李頎　強華

摘要：【目的】設計基于雙目視覺與深度學習的番茄本體特征檢測系統(tǒng)，實現(xiàn)番茄本體特征的自動無損檢測，為水肥一體化和智慧農業(yè)提供技術支持?！痉椒ā坎杉?000張番茄圖像作為研究樣本，利用基于深度學習SSD_MobileNet卷積神經網絡的番茄主要器官檢測算法，對番茄植株、莖、花、果實和葉進行檢測?；陔p目視覺的圖像測量算法對各器官目標區(qū)域中株高、莖直徑、果徑和葉面積進行特征提取。【結果】利用SSD_MobileNet網絡模型對研究樣本進行訓練和測試，調用訓練好的模型對番茄各器官進行識別和定位，對番茄植株、莖、花、果實和葉的檢測準確率分別為98.5%、99.0%、99.5%、99.5%和98.0%。利用基于雙目視覺的圖像測量算法對番茄本體特征進行測量，通過實踐證明該系統(tǒng)對株高、莖直徑、果徑和葉面積測量的相對誤差可分別控制在1.5%、1.0%、1.2%和1.3%以內，可實現(xiàn)番茄本體特征的精確檢測，較常見系統(tǒng)的魯棒性和精度有了明顯提升;整套系統(tǒng)在番茄大棚中已穩(wěn)定運行半年，完成了對番茄全生命周期的本體特征檢測，并可將數(shù)據保存于數(shù)據庫，實現(xiàn)對番茄本體特征的自動、無損監(jiān)測?！窘ㄗh】優(yōu)化番茄特征遮擋問題，豐富訓練數(shù)據集，優(yōu)化網絡模型，提高識別率和魯棒性;建立番茄特征數(shù)據共享云平臺，實現(xiàn)番茄疫病的提前預警;確定本體特征與番茄長勢的關系，以快速判斷施肥量，實現(xiàn)大棚番茄自動精確施肥。

關鍵詞： 番茄;器官;本體特征;雙目視覺;深度學習

中圖分類號： S126? ? ? ? ? ? ? ? ? ? ? 文獻標志碼： A 文章編號：2095-1191（2020）01-0237-08

Abstract：【Objective】A tomato ontology feature detection system based on binocular vision and deep learning was designed to realize the automatic non-destructive detection of tomato ontology features， providing technical support for the integration of water and fertilizer and intelligent agriculture. 【Method】A total of 4000 tomato images were collected as research samples， and the main organs（plant， stem， flower and fruit） of tomato were detected by using the algorithm based on SSD mobile net convolution neural network. Based on the binocular vision image measurement algorithm， the plant height， stem diameter， fruit diameter and leaf area of each organ target area were extracted. 【Result】SSD MobileNet network model was used to train and test the research samples， and the trained model was used to identify and locate the tomato organs. The results showed that the detection accuracy of the system for tomato plants， stems， flowers， fruits and leaves was 98.5%， 99.0%， 99.5%， 99.5% and 98.0% respectively. Secondly， the image measurement algorithm based on binocular vision was used to measure the tomato ontology features. Experiment showed that the relative errors of the system for measuring the plant height， stem diameter， fruit diameter and leaf area of tomato could be controlled within the range of 1.5%， 1.0%， 1.2% and 1.3% respectively， which could realize the accurate detection of tomato ontology features. Compared with common systems， the system had a greater robustness and accuracy. The whole system has been running stably in tomato greenhouse for half a year， and has completed the whole life cycle of tomato ontology feature detection. It could save the data in the database， which realized the automatic and non-destructive monitoring of tomato ontology feature.【Suggestion】Following suggestions are proposed：optimizing the characteristic shielding problem，enriching training data sets， optimizing network model， improving recognition rate and robustness. Establishing tomato characteristic data sharing cloud platform to realize early warning of tomato blight. Determining the relationship between ontology characteristics and tomato growth， in order to quickly judge fertilization amount， realize automatic and precise fertilization of greenhouse tomato.

