計算機(jī)視覺及模式識別技術(shù)在農(nóng)業(yè)生產(chǎn)領(lǐng)域的應(yīng)用

陳桂珍　龔聲蓉

摘要： 隨著計算機(jī)軟件、硬件、圖像處理技術(shù)的不斷成熟與發(fā)展，計算機(jī)視覺及模式識別技術(shù)的研究和應(yīng)用已擴(kuò)展到農(nóng)業(yè)生產(chǎn)的各個領(lǐng)域，并取得了許多重要的研究成果。本研究回顧和綜述了計算機(jī)視覺及模式識別技術(shù)在農(nóng)作物種子質(zhì)量檢測、農(nóng)產(chǎn)品分級與加工、植物生長監(jiān)測、農(nóng)作物病蟲草害的監(jiān)測與防治、農(nóng)產(chǎn)品自動化收獲等方面的應(yīng)用，并展望其發(fā)展前景，為計算機(jī)視覺及模式識別技術(shù)的進(jìn)一步應(yīng)用提供參考。

關(guān)鍵詞： 農(nóng)業(yè)生產(chǎn)；計算機(jī)視覺；模式識別；應(yīng)用

中圖分類號：S126 文獻(xiàn)標(biāo)志碼： A

文章編號：1002-1302（2015）08-0409-05

收 稿日期：2015-03-23

基金項目：國家自然科學(xué)基金（編號：61272258）；江蘇省產(chǎn)學(xué)研聯(lián)合創(chuàng)新資金（編號：BY2014059-14）。

作者簡介：陳桂珍（1964—），女，江蘇蘇州人，碩士，副教授，主要從事計算機(jī)多媒體技術(shù)、圖像處理的教學(xué)與研究。E-mail：szchen1728@163 com。

計算機(jī)視覺是研究用計算機(jī)模擬生物外顯或宏觀視覺功能的科學(xué)和技術(shù) [1]，主要是指用計算機(jī)實現(xiàn)人的視覺功能。計算機(jī)視覺技術(shù)是一門包含計算機(jī)科學(xué)與工程、神經(jīng)生理學(xué)、物理學(xué)、信號處理學(xué)、認(rèn)知科學(xué)、應(yīng)用數(shù)學(xué)、統(tǒng)計學(xué)等多門學(xué)科的綜合性科學(xué)技術(shù)。計算機(jī)視覺技術(shù)起源于20世紀(jì)50年代的統(tǒng)計模式識別，但其基本研究中的諸多重要進(jìn)展卻是在20世紀(jì)80年代取得的。計算機(jī)視覺的研究歷史雖短，但該技術(shù)已在包括農(nóng)業(yè)生產(chǎn)在內(nèi)的很多應(yīng)用領(lǐng)域發(fā)揮了重要作用。回顧近30年來計算機(jī)視覺及模式識別技術(shù)在農(nóng)業(yè)生產(chǎn)領(lǐng)域中的應(yīng)用，并對其發(fā)展前景進(jìn)行展望。

1 計算機(jī)視覺及模式識別技術(shù)在農(nóng)作物種子質(zhì)量檢測中的應(yīng)用[BT）]

美國等發(fā)達(dá)國家早在30年前就將計算機(jī)視覺及模式識別技術(shù)應(yīng)用于農(nóng)作物種子質(zhì)量檢測，至今已取得較大進(jìn)展。1985年，Zayas等通過采集的種子圖像，利用種子表面光的特性，基于統(tǒng)計圖像的處理分析與識別技術(shù)來區(qū)分小麥品種 [2]。1986年，Gunasekaran等在對玉米籽粒裂紋的研究中發(fā)現(xiàn)，運(yùn)用計算機(jī)視覺檢測技術(shù)中的高速濾波法可將裂紋與其他部位進(jìn)行識別區(qū)分，其檢測精度高達(dá)90% [3]。Zayas等結(jié)合形態(tài)學(xué)開展了相關(guān)研究，從小麥圖片中提取出相應(yīng)的形態(tài)特征參數(shù)，用以區(qū)分小麥品種及非小麥的成分 [4-6]。2011年，Zapotoczny采用神經(jīng)網(wǎng)絡(luò)的方法對春、冬季不同質(zhì)量等級的11個小麥品種進(jìn)行試驗，使用圖像處理分析技術(shù)進(jìn)行分類鑒別的準(zhǔn)確率高達(dá)100% [7]。近十幾年來，我國科研人員對計算機(jī)視覺技術(shù)在農(nóng)作物種子質(zhì)量檢測的應(yīng)用方面作了大量研究。2004年，周紅等運(yùn)用計算機(jī)視覺技術(shù)提取玉米種子的外形輪廓，為玉米種子的進(jìn)一步分級識別提供依據(jù) [8]。2008年，萬鵬等提出利用計算機(jī)視覺系統(tǒng)代替人眼識別整粒及碎大米粒形的方法，并設(shè)計了一套基于計算機(jī)視覺技術(shù)的大米粒形識別裝置，該裝置對完整米粒、碎米的識別準(zhǔn)確率分別為98 67%、92 09% [9]。2012年，萬鵬等將計算機(jī)視覺技術(shù)運(yùn)用于魚體的檢測，研制出基于BP神經(jīng)網(wǎng)絡(luò)的魚體品種識別裝置，擴(kuò)展了該技術(shù)的應(yīng)用領(lǐng)域 [10]。

