荊偉斌 胡海棠 程成 李存軍 競霞 郭治軍

摘要： 在農(nóng)業(yè)保險中，蘋果園受災理賠需要通過快速準確的落果計數(shù)進行定損，然而自然場景的復雜性、落果的分布狀態(tài)、采集員的身高、拍照習慣等環(huán)境因素和人為因素影響了基于影像的落果識別與計數(shù)的準確性和可靠性。通過獲取不同落果背景、光照度、落果分布密集度、拍攝高度和拍攝距離等條件下地面的蘋果影像，采用基于深度學習的更快速的區(qū)域卷積神經(jīng)網(wǎng)絡（faster region convolutional neural networks，F(xiàn)aster-RCNN）模型進行地面蘋果檢測的方法，與傳統(tǒng)方法Hough變換和分水嶺算法進行對比。結(jié)果表明，F(xiàn)aster-RCNN模型的平均識別精度達到95.53%，明顯優(yōu)于傳統(tǒng)的地面蘋果提取方法;在弱光、落果分布密集、拍攝距離較遠等不理想的條件下，識別精度也達到90%以上，有較好的穩(wěn)定性。基于深度學習的地面蘋果識別與計數(shù)方法，有望為提高農(nóng)業(yè)果品保險定損的精度與效率提供重要的技術(shù)參考。

關(guān)鍵詞： 深度學習;蘋果;識別;地面蘋果數(shù)量;農(nóng)業(yè)保險

中圖分類號：TP391.41? 文獻標志碼： A

文章編號：1002-1302（2020）05-0210-09

我國蘋果的總產(chǎn)量在2017年已經(jīng)達到4 139萬t，并且目前我國是世界上蘋果種植面積最大、產(chǎn)量最高的國家[1-2]。以室外種植為主的蘋果易受大風、冰雹、大雨等各種不可抗拒的天氣影響而受災，且災害存在區(qū)域性，同一地區(qū)、同一時間、同一災種會造成多個果園受災的現(xiàn)象，其受災的嚴重度直接關(guān)系到蘋果的產(chǎn)量和農(nóng)民的收入。蘋果損失承保是農(nóng)業(yè)保險的重要內(nèi)容之一，如果受損后果農(nóng)報案，保險公司保險員須在2～3 d內(nèi)對多家受災果園進行受災狀況分析。保險人員在保險理賠時需要及時、快速、準確地監(jiān)測蘋果損失并對落果進行計數(shù)，由于時間緊、工作量大、工作強度高，通常沒有足夠的時間對果園的受災狀況作出詳細統(tǒng)計，導致果農(nóng)的預期與保險公司估算后的定損理賠意見不統(tǒng)一。目前，通常只能通過談判進行定損，往往存在損失虛高的問題。用相機、手機拍攝落果影像結(jié)合落果自動計數(shù)技術(shù)，有望提高保險人員的調(diào)查速度，并提供評判與核實損失的依據(jù)。在用影像進行果實識別與數(shù)量統(tǒng)計的過程中，顏色、紋理、輪廓等特征被用以區(qū)別果實、樹葉、土壤背景等。李莎等使用了單個或多個特征進行果實的自動提取[3-13]，盡可能利用顏色、紋理、形狀等特征及支持向量機等高級分類方法，但是由于背景環(huán)境的復雜性和多樣性、果實的成熟狀態(tài)不同、拍攝的時間、拍攝位置及高度等多種因素的影響，使得用模型學習的果實特征應用條件嚴格，在新的場景中應用的擴展性和識別精度不高，從而造成人工地面采集影像的落果檢測成為重要難題。

