基于圖像自適應(yīng)分類算法的花生出苗質(zhì)量評(píng)價(jià)方法

楊　洋　苗　偉　張　鐵　楊學(xué)軍　劉　路　陳黎卿

(1.安徽農(nóng)業(yè)大學(xué)工學(xué)院， 合肥 230036； 2.安徽省智能農(nóng)機(jī)裝備工程實(shí)驗(yàn)室， 合肥 230036；3.中國(guó)農(nóng)業(yè)機(jī)械化科學(xué)研究院， 北京 100083)

0　引言

由于播種過(guò)程受環(huán)境或者播種機(jī)具性能影響，花生的出苗率在89%左右[1]，普遍存在查苗補(bǔ)苗不及時(shí)、長(zhǎng)勢(shì)較弱等問題，影響花生產(chǎn)量。隨著精準(zhǔn)農(nóng)業(yè)的迅速發(fā)展，植株的出苗質(zhì)量評(píng)價(jià)作為農(nóng)作物產(chǎn)量預(yù)測(cè)[2]、精細(xì)植保[3]以及自動(dòng)化補(bǔ)苗的重要依據(jù)，亟需開展研究。

從文獻(xiàn)[4-8]可以看出，目前關(guān)于農(nóng)作物出苗質(zhì)量的評(píng)價(jià)主要依靠人工計(jì)數(shù)或目測(cè)的方法獲取作物信息，其工作效率低、主觀性大，而且有一些作物特征難以定量描述[9]，如農(nóng)作物包絡(luò)面積或者農(nóng)作物出苗的均勻性等。隨著適度規(guī)模農(nóng)業(yè)的發(fā)展，提出一種適用于大田環(huán)境的農(nóng)作物出苗質(zhì)量評(píng)價(jià)方法，以提高農(nóng)作物田間管理技術(shù)，推進(jìn)農(nóng)業(yè)信息化、精細(xì)化發(fā)展。

目前，機(jī)器視覺技術(shù)已廣泛應(yīng)用在農(nóng)業(yè)植保領(lǐng)域中，在農(nóng)業(yè)機(jī)器人田間行走方面，大量學(xué)者[10-11]開展了基于機(jī)器視覺的導(dǎo)航基準(zhǔn)線生成方法研究，實(shí)現(xiàn)大田環(huán)境農(nóng)業(yè)機(jī)械自動(dòng)行走。在田間植保方面，邱白晶等[3]和趙棟杰等[12]提出了基于機(jī)器視覺識(shí)別作物中心線，實(shí)現(xiàn)了噴藥噴頭的自動(dòng)對(duì)靶噴霧技術(shù)；權(quán)龍哲等[13]研究基于圖像識(shí)別玉米品種，肖志云等[14]針對(duì)植物病害彩色紋理特點(diǎn)，開展植物病害分類識(shí)別，為植物的田間管理提供有效途徑；宋鵬等[15]設(shè)計(jì)了基于計(jì)算機(jī)視覺的玉米單倍體自動(dòng)分選系統(tǒng)，文獻(xiàn)[16-18]還開展了田間雜草的識(shí)別技術(shù)，以便后期精確噴施農(nóng)藥和除草劑。還有學(xué)者[19-20]基于機(jī)器視覺技術(shù)，開展了農(nóng)作物種子質(zhì)量精選、分級(jí)研究，提高了農(nóng)作物出苗質(zhì)量。

綜上所述，目前機(jī)器視覺技術(shù)已廣泛應(yīng)用于田間管理領(lǐng)域中，但是關(guān)注農(nóng)作物出苗質(zhì)量評(píng)價(jià)的研究較少。本文以花生苗為研究對(duì)象，設(shè)計(jì)花生苗出苗質(zhì)量檢測(cè)自走機(jī)器人，采用機(jī)器視覺技術(shù)提取花生出苗數(shù)量、花生苗幾何特征和花生苗中心點(diǎn)坐標(biāo)位置，準(zhǔn)確快速評(píng)價(jià)大田環(huán)境下花生缺苗情況和花生生長(zhǎng)狀況。

