機器學習算法在農(nóng)業(yè)機器視覺系統(tǒng)中的應(yīng)用

趙獻立 王志明

摘要：主要通過介紹機器視覺技術(shù)在農(nóng)業(yè)中的發(fā)展狀況，然后闡述機器視覺系統(tǒng)的組成和工作原理，并基于當前機器視覺研究在農(nóng)業(yè)中的應(yīng)用，總結(jié)近幾年使用農(nóng)業(yè)機器視覺研究中用到的機器學習技術(shù)，包括有監(jiān)督學習、無監(jiān)督學習、人工神經(jīng)網(wǎng)絡(luò)，詳細討論這些技術(shù)的原理、優(yōu)劣以及在農(nóng)業(yè)領(lǐng)域中的應(yīng)用，最后討論機器視覺技術(shù)面臨的問題和挑戰(zhàn)，以及未來應(yīng)用場景與發(fā)展方向。

關(guān)鍵詞：農(nóng)業(yè);機器視覺;機器學習算法;監(jiān)督機器學習;無監(jiān)督機器學習;人工神經(jīng)網(wǎng)絡(luò)

機器視覺技術(shù)是通過模擬人的視覺功能，利用光學設(shè)備采集客觀事物的圖像并獲得圖像信息，最終用于實際的檢測、測量和控制[1]。該技術(shù)具有可靠性高、速度快、功能多等特點，被廣泛應(yīng)用于工業(yè)、農(nóng)業(yè)、制造業(yè)、交通業(yè)等領(lǐng)域[2]。

目前來說，在農(nóng)業(yè)上主要著力于解決如何合理使用農(nóng)業(yè)資源、降低農(nóng)業(yè)生產(chǎn)成本，改善農(nóng)業(yè)生態(tài)條件、提高農(nóng)作物的質(zhì)量等問題[3]，而機器視覺技術(shù)以其高效、無損傷的特點被廣泛應(yīng)用于農(nóng)產(chǎn)品的質(zhì)量分級和檢測、農(nóng)田病蟲草害的控制、農(nóng)業(yè)自動采摘系統(tǒng)、農(nóng)作物生長過程檢測、農(nóng)業(yè)機械導航等領(lǐng)域[4- 9]。而在農(nóng)業(yè)生產(chǎn)應(yīng)用中，采用機器視覺技術(shù)能夠有效合理地利用農(nóng)業(yè)資源，降低成本以及提高農(nóng)作物的產(chǎn)量和質(zhì)量。

伴隨著計算機軟硬件、圖像采集裝置、圖像處理技術(shù)的發(fā)展，機器視覺技術(shù)在農(nóng)業(yè)的應(yīng)用領(lǐng)域?qū)粩嗤卣?。目前，歐美日等國家已將機器視覺系統(tǒng)應(yīng)用到農(nóng)業(yè)的各個領(lǐng)域，大幅提高了生產(chǎn)效率、節(jié)約了勞動成本[10]。相比較而言，國內(nèi)的相關(guān)研究大多處于試驗階段，但也取得了一定的研究成果。目前我國正處于由農(nóng)業(yè)機械化到“智慧農(nóng)業(yè)”的關(guān)鍵期，機器視覺技術(shù)在推動農(nóng)業(yè)產(chǎn)業(yè)升級和農(nóng)業(yè)現(xiàn)代化過程中會發(fā)揮重要作用。

1 機器視覺系統(tǒng)

機器視覺就是利用相機等圖像采集裝置來代替人眼對目標進行識別、跟蹤、測量，然后進行各種運算，獲取目標特征，得到能夠觀察到或者儀器能夠檢測到的圖像，輸出信號并控制末端機構(gòu)輸出。一個典型的機器視覺系統(tǒng)包括光源、鏡頭、工業(yè)相機（CCD、CMOS相機）、圖像處理單元、圖像處理軟件、監(jiān)視器、通訊/輸入輸出單元等[11]（圖1）。

由圖2可知，機器視覺系統(tǒng)在工作時，通過圖像攝取裝置（工業(yè)相機等）獲得被攝取目標的圖像，傳送給專用的圖像處理系統(tǒng)進行處理，這個過程包括圖像的預(yù)處理（圖像去噪、圖像對比增強、圖像分割等操作）、圖像分割（圖像閾值分割、圖像區(qū)域分割、圖像梯度分割等）、提取特征（提取出物體的尺寸、形狀、紋理、顏色等信息），然后通過機器學習算法進行統(tǒng)計運算，根據(jù)運算得到的判別結(jié)果來進一步控制現(xiàn)場的設(shè)備動作。

