机器视觉技术在瓜菜检测应用中的研究进展

摘    要：机器视觉技术是一种通过机器代替人眼来做测量和判断的技术。作为一种新兴的检测方法，其在瓜菜检测方面解决了传统人工检测效率低、检测成本高且需较强专业性和经验问题，提高了检测的实时化与智能化水平。检测结果为瓜菜后续诊断防治和产销工作提供靶向性指导具有重要意义。阐述了机器视觉的技术机理及其在瓜菜检测中的应用逻辑和该技术在瓜菜病虫害、长势监测、品质分级等检测应用中的研究进展，同时对该技术在瓜菜检测应用中的不足展开讨论，并展望了此类检测技术的应用前景。

关键词：人工智能；机器学习；机器视觉；瓜菜检测

中图分类号：S63-3+TP274 文献标识码：A 文章编号：1673-2871（2023）11-001-09

Research progress of machine vision technology in the detection of cucurbits and vegetables

DAI Jun1， 2

（1. School of Intelligent Management， Suzhou Industrial Park Institute of Services Outsourcing， Suzhou 215123， Jiangsu， China; 2. School of Economics & Management， Tongji University， Shanghai 200092， China）

Abstract： Machine vision technology mainly measures and judges by machine instead of human eyes. As a new detection method， it has overcome the problems of low efficiency， high cost， and professionalism and experience in traditional manual detection， improved the real-time and intelligent level of detection of cucurbits and vegetables. The test results are significant for the follow-up diagnosis， production and marketing of cucurbits and vegetables. The paper described the technical logic of machine vision and its application logic in the detection of cucurbits and vegetables， summarized the research progress in the detection of pests， growth monitoring， quality grading applications， further discussed its shortcomings， and  prospected its application.

Key words： Artificial intelligence; Machine learning; Machine vision; Detection of cucurbits and vegetables

机器视觉技术主要通过算法模型计算目标图像三维信息特征，自动对目标图像信息进行智能化决策判断，模拟学习人类视觉处理图像信息的一门科学技术[1-3]。它融合了计算机科学、应用数学、统计学和运筹决策学等众多交叉学科知识，成为当前人工智能应用领域的研究热点，已经在无人驾驶、人脸识别、临床医学、航天军工、化工纺织、材料工程、行政治理与农业监测等众多领域实现了较为丰富的场景应用[4-10]。

机器能模仿人阅读学习意味着机器在一定程度上已经具备了人类获取外界信息形成自己知识储备的自动化能力[11-12]。由于采集被测目标图像的特征信息极为复杂，且存在光线强弱、背景阴影、观察角度等诸多动态因素的影响，要让机器真正达到像人类一样轻松地识别目标检测物，且能自如地感知捕捉目标物体的各种特征信息是一件极其困难的事情[13-16]。但机器视觉技术对目标图像的数字化处理已经表现出了强大的智能化识别能力，例如在Image Net（目前世界最大的图像识别数据库）举办的世界机器视觉技术大赛上，机器视觉对目标图像的识别水平曾经一度超越了人类视觉水平，体现出了机器视觉技术对目标物体检测的极大潜能[17]。

近年来农业科学技术领域特别是瓜菜生产和种植方面也逐渐开始了机器视觉技术的应用探索研究，尤其是在一些大规模生产和种植环境或人工视觉难以达到识别要求的农业条件下，利用机器视觉技术代替人工视觉对瓜菜实施智能化检测，通过机器换人不但提升了瓜菜生产和种植的规模化效率，而且能够解决生产和种植人员的专业知识与技术经验不足问题，机器视觉技术的检测结果为瓜菜后续诊断防治和产销工作提供靶向性指导具有十分重要的意义。

