段史江 ，譚方利 ，余金龍 ，劉顯華 ，王生才 ，王玉帥 ，宮長榮

（1.河南農(nóng)業(yè)大學，河南 鄭州 450002；2.郴州市煙草公司，湖南 郴州 423000；3.桂陽縣煙草公司，湖南 桂陽 424400）

機器視覺技術(shù)是指通過把圖像信號轉(zhuǎn)換成數(shù)字信號并采用計算機進行處理的過程。目前，機器視覺技術(shù)在生物圖像分析方面已取得了卓越的成效，廣泛應(yīng)用于農(nóng)產(chǎn)品品質(zhì)檢測和分級[1]。隨著我國現(xiàn)代煙草農(nóng)業(yè)的發(fā)展，密集烤房以其節(jié)能、省工、提高煙葉整體質(zhì)量等優(yōu)勢成為我國烤煙設(shè)備的發(fā)展趨勢[2-3]，烘烤工場、合作社等集約型烘烤模式日趨完善[4]。近幾年的試驗表明，密集烤房容易出現(xiàn)葉面光滑、僵硬、顏色淡等問題[5-11]。為進一步提高密集烘烤的科學性和精準程度，已有研究通過圖像采集裝置，實現(xiàn)了烘烤過程煙葉狀態(tài)的實時采集[12]。機器視覺技術(shù)應(yīng)用于烤煙烘烤過程對于研究葉面光滑等問題將具有重要的理論與實用價值。本研究重點介紹了機器視覺技術(shù)在我國農(nóng)業(yè)及煙草生產(chǎn)領(lǐng)域的使用優(yōu)勢，并探討了機器視覺技術(shù)在密集烘烤過程中的應(yīng)用前景。

1 機器視覺技術(shù)簡介

“機器視覺”通俗來講就是采用機器代替人眼來測量和判斷。美國制造工程協(xié)會關(guān)于機器視覺的定義是：使用光學器件進行非接觸感知，自動獲取和解釋下個真實場景的圖像，以獲取信息和控制機器或過程。機器視覺的核心技術(shù)包括“光電圖像傳感”和“圖像處理”，機器視覺技術(shù)以模擬和代替人眼和大腦為目標，為智能化提供基礎(chǔ)。

機器視覺技術(shù)由圖像輸入、圖像處理、圖像存儲及圖像輸出組成。機器視覺代替?zhèn)鹘y(tǒng)的人工方法，不僅可以提高生產(chǎn)效率，也可以提高精確度、準確性，還可以實現(xiàn)無損檢測，其特點是提高生產(chǎn)的自動化程度和柔性。與人工和其他傳統(tǒng)控制相比，機器視覺技術(shù)可以同時獲取大量信息，且信息更為細致，適用于不適合人工作業(yè)的危險工作或人工難以滿足要求的場合。

2 機器視覺技術(shù)在農(nóng)業(yè)生產(chǎn)中的應(yīng)用現(xiàn)狀

機器視覺技術(shù)在農(nóng)業(yè)上的應(yīng)用將進一步推進農(nóng)業(yè)生產(chǎn)的現(xiàn)代化。在國外，機器視覺技術(shù)的應(yīng)用相當成熟。20世紀80年代，圖像處理技術(shù)開始應(yīng)用于植物病害識別中，1985年安岡善文[13]用圖像分析了被有害氣體污染的植物葉片，其中葉片被有害氣體污染的區(qū)域能從紅外圖像中明顯顯示出來。1995年，Ling P P[14]為了定量描述咖啡胚芽體細胞從成熟到萌發(fā)的發(fā)展過程，利用機器視覺技術(shù)采集了同一胚芽體細胞不同生長階段時的兩幅圖像，并用伸長系數(shù)和生長縱橫比作為特征系數(shù)來描述胚芽體細胞的生命活力，試驗結(jié)果表明，該機器視覺系統(tǒng)預測發(fā)芽率的精度為61.5%～85.1%。1996年，Kurata[15]利用計算機視覺技術(shù)，發(fā)現(xiàn)番茄葉柄的傾斜度與番茄的缺水狀態(tài)表現(xiàn)有一定的關(guān)系，并通過研究分析計算出斜率來估計作物的缺水狀態(tài)。2001年，Iida等[16]用CCD相機獲取圖像評價水稻植株氮含量時采用了濾光鏡，結(jié)果表明“綠色”標準植被指數(shù)值與葉片氮含量的相關(guān)系數(shù)R2為0.537。

