田鵬菲　王皞陽(yáng)

摘要：機(jī)器視覺(jué)技術(shù)在我國(guó)打造高水平農(nóng)業(yè)的道路上扮演了重要角色。為幫助相關(guān)研究人員整體了解我國(guó)農(nóng)業(yè)領(lǐng)域內(nèi)機(jī)器視覺(jué)技術(shù)的應(yīng)用情況，把握其研究方向，以中國(guó)知網(wǎng)為文獻(xiàn)數(shù)據(jù)來(lái)源，通過(guò)文獻(xiàn)解讀，結(jié)合文獻(xiàn)計(jì)量學(xué)和知識(shí)圖譜可視化軟件，系統(tǒng)分析機(jī)器視覺(jué)技術(shù)在我國(guó)農(nóng)業(yè)中的應(yīng)用情況，并提出現(xiàn)有的研究弱勢(shì)和未來(lái)的發(fā)展趨勢(shì)。結(jié)果表明，機(jī)器視覺(jué)技術(shù)在我國(guó)農(nóng)業(yè)領(lǐng)域內(nèi)的發(fā)展大致可以分為3個(gè)階段，研究數(shù)量整體呈現(xiàn)上升趨勢(shì)，應(yīng)用方向可以分為視覺(jué)導(dǎo)航、無(wú)損檢測(cè)、精確定位、病蟲(chóng)害識(shí)別、長(zhǎng)勢(shì)監(jiān)測(cè)、目標(biāo)識(shí)別或判斷、信息采集或測(cè)算，研究重點(diǎn)為導(dǎo)航、農(nóng)業(yè)機(jī)械、識(shí)別、算法、無(wú)損檢測(cè)、圖像處理，未來(lái)的研究方向?yàn)楦呔戎悄芑曈X(jué)系統(tǒng)的研發(fā)。

關(guān)鍵詞：機(jī)器視覺(jué)技術(shù)；農(nóng)業(yè)；文獻(xiàn)計(jì)量分析；知識(shí)圖譜；研究數(shù)量；應(yīng)用方向；研究重點(diǎn)；研究方向；突發(fā)詞

中圖分類(lèi)號(hào)：TP391.41；S126文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2023）14-0013-09

機(jī)器視覺(jué)廣泛應(yīng)用于我國(guó)農(nóng)業(yè)領(lǐng)域內(nèi)的多個(gè)生產(chǎn)環(huán)節(jié)，具有精度高、效率高、適用廣的優(yōu)點(diǎn)。從最初的植物品種識(shí)別發(fā)展至今，已經(jīng)成為從考種、種植、采收，再到后期分級(jí)加工乃至貫穿整個(gè)農(nóng)業(yè)生產(chǎn)環(huán)節(jié)的成熟技術(shù)，在種植業(yè)以外的其他涉農(nóng)行業(yè)也有應(yīng)用，對(duì)提高作業(yè)精度、節(jié)約勞動(dòng)力、帶動(dòng)產(chǎn)業(yè)升級(jí)、推動(dòng)農(nóng)機(jī)信息化和智能化等具有重要意義，為我國(guó)農(nóng)業(yè)發(fā)展作出了重要貢獻(xiàn)。目前，我國(guó)正處于由傳統(tǒng)農(nóng)業(yè)邁向現(xiàn)代農(nóng)業(yè)的過(guò)渡期，機(jī)器視覺(jué)作為農(nóng)業(yè)機(jī)械的“眼睛”，在近幾年得到了飛速發(fā)展，極大地提高了生產(chǎn)效率和農(nóng)機(jī)自動(dòng)化水平。把握好該技術(shù)在我國(guó)農(nóng)業(yè)領(lǐng)域內(nèi)的研究現(xiàn)狀和熱點(diǎn)，對(duì)補(bǔ)足我國(guó)農(nóng)業(yè)中機(jī)器視覺(jué)技術(shù)的弱勢(shì)、明確未來(lái)視覺(jué)技術(shù)的發(fā)展趨勢(shì)具有重要的參考價(jià)值。

1 文獻(xiàn)數(shù)據(jù)來(lái)源及分析方法

1.1 文獻(xiàn)數(shù)據(jù)來(lái)源

文獻(xiàn)數(shù)據(jù)為收錄在中國(guó)知網(wǎng)的核心、EI及SCI論文，發(fā)表截至?xí)r間為2021年12月31日，檢索時(shí)間為2022年8月1日，運(yùn)用中國(guó)知網(wǎng)專(zhuān)業(yè)檢索功能，使用表1檢索式逐次進(jìn)行檢索后，再匯總、去重、去除相關(guān)度不高或綜述性的論文，以篩選后的 503篇論文作為分析對(duì)象。

1.2 文獻(xiàn)分析方法

運(yùn)用CiteSpace對(duì)文獻(xiàn)數(shù)據(jù)進(jìn)行文獻(xiàn)計(jì)量學(xué)中的年度分布分析、關(guān)鍵詞分析及知識(shí)圖譜繪制，通過(guò)人工閱讀篩選進(jìn)行文獻(xiàn)研究?jī)?nèi)容分類(lèi)，借助Excel進(jìn)行統(tǒng)計(jì)數(shù)據(jù)的圖表繪制。

2 發(fā)展情況簡(jiǎn)析

由圖1可知，機(jī)器視覺(jué)在我國(guó)農(nóng)業(yè)領(lǐng)域內(nèi)的相關(guān)研究發(fā)文數(shù)量整體呈現(xiàn)上升趨勢(shì)，局部具有微小波動(dòng)。按照發(fā)文數(shù)量將機(jī)器視覺(jué)在我國(guó)農(nóng)業(yè)領(lǐng)域內(nèi)的發(fā)展大致分為以下3個(gè)階段。

第一階段為1998—2008年，此階段每年的發(fā)文數(shù)量較少，共計(jì)發(fā)文56篇，該階段稱(chēng)為萌芽期。機(jī)器視覺(jué)作為一種農(nóng)業(yè)新技術(shù)，在該階段的相關(guān)研究多以算法的實(shí)現(xiàn)為主，受制于計(jì)算機(jī)低算力和圖像采集系統(tǒng)的低分辨率，該階段的研究成果很難支撐起快速準(zhǔn)確的在線檢測(cè)或數(shù)據(jù)處理，整體分析精度不高，以通過(guò)靜態(tài)圖片進(jìn)行算法研究為主，實(shí)用性不強(qiáng)。此外，在人工閱讀篩選和分析文獻(xiàn)時(shí)，發(fā)現(xiàn)該階段的論文有許多都是介紹國(guó)外研究成果的科普性綜述，其數(shù)量在某些年份甚至多過(guò)研究性論文，說(shuō)明該階段國(guó)內(nèi)農(nóng)業(yè)領(lǐng)域?qū)C(jī)器視覺(jué)的研究及應(yīng)用遠(yuǎn)不如國(guó)外，我國(guó)視覺(jué)技術(shù)起步較晚、應(yīng)用于農(nóng)業(yè)的程度較低的劣勢(shì)在該階段非常明顯。

第二階段為2009—2015年，此階段的發(fā)文數(shù)量逐步上升，共計(jì)發(fā)文170篇，此階段稱(chēng)為視覺(jué)技術(shù)的成長(zhǎng)期。經(jīng)過(guò)一段時(shí)間的發(fā)展和研究，機(jī)器視覺(jué)技術(shù)已經(jīng)在農(nóng)業(yè)生產(chǎn)中有了一定的應(yīng)用，雖然也是以算法的實(shí)現(xiàn)為主，但此階段中有不少以解決實(shí)際需求為出發(fā)點(diǎn)、以算法與農(nóng)業(yè)機(jī)械的結(jié)合為目的進(jìn)行研究，精度和處理速度的提升也使得機(jī)器視覺(jué)在農(nóng)業(yè)生產(chǎn)中的實(shí)用性得到增強(qiáng)。

