搜索
华中农业大学学士学位论文文献综述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，SocietyofManufacturingEngineers)机器视觉分会和美国机器人工业协会(RIA，RoboticIndustriesAssociation)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。华中农业大学学士学位论文文献综述目标光源光源成像系统图像捕捉系统图像处理与数字化系统智能图像处理与决策模块控制执行模块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华中农业大学学士学位论文文献综述为重要。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。LingPP等（LingPP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；ShimizuH.和R.D.Heins(ShimizuH.andR.D.Heins，1995)利用机器视觉技术和近红外光(波长为800mm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RobertE(BlackShowRobert，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%。华中农业大学学士学位论文文献综述虽然，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(SchertzandBrown，1968)最早提出果实自动化采摘的想法。Sluaghter和Harrell(SluaghterandHarrell，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