Key words： tomato; organs; ontology characteristics; binocular vision; deep learning

Foundation item：Shaanxi Agricultural Science and Technology Innovation Engineering Project[201806117YF05 NC13（1）];Key Science and Technology Project of Shaanxi Department of Science and Technology（2015NY028）;Science and Technology Project of Weiyang District，Xian City（201305）

0 引言

【研究意義】隨著科學技術的變革與社會經濟發(fā)展，傳統(tǒng)的農業(yè)生產逐漸向現(xiàn)代化農業(yè)發(fā)展，其中智慧農業(yè)和精細農業(yè)已成為當前現(xiàn)代化農業(yè)發(fā)展的主要趨勢。作物生長過程中，植株的株高、莖直徑、葉面積和果徑能直接反映出作物的缺肥情況（張書彥等，2017）。實際生產中對作物本體特征的監(jiān)測大多是種植人員根據經驗采用目測的方法進行判斷，但人類肉眼分辨能力有限，通常肉眼可識別時，作物的傷害已較嚴重。而將作物的本體特征數(shù)據作為水肥一體化施肥系統(tǒng)的反饋，可實現(xiàn)按需精準施肥，對智慧農業(yè)的發(fā)展有一定推動作用?！厩叭搜芯窟M展】近年來，隨著計算機及圖像處理技術的發(fā)展，機器視覺技術已廣泛應用于農業(yè)領域（刁智華等，2014）。崔世鋼等（2015）采用顏色通道組合運算的方法對植物圖像進行閾值分割，得到葉脈和葉片輪廓圖像，但該方法對環(huán)境變化很敏感，若光線發(fā)生變化，會因顏色閾值分割失效而無法獲得葉片輪廓。方政等（2015）融合最小二乘法曲線擬合和Hough變換方法對重疊番茄果實進行識別，但該算法識別的平均誤差較高（5.1%）。杭騰等（2015）提出通過機器視覺方式對番茄的長勢信息進行測量，采用基于r-g顏色因子的Otsu自動閾值分割法提取目標區(qū)域，但該方法對于農業(yè)環(huán)境下復雜背景的干擾因素考慮不足，具有一定局限性。梁帆等（2015）通過圖像分割和邊緣檢測技術提取出蔬菜的總根長、株高和葉冠投影面積等外部形態(tài)特征數(shù)據，但測量的根長、株高數(shù)據與人工測量結果間的誤差達5%。員偉康等（2016）使用最大類間距法對植物藥材圖像進行分類，花類圖像分類準確率為85%，葉類圖像準確率為62%，但當葉片顏色發(fā)生變化時算法的準確率較低，因此在田間農業(yè)復雜背景干擾下該方法不適用。陳建輝等（2017）提出基于關鍵點檢測的植物葉端特征自動提取的方法，但該方法要求葉片方位唯一，且只適用于葉緣無鋸齒的葉片，對于葉片主軸旋轉或葉片形態(tài)不同的情況誤差較大?！颈狙芯壳腥朦c】綜上所述，對于花果形態(tài)多樣、果實顏色變化豐富、重疊遮擋嚴重和環(huán)境背景復雜的農田環(huán)境，目前僅用傳統(tǒng)視覺算法進行特征提取的誤差較大。【擬解決的關鍵問題】以番茄為研究對象，設計番茄本體特征精確檢測系統(tǒng)，利用深度學習SSD_MobileNet卷積神經網絡對番茄植株的主要器官進行檢測，結合雙目圖像測量算法分別在番茄各器官目標區(qū)域中提取株高、莖直徑、果徑和葉面積特征，為實現(xiàn)番茄本體特征的自動檢測及水肥一體化提供技術支持。

1 系統(tǒng)設計與研究方法

1. 1 系統(tǒng)總體組成

本研究的番茄圖像樣本采集于西安市臨潼區(qū)雨金鎮(zhèn)番茄大棚，品種為金鵬1號?；陔p目視覺和深度學習的植物本體特征檢測識別系統(tǒng)如圖1所示，主要包括雙目相機、深度學習識別及特征提取3部分。雙目相機進行番茄圖像采集，并利用相機標定結果完成圖像測量;采用深度卷積神經網絡對番茄的植株、莖、花、果實和葉進行檢測并給出各器官在圖像中的目標區(qū)域，最終在各器官圖像目標區(qū)域中，利用特征提取算法精確提取番茄株高、莖直徑、果徑和葉面積特征。