近年來，隨著人工智能的發(fā)展，深度學習在各個領(lǐng)域的深入應用成為重要的發(fā)展趨勢[14-26]。卷積神經(jīng)網(wǎng)絡具有高級的語義表達能力，能自學習顏色、紋理、形狀等淺層特征和深層特征，圖像的特征表達能力強，并且具有良好的魯棒性和泛化性。在深度學習研究中，目標檢測的應用較為廣泛，以快速的區(qū)域卷積神經(jīng)網(wǎng)絡（faster region convolutional neural networks，簡稱Faster-RCNN）[14]和YOLO（you only look once）[15]為主。研究發(fā)現(xiàn)，F(xiàn)aster-RCNN更適用于中小目標物的檢測。Ren等在 Fast-RCNN的基礎上加以改進，研究出更優(yōu)的目標檢測模型Faster-RCNN[16]。熊俊濤等基于 Faster-RCNN 對樹上的綠色柑橘進行檢測，在測試數(shù)據(jù)集上的平均檢測精度達到了85.5%[20]。Bargoti等利用地面車輛對蘋果樹進行側(cè)面影像采集，并采用卷積神經(jīng)網(wǎng)絡對蘋果樹進行檢測，檢測精度達到了86.1%[24]。國內(nèi)外研究者基于深度學習在果實檢測中的應用[20-26]，以及Faster-RCNN在目標檢測任務中快速高效的特點和小目標檢測中的優(yōu)勢[14-16]，為地面蘋果的識別與計數(shù)提供了理論依據(jù)和技術(shù)支撐。然而，目前由于不同光照、背景等環(huán)境的影響與拍攝高度、拍攝距離等人為因素的影響，對基于深度學習的地面蘋果識別的精度和穩(wěn)定性帶來挑戰(zhàn)。

本研究面向蘋果農(nóng)業(yè)保險中地面蘋果理賠的快速識別和計數(shù)的需求，針對不同光照度、多種土壤背景、果實表面顏色分布不均勻、影像果實相對尺寸較小等問題，獲取復雜自然場景下的地面蘋果影像，引入深度學習的方法學習不同地面蘋果的特征，提取圖片中目標物的一些隱藏像元信息進行果實識別，旨在提出1種基于Faster-RCNN對原始影像中的地面蘋果進行提取計數(shù)的方法，并與傳統(tǒng)的果實識別方法進行對比分析。

1 材料與方法

1.1 試驗設計與地面蘋果影像的獲取

在本試驗中，為了確保所獲得的影像數(shù)據(jù)信息豐富，涵蓋人為因素及環(huán)境因素等影響因素，主要針對以下5種因素進行地面蘋果影像的收集：地面果實背景、光照度、地面蘋果分布密集程度、拍攝高度、拍攝距離。設置這些因素的原因是農(nóng)業(yè)保險公司在蘋果園受災并接到報案后需要勘察和定損理賠，通常會安排保險員在果園進行實地拍照。拍攝地面蘋果會受到地面蘋果環(huán)境的多樣性、地面蘋果的分布密集程度差異、不同保險員的身高、多個保險員的拍照習慣差異以及拍照時的光照度變化等影響，這些都對落果影像的自動計數(shù)提出了挑戰(zhàn)。本研究通過模擬試驗獲取如下多種復雜場景下的蘋果落果圖片：

（1）地面果實背景。在地面蘋果的分布環(huán)境中，由于不同地區(qū)的施肥環(huán)境、除草劑噴灑強度及灌溉條件等多種因素的影響，果園內(nèi)會出現(xiàn)青草、枯草及雜草比較茂密的情況，導致果實與背景之間的對比度存在多樣性特征。

（2）光照度。在保險員拍照時，由于樹木陰影等因素的影響，果實的受光環(huán)境會有所不同，光照因素的影響會導致果實表面顏色分布不均勻，造成照片中果實的色調(diào)、飽和度和對比度不同。

（3）落果分布的密集程度。在果園受災后，由于不同區(qū)域果樹的受災程度不同，會出現(xiàn)不同程度的落果現(xiàn)象，地面會出現(xiàn)多個果實聚集成簇的現(xiàn)象，果實呈現(xiàn)點狀、面狀等多種分布方式，導致果實輪廓邊緣出現(xiàn)粘連及遮擋等現(xiàn)象。

