农业基础科学

当前位置: 首页 > 农学论文 > 农业基础科学

计算机视觉及模式识别技术在农业生产领域的应用

农业基础科学 时间:2019-08-06 11:35:01 来源:江苏农业科学 作者:陈桂珍 龚声蓉

陈桂珍龚声蓉

摘要: 随着计算机软件、硬件、图像处理技术的不断成熟与发展,计算机视觉及模式识别技术的研究和应用已扩展到农业生产的各个领域,并取得了许多重要的研究成果。本研究回顾和综述了计算机视觉及模式识别技术在农作物种子质量检测、农产品分级与加工、植物生长监测、农作物病虫草害的监测与防治、农产品自动化收获等方面的应用,并展望其发展前景,为计算机视觉及模式识别技术的进一步应用提供参考。

关键词: 农业生产;计算机视觉;模式识别;应用

中图分类号:S126 文献标志码: A

文章编号:1002-1302(2015)08-0409-05

收 稿日期:2015-03-23

基金项目:国家自然科学基金(编号:61272258);江苏省产学研联合创新资金(编号:BY2014059-14)。

作者简介:陈桂珍(1964—),女,江苏苏州人,硕士,副教授,主要从事计算机多媒体技术、图像处理的教学与研究。E-mail:szchen1728@163 com。

计算机视觉是研究用计算机模拟生物外显或宏观视觉功能的科学和技术 [1],主要是指用计算机实现人的视觉功能。计算机视觉技术是一门包含计算机科学与工程、神经生理学、物理学、信号处理学、认知科学、应用数学、统计学等多门学科的综合性科学技术。计算机视觉技术起源于20世纪50年代的统计模式识别,但其基本研究中的诸多重要进展却是在20世纪80年代取得的。计算机视觉的研究历史虽短,但该技术已在包括农业生产在内的很多应用领域发挥了重要作用。回顾近30年来计算机视觉及模式识别技术在农业生产领域中的应用,并对其发展前景进行展望。

1 计算机视觉及模式识别技术在农作物种子质量检测中的应用[BT)]

美国等发达国家早在30年前就将计算机视觉及模式识别技术应用于农作物种子质量检测,至今已取得较大进展。1985年,Zayas等通过采集的种子图像,利用种子表面光的特性,基于统计图像的处理分析与识别技术来区分小麦品种 [2]。1986年,Gunasekaran等在对玉米籽粒裂纹的研究中发现,运用计算机视觉检测技术中的高速滤波法可将裂纹与其他部位进行识别区分,其检测精度高达90% [3]。Zayas等结合形态学开展了相关研究,从小麦图片中提取出相应的形态特征参数,用以区分小麦品种及非小麦的成分 [4-6]。2011年,Zapotoczny采用神经网络的方法对春、冬季不同质量等级的11个小麦品种进行试验,使用图像处理分析技术进行分类鉴别的准确率高达100% [7]。近十几年来,我国科研人员对计算机视觉技术在农作物种子质量检测的应用方面作了大量研究。2004年,周红等运用计算机视觉技术提取玉米种子的外形轮廓,为玉米种子的进一步分级识别提供依据 [8]。2008年,万鹏等提出利用计算机视觉系统代替人眼识别整粒及碎大米粒形的方法,并设计了一套基于计算机视觉技术的大米粒形识别装置,该装置对完整米粒、碎米的识别准确率分别为98 67%、92 09% [9]。2012年,万鹏等将计算机视觉技术运用于鱼体的检测,研制出基于BP神经网络的鱼体品种识别装置,扩展了该技术的应用领域 [10]。

2 计算机视觉及模式识别技术在农产品分级与加工中的应用[BT)]

近年来,随着计算机硬件性能的不断提高,以先进的计算机视觉技术为基础,融合数字图像处理、模式识别、信号处理、自动控制等技术的计算机视觉水果分级自动化系统得到了广泛应用,国外已将部分成果应用于实际生产中。