機器視覺系統(tǒng)是一門比較綜合的學科，綜合了光學、機械、計算機軟硬件等方面的技術(shù)，而圖像處理、模式識別和人工智能等技術(shù)的發(fā)展，也會推動機器視覺技術(shù)的進步。

2 機器學習技術(shù)

使用機器學習技術(shù)對圖像進行分析與理解是研究熱點[12]，機器學習就是通過輸入一定量的數(shù)據(jù)，通過一定的邏輯規(guī)則，在給定的判斷準則下，來實現(xiàn)對數(shù)據(jù)的分析預(yù)測功能。對于機器視覺系統(tǒng)來說，輸入的數(shù)據(jù)是圖片。并按照輸入時是否對數(shù)據(jù)添加一定的標簽，機器學習可以分為監(jiān)督學習、非監(jiān)督學習等，在機器學習算法中均有一定的應(yīng)用。

典型的機器學習算法首先需要一定的訓練樣本集，往往是提取圖像的特征，然后通過機器學習算法進行訓練得到訓練模型，不同的算法會有不同的訓練精度，而在預(yù)測的過程中，新的樣本通過使用已知的模型，會得到預(yù)測的結(jié)果。機器學習的算法過程如圖3所示。

2.1 監(jiān)督機器學習

監(jiān)督機器學習算法是利用帶標簽的樣本來構(gòu)建模型，以此來預(yù)測未知樣本的類別。該學習算法從分析一個已識別的訓練數(shù)據(jù)集開始，生成一個推斷函數(shù)來預(yù)測所需的輸出值。該模型經(jīng)過訓練，可以為任何新的樣本提供精確的、預(yù)期的輸出，同時能發(fā)現(xiàn)錯誤，進而調(diào)整模型。

2.1.1 樸素貝葉斯算法 樸素貝葉斯（naive bayesian，簡稱NB）算法是一種生成概率模型，基于預(yù)測變量和特征之間的條件獨立性假設(shè)，給定的訓練數(shù)據(jù)集，基于特征條件獨立假設(shè)學習輸入/輸出的聯(lián)合概率密度，然后基于此模型，對給定的輸入，利用貝葉斯定理求出后驗概率最大的輸出。

樸素貝葉斯算法多用于分類分級的研究中，在實際應(yīng)用中，會與其他分類算法對比使用。王永波等在對鳶尾花數(shù)據(jù)進行分類研究中指出，對花的花兒長度、花兒寬度、花瓣長度和花瓣寬度等4個特征進行建模，其中使用人工神經(jīng)網(wǎng)絡(luò)、樸素貝葉斯算法、支持向量機等3種算法，其準確度分別為92.2%、94.1%、98.0%，人工神經(jīng)網(wǎng)絡(luò)易出現(xiàn)局部最小化現(xiàn)象，導致分類的準確度降低，而樸素貝葉斯的方法雖然簡單，但準確度較高，支持向量機算法由于能夠有效克服局部最小化的問題，因而準確度最高[13]。周軍等在研究核桃仁的分級中，首先獲取顏色和完整度等的特征，得到特征矩陣并進行篩選，最后使用支持向量機、決策樹和樸素貝葉斯算法進行分類，得到測試精度分別為80.67%、93.33%、94.67%，而通過使用樸素貝葉斯預(yù)測的精度達到97.33%[14]。

樸素貝葉斯算法對小規(guī)模的數(shù)據(jù)表現(xiàn)很好，能夠處理多分類的任務(wù)，有比較穩(wěn)定的分類效率，但是樸素貝葉斯假設(shè)屬性之間是相互獨立的，而實際中往往有一定的關(guān)聯(lián)程度的，而且樸素貝葉斯方式需要先驗概率，而這也會導致預(yù)測的精確度不佳[15]。

2.1.2 K近鄰算法 K近鄰法（K-nearest neighbor，簡稱K-NN）是一種分類和回歸的方法，在使用時，輸入實例的特征向量，也即是對應(yīng)的特征的點集，通過k值的選擇、距離的度量和分類的規(guī)則來輸出的是實例的類別，然后如果有新的實例產(chǎn)生，則會根據(jù)訓練的模型選擇最近的實例集所在的類，從而完成預(yù)測。