1. 2 基于深度學習的番茄器官識別方法

由于傳統(tǒng)視覺方法對番茄器官識別與定位的誤差較大，對農田中復雜環(huán)境的魯棒性較差（Wu et al.，2019）。本研究提出一種結合SSD和MobileNet的深度卷積網絡模型SSD_MobileNet，較傳統(tǒng)方法提高了識別率，且具有較強的魯棒性，可適應農田中復雜環(huán)境的變化。MobileNet卷積神經網絡是一種輕量級網絡模型，網絡主要引入了深度可分離卷積（Depthwise separable convolution），將標準卷積核分成一個深度卷積（Depthwise convolution）和一個1*1的逐點卷積（Pointwise convolution），可極大減少計算量（孫俊等，2018）。標準卷積層將維度為Df×Df×M的輸入層轉化為維度為Dg×Dg×N的輸出層，其計算量K如公式（1）所示;利用深度可分離卷積的計算量K′如公式（2）所示，計算量的比率如公式（3）所示;由公式（3）可知，MobileNet網絡結構可有效減小計算量，其使用3*3的卷積核可使計算量降低為原計算量的八分之一。

MobileNet網絡結構共28層，包括3層輸入層、22層中間卷積層及平均池化層、全連接層和分類層（周云成等，2018）。MobileNet在降低運算成本的同時能保持較高的精度，可滿足本次番茄主要器官提取的快速性及精度要求，但對番茄器官多尺度變化不敏感。SSD模型由Liu等于2016年提出，是一種適應于多尺度變換的目標檢測卷積網絡（吳天舒等，2018）。SSD模型結構如圖2所示，以VGG-16為基礎，將其全連接層FC6和FC7轉換成3*3卷積層Conv6和1*1卷積層Conv7，移除dropout層和Fc8層，并新增卷積層以獲取更多的特征圖用于預測offset和confidence（彭紅星等，2018）。SSD模型采用金字塔結構的特征提取方式，其特征從不同的卷積層提取出來，組合后再進行回歸和分類，可充分挖掘圖像的特征，完成對多尺度變化目標的檢測。

針對以上兩種網絡模型的優(yōu)缺點，提出SSD_MobileNet網絡模型（圖3）。將SSD模型架構中的VGG-16替換為MobileNet，利用MobileNet網絡完成番茄圖像特征的提取，可大幅降低參數(shù)量，減少整個模型計算量，有效降低訓練過程中的過擬合問題。利用SSD網絡完成特征識別分類，可適應適應番茄特征多尺度的變換。SSD_MobileNet網絡模型可在確保對番茄主要器官檢測精度的同時保證檢測速度。

1. 3 雙目視覺圖像測量方法

由于傳統(tǒng)單目相機圖像測量只能在番茄與相機距離一定的情況下測量，且傳統(tǒng)特征提取算法魯棒性較差。因此，本研究提出利用雙目視覺圖像測量算法實時獲取番茄圖像的深度信息。在視野范圍內番茄的位置可任意移動，雙目視覺更適合農田復雜環(huán)境的圖像測量;使用Stereolabs推出的ZED雙目相機，400萬像素，分辨率為3840*1080，5v供電與PC通過USB連接，每秒可獲取30幀（孫瑜和李占利，2015）。首先需要對相機進行標定，分別獲得左右相機的內參矩陣，如公式（4）和公式（5）所示。

如圖4所示，首先加載相機標定參數(shù)并采集左右相機的圖像數(shù)據，然后利用極線校正算法對左右相機的圖像進行配準，使得相同特征點在左右相機中處于同一條直線上。