早在1984年,Thylor等运用模拟摄像机和线扫描进行苹果自动损伤判定试验,证明了将计算机视觉技术应用于自动分级的可行性 [11]。在随后几年中,Thylor等不断开展此方面的相应研究,但其分级效率仍较低 [12]。1985年,Sarkar等首次将数字图像分析与模式识别技术运用于西红柿的品质分级,并取得了较好的精确度,但其速度较慢 [13]。1989年,Miller 等在桃的分级研究中,运用图像亮度校正和区域分割的方法,采用近红外方式对没有明显边缘损伤的图像进行识别,其自动分级效果达到了当时美国农业部的相关标准,并得到推广应用 [14]。1992年,Liao等在玉米籽粒的分类中引入了神经网络方法来提高其分类的准确率 [15]。1994年,Liao等对玉米粒的颜色及表面缺陷进行实时分级研究,其分级速度仍较慢 [16]。1997年,Ni等通过图象处理技术获取三维信息的方法对玉米籽粒进行分级,但该系统的检测精度及用时离实际应用仍有较大距离 [17]。1998年,Choi等将彩色图像处理技术运用于番茄品质的分级,其分级效率高于人工检测 [18]。1999年,Chtioui等以粗糙集理论作为模式分类工具,通过计算机视觉技术检测评价蚕豆品质,其分类结果具有较好的一致度 [19]。2002年,Yun等成功研制出一种谷粒快速分级系统,每分钟检测200颗谷粒,其分级准确率达98 9% [20]。2011年,Mathanker等发现使用机器学习分类器AdaBoost和支持向量机(SVM)的方法可提高核桃分级检测的精度 [21]。2012年,Rodero等在对牛品种的分类研究中发现,多层感知器(MLP)和支持向量机(SVM)方法具有较强的分类能力 [22]。Ghosh等将人工神经网络(ANN)技术应用于茶黄素(TF)含量检测的数据分析中 [23]。Gori等基于红外光谱和人工神经网络的方法快速区分奶酪的生产季节,其准确率可达100% [24]。

我国将计算机视觉技术应用于水果等的检测分级相对较晚,但由于借鉴了其他国家的研究成果,发展速度比较快。1993年,张书慧等通过建立农产品图像专家系统,对100个苹果进行质量分级,检测准确率达96% [25]。1997年,何东健等运用计算机视觉技术开展苹果缺陷自动检测,并利用人工神经网络进行果实表面颜色分级的研究 [26-27]。2001年,张长利等通过提取番茄表面颜色特征,并运用遗传算法训练的多层前馈神经网络实现番茄成熟度的自动判别,准确率达94% [28]。2002年,冯斌等利用计算机视觉和人工神经网络技术对不同着色等级的水果进行识别分级,平均准确率达95 2% [29]。蒋焕煜等对苹果、黄花梨、橘、橙等水果进行了深入研究 [30];2004年,由应义斌主持研发的水果品质智能化实时检测分级生产线正式投放市场。2005年,刘木华等提出一种基于图像处理和支持向量机(SVM)分类的牛肉大理石花纹等级评定技术 [31]。2013年,熊宇鹏等使用数字图像技术对凤梨花卉品质参数进行检测与分级研究,检测花盖度的相对误差为2 3% [32]。

在农产品的加工应用中,Ling等于1991年开始研究鲜虾图像的形态学特征和频谱特征,发现根据频谱特征确定下刀位置较为有效,为鲜虾去头加工的自动化提供了可靠依据 [33]。1995年,Moconnell等利用计算机视觉技术对颜色的识别来控制烘烤食品的质量,并取得了较好效果 [34]。Seida等对机器视觉技术运用于饮料容器质量检测的可行性进行了研究 [35]。Jia等提出将图像处理算法应用于鳍类鱼的加工 [36]。1998年,Tao等运用计算机视觉技术进行鸡肉中骨头碎片及污染物的无损快速检测,并研制出相关设备 [37]。Li等运用计算机算法和视觉技术成功开发出一套用于蛋壳微裂纹识别的机器视觉系统,其检测准确率达100% [38]。

3 计算机视觉及模式识别技术在植物生长监测中的应用

计算机视觉技术能够比人眼视觉更早发现植物因营养不良而表现出的细微变化,为及时灌溉和补充营养提供可靠依据。Mayer等利用数字图像分析了多种作物的叶面积、茎秆直径、叶柄夹角,主要采用三角形逼近的方法测量植物叶片的面积,并达到很好的效果 [39]。Trooien等提出了采用数字图像处理技术无损检测马铃薯叶冠面积的理论,并成功建立模型,其检测结果与叶面积仪的测量结果基本相同 [40]。杨劲峰等通过平台扫描仪获取叶片的数字图像,建立了以数字图像处理技术测定蔬菜叶面积的方法,该方法被广泛推广使用 [41]。张仁祖等提出一种使用图像处理技术测量作物叶面积的新方法,并获得了满意的测量精度 [42]。