2 計算機(jī)視覺及模式識別技術(shù)在農(nóng)產(chǎn)品分級與加工中的應(yīng)用[BT）]

近年來，隨著計算機(jī)硬件性能的不斷提高，以先進(jìn)的計算機(jī)視覺技術(shù)為基礎(chǔ)，融合數(shù)字圖像處理、模式識別、信號處理、自動控制等技術(shù)的計算機(jī)視覺水果分級自動化系統(tǒng)得到了廣泛應(yīng)用，國外已將部分成果應(yīng)用于實際生產(chǎn)中。

早在1984年，Thylor等運(yùn)用模擬攝像機(jī)和線掃描進(jìn)行蘋果自動損傷判定試驗，證明了將計算機(jī)視覺技術(shù)應(yīng)用于自動分級的可行性 [11]。在隨后幾年中，Thylor等不斷開展此方面的相應(yīng)研究，但其分級效率仍較低 [12]。1985年，Sarkar等首次將數(shù)字圖像分析與模式識別技術(shù)運(yùn)用于西紅柿的品質(zhì)分級，并取得了較好的精確度，但其速度較慢 [13]。1989年，Miller 等在桃的分級研究中，運(yùn)用圖像亮度校正和區(qū)域分割的方法，采用近紅外方式對沒有明顯邊緣損傷的圖像進(jìn)行識別，其自動分級效果達(dá)到了當(dāng)時美國農(nóng)業(yè)部的相關(guān)標(biāo)準(zhǔn)，并得到推廣應(yīng)用 [14]。1992年，Liao等在玉米籽粒的分類中引入了神經(jīng)網(wǎng)絡(luò)方法來提高其分類的準(zhǔn)確率 [15]。1994年，Liao等對玉米粒的顏色及表面缺陷進(jìn)行實時分級研究，其分級速度仍較慢 [16]。1997年，Ni等通過圖象處理技術(shù)獲取三維信息的方法對玉米籽粒進(jìn)行分級，但該系統(tǒng)的檢測精度及用時離實際應(yīng)用仍有較大距離 [17]。1998年，Choi等將彩色圖像處理技術(shù)運(yùn)用于番茄品質(zhì)的分級，其分級效率高于人工檢測 [18]。1999年，Chtioui等以粗糙集理論作為模式分類工具，通過計算機(jī)視覺技術(shù)檢測評價蠶豆品質(zhì)，其分類結(jié)果具有較好的一致度 [19]。2002年，Yun等成功研制出一種谷?？焖俜旨壪到y(tǒng)，每分鐘檢測200顆谷粒，其分級準(zhǔn)確率達(dá)98 9% [20]。2011年，Mathanker等發(fā)現(xiàn)使用機(jī)器學(xué)習(xí)分類器AdaBoost和支持向量機(jī)（SVM）的方法可提高核桃分級檢測的精度 [21]。2012年，Rodero等在對牛品種的分類研究中發(fā)現(xiàn)，多層感知器（MLP）和支持向量機(jī)（SVM）方法具有較強(qiáng)的分類能力 [22]。Ghosh等將人工神經(jīng)網(wǎng)絡(luò)（ANN）技術(shù)應(yīng)用于茶黃素（TF）含量檢測的數(shù)據(jù)分析中 [23]。Gori等基于紅外光譜和人工神經(jīng)網(wǎng)絡(luò)的方法快速區(qū)分奶酪的生產(chǎn)季節(jié)，其準(zhǔn)確率可達(dá)100% [24]。

我國將計算機(jī)視覺技術(shù)應(yīng)用于水果等的檢測分級相對較晚，但由于借鑒了其他國家的研究成果，發(fā)展速度比較快。1993年，張書慧等通過建立農(nóng)產(chǎn)品圖像專家系統(tǒng)，對100個蘋果進(jìn)行質(zhì)量分級，檢測準(zhǔn)確率達(dá)96% [25]。1997年，何東健等運(yùn)用計算機(jī)視覺技術(shù)開展蘋果缺陷自動檢測，并利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行果實表面顏色分級的研究 [26-27]。2001年，張長利等通過提取番茄表面顏色特征，并運(yùn)用遺傳算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)實現(xiàn)番茄成熟度的自動判別，準(zhǔn)確率達(dá)94% [28]。2002年，馮斌等利用計算機(jī)視覺和人工神經(jīng)網(wǎng)絡(luò)技術(shù)對不同著色等級的水果進(jìn)行識別分級，平均準(zhǔn)確率達(dá)95 2% [29]。蔣煥煜等對蘋果、黃花梨、橘、橙等水果進(jìn)行了深入研究 [30]；2004年，由應(yīng)義斌主持研發(fā)的水果品質(zhì)智能化實時檢測分級生產(chǎn)線正式投放市場。2005年，劉木華等提出一種基于圖像處理和支持向量機(jī)（SVM）分類的牛肉大理石花紋等級評定技術(shù) [31]。2013年，熊宇鵬等使用數(shù)字圖像技術(shù)對鳳梨花卉品質(zhì)參數(shù)進(jìn)行檢測與分級研究，檢測花蓋度的相對誤差為2 3% [32]。endprint