第三階段為2016—2021年，此階段發(fā)文數(shù)量較多，共計(jì)發(fā)文277篇，該階段稱(chēng)為成熟期。此階段機(jī)器視覺(jué)在農(nóng)業(yè)中的應(yīng)用愈發(fā)廣泛，技術(shù)也愈發(fā)成熟，以?xún)?yōu)化算法增強(qiáng)實(shí)用性的研究逐漸增多。依托于網(wǎng)絡(luò)技術(shù)和計(jì)算機(jī)算力的進(jìn)步，機(jī)器視覺(jué)技術(shù)正在由“幫助機(jī)器看到”向“幫助機(jī)器思考”發(fā)展，深度學(xué)習(xí)等方法的引入使得機(jī)器視覺(jué)在農(nóng)業(yè)中的應(yīng)用越來(lái)越接近智能化，算法的魯棒性也越來(lái)越高。

綜上，我國(guó)農(nóng)業(yè)領(lǐng)域內(nèi)的機(jī)器視覺(jué)技術(shù)發(fā)展可以簡(jiǎn)單總結(jié)為從無(wú)到有、從有到實(shí)用、從實(shí)用向智能發(fā)展3個(gè)過(guò)程。

3 應(yīng)用方向歸類(lèi)

通過(guò)閱讀分析，可以將機(jī)器視覺(jué)在我國(guó)農(nóng)業(yè)領(lǐng)域內(nèi)的應(yīng)用分為視覺(jué)導(dǎo)航、無(wú)損檢測(cè)、精確定位、病蟲(chóng)害識(shí)別檢測(cè)、長(zhǎng)勢(shì)監(jiān)測(cè)、特征識(shí)別或判斷、信息采集或測(cè)算7個(gè)方向。

分類(lèi)原則以相關(guān)論文研究?jī)?nèi)容的終端應(yīng)用目的為準(zhǔn)，如倪江楠等基于光學(xué)導(dǎo)航的采摘機(jī)器人系統(tǒng)設(shè)計(jì)及定位方法研究［1］，雖然題目中包含“導(dǎo)航”，研究中有果實(shí)的識(shí)別內(nèi)容，但是其研究的應(yīng)用目的是幫助采摘機(jī)器人更好地定位果實(shí)所在位置。因此，該論文的應(yīng)用方向歸類(lèi)為精確定位。其他論文均以此準(zhǔn)則進(jìn)行歸類(lèi)，各應(yīng)用方向的發(fā)文比例如圖2所示，具體數(shù)量分布如表2所示。

4 各應(yīng)用方向的研究情況簡(jiǎn)析

4.1 視覺(jué)導(dǎo)航

視覺(jué)導(dǎo)航的研究目標(biāo)大致可以分為2類(lèi)，一類(lèi)為幫助農(nóng)業(yè)裝備進(jìn)行路徑規(guī)劃，從而實(shí)現(xiàn)作業(yè)線路導(dǎo)航或無(wú)人駕駛作業(yè)；另一類(lèi)為輔助農(nóng)業(yè)裝備避障或避開(kāi)農(nóng)作物。作為自主導(dǎo)航農(nóng)機(jī)的重要組成部分，機(jī)器視覺(jué)可以通過(guò)識(shí)別作物行［2-3］、道路［4-5］、地頭線［6］、根茬［7-8］、障礙物［9-10］等完成導(dǎo)航。

視覺(jué)導(dǎo)航是機(jī)器視覺(jué)在我國(guó)農(nóng)業(yè)中最早的應(yīng)用方向之一，1998年，王豐元等根據(jù)霍夫（Hough）變換設(shè)計(jì)出一種直線檢測(cè)方法，這是本研究檢索的文獻(xiàn)數(shù)據(jù)中最早關(guān)于機(jī)器視覺(jué)在導(dǎo)航中的應(yīng)用研究［11］。當(dāng)時(shí)視覺(jué)導(dǎo)航技術(shù)還未在我國(guó)農(nóng)業(yè)中投入使用，相關(guān)研究?jī)H限于算法研究與可行性分析。經(jīng)過(guò)多年發(fā)展，具有自主導(dǎo)航功能的農(nóng)業(yè)機(jī)械越來(lái)越多地應(yīng)用于農(nóng)業(yè)生產(chǎn)中，相關(guān)研究涉及田間作業(yè)導(dǎo)航［12-13］、收獲［14］、運(yùn)輸［15］等多個(gè)方面。

機(jī)器視覺(jué)導(dǎo)航共有3種應(yīng)用途徑，一是獨(dú)立視覺(jué)導(dǎo)航，即僅通過(guò)機(jī)器視覺(jué)對(duì)農(nóng)業(yè)機(jī)械進(jìn)行導(dǎo)航；二是視覺(jué)輔助導(dǎo)航，即作為全球?qū)Ш叫l(wèi)星系統(tǒng)（GNSS）導(dǎo)航受到干擾時(shí)的臨時(shí)輔助導(dǎo)航；三是聯(lián)合導(dǎo)航，即使用機(jī)器視覺(jué)、GNSS、超聲波或其他傳感器進(jìn)行聯(lián)合導(dǎo)航，常見(jiàn)的視覺(jué)導(dǎo)航典型結(jié)構(gòu)見(jiàn)圖3。

獨(dú)立視覺(jué)導(dǎo)航的相關(guān)研究多應(yīng)用于農(nóng)機(jī)在農(nóng)田內(nèi)的行走路徑導(dǎo)航，利用機(jī)器視覺(jué)進(jìn)行路徑規(guī)劃。關(guān)卓懷等經(jīng)過(guò)畸變矯正、高斯濾波、2R-G-B超紅特征模型的圖像二值化割、二值圖像形態(tài)學(xué)開(kāi)-閉運(yùn)算、抑制噪聲等流程實(shí)現(xiàn)了4種光線環(huán)境下水稻收獲作業(yè)路徑提取［16］；王僑等依據(jù)農(nóng)田內(nèi)外像素灰度跳變特征判斷地頭是否出現(xiàn)，經(jīng)過(guò)平滑處理、建立按序離群度參數(shù)、確定跳變特征點(diǎn)的像素坐標(biāo)等流程獲得農(nóng)機(jī)所在地頭安全轉(zhuǎn)向掉頭的邊界線［17］。

視覺(jué)輔助導(dǎo)航的相關(guān)研究多應(yīng)用于自主性較強(qiáng)，但作業(yè)環(huán)境可能短暫失去GNSS信號(hào)的無(wú)人駕駛設(shè)備。張振乾等使用型號(hào)為ZED雙目相機(jī)采集圖像，通過(guò)點(diǎn)云獲取和實(shí)時(shí)三維重建，結(jié)合改進(jìn) K-means 聚類(lèi)方法實(shí)現(xiàn)巡檢機(jī)器人在香蕉園內(nèi)的路徑提?。?8］；田光兆等使用BBX3三目相機(jī)采集圖像，并實(shí)現(xiàn)自主導(dǎo)航拖拉機(jī)短時(shí)離開(kāi)衛(wèi)星定位時(shí)的運(yùn)動(dòng)軌跡預(yù)測(cè)［19］。

