圖像處理技術在信息農(nóng)業(yè)中的應用現(xiàn)狀及發(fā)展趨勢

張書彥+張文毅+余山山+付宇超

摘要： 圖像是人類感知世界的視覺基礎，是人類獲取、傳遞和表達信息的重要手段。圖像處理是通過計算機對獲取的圖像信息分析加工，從而達到滿足人的視覺或應用需求的行為。隨著我國計算機科學的發(fā)展，圖像處理技術在信息農(nóng)業(yè)中得到廣泛應用，它的發(fā)展對于農(nóng)業(yè)信息化的提高具有重要意義。論述了目前圖像處理技術在農(nóng)業(yè)領域的研究進展及應用現(xiàn)狀，分析了應用中存在的技術難題，對圖像處理在農(nóng)業(yè)中的研究進一步展望并提出了今后的發(fā)展趨勢。

關鍵詞： 圖像處理；信息采集；研究現(xiàn)狀；發(fā)展趨勢

中圖分類號： S126；TP391.41 文獻標志碼： A

文章編號：1002-1302（2017）22-0009-05

圖像處理（image processing）是通過計算機對圖像進行去除噪聲、增強、復原、分割、提取特征等處理的方法和技術。20世紀20年代，采用數(shù)字壓縮技術通過從倫敦到紐約的海底電纜傳輸了第一幅數(shù)字照片，這標志著數(shù)字圖像處理技術的開端。20世紀60年代，數(shù)字圖像處理技術作為一門學科正式形成[1]。圖像處理技術能夠幫助人們更加客觀準確地認識世界，具有再現(xiàn)性好、處理精度高、適用面寬、靈活性高、便于傳輸?shù)葍?yōu)點，已經(jīng)被廣泛應用到各個領域中。圖像處理技術在農(nóng)業(yè)領域起步較晚，近年來隨著計算機多媒體技術的提高，在農(nóng)作物長勢監(jiān)測、病蟲草害診斷、農(nóng)作物自動收獲、種子質(zhì)量檢測、農(nóng)作物的缺素識別、農(nóng)產(chǎn)品質(zhì)量分級檢測等方面有著廣泛的應用。

1 圖像處理技術在國內(nèi)外信息農(nóng)業(yè)中的應用現(xiàn)狀

1.1 農(nóng)作物長勢監(jiān)測

在農(nóng)作物的整個生長過程中，其長勢是后期進行作物生產(chǎn)管理的關鍵因素。對農(nóng)作物長勢進行動態(tài)監(jiān)測能夠準確及時地了解空氣溫濕度、農(nóng)作物的土壤肥力、作物生長信息以及植物的營養(yǎng)狀況等，便于后期對水、肥等及時進行管理，保證農(nóng)作物正常生長，達到提高糧食產(chǎn)量的目的。

農(nóng)業(yè)遙感技術起源于西方發(fā)達國家，主要用于農(nóng)作物大面積長勢監(jiān)測。農(nóng)情遙感監(jiān)測技術的研究最早始于美國。1974年，美國啟動“LACIE”計劃，正式拉開了農(nóng)情遙感監(jiān)測發(fā)展的序幕[2-3]。此后，全球各地的AGRISTARS、MARS、GLAM[CM（23]等一系列計劃進一步發(fā)展了各種農(nóng)情遙感監(jiān)測技術。 1988年，歐盟啟動了MARS項目，開展農(nóng)情遙感監(jiān)測技術研究和系統(tǒng)建設[4-5]。2003年，俄羅斯農(nóng)業(yè)部建設了全國農(nóng)業(yè)監(jiān)測系統(tǒng)，該系統(tǒng)主要獲取耕地利用制圖、作物輪作模式、耕地面積及作物生長狀況等信息，它的運行依靠遙農(nóng)業(yè)氣象觀測數(shù)據(jù)、地方農(nóng)業(yè)委員會上報數(shù)據(jù)以及遙感數(shù)據(jù)[6]。