在農(nóng)產(chǎn)品的加工應(yīng)用中，Ling等于1991年開始研究鮮蝦圖像的形態(tài)學(xué)特征和頻譜特征，發(fā)現(xiàn)根據(jù)頻譜特征確定下刀位置較為有效，為鮮蝦去頭加工的自動化提供了可靠依據(jù) [33]。1995年，Moconnell等利用計算機(jī)視覺技術(shù)對顏色的識別來控制烘烤食品的質(zhì)量，并取得了較好效果 [34]。Seida等對機(jī)器視覺技術(shù)運(yùn)用于飲料容器質(zhì)量檢測的可行性進(jìn)行了研究 [35]。Jia等提出將圖像處理算法應(yīng)用于鰭類魚的加工 [36]。1998年，Tao等運(yùn)用計算機(jī)視覺技術(shù)進(jìn)行雞肉中骨頭碎片及污染物的無損快速檢測，并研制出相關(guān)設(shè)備 [37]。Li等運(yùn)用計算機(jī)算法和視覺技術(shù)成功開發(fā)出一套用于蛋殼微裂紋識別的機(jī)器視覺系統(tǒng)，其檢測準(zhǔn)確率達(dá)100% [38]。

3 計算機(jī)視覺及模式識別技術(shù)在植物生長監(jiān)測中的應(yīng)用

計算機(jī)視覺技術(shù)能夠比人眼視覺更早發(fā)現(xiàn)植物因營養(yǎng)不良而表現(xiàn)出的細(xì)微變化，為及時灌溉和補(bǔ)充營養(yǎng)提供可靠依據(jù)。Mayer等利用數(shù)字圖像分析了多種作物的葉面積、莖稈直徑、葉柄夾角，主要采用三角形逼近的方法測量植物葉片的面積，并達(dá)到很好的效果 [39]。Trooien等提出了采用數(shù)字圖像處理技術(shù)無損檢測馬鈴薯葉冠面積的理論，并成功建立模型，其檢測結(jié)果與葉面積儀的測量結(jié)果基本相同 [40]。楊勁峰等通過平臺掃描儀獲取葉片的數(shù)字圖像，建立了以數(shù)字圖像處理技術(shù)測定蔬菜葉面積的方法，該方法被廣泛推廣使用 [41]。張仁祖等提出一種使用圖像處理技術(shù)測量作物葉面積的新方法，并獲得了滿意的測量精度 [42]。

1995年，Shinizu等利用機(jī)器視覺和近紅外光連續(xù)采集植株圖像，成功分析得出其白晝的生長率 [43]。1996年，Casady等利用數(shù)字圖像處理技術(shù)獲得了水稻植株的高度等形態(tài)特征信息，使利用計算機(jī)視覺獲得植株高度成為可能 [44]。2001年，耿楠等通過建立計算機(jī)視覺系統(tǒng)檢測小麥的生長信息 [45]。2002年，李少昆等成功研制“小麥高產(chǎn)群體圖像智能識別多媒體專家系統(tǒng)”，該系統(tǒng)運(yùn)用神經(jīng)網(wǎng)絡(luò)對小麥群體圖像進(jìn)行快速識別和預(yù)測；李少昆等還將圖像處理技術(shù)用于小麥、大麥、玉米等大田作物株型信息的提取和生長監(jiān)測 [46]。另有學(xué)者利用圖像處理技術(shù)獲得麥芒的形態(tài)參數(shù)，從而對小麥生長狀態(tài)進(jìn)行監(jiān)測 [47]，此方法不僅可檢測設(shè)施內(nèi)植物的葉面積、莖稈直徑、葉柄夾角等外部生長參數(shù)，還可根據(jù)果實表面顏色判別其成熟度、缺水、缺肥等情況。

利用計算機(jī)視覺技術(shù)進(jìn)行作物營養(yǎng)脅迫診斷的研究較多。1992年，Segineer等研究發(fā)現(xiàn)可將計算機(jī)視覺技術(shù)運(yùn)用于植物葉片的生長監(jiān)測，從而為自動灌溉系統(tǒng)服務(wù)。1996年，Singh等利用圖像分析技術(shù)判斷水稻中期的生長情況，并建立了根據(jù)水稻中期生長情況及施肥量預(yù)測產(chǎn)量的數(shù)學(xué)模型 [48]。Ahmad等利用圖像的彩色模型識別評價玉米葉片在缺水和缺氮狀態(tài)下的顏色變化，試驗獲得了較滿意的結(jié)果 [49]。徐貴力等研究發(fā)現(xiàn)通過百分率直方圖法提取缺素葉片圖像的顏色特征，能較好地識別缺素番茄葉片，準(zhǔn)確率在70%以上 [50]。張偉等從顏色和紋理兩方面運(yùn)用計算機(jī)視覺技術(shù)對作物缺素進(jìn)行識別，取得了較滿意的研究成果 [51]。