1 机器视觉的技术机理及其在瓜菜检测应用中的逻辑机理

1.1 机器视觉的技术机理

通常来说，机器视觉系统主要由光学照明与成像系统模块、信号采集与数字处理系统模块、智能分析决策系统模块和动力控制执行系统模块等组成[18]。系统模块具体包括各种电光源照明设备、光学镜头（定焦、变焦、定光圈等）、工业相机（CCD、CMOS等）、图像采集卡（PCI、ISA等）、图像数字化处理设备、各种监视器与传感器、视频与通信、输入输出单元等软硬件构成（图1）。机器视觉的检测技术逻辑机理是依靠机器模拟人类的视觉功能，利用光学成像系统采集目标图像信号，通过图像信号数字化技术提取目标图像信息特征，借助数学算法计算对目标检测物实施精准定位与识别。其中目标图像信号获取与数字化处理分别是机器视觉系统的“视”技术与“觉”技术。“视”技术主要是通过工业相机等图像拍摄设备获取目标检测物的各种图像信号[19-20]；“觉”技术主要是对采集送达的图像信号实施数字化处理，包括对目标图像的信号预处理、图像定位与分割、图像特征提取、信号模式分类、图像语义理解等一系列层次处理[21-24]，在基于预先设置的允许值等判别条件下输出目标检测物的最终分析结果，完成机器视觉技术对目标检测物的智能化定位、识别、引导与执行等决策功能。

1.2 机器视觉技术在瓜菜检测应用中的逻辑机理

在自然因素以及人为因素共同影响下，瓜菜的生产和种植过程难免遭受不同程度的损害，如虫害病害肆虐、水分养分缺失、植株生长变形等，严重影响瓜菜的产量、品质与安全性，因此实时、快速、精准的瓜菜检测机制可以防患于未然。更为关键的是，机器可以7×24 h全时段地对瓜菜实施监测，且能很好地识别害虫的保护色与隐蔽性，图像采集系统第一时间自动地捕捉瓜菜生病、生虫、长势不良等图像信号，传输给数据处理系统实施数字化处理，为智能决策系统提供准确的损害特征信号，例如尺度大小、数量多少、茎秆粗细与植株高矮等图像信息，为后续对症防治和产销对接工作提供靶向性对策（图2）。传统的纯人工检测瓜菜损害的方法效率较低，且生产和种植人员需要具备较强的专业性和丰富的经验加以判断。机器视觉技术相比纯人工检测能有效避免检测的经验性误差，检测结果更具客观性且检测效率较高，检测成本大幅降低。因此，目前在瓜菜生产和种植过程的损害检测方面，机器视觉技术逐渐得到了广泛应用。

2 机器视觉技术在瓜菜检测应用中的研究进展

基于内容分析方法对已有文献统计梳理，发现当前机器视觉技术对瓜菜检测的应用研究主要集中于4个方面，一是应用于瓜菜病虫害的识别检测；二是应用于瓜菜长势的信息检测；三是应用于瓜菜品质的分级检测；四是应用于瓜菜采摘的果实定位检测。

2.1 病虫害识别检测

利用机器视觉的现代化技术对病虫害实施预警、实时与快速识别检测，不仅能够替代用时长、费用高的人工检测，而且在农作物生产和种植日趋规模化、产业化的今天是大势所趋，对农业实现可持续发展具有非常重要的现实意义[25-28]。

为改善机器视觉技术对瓜菜病虫害检测系统预警机制，杨国武等[29]围绕病虫害发生的气候因素进行统计分析，针对莴苣的霜霉病和菜青虫这2种主要病虫害，设计了较为完善的病虫害产生的气候指标体系，在此基础上建立了霜霉病和菜青虫流行程度的短期预警和气候年景长期预测模型。Da Silva等[30]以农田现场温度、地表温度等气候条件为研究要点，以每15 min为1个时间区间采集大量气象分析数据，针对番茄的病虫害构建了系统预警模型，试验结果显示病虫害识别检测的预警效果较为显著。

在加强机器视觉技术对瓜菜病虫害实时性监测方面，蒋国松等[31]针对芦笋的病虫害设计了在手机、电脑等移动终端可随时随地查看的线上监测系统，通过系统模型的实践检验，方便了种植户对芦笋的病虫害远程监控。彭琛等[32]建立了以机器视觉技术融合发音报警功能于一体的蔬菜病虫害监测系统，结合蔬菜生长的温度、湿度和光照等因素开展实时分析与监测，监测系统突出了远程监控和无线收发功能的应用，除了方便种植户对蔬菜的管理，主要贡献在于建立了消费者对蔬菜生长环境信息的实时了解渠道，缓解了消费者的购买顾虑，促进了消费能力的提高。

