計(jì)算機(jī)視覺在農(nóng)作物智能檢測上的應(yīng)用
編輯導(dǎo)語:在農(nóng)業(yè)作物中,有許多需要耗時(shí)耗力的任務(wù),那么有沒有一種方法能夠減少這些耗時(shí)且勞動(dòng)密集的任務(wù)呢?機(jī)器視覺通過自動(dòng)接收和處理一個(gè)真實(shí)的圖像,控制機(jī)器人進(jìn)行運(yùn)動(dòng),從而自動(dòng)完成這類工作,減輕人力的消耗。本文對(duì)計(jì)算機(jī)視覺在農(nóng)作物的智能監(jiān)測上的應(yīng)用進(jìn)行分析,一起來看看。
機(jī)器視覺是通過光學(xué)的裝置和非接觸的傳感器,自動(dòng)地接收和處理一個(gè)真實(shí)物體的圖像,以獲得所需信息或用于控制機(jī)器人運(yùn)動(dòng)的裝置。正如在工業(yè)環(huán)境中一樣,機(jī)器視覺在農(nóng)業(yè)中最關(guān)鍵的好處之一是它能夠自動(dòng)完成耗時(shí)、勞動(dòng)密集型的任務(wù)。
隨著傳感器系統(tǒng)和執(zhí)行器的進(jìn)一步完善,機(jī)器視覺系統(tǒng)將逐漸可以用于管理水果采摘、作物控制、收獲和一系列其他任務(wù)。農(nóng)業(yè)工作者的作用主要體現(xiàn)在監(jiān)督能力上,用以幫助進(jìn)一步優(yōu)化機(jī)器視覺系統(tǒng)。廣義的計(jì)算機(jī)視覺技術(shù)不僅包括基于可見光成像,也包括基于近紅外、紫外和X光等非可見光成像的探測技術(shù)。
可見光區(qū)計(jì)算機(jī)視覺技術(shù)被廣泛的應(yīng)用到農(nóng)產(chǎn)品的品質(zhì)檢測、品種識(shí)別中,目前非可見光區(qū)的計(jì)算機(jī)視覺技術(shù)已應(yīng)用到食品安全檢測中。
一、農(nóng)產(chǎn)品關(guān)鍵特征參數(shù)提取
基于統(tǒng)計(jì)的特征參數(shù)雖然能在一定程度上對(duì)作物特征進(jìn)行一定的描述,但基于專家知識(shí)和經(jīng)驗(yàn)定義的部分特征往往具有更廣泛的生理學(xué)意義。比如花生的莢果多數(shù)有果腰、玉米籽粒都有一個(gè)奶黃色的胚部,這些特征往往是特定生物物料所特有的。農(nóng)產(chǎn)品生物物料的多少樣性決定著,衡量每一種作物的特征都具有自身獨(dú)特的特點(diǎn)。另外由于農(nóng)產(chǎn)品缺乏工業(yè)產(chǎn)品應(yīng)有的剛性,使得對(duì)農(nóng)產(chǎn)品品質(zhì)的描述異常的復(fù)雜,胡蘿卜的扭曲與馬鈴薯的異形,雖然都是對(duì)形狀的描述,但描述起來卻相差甚遠(yuǎn)。
玉米籽粒白色部分(胚部)與黃色部分(冠部)的面積、顏色等信息可以作為識(shí)別玉米品種的特征。在線馬鈴薯品質(zhì)檢測樣機(jī),基于邊界描述的異形馬鈴薯是一種檢測標(biāo)準(zhǔn)。
農(nóng)產(chǎn)品品種識(shí)別模型研究方面,對(duì)農(nóng)產(chǎn)品品種識(shí)別的模型的研究主要側(cè)重的是兩個(gè)方面,一個(gè)是對(duì)特征的選擇和優(yōu)化研究,另外一個(gè)是對(duì)識(shí)別模型的選擇和優(yōu)化研究。玉米、花生、水稻、小麥等主要糧食作物也廣泛的應(yīng)用計(jì)算機(jī)視覺進(jìn)行品種識(shí)別。近紅外和X射線成像等非可見光區(qū)域的計(jì)算機(jī)視覺技術(shù)已開始應(yīng)用到農(nóng)產(chǎn)品的品種檢測中。
二、農(nóng)產(chǎn)品安全關(guān)鍵指標(biāo)檢測
計(jì)算機(jī)視覺技術(shù)已開始逐漸引用到農(nóng)產(chǎn)品的內(nèi)部品質(zhì)的探測中,包括常規(guī)的內(nèi)部品質(zhì)如水果的酸度、糖度、可溶性顆粒物,糧油的蛋白質(zhì)含量,內(nèi)部的蟲蛀、康心等,也包括了食品安全的一些關(guān)鍵指標(biāo),比如食品添加劑、蘇丹紅、三聚氰胺、黃曲霉素等。
