孫世鵬，彭 俊，李 瑞，朱兆龍，Vázquez-Arellano MANUEL，傅隆生,*

基于近紅外高光譜圖像的冬棗損傷早期檢測

孫世鵬1，彭 俊1，李 瑞1，朱兆龍1，Vázquez-Arellano MANUEL2，傅隆生1,*

（1.西北農林科技大學機械與電子工程學院，陜西 楊凌 712100；2.霍恩海姆大學農業(yè)工程研究所，德國 巴符 斯圖加特 70599）

為了對冬棗損傷進行早期檢測，采用近紅外高光譜圖像技術對損傷區(qū)域成像。針對高光譜圖像波長多的特點，分別采用連續(xù)投影算法、相關特征選擇算法、一致性（Consistency）算法選擇冬棗損傷的特征波長，對提取的特征波長分別應用k-鄰近、樸素貝葉斯（naive bayes，NB）、支持向量機（support vector machine，SVM）3 種分類方法進行損傷區(qū)域識別。結果表明：所有方法選擇的一致特征波長在1 353 nm和1 691 nm附近。Consistency算法選擇的特征波長在SVM分類器下分類識別正確率達到95.16%，一致特征波長在NB分類器下分類識別正確率達到84.26%，驗證了一致波長的有效性，為多光譜成像技術實現(xiàn)在線檢測冬棗損傷提供參考依據。

冬棗；高光譜成像；特征波長；輕微損傷；檢測

冬棗甘甜可口，營養(yǎng)豐富，VC含量高，并且富含其他維生素、氨基酸、環(huán)磷酸腺苷、礦物質（鉀、鐵）等[1]。根據GB/T 22345—2008《鮮棗質量等級》規(guī)定[2]，棗分為未熟棗和成熟棗，成熟棗又細分為白熟期、脆熟期、完熟期。處于白熟期的鮮棗，果皮退綠發(fā)白至著色，含糖量低，適合加工蜜棗。處于脆熟期的鮮棗，果實著色至全紅，含糖量高，適合鮮食。

冬棗皮薄肉脆，在振動機械采摘和分選時容易造成摔傷和碰傷，初期人眼很難發(fā)現(xiàn)。隨著時間的延長，冬棗損傷部位顏色變暗甚至腐爛，不僅影響果實品質，甚至引起其他棗的霉變，造成經濟損失。水果的損傷區(qū)域和正常區(qū)域顏色紋理相近，普通彩色相機無法區(qū)分[3]。

高光譜圖像含有圖像信息和光譜信息，不僅能夠檢測果實內部的物理結構和化學成分，也能夠檢測果實的外部品質，已經越來越多應用到農產品的品質檢測中，如紅棗、芒果、香蕉等[4-9]。近年來，棗的高光譜檢測已經有了初步的研究。魏新華等[10]對擦傷的冬棗進行損傷檢測采用了無信息變量消除法和相關系數法選取4 個特征波長，然后對4 個特征波長進行主成分分析，選取第1主成分作為缺陷識別圖像，檢測結果的正確率達98%。Wang等[11]在可見光與近紅外范圍對梨棗的外部蟲眼進行識別，對原始數據取對數后求一、二次導獲得三類數據，利用逐步判別分析提取特征光譜，采用原始數據的對數對蟲咬棗、正常棗和莖端識別正確率達98%。Yu Keqiang等[12]在可見光和近紅外區(qū)域對梨棗的裂紋進行識別，利用偏最小二乘、主成分和獨立成分3 種方法選取特征波長，并對偏最小二乘選取的5 個特征波長進行主成分分析，選取第4主成分進行裂紋識別，檢測正確率為90.5%。

上述研究中不同的降維方法選取的特征波長有所區(qū)別，特征波長的有效性有待檢驗[3]。據查閱文獻，還沒有學者利用高光譜成像技術對冬棗機械振動采摘和自動化分選中的機械損傷進行研究。本實驗對1.5、1、0.5 m掉落的脆熟棗損傷區(qū)域進行高光譜成像，分別提取損傷區(qū)域和正常部分的感興趣區(qū)域（region of interest，ROI）光譜平均值，進而獲得損傷和正常區(qū)域的平均光譜曲線。采用連續(xù)投影算法（successive projections algorithm，SPA）、相關特征選擇（correlation based feature selection，CFS）算法、一致性（Consistency）算法進行特征波長選擇，得到3 種方法選擇的一致波長。隨后將選取的特征波長采用k-鄰近（k-nearest neighbor，k-NN）、樸素貝葉斯（naive bayes，NB）、支持向量機（support vector machine，SVM）3 種分類器進行分類識別。最后通過一致波長對應光譜分量的圖像處理檢驗識別效果。

