计算机视觉在农作物智能检测上的应用

编辑导语：在农业作物中，有许多需要耗时耗力的任务，那么有没有一种方法能够减少这些耗时且劳动密集的任务呢？机器视觉通过自动接收和处理一个真实的图像，控制机器人进行运动，从而自动完成这类工作，减轻人力的消耗。本文对计算机视觉在农作物的智能监测上的应用进行分析，一起来看看。

机器视觉是通过光学的装置和非接触的传感器，自动地接收和处理一个真实物体的图像，以获得所需信息或用于控制机器人运动的装置。正如在工业环境中一样，机器视觉在农业中最关键的好处之一是它能够自动完成耗时、劳动密集型的任务。

随着传感器系统和执行器的进一步完善，机器视觉系统将逐渐可以用于管理水果采摘、作物控制、收获和一系列其他任务。农业工作者的作用主要体现在监督能力上，用以帮助进一步优化机器视觉系统。广义的计算机视觉技术不仅包括基于可见光成像，也包括基于近红外、紫外和X光等非可见光成像的探测技术。

可见光区计算机视觉技术被广泛的应用到农产品的品质检测、品种识别中，目前非可见光区的计算机视觉技术已应用到食品安全检测中。

一、农产品关键特征参数提取

基于统计的特征参数虽然能在一定程度上对作物特征进行一定的描述，但基于专家知识和经验定义的部分特征往往具有更广泛的生理学意义。比如花生的荚果多数有果腰、玉米籽粒都有一个奶黄色的胚部，这些特征往往是特定生物物料所特有的。农产品生物物料的多少样性决定着，衡量每一种作物的特征都具有自身独特的特点。另外由于农产品缺乏工业产品应有的刚性，使得对农产品品质的描述异常的复杂，胡萝卜的扭曲与马铃薯的异形，虽然都是对形状的描述，但描述起来却相差甚远。

玉米籽粒白色部分（胚部）与黄色部分（冠部）的面积、颜色等信息可以作为识别玉米品种的特征。在线马铃薯品质检测样机，基于边界描述的异形马铃薯是一种检测标准。

农产品品种识别模型研究方面，对农产品品种识别的模型的研究主要侧重的是两个方面，一个是对特征的选择和优化研究，另外一个是对识别模型的选择和优化研究。玉米、花生、水稻、小麦等主要粮食作物也广泛的应用计算机视觉进行品种识别。近红外和X射线成像等非可见光区域的计算机视觉技术已开始应用到农产品的品种检测中。

二、农产品安全关键指标检测

计算机视觉技术已开始逐渐引用到农产品的内部品质的探测中，包括常规的内部品质如水果的酸度、糖度、可溶性颗粒物，粮油的蛋白质含量，内部的虫蛀、康心等，也包括了食品安全的一些关键指标，比如食品添加剂、苏丹红、三聚氰胺、黄曲霉素等。

黄曲霉素是剧毒物质，在紫外下发出黄绿色荧光，根据这一特性可进行计算机视觉无损探测，美亚光电销售人员介绍国外做黄曲霉素检测的生产厂家是比利时Best公司（Detox™），设备售价在400万人民币左右，公开资料报道采用的是紫外激光诱导荧光成像的技术，能检测到人肉眼无法看到的黄曲霉素发出的微弱的光，可用来分选黄曲霉素污染的花生、杏仁、榛子等干果。

三、农产品智能分选机的研制

农产品分选方式有多种，根据外观尺寸的机械筛选方法，基于重量的电子称重的方法，和基于计算机视觉的智能检测方法。在电子称重分选机制造方面，台湾吉农牌水果分选机整体性能较为优秀。
浙江大学应义斌教授团队是做内水果分选领域的最优秀的团队之一，课题组在“863”的支持下国内率先完成了基于机器视觉的水果品质实时检测与分级生产线，该生产线能完成水果的大小、形状、颜色和果面缺陷等外观品质指标的实时检测与分级，每小时处理3至6吨水果。

2012年开始作者带领团队开始胡萝卜智能分选机研发，一代样机于2014年春研发成功。

随后团队发现国外（比例时visar）已有机器（Sortop Carrot）出现，该生产线售价18万欧元，且比我们的机器效率高，课题组随即启动二代的研发，至2014年底胡萝卜分选机二代原理样机研发成功，日处理能力达到200-300吨。

