计算机视觉智能系统融合了计算机视觉、人工智能和机器学习技术，使机器能够模仿人类的视觉和认知能力做出决策，已广泛融入现代人类生活的各个层面。自 20 世纪后期以来，自动化的视觉系统已革新了各多个行业。鉴于世界人口的增长、可耕地的减少以及劳动力的短缺等问题，农业从业者需要各种信息来做出关于作物管理的决策，传统的人工监测方式既繁琐又需要专业知识，因此发展基于人工智能和计算机视觉技术的智能和自动化视觉引导系统至关重要。通过数字化和自动化对古老农耕实践的变革，引发了一场由尖端计算机视觉和人工智能（AI）技术驱动的农业革命。这场变革不仅有望提高生产力和促进经济增长，还有潜力解决粮食安全和可持续性发展等重要的全球问题。
近日，_Artificial Intelligence in Agriculture_在线发表了堪萨斯州立大学Sumaira Ghazal等题为Computer vision in smart agriculture and precision farming: Techniques and applications的综述。文章旨在提供对精准农业中基于视觉的智能系统整合的全面理解，通过详细讨论作物数字生命周期的关键领域，深入了解在农业环境中实施视觉引导智能系统的复杂性。文章重点探究了广泛用于精准农业任务的成像和图像分析技术，首先讨论数字农业中使用的各种作物指标，然后阐述成像和计算机视觉技术在精准农业作物数字生命周期各阶段的应用，最后概述实施通用计算机视觉模型以实现完全自主农场实时部署所面临的挑战。
图1 精准农业中作物从种植到收获整个过程中数字技术的应用示意图
图2 本综述主要章节和子主题的概述
数字农业的作物指标
数字农业中用于衡量或量化作物健康、特性和属性的统计数据，即作物指标。其中一个关键子集是植被指数（VIs），它是通过结合光谱的两个或多个波段来增强植被特性，从而能够对光合活动、冠层结构变化和各种植物特性进行可信的空间和时间比较。本文详细介绍了一些常见的作物指标，如归一化差异植被指数（NDVI）、作物水分胁迫指数（CWSI）、叶面积指数（LAI）、疾病严重程度指数（DSI）等，并给出了它们的计算公式、应用范围以及相关参考信息。通过理解这些作物指标在相关研究中的差异，有助于更清晰地阐述它们在精准农业中的作用。
表1 植被指数的相关信息：名称、计算公式、应用范围等
图像采集
在农业中，成像技术的应用包括使用地面传感机器人、空中无人机成像、卫星遥感等方式采集作物图像，以实现对作物的实时监测和健康评估，从而更好地进行产量估计、土壤状况判断和规划决策。核心成像技术包括RGB成像、多光谱成像、高光谱成像、热成像等。具体来说，RGB成像使用数字相机捕捉可见光反射，已被广泛应用于各种精准农业应用，如土壤水分检测、病虫害检测和产量估计等。多光谱成像收集少量离散光谱带，包括可见光、近红外和近紫外波段，可用于作物胁迫早期识别、产量估计和杂草识别等。高光谱成像由连续窄带组成，具有更高的时空分辨率和信息含量，可用于作物分类、杂草识别和土壤性质表征等。热成像通过感知物体发射的红外辐射来生成热图像，可用于检测作物水分胁迫、疾病和害虫等。总之，图像采集技术为农业提供了更精确的监测解决方案，有助于提高农业生产效率、降低风险并改进精准农业实践。
图3 图像采集技术
图像拼接和摄影测量
图像拼接和摄影测量技术在农业中具有重要应用，可用于生成农田地图、监测作物生长和规划农业生产等。图像拼接用于从两个或多个重叠图像中生成全景图像，主要任务包括图像对齐和融合。在图像对齐过程中，有直接和基于特征的两种方法来建立重叠图像之间的对应关系。许多研究者对现有的图像拼接技术进行了改进，以提高拼接效果和速度。但图像拼接技术对于非平坦地形，可能会产生图像伪影，且尺度可能不被保留。摄影测量是一种生成纠正全景图的图像拼接技术，能够去除几何失真并保留距离信息，但其计算成本较高，需要较高的图像重叠度。
图4 图像拼接的工作流程
表2 不同拼接技术的比较（特点、优缺点、适用场景等）
表3 商业上可用的摄影测量工具的非详尽清单（名称、功能特点、适用范围、供应商等）
图像分析
图像分析在精准农业中起着重要作用，有助于提高农业生产效率和质量。图像分析是从图像中提取有用信息的过程，在农业中，利用计算机视觉和机器学习技术进行图像分析具有速度快、可靠性高和准确性好等优点。图像分析的技术取决于具体的应用，一般包括预处理、正交镶嵌、特征提取、植物分割、对象识别和分类等步骤。在精准农业中，图像分析有多个应用领域，如土壤监测、胁迫检测和靶向喷雾、作物产量估算和质量控制等。通过对土壤样本图像的分析，可以获取土壤健康和性质的信息，帮助农民做出合理的施肥和灌溉决策。胁迫检测和靶向喷雾可以识别作物的生物和非生物胁迫，实现精准施肥和农药喷洒，减少化学物质的使用并提高产量。作物产量估算可以帮助农民规划预算和决策，通过图像分析和学习技术预测作物产量。质量控制则可以实现农产品的自动化质量检测和分级，提高可持续性和减少损失。
