3. 农业图像采集基础

农业机器视觉的第一步不是训练模型，而是把“能用的图像”稳定地采回来。田间的对象是活的：叶片会随风摆动、果实被枝叶遮挡、太阳角度随时间变化、土壤与杂草的颜色又高度接近。因此本节围绕四个相互关联的问题展开：选什么相机、光怎么影响成像、在田里怎么拍、以及如何把零散照片组织成可训练的数据集。

一、三类相机的分工与选型依据

农业视觉常用的相机可分为 RGB、多光谱和深度相机，它们回答的是不同的问题，而不是互相替代。

• RGB 相机：输出可见光三通道图像，分辨率高、成本低、生态成熟，适合果实计数、病斑识别、杂草分类、成熟度判断等以纹理和颜色为主要线索的任务。选型时重点关注分辨率、全局快门还是卷帘快门、镜头焦距与工作距离。田间拍摄移动平台时，卷帘快门会因运动产生果实的“果冻效应”，优先选全局快门。
• 多光谱相机：在可见光之外增加红边、近红外等波段，能反映植被的生理状态。典型应用是计算 NDVI 等植被指数来区分健康植株与胁迫植株。选型时关注波段中心波长与带宽、波段数量、是否需要配套主动光源。注意多光谱图像分辨率通常低于 RGB，且各波段需配准后才能计算指数。
• 深度相机：提供每个像素到相机的距离，用于果实三维定位、冠层体积估算、避障与机械臂抓取。常见方案有双目立体、结构光和 ToF。田间强光会干扰结构光的红外图案，长距离与户外场景更常用双目或 ToF；同时要关注有效测距范围与在阳光下的表现。

一个实用的选型思路是先明确任务输出：如果只需“是什么、在哪里（二维）”，RGB 足够；如果要判断“长得好不好”，加多光谱；如果要“摘得到”，必须补深度。下表给出一个示例性的选型对照，参数为教学假设，实际采购需以厂商规格书为准。

二、光照条件如何改变图像

光照是农业成像中最不可控的变量。同一片叶子在正午直射光和阴天散射光下，RGB 值可能相差数倍，模型若只在一种光照下训练，换到另一种就会明显掉点。需要认识三种典型情况：

• 强直射光：产生高光饱和与硬阴影，果实表面出现亮斑，阴影区细节丢失。对策是避开正午、使用遮光板或偏振片，或采用高动态范围拍摄。
• 阴天散射光：光照均匀、对比度低，是 RGB 采集的理想条件，但整体偏暗偏蓝，需要白平衡校正。
• 逆光与低照度：清晨傍晚或温室补光不足时，噪声上升、颜色失真。可补主动光源，并适当延长曝光，但要防止风动造成模糊。

对多光谱而言，光照影响更直接：植被指数依赖反射率，而相机记录的是辐亮度。因此田间作业常需在拍摄前后拍摄标准反射率板（如 20%、50% 灰板），把原始 DN 值转换为反射率，否则不同时间、不同天气下的 NDVI 无法比较。这是多光谱数据能否用于定量分析的关键一步。

三、田间拍摄的可操作技巧

田间拍摄的核心是“让图像可复现”。建议固定一套采集参数并记录：相机高度、俯仰角、镜头焦距、曝光时间、ISO、白平衡模式。以番茄果实采集为例，一个可参考的示例设置为：工作距离 0.8 m、焦距 12 mm、快门 1/800 s、ISO 200、光圈 f/5.6，保证景深覆盖果实前后约 15 cm。这些数值属于教学示例，实际需根据光照和机型现场试拍确定。

拍摄时注意几点：一是多角度、多时段采集，同一目标在上午、正午、傍晚各拍一组，主动制造光照多样性；二是避免只拍“漂亮样本”，要刻意纳入遮挡、重叠、病斑、虫害、不同成熟度等困难样本；三是保持背景多样性，土壤、地膜、杂草、滴灌带都应出现；四是每张图配套记录田块编号、日期时间、天气、品种、生育期等元数据，可用文件名或 CSV 清单管理。对于移动平台，还要控制行驶速度与快门匹配，避免运动模糊。

四、数据集构建初步

采集回来的原始图像不能直接训练，需要经过清洗、标注、划分和版本管理。清洗阶段删除模糊、过曝、重复和与任务无关的图像；标注阶段根据任务选择分类标签、边界框或分割掩码，并统一标注规范，例如“果实可见面积超过 30% 才计入”。划分阶段要防止数据泄漏：同一植株、同一田块、同一天拍摄的图像应尽量落在同一子集，否则验证集分数会虚高。一个常用的示例比例是训练 70%、验证 15%、测试 15%，但更重要的是按田块或日期分组划分。

最后，为数据集建立版本记录：每次增删图像或修改标注都记录版本号、变更说明和对应模型结果。这样当模型效果波动时，才能判断是数据变了还是训练变了。农业图像采集看似琐碎，但相机选型、光照控制、拍摄规范和数据集组织这四步做扎实，后续的模型训练才有可靠的地基。