黃偉麗 周明 劉濤

摘要 計算機圖像處理技術(shù)是人工智能與模式識別的一個重要領(lǐng)域，其應(yīng)用已擴展到農(nóng)業(yè)領(lǐng)域的諸多方面。通過廣泛查閱文獻，分析了數(shù)字圖像處理技術(shù)在小麥生產(chǎn)方面的研究和應(yīng)用進展情況，概述了圖像處理技術(shù)在小麥生產(chǎn)過程中各階段的應(yīng)用成果，如在小麥葉面積指數(shù)測定、病蟲害識別、葉綠素含量測定以及產(chǎn)量預(yù)測等方面的應(yīng)用，提出了尚待研究解決的關(guān)鍵問題，并展望了圖像處理技術(shù)在小麥生產(chǎn)上的應(yīng)用前景。

關(guān)鍵詞 圖像處理;小麥;群體質(zhì)量;病蟲害;產(chǎn)量

Abstract Computer image processing technology is an important field of artificial intelligence and pattern recognition， and its application has been extended to many aspects of agriculture. Based on extensive literature review， we analyzed the digital image processing technology in wheat production progress in research and application， and summarized the image processing technology for each stage of wheat production in the process of the application， such as the determination of wheat leaf area index， plant diseases and pest identification， determination of chlorophyll content， and the application of production prediction， etc. The key problems to be solved were put forward， and the application prospect of image processing technology in wheat production was forecasted.

Key words Image processing;Wheat;Population quality;Disease and pest;Yield

隨著信息技術(shù)的不斷發(fā)展，計算機圖像識別技術(shù)已被廣泛運用到各個領(lǐng)域，成為人類在生產(chǎn)生活中不可或缺的輔助工具[1-3]。人類與計算機之間的配合默契度已經(jīng)達到了前所未有的新高度。我國的計算處理技術(shù)也在這股科技浪潮中取得了巨大的進步，實現(xiàn)了理論和實踐的突破。數(shù)字圖像信息量大，傳輸速度快，應(yīng)用范圍廣，因此，數(shù)字圖像處理技術(shù)已被廣泛應(yīng)用于醫(yī)學(xué)、氣象、航空航天、軍事等領(lǐng)域[4]。近年來，隨著農(nóng)業(yè)信息化的發(fā)展，該技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用也越來越深入[5-8]，特別是在小麥生產(chǎn)栽培管理中得到越來越多的應(yīng)用[9-10]。

小麥是我國最主要的糧食作物之一，也是全球范圍內(nèi)的主要食品原料。作為我國三大儲備糧食之一，小麥收獲后通過控制其水分含量可提高其耐儲存性，從而確保我國的糧食安全，這對我國不同產(chǎn)業(yè)的穩(wěn)定發(fā)展和鄉(xiāng)村振興具有重要意義。由于小麥田間生長和自然條件的限制，在生產(chǎn)和科研中，大量的工作需借助于對形態(tài)、色澤、紋理等外部特征的判斷，而這些特征信息的提取主要靠人工測量，且只能利用一些簡單的測量工具，導(dǎo)致工作量大而煩瑣、主觀性強、測量數(shù)據(jù)難以驗證，還有一些特征值難以量化描述，嚴重制約了小麥科學(xué)研究和生產(chǎn)上先進生產(chǎn)技術(shù)推廣的進度。因此，越來越多的研究將數(shù)字圖像處理技術(shù)應(yīng)用于小麥生產(chǎn)過程中，以解決小麥特征信息提取問題[11]。

1 圖像處理技術(shù)

圖像是一種客觀存在的事物，是光學(xué)信息在二維空間并列的表示，是一種信息載體。為了充分準確地獲取圖像中蘊涵的各種信息，需要對各種圖像進行拾取、識別、處理、分割和分析等[12]。計算機圖像處理技術(shù)是對已獲得的圖像信息進行去噪、增強、裁剪等處理，以滿足相關(guān)信息提取或應(yīng)用需求的操作，其目的是利用計算機對從處理后圖像中提取得到不同的數(shù)字信號進行某些數(shù)學(xué)運算得到用戶所需的結(jié)果。計算機圖像處理與人的視覺處理相比具有處理精度高、再現(xiàn)性好、定量性和適應(yīng)性強、速度快、可處理龐大的數(shù)據(jù)量等優(yōu)點，故在眾多領(lǐng)域得到廣泛應(yīng)用，尤其在農(nóng)業(yè)領(lǐng)域顯示出無可比擬的優(yōu)勢[13]。

