基于机器视觉技术的农产品检测

摘要：随着计算机技术尤其是多媒体技术以及数字图像的处理与分析理论及其配套技术的不断发展和完善，机器视觉技术在农产品检测已经得到了广泛的应用。该文阐述了机器视觉的原理、组成以及机器视觉技术在农产品品质检测与分级、农产品收获及其自动化以及农作物的生长状况监测三个方面的应用，重点介绍了基于机器视觉的农产品品质检测与分级。指出了机器视觉技术在其应用中存在的问题及不足，并指出了机器视觉技术在农业工程领域在今后的发展趋势及前景。

关键词：机器视觉；农产品检测与分级；数字图像；自动收获

0  引言

机器视觉是利用图像传感器获取对象的图像，并将其转化成数据矩阵的形式，借助计算机的分析，最终来完成一个相当于视觉的任务。机器视觉不仅是人眼的延伸, 更重要的是具有人脑的部分功能, 其在农产品品质检测上的应用正是满足了这些应变的要求。随着图像处理技术的专业化与计算机硬件成本的下降和速度的提高, 在农产品品质自动识别领域应用机器视觉技术已变得越来越具有吸引力， 70 年代末以来国际上许多研究人员已为开发用于农产品品质自动识别和分级的机器视觉系统倾注了大量的心血（应义斌等，2000）。80年代中期，全球掀起了机器视觉的研究热潮（颜发根等，2004），机器视觉技术得到广泛的应用。机器视觉技术在农业上的研究与应用始于20世纪70年代末期，主要用于果蔬的品质检测和分级（熊利荣等，2004）。目前，机器视觉已经延伸到农产品收获自动化和农作物生长监测等方面的应用（傅宇，2006）。包括农作物生长状况监测、自动收获、品质检测及分级等。该文通过分析大量文献，综述了机器视觉技术在农业工程领域中的应用研究进展，重点分析了机器视觉技术在农产品品质检测与分级方面的应用，并且分析了其在应用中存在的问题和不足，并指出了今后的应用研究方向。

1  机器视觉技术

1.1  概述

美国制造工程协会(SME，Society of Manufacturing Engineers) 机器视觉分会和美国机器人工业协会(RIA，Robotic Industries Association)的自动化视觉分会对机器视觉下的定义为：“机器视觉是通过光学的装置和非接触的传感器自动地接受和处理一个真实物体的图像，通过分析图像获得所需信息或用于控制机器运动的装置”（曹国斌等，2008）。

1.2  机器视觉技术的原理

机器视觉是一门涉及人工智能、神经生物学、心理物理学、计算机科学、模式识别等多个领域的交叉学科。机器视觉的特点是灵敏度和测量精度高、速度快、噪声低、抗电磁干扰能力强及应用方便灵活。机器视觉技术是指通过计算机来模拟人的视觉功能,从客观世界三维场景的图像中提取信息,进行处理并加以理解,最终用于实际检测、测量和控制,是人类研究较早的一种环境感觉技术（韩冰等，2008）。其基本原理是将光通过光电元件转换成电信号,通过各种成像技术对看到的作业对象进行分析处理,抽取有用的信息将其输出。其结果可供技术人员观察,更多的是直接输入给机器的控制系统,达到反馈外界环境信息的目的。

 机器视觉系统的典型结构

1.3 机器视觉技术的组成

典型的视觉系统主要由三部分组成：图像的获取、图像的处理和分析、输出或显示, 一般包括光源、光学系统，CCD/CMOS 相机、图像采集卡、图像处理单元、机器视觉处理软件、监视器、通讯/ 输入输出单元等，如图1 所示。

机器视觉系统的工作过程主要分四步实现：（1）图像采集；主要完成对模拟视频信号(由CCD相机输出的信号)的数字化过程。（2）图像处理；机器视觉系统中，视觉信息的处理技术主要依赖于图像处理方法，它包括图像增强、数据编码和传输、平滑、边缘锐化、分割、特征抽取、融合、匹配等不同的算法来对图像进行处理。（3）特征提取；处理器对图像进行识别，然后量化图像，最后将这些量化后的数据传送到控制程序。（4）判决和控制；处理器的控制程序根据收到的数据做出结论。在机器视觉系统中, 关键技术有光源照明技术、光学镜头、摄像机、图像采集卡、图像处理卡和快速准确的执行机构等几个方面（唐向阳，2004）.

