鄭小南 楊凡 李富忠

摘要 ? ?葡萄是我國重要的栽培水果之一。隨著計(jì)算機(jī)技術(shù)的進(jìn)步和我國智慧農(nóng)業(yè)概念的提出和推廣，圖像處理技術(shù)現(xiàn)已被廣泛應(yīng)用于葡萄檢測(cè)中，具有高效、便捷、無損傷的優(yōu)點(diǎn)。本文綜述了圖像檢測(cè)技術(shù)在葡萄葉片（病害、營(yíng)養(yǎng)物質(zhì)）和果實(shí)上的研究進(jìn)展，提出了現(xiàn)存的不足，并對(duì)未來圖像處理在葡萄檢測(cè)技術(shù)中的應(yīng)用進(jìn)行了展望。

關(guān)鍵詞 ? ?葡萄;圖像處理;生長(zhǎng)監(jiān)測(cè)

中圖分類號(hào) ? ?S663.1 ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼 ? ?A

文章編號(hào) ? 1007-5739（2020）12-0078-02 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）

葡萄是常見的水果之一，通常有鮮食、釀酒和制葡萄干3種食用方式。葡萄的根和藤可藥用，能起到安胎和止嘔的作用[1-3]。葡萄作為我國重要的果樹之一，現(xiàn)已在栽培方式、葡萄品質(zhì)和產(chǎn)量方面取得了很大的突破，逐步躋身于世界葡萄生產(chǎn)大國[4]。雖然取得了長(zhǎng)足的進(jìn)步，但我國葡萄栽培仍存在諸多問題，葡萄檢測(cè)主要通過人工進(jìn)行，時(shí)間長(zhǎng)，成本高，并且分析結(jié)果具有不可靠性。人工測(cè)量通常需要在良好的靜態(tài)測(cè)量條件下進(jìn)行，得到的數(shù)據(jù)集往往會(huì)產(chǎn)生較大誤差，很難對(duì)作物生長(zhǎng)狀況進(jìn)行精準(zhǔn)判斷，致使不能及時(shí)對(duì)葡萄生長(zhǎng)過程中出現(xiàn)的問題施行相應(yīng)的措施，導(dǎo)致我國葡萄品質(zhì)與世界先進(jìn)水平相比仍存在一定的差距。

隨著計(jì)算機(jī)技術(shù)和精準(zhǔn)農(nóng)業(yè)的發(fā)展，圖像技術(shù)已被廣泛應(yīng)用于葡萄檢測(cè)中。計(jì)算機(jī)圖像能夠代替人眼快速、準(zhǔn)確地進(jìn)行檢測(cè)分析。在葡萄生長(zhǎng)發(fā)育過程中，根據(jù)成像技術(shù)實(shí)時(shí)監(jiān)測(cè)生長(zhǎng)數(shù)據(jù)并及時(shí)采取相應(yīng)的措施，同時(shí)可以對(duì)葡萄的產(chǎn)量進(jìn)行精準(zhǔn)預(yù)測(cè)，還可自動(dòng)對(duì)葡萄品質(zhì)分級(jí)，這對(duì)確保葡萄的品質(zhì)與產(chǎn)量有重要作用[5]。了解國內(nèi)外研究進(jìn)展，對(duì)促進(jìn)我國葡萄精準(zhǔn)栽培和提高葡萄產(chǎn)量具有重要意義。本文主要對(duì)葡萄圖像檢測(cè)技術(shù)的研究進(jìn)展進(jìn)行綜述，并提出了不足以及未來的展望，以期為圖像處理在葡萄檢測(cè)中的應(yīng)用提供參考。

1 ? ?葡萄葉片特性圖像檢測(cè)

1.1 ? ?葉片病害圖像檢測(cè)

