基于機(jī)器視覺(jué)的水稻印刷播種機(jī)成種率檢測(cè)

周紅標(biāo) 朱亞文 劉曉洋 張國(guó)良 李邊豪

摘要：水稻印刷播種是實(shí)現(xiàn)稻種精確定位和均勻播種的有效方法之一。由于機(jī)械振動(dòng)、播種紙走速、稻種輸送等環(huán)節(jié)影響，播種紙的某些膠點(diǎn)上可能會(huì)粘附多個(gè)水稻種子，影響播種質(zhì)量。為此，提出基于機(jī)器視覺(jué)的水稻印刷播種機(jī)成種率檢測(cè)方法。首先，利用工業(yè)CCD攝像機(jī)采集播種紙正面圖像信息；其次，利用紅綠色差提取種子的顏色信息，采用Otsu閾值分割等形態(tài)學(xué)處理方法實(shí)現(xiàn)種子與背景的分離，并利用開(kāi)運(yùn)算實(shí)現(xiàn)輕微粘連稻種的分離；然后，利用面積閾值方式去除噪點(diǎn)，從而實(shí)現(xiàn)水稻種子數(shù)量的統(tǒng)計(jì)；最后，根據(jù)粘連稻種總面積與每個(gè)稻種平均面積的比值對(duì)緊密粘連的稻種進(jìn)行處理，從而修正水稻種子的數(shù)量。研究結(jié)果表明，該成種率檢測(cè)方法是有效的，能夠從播種紙的膠點(diǎn)上獲取水稻種子數(shù)量信息，檢測(cè)的成種率范圍介于88.84%～92.05%。

關(guān)鍵詞：水稻；印刷播種機(jī)；機(jī)器視覺(jué)；自適應(yīng)形態(tài)學(xué)；精確定位播種；成種率

中圖分類號(hào)：S223.2： TP23

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：20955553 （2023） 070194

07

Detection of seed rate of japonica rice printing planter based on machine vision

Zhou Hongbiao1， Zhu Yawen1， Liu Xiaoyang1， Zhang Guoliang2， Li Bianhao2

（1. Faculty of Automation， Huaiyin Institute of Technology， Huaian， 223003， China;

2. College of Life Science and Food Engineering， Huaiyin Institute of Technology， Huaian， 223003， China）

Abstract：? Rice printing planter is one of the effective methods for precise and uniform sowing of rice seeds. Due to the influence of mechanical vibration， seeding paper speed， and rice seed transportation， several rice seeds would adhere to some glue points on the seeding paper， which affected the seeding quality. To address this issue， a seed rate detection method based on machine vision for printing planters was proposed in this paper. Firstly， the image information of the seeding paper was collected by a CCD camera. Then， the red-green color difference was used to extract the seed color information， morphological processing methods such as Otsu threshold segmentation were used to separate the seeds from the background， and an opening operation was utilized to separate slightly sticky rice seeds. Additionally， the area threshold method was adopted to remove noise and accurately determine the number of rice seeds. Finally， the ratio between the total area of tightly adhered rice seeds and the average area of each rice seed was used to correct the number of rice seeds. The results show that the seed rate detection method is effective in obtaining the number of rice seeds from the glue point of the seeding paper. The range of seeds rate detected was 88.84%-92.05%.

Keywords： rice; printing planter; machine vision; adaptive morphology; precise positioning seeding; seeds rate

0 引言

水稻種植全程機(jī)械化可以緩解農(nóng)村勞動(dòng)力的不足，還能帶動(dòng)節(jié)本增收增效。2023年政府工作報(bào)告中指出我國(guó)農(nóng)作物耕種收綜合機(jī)械化率達(dá)到73%，但是水稻機(jī)械播種環(huán)節(jié)的精量化仍有待提高。目前，我國(guó)南方不少地區(qū)仍采用手插秧方式，存在勞動(dòng)強(qiáng)度大的問(wèn)題。近年來(lái)很多地方采用拋秧、直播、機(jī)插等方式，存在種子用量大的問(wèn)題［12］。水稻精量定位勻播能夠有效克服上述缺陷，印刷播種機(jī)是實(shí)現(xiàn)精量定位勻播的有效方法之一［3］，其在雜交稻播種上的應(yīng)用較為廣泛，在常規(guī)稻播種上的應(yīng)用也在逐漸增多。