Kurtulmu等在使用機器學習算法對油菜籽進行分類的研究中，分別使用灰度共生矩陣（GLCM）、灰色線性回歸模型（GLRM）和局部二值模式（local binary pattern，簡稱LBP）的方式提取的14、11、59個紋理特征作為描述符，并使用K-NN算法進行分類，結(jié)果表明，k=3時K-NN算法的分類精度最高，達到97.8%[16]。Li等對自然環(huán)境下藍莓的生長階段圖像進行識別，首先構(gòu)建圖像像素的數(shù)據(jù)集，然后獲得圖像的紅、藍、色調(diào)3個顏色分量，通過K近鄰（K-NN）和樸素貝葉斯分類器對藍莓的成熟階段進行識別分類，結(jié)果表明，使用K-NN分類的精度最高達到98%[17]。在研究對不同類型的香菇自動分類檢測時，夏青采用K-NN的方式，使用香菇的紋理特征作為參數(shù)，對香菇類型自動分選，試驗中的模型的分選準確度在91%以上[18]。

2.3.2 卷積神經(jīng)網(wǎng)絡(luò) 卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，簡稱CNN）是一類包含卷積計算的具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，對于神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元，只與部分鄰層的神經(jīng)元連接。一個卷積層中，卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)包括2層，分別是卷積層、池化層[32-33]。通過卷積和池化把局部特征結(jié)合成全局特征，并與全連接層相連，最后進行分類和預(yù)測。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展很快，并且有很多成員，比如AlexNet、GoogleLeNet、VGGNet、ResNet等，隨著卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展，大大推動了機器視覺的發(fā)展[34]。目前，卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測準確度已經(jīng)很高，但由于卷積神經(jīng)網(wǎng)絡(luò)有很高的深度，運算速度上有待提升，在應(yīng)用中更多的是希望速度和準確度上均有提高。

在農(nóng)業(yè)應(yīng)用上，卷積神經(jīng)網(wǎng)絡(luò)主要應(yīng)用在病蟲害檢測、分類分級、導航定位上，如Ramcharan等利用坦桑尼亞田間木薯病害圖像數(shù)據(jù)集，應(yīng)用轉(zhuǎn)移學習訓練深層卷積神經(jīng)網(wǎng)絡(luò)，識別木薯的3種病害和2類害蟲危害。訓練好的模型獲得的褐斑病、木薯褐條病、木薯花葉病檢測精度分別為98%、98%、96%，對紅螨害的檢測精度為96%，綠螨害的檢測精度為95%， 測試集總準確率為93%[35]。孫俊等使用AlexNet改進的卷積神經(jīng)網(wǎng)絡(luò)算法，得到8種改進模型，訓練識別14種植物共計26種病蟲害，選擇最優(yōu)模型。所使用的模型與原來相比精簡了運行所需要的內(nèi)存，同時提高了運行的泛化能力，測試準確度達到99.56%，具有很好的適應(yīng)性和魯棒性，能夠?qū)Χ喾N植物的多種病害進行識別[36]。楊洋等在對玉米根莖進行精準定位和識別研究中，通過履帶自走式熱霧機獲取圖像，構(gòu)成訓練樣本，使用神經(jīng)網(wǎng)絡(luò)訓練，在試驗中能夠取得較好的規(guī)劃路徑和定位精度[37]。

神經(jīng)網(wǎng)絡(luò)具有很強的并行計算能力，與人腦類似，人工神經(jīng)網(wǎng)絡(luò)具有自學習和自組織能力，在神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元部分消失在整個神經(jīng)網(wǎng)絡(luò)系統(tǒng)仍能夠進行工作，因此神經(jīng)網(wǎng)絡(luò)具有很強的容錯能力。但神經(jīng)網(wǎng)絡(luò)要求比較多的樣本進行訓練，而且訓練結(jié)果會有時間過長、過度擬合的問題，因此也具有一定的局限性。