1　出苗質(zhì)量評(píng)價(jià)流程

1.1　花生出苗質(zhì)量評(píng)價(jià)指標(biāo)

對(duì)于花生出苗質(zhì)量，主要從花生缺苗率和花生苗活力指數(shù)兩方面進(jìn)行評(píng)價(jià)。其中花生缺苗率用于表征花生出苗數(shù)量相對(duì)于理想狀況(農(nóng)藝規(guī)定)缺少的棵數(shù)，缺苗率直接影響到花生的種植密度，進(jìn)而影響產(chǎn)量[5]?；ㄉ缁盍χ笖?shù)主要從花生葉片包絡(luò)面積進(jìn)行評(píng)價(jià)，葉片面積指數(shù)一方面可反映作物生長(zhǎng)狀況，另一方面可反映葉片對(duì)光能的利用情況，單棵花生葉片包絡(luò)面積與花生產(chǎn)量呈正相關(guān)[2]。

通過(guò)花生出苗質(zhì)量的評(píng)價(jià)，可以得到大田環(huán)境下花生缺苗以及長(zhǎng)勢(shì)較差花生的幾何坐標(biāo)位置，為后期補(bǔ)苗和田間植保提供信息。

1.2　評(píng)價(jià)分析流程

機(jī)器人采集圖像并記錄圖像的位置坐標(biāo)，然后采用基于自適應(yīng)分類算法提取花生苗在所采集圖像中的坐標(biāo)位置、花生苗葉片包絡(luò)面積以及花生苗數(shù)量。通過(guò)圖像位置和花生苗在所采集圖像中的坐標(biāo)可以得到花生苗在田間的缺苗位置、花生苗長(zhǎng)勢(shì)較差位置，流程如圖1所示。

圖1　基于田間行走機(jī)器人的花生苗質(zhì)量評(píng)價(jià)流程圖Fig.1　Flow chart of quality evaluation of peanut sprout based on field walking robots

1.3　花生出苗檢測(cè)系統(tǒng)

圖像采集設(shè)備采用CMOS機(jī)器視覺攝像頭，圖像分辨率為1 024像素×768像素，單個(gè)像素對(duì)應(yīng)地面尺寸為1.5 mm，相機(jī)鏡頭與地面保持平行，攝像頭安裝在遠(yuǎn)程遙控田間行走機(jī)器人前方，如圖2所示。機(jī)器人行走路徑通過(guò)GPS規(guī)劃，基于純路徑跟蹤算法，機(jī)器人按照已規(guī)劃路徑行走。機(jī)器人行走速度設(shè)定為1 m/s，圖像采集頻率為1 f/s，圖像采集區(qū)域1 530 mm×1 150 mm，所拍攝的圖像利用移動(dòng)平臺(tái)所裝載的差分GPS標(biāo)記圖像的坐標(biāo)信息?；趫D像坐標(biāo)序列，對(duì)圖像進(jìn)行物理拼接，形成整個(gè)大田作物圖像信息?；贏lvarion網(wǎng)橋搭建數(shù)據(jù)鏈路，可同時(shí)傳輸指令和視頻/圖像信號(hào)，其中，圖像傳遞和指令返回時(shí)間小于20 ms，圖像處理平均時(shí)間180 ms，該采集系統(tǒng)能夠?qū)崿F(xiàn)動(dòng)采集動(dòng)處理功能。圖像處理硬件采用Inter Core i7處理器，主頻2.6 GHz，內(nèi)存容量16 GB，顯卡型號(hào)Nvidia Quadro M1000M，顯存容量4 GB。

圖2　花生出苗質(zhì)量評(píng)價(jià)檢測(cè)系統(tǒng)Fig.2　Peanut seedling quality evaluation and detection system