水稻印刷播種機(jī)是由印刷機(jī)、滾輪和漏斗等機(jī)構(gòu)組成，能夠利用淀粉膠將種子粘在播種紙上，具有精確勻播、節(jié)約種子、經(jīng)濟(jì)環(huán)保和便于運(yùn)輸?shù)膬?yōu)點(diǎn)［4］。然而，由于機(jī)械振動(dòng)、紙張走速和稻種輸送等環(huán)節(jié)影響，播種紙某個(gè)膠點(diǎn)上可能會(huì)粘結(jié)多個(gè)稻種，尤其是3個(gè)以上，會(huì)對(duì)后續(xù)種子發(fā)芽和成苗產(chǎn)生不利影響。為了提高種子成苗率，需要對(duì)印刷播種機(jī)的多臺(tái)電機(jī)實(shí)行優(yōu)化控制。然而，電機(jī)的反饋控制需要利用膠點(diǎn)粘合的水稻種子數(shù)量信息。一般將一張播種紙上膠點(diǎn)粘合的單個(gè)和兩個(gè)水稻種子之和與水稻種子總數(shù)之比定義為成種率。因此，實(shí)現(xiàn)對(duì)播種紙成種率的檢測(cè)將有助于實(shí)現(xiàn)電機(jī)的優(yōu)化反饋控制，從而提升水稻印刷播種質(zhì)量。

近年來(lái)，將計(jì)算機(jī)視覺(jué)技術(shù)與人工智能技術(shù)相結(jié)合，實(shí)現(xiàn)農(nóng)業(yè)機(jī)械的信息化、自動(dòng)化和智能化已成為現(xiàn)代農(nóng)業(yè)發(fā)展的重要方向［57］。國(guó)內(nèi)外研究者借助機(jī)器視覺(jué)技術(shù)和人工智能技術(shù)，設(shè)計(jì)了多種檢測(cè)系統(tǒng)或方法［8］。例如采用可見(jiàn)光相機(jī)獲取水稻穎花圖像，并構(gòu)建基于快速卷積神經(jīng)網(wǎng)絡(luò)的開(kāi)花狀態(tài)檢測(cè)模型［9］；采用高光譜成像設(shè)備獲取不同老化天數(shù)水稻種子的高光譜圖像，然后進(jìn)行信息提取，并建立基于支持向量機(jī)的水稻種子活力等級(jí)分類模型［10］；以光譜特征、紋理指數(shù)和作物覆蓋度作為輸入，構(gòu)建基于人工神經(jīng)網(wǎng)絡(luò)的水稻葉面積指數(shù)估算模型［11］；一種基于Rectified Adam（RAdam）優(yōu)化器的ResNet50卷積神經(jīng)網(wǎng)絡(luò)圖像識(shí)別方法，能夠?qū)崿F(xiàn)水稻生育期圖像的有效檢測(cè)［12］；利用機(jī)器視覺(jué)和卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的機(jī)器人獼猴桃采摘系統(tǒng)，檢測(cè)率達(dá)到89.6%［13］；利用機(jī)器視覺(jué)和支持向量機(jī)建立的木瓜病害檢測(cè)和分類模型，分類精度達(dá)到90%以上［14］；利用機(jī)器視覺(jué)和神經(jīng)網(wǎng)絡(luò)建立的柑橘品種品質(zhì)檢測(cè)系統(tǒng)，也取得了較高的檢測(cè)精度［15］。