利用視差計算圖像的深度圖，空間實際坐標點在左右相機圖像中的位置差定義為視差，用△d和公式表示，其計算方法如公式（7）所示。由公式（6）和公式（7）可得到P點相對于左相機的坐標，如公式（8）所示。由公式（8）可知，已知番茄圖像點在左右相機中的視差，可計算出該點相對于相機的三維坐標，并實時獲取番茄圖像的深度信息，實現(xiàn)視野范圍內番茄任意位置的圖像測量。

2 系統(tǒng)效果分析

2. 1 SSD_MobileNet網絡模型訓練

利用雙目相機在大棚中采集番茄植株、莖、花、果實和葉的圖像，各采集1000張，分別拍攝包含每種器官的不同角度、距離及光照下的圖片，每一類各使用800張圖像作為訓練集，剩下200張作為測試集。利用圖像標注工具LabelImg對待訓練的4000張圖片進行手動標注，在圖像中標出番茄植株、莖、花、果實和葉的準確位置，標注工具針對每張圖片生成固定格式的數(shù)據來描述圖像編號、大小、標注區(qū)域及所屬類別等信息。利用TensorFlow深度學習框架進行模型訓練，標注完數(shù)據后將數(shù)據轉化為可訓練的.record格式。由于深度卷積神經網絡SSD_MobileNet訓練需要大約10000張圖片數(shù)據，而番茄圖像只有3200張用于訓練。因此，首先采用coco數(shù)據集對SSD_MobileNet進行預訓練，然后在預訓練模型的基礎上設置待識別的類為植株（Plant）、莖（Stem）、花（Flower）、果實（Fruit）和葉（Leaf），設置網絡訓練的batch_size為16，學習率為0.04，迭代次數(shù)為100000次，經過8 h模型訓練完畢。

2. 2 番茄器官識別與定位

調用訓練好的SSD_MobileNet網絡模型對番茄各器官進行實時檢測。如圖6所示，每張圖像的處理時間為30 ms，模型可準確地識別出番茄各器官的準確位置，并給出相似概率。樣本測試結果如表1所示，對番茄植株、莖、花、果實和葉的檢測準確率分別為98.5%、99.0%、99.5%、99.5%和98.0%。結果證明，利用SSD_MobileNet深度卷積神經網絡可準確識別和定位番茄器官，能適應各種復雜環(huán)境的干擾，可見魯棒性較傳統(tǒng)方法有了明顯提升。

2. 3 番茄本體特征測量

2. 3. 1 番茄株高測量 在深度學習檢測出的植株圖像框中提取番茄的株高特征。利用深度學習模型可得到植株所在圖像區(qū)域長方形框的（ymin，xmin）和（ymax，xmax），計算得到長方形框的中心點坐標為[（xmin+xmax）/2，（ymin+ymax）/2]，然后利用雙目測距算法，分別測量株高圖像上頂點A[（xmin+xmax）/2，ymax]與下頂點B[（xmin+xmax）/2，ymin]的空間三維坐標，表示為A（X1，Y1，Z1）和B（X2，Y2，Z2）。最后，利用公式（9）求出A、B兩點的距離即為番茄的株高特征（D）。隨機選取20株番茄對株高進行測量，實際值采用卷尺手動測量獲得，測量的相對誤差如圖7所示，證實該系統(tǒng)可實現(xiàn)對株高的測量，且相對誤差保證在1.5%以內。