2　基于自適應(yīng)分類算法的花生苗圖像信息提取

2.1　花生苗圖像顏色提取因子

圖3　花生苗與土壤RGB統(tǒng)計(jì)結(jié)果Fig.3　RGB statistics result of peanut and soil

在農(nóng)田環(huán)境中，植物部分主要呈綠色，土壤背景主要呈褐色，因此可以基于超綠特征算法提取花生綠色特征。隨機(jī)選取50幅花生苗圖像，提取圖像中花生苗和土壤顏色樣本點(diǎn)(每幅圖像分別提取20個(gè)花生苗和土壤測(cè)試點(diǎn))，進(jìn)行R、G、B顏色特征分析。圖3為花生苗和土壤顏色特征因子的統(tǒng)計(jì)結(jié)果，可以看出花生苗的G分量值顯著大于土壤，因此可以基于G分量提取花生圖像信息。

如果直接采用G顏色特征設(shè)置花生苗圖像閾值，得到的結(jié)果如圖4所示，可以看出直接采用G顏色分量無(wú)法有效將花生苗從土壤中完整提取出來(lái)，容易出現(xiàn)提取不完整或者過(guò)提取，且噪聲較大。

圖4　基于G顏色特征提取花生苗的試驗(yàn)結(jié)果Fig.4　Test results of peanut seedling extract based on G color characteristics

針對(duì)上述問題，基于R、G、B顏色彼此關(guān)系特征，建立花生苗顏色提取算子

(1)

式中Δgr——花生苗顏色算子G-R提取閾值

Δgb——花生苗顏色算子G-B提取閾值

按照式(1)定義的花生苗提取算子，對(duì)圖像R、G、B值進(jìn)行處理，得出顏色算子G-R和G-B的分布，如圖5所示。根據(jù)顏色算子分布密度和分布區(qū)域，可以明顯地將圖像分為2類，有效地將土壤和花生苗進(jìn)行分類。

圖5　基于G-R和G-B的圖像分類Fig.5　Image classification based on G-R and G-B

采用式(1)定義的顏色算子具有較好魯棒性，通過(guò)設(shè)定花生苗顏色提取閾值Δgr和Δgb，開展花生苗圖像信息提取有效性魯棒試驗(yàn)，試驗(yàn)結(jié)果如圖6所示，可以看出顏色提取閾值在10<Δgr<60和0<Δgb<30范圍內(nèi)都可以有效提取花生苗圖像信息。

圖6　花生苗圖像提取魯棒性試驗(yàn)結(jié)果Fig.6　Robustness test results of peanut images extraction

2.2　花生苗圖像顏色提取閾值確定

由于氣候環(huán)境、土壤水分等影響，不同時(shí)間段以及不同位置花生苗及土壤的圖像信息都會(huì)呈現(xiàn)出不同的顏色特征，如果采用固定不變的花生苗提取閾值，無(wú)法準(zhǔn)確地將花生苗圖像信息從土壤背景中提取出來(lái)。為此，提出了基于K-均值聚類的圖像自適應(yīng)顏色閾值確定算法。K-均值聚類是基于空間距離的聚類算法，采用距離作為相似性評(píng)價(jià)指標(biāo)，認(rèn)為簇是由距離靠近的對(duì)象組成，因此將緊湊且獨(dú)立的簇作為最終計(jì)算目標(biāo)[21]。該算法首先按照?qǐng)D7的方式進(jìn)行圖像RGB采樣，按照式(1)將采樣點(diǎn)R、G、B值轉(zhuǎn)換為G-R值和G-B值，作為分類樣本點(diǎn)數(shù)據(jù)集。

圖7　提取圖像的樣本點(diǎn)信息Fig.7　Samples of image

基于K-均值聚類算法對(duì)圖像樣本點(diǎn)數(shù)據(jù)集進(jìn)行分類，分類結(jié)果如圖8所示，可以看出通過(guò)聚類將G-R值和G-B值分為2類，其中聚類1中為土壤，聚類2中為花生苗。計(jì)算聚類2中的花生苗提取算子G-R和G-B的均值及其偏差，確定花生苗顏色提取閾值Δgr和Δgb

(2)