3 總結(jié)和展望

機器學習技術(shù)在農(nóng)業(yè)機器視覺中具有重要的作用，目前已經(jīng)應(yīng)用到農(nóng)產(chǎn)品質(zhì)量檢測和分級、雜草和植物病蟲害檢測、土壤分析等方面，預(yù)計未來機器視覺會在農(nóng)業(yè)領(lǐng)域得到越來越廣泛的應(yīng)用。但也存在一些問題和挑戰(zhàn)，一是在農(nóng)業(yè)領(lǐng)域的大規(guī)模數(shù)據(jù)集亟須構(gòu)建，目前的研究成果多是依賴研究者自身采集數(shù)據(jù)集，得到的結(jié)果沒有可比性。二是在面對不同的環(huán)境，如何提高機器視覺系統(tǒng)的魯棒性，也是面臨的挑戰(zhàn)。比如，在不同的光照條件、不同的背景條件、不同作物的不同生長階段、不同的天氣條件等給機器視覺的研究帶來難題。

未來的農(nóng)業(yè)機器視覺發(fā)展主要體現(xiàn)在：一是農(nóng)業(yè)機器視覺系統(tǒng)會體現(xiàn)在整合在人工智能、機器人、傳感器、物聯(lián)網(wǎng)中的一部分，能夠展示農(nóng)作物的生長信息情況，并能夠提前預(yù)測。二是嵌入式機器視覺具有易使用、易維護、易安裝的特點，且具有低功耗的優(yōu)勢，會結(jié)合機器學習和深度學習方法，在對圖像的定位和處理方向上得到長足發(fā)展，同時在農(nóng)業(yè)機械裝備中得到普及。

參考文獻：

[1]陳兵旗，吳召恒，李紅業(yè)，等. 機器視覺技術(shù)的農(nóng)業(yè)應(yīng)用研究進展[J]. 科技導報，2018，36（11）：54-65.

[2]周 航，杜志龍，武占元，等. 機器視覺技術(shù)在現(xiàn)代農(nóng)業(yè)裝備領(lǐng)域的應(yīng)用進展[J]. 中國農(nóng)機化學報，2017，38（11）：86-92.

[3]付玉志. 基于ZigBee技術(shù)的智慧農(nóng)業(yè)實時采集和遠程控制系統(tǒng)[D]. 杭州：浙江大學，2015.

[4]刁智華，王會丹，魏 偉. 機器視覺在農(nóng)業(yè)生產(chǎn)中的應(yīng)用研究[J]. 農(nóng)機化研究，2014，36（03）：206-211.

[5]王福娟. 機器視覺技術(shù)在農(nóng)產(chǎn)品分級分選中的應(yīng)用[J]. 農(nóng)機化研究，2011，33（5）：249-252.

[6]曹樂平. 基于機器視覺的植物病蟲害實時識別方法[J]. 中國農(nóng)學通報，2015，31（20）：244-249.

[7]陳 軍，張繼耀，張 欣. 基于機器視覺的草莓自動采摘機的設(shè)計[J]. 農(nóng)機化研究，2020，42（2）：141-145.

[8]楊 斯，黃鋁文，張 馨. 機器視覺在設(shè)施育苗作物生長監(jiān)測中的研究與應(yīng)用[J]. 江蘇農(nóng)業(yè)科學，2019，47（6）：179-187.

[9]曹 倩，王 庫，楊永輝，等. 基于TMS320DM642的農(nóng)業(yè)機器人視覺導航路徑檢測[J]. 農(nóng)業(yè)機械學報，2009，40（7）：171-175.

[10]鄭文鐘. 國內(nèi)外智能化農(nóng)業(yè)機械裝備發(fā)展現(xiàn)狀[J]. 現(xiàn)代農(nóng)機，2015（6）：4-8.

[11]姚 綴，呂建秋，向 誠，等. 計算機視覺在農(nóng)產(chǎn)品外部品質(zhì)檢測中的應(yīng)用研究[J]. 食品工業(yè)科技，2019，40（14）：363-368.

[12]許憲東，王亞東，運海紅. 統(tǒng)計學習在圖像分類中的應(yīng)用研究綜述[J]. 黑龍江科技信息，2012（32）：108.

[13]王永波，鄺炳洽. 基于機器學習的花卉分類算法研究[J]. 現(xiàn)代計算機，2013（13）：21-24.

[14]周 軍，蔡 建，郭俊先，等. 基于機器視覺的核桃仁特征提取與分級方法研究[J]. 江蘇農(nóng)業(yè)科學，2018，46（11）：175-179.

[15]丁 月，汪學明. 基于改進特征加權(quán)的樸素貝葉斯分類算法[J]. 計算機應(yīng)用研究，2019，36（12）：3597-3600，3627.