2. 3. 2 番茄莖直徑測量 由于深度學習檢測后框出的位置只能保證莖在長方形的圖像區(qū)域中，無法隨著莖的轉動而變化。而番茄的莖在圖像中不完全豎直，針對此問題提出基于霍夫變換直線擬合的莖直徑測量方法?；舴蜃儞Q的原理是利用投票算法檢測特定形狀，并計算統(tǒng)計結果的最大值而得到一個符合要求的集合（陳培俊和伍鐵軍，2014）。將番茄圖像空間中包含的直線形狀區(qū)域投影到另外的坐標空間中特定點上，利用峰值統(tǒng)計實現(xiàn)圖像直線檢測。由于番茄莖的輪廓一般在圖像中均呈直線形狀，在深度學習檢測出莖的圖像框中利用Canny算子提取莖的邊緣，然后對邊緣采用霍夫變換擬合出莖輪廓的兩條直線，利用幾何方法求出一條過檢測框中心點兩直線的公垂線，利用公式（8）雙目測距算法分別計算出公垂線與兩條直線交點的三維坐標，最后利用公式（9）計算兩交點的距離即為番茄的莖直徑。隨機選取20株番茄對莖直徑進行測量，實際值采用游標卡尺手動測量獲得，測量的相對誤差如圖8所示，表明該系統(tǒng)可實現(xiàn)對莖直徑的測量，且相對誤差保證在1.0%以內。

2. 3. 3 番茄果徑測量 利用訓練好的深度學習模型可檢測出果實所在的圖像目標區(qū)域。由于番茄果實基本呈橢圓形，利用深度學習檢測出果實所在圖像區(qū)域長方形框的（ymin，xmin）和（ymax，xmax），可計算得到長方形框的中心點坐標為[（xmin+xmax）/2，（ymin+ymax）/2]，然后用公式（8）雙目測距算法分別測量點C[xmin，（ymin+ymax）/2]與D[xmax，（ymin+ymax）/2]的三維坐標。最后利用公式（9）求出C、D兩點的距離即為番茄的果徑特征。果徑測量試驗隨機選取20株番茄，實際值采用游標卡尺手動測量獲得，測量相對誤差如圖9所示，相對誤差可保證在1.2%以內。

2. 3. 4 番茄葉面積測量 訓練好的深度學習模型可檢測出番茄葉子所在的圖像區(qū)域，利用像素統(tǒng)計的方法計算出葉面積特征。由于番茄葉子為綠色，在葉子圖像框中采用像素閾值分割的方法統(tǒng)計顏色為綠色的像素點的個數(shù)。利用雙目視覺測量出葉子與相機的空間距離，結合相機標定結果可得到每個像素代表的實際面積，然后通過累加可計算出一片葉子的面積。最后計算所有葉子面積的平均值，作為番茄葉面積特征。實際值通過手動測量獲得，葉子的手動測量采用網格法，將單片葉子平鋪放在坐標紙上，沿著葉子的形狀將其輪廓畫在透明的坐標紙上，然后數(shù)網格的個數(shù)。計算格子時葉片邊緣凡超過半格的計算為1，不足半格則不計數(shù)。選取坐標紙大小為每個格子長寬各為1 mm，面積為1 mm2，數(shù)出的網格個數(shù)即為葉片面積。如圖10所示，20株番茄葉面積測量值相對誤差可保證在1.3%以內，表明該系統(tǒng)可實現(xiàn)對葉面積的測量。

2. 4 系統(tǒng)應用效果

將該系統(tǒng)應用于西安市臨潼區(qū)雨金鎮(zhèn)的番茄大棚。圖11為系統(tǒng)實際應用圖，相機距離最近的番茄為1.0 m，相機架高高度為0.5～1.5 m，可調整。系統(tǒng)包括雙目相機、PC和上位機，雙目相機放置在兩行番茄的中間保證可采集到更多株的番茄圖像，圖像通過USB接口實時傳送到PC，對番茄長勢進行實時監(jiān)測。由于本體特征檢測對實時性要求不高且夜晚無法獲得圖像，系統(tǒng)在每天上午10：00開始運行到下午16：00，每小時對番茄的株高、莖直徑、果徑和葉面積進行10次測量，最后取整天每個本體特征的平均值作為當天番茄的本體特征數(shù)據，并將數(shù)據上傳每天保存一次至上位機數(shù)據庫;農戶可在大棚中的PC上位機界面上實時查看番茄的當前本體特征數(shù)據和歷史數(shù)據，了解番茄當前長勢從而調整水肥用量。圖12為系統(tǒng)上位機數(shù)據庫界面，數(shù)據的查詢方式包括按周期、本體特征、是否有異?；蚓唧w日期進行查詢，界面顯示了2018年4—7月對番茄全身命周期數(shù)據按周查詢的方式所顯示的番茄本體特征數(shù)據。上位機界面會自動監(jiān)測番茄生長過程中各本體特征的實時變化，對比不同時期番茄本體特征標準數(shù)據，判斷當前成長時期是否有異常，并將數(shù)據保存至數(shù)據庫最后一列，若有異常系統(tǒng)會自動報警提醒農戶。通過系統(tǒng)實際應用，證明結合深度學習與雙目視覺的算法可完成番茄本體特征的精確無損測量，保存番茄成長過程中的數(shù)據并自動判斷是否有異常，為水肥一體化和智慧農業(yè)提供實時數(shù)據支持。