聯(lián)合導(dǎo)航的相關(guān)研究主要應(yīng)用于智能農(nóng)機(jī)或可以無(wú)人監(jiān)管的自主行駛農(nóng)業(yè)設(shè)備。李云伍等采用差分全球?qū)Ш蕉ㄎ幌到y(tǒng)（RTK-GNSS）進(jìn)行路網(wǎng)信息采集、實(shí)時(shí)定位和路徑規(guī)劃，利用機(jī)器視覺(jué)進(jìn)行田間道路識(shí)別和路徑跟蹤線提取，研制出丘陵山區(qū)田間道路自主轉(zhuǎn)運(yùn)車(chē)的導(dǎo)航系統(tǒng)，在3種不同路況下均有較小的行駛誤差，可以滿足轉(zhuǎn)運(yùn)車(chē)自主行駛的安全要求［20］；王東等利用GNSS導(dǎo)航進(jìn)行無(wú)人機(jī)果園作業(yè)的行間切換，利用機(jī)器視覺(jué)進(jìn)行果樹(shù)識(shí)別并實(shí)現(xiàn)無(wú)人機(jī)軌跡控制，研發(fā)出一種適用于山地果園且精度較高的無(wú)人機(jī)軌跡控制系統(tǒng)［21］。

總體而言，視覺(jué)導(dǎo)航技術(shù)已經(jīng)較成熟，在我國(guó)農(nóng)業(yè)中應(yīng)用廣泛，近年來(lái)，以增加智能程度和提高精度為目的展開(kāi)的研究日益增多。未來(lái)的研究?jī)A向于機(jī)器視覺(jué)與GNSS等技術(shù)結(jié)合的高精度、高自主性導(dǎo)航設(shè)備研發(fā)，如2022年9月3日，在廣西壯族自治區(qū)柳州市舉辦的“‘科創(chuàng)中國(guó)丘陵山區(qū)智能農(nóng)機(jī)裝備高質(zhì)量發(fā)展研討會(huì)”上，羅錫文院士展示的水稻無(wú)人農(nóng)場(chǎng)內(nèi)的自主導(dǎo)航作業(yè)機(jī)械，既具有自主識(shí)別作業(yè)路徑、作業(yè)目標(biāo)的功能，還可以與配套農(nóng)機(jī)協(xié)同作業(yè)、自主入庫(kù)。此類(lèi)智能農(nóng)機(jī)如何投入更多種農(nóng)作物的生產(chǎn)中，是未來(lái)幾年視覺(jué)導(dǎo)航的研究重點(diǎn)。

4.2 無(wú)損檢測(cè)

機(jī)器視覺(jué)無(wú)損檢測(cè)技術(shù)在我國(guó)農(nóng)業(yè)中的應(yīng)用主要有2種，一是機(jī)器視覺(jué)考種，使用機(jī)器視覺(jué)檢測(cè)種子或種苗，判斷種子或種苗活力；二是機(jī)器視覺(jué)對(duì)果蔬進(jìn)行無(wú)損檢測(cè)分級(jí)（圖4）。

機(jī)器視覺(jué)考種具有無(wú)損、快速、低成本、無(wú)污染、無(wú)主觀影響的優(yōu)點(diǎn)。張晗等將1 200粒正常種子、1 200粒霉變種子、1 200粒破損種子作為圖像采集樣本，使用HALCON軟件提取種子的18個(gè)顏色和12個(gè)形態(tài)特征，建立相關(guān)檢測(cè)模型，實(shí)現(xiàn)了較高準(zhǔn)確率的玉米種子分選試驗(yàn)結(jié)構(gòu)［22］；張秀花等對(duì)YOLOv3-Tiny卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)模型進(jìn)行改進(jìn)，實(shí)現(xiàn)了番茄穴盤(pán)苗內(nèi)無(wú)苗、弱苗、壯苗穴盤(pán)識(shí)別分級(jí)，在重合閾值為50%的條件下平均精度達(dá)到97.64%，且單張圖像的處理時(shí)間為 5.03 ms，相比于人工乃至其他目標(biāo)檢測(cè)算法均有優(yōu)勢(shì)，對(duì)種苗檢測(cè)具有重要參考價(jià)值［23］。

機(jī)器視覺(jué)無(wú)損檢測(cè)分級(jí)可以通過(guò)對(duì)尺寸、顏色、缺陷情況等指標(biāo)綜合考量后進(jìn)行果蔬自動(dòng)分級(jí)，在大量、多指標(biāo)的農(nóng)產(chǎn)品分級(jí)任務(wù)中相比于人工或其他物理分級(jí)系統(tǒng)具有無(wú)主觀影響、能綜合指標(biāo)分級(jí)的明顯優(yōu)勢(shì)。王風(fēng)云等提出基于分水嶺、Canny算子、閉運(yùn)算等處理的雙孢蘑菇圖像大小分級(jí)算法，同時(shí)開(kāi)發(fā)出相關(guān)分析與控制軟件、研發(fā)出樣機(jī)，該研究在輸送速度為12.7 m/min、相機(jī)行頻為 1 900 Hz 下，具有97.42%的平均準(zhǔn)確率［24］；向陽(yáng)等探究一種基于遷移學(xué)習(xí)的芒果雙面成熟度在線檢測(cè)分級(jí)系統(tǒng)，通過(guò)獲取、合并、預(yù)處理芒果上下兩面的圖像，以顏色信息為分級(jí)依據(jù)，利用卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)芒果成熟度進(jìn)行分級(jí)，試驗(yàn)中該模型的平均準(zhǔn)確率達(dá)到96.72%，單個(gè)樣品檢測(cè)耗時(shí) 0.16 s，具有實(shí)用價(jià)值［25］。

無(wú)論是機(jī)器視覺(jué)考種還是果蔬等農(nóng)產(chǎn)品分級(jí)，都需要針對(duì)不同作業(yè)目標(biāo)的不同評(píng)級(jí)標(biāo)準(zhǔn)進(jìn)行算法訓(xùn)練，因此很難形成具有普遍適用性的無(wú)損檢測(cè)系統(tǒng)。隨著處理器人工智能（AI）算力的進(jìn)步，識(shí)別訓(xùn)練可以利用網(wǎng)絡(luò)大數(shù)據(jù)進(jìn)行，對(duì)各類(lèi)缺陷進(jìn)行特征歸類(lèi)、建立檢測(cè)系統(tǒng)框架和數(shù)據(jù)庫(kù)，以此改變必須對(duì)待測(cè)物及缺陷先進(jìn)行特定訓(xùn)練才能視覺(jué)無(wú)損檢測(cè)的現(xiàn)狀，進(jìn)而實(shí)現(xiàn)更高效的無(wú)損檢測(cè)系統(tǒng)的開(kāi)發(fā)。

4.3 精確定位

基于機(jī)器視覺(jué)的精確定位在我國(guó)農(nóng)業(yè)中的應(yīng)用[CM（21]主要有2種，一是采摘機(jī)械作業(yè)時(shí)需要的果蔬空間位置定位，二是植保作業(yè)時(shí)植保機(jī)械對(duì)作業(yè)目標(biāo)的精確對(duì)靶。利用機(jī)器視覺(jué)進(jìn)行精確定位的研究是隨著農(nóng)業(yè)機(jī)器人的發(fā)展而興起的，其作業(yè)時(shí)的底層原理是目標(biāo)識(shí)別。在采摘作業(yè)中精確定位時(shí)，機(jī)器視覺(jué)需要識(shí)別待采摘果蔬的特征，分辨果蔬所在的空間位置，并盡可能去除枝葉干擾，判斷果蔬距離。陳軍等利用HSV顏色模型，通過(guò)分割紅色區(qū)域的方法識(shí)別成熟草莓，利用測(cè)距模塊保持機(jī)器與種植壟的距離恒定，設(shè)計(jì)出配套執(zhí)行部件并實(shí)現(xiàn)成熟草莓的識(shí)別與精確定位，在試驗(yàn)條件下具有90%的無(wú)傷采摘成功率［26］；鄭如新等通過(guò)圖像采集、噪音消除、RGB和HSV顏色分割、Canny算法邊緣檢測(cè)等流程實(shí)現(xiàn)了金銀花的識(shí)別，改進(jìn)后的識(shí)別率為93.75%，可以滿足金銀花采摘機(jī)器人實(shí)時(shí)作業(yè)要求［27］。