1 材料與方法

1.1 實驗樣本

選用沒有明顯缺陷的陜西省大荔縣脆熟期冬棗55 個，如圖1所示，裝置獲得1.5、1 m和0.5 m高度掉落后的損傷樣本。由于果皮組織遭到破壞，損傷區(qū)域明顯變軟，通過人工觸摸，獲得損傷區(qū)域位置，沿損傷區(qū)域邊界對損傷區(qū)域標記。

圖1 摔傷實驗示意圖Fig. 1 Schematic illustration of the falling experiment

1.2 高光譜成像采集系統(tǒng)

圖2 高光譜圖像采集系統(tǒng)示意圖Fig. 2 Schematic illustration of hyperspectral image acquisition

高光譜采集系統(tǒng)（圖2）主要包括：圖像光譜儀（ImSpector N17E，Spectral Imaging Ltd，F(xiàn)inland）、4個100 W的光纖鹵素燈、電控移動平臺、暗箱、計算機等，其中鹵素燈相距載物臺60 cm。在900～1 700 nm光譜范圍內每隔5 nm進行采樣，共得256 幅圖像，像素大小為250×320像素。系統(tǒng)獲取圖像前已進行黑白標定以消除相機暗電流的干擾。

1.3 高光譜圖像采集

損傷樣本在拍照前常溫放置1 h，將樣本通過索環(huán)固定，使標記的損傷區(qū)域盡量與鏡頭垂直，先采集完損傷區(qū)域高光譜圖像。再翻轉果實，進行果實正常區(qū)域的圖像采集。采用圖像獲取軟件（SECN-V17E，Gilden Photonics Ltd.，England）獲取圖像數據。合理的曝光時間和移動速度能避免信息過度飽和失真[13]，多次反復實驗后確定曝光時間為10 ms，平臺移動速率為20 mm/s。

1.4 特征波長的選擇

通過SECN-V17E獲得圖像采集數據后，運用ENVI4.6、MATLAB 2014b、WEKA 3.6軟件處理和分析數據。

1.4.1 高光譜圖像數據處理

分別在55 個冬棗的損傷區(qū)域和正常部分隨機選取感興趣區(qū)域（region of interest，ROI），為減少誤差，取ROI的平均光譜值作為為輸入波長。其中損傷和正常ROI個數比例為1∶2。本實驗將含有大量噪聲的波長去除，只保留波長范圍為924～1 695 nm的234 個波長進行后續(xù)研究。

1.4.2 特征波長選擇算法

高光譜圖像波段之間存在較多冗余，因此進行數據降維十分必要。本實驗采用SPA、CFS和Consistency選擇特征波長。SPA通過隨機選擇一個起始波長，計算未選入波長對其最大投影向量，對應波長作為引入波長，多次循環(huán)迭代后，通過代價函數評價得到特征波長[14]，該方法能有效消除波長共線性的影響。CFS通過評價特征之間的相關性篩選、組合特征波長，能夠有效地剔除不相關的特征，并篩選出相關的特征，并且這些特征之間不存在較強的相關性[15]。Consistency致力于找出能夠與完整特征集分類效果一致的最小特征子集，利用特征子集進行分類時的結果一致率評價選取特征波長的優(yōu)劣[16]，該方法能夠尋找到預測能力較強的波長。

SPA算法采用一個基于MATLAB開發(fā)環(huán)境的圖形用戶界面來實現(xiàn)[17]，它主要用于信號處理和多元校正的變量選擇。CFS和Consistency算法在WEKA 3.6軟件中實現(xiàn)[18]，WEKA包含大量的數據挖掘算法。將全部特征波長數據與對應分類結果在上述圖像用戶界面和WEKA 3.6軟件上進行特征波長的提取。