3 討論

本研究提出結合深度學習與雙目視覺的番茄本體特征測量算法，對農田復雜環(huán)境中的番茄長勢進行實時監(jiān)測。通過深度卷積神經網絡對番茄本體特征進行檢測和識別，利用雙目視覺完成本體特征的精確圖像測量，對實現(xiàn)精細農業(yè)具有重要意義。采用基于SSD_MobileNet的深度卷積神經網絡，復雜農田環(huán)境變化的魯棒性較好，網絡結構中引入輕量型的MobileNet卷積網絡，其在運算時間和運算資源的消耗較常見網絡明顯降低，番茄器官檢測時間僅30 ms，能滿足系統(tǒng)實時性要求。杭騰等（2015）提出的基于r-g顏色因子的Otsu自動閾值分割測量算法及劉驥等（2016）提出的基于葉片形狀特征的識別算法，分別采用傳統(tǒng)視覺算法的灰度閾值和輪廓對特征進行識別，但對農田復雜環(huán)境變化的魯棒性較差。周云成等（2018）提出的基于DCNN的番茄器官分類識別算法，可實現(xiàn)番茄特征的檢測，但特征檢測時間為320 ms，實時性較差。通過實際比較證明提出的基于深度學習和雙目視覺的番茄特征檢測算法可在保證系統(tǒng)實時性的同時，保證較高檢測精度。

雖然本研究檢測效果良好，但在番茄本體特征有遮擋的情況下檢測準確率會明顯降低，且番茄數(shù)據集還不夠豐富，模型魯棒性有待進一步提高。番茄本體特征數(shù)據只是保存在本地，需設計番茄特征數(shù)據共享云平臺。為實現(xiàn)番茄水肥一體化栽培，還需設計施肥量預測算法，利用環(huán)境信息和番茄本體特征預測施肥機營養(yǎng)液配比。

4 建議

4. 1 優(yōu)化番茄特征遮擋問題

在番茄特征提取的過程中，采用SSD_Mobile-Net深度學習的方法對光照、角度和距離等環(huán)境干擾的魯棒性較強，但在應用過程中發(fā)現(xiàn)當特征存在較大遮擋情況時會出現(xiàn)特征檢測準確率下降的問題。后期可針對番茄特征遮擋問題進行進一步研究，應采集番茄不同特征遮擋情況下的數(shù)據集，對網絡進行更細致的訓練。采集更豐富的番茄圖像訓練數(shù)據集，且可對番茄圖像進行縮放、旋轉及灰度變換來生成更多的訓練數(shù)據，利用更豐富的訓練數(shù)據集訓練網絡，進一步提高網絡模型的識別率和魯棒性。

4. 2 設計番茄特征數(shù)據共享云平臺

本研究對番茄特征數(shù)據進行實時采集，目前數(shù)據利用上位機保存在本地數(shù)據庫，但本地數(shù)據的存儲量有限且數(shù)據的重復利用率較低，無法實現(xiàn)不同地域數(shù)據共享，因此需要建立番茄特征數(shù)據共享云平臺。本地上位機通過WIFI將數(shù)據實時傳輸?shù)皆破脚_，云平臺不僅可對大量數(shù)據進行保存，還能將特征數(shù)據與番茄生長情況共享到網絡，同時接收不同地域的數(shù)據，從而對番茄疫病進行提前預警，為番茄生長狀態(tài)后期研究提供大數(shù)據支持。