黃曲霉素是劇毒物質(zhì),在紫外下發(fā)出黃綠色熒光,根據(jù)這一特性可進(jìn)行計(jì)算機(jī)視覺無損探測,美亞光電銷售人員介紹國外做黃曲霉素檢測的生產(chǎn)廠家是比利時(shí)Best公司(Detox?),設(shè)備售價(jià)在400萬人民幣左右,公開資料報(bào)道采用的是紫外激光誘導(dǎo)熒光成像的技術(shù),能檢測到人肉眼無法看到的黃曲霉素發(fā)出的微弱的光,可用來分選黃曲霉素污染的花生、杏仁、榛子等干果。
三、農(nóng)產(chǎn)品智能分選機(jī)的研制
農(nóng)產(chǎn)品分選方式有多種,根據(jù)外觀尺寸的機(jī)械篩選方法,基于重量的電子稱重的方法,和基于計(jì)算機(jī)視覺的智能檢測方法。在電子稱重分選機(jī)制造方面,臺(tái)灣吉農(nóng)牌水果分選機(jī)整體性能較為優(yōu)秀。
浙江大學(xué)應(yīng)義斌教授團(tuán)隊(duì)是做內(nèi)水果分選領(lǐng)域的最優(yōu)秀的團(tuán)隊(duì)之一,課題組在“863”的支持下國內(nèi)率先完成了基于機(jī)器視覺的水果品質(zhì)實(shí)時(shí)檢測與分級(jí)生產(chǎn)線,該生產(chǎn)線能完成水果的大小、形狀、顏色和果面缺陷等外觀品質(zhì)指標(biāo)的實(shí)時(shí)檢測與分級(jí),每小時(shí)處理3至6噸水果。
2012年開始作者帶領(lǐng)團(tuán)隊(duì)開始胡蘿卜智能分選機(jī)研發(fā),一代樣機(jī)于2014年春研發(fā)成功。
隨后團(tuán)隊(duì)發(fā)現(xiàn)國外(比例時(shí)visar)已有機(jī)器(Sortop Carrot)出現(xiàn),該生產(chǎn)線售價(jià)18萬歐元,且比我們的機(jī)器效率高,課題組隨即啟動(dòng)二代的研發(fā),至2014年底胡蘿卜分選機(jī)二代原理樣機(jī)研發(fā)成功,日處理能力達(dá)到200-300噸。
四、農(nóng)產(chǎn)品無損檢測研究
農(nóng)產(chǎn)品智能檢測包括品種檢測與品質(zhì)檢測,品質(zhì)檢測包括外部品質(zhì)檢測和內(nèi)部品質(zhì)檢測,農(nóng)產(chǎn)品安全檢測是內(nèi)部品質(zhì)檢測的一個(gè)重要內(nèi)容。農(nóng)產(chǎn)品智能分選是以計(jì)算機(jī)視覺檢測為核心,配合高精自動(dòng)控制技術(shù)、柔性機(jī)械設(shè)計(jì)制造技術(shù),是光、機(jī)、電一體的農(nóng)業(yè)智能裝備研制技術(shù)。
近年來假種子事件頻發(fā),主要原因是農(nóng)民朋友主要是靠肉眼進(jìn)行種子識(shí)別,受到人的經(jīng)驗(yàn)和肉眼能力的限制。以計(jì)算機(jī)視覺技術(shù)研究為核心,面向檢測對(duì)象采集關(guān)鍵特征指標(biāo)參數(shù),來對(duì)農(nóng)產(chǎn)品品質(zhì)進(jìn)行精選分級(jí),農(nóng)作物品種進(jìn)行自動(dòng)識(shí)別、農(nóng)產(chǎn)品安全指標(biāo)進(jìn)行快速探測三個(gè)問題。
大力提高農(nóng)產(chǎn)品品質(zhì)分選的標(biāo)準(zhǔn)化和自動(dòng)化程度,大力提高品種育種領(lǐng)域的自動(dòng)化,大力提高食品安全快速檢測的水平。從而實(shí)現(xiàn)農(nóng)產(chǎn)品品種、品質(zhì)和安全指標(biāo)的快速無損檢測與自動(dòng)化分選分級(jí),實(shí)現(xiàn)農(nóng)產(chǎn)品檢測的機(jī)械化、自動(dòng)化與智能化,對(duì)推進(jìn)我國農(nóng)業(yè)發(fā)展,推進(jìn)現(xiàn)代農(nóng)業(yè)進(jìn)步具有積極意義。
五、農(nóng)作物病蟲害檢測
以色列農(nóng)業(yè)科技公司Prospera運(yùn)用計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)技術(shù)監(jiān)測農(nóng)作物生長情況,從而提出提升農(nóng)作物健康狀況、優(yōu)化農(nóng)場運(yùn)營的手段, Prospera的系統(tǒng)可以安裝在溫室或田野中,利用近端RGB攝像頭和云部署的軟件來收集、分析農(nóng)民忽略的信息,隨后其根據(jù)機(jī)器學(xué)習(xí)算法來報(bào)告有什么重要的事情正在發(fā)生。提前預(yù)警、診斷各種病蟲害可以幫助農(nóng)民預(yù)測產(chǎn)量,用其他作物的增長來彌補(bǔ)損失,或者及時(shí)挽救農(nóng)作物的生命。