1.5 分類方法

常見的分類方法包括k-NN、NB、SVM。k-NN是一種簡單、有效、非參數化的分類方法，根據特征空間最鄰近k個樣本中的大多數決定所屬類別，現(xiàn)已廣泛應用到文本分類、模式識別等領域[19]。NB是一種利用貝葉斯定理進行分類的算法[20]，同時NB是以訓練樣本之間是相互獨立為假設前提的，預測性能會被訓練樣本的冗余屬性降低[15]。SVM是由Vapnik根據統(tǒng)計理論提出的學習分類方法[21]，它是一種二類分類模型，以最大分類間隔構造最優(yōu)超平面來解決分類問題，具有冗余樣本少和較好魯棒性的特點。將提取的特征波長數據和對應分類結果在MATLAB 2014b中進行分類檢測，其中訓練集和預測集按照3∶1隨機分配。

2 結果與分析

2.1 光譜數據分析

冬棗在不同高度掉落以及不考慮掉落高度時，損傷和正常區(qū)域的平均光譜曲線如圖3所示。主要有3 個反射谷，分別位于960、1 190 nm和1 450 nm區(qū)間。這些反射谷與水的吸收有關，其中960 nm為O—H的2 倍頻吸收峰，1 190 nm為O—H的合頻吸收峰，1 450 nm是O—H的伸縮振動的一級倍頻[22]。此外，1 440 nm附近也是C—H的合頻吸收帶，1 450 nm是C＝O伸縮振動的3 級倍頻[22]。不同高度掉落的摔傷區(qū)域平均光譜反射率明顯低于正常表面，并且在960 nm和1 190 nm附近差別明顯，這與通常損傷區(qū)域的含水量要高于其他正常組織的結論一致[23]。

圖3 不同高度掉落和不考慮掉落高度時冬棗的損傷和正常區(qū)域平均光譜曲線Fig. 3 Average reflectance spectra for bruise and normal areas on jujubes with consideration of dropping heights

2.2 特征選取與分類結果

表1 冬棗從不同高度掉落時SPA、CFS、Consistency選擇的特征波長Table1 Selected wavelengths using SPA, CFS, and consistency of jujube fruits dropping from different heights

在924～1 698 nm的波長范圍內，采用3 種特征選擇方法，選取的特征波長如表1所示。不同的掉落高度采用3 種不同降維方法選取的波長變量較多，且有所不同。雖然3 種降維方法選取的特征波長之間的聯(lián)系不明顯，但是可以找到一致的特征波長。由于SPA方法采用Savitzky-Golay濾波器，這種濾波器的原理是通過移動窗口利用最小二乘進行擬合來平滑去噪，存在的一個主要的缺陷是窗口結構決定了左右兩端的點被截斷[24]。本實驗截斷了左右兩端各12 個波長，因此965～1 658 nm波長范圍以外的一致波長采用CFS和Consistency選取。

不同掉落高度3 種降維方法選取一致的特征波長如下：1.5 m掉落為1 359 nm和1 695 nm；1 m掉落為1 376 nm和1 688 nm，0.5 m掉落為1 127、1 329、1 353 nm和1 691 nm。3 種降維方法提取的一致特征波長都在1 353 nm和1 691 nm附近，其中1 688 nm處主要為碳水化合物的吸收波長[25]，所以糖分在冬棗損傷判別分類起重要作用。不考慮掉落高度時，SPA、CFS和Consistency提取的特征波長如表2所示，一致特征波長為1 366 nm和1 695 nm，與上述結果相近。

表2 不考慮掉落高度SPA、CFS、Consistency選擇的特征波長Table2 Selected wavelengths using SPA, CFS, and consistency without consideration of dropping heights

表3 冬棗從不同高度掉落k-NN、NB、SVM對特征波長的分類正確率Table3 Correct classification rates of k-NN, NB, and SVM for selected wavelengths of jujubes dropping from different heights %

為了檢驗數據降維后的損傷區(qū)域識別效果，分別采用了k-NN（k值選取為5）、NB和SVM 3 種分類方法決定像素是否屬于損傷區(qū)域，分類結果如表3所示。冬棗在1.5 m掉落時兩種方法分類識別正確率最高93.62%，分別是SPA的特征波長提取方法與SVM的分類方法的組合和Consistency與SVM的組合。1 m掉落時3 種方法的分類識別正確率最高94.69%，分別是SPA與k-NN的組合、Consistency與k-NN的組合和Consistency與SVM的組合。0.5 m掉落時采用SPA與SVM的組合分類識別正確率最高95.58%。當采用NB分類時，分類正確率有所下降，主要原因是NB方法受波長相關性的影響，當波長存在較大的相關性，NB的性能就會顯著下降。

