农业机器视觉的技术论文

农业机器视觉的技术论文

　　机器视觉也称之为计算机视觉，是一种利用机器代替人眼进行观察、测量与判断的技术，下面是学习啦小编整理了农业机械视觉技术论文，有兴趣的亲可以来阅读一下!

　　农业机械视觉技术论文篇一

　　机器视觉技术在现代农业中的应用

　　摘要 介绍了机器视觉技术的基本概念、原理以及系统组成，讨论了机器视觉技术在现代农业生产前、生产中和生产后的应用状况，并且在分析国内外研究现状的基础上，针对机器视觉在现代农业中的应用提出了目前存在的问题和未来发展的方向。

　　关键词 机器视觉;现代农业;应用;问题;展望

　　中图分类号 TP391.4 文献标识码 A 文章编号 1007-5739(2014)08-0335-01

　　Application of Machine Vision Technique in Modern Agriculture

　　WANG Wen-jing

　　(Department of Electronic Information，Foshan Polytechnic，Foshan Guangdong 528137)

　　Abstract The basic concepts，principle and system of machine vision were introduced.The application status of machine vision in modern agricultural production was discussed.Based on the analysis and research status at home and abroad，current problems and future direction of the development was proposed for machine vision applications in modern agriculture.

　　Key words machine vision;modern agricultural;application;problems;prospects

　　随着“在工业化、城镇化深入发展中同步推进农业现代化”这项重要任务在“十二五”规划中的提出，我国的农业有了迅猛发展，农业与自动化技术的研究和应用得到了高度的重视，但是与国外发达国家还有一定的差距。机器视觉技术是促进农业生产和管理自动化水平提高的一种高效的手段。目前，该技术在国内外农业领域的各个环节已经有了较大突破，如种子质量检测、田间杂草识别、植物生长信息监测、病虫害监测等。机器视觉技术不仅节约了人力、物力的消耗，而且提高了生产质量和效率。

　　1 机器视觉技术的基本概念、原理以及系统组成

　　机器视觉也称之为计算机视觉，是一种利用机器代替人眼进行观察、测量与判断的技术，首先利用摄像机获取目标的图像，然后通过计算机算法将图像进行数字化处理和颜色、形状和尺寸等的测量与判别[1]。

　　机器视觉系统主要由光源、摄像机、采集卡和计算机构成。摄像机通过光电传感器将被测物光形象转化为电信号，并且以图像的形式记录保存下来。图像采集卡是连接摄像机和计算机的纽带，主要作用是把电信号转化为数字信号，并将数字信号传输到计算机进行保存和处理。在实际应用中，为了能够获得高亮度和高对比度的图像，通常需要使用光源提供的灯光照明，以便图像的获取和处理。

　　2 机器视觉技术在现代化农业中的应用

　　2.1 在农业生产前的应用

　　进行种子质量检测。农作物种子质量的好坏对作物产品的优劣与作物产量的高低有着直接的影响作用，在农业生产过程中有着至关重要的地位。成 芳等[2]详细介绍了机器视觉系统的原理和发展动态，并且从系统软件、硬件和国内外研究现状等方面综合描述了机器视觉在种子质量检测中的运用。陈兵旗等[3]利用机器视觉技术对水稻种子进行了精选，首先提取长宽比和面积等特征参数，并建立有关稻种类型的数据库，进而对稻种类型进行判断，然后通过扫描线数和扫描线上黑白像素的变化次数来判断种子是否破裂，最后利用不同阈值提取的稻种面积差来判断稻种是否霉变。试验证明：该方法能对种子种类、发霉和破损情况等进行判断，具有较高的准确率。