葡萄種植過程中存在密度小、面積大的問題，這種種植模式加速了病害的傳播，且不利于病害防治。對(duì)病害進(jìn)行準(zhǔn)確檢測(cè)和識(shí)別，有利于對(duì)癥下藥，保證葡萄健康生長(zhǎng)。傳統(tǒng)的病害識(shí)別和檢測(cè)主要是通過有經(jīng)驗(yàn)的果農(nóng)在田間進(jìn)行，該方式周期長(zhǎng)、效率低，識(shí)別中人為主觀意識(shí)產(chǎn)生的誤差也較大[6]。圖像處理的應(yīng)用有效解決了上述問題。喬虹[7]提出了一種基于深度學(xué)習(xí)動(dòng)態(tài)監(jiān)測(cè)葡萄葉片病害的方法，運(yùn)用Faster R-CNN算法對(duì)葡萄葉片進(jìn)行檢測(cè)，然后采用改進(jìn)卡爾曼濾波法進(jìn)行跟蹤，以此獲取葡萄葉片的正面圖像;文章中還提出了一種新的跟蹤方法，解決了由于葉片遮擋導(dǎo)致跟蹤失敗的問題，并且還可以實(shí)現(xiàn)多葉片的跟蹤。通過對(duì)跟蹤定位到的葉片進(jìn)行姿態(tài)矯正，然后進(jìn)行SIFT匹配，以此找出同一葉片的一系列生長(zhǎng)圖像，利用深度學(xué)習(xí)技術(shù)對(duì)該組圖像進(jìn)行病害識(shí)別。最后，通過對(duì)比葉片生長(zhǎng)序列圖像的病斑面積或病斑數(shù)量來確認(rèn)病害是否存在。試驗(yàn)表明，該方法在葉片跟蹤和病害識(shí)別上都達(dá)到了良好的精度。李冠林等[8]提出了一種基于K_means聚類（HCM）算法的無監(jiān)督分割處理方法?；贚*a*b*顏色空間模型中ab二維數(shù)據(jù)空間的顏色差異，以歐氏距離的平方作為相似距離，以均方差作為聚類準(zhǔn)則函數(shù)，對(duì)2個(gè)聚類進(jìn)行迭代顏色聚類。利用數(shù)學(xué)形態(tài)學(xué)算法對(duì)聚類結(jié)果進(jìn)行校正。將該方法應(yīng)用于3種葡萄病害的彩色圖像分割，結(jié)果表明，該方法能較好地從葡萄病害彩色圖像中分割出病變區(qū)域，具有良好的魯棒性和準(zhǔn)確性。Adeel等[9]提出了一個(gè)用于分割和識(shí)別葡萄葉片病害的自動(dòng)化系統(tǒng)，該系統(tǒng)利用SVM對(duì)最終提取的特征進(jìn)行分類。在Plant Village數(shù)據(jù)集上對(duì)該系統(tǒng)進(jìn)行了評(píng)估，數(shù)據(jù)集包含3種類型的葡萄葉片病害，例如黑麻疹、黑腐病和葉枯病。該方法的平均分割正確率為90%，分類正確率在92%以上。劉媛[10]通過計(jì)算機(jī)視覺和深度神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了葡萄葉片6種常見病害的識(shí)別。半自動(dòng)病害識(shí)別首先需要人工截取葉片病害區(qū)域作為樣本，篩選出5種特征用于識(shí)別，結(jié)果表明，Bagged Trees識(shí)別效果較好，平均識(shí)別率可達(dá)86.67%;全自動(dòng)病害識(shí)別主要使用Faster R-CNN模型，對(duì)比多種卷積神經(jīng)網(wǎng)絡(luò)，結(jié)果顯示，VGG-16網(wǎng)絡(luò)的識(shí)別性能最優(yōu)異，識(shí)別正確率可達(dá)94.48%

1.2 ? ?葉片營(yíng)養(yǎng)元素圖像檢測(cè)