在植保作業(yè)精確定位時(shí)，機(jī)器視覺(jué)需要通過(guò)識(shí)別雜草、作物或作物行等目標(biāo)實(shí)現(xiàn)精準(zhǔn)控制對(duì)靶，從而達(dá)到精確施肥、噴藥或避苗作業(yè)的目的。韓長(zhǎng)杰等通過(guò)改進(jìn)超綠算法（ExG算法）提取顏色信息，提出甘藍(lán)作物行與多作物行自適應(yīng)感興趣區(qū)域（ROI）提取方法，并設(shè)計(jì)基于PID軌跡追蹤算法的對(duì)行噴霧控制系統(tǒng)，在田間試驗(yàn)中對(duì)行準(zhǔn)確率達(dá)到93.33%，對(duì)行偏差在 1.54 cm 以?xún)?nèi)，可以滿足田間作業(yè)需求［28］；宗澤等利用顏色特征識(shí)別玉米株心，使用切片式排肥器進(jìn)行間歇排肥，建立施肥滯后誤差補(bǔ)償模型，進(jìn)而實(shí)現(xiàn)準(zhǔn)確的玉米按株定位定量施肥，施肥位置誤差平均為3.2 cm，可以滿足科學(xué)施肥、減少化肥浪費(fèi)的目的［29］。

目前，我國(guó)利用機(jī)器視覺(jué)精確定位的相關(guān)研究多具有針對(duì)性，可識(shí)別作業(yè)目標(biāo)較少，通常在植物保護(hù)技術(shù)作業(yè)中的實(shí)際應(yīng)用較多。未來(lái)可以通過(guò)結(jié)合激光測(cè)距、超聲波測(cè)障、TOF鏡頭深度測(cè)量等技術(shù)手段實(shí)現(xiàn)更高精度的定位。

4.4 病蟲(chóng)害識(shí)別檢測(cè)

機(jī)器視覺(jué)可以幫助種植人員更快更好地識(shí)別病蟲(chóng)害類(lèi)型，評(píng)估病蟲(chóng)害受災(zāi)情況，從而制定恰當(dāng)?shù)膽?yīng)對(duì)措施。早期利用機(jī)器視覺(jué)實(shí)現(xiàn)的病蟲(chóng)害識(shí)別主要利用簡(jiǎn)單的形狀邏輯判斷，而后發(fā)展到基于特征向量的模式識(shí)別，如今隨著深度學(xué)習(xí)的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)及其改進(jìn)算法的引入大幅提高了識(shí)別率［30］。李就好等提出一種基于改進(jìn)的更快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Faster R-CNN）的苦瓜葉部病害目標(biāo)檢測(cè)方法，經(jīng)過(guò)圖像采集、深度學(xué)習(xí)模型訓(xùn)練、圖像隨機(jī)處理、融入特征金字塔網(wǎng)絡(luò)等流程，建立識(shí)別苦瓜健康葉片、白粉病、灰斑病、蔓枯病、斑點(diǎn)病且具有良好魯棒性的檢測(cè)模型［31］；黨滿意等利用RGB、HSV顏色空間中馬鈴薯葉片的顏色變化建立晚疫病無(wú)病和患病模型，并用熵值和能量值描述病情的嚴(yán)重程度，相比于傳統(tǒng)理化值檢測(cè)法可以節(jié)約大量時(shí)間［32］；張哲宇等利用改進(jìn)YOLOv3和DBTNet-101雙層網(wǎng)絡(luò)建立稻縱卷葉螟檢測(cè)模型，配合相關(guān)硬件設(shè)施搭建基于深度學(xué)習(xí)的機(jī)器視覺(jué)稻縱卷葉螟性誘智能監(jiān)測(cè)系統(tǒng)，實(shí)現(xiàn)稻縱卷葉螟成蟲(chóng)的實(shí)時(shí)自動(dòng)檢測(cè)，精確率達(dá)到97.6%［33］。

雖然利用機(jī)器視覺(jué)識(shí)別病蟲(chóng)害的研究隨著向量機(jī)、深度學(xué)習(xí)等算法的引入及優(yōu)化變得越發(fā)穩(wěn)定和成熟，但是由于病蟲(chóng)害種類(lèi)繁多，且各類(lèi)病蟲(chóng)害的可視化表征可能相似或重疊，導(dǎo)致目前機(jī)器視覺(jué)識(shí)別病蟲(chóng)害之前必須進(jìn)行大量針對(duì)性訓(xùn)練。開(kāi)發(fā)一個(gè)可以識(shí)別大量病蟲(chóng)害種類(lèi)、評(píng)估受災(zāi)情況的系統(tǒng)任重而道遠(yuǎn)。未來(lái)該技術(shù)的研究可以向普適性識(shí)別和提供意見(jiàn)結(jié)合的方向發(fā)展，先從病蟲(chóng)害數(shù)據(jù)庫(kù)建立著手，經(jīng)過(guò)長(zhǎng)期的圖像采集和特征提取，制定統(tǒng)一病蟲(chóng)害嚴(yán)重情況評(píng)判標(biāo)準(zhǔn)，而后引入專(zhuān)家應(yīng)對(duì)意見(jiàn)，實(shí)現(xiàn)識(shí)別、防治雙功能。

4.5 長(zhǎng)勢(shì)監(jiān)測(cè)

對(duì)農(nóng)作物進(jìn)行長(zhǎng)勢(shì)監(jiān)測(cè)是精準(zhǔn)農(nóng)業(yè)的重要組成部分，通過(guò)視覺(jué)系統(tǒng)獲取作物生長(zhǎng)狀況、環(huán)境因素等數(shù)據(jù)，有利于田間管理者做出決策建議，可以更加精準(zhǔn)地進(jìn)行水肥配給。建立長(zhǎng)勢(shì)與收獲相關(guān)模型，可以通過(guò)長(zhǎng)勢(shì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行產(chǎn)量預(yù)估。

傳統(tǒng)的長(zhǎng)勢(shì)監(jiān)測(cè)系統(tǒng)常見(jiàn)于設(shè)施農(nóng)業(yè)中，多利用較固定的監(jiān)測(cè)點(diǎn)在一定區(qū)域內(nèi)進(jìn)行長(zhǎng)期監(jiān)測(cè)，從而獲得完整生長(zhǎng)周期內(nèi)的長(zhǎng)勢(shì)與環(huán)境相關(guān)度信息，具有較高的穩(wěn)定性和數(shù)據(jù)預(yù)測(cè)準(zhǔn)確度。李云霞等對(duì)2017—2019年連續(xù)2個(gè)生長(zhǎng)季的冬小麥進(jìn)行多次圖像采集，分別構(gòu)建苗期冠層和開(kāi)花期麥穗數(shù)據(jù)集，利用RGB圖像和深度學(xué)習(xí)完成冬小麥長(zhǎng)勢(shì)參數(shù)模塊和麥穗計(jì)數(shù)模塊的搭建，可以滿足冬小麥田間長(zhǎng)勢(shì)參數(shù)估算需求［34］。相比于傳統(tǒng)長(zhǎng)勢(shì)監(jiān)測(cè)系統(tǒng)，利用無(wú)人機(jī)進(jìn)行長(zhǎng)勢(shì)監(jiān)測(cè)具有覆蓋范圍大、靈活、機(jī)動(dòng)性好、作業(yè)效率高、布局成本低的優(yōu)點(diǎn)。寧川等利用無(wú)人機(jī)搭載數(shù)碼相機(jī)采集油菜圖像，經(jīng)過(guò)對(duì)圖像進(jìn)行預(yù)處理和色度（HIS）色彩空間灰度化、閾值分割等流程，最終實(shí)現(xiàn)了以色度（H）分量值為特征參數(shù)的油菜長(zhǎng)勢(shì)評(píng)價(jià)系統(tǒng)，為油菜長(zhǎng)勢(shì)調(diào)查和產(chǎn)量預(yù)測(cè)提供依據(jù)［35］。