4 計算機(jī)視覺及模式識別技術(shù)在農(nóng)作物病蟲草害的監(jiān)測與防治中的應(yīng)用[BT）]

研究大田作物病蟲草害的自動識別與測定技術(shù)，建成自動化控制系統(tǒng)以防治田間雜草與病蟲害，也是計算機(jī)視覺技術(shù)在作物生產(chǎn)中較為重要的應(yīng)用研究領(lǐng)域，而利用人工神經(jīng)網(wǎng)絡(luò)（ANN）技術(shù)識別田間雜草是一個重要的應(yīng)用方向，國內(nèi)外學(xué)者在此方面已作了大量研究工作。1995年，Woebbecke等研究發(fā)現(xiàn)葉片的形態(tài)學(xué)特征可用于識別雙子葉與單子葉植物，準(zhǔn)確率在60%～80% [52]；此外還研究發(fā)現(xiàn)，彩色圖像的2R-G-B特征能很好地區(qū)分非植物與植物的背景，從而將其運(yùn)用于田間雜草的探測控制 [53]。Zhang等提出同時使用形狀和顏色分析識別小麥田間雜草的方法 [54]。1997年，Giles等研制出一種裝有機(jī)器視覺導(dǎo)向系統(tǒng)的噴霧裝置，能對成行作物實施精量噴霧，該系統(tǒng)不僅節(jié)約農(nóng)藥，提高施藥效率，還可大大減少對環(huán)境的污染 [55]?；跈C(jī)器視覺的雜草識別技術(shù)在國外已經(jīng)進(jìn)入實用階段。1999年，Lee等研制出由計算機(jī)視覺系統(tǒng)、精準(zhǔn)噴施系統(tǒng)等構(gòu)成的智能雜草控制系統(tǒng)，該系統(tǒng)可根據(jù)植物形狀特征的差異識別作物和雜草，并確定雜草的位置以進(jìn)行精準(zhǔn)噴施 [56]。Burks等利用彩色共生矩陣法和神經(jīng)網(wǎng)絡(luò)技術(shù)對土壤和5種雜草進(jìn)行識別研究，分類準(zhǔn)確率達(dá)93% [57-58]。2001年，陳佳娟等利用圖像分割、邊緣檢測等計算機(jī)視覺技術(shù)測定棉花蟲害的受害程度，誤差小于005 [59]。2004年，E1-Helly等研發(fā)了一種利用人工神經(jīng)網(wǎng)絡(luò)分類的綜合圖像處理系統(tǒng)，能較好地識別黃瓜白粉病、霜霉病等病害 [60]。

2004年，毛文華對水稻田間的雜草進(jìn)行在線識別研究，以形狀分析法獲得雜草信息，進(jìn)而確定雜草的位置 [61]。2006年，田有文等根據(jù)彩色紋理圖像的特點對日光溫室黃瓜進(jìn)行研究，采用色度矩和支持向量機(jī)的方法識別黃瓜病害，取得了很好的效果 [62]。2007年，李崢嶸等以小麥害蟲圖像為研究對象，開發(fā)出基于內(nèi)容的害蟲圖像檢索系統(tǒng)，該系統(tǒng)具有一定實用性，為快速準(zhǔn)確地診斷與識別農(nóng)作物害蟲提供了技術(shù)支持 [63]。2007年，Sammany等在植物病害識別的研究中發(fā)現(xiàn)，同時使用神經(jīng)網(wǎng)絡(luò)和支持向量方法可大幅提高分類效率 [64]。2012年，王樹文等綜合運(yùn)用圖像處理技術(shù)和人工神經(jīng)網(wǎng)絡(luò)技術(shù)實現(xiàn)黃瓜葉部病害的檢測，平均識別精度可達(dá)95 31% [65]。Arribas等采用計算機(jī)視覺技術(shù)和神經(jīng)網(wǎng)絡(luò)的方法開發(fā)出一套向日葵葉片圖像自動分類系統(tǒng)，用于選擇性除草劑的應(yīng)用，并達(dá)到了高精確度水平 [66]。Midtiby等開發(fā)出一套基于計算機(jī)視覺技術(shù)的智能實時微型雜草噴霧控制系統(tǒng)，該系統(tǒng)在實時性及智能化方面均有較大提高，可快捷、準(zhǔn)確、及時地進(jìn)行雜草識別和除草劑的噴灑 [67]。endprint

5 計算機(jī)視覺及模式識別技術(shù)在農(nóng)產(chǎn)品自動化收獲中的應(yīng)用[BT）]

計算機(jī)視覺技術(shù)在農(nóng)產(chǎn)品自動化收獲方面的應(yīng)用，是目前農(nóng)業(yè)生產(chǎn)領(lǐng)域中最為熱門的研究方向之一，果蔬采摘機(jī)器人正成為機(jī)器人研究的新興領(lǐng)域，科研人員作了大量研究，已有部分成果被應(yīng)用于實際生產(chǎn)中，具有很大的發(fā)展?jié)摿Α?/p>

