基于機(jī)器視覺的溫室番茄裂果檢測

劉鴻飛，黃敏敏，趙旭東，陸文婷

（1. 北京科技大學(xué)機(jī)械工程學(xué)院，北京 100083；2. 農(nóng)科院國家農(nóng)業(yè)科技展示園，北京 100081；3. 首都經(jīng)濟(jì)貿(mào)易大學(xué)工商管理學(xué)院，北京 100070）

0 引 言

隨著現(xiàn)代農(nóng)業(yè)機(jī)械化和自動(dòng)化的不斷發(fā)展，計(jì)算機(jī)視覺技術(shù)已經(jīng)廣泛應(yīng)用于植株生長狀況的在線監(jiān)測、產(chǎn)量預(yù)估、機(jī)器人采摘等相關(guān)技術(shù)領(lǐng)域。裂果是番茄果實(shí)發(fā)育后期經(jīng)常出現(xiàn)的問題，既影響外觀品質(zhì)，又容易受到病菌的侵染。番茄裂果主要有 2種：一種是由果蒂向果肩部位延伸呈放射狀深裂的放射狀裂果；另一種類型是在果肩部出現(xiàn)同心狀的環(huán)狀裂果，很多裂果是這 2種裂果同時(shí)出現(xiàn)的混合型裂果[1]?，F(xiàn)階段番茄裂果率檢測及產(chǎn)量預(yù)估主要依賴于果農(nóng)的日常巡視及抽樣檢測，其檢測效率低、主觀性較強(qiáng)、成本高昂。本文通過機(jī)器視覺技術(shù)對(duì)番茄果實(shí)進(jìn)行定位及裂果檢測，力求在自然場景中高效檢測出番茄裂果，避免人工抽樣所造成的量化誤差，為大規(guī)模種植區(qū)的番茄產(chǎn)量預(yù)測、裂果率估計(jì)及采摘過程中裂果自動(dòng)篩選奠定基礎(chǔ)[2-3]。

國內(nèi)外針對(duì)果實(shí)目標(biāo)定位及品質(zhì)檢測已有一些相關(guān)研究。盧軍等[4]在變換光照條件下對(duì)樹上柑橘目標(biāo)進(jìn)行檢測及遮擋輪廓恢復(fù)，其輪廓恢復(fù)結(jié)果的相對(duì)誤差達(dá)5.34%。蔡健榮等[5]針對(duì)自然場景下成熟柑橘進(jìn)行識(shí)別定位，獲得了95%的檢出率。熊俊濤等[6-7]利用紋理統(tǒng)計(jì)法及顏色特征實(shí)現(xiàn)了荔枝果實(shí)品質(zhì)辨識(shí)的智能識(shí)別，腐爛變質(zhì)果實(shí)的檢測率達(dá)93%。Sengupta等[8]針對(duì)自然光下獲取的柑橘圖像，采用形狀特征作為目標(biāo)位置預(yù)篩選，后續(xù)結(jié)合顏色特征及紋理特征濾除非果實(shí)區(qū)域，最終的檢測率為80.4%。

針對(duì)番茄裂果檢測尚未有相關(guān)課題研究，本文以自然場景中獲取的番茄果實(shí)圖像為研究對(duì)象，主要圍繞 2個(gè)關(guān)鍵問題展開：1）討論在自然環(huán)境中如何穩(wěn)定的檢出番茄目標(biāo)區(qū)域；2）針對(duì)檢出番茄果實(shí)進(jìn)行裂果判別。

1 材料與方法

1.1 試驗(yàn)系統(tǒng)與圖像采集

與許多標(biāo)準(zhǔn)的圖像數(shù)據(jù)集不同，目前還沒有標(biāo)準(zhǔn)的番茄圖像數(shù)據(jù)庫。為驗(yàn)證本文算法的可靠性，課題組于2017年6月—8月期間在農(nóng)科院國家農(nóng)業(yè)科技展示園開展圖像采集試驗(yàn)，試驗(yàn)對(duì)象為不同生長時(shí)期的番茄植株，光源為溫室內(nèi)自然光，圖像中紅綠番茄相互間有輕度黏連且包含 1個(gè)開裂果實(shí)，非常具有代表性。在專業(yè)人員幫助下共采集82幅在順光情況下拍攝的番茄不同角度特寫圖像，隨機(jī)選擇50幅圖像作為訓(xùn)練集，32幅作為驗(yàn)證集圖像。所用相機(jī)型號(hào)為AW-HE58HKMC，采集到的可見光圖像分辨率為1 080×1 920像素，圖像格式為JPG。算法驗(yàn)證前在保證圖像質(zhì)量的前提下將圖像縮小為原圖像的1/4以提高運(yùn)算效率。文中所有算法均在此圖像數(shù)據(jù)集上通過VS2013+Opencv2.4.13軟件實(shí)現(xiàn)。

