摘要:隨著計算機軟件、硬件、圖像處理技術的不斷成熟與發展，計算機視覺及模式識別技術的研究和應用已擴展到農業生產的各個領域，并取得了許多重要的研究成果。本研究回顧和綜述了計算機視覺及模式識別技術在農作物種子質量檢測、農產品分級與加工、植物生長監測、農作物病蟲草害的監測與防治、農產品自動化收獲等方面的應用，并展望其發展前景，為計算機視覺及模式識別技術的進一步應用提供參考。

　　關鍵詞:農業生產;計算機視覺;模式識別;應用

　　計算機視覺是研究用計算機模擬生物外顯或宏觀視覺功能的科學和技術［1］，主要是指用計算機實現人的視覺功能。計算機視覺技術是一門包含計算機科學與工程、神經生理學、物理學、信號處理學、認知科學、應用數學、統計學等多門學科的綜合性科學技術。計算機視覺技術起源于20世紀50年代的統計模式識別，但其基本研究中的諸多重要進展卻是在20世紀80年代取得的。計算機視覺的研究歷史雖短，但該技術已在包括農業生產在內的很多應用領域發揮了重要作用。回顧近30年來計算機視覺及模式識別技術在農業生產領域中的應用，并對其發展前景進行展望。

　　更新了一篇農業相關的論文，如湖北農業高級職稱評審條件，您可以點擊并前往查看。

　　1計算機視覺及模式識別技術在農作物種子質量檢測中的應用

　　美國等發達國家早在30年前就將計算機視覺及模式識別技術應用于農作物種子質量檢測，至今已取得較大進展。1985年，Zayas等通過采集的種子圖像，利用種子表面光的特性，基于統計圖像的處理分析與識別技術來區分小麥品種［2］。1986年，Gunasekaran等在對玉米籽粒裂紋的研究中發現，運用計算機視覺檢測技術中的高速濾波法可將裂紋與其他部位進行識別區分，其檢測精度高達90%［3］。Zayas等結合形態學開展了相關研究，從小麥圖片中提取出相應的形態特征參數，用以區分小麥品種及非小麥的成分［4－6］。2011年，Zapotoczny采用神經網絡的方法對春、冬季不同質量等級的11個小麥品種進行試驗，使用圖像處理分析技術進行分類鑒別的準確率高達100%［7］。近十幾年來，我國科研人員對計算機視覺技術在農作物種子質量檢測的應用方面作了大量研究。2004年，周紅等運用計算機視覺技術提取玉米種子的外形輪廓，為玉米種子的進一步分級識別提供依據［8］。2008年，萬鵬等提出利用計算機視覺系統代替人眼識別整粒及碎大米粒形的方法，并設計了一套基于計算機視覺技術的大米粒形識別裝置，該裝置對完整米粒、碎米的識別準確率分別為98．67%、92．09%［9］。2012年，萬鵬等將計算機視覺技術運用于魚體的檢測，研制出基于BP神經網絡的魚體品種識別裝置，擴展了該技術的應用領域［10］。

　　2計算機視覺及模式識別技術

　　在農產品分級與加工中的應用近年來，隨著計算機硬件性能的不斷提高，以先進的計算機視覺技術為基礎，融合數字圖像處理、模式識別、信號處理、自動控制等技術的計算機視覺水果分級自動化系統得到了廣泛應用，國外已將部分成果應用于實際生產中。

　　3計算機視覺及模式識別技術在植物生長監測中的應用

　　計算機視覺技術能夠比人眼視覺更早發現植物因營養不良而表現出的細微變化，為及時灌溉和補充營養提供可靠依據。Mayer等利用數字圖像分析了多種作物的葉面積、莖稈直徑、葉柄夾角，主要采用三角形逼近的方法測量植物葉片的面積，并達到很好的效果［39］。Trooien等提出了采用數字圖像處理技術無損檢測馬鈴薯葉冠面積的理論，并成功建立模型，其檢測結果與葉面積儀的測量結果基本相同［40］。楊勁峰等通過平臺掃描儀獲取葉片的數字圖像，建立了以數字圖像處理技術測定蔬菜葉面積的方法，該方法被廣泛推廣使用［41］。張仁祖等提出一種使用圖像處理技術測量作物葉面積的新方法，并獲得了滿意的測量精度［42］。