2  机器视觉技术在农业工程中的应用

新的农业生产模式和新技术的应用促进了农业机械的更新和发展, 智能化农业机械的技术条件已经成熟（安爱琴等，2007）。农业机械化促进了农业新技术的发展，提高了劳动生产率和农产品的商品率，改善了农业生产的条件。提高农业生产效率和农业生产自动化程度是农业现代化的根本需要,而任何一种农业生产自动化的实现均依赖于对作业对象的正确识别。可以长时间工作于恶劣环境, 便于进行数字化处理和计算机连接, 为企业减少劳动力和提高生产效率, 在图像采集、非接触测量和实时监控方面得到了广泛应用, 成为现代测量和测试技术中最活跃、最富有成果的研究领域之一（张萍等，2007）。机器视觉技术在农业工程领域的应用主要体现在农作物生长状况监测、农产品自动收获、品质检测与分级三个方面。

2.1  在农作物生长检测方面的应用

在农作物田间管理过程中，杂草和病虫害等一直是影响农作物生长状况的根源所在，而化肥、药剂的施用量直接影响着农作物的产量、品质和生态环境等。精确自动地监测农作物生长状况和环境变化是实现自动控制作物生长环境的前提。而施肥、播种、除草等是农作物种植过程中的重要过程，这使得在精细农业中农作物的生长监测显得尤为重要。机器视觉在农作物生长监测中主要用于田间除草和防害虫等方面。

王方永等（王方永等，2007）研究了利用机器视觉技术快速获取棉花群体叶绿素信息的方法,以期获得预测性高的颜色特征参数，结果表明,RGB 颜色系统的G-R 、G-R)/( G+R) 、r与g 的组合值和棉花功能叶叶绿素含量、群体绿色指数呈极显著相关,而且拟合度较高。曾庆兵等（曾庆兵等，2009）在考虑葡萄果实形态和现场环境基础上，提出基于机器视觉的非接触、重叠条件下葡萄果实直径测量方法，该方法为葡萄生长状态监测及缺水状况诊断提供了可靠数据。马稚昱等（马稚昱等，2010）采用机器视觉及图像处理技术对多株植物生长信息进行了监测研究，利用系统对菊花的茎长生长进行了监测分析，发现白天菊花的茎长生长率要小于夜间的生长率。该研究为利用机器视觉技术连续非接触监测植物的生长信息提供了技术理论基础。耿长兴等（耿长兴等，2011）以温室黄瓜为对靶施药对象, 利用机器视觉获取黄瓜病情信息, 实现基于颜色和纹理信息的病情判断和定量分析。研究光照、土壤温度、气温和湿度等环境要素的周期数据与黄瓜病害有效特征信息表达之间相互关系, 预警温室黄瓜病害发生和变化趋势，病害信息和环境要素拟合信息为喷雾机运动控制提供决策依据。杨会清等（杨会清等，2011）利用机器视觉技术与GPS系统相结合，完成各种复杂工作状况下的导航任务，机器视觉系统的主要作用是采集导航信息的同时还能采集有关农作物、病虫害以及农田状况的图像，从而为精细农业变量投放提供信息。张云鹤等（张云鹤等，2011）研制了基于机器视觉技术的作物茎杆直径测量仪。实验结果证明，该仪器具有测量结果准确、操作简单、可对作物茎秆微直径微变化进行无损测量等优点。

在国外，将机器视觉应用在农作物生长监测方面相对较早。Ling P P等（Ling P P等，1995）利用机器视觉技术对生菜的生长状况进行监测，定量监测了叶片水分含量，对由于营养缺失引起的症状进行了定性测定。试验结果显示，机器视觉技术能有效地实现作物生长状况的遥感监测；Shimizu H.和R. D. Hein s (Shimizu H. and R. D. Heins，1995)利用机器视觉技术和近红外光 (波长为800 mm 或更长) 对非接触式植物三维生长信息测定技术作了研究, 所研制系统的分辨精度可以达到0.05个像素即0.025mm, 通过连续记录及分析发现, 白天的生长速度要远远高于黑夜, 这为合理控制植物的光照条件提供了依据。加拿大农业与农产品研究中心的Robert E(BlackShow Robert，1998)开发出一种叫作Deteetspray，带杂草识别传感器的除草剂喷洒器，在休耕季节可以比撒播减少19%一60%的除草剂用量。

2.2  在农产品自动化收获方面的应用

智能化自动收获机器是目前农产品收获自动化研究中的热点，机器视觉作为一门新兴的多学科交叉的技术在自动收获机器中发挥了巨大的作用。

袁挺等（袁挺等2009）利用近红外图像对温室中黄瓜果实进行品质判别，并为温室采摘机器人获取果实的空间定位。试验结果表明识别准确率各为83.3%和100%，对抓取区域提取的成功率为83.3%；司永胜等（司永胜等，2009）提出了利用色差R-G和色差比（R-G）/（G-B）相结合的苹果识别方法，实现苹果采摘机器人精确的果实识别与定位。对在不同情况下拍摄的苹果图像进行预处理后，采用遗传算法（GA）对轮廓图像进行形状特征提取。提出了通过多次运行遗传算法，依次转换目标轮廓点为背景点来解决果实图像相邻和重叠问题。李景彬等（李景彬等2010）针对新疆地区存在的破碎棉种问题, 基于机器视觉技术搭建了破碎棉种检测系统。通过对脱绒棉种图像进行分析和预处理后, 提取出脱绒棉种的特征参数：面积、周长、圆形度和长短轴等, 并对特征参数的分析研究, 确定选取圆形度作为检测破碎棉种的特征。随机选取了100 粒新陆早- 24号棉种进行试验, 检测精度达到87. 5% 。