中國早在1979年就開始關注農(nóng)作物遙感估產(chǎn)的意義[7]。1998年，中國科學院初步建立了國家級農(nóng)情監(jiān)測系統(tǒng)[8]。2000年，吳炳方利用每旬的AVHRR最大NDVI圖像與上年同期對比實現(xiàn)了全國范圍的農(nóng)作物遙感長勢監(jiān)測[8]。2011年，劉峰等研發(fā)遙感數(shù)據(jù)與作物生長模型同化的作物長勢監(jiān)測系統(tǒng)。 通過各種算法、模型和數(shù)據(jù)的有機結合，實現(xiàn)了基于極快速模擬退火算法的遙感數(shù)據(jù)與CERES-Wheat作物生長模型的同化原型系統(tǒng)構建。試驗結果表明，同化LAI與實測結果能夠較好地擬合，為遙感技術與作物模型的基礎研究和應用提供了一個平臺。來自農(nóng)業(yè)部遙感應用中心的數(shù)據(jù)，圖1為2015年3月上旬全國冬小麥主產(chǎn)區(qū)長勢遙感監(jiān)測圖[9]。

1.2 農(nóng)田病蟲草害診斷

及時而準確地診斷出農(nóng)田病蟲草害發(fā)生情況是作物高產(chǎn)穩(wěn)產(chǎn)的關鍵環(huán)節(jié)。目測手查法是傳統(tǒng)農(nóng)業(yè)中最常用的檢測病蟲草害的方法，該方法需要較繁瑣的人工統(tǒng)計運算，費時費力，對從業(yè)人員的專業(yè)知識要求高，有些病害的早期癥狀十分相似，很難用目測區(qū)別，因此該方法不能滿足病蟲害監(jiān)測及采取相應措施的實時性要求?；趫D像處理的現(xiàn)代高科技檢測技術與農(nóng)業(yè)的有機結合為農(nóng)業(yè)發(fā)展帶來了新的動力，使得作物病蟲害監(jiān)測的實時性和準確性得到極大提升。圖2所示為某單位研究人員用植物病蟲草害檢測儀的檢測結果。

Chesmore等研發(fā)了1種基于病害圖像自動定位孢子實現(xiàn)黑麥草腥黑穗病菌孢子和小麥印度腥黑穗病孢子分類的系統(tǒng)，能夠通過病蟲害圖像測量其周長、表面積、最大（?。┌霃健A形度和突起數(shù)及突起的大小等相關參數(shù)[10]。El-Helly等研發(fā)了1種可以自動檢測葉片病斑的綜合圖像處理系統(tǒng)，該系統(tǒng)利用人工神經(jīng)網(wǎng)絡作為圖像處理系統(tǒng)的分類器，能夠準確快速地識別病害草害的類型，試驗結果表明，該系統(tǒng)識別準確率高，對黃瓜白粉病、霜霉病等檢測效果較好[11]。

王樹文等綜合運用了人工神經(jīng)網(wǎng)絡技術和圖像處理技術實現(xiàn)了黃瓜葉部病蟲害檢測，試驗結果表明，識別精度可以達到95.31%[12]。彭占武等研發(fā)了1種基于圖像處理和模糊識別技術的黃瓜霜霉病自動識別系統(tǒng)，原圖像作預處理后能夠準確地分離出病斑來，試驗結果表明，該方法對于黃瓜霜霉病的識別效果較好，對黃瓜霜霉病葉片圖像的平均識別準確率為95.28%[13]。

1.3 農(nóng)作物缺素識別

農(nóng)作物生長發(fā)育期所必需的營養(yǎng)元素有16種，主要包括碳、氫、氧、氮、磷、鉀等。其中碳、氫、氧主要從空氣和水中獲取，其他營養(yǎng)元素則從土壤和肥料中吸收。作物缺乏營養(yǎng)元素會對生長造成很大的影響，比如，小麥缺少水分時葉片枯黃、植株矮小甚至會出現(xiàn)不長穗的情況，會導致嚴重減產(chǎn)。當作物植株缺氮時就會表現(xiàn)出生長緩慢、瘦弱、明顯矮小、葉色發(fā)黃，嚴重缺氮時葉片變褐甚至死亡。微量元素在植物體中的含量雖少，但它對植物的生長發(fā)育起著不可替代的作用，它是植株體內(nèi)酶或者輔助酶的組成部分，是植物生長發(fā)育所不可替代的。圖3所示為南京土壤研究所對水稻氮素含量進行

