張銘桂　琚俊　劉厚誠(chéng)

摘要：隨著物聯(lián)網(wǎng)技術(shù)的快速發(fā)展，三維重建技術(shù)在各行各業(yè)中都得到了廣泛應(yīng)用。利用三維重建技術(shù)可對(duì)蔬菜進(jìn)行精準(zhǔn)株型預(yù)估與表型物理數(shù)據(jù)的重建，可以實(shí)現(xiàn)非接觸式無(wú)損檢測(cè)，從而提高蔬菜生產(chǎn)效率和經(jīng)濟(jì)效益，具有很大的應(yīng)用潛力。本文重點(diǎn)分析了近年來(lái)植物領(lǐng)域基于機(jī)器視覺(jué)的三維重建技術(shù)。首先從主動(dòng)式三維重建方面，研究了結(jié)構(gòu)光法、三維激光掃描法和飛行時(shí)間法等方法。其次，在被動(dòng)式三維重建方面，探討了單目視覺(jué)法、雙目視覺(jué)法和多目視覺(jué)法等技術(shù)。最后，研究了深度學(xué)習(xí)三維重建方法，即采用端對(duì)端深度學(xué)習(xí)的方式進(jìn)行三維重建。通過(guò)對(duì)上述方法的現(xiàn)有研究案例和相互之間的對(duì)比，分析了它們?cè)谑卟巳S重建應(yīng)用中的優(yōu)點(diǎn)和不足。此外，文章還總結(jié)了三維重建技術(shù)在蔬菜領(lǐng)域未來(lái)發(fā)展中的優(yōu)勢(shì)和面臨的挑戰(zhàn)，并針對(duì)國(guó)內(nèi)技術(shù)現(xiàn)狀，提出了在蔬菜無(wú)損檢測(cè)領(lǐng)域的研究趨勢(shì)和未來(lái)的發(fā)展方向。

關(guān)鍵詞：機(jī)器視覺(jué)；三維重建技術(shù)；蔬菜；無(wú)損檢測(cè)；應(yīng)用

中圖分類號(hào)：S126文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2024）09-0027-08

蔬菜在人們的日常飲食中扮演著不可或缺的角色，是人類營(yíng)養(yǎng)的重要來(lái)源，具有重要的經(jīng)濟(jì)價(jià)值。根據(jù)國(guó)家統(tǒng)計(jì)局的數(shù)據(jù)統(tǒng)計(jì)，2021年我國(guó)人均蔬菜消耗量達(dá)到了109.8 kg［1］。隨著人們生活水平的提高和健康意識(shí)的增強(qiáng)，對(duì)蔬菜品質(zhì)的要求不斷增加［2］。蔬菜的生產(chǎn)及產(chǎn)量的預(yù)測(cè)是決定農(nóng)業(yè)生產(chǎn)的關(guān)鍵因素，蔬菜生長(zhǎng)指標(biāo)（如高度、葉面積、體積、質(zhì)量等）的傳統(tǒng)測(cè)量方法是通過(guò)手動(dòng)取樣后的方式來(lái)測(cè)量，以生菜為例，生菜測(cè)量鮮質(zhì)量需將生菜從栽培板中取出或者在菜地上進(jìn)行破壞性采摘，在此過(guò)程中容易損傷其根系，同時(shí)會(huì)耗費(fèi)大量的人工和時(shí)間，且測(cè)量結(jié)果也會(huì)因人操作問(wèn)題而產(chǎn)生影響，因此通過(guò)三維重建技術(shù)對(duì)蔬菜非接觸式無(wú)損檢測(cè)的研究具有重要意義?；跈C(jī)器視覺(jué)對(duì)蔬菜進(jìn)行三維模型重建，再結(jié)合相關(guān)數(shù)據(jù)進(jìn)行誤差調(diào)整，可以精確地估算出蔬菜的高度、體積和質(zhì)量，實(shí)現(xiàn)無(wú)損檢測(cè)。這一技術(shù)將有助于提高蔬菜的品質(zhì)，減少采收、儲(chǔ)存和運(yùn)輸過(guò)程中的損失，同時(shí)提高生產(chǎn)效率和經(jīng)濟(jì)效益，對(duì)現(xiàn)代化蔬菜產(chǎn)業(yè)的發(fā)展具有積極意義。

1 三維重建技術(shù)

三維重建技術(shù)是指通過(guò)機(jī)器設(shè)備或二維圖片的處理和分析，將現(xiàn)實(shí)中的三維物體或場(chǎng)景重新構(gòu)建出三維模型的過(guò)程［3］。隨著計(jì)算機(jī)視覺(jué)和機(jī)器學(xué)習(xí)算法的發(fā)展，近年來(lái)三維重建已經(jīng)成為機(jī)器人技術(shù)、醫(yī)學(xué)成像和體系結(jié)構(gòu)等多個(gè)領(lǐng)域的強(qiáng)大工具。在植物研究領(lǐng)域，特別是蔬菜方面，三維重建技術(shù)也得到了廣泛應(yīng)用。根據(jù)測(cè)量對(duì)象的不同，蔬菜三維重建可以分為主動(dòng)式重建和被動(dòng)式重建［4］，以及根據(jù)方法不同，又有端到端深度學(xué)習(xí)的三維重建。

1.1 主動(dòng)式三維重建

在主動(dòng)式三維重建中，硬件設(shè)備通過(guò)發(fā)射出特定信號(hào)（如紅外線、激光雷達(dá)等）穿過(guò)或經(jīng)過(guò)物體，獲取研究對(duì)象的三維數(shù)據(jù)信息。這種技術(shù)需要主動(dòng)測(cè)量環(huán)境深度以構(gòu)建三維模型［5］。

