📚 课程目录第1章课程导入与农业视觉认知

1. 课程导入与农业视觉认知

在开始写第一行代码之前，我们需要先建立一幅“地图”：农业机器视觉到底解决什么问题，它在田间地头以什么形态出现，Python 在其中扮演什么角色，以及接下来 30 章我们将沿着怎样的路径前进。本章不涉及复杂算法，但会为你后续所有实操建立一个共同的参照系——很多初学者后期卡住，往往不是不会调库，而是没想清楚“我要让机器看什么、看到之后要输出什么”。

什么是农业机器视觉

农业机器视觉，是把相机（可见光、多光谱、深度相机、热成像等）采集到的农田图像或视频，转化为可被计算机处理的数据，再通过图像处理与机器学习方法，输出对农业生产有用的判断或指令。它和通用计算机视觉共享底层技术，但面对的挑战非常特殊：光照剧烈变化（正午强光、阴天、树冠阴影）、目标高度非刚性（随风摆动的叶片）、遮挡严重（果实被枝叶挡住一半）、背景杂乱（土壤、杂草、地膜、水滴），以及类别本身极其精细（不同病害在早期可能只差几个斑点）。

因此，农业视觉的核心不是“把模型跑起来”，而是把农业问题翻译成视觉任务。同一个“看看这块地长得好不好”，可能被翻译成分类（健康/病害）、检测（病斑位置与数量）、分割（病叶区域像素级轮廓）或计数（果实个数）四种完全不同的任务，对应的数据标注方式、模型结构和评价指标都不一样。这个“翻译”能力，是本课程希望你先建立起来的第一项素养。

四类典型应用场景

作物监测关注的是“状态”，例如叶面积指数、冠层覆盖度、缺水或缺氮的早期表现。常见做法是用多光谱或可见光图像计算植被指数（如 ExG 超绿指数），再按阈值或回归模型映射到长势等级。它的输出往往是连续数值或分级，而不是单个标签。

果实计数关注的是“数量与位置”，属于目标检测或实例分割任务。难点在于果实相互遮挡、大小随距离变化、成熟度不同导致颜色差异。评价时常用平均绝对误差（MAE）和决定系数 R²，而不是简单的准确率。

病害识别关注的是“类别与严重程度”，早期多为图像分类，进阶为病斑分割。这里最容易被忽视的是数据分布问题：训练集若只包含清晰单叶特写，部署到田间整株图像上准确率会明显下降。

采摘机器人则把视觉与执行机构连在一起，视觉不仅要回答“是什么、在哪里”，还要给出三维位姿和可抓取点，并判断遮挡是否影响机械臂接近。它本质是一个“感知—决策—执行”闭环，视觉只是其中一环。

Python 在农业视觉中的角色

为什么本课程选择 Python 而不是 C++ 或 MATLAB？原因很实际。第一，农业视觉项目往往从“快速验证一个想法”开始，比如“用颜色阈值能不能把青色果实从叶片里分出来”，Python 配合 OpenCV 十几行代码就能看到结果，试错成本极低。第二，深度学习生态几乎以 Python 为中心，PyTorch、Ultralytics（YOLO 系列）、MMDetection 等让检测与分割模型的训练和推理变得标准化。第三，农业数据常需要与表格、传感器记录、GPS 信息联合分析，Pandas 和 NumPy 让这类“视觉 + 农学数据”的融合处理非常顺手。

需要清醒认识的是，Python 不是万能的。在嵌入式采摘设备上，最终部署常需要模型导出为 ONNX 或 TensorRT，甚至改用 C++ 推理；Python 更多承担原型验证、数据处理、模型训练与评估的角色。理解这条“Python 做研发、轻量化做部署”的分工，能避免你后期在性能问题上走弯路。

学习路径与工具准备

本课程的整体路径可以概括为四段递进：图像基础与 OpenCV 操作 → 传统图像处理与特征提取 → 深度学习检测与分割 → 农业场景综合项目。前两段帮你建立“像素级直觉”，能判断一张图的问题出在光照、对比度还是噪声；后两段让你具备训练和评估模型的能力。每一段都会围绕真实农业对象展开，而不是抽象的数字图像。

工具准备方面，建议按以下清单一次性配好环境，避免中途反复折腾：

Python 3.10 或 3.11，使用 conda 或 venv 创建独立虚拟环境，命名为 agri-vision。
核心库：opencv-python、numpy、matplotlib、pandas、scikit-learn。
深度学习：torch、torchvision、ultralytics；有 NVIDIA 显卡时安装对应 CUDA 版本。
开发工具：VS Code 或 Jupyter Lab，建议同时装好 Jupyter，便于逐格观察图像处理中间结果。
数据管理：准备一个 datasets/ 目录，按 raw/、processed/、annotations/ 分层存放，从一开始就养成不覆盖原始数据的习惯。

可以用下面这段最小代码验证环境是否就绪——它读取一张图片、转换到 HSV 空间并计算超绿指数 ExG，是后续作物监测章节的基础操作：

import cv2
import numpy as np

img = cv2.imread("datasets/raw/leaf_sample.jpg")
b, g, r = cv2.split(img.astype(np.float32))

# ExG = 2G - R - B，突出绿色植被
exg = 2 * g - r - b
exg_norm = cv2.normalize(exg, None, 0, 255, cv2.NORM_MINMAX).astype(np.uint8)

hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
print("图像尺寸:", img.shape, "ExG 均值:", exg.mean().round(2))
cv2.imwrite("datasets/processed/exg_demo.png", exg_norm)

运行后如果能看到输出尺寸、ExG 均值，并在 processed/ 下得到一张绿色区域被明显增强的灰度图，说明环境与基本流程已经打通。这里的数值仅用于验证流程，不代表任何具体作物的长势结论。

建议在第一周就建立自己的“图像观察习惯”：每处理一步都保存中间结果并肉眼检查。农业图像的问题往往藏在细节里，比如反光点被误判为病斑、阴影被误判为土壤，只有持续观察中间图才能及时发现。

最后强调一个贯穿全课程的原则：先明确输出，再选择方法。在动手写代码前，先用一句话写清楚“输入是什么图像、输出是什么形式、用什么指标判断好坏”。这句话会成为你每个项目的锚点，也是本课程后续所有实操的起点。