鑒于此，本文首先采用機(jī)器視覺(jué)技術(shù)采集播種紙圖像信息，然后利用紅綠色差和閾值分割提取圖像顏色，并采用面積閾值方式去除噪聲，最后利用開(kāi)運(yùn)算對(duì)輕微粘連的水稻圖像進(jìn)行分割，從而實(shí)現(xiàn)水稻種子數(shù)量的精確計(jì)算。

1 材料與方法

1.1 圖像采集

本文依托HDBZ-600型水稻印刷播種機(jī)進(jìn)行播種紙圖像信息的采集。檢測(cè)系統(tǒng)主要由CCD攝像頭、數(shù)據(jù)采集卡、光源、PC機(jī)等組成。當(dāng)播種紙進(jìn)入拍照區(qū)域后，由傳感器發(fā)送信號(hào)，計(jì)算機(jī)控制數(shù)據(jù)采集卡采集圖像信息，并通過(guò)以太網(wǎng)傳輸?shù)絇C機(jī)。在PC端，利用LabVIEW軟件的視覺(jué)模塊開(kāi)發(fā)了上位機(jī)虛擬檢測(cè)平臺(tái)，利用MATLAB進(jìn)行圖像處理和檢測(cè)算法研究。檢測(cè)系統(tǒng)示意圖如圖1所示，粘連水稻種子的播種紙圖像如圖2所示。

1.2 檢測(cè)方法

水稻種子的檢測(cè)方法如圖3所示。

首先根據(jù)種子區(qū)別于背景的顏色，采用紅綠色差法提取種子的顏色特征，從而得到種子與背景亮度有明顯差異的灰度圖像；然后采用最大類間方差法找出背景與種子間進(jìn)行分割的最優(yōu)閾值，并采用該閾值將圖像二值化；接著為減少二值圖像中稻種之間可能存在的粘連，采用形態(tài)學(xué)算法—開(kāi)運(yùn)算對(duì)二值圖像進(jìn)行處理，從而斷開(kāi)連通區(qū)域之間的連接；同時(shí)針對(duì)二值圖像中的小面積噪點(diǎn)進(jìn)行去除，從而避免其影響種子的計(jì)數(shù)；再根據(jù)二值圖像中連通區(qū)域的數(shù)量對(duì)稻種進(jìn)行計(jì)數(shù)；由于部分稻種間粘連難以通過(guò)開(kāi)運(yùn)算斷開(kāi)，因此最后需要根據(jù)連通區(qū)域的面積估算該區(qū)域的稻種數(shù)量，從而實(shí)現(xiàn)對(duì)稻種數(shù)量的修正，提高計(jì)數(shù)的精確性。

1.2.1 顏色特征提取

由于CCD攝像頭采集到的是彩色RGB圖像，為了采用紅綠色差進(jìn)行水稻點(diǎn)的分割，需要首先進(jìn)行顏色提取。顏色特征提取是實(shí)現(xiàn)稻種與背景區(qū)域分割的關(guān)鍵，從圖2可以看出，稻種顏色呈現(xiàn)紅色，與白色紙張之間存在明顯的顏色差異。為了定量分析稻種顏色與背景的差異，提取了圖2中的一行像素，并根據(jù)像素紅、綠、藍(lán)三色的值繪制了圖4所示的顏色差異圖。從圖4可以看出，種子區(qū)域的紅色分量明顯高于藍(lán)色和綠色，且藍(lán)色和綠色分量的數(shù)值相近；而紙張背景區(qū)域紅色、藍(lán)色和綠色分量的數(shù)值相近。