六、農(nóng)作物估產(chǎn)
遙感技術(shù)估測產(chǎn)量需要產(chǎn)量估測區(qū)域的高光譜圖像,通過分析反演農(nóng)作物的生物物理參數(shù),較多地應(yīng)用于大面積連片的農(nóng)作物種植區(qū)域,且圖像價(jià)格昂貴,適用于政府管理部門的宏觀決策;而預(yù)測模型方法依賴于農(nóng)作物生理指標(biāo)、環(huán)境因子等一系列生化參數(shù),參數(shù)獲取需要專業(yè)測量設(shè)備,且不同區(qū)域具有不同的參數(shù)值,每次預(yù)測都需要重新采樣化驗(yàn),獲取模型輸入值。
因此,已有主流方法都需要專業(yè)性技術(shù)人員的指導(dǎo)和專業(yè)設(shè)備的支持,產(chǎn)量估測所需材料需要重復(fù)投入,成本也相對(duì)較高,且操作步驟繁瑣,預(yù)測周期相對(duì)較長,不利于在普通種植戶中推廣應(yīng)用。建立果實(shí)尺寸識(shí)別系統(tǒng),錄入大量拍攝的果實(shí)照片,利用深度學(xué)習(xí)算法結(jié)合果實(shí)照片和照片像素點(diǎn)進(jìn)行訓(xùn)練學(xué)習(xí),根據(jù)不同尺寸的果實(shí)匹配其對(duì)應(yīng)的像素點(diǎn),實(shí)現(xiàn)果實(shí)尺寸的智能判定,利用機(jī)器視覺處理平臺(tái)對(duì)采集到的實(shí)際果實(shí)照片進(jìn)行識(shí)別,判斷果實(shí)尺寸,分析果樹作物產(chǎn)量情況。
所述果實(shí)尺寸識(shí)別系統(tǒng)包括:深度學(xué)習(xí)訓(xùn)練用數(shù)據(jù)集和深度學(xué)習(xí)算法訓(xùn)練模塊,所述深度學(xué)習(xí)訓(xùn)練用數(shù)據(jù)集導(dǎo)入用于深度學(xué)習(xí)訓(xùn)練的果實(shí)照片,并生成算法模塊訓(xùn)練所需的格式化數(shù)據(jù)集,所述深度學(xué)習(xí)算法訓(xùn)練模塊將果實(shí)照片中果實(shí)面積的像素點(diǎn)與實(shí)際測量的果實(shí)尺寸值進(jìn)行匹配訓(xùn)練,針對(duì)不同果實(shí)照片的像素點(diǎn)判斷果實(shí)的尺寸。
所述機(jī)器視覺處理平臺(tái)全方位采集視覺傳感器中果實(shí)的RGB圖像,對(duì)采集的圖像進(jìn)行圖像分割,然后劃分出果實(shí)感興趣區(qū)域,提取果實(shí)輪廓,根據(jù)所提取的果實(shí)輪廓,使用形狀不變特征提取形狀特征向量,克服果實(shí)大小、位置和朝向各異的問題。從而實(shí)現(xiàn)產(chǎn)量預(yù)估。
七、總結(jié)
人工智能可以通過物聯(lián)網(wǎng)連接土地、作物,知道作物生長的狀態(tài),上傳數(shù)據(jù)后得到反饋的結(jié)果,然后依靠算法、深度學(xué)習(xí)尋找規(guī)律、整合規(guī)律、指導(dǎo)規(guī)律?!稗r(nóng)業(yè)、土壤、氣象、地塊的一些指標(biāo)都可以量化成全新的大數(shù)據(jù),指導(dǎo)相關(guān)的耕作,這在未來是很清晰的道路,人工智能將會(huì)在智慧農(nóng)業(yè)里面扮演越來越厚重的角色。其實(shí),數(shù)據(jù)本身就是一種肥料,可以幫助農(nóng)民更精準(zhǔn)地耕作,提高產(chǎn)量。
#專欄作家#
老張,人人都是產(chǎn)品經(jīng)理專欄作家?!度斯ぶ悄墚a(chǎn)品經(jīng)理技能圖譜:AI技術(shù)與能力升級(jí)》作者,AI產(chǎn)品經(jīng)理,專注于自然語言處理和圖像識(shí)別領(lǐng)域。現(xiàn)智能保險(xiǎn)創(chuàng)業(yè)公司合伙人,希望與人工智能領(lǐng)域創(chuàng)業(yè)者多多交流。
本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理,未經(jīng)許可,禁止轉(zhuǎn)載
題圖來自 pexels,基于 CC0 協(xié)議
- 目前還沒評(píng)論,等你發(fā)揮!