　　4計算機視覺及模式識別技術在農作物病蟲草害的監測與防治中的應用

　　研究大田作物病蟲草害的自動識別與測定技術，建成自動化控制系統以防治田間雜草與病蟲害，也是計算機視覺技術在作物生產中較為重要的應用研究領域，而利用人工神經網絡(ANN)技術識別田間雜草是一個重要的應用方向，國內外學者在此方面已作了大量研究工作。1995年，Woebbecke等研究發現葉片的形態學特征可用于識別雙子葉與單子葉植物，準確率在60%～80%［52］;此外還研究發現，彩色圖像的2Ｒ－G－B特征能很好地區分非植物與植物的背景，從而將其運用于田間雜草的探測控制［53］。Zhang等提出同時使用形狀和顏色分析識別小麥田間雜草的方法［54］。1997年，Giles等研制出一種裝有機器視覺導向系統的噴霧裝置，能對成行作物實施精量噴霧，該系統不僅節約農藥，提高施藥效率，還可大大減少對環境的污染［55］。基于機器視覺的雜草識別技術在國外已經進入實用階段。1999年，Lee等研制出由計算機視覺系統、精準噴施系統等構成的智能雜草控制系統，該系統可根據植物形狀特征的差異識別作物和雜草，并確定雜草的位置以進行精準噴施［56］。Burks等利用彩色共生矩陣法和神經網絡技術對土壤和5種雜草進行識別研究，分類準確率達93%［57－58］。2001年，陳佳娟等利用圖像分割、邊緣檢測等計算機視覺技術測定棉花蟲害的受害程度，誤差小于0.05［59］。2004年，E1－Helly等研發了一種利用人工神經網絡分類的綜合圖像處理系統，能較好地識別黃瓜白粉病、霜霉病等病害［60］。

　　結語

　　計算機視覺最初被看作人工智能的分支之一，其發展十分迅速，現已成為一個活躍的研究領域，是近十幾年來計算機科學中最熱門的研究方向之一。計算機視覺是一門通過圖像或視頻處理，使計算機具備“看”能力的計算機學科［82］，相當于給計算機安裝上眼睛(照相機或攝像機)和大腦(算法)，讓其能夠感知環境。在計算機視覺領域幾十年的發展歷程中，計算機視覺及模式識別技術早己從實驗室的理論研究層面延伸并發展到實際應用中。隨著我國對計算機視覺研究的重視，及國際間交流與合作的深入，使計算機視覺的研究水平不斷提升，相關研究逐漸與國際接軌。目前，計算機視覺技術在我國的智能交通、醫學圖像、工業及農業生產等方面已有較多應用。隨著計算機軟件、硬件的智能化，神經網絡、人工智能等學科的飛速發展，大數據和深度學習的興起，視覺與機器學習的交叉融合，學術界與工業界的相互合作，以及計算機信息處理技術的進一步綜合集成，相信計算機視覺及模式識別技術將為農業生產領域開辟出新的空間。

　　參考文獻:

　　［1］賈云得．機器視覺［M］．北京:科學出版社，2000．

　　［2］ZayasI，PomeranzY，LaiFS．DiscriminationbetweenArthurandAranwheatsbyimageanalysis［J］．CerealChemistry，1985，62(2):478－480．

　　［3］GunasekaransS，CooperTM．Imageprocessingforstresscrackincornkernels［J］．TransactionsoftheASAE，1987，30(1):266－271．

　　［4］ZayasI，LaiFS，PomeranzY．Discriminationbetweenwheatclassesandvarietiesbyimage－analysis［J］．CerealChemistry，1986，63(1):52－56．

　　陳桂珍1，2，龔聲蓉