1.2 算法總述

本算法的流程圖如圖1所示，算法針對(duì)溫室番茄圖像進(jìn)行果實(shí)目標(biāo)定位及裂果判別，傳統(tǒng)方法諸如基于邊緣檢測的番茄目標(biāo)提取方法雖簡單易實(shí)現(xiàn)，但易提出偽邊緣，通用性不強(qiáng)[9]；基于區(qū)域聚類的目標(biāo)前景提取方法計(jì)算復(fù)雜度高，不滿足實(shí)時(shí)讀取要求[10-12]；基于顏色及紋理特征的分割方法通用性較好，但易引入部分非果實(shí)區(qū)域[13-18]。

圖1 溫室番茄裂果檢測算法流程圖Fig.1 Flowchart of dehiscent tomato detection algorithm in greenhouse

針對(duì)上述已有研究存在的不足，本文首先利用多通道顏色特征對(duì)原始圖像進(jìn)行顏色域預(yù)分割，再從訓(xùn)練集中圖像選取10×10像素大小的果實(shí)及非果實(shí)區(qū)域進(jìn)行基于區(qū)域紋理的SVM分類器訓(xùn)練，對(duì)預(yù)分割后的潛在果實(shí)區(qū)域進(jìn)行二次判別，濾除非果實(shí)區(qū)域?qū)崿F(xiàn)番茄目標(biāo)定位。然后利用Shi-Tomasi角點(diǎn)對(duì)前景邊緣輪廓進(jìn)行分割篩選，再利用基于最小二乘法修正的Hough橢圓變換進(jìn)行單個(gè)輪廓擬合。最后采用二維 Gabor小波變換提取果實(shí)表面紋理[19-23]，對(duì)擬合而成的番茄果實(shí)區(qū)域進(jìn)行裂果判別。

1.2.1 區(qū)域紋理特征

前期基于多通道顏色通道（R—B色差圖、歸一化R通道及H通道）相融合的閾值分割結(jié)果仍包含與綠色果實(shí)區(qū)域顏色相近的葉片或莖蔓區(qū)域，因此本文從50張訓(xùn)練集圖像中各提取100張10×10像素大小的果實(shí)及非果實(shí)區(qū)域進(jìn)行二次分割?？紤]到果實(shí)及非果實(shí)區(qū)域紋理特征各不相同，本文引入統(tǒng)計(jì)性紋理特征：標(biāo)準(zhǔn)偏差σ、能量 Energy、熵 Entropy、平滑度 Smoothness、三階矩M3共 5個(gè)變量來進(jìn)行監(jiān)督分類器訓(xùn)練，用于后續(xù)對(duì)潛在果實(shí)區(qū)域進(jìn)行二次判別，實(shí)現(xiàn)對(duì)果實(shí)前景區(qū)域的正確檢出。

式中i為圖像的灰度級(jí)；N為圖像灰度級(jí)數(shù)；μ為區(qū)域灰度均值；p(i)為不同灰度級(jí)對(duì)應(yīng)的像素點(diǎn)數(shù)。

1.2.2 目標(biāo)輪廓擬合

以上述分割獲得的前景區(qū)域?yàn)槟０?，?duì)其原圖果實(shí)區(qū)域進(jìn)行 Canny邊緣檢測。對(duì)前景二值區(qū)域進(jìn)行Shi-Tomasi角點(diǎn)檢測，將邊緣輪廓依據(jù)角點(diǎn)劃分為多個(gè)邊緣片段。由于番茄目標(biāo)區(qū)域輪廓應(yīng)為平滑弧段，在此本文依據(jù)邊緣片段的曲率及長度濾除部分冗余輪廓，再將剩余邊緣片段集根據(jù)距離準(zhǔn)則進(jìn)行合并以進(jìn)行后續(xù)霍夫擬合。

