基于计算机视觉的作物生长管理解决方案

　　计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。理论上来讲，人的眼睛可以识别、大脑进行处理的图像信息，都可以通过计算机视觉得出，目前广泛应用的人脸识别，以及即将推广的无人驾驶汽车，无不基于这项技术，确切说这些应用也不全属于计算机视觉(他们还运用到图像处理与图像分析等技术)，但是今天我们把他们混为一谈。

　　计算机视觉应用广泛，除了指纹识别，Face ID，无人驾驶，还有军事，工业，医药等行业的运用，计算机视觉在农业方面的运用研究也在快速发展，目前在农业信息学领域是一项研究热点，在各大高校与农业科学院都有相关项目，但是他们都只停留在理论阶段，并没有应用于商业。

　　计算机视觉不仅可以得到静态的植物的叶面积、茎杆直径、叶柄夹角等外部生长参数，更重要的是，他可以动态的获取作物信息，考察植物植物生长的全历程。另外，随着红外测温技术的发展，出现了红外、近红外图像处理应用的研究 ,使图像处理从单纯的外观视觉 ,向识别物料的性状、组成、成分分布等内部特性方向发展 。

技术基础：

　　运用色彩空间的分析：

　　不同的色彩空间可以给我们提供不同角度的信息，作物不同的生长指标，需要从不同的色彩空间进行分析。李长缨等通过直方图分割，配合形态学运算的腐蚀膨胀操作得到黄瓜叶冠投影面积和株高；杭腾等通过提取颜色分量、配合 Otsu 自适应阈值分割算法提取株高；武聪玲等研究建立了 RGB 颜色空间R、G 分量与黄瓜叶片含氮量的相关性； 张亚静等在 Lab 颜色空间用 a 分量分割出了苹果图像。

 　　通过影像动态分析：

　　有学者发现植物叶尖的昼夜变化与植物的水分有着密切的关系，因此通过对照不同时间段的植物叶尖情况，可以分析出植物体内水分信息；李乔宇等通过分析植物在生长期的HSV色彩空间的S分量提出植物长势模型。对于植物生长的动态分析，是人所不能做到的，人只能观察到一个时间的植物状态，利用计算机视觉技术，就可以观察到植物生长期间全过程的信息，我们可以通过建立植物标准生长模型，在植物生长期内，对比标准模型，发现植物病害，缺素，缺水或其他生长因素，可以起到病害预防，质量把控的作用。

　　红外成像技术的应用：

　　在红外技术发展的推动下，利用远、近红外技术，对植物热成像进行分析，可以让我们把控到植物内部特征变化，邵琪等已经做出无损检测小麦发芽率的模型，朱文静等利用近红外光谱检测潜育期的番茄花叶病，王斐等侧柏衰弱木和蛀干害虫受害木的热红外成像检测。他们的这些研究我们可以看到红外技术不仅可以直接检测植物生长状态，更可以精准的对病虫害进行预测。

现状与问题：

　　目前商业化的农业工程技术，基本采用传感器获取信息，在植物病害，生长调节方面有一定的作用，但是他们都属于间接方法对植物进行监管，基于计算机视觉，我们可以直接的观察植物生长状态和预防植物病害，这项技术虽然应用前景广泛，但是也存在许多限制，包括：

　　1、研究对象复杂、多样，农作物外观形态差异巨大，生长环境复杂，同一作物在不同的环境下也有不同的生长特征，当前研究者的研究对象有葡萄，番茄，苹果等产品附加值高、种植面积大的作物上，而且也仅仅研究了其中一个小的方向，如果要商用，则必须建立一个作物全方位的模型，对不同的作物也不可能使用同一种研究方法进行建模。

　　2、研究内容广泛，计算机视觉技术的农业应用涉及众多学科，需要从事计算机、作物栽培、图形识别技术、人工智能等多方面的专业人员进行多学科、跨单位合作。

　　3、投入大，成效未知，这个项目的成本不仅仅在于设备的投入，更多的成本在于研究过程复杂，而且很难找到兼备计算机、作物栽培、图形识别技术、人工智能等多方面的专业人员或团队。一旦进入商业化运作，我们就可以通过把用户的数据传到云端，训练模型，促进我国的农业大数据进程，也可以为其他相关科研人员提供研究资料，但是这些成效都是在理论上成立，是否真的可以实现，还是未知。