監(jiān)測處理后得到的圖像。

國際上微肥在農(nóng)林牧業(yè)中的應用起源于20世紀六七十年代。進入21世紀以后，微肥在農(nóng)業(yè)增產(chǎn)中的作用顯著提高，因此受到了世界各國的普遍重視[14]。Gautam等利用人工神經(jīng)網(wǎng)絡技術構建輸入量特征模型，研發(fā)出基于圖像處理的空間域多光譜圖像提取紋理特征系統(tǒng)；試驗表明，該系統(tǒng)實用性強，預測準確率高，對玉米的硝酸鹽含量的預測效果較理想[15]。endprint

張彥娥等研發(fā)基于計算機視覺的溫室作物營養(yǎng)狀態(tài)診斷方法，在RGB和HIS模型下分析各分量與葉片含氮率、含磷率和含水率之間的相關特性，試驗結果表明，綠色分量G和色度H與氮含量之間存在較好的線性相關關系[16]。楊雪等綜合利用圖像處理和模式識別技術提出了1種植物缺素種類識別方法，將脈沖耦合神經(jīng)網(wǎng)絡用于植物葉片病斑分割中，與傳統(tǒng)最大類間方差法對比，分割效果較好。最后，通過遺傳算法對支持向量機參數(shù)進行優(yōu)化提升了分類準確率，優(yōu)化效果明顯[17]。

1.4 農(nóng)作物自動收獲

傳統(tǒng)農(nóng)業(yè)中主要以人工收獲為主，效率低下，近年來，隨著我國農(nóng)業(yè)機械化水平的提高，各種農(nóng)田收獲機械應運而生。目前又出現(xiàn)了基于機器視覺的收獲機、農(nóng)業(yè)采摘機器人等高端智能化農(nóng)業(yè)收獲機械，使得我國農(nóng)作物自動收獲又上了一個新的臺階。圖4所示為番茄采摘機器人在采摘番茄。

國外對農(nóng)業(yè)收獲機械的研究起步較早，技術也相對成熟。Benson等通過將攝像頭安裝在農(nóng)用車上采集玉米地圖像，將原圖像濾波、分割、邊緣化處理后，提取出農(nóng)作物邊緣信息，實現(xiàn)玉米收獲機自動導航，試驗結果表明，檢測效果比較理想[18]。日本農(nóng)業(yè)機械研究所Hayashi等研制了1臺三目定位的可夜間工作的草莓采摘機器人，釆用雙目視覺系統(tǒng)定位果實空間坐標，第三目近距離獲取莖稈位置信息，末端機械爪由機械手臂控制升降，可實現(xiàn)果實抓、摘、放等功能，試驗表明，該機器人識別成功率和采摘成功率較好，每采摘1個果實平均耗時11.5 s[19]。

呂繼東等研制了1種基于機器視覺的能夠自動完成蘋果果實采摘等作業(yè)任務的智能機械收獲系統(tǒng)，提出了基于樹形結構的平滑方向優(yōu)先路徑規(guī)劃算法，實現(xiàn)了蘋果采摘機器人在C空間的局部避障路徑規(guī)劃，試驗表明，該方法能夠順利避開障礙物到達目標位置[20]。徐建等研究玉米收獲機器人路徑識別算法，對玉米收獲機器人行走壟行圖像進行采集，試驗結果表明，能快速、準確、實時地檢測出玉米行走路徑，便于精確收獲[21]。