为了提升机器视觉技术对瓜菜病虫害的识别精度，Mohanty等[33]对20余种病虫害的5万多张信息采集图像进行改进模型的识别对比，识别效果显著提升，最高识别精度达到99.3%。朱莉等[34]改进了由Grab Cut算法分割的最小外接矩形区域H/S直方图，计算交叉匹配系数通过C4.5分类器分类识别油菜虫害，试验结果显示虫害分类识别率达到92.0%。肖德琴等[35]优化了蔬菜虫害的识别与计数算法，结合随机森林算法模型对虫害图像分割和信号特征提取，蔬菜虫害识别率可达到91.0%。Wang等[36]对叶片虫害图像用K-means方法网格分割，利用自适应聚类方法再通过形态提取特征去掉叶脉，最终得到虫害精准信息，识别有效精度达96.3%。Chen等[37]结合卷积神经网络CNN对白菜虫害进行图像分割和计数分析，机器计数与人工计数的线性相关系数R2达到0.99，识别精度达到95.3%。He等[38]结合卷积神经网络CNN对12种蔬菜虫害对比检测，结果表明利用SSD/Inception 检测到的平均精确度最高，可达77.1%。Ye等[39]结合形态学改进边缘提取算法去除黄瓜图像的噪声，提高黄瓜图像在复杂背景下的病虫害检测精度，试验结果表明检测准确率达到93.9%，误分类率低于5.8%。郭庆文等[40]结合显著图注意力网络模型检测蔬菜虫害，平均精度达86.4%，平均计数误差为0.11只，若模型移除显著图注意力模块则机器视觉技术的平均精度降到82.4%左右，平均计数误差升到0.32只。徐境深等[41]将机器视觉技术结合极坐标与傅里叶变换方法，提取蔬菜病虫害的颜色与外形特征实施快速识别，检测结果的识别准确率达到99.0%，识别速度更是达到320株·min-1。

综上所述，机器视觉技术对瓜菜病虫害检测能起到一定的预警作用，能够实施全天候的实时性监测，在识别精准度方面确实有着一定的检测优势。

2.2 长势信息检测

采用机器视觉技术检测瓜菜长势信息包括高矮粗细信息、颜色纹理信息等，利用数据处理系统对采集到的长势图像信号进行特征提取和识别分析，检测结果可作为判断瓜菜长势强弱的依据，应用于瓜菜生长的实际诊断与环境调控[42-45]。

针对瓜菜不同的生长周期，杭腾等[46]利用机器视觉技术以番茄株高、茎粗与果实大小参数为检测目标样本信息，采集不同生长周期番茄的3个检测目标样本的长势图像信息，对图像信号进行中值滤波预处理，通过r-g颜色因子自动阈值分割法提取图像信号特征，建立长势参数图像特征值拟合函数。检测结果表明番茄茎粗参数在幼苗、开花坐果与结果期的3个周期内的相对检测误差分别介于1.73%～4.04%、0.64%～4.42%、0.46%～4.78%之间；而番茄株高参数和果实大小参数的相对检测误差则分别介于1.2%～6.5%、0.8%～3.1%之间。

为优化选择最佳的生长环境条件，王泉清[47]研究认为，必须掌握温室培养条件下的各种生长环境因素与蔬菜长势之间的促进关系，优化选取出最有利于蔬菜长势的最佳生长环境条件，才能达到蔬菜生产效能的最大化发挥。将机器视觉技术获取的图片信号经过数据处理系统处理后，再将检测结果通过云计算分析得出蔬菜长势与生长环境之间的参数关系，进而建立友好生长环境下蔬菜长势检测的成熟机制，生成最利于蔬菜成长的环境控制模式。