式中AG-R、AG-B——提取算子G-R和G-B的均值

SG-R、SG-B——提取算子G-R和G-B的偏差

圖8　花生苗提取算子G-R和G-B值分類Fig.8　Classification of G-R and G-B

采用上述方法對(duì)花生苗進(jìn)行提取，取原始圖像左下角兩棵花生苗進(jìn)行放大，如圖9所示，可以看出本方法較好地提取了花生苗圖像信息，有效剔除了枯葉、雜物以及花生苗產(chǎn)生的陰影，花生苗圖像信息未發(fā)生明顯丟失。

圖9　花生圖像提取細(xì)節(jié)對(duì)比Fig.9　Detail comparison between peanut and extracts

2.3　圖像分割

花生苗的分割屬于完全分割，其結(jié)果是一組唯一對(duì)應(yīng)于輸入圖像中物體的相互不相交的區(qū)域，圖像R的完全分割是區(qū)域R1，R2,…,Rs的有限集合

(3)

圖像數(shù)據(jù)的不確定性是圖像分割的主要問題，通常伴隨著噪聲。本文采用圖像全局分割和區(qū)域分割相結(jié)合的方法，準(zhǔn)確分割花生苗圖像信息，分割過(guò)程如圖10所示。

圖10　花生苗圖像信息分割結(jié)構(gòu)圖Fig.10　Segmentation process of peanut image

圖11　全局分割結(jié)果Fig.11　Result of global segmentation

通過(guò)圖像自適應(yīng)分類算法自動(dòng)選取閾值進(jìn)行圖像分割，得到的結(jié)果如圖11所示。圖11白色區(qū)域表示花生苗，從圖中可以看出，田地中存在少量的雜草，其顏色與花生苗葉片顏色相近，無(wú)法通過(guò)顏色特征剔除。因此，需要進(jìn)一步對(duì)分割后的圖像進(jìn)行處理，進(jìn)而確定花生苗數(shù)量。

采用腐蝕膨脹處理和形態(tài)學(xué)約束進(jìn)一步剔除雜草噪聲，首先，選擇圓形結(jié)構(gòu)元素因子對(duì)圖像進(jìn)行先腐蝕后膨脹處理，將外伸嚴(yán)重的花生葉片連為整體，避免機(jī)器識(shí)別過(guò)程出現(xiàn)花生苗分裂成若干棵花生苗的情況，導(dǎo)致誤判現(xiàn)象，如圖11橢圓標(biāo)出部分。然后統(tǒng)計(jì)花生苗最小外接矩形幾何特性(樣本量1 000棵)，得到花生苗包絡(luò)面積均值10 027 mm2，最小外接矩形長(zhǎng)度和寬度均值分別為122 mm和126 mm。

基于花生苗幾何特性對(duì)全局分割進(jìn)行約束和檢測(cè)，具體約束公式為

(4)

式中L、B——花生苗外接矩形的長(zhǎng)度和寬度

S——花生苗包絡(luò)面積

LAVE、BAVE、SAVE——外接矩形長(zhǎng)、寬、面積的統(tǒng)計(jì)均值

LSTD、BSTD、SSTD——外接矩形長(zhǎng)、寬、面積的偏差

采用上述公式對(duì)噪聲進(jìn)行處理，最終得到花生苗圖像分割結(jié)果如圖12所示。從圖中可以看出，單棵花生較好地形成了一個(gè)整體，有效地解決了花生苗計(jì)數(shù)誤判現(xiàn)象。

2.4　區(qū)域圖像分割

當(dāng)圖像包絡(luò)面積大于一定值后，有可能是兩棵以上花生苗長(zhǎng)到一起導(dǎo)致的，進(jìn)而導(dǎo)致誤判現(xiàn)象，如圖13所示，因此需要對(duì)局部圖像進(jìn)行再次分割。

采用花生苗包絡(luò)面積統(tǒng)計(jì)值的上線作為閾值，判斷二次分割區(qū)域，采用分水嶺分割法對(duì)局部圖像進(jìn)行二次分割，畫出圖形的等高線如圖14a所示，確定分割界限，結(jié)果如圖14b所示，最終兩棵連在一起的花生苗得到正確分割。