計算機圖像處理技術(shù)的研究始于20世紀60年代，隨后的20～30年步入一個活躍研究階段，首先應(yīng)用于工業(yè)和生物醫(yī)學(xué)等領(lǐng)域，在農(nóng)業(yè)上的應(yīng)用起步較晚，但前景廣闊。目前，國內(nèi)外從動植物生長智能監(jiān)測、農(nóng)田大數(shù)據(jù)獲取、智能視覺機器人以及農(nóng)產(chǎn)品質(zhì)量分析與評價等方面開展了圖像處理技術(shù)在農(nóng)業(yè)上的應(yīng)用。隨著數(shù)學(xué)、生理學(xué)、模式識別、計算機圖形學(xué)、人工智能、專家系統(tǒng)等相關(guān)學(xué)科的發(fā)展，計算機圖像技術(shù)在各個領(lǐng)域，特別是農(nóng)業(yè)方面已經(jīng)得到廣泛應(yīng)用[14-15]。

2 圖像處理技術(shù)在小麥生產(chǎn)中的應(yīng)用

2.1 葉面積指數(shù)的測定

葉面積指數(shù)（leaf area index，LAI）是單位土地面積上植物的總?cè)~面積，葉面積指數(shù)與很多生態(tài)過程直接相關(guān)，如蒸騰量、土壤水分平衡、冠層光合作用和物質(zhì)循環(huán)等。葉面積指數(shù)是一個重要的生物結(jié)構(gòu)參數(shù)，然而大范圍葉面積指數(shù)的獲取比較困難。遙感技術(shù)為大范圍葉面積指數(shù)的測量提供了條件。然而遙感得到的葉面積指數(shù)需要進一步的地面驗證，且成本高、精度低。因此，實地葉面積指數(shù)的獲取具有重要意義[16-18]。

國內(nèi)外利用圖像處理技術(shù)分析農(nóng)作物葉面積特征的研究較多。Meyer 等[19]首次利用數(shù)字圖像處理技術(shù)分析幾種作物的葉面積、莖稈直徑等特征。Chien等[20]設(shè)計了一種基于“橢圓形的霍夫變換”算法估測蔬菜總?cè)~面積的方法。武聰玲等[21]利用圖像處理技術(shù)檢測黃瓜幼苗葉冠投影面積來預(yù)測其真實葉面積。李明等[16]針對不同的小麥品種設(shè)置了不同密度的栽培條件，通過數(shù)碼相機獲取主要生育期田間小麥群體冠層數(shù)字圖像，利用計算機圖像處理技術(shù)對圖像進行分析計算從而得到小麥冠層葉面積指數(shù)，然后利用實測數(shù)據(jù)與圖像分析得到的數(shù)據(jù)建立數(shù)學(xué)模型。

2.2 病蟲害的識別與診斷

為了快速準確地診斷識別小麥病害，梁琨等[22]通過光譜分析和圖像處理進行小麥赤霉病的識別，采用標準正態(tài)變量變換（SNV）和多元散射校正（MSC）方法對光譜進行預(yù)處理，分別利用連續(xù)投影算法（SPA）和正自適應(yīng)加權(quán)算法（CARS）進行變量篩選提取特征波段，然后對特征波長下的特征圖像進行特征提取并識別出病害信息。鄧繼忠等[23]采用圖像分析與識別技術(shù)進行了小麥網(wǎng)腥、印度腥及矮腥3類病害的分類識別，并運用支持向量機方法對小麥腥黑穗病害進行定量識別，提高識別的準確性。王美麗等[24]選取小麥葉部常見病害圖像，利用圖像處理技術(shù)進行病害種類的識別。將圖像由RGB彩色空間轉(zhuǎn)換到HSV顏色空間，提取相關(guān)的顏色特征，接著提取幾何形狀特征，通過分析樣本圖像得到每種病害的特征值范圍，利用特征值對未知樣本進行病害識別，識別準確率為96%以上。蘇一峰等[25]利用一種可以進行圖像獲取、圖像識別診斷的小麥物聯(lián)網(wǎng)平臺，研發(fā)了一套小麥病蟲害識別應(yīng)用系統(tǒng)，并對小麥比較常見的3種病蟲害（白粉病、銹病、蚜蟲）進行了初步應(yīng)用與驗證，其中銹病、蚜蟲的識別率均在95%以上，健康葉片的識別率可達99%，白粉病的識別率稍低，為82%左右。

