计算机视觉|计算机视觉在农作物智能检测上的应用( 二 )

2012年开始作者带领团队开始胡萝卜智能分选机研发，一代样机于2014年春研发成功。
随后团队发现国外（比例时visar）已有机器（Sortop Carrot）出现，该生产线售价18万欧元，且比我们的机器效率高，课题组随即启动二代的研发，至2014年底胡萝卜分选机二代原理样机研发成功，日处理能力达到200-300吨。
四、农产品无损检测研究农产品智能检测包括品种检测与品质检测，品质检测包括外部品质检测和内部品质检测，农产品安全检测是内部品质检测的一个重要内容。农产品智能分选是以计算机视觉检测为核心，配合高精自动控制技术、柔性机械设计制造技术，是光、机、电一体的农业智能装备研制技术。
近年来假种子事件频发，主要原因是农民朋友主要是靠肉眼进行种子识别，受到人的经验和肉眼能力的限制。以计算机视觉技术研究为核心，面向检测对象采集关键特征指标参数，来对农产品品质进行精选分级，农作物品种进行自动识别、农产品安全指标进行快速探测三个问题。
大力提高农产品品质分选的标准化和自动化程度，大力提高品种育种领域的自动化，大力提高食品安全快速检测的水平。从而实现农产品品种、品质和安全指标的快速无损检测与自动化分选分级，实现农产品检测的机械化、自动化与智能化，对推进我国农业发展，推进现代农业进步具有积极意义。
五、农作物病虫害检测以色列农业科技公司Prospera运用计算机视觉和机器学习技术监测农作物生长情况，从而提出提升农作物健康状况、优化农场运营的手段， Prospera的系统可以安装在温室或田野中，利用近端RGB摄像头和云部署的软件来收集、分析农民忽略的信息，随后其根据机器学习算法来报告有什么重要的事情正在发生。提前预警、诊断各种病虫害可以帮助农民预测产量，用其他作物的增长来弥补损失，或者及时挽救农作物的生命。

文章插图
六、农作物估产遥感技术估测产量需要产量估测区域的高光谱图像，通过分析反演农作物的生物物理参数，较多地应用于大面积连片的农作物种植区域，且图像价格昂贵，适用于政府管理部门的宏观决策；而预测模型方法依赖于农作物生理指标、环境因子等一系列生化参数，参数获取需要专业测量设备，且不同区域具有不同的参数值，每次预测都需要重新采样化验，获取模型输入值。
因此，已有主流方法都需要专业性技术人员的指导和专业设备的支持，产量估测所需材料需要重复投入，成本也相对较高，且操作步骤繁琐，预测周期相对较长，不利于在普通种植户中推广应用。建立果实尺寸识别系统，录入大量拍摄的果实照片，利用深度学习算法结合果实照片和照片像素点进行训练学习，根据不同尺寸的果实匹配其对应的像素点，实现果实尺寸的智能判定，利用机器视觉处理平台对采集到的实际果实照片进行识别，判断果实尺寸，分析果树作物产量情况。
所述果实尺寸识别系统包括：深度学习训练用数据集和深度学习算法训练模块，所述深度学习训练用数据集导入用于深度学习训练的果实照片，并生成算法模块训练所需的格式化数据集，所述深度学习算法训练模块将果实照片中果实面积的像素点与实际测量的果实尺寸值进行匹配训练，针对不同果实照片的像素点判断果实的尺寸。
所述机器视觉处理平台全方位采集视觉传感器中果实的RGB图像，对采集的图像进行图像分割，然后划分出果实感兴趣区域，提取果实轮廓，根据所提取的果实轮廓，使用形状不变特征提取形状特征向量，克服果实大小、位置和朝向各异的问题。从而实现产量预估。