（4）拍攝高度。由于保險員之間的身高有一定的差異，且拍照習慣有所不同，會導致所拍攝影像的角度多樣化，影像中果實之間存在不同程度的遮擋，輪廓信息會出現(xiàn)不同程度的缺失。

（5）拍攝距離。在地面蘋果影像中，由于保險員的拍攝距離不同，不同的影像景深導致果實在影像中的比例不同，景深嚴重的區(qū)域會出現(xiàn)果實輪廓虛化和果實顏色不豐富等現(xiàn)象。

在模擬果園落果環(huán)境的試驗中，本研究針對上述5種場景，采用智能手機拍攝的方式進行試驗數(shù)據(jù)的采集（圖1）。圖1-a為在不同光照環(huán)境下，影像采集員在同一天的不同時間段內(nèi)（13：00—14：00為強光照，16：00—17：00為弱光照）采集的不同光照條件下的地面蘋果影像。圖1-b中，影像采集員選取枯草、青草、茂密的雜草作為落果背景環(huán)境。圖1-c在模擬果園受災后不同程度的落果現(xiàn)象試驗中，影像采集員對不同密集程度的地面蘋果進行拍照（當出現(xiàn)3個以上果實聚集為多個簇時，將其定義為落果密集;當出現(xiàn)3個或者3個以下果實聚集為單個簇時，將其定義為落果稀疏）。圖1-d中，在模擬不同拍攝高度的影響時，影像采集員選取不同的拍攝角度進行拍攝，主要選取站立拍攝、蹲伏拍攝2種拍攝手段。圖1-e表示在多種環(huán)境下，拍攝者采用不同的拍攝距離采集得到的影像。

1.2 地面蘋果影像的提取方法

本研究主要采用分水嶺算法、Hough變換圓檢測和深度學習模型3種方法對地面蘋果影像進行提取，并進行對比研究，具體流程如圖2所示。

1.2.1 Faster-RCNN深度學習網(wǎng)絡模型 深度學習訓練樣本庫主要參考VOC 2007數(shù)據(jù)集建立，將單張影像大小固定為500×375像素，圖片格式為JPG。數(shù)據(jù)集分為訓練數(shù)據(jù)集和測試數(shù)據(jù)集，共有 1 140 張影像。其中，訓練數(shù)據(jù)集影像共計920張，包括多種環(huán)境因素影響下的果實數(shù)據(jù)。在制作標簽的過程中，用LabelImg軟件對地面果實進行人工標注。

本研究采用Faster-RCNN對地面蘋果進行提取。Faster-RCNN是基于RCNN和Fast-RCNN模型改進的1種目標檢測模型，舍棄了Selective Search（選擇性搜索）方法的提取建議框，采用共享卷積網(wǎng)絡生成建議區(qū)域（region proposalnetwork，簡稱RPN）。Faster-RCNN模型共有5個部分構(gòu)成，分別是特征提取層、RPN建議層、Proposal層、Roi Pooling層、Softmax分類層（圖3）。其中，RPN網(wǎng)絡是在卷積神經(jīng)網(wǎng)絡提取的feature maps（特征圖層）上進行操作的，通過獲取目標物特征圖片中的地面位置，并在每張圖片上生成300個建議框，映射到卷積神經(jīng)網(wǎng)絡最后1層輸出的feature maps上，其生成的建議框質(zhì)量高、數(shù)量少，并且借助于GPU（圖形處理器）強大的圖片計算能力，極大地提高了目標檢測的速度。

在深度學習模型訓練中，筆者將采集的地面蘋果訓練數(shù)據(jù)集輸入到Faster-RCNN模型中，先經(jīng)過卷積網(wǎng)絡進行特征圖片的提取，再由RPN網(wǎng)絡產(chǎn)生建議區(qū)域，用于果實特征的學習，然后由Roi Pooling層根據(jù)多個果實大小固定所需的建議框尺寸，最后由Faster-RCNN有選擇性地對建議區(qū)域進行學習并完成目標分類檢測工作。

