摘" 要：在智慧農業(yè)的眾多技術中，圖像識別技術的重要性日益凸顯。該文介紹圖像識別技術在葡萄種植過程中對病蟲害進行識別，采用輪廓邊緣檢測算法和U-Net算法在葡萄不同生長期病害特征標定識別中的應用，闡述如何利用簡單的圖像數理模型進行數據分析，并最終實現各花期病變的自動甄別，提升葡萄種植的管理效率。希望讀者通過該文能夠理解圖像識別技術如何與傳統(tǒng)農業(yè)相結合，為推動智慧農業(yè)的發(fā)展提供新思路。

關鍵詞：智慧農業(yè);圖像識別;Sobel算法;U-Net算法;RGB數值

中圖分類號：S663.1" " " 文獻標志碼：A" " " " " 文章編號：2096-9902（2025）01-0018-04

Abstract： Among the various technologies in smart agriculture， the importance of image recognition is increasingly evident. This paper introduces the application of image recognition technology in grape planting， using contour edge detection algorithm and U-Net algorithm in the calibration and identification of disease characteristics in different growth periods of grape. It expounds how to use simple image mathematical models to carry out data analysis and ultimately realize the automatic identification of various flowering diseases to improve the management efficiency of grape planting. Through this paper， readers can gain a clear understanding of how image recognition technology can be integrated with traditional agriculture， which offers new insights for advancing smart agriculture.

Keywords： smart agriculture; image recognition; Sobel algorithm; U-Net algorithm; RGB values

現代信息技術經過幾十年的演進，已經深度融合到人們的日常生活及生產活動中，其中包括農業(yè)等傳統(tǒng)產業(yè)領域。特別是隨著物聯(lián)網等先進信息技術的發(fā)展，農業(yè)領域的智慧農業(yè)成為現代農業(yè)發(fā)展的重要趨勢。在鄉(xiāng)村振興戰(zhàn)略的推動下，我國智慧農業(yè)產業(yè)的建設步伐顯著加快，諸如農作物環(huán)境信息監(jiān)測系統(tǒng)、節(jié)水灌溉控制系統(tǒng)、空天地一體化監(jiān)控系統(tǒng)、水肥一體化監(jiān)控系統(tǒng)等一系列技術產品的自主研發(fā)成績斐然。然而，這些系統(tǒng)在人工智能和基于機器視覺的圖像識別技術的整合應用方面尚存不足。本文旨在探討圖像識別技術在葡萄種植過程中對病蟲害的識別應用，進而探討其在智慧農業(yè)領域中的實際應用價值。

1" 平臺搭建

本研究旨在探討一種基于機器視覺的圖像識別技術在葡萄種植中的智慧農業(yè)應用。該應用系統(tǒng)的架構采納了當前主流的物聯(lián)網平臺三層架構模式，包括感知層、網絡層以及應用層。在平臺搭建方面，本研究使用C語言負責平臺系統(tǒng)底層的數據處理邏輯，確保系統(tǒng)具備基本的識別及其他操作功能。系統(tǒng)的操作界面基于B/S架構設計，即所有核心算法和功能均部署在服務器端，用戶通過瀏覽器端登錄訪問，無需在本地安裝任何客戶端軟件，這種設計顯著降低了客戶端與服務器端的維護成本。文章重點討論了感知層在圖像識別應用中的實現。在該系統(tǒng)中，用戶可通過智能手機拍攝并上傳葡萄的病害圖片至系統(tǒng)，系統(tǒng)將能迅速并準確地識別出葡萄的病害類型，并提供科學合理的處理建議及種植指導。

2" 葡萄病蟲害特征的識別

本系統(tǒng)方案旨在通過圖像識別技術實現葡萄病蟲害特征的準確識別。該方案的核心在于對葡萄圖像中的病害區(qū)域進行精確識別，再將識別得到的數據進行有效歸類并標注，最終利用深度學習算法對這些數據進行學習，形成一個標準的識別模型。此過程將以單個像素點作為最小的數據處理單元，對圖像（像素集）中三原色的RGBW（紅、綠、藍和白）4個通道的色階數據進行細致處理。最終將處理好的圖像（像素集）中的像素點數量進行分類統(tǒng)計和數理分析，進而實現病蟲害特征的準確識別。圖像（像素集）識別流程具體如圖1所示。

在處理模糊或色彩對比度不明顯的圖像時，系統(tǒng)首先執(zhí)行色彩增強操作，旨在突顯圖像的關鍵特征并抓取顏色特征。色彩增強的基本原理是對圖像的灰度級別進行重新分配，這些灰度級別代表了圖像中的不同亮度水平。通過這種重新分配，使得圖像的灰度分布更加均勻，暗處變亮，亮處相對變暗，以此來增強RGB顏色的對比度。這樣的處理有利于后續(xù)對RGB各通道的色彩像素點進行更準確的統(tǒng)計和分類。