葡萄葉片營(yíng)養(yǎng)元素的含量可以從一定程度上反映出當(dāng)前葡萄生長(zhǎng)狀況。葉片的還原糖和氮是作物光合作用的主要元素，間接表征了作物的光合速率和長(zhǎng)勢(shì)[11]。水分作為作物生長(zhǎng)階段最重要的營(yíng)養(yǎng)元素之一，葉片是受水分影響反映最敏感的器官，主要表現(xiàn)為葉片發(fā)黃、萎縮等。因此，通過圖像處理技術(shù)，快速對(duì)葉片元素含量進(jìn)行測(cè)定，對(duì)于作物生長(zhǎng)狀況評(píng)價(jià)和產(chǎn)量估測(cè)具有重大意義[12]。賈尚云等[13]提出了一種葡萄葉片還原糖含量測(cè)定的新方法，利用工業(yè)相機(jī)獲取葡萄葉片圖像，獲取葉片的顏色、紋理特征值，然后采用支持向量機(jī)（SVM）算法，對(duì)葡萄葉片還原糖含量進(jìn)行分類識(shí)別，結(jié)果顯示，分類識(shí)別的準(zhǔn)確率為87.349%。楊娟娟等[14]通過卷積神經(jīng)網(wǎng)絡(luò)VGG-16實(shí)現(xiàn)對(duì)葡萄葉片含氮量的識(shí)別，將獲取的葡萄葉片圖像用十折交叉驗(yàn)證法分為測(cè)試集和訓(xùn)練集，分別用4種網(wǎng)絡(luò)模型訓(xùn)練比對(duì)，結(jié)果表明，在室內(nèi)的識(shí)別準(zhǔn)確率高于室外，這為作物葉片含氮量的識(shí)別提供了一種快捷的新方式。勞東青等[15]通過對(duì)葡萄葉片的圖像進(jìn)行處理，獲取圖像的灰度均值，通過烘干法測(cè)量葡萄葉片含水率真實(shí)值，以此建立了灰度均值和葡萄葉片含水率之間的估算模型，模型確定系數(shù)R2為0.7803，此方法為作物的精準(zhǔn)灌溉和自動(dòng)化灌溉提供了一定的基礎(chǔ)。

2 ? ?葡萄果實(shí)圖像檢測(cè)

2.1 ? ?果實(shí)外部特征圖像檢測(cè)