當采用一致波長1 353 nm和1 691 nm作為輸入波長，1.5 m掉落時采用SVM分類器的分類識別正確率最高為81.38%。1 m掉落時采用k-NN分類器的分類識別正確率最高為87.61%。0.5 m掉落時采用NB分類器的分類識別正確率最高為82.30%。一致波長的損傷識別效果相對其他波長選擇方法較差，主要原因是特征波長較少，不能全面反映波長的信息。

表4 不考慮掉落高度k-NN、NB、SVM對特征波長的損傷識別正確率Table4 Correct classification rates of selected wavelengths using k-NN, NB, and SVM without consideration of dropping heights %

不考慮冬棗掉落高度時，特征波長在k-NN、NB、SVM分類器下的分類識別效果如表4所示。采用Consistency提取特征波長與SVM分類器的分類識別正確率最高為95.16%。采用一致波長與NB分類器的分類識別正確率最高為84.26%。綜上可知，一致波長的分類正確率雖然相對其他波長選擇方法較低，但是因為波長較少，證明了一致波長用于損傷檢測的有效性。

2.3 高光譜圖像信息融合

圖4 冬棗輕微損傷特征提取的圖像處理過程Fig. 4 Image processing for extracting bruise area of jujube fruits

冬棗損傷表面的原始RGB圖像如圖4a所示，可以看出標記的損傷區(qū)域采用人工觀察難以識別。圖像處理過程如下，首先對1 353 nm波長處所對應的特征光譜分量灰度圖提取果實區(qū)域的二值圖像，包括采用直方圖增強，以增強對比度；選擇5×5的模板進行中值濾波，以保持圖像邊緣特性；通過觀察灰度直方圖，采用灰度閾值14進行圖像分割效果最佳；最后通過開、閉運算，以去除微小雜質和填充內部細小空洞，獲得二值圖像。將其作為掩模圖像，分別與上述一致波長1 353 nm和1 691 nm的圖像相乘，得到2幅果實區(qū)域圖像，如圖4b、c所示。因為SVM在上述分類方法中效果最佳，所以對2 幅果實區(qū)域圖像的灰度數據利用SVM分類器進行分類，獲得每個像素的分類結果，進而得到損傷區(qū)域識別效果圖，如圖4d所示。圖4d表明冬棗的損傷區(qū)域的中心部分容易誤檢，主要是由于果實形狀不平整造成光線反射不均，在中心區(qū)域呈現(xiàn)一些亮斑造成的。再次利用閉運算將損傷區(qū)域補充完整，如圖4e所示。

表5 冬棗輕微損傷的檢測結果Table5 Results obtained from the detection of subtle bruises on jujubes

從表5可以看出，55 個冬棗損傷表面，檢測出43 個，檢測正確率為78%。55 個冬棗正常表面檢測出47 個，檢測正確率為85%。實驗結果表明損傷冬棗的檢測正確率較低，主要原因是冬棗形狀多變和表面的凹凸不平使得某個光譜分量下該區(qū)域的灰度值和輕微損傷的灰度值相似，造成誤檢。同時有些果實區(qū)域圖像并不光滑和完整，造成這一現(xiàn)象的原因是果實表面邊緣灰度與背景差別不大導致上述圖像算法提取的果實掩模圖像并不十分合適。

3 結 論

近紅外高光譜系統(tǒng)用來檢測脆熟期冬棗初期機械損傷，針對高光譜圖像維數較多，采用3 種數據降維方法。雖然降維方法有效減少了特征波長個數，但是特征波長仍然較多，基于濾波片的實時檢測還無法實現(xiàn)，因此選取3 種方法的一致波長。結果表明所有方法提取的波長變量都包含1 353、1 691 nm附近的波長。此外，選擇3 種分類方法k-NN、NB、SVM來檢驗特征波長對損傷區(qū)域的識別效果，結果表明SPA、CFS和Consistency提取的特征波長以及一致波長都達到較好的分類識別效果，驗證了所選波長的有效性，為搭建多光譜在線檢測平臺提供理論參考依據。最后，通過對1 353 nm和1 691 nm波長處光譜分量的圖像處理，有效地識別冬棗的微觀損傷，檢測正確率達到81.8%。

[1] GAO Q H, WU P T, LIU J R, et al. Physico-chemical properties and antioxidant capacity of different jujube (Ziziphus jujuba Mill.) cultivars grown in loess plateau of China[J]. Scientia Horticulturae, 2011, 130(1): 67-72. DOI:10.1016/j.scienta.2011.06.005.