1）長度判定：若所提取的弧段長度過短，則其要么是開裂部分不規(guī)則紋理邊緣，要么是受背景干擾的次要邊緣弧段。經(jīng)前期試驗(yàn)總結(jié)，本文取邊緣片段集中最大弧長長度的 12%作為閾值，若長度小于此閾值，則將其作為無效邊緣濾除；

2）曲率判定：考慮到番茄類圓形外觀特征，其目標(biāo)邊緣應(yīng)為類圓形弧段。開裂部分為長直型邊緣，且實(shí)際枝干等遮擋物體也大都為平直型輪廓，因此本文選定分割弧段上各點(diǎn)到弧段端點(diǎn)相連的弧弦上的平均距離作為平直性判定標(biāo)準(zhǔn)。在此額外設(shè)定在弦的同側(cè)距離為正，異側(cè)為負(fù)，以此作為凹凸性補(bǔ)充。經(jīng)前期試驗(yàn)總結(jié)，本文取 3個(gè)像素大小作為曲率判定閾值，若平均距離小于此閾值，則因其不符合果實(shí)弧形輪廓特征將其作為無效邊緣濾除。

Hough變換通過將圖像空間映射到參數(shù)空間來求解目標(biāo)位置參數(shù)，鑒于番茄果實(shí)為類圓型輪廓，且番茄以簇、株的實(shí)際生長形式使得其相互之間存在大量遮擋區(qū)域，因此本文利用最小二乘法對(duì)Hough橢圓檢測算法的擬合結(jié)果進(jìn)行輪廓修正[24-28]，從而提高識(shí)別效果。

由于多個(gè)弧段擬合同一果實(shí)區(qū)域會(huì)有多種不同結(jié)果，且因?qū)嶋H拍攝距離及角度各不相同，導(dǎo)致圖像內(nèi)果實(shí)面積大小不一，因此本文將前景二值區(qū)域像素到最近目標(biāo)區(qū)域邊界的歐氏距離最大值Rmax作為擬合橢圓半徑限制。

式中ΔΦ為果實(shí)擬合誤差，本文在上述限制條件下選定最小擬合誤差并以此作為霍夫擬合最終判定條件。S為真實(shí)果實(shí)面積，Si為擬合果實(shí)面積；ε對(duì)應(yīng)所擬合橢圓的圓形度，C為擬合橢圓周長，經(jīng)數(shù)據(jù)集樣本標(biāo)定在此T1值設(shè)為0.83；(x, y)分別對(duì)應(yīng)擬合果實(shí)中心坐標(biāo)，式（4）限定了擬合橢圓之間的圓心距：若圓心距過小則表明果實(shí)存在嚴(yán)重遮擋，不滿足本文分析條件。在此取閾值T2=0.67Rmax。ρ為番茄擬合重合度，在此選定T3=0.95作為限定條件。

1.2.3 基于二維Gabor小波的裂果檢測

二維Gabor小波是由二維Gabor濾波器通過尺度伸縮和旋轉(zhuǎn)生成的一組濾波器，其光照變化不敏感，能容忍一定程度的圖像旋轉(zhuǎn)和變形。由于其基函數(shù)的正交變換性，可有效提取不同尺度和方向上的局部紋理特征。圖像二維離散Gabor小波變換可表示為

式中f(x，y)表示尺寸為M×N的樣本圖像；(,)s t為濾波器核函數(shù)的大?。籾,v分別表示小波變換的尺度和方向；φu,v為Gabor小波變換函數(shù)，其與φ*u,v互為共軛函數(shù)；ω為復(fù)正弦函數(shù)的頻率帶寬；σx,σy分別表示高斯包絡(luò)函數(shù)在坐標(biāo)軸方向上的標(biāo)準(zhǔn)方差，決定著二維濾波器作用域的大小。

由于其獨(dú)特的空間局部性、空間頻率及方向選擇性，每個(gè) Gabor濾波器核函數(shù)都可以用來模擬一個(gè)初級(jí)空間感受野對(duì)信號(hào)進(jìn)行處理的過程，并能在與其振蕩方向垂直的邊緣處產(chǎn)生強(qiáng)烈的響應(yīng)，因此可以捕獲圖像在不同頻率、不同方向下的邊緣及局部顯著特征。

