機器視覺的農(nóng)業(yè)圖像識別系統(tǒng)分析

河南機電職業(yè)學(xué)院 饒曉慧

機器視覺是農(nóng)業(yè)機械研究發(fā)展的熱點方向，在圖像識別系統(tǒng)的不斷發(fā)展過程中，農(nóng)業(yè)機械也開始將圖像識別系統(tǒng)引入機器視覺領(lǐng)域，實現(xiàn)作物采集、處理的高效性。本文將簡述機器視覺識別系統(tǒng)的構(gòu)成，探索基于機器視覺的農(nóng)業(yè)圖像識別系統(tǒng)，并分析機器視覺圖像識別系統(tǒng)在農(nóng)業(yè)機械中的應(yīng)用，以期為農(nóng)業(yè)機械自動化作業(yè)提供一些建議。

機器視覺識別技術(shù)已經(jīng)逐漸在農(nóng)業(yè)生產(chǎn)中應(yīng)用，實現(xiàn)作物缺陷識別、種類分揀、形狀區(qū)分等功能，作為一種無損檢測技術(shù)，機器視覺識別可以提高農(nóng)業(yè)機械生產(chǎn)效率，是農(nóng)機自動化發(fā)展的必然趨勢。

1 機器視覺識別系統(tǒng)構(gòu)成

機器視覺識別系統(tǒng)主要有軟、硬件兩大部分組成。在硬件方面，包括視覺傳感器、照明設(shè)備、圖像采集卡、計算機等系統(tǒng)設(shè)備，其中視覺傳感器是獲得圖像的關(guān)鍵設(shè)備，性能良好的硬件設(shè)備能夠傳達效果更佳的視覺圖像。而軟件方面則是圖像處理系統(tǒng)，從感光器件獲取的圖像，將由圖像處理系統(tǒng)對其進行詳細分析，從顏色、波長、光亮等軟件單元進行處理，綜合考慮識別環(huán)境、識別對象等因素，獲得較為準確的圖像內(nèi)容，以保障識別的準確性。

2 基于機器視覺的農(nóng)業(yè)圖像識別系統(tǒng)

農(nóng)業(yè)機械圖像識別系統(tǒng)是機器視覺的核心內(nèi)容。視覺識別通常是先由視覺傳感器獲取相應(yīng)的圖像，再利用機器視覺系統(tǒng)對圖像進行處理，經(jīng)過圖像分割、特征提取等步驟后，得出最后的圖像內(nèi)容。這一系列步驟在農(nóng)業(yè)圖像識別系統(tǒng)中從圖像獲取和預(yù)處理的低級處理，傳輸?shù)骄邆鋱D像分割與特征提取功能的中級處理層級，最后到利用各種算法完成圖像平面識別的高級處理。

2.1 圖像預(yù)處理

圖像的采集和獲取依靠視覺傳感器，在獲得圖像后需要對圖像進行預(yù)處理，包括將RGB值轉(zhuǎn)變?yōu)镠IS模式，增強缺陷特點，優(yōu)化圖像分辨率等步驟。圖像預(yù)處理主要涉及四點內(nèi)容。首先是灰度化處理，將RGB三基色轉(zhuǎn)換，把獲取的彩色圖像轉(zhuǎn)變?yōu)榛叶葓D像，并將24位圖像轉(zhuǎn)換為8位圖像。其次是對圖像內(nèi)容進行統(tǒng)一化處理，使圖像上農(nóng)作物轉(zhuǎn)變?yōu)榻y(tǒng)一的尺寸。圖像處理采用統(tǒng)一縮放形式，可以使待識別的作物圖像具備更多特征點，便于后續(xù)識別。之后是增強圖像，為了提高圖像清晰度，加強識別效果，需對圖像進行增強，例如可以利用膨脹和腐蝕來增強圖像的分辨率，或是利用濾波圖像中的干擾部分。最后，為了方便圖像處理，可以對圖像進行二值化處理，采用Niblack算法，在作物圖像上確定中心坐標(biāo)，通過對像素點方差和均值的計算來實現(xiàn)二級化。

2.2 圖像分割

圖像分割是將圖像劃分為數(shù)個有意義的區(qū)域，圖像分割主要有三種分割方式，分別根據(jù)圖像邊緣、圖像閾值和圖像區(qū)域進行分割。其中基于圖像邊緣的分割方法，是通過邊緣檢測算法計算圖像區(qū)域的灰度值、顏色以及紋理等具有不規(guī)則性的邊緣，利用這些邊緣輪廓來確定圖像區(qū)域。

