智能农业中的机器视觉

聪明的农业都是关于利用人工智能、机器人和物联网等技术的力量，实现自动化，并提高作物的数量和质量。即使在农产品价格波动的情况下，农作物产量提高5%就能确保农业保持盈利。¹如何以及为什么智能农业有助于实现这一目标？

图片来源:伤风/ Scharfsinn

由于农地的规模和规模，管理农地往往是非常具有挑战性的。因此，人工检查需要大量的人力和成本。作物疾病是一项典型的工作，在样本被送到实验室进行分析之前，通常需要对作物进行目视检查，从而进一步拖延确诊时间。²

对于温室栽培的植物，湿度、温度和光照传感器通常用于确保作物的最佳生长条件。然而，许多站点仍将依赖人工记录和监测环境条件，这阻碍了对任何变化或技术问题(如供暖设备故障)的快速响应。

所有这些挑战都可以通过使用智能农业，对他们中的许多人来说，是机器视觉的使用。通过将传感器等数据收集设备与反馈和控制系统相结合，可以完成许多任务农业可以完全自动化。

在温室的例子中，足够的传感器覆盖意味着状态监测、记录和控制可以很容易地实现自动化，结合机器学习算法，甚至可以用来提高能源效率。^3.

机器视觉

可以通过使用可以解决的问题机器视觉在智能农业中包括疾病检查、作物分布测量、生长监测和农产品计数等等。⁴

尽管在需要视觉识别的任务中使用人工智能和自动化可能具有挑战性，但机器视觉已经被证明是精密农业领域的一个强大工具，并获得了极好的投资回报。

通过通过机器视觉获得的数据，可以分析这些数据集以识别最需要杀虫剂的区域，从而最大限度地减少其使用。

一些应用，特别是作物分配的识别，使用安装在无人机上的摄像头提供对感兴趣地区的空中监视。帮助采摘和除草的野外机器人可以在机器人身上安装摄像头。

对于许多应用来说，标准宽带可视摄像机是合适的，但特别适用于疾病诊断多光谱成像波长在近红外甚至x射线的可能是有益的。⁵电磁波谱的不同区域对不同的结构敏感，例如，热成像非常适合于识别植物的水分胁迫和疾病的发病。⁶

相机要求

充分利用机器愿景的力量依赖于选择正确的相机．首先，确定需要解决的问题是很重要的，因为这将决定波长区域、所需的分辨率、速度和相机的界面。

其次，成像的环境条件也很重要。在不同照明条件下的可见范围内成像将需要一个具有高动态范围的相机来捕获图像，而不会过度饱和或在读出噪声中丢失细节。

例如，对于害虫和损害的识别，问题的视觉标志可能非常小。受影响的植物区域可能隐藏在其他叶子下，这可能是自上而下的可见成像的问题。由于这些原因,盟友的愿景，机器视觉相机解决方案专家提供各种用于农业应用的相机选项。⁷

对于农业，有时需要广阔的视野。实现高分辨率意味着使用大量像素的相机，如Prosilica GT6400．虽然在使用更高分辨率时速度会被牺牲，但可以指定感兴趣的区域来增加每秒帧数，并最小化数据传输量和要分析的容量。

由于这些相机需要在野外使用和便携式，相机的尺寸和外壳类型可能是至关重要的。根据相机将如何集成到设备中，大多数应用通常需要封闭外壳，Allied Vision为其全系列相机提供了几种选择和组合。无人机安装的设备需要更轻，所以像Alvium要么尖吻鲭鲨可能是一种吸引人的选择。

作物高分辨率成像的挑战之一是大量数据的转移。USB 3.0是一种简单的接口类型，易于访问，具有约350 MB/s的出色传输带宽，有助于减少图像采集之间的死时间。然而,GigE在需要非常长（最多100米）的电缆长度的情况下可能是优选的，以确保在转移期间没有数据丢失。

的灵活性和可定制性盟军视觉的相机是挑战机器视觉应用的关键，比如智能农业。通常，在具有挑战性和变化的环境条件下成像这样复杂的物体需要使用多个摄像机并对信息进行综合分析。

然而，这对于寻找新的农业创新方法以提高作物产量和改善植物健康，同时最大限度地减少使用昂贵和可能有害的农药至关重要。

参考

1. 环境、食品和农村事务部(2019年)https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/884101/agricaccounts-tiffstatsnotice-07may20i.pdf，访问25.^th2021年4月
2. (2008)。马铃薯的疾病，害虫和失调:颜色手册。爱思唯尔。
3. Escamilla-García, A.， Soto-Zarazúa, g.m.， Toledano-Ayala, M.， Rivas-Araiza, E.， & Gastélum-Barrios, A.(2020)。人工神经网络在温室技术中的应用及智能农业发展综述。应用科学(瑞士)亚博老虎机网登录，10(11)。https://doi.org/10.3390/app10113835
4. Mavridou, E.， Vrochidou, E.， Papakostas, G. A.， Pachidis, T.， & Kaburlasos, V. G.(2019)。机器视觉系统在精确农业作物耕作。影像杂志，5(12)。https://doi.org/10.3390/jimaging5120089
5. McCarthy，C. L.，Hancock，N.H.，＆Raine，S. R.（2010）。植物的应用机器视觉：综述自动化农业运营中的现场部署影响。智能服务机器人，3（4），209-217。https://doi.org/10.1007/s11370-010-0075-2
6. vdivambal, R.， & Jayas, D. S.(2011)。热成像技术在农业和食品工业中的应用综述。食品与生物技术，4(2)，186-199。https://doi.org/10.1007/s11947-010-0333-5
7. 盟军愿景（2021年）盟友愿景，https://www.alliedvision.com/，访问25.^th2021年4月
8. Allied Vision(2021)分析H₂O通过短波红外成像,https://www.alliedvision.com/en/news/detail/news/the-future-of-agriculture-unfolds-as-researchers-analyze-h2o-absorption-via-swir.html，访问25.^th2021年4月