在國內(nèi)，機器視覺技術(shù)主要應(yīng)用于農(nóng)產(chǎn)品檢測識別、生長監(jiān)測、水分檢測等方面。2000年，應(yīng)義斌等[17]采用傅立葉變換與其反變換描述果形，開發(fā)基于人工神經(jīng)網(wǎng)絡(luò)的果形識別軟件，利用紅、綠色彩分量求出可疑點，再經(jīng)區(qū)域增長突出整個受損面，果形識別精確率達90%。趙杰文等[18]利用水分子對紅外光的吸收特性，采用計算機視覺及圖像處理技術(shù)中紋理分析的灰度-梯度共生矩陣法分別對兩種作物葉片的近紅外圖像求出各自的特征量，試驗結(jié)果表明，特征量與葉片干基含水率之間的線性關(guān)系不僅和特征量有關(guān)，而且和拍攝圖像時的試驗因素有關(guān)，另外還取決于梯度圖像的灰度級的數(shù)目。于峰[19]對大豆葉片進行研究發(fā)現(xiàn)，葉片的顏色特征與供氮水平有一定的相關(guān)性。張彥娥等[20]應(yīng)用計算機視覺技術(shù)研究了診斷溫室作物營養(yǎng)狀態(tài)的方法，提出葉片綠色分量G和色度H分量與氮含量線性相關(guān)，可用作利用機器視覺快速診斷作物長勢的指標。李少昆[21]率先將圖像技術(shù)應(yīng)用于小麥、玉米等作物株型信息的提取和生長監(jiān)測，借助人工標記的方法，實現(xiàn)了玉米、小麥株型信息的提取，將基于圖像技術(shù)的特征參數(shù)與傳統(tǒng)農(nóng)學中的參數(shù)建立起了聯(lián)系，可檢測到葉片長度、莖葉夾角、葉傾角等30余個形態(tài)特征參數(shù)，同時建立了基于圖像處理技術(shù)的一些新指標。顧眾業(yè)等[22]用圖像處理技術(shù)對山楊樹葉片進行研究，通過灰度處理和偽圖像處理，得出葉片的水分信息。陳佳娟[23]等利用圖像處理技術(shù)獲取玉米葉片的顏色特征，求得了玉米葉色的測定值，為實現(xiàn)化肥的精確使用提供了數(shù)字依據(jù)。耿楠等[24]用機器視覺技術(shù)檢測了育種小麥生長信息，用判別分析法確定閾值，提出基于葉片位置的葉片分割算法。孫瑞東等[25]基于圖像處理技術(shù)獲取了大量葉片圖像特征并測出相應(yīng)含水量，繪制了葉片含水量和灰度梯度值變化關(guān)系曲線，從而從圖像獲得葉片缺水信息。吳艷兵[26]基于圖像處理研究了黃瓜幼苗水分含量檢測技術(shù)，可用于識別處理水平為50%～90%的水分含量。

3 機器視覺技術(shù)在煙草生產(chǎn)領(lǐng)域的應(yīng)用現(xiàn)狀

隨著計算機技術(shù)和數(shù)字圖像處理技術(shù)的發(fā)展，機器視覺技術(shù)在煙草生產(chǎn)領(lǐng)域的研究和應(yīng)用越來越廣泛。2000年，周文等[27]應(yīng)用圖像處理技術(shù)提取了烤煙煙葉形狀特征，用鏈碼描述煙葉外形輪廓，并用鏈碼特性計算煙葉外形特征值。2001年，張帆等[28]基于圖像處理技術(shù)將煙葉圖像的形狀特征、顏色特征和紋理特征提取出來并應(yīng)用于圖像檢索，大大提高了檢索效率。2002年，韓力群等[29]應(yīng)用圖像處理技術(shù)提取煙葉質(zhì)量特征參數(shù)，應(yīng)用模糊統(tǒng)計技術(shù)確定各特征參數(shù)的隸屬度，并將此項技術(shù)應(yīng)用于煙葉分級，結(jié)果表明，該系統(tǒng)已達到人類專家分級水平。2003年，唐向陽等[30]基于機器視覺技術(shù)實現(xiàn)了煙草雜物剔除系統(tǒng)的建模，實現(xiàn)了煙草雜物的在線檢測。劉軍[31]基于機器視覺技術(shù)實現(xiàn)了煙草異物的自動識別與剔除。2006年，馬文杰等[32]進行了圖像分割方法在煙葉圖像分割中的研究，結(jié)果表明該方法有利于提高分割結(jié)果的可信度，為利用煙葉透射特征進行后續(xù)研究奠定了基礎(chǔ)。2007年，徐光輝等[33]利用圖像處理技術(shù)提取不同成熟時期煙葉葉綠素含量，采用線性擬合以及回歸分析方法建立了成熟期葉綠素含量估算模型，結(jié)果表明模擬值與實測值均呈極顯著正相關(guān)。劉華波等[34]通過投射煙葉圖像顏色特征實現(xiàn)了煙葉分組識別，識別率達到84%。2008年，杜東亮等[35]的研究表明，基于煙葉圖像形狀特征實現(xiàn)煙葉圖像檢索的檢出率可以達到96%。2009年，甘露萍[36]基于圖像處理技術(shù)提取了鮮煙葉的顏色，形狀，紋理特征，并將這些形態(tài)特征用于鮮煙葉水分無損檢測。彭曙光等[37]通過煙葉圖像形態(tài)特征提取與煙草青枯病結(jié)合，建立了病害專家診斷系統(tǒng)。2010年，彭曙光等[38]綜合了煙草80多種主要病害的癥狀特點，提煉出包括根、莖、葉、整株發(fā)育和生育期等在內(nèi)的25種檢索選項，建立了煙草主要病害診斷系統(tǒng)。