[16]Kurtulmu F，nal H. Discriminating rapeseed varieties using computer vision and machine learning[J]. Expert Systems with Applications，2015，42（4）：1880-1891.

[17]Li H，Lee W S，Wang K. Identifying blueberry fruit of different growth stages using natural outdoor color images[J]. Compute Electron Agriculture，2014，106：91-101.

[18]夏 青. 基于圖像處理的干香菇分級方法研究[D]. 武漢：華中農(nóng)業(yè)大學，2014.

[19]徐 奐. 基于支持向量機的開放式作物模型（SBOCM）研究[D]. 杭州：浙江大學，2012.

[20]Mokhtar U，Ali M A S，Hassanien A E，et al. Tomato leaves diseases detection approach based on Support Vector Machines[C]. Computer Engineering Conference，2016：246-250.

[21]羅匡男，彭 琳，齊偉恒. 基于機器視覺的三七葉片病斑識別[J]. 江蘇農(nóng)業(yè)科學，2017，45（24）：209-212.

[22]劉永娟. 基于計算機視覺技術(shù)的玉米發(fā)育期識別研究[D]. 無錫：江南大學，2017.

[23]Zhang S W，Wu X W，You Z H，et al. Leaf image based cucumber disease recognition using sparse representation classification[J]. Compute Electron Agriculture，2017，134：135-141.

[24]歐垚江. 基于高斯混合模型的圖像分割的研究[D]. 北京：北京交通大學，2015.

[25]程相康，朱宏擎. 一種基于高斯混合模型的快速水平集圖像分割方法[J]. 華東理工大學學報（自然科學版），2015，41（6）：808-814.

[26]董 騰. 基于機器視覺的水果分揀系統(tǒng)的研究[D]. 聊城：聊城大學，2018.

[27]田 杰，韓 冬，胡秋霞，等. 基于PCA和高斯混合模型的小麥病害彩色圖像分割[J]. 農(nóng)業(yè)機械學報，2014，45（7）：267-271.

[28]鄭 春，張繼山. 基于神經(jīng)網(wǎng)絡(luò)的機器視覺圖像識別算法應(yīng)用[J]. 哈爾濱師范大學自然科學學報，2018，34（4）：41-45.

[29]梁培生，孫 輝，張國政，等. 基于主成分分析和BP神經(jīng)網(wǎng)絡(luò)的蠶蛹分類方法[J]. 江蘇農(nóng)業(yè)科學，2016，44（10）：428-430，582.

[30]黃喜梅. 基于機器視覺技術(shù)的小麥葉片含水量無損檢測研究[D]. 泰安：山東農(nóng)業(yè)大學，2018.

[31]譚穗妍，馬 旭，吳露露，等. 基于機器視覺和BP神經(jīng)網(wǎng)絡(luò)的超級雜交稻穴播量檢測[J]. 農(nóng)業(yè)工程學報，2014，30（21）：201-208.

[32]牛亞茜，冀小平. 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像檢索算法研究[J]. 計算機工程與應(yīng)用，2019，55（18）：201-206.

[33]趙 軼，劉堂友. 基于卷積神經(jīng)網(wǎng)絡(luò)的田間雜草識別方法研究[J]. 計算機仿真，2019，36（4）：440-444.

[34]李國和，喬英漢，吳衛(wèi)江，等. 深度學習及其在計算機視覺領(lǐng)域中的應(yīng)用[J]. 計算機應(yīng)用研究，2019，36（12）：3521-3529，3564.

[35]Ramcharan A，Baranowski K，Mccloskey P，et al. Deep learning for image-based cassava disease detection[J]. Frontiers in Plant Science，2017，8：1852.

[36]孫 俊，譚文軍，毛罕平，等. 基于改進卷積神經(jīng)網(wǎng)絡(luò)的多種植物葉片病害識別[J]. 農(nóng)業(yè)工程學報，2017，33（19）：209-215.

[37]楊 洋，張亞蘭，苗 偉，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的玉米根莖精確識別與定位研究[J]. 農(nóng)業(yè)機械學報，2018，49（10）：46-53.伏文卓，魏 鑫，高艷明. 新型保溫被結(jié)構(gòu)溫室冬季環(huán)境性能測試評價[J]. 江蘇農(nóng)業(yè)科學，2020，48（12）：231-237.