　　2.2 在农业生产中的应用

　　2.2.1 作物生长信息监测。农作物的生长调控、缺素诊断、产量分析与预测都是以作物生长信息为基础和依据的，因此，通过机器视觉的方法对农作物的生长信息进行监测，成为当今机器视觉在农业中的研究热点之一。张云鹤等[4]设计了农作物茎秆直径变化测量系统，通过测量图像中作物茎秆直径像素数、图像中参照物直径像素数和参照物的实际直径求取作物茎秆直径。使用该系统对黄瓜茎杆进行直径测量，绝对误差在0.002 mm以内。王文静等[5]设计了一个基于机器视觉的水下鲆鲽鱼类质量估计系统。该系统利用机器视觉和图像处理技术对不同生长发育阶段的半滑舌鳎进行了检测，提取了鱼的面积、等效椭圆长宽比和圆形度因子等形状参数，并将各参数分别与质量进行数据拟合建立二维和三维维模型。试验证明：该方法能够较好地估计出生物的质量。

　　2.2.2 病虫害与杂草监测。病虫害和杂草直接危害着农作物的生长，如果没有得到及时的控制，会直接影响到农作物的质量与产量。因此，检测并获取害虫的分布情况、位置、生长情况等对农作物的生产具有巨大的意义。邱道尹等[6]设计了一个基于机器视觉的大田害虫检测系统，利用神经网络分类的方法对常见的几类害虫进行了分类。通过现场试验证明，该方法简单可行、识别率高。毛文华等[7]以国内外的研究为例，系统、详细地介绍了机器视觉在杂草识别中的研究和应用情况，分析了采用植物纹理、颜色、多光谱和形状等特征来识别杂草的理论根据以及存在的问题和难点。尹建军等[8]利用摄像机采集标定靶图像，根据摄像机的透视模型对图像进行处理，求出48个靶点质心的像素坐标，然后通过DLT最小二乘法建立摄像机隐参数矩阵。实践证明，该方法对杂草定位的误差在23 mm以内，能够满足杂草识别与智能化喷施的需求。 　　2.2.3 营养胁迫诊断。在农业生产管理中，由于缺素初期的作物和正常情况没有太大差别，很难被察觉和诊断，而利用机器视觉的方法能够比较及时、准确的判断，进而降低损失。

　　毛罕平等[9]在作物营养元素亏缺的识别和自动检测中，利用植物的叶片特征和遗传算法进行优化组合，挑选出能够用在分类器设计方面的特征向量。试验证明，利用二叉树分类法的模糊K近邻法对缺元素的番茄进行识别和测试，其误差在15%以内。张彦娥等[10]利用机器视觉技术和图像处理技术研究了一种温室黄瓜叶片营养信息检测系统，通过求取叶片含水率、含氮率与含磷率分别与各个分量之间的相关性;试验证明：该方法获取叶片颜色分量、亮度指标等参数，能够作为计算机视觉技术作物长势和作物营养信息监测的指标。

　　2.3 在农业生产中的应用

　　2.3.1 农业机器人。对农业机器人的应用主要利用机器人技术进行视觉导航技术的研究，是目前比较受关注的课题之一。视觉导航技术的研究为农业机器人的自动除草、施肥和施药等工作奠定了良好的基础。

　　周 俊等[11]在综合分析农田自然环境的基础上，提出了农业机器人视觉导航中多分辨率路径识别算法，并将色彩特征分析法应用于路径识别中，利用小波分析变化法进行边缘检测，结果表明，结合导航系统期望跟踪的路径特点分析可以比较准确的识别路径。安 秋等[12]通过AVR单片机的下位机来控制4个电机的速度和实现与上位机的串口通讯功能，提出了将线性扫描法和最小二乘法结合使用的思路，实现了农业机器人的视觉导航算法，使机器人能够在农作物之间行走。

　　2.3.2 品质分级。利用机器视觉的方法对农作物进行分级，可以减少主观因素的影响，并且为生产自动化的发展奠定了基础。

　　蒋益女等[13]对苹果质量等级识别的机器视觉检测技术进行了研究，对苹果图像进行梗蒂、缺陷识别后，提取目标区域，并求出纹理和几何特征参数等，并通过Pearson对参数进行相关性分析和SFFS对特征进行选择，去掉冗余的特征，最后使用KNN分类方法对苹果进行分类。试验结果表明，该识别方法对苹果等级识别与人工判别结果非常接近，可以推广到其他产品质量等级检测和识别。李江波等[14]对鲜香菇外部品质计算机视觉检测与分级进行了研究，首先对摄像机采集的图像进行预处理后，获取香菇菇盖的圆形度、最大直径、色调均值等特征参数对香菇进行分级。试验证明，利用BP神经网络法对香菇进行分级的准确度为94.2%。