圖12　剔除雜草噪聲后分割結(jié)果Fig.12　Weed noise removal

圖13　誤判現(xiàn)象Fig.13　Misjudgment of peanut

3　花生出苗評(píng)價(jià)指標(biāo)計(jì)算

3.1　花生苗坐標(biāo)位置確定

花生苗坐標(biāo)位置的確定是開展花生苗田間缺苗率計(jì)算的前提，本文采用花生苗葉片包絡(luò)面積中心點(diǎn)近似估計(jì)花生苗坐標(biāo)位置。設(shè)第p列、第q行花生苗葉片包絡(luò)面積中心點(diǎn)坐標(biāo)值(Xpq,Ypq)，其中X坐標(biāo)為水平方向，Y坐標(biāo)為豎直方向，花生苗包絡(luò)區(qū)域中心位置的計(jì)算方法為

(5)

式中f(x,y)——圖像像素值

M——圖像X方向像素?cái)?shù)

N——圖像Y方向像素?cái)?shù)

(x,y)——像素點(diǎn)的橫、縱坐標(biāo)

基于式(5)對(duì)圖15進(jìn)行計(jì)算，得到花生苗葉片包絡(luò)面積中心點(diǎn)分布如圖16所示。

圖15　花生苗缺苗示意圖Fig.15　Illustration of peanut seedling deficiency

圖16　花生苗中心點(diǎn)分布Fig.16　Peanut center point distribution

采用花生苗坐標(biāo)位置計(jì)算花生苗株距，與人工測(cè)量花生根莖株距平均誤差小于5.35 mm(偏差1.16 mm)。

3.2　花生苗田間缺苗率計(jì)算

花生苗田間缺苗率計(jì)算公式為

(6)

式中P0——基于農(nóng)藝設(shè)計(jì)的單位面積花生苗數(shù)量，該參數(shù)在花生種植時(shí)由農(nóng)藝師設(shè)定

ΔP——田間花生苗缺苗數(shù)量

對(duì)于第p列苗帶，可以根據(jù)苗帶中心坐標(biāo)Ypq計(jì)算花生苗在苗帶方向的間距Lpq，進(jìn)而判斷株距是否滿足農(nóng)藝要求。

Lpq=|Ypq-Yp,q-1|

(7)

對(duì)于式(7)可以分為3種情況：

(1)如果Lpq∈[L-LSTD,L+LSTD]，說(shuō)明兩棵花生苗在農(nóng)藝要求距離范圍內(nèi)，歸類于正常出苗，其中L為農(nóng)藝要求值，LSTD為誤差范圍。

(2)如果Lpq∈(0，L-LSTD)，說(shuō)明兩棵花生苗距離太近，不符合農(nóng)藝要求，雖然花生正常出苗，但是多出的苗對(duì)花生的產(chǎn)量并無(wú)顯著影響，因此可以歸類于異常出苗，不符合農(nóng)藝要求。

(3)如果Lpq>L+LSTD，說(shuō)明兩棵花生苗距離過(guò)遠(yuǎn)，不符合農(nóng)藝要求，可以判斷缺苗，進(jìn)一步判斷具體缺苗數(shù)量。

(8)

式中round——取整函數(shù)

圖15為田間拍攝花生苗圖像，可以直觀看出圖中黃色陰影部分為缺苗部分，通過(guò)手工計(jì)算得到花生缺苗率為6.67%。圖16中的?符號(hào)所在位置表示缺苗位置，計(jì)算得到花生缺苗率為6.67%，可以看出，通過(guò)機(jī)器視覺得到的花生缺苗率與實(shí)際情況一致。

3.3　花生苗活力指數(shù)

相關(guān)文獻(xiàn)指出[4-5]，花生苗葉片包絡(luò)面積與花生產(chǎn)量成正比關(guān)系，因此本文以花生苗葉片包絡(luò)面積表示花生苗活力。通過(guò)計(jì)算花生苗包絡(luò)區(qū)域像素?cái)?shù)值，然后根據(jù)比例關(guān)系得到花生苗包絡(luò)面積Apq?；诨ㄉ缛~片包絡(luò)面積，結(jié)合農(nóng)藝要求得到花生苗活力指數(shù)