根據(jù)上述顏色特征，本文提出了基于紅綠色差的顏色特征提取方法，具體表達(dá)方式如式（1）所示，即采用像素紅色分量和綠色分量的差值表示稻種的顏色特征。

Dc=R-G

（1）

式中：

Dc——種子與背景的顏色差異；

R——像素的紅色分量；

G——像素的綠色分量。

由于RGB圖像的識(shí)別處理需要耗費(fèi)大量時(shí)間，本文對(duì)原始RGB圖像進(jìn)行灰度化處理，從而減少后臺(tái)程序的計(jì)算量，提高視覺(jué)軟件的處理速度。在LabVIEW平臺(tái)，可以通過(guò)視覺(jué)函數(shù)IMAQ Cast Image將最初32bit的圖片轉(zhuǎn)化為8bit圖片，接著再通過(guò)圖像灰度化函數(shù)IMAQ BCG Lookup將拍攝到的彩色圖像轉(zhuǎn)換為灰度化圖像。在轉(zhuǎn)換過(guò)程中，可對(duì)原彩色圖像的Brightness Contrast Gamma等進(jìn)行調(diào)整。轉(zhuǎn)換后的灰度圖經(jīng)IMAQ Image To Array函數(shù)再轉(zhuǎn)換為相應(yīng)的二維灰度值數(shù)組。最后，將二維灰度值數(shù)組加入二維索引數(shù)組中。BCG Values的三個(gè)值依次是Brightness 37.0、Contrast 54.40和Gamma 8.52。這些數(shù)值是在室內(nèi)白天正常光照情況下調(diào)試獲得。

對(duì)圖2所示的原始圖像進(jìn)行灰度處理得到顏色特征灰度圖如圖5所示，從圖5中可以看出稻種像素的亮度與紙張背景有著顯著的差異。

1.2.2 二值化

為了實(shí)現(xiàn)稻種與背景的分割，首先將顏色特征圖歸一化到0～1的范圍內(nèi)，實(shí)現(xiàn)灰度的拉伸，使得稻種與背景的對(duì)比更加明顯。然后利用Otsu法對(duì)灰度圖像進(jìn)行二值化分割，其利用最大類間方差自動(dòng)確定閾值［1517］，能夠?qū)崿F(xiàn)水稻種子和背景之間的良好分割。在對(duì)圖像進(jìn)行閾值分割時(shí)，選定的分割閾值應(yīng)使前景區(qū)域的平均灰度、背景區(qū)域的平均灰度與整幅圖像的平均灰度之間差別最大，這種差異用區(qū)域的方差來(lái)表示［1820］。

設(shè)圖像中灰度為i的像素?cái)?shù)為n，灰度范圍為［0，L-1］，則總的像素?cái)?shù)

N=∑L－1i=0ni

（2）

各灰度值出現(xiàn)概率

pi=niN

（3）

把圖像中的像素用閾值T分成兩類C0和C1，C0由灰度值在［0，T-1］的像素組成，C1由灰度值在［T，L-1］的像素組成，則區(qū)域C0和C1的概率分別為

P0=∑T－1i=0pi

（4）

P1=∑L－1i=Tpi=1－P0

（5）

區(qū)域C0和C1的平均灰度分別為

μ0=1P0∑T－1i=0ipi=μ（T）P0

（6）

μ1=1P1∑L－1i=Tipi=μ－μ（T）1－P0

（7）

式中：

μ——整幅圖像的平均灰度。

μ

=∑L－1i=0ipi

=∑T－1i=0ipi+∑L－1i=Tipi

=P0μ0+P1μ1

（8）

兩個(gè)區(qū)域的總方差為

σB2

=P0（μ0－μ）2+P1（μ1－μ）2

=P0P1（μ0－μ）2

（9）

令T在［0，L-1］范圍內(nèi)依次取值，使總方差最大的T值便是最佳區(qū)域分割閾值，因此該方法也叫做最大類間方差法。本文采用該方法對(duì)特征圖進(jìn)行二值化處理，能夠選取合適的分割閾值使得稻種與背景的類間方差最大，即最大化二者的灰度差異，從而達(dá)到最佳的分割效果。二值化后的效果圖如圖6所示。對(duì)比圖2可以看出，每一粒稻種都能從背景中完整地分割出來(lái)。