　　3 存在的问题及未来的展望

　　随着机器视觉技术的发展和农业自动化水平的提高，机器视觉技术在农业中的应用研究越来越多，但是由于农作物形状的多样性、周围环境的复杂性、理论和实际的差异性等因素制约着机器视觉技术在农业中的应用发展。为了解决这些问题，笔者认为应从试验条件、系统硬件和软件设计3个方面着手。如在设置和模拟试验条件和硬件系统设计时，应多方位、全面地考虑到实际情况和国内外先进技术，使设计更加完善。在系统软件算法的开发阶段，需要将机器视觉和图像处理算法多与神经网络、人工智能等相结合使用，寻求出适用性强的新算法[15]。

　　在现代农业中引入机器视觉技术，不仅可以提高农业生产和发展的自动化水平，而且可以使人类从重复的劳动中解放出来，有着广阔的发展空间和应用前景。一方面，与人类视觉相比，机器视觉具有快速、非接触性、无损和准确的特点，可以提高农业生产效率，促进农业生产和管理自动化方向和发展。另一方面，计算机、自动化控制技术、机器视觉技术的进一步发展和综合集成，也将会为机器视觉在农业生产中的应用开辟新的空间。

　　4 参考文献

　　[1] 赵晓霞.计算机视觉技术在农业中的应用[J].科技情报开发与经济，2004，14(4)：124-125.

　　[2] 成芳，应义斌.机器视觉技术在农作物种子质量检验中的应用研究进展[J].农业工程学报，2001，17(6)：175-179.

　　[3] 陈兵旗，孙旭东，韩旭，等.基于机器视觉的水稻种子精选技术[J].农业机械学报，2010，41(7)：165-173.

　　[4] 张云鹤，乔晓军，王成，等.基于机器视觉的作物茎秆直径变化测量仪研发[J].农机化研究，2011(12)：158-160.

　　[5] 王文静，徐建瑜，吕志敏，等.基于机器视觉的水下鲆鲽鱼类质量估计[J].农业工程学报，2012，28(16)：153-157.

　　[6] 邱道尹，张红涛，刘新宇，等.基于机器视觉的大田害虫检测系统[J].农业机械学报，2007，38(1)：120-122.

　　[7] 毛文华，王一鸣，张小超，等.基于机器视觉的田间杂草识别技术研究进展[J].农业工程学报，2004，20(5)：43-46.

　　[8] 尹建军，沈宝国，陈树人.基于机器视觉的田间杂草定位技术[J].农业机械学报，2010，41(6)：163-166.

　　[9] 毛罕平，徐贵力，李萍萍.基于计算机视觉的番茄营养元素亏缺的识别[J].农业机械学报，2003，34(2)：73-75.

　　[10] 张彦娥，李民赞，张喜杰.基于计算机视觉技术的温室黄瓜叶片营养信息检测[J].农业工程学报，2005，21(8)：102-105.

　　[11] 周俊，姬长英.农业机器人视觉导航中多分辨率路径识别[J].农业机械学报，2003，34(6)：120-123.

　　[12] 安秋，顾宝兴，王海青.农业机器人视觉导航试验平台[J].河南科技大学学报：自然科学版，2012，33(3)：42-45.

　　[13] 蒋益女，徐从富.基于机器视觉的苹果质量等级识别方法的研究[J].计算机应用于软件，2010，27(11)：99-101.

　　[14] 李江波，王靖宇，苏忆楠.鲜香菇外部品质计算机视觉检测与分级研究[J].农产品加工学刊，2010(10)：4-7.

　　[15] 薛同泽，崔博.基于计算机图象识别技术的坯布疵点检测研究[J].仪器技术与传感器，2008(6)：109-112.

点击下页还有更多>>>农业机械视觉技术论文