朱可心

田间环境下采集的农作物图像通常存在较大的差异。不同拍摄时间和光照条件会影响植株的颜色和亮度，周围环境的变化也会使图像背景有所不同。与此同时，作物在不同生长阶段的形态并不相同，叶片发生遮挡后，一些原本较为明显的特征也可能被覆盖。针对这些问题，本文以Python开发环境为基础，对农作物植株识别过程中涉及的图像采集、预处理、目标检测及结果整理等环节进行分析。程序实现主要使用OpenCV、NumPy和PyTorch，其中OpenCV用于图像读取和基本处理，NumPy用于图像数据的运算，PyTorch用于检测模型的加载与推理，各部分通过相应的数据格式进行连接。在图像预处理方面，结合田间图像的实际情况，对尺寸调整、滤波、光照和色彩处理以及数据增强等方法进行了讨论，重点说明不同方法的适用情况，未对具体参数进行深入比较。目标检测部分选取YOLO系列算法作为示例，介绍从植株类别判断、目标位置确定到检测结果输出的基本过程。由于目前尚未建立专用的作物图像数据集，也没有进行模型训练、参数调整及不同模型之间的实验比较，本文主要围绕识别流程及各技术环节之间的关系进行梳理，为后续开展具体作物识别实验提供参考。

Python；植株识别；机器视觉；图像处理；目标检测

[1] Jiang Y,Li C.Convolutional Neural Networks for Image-Based High-Throughput Plant Phenotyping:A Review[J].Plant Phenomi cs,2020,2020:4152816. [2] Yang B,Xu Y.Applications of deep-learning approaches in horticultural research:a review[J].Horticulture Research,2021,8:123. [3] Badgujar C M,Poulose A,Gan H.Agricultural Object Detection with You Only Look Once(YOLO)Algorithm:A Bibliometric and Systematic Literature Review[J].Computers and Electronics in Agriculture,2024. [4] Meraj T,Sharif M I,Raza M,et al.Computer vision-based plants phenotyping:A comprehensive survey[J].iScience,2024,27(1): 108709. [5] Zhao C,Zhang Y,Du J,et al.Crop Phenomics:Current Status and Perspectives.Frontiers in Plant Science,2019,10:714.

点击下载PDF