1.5 農(nóng)產(chǎn)品貯藏加工

農(nóng)產(chǎn)品產(chǎn)地加工與儲藏是農(nóng)業(yè)生產(chǎn)鏈條中的關鍵環(huán)節(jié)，是保障農(nóng)產(chǎn)品品質(zhì)及豐產(chǎn)豐收的重要途徑。隨著我國農(nóng)業(yè)產(chǎn)業(yè)信息化的快速發(fā)展，農(nóng)產(chǎn)品貯藏與加工技術在農(nóng)業(yè)生產(chǎn)中扮演著越來越重要的角色，人們已經(jīng)開始探索基于圖像處理的農(nóng)產(chǎn)品貯藏加工技術。圖5所示為利用機器視覺對農(nóng)產(chǎn)品加工質(zhì)量進行檢測。

Ling等通過分析鮮蝦圖像的形態(tài)學特征和頻譜特征確定切割加工的最佳位置，試驗結果表明，如果每秒切割2只鮮蝦，根據(jù)頻譜特征確定的下刀位置的標準偏差在2.8～4.6 mm 之間[22]。MaConnell等研究了利用機器視覺技術檢測顏色來控制烘制或烤制食品的質(zhì)量，烘烤效果令人滿意[23]。

劉艷麗設計了1種基于圖像處理的小麥粉精度自動檢測裝置，試驗結果表明，該裝置能夠快速準確地檢測出小麥粉精度[24]。周林妹提出了1種可應用到農(nóng)產(chǎn)品加工中的數(shù)字圖像邊緣檢測算法[25]，為相關研究提供了理論基礎。

1.6 種子質(zhì)量檢測

種子質(zhì)量的好壞直接決定了作物的產(chǎn)量和質(zhì)量，優(yōu)質(zhì)的種子是作物高產(chǎn)、穩(wěn)產(chǎn)的首要前提。社會各界及廣大農(nóng)民越來越重視種子的質(zhì)量，種子質(zhì)量檢驗是保證種子質(zhì)量的有效方法。種子檢驗是一項實踐性較強的工作。圖6所示為數(shù)字圖像處理技術對水稻種子質(zhì)量進行檢測。

Hoffmaster等研發(fā)了1種主要是針對大豆種子活力進行評價的系統(tǒng)，當大豆幼苗生長到33 d時采集圖像，處理后分析得出大豆種子活力及其活力指數(shù)，結果表明，該系統(tǒng)數(shù)據(jù)精確、可靠性較高，對大豆種子活力指數(shù)的測試效果理想[26]。

李振等設計了1種基于機器視覺的蔬菜種子活力指數(shù)檢測系統(tǒng)，試驗結果表明，該系統(tǒng)與人工測量計算的種子活力指數(shù)相比準確度高達92%以上[27]。孫宏佳等設計了1種基于機器視覺的花生種子自動識別的系統(tǒng)，該系統(tǒng)利用LabVIEW平臺并結合圖像特征提取算法得到，試驗結果表明，本研究的花生種子自動識別系統(tǒng)能夠快速、高效、準確地提取花生種子的特征數(shù)據(jù)，為批量精選花生種子提供依據(jù)[28]。

1.7 農(nóng)產(chǎn)品質(zhì)量及分級檢測

農(nóng)產(chǎn)品分級檢測是產(chǎn)品商品化的關鍵，直接關系到后期的經(jīng)濟效益。目前，用計算機圖像處理技術對農(nóng)產(chǎn)品品質(zhì)檢測與分級上的應用較多，主要包括對糧食、水果、蔬菜等的品質(zhì)進行檢測與分級。圖7為基于機器視覺的水果分級檢測機。

美國成功研制的Merling高速高頻計算機視覺水果分級系統(tǒng)已廣泛應用于蘋果、橘子、番茄等水果及其他農(nóng)產(chǎn)品的分級中，其生產(chǎn)率約為40 t/h。Thomas等曾研究了X射線膠片成像技術應用于檢測芒果內(nèi)部的蟲害，以分選好芒果和有蟲害芒果[29]。

