图像处理技术在信息农业中的应用现状及发展研究.doc

图像处理技术在信息农业中的应用现状及开展研究 　　摘要：图像是人类感知世界的视觉根底, 是人类获取、传递和表达信息的重要手段图像处理是通过计算机对获取的图像信息分析加工, 从而到达满足人的视觉或应用需求的行为随着我国计算机科学的开展, 图像处理技术在信息农业中得到广泛应用, 它的开展对于农业信息化的进步具有重要意义阐述了目前图像处理技术在农业领域的研究进展及应用现状, 分析了应用中存在的技术难题, 对图像处理在农业中的研究进一步展望并提出了今后的开展趋势 　　关键词：图像处理; 信息采集; 研究现状; 开展趋势; 　　图像处理 (image processing) 是通过计算机对图像进展去除噪声、增强、复原、分割、提取特征等处理的方法和技术20世纪20年代, 采用数字压缩技术通过从伦敦到纽约的海底电缆传输了第一幅数字照片, 这标志着数字图像处理技术的开端20世纪60年代, 数字图像处理技术作为一门学科正式形成图像处理技术可以帮助人们更加客观准确地认识世界, 具有再现性好、处理精度高、适用面宽、灵敏性高、便于传输等优点, 已经被广泛应用到各个领域中图像处理技术在农业领域起步较晚, 近年来随着计算机多媒体技术的进步, 在农作物长势监测、病虫草害诊断、农作物自动收获、种子质量检测、农作物的缺素识别、农产品质量分级检测等方面有着广泛的应用。

　　1.图像处理技术在国内外信息农业中的应用现状 　　1.1 农作物长势监测 　　在农作物的整个生长过程中, 其长势是后期进展作物消费管理的关键因素对农作物长势进展动态监测可以准确及时地理解空气温湿度、农作物的土壤肥力、作物生长信息以及植物的营养状况等, 便于后期对水、肥等及时进展管理, 保证农作物正常生长, 到达进步粮食产量的目的 　　农业遥感技术起源于西方兴旺国家, 主要用于农作物大面积长势监测农情遥感监测技术的研究最早始于美国1974年, 美国启动"LACIE";方案, 正式拉开了农情遥感监测开展的序幕此后, 全球各地的AGRISTARS、MARS、GLAM等一系列方案进一步开展了各种农情遥感监测技术1988年, 欧盟启动了MARS工程, 开展农情遥感监测技术研究和系统建立2022年, 俄罗斯农业部建立了全国农业监测系统, 该系统主要获取耕地利用制图、作物轮作形式、耕地面积及作物生长状况等信息, 它的运行依靠遥农业气象观测数据、地方农业委员会上报数据以及遥感数据 　　中国早在1979年就开场关注农作物遥感估产的意义1998年, 中国科学院初步建立了国家级农情监测系统2000年, 吴炳方利用每旬的AVHRR最大NDVI图像与上年同期比照实现了全国范围的农作物遥感长势监测。

2022年, 刘峰等研发遥感数据与作物生长模型同化的作物长势监测系统通过各种算法、模型和数据的有机结合, 实现了基于极快速模拟退火算法的遥感数据与CERES-Wheat作物生长模型的同化原型系统构建试验结果说明, 同化LAI与实测结果可以较好地拟合, 为遥感技术与作物模型的根底研究和应用提供了一个平台来自农业部遥感应用中心的数据, 图1为2022年3月上旬全国冬小麦主产区长势遥感监测图 　　1.2 农田病虫草害诊断 　　及时而准确地诊断出农田病虫草害发生情况是作物高产稳产的关键环节目测手查法是传统农业中最常用的检测病虫草害的方法, 该方法需要较繁琐的人工统计运算, 费时费力, 对从业人员的专业知识要求高, 有些病害的早期病症非常相似, 很难用目测区别, 因此该方法不能满足病虫害监测及采取相应措施的实时性要求基于图像处理的现代高科技检测技术与农业的有机结合为农业开展带来了新的动力, 使得作物病虫害监测的实时性和准确性得到极大提升图2所示为某单位研究人员用植物病虫草害检测仪的检测结果 　　Chesmore等研发了1种基于病害图像自动定位孢子实现黑麦草腥黑穗病菌孢子和小麦印度腥黑穗病孢子分类的系统, 可以通过病虫害图像测量其周长、外表积、最大 (小) 半径、圆形度和突起数及突起的大小等相关参数。