基于閾值的圖像分割是通過對物體表面光線發(fā)射或吸收的情況下來確定閾值，以此進行分割的方式，其主要包含兩種方式。一種是最為基礎(chǔ)的人工分割操作，運用直方圖技術(shù)測試出最佳閾值，并將分割目標(biāo)與背景隔離。人工分割本身就會受到認為因素的影響，需要經(jīng)過反復(fù)監(jiān)測和調(diào)整才能得到良好的分割效果，而再農(nóng)業(yè)生產(chǎn)中作物受光照條件影響程度較大，發(fā)生改變時就需要調(diào)整閾值，而頻繁調(diào)整閾值效果很容易對閾值分割造成影響。另一種則是自動閾值分割，無需人為干涉，自動閾值在選擇分割目標(biāo)的過程中會自動代入直方圖信息，再基于設(shè)定好的參數(shù)進行分割操作，不過閾值分割在面對沒有明顯峰谷的圖像時，很容易出現(xiàn)無法計算有效閾值的情況，致使分割出不完整的區(qū)域。

基于區(qū)域的分割方式是根據(jù)區(qū)域內(nèi)代表性的像素內(nèi)容進行組合，以此進行分割的方式，其對噪聲的識別效果不佳，大多用于識別作物表面有明顯特點的農(nóng)作物，從作物整體、根莖、缺陷等位置區(qū)域進行識別。

2.3 特征提取

特征是物體區(qū)分和識別的主要因素之一，也是分類算法有效實施的核心。農(nóng)業(yè)生產(chǎn)中機器視覺特征提取主要集中在顏色、形狀、紋理和分形四方面。

顏色是非常明顯的特征，其直觀、有效的特點也被廣泛應(yīng)用在特征提取方面。農(nóng)作物、雜草、病蟲害都有著顯著的顏色區(qū)分，將這些部分的RGB顏色進行分量、計算均值和標(biāo)準偏差，或是將RGB轉(zhuǎn)變?yōu)镠IS顏色空間，又或者將RGB和HIS相互結(jié)合，都能夠獲得較為良好的顏色信息。

物體的面積、周長、大小、曲率等信息決定了物體的形狀特征，在果蔬采摘機械識別系統(tǒng)中，機器視覺識別還需結(jié)合旋轉(zhuǎn)、比例、平移等幾何特征量，通過計算方差來確定物體的形狀信息，形狀信息提取更為準確，也需要更多的計算量來保持準確性。

紋理是物體的基本特征，與視覺外觀和觸摸品質(zhì)有關(guān)。紋理與形狀特征有密切關(guān)系，兩者往往會同時進行分析，結(jié)合物體的走向、尺寸，測量出物體的紋理構(gòu)造，而利用灰度共生矩陣，也可以計算出二階矩、熵值等深層紋理特征。另外，紋理特征可以構(gòu)建基于HIS的彩色共生矩陣，將顏色特征與紋理特征相結(jié)合，提取出物體的紋理特征。

分形特征簡單來說就是依據(jù)物體表面粗糙度和邊界不規(guī)則性來衡量尺度，這是因為物體本身的形狀和外觀是具有相似性以及尺度不變性特征。分形特征主要用于識別果柄與花萼，通過計算兩者頻域分布，識別出缺陷果柄和花萼，其識別率可達90%以上。根據(jù)農(nóng)作物的特點選擇適宜的特征提取方式，是農(nóng)業(yè)機械圖像識別系統(tǒng)應(yīng)用的主要途徑，在實際應(yīng)用中應(yīng)將多種特征提取方式進行結(jié)合，進一步提高系統(tǒng)識別的性能。

2.4 圖像識別

（1）直方圖識別

直方圖識別是最為基礎(chǔ)的識別方式，根據(jù)直方圖形狀計算出識別參數(shù)，以此判斷出作物的種類。直方圖識別需要灰度處理作為基礎(chǔ)，將灰度級大小、一階導(dǎo)數(shù)、形狀特性比值等參數(shù)代入，進行判別。以成熟蘋果和未成熟蘋果在顏色上的識別為例，由于成熟蘋果和未成熟蘋果在HIS顏色空間分量直方圖上的分布具有明顯不同，可以將RGB轉(zhuǎn)換為HIS，憑借直方圖閾值便能有效區(qū)分蘋果表面顏色的分布情況。只是蘋果在成熟階段的表面顏色分布不均，多數(shù)情況都存在顏色分布重疊情況，會對閾值設(shè)定和區(qū)分造成一定影響。不過，可以在圖像識別系統(tǒng)中應(yīng)用人工神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，采取多元判別技術(shù)分辨H值特征，可以得到更多精準的判斷，以此解決重疊非問題。直方圖識別簡單方便，但在處理一些復(fù)雜的視覺圖像時效果不佳，現(xiàn)階段多是將直方圖識別與其他方法配合使用。