(9)

式中A0——花生苗幼苗期葉片包絡(luò)面積的標(biāo)準(zhǔn)值，本文以大田花生苗葉片包絡(luò)面積均值作為標(biāo)準(zhǔn)值

Astd——可接受偏差

式(9)將花生苗活力指數(shù)歸一化到[0,1]范圍內(nèi)，根據(jù)花生苗葉片包絡(luò)面積將花生活力指數(shù)分為兩類：當(dāng)花生苗葉片包絡(luò)面積在農(nóng)藝要求范圍內(nèi)，賦值為1；當(dāng)花生苗葉片包絡(luò)面積小于農(nóng)藝規(guī)定值的下線，屬于取值越小越差型指標(biāo)，按照式(9)進(jìn)行歸一化。

3.4　花生出苗質(zhì)量試驗(yàn)評(píng)價(jià)

2017年6月11日在安徽農(nóng)業(yè)大學(xué)工學(xué)院試驗(yàn)田進(jìn)行試驗(yàn)，花生處于幼苗期(播種后35 d)。在田間隨機(jī)開展10次試驗(yàn)，試驗(yàn)結(jié)果對(duì)比如表1所示。通過(guò)機(jī)器視覺識(shí)別花生苗數(shù)量的準(zhǔn)確度最低為91.7%，最高為100%，平均準(zhǔn)確度達(dá)到95.4%(±3.5%)。對(duì)于缺苗率，采用皮爾遜相關(guān)系數(shù)計(jì)算圖像識(shí)別和人工識(shí)別的一致性為0.991。

通過(guò)花生苗葉片包絡(luò)面積得到每幅圖像花生苗葉片包絡(luò)面積低于農(nóng)藝規(guī)定值棵數(shù)、花生苗活力指數(shù)、花生苗葉片覆蓋地面比例，結(jié)果如表2所示。其中，試驗(yàn)6花生苗活力指數(shù)為0.915(最低)，花生苗覆蓋地面占比29.7%(最低)，基于此判斷該采樣點(diǎn)位置花生苗長(zhǎng)勢(shì)較差，結(jié)果可為精細(xì)植保提供依據(jù)。

表1　花生缺苗率試驗(yàn)結(jié)果Tab.1　Test results of peanut seedling deficiency rate

4　結(jié)束語(yǔ)

以花生出苗質(zhì)量為研究對(duì)象，提出了花生出苗質(zhì)量評(píng)價(jià)指標(biāo)，設(shè)計(jì)了實(shí)時(shí)獲取花生苗圖像信息的田間行走機(jī)器人，基于機(jī)器視覺的方法開展了花生出苗質(zhì)量評(píng)價(jià)研究。首先提出了魯棒性強(qiáng)的花生苗圖像提取算子，采用K-均值聚類算法對(duì)提取算子進(jìn)行聚類，有效解決了氣候環(huán)境對(duì)圖像識(shí)別精度的影響，提高了圖像識(shí)別適應(yīng)性。將全局分割與局部分割緊密結(jié)合，并根據(jù)花生苗形態(tài)學(xué)統(tǒng)計(jì)結(jié)果設(shè)定分割目標(biāo)屬性判斷準(zhǔn)則，有效降低了花生苗數(shù)量誤判。試驗(yàn)結(jié)果表明，采用所提出的花生出苗質(zhì)量評(píng)價(jià)方法能夠快速、準(zhǔn)確評(píng)價(jià)花生出苗質(zhì)量，缺苗率與人工計(jì)數(shù)的一致性為0.991。

表2　花生活力指數(shù)試驗(yàn)結(jié)果Tab.2　Test results of peanut vitality index

1張秀玲. 不同整地方法對(duì)土壤含水量及花生出苗率的影響[J].內(nèi)蒙古農(nóng)業(yè)科技, 2008(4):49.