1.2.3 噪點(diǎn)去除

從圖6可以看出，部分稻種存在粘連現(xiàn)象，這將影響稻種的準(zhǔn)確計(jì)數(shù)。通過(guò)分析稻種間的粘連程度，發(fā)現(xiàn)部分輕微粘連的稻種可以采用形態(tài)學(xué)方法斷開(kāi)相互間的連接，從而提高稻種計(jì)數(shù)的準(zhǔn)確性。同時(shí)，為了避免對(duì)其他稻種的影響，本文采用開(kāi)運(yùn)算對(duì)二值圖像進(jìn)行處理。

開(kāi)運(yùn)算屬于圖像處理中的形態(tài)學(xué)方法，可以通過(guò)結(jié)構(gòu)元素對(duì)原始圖像進(jìn)行卷積運(yùn)算，達(dá)到去除圖像噪聲和消除物體邊界點(diǎn)的目的。開(kāi)運(yùn)算主要包含腐蝕與膨脹兩種基本操作：腐蝕可縮小目標(biāo)范圍，表達(dá)式如式（10）所示，表示A被B腐蝕；膨脹可擴(kuò)張待處理區(qū)域，表達(dá)式如式（11）所示，表示A被B膨脹。

AB={z|（B）z∩Ac≠Φ}

（10）

AB={z|（B^）z∩AA}

（11）

式中：

A——被膨脹的集合（圖像物體）；

Ac——A的補(bǔ)集；

B——結(jié)構(gòu)元素；

（B^）z——

B反射平移z后得到的新集合；

Φ——空集。

將上述運(yùn)算進(jìn)行復(fù)合：首先對(duì)水稻種子圖像進(jìn)行腐蝕操作，然后對(duì)結(jié)果進(jìn)行膨脹操作。形態(tài)學(xué)方法的開(kāi)運(yùn)算對(duì)圖像進(jìn)行孔洞填充，即對(duì)圖像進(jìn)行先腐蝕后膨脹操作，去除細(xì)小雜物并使輕微粘連的稻種分開(kāi)。通過(guò)多次試驗(yàn)，當(dāng)結(jié)構(gòu)元素設(shè)置為99時(shí)，可以去除顏色污染，消除細(xì)小雜質(zhì)對(duì)處理結(jié)果的影響?？锥刺畛涞谋磉_(dá)式如式（12）所示。

Xk=（Xk－1B）∩Ac， k=1，2，3，…

（12）

式中：

X0——

由0組成的陣列，即邊界的初始點(diǎn)；

Xk-1——孔洞填充前的圖像；

Xk——孔洞填充后的圖像。

由于單個(gè)水稻種子的成像近乎橢圓形，則設(shè)置區(qū)域P為單顆水稻種子的成像區(qū)域，區(qū)域Q為方塊背景區(qū)域。假設(shè)每個(gè)種子的灰度分布大小和其背景近似相同，那么實(shí)際分割得到的圖像分割區(qū)域和全部圖像的像素比可以近似由圖形P和Q的面積比來(lái)確定。為了處理分割后的鋸齒邊緣，通常要進(jìn)行形態(tài)學(xué)膨脹處理，因此分割出的籽粒像素區(qū)域必須保有一定的余量，通常要求實(shí)軸長(zhǎng)r和背景長(zhǎng)a滿足以下條件

ra/2≤K

（13）

由此條件可以計(jì)算出水稻種子像素與背景的面積比

SPSQ=πr2a2≤πΚ24

（14）

式中：

SP——圖形P的面積；

SQ——圖形Q的面積。

面積約束可以應(yīng)用灰度直方圖的方法實(shí)現(xiàn)，并可以表示成式（15）的形式。從灰度0開(kāi)始，依次計(jì)算小于或等于Ts的像素?cái)?shù)占采集圖像像素總數(shù)的比例，如果該比值與SP/SQ的差的絕對(duì)值達(dá)到最小，則Ts即為所求最佳面積閾值。