4 機器視覺技術(shù)在烤煙密集烘烤領(lǐng)域的應(yīng)用展望

目前，機器視覺技術(shù)在煙草生產(chǎn)領(lǐng)域的應(yīng)用主要集中在異物識別、病害診斷、圖像檢索、鮮煙葉水分檢測等方面[39-41]，而在烤煙烘烤過程中的應(yīng)用尚不多見，烘烤調(diào)制是決定煙葉最終質(zhì)量和可用性的一個重要環(huán)節(jié)[42],即使是具有上等素質(zhì)的鮮煙葉，若調(diào)制不當，其可用性和品質(zhì)也會大大降低。

4.1 烘烤過程中煙葉含水量在線監(jiān)測

煙葉烘烤的實質(zhì)是煙葉脫水干燥的物理過程和生物化學變化過程的統(tǒng)一。核心是碳素和氮素在人為溫濕度條件下代謝的程度及其與水分動態(tài)的協(xié)調(diào)，必須向著有利于煙葉品質(zhì)的方向發(fā)展，其中水分是各種代謝活動的限制因素[43]。烘烤過程中，煙葉含水量的測算在指導烘烤操作、判斷煙葉內(nèi)部物質(zhì)轉(zhuǎn)化程度、監(jiān)測各種酶活性變化等方面具有重要作用?；趫D像處理的鮮煙葉水分在線無損檢測已經(jīng)被實現(xiàn)，煙葉水分含量與煙葉形狀特征、顏色特征、紋理特征等變化密切相關(guān)。烘烤過程中煙葉水分在線無損檢測技術(shù)的實現(xiàn)將進一步推動烘烤過程中煙葉內(nèi)部代謝活動的研究。

4.2 烘烤過程中煙葉內(nèi)部物質(zhì)轉(zhuǎn)化研究

烤煙烘烤過程是煙葉內(nèi)部物質(zhì)轉(zhuǎn)化的動態(tài)過程，其中色素類物質(zhì)的降解是引起煙葉顏色變化的本質(zhì)原因。色素類物質(zhì)的降解不僅影響烤后煙葉外觀質(zhì)量，同時與烤后煙葉內(nèi)部化學成分以及煙葉香氣味等密切相關(guān)。其中類胡蘿卜素是煙葉香味物質(zhì)的重要前體物質(zhì)[44-48]，類胡蘿卜素類物質(zhì)在烘烤過程中的降解、反應(yīng)與烤后煙葉香氣味、刺激性等關(guān)系密切[49]。機器視覺在顏色方面的識別遠超過人類，利用機器視覺技術(shù)與神經(jīng)網(wǎng)絡(luò)等方法監(jiān)測烤煙烘烤過程中色素類物質(zhì)的降解對于解決目前密集烘烤煙葉香氣味不足等問題具有實際意義。

4.3 密集烤房精準控制研究

烘烤過程中煙葉顏色、紋理、形狀等外觀特征的規(guī)律性變化是判斷烘烤操作的標準，與人工相比，機器視覺技術(shù)在識別形態(tài)特征變化方面優(yōu)勢明顯。隨著密集烤房圖像采集裝置及自控設(shè)備的完善，機器視覺技術(shù)代替人工進行烘烤過程的判斷與操縱，會進一步提高密集烘烤的準確性與科學性。

[1] 劉燕德，應(yīng)義斌，成 芳.計算機視覺技術(shù)在種子純度檢驗中的應(yīng)用[J].農(nóng)業(yè)機械學報，2003，34（5）：161-163.

