机器学习算法在农业机器视觉系统中的应用

分类：论文范文 发表时间：2021-06-26 11:01

　　摘要:主要通过介绍机器视觉技术在农业中的发展状况，然后阐述机器视觉系统的组成和工作原理，并基于当前机器视觉研究在农业中的应用，总结近几年使用农业机器视觉研究中用到的机器学习技术，包括有监督学习、无监督学习、人工神经网络，详细讨论这些技术的原理、优劣以及在农业领域中的应用，最后讨论机器视觉技术面临的问题和挑战，以及未来应用场景与发展方向。

　　关键词:农业;机器视觉;机器学习算法;监督机器学习;无监督机器学习;人工神经网络

　　机器视觉技术是通过模拟人的视觉功能，利用光学设备采集客观事物的图像并获得图像信息，最终用于实际的检测、测量和控制［1］。该技术具有可靠性高、速度快、功能多等特点，被广泛应用于工业、农业、制造业、交通业等领域［2］。

　　1机器视觉系统

　　机器视觉就是利用相机等图像采集装置来代替人眼对目标进行识别、跟踪、测量，然后进行各种运算，获取目标特征，得到能够观察到或者仪器能够检测到的图像，输出信号并控制末端机构输出。一个典型的机器视觉系统包括光源、镜头、工业相机(CCD、CMOS相机)、图像处理单元、图像处理软件、监视器、通讯/输入输出单元等［11］(图1)。

　　由图2可知，机器视觉系统在工作时，通过图像摄取装置(工业相机等)获得被摄取目标的图像，传送给专用的图像处理系统进行处理，这个过程包括图像的预处理(图像去噪、图像对比增强、图像分割等操作)、图像分割(图像阈值分割、图像区域分割、图像梯度分割等)、提取特征(提取出物体的尺寸、形状、纹理、颜色等信息)，然后通过机器学习算法进行统计运算，根据运算得到的判别结果来进一步控制现场的设备动作。

　　2机器学习技术

　　使用机器学习技术对图像进行分析与理解是研究热点［12］，机器学习就是通过输入一定量的数据，通过一定的逻辑规则，在给定的判断准则下，来实现对数据的分析预测功能。对于机器视觉系统来说，输入的数据是图片。并按照输入时是否对数据添加一定的标签，机器学习可以分为监督学习、非监督学习等，在机器学习算法中均有一定的应用。

　　典型的机器学习算法首先需要一定的训练样本集，往往是提取图像的特征，然后通过机器学习算法进行训练得到训练模型，不同的算法会有不同的训练精度，而在预测的过程中，新的样本通过使用已知的模型，会得到预测的结果。机器学习的算法过程如图3所示。

　　2．1监督机器学习

　　监督机器学习算法是利用带标签的样本来构建模型，以此来预测未知样本的类别。该学习算法从分析一个已识别的训练数据集开始，生成一个推断函数来预测所需的输出值。该模型经过训练，可以为任何新的样本提供精确的、预期的输出，同时能发现错误，进而调整模型。

　　2．2无监督机器学习

　　当输入样本的数据或信息没有标记时，就会使用无监督机器学习算法。无监督学习研究系统如何形成一个函数，从而从实际上没有标记的数据中详细描述隐藏的结构。

　　2．2．1K－均值聚类算法

　　K－均值聚类(K－meansclustering，简称K－means)算法是一种聚类的方式，是对输入的样本划分到k个聚类中，使得相同类内的距离最小，而不同类间的距离最大，从而完成聚类的方式，输入的样本没有标签，这是一种无监督的学习方式。对于样本(x1，x2，...，xn)，每一个样本的值都是d维向量，K－均值聚类就是把这n个样本聚类到k个集合中(k≤n)中，使得集合内的平方和最小。

　　2．2．2高斯混合模型

　　高斯混合模型(gaussianmixturemodel，简称GMM)的本质是融合几个单高斯模型，使模型更为复杂，但这可以主要用于解决同一集合内数据包含多个不同分布，或者同一类分布但参数不一样的情况。在图像处理中，使用高斯混合模型对图像进行分割或聚类，假设每个类都有自己的正态分布，并且整个图像是不同高斯函数的混合［24－25］。并且在理论上，如果使用的高斯模型的个数足够多，并且设置合理的权重，那么混合模型能够拟合任意分布的样本。

　　3总结和展望

　　机器学习技术在农业机器视觉中具有重要的作用，目前已经应用到农产品质量检测和分级、杂草和植物病虫害检测、土壤分析等方面，预计未来机器视觉会在农业领域得到越来越广泛的应用。但也存在一些问题和挑战，一是在农业领域的大规模数据集亟须构建，目前的研究成果多是依赖研究者自身采集数据集，得到的结果没有可比性。二是在面对不同的环境，如何提高机器视觉系统的鲁棒性，也是面临的挑战。比如，在不同的光照条件、不同的背景条件、不同作物的不同生长阶段、不同的天气条件等给机器视觉的研究带来难题。

　　未来的农业机器视觉发展主要体现在:一是农业机器视觉系统会体现在整合在人工智能、机器人、传感器、物联网中的一部分，能够展示农作物的生长信息情况，并能够提前预测。二是嵌入式机器视觉具有易使用、易维护、易安装的特点，且具有低功耗的优势，会结合机器学习和深度学习方法，在对图像的定位和处理方向上得到长足发展，同时在农业机械装备中得到普及。

　　参考文献:

　　［1］陈兵旗，吴召恒，李红业，等．机器视觉技术的农业应用研究进展［J］．科技导报，2018，36(11):54－65．

　　［2］周航，杜志龙，武占元，等．机器视觉技术在现代农业装备领域的应用进展［J］．农机化学报，2017，38(11):86－92．

　　［3］付玉志．基于ZigBee技术的智慧农业实时采集和远程控制系统［D］．杭州:浙江大学，2015．

　　［4］刁智华，王会丹，魏伟．机器视觉在农业生产中的应用研究［J］．农机化研究，2014，36(03):206－211．

　　［5］王福娟．机器视觉技术在农产品分级分选中的应用［J］．农机化研究，2011，33(5):249－252．

　　［6］曹乐平．基于机器视觉的植物病虫害实时识别方法［J］．农学通报，2015，31(20):244－249．

　　赵献立，王志明

上一篇：基于物场分析的网络营销信息传播研究 下一篇：网络经济下电子商务企业营销模式探究