Ts=argminTs∑Tsn=0Ln∑255n=0Ln－SPSQ

（15）

式中：

Ts——面積約束下的閾值；

Ln——

灰度值為n的像素點(diǎn)的數(shù)量。

經(jīng)過(guò)對(duì)比測(cè)試，本文選擇15個(gè)像素大小的結(jié)構(gòu)元素進(jìn)行開(kāi)運(yùn)算，開(kāi)運(yùn)算前后的局部對(duì)比圖如圖7所示。從圖7（b）可以看出經(jīng)開(kāi)運(yùn)算處理后，輕微粘連的稻種被分開(kāi)，但粘連較為嚴(yán)重的稻種仍然處于粘連狀態(tài)。

本文首先采用開(kāi)運(yùn)算對(duì)輕微粘連的稻種進(jìn)行分離，然后將圖中面積小于稻種平均面積1/5的區(qū)域置為0。其中，稻種的平均面積由統(tǒng)計(jì)得到，根據(jù)1 000粒稻種的統(tǒng)計(jì)結(jié)果顯示，稻種的平均面積約為1 400個(gè)像素大小，其1/5為280個(gè)像素。去除噪點(diǎn)后的圖像如圖8所示，對(duì)比圖6可以看出圖中的噪點(diǎn)已經(jīng)被盡數(shù)清除。

1.2.4 數(shù)據(jù)修正

圖8中存在大量緊密粘連的稻種，難以實(shí)現(xiàn)準(zhǔn)確的統(tǒng)計(jì)。為了使得統(tǒng)計(jì)結(jié)果更加精確，計(jì)算圖8中每個(gè)連通區(qū)域的像素面積，再計(jì)算其與稻種的平均面積比值，最后根據(jù)比值的結(jié)果對(duì)連通區(qū)域稻種的數(shù)量進(jìn)行計(jì)算，從而實(shí)現(xiàn)稻種的精確計(jì)數(shù)。

2 試驗(yàn)結(jié)果與分析

以2021年10月采集的播種紙圖像為研究對(duì)象，從中選取5張完整的播種紙，采用上述檢測(cè)方法進(jìn)行處理和分析。其中編號(hào)為001的播種紙圖像處理結(jié)果如圖9所示，該張播種紙上的種子個(gè)數(shù)為2 054個(gè)。由于全局圖難以發(fā)現(xiàn)局部處理信息，因此進(jìn)行局部放大處理，如圖10所示。

從圖10可以清晰地看出，有9個(gè)膠點(diǎn)上只粘附1個(gè)水稻種子，有4個(gè)膠點(diǎn)上粘附了2個(gè)水稻種子，有2個(gè)膠點(diǎn)上粘附了3個(gè)水稻種子。檢測(cè)方法給出的數(shù)量與實(shí)際情況一致。

成種率的檢測(cè)結(jié)果如表1所示?？梢钥闯觯z點(diǎn)上附有1顆種子的數(shù)目為1 457個(gè)，占比70.93%；膠點(diǎn)上附有2顆及以下種子的占比為89.72%；膠點(diǎn)上附有3顆及以上種子的占比較少。結(jié)果表明，一張播種紙上有接近九成的種子具有較好的勻種性。

利用所建系統(tǒng)和所提算法對(duì)多張播種紙的成種率進(jìn)行檢測(cè)，結(jié)果如表2所示。表2中成種率統(tǒng)計(jì)的是膠點(diǎn)上附有2顆及以下種子的占比。從表2可以看出，播種紙的成種率均在90%左右，表明印刷播種機(jī)不僅運(yùn)行穩(wěn)定而且成種率較高，同時(shí)也表明本文所設(shè)計(jì)的檢測(cè)方法切實(shí)可行。后續(xù)將利用檢測(cè)結(jié)果調(diào)整印刷播種機(jī)的控制策略，有望能夠取得95%以上的成種率。