在本試驗中，電腦硬件配置Intel酷睿i7處理器，搭載NVIDIA GeForce GTX1080ti顯卡，內(nèi)存為12 Gb，并在Ubuntu 14.04系統(tǒng)環(huán)境下，搭建Caffe框架。在模型訓練過程中，選用大型的VGG16作為特征圖片提取網(wǎng)絡，VGG16相比于ZFNet和VGG_1024具有更深的網(wǎng)絡，提取目標的顯著特征更具有優(yōu)勢[27]。VGG16是由13層卷積層、13層Relu激活函數(shù)和4層池化層組成的深度網(wǎng)絡，網(wǎng)絡的深度決定了它能夠?qū)W習圖片中的多種深層次信息。本試驗中的部分網(wǎng)絡結(jié)構(gòu)參數(shù)見表1。

1.2.2 分水嶺算法和Hough（霍夫）變換方法 傳統(tǒng)的果實檢測方法主要是基于顏色空間和輪廓信息進行果實提取[2-6]。顏色空間是人的視覺系統(tǒng)直觀判斷目標物類型的基礎，輪廓信息是我們對顏色空間篩選出的目標物大小、種類的更加準確的判斷，兩者相輔相成。

基于顏色空間的檢測，果實顏色和紋理與背景環(huán)境具有較大差異，而分水嶺算法[28]在分割目標物與背景中具有一定優(yōu)勢，因此本研究基于顏色空間，選用分水嶺算法對地面果實進行分割提取。由于果實主要以近圓形形態(tài)為主，明顯區(qū)別于地面的其他物體，而Hough變換在幾何特征突出的物體檢測中具有一定優(yōu)勢[29]，所以本研究采用基于輪廓信息的Hough變換圓提取的方法進行地面果實的提取。

1.3 地面蘋果識別精度的評價

本試驗共選取220個測試數(shù)據(jù)集，分為5大類，共計11組數(shù)據(jù)，涵蓋多種落果背景信息、不同光照度、果實分布密集與否、拍攝高度和拍攝距離等信息。其中單個測試數(shù)據(jù)中的蘋果數(shù)量分別為10、12、20、35個，落果數(shù)量共計5 065個。

在地面蘋果提取試驗中，為了評估深度學習對原始影像中地面蘋果檢測的優(yōu)勢和有效性，統(tǒng)一采用原始影像進行地面果實的提取，并通過目視解譯的方式判斷影像中果實的實際數(shù)量，以識別精度（P）、實際識別精度（Pτ）、均方誤差（MSE）作為評判依據(jù)，計算公式如下：

P=∑Ni=1 Di Ti ;? ?（1）

Pt= 1 N? ∑Ni=1 Di-FDi Ti? ;? （2）

MSE= 1 N? ∑Ni=1 FDi+LDi Ti 。? （3）

式中：N為圖片數(shù)量;FDi（falsedetection）為第i張圖片中將其他目標錯誤識別為蘋果的數(shù)量，個;LDi（leak detection）為第i張圖片中未檢測到的落果數(shù)量（個）;Di（detection）為第i張圖片中模型識別的落果數(shù)（個）;Ti為第i張圖片中實際的落果數(shù)量（個）。

2 結(jié)果與分析

2.1 3種方法對落果的識別結(jié)果

在本試驗中，針對落果背景、光照度、落果分布密集與否、拍攝高度和拍攝距離等5種因素，采用Faster-RCNN法、分水嶺法、Hough變換法等3種方法對地面蘋果的落果進行提取。結(jié)合表2、圖4的數(shù)據(jù)，對3種方法的識別結(jié)果進行對比可知，在多種復雜環(huán)境因素和人為因素影響下，深度學習Faster-RCNN模型在地面蘋果數(shù)量提取中的識別精度達到95%，識別精度明顯高于分水嶺算法和Hough變換圓提取法;在單張影像的識別時間上，深度學習所需時間約為0.95 s，而用傳統(tǒng)方法識別則需要 2～3 s，識別效率得到明顯提升。