[2] 質量監(jiān)督檢驗總局, 中國國家標準化委員會. 鮮棗質量等級: GB/T 22345—2008[S]. 北京: 中國標準出版社, 2008.

[3] 張保華, 黃文倩, 李江波, 等. 基于高光譜成像技術和MNF檢測蘋果的輕微損傷[J]. 光譜學與光譜分析, 2014(5): 1367-1372.

[4] 辛世華, 何建國, 王松磊, 等. 紅棗表面損傷的特征光譜提取[J]. 食品科學, 2013, 34(8): 145-148.

[5] 胡鵬程, 孫曄, 吳海倫, 等. 高光譜圖像對白蘿卜糠心的無損檢測[J].食品科學, 2015, 36(12): 171-176.

[6] FU L, OKAMOTO H, SHIBATA Y, et al. Distinguishing overripe berries of Japanese blue honeysuckle using hyperspectral imaging analysis[J]. Engineering in Agriculture, Environment, and Food, 2014, 7(1): 22-27. DOI:10.1016/j.eaef.2013.12.004.

[7] 薛建新, 張淑娟, 張晶晶. 壺瓶棗自然損傷的高光譜成像檢測[J]. 農業(yè)機械學報, 2015, 46(7): 220-226. DOI:10.6041/ j.issn.1000-1298.2015.07.032.

[8] RIVERA N V, G?MEZ-SANCHIS J, CHANONA-P?REZ J, et al. Early detection of mechanical damage in mango using NIR hyperspectral images and machine learning[J]. Biosystems Engineering, 2014, 122: 91-98. DOI:10.1016/j.biosystemseng.2014.03.009.

[9] RAJKUMAR P, WANG N, ELMASRY G, et al. Studies on banana fruit quality and maturity stages using hyperspectral imaging[J]. Journal of Food Engineering, 2012, 108(1): 194-200. DOI:10.1016/ j.jfoodeng.2011.05.002.

[10] 魏新華, 吳姝, 范曉冬, 等. 基于高光譜成像分析的冬棗微觀損傷識別[J]. 農業(yè)機械學報, 2015, 46(3): 242-246. DOI:10.6041/ j.issn.1000-1298.2015.03.035.

[11] WANG J, NAKANO K, OHASHI S. Nondestructive evaluation of jujube quality by visible and near-infrared spectroscopy[J]. LWTFood Science and Technology, 2011, 44(4): 1119-1125. DOI:10.1016/ j.lwt.2010.11.012.

[12] YU K, ZHAO Y, LI X, et al. Identification of crack features in fresh jujube using Vis/NIR hyperspectral imaging combined with image processing[J]. Computers and Electronics in Agriculture, 2014, 103: 1-10. DOI:10.1016/j.compag.2014.01.016.

[13] 張初, 劉飛, 孔汶汶, 等. 利用近紅外高光譜圖像技術快速鑒別西瓜種子品種[J]. 農業(yè)工程學報, 2013, 29(20): 270-277. DOI:10.3969/ j.issn.1002-6819.2013.20.035.

[14] SOARES S F C, GOMES A A, ARAUJO M C U, et al. The successive projections algorithm[J]. Trends in Analytical Chemistry, 2013, 42: 84-98. DOI:10.1016/j.trac.2012.09.006.

[15] HALL M A. Correlation based feature selection for machine learning[D]. Hamilton: University of California, 2000: 15-55.

[16] LIU H, SETIONO R. A probabilistic approach to feature selection: a filter solution[C]//Proceedings of the International Conference on Machine Learning, 2010.

[17] GALV?O R K H, ARA?JO M C U, SILVA E C, et al. Crossvalidation for the selection of spectral variables using the successive projections algorithm[J]. Journal of the Brazilian Chemical Society, 2007, 18(8): 1580-1584.

[18] WITTEN I H, FRANK E, HALL M A. Data mining: practical machine learning tools and techniques[M]. San Francisco: Morgan Kaufmann Publishers Inc., 2011: 206-207.