從長(zhǎng)勢(shì)監(jiān)測(cè)系統(tǒng)的實(shí)際應(yīng)用經(jīng)驗(yàn)來(lái)看，結(jié)合多種傳感器、環(huán)境可控的設(shè)施農(nóng)業(yè)內(nèi)部具有最好的長(zhǎng)勢(shì)監(jiān)測(cè)條件，大田應(yīng)用場(chǎng)景中很難滿足精細(xì)布局和光線調(diào)控的需要，利用無(wú)人機(jī)進(jìn)行長(zhǎng)勢(shì)監(jiān)測(cè)是大田作業(yè)要求下的發(fā)展趨勢(shì)。為了避免明暗干擾，未來(lái)可以嘗試在夜間進(jìn)行基于紅外線或多光譜結(jié)合的機(jī)器視覺(jué)長(zhǎng)勢(shì)監(jiān)測(cè)。

4.6 特征識(shí)別或判斷

機(jī)器視覺(jué)進(jìn)行特征識(shí)別或判斷的技術(shù)最常見(jiàn)于人臉識(shí)別、拍照識(shí)圖等場(chǎng)景，在農(nóng)業(yè)領(lǐng)域內(nèi)的目標(biāo)識(shí)別或判斷多用于利用機(jī)器視覺(jué)進(jìn)行種植業(yè)內(nèi)的植物品種或類(lèi)型識(shí)別、養(yǎng)殖業(yè)內(nèi)的動(dòng)物個(gè)體身份或行為識(shí)別，乃至通過(guò)特征識(shí)別判斷植物是否可食用或有價(jià)值、動(dòng)物是否需要調(diào)整養(yǎng)殖條件。

種植業(yè)中的農(nóng)作物種類(lèi)繁多，傳統(tǒng)植物識(shí)別方法需要工作人員具備扎實(shí)的植物形態(tài)學(xué)知識(shí)，機(jī)器視覺(jué)可以依據(jù)花、果實(shí)、枝葉等器官的形態(tài)、紋理、顏色等特征對(duì)植物進(jìn)行識(shí)別分類(lèi)。溫長(zhǎng)吉等以多個(gè)植物圖像數(shù)據(jù)庫(kù)的照片為試驗(yàn)數(shù)據(jù)集，引入并改進(jìn)稠密膠囊網(wǎng)絡(luò)模型進(jìn)行花卉和葉片等植物器官的識(shí)別，通過(guò)增加前景待識(shí)別區(qū)域的特征權(quán)值降低背景干擾，實(shí)現(xiàn)了圖片尺寸為32像素×32像素時(shí)77.2%、圖片尺寸為227像素×227像素時(shí)95.1%的平均識(shí)別準(zhǔn)確率［36］；林楠等利用Retinex算法增強(qiáng)圖像，通過(guò)中值濾波進(jìn)行圖像去噪預(yù)處理，以改進(jìn)HSV色彩空間進(jìn)行識(shí)別，實(shí)現(xiàn)野生菌的快速有效識(shí)別［37］。

養(yǎng)殖業(yè)內(nèi)對(duì)動(dòng)物個(gè)體進(jìn)行身份識(shí)別是智能化養(yǎng)殖中實(shí)現(xiàn)精準(zhǔn)監(jiān)測(cè)與溯源的重要手段之一，對(duì)動(dòng)物行為進(jìn)行識(shí)別是養(yǎng)殖人員判斷動(dòng)物身體狀況與訴求、保證動(dòng)物福利的重要依據(jù)。謝秋菊等建立改進(jìn)的融合注意力機(jī)制的密集卷積網(wǎng)絡(luò)（DenseNet-CBAM）模型對(duì)豬臉進(jìn)行識(shí)別，通過(guò)嵌入密集卷積網(wǎng)絡(luò)（CBAM）注意力模塊加強(qiáng)豬臉關(guān)鍵特征的提取，并實(shí)現(xiàn)豬臉圖像分類(lèi)，豬臉識(shí)別準(zhǔn)確率達(dá)到99.25%［38］；王少華等使用改進(jìn)的高斯混合模型進(jìn)行運(yùn)動(dòng)奶牛目標(biāo)檢測(cè)，通過(guò)色彩及紋理信息去除干擾背景，再利用AlexNet深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練奶牛行為分類(lèi)網(wǎng)絡(luò)模型，識(shí)別奶牛爬跨行為，實(shí)現(xiàn)100%的奶牛發(fā)情行為自動(dòng)識(shí)別［39］。

隨著智能手機(jī)的發(fā)展，圖像識(shí)別技術(shù)的普及度越來(lái)越高，但是農(nóng)業(yè)中真正成熟的目標(biāo)識(shí)別判斷系統(tǒng)依然稀缺。農(nóng)業(yè)領(lǐng)域內(nèi)圖像識(shí)別的難點(diǎn)，主要是需要識(shí)別的物體種類(lèi)和難以歸類(lèi)處理的特征太多。建立一套識(shí)別系統(tǒng)需要大量的數(shù)據(jù)，如果要進(jìn)行植物種類(lèi)識(shí)別，首先要有大量的植物圖像可供系統(tǒng)訓(xùn)練，其次要對(duì)各類(lèi)相似植物的細(xì)微差異進(jìn)行區(qū)分，最后還要通過(guò)不同角度、不同光照環(huán)境適應(yīng)性練習(xí)保證貼近實(shí)際應(yīng)用場(chǎng)景；如果要對(duì)某種動(dòng)物進(jìn)行個(gè)體識(shí)別，則需要對(duì)該動(dòng)物較固定的形貌特征進(jìn)行提取，并長(zhǎng)期對(duì)該特征進(jìn)行跟蹤和對(duì)比，得出該特征隨時(shí)間延長(zhǎng)而發(fā)生變化的函數(shù)，通過(guò)多次預(yù)測(cè)和修正減少動(dòng)物成長(zhǎng)帶來(lái)的干擾?？傊?，精準(zhǔn)精確的目標(biāo)識(shí)別判斷在我國(guó)農(nóng)業(yè)內(nèi)大量應(yīng)用還有很長(zhǎng)的一段路要走。

4.7 信息采集或測(cè)算

農(nóng)業(yè)生產(chǎn)中通過(guò)機(jī)器視覺(jué)進(jìn)行信息采集或測(cè)算具有非接觸、準(zhǔn)確率高、速度快、節(jié)約勞動(dòng)力的優(yōu)點(diǎn)，因此在農(nóng)田技術(shù)指標(biāo)采集、農(nóng)產(chǎn)品質(zhì)量評(píng)價(jià)、動(dòng)物發(fā)育狀況考評(píng)等方面具有大量的應(yīng)用與研究［40］。

某些農(nóng)田指標(biāo)的采集需要耗費(fèi)大量勞動(dòng)力，同時(shí)作業(yè)效率低，利用視覺(jué)技術(shù)可以在成本較低且不改變農(nóng)田待測(cè)指標(biāo)的情況下完成信息采集。安曉飛等利用K-means聚類(lèi)算法從背景中分離秸稈圖像，分區(qū)尋優(yōu)，再通過(guò)對(duì)秸稈像素點(diǎn)數(shù)量的計(jì)算獲得田地里玉米秸稈的覆蓋率，經(jīng)過(guò)驗(yàn)證，該方法與人工拉繩法和人工圖像標(biāo)記法均有較高的相關(guān)系數(shù)，誤判率為7%，能夠在不同條件下代替人工進(jìn)行秸稈覆蓋率計(jì)算［41］。

