87 计算机视觉在农业技术中的应用

计算机视觉技术正在迅速改变农业领域，它的应用涵盖从作物监测、中草药识别到害虫检测和田间自动化运作等多个方面。利用OpenCV和Python，我们可以开发众多农业图像处理应用，帮助农民更高效地进行作物管理，提高产量。

知识点与函数介绍

图像读取与显示

在农业技术中，图像读取与显示是最基础的操作，我们将会频繁使用这些功能来处理田间图片。

import cv2
cv2.imread()

• 功能: 从文件中加载图像。
• 参数:
• filename (str): 图像文件名。
• flags (int): 指定图像的读取方式，cv2.IMREAD_COLOR 表示加载彩色图像，cv2.IMREAD_GRAYSCALE 表示加载灰度图像。
• 返回值: 返回一个图像对象。

示例：

image = cv2.imread('field.jpg', cv2.IMREAD_COLOR)

cv2.imshow()

• 功能: 显示图像在窗口中。
• 参数:
• window_name (str): 窗口名称。
• image (ndarray): 要显示的图像。
• 返回值: 无。

示例：

cv2.imshow('Field', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

农作物疾病检测

病斑区域提取

cv2.inRange()

• 功能: 根据给定的范围检测图像中的像素。
• 参数:
• src (ndarray): 输入图像。
• lowerb (tuple): 下边界。
• upperb (tuple): 上边界。
• 返回值: 输出二值图像，指示范围内的像素。

示例：

lower_bound = (0, 0, 0)
upper_bound = (0, 100, 100)
mask = cv2.inRange(image, lower_bound, upper_bound)

例题：探测叶片病斑区域

1. 加载图像

import cv2

image = cv2.imread('leaf.jpg')

2. 转换为HSV颜色空间

hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)

3. 定义病斑颜色范围并创建掩模

枯叶基本在“橙色、黄色”范围内，紧邻绿色。

hsv的范围大致在：

• H∈[25,100]，[10,35]，具体范围取决于枯叶本身枯萎程度等情况。
• S∈[40,255]
• V∈[40,255]

注意：是大概。这里是仅仅基于颜色的选取，因此本程序就是一个玩具。距离实用还有十万八千里。仅仅提供了一个解决问题的思路而已。实践中，可以考虑使用深度学习方式。

lower_bound = (25, 40, 40)
upper_bound = (100, 255, 255)
mask = cv2.inRange(hsv_image, lower_bound, upper_bound)

4. 检测病斑并显示结果

result = cv2.bitwise_and(image, image, mask=mask)
cv2.imshow('Disease Area', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

完整的程序代码：

# -*- coding: utf-8 -*-
"""
Created on Sun May 26 08:35:32 2024

@author: 李立宗，公众号：计算机视觉之光
"""

import cv2

# 1. 加载图像
image = cv2.imread('c.jpg')
cv2.imshow('leaf', image)

# 2. 转换为HSV颜色空间
hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)

# 3. 定义病斑颜色范围并创建掩模
lower_bound = (20, 40, 40)
upper_bound = (22, 255, 255)
mask = cv2.inRange(hsv_image, lower_bound, upper_bound)

# 4. 检测病斑并显示结果
result = cv2.bitwise_and(image, image, mask=mask)
cv2.imshow('Disease Area', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

轮廓

import cv2
import numpy as np

# 1. 加载图像
image = cv2.imread('leaf.jpg')

# 2. 转换为HSV颜色空间
hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)

# 3. 定义病斑颜色范围并创建掩模
lower_bound = (10, 40, 40)
upper_bound = (35, 255, 255)

mask = cv2.inRange(hsv_image, lower_bound, upper_bound)

# 4. 使用掩模进行形态学操作，去除噪声并填补区域
kernel = np.ones((3,3), np.uint8)
mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel)
mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel)

# 5. 查找病斑轮廓
contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 6. 计算轮廓面积并保留面积最大的10%个轮廓
contour_areas = [(cnt, cv2.contourArea(cnt)) for cnt in contours]
contour_areas.sort(key=lambda x: x[1], reverse=True)
num_to_keep = max(1, len(contour_areas) // 50)  # 保留最大的【百分比控制】的轮廓，至少保留1个
top_contours = [item[0] for item in contour_areas[:num_to_keep]]

# 7. 绘制保留下来的轮廓到图像上
contour_image = image.copy()
cv2.drawContours(contour_image, top_contours, -1, (0, 0, 255), 2)  # 红色曲线

# 8. 显示结果
cv2.imshow('Disease Area Contour', contour_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

程序输出：

【说明】以上都是玩具，如果要想识别精准，还是需要使用深度学习才行。

农作物种类识别

特征检测

cv2.ORB_create()

• 功能: 创建ORB检测器。
• 参数: 检测器参数配置。
• 返回值: ORB检测器对象。

orb.detectAndCompute()