ZHANG Xiuling. Effects of different soil preparation methods on soil water content and peanut seedling rate [J]. Inner Mongolia Agricultural Science and Technology, 2008(4): 49.(in Chinese)

2楊富軍, 趙長(zhǎng)星, 閆萌萌,等. 栽培方式對(duì)夏直播花生葉片光合特性及產(chǎn)量的影響[J]. 應(yīng)用生態(tài)學(xué)報(bào), 2013, 24(3):747-752.

YANG Fujun, ZHAO Changxing, YAN Mengmeng, et al. Effects of different cultivation modes on the leaf photosynthetic characteristics and yield of summer-sowing peanut[J]. Chinese Journal of Applied Ecology, 2013, 24(3):747-752. (in Chinese)

3邱白晶,閆潤(rùn), 馬靖,等. 變量噴霧技術(shù)研究進(jìn)展分析[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(3):59-72. http:∥www.j-csam.org/jcsam/ch/reader/ view_abstract.aspx?flag=1&file_no=20150309&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2015.03.009.

QIU Baijing, YAN Run, MA Jing, et al. Research progress analysis of variable rate sprayer technology[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(3):59-72. (in Chinese)

4金建猛, 谷建中, 劉向陽(yáng),等. 花生農(nóng)藝性狀與產(chǎn)量的灰色關(guān)聯(lián)度分析[J]. 種子科技, 2009, 27(5):31-33.

JIN Jianmeng, GU Jianzhong, LIU Xiangyang, et al. Gray correlation analysis of peanut agronomic traits and yield [J].Seed Technology, 2009, 27(5): 31-33. (in Chinese)

5甄志高, 王曉林, 段瑩,等. 不同種植密度對(duì)花生產(chǎn)量的影響[J]. 中國(guó)農(nóng)學(xué)通報(bào), 2004, 20(2):90-91.

ZHEN Zhigao, WANG Xiaolin, DUAN Ying, et al. Effect of different planting density on yield in peanut[J]. Chinese Agricultural Science Bulletin, 2004,20(2):90-91. (in Chinese)

6丁興民, 王溯,李民. 不同種植密度對(duì)中間型大花生生物學(xué)性狀與產(chǎn)量的影響[J]. 農(nóng)業(yè)科技通訊, 2015(12):136-139.

DING Xingmin, WANG Su, LI Min. Effects of different planting densities on biological characteristics and yield of intermediate peanut[J].Journal of Agricultural Science and Technology, 2015(12): 136-139.(in Chinese)

7關(guān)小康, 楊明達(dá), 白田田,等. 適宜深播提高地下滴灌夏玉米出苗率促進(jìn)苗期生長(zhǎng)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2016, 32(13):75-80.

GUAN Xiaokang, YANG Mingda, BAI Tiantian, et al. Suitable deep sowing increasing emergence rate and promoting summer maize growth in seeding stage under subsurface drip irrigation[J]. Transactions of the CSAE, 2016, 32(13):75-80.(in Chinese)

8張若宇, 坎雜, 馬蓉,等. 基于RGB模型的脫絨棉種顏色特征與發(fā)芽狀況的關(guān)系[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2010, 26(10):172-177.

ZHANG Ruoyu, KAN Za, MA Rong, et al. Relationship between color features and germination of delinked cottonseed based on RGB color model[J]. Transactions of the CSAE, 2010, 26(10):172-177.(in Chinese)

9李志剛, 傅澤田, 李麗勤. 基于機(jī)器視覺的農(nóng)業(yè)植保技術(shù)研究進(jìn)展[J].農(nóng)業(yè)機(jī)械學(xué)報(bào), 2005, 36(8):143-146.

LI Zhigang,FU Zetian,LI Liqin. Advance in agricultural plant protection technology based on machine vision[J]. Transactions of the Chinese Society for Agricultural Machinery, 2005,36(8):143-146.(in Chinese)

10DONG F, PETZOLD O, HEINEMANN W, et al. Time-optimal guidance control for an agricultural robot with orientation constraints[J]. Computers & Electronics in Agriculture, 2013, 99(6):124-131.