4. 3 研究番茄施肥量預測算法

目前只完成番茄本體特征的測量與數(shù)據保存，對于實現(xiàn)番茄水肥一體化需進一步研究番茄本體特征與施肥量的關系。結合番茄生長環(huán)境的溫濕度、EC和pH，建立基于番茄生長特征的營養(yǎng)液設定值預測算法，根據當前番茄的長勢和環(huán)境信息預測下一周期施肥機營養(yǎng)液EC和pH的調節(jié)量，從而實現(xiàn)番茄水肥一體化科學精準灌溉。

參考文獻：

陳建輝，鄭小東，趙中堂. 2017. 基于關鍵點檢測的植物葉端特征自動提取[J]. 江蘇農業(yè)科學，45（9）： 205-207. [Chen J H，Zheng X D，Zhao Z T. 2017. Automatic extraction of plant leaf tip features based on key point detection[J]. Jiangsu Agricultural Sciences，45（9）： 205-207.]

陳培俊，伍鐵軍. 2014. 去除陰影后利用霍夫直線變換檢測茶葉中的雜質[J]. 機械工程與自動化，（5）： 63-65. [Chen P J，Wu T J. 2014. Detect impurities in tea-leaves by hough line transform after removing image shadow[J]. Mechanical Engineering and Automation，（5）： 63-65.]

崔世鋼，楊莉莉，吳興利，梁帆. 2015. 面向LED植物生長柜的葉脈特征提取[J]. 江蘇農業(yè)科學，43（1）： 373-375. [Cui S G，Yang L L，Wu X L，Liang F. 2015. Extraction method of leaf vein for plant growth cabinet[J]. Jiangsu Agricultural Science，43（1）： 373-375.]

刁智華，王會丹，魏偉. 2014. 機器視覺在農業(yè)生產中的應用研究[J]. 農機化研究，（3）：206-211.[Diao Z H，Wang H D，Wei W. 2014. Summary of research on machine vision application in agricultural production[J]. Journal of Agricultural Mechanization Research，（3）： 206-211.]

方政，胡曉輝，陳永，李蘭鳳. 2015. 基于圖像處理的番茄識別方法[J]. 浙江農業(yè)科學，56（12）： 38-43. [Fang Z，Hu X H，Chen Y，Li L F. 2015. Tomato recognition method based on image processing[J]. Journal of Zhejiang Agricultural Sciences，56（12）： 38-43.]

杭騰，毛罕平，張曉東，胡靜. 2015. 基于機器視覺的番茄長勢信息無損檢測的研究[J]. 農機化研究，37（11）： 192-197. [Hang T，Mao H P，Zhang X D，Hu J. 2015. Nondestructive testing of tomato growth information based on machine vision[J]. Journal of Agricultural Mechanization Research，37 （11）： 192-197.]

梁帆，楊莉莉，崔世鋼，吳興利，田立國. 2015. 圖像處理技術在水培蔬菜生長監(jiān)測中的應用[J]. 湖北農業(yè)科學，54（17）： 4288-4291. [Liang F，Yang L L，Cui S G，Wu X L，Tian L G. 2015. Application of image processing technology in the monitoring of hydroponic vegetable growth[J]. Hubei Agricultural Sciences，54（17）： 4288-4291.]

劉驥，曹鳳蓮，甘林昊. 2016. 基于葉片形狀特征的植物識別方法[J]. 計算機應用，36（S2）： 200-202. [Liu J，Cao F L，Gan L H. 2016. Plant identification method based on leaf shape features[J]. Journal of Computer Applications，36（S2）： 200-202.]

彭紅星，黃博，邵園園，李澤森，張朝武. 2018. 自然環(huán)境下多類水果采摘目標識別的通用改進SSD模型[J]. 農業(yè)工程學報，34（16）： 155-162. [Peng H X，Huang B，Shao Y Y，Li Z S，Zhang C W. 2018. General improved SSD model for picking object recognition of multiple fruits in natural environment[J]. Transactions of the Chinese Socie-ty of Agricultural Engineering，34（16）： 155-162.]