王江楓等分析芒果質(zhì)量與投影圖像關系，確定圖像算法，通過計算機視覺技術進行芒果果面壞損檢測，試驗表明，此方法對果面壞損分級準確率達80%[30]。陶凱提出了1種不同顏色光源下蘋果分級的計算機視覺方法，研究結果表明，不同顏色光源對特征提取、特征選擇和模式識別過程都有著顯著的影響，選用合適的顏色光源與特征能夠顯著提高分級精度和分級效果[31]。

2 圖像處理技術研究難題

圖像處理技術在各領域得到了廣泛應用[32-33]。在農(nóng)業(yè)方面相應地出現(xiàn)了一些新的方法和理論，并應用到生產(chǎn)實際中。由于農(nóng)產(chǎn)品種類繁多、田間作業(yè)環(huán)境復雜等因素，目前圖像處理在農(nóng)業(yè)應用中仍存在諸多技術問題尚待解決。

2.1 快速精確地獲取動態(tài)圖像信息

在農(nóng)產(chǎn)品質(zhì)量分級檢測、作物生長信息獲取等一些農(nóng)業(yè)研究方面，絕大多數(shù)研究的對象均是靜態(tài)的農(nóng)產(chǎn)品個體。但是，動態(tài)信息圖像的采集技術也是衡量農(nóng)業(yè)信息發(fā)展水平的一個重要指標。目前動態(tài)信息檢測存在實時性差、信息延遲等問題，如何快速而精確地獲取動態(tài)圖像信息，仍是一個需要解決的難題。endprint

2.2 研究實時并行處理算法

當利用計算機視覺技術對農(nóng)產(chǎn)品的多個品質(zhì)指標進行檢測時，多數(shù)采用串行算法，影響了處理速度，因此，研究出能夠?qū)崟r并行處理的圖像處理算法，能夠大大提高效率。

2.3 提取多頻圖像特征

如何提取多頻圖像特征，以便檢測依據(jù)灰度圖像無法識別的某些參數(shù)的彩色圖像也是今后的一個重要研究領域。

2.4 簡化壓縮與編碼

圖像壓縮與編碼技術是信息技術中最活躍的研究領域之一。圖像編碼壓縮技術可減少描述圖像的數(shù)據(jù)量，節(jié)省圖像傳輸處理時間和減少所占用的存儲器容量，但是現(xiàn)有的圖像編碼處理算法不完善，效率不高，因此探索高效圖像編碼處理算法將會是一項重要任務。

3 圖像處理技術發(fā)展趨勢

圖像是人類獲取和交換信息的主要來源，其應用領域必然涉及到人類生活的方方面面。隨著科學技術的發(fā)展，圖像處理技術的應用領域也將不斷壯大，因此其技術水平也將會更深入、更完善地發(fā)展。其發(fā)展趨勢主要體現(xiàn)在以下幾個方面。

（1）高速化、高分辨率、立體化、多媒體、智能化和標準化。未來數(shù)據(jù)圖像技術更加強調(diào)向高清晰度、高速傳輸、實時處理、多維成像、智能化等方向發(fā)展。不僅計算機的速度要提高，而且A/D和D/A的轉(zhuǎn)換也要實現(xiàn)實時化；要提高分辨率主要是得提高圖形刷新存取速度；力爭使計算機能夠識別和理解能夠按照人的認識和思維工作；建立圖像處理技術的國際標準。

（2）軟硬件系統(tǒng)協(xié)同發(fā)展。硬件和軟件是一個完整的計算機系統(tǒng)互相依存的兩大部分。圖像處理技術的應用需要一個具有良好硬件配置的計算機作為平臺，而硬件系統(tǒng)的提高也是為了滿足軟件系統(tǒng)的需求。在許多情況下，計算機的某些功能既可以由硬件實現(xiàn)，也可以由軟件來實現(xiàn)。因此，未來圖像處理技術功能更加完善的前提是計算機系統(tǒng)軟硬件協(xié)同發(fā)展，共同提高。