2 試驗(yàn)與結(jié)果分析

2.1 基于SVM的潛在區(qū)域紋理分割

前期試驗(yàn)綜合對(duì)比多種色差預(yù)分割算法，最終選定基于R—B色差圖、歸一化R分量圖及H通道亮度圖融合的閾值分割方法。本文分別對(duì)這3個(gè)通道的自適應(yīng)閾值分割結(jié)果進(jìn)行形態(tài)學(xué)開操作，以消除細(xì)小噪聲點(diǎn)，得到初步結(jié)果Irb、Inr、Ih，然后以Ih二值圖為掩膜圖像對(duì)Irb、Inr，的并集進(jìn)行形態(tài)學(xué)重建，圖2b所示為圖2a經(jīng)過上述顏色域預(yù)分割的效果，可見其中還包含部分非果實(shí)背景。本文前期從50張訓(xùn)練集圖像中截取10×10像素大小的果實(shí)及非果實(shí)區(qū)域各100張，相關(guān)區(qū)域紋理特征如下表1所示。

表1 潛在區(qū)域紋理均值統(tǒng)計(jì)Table 1 Mean statistics of texture feature in potential region

利用以上5維特征向量，進(jìn)行線性SVM分類器訓(xùn)練，建立基于紋理的二次區(qū)域分割模型。如圖2c所示，通過對(duì)顏色空間預(yù)分割所得的前景及其邊緣潛在目標(biāo)區(qū)域進(jìn)行二次分類判別，分割效果較為優(yōu)秀，有利于后續(xù)邊緣檢測及果實(shí)擬合。

2.2 邊緣提取及霍夫擬合結(jié)果

經(jīng)過不同光照下圖像邊緣檢測試驗(yàn)，本文選定Canny閾值范圍為[40,120]，此參數(shù)范圍內(nèi)能較好檢出樹上水果的前景邊緣。考慮到實(shí)際果實(shí)區(qū)域存在高光、陰影及相互遮擋問題，如圖3a所示，所提Canny邊緣包含些許無效邊緣弧段，因此本文基于曲率及長度準(zhǔn)則對(duì)其進(jìn)行過濾篩選。之后通過 Shi-Tomasi算子搜索重疊邊界交點(diǎn)，以此交點(diǎn)作為分割點(diǎn)進(jìn)行果實(shí)目標(biāo)弧段劃分。圖3b所示為最終篩選弧段結(jié)果，由圖3c可知，霍夫擬合結(jié)果與目標(biāo)輪廓非常吻合，證明本文算法在溫室環(huán)境下能較好地定位識(shí)別番茄果實(shí)區(qū)域。

圖2 溫室番茄圖像分割過程Fig.2 Segmentation process tomato image in greenhouse

圖3 番茄果實(shí)識(shí)別過程Fig.3 Tomato recognition process

2.3 裂果檢測

圖 4所示為在圖像訓(xùn)練集中截取的好果與裂果的原圖及紋理對(duì)比圖，由圖可知，裂果圖像區(qū)域紋理特征明顯?？紤]到果實(shí)開裂的程度及方向各異，因此本文結(jié)合二維離散Gabor算子原理，對(duì)50張訓(xùn)練集圖像中的195個(gè)好果區(qū)域和55個(gè)裂果區(qū)域分別進(jìn)行4個(gè)尺度10個(gè)方向上的紋理特征提取，Gabor濾波模版組件如圖5所示。圖 6所示為好果與裂果紋理特征對(duì)比結(jié)果，由圖可知好果與裂果在各尺度各方向上特征差異明顯，可利用上述訓(xùn)練集提取歸一化均值及能量作為好果與裂果分類的判別特征，對(duì)其進(jìn)行SVM裂果判別模型訓(xùn)練并用作后續(xù)裂果識(shí)別。

圖4 好果與裂果區(qū)域?qū)Ρ葓DFig.4 Texture comparison between good fruit and dehiscent fruit

圖5 Gabor濾波算子Fig.5 Gabor filter operator

圖6 Gabor算子各尺度各方向紋理特征對(duì)比結(jié)果Fig.6 Result comparison of Gabor features in different dimensions and directions