El-Helly等研发了1种可以自动检测叶片病斑的综合图像处理系统, 该系统利用人工神经网络作为图像处理系统的分类器, 可以准确快速地识别病害草害的类型, 试验结果说明, 该系统识别准确率高, 对黄瓜白粉病、霜霉病等检测效果较好 　　王树文等综合运用了人工神经网络技术和图像处理技术实现了黄瓜叶部病虫害检测, 试验结果说明, 识别精度可以到达95.31%彭占武等研发了1种基于图像处理和模糊识别技术的黄瓜霜霉病自动识别系统, 原图像作预处理后可以准确地别离出病斑来, 试验结果说明, 该方法对于黄瓜霜霉病的识别效果较好, 对黄瓜霜霉病叶片图像的平均识别准确率为95.28% 　　1.3 农作物缺素识别 　　农作物生长发育期所必需的营养元素有16种, 主要包括碳、氢、氧、氮、磷、钾等其中碳、氢、氧主要从空气和水中获取, 其他营养元素那么从土壤和肥料中吸收作物缺乏营养元素会对生长造成很大的影响, 比方, 小麦缺少水分时叶片枯黄、植株矮小甚至会出现不长穗的情况, 会导致严重减产当作物植株缺氮时就会表现出生长缓慢、瘦弱、明显矮小、叶色发黄, 严重缺氮时叶片变褐甚至死亡微量元素在植物体中的含量虽少, 但它对植物的生长发育起着不可替代的作用, 它是植株体内酶或者辅助酶的组成部分, 是植物生长发育所不可替代的。

图3所示为南京土壤研究所对水稻氮素含量进展监测处理后得到的图像 　　国际上微肥在农林牧业中的应用起源于20世纪六七十年代进入21世纪以后, 微肥在农业增产中的作用显著进步, 因此受到了世界各国的普遍重视Gautam等利用人工神经网络技术构建输入量特征模型, 研发出基于图像处理的空间域多光谱图像提取纹理特征系统;试验说明, 该系统实用性强, 预测准确率高, 对玉米的硝酸盐含量的预测效果较理想 　　张彦娥等研发基于计算机视觉的温室作物营养状态诊断方法, 在RGB和HIS模型下分析各分量与叶片含氮率、含磷率和含水率之间的相关特性, 试验结果说明, 绿色分量G和色度H与氮含量之间存在较好的线性相关关系杨雪等综合利用图像处理和形式识别技术提出了1种植物缺素种类识别方法, 将脉冲耦合神经网络用于植物叶片病斑分割中, 与传统最大类间方差法比照, 分割效果较好最后, 通过遗传算法对支持向量机参数进展优化提升了分类准确率, 优化效果明显 　　1.4 农作物自动收获 　　传统农业中主要以人工收获为主, 效率低下, 近年来, 随着我国农业机械化程度的进步, 各种农田收获机械应运而生目前又出现了基于机器视觉的收获机、农业采摘机器人等高端智能化农业收获机械, 使得我国农作物自动收获又上了一个新的台阶。

图4所示为番茄采摘机器人在采摘番茄 　　国外对农业收获机械的研究起步较早, 技术也相对成熟Benson等通过将摄像头安装在农用车上采集玉米地图像, 将原图像滤波、分割、边缘化处理后, 提取出农作物边缘信息, 实现玉米收获机自动导航, 试验结果说明, 检测效果比拟理想日本农业机械研究所Hayashi等研制了1台三目定位的可夜间工作的草莓采摘机器人, 釆用双目视觉系统定位果实空间坐标, 第三目近间隔 获取茎秆位置信息, 末端机械爪由机械手臂控制升降, 可实现果实抓、摘、放等功能, 试验说明, 该机器人识别成功率和采摘成功率较好, 每采摘1个果实平均耗时11.5 s 　　吕继东等研制了1种基于机器视觉的可以自动完成苹果果实采摘等作业任务的智能机械收获系统, 提出了基于树形构造的平滑方向优先途径规划算法, 实现了苹果采摘机器人在C空间的部分避障途径规划, 试验说明, 该方法可以顺利避开障碍物到达目的位置徐建等研究玉米收获机器人途径识别算法, 对玉米收获机器人行走垄行图像进展采集, 试验结果说明, 能快速、准确、实时地检测出玉米行走途径, 便于准确收获 　　1.5 农产品贮藏加工 　　农产品产地加工与储藏是农业消费链条中的关键环节, 是保障农产品品质及丰产丰收的重要途径。