由表2、圖4還可以看出，F(xiàn)aster-RCNN模型具有較大的優(yōu)勢，并且識別誤差較小。其中，在用分水嶺算法和Hough變換方法識別果實的過程中，原始影像未經(jīng)過預處理（如去除果實表面陰影[30]、削減果實粘連[31]等），提取結(jié)果精度較低，而Faster-RCNN模型的圖像同樣沒有經(jīng)過預處理，但精度較高。已有研究表明，在經(jīng)過預處理后的影像中，分水嶺算法對桃的識別精度可達88.3%[8];Hough變換方法對番茄的識別精度可達77.6%[32]。

可以看出，傳統(tǒng)的地面蘋果檢測結(jié)果與深度學習的識別結(jié)果差異較大。當拍攝高度較高、近景拍攝、果實分布稀疏且果實顏色信息突出時，傳統(tǒng)方法能夠準確地分割果實與背景，并進行果實標注，識別速度快、精度高，與深度學習的識別結(jié)果相當。但在多個果實聚集、光照分布不均勻、處于樹木陰影區(qū)及遠景拍攝的情況下，傳統(tǒng)的果實識別方法存在部分果實無法識別、精度較低的現(xiàn)象，然而深度學習法在這些情況下都能夠準確地識別各個果實，并進行果實標注，單個果實的識別率均高于80%，穩(wěn)定性高。試驗結(jié)果表明，在未經(jīng)預處理的原始圖像中，在背景因素、人為因素等多種因素的影響下，深度學習的識別結(jié)果均明顯優(yōu)于傳統(tǒng)的識別結(jié)果（圖5）。

在多個果實聚集區(qū)域，由于果實之間出現(xiàn)粘連，果實之間的顏色信息出現(xiàn)混合，分水嶺算法難以對多個果實進行分割，導致出現(xiàn)漏判的現(xiàn)象;在影像中落果分布較遠的區(qū)域以及多個果實密集分布的區(qū)域，由于果實輪廓虛化、果實輪廓信息交錯及背景因素的影響，導致Hough變換圓檢測方法的識別結(jié)果較差。在光照分布不均勻的區(qū)域和樹木陰影區(qū)域，果實表面的顏色亮度出現(xiàn)變化，部分果實的輪廓出現(xiàn)虛化現(xiàn)象，并且傳統(tǒng)的影像處理方法難以有效去除光照、陰影等因素的影響，導致果實的識別精度較低。

2.2 Faster-RCNN復雜場景下地面蘋果的計數(shù)

本研究通過調(diào)整參數(shù)，選出最合適的參數(shù)對模型進行訓練，并用訓練后的模型對測試數(shù)據(jù)集進行檢驗。圖6包括強光照射條件下、雜草背景下、裸土背景下及不同拍攝高度和距離條件下果實的檢測結(jié)果。Faster -RCNN可以精準地提取出圖片中每個蘋果的影像，并且每張圖片被判斷為蘋果的概率均在95%以上，具有較高的識別率。

由表3可以看出， 不同條件下深度學習模型對地面蘋果識別精度的排序如下：青草>茂密雜草>枯草;強光照>弱光照;落果分散>落果集中;拍攝高度低<拍攝高度高;拍攝距離近>拍攝距離遠。其中，青草背景下強光照、近距離拍攝、拍攝高度較高的落果較為分散時的識別和計數(shù)精度最高。