圖7所示為測試集中的其中4張圖像檢測效果，結(jié)果表明本算法在順光、相互間較少黏連的條件下能準(zhǔn)確識(shí)別出圖中裂果，可靠性較高，具有較好的實(shí)際工程效果。測試集中的32幅測試圖像總計(jì)包含128個(gè)番茄果實(shí)目標(biāo)（包含裂果個(gè)數(shù)），果實(shí)總數(shù)只包含相機(jī)聚焦位置區(qū)域，忽略部分嚴(yán)重黏連及虛焦區(qū)域果實(shí)。正確檢出率是指正確檢出的果實(shí)數(shù)所占的比重；誤檢率是指把非果實(shí)區(qū)域誤識(shí)別為果實(shí)在數(shù)據(jù)集中所占的比重。

對(duì)其運(yùn)用本文算法進(jìn)行驗(yàn)證，其檢測結(jié)果如表 2所示。結(jié)果表明本文所提算法正確檢出果實(shí)117個(gè)，誤檢7個(gè)，正確率達(dá)91.41%；開裂深度大于1/3果實(shí)半徑的35個(gè)裂果中，正確識(shí)別34個(gè)裂果，識(shí)別率優(yōu)秀。部分漏檢情況是因果實(shí)局部嚴(yán)重遮擋，致使 2個(gè)嚴(yán)重黏連的番茄果實(shí)被誤識(shí)別為同一番茄目標(biāo)，導(dǎo)致算法魯棒性將有所降低，后續(xù)將引入圖像深度信息進(jìn)行黏連區(qū)域分割，這也是進(jìn)一步減小果實(shí)誤檢率的研究方向。

圖7 裂果識(shí)別結(jié)果（Cr：裂果；Pe：好果）Fig.7 Detection results of tomatoes(Cr: Dehiscent fruit; Pe: good fruit)

表2 本文算法對(duì)測試集檢測結(jié)果Table 2 Detection results of proposed algorithm for validation dataset

表2所示為本文算法在32張測試集圖像上的各項(xiàng)實(shí)驗(yàn)結(jié)果，算法運(yùn)行環(huán)境為 Win10，intelòCoreTMi5-6500CPU @3.2 GHz，運(yùn)行內(nèi)存4 GB。果實(shí)識(shí)別部分單個(gè)果實(shí)平均耗時(shí) 249 ms，這主要是因同一番茄目標(biāo)的輪廓片段集初次擬合的橢圓個(gè)數(shù)較多，導(dǎo)致橢圓篩選部分因讀入大量橢圓參數(shù)而耗時(shí)較多。裂果檢測部分耗時(shí)僅21 ms且裂果檢出率較高，可見本文算法可集成在移動(dòng)機(jī)器人平臺(tái)在大規(guī)模番茄種植區(qū)實(shí)現(xiàn)裂果率估計(jì)研究[29-31]，本算法亦可用于植物平臺(tái)在線監(jiān)測系統(tǒng)對(duì)生長期番茄進(jìn)行分時(shí)監(jiān)測（例：每分鐘檢測一次）[32]。

3 結(jié)論與展望

本文提出的溫室番茄裂果檢測算法，在順光、相互間較少遮擋的條件下能較好識(shí)別出番茄果實(shí)，并在此基礎(chǔ)上實(shí)現(xiàn)番茄裂果的準(zhǔn)確判別。

1） 對(duì)經(jīng)過多通道顏色空間預(yù)分割的前景圖像區(qū)域進(jìn)行基于統(tǒng)計(jì)性紋理特征的二次分割，有效濾除了非果實(shí)區(qū)域，有利于果實(shí)目標(biāo)定位及后續(xù)果實(shí)區(qū)域邊緣輪廓提??；

2）對(duì)前景區(qū)域進(jìn)行邊緣提取，并利用Shi-Tomasi角點(diǎn)對(duì)所提邊緣進(jìn)行弧段劃分并進(jìn)行篩選，然后對(duì)弧段集進(jìn)行基于最小二乘法修正的改進(jìn) Hough橢圓變換進(jìn)行目標(biāo)擬合。試驗(yàn)結(jié)果表明本文針對(duì)測試集中的 128個(gè)番茄果實(shí)能正確識(shí)別出117個(gè)，識(shí)別準(zhǔn)確率達(dá)到了91.41%，結(jié)果表明對(duì)輕度遮擋的果實(shí)區(qū)域本文算法取得了良好的擬合恢復(fù)效果；