農(nóng)產(chǎn)品質(zhì)量評(píng)價(jià)對(duì)農(nóng)產(chǎn)品價(jià)格評(píng)估具有重要參考價(jià)值，許多傳統(tǒng)評(píng)價(jià)方法具有工序繁雜費(fèi)時(shí)、主觀因素影響大、評(píng)價(jià)指標(biāo)易浮動(dòng)的缺點(diǎn)，機(jī)器視覺(jué)的大量應(yīng)用，使得快速采集農(nóng)產(chǎn)品優(yōu)劣信息進(jìn)行農(nóng)產(chǎn)品質(zhì)量評(píng)價(jià)成為現(xiàn)實(shí)。萬(wàn)龍等采用RGB雙面成像方法獲取籽棉樣本圖像，通過(guò)分析圖像內(nèi)雜質(zhì)面積預(yù)測(cè)已去除大雜的籽棉含雜率和小雜質(zhì)量，最后結(jié)合大小雜質(zhì)數(shù)據(jù)預(yù)測(cè)樣本總含雜率，結(jié)果表明該系統(tǒng)具有較高的準(zhǔn)確率，同時(shí)比人工檢測(cè)有更高的效率［42］。

動(dòng)物的生長(zhǎng)發(fā)育狀況常通過(guò)動(dòng)物體尺、體質(zhì)量、體態(tài)等指標(biāo)進(jìn)行考評(píng)，傳統(tǒng)的測(cè)量方法常需要人工作業(yè)，效率低且具有安全隱患，利用機(jī)器視覺(jué)進(jìn)行無(wú)接觸測(cè)量具有安全高效的優(yōu)點(diǎn)。司永勝等利用Kinect相機(jī)獲取的視頻數(shù)據(jù)對(duì)長(zhǎng)白豬和大白豬進(jìn)行豬體姿態(tài)檢測(cè)和體尺測(cè)量，利用最小外接矩形法調(diào)整豬體為水平方向，利用投影法和差分法識(shí)別豬體的頭、尾位置，通過(guò)頭部邊界標(biāo)記法判斷耳部是否缺失，再通過(guò)骨骼化算法結(jié)合霍夫變換檢測(cè)豬體頭部是否歪斜，進(jìn)而進(jìn)行體尺測(cè)量，該算法對(duì)豬體寬、高、長(zhǎng)的平均測(cè)量精度分別為95.5%、96.3%、97.3%，準(zhǔn)確率較高，對(duì)實(shí)現(xiàn)無(wú)接觸豬體尺測(cè)量具有參考價(jià)值［43］。

非接觸式信息采集或測(cè)算是未來(lái)農(nóng)業(yè)信息化發(fā)展的重要組成部分。受新冠疫情影響，近2年非接觸測(cè)量變得越來(lái)越常見(jiàn)，在農(nóng)業(yè)中的應(yīng)用也層出不窮。除了非接觸外，機(jī)器視覺(jué)相較于人眼或傳統(tǒng)物理信息采測(cè)方法具有更高的分辨能力、數(shù)據(jù)量化能力和環(huán)境適應(yīng)能力。近年來(lái)相關(guān)研究的目的主要是代替原有落后或低效信息的采測(cè)方法，提高作業(yè)效率，預(yù)計(jì)未來(lái)幾年基于機(jī)器視覺(jué)的信息采集或測(cè)算系統(tǒng)會(huì)淘汰更多傳統(tǒng)人力信息采集或測(cè)算方法。

5 研究重點(diǎn)及趨勢(shì)分析

5.1 關(guān)鍵詞共現(xiàn)分析

關(guān)鍵詞一定程度上反映某一領(lǐng)域的研究重點(diǎn)，結(jié)合具體應(yīng)用情況可以推斷各研究的熱度走向。對(duì)1998—2021年所有農(nóng)業(yè)領(lǐng)域的機(jī)器視覺(jué)相關(guān)文獻(xiàn)進(jìn)行關(guān)鍵詞共現(xiàn)分析，除去“機(jī)器視覺(jué)”后的關(guān)鍵詞共現(xiàn)圖譜見(jiàn)圖5。

由圖5可知，機(jī)器視覺(jué)在我國(guó)農(nóng)業(yè)中的研究重點(diǎn)主要有6點(diǎn)。第一，導(dǎo)航。視覺(jué)導(dǎo)航隨著智能農(nóng)機(jī)、自動(dòng)駕駛等技術(shù)的發(fā)展越發(fā)成熟，預(yù)計(jì)未來(lái)幾年會(huì)達(dá)到研究熱度的頂峰，而后成為成熟技術(shù)，在大規(guī)模應(yīng)用于農(nóng)業(yè)機(jī)械時(shí)研究熱度會(huì)逐漸下降。第二，農(nóng)業(yè)機(jī)械。該關(guān)鍵詞的出現(xiàn)意味著我國(guó)農(nóng)業(yè)領(lǐng)域內(nèi)的機(jī)器視覺(jué)研究中有一大部分是為農(nóng)業(yè)機(jī)械服務(wù)的，其研究目的是幫助農(nóng)業(yè)機(jī)械實(shí)現(xiàn)導(dǎo)航、采摘、植物保護(hù)等作業(yè)，側(cè)面證明機(jī)器視覺(jué)在我國(guó)農(nóng)業(yè)中的實(shí)際應(yīng)用較多，由于我國(guó)農(nóng)業(yè)機(jī)械發(fā)展情況向好，所以將機(jī)器視覺(jué)應(yīng)用于農(nóng)業(yè)機(jī)械的研究大概率會(huì)繼續(xù)維持熱度，直至智能農(nóng)機(jī)較成熟。第三，識(shí)別。識(shí)別是機(jī)器視覺(jué)得以完成許多作業(yè)的前提，由關(guān)鍵詞共現(xiàn)圖譜可知，識(shí)別的研究與其他研究重點(diǎn)聯(lián)系密切，處于中介地位，由于絕大多數(shù)機(jī)器視覺(jué)作業(yè)都需要先識(shí)別作業(yè)目標(biāo)，所以可以預(yù)見(jiàn)識(shí)別相關(guān)的研究熱度會(huì)較穩(wěn)定地持續(xù)下去。第四，算法。算法是圖像采集系統(tǒng)、數(shù)據(jù)存儲(chǔ)系統(tǒng)、終端執(zhí)行系統(tǒng)等硬件設(shè)施得以進(jìn)行作業(yè)的靈魂，機(jī)器視覺(jué)在我國(guó)農(nóng)業(yè)中的相關(guān)研究均需要算法設(shè)計(jì)、算法優(yōu)化的支撐展開(kāi)，除硬件設(shè)計(jì)外的相關(guān)研究一般均涉及算法，所以機(jī)器視覺(jué)的研究中算法會(huì)始終占有一席之地。第五，無(wú)損檢測(cè)。作為機(jī)器視覺(jué)在農(nóng)業(yè)中的重要應(yīng)用方向，無(wú)損檢測(cè)相關(guān)研究具有持續(xù)且較高的熱度，由于各種農(nóng)作物或種子的檢測(cè)及考評(píng)指標(biāo)不同，相關(guān)研究應(yīng)該還需要很長(zhǎng)時(shí)間才能達(dá)到飽和。第六，圖像處理。圖像處理是視覺(jué)系統(tǒng)得以看清RIO區(qū)域的重要流程，此類(lèi)研究主要是為了幫助機(jī)器視覺(jué)提高抗干擾能力展開(kāi)的，包括但不限于不同光照條件、不同遮擋情況等干擾下的圖像增強(qiáng)或優(yōu)化，為了保證作業(yè)精度，圖像處理的相關(guān)研究應(yīng)該會(huì)始終維持一定的研究熱度。