具體分析得出：（1）在青草背景環(huán)境中，由于果實與背景的顏色、紋理差異比較明顯，所以蘋果的識別精度明顯高于枯草背景、茂密雜草背景，并且漏判數(shù)也最低。（2）在強光照條件下，由于光照度的影響，果實顏色、表面紋理信息與背景相比具有明顯的差異，果實信息突出，所以識別率高于弱光條件下的識別率，并且識別誤差也低于弱光條件下的識別誤差。（3）落果分布密集會造成果實之間的距離近，并且具有不同程度的遮擋，從而增加了落果的識別難度，所以分布稀疏的落果識別精度比分布密集的識別精度高3.4%。（4）拍攝高度較低導致地面蘋果之間產(chǎn)生不同程度的遮擋，由于拍攝高度高時，蘋果之間的遮擋小，并且多數(shù)落果具有完整的輪廓信息，所以識別精度比蹲伏拍攝的識別精度高4.1%;當拍攝距離較低時，果實的漏判率相對較高，達到7.7%。（5）由于拍攝距離的影響，蘋果在影像中的大小也發(fā)生明顯變化，當拍攝距離較近時，果實的顏色、紋理、輪廓等信息比較完整，并且果實影像占像元的比例相對較高;當拍攝距離較遠時，果實影像占像元的比例較低，并且由于背景信息和圖片本身像素信息等因素的影響，增加了地面蘋果的識別難度，易發(fā)生漏判、誤判的情況，當拍攝距離較遠時，漏判、誤判的數(shù)量最多，總占比達到9.6%。

3 討論

通過對比3種方法在復雜場景下對蘋果影像的提取過程與結(jié)果發(fā)現(xiàn)，在復雜背景環(huán)境中，傳統(tǒng)的方法識別精度低，主要原因一方面是未對原始影像進行預處理，另一方面可能是場景較復雜，難以滿足地面蘋果識別任務的需求，并且在識別過程中需要不斷調(diào)整參數(shù)，影像處理過程比較繁瑣。由于環(huán)境的復雜性和多樣性影響，在批量識別測試樣本中的落果時，傳統(tǒng)方法難以滿足各個影像所需的處理需求（去光、去噪等），導致識別困難、精度低。而傳統(tǒng)的識別檢測方法對原始圖像處理較多，可能引起影像中的像素信息丟失，對落果識別也有一定程度的影響。深度學習Faster-RCNN模型，在人工建立的訓練樣本基礎上進行背景與果實特征學習，能夠得到不同姿態(tài)下的果實信息及不同的背景信息。利用卷積核滑動的方式處理單張影像，能夠得到果實與背景之間的關(guān)聯(lián)信息及果實與背景之間像元信息的差異，具有良好的泛化能力，檢測結(jié)果的平均精度達到95%，單張影像對地面蘋果的檢測速度達到0.95 s/張，能夠滿足及時反饋處理結(jié)果的需求。通過對比Faster-RCNN在不同背景環(huán)境下的識別結(jié)果可以發(fā)現(xiàn)，果實輪廓信息的完整性和顏色的豐富性是使識別結(jié)果發(fā)生浮動的重要原因。在拍攝高度低、拍攝距離遠及落果分布密集的條件下，由于枝葉遮擋、果實間互相遮擋、目標物相對較小等因素的影響，導致果實輪廓信息不完整，因此果實的識別精度較低;在弱光背景和拍攝距離遠的環(huán)境下，由于果實的顏色信息不突出，使得識別結(jié)果的精度低于平均識別精度。

綜上所述，深度學習的檢測精度優(yōu)于傳統(tǒng)方法的檢測精度，適用于地面蘋果的單果檢測、多果檢測及數(shù)量統(tǒng)計，但是深度學習模型的檢測精度也受到多種環(huán)境因素和人為因素的影響。深度學習模型的精度受限于人為拍攝單張影像的質(zhì)量及樣本庫的數(shù)量，由于訓練樣本集以單一類別的樣本庫為主，地物類別信息匱乏，導致模型訓練所得先驗知識不足，因此在部分環(huán)境下存在漏判、誤判的現(xiàn)象。在今后的研究工作中，影像采集員應在拍攝環(huán)境光照充足、拍攝角度高等條件下采集影像，并將人工補光及拍攝支架作為重要的輔助手段，確保樣本庫影像的質(zhì)量;在建立數(shù)據(jù)庫樣本時，應豐富果園地物類別信息，建立地物類別多樣性、環(huán)境多樣性、果實姿態(tài)多樣性樣本庫;將完善的樣本庫應用于深度學習網(wǎng)絡模型中，并將網(wǎng)絡模型訓練所得結(jié)果應用于真實果園的落果檢測中，有望為提高農(nóng)業(yè)果品定損、地面落果數(shù)量統(tǒng)計提供一定的技術(shù)參考，增強農(nóng)業(yè)果品定損的公正性和科學性。

