產(chǎn)品個體，效率較低，因此，所研究的對象應向動態(tài)的農(nóng)產(chǎn)品群體發(fā)展。
4結(jié)束語
機器視覺技術(shù)在農(nóng)業(yè)工程中的應用前景非常廣闊，但是機器視覺是一門多領(lǐng)域的交叉學科，發(fā)展受到一些因素的限制，如視覺理論知識、圖像算法、模型理論知識及硬件條件等，因此將機器視覺技術(shù)應用于農(nóng)業(yè)工程中距離
實用化、商品化仍有一定的距離。因此，我們需要跟蹤最新的研究動態(tài)，探索新的相關(guān)理論知識和方法，并結(jié)合我國現(xiàn)狀，研制適合我國的機器視覺系統(tǒng)，為我國的農(nóng)業(yè)現(xiàn)代化建設(shè)添磚貼瓦。
【機器視覺技術(shù)在農(nóng)業(yè)工程中的應用論文】相關(guān)文章：
電子技術(shù)中PLC應用論文07-04
現(xiàn)代電子技術(shù)在設(shè)備中的應用論文07-04
風力發(fā)電中電力電子技術(shù)的應用論文07-04
電力電子技術(shù)在智能電網(wǎng)中的應用論文07-04