• 功能: 检测关键点和计算描述子。
• 参数:
• image (ndarray): 输入图像。
• mask (optional): 掩模图像。
• 返回值: 关键点和描述子。

示例：

orb = cv2.ORB_create()
keypoints, descriptors = orb.detectAndCompute(image, None)

匹配特征

cv2.BFMatcher()

• 功能: 创建暴力匹配器。
• 参数:
• normType (int): 距离度量方式。
• crossCheck (bool): 是否启用交叉检查。
• 返回值: 匹配器对象。

matcher.match()

• 功能: 匹配描述子。
• 参数:
• descriptors1 (ndarray): 第一组描述子。
• descriptors2 (ndarray): 第二组描述子。
• 返回值: 匹配结果。

示例：

bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
matches = bf.match(descriptors1, descriptors2)

例题：匹配农作物图像

1. 加载两幅图像

import cv2

image1 = cv2.imread('crop1.jpg', cv2.IMREAD_GRAYSCALE)
image2 = cv2.imread('crop2.jpg', cv2.IMREAD_GRAYSCALE)

2. 检测和计算ORB特征

orb = cv2.ORB_create()
keypoints1, descriptors1 = orb.detectAndCompute(image1, None)
keypoints2, descriptors2 = orb.detectAndCompute(image2, None)

3. 进行特征匹配

bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
matches = bf.match(descriptors1, descriptors2)
matches = sorted(matches, key=lambda x: x.distance)

4. 绘制匹配结果

matched_image = cv2.drawMatches(image1, keypoints1, image2, keypoints2, matches[:10], None)
cv2.imshow('Matches', matched_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

完整的程序代码：

import cv2

# 1. 加载两幅图像
image1 = cv2.imread('crop1.jpg', cv2.IMREAD_GRAYSCALE)
image2 = cv2.imread('crop2.jpg', cv2.IMREAD_GRAYSCALE)

# 2. 检测和计算ORB特征
orb = cv2.ORB_create()
keypoints1, descriptors1 = orb.detectAndCompute(image1, None)
keypoints2, descriptors2 = orb.detectAndCompute(image2, None)

# 3. 进行特征匹配
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
matches = bf.match(descriptors1, descriptors2)
matches = sorted(matches, key=lambda x: x.distance)

# 4. 绘制匹配结果
matched_image = cv2.drawMatches(image1, keypoints1, image2, keypoints2, matches[:10], None)
cv2.imshow('Matches', matched_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

农业机器人视觉导航

图像矫正与变换

cv2.getPerspectiveTransform()

• 功能: 获取透视变换矩阵。
• 参数:
• src (ndarray): 源点数组。
• dst (ndarray): 目标点数组。
• 返回值: 透视变换矩阵。

cv2.warpPerspective()

• 功能: 应用透视变换。
• 参数:
• src (ndarray): 输入图像。
• M (ndarray): 变换矩阵。
• dsize (tuple): 输出图像大小。
• 返回值: 变换后的图像。

示例：

M = cv2.getPerspectiveTransform(src_points, dst_points)
warped_image = cv2.warpPerspective(image, M, (width, height))

例题：田间路径矫正

1. 加载图像

import cv2

image = cv2.imread('field_path.jpg')

2. 定义源点和目标点

src_points = np.float32([[100, 200], [400, 200], [100, 500], [400, 500]])
dst_points = np.float32([[0, 0], [300, 0], [0, 300], [300, 300]])

3. 计算透视变换矩阵

M = cv2.getPerspectiveTransform(src_points, dst_points)

4. 应用透视变换

warped_path = cv2.warpPerspective(image, M, (300, 300))
cv2.imshow('Corrected Path', warped_path)
cv2.waitKey(0)
cv2.destroyAllWindows()

完整的程序代码：

import cv2
import numpy as np

# 1. 加载图像
image = cv2.imread('earth.jpg')
cv2.imshow('image', image)

# 2. 定义源点和目标点
src_points = np.float32([[320, 40], [420, 50], [40, 300], [460, 320]])
dst_points = np.float32([[0, 0], [300, 0], [0, 600], [300, 600]])

# 3. 计算透视变换矩阵
M = cv2.getPerspectiveTransform(src_points, dst_points)

# 4. 应用透视变换
warped_path = cv2.warpPerspective(image, M, (300, 600))
cv2.imshow('Corrected', warped_path)
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果如下：

远端有些失真。

通过本节的学习，我们了解了计算机视觉技术在农业中的应用，从基础的图像读取与显示到更高级的病斑检测、农作物类别识别和农业机器人视觉导航。尝试这些实践示例不仅能加深对OpenCV函数的理解，还能启发在实际农业应用中的创新思维。从病斑检测到路径规划，计算机视觉正在并将继续革命化农业生产方式，提高工作效率和产量。

这里简单介绍了一些基本知识点，更细致的内容请参考：