[2] 宮長榮，潘建斌，宋朝鵬.我國煙葉烘烤設(shè)備的演變與研究進展[J].煙草科技，2005（11）：34-36.

[3] 宋朝鵬，陳江華，許自成，等.我國烤房的建設(shè)現(xiàn)狀與發(fā)展方向[J].中國煙草學報，2009，15（3）：83-86.

[4] 宋朝鵬，冀新威，孫建鋒，等.幾種烤煙專業(yè)化烘烤模式分析與探討[J].中國煙草科學，2010，31（4）：59-63.

[5] 王衛(wèi)峰，陳江華，宋朝鵬，等.密集烤房的研究進展[J].中國煙草科學，2005，26（3）：12-14.

[6] 徐秀紅，孫福山，王 永，等.我國密集烤房研究應(yīng)用現(xiàn)狀及發(fā)展方向探討[J].中國煙草科學，2008，29（4）：54-56，61.

[7] 張小易，張一揚.密集烤房自控設(shè)備對比試驗研究[J].湖南農(nóng)業(yè)科學，2009，（4）：107-109.

[8] 成勍松，陳和春，蔣篤忠.密集烤房應(yīng)用研究Ⅰ.密集烤房與普通烤房應(yīng)用效果對比 [J].湖南農(nóng)業(yè)科學，2009，（9）：122-124.

[9] 鐘 平，林云通，林方榮，等.烤煙四層密集烤房試驗研究[J].湖南農(nóng)業(yè)科學，2010，（1）：90-93.

[10]肖興強，鄺中山，文志強，等.自控化GK-5型氣流下降式烤房烘烤煙葉效果試驗初報 [J].廣東農(nóng)業(yè)科學，2009，（1）：26-27，40.

[11]王懷珠，王玉兵，李洪勛.不同墻體材料烤房對烤煙生產(chǎn)的影響[J].安徽農(nóng)業(yè)科學，2010，（32）：641-642.

[12]中國煙草總公司鄭州煙草研究院.密集烤房烘烤過程煙葉狀態(tài)的圖像采集裝置[P].中國，200820220980，2009-09-30.

[13]安岡善文.圖像處理技術(shù)在環(huán)境中的應(yīng)用 [J].電氣學會雜志，1985，（5）：455-458.

[14]Ling P P,Cheng Z,M usacchio D J.Quantification of axiomatic coffee embryo growth usingmachine vision[J].Trans oftheASAE,1995,38（6）：1911-1917.

[15]Kurata K,Yan J.Water stress estimation of tomam canopy based onmachine vision[J].Acta Hort.（ISHS）440:389-394.

[16]lida M,Kaho T,Lee C K,et a1.Measurement of grain yields in Japanese paddy fields[A].Proceedings of the 4th international conference on precision agriculture[C].PC Robert,R H Rust,W E Larson（eds.）,ASA CSSA,SSSA,Madison,WI,1998,1165-1175.

[17]應(yīng)義斌，饒秀勤，趙 勻，等.機器視覺技術(shù)在農(nóng)產(chǎn)品品質(zhì)自動識別中的應(yīng)用[J].農(nóng)業(yè)工程學報，2000，16（1）：103-107.

[18]趙杰文，周曉兵.基于近紅外圖像紋理分析檢測作物葉片含水率的研究[J].農(nóng)業(yè)工程學報，1999，15（3）：39-42.

[19]于 峰.計算機圖像處理技術(shù)在植物氮營養(yǎng)診斷中的應(yīng)用及其軟件開發(fā)[D].北京：中國農(nóng)業(yè)大學，2003.

[20]張彥娥，李民贊，張喜杰，等.基于計算機視覺技術(shù)的溫室黃瓜葉片營養(yǎng)信息檢測[J].農(nóng)業(yè)工程學報，2005，21（8）：102-105.

[21]李少昆.作物株型多媒體圖像處理技術(shù)的研究 [J].作物學報，1998，24（3）：265-271.

[22]顧眾業(yè)，韓士杰，孫永成，等.山楊葉片水分狀態(tài)的計算機診斷[J].東北林業(yè)大學學報，1998，26（2）：80-81.

[23]陳佳娟，紀壽文.基于遺傳神經(jīng)網(wǎng)絡(luò)的玉米葉色的自動測定研究[J].農(nóng)業(yè)工程學報，2000，16（3）：115-117.