（2）線性判別分析識別

線性判別分析可以對所屬類別進行有效的分離，是早期處理復(fù)雜數(shù)據(jù)分類和統(tǒng)計的分析識別防范。線性判別分析識別的原理是將多元色調(diào)轉(zhuǎn)變?yōu)榉嵌嘣{(diào)，雖然會增加一些處理分析時間，卻不會限制測量對象所具有的色度維數(shù)，能夠得到高質(zhì)量分辨效果。線性判別分析識別率可達95%以上，不過線性判別分析識別在面對類球形果蔬時識別率只能達到90%左右，這是因為有些數(shù)據(jù)在特征空間中并非表現(xiàn)為正態(tài)分布，無法精準識別邊界。

（3）神經(jīng)網(wǎng)絡(luò)識別

人工神經(jīng)網(wǎng)絡(luò)是信息技術(shù)智能化發(fā)展的主要趨勢，其本身具備的學(xué)習(xí)、記憶、處理和非線性轉(zhuǎn)換能力，在圖像識別系統(tǒng)中有著良好的應(yīng)用。就農(nóng)業(yè)生產(chǎn)而言，三層神經(jīng)網(wǎng)絡(luò)就能滿足識別需求。通過將同種不同類別的作物作為輸出目標(biāo)對象，讓神經(jīng)網(wǎng)絡(luò)判斷目標(biāo)對象的種類和特點，根據(jù)灰度直方圖計算出灰度級頻率，以此得到相應(yīng)的分辨結(jié)果。三層神經(jīng)網(wǎng)絡(luò)分別依據(jù)物體的形狀、紋理和分形進行識別，不斷對目標(biāo)對象進行識別和分級，最終得到準確的分級結(jié)果。神經(jīng)網(wǎng)絡(luò)識別技術(shù)還在發(fā)展當(dāng)中，現(xiàn)今已經(jīng)能夠檢測出玉米籽的裂紋等詳細情況。

（4）貝葉斯識別

貝葉斯判別就是一種統(tǒng)計學(xué)識別方法，根據(jù)目標(biāo)對象的特征向量的函數(shù)分布情況，通過統(tǒng)計密度將將具有相同均值向量、協(xié)方差矩陣代入貝葉斯法則，便能得到相應(yīng)的判別式。此種識別方式在正常情況下能達到92%的識別率，但在果蔬作物因成熟度發(fā)生明顯顏色變化的時期，其識別率會有明顯下降。

（5）向量機識別

向量機與神經(jīng)網(wǎng)絡(luò)識別類似，是一種小樣本的學(xué)習(xí)方法，多適用于二類問題，大量樣本的學(xué)習(xí)、分析或是統(tǒng)計也會增加相應(yīng)的計算時間，在農(nóng)業(yè)機械快速運作中會增加系負荷。向量機面對非線性識別問題，可以運用核函數(shù)將非線性問題轉(zhuǎn)化為特征內(nèi)容的線性問題，得到最優(yōu)分類。以蘋果為例，結(jié)合顏色特征和形狀特征，運用支持向量機識別方式，其徑向核函數(shù)識別率為93%左右，在二類問題識別方面其速度和精度都要優(yōu)于人工神經(jīng)網(wǎng)絡(luò)。

3 基于機器視覺的圖像識別系統(tǒng)在農(nóng)業(yè)機械中的應(yīng)用

基于機器視覺的圖像識別系統(tǒng)在農(nóng)業(yè)機械中有著廣泛應(yīng)用，主要涉及農(nóng)機自動檢測、農(nóng)業(yè)收獲、田間作業(yè)三方面。分揀作業(yè)有人力完成效率過低，而機械式的分揀方式過于單一，無法滿足農(nóng)產(chǎn)品的分揀需求，還容易損傷產(chǎn)品。使用圖像識別系統(tǒng)便可以實現(xiàn)無損自動檢測，極大地提升了農(nóng)業(yè)生產(chǎn)質(zhì)量，而在農(nóng)產(chǎn)品收獲和田間播種、施肥灌溉之中也有高效的應(yīng)用?，F(xiàn)階段已經(jīng)在農(nóng)業(yè)生產(chǎn)中取得了良好的效果，正邁入更大范圍的應(yīng)用階段。

結(jié)論：機器視覺在農(nóng)業(yè)機械圖像識別系統(tǒng)已經(jīng)有著不少的應(yīng)用，從機器視覺圖像識別系統(tǒng)出發(fā)，深入了解機器視覺圖像識別在農(nóng)業(yè)生產(chǎn)中預(yù)處理、分割、特征提取、圖像識別的應(yīng)用情況，在信息技術(shù)快速發(fā)展的背景下，機械設(shè)備和算法也在不斷優(yōu)化，機器視覺圖像識別也將更加精準和高效，為農(nóng)業(yè)機械發(fā)展及農(nóng)業(yè)生產(chǎn)提供了更為廣闊的發(fā)展空間。