1989年，Slaughter等開始研究利用顏色特征識別橘子的分類模型，為柑橘收獲機(jī)械手作了導(dǎo)向 [68]。1991年，日本Kubota公司成功研制出用于橘子采摘機(jī)器人的機(jī)械手 [69]。1995年，周云山等將計算機(jī)視覺技術(shù)應(yīng)用于蘑菇識別，使蘑菇生產(chǎn)從苗床管理到收獲分類的全過程基本實現(xiàn)自動化，但離實際推廣應(yīng)用仍有一定距離 [70]。1996年，近藤等研制出采用雙目視覺方法定位果實的番茄采摘機(jī)器人，能準(zhǔn)確識別果實與樹葉，而當(dāng)可采摘番茄被莖葉遮擋時，機(jī)械手難以避開莖葉等障礙物完成采摘 [71]。1997年，德田勝等研制出一套運(yùn)用機(jī)器視覺技術(shù)檢測西瓜成熟度的機(jī)器視覺系統(tǒng)，用于控制采摘機(jī)器人適時自動采摘西瓜 [72]。2000年，荷蘭農(nóng)業(yè)環(huán)境工程研究所研制出移動式黃瓜采摘機(jī)器人樣機(jī)，在實驗室和溫室中的采摘試驗效果良好 [73]。2001年，劉成良等研制出一套應(yīng)用于瓜果秧苗嫁接的機(jī)器人視覺系統(tǒng)，該系統(tǒng)能判別秧苗的方向和品質(zhì)，使機(jī)器人在保證質(zhì)量的情況下實現(xiàn)全自動化嫁接成為可能 [74]。陳利兵等對草莓、黃瓜、番茄、茄子等果蔬采摘機(jī)器人作了深入研究，并研制出試驗樣機(jī) [75]。2011年，張凱良等研制出草莓實時自動采摘系統(tǒng)，但其采摘速度、精度等仍有待提高 [76]。

[BT（1+1][STHZ]6 計算機(jī)視覺及模式識別技術(shù)在農(nóng)業(yè)生產(chǎn)領(lǐng)域其他方面的應(yīng)用[BT）]

計算機(jī)視覺技術(shù)在農(nóng)業(yè)生產(chǎn)領(lǐng)域的其他方面也有應(yīng)用。1992年，Das等將機(jī)器視覺技術(shù)用于雞蛋孵化過程中死胚蛋、壞蛋的早期檢測，以提高孵出雛率，孵化第3天的檢測準(zhǔn)確率為88%～90%，孵化第4天的準(zhǔn)確率高達(dá)100% [77]。1997年，Tao等成功研制出結(jié)合計算機(jī)視覺技術(shù)的雛雞性別自動識別裝置 [78]。Cockx等利用傳感器和神經(jīng)網(wǎng)絡(luò)技術(shù)預(yù)測土壤表層的黏土含量 [79]。Rasouli等在加拿大使用機(jī)器學(xué)習(xí)方法進(jìn)行水文氣象觀測研究，為農(nóng)業(yè)生產(chǎn)提供可靠數(shù)據(jù) [80]。Nuthall利用計算機(jī)視覺技術(shù)建立了放牧管理專家系統(tǒng)，該系統(tǒng)充分考慮到個體差異性，針對性較強(qiáng)，能夠較好地應(yīng)用于實際農(nóng)業(yè)生產(chǎn)中 [81]。

7 結(jié)語

計算機(jī)視覺最初被看作人工智能的分支之一，其發(fā)展十分迅速，現(xiàn)已成為一個活躍的研究領(lǐng)域，是近十幾年來計算機(jī)科學(xué)中最熱門的研究方向之一。計算機(jī)視覺是一門通過圖像或視頻處理，使計算機(jī)具備“看”能力的計算機(jī)學(xué)科 [82]，相當(dāng)于給計算機(jī)安裝上眼睛（照相機(jī)或攝像機(jī)）和大腦（算法），讓其能夠感知環(huán)境。在計算機(jī)視覺領(lǐng)域幾十年的發(fā)展歷程中，計算機(jī)視覺及模式識別技術(shù)早己從實驗室的理論研究層面延伸并發(fā)展到實際應(yīng)用中。隨著我國對計算機(jī)視覺研究的重視，及國際間交流與合作的深入，使計算機(jī)視覺的研究水平不斷提升，相關(guān)研究逐漸與國際接軌。目前，計算機(jī)視覺技術(shù)在我國的智能交通、醫(yī)學(xué)圖像、工業(yè)及農(nóng)業(yè)生產(chǎn)等方面已有較多應(yīng)用。隨著計算機(jī)軟件、硬件的智能化，神經(jīng)網(wǎng)絡(luò)、人工智能等學(xué)科的飛速發(fā)展，大數(shù)據(jù)和深度學(xué)習(xí)的興起，視覺與機(jī)器學(xué)習(xí)的交叉融合，學(xué)術(shù)界與工業(yè)界的相互合作，以及計算機(jī)信息處理技術(shù)的進(jìn)一步綜合集成，相信計算機(jī)視覺及模式識別技術(shù)將為農(nóng)業(yè)生產(chǎn)領(lǐng)域開辟出新的空間。

參考文獻(xiàn)：

[1] 賈云得 機(jī)器視覺[M] 北京：科學(xué)出版社，2000

[2]Zayas I，Pomeranz Y，Lai F S Discrimination between Arthur and Aran wheats by image analysis[J] Cereal Chemistry，1985，62（2）：478-480