虽然，机器视觉在自动化收获机器中的应用研究中国内外已经取得了一定的成果并已经在一定范围内进入了实际的生产中，但是对于暂时不可见信息（树叶遮盖的水果）的获取和分析技术还不成熟。另外，机器视觉系统成本还较高，智能化程度较低，在国外，此类研究起步较早，技术也比较成熟，使用更为广泛。

1968年，Schertz和Borwn(Schertz and Brown，1968)最早提出果实自动化采摘的想法。Sluaghter和Harrell (Sluaghter and Harrell，1989)首先研究了利用在室外自然光条件下拍摄的图像的色度和亮度信息对桔子收获机械手进行导向，建立了利用彩色数字图像中的颜色信息从桔树上识别桔子的分类模型，其识别桔子的正确率为75%，识别桔子形心的误差率为6%，速度基本能满足实际工作的需要，但精度较低。日本近藤( KONTO) 等研制的番茄采摘机器人, 美国加利福尼亚西红柿机械公司研制的全自动西红柿采摘机，日本国立蔬菜茶叶研究所与岐阜大学联合研制了茄子采摘机器人，日本国立农业研究中心的Murakami等研制了甘蓝采摘机器人，Kondo 等研制的樱桃番茄收获机器人,德田胜等研制的一种用于西瓜收获的视觉检测系统等等。由此也可以看出当前国内在这方面的研究水平与其他发达国家还存在着很大的差距，这也就需要广大科研工作者的共同努力，不断提高相关技术水平，从而加快我国农业现代化得步伐。

2.3 在农产品品质检测与分级方面的应用

2.3.1在果蔬品质检测和分级检测中的应用

蔬菜和水果是我国生产和贸易量相对较大的两类农产品。利用机器视觉技术对蔬菜、水果进行检测和分级是保证蔬菜水果品质质量和安全性, 提高其在国际市场上竞争力的重要举措。

应义斌等（应义斌等，1999）利用机器视觉采集黄花梨图像研究了不规则果形的描述方法，提出在黄花梨的分级过程中采用傅立叶变换与傅立叶反变换对来描述果形。周增产等（周增产等，2003）开发了包括图像监视器、挑选机器人等机器视觉系统，用于黄瓜的自动分级；蔡晋辉等（蔡晋辉等，2004）开发了一套罐装线实时在线质量检测视觉系统，用于装罐前桔瓣上头发等细长形杂质检测。试验显示系统处理能力约30片/s，错误率仅2%。张甫生等（张甫生等，2005）研究了利用BP神经网络来实现机器视觉系统与辣椒红色素含量之间的转换,提出了机器视觉测定辣椒红色素含量的方法；祝连海等（祝连海等，2008）提出了两种基于机器视觉技术的脐橙尺寸在线检测方法：最小矩形法和形心-边缘距离法；马学武等（马学武等，2008）研制出了一套基于机器视觉红枣无损自动分级设备。试验结果表明，该分级装置可同时对多通道的红枣进行分级，其准确率可达80%以上，系统处理速度约为10个/s；黄秀玲等（黄秀玲等，2008）根据苹果分级的实时性要求,结合自动定向和机器视觉分级技术,设计了基于自动定向的苹果品质智能分级生产线,实现了真正意义上的自动分级；郝敏等（郝敏等，2009）通过分析马铃薯特点,提取俯视面积、侧面面积两个特征参数,经过逐步线性回归建立了适宜马铃薯单薯质量检测的模型。试验结果表明该方法提取的参数个数少且检测误差小,满足了生产的需要；虞晓娟等（虞晓娟等，2009）提出了一种基于色度域划分的马铃薯绿皮检测方法，从量化角度实现了马铃薯表皮颜色信息的提取。薛忠等（薛忠等，2010）应用机器视觉技术对澳洲坚果进行自然光线下的识别分级研究。通过试验, 分析得出实测果重、果实直径与识别果实当量直径之间的数学模型, 果重平均相对误差仅为1. 54 4% , 能够通过机器视觉技术对坚果进行准确识别分级。展慧等（展慧等，2010）搭建了基于机器视觉的板栗缺陷分级系统，研究了一种基于BP神经网络和板栗图像特征提取的板栗分级方法，结果表明基于BP神经网络的对板栗分级的方法是可行的。