3 結(jié)論

1） 本文針對(duì)水稻印刷播種成種率檢測(cè)問(wèn)題，提出了一種基于機(jī)器視覺(jué)和自適應(yīng)形態(tài)學(xué)的檢測(cè)方法。利用工業(yè)CCD攝像機(jī)、光源、圖像采集卡、上位機(jī)組成的成種率檢測(cè)系統(tǒng)安裝在印刷播種機(jī)上獲取播種紙圖片信息。利用Otsu等自適應(yīng)形態(tài)學(xué)方法對(duì)圖像進(jìn)行顏色提取，結(jié)合紅綠色差和閾值分割對(duì)圖像進(jìn)行處理，能夠?qū)崿F(xiàn)稻種與背景區(qū)域的有效分割。利用面積閾值法能夠有效去除圖像中的細(xì)小顆粒噪聲，尤其是采用開(kāi)運(yùn)算對(duì)輕微粘連的水稻圖片進(jìn)行分割，提升了水稻種子數(shù)量統(tǒng)計(jì)精度。

2）? 播種紙上的成種率最高達(dá)到92.05%，最低也有88.84%，表明該檢測(cè)方法能夠精確定位水稻種子，準(zhǔn)確判斷膠點(diǎn)上水稻種子數(shù)目，為提升印刷播種機(jī)的精播和勻播性能提供數(shù)據(jù)支撐。

3） 下一步研究工作是利用成種率檢測(cè)結(jié)果調(diào)整印刷播種機(jī)上的電機(jī)轉(zhuǎn)速，實(shí)現(xiàn)閉環(huán)反饋優(yōu)化控制，從而提升水稻印刷播種的質(zhì)量。

參 考 文 獻(xiàn)

［1］ 李澤華， 馬旭， 李秀昊， 等. 水稻栽植機(jī)械化技術(shù)研究進(jìn)展［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2018， 49（5）： 1-20.

Li Zehua， Ma Xu， Li Xiuhao， et al. Research progress of rice transplanting mechanization ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2018， 49（5）： 1-20.

［2］ 張洪程， 胡雅杰， 戴其根， 等. 中國(guó)大田作物栽培學(xué)前沿與創(chuàng)新方向探討［J］. 中國(guó)農(nóng)業(yè)科學(xué)， 2022， 55（22）： 4373-4382.

Zhang Hongcheng， Hu Yajie， Dai Qigen， et al. Discussions on frontiers and directions of scientific and technological innovation in Chinas field crop cultivation ［J］. Scientia Agricultura Sinica， 2022， 55（22）： 4373-4382.

［3］ 莊春， 紀(jì)力， 邵文奇， 等. 印刷播種大壯苗育秧技術(shù)下水稻機(jī)插適宜密度與效果研究［J］. 江蘇農(nóng)業(yè)科學(xué)， 2019， 47（7）： 69-72.

Zhuang Chun， Ji Li， Shao Wenqi， et al. Study on the suitable density and effect of rice machine transplantation with printing and sowing techniques for growing large and strong seedlings ［J］. Jiangsu Agricultural Sciences， 2019， 47（7）： 69-72.

［4］ 鐘平， 邵文奇， 徐文靜， 等. 印刷播種技術(shù)對(duì)機(jī)插秧苗素質(zhì)和栽插質(zhì)量的影響［J］. 金陵科技學(xué)院學(xué)報(bào)， 2014， 30（4）： 51-54.

Zhong Ping， Shao Wenqi， Xu Wenjing， et al. The effects of printing-sowing technology on seedling and the transplanting quality of mechanical transplanting rice ［J］. Journal of Jinling Institute of Technology， 2014， 30（4）： 51-54.

［5］ 王僑， 劉卉， 楊鵬樹(shù)， 等. 基于機(jī)器視覺(jué)的農(nóng)田地頭邊界線檢測(cè)方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2020， 51（5）： 18-27.

Wang Qiao， Liu Hui， Yang Pengshu， et al. Detection method of headland boundary line based on machine vision ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（5）： 18-27.

［6］ 劉海濤， 伊麗麗， 蘭玉彬， 等. 機(jī)器視覺(jué)在棉花智能打頂領(lǐng)域的應(yīng)用研究進(jìn)展［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2021， 42（6）： 159-165.