3）利用二維離散Gabor算子提取單個(gè)果實(shí)區(qū)域的紋理特征，構(gòu)造多尺度多方向的紋理特征向量進(jìn)行裂果判別，判別準(zhǔn)確率達(dá)到97.14%，且單個(gè)果實(shí)裂果判別平均耗時(shí)僅21 ms，證明文中所提算法能較為準(zhǔn)確地識(shí)別番茄裂果；

通過對(duì)番茄裂果進(jìn)行判別篩選，本文算法可方便生產(chǎn)管理者統(tǒng)計(jì)裂果檢出率，避免因人為抽樣量化導(dǎo)致的測量誤差，對(duì)于大規(guī)模溫室種植的番茄產(chǎn)量及裂果率的預(yù)測研究具有較好的指導(dǎo)意義。鑒于單個(gè)番茄果實(shí)識(shí)別平均耗時(shí)僅249 ms，本文算法也可結(jié)合植物生長監(jiān)測平臺(tái)對(duì)番茄果實(shí)進(jìn)行連續(xù)非接觸性監(jiān)測，通過圖像量化番茄生長狀態(tài)，為精細(xì)作物栽培及番茄耐裂育種提供信息支持。后續(xù)研究可結(jié)合多功能采摘機(jī)器人移動(dòng)平臺(tái)構(gòu)建適用于溫室的番茄定位識(shí)別模塊和裂果分級(jí)模塊，讓目前的理論研究結(jié)果逐步向?qū)嵺`轉(zhuǎn)化，從而促進(jìn)農(nóng)業(yè)機(jī)械化和自動(dòng)化的進(jìn)一步發(fā)展。

[1]張川，王亞晨，崔守堯，等. 耐裂果與易裂果番茄果實(shí)發(fā)育過程中果實(shí)組織衰老與裂果的關(guān)系[J]. 南京農(nóng)業(yè)大學(xué)學(xué)報(bào)，2016，39(4)：534－542.Zhang Chuan, Wang Yachen, Cui Shouyao, et al. The relationship between fruit tissue senescence and fruit cracking in cracking-resistant and susceptible tomato during fruit ripening[J]. Journal of Nanjing Agricultural University, 2016,39(4): 534－542. (in Chinese with English abstract)

[2]張亞靜，鄧烈，李民贊，等．基于圖像處理的柑橘測產(chǎn)方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40(增刊1)：97－99.Zhang Yajing, Deng Lie, Li Zanmin, et al. Estimation of Citrus Yield Based on Image Processing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2009,40(Supp.1): 97－99. (in Chinese with English abstract)

[3]Kavdir I, Guyer D E. Evaluation of difference pattern recognition techniques for apple sorting[J]. Biosystems Engineering, 2008, 99(2): 211－219．

[4]盧軍，付雪媛，苗晨琳．基于顏色和紋理特征的柑橘自動(dòng)分級(jí)[J]．華中農(nóng)業(yè)大學(xué)報(bào)，2012，31(6)：783－786．Lu Jun, Fu Xueyuan, Miao Chenlin, et al. Citrus automatic grading by using color and texture features [J]. Journal of Huazhong Agricultural University, 2012, 31(6): 783－786.(in Chinese with English abstract)

[5]蔡健榮，周小軍，李玉良，等. 基于機(jī)器視覺自然場景下成熟柑橘識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2008，24(1)：175－178.Cai Jianrong, Zhou Xiaojun, Li Yuliang, et al. Recognition of mature oranges in natural scene based on machine vision[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2008, 24(1): 175－178. (in Chinese with English abstract)

[6]熊俊濤，鄒湘軍，劉念，等．基于機(jī)器視覺的荔枝果實(shí)采摘時(shí)品質(zhì)檢測技術(shù)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45(7)：54－60.Xiong Juntao, Zou Xiangjun, Liu Nian, et al. Fruit quality detection based on machine vision technology when picking litchi[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(7): 54－60. (in Chinese with English abstract)

[7]熊俊濤，葉敏，鄒湘軍，等．多類型水果采摘機(jī)器人系統(tǒng)設(shè)計(jì)與性能分[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44(增刊1)：230－235．Xiong Juntao, Ye Min, Zou Xiangjun, et al. System design and performance analysis on multi-type fruit harvesting robot[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(Supp.1): 230－235.(in Chinese with English abstract)

[8]Sengupta S, Lee W S. Identification and determination of the number of immature green citrus fruit in a canopy under different ambient light conditions[J]. Biosystems Engineering,2014,117(1): 51－61.