在国外，将机器视觉技术应用在果蔬检测方面也是相当成熟。鉴于一般的可见光成像易受光源的光照强度、方向、光谱能量分布、摄像机的位置、成像角度等多个因素的影响，Polder G等人（Polder G et al，2002）用超光谱图像对西红柿的成熟度进行了检测，试验证明这种方法较传统的RGB图像方法其分级误差从51%下降到19%；Dah-Jye Lee等（Dah-Jye Lee et al，2008）设计了基于反射式近红外数字成像技术的视觉系统并将其用于测量红枣的大小和表面皱折，试验表明分级精度比人工分级高10％，同时劳动力成本减少了近75％，并缩短了分级的处理时间，但准确率仍然没有达到要求；Al-Mallahi A和Kataoka T等（Al-Mallahi A and Kataoka T et al.，2009）开发出了一套用于马铃薯收获机上检测马铃薯块茎的机器视觉系统，利用马铃薯块茎和背景对紫外光反射比的差异，提取合适的阈值，实现对象分离，控制一套分级机构完成块茎和土块的检测。最终试验结果显示，块茎和土块的正确检测率分别达98.79%和98.28%，一次图像处理时间仅需94 ms，达到了较高的检测精度和分级效率；Blasco J和Cubero S等（Blasco J and Cubero S，2009）等在研究机器视觉技术分离石榴假种皮过程中，提出了两种图像分割方法，一是基于色度比R/G的阈值分割法，二是对RGB空间的贝叶斯线性判别分析（LDA）方法，两者的平均成功率达90%。最终开发出一套石榴假种皮分离设备，并通过了整机测试。Francisco J. Rodríguez-Pulido等（Francisco J. Rodríguez-Pulido等，2012）开发了一套基于机器视觉的葡萄以及种子的通过图像分析进行识别的系统，能够有效的识别葡萄的形状，成熟度以及种子的褐变指数。

从理论上讲，机器视觉技术能够进行大小、颜色、形状及表面缺陷等多个参数的检测，但只有大小和颜色的检测较为成熟，其它参数的检测还有待于进一步研究，例如苹果等水果的压伤、腐烂和虫眼等表面缺陷的检测（邓继忠等，2001）。另外，为了进一步应用于生产线中，机器视觉系统的在线检测速度还需要提高。

2.3.2  在经济作物检测中的应用

我国疆域广阔，地大物博，生态环境复杂多样，盛产多种经济作物，例如烟叶、茶叶、棉花、花生等等。对各类经济作物实现准确分等分级，是充分利用其高商品率，提高经济价值，创造更高经济效益的主要手段。精确的品质检测又是准确分级和优加工的关键环节。传统检测手段的各种弊端严重制约着检测和分级的准确性和精确性，机器视觉技术的在这方面的应用显示出了明显的优越性。

李强等（李强等，2005）通过图像处理与色度学理论的有机结合，应用机器视觉对烟叶颜色进行定量检测与分析，结合图像处理技术进行烟叶分离。该系统具有可模拟色觉、可大量连续快速分离以及进行颜色的统计分析等特点；陈全胜等（陈全胜等，2005）利用机器视觉对茶叶的色泽类型识别进行了研究, 采用MCA 的模式识别原理, 利用机器视觉技术可以将碧螺春、龙井和祁红这3种不同类型的茶叶明显地识别出来；易克传等（易克传等，2005）利用机器视觉技术在RGB 空间中对不同类型的茶叶进行聚类分析。实验结果表明,利用机器视觉技术可以识别红茶、绿茶和乌龙茶这3 种不同类型的茶叶；陈红等（陈红等，2007）研究一种基于花生仁图像特征和人工神经网络的花生仁霉变识别方法，实现了采用机器视觉技术对霉变花生仁的自动识别和分选；刘华波等（刘华波等，2007）在理论推导的情况下，提出利用烟叶反射和透射图像获取烟叶内在的质量信息。研究发现，透射图像的三个颜色特征H、S、I 和相对应的反射图像特征相关性小，可以有效补充反射图像不能反映烟叶内在质量的不足；熊利荣等（熊利荣等，2007）研究了利用机器视觉检验花生大小的方法，利用matlab对得到的花生图像进行处理，找出花生图像象素和与花生大小之间的数字关系, 建立模型, 并在MTLAB下编制了的花生大小自动检验程序；杨飞等（杨飞等，2008）搭建了一套用于花椒外观品质检测的机器视觉硬件系统，提出了能有效识别花椒籽粒的二次填充算法；张俊雄等（张俊雄等，2009）设计了一套基于机器视觉技术的脱绒棉种的在线分级系统，采用种子平抛和气吹分离的方式实现了新疆地区红棕色棉种和黑色棉种的自动分选；提出了种子位置追踪和分离算法，实现了对棉种图像处理结果的延时分离操作。杨镇宇等（杨镇宇等2009）为了避免在花椒外观质量评定中采用人眼感观评价, 提出了基于机器视觉和SVM（支持向量机）的花椒外观品质检测方法，构建了花椒外观品质机器视觉检测硬件系统, 利用LIBSVM 建立了花椒外观品质检测SVM分类模型, 并在Matlab2008a环境中开发了花椒外观品质计算机视觉检测系统, 实现了对椒籽率、闭眼率、果皮率和果穗梗率指标值的自动检测。朱伟兴等（朱伟兴等，2009）为了提高大豆千粒重的测定效率和精度, 提出一种基于机器视觉的有效分割多层重叠颗粒和记数方法。采用支持向量机分类法智能识别颗粒叠加类型,结果表明该方法能有效解决两层重叠或深度粘连类圆大豆颗粒的准确计数。王玲等（王玲等，2007）依据中国籽棉品级分级标准，基于机器视觉技术选取棉花尺寸、色泽特征建立田间籽棉品级抽样分级模型。通过亮度修正后，图像特征与籽棉品级之间相关显著。结果表明基于机器视觉技术识别籽棉品级是可行的，有利于提高籽棉品级抽样分级模型精度。