2.3 群體葉綠素含量測定

小麥生長過程中，為了確保其優(yōu)質(zhì)高產(chǎn)，需要及時監(jiān)測營養(yǎng)狀況并采取相應(yīng)的栽培調(diào)控措施。葉綠素是一種光合色素，對小麥產(chǎn)量形成意義重大，較低的葉綠素濃度會影響小麥的光合作用能力并最終影響到產(chǎn)量[26]。

長期以來，田間小麥葉綠素含量主要通過葉色來體現(xiàn)，而葉色變化主要靠人工進行觀察，這種方法無定量標準，全憑觀察者的經(jīng)驗，同時效率較低。利用計算機圖像技術(shù)，不但效率高，還能更準確、更及時。前人研究發(fā)現(xiàn)，利用歸一化的顏色指數(shù)，可將不同施氮水平下玉米葉片的顏色變化有效地識別出來[27]。Kawashima等[28]研究發(fā)現(xiàn)，（R-B）/（R+B）可以有效地估算植物葉片的葉綠素含量。Pagola等[29]利用主成分分析技術(shù)，研究了大麥葉片SPAD值與葉片顏色的關(guān)系并建議了估算模型，相關(guān)系數(shù)為0.9以上。Adamsen 等[30]通過分析小麥冠層圖像發(fā)現(xiàn)G/R與葉綠素有顯著的相關(guān)性。王方永等[31]研究發(fā)現(xiàn)，圖像顏色指數(shù)和棉花葉片葉綠素含量相關(guān)性顯著，特別是G-R，G-R/G+R等達極顯著水平。王克如等[32]利用計算機圖像技術(shù)建立棉花葉色與葉綠素含量估測模型，準確率為86.4%～92.2%。宋振偉等[33]通過葉片圖像分析技術(shù)，發(fā)現(xiàn)不同施氮處理下，小麥葉片顏色變化在不同生育期中差異明顯。時雷等[26]針對6個品種小麥拔節(jié)期群體圖像，使用基于RGB顏色空間與馬氏距離的模式識別方法，準確分割出小麥冠層圖像，并提取了小麥冠層顏色特征，針對不同小麥品種建立葉綠素含量的估測模型，效果較好。

2.4 小麥形態(tài)檢測

作物的形態(tài)特征包括株高、葉長、葉基角、開張角等。在農(nóng)業(yè)科研工作中需要根據(jù)作物的形態(tài)特征來研究其生長狀態(tài)、病蟲草害等重要信息。李明等[34]選取大田里自然生長狀態(tài)下的小麥作為研究對象，研究適用于小麥形態(tài)特征信息提取的圖像處理方法，提取形態(tài)特征信息，從而為小麥育種、生長狀況分析、動態(tài)施肥等提供指導(dǎo)依據(jù)，利用VC ++語言實現(xiàn)了小麥形態(tài)信息檢測系統(tǒng)，系統(tǒng)能高效地檢測出小麥植株的重要形態(tài)參數(shù)，如株高、葉長、葉基角、開張角等。

2.5 小麥收獲技術(shù)

農(nóng)作物收獲具有收獲速度較慢、障礙物少、環(huán)境簡單等特點，作業(yè)具有重復(fù)性。因此如何精確地識別出收獲與未收獲作物間的邊界線，有效避免收獲過程中的漏割、重割現(xiàn)象，并防止出現(xiàn)收獲機非滿幅作業(yè)等情況，成為國內(nèi)外學(xué)者深入研究的一項重要課題[35]。