随着我国农业产业信息化的快速开展, 农产品贮藏与加工技术在农业消费中扮演着越来越重要的角色, 人们已经开场探究基于图像处理的农产品贮藏加工技术图5所示为利用机器视觉对农产品加工质量进展检测 　　Ling等通过分析鲜虾图像的形态学特征和频谱特征确定切割加工的最正确位置, 试验结果说明, 假如每秒切割2只鲜虾, 根据频谱特征确定的下刀位置的标准偏向在2.8~4.6 mm之间Ma Connell等研究了利用机器视觉技术检测颜色来控制烘制或烤制食品的质量, 烘烤效果令人满意 　　刘艳丽设计了1种基于图像处理的小麦粉精度自动检测装置, 试验结果说明, 该装置可以快速准确地检测出小麦粉精度周林妹提出了1种可应用到农产品加工中的数字图像边缘检测算法, 为相关研究提供了理论根底 　　1.6 种子质量检测 　　种子质量的好坏直接决定了作物的产量和质量, 优质的种子是作物高产、稳产的首要前提社会各界及广阔农民越来越重视种子的质量, 种子质量检验是保证种子质量的有效方法种子检验是一项理论性较强的工作图6所示为数字图像处理技术对水稻种子质量进展检测 　　Hoffmaster等研发了1种主要是针对大豆种子活力进展评价的系统, 当大豆幼苗生长到33 d时采集图像, 处理后分析得出大豆种子活力及其活力指数, 结果说明, 该系统数据准确、可靠性较高, 对大豆种子活力指数的测试效果理想。

　　李振等设计了1种基于机器视觉的蔬菜种子活力指数检测系统, 试验结果说明, 该系统与人工测量计算的种子活力指数相比准确度高达92%以上孙宏佳等设计了1种基于机器视觉的花生种子自动识别的系统, 该系统利用Lab VIEW平台并结合图像特征提取算法得到, 试验结果说明, 本研究的花生种子自动识别系统可以快速、高效、准确地提取花生种子的特征数据, 为批量精选花生种子提供根据 　　1.7 农产品质量及分级检测 　　农产品分级检测是产品商品化的关键, 直接关系到后期的经济效益目前, 用计算机图像处理技术对农产品品质检测与分级上的应用较多, 主要包括对粮食、水果、蔬菜等的品质进展检测与分级图7为基于机器视觉的水果分级检测机 　　美国成功研制的Merling高速高频计算机视觉水果分级系统已广泛应用于苹果、橘子、番茄等水果及其他农产品的分级中, 其消费率约为40 t/hThomas等曾研究了X射线胶片成像技术应用于检测芒果内部的虫害, 以分选好芒果和有虫害芒果 　　王江枫等分析芒果质量与投影图像关系, 确定图像算法, 通过计算机视觉技术进展芒果果面坏损检测, 试验说明, 此方法对果面坏损分级准确率达80%。

陶凯提出了1种不同颜色光源下苹果分级的计算机视觉方法, 研究结果说明, 不同颜色光源对特征提取、特征选择和形式识别过程都有着显著的影响, 选用适宜的颜色光源与特征可以显著进步分级精度和分级效果 　　2.图像处理技术研究难题 　　图像处理技术在各领域得到了广泛应用在农业方面相应地出现了一些新的方法和理论, 并应用到消费实际中由于农产品种类繁多、田间作业环境复杂等因素, 目前图像处理在农业应用中仍存在诸多技术问题尚待解决 　　2.1 快速准确地获取动态图像信息 　　在农产品质量分级检测、作物生长信息获取等一些农业研究方面, 绝大多数研究的对象均是静态的农产品个体但是, 动态信息图像的采集技术也是衡量农业信息开。