四、农产品无损检测研究

农产品智能检测包括品种检测与品质检测，品质检测包括外部品质检测和内部品质检测，农产品安全检测是内部品质检测的一个重要内容。农产品智能分选是以计算机视觉检测为核心，配合高精自动控制技术、柔性机械设计制造技术，是光、机、电一体的农业智能装备研制技术。

近年来假种子事件频发，主要原因是农民朋友主要是靠肉眼进行种子识别，受到人的经验和肉眼能力的限制。以计算机视觉技术研究为核心，面向检测对象采集关键特征指标参数，来对农产品品质进行精选分级，农作物品种进行自动识别、农产品安全指标进行快速探测三个问题。

大力提高农产品品质分选的标准化和自动化程度，大力提高品种育种领域的自动化，大力提高食品安全快速检测的水平。从而实现农产品品种、品质和安全指标的快速无损检测与自动化分选分级，实现农产品检测的机械化、自动化与智能化，对推进我国农业发展，推进现代农业进步具有积极意义。

五、农作物病虫害检测

以色列农业科技公司Prospera运用计算机视觉和机器学习技术监测农作物生长情况，从而提出提升农作物健康状况、优化农场运营的手段， Prospera的系统可以安装在温室或田野中，利用近端RGB摄像头和云部署的软件来收集、分析农民忽略的信息，随后其根据机器学习算法来报告有什么重要的事情正在发生。提前预警、诊断各种病虫害可以帮助农民预测产量，用其他作物的增长来弥补损失，或者及时挽救农作物的生命。

六、农作物估产

遥感技术估测产量需要产量估测区域的高光谱图像，通过分析反演农作物的生物物理参数，较多地应用于大面积连片的农作物种植区域，且图像价格昂贵，适用于政府管理部门的宏观决策；而预测模型方法依赖于农作物生理指标、环境因子等一系列生化参数，参数获取需要专业测量设备，且不同区域具有不同的参数值，每次预测都需要重新采样化验，获取模型输入值。

因此，已有主流方法都需要专业性技术人员的指导和专业设备的支持，产量估测所需材料需要重复投入，成本也相对较高，且操作步骤繁琐，预测周期相对较长，不利于在普通种植户中推广应用。建立果实尺寸识别系统，录入大量拍摄的果实照片，利用深度学习算法结合果实照片和照片像素点进行训练学习，根据不同尺寸的果实匹配其对应的像素点，实现果实尺寸的智能判定，利用机器视觉处理平台对采集到的实际果实照片进行识别，判断果实尺寸，分析果树作物产量情况。

所述果实尺寸识别系统包括：深度学习训练用数据集和深度学习算法训练模块，所述深度学习训练用数据集导入用于深度学习训练的果实照片，并生成算法模块训练所需的格式化数据集，所述深度学习算法训练模块将果实照片中果实面积的像素点与实际测量的果实尺寸值进行匹配训练，针对不同果实照片的像素点判断果实的尺寸。

所述机器视觉处理平台全方位采集视觉传感器中果实的RGB图像，对采集的图像进行图像分割，然后划分出果实感兴趣区域，提取果实轮廓，根据所提取的果实轮廓，使用形状不变特征提取形状特征向量，克服果实大小、位置和朝向各异的问题。从而实现产量预估。

七、总结

人工智能可以通过物联网连接土地、作物，知道作物生长的状态，上传数据后得到反馈的结果，然后依靠算法、深度学习寻找规律、整合规律、指导规律。“农业、土壤、气象、地块的一些指标都可以量化成全新的大数据，指导相关的耕作，这在未来是很清晰的道路，人工智能将会在智慧农业里面扮演越来越厚重的角色。其实，数据本身就是一种肥料，可以帮助农民更精准地耕作，提高产量。

#专栏作家#

老张，人人都是产品经理专栏作家。《人工智能产品经理技能图谱：AI技术与能力升级》作者，AI产品经理，专注于自然语言处理和图像识别领域。现智能保险创业公司合伙人，希望与人工智能领域创业者多多交流。

本文原创发布于人人都是产品经理，未经许可，禁止转载

题图来自 pexels，基于 CC0 协议