張衛(wèi)等[36]采用最大類間方差法分割圖像，利用中間線檢測定位基準線。Cho等[37]對水稻田進行逆透視投影變換，還原作物行平行的狀態(tài)，消除了視角誤差。沈明霞等[38]采用最小距離分類器對農(nóng)作物區(qū)和非農(nóng)作物區(qū)域的形態(tài)特征進行分類。丁幼春等[39]針對壟行、作業(yè)區(qū)域與未作業(yè)區(qū)域的標識線提出一種旋轉(zhuǎn)投影算法。陳嬌等[40]采用垂直投影法提取導(dǎo)航定位點，采用改進的Hough變換實現(xiàn)田間多壟線識別。Choi等[41]依據(jù)激光測距的原理對作物高度進行重構(gòu)，實現(xiàn)作物行的定位。Zhao等[42]應(yīng)用激光傳感器對麥田信息進行獲取，采用最大類間方差的方法尋找收獲邊界點。

3 圖像處理技術(shù)在小麥產(chǎn)量估測中的應(yīng)用

3.1 大田麥穗計數(shù)

小麥產(chǎn)量構(gòu)成的三因素之一是單位面積穗數(shù)，為實現(xiàn)小麥快速、準確估產(chǎn)，計算機圖像識別技術(shù)顯得尤為重要[43]。范夢揚等[44]通過部署的田間攝像頭采集大田環(huán)境下小麥麥穗低分辨率群體圖像，實現(xiàn)了復(fù)雜大田環(huán)境下小麥麥穗圖像的降噪增強處理;提取麥穗的顏色、紋理特征，采用支持向量機方法，將小麥麥穗從背景中分離，然后對麥穗的二值圖像細化得到麥穗骨架;最后通過計算麥穗骨架的數(shù)量以及麥穗骨架有效交點的數(shù)量，即可得到圖像中麥穗的數(shù)量。劉濤等[43]設(shè)計了一種基于圖像分析技術(shù)的小麥穗數(shù)智能計算方法，該方法實現(xiàn)了不同播種方式下大田麥穗快速、準確的計數(shù)，在條播和撒播小麥田中計數(shù)準確率均較高。

3.2 小麥產(chǎn)量預(yù)測

小麥產(chǎn)量受到氣候、災(zāi)害、病蟲害等因素綜合影響，利用各種快速有效的方法準確預(yù)測小麥產(chǎn)量是廣大農(nóng)業(yè)科技工作者追求的目標，因此提高小麥產(chǎn)量預(yù)測精度一直是研究的熱點。楊俊等[45]利用無人機RGB圖像提取了8個顏色指數(shù)和4個紋理特征指數(shù)，并分析了它們與小麥產(chǎn)量及生物量之間的關(guān)系，為進一步的產(chǎn)量預(yù)測奠定了基礎(chǔ)。楊梅等[46]為了提高小麥產(chǎn)量的預(yù)測精度，提出一種灰色模型和支持向量機組合的預(yù)測模型，首先利用灰色模型對小麥產(chǎn)量進行預(yù)測，挖掘小麥產(chǎn)量的線性變化規(guī)律，然后采用支持向量機對小麥產(chǎn)量進行預(yù)測，描述小麥產(chǎn)量的非線性變化規(guī)律。采用以上2個模型的預(yù)測加權(quán)平均得到了小麥產(chǎn)量，并進行仿真。

4 圖像處理技術(shù)在小麥生產(chǎn)中的其他應(yīng)用

4.1 小麥容重檢測

容重是小麥定等的指標，該標準是小麥流通過程中判定其質(zhì)量等級的重要依據(jù)。相關(guān)研究表明，收獲時籽粒不夠成熟、結(jié)構(gòu)疏松、含水量高的樣品，容重較小;反之，容重較大[47]。圖像處理技術(shù)在農(nóng)產(chǎn)品質(zhì)量與品質(zhì)的檢測過程中，通常從樣品的形態(tài)、顏色和紋理等方面提取特征參數(shù)，用于農(nóng)產(chǎn)品特征描述并對其進行評價。因此，可以使用圖像處理技術(shù)對小麥籽粒的形狀、大小、光滑度等因素進行描述[48]。目前，利用圖像處理技術(shù)進行水稻、馬鈴薯、玉米、花生等農(nóng)產(chǎn)品質(zhì)量與品質(zhì)檢測已經(jīng)取得了一定進展。在小麥質(zhì)量與品質(zhì)檢測方面也有諸多研究成果，主要涉及小麥品種與種類識別、質(zhì)量分級、角質(zhì)和硬度檢測等方面。如張玉榮等[47]以不同容重小麥入手，采用圖像識別技術(shù)獲取與小麥籽粒容重相關(guān)的指標特征，研究與小麥容重相關(guān)的內(nèi)外在因素，從而得到可以客觀評價小麥容重的不同條件，并構(gòu)建差異化的小麥容重檢測模型。

