计算机视觉|计算机视觉在农作物智能检测上的应用

编辑导语：在农业作物中，有许多需要耗时耗力的任务，那么有没有一种方法能够减少这些耗时且劳动密集的任务呢？机器视觉通过自动接收和处理一个真实的图像，控制机器人进行运动，从而自动完成这类工作，减轻人力的消耗。本文对计算机视觉在农作物的智能监测上的应用进行分析，一起来看看。

文章插图
机器视觉是通过光学的装置和非接触的传感器，自动地接收和处理一个真实物体的图像，以获得所需信息或用于控制机器人运动的装置。正如在工业环境中一样，机器视觉在农业中最关键的好处之一是它能够自动完成耗时、劳动密集型的任务。
随着传感器系统和执行器的进一步完善，机器视觉系统将逐渐可以用于管理水果采摘、作物控制、收获和一系列其他任务。农业工作者的作用主要体现在监督能力上，用以帮助进一步优化机器视觉系统。广义的计算机视觉技术不仅包括基于可见光成像，也包括基于近红外、紫外和X光等非可见光成像的探测技术。
可见光区计算机视觉技术被广泛的应用到农产品的品质检测、品种识别中，目前非可见光区的计算机视觉技术已应用到食品安全检测中。
一、农产品关键特征参数提取【计算机视觉|计算机视觉在农作物智能检测上的应用】基于统计的特征参数虽然能在一定程度上对作物特征进行一定的描述，但基于专家知识和经验定义的部分特征往往具有更广泛的生理学意义。比如花生的荚果多数有果腰、玉米籽粒都有一个奶黄色的胚部，这些特征往往是特定生物物料所特有的。农产品生物物料的多少样性决定着，衡量每一种作物的特征都具有自身独特的特点。另外由于农产品缺乏工业产品应有的刚性，使得对农产品品质的描述异常的复杂，胡萝卜的扭曲与马铃薯的异形，虽然都是对形状的描述，但描述起来却相差甚远。
玉米籽粒白色部分（胚部）与黄色部分（冠部）的面积、颜色等信息可以作为识别玉米品种的特征。在线马铃薯品质检测样机，基于边界描述的异形马铃薯是一种检测标准。
农产品品种识别模型研究方面，对农产品品种识别的模型的研究主要侧重的是两个方面，一个是对特征的选择和优化研究，另外一个是对识别模型的选择和优化研究。玉米、花生、水稻、小麦等主要粮食作物也广泛的应用计算机视觉进行品种识别。近红外和X射线成像等非可见光区域的计算机视觉技术已开始应用到农产品的品种检测中。

文章插图
二、农产品安全关键指标检测计算机视觉技术已开始逐渐引用到农产品的内部品质的探测中，包括常规的内部品质如水果的酸度、糖度、可溶性颗粒物，粮油的蛋白质含量，内部的虫蛀、康心等，也包括了食品安全的一些关键指标，比如食品添加剂、苏丹红、三聚氰胺、黄曲霉素等。
黄曲霉素是剧毒物质，在紫外下发出黄绿色荧光，根据这一特性可进行计算机视觉无损探测，美亚光电销售人员介绍国外做黄曲霉素检测的生产厂家是比利时Best公司（Detox?），设备售价在400万人民币左右，公开资料报道采用的是紫外激光诱导荧光成像的技术，能检测到人肉眼无法看到的黄曲霉素发出的微弱的光，可用来分选黄曲霉素污染的花生、杏仁、榛子等干果。
三、农产品智能分选机的研制农产品分选方式有多种，根据外观尺寸的机械筛选方法，基于重量的电子称重的方法，和基于计算机视觉的智能检测方法。在电子称重分选机制造方面，台湾吉农牌水果分选机整体性能较为优秀。浙江大学应义斌教授团队是做内水果分选领域的最优秀的团队之一，课题组在“863”的支持下国内率先完成了基于机器视觉的水果品质实时检测与分级生产线，该生产线能完成水果的大小、形状、颜色和果面缺陷等外观品质指标的实时检测与分级，每小时处理3至6吨水果。