1995年,Shinizu等利用机器视觉和近红外光连续采集植株图像,成功分析得出其白昼的生长率 [43]。1996年,Casady等利用数字图像处理技术获得了水稻植株的高度等形态特征信息,使利用计算机视觉获得植株高度成为可能 [44]。2001年,耿楠等通过建立计算机视觉系统检测小麦的生长信息 [45]。2002年,李少昆等成功研制“小麦高产群体图像智能识别多媒体专家系统”,该系统运用神经网络对小麦群体图像进行快速识别和预测;李少昆等还将图像处理技术用于小麦、大麦、玉米等大田作物株型信息的提取和生长监测 [46]。另有学者利用图像处理技术获得麦芒的形态参数,从而对小麦生长状态进行监测 [47],此方法不仅可检测设施内植物的叶面积、茎秆直径、叶柄夹角等外部生长参数,还可根据果实表面颜色判别其成熟度、缺水、缺肥等情况。

利用计算机视觉技术进行作物营养胁迫诊断的研究较多。1992年,Segineer等研究发现可将计算机视觉技术运用于植物叶片的生长监测,从而为自动灌溉系统服务。1996年,Singh等利用图像分析技术判断水稻中期的生长情况,并建立了根据水稻中期生长情况及施肥量预测产量的数学模型 [48]。Ahmad等利用图像的彩色模型识别评价玉米叶片在缺水和缺氮状态下的颜色变化,试验获得了较满意的结果 [49]。徐贵力等研究发现通过百分率直方图法提取缺素叶片图像的颜色特征,能较好地识别缺素番茄叶片,准确率在70%以上 [50]。张伟等从颜色和纹理两方面运用计算机视觉技术对作物缺素进行识别,取得了较满意的研究成果 [51]。

4 计算机视觉及模式识别技术在农作物病虫草害的监测与防治中的应用[BT)]

研究大田作物病虫草害的自动识别与测定技术,建成自动化控制系统以防治田间杂草与病虫害,也是计算机视觉技术在作物生产中较为重要的应用研究领域,而利用人工神经网络(ANN)技术识别田间杂草是一个重要的应用方向,国内外学者在此方面已作了大量研究工作。1995年,Woebbecke等研究发现叶片的形态学特征可用于识别双子叶与单子叶植物,准确率在60%~80% [52];此外还研究发现,彩色图像的2R-G-B特征能很好地区分非植物与植物的背景,从而将其运用于田间杂草的探测控制 [53]。Zhang等提出同时使用形状和颜色分析识别小麦田间杂草的方法 [54]。1997年,Giles等研制出一种装有机器视觉导向系统的喷雾装置,能对成行作物实施精量喷雾,该系统不仅节约农药,提高施药效率,还可大大减少对环境的污染 [55]。基于机器视觉的杂草识别技术在国外已经进入实用阶段。1999年,Lee等研制出由计算机视觉系统、精准喷施系统等构成的智能杂草控制系统,该系统可根据植物形状特征的差异识别作物和杂草,并确定杂草的位置以进行精准喷施 [56]。Burks等利用彩色共生矩阵法和神经网络技术对土壤和5种杂草进行识别研究,分类准确率达93% [57-58]。2001年,陈佳娟等利用图像分割、边缘检测等计算机视觉技术测定棉花虫害的受害程度,误差小于005 [59]。2004年,E1-Helly等研发了一种利用人工神经网络分类的综合图像处理系统,能较好地识别黄瓜白粉病、霜霉病等病害 [60]。

2004年,毛文华对水稻田间的杂草进行在线识别研究,以形状分析法获得杂草信息,进而确定杂草的位置 [61]。2006年,田有文等根据彩色纹理图像的特点对日光温室黄瓜进行研究,采用色度矩和支持向量机的方法识别黄瓜病害,取得了很好的效果 [62]。2007年,李峥嵘等以小麦害虫图像为研究对象,开发出基于内容的害虫图像检索系统,该系统具有一定实用性,为快速准确地诊断与识别农作物害虫提供了技术支持 [63]。2007年,Sammany等在植物病害识别的研究中发现,同时使用神经网络和支持向量方法可大幅提高分类效率 [64]。2012年,王树文等综合运用图像处理技术和人工神经网络技术实现黄瓜叶部病害的检测,平均识别精度可达95 31% [65]。Arribas等采用计算机视觉技术和神经网络的方法开发出一套向日葵叶片图像自动分类系统,用于选择性除草剂的应用,并达到了高精确度水平 [66]。Midtiby等开发出一套基于计算机视觉技术的智能实时微型杂草喷雾控制系统,该系统在实时性及智能化方面均有较大提高,可快捷、准确、及时地进行杂草识别和除草剂的喷洒 [67]。