11HIREMATH S A, GERIE W A M, EVERT F K V, et al. Laser range finder model for autonomous navigation of a robot in a maize field using a particle filter[J]. Computers & Electronics in Agriculture, 2014, 100(1):41-50.

12趙棟杰, 張賓, 王學(xué)雷,等. 基于圖像矩的室內(nèi)噴霧機(jī)器人自動(dòng)對(duì)靶研究[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào),2016,47(12):22-29.http:∥www. j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20161204&journal_id=jcsam.DOI：10.6041/j.issn.1000-1298.2016.12.004.

ZHAO Dongjie, ZHANG Bin, WANG Xuelei, et al. Automatic target of indoor spray robot based on image moments[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(12):22-29. (in Chinese)

13權(quán)龍哲,祝榮欣,雷溥,等.基于K-L變換與LS-SVM的玉米品種識(shí)別方[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2010,41(4):168-172.

QUAN Longzhe, ZHU Rongxin, LEI Pu, et al. Method of maize cultivars based on K-L transform and LS-SVM[J]. Transactions of the Chinese Society for Agricultural Machinery, 2010,41(4):168-172. (in Chinese)

14肖志云,劉洪.小波域馬鈴薯典型蟲害圖像特征選擇與識(shí)別[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào),2017,48(9):24-31. http:∥www.j-csam.org/jcsam /ch/reader/view_abstract.aspx?flag=1&file_no=20170903&journal_id=jcsam.DOI：10.6041/j.issn.1000-1298.2017.09.003.

XIAO Zhiyun, LIU Hong. Features selection and recognition of potato typical insect pest images in wavelet domain[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2017,48(9):24-31. (in Chinese)

15宋鵬, 吳科斌, 張俊雄,等. 基于計(jì)算機(jī)視覺的玉米單倍體自動(dòng)分選系統(tǒng)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2010, 41(增刊):249-252.

SONG Peng, WU Kebin, ZHANG Junxiong, et al. Sorting system of maize haploid kernels based on computer vision[J]. Transactions of the Chinese Society for Agricultural Machinery, 2010,41(Supp.):249-252. (in Chinese)

16毛文華, 王一鳴, 張小超,等. 基于機(jī)器視覺的田間雜草識(shí)別技術(shù)研究進(jìn)展[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2004, 20(5):43-46.

MAO Wenhua, WANG Yiming, ZHANG Xiaochao, et al. Research advances of weed identification technology using machine vision[J]. Transactions of the CSAE, 2004, 20(5):43-46. (in Chinese)

17LIN Fenfang, ZHANG Dongyan, WANG Xiu,et al. Identification of corn and weeds on the leaf scale using polarization spectroscopy[J]. Infrared and Laser Engineering, 2016, 45(12):1223001.

18SLAUGHTER D C, GILES D K, DOWNEY D. Autonomous robotic weed control systems: a review[J]. Computers & Electronics in Agriculture, 2008, 61(1):63-78.

19葉鳳林, 李琳, 楊麗明,等. 應(yīng)用機(jī)器視覺技術(shù)篩選射干種子精選指標(biāo)的研究[J]. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào), 2016, 21(8):119-124.

YE Fenglin, LI Lin, YANG Liming, et al.Belamcandachinensis(L) DC. seeds selection based on machine vision technology[J]. Journal of China Agricultural University, 2016, 21(8): 119-124. (in Chinese)

20賈佳, 王建華, 謝宗銘,等. 計(jì)算機(jī)圖像識(shí)別技術(shù)在小麥種子精選中的應(yīng)用[J]. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào), 2014, 19(5):180-186.

JIA Jia, WANG Jianhua, XIE Zongming, et al. Wheat seeds selection based on computer image recognition technique[J]. Journal of China Agricultural University, 2014, 19(5):180-186.(in Chinese)

21徐黎明, 呂繼東. 基于同態(tài)濾波和K均值聚類算法的楊梅圖像分割[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2015, 31(14):202-208.

XU Liming, Lü Jidong. Bayberry image segmentation based on homomorphic filtering and K-means clustering algorithm[J]. Transactions of the CSAE, 2015, 31(14): 202-208. (in Chinese)