2.3.3  在粮食作物检测中的应用

Shuso Kawamura 等（Shuso Kawamura et al.，2003）将近红外发生器运用于湿谷及潮湿糙米的水分检测, 建立了稻米内部湿分以及其它组分的标准判断模型,并采用分光仪检测整精米；尚艳芬等（尚艳芬等，2004）根据RGB色度学原理对黄粒米色度进行了分析，认为黄粒米与稻米在蓝色分量B值上存在较大差别，以此作为分割依据并给出了识别黄粒米的优化阈值范围，实现了稻米中的黄粒米的自动检测；陈国庆等（陈国庆等，2004）进行了利用机器视觉识别小麦叶色的光照模型的研究,通过用RGB 系统表示叶色,利用虚拟现实技术中的光照技术, 将太阳光分为环境光、漫射光和镜面光3 部分,分别研究了这3 部分光对叶色的影响,并根据颜色和太阳光的内在联系, 建立了小麦叶片颜色的识别模型A. Al-Mallahi等（A. Al-Mallahi等，2010）开发了基于机器视觉技术的马铃薯在线分级和检测系统，通过对马铃薯从左边到右边进行持续不断的边缘扫描直到遇到接触点，可以检测到马铃薯块茎或者土块的接触点，可以实现马铃薯的在线分级。gathinathane C等（Igathinathane C et al.，2009）提出了利用机器视觉技术测量种子的主要正交尺寸的方法。利用平板扫描仪获取种子样本的数字图像，提出了一种只利用形心坐标和主轴倾角获取种子边界的像素游走方法；常若葵等（常若葵等，2009）研究了利用机器视觉对大米的外观品质参数进行分析,然后运用人工神经网络进行分析并完成检测模型的构建,从而为快速预测未知米样的等级奠定基础；饶洪辉等（饶洪辉等，2009）研制了基于机器视技术的水稻种子质量在线检测装置，通过该装置上的落料机构能将水稻种子成单粒有序地排列在输送带孔内，实现水稻种子品种的在线识别。王康等（王康等2011）研制了基于机器视觉的水稻空壳率的自动化检测问题，获得利用可见光照射的稻谷图片并进行分析处理，对灰度级特征以及YUV颜色模型进行的统计结果进行比较，结果表明该系统可以很好地识别稻谷的空壳。凌云等（凌云等，2005）设计了一套基于机器视觉的大米外观品质参数检测装置，分别利用BP神经网络、色度、极坐标下长短径快速检测算法实现了对垩白粒率、黄粒米和粒型参数的检测.

2.3.4   在其他方面的应用

杨艳等（杨艳等，2008）初步提出把机器视觉技术应用到种猪饲养管理中，通过数字图像分析技术、测量和计算种猪的投影面积，并分析其与体重的相关性，实现种猪体重的非接触测量。王栓巧（王栓巧，2009）研究设计并实现了种蛋品质检测输送翻转机构的实体模型，实现种蛋平稳、均匀翻转和输送，且以合适的、不断变化的位置和姿态呈现在机器视觉系统内，机构满足种蛋的在线检测的要求。刘欣等（刘欣等，2009）通过对动态图像采集在鸡蛋品质检测中应用的研究，提出了一种基于DirectShow技术的鸡蛋动态图像采集的方法，为今后研究鸡蛋自动检测与分级系统创造了条件。

3  应用中存在的问题和不足

虽然机器视觉技术在农产品应用领域已经取得了相当可观的进步，同时也取得了不错的实际效果，但是作为一门多领域交叉学科，由于受到视觉理论、图像分析算法、硬件条件及相关配套技术的影响和限制，其在农产品应用领域还存在一些问题和不足：

1）虽然机器视觉能轻松的获取物体外部信息，但对于物体内部信息获取方面的研究还不足。借助红外线、紫外线、X射线、超声波等探测技术，机器视觉在探测人眼不可视物体和高危险场景时，将更具有其突出优点。

2）目前基于机器视觉系统用于农产品多个品质检测时往往采用串行算法，这使得处理速度受到严重影响。

3）当前，在以静态或低速运动的物体为研究对象的机器视觉系统的研究上，国内外学者取得了较大的成绩，而且技术较为成熟，而在农业工程领域很多时候要求实时处理更加复杂的动态农产品群体图像，从快速运动农产品中采集图像并提取有用信息仍然是一个难题。目前的算法主要是算法提高图像处理速度，尽管国内外都提出一些新的算法，但是很多仍处于实验室阶段，目前的机器视觉主要应用在2 维、2.5 维图像的处理分析中，而这样往往无法精确得到复杂农产品的图像。