4 結(jié)論

在蘋果災損評估工作中，地面蘋果是否得到準確識別與統(tǒng)計是確保保險理賠是否合理的重要依據(jù)。本研究對比了深度學習Faster-RCNN模型和傳統(tǒng)方法對地面蘋果進行檢測計數(shù)的效果，得出以下結(jié)論：（1）在多種落果環(huán)境中，在多種復雜場景下地面蘋果檢測任務中，F(xiàn)aster-RCNN對地面蘋果的平均識別精度達到95%以上，精度高于傳統(tǒng)方法，更適合復雜場景地面蘋果的提取;（2）在大樣本數(shù)據(jù)處理中，深度學習批量處理影像的能力優(yōu)于傳統(tǒng)方法，具有較強的魯棒性和泛化性，多個場景下的識別精度均高于90%，深度學習模型對單張影像的處理速度優(yōu)于傳統(tǒng)的地面蘋果提取方法，從而為農(nóng)業(yè)果品保險中地面蘋果的數(shù)量統(tǒng)計提供了一定的技術(shù)參考。

參考文獻：

[1]國家統(tǒng)計局.中國統(tǒng)計年鑒[M]. 北京：中國統(tǒng)計出版社，2017.

[2]李云國，蔡兆翔，馬 靜，等. 昭通高原蘋果產(chǎn)業(yè)發(fā)展現(xiàn)狀及可持續(xù)發(fā)展對策研究[J]. 云南農(nóng)業(yè)大學學報（社會科學版），2015，9（5）：69-73.

[3]李 莎，錢建平，趙春江，等. 不同顏色模型識別成熟蘋果圖像的比較分析[J]. 計算機工程與設計，2015，36（6）：1545-1550.

[4]Guo A X，Zou X J，Zhu M S，et al. Color feature analysis and recognition for litchi fruits and their main fruit bearing branch based on exploratory analysis[J]. Transactions of the Chinese Society of Agricultural Engineering，2013，29（4）：191-198.

[5]馬正華，呂小俊，徐黎明，等. 近色背景果實識別的多源圖像配準[J]. 計算機工程與設計，2018，39 （11）：3494-3499.

[6]許 凱. 基于圖像識別的蘋果果實檢測技術(shù)[J]. 實驗室研究與探索，2016，35（10）：36-39.

[7]陳禮鵬，穆龍濤，劉浩洲，等. 基于獼猴桃果萼圖像的多目標果實識別方法[J]. 計算機工程與設計，2018，39（6）：1738-1744.

[8]黃小玉，李光林，馬 馳，等. 基于改進判別區(qū)域特征融合算法的近色背景綠色桃子識別[J]. 農(nóng)業(yè)工程學報，2018，34（23）：142-148.

[9]Jun L，Suk L W，Hao G，et al. Immature citrus fruit detection based on local binary pattern feature and hierarchical contour analysis[J]. Biosystems Engineering，2018，171：78-90.

[10]Thendral R，Suhasini A，Senthil N. A comparative analysis of edge and color based segmentation for orange fruit recognition[C]//IEEE. International Conference on Communications & Signal Processing，2014：463-466.

[11]Zawbaa H M，Abbass M，Hazman M，et al. Automatic fruit image recognition system based on shape and color features[C]// International Conference on Advanced Machine Learning Technologies and Applications. Springer，Cham，2014：278-290.

[12]García-Lamont F，Cervantes J，Ruiz S，et al. Color characterization comparison for machine vision-based fruit recognition[C]//International Conference on Intelligent Computing. Springer，Cham，2015：258-270.

[13]Jana S，Basak S，Parekh R. Automatic fruit recognition from natural images using color and texture features[C]// IEEE. 2017 Devices for Integrated Circuit，2017：620-624.