在捕捉圖像的外形輪廓方面，系統(tǒng)采用了Canny邊緣檢測算法。

1）通過高斯濾波對圖像進行降噪處理。高斯濾波可以平滑圖像，通過模糊處理降低圖像的噪聲，為邊緣檢測創(chuàng)造更清晰的輪廓基礎。

2）系統(tǒng)使用Sobel算法來計算圖像每一個像素點的梯度值。其作用是可以有效地檢測出圖像中的圖形邊緣結構。Sobel算法能夠分別計算出圖像在水平和垂直方向上的梯度值。通過結合這2個方向上的梯度，可以得到每個像素點的梯度幅值及其方向。Sobel算法的具體公式包括梯度幅值和梯度方向的計算，它通過對圖像中每個像素點周圍的像素值進行操作，得到該點在水平和垂直方向上的邊緣強度和方向，從而實現對圖像邊緣的精確檢測。其公式如下

梯度幅值：G= ，

式中：Gx和Gy分別表示該像素點在水平和垂直方向上的梯度值。

梯度方向：θ=arctan2（Gy，Gx），

式中：arctan2是反正切函數，它可以根據Gx和Gy的值計算出正確的梯度方向。

3）系統(tǒng)采用非極大值抑制（Non-Maximum Suppression， NMS）算法來進一步增強圖像輪廓的邊緣清晰度。非極大值抑制的核心思想是在梯度圖像中，只保留梯度值局部最大的像素點，而抑制（即減弱或去除）其他非局部最大的像素點。這樣的處理使得圖像的邊緣部分變得更加細膩和銳利，顯著增強了圖像輪廓的清晰度，為后續(xù)的邊緣檢測奠定了基礎。

4）系統(tǒng)應用雙閾值檢測算法對圖像中的像素進行分類。這一步驟中，通過算法將它們分為強邊緣、弱邊緣和非邊緣3種類型，算法根據預先設定的高閾值和低閾值來判斷。梯度幅值超過高閾值的像素被標記為強邊緣;梯度幅值處于高閾值和低閾值之間的像素被標記為弱邊緣;而梯度幅值低于低閾值的則被認定為非邊緣。這種分類方法有助于進一步明確邊緣的界限，為邊緣輪廓的準確抽取提供重要依據。

5）連接強邊緣像素來形成完整的邊緣輪廓。這一過程主要依賴于邊緣連接技術，將那些被標記為強邊緣的像素點相連接，從而形成閉合的邊緣輪廓。通過這種方式，系統(tǒng)能夠準確地描繪出圖像中的物體輪廓。此過程不僅識別了圖像的輪廓，還對于后續(xù)的圖像識別和分析，尤其是在葡萄病蟲害特征識別中，提供了清晰且連貫的邊緣信息，大大提高了識別的準確性和效率。

6）對圖像特征進行采集后的圖片數據，通過顏色，輪廓形狀等進行歸類。例如：特征色彩白色為一類;特征棕褐色為一類;特征輪廓為圓歸一類;特征輪廓為方歸一類。再對歸類的圖像進行病蟲害類型標注。例如：大圓形包含多個小圓形定義為甲蟲，大矩形包含多個小矩形為毛蟲。

7）對歸類、標注好的數據集，通過多種圖片特征相似度數據進行采樣和對比，利用人工智能算法進行深度學習，建立一個標準的數據對比模型，最終形成完整且多樣的病蟲害數據庫。表1為葡萄不同生長期常見的病害特征數據集示例。

3" 葡萄花期的識別

葡萄種植的花期分為前期、中期、后期，其開花的花序依次為中部、基部、頂部。因此，根據葡萄開花的這一特征，采用U-Net模型對葡萄葉片和花絮特征進行分割識別，區(qū)分出果葉和花絮。再通過數據統(tǒng)計計算，計算出葡萄花絮在基部、中部和頂部的排布數量，從而識別出葡萄的花期。

3.1" 葡萄葉片和花絮圖像的分割

U-Net算法模型是一種深度學習模型，特別設計用于圖像分割任務，能夠準確地識別圖像中的各種對象和結構。它通過使用對稱的收縮路徑（用于捕獲上下文信息）和擴展路徑（用于精確定位），能夠在較少的數據上也達到較好的分割效果。因此非常適用于葡萄葉片和花絮特征進行分割識別，可將葡萄的花期進行有效的區(qū)分歸類，為下一步進行數據統(tǒng)計分析奠定基礎。其大致步驟如下。