4）农田环境复杂。一方面存在图像背景复杂、多变、叶片遮挡等问题，阻碍了有效分割背景和目标对象；另一方面由于田间光照变化大，成像条件不理想，难以获得优质图像。因此，需要进一步研究机器视觉技术在实际应用中的适应性问题。

5）机器视觉技术中实际应用的算法普遍存在算法效率低、处理速度慢等问题，特别是在有较多噪声的工业现场，系统抗干扰能力较差，造成准确度和精度下降，算法有待进一步优化。

6）机器视觉行业的标准化程度不够，机器视觉产品的评价标准过于单一，应以综合有效的评价方案来进行有效的评价；另外，机器视觉系统的接口标准化、系统模块化还有待于进一步提高。

7）市场上的机器视觉产品的价格还偏高，这在很一定程度上阻碍了机器视觉技术的普及和推广。

4  机器视觉技术的展望

随着机器视觉技术本身及其配套技术的不断成熟，以及对其广泛深入的研究，其在农业工程领域有着广阔的应用前景。将主要表现在以下几个方面：

（1）在精细农业、设施农业和虚拟农业等新兴农业领域中的研究应用将越来越广泛。具体涵盖农业机械自动导航、作物生长信息检测、变量控制等多方面，与3S技术等紧密结合，实现优势互补。

1）在精密农业领域，机器视觉将发挥其潜能，机器视觉系统将在考虑不同小区的基本信息的情况下，辅助耕作、施肥、播种、灌溉以及喷药等工作，这样减少了农业生产对自然环境的破坏,提高了土地使用率和产出率。

2）开展三维成像视觉技术研究，为了更加全面地掌握作业对象的信息，三维成像的视觉技术也开始进入了人类的研究范围，随着三维成像视觉技术的日益成熟，农业机器人应用将会更加广泛。

3）在对象识别算法和图像处理方面，针对农业对象的复杂性，研究能有效准确的对象识别算法和快速实时图像处理技术是必然趋势。另外，扩展机器视觉光源波段，实现多品质检测一体化，以及开发多图像并行实时处理算法，提高图像处理速度等都将是下一步研究的主要方向。

4）硬件方面，标准化、一体化会是机器视觉发展的必经之路；例如，Polder G等人（Polder G et al，2002）用到的超光谱，而图像采集卡的任务将不仅仅是采集图像，还将包括图像的初步处理，再将处理后的数字化信号传输给主机，这将减轻主机的负担，进而有效地提高图像处理速度。

5）其他方面，诸如关于精确区分果梗、花萼等处的凹坑与缺陷或损伤区域；建立农产品的表面颜色信息与农产品品质的相关性；在检测高速运动的农产品群体时,建立景物坐标系和图像坐标系的定量关系等等的研究，都将进一步为推广机器视觉技术在农业工程领域的应用创造条件。

5  结束语

机器视觉作为一种新兴且发展十分迅速的技术，已成为计算机科学的重要研究领域之一。一方面，机器视觉理论体系的不断完善和计算机图像处理方法研究方面的发展使得机器视觉技术在农业工程中得到越来越广泛的应用，另一方面，世界农业的快速发展也促进了机器视觉技术的发展。在国内，由于研究时间不长, 还正处于起步阶段，尚有许多方面急需进一步进行深入研究,因此，我们的任务是跟踪国际最新动态，在充分利用国外已取得研究成果的基础上，探索新的理论和方法，并大力发展新型视觉处理硬件，大幅度提高处理速度，迅速提高我国机器视觉技术的发展水平，为我国的农业现代化建设做出自己的贡献。总之，高速化、智能化、高精度以及良好的在线性是机器视觉技术发展的重要方向。人们对其了解和研究还有很长的路要走，相信随着人们对机器视觉技术研究的深入，一定能够为世界农业的发展做出更大贡献。