5.2 突發(fā)詞探測(cè)分析

使用CiteSpace對(duì)關(guān)鍵詞進(jìn)行突發(fā)性（burstness）探測(cè)，得到的突發(fā)詞在一定程度上可以反映出某一階段的研究?jī)A向，最新的突發(fā)詞對(duì)未來(lái)的發(fā)展趨勢(shì)具有參考價(jià)值。對(duì)數(shù)據(jù)庫(kù)內(nèi)2011—2021年的文獻(xiàn)進(jìn)行突發(fā)性探測(cè)，結(jié)果見(jiàn)圖6。

從突發(fā)詞強(qiáng)度（strength）和時(shí)間持續(xù)情況來(lái)看，深度學(xué)習(xí)極有可能成為機(jī)器視覺(jué)在算法研究中的主流方法，其原因與智能農(nóng)機(jī)、無(wú)人農(nóng)場(chǎng)及農(nóng)業(yè)機(jī)器人的發(fā)展關(guān)系密切。深度學(xué)習(xí)在機(jī)器視覺(jué)中應(yīng)用的目的是幫助視覺(jué)系統(tǒng)提高精度和學(xué)習(xí)，最終達(dá)到幫助視覺(jué)系統(tǒng)思考、實(shí)現(xiàn)機(jī)器視覺(jué)智能化。目前最常見(jiàn)的應(yīng)用于機(jī)器視覺(jué)的深度學(xué)習(xí)方法為卷積神經(jīng)網(wǎng)絡(luò)（CNN）及其優(yōu)化算法，彭文等利用深度卷積神經(jīng)網(wǎng)絡(luò)建立精度較高的水稻田雜草識(shí)別模型［44］；張樂(lè)等利用改進(jìn)的更快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Faster R-CNN）實(shí)現(xiàn)了高精度的油菜田雜草識(shí)別［45］。

從突發(fā)詞還可以看出，機(jī)器視覺(jué)在農(nóng)業(yè)無(wú)人機(jī)中的應(yīng)用有較大概率在未來(lái)幾年繼續(xù)保持不錯(cuò)的發(fā)展趨勢(shì)，無(wú)人機(jī)在精準(zhǔn)噴藥［46］、田間信息采集［47］等作業(yè)中具有靈活、高效的優(yōu)勢(shì)。開(kāi)發(fā)更多搭載于無(wú)人機(jī)的視覺(jué)功能，對(duì)實(shí)現(xiàn)高機(jī)動(dòng)性信息化農(nóng)業(yè)具有巨大幫助。

6 結(jié)論

機(jī)器視覺(jué)在我國(guó)農(nóng)業(yè)領(lǐng)域內(nèi)的應(yīng)用范圍廣泛，為我國(guó)農(nóng)業(yè)走向機(jī)械化、信息化乃至智能化起到重要作用。目前，機(jī)器視覺(jué)在我國(guó)農(nóng)業(yè)中有7個(gè)應(yīng)用方向和6個(gè)研究重點(diǎn)，雖然各項(xiàng)技術(shù)已經(jīng)趨于成熟，但是礙于農(nóng)業(yè)領(lǐng)域內(nèi)數(shù)據(jù)量龐大、機(jī)器視覺(jué)的智能程度不高，所以不少帶有視覺(jué)系統(tǒng)的農(nóng)業(yè)機(jī)械仍處于試驗(yàn)推廣階段。

近幾年機(jī)器視覺(jué)在我國(guó)農(nóng)業(yè)中的研究越發(fā)偏向于智能化，“如何讓機(jī)器視覺(jué)幫助農(nóng)業(yè)機(jī)械思考”是未來(lái)幾年的研究重點(diǎn)。深度學(xué)習(xí)是提高視覺(jué)系統(tǒng)精度、實(shí)現(xiàn)多種視覺(jué)功能的有效途徑。雖然基于深度學(xué)習(xí)的機(jī)器視覺(jué)作業(yè)算法已經(jīng)很常見(jiàn)，但是還不算成熟，多用于提高精度。此外，機(jī)器視覺(jué)在農(nóng)業(yè)無(wú)人機(jī)中的應(yīng)用也具有較高的研究?jī)r(jià)值。

總體而言，我國(guó)農(nóng)業(yè)領(lǐng)域?qū)C(jī)器視覺(jué)的應(yīng)用較成功，未來(lái)可以參考各類(lèi)無(wú)人農(nóng)場(chǎng)的模式，將機(jī)器視覺(jué)與其他傳感器進(jìn)行技術(shù)融合，進(jìn)而實(shí)現(xiàn)更多作物、更高精度的全程機(jī)械化。

參考文獻(xiàn)：

［1］倪江楠，石新龍.基于光學(xué)導(dǎo)航的采摘機(jī)器人系統(tǒng)設(shè)計(jì)及定位方法研究［J］. 農(nóng)機(jī)化研究，2021，43（3）：221-225.

［2］楊 洋，張博立，查家翼，等. 玉米行間導(dǎo)航線實(shí)時(shí)提?。跩］. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36（12）：162-171.

［3］馬志艷，湯有勝，楊光友.基于視覺(jué)的茶作物行間行走路徑規(guī)劃研究［J］. 農(nóng)機(jī)化研究，2017，39（1）：202-206.

［4］李云伍，徐俊杰，王銘楓，等. 丘陵山區(qū)田間道路自主行駛轉(zhuǎn)運(yùn)車(chē)及其視覺(jué)導(dǎo)航系統(tǒng)研制［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35（1）：52-61.

［5］陳玉樓.自主行走拖拉機(jī)道路識(shí)別與路徑導(dǎo)航——基于激光掃描測(cè)距［J］. 農(nóng)機(jī)化研究，2018，40（9）：227-231.

［6］喬榆杰，楊鵬樹(shù)，孟志軍，等. 面向自動(dòng)駕駛農(nóng)機(jī)的農(nóng)田地頭邊界線檢測(cè)系統(tǒng)［J］. 農(nóng)機(jī)化研究，2022，44（11）：24-30.

［7］王春雷，盧彩云，李洪文，等. 基于支持向量機(jī)的玉米根茬行圖像分割［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37（16）：117-126.

［8］李景彬，楊禹錕，溫寶琴，等. 基于根茬檢測(cè)的秋后殘膜回收導(dǎo)航路徑提取方法［J］. 吉林大學(xué)學(xué)報(bào)（工學(xué)版），2021，51（4）：1528-1539.

［9］吳春玉.農(nóng)用四軸飛行器避障控制系統(tǒng)設(shè)計(jì)——基于機(jī)器視覺(jué)和超聲波測(cè)距［J］. 農(nóng)機(jī)化研究，2022，44（4）：110-114.

［10］姬長(zhǎng)英，沈子堯，顧寶興，等. 基于點(diǎn)云圖的農(nóng)業(yè)導(dǎo)航中障礙物檢測(cè)方法［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31（7）：173-179.

［11］王豐元，周一鳴，孫壯志.車(chē)輛引導(dǎo)路線檢測(cè)的計(jì)算機(jī)視覺(jué)技術(shù)初探［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，1998，29（1）：1-5.

［12］譚文豪，桑永英，胡敏英，等. 基于機(jī)器視覺(jué)的高地隙噴霧機(jī)自動(dòng)導(dǎo)航系統(tǒng)設(shè)計(jì)［J］. 農(nóng)機(jī)化研究，2022，44（1）：130-136.

［13］張 漫，項(xiàng) 明，魏 爽，等. 玉米中耕除草復(fù)合導(dǎo)航系統(tǒng)設(shè)計(jì)與試驗(yàn)［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46（增刊1）：8-14.