5 计算机视觉及模式识别技术在农产品自动化收获中的应用[BT)]

计算机视觉技术在农产品自动化收获方面的应用,是目前农业生产领域中最为热门的研究方向之一,果蔬采摘机器人正成为机器人研究的新兴领域,科研人员作了大量研究,已有部分成果被应用于实际生产中,具有很大的发展潜力。

1989年,Slaughter等开始研究利用颜色特征识别橘子的分类模型,为柑橘收获机械手作了导向 [68]。1991年,日本Kubota公司成功研制出用于橘子采摘机器人的机械手 [69]。1995年,周云山等将计算机视觉技术应用于蘑菇识别,使蘑菇生产从苗床管理到收获分类的全过程基本实现自动化,但离实际推广应用仍有一定距离 [70]。1996年,近藤等研制出采用双目视觉方法定位果实的番茄采摘机器人,能准确识别果实与树叶,而当可采摘番茄被茎叶遮挡时,机械手难以避开茎叶等障碍物完成采摘 [71]。1997年,德田胜等研制出一套运用机器视觉技术检测西瓜成熟度的机器视觉系统,用于控制采摘机器人适时自动采摘西瓜 [72]。2000年,荷兰农业环境工程研究所研制出移动式黄瓜采摘机器人样机,在实验室和温室中的采摘试验效果良好 [73]。2001年,刘成良等研制出一套应用于瓜果秧苗嫁接的机器人视觉系统,该系统能判别秧苗的方向和品质,使机器人在保证质量的情况下实现全自动化嫁接成为可能 [74]。陈利兵等对草莓、黄瓜、番茄、茄子等果蔬采摘机器人作了深入研究,并研制出试验样机 [75]。2011年,张凯良等研制出草莓实时自动采摘系统,但其采摘速度、精度等仍有待提高 [76]。

[BT(1+1][STHZ]6 计算机视觉及模式识别技术在农业生产领域其他方面的应用[BT)]

计算机视觉技术在农业生产领域的其他方面也有应用。1992年,Das等将机器视觉技术用于鸡蛋孵化过程中死胚蛋、坏蛋的早期检测,以提高孵出雏率,孵化第3天的检测准确率为88%~90%,孵化第4天的准确率高达100% [77]。1997年,Tao等成功研制出结合计算机视觉技术的雏鸡性别自动识别装置 [78]。Cockx等利用传感器和神经网络技术预测土壤表层的黏土含量 [79]。Rasouli等在加拿大使用机器学习方法进行水文气象观测研究,为农业生产提供可靠数据 [80]。Nuthall利用计算机视觉技术建立了放牧管理专家系统,该系统充分考虑到个体差异性,针对性较强,能够较好地应用于实际农业生产中 [81]。

7 结语

计算机视觉最初被看作人工智能的分支之一,其发展十分迅速,现已成为一个活跃的研究领域,是近十几年来计算机科学中最热门的研究方向之一。计算机视觉是一门通过图像或视频处理,使计算机具备“看”能力的计算机学科 [82],相当于给计算机安装上眼睛(照相机或摄像机)和大脑(算法),让其能够感知环境。在计算机视觉领域几十年的发展历程中,计算机视觉及模式识别技术早己从实验室的理论研究层面延伸并发展到实际应用中。随着我国对计算机视觉研究的重视,及国际间交流与合作的深入,使计算机视觉的研究水平不断提升,相关研究逐渐与国际接轨。目前,计算机视觉技术在我国的智能交通、医学图像、工业及农业生产等方面已有较多应用。随着计算机软件、硬件的智能化,神经网络、人工智能等学科的飞速发展,大数据和深度学习的兴起,视觉与机器学习的交叉融合,学术界与工业界的相互合作,以及计算机信息处理技术的进一步综合集成,相信计算机视觉及模式识别技术将为农业生产领域开辟出新的空间。