4.2 籽粒外觀檢測

籽長、粒寬和粒厚是評價小麥籽粒質(zhì)量的重要指標。目前小麥籽粒長、寬、厚的測量主要通過游標卡尺來實現(xiàn)，這種方法主觀性較強，測量部位的選擇較難把握，效率低下且可重演性差[49]。機器視覺或圖像處理技術(shù)在小麥籽粒上的應(yīng)用一方面可以實現(xiàn)籽粒種類的識別，其中包括對大麥、小麥、燕麥等的區(qū)分以及不同小麥品種的識別;另一方面，機器視覺技術(shù)可應(yīng)用于小麥籽粒的綜合評價，其中包括對籽粒病害、損傷的評價以及籽粒形態(tài)特征的測算。在研究技術(shù)上，一般通過圖像處理算法提取小麥籽粒的不同特征參數(shù)，再通過這些參數(shù)建立評價和分析體系[50-51]。仲曉春等[52]利用圖像處理技術(shù)結(jié)合一定的外部光源測定小麥籽粒的長、寬、厚信息，在單幅二維圖像中提取小麥籽粒的三維信息，為小麥籽粒三維信息的快速準確測定提供一定的技術(shù)支持。

5 問題與展望

5.1 問題

通過上述分析可知，基于圖像處理技術(shù)的小麥生產(chǎn)管理研究已取得了一定的進展，但由于小麥是一種大田作物，其生長環(huán)境的多變性和品種的復(fù)雜性以及圖像處理技術(shù)的特點，目前仍有不少問題需進一步解決。

（1）圖像識別精度不高。目前大部分研究中圖像的處理方法比較簡單，以單一的顏色指數(shù)或組合指數(shù)難以實現(xiàn)復(fù)雜背景下小麥的提取。同時參數(shù)及模型選擇的不同導(dǎo)致識別效果也不相同，再加上不同品種、不同密度以及不同施肥條件的影響，圖像識別的精度很難提高。

（2）圖像采集實時性較差。目前大部分研究還是將圖像采集到實驗室后再進行分析，缺少圖像采集的實時性。主要原因是實時圖像采集對設(shè)備要求較高，對網(wǎng)絡(luò)傳輸要求也較高，同時圖像處理時間也難以滿足要求。

（3）結(jié)果的可靠性有待提高。圖像識別結(jié)果受到多種因素的影響，例如采樣時間、天氣條件、土壤條件等，每一個條件發(fā)生變化都會影響圖像識別效果。目前尚無一個統(tǒng)一的標準使圖像處理技術(shù)流程化和標準化，不同的研究僅針對特定的條件，導(dǎo)致結(jié)果的可靠性不夠高。

（4）用戶的接受程度較低。我國現(xiàn)有的小麥種植仍以農(nóng)戶分散種植為主，直接從事種植業(yè)的農(nóng)戶年齡均較大，知識水平不高，總體認知水平低，難以接受先進的圖像處理技術(shù)，導(dǎo)致這項技術(shù)在很長一段時間內(nèi)難以推廣。