3.1.1" 圖像數據采集和預處理

U-Net算法模型需要基本的圖像數據才能進行計算。因此，需要收集包含葡萄葉子和花絮的圖像，這些圖像可以來源于實地拍攝的葡萄園照片，且需要對拍攝收集到的圖像進行預處理，即人工標注，確定哪些部分是葉子，哪些是花絮。在形成數據模型后，就無需人工標注，只需設定一個相似度參數，達到設定值的圖像自動標注。

3.1.2" 模型訓練

建立基本U-Net算法模型，初始化模型網絡結構，調整數據網絡學習的深度和特征抓取的通道數量等。將標注好的葡萄圖像數據（即真實的分割圖）輸入到U-Net算法模型中，使用交叉熵損失函數對圖像進行對比計算，得出數據網絡模型與真實圖像標注之間的差異參數。利用SGD算法對模型進行網絡優(yōu)化，調整網絡參數，減小參數差異，完成模型訓練和優(yōu)化。

3.1.3" 圖像分割

將新的葡萄圖像輸入模型進行前向傳播，與訓練完成的模型進行對比，得到每個像素屬于葉子或花絮的概率。設置一個閾值，將低于這個閾值的像素分類為葉。例如設置一個閾值為100%，輸入新圖像與模型對比得出的一個像素點屬于葉子的概率為20%，那屬于花絮的概率為80%，即判定該像素點屬于花絮，從而完成圖像的切割。

3.2" 數據分析

通過葡萄圖像的分割，就能將葡萄不同部位的花絮數量采集出來，運用數量占比法進行數據統(tǒng)計分析，就能判斷出葡萄的花期，其簡單的數學分析原理如下。

在一張拍攝的圖像中，通過模型分割出葡萄3個部位（基部、中部、頂部）開花的數量，將這些特征的數量定義為：花開在葡萄花絮中部的數量設為x1，花開在葡萄花絮基部數量為x2，花開在葡萄花絮頂部數量為x3，則設花絮總數量為Q，則Q=x1+x2+x3。由此可繪出圖2。

將不同部位的花絮總數與總花絮數進行對比，由此得出：當x1/Q最大時，為花開的前期;當（x1+x2）/Q最大時，為花開的前中期;當x2/Q最大時，為花開的中期，當（x2+x3）/Q最大時，為花開的中后期;當x3/Q最大時，為花開的后期。由此，通過以上簡單數據模式，就能將葡萄開花至下而上，花開的數量從基部到頂部逐漸爬升的過程體現出來，再將其轉換成數據對比，從而實現圖片像素分辨轉變成數字化分析，再通過定義數值，實現葡萄花期的分辨。

4" 葡萄果實采摘期的識別

通過以上對葡萄花期識別的簡單介紹，已經對葡萄如何實現圖片到數據的量化分析有了初步的了解，但是在葡萄的整個種植過程中，要實現病蟲害的識別，還需要對葡萄結果時期進行有效判斷，本系統(tǒng)以紫葡萄為例，闡述其簡單的數據分析原理，步驟如下。

4.1" 拍攝整串葡萄的圖片

這一步驟是整個分析過程的基礎，通過高清晰度的圖像捕捉，確保后續(xù)處理的準確性。利用圖像算法模型，對葡萄果實和葉片進行分割。分割過程中，基于圖像的輪廓算法（Sobel算法），能夠有效地區(qū)分果實與葉片。果實通常表現為具有一定弧度的形狀，而葉片則相對平坦。通過這種方式，可以精確地將葡萄果實與葉片分離，并統(tǒng)計出每一張圖片中葡萄果實的總數量。

4.2" 定義顏色紅綠藍三原色通道（RGB）的數值

葡萄果實在成熟過程中，其顏色會發(fā)生顯著變化，通常由綠色逐漸變?yōu)榉凵?，最終變?yōu)樽仙榱藴蚀_判斷果實的成熟度，我們需要對不同顏色的葡萄果實進行精確的RGB數值定義。例如，紫色的RGB數值可以設定為（150，60，150），并給出一定的容差范圍，設定為RGB數值（140-160，50-70，140-160）。這一設定確保在分析過程中，即便由于光照或其他環(huán)境因素導致顏色輕微變化，也能被歸為同一種顏色。

4.3" 進行像素對比

在這一步驟中，系統(tǒng)將已經判定為果實的圖像中的每一個像素點的RGB數值與預設的RGB范圍進行對比。假設一個像素點的RGB數值為（140，60，160），由于該像素的RGB數值都在預設的容差范圍內，因此被認定為有效像素點，并記為1。相反，如果另一個像素點的RGB數值為（139，60，160），由于R通道的顏色數值不在容差范圍內，該像素點將被認定為無效像素點，并記為0。