[3] Gunasekarans S，Cooper T M Image processing for stress crack in corn kernels[J] Transactions of the ASAE，1987，30（1）：266-271

[4]Zayas I，Lai F S，Pomeranz Y Discrimination between wheat classes and varieties by image-analysis[J] Cereal Chemistry，1986，63（1）：52-56

[5]Zayas I Y，Pormeranz Y，Lai F S Discrimination of wheat and non wheat components in grain samples by image analysis[J] Cereal Chemistry，1989，66（3）：233-237

[6]Liu Z Y，Cheng F，Ying Y B，et al Identification of rice seed varieties using neural network[J] Journal of Zhejiang University-Science B，2005，6（11）：1095-1100

[7]Zapotoczny P Discrimination of wheat grain varieties using image analysis and neural networks[J] Journal of Cereal Science，2011，54（1）：60-68

[8]周 紅，劉光蓉，管庶安 數(shù)字圖像處理技術(shù)在玉米種子輪廓檢測中的應(yīng)用[J] 種子，2004，23（9）：90-92endprint

[9]萬 鵬，孫 瑜，孫永海 基于計算機(jī)視覺的大米粒形識別方法[J] 吉林大學(xué)學(xué)報：工學(xué)版，2008（2）：489-492

[10] 萬 鵬，潘海兵，宗 力，等 基于機(jī)器視覺的鯽魚和鯉魚品種識別方法研究[J] 廣東農(nóng)業(yè)科學(xué)，2012（17）：184-187

[11]刁智華，王會丹，魏 偉 機(jī)器視覺在農(nóng)業(yè)生產(chǎn)中的應(yīng)用研究[J] 農(nóng)機(jī)化研究，2014，3（3）：206-211

[12]Majumdar S，Jayas D S Classification of bulk samples of cereal grains using machine vision[J] Journal of Agricultural Engineering Research，1999，73（1）：35-47

[13]Sarkar N，Wolfe R R Computer vision based system for quality separation of fresh-market tomatoes[J] Transactions of the ASAE，1985，28（5）：1714-1718

[14]Miller B K，Delwiche M J A color-vision system for peach grading[J] Transactions of the ASAE，1989，32（4）：1484-1490

[15]Liao K，Reid J F，Ni B，et al Corn kernel shape identification by machine vision using a neural network classifier[J] Transactions of the ASAE，1992，35（5）：1069-1707

[16]Liao K，Paulsen M R，Reid J F，et al Corn kernel breakage classification by machine vision using a neural network classifier[J] Transactions of the ASAE，1994，36（6）：1949-1953

[17]Ni B，Paulsen M R，Reid J F Corn kernel crown shape identification using image processing[J] Transactions of the ASAE，1997，40（3）：833-838

[18]Choi K，Lee G，Han Y J，et al Tomatom aturity evaluation using color image analysis[J] Transactions of the ASAE，1995，38（1）：171-176

[19]Chtioui Y，Panigrahi S，Backer L F Rough setstheory as a pattern classification tool for quality assessment of edible beans[J] Transactions of the ASAE，1999，42（4）：1145-1152

[20]Yun H S，Lee W O，Chung H A computer vision system for rice kernel quality evaluation[R] Paper No：023130，An ASAE Meeting Presentation

[21]Mathanker S K，Weckler P R，Bowser T J，et al AdaBoost cllassifiers for pecan defect classification[J] Computers and Electronics in Agriculture，2011，77（1）：60-68

[22] Rodero E，Gonzalez A，Luque M，et al Classification of Spanish autochthonous bovine breeds Morphometric study using classical and heuristic techniques[J] Livestock Science，2012，143（2/3）：226-232

[23]Ghosh A，Tamuly P，Bhattacharyya N，et al Estimation of theaflavin content in black tea using electronic tongue[J] Journal of Food Engineering，2012，110（1）：71-79

[24]Gori A，Cevoli C，F(xiàn)abbri A，et al A rapid method to discriminate season of production and feeding regimen of butters based on infrared spectroscopy and artificial neural networks[J] Journal of Food Engineering，2012，109（3）：525-530

[25]張書慧，陳曉光，張曉梅，等 蘋果、桃等農(nóng)副產(chǎn)品品質(zhì)檢測與分級圖像處理系統(tǒng)的研究[J] 農(nóng)業(yè)工程學(xué)報，1999，15（1）：207-210

[26]何東健，楊 青，薛少平，等 用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行果實顏色分級技術(shù)研究[J] 西北農(nóng)業(yè)大學(xué)學(xué)報，1998，26（6）：112-115endprint

[27]蘇光大 圖像并行處理技術(shù)[M] 北京：清華大學(xué)出版社，2002

[28]張長利，房俊龍，潘 偉 用遺傳算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)對番茄成熟度進(jìn)行自動檢測的研究[J] 農(nóng)業(yè)工程學(xué)報，2001，17（3）：153-156

[29]馮 斌，汪懋華 基于顏色分形的水果計算機(jī)視覺分級技術(shù)[J] 農(nóng)業(yè)工程學(xué)報，2002，18（2）：141-144

