全程监测农作物种植生产：机器视觉技术的优势与潜力分析

Agriculture Communications 期刊于2024年3月上线了北京市农林科学院张钟莉莉副研究员团队题为“When Crops meet Machine Vision: A review and development framework for a low-cost nondestructive online monitoring technology in agricultural production”的综述论文。该文概述了基于低成本可见光图像的机器视觉方法在农业生产全过程中的研究进展。近年来，随着新一代信息技术的快速发展，机器视觉技术已成为农业中热点研究领域。该文以低成本、易获取的可见光图像为主要对象，讨论了相应机器视觉应用的算法类型与评价方法，重点综述了涵盖从种植到采后全过程的研究进展及技术实现的装备类型，进一步总结了目前存在的问题与发展方向，并提出了一个协同提升的研究技术新框架。

【1】基于可见光图像的机器视觉技术在农业种植领域的发展

机器视觉技术已经渗透到农业种植领域的各个生产环节，在近几年实现了快速的发展。主要的研究对象以小麦、玉米为代表的大田粮食作物为主，发文量上主要集中于中国和美国，相应的研究方法主要有神经网络、深度学习等。

【2】基于可见光图像的机器视觉技术的算法类型与评价方法

总结了三类机器视觉技术在农业种植领域的流程框架及评价指标。其中，图像分类技术主要应用于作物品种识别、作物病虫害识别、作物生育期识别等，常用的算法有聚类、BP神经网络、深度学习方法等；目标检测技术主要应用于作物器官检测、作物产量估计、果实表面缺陷检测等，常用的算法有Faster R-CNN、YOLO等；图像分割技术主要应用于作物表型识别、果实尺寸测量、形状分级、重量预测等，常用的算法有Otsu最大类间方差法、K-means、DeepLab、U-Net、Mask R-CNN等。

【3】基于可见光图像的机器视觉技术在农业种植全过程中的应用及效果

针对种植过程，综述了基于可见光图像的机器视觉技术在作物品种识别、作物生育期识别、作物表型识别、作物病虫害监测、作物产量估计中的具体应用和效果；针对采后过程，综述了基于可见光图像的机器视觉技术在尺寸测量、形状分级、重量预测、表面损伤检测、成熟度检测、多指标融合中的具体应用和效果；进一步梳理了上述机器视觉技术实现的装备类型。

【4】基于可见光图像的机器视觉技术未来在农业种植领域上的发展方向

未来，基于可见光图像的机器视觉技术在农业种植领域的应用将继续得到改进和优化。针对农作物数据集缺乏问题，提出了生育期增强和均衡扩增相结合的方式以防止小样本过拟合；针对模型可迁移性差问题，提出了融合机理模型和机器视觉技术以增强模型的可迁移性；针对模型体量大问题，提出了在边缘设备中部署轻量化模型以减轻数据运输和计算压力；提出了多模态、多方法和多层次的算法集成框架。

原文链接：https://doi.org/10.1016/j.agrcom.2024.100029

通讯作者简介

张钟莉莉，北京市农林科学院智能装备技术研究中心设施农业与智慧节水技术部副主任，副研究员，先后入选北京市科技新星计划（2023）、北京市青年人才托举工程（2020）等。主要从事智慧灌溉及技术与装备研究，研究工作聚焦于作物需水智能诊断、灌溉决策方法和技术平台等方面。先后主持国家自然科学基金面上/青年、国家重点研发计划课题等科研项目，获北京市优秀青年人才、首都民族团结先进个人等表彰。担任农业农村部科学施肥专家指导组成员、全国大豆单产提升工程专家组成员、中国农技协会节水农业技术专业委员会副秘书长。已发表学术论文59篇，其中第一/通讯作者发表SCI论文28篇，授权国家发明专利21项。

第一作者简介

吕芯悦，北京市农林科学院信息技术研究中心，助理工程师。研究方向为机器视觉，主要从事基于机器视觉的设施作物智能识别与生产调控方法研究。参与国家自然科学基金项目、北京市自然科学基金项目、北京市乡村振兴科技项目等9项。已发表论文10篇，其中5篇SCI期刊论文；授权国家发明专利5项；软件著作权3项；北京市新技术新产品1项。

来源：农业通讯