葡萄品種眾多，一些品種的葉片和顏色較相近，人眼很難區(qū)分，這給葡萄采摘過程造成了極大的不便，而且會(huì)影響葡萄漿果產(chǎn)量和質(zhì)量的準(zhǔn)確預(yù)測(cè)。在傳統(tǒng)模式中，這些工作都是通過具有豐富經(jīng)驗(yàn)的熟練專家來執(zhí)行。圖像技術(shù)提供了一種廉價(jià)、快速和無破壞性的替代方案，可替代專家進(jìn)行耗時(shí)且主觀的現(xiàn)場(chǎng)分析，高效快捷地對(duì)葡萄漿果進(jìn)行定位識(shí)別、果粒粒徑測(cè)量和顆粒數(shù)的統(tǒng)計(jì)[16]。在釀酒過程中，最耗時(shí)、最費(fèi)力的就是葡萄采摘。由于各種顏色的葡萄莖和不規(guī)則的葡萄輪廓，使采摘機(jī)器人很難準(zhǔn)確定位挑選點(diǎn)。為了提高葡萄采摘機(jī)器人的目標(biāo)定位精度和工作效率，減少機(jī)械損傷、葡萄采摘節(jié)點(diǎn)定位不當(dāng)?shù)纫幌盗杏绊?，宋西平[17]提出了一種基于雙目視覺對(duì)葡萄漿果進(jìn)行定位識(shí)別的方法，主要通過雙目視覺技術(shù)獲取葡萄圖像，在此基礎(chǔ)上研究了對(duì)葡萄采摘過程中采摘點(diǎn)的立體定位，并實(shí)現(xiàn)了采摘機(jī)器人實(shí)驗(yàn)?zāi)M仿真，為后期雙目視覺采摘機(jī)器人的開發(fā)和研究提供了一定的方向。羅陸鋒等[18]提出了一種基于改進(jìn)的聚類圖像分割和最小點(diǎn)距約束的采摘點(diǎn)定位方法。通過對(duì)采集于陽光直射、晴天逆光和陰天的300幅夏黑葡萄測(cè)試圖像的統(tǒng)計(jì)分析，定位點(diǎn)準(zhǔn)確率可達(dá)到88.33%。李俊偉等[19]提出了一種基于機(jī)器視覺技術(shù)對(duì)單個(gè)葡萄質(zhì)量和果徑進(jìn)行預(yù)測(cè)分級(jí)的方法，該方法首先對(duì)獲取的葡萄樣品圖像進(jìn)行分割，獲取葡萄幾何特征，然后采用一元線性回歸法和偏最小二乘回歸法預(yù)測(cè)單粒葡萄的質(zhì)量和果徑，運(yùn)用二次判別分析法，對(duì)單粒葡萄的質(zhì)量和果徑進(jìn)行分級(jí)。結(jié)果表明，預(yù)測(cè)和分級(jí)的準(zhǔn)確率均超過85%。Zabawal等[20]通過檢測(cè)圖像中的葡萄漿果，對(duì)葡萄產(chǎn)量進(jìn)行估產(chǎn)。用Phenoliner（一種野外表型分析平臺(tái)）獲得的葡萄圖像，應(yīng)用完全卷積神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)葡萄漿果的檢測(cè)，主要包括漿果、邊緣和背景三部分。檢測(cè)出漿果之后，應(yīng)用連通分量算法來確定一個(gè)圖像中的漿果數(shù)量，從而預(yù)估產(chǎn)量。將自動(dòng)計(jì)數(shù)的漿果數(shù)量與手動(dòng)檢測(cè)到的漿果進(jìn)行比較，結(jié)果表明，該方法能夠準(zhǔn)確地在垂直拍攝定位格架VSP系統(tǒng)內(nèi)正確檢測(cè)漿果占34.0%，在半最小修剪樹籬SMPH系統(tǒng)占85.6%。Gennaro等[21]通過無人機(jī)拍攝葡萄園內(nèi)的RGB圖像，應(yīng)用無監(jiān)督識(shí)別算法推導(dǎo)出簇?cái)?shù)和大小，用于估算每株葡萄的產(chǎn)量。分割結(jié)果表明，群體檢測(cè)在部分葉片和多種條件下均顯示超過85%的性能，并且允許在收獲前數(shù)周估計(jì)葡萄產(chǎn)量超過84%。

2.2 ? ?果實(shí)內(nèi)部特征圖像檢測(cè)

葡萄作為一種常見的水果，主要用途分為鮮食、葡萄干、葡萄酒3種，不同內(nèi)部元素含量的葡萄對(duì)應(yīng)不同的用途，圖像處理技術(shù)可以快速、無損傷地對(duì)葡萄進(jìn)行內(nèi)部指標(biāo)檢測(cè)，以滿足生產(chǎn)環(huán)節(jié)的不同需求[22]。徐 ?麗等[23]通過高光譜成像技術(shù)獲取葡萄的漫反射光譜，對(duì)原始光譜進(jìn)行預(yù)處理，用逐步多元線性回歸（SMLR）和偏最小二乘法（PLS）建立可溶性固形物含量的預(yù)測(cè)模型。試驗(yàn)表明，2種預(yù)測(cè)模型的準(zhǔn)確率均在90%以上。Gutiérrez等[24]以非破壞性的方式，實(shí)時(shí)測(cè)量葡萄中的TSS和花青素濃度。在自然光下拍攝葡萄的高光譜圖像，采用支持向量機(jī)建立光譜模型，實(shí)現(xiàn)預(yù)測(cè)。結(jié)果顯示，TSS的預(yù)測(cè)準(zhǔn)確率達(dá)到92%，對(duì)于花青素濃度預(yù)測(cè)的準(zhǔn)確率達(dá)到83%，本研究中獲取高光譜圖像可以實(shí)現(xiàn)自動(dòng)化，對(duì)葡萄成分的自動(dòng)評(píng)估提供了有用的參考價(jià)值。蔡正云等[25]對(duì)比了多種光譜圖像預(yù)處理方法和不同的預(yù)測(cè)模型，結(jié)果表明，CARS提取特征波長(zhǎng)建立的PLSR模型最優(yōu)異，預(yù)測(cè)集的相關(guān)系數(shù)為0.806，證明了用可見近紅外高光譜成像技術(shù)預(yù)測(cè)葡萄含水量是可行的。