[9]呂強(qiáng)，蔡健榮，趙杰文，等．自然場景下樹上柑橘實(shí)時(shí)識(shí)別技術(shù)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2010，41(2)：185－188,170.Lv Qiang, Cai Jianrong, Zhao Jiewen, et al. Real-time recognition of citrus on trees in natural scene[J].Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(2): 185－188,170. (in Chinese with English abstract)

[10]鐘清流，蔡自興．用于彩圖分割的自適應(yīng)譜聚類算法[J].計(jì)算機(jī)應(yīng)用研究，2008，25：3697－3699.Zhong Qingliu, Cai Zixing. Adaptive spectral clustering algorithm for color image segmentation[J]. Application Research of Computers, 2008, 25: 3697－3699.(in Chinese with English abstract)

[11]司永勝，劉剛，高瑞，等．基于 K-均值聚類的綠色蘋果識(shí)別技術(shù)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40(增刊1)：100－104.Si Yongsheng, Liu Gang, Gao Rui, et al. Segmentation Algorithm for Green Apples Recognition Based on K-means Algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2009, 40(Supp.1): 100－104. (in Chinese with English abstract)

[12]Hamdi M A. Modified algorithm marker-controlled watershed transform for image segmentation based on curvelet threshold[J]. Canadian Journal on Image Processing and Computer Vision, 2011, 2(08): 88－91.

[13]李寒，張 漫，高宇，等．溫室綠熟番茄機(jī)器視覺檢測方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(增刊1)：328－334.Li Han, Zhang Man, Gao Yu, et al. Green ripe tomato detection method based on machine vision in greenhouse[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(Supp.1):328－334. (in Chinese with English abstract)

[14]廖崴，鄭立華，李民贊，等．基于隨機(jī)森林算法的自然光照下綠色蘋果識(shí)別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48(增刊1):86－91.Liao Wei, Zheng Lihua, Li Minzan, et al. Green apple recognition in natural illumination based on random forest algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(Supp.1): 86－91. (in Chinese with English abstract)

[15]麥春艷，鄭立華，肖昌一，等．自然光照條件下蘋果識(shí)別方法對(duì)比研究[J]．中國農(nóng)業(yè)大學(xué)學(xué)報(bào)，2016，21(11)：43－50.Mai Chunyan, Zheng Lihua, Xiao Changyi, et al. Comparison of apple recognition methods under natural light[J]. Journal of China Agricultural University, 2016, 21(11): 43－50. (in Chinese with English abstract)

[16]錢建平，楊信廷，吳曉明，等．自然場景下基于混合顏色空間的成熟期蘋果識(shí)別方法[J]．農(nóng)業(yè)工程學(xué)報(bào)，2012，28(17)：137－142.Qian Jianping, Yang Xinting, Wu Xiaoming, et al. Mature apple recognition based on hybrid color space in natural scene[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012,28(17): 137－142. (in Chinese with English abstract)

[17]趙杰文，劉木華，楊國彬．基于 HIS 顏色特征的田間成熟番茄識(shí)別技術(shù)[J]．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2004(5)：122－124,135.Zhao Jiewen, Liu Muhua, Yang Guobin, et al. Discrimination of Mature Tomato Based on HIS Color Space in Natural Outdoor Scenes[J]. Transactions of the Chinese Society for Agricultural Machinery, 2004(5): 122－124,135. (in Chinese with English abstract)

[18]楊倩，高曉陽，武季玲，等．基于顏色和紋理特征的大麥主要病害識(shí)別研究[J]. 中國農(nóng)業(yè)大學(xué)學(xué)報(bào)，2013，18(5):129－135．Yang Qian, Gao Xiaoyang, Wu Jiling, et al. Identification of barley diseases based on texture color feature[J]. Journal of China Agricultural University, 2013, 18(5): 129－135. (in Chinese with English abstract)

[19]Arivazhagan S, Ganesan L, Priyal S P. Texture classification using Gabor wavelets based rotation invariant features[J].Pattern Recognition Letters, 2006, 27(16): 1976－1982.