参考文献

[1] 贾云得 机器视觉[M] 北京:科学出版社,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 红,刘光蓉,管庶安 数字图像处理技术在玉米种子轮廓检测中的应用[J] 种子,2004,23(9):90-92

[9]万 鹏,孙 瑜,孙永海 基于计算机视觉的大米粒形识别方法[J] 吉林大学学报:工学版,2008(2):489-492

[10] 万 鹏,潘海兵,宗 力,等 基于机器视觉的鲫鱼和鲤鱼品种识别方法研究[J] 广东农业科学,2012(17):184-187

[11]刁智华,王会丹,魏 伟 机器视觉在农业生产中的应用研究[J] 农机化研究,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,Fabbri 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]张书慧,陈晓光,张晓梅,等 苹果、桃等农副产品品质检测与分级图像处理系统的研究[J] 农业工程学报,1999,15(1):207-210

[26]何东健,杨 青,薛少平,等 用人工神经网络进行果实颜色分级技术研究[J] 西北农业大学学报,1998,26(6):112-115

[27]苏光大 图像并行处理技术[M] 北京:清华大学出版社,2002

[28]张长利,房俊龙,潘 伟 用遗传算法训练的多层前馈神经网络对番茄成熟度进行自动检测的研究[J] 农业工程学报,2001,17(3):153-156

[29]冯 斌,汪懋华 基于颜色分形的水果计算机视觉分级技术[J] 农业工程学报,2002,18(2):141-144

[30]蒋焕煜,应义斌,王剑平,等 水果品质智能化实时检测分级生产线的研究[J] 农业工程学报,2002,11(6):158-160

[31]刘木华,段武貌,黎 静,等 基于图像处理和支持向量机分类的牛肉大理石花纹等级评定[J] 沈阳农业大学学报,2005,36(6):650-654

[32]熊宇鹏,毛罕平,左志宇,等 基于数字图像处理的凤梨花卉品质参数检测的研究[J] 农机化研究,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,Frande 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]杨劲峰,陈 清,韩晓日,等 数字图像处理技术在蔬菜叶面积测量中的应用[J] 农业工程学报,2002,18(4):155-158

[42]张仁祖,徐为根,黄文杰 一种新的基于图像处理的作物叶面积测量方法[J] 江西农业学报,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,何东健,王 婧,等 小麦生长信息计算机视觉检测技术研究[J] 农业工程学报,2001,17(1):136-139

[46]李少昆,索兴梅,白中英,等 基于BP神经网络的小麦群体图像特征识别[J] 中国农业科学,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):1899-1904

[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]徐贵力,毛罕平,李萍萍 缺素叶片彩色图像特征值的研究[J] 农业工程学报,2002,18(4):150-154

[51]张 伟,毛罕平,李萍萍,等 基于计算机图像处理技术的作物缺素判别的研究[J] 计算机应用与软件,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]陈佳娟,纪寿文,李 娟,等 采用计算机视觉进行棉花虫害程度的自动测定[J] 农业工程学报,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]毛文华 基于机器视觉的田间杂草识别技术研究[D] 北京:中国农业大学,2004

[62]田有文,李成华 基于图像处理的日光温室黄瓜病害识别的研究[J] 农机化研究,2006(2):151-153,160

[63]李峥嵘,刘月娥,何东健,等 基于内容的小麦害虫图像检索系统研究与实现[J] 农业工程学报,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]王树文,张长利 基于图像处理技术的黄瓜叶片病害识别诊断系统研究[J] 东北农业大学学报,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):35-40

[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 强,李红英,等 计算机视觉在蘑菇采摘机器人上的应用[J] 农业工程学报,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]应义斌,章文英,蒋亦元,等 机器视觉技术在农产品收获和加工自动化中的应用[J] 农业机械学报,2000(3):112-115

[73]周增产,Bontsema J,Vankollenburg C L 荷兰黄瓜收获机器人的研究开发[J] 农业工程学报,2001,17(6):77-80

[74]刘成良,王红永,曹其新,等 秧苗嫁接机器人视觉与识别的研究[J] 农业机械学报,2001,32(4):38-41

[75]陈利兵 草莓收获机器人采摘系统研究[D] 北京:中国农业大学,2005

[76]张凯良,杨 丽,张铁中 草莓收获机器人采摘执行机构设计与试验[J] 农业机械学报,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]张 梅,文静华 浅谈计算机视觉与数字摄影测量[J] 地理空间信息,2010,8(2):15-17,20