病害防治不仅是温室大棚设施农业，也是各种农业生产的重要环节。生产上由于误诊或防治措施不当造成的作物减产或作物品质下降的现象时有发生，其主要原因是农民缺少科学有效的病害诊断和防治技术，同时专家和基层技术人员相对缺乏，农民得不到有效的科学指导。在农作物病害诊断中，通过文字描述进行诊断有很大的局限性，而通过图像识别可较好地解决这一问题。
国内外关于作物病害的研究起步较晚，相关的文献也不多。在对病害的图像识别研究中，安冈善文等于1985年对作物叶片受有害气体污染后的红外图像进行了研究，叶子的红外图像清晰显示了被污染的区域，并提出可通过病叶来诊断植物病害。田有文、李成华于2003年根据植物病害彩色图像的特点，提出了用颜色空间作为特征空间，利用统计模式识别的监督分类方法，采用基于Fisher准则的线性判别函数，对彩色图像进行真彩色二值化分割。Ynataka于1999年利用不同的分光反射特性与光学滤波特性来识别黄瓜的炭疽病，由于他们未分别利用病害的颜色及纹理信息，因此识别精度不高。王克如、程鹏飞于2005年将作物病虫草害识别的专家知识与数字图像处理、神经网络结合，综合运用人工智能和网络技术，研究实现了作物病虫草害的远程图像识别与诊断。
图：荷兰的现代智能温室农业生产
2、作物缺素的诊断
在作物的生长过程中，尤其在无土栽培的过程中，由于受到人为和自然等复杂因素的影响，常会出现作物缺素状况。这种变化可从作物叶片的颜色变化、纹理分布的变化表现出來。传统的缺素判断方法主要是通过专家肉眼进行判别，而对于各种缺索状况的早期，肉眼很难分辨出一些细小的差别。利用计算机图像处理技术来分析缺素叶片图像，能够从定量的角度分析，并能够提高分辨率。
目前，国外对利用机器视觉技术进行作物缺素的诊断研究已经取得了一定的成绩。1992年穗波信雄等利用计算机视觉技术分别对缺乏钙、铁、镁营养元素的茨菰叶片进行了一些基础研究，他们利用RGB系统的R、G、B三体直方图，分析了正常和病态的颜色特征。加拿大Frenderick.E.sistler在RGB系统中利用R/G和R/B的不同数字特征来识别龙虾蜕皮时间。近年来，国内科技人员开始进行计算机视觉技术在作物缺素诊断方面的研究。徐贵力、毛罕平（2002)针对无土栽培中番茄缺素叶片的提取问题，提出了不受对象形状大小影响的彩色图像颜色和纹理的几种统计算法和图像间的相关系数法。胡春华、李萍萍（2004)提出了HSV系统中的H色调相对差值百分率直方图法，确定缺素的病态区间。毛罕平、吴雪梅（2005)提出了采用不受植株叶片大小和背景影响的色调域平均百分率直方图来提取番茄叶片的颜色特征，用于识别番茄是否缺乏营养元素。
3、作物长势的监测
国外在利用机器视觉技术监测温室作物生长方面已经开展了许多研究，近年来代表性的研究成果有：Hack(1988)在温室条件下利用图像处理技术测量生菜在初期生长阶段的叶面积。Mayer和Davison(1987)研究了利用数字图像分析作为一种无损测量的手段，以获取单株植物在不同生长阶段的生长参数，从而为建立植物生长模型提供依据。Seginer(1992)利用计算机视觉技术监测番茄叶尖垂直运动，进而建立起了叶尖运动与植物缺水的关系，为及时灌溉提供了依据。Shimizu等人（1995)利用安装了近红外滤镜的CCD摄像机和近红外照明设备，对植物白天和夜间生长分别进行监测，得到植物白天和夜间的平均生长率。Tarbell和Reid(1991)研究了利用计算机视觉技术对玉米生长发育状态进行分析的系统。RLing(1996)在温室条件下对生菜的幼苗阶段进行连续监测，发现叶冠投影面积的变化可以反映出植物的缺肥情况。国内在此领域也开展了一些有益的尝试：陈晓光等人在实验室里研究了应用图像处理技术，对蔬菜苗的轮廓线进行识別，从而为蔬菜生产过程中的移栽、间苗等作业提供必要的信息；徐贵力等也探索了无损测量叶面积的方法，但是只能将番茄等长叶茎作物的叶片伸入光照箱测量，缺乏灵活性和可操作性。
国家某研究中心通过总结原有测量方法存在的不足和局限性，在温室条件下，建立了作物长势无损检测系统。该系统能够对单株植物进行无损实时监测，利用图像处理技术，实现对植物的叶冠投影面积和株高的自动测量。该系统能够实现对黄瓜幼苗生氏进行无损监测，同时利用VC++6.0编制的图像分析处理软件，提取植物的外部形态特征：叶冠投影面积和株高。通过对两组无土栽培的黄瓜幼苗叶冠投影面积的连续监测，发现叶冠投影面积的变化趋势可以较好地反映植物的缺肥情况。用图像处理方法测量植株的平均株高与人工测量结果的相关系数可以达到0.927。研究表明，计算机视觉技术应用于温室大棚植物生长的无损检测是可行的，具有广阔的应用前景。
建立方便、准确的叶面积测定方法，掌握植物叶片的生长规律，对指导作物栽培密度及施肥水平，达到调整群体结构、充分利用光、热资源、合理进行施肥以获得作物高产具有重要的意义。目前测量作物叶片面积的方法主要有以下几种：重量法、求积仪法、长宽系数法、回归方程法等。但是这些方法存在着测量不准确、操作繁琐、破坏作物生长、测量范围窄等一系列缺点，不能满足科研等工作对叶片面积测量的要求。为此国家某研究中心采用CCD摄像和图像分析的方法，开发了作物叶面积测量仪。该仪器的软件在使用过程中包括三部分：图像采集、测量标定、面积测量。首先进行图像采集部分操作，将待测叶片的图像经摄像机及图像采集卡采集并传递给PC机，用户可以直接根据软件显示的实时图像，进行摄像机的调焦及叶片的摆放等操作，当得到最佳图像效果时，点击界面上“保存”按钮，将图像保存到指定目录下。接下来进行测量标定，由于测量结果与摄像机的焦距及对图像进行二值化的阈值选择有密切的关系，因此标定后摄像机的焦距及对图像进行二值化的阈值与面积测量时相同。最后进行面积测量。在此界面中点击“采集图像”按钮，系统将弹出图像采集界面，但是此时用户不要调整相机的焦距，将图像保存到指定目录下，图像采集结束。在该界面中点击“二值化”按钮，系统将对采集到的图片进行由测量标定时所设定的阈值进行二值化，并显示测得图像的面积值。
目前公认比较好的指标主要有叶水势、茎直径变化、冠层温度、气孔导度和蒸腾速率等，其中通过茎杆直径微变化来反映作物水分状况，因为具有不破坏植株组织、适合长期自动监测的优点，可以用于指导农田灌溉管理。在以前作的一些试验研究中，很多人都采用了LVDT(线性变化传感器）来获得茎直径微变化，尽管它采用了一种具有小弹性恒量的弹簧，但仍可能改变茎收缩。基于此，随着计算机视觉的快速发展，北京某研究中心采用摄像机采集图像进行图像处理来得到茎直径的微变化。
另外，机器视觉技术在温室大棚上的应用，还包括温室生产产前环节的作物种子自动数粒仪、种子纯度测定系统、智能温室作物果实采摘机器人等，鉴于文章篇幅所限，不做详细介绍，感兴趣的可继续关注本站相关文章报道。