参考文献

[1]．安爱琴，聂永芳，王宏强．机器视觉技术在农业工程中的应用[J]．安徽农业科学，2007，35 (7)：1908-1910

[2]．陈红，熊利荣，胡筱波等．基于神经网络与图像处理的花生仁霉变识别方法[J]．农业工程学报，2007，23(4)：158-161

[3]．陈全胜，赵杰文，张海东等．利用计算机视觉识别茶叶的色泽类型[J]．江苏大学学报(自然科学版)．2005，26(6)：461-464

[4]．陈全胜，赵杰文，蔡健荣等．利用高光谱图像技术评判茶叶的质量等级[J]．光学学报，2008，28(4)：669-664

[5]．常若葵，张伟玉，崔晶．基于机器视觉的大米外特性评价[J]．农机化研究，2009，12：149-151

[6]．陈国庆，姜东 ，朱艳．利用计算机视觉识别小麦叶色的光照模型研究[J]．农业工程学报，2004，20(4)：143-145

[7].蔡晋辉，周泽魁．机器视觉系统在桔瓣质量检测中的应用[J]．农业工程学报，2004，20(6)：129-132

[8].曹国斌，刘雪蛟，王花．图像和机器视觉技术概述[J]．电子工业专用设备，2008，(8)：27-31

[9].邓继忠，张泰岭，石江．机器视觉技术在农业机械中的应用[J]．农机化研究，2001，(2)．91-93

[10].傅宇．机器视觉技术在农业生产自动化领域中应用研究[J]．安徽农业科学，2006，34(15)：3871-3872

[11].耿长兴，张俊雄，曹峥勇.温室黄瓜病害对靶施药机器人设计.农业机械学报，2011，42（1）：178-180

[12]．郝敏，麻硕士．基于机器视觉的马铃薯单薯质量检测技术研究[J]．农机化研究，2009，9：61 -63

[13].韩冰，林明星，丁凤华．机器视觉技术及其应用分析[J]．农业装备与车辆工程，2008，(10)：24-27

[14]．黄秀玲，郑加强，赵茂程．基于自动定向的苹果品质智能分级生产线设计[J]．安徽农业科学，2008，36(7)：3037 – 3038，3041

[15]．李强，杨晓京，魏岚等．基于计算机视觉的烟叶分离系统[J]．现代制造工程，2006，5：101-103

[16]. 凌云，王一鸣，孙明. 基于机器视觉的大米外观品质检测装置.农业机械学报.2005.9，36（9）：90-92

[17]．刘欣，郁志宏．动态图像采集在鸡蛋品质检测中的应用[J]．农机化研究，2009，9：197-199

[18]. 李景彬, 坎 杂, 张若宇.基于机器视觉的脱绒棉种破碎特征检测技术.农业化研究，2010.8，8：170-172，177

[19].刘华波，贺立源，马文杰等．透射图像颜色特征在烟叶识别中应用的探索[J]．农业工程学报，2007，23（9）：169-171

[20]. 马稚昱，清水浩，辜松. 基于机器视觉的菊花生长自动无损监测技术. [J]. 农业工程学报，2010，26(9)：203－209

[21]．饶洪辉，刘燕德，孙旭东等．基于机器视觉的水稻种子质量在线检测机[J]．农机化研究，2009，10：79-82

[22].尚艳芬，侯彩云，常国华．基于图像识别的黄粒米自动检测研究[J]．农业工程学报，2004，20(4)：146-148

[23]．司永胜，乔军，刘刚等．基于机器视觉的苹果识别和形状特征提取[J]．农业机械学报，2009，40(8)：161-166

[24].唐向阳，张勇，李江有等．机器视觉关键技术的现状及应用展望[J]．昆明理工大学学报(理工版)，2004，29(2)：36-39

[25].王方永，李少昆，王克如等.基于机器视觉的棉花群体叶绿素监测.作物学报ACTA AGRONOMICA SINICA 　2007 ,33 (12) :2041 - 2046

[26]. 熊利荣，丁幼春，刘俭英．机器视觉技术在农业领域中的应用[J]．湖北农机化，2004，(4)：23

[27].薛 忠, 邓干然, 崔振德. 基于机器视觉的澳洲坚果分级研究.农业化研究，2010.5,5:26-28

[28].熊利荣，任奕林，肖任勤．基于机器视觉的花生大小检验[J]．湖北农业科学，2007，46(3)：464-465

[29]．杨飞．基于机器视觉的花椒外观品质检测技术研究[D]．重庆：西南大学，2008

[30]．杨艳，滕光辉，李保明等．基于计算机视觉技术估算种猪体重的应用研究初探．中国数字农业与农村信息化学术研究研讨会论文集．20##年中国数字农业与农村信息化学术研究研讨会，北京，20##年，北京：中国农业出版社，20##年

[31].杨会清，孙丽燕，刘红等.田间杂草识别的机器视觉系统及机械除草研究.技术·设计制造，2011.10:126-129

[32].应义斌，饶秀琴，赵云.机器视觉技术在农产品品质检测中的应用（I），2000，16（1）:103-108

[33]．应义斌，景寒松，马俊福．黄花梨果形的机器视觉识别方法研究[J]．农业工程学报，1999，15(1)：192-196

[34]．虞晓娟，廖桂平，李锦卫．基于色度域划分的马铃薯绿皮检测方法[J]．农业工程学报，2009，25(增刊2)：314－319

[35].杨镇宇，祝诗平.基于机器视觉和的花椒外观品质检测.仪器仪表学报.2009.10,10（30）:73-76

[36]．袁挺，张俊雄，李伟．基于机器视觉的非结构环境下黄瓜目标特征识别[J]．农业机械学报，2009，40(8)：170-175

[37].颜发根，刘建群，陈新．机器视觉及其在制造业中的应用[J]．机械制造，2004，42(11)：28-30

[38].张萍，朱政红．机器视觉技术及其在机械制造自动化中的应用[J]．合肥工业大学学报（自然科学版），2007，30(10)：1292-1295．

[39]．曾庆兵，刘成良，苗玉彬．基于形态学图像处理的重叠葡萄果径无损测量[J]．农业工程学报，2009，25(9)：356-360

[40]．祝连海，刘木华．基于机器视觉的脐橙尺寸检测分级研究．见陈志主编，中国农业机械学会20##年学术年会论文集．中国农业机械学会20##年学术年会，济南，2008，北京：中国农业出版社，2008，907-911