［14］胡丹丹，殷 歡.基于機(jī)器視覺(jué)的玉米收獲機(jī)器人路徑識(shí)別［J］. 農(nóng)機(jī)化研究，2017，39（12）：190-194.

［15］鄧明華.基于GSM嵌入式物流監(jiān)控的農(nóng)業(yè)自主導(dǎo)航車(chē)輛設(shè)計(jì)［J］. 農(nóng)機(jī)化研究，2017，39（2）：237-241.

［16］關(guān)卓懷，陳科尹，丁幼春，等. 水稻收獲作業(yè)視覺(jué)導(dǎo)航路徑提取方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（1）：19-28.

［17］王 僑，劉 卉，楊鵬樹(shù)，等. 基于機(jī)器視覺(jué)的農(nóng)田地頭邊界線檢測(cè)方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（5）：18-27.

［18］張振乾，李世超，李晨陽(yáng)，等. 基于雙目視覺(jué)的香蕉園巡檢機(jī)器人導(dǎo)航路徑提取方法［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37（21）：9-15.

［19］田光兆，顧寶興，Mari I A，等. 基于三目視覺(jué)的自主導(dǎo)航拖拉機(jī)行駛軌跡預(yù)測(cè)方法及試驗(yàn)［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34（19）：40-45.

［20］李云伍，徐俊杰，王銘楓，等. 丘陵山區(qū)田間道路自主行駛轉(zhuǎn)運(yùn)車(chē)及其視覺(jué)導(dǎo)航系統(tǒng)研制［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35（1）：52-61.

［21］王 東，范葉滿，薛金儒，等. 基于GNSS與視覺(jué)融合的山地果園無(wú)人機(jī)航跡控制［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，50（4）：20-28.

［22］張 晗，閆 寧，吳旭東，等. 在線式玉米單粒種子檢測(cè)分選裝置設(shè)計(jì)與試驗(yàn)［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（6）：159-166.

［23］張秀花，靜茂凱，袁永偉，等. 基于改進(jìn)YOLOv3-Tiny的番茄苗分級(jí)檢測(cè)［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2022，38（1）：221-229.

［24］王風(fēng)云，封文杰，鄭紀(jì)業(yè)，等. 基于機(jī)器視覺(jué)的雙孢蘑菇在線自動(dòng)分級(jí)系統(tǒng)設(shè)計(jì)與試驗(yàn)［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34（7）：256-263.

［25］向 陽(yáng)，林潔雯，李亞軍，等. 芒果雙面成熟度在線檢測(cè)分級(jí)系統(tǒng)［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35（10）：259-266.

［26］陳 軍，張繼耀，張 欣.基于機(jī)器視覺(jué)的草莓自動(dòng)采摘機(jī)的設(shè)計(jì)［J］. 農(nóng)機(jī)化研究，2020，42（2）：141-145.

［27］鄭如新，孫青云，肖國(guó)棟.基于機(jī)器視覺(jué)的金銀花圖像識(shí)別處理算法研究［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2022，43（4）：153-159.

［28］韓長(zhǎng)杰，鄭 康，趙學(xué)觀，等. 大田甘藍(lán)作物行識(shí)別與對(duì)行噴霧控制系統(tǒng)設(shè)計(jì)與試驗(yàn)［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（6）：89-101.

［29］宗 澤，劉 剛.基于機(jī)器視覺(jué)的玉米定位施肥控制系統(tǒng)設(shè)計(jì)與試驗(yàn)［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（增刊1）：66-73.

［30］楊 濤，李曉曉.機(jī)器視覺(jué)技術(shù)在現(xiàn)代農(nóng)業(yè)生產(chǎn)中的研究進(jìn)展［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2021，42（3）：171-181.

［31］李就好，林樂(lè)堅(jiān)，田 凱，等. 改進(jìn)Faster R-CNN的田間苦瓜葉部病害檢測(cè)［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36（12）：179-185.

［32］黨滿意，孟慶魁，谷 芳，等. 基于機(jī)器視覺(jué)的馬鈴薯晚疫病快速識(shí)別［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36（2）：193-200.

［33］張哲宇，孫果鎵，楊保軍，等. 基于機(jī)器視覺(jué)和深度學(xué)習(xí)的稻縱卷葉螟性誘智能監(jiān)測(cè)系統(tǒng)［J］. 昆蟲(chóng)學(xué)報(bào)，2022，65（8）：1045-1055.

［34］李云霞，馬浚誠(chéng)，劉紅杰，等. 基于RGB圖像與深度學(xué)習(xí)的冬小麥田間長(zhǎng)勢(shì)參數(shù)估算系統(tǒng)［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37（24）：189-198.

［35］寧 川，趙慶展，韓 峰.基于機(jī)器視覺(jué)的無(wú)人機(jī)油菜長(zhǎng)勢(shì)調(diào)查研究［J］. 農(nóng)機(jī)化研究，2020，42（1）：265-268.

［36］溫長(zhǎng)吉，婁 月，張笑然，等. 基于改進(jìn)稠密膠囊網(wǎng)絡(luò)模型的植物識(shí)別方法［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36（8）：143-155.

［37］林 楠，王 娜，李卓識(shí)，等. 基于機(jī)器視覺(jué)的野生食用菌特征提取識(shí)別研究［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2020，41（5）：111-119.

［38］謝秋菊，吳夢(mèng)茹，包 軍，等. 融合注意力機(jī)制的個(gè)體豬臉識(shí)別［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2022，38（7）：180-188.

［39］王少華，何東健，劉 冬.基于機(jī)器視覺(jué)的奶牛發(fā)情行為自動(dòng)識(shí)別方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（4）：241-249.

［40］吳旭東，張 晗，羅 斌，等. 基于機(jī)器視覺(jué)的小麥種子活力檢測(cè)方法［J］. 江蘇農(nóng)業(yè)科學(xué)，2021，49（24）：189-194.

［41］安曉飛，王 培，羅長(zhǎng)海，等. 基于K-means聚類(lèi)和分區(qū)尋優(yōu)的秸稈覆蓋率計(jì)算方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（10）：84-89.

［42］萬(wàn) 龍，龐宇杰，張若宇，等. 機(jī)采籽棉收購(gòu)環(huán)節(jié)含雜率快速檢測(cè)系統(tǒng)研制［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37（6）：182-189.

［43］司永勝，安露露，劉 剛，等. 基于Kinect相機(jī)的豬體理想姿態(tài)檢測(cè)與體尺測(cè)量［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，50（1）：58-65.

［44］彭 文，蘭玉彬，岳學(xué)軍，等. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的水稻田雜草識(shí)別研究［J］. 華南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2020，41（6）：75-81.

［45］張 樂(lè)，金 秀，傅雷揚(yáng)，等. 基于Faster R-CNN深度網(wǎng)絡(luò)的油菜田間雜草識(shí)別方法［J］. 激光與光電子學(xué)進(jìn)展，2020，57（2）：304-312.

［46］胡志偉，楊 華，婁甜田，等. 基于全卷積網(wǎng)絡(luò)的生豬輪廓提?。跩］. 華南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2018，39（6）：111-119.

［47］許真珠，黃 鶯. 基于無(wú)人機(jī)技術(shù)的水稻精準(zhǔn)噴藥系統(tǒng)研究［J］. 農(nóng)機(jī)化研究，2019，41（2）：238-241，247.

收稿日期：2022-09-30

基金項(xiàng)目：國(guó)家自然科學(xué)基金（編號(hào)：31960503）。

作者簡(jiǎn)介：田鵬菲（1999—），女，山東聊城人，碩士研究生，主要從事農(nóng)業(yè)信息化研究。E-mail：1807588926@qq.com。

通信作者：王皞陽(yáng)（1999—），男，甘肅天水人，碩士研究生，主要從事生物質(zhì)資源化利用研究。E-mail：2029278614@qq.com。