3 ? ?存在的不足及展望

隨著圖像處理技術(shù)的迅猛發(fā)展，現(xiàn)該技術(shù)已被逐漸應(yīng)用到農(nóng)業(yè)方面，在眾多研究者的共同努力下，圖像處理在葡萄的葉片病害、營(yíng)養(yǎng)物質(zhì)檢測(cè)和葡萄果實(shí)識(shí)別、品質(zhì)分級(jí)等方面也取得了一定的成果。圖像處理技術(shù)并不只局限于數(shù)字圖像，近年來也逐漸與光譜、機(jī)器視覺和遙感技術(shù)相融合，從而實(shí)現(xiàn)葡萄的內(nèi)外品質(zhì)自動(dòng)檢測(cè)和葡萄園生長(zhǎng)狀況的大面積快速監(jiān)測(cè)。雖然圖像處理技術(shù)在葡萄生長(zhǎng)過程監(jiān)測(cè)和品質(zhì)檢測(cè)方面已有大量的研究，這對(duì)推動(dòng)葡萄種植和品質(zhì)分級(jí)的自動(dòng)化具有重大意義，但是在走向技術(shù)成熟和投入實(shí)際生產(chǎn)環(huán)節(jié)還存在一定的問題。一是葡萄品種眾多，不同品種的葉片和果實(shí)存在較大的差異，特征差異顯著的圖像有較好的分割效果，對(duì)于一些葡萄葉片顏色和果實(shí)顏色相近的品種，分割不夠精確，相關(guān)研究也較少。二是葡萄果實(shí)較脆弱，且采摘過程中易落果，葉片繁多造成圖像對(duì)葡萄采摘點(diǎn)進(jìn)行定位時(shí)，定位點(diǎn)不夠精準(zhǔn)，機(jī)械臂采摘過程中會(huì)對(duì)果實(shí)造成一定的損傷，自動(dòng)采摘實(shí)際投入生產(chǎn)環(huán)節(jié)還需要一定的時(shí)間。三是圖像處理現(xiàn)以處理靜態(tài)圖像為主，對(duì)于處理動(dòng)態(tài)圖片還存在一定的不足，需要進(jìn)一步研發(fā)有關(guān)動(dòng)態(tài)圖像的處理算法，捕捉葡萄生長(zhǎng)的每一個(gè)階段，可以對(duì)其生長(zhǎng)狀況有更精準(zhǔn)的評(píng)價(jià)。

4 ? ?參考文獻(xiàn)

[1] 莊楷杏，李妙清，鄭燦芬，等.黑提葡萄不同部位的香氣分析[J].飲料工業(yè)，2018，21（5）：13-16.

[2] 侯廷帥，韓曉東，趙江，等.葡萄的加工技術(shù)綜述[J].食品工業(yè)，2015，36（5）：223-228.

[3] BARR？譩 P，HERZOG K，H？魻FLE R，et al.Automated phenotyping of epic-uticular waxes of grapevine berries using light separation and convolutional neural networks[J].Computers and Electronics in Agriculture，2019，156：263-274.

[4] 劉旭宇.金華市葡萄產(chǎn)業(yè)現(xiàn)狀、技術(shù)特點(diǎn)與發(fā)展對(duì)策[D].杭州：浙江大學(xué)，2011.