[41]．张俊雄，陈涛，于振东．基于计算机视觉的新疆棉种颜色分选系统设计[J]．农业机械学报，2009，40(10)：161-164

[42].张云鹤，乔小军，王成.基于机器视觉的作物茎杆直径变化测量仪研发.农业化研究，2011，12

[43].周增产，张晓文，吴建红．黄瓜自动分级系统的研制(英文)[J]．农业工程学报，2003，19(5)：118-121

[44]．易克传，岳鹏翔，陈全胜．基于聚类分析的计算机视觉对茶叶色泽的识别[J]．中国茶叶加工，2006，2： 39-41

[45].王康.机器视觉在水稻空壳率统计中的应用研究.现代计算机，2011.11：10-13

[46]. 王 玲，姬长英，陈兵林. 基于机器视觉技术的田间籽棉品级抽样分级模型研究. 中国农业科学 2007,40(4):704-711

[47]．王栓巧．基于机器视觉的种蛋品质检测系统研究[D]．内蒙古：内蒙古农业大学，2009

[48]．张甫生，庞杰，王雅立．计算机视觉技术在辣椒红色素测定中的应用[J]．辣椒杂志，2005，4：41-42

[49].马学武，何建国．基于机器视觉红枣无损自动分级设备的研制[J]．宁夏工程技术，2008，7(3)：213-220

[50].熊利荣，丁幼春，刘俭英．机器视觉技术在农业领域中的应用[J]．湖北农机化，2004，(4)：23

[51].张萍，朱政红．机器视觉技术及其在机械制造自动化中的应用[J]．合肥工业大学学报（自然科学版），2007，30(10)：1292-1295．

[52]. 朱伟兴, 苏 威, 张怀德. 基于支持向量机的重叠大豆颗粒计数.大豆科学 2009.2,28（1）：152-155,159

[53].展慧，李小昱，王为. 基于机器视觉的板栗分级检测方法.农业工程学报.2010.4,26（4）：327-331

[54].J. Rodríguez-Pulido,Luis Gómez-Robledo,Manuel Melgosa. Ripeness estimation of grape berries and seeds by image analysis. Computers and Electronics in Agriculture 82 (2012) 128–133

[55].A. Al-Mallahi, T. Kataokab, H. Okamoto. An image processing algorithm for detecting in-line potato tubers without singulation. Computers and Electronics in Agriculture 70 (2010) 239–244

[56]．Blasco, Cubero S, Gómez-Sanchís J et al. Development of a machine for the automatic sorting of pomegranate (Punic granatum) arils based on computer vision [J]. Journal of Food Engineering, 2009, 90(1): 27-34

[57].BlackShow Robert E. Merits of weed-sensing sprayer to control weeds in conservation fallow and cropping systems. Weed Science, 1998, 46: 120-122

[58].Dah-Jye Lee, Robert Schoenberger , Jamesetal Archibald. Development of a machine vision system for automatic date grading using digital reflective near-infrared imaging. Journal of Food Engineering, 2008, (86): 388-398

[59]．Guo Feng, Cao Qixin, Cui Yongjie et al. Fruit location and stem detection method for strawberry harvesting robot [J]. Transactions of the CSAE, 2008, 24(10): 89-94

[60]．Igathinathane C, Pordesimo L O, Batchelor W D. Major orthogonal dimensions measurement of food grains by machine vision using Image [J]. Food Research International, 2009, 42: 76-84

[61].Polder G, Van der Heijden G W A M, Yang I T. Spectral Image Analysis For Measuring Ripeness of Tomatoes. Transactions of the ASAE, 2002, 45(4): 1155-1161

[62]．Ling P P, Giacomelli G A, Russell T. Monitoring of plant development in controlled environment with machine vision [J]. Advances in Space Research. 1996, 18(4-5): 101-112

[63]．Shimizu H, Heins R D. Computer vision based system for plant growth analysis [J]. Trans of the ASAE, 1995, 38(3): 958-964

[64]．Shuso Kawamura, Motoyasu Natsuga, Kazuhiro Takekura et al. Development of an automatic rice-quality inspection system [J]. Computers and Electronics in Agriculture, 2003, 40: 115-126

[65].Schertz C E, and G K Brown. Basic considerations in mechanizing citrus havrest. Transactions of the ASAE 1968, 11(2): 343-346

[66]..Sluaghter D C, Harrell R C. Discriminating fruit for robotic harvests using color in natural outdoor scenes[J]. Transactions of the ASAE, 1989, 32(2): 757-763