4.4" 進行像素統(tǒng)計，定義有效葡萄果實

本系統(tǒng)通過前面3步的圖像分割，已有效得到每一個葡萄果實的總像素點數量，同時也通過像素對比，得到了有效的像素點數量。接下來，需要設定一個有效像素點與總像素點的占比閾值，以此來定義是否為有效果實。例如，若某一葡萄果實的總像素點數為1 000，而判定為紫色的有效像素點數為600，如果系統(tǒng)參數設定的占比閾值為50%，那么這個葡萄果實將被認定為有效果實，即果實已經達到成熟期。

4.5" 判斷葡萄的坐果期

通過前面的步驟，本系統(tǒng)已經可以統(tǒng)計出葡萄變成紫色時的果實數量。為了進一步判斷葡萄的采摘期，只需將已經判定為紫色的果實數量與整張圖片中的總果實數量進行對比。如果大部分果實都已變成紫色，那么葡萄已經進入最佳采摘期。當然，這里以紫色為例，實際應用中，還需要對綠色和粉色果實進行類似的分析，從而將葡萄病害與不同的花期、結果期進行綁定，形成完整的數據鏈。整個結果期涉及不同顏色果實的判斷，具體設置的比例閾值需要結合實地考察，才能得到更為準確的判斷。

5" 預呈現效果

本系統(tǒng)通過圖像識別算法和圖像數據分析的應用，可以有效地識別出葡萄各種類別的病蟲害特征以及葡萄種植周期中的不同花期，再結合2個數據特征進行葡萄病蟲害在各個花期、果期中分布的分析，就能更準確地識別出葡萄的病蟲害。針對不同時期呈現的不同病害特征進行歸類建立更深、更準確的數據模型，如圖3所示。

5.1" 生長期歸類

將葡萄不同生長周期的病害進行歸類，如圖3所示，將花開期和采集期出現的病害白腐病、霜霉病歸為一類，將花開期至坐果期的黑痘病和灰霉病歸為一類，這樣做的目的是為了更好地區(qū)分出同種病變特征下的不同時期的病害，提高識別率。

5.2" 病變特征識別

對葡萄生長同時期果肉、葉片的病變外表輪廓、形狀、顏色等特征進行抓取。例如：白腐病果肉顏色為綠色或淡褐色，形狀為水漬狀;霜霉病果肉顏色為灰色，葉片為黃色或者紅褐色。通過特征抓取，達到診斷葡萄病變的類型，從而給農戶推薦相應的生產防護措施和解決措施。

6" 結束語

在葡萄的種植與管理過程中，季節(jié)性環(huán)境變化和生長周期的差異往往會導致病蟲害的發(fā)生，這對葡萄的生長產生不利影響。傳統(tǒng)的病蟲害防治方法，由于缺乏專家的指導與建議，農戶通常依靠經驗用藥或盲目用藥，這不僅可能無法有效解決問題，還可能對葡萄的正常生長造成影響。因此，本文探討圖像識別技術在葡萄種植過程中的應用，不僅僅局限于簡單的花期和病蟲害類型識別，更重要的是提升了葡萄種植的管理水平。利用基于機器視覺的圖像識別技術，可以實現葡萄種植的多方面預警，如花開前期的病蟲害預警、環(huán)境監(jiān)測預警，以及針對不同生長階段的人工授粉、土壤和肥料準備、掐頂和套袋等管理措施的預警，起到了“專家”指導農戶種植的作用。依托這類人工智能圖像識別技術，實現單一管理者監(jiān)控多個園區(qū)，從而能夠提前規(guī)劃生產、作出相應決策，提高生產效率，降低勞動強度，并節(jié)省勞動成本。

值得注意的是，雖然本文簡要介紹了基于圖像識別技術的應用模型，實際上構建的數學模型和進行深度學習需要更加復雜和細致的分類處理，每個類別之間都存在相互關聯(lián)。這意味著，要真正實現圖像識別技術在葡萄種植管理中的高效應用，還需要不斷優(yōu)化和發(fā)展更精準的算法模型，以便能夠更加準確地識別和處理各種病蟲害問題，從而提升葡萄種植的整體質量和效率。

參考文獻：

[1] 趙春江.智慧農業(yè)發(fā)展現狀及戰(zhàn)略目標研究[J].農業(yè)工程技術，2019，1（1）：1-7.

[2] 朱立學，賴穎杰，張世昂，等.基于改進U-Net的火龍果采摘圖像分割和姿態(tài)估計方法[J].農業(yè)機械學報，2023，54（11）：180-188.

[3] 楊莎，熊緯，張昭，等.一種基于自適應閾值Canny算法的輸變電設備圖像檢測方法研究[J].電子設計工程，2019，27（15）：31-36.

作者簡介：楊振盛（1993-），男。研究方向為機器視覺應用、物聯(lián)網及電氣自動化。