[20]Kurtulmus F, Lee W S, Vardar A. Green citrus detection using‘eigenfruit’, color and circular Gabor texture features under natural outdoor conditions[J]. Computers & Electronics in Agriculture, 2011, 78(78): 140－149.

[21]白婷婷，鄧彩霞，耿英，等．基于小波變換與Canny算子融合的圖像邊緣檢測方法[J]. 哈爾濱理工大學(xué)學(xué)報(bào), 2010,15(1): 44－47, 51.Bai Tingting, Deng Caixia, Geng Ying, et al. Image edge detection based on wavelet transform and canny operator[J].Journal of Harbin University of Science and Technology,2010, 15(1): 44－47, 51.(in Chinese with English abstract)

[22]Nam Chul Kim, Hyun Joo So. Directional statistical Gabor features for texture classification[J]. Pattern Recognition Letters, 2018.

[23]Hralick R M. Statistical and structural approaches to texture[J]. Proceedings of IEEE, 1979, 67(5): 786－805.

[24]Duda R O, Hart P E. Use of the Hough transformation to detect lines and curves in pictures[J]. Ipsj Magazine, 1972,15(1): 11－15.

[25]李婷，柳寧. 基于機(jī)器視覺的圓定位技術(shù)研究[J]. 計(jì)算機(jī)工程與應(yīng)用，2012，48(9)：153－156.Li Ting, Liu Ning. Studying on circle locating technology based on machine vision[J]. Computer Engineering and Application, 2012, 48(9): 153－156. (in Chinese with English abstract)

[26]Illingworth J, Kittlen J. A survey of the hough transform[J].Computer Vision, Graph. & Image Proc, 1988, 44: 87－116.

[27]荀一，陳曉，李偉，等．基于輪廓曲率的樹上蘋果自動(dòng)識(shí)別[J].江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版)，2007(06)：461－464.Xun Yi, Chen Xiao, Li Wei, et al. Automatic recognition of on-tree apples based on contour curvature[J]. Journal of Jiangsu University: Natural Science Edition, 2007, 28(6):461－464. (in Chinese with English abstract)

[28]Zheng Yuquan. Precise spectral calibration for hyperspectral image[J]. Optics and Precision Engineering, 2010, 18(11):2348－2354.

[29]周航，杜志龍，武占元，等．機(jī)器視覺技術(shù)在現(xiàn)代農(nóng)業(yè)裝備領(lǐng)域的應(yīng)用進(jìn)展[J]. 中國農(nóng)機(jī)化學(xué)報(bào)，2017,38(11)：86－92.Zhou Hang, Du Zhilong, Wu Zhanyuan, et al. Application progress of machine vision technology in the field of modern agriculture equipment[J]. Journal of Chinese Agriculture Mechanization, 2017, 38(11): 86－92. (in Chinese with English abstract)

[30]郭志明，陳全勝，張彬，等．果蔬品質(zhì)手持式近紅外光譜檢測系統(tǒng)設(shè)計(jì)與試驗(yàn)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(8)：245－250.Guo Zhiming, Chen Quansheng, Zhang Bin, et al. Design and experiment of handheld near-infrared spectrometer for determination of fruit and vegetable quality[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2017, 33(8): 245－250. (in Chinese with English abstract)

[31]王玉飛，尹建軍，仲蘇玉，等．基于特征分析的番茄識(shí)別及其軟件的快速開發(fā)[J]. 計(jì)算機(jī)工程與設(shè)計(jì)，2011，32(11)：3824－3827.Wang Yufei, Yin Jianjun, Zhong Suyu, et al. Tomato recognition based on feature analysis and fast development of recognition software[J]. Computer Engineering and Design,2011, 32(11): 3824－3827. (in Chinese with English abstract)

[32]Li H, Lee W S, Wang K. Identifying blueberry fruit of different growth stages using natural outdoor color images[J].Computers & Electronics in Agriculture, 2014, 106(106):91－101.