[19] 閉小梅, 閉瑞華. KNN算法綜述[J]. 科技創(chuàng)新導報, 2009(14): 31.

[20] BECKER B, KOHAVI R, DAN S. Visualizing the simple bayesian classifier[J]. Information Visualization in Data Mining and Knowledge Discovery, 2001, 18: 237-249. DOI:10.1007/s13398-014-0173-7.2.

[21] CORTES C, VAPNIK V. Support-vector networks[J]. Machine Learning, 1995, 20: 273-297.

[22] FRIEND J, RHODES M J C. Recent advances in the biochemistry of fruits and vegetables[M]. New York: Academic Press, 1981: 41-61.

[23] LU R, CEN H, HUANG M, et al. Spectral absorption and scattering properties of normal and bruised apple tissue[J]. Transactions of the ASABE, 2010, 53(1): 263-269.

[24] 蔡天凈, 唐瀚. Savitzky-Golay平滑濾波器的最小二乘擬合原理綜述[J].數字通信, 2011(1): 63-68.

[25] YANG C, LEE W S, WILLIAMSON J G. Classification of blueberry fruit and leaves based on spectral signatures[J]. Biosystems Engineering, 2012, 113(4): 351-362. DOI:10.1016/ j.biosystemseng.2012.09.009.

Early Detection of Mechanical Damage in Chinese Winter Jujube (Zizyphus jujuba Mill. cv. Dongzao) Using NIR Hyperspectral Images

SUN Shipeng1, PENG Jun1, LI Rui1, ZHU Zhaolong1, Vázquez-Arellano MANUEL2, FU Longsheng1,*
(1. College of Mechanical and Electronic Engineering, Northwest A&F University, Yangling 712100, China; 2. Institute of Agricultural Engineering, University of Hohenheim, Stuttgart 70599, Germany)

Fruits of Chinese winter jujube (Zizyphus jujuba Mill. cv. Dongzao) are sensitive to mechanical stress and can easily develop brown spots after suffering mechanical stress during mechanical harvesting and postharvest handling. The damage cannot be detected easily by machine vision at very early stages of maturity. Thus, a near-infrared (NIR) hyperspectral imaging system was used to detect mechanical damage in Chinese winter jujubes. For reducing the dimensionality of hyperspectral data, three feature selection methods, successive projections algorithm, (SPA), correlation-based feature selection (CFS), and consistency, were used. In addition, three classifiers, i.e., k-nearest neighbor (k-NN), naive bayes (NB), and support vector machine (SVM), were evaluated to segment the pixels of the jujubes into two regions: damaged and nondamaged. Results revealed that two consistent wavebands, i.e., 1 353 nm and 1 691 nm, were established by all the feature selection methods. Besides, SVM offered the best performance with a correction recognition rate of 95.16% using the selected features by the consistency method. NB offered similar performance with a correction recognition rate of 84.26% in the selected wavebands. Hence, this work can pave the foundation for early on-line detecting Chinese winter jujube damage caused by mechanical stress.

Chinese jujube; hyperspectral imaging; feature selection; slight damage; detection

10.7506/spkx1002-6630-201702047

TP391.4

A

1002-6630（2017）02-0301-05

孫世鵬, 彭俊, 李瑞, 等. 基于近紅外高光譜圖像的冬棗損傷早期檢測[J]. 食品科學, 2017, 38(2): 301-305. DOI:10.7506/ spkx1002-6630-201702047. http://www.spkx.net.cn

SUN Shipeng, PENG Jun, LI Rui, et al. Early detection of mechanical damage in chinese winter jujube (Zizyphus jujuba Mill. cv. Dongzao) using nir hyperspectral images[J]. Food Science, 2017, 38(2): 301-305. (in Chinese with English abstract)

10.7506/spkx1002-6630-201702047. http://www.spkx.net.cn

2016-06-21

陜西省自然科學基礎研究計劃-青年人才項目（2015JQ3065）；中國博士后科學基金項目（2015M572602）；西北農林科技大學國際科技合作種子基金項目（A213021505）

孫世鵬（1991—），男，碩士研究生，主要從事果實智能化分選研究。E-mail：18717307301@163.com

*通信作者：傅隆生（1984—），男，副教授，博士，主要從事農業(yè)智能化技術與裝備研究。E-mail：fulsh@nwafu.edu.cn