5.2 展望

隨著計算機及人工智能技術(shù)的迅速發(fā)展，基于圖像處理技術(shù)的小麥生產(chǎn)管理技術(shù)已經(jīng)取得了較好的研究成果，該技術(shù)在小麥葉面積指數(shù)測定、病蟲害識別與診斷、群體葉綠素狀況測定以及產(chǎn)量預(yù)測等方面均有廣泛的應(yīng)用前景。圖像處理技術(shù)已經(jīng)從理論走向?qū)嵺`，處理對象也在不斷發(fā)生變化，早期主要是針對黑白圖像，現(xiàn)在使用的已全部是彩色圖像。在空間結(jié)構(gòu)上也從以二維圖像信息為主到二維與三維相結(jié)合的轉(zhuǎn)變。除了單一使用圖像技術(shù)，越來越多的研究者將圖像與光譜技術(shù)相融合，特別是將高光譜成像技術(shù)引入到小麥生產(chǎn)管理研究中，使小麥生長表型信息獲取的手段更加豐富[53]。

小麥的生產(chǎn)管理包括產(chǎn)前、產(chǎn)中和產(chǎn)后，圖像處理也要從這3個階段入手，如產(chǎn)前的種子選擇、土地平整等，產(chǎn)中是從出苗到成熟的過程管理，產(chǎn)后的倉儲、流通和加工等。目前我國的圖像處理技術(shù)在小麥生長信息監(jiān)測、病蟲害的識別與診斷、產(chǎn)量預(yù)測等方面的研究已有很大進步，這些均屬于產(chǎn)中的圖像信息處理技術(shù)，但產(chǎn)前和產(chǎn)后的研究還較少，而且能夠進行商品化應(yīng)用的成果不多，還有諸多內(nèi)容需要進一步研究。

參考文獻

[1]姜淑華，孫海波.計算機圖像技術(shù)在農(nóng)業(yè)工程中的應(yīng)用[J].農(nóng)機化研究，2006，28（11）：177-178.

[2]惲鴻峰.計算機圖像識別技術(shù)的應(yīng)用及細節(jié)問題研究[J].數(shù)字技術(shù)與應(yīng)用，2016（8）：123-124.

[3]張曉娟，高瑾.計算機圖像識別技術(shù)的應(yīng)用及細節(jié)問題闡述與分析[J].電子技術(shù)與軟件工程，2016（6）：89.

[4]唐錄潔.計算機智能化圖像識別技術(shù)的理論性探究[J].計算機光盤軟件與應(yīng)用，2013，16（13）：98-100.

[5]王力堅，杜永林，葛自強，等.論農(nóng)業(yè)推廣中的信息傳播與溝通[J].中國農(nóng)業(yè)信息，2014（2）：31-33.

[6]張茅.計算機技術(shù)在現(xiàn)代農(nóng)業(yè)中的應(yīng)用[J].農(nóng)業(yè)工程，2011，1（4）：26-28.

[7]石榕清.數(shù)字圖像處理在農(nóng)業(yè)信息化條件下的發(fā)展及應(yīng)用研究[J].農(nóng)村經(jīng)濟與科技，2016，27（18）：261-262.

[8]李輝，滕桂法，張燕.數(shù)字圖像處理技術(shù)及其在農(nóng)業(yè)中的應(yīng)用研究[J].安徽農(nóng)業(yè)科學(xué)，2013，41（13）：6060-6061，6072.

[9]李冬，薛齡季軒，姜珊，等.數(shù)字圖像處理技術(shù)在農(nóng)業(yè)上的應(yīng)用及發(fā)展前景[J].黑龍江科技信息，2016（30）：165.

[10]郭艷艷，李紹明，朱德海，等.數(shù)字圖像處理技術(shù)在玉米種植中的應(yīng)用[J].中國種業(yè)，2008（6）：10-11.

[11]夏永泉，李耀斌，李晨.基于圖像處理技術(shù)與Android手機的小麥病害診斷系統(tǒng)[J].安徽大學(xué)學(xué)報（自然科學(xué)版），2016，40（2）：26-31.

[12]高俊梅，黃忠文.圖像處理技術(shù)在農(nóng)業(yè)上的應(yīng)用[J].農(nóng)業(yè)網(wǎng)絡(luò)信息，2014（5）：34-39.

[13]胡濤.圖像處理技術(shù)在農(nóng)業(yè)工程中的應(yīng)用[J].安徽農(nóng)業(yè)科學(xué)，2005，33（4）：678-679.