Liu Haitao， Yi Lili， Lan Yubin， et al. Research progress in the application of machine vision in the field of cotton intelligence topping ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（6）： 159-165.

［7］ Rehman T U， Mahmud M S， Chang Y K， et al. Current and future applications of statistical machine learning algorithms for agricultural machine vision systems ［J］. Computers and Electronics in Agriculture， 2019， 156： 585-605.

［8］ Bai J， Hao F， Cheng G， et al. Machine vision-based supplemental seeding device for plug seedling of sweet corn ［J］. Computers and Electronics in Agriculture， 2021， 188： 106345.

［9］ 張亞莉， 肖文蔚， 盧小陽(yáng)， 等. 基于可見(jiàn)光圖像的水稻穎花開(kāi)花狀態(tài)檢測(cè)方法［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2021， 37（9）： 253-262.

Zhang Yali， Xiao Wenwei， Lu Xiaoyang， et al. Method for detecting rice flowering spikelets using visible light images ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（9）： 253-262.

［10］ 孫俊， 張林， 周鑫， 等. 采用高光譜圖像深度特征檢測(cè)水稻種子活力等級(jí)［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2021， 37（14）： 171-178.

Sun Jun， Zhang Lin， Zhou Xin， et al. Detection of rice seed vigor level by using deep feature of hyperspectral images ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（14）： 171-178.

［11］ 杭艷紅， 蘇歡， 于滋洋， 等. 結(jié)合無(wú)人機(jī)光譜與紋理特征和覆蓋度的水稻葉面積指數(shù)估算［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2021， 37（9）： 64-71.

Hang Yanhong， Su Huan， Yu Ziyang， et al. Estimation of rice leaf area index combining UAV spectrum， texture features and vegetation coverage ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（9）： 64-71.

［12］ 徐建鵬， 王杰， 徐祥， 等. 基于RAdam卷積神經(jīng)網(wǎng)絡(luò)的水稻生育期圖像識(shí)別［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2021， 37（8）： 143-150.

Xu Jianpeng， Wang Jie， Xu Xiang， et al. Image recognition for different developmental stages of rice by RAdam deep convolutional neural networks ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（8）： 143-150.

［13］ Habib M T， Majumder A， Jakaria A Z M， et al. Machine vision based papaya disease recognition ［J］. Journal of King Saud University-Computer and Information Sciences， 2020， 32（3）： 300-309.

［14］ Williams H A， Jones M H， Nejati M， et al.Robotic kiwifruit harvesting using machine vision， convolutional neural networks， and robotic arms ［J］. Biosystems Engineering， 2019， 181： 140-156.

［15］ Srivastava S， Vani B， Sadistap S. Machine-vision based handheld embedded system to extract quality parameters of citrus cultivars ［J］. Journal of Food Measurement and Characterization， 2020， 14（5）： 2746-2759.

［16］ Mi C， Chen K， Zhang Z W. Research on tobacco foreign body detection device based on machine vision ［J］. Transactions of the Institute of Measurement and Control， 2020， 42（15）： 2857-2871.

［17］ Kumar S D， Esakkirajan S， Bama S， et al. A microcontroller based machine vision approach for tomato grading and sorting using SVM classifier ［J］. Microprocessors and Microsystems， 2020， 76： 103090.

［18］ Zhang S， Yang X， Wang Y， et al. Automatic fish population counting by machine vision and a hybrid deep neural network model ［J］. Animals， 2020， 10（2）： 364.

［19］ Jacques A B， Adamchuk V， Park J， et al. Towards a machine vision-based yield monitor for the counting and quality mapping of shallots ［J］. Frontiers in Robotics and AI， 2021， 8： 41.

［20］ Tang Y， Chen M， Wang C， et al. Recognition and localization methods for vision-based fruit picking robots： A review ［J］. Frontiers in Plant Science， 2020， 11： 510.