图5 利用视觉技术进行土壤监测和分析
表4 不同土壤监测技术的比较（原理、优缺点、适用范围、精度等）
图6 利用视觉技术进行作物胁迫检测
表5 不同非生物胁迫检测技术的比较（原理、优缺点、适用范围、检测精度等）
表6 生物胁迫检测和靶向喷洒技术的比较
图7 利用视觉技术进行作物产量估算
表7 不同产量估算技术的比较（原理、优缺点、适用范围、估算精度等）
图8 利用视觉技术进行质量控制
表8 不同质量控制技术的比较（特点、优缺点、适用范围、检测精度等）
决策制定、处理和规划
有效农场管理和规划的第一步是在作物生长的整个期间收集相关数据，从土壤准备和播种，到产量估计和收获。空间变异性是一个重要因素，它指的是耕地内不同参数/条件的变化。这些参数包括水和养分需求的变化、病虫害的严重程度以及其他影响植物生长的气候因素。在整个生长期间使用多个传感器收集的作物数据有助于确定空间变异性，这对于做出关于下一个作物周期的明智决策很有用。这些数据可以分为四类：（a）土壤数据，包括土壤肥力和性质；（b）灌溉数据，包括用水需求；（c）气候数据，如湿度、风和冠层温度；（d）作物数据，包括不同生长阶段的健康和营养信息，以及收获的质量和数量。在整个作物生长期间收集数据后，下一步是分析和评估这些数据，以找出每个参数的重要性及其与最终输出的相关性。图像分析涉及从使用各种来源获取的图像中提取有用信息。计算机视觉和图像处理技术将原始数据转换为一种更易于被传统机器学习和更先进的深度学习技术利用的形式，以便进行必要的预测和估计。然后，这些预测和估计被传达给农民，农民对资源的使用、规划和管理做出明智的决策，选择最有利可图的行动方案。总的来说，数据收集、分析和图像分析非常重要，这些步骤可以帮助农民做出明智的决策，以实现农场的有效管理和规划。
图9 决策制定、处理和规划的相关过程或要素
农业中的机器人技术
随着农业从传统机械化向自动化的转变，机器人技术在农业中的应用越来越广泛。传统的重型农业机械可能会导致土壤压实，影响植物生长，而先进的机器人系统具有智能、轻量和高效的特点，能够替代传统设备。在完全自动化的农场中，可能会采用多种机器人和自主系统的集成方法，地面和空中可以协同工作，优化资源利用。虽然多机器人系统的研究仍处于早期阶段，但机器人技术已经在农业中发挥了重要作用，包括数据收集、作物护理、自动化农业任务和决策制定等方面。例如，机器人可以配备先进的成像技术和传感器，用于土壤监测、作物健康检查和生长模式估计等数据收集工作；利用摄像头和机器视觉技术，机器人可以早期检测病虫害和养分缺乏，实现精准的农药和化肥施用；机器人还可以用于自动化的播种、除草、种植和收获等任务，提高生产效率和质量；通过生成大数据，机器人技术使数据驱动的决策成为可能，帮助农民优化农业操作，提高农业生产力。此外，在实现完全自动化农场之前，机器人可以与人类协作，共同完成一些精细的任务，如采摘水果、修剪和喷洒等。人机交互（HRI）是一个新兴的研究领域，关注机器人和人类在协作工作环境中的战略、社会和伦理方面，包括有效的沟通、协作问题识别和行动实施，以及合作任务规划等关键挑战。总之，机器人技术正在改变农业领域，使其更加可持续和高效，但仍需要进一步的研究和发展来克服一些挑战，如模型复杂性、实时处理、环境因素影响、系统集成和数据安全等问题。
图10 农业生产中机器人技术的应用场景、类型、功能以及作用
全自动智能农业的进展和挑战
随着技术的发展，实现智能农场的愿景越来越接近现实，但仍存在许多挑战需要解决。环境因素，如光照条件、天气变化和复杂的农业环境，会对视觉系统的性能产生重大影响，导致模型的准确性和可靠性下降。此外，系统集成也是一个关键挑战，需要将不同的技术和设备整合在一起，以实现高效的农场管理。轻量级协议的使用对于减少数据传输和处理的负担至关重要，但目前仍需要进一步的研究和开发。计算机视觉模型的适应性和鲁棒性也是一个问题，它们需要能够处理各种不同的情况和变化，以确保在实际应用中的有效性。同时，开发低成本的硬件平台和开源软件框架对于推广智能农业技术至关重要，但目前这方面的进展还不够充分。农民对新技术的接受程度也是一个重要因素，需要加强教育和培训，以提高他们对智能农业的认识和使用意愿。最后，数据安全和隐私保护是不可忽视的问题，需要采取有效的措施来确保农场数据的安全和隐私。综上所述，实现全自动智能农业需要克服许多技术、经济和社会方面的挑战，需要各方的共同努力和合作。
来源：AgriPheno