[30]蔣煥煜，應(yīng)義斌，王劍平，等 水果品質(zhì)智能化實時檢測分級生產(chǎn)線的研究[J] 農(nóng)業(yè)工程學(xué)報，2002，11（6）：158-160

[31]劉木華，段武貌，黎 靜，等 基于圖像處理和支持向量機(jī)分類的牛肉大理石花紋等級評定[J] 沈陽農(nóng)業(yè)大學(xué)學(xué)報，2005，36（6）：650-654

[32]熊宇鵬，毛罕平，左志宇，等 基于數(shù)字圖像處理的鳳梨花卉品質(zhì)參數(shù)檢測的研究[J] 農(nóng)機(jī)化研究，2013，35（9）：163-168

[33]Ling P P，Searcy S W Feature extraction for a machine-vision-based shrimp deheader[J] Transactions of the ASAE，1991，34（6）：2631-2637

[34]Moconnell R K，Blau H H Color classification of non-uniform baked and roasted foods[C] Chicago，Illinois：Proceeding of the FPAC Ⅳ Conference，1995：40-46

[35]Seida S，F(xiàn)rande E Unique applications of machine vision for container inspection and sorting[C] Chicago，Illinois：Proceeding of the FPAC Ⅳ Conference，1995：102-108

[36] Jia P，Evans M D，Ghate S R Catfish feature identification via computer vision[J] Transactions of the ASAE，1996，39（5）：1923-1931

[37]Tao Y，Wen Z Item defect detection apparatus and method[J] UnitedStates Patent Pending，1998，09/046，270

[38]Li Y Y，Dhakal S，Peng Y K A machine vision system for identification of micro-crack in egg shell[J] Journal of Food Engineering，2012，109（1）：127-134

[39]Mayer G E，Davion D A An eleetrortic image plant crowth measurement system[J] Transactions of the ASAE，1987，30（1）：242-248

[40]Trooien T P，Heermann D F Measurement and simulation of potato leaf-area using image-processing 3 measurement[J] Transactions of the ASAE，1992，35（5）：1719-1721

[41]楊勁峰，陳 清，韓曉日，等 數(shù)字圖像處理技術(shù)在蔬菜葉面積測量中的應(yīng)用[J] 農(nóng)業(yè)工程學(xué)報，2002，18（4）：155-158

[42]張仁祖，徐為根，黃文杰 一種新的基于圖像處理的作物葉面積測量方法[J] 江西農(nóng)業(yè)學(xué)報，2008，20（4）：117-119

[43]Shimizu H，Heins R D Computer-vision-based system for plant-growth analysis[J] Transactions of the ASAE，1995，38（3）：959-964

[44]Casady W，Singh N，Costello T A Machine vision form easurement of rice canopy dimensions[J] Transactions of the ASAE，1996，39（5）：1891-1898

[45]耿 楠，何東健，王 婧，等 小麥生長信息計算機(jī)視覺檢測技術(shù)研究[J] 農(nóng)業(yè)工程學(xué)報，2001，17（1）：136-139

[46]李少昆，索興梅，白中英，等 基于BP神經(jīng)網(wǎng)絡(luò)的小麥群體圖像特征識別[J] 中國農(nóng)業(yè)科學(xué)，2002，35（6）：616-620

[47]Bi K，Huang F，Wang C Quick acquisition of wheat ear morphology parameter based on imaging processing[C] Computer Science for Environmental Engineering and EcoInformatics，2011：300-307

[48]Singh N，Casady W W Machine vision based Nitrogen management models for rice[J] Transactions of the ASAE，1995，39（3）：1899-1904endprint

[49]Ahmad I S，Reid J F，et al Evaluation of colour representation form aize image[J] Journal of Agricultrural Engineering Research，1996，63：185-196

[50]徐貴力，毛罕平，李萍萍 缺素葉片彩色圖像特征值的研究[J] 農(nóng)業(yè)工程學(xué)報，2002，18（4）：150-154

[51]張 偉，毛罕平，李萍萍，等 基于計算機(jī)圖像處理技術(shù)的作物缺素判別的研究[J] 計算機(jī)應(yīng)用與軟件，2004，21（2）：50-51，119

[52]Woebbecke D M，Meyer G E，Vonbargen K，et al Shape-features for identifying young weeds using image-analysis[J] Transactions of the ASAE，1995，38（1）：271-281

[53]Woebbecke D M，Meyer G E，Vonbargen K，et al Color indexes for weed identification under various soil，residue，and lighting conditions[J] Transactions of the ASAE，1995，38（1）：259-269

[54]Zhang N，Chaisattapagon C Effective criteria of weed identification in wheat fields using machine vision[J] Transactions of the ASAE，1995，38（3）：965-974

[55]Giles D K，Slaughter D C Precision band spraying with machine-vision guidance and adjustable yaw nozzles[J] Transactions of the ASAE，1997，40（1）：29-36

[56]Lee W S，Slaughter D C，Giles D K Robotic weed control system for tomatoes[J] Precision Agriculture，1999，1（1）：95-113