[14]崔艷麗，王雙喜.圖像處理技術(shù)在農(nóng)業(yè)中的應(yīng)用研究概論[J].農(nóng)機推廣與安全，2006（12）：33-34.

[15]趙萍，李永奎，林靜，等.數(shù)字圖像處理技術(shù)在農(nóng)產(chǎn)品方面的應(yīng)用[J].農(nóng)機化研究，2007，29（11）：198-200，210.

[16]李明，張長利，房俊龍.基于圖像處理技術(shù)的小麥葉面積指數(shù)的提取[J].農(nóng)業(yè)工程學(xué)報，2010，26（1）：205-209，386.

[17]宋英博，郭偉，張洪權(quán)，等.圖像處理技術(shù)在玉米葉面積測量中的實際應(yīng)用[J].農(nóng)學(xué)學(xué)報，2015，5（8）：111-114.

[18]王桂琴，鄭麗敏，朱虹，等.圖像處理技術(shù)在冬小麥葉面積指數(shù)測定中的應(yīng)用[J].麥類作物學(xué)報，2004，24（4）：108-112.

[19]MEYER G E，DAVISON D A.An electronic image plant growth measurement system[J].Transaction of ASAE，1987，30（1）：242-248.

[20]CHIEN C F，LIN T T.Non-destructive growth measurement of selected vegetable seedlings using orthogonal images[J].Transaction of the ASAE，2005，48（5）：1953-1961.

[21]武聰玲，滕光輝，李長纓.黃瓜幼苗生長信息的無損監(jiān)測系統(tǒng)的應(yīng)用與驗證[J].農(nóng)業(yè)工程學(xué)報，2005，21（4）：109-112.

[22]梁琨，杜瑩瑩，盧偉，等.基于高光譜成像技術(shù)的小麥籽粒赤霉病識別[J].農(nóng)業(yè)機械學(xué)報，2016，47（2）：309-315.

[23]鄧繼忠，李敏，袁之報，等.基于圖像識別的小麥腥黑穗病害特征提取與分類[J].農(nóng)業(yè)工程學(xué)報，2012，28（3）：172-176.

[24]王美麗，牛曉靜，張宏鳴，等.小麥葉部常見病害特征提取及識別技術(shù)研究[J].計算機工程與應(yīng)用，2014，50（7）：154-157.

[25]蘇一峰，杜克明，李穎，等.基于物聯(lián)網(wǎng)平臺的小麥病蟲害診斷系統(tǒng)設(shè)計初探[J].中國農(nóng)業(yè)科技導(dǎo)報，2016，18（2）：86-94.

[26]時雷，龐曉丹，錢誠，等.基于圖像處理技術(shù)的小麥群體葉綠素狀況估計研究[J].太原理工大學(xué)學(xué)報，2016，47（2）：223-227.

[27]AHMAD I S，REID J F.Evaluation of colour representations for maize images[J].Journal of agricultural engineering research，1996，63（3）：185-195.

[28]KAWASHIMA S，NAKATANI M.An algorithm for estimating chlorophyll content in leaves using a video camera[J].Annals of botany，1998，81（1）：49-54.

[29]PAGOLA M，ORTIZ R，IRIGOYEN I，et al.New method to assess barley nitrogen nutrition status based on image colour analysis：Comparison with SPAD-502[J].Computers and electronics in agriculture，2009，65（2）：213-218.

[30]ADAMSEN F J，PINTER P J JR，BARNES E M，et al.Measuring wheat senescence with a digital camera[J].Crop science，1999，39（3）：719-724.

[31]王方永，李少昆，王克如，等.基于機器視覺的棉花群體葉綠素監(jiān)測[J].作物學(xué)報，2007，33（12）：2041-2046.

[32]王克如，李少昆，王崇桃，等.用機器視覺技術(shù)獲取棉花葉片葉綠素濃度[J].作物學(xué)報，2006，32（1）：34-40.

[33]宋振偉，文新亞，張志鵬，等.基于數(shù)字圖像技術(shù)的冬小麥不同施氮和灌溉處理顏色特征分析[J].中國農(nóng)學(xué)通報，2010，26（14）：350-355.