（3）圖形和圖像朝著多維成像方向發(fā)展。三維成像技術目前已廣泛應用于各個領域，比如計算機領域、醫(yī)學領域等，未來圖形和圖像朝著多維成像方向發(fā)展。

（4）新理論和新算法的研究。圖像處理科學經(jīng)過多年的發(fā)展引入了許多新的理論，并提出了很多新的算法。理論走在實踐的前面，已經(jīng)是現(xiàn)代科學發(fā)展的標志。未來數(shù)字圖像處理技術的實際運用要取得更多的發(fā)展，必然離不開理論和研究方法的創(chuàng)新。

（5）朝著虛擬現(xiàn)實發(fā)展。虛擬現(xiàn)實技術是一種可以創(chuàng)建和體驗虛擬世界的計算機仿真系統(tǒng)。這項技術的發(fā)展是在計算機硬件技術的提高方面提出的，人們應用機器人身上的攝像機能夠真實的感受到所在的環(huán)境，進而操縱機器人的行為。虛擬農(nóng)業(yè)將農(nóng)業(yè)科學與信息技術相結合，開辟了農(nóng)業(yè)信息技術研究和應用的新領域，為農(nóng)業(yè)技術人員提供更加方便快捷的用戶體驗，將會是今后農(nóng)業(yè)信息發(fā)展的重要領域。

4 結束語

圖像處理技術是一門多學科交叉融合的學科，它涉及到計算機、數(shù)學、人工智能等領域，它具有重要的理論意義和實際應用價值?，F(xiàn)階段，我國的圖像處理技術在科技的推動下，取得了很大進步，再加上硬件技術的發(fā)展，使得數(shù)字圖像處理技術的應用將會更加廣泛。圖像處理技術的發(fā)展關系到人們生活的方方面面，它對我們的影響程度是不可估量的。相信圖像處理技術在今后會為我們帶來更多新的驚喜。

[HS2][HT8.5H]參考文獻：

[1] 陳汗青，萬艷玲，王國剛. 數(shù)字圖像處理技術研究進展[J]. 工業(yè)控制計算機，2013，26（1）：72-74.

[2]Macdonakl R B.The LACIE symposium[C]∥Lyndon B. Johnson Space Center，National Aeronautics and Space Administration.Houston：NASA，1979.

[3]Hallum C R. Experiment design overview[C]∥Proceedings of The Large Area Crop Inventory Experiment （LACIE） Symposium.Houston，Texas：NASA/JSC，1978.

[4]ECJRC.The monitoring agricultural resources[EB/OL]. [2010-02-03]. http：∥mars.jrc.ec.europa.eu.

[5]ECJR.MARS uniaboutus[EB/OL]. [2010-02-05]. http：∥mars.jrc.It /mars/About-us.

[6]GEO.Developing a strategy for global agricultural monitoring in the frame work of Group on Earth Observations （GEO） workshop report[R]. 2007.

[7]袁 超. 中國農(nóng)地制度創(chuàng)新[J]. 農(nóng)業(yè)經(jīng)濟問題，2000，21（11）：45-47.

[8]吳炳方. 全國農(nóng)情監(jiān)測與估產(chǎn)的運行化遙感方法[J]. 地理學報，2000，55（1）：25-35.

[9]劉 峰，李存軍，董瑩瑩，等. 基于遙感數(shù)據(jù)與作物生長模型同化的作物長勢監(jiān)測[J]. 農(nóng)業(yè)工程學報，2011，27（10）：101-106.

[10] Chesmore D，Bernard T，Inman A J，et al.Image analysis for the identification of the quarantine pest Tilletia indica[J]. Eppo Bulletin，2003，33（3）：495-499.endprint

[11]El-Helly M，El-Belagy S，Rafea A.Image analysis based interface for diagnostic expert systems[C]. Proceedings of the Winter International Symposium on Information and Communication Technologies. Trinity College Dublin，2004：1-6.