[24]耿 楠，何建東，楊 青，等.小麥生長信息機器視覺檢測技術(shù)研究[J].農(nóng)業(yè)工程學報，2001，17（1）：136-139.

[25]孫瑞東，于海業(yè)，于常樂，等.基于圖像處理的黃瓜葉片含水量無損檢測研究[J].農(nóng)機化研究，2008，7（7）：87-89.

[26]吳艷兵.基于計算機圖像處理檢測溫室黃瓜幼苗土壤水份含量的技術(shù)研究[D].武漢：華中農(nóng)業(yè)大學，2007，5.

[27]周 文，韓力群，李 銳.計算機圖像處理技術(shù)在烤煙煙葉形狀特征提取中的應(yīng)用[J].煙草科技，2000（1）：12-13，42.

[28]張 帆，方如明，蔡鍵榮.標準煙葉數(shù)據(jù)庫的圖像檢索[J].農(nóng)業(yè)機械學報，2001，32（1）：66-68，71.

[29]韓力群，何 為，段振剛，等.烤煙煙葉自動分級的智能技術(shù)[J].農(nóng)業(yè)工程學報，2002，18（6）：173-175.

[30]唐向陽，張 勇，黃 崗，等.機器視覺技術(shù)在煙草雜物剔除系統(tǒng)中的應(yīng)用[J].機電一體化，2003，19（5）：22-24.

[31]劉 軍.煙草在線異物實時識別與自動剔除系統(tǒng)研究 [D].重慶：重慶大學，2003.

[32]馬文杰，賀立源，徐勝祥，等.基于烤煙透射特征的煙葉圖像分割研究[J].農(nóng)業(yè)工程學報，2006，22（7）：134-137.

[33]徐光輝，虎曉紅，熊淑萍，等.烤煙葉片葉綠素含量與顏色特征的關(guān)系 [J].河南農(nóng)業(yè)大學學報（自然科學版），2007，41（6）：600-604.

[34]劉華波，賀立源，馬文杰，等.投射圖像顏色特征在煙葉識別中應(yīng)用的探索[J].農(nóng)業(yè)工程學報，2007，23（9）：169-171.

[35]杜東亮.烤煙煙葉視覺分級中標準定量化模型的研究 [D].洛陽：河南科技大學，2008.

[36]甘露萍.基于機器視覺技術(shù)的鮮煙葉含水量模型研究 [D].重慶：西南大學，2009.

[37]彭曙光，唐前君，肖啟明，等.煙草病害診斷專家系統(tǒng)的建立與應(yīng)用[J].中國煙草科學，2010，31（4）：28-32.

[38]彭曙光，李桂彬，唐前君，等.煙草病害診斷專家系統(tǒng)的建立與應(yīng)用[J].湖南農(nóng)業(yè)大學學報（自然科學版），2010，36（3）：312-316.

[39]梁魏峰.應(yīng)用MATLAB提取煙葉圖像的基本特征[D].濟南：山東大學，2003.

[40]張 帆，張鴻賓.基于內(nèi)容的標準煙葉圖像數(shù)據(jù)庫檢索[J].計算機工程與應(yīng)用，2002，38（7）：203-205.

[41]周 珂.基于圖像識別的煙草青枯病害診斷研究[D].重慶：西南大學，2010.

[42]宮長榮.煙草調(diào)制學[M].北京：中國農(nóng)業(yè)出版社，2003.

[43]宮長榮，周義和，楊煥文.烤煙三段式烘烤導論[M].北京：科學出版社，2005：4-14.

[44]周冀衡，朱小平，王彥亭，等.煙草生理與生物化學[M].合肥：中國科學技術(shù)大學出版社，1996.

[45]宮長榮.煙葉烘烤原理[M].北京：科學技術(shù)出版社，1994.

[46]姚 晶，彭 紅，鄭登峰，等.黔西縣煙葉專業(yè)化烘烤研究[J].湖南農(nóng)業(yè)科學，2010，（8）：36-37.

[47]高 遠，宋朝鵬，楊義方，等.不同烘烤工藝烤煙香氣質(zhì)量的主成分分析[J].江西農(nóng)業(yè)學報，2009，（12）：40-43，49.

[48]賈琪光，宮長榮.烤煙調(diào)制學[M].鄭州:河南科學技術(shù)出版社，1990.

[49]Long R C,Webrew JA.Major chemical changes during senescence and curing[J].Adv Tob Sci,1981,7：48.