[57]Burks T F，Shearer S A，Gates R S，et al Back propagation neural network design and evaluation for classifying weed species using color image texture[J] Transactions of the ASAE，2000，43（4）：1029-1037

[58]Burks T F，Shearer S A，Payne F A Classification of weed species using color texture features and discrimination analysis[J] Transactions of the ASAE，2000，43（2）：441-448

[59]陳佳娟，紀(jì)壽文，李 娟，等 采用計算機(jī)視覺進(jìn)行棉花蟲害程度的自動測定[J] 農(nóng)業(yè)工程學(xué)報，2001，17（2）：157-160

[60]E1-Helly M E1-Belagy S，and rafea a image analysis based interfacefor diagnostic expert systems[C] Proceedings of the Winterinternational synposium on information and Communication Technologies，2004：1-6

[61]毛文華 基于機(jī)器視覺的田間雜草識別技術(shù)研究[D] 北京：中國農(nóng)業(yè)大學(xué)，2004

[62]田有文，李成華 基于圖像處理的日光溫室黃瓜病害識別的研究[J] 農(nóng)機(jī)化研究，2006（2）：151-153，160

[63]李崢嶸，劉月娥，何東健，等 基于內(nèi)容的小麥害蟲圖像檢索系統(tǒng)研究與實現(xiàn)[J] 農(nóng)業(yè)工程學(xué)報，2007，23（11）：210-215

[64]Sammany M T Medhat：dimensionality reduction using rough SetApproach for two neural Networks-Based applications[C] RoughSets and Intelligent Systems Paradigms，2007：639-647

[65]王樹文，張長利 基于圖像處理技術(shù)的黃瓜葉片病害識別診斷系統(tǒng)研究[J] 東北農(nóng)業(yè)大學(xué)學(xué)報，2012，43（5）：69-73

[66]Arribas J I，Sánchez-Ferrero G V，Ruiz-Ruiz G，et al Leaf classification in sunflower crops by computer vision and neural networks[J] Computers and Electronics in Agriculture，2011，78（1）：9-18

[67]Midtiby H S，Mathiassen S K，Andersson K J，et al Performance evaluation of a crop/weed discriminating microsprayer[J] Computers and Electronics in Agriculture，2011，77（1）：35-40endprint

[68]Slaughter D C，Harrell R C Discriminating fruit for robotic harvest using color in natural outdoor scenes[J] Transactions of the ASAE，1989，32（2）：757-763

[69]Sarig Y Robotics of fruit harvesting：a state-of-the-art review[J] Journal of Agricultural Engineering Research，1993，54（4）：265-280

[70]周云山，李 強(qiáng)，李紅英，等 計算機(jī)視覺在蘑菇采摘機(jī)器人上的應(yīng)用[J] 農(nóng)業(yè)工程學(xué)報，1995，11（4）：27-32

[71]Kondo N，Nishitauji Y，Ling P P，et al Visual feed back guided robotic cherry to mat to harvesting[J] Transactions of the ASAE，1996，39（6）：2331-2338

[72]應(yīng)義斌，章文英，蔣亦元，等 機(jī)器視覺技術(shù)在農(nóng)產(chǎn)品收獲和加工自動化中的應(yīng)用[J] 農(nóng)業(yè)機(jī)械學(xué)報，2000（3）：112-115

[73]周增產(chǎn)，Bontsema J，Vankollenburg C L 荷蘭黃瓜收獲機(jī)器人的研究開發(fā)[J] 農(nóng)業(yè)工程學(xué)報，2001，17（6）：77-80

[74]劉成良，王紅永，曹其新，等 秧苗嫁接機(jī)器人視覺與識別的研究[J] 農(nóng)業(yè)機(jī)械學(xué)報，2001，32（4）：38-41

[75]陳利兵 草莓收獲機(jī)器人采摘系統(tǒng)研究[D] 北京：中國農(nóng)業(yè)大學(xué)，2005

[76]張凱良，楊 麗，張鐵中 草莓收獲機(jī)器人采摘執(zhí)行機(jī)構(gòu)設(shè)計與試驗[J] 農(nóng)業(yè)機(jī)械學(xué)報，2011，42（9）：155-161

[77]Das K，Evans M D Detecting fertility of hatching eggs using machine vision Ⅱ：Neural network classifiers[J] Transactions of the ASAE，1992，35（6）：2035-2041

[78]Tao Y Automatic feather sexing of poultry chicks using ultraviolet imaging：US，6396938[P] 2002-05-28

[79]Cockx L，Vanmeirvenne M，Vitharana U A，et al Extracting topsoil information from EM38DD sensor datausing a neural network approach[J] Soil Science Society of America Journal，2009，73（6）：2051-2058

[80]Rasouli K，Hsieh W W，Cannon A J Daily streamflow forecasting by machine learning methods with weather and climate inputs[J] Journal of Hydrology，2012，414：284-293

[81]Nuthall P L The intuitive world of farmers—The case ofgrazing management systems and experts[J] Agricultural Systems，2012，107：65-73

[82]張 梅，文靜華 淺談計算機(jī)視覺與數(shù)字?jǐn)z影測量[J] 地理空間信息，2010，8（2）：15-17，20endprint