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

[13]彭占武，司秀麗，王 雪，等. 基于圖像處理和模糊聚類方法的黃瓜霜霉病識別研究[J]. 中國農(nóng)機化學報，2013，34（2）：212-216.

[14]寧惠剛. 基于單片機的作物營養(yǎng)診斷專家系統(tǒng)研究[D]. 晉中：山西農(nóng)業(yè)大學，2005.

[15]Gautam R，Panigrahi S.Image processing techniques and neural network models for predicting plant nitrate using aerial images[J]. Proceedings of the International Joint Conference on Neural Networks，2003，2：1031-1036.

[16]張彥娥，李民贊，張喜杰，等. 基于計算機視覺技術的溫室黃瓜葉片營養(yǎng)信息檢測[J]. 農(nóng)業(yè)工程學報，2005，21（8）：102-105.

[17]楊 雪. 基于數(shù)字圖像處理的植株缺素種類識別技術研究[D]. 天津：天津理工大學，2015.

[18]Benson E R，Reid J F，Zhang Q.Machine vision-based guidance system for agricultural grain harvesters using cut-edge detection[J]. Biosystems Engineering，2003，86（4）：389-398.

[19]Hayashi S.Evaluation of a strawberry harvesting robot in a field test[J]. Biosystems Engineering，2010，105（2）：160-171.

[20]呂繼東. 蘋果采摘機器人視覺測量與避障控制研究[D]. 鎮(zhèn)江：江蘇大學，2012.

[21]徐 建，楊福增，蘇樂樂，等. 玉米智能收獲機器人的路徑識別方法[J]. 農(nóng)機化研究，2010，32（2）：9-12.

[22]Ling R P，Searcy S W.Feature extraction for a machine-vision-based shrimp deheader[J]. Trans of the ASAE，1991，34（6）：2631-2636.

[23]MaConnell R K，Blau H H.Color classification of non-uniform baked and roasted foods[M]. Chicago，Illinois：Proceeding Soft the FPAC IV Comerence，1995：40-46.[HJ1.72mm]

[24]劉艷麗. 基于圖像處理的小麥精度自動檢測[D]. 鄭州：河南工業(yè)大學，2010.

[25]周林妹. 數(shù)字圖像邊緣檢測算法及其在農(nóng)產(chǎn)品加工中的應用[J]. 食品與機械，2009，25（3）：139-142.

[26]Hoffmaster A L，F(xiàn)ujimura K，McDonald M B，et al. An automated system for vigor testing three-day-old soybean seedlings[J]. Seed Science and Technology，2003，31（3）：701-713.

[27]李 振，廖同慶，馮青春，等. 基于圖像處理技術的黃瓜種子活力指數(shù)檢測系統(tǒng)設計[J]. 種子，2015，34（6）：111-115.

[28]孫宏佳，房國志. 基于機器視覺的花生種子自動識別的系統(tǒng)設計[D]. 哈爾濱：哈爾濱理工大學，2014.

[29]Thomas P，Kannan A，Degwekar V H，et al.Non-destructive detection of seed weevil infested mango fruits by X-ray imaging[J]. Postharvest Biology and Technology，1995，5（1/2）：161-165.

[30]王江楓，羅錫文. 計算機視覺技術在芒果重量及果面壞損檢測中的應用[J]. 農(nóng)業(yè)工程學報，1998，14（4）：186-189.

[31]陶 凱. 不同顏色光源下蘋果分級的計算機視覺方法[D]. 洛陽：河南科技大學，2012.

[32]劉仲鵬，李文華. 基于圖像處理和特征優(yōu)選的玉米品質(zhì)識別[J]. 江蘇農(nóng)業(yè)科學，2015，43（3）：382-385.

[33]李治宇，周 嶺，石長青，等. 基于圖像處理-HSI顏色空間的木醋液對牛糞堆肥過程H分量模型探究[J]. 江蘇農(nóng)業(yè)科學，2016，44（1）：399-403.endprint