孫俊，何小飛，譚文軍，武小紅，沈繼鋒. 2018. 空洞卷積結合全局池化的卷積神經網絡識別作物幼苗與雜草[J]. 農業(yè)工程學報，34（11）： 159-165. [Sun J，He X F，Tan W J，Wu X H，Shen J F. 2018. Recognition of crop seedling and weed recognition based on dilated convolution and global pooling in CNN[J]. Transactions of the Chinese Society of Agricultural Engineering，34（11）： 159-165.]

孫瑜，李占利. 2015. 基于射影幾何的CCD相機幾何模型研究[J]. 計算機工程，41（5）： 270-273. [Sun Y，Li Z L. 2015. Research on geometric model of CCD camera based on projective geometry[J]. Computer Engineering，41（5）： 270-273.]

吳天舒，張志佳，劉云鵬，裴文慧，陳紅葉. 2018. 基于改進SSD的輕量化小目標檢測算法[J]. 紅外與激光工程，47（7）： 47-53. [Wu T S，Zhang Z J，Liu Y P，Pei W H，Chen H Y. 2018. A lightweight small object detection algorithm based on improved SSD[J]. Infrared and Laser Engineering，47（7）： 47-53.]

員偉康，木拉提·哈米提，嚴傳波，阿布都艾尼·庫吐魯克，艾賽提·買提木沙，姚娟，楊芳，伊力扎提·阿力甫. 2016. 基于顏色和紋理特征的新疆維吾爾醫(yī)植物藥材圖像特征提取與判別分析[J]. 中國中醫(yī)藥信息雜志，23（1）： 78-81. [Yuan W K，Mulati Hamiti，Yan C B，Abu Du'eni Kuturuk，Asat Matmusa，Yao J，Yang F，Elzat Alip. 2016. Xinjiang Uygur medicine image feature extraction and discriminant analysis based on color and textural features[J]. Chinese Journal of Information on TCM，23（1）：78-81.]

張書彥，張文毅，余山山，付宇超. 2017. 圖像處理技術在信息農業(yè)中的應用現(xiàn)狀及發(fā)展趨勢[J]. 江蘇農業(yè)科學，45（22）： 9-13. [Zhang S Y，Zhang W Y，Yu S S，F(xiàn)u Y C. 2017. Application and development trend of image processing technology in information agriculture[J]. Jiangsu Agricultural Sciences，45（22）： 9-13.]

周云成，許童羽，鄧寒冰，苗騰. 2018. 基于雙卷積鏈Fast R-CNN的番茄關鍵器官識別方法[J]. 沈陽農業(yè)大學學報，49（1）： 65-74. [Zhou Y C，Xu T Y，Deng H B，Miao T. 2018. Recognition method of tomato key organs based on dual convolution Fast R-CNN[J]. Journal of Shenyang Agricultural University，4（1）： 65-74.]

吳天舒，張志佳，劉云鵬，裴文慧，陳紅葉. 2018. 基于改進SSD的輕量化小目標檢測算法[J]. 紅外與激光工程，47（7）：47-53. [Wu T S， Zhang Z J， Liu Y P， Pei W H， Chen H Y. 2018. A lightweight small object detection algorithm based on improved SSD[J]. Infrared and Laser Engineering，47（7）：47-53]

Liu W，Anguelov D，Erhan D，Szegedy C，Reed S，F(xiàn)u C Y，Berg A C. 2016. SSD：Single shot multibox detector[C]//Springer. European conference on computer vision：21-37. doi：10.1007/978-3-319-46448-0_2.

Wu J G，Zhang B H，Zhou J，Xiong Y J，Gu B X，Yang X L. 2019. Automatic recognition of ripening tomatoes by combining multi-feature fusion with a bi-Layer classification strategy for harvesting robots[J]. Sensors（Switzerland）. doi：10.3390/s19030612.

（責任編輯 鄧慧靈）