[34]李明，張長利，王曉楠.基于圖像處理技術(shù)的小麥形態(tài)檢測方法研究[J].東北農(nóng)業(yè)大學(xué)學(xué)報，2009，40（4）：111-115.

[35]趙騰，野口伸，楊亮亮，等.基于視覺識別的小麥收獲作業(yè)線快速獲取方法[J].農(nóng)業(yè)機械學(xué)報，2016，47（11）：32-37.

[36]張衛(wèi)，杜尚豐.機器視覺對農(nóng)田中定位基準線的識別[J].中國農(nóng)業(yè)大學(xué)學(xué)報，2006，11（4）：75-77，88.

[37]CHO W，IIDA M，SUGURI M，et al.Vision-based uncut crop edge detection for automated guidance of head-feeding combine[J].Engineering in agriculture，environment and food，2014，7（2）：97-102.

[38]沈明霞，李秀智，姬長英.基于形態(tài)學(xué)的農(nóng)田景物區(qū)域檢測技術(shù)[J].農(nóng)業(yè)機械學(xué)報，2003，34（1）：92-94.

[39]丁幼春，王書茂，陳度.基于圖像旋轉(zhuǎn)投影的導(dǎo)航路徑檢測算法[J].農(nóng)業(yè)機械學(xué)報，2009，40（8）：155-160.

[40]陳嬌，姜國權(quán)，杜尚豐，等.基于壟線平行特征的視覺導(dǎo)航多壟線識別[J].農(nóng)業(yè)工程學(xué)報，2009，25（12）：107-113.

[41]CHOI J，YIN X，YANG L L，et al.Development of a laser scanner-based navigation system for a combine harvester[J].Engineering in agriculture，environment and food，2014，7（1）：7-13.

[42]ZHAO T，NOGUCHI N，YANG L L，et al.Development of uncut crop edge detection system based on laser rangefinder for combine harvesters[J].International journal of agriculture and biological engineering，2016，9（2）：21-28.

[43]劉濤，孫成明，王力堅，等.基于圖像處理技術(shù)的大田麥穗計數(shù)[J].農(nóng)業(yè)機械學(xué)報，2014，45（2）：282-290.

[44]范夢揚，馬欽，劉峻明，等.基于機器視覺的大田環(huán)境小麥麥穗計數(shù)方法[J].農(nóng)業(yè)機械學(xué)報，2015，46（S1）：234-239.

[45]楊俊，丁峰，陳晨，等.小麥生物量及產(chǎn)量與無人機圖像特征參數(shù)的相關(guān)性[J].農(nóng)業(yè)工程學(xué)報，2019，35（23）：104-110.

[46]楊梅，李廣.小麥產(chǎn)量預(yù)測模型的仿真研究[J].計算機仿真，2013，30（10）：382-385.

[47]張玉榮，陳賽賽，姜忠麗，等.基于圖像處理的小麥容重檢測方法研究[J].中國糧油學(xué)報，2015，30（3）：116-121.

[48]張玉榮，陳賽賽，周顯青.小麥圖像檢測技術(shù)研究進展[J].中國糧油學(xué)報，2014，29（4）：118-123.

[49]賈佳，王建華，謝宗銘，等.計算機圖像識別技術(shù)在小麥種子精選中的應(yīng)用[J].中國農(nóng)業(yè)大學(xué)學(xué)報，2014，19（5）：180-186.

[50]王志軍，叢培盛，周佳璐，等.基于圖像處理與人工神經(jīng)網(wǎng)絡(luò)的小麥顆粒外觀品質(zhì)評價方法[J].農(nóng)業(yè)工程學(xué)報，2007，23（1）：158-161.

[51]畢昆，姜盼，唐崇偉，等.基于麥穗特征的小麥品種BP分類器設(shè)計[J].中國農(nóng)學(xué)通報，2011，27（6）：464-468.

[52]仲曉春，陳雯，劉濤，等.基于圖像技術(shù)的小麥籽粒三維信息測量[J].廣東農(nóng)業(yè)科學(xué)，2016，43（2）：150-155.

[53]周清松，唐秀忠.圖像識別處理技術(shù)在農(nóng)業(yè)工程中的應(yīng)用[J].現(xiàn)代電子技術(shù)，2017，40（4）：107-110.