1.1.1 結(jié)構(gòu)光法

結(jié)構(gòu)光法［6］是一種主動(dòng)成像技術(shù)，在近幾十年的技術(shù)發(fā)展下，結(jié)構(gòu)光投影的三維形態(tài)測(cè)量技術(shù)在計(jì)算機(jī)視覺(jué)和光學(xué)測(cè)量領(lǐng)域得到了迅速發(fā)展［7-8］，在植物表型三維重建領(lǐng)域，光柵投影技術(shù)被廣泛應(yīng)用。該技術(shù)通過(guò)將特殊光柵或由多條條紋、任意條紋組成的圖案投射到物體上，從而獲取物體的深度數(shù)據(jù)（圖1）。結(jié)構(gòu)光法以非破壞性的方式獲取顏色、紋理、形狀和尺寸等多種物理屬性［9］，為精確3D表征提供了一種解決方案。該技術(shù)具有速度快、精度高、魯棒性好等優(yōu)點(diǎn)［10-11］，并廣泛應(yīng)用于各個(gè)領(lǐng)域。然而，在蔬菜領(lǐng)域，由于植株葉片較多，且葉片普遍存在重疊的情況，這容易降低三維重建模型的精度。因此，潘艷娟提出了單葉片分割方法來(lái)記錄葉片邊緣信息，并結(jié)合結(jié)構(gòu)光技術(shù)建立網(wǎng)格法來(lái)校準(zhǔn)葉片面積［12］。但是，在室外環(huán)境下，結(jié)構(gòu)光法容易受到環(huán)境光的影響，且隨著測(cè)量距離的增加，精度也會(huì)降低［13］。因此，該技術(shù)目前僅適用于室內(nèi)場(chǎng)景。

1.1.2 三維激光掃描法

三維激光掃描法，又被稱為“實(shí)景復(fù)制技術(shù)”，自20世紀(jì)90年代中期開(kāi)始出現(xiàn)，是一種現(xiàn)代主動(dòng)遙感技術(shù)［14］，該技術(shù)利用精確的激光投射和高靈敏度的接收器，獲取植物的三維形態(tài)和表面信息。激光掃描儀通過(guò)對(duì)植物進(jìn)行掃描，可以獲取植物的點(diǎn)云數(shù)據(jù)，然后采用三維重建技術(shù)對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行重建，最終生成植物三維模型。相比傳統(tǒng)技術(shù)，它具有高效率、高精度、非接觸式等優(yōu)點(diǎn)［15］，并適用于中空或復(fù)雜的植物結(jié)構(gòu)的重建。

目前，三維激光掃描儀測(cè)量精度可以達(dá)到毫米級(jí)［16］，且不受環(huán)境光影響，大大減小了外部環(huán)境對(duì)測(cè)量的約束。獲取的數(shù)據(jù)是連續(xù)、密集、海量、自動(dòng)化、數(shù)字化信息，在一些開(kāi)源的軟件中如CloudCompare可以直接導(dǎo)入并構(gòu)建三維模型［17］。由于數(shù)據(jù)量非常龐大，因此對(duì)于園藝植物的表型測(cè)量、數(shù)據(jù)處理較為復(fù)雜。但是，三維激光掃描儀價(jià)格昂貴［18］，無(wú)法廣泛應(yīng)用。

1.1.3 飛行時(shí)間法

飛行時(shí)間法（time of flight，簡(jiǎn)稱TOF）的本質(zhì)原理是“距離（s）=速度（v）×?xí)r間（t）”。類似于自然界中的蝙蝠和海豚，這種技術(shù)通過(guò)發(fā)射特殊頻率的信號(hào)感知物體，并接收被物體反射回來(lái)的信號(hào)。飛行時(shí)間法是通過(guò)向物體發(fā)射連續(xù)的脈沖光，當(dāng)光信號(hào)遇到物體反射后，由接收傳感器收到反射光信號(hào)，并計(jì)算通過(guò)發(fā)射到接收的時(shí)間差來(lái)確定物體的距離和深度信息［19-20］，如圖2所示?；赥OF技術(shù)設(shè)計(jì)的相機(jī)中，Kinect相機(jī)最具代表性［21］。Kinect相機(jī)是基于TOF技術(shù)設(shè)計(jì)的一款相機(jī)，是微軟公司為增強(qiáng)Xbox 3D游戲體驗(yàn)而推出的相機(jī)。它搭載了深度相機(jī)和RGB相機(jī)，能夠捕獲深度視頻和實(shí)時(shí)的RGB信息［22］。Kinect相機(jī)具有性價(jià)比高、結(jié)構(gòu)簡(jiǎn)單、體積小巧、幀率高、實(shí)時(shí)性強(qiáng)、分辨率高、性能穩(wěn)定等優(yōu)點(diǎn)［23-24］，在植物三維重建中得到廣泛應(yīng)用，并可用于測(cè)量植物參數(shù)，包括高度和生物量估算［25-26］。

在植物三維重建方面，孫國(guó)祥等建立了基于Kinect傳感器自校準(zhǔn)的多視角RGB-D圖像三維重建方法，并用于解決不同測(cè)量位置下多視點(diǎn)云初始配準(zhǔn)問(wèn)題，實(shí)現(xiàn)了帶有標(biāo)定貼紙的溫室番茄植株的高精度三維重構(gòu)［27］。Wang等利用Kinect v2傳感器對(duì)生菜樣品采集原始數(shù)據(jù)，生成穩(wěn)定的三維點(diǎn)云，提出了配準(zhǔn)效果評(píng)估系統(tǒng)，并開(kāi)發(fā)了自動(dòng)配準(zhǔn)算法，避免在三維重建過(guò)程中手動(dòng)調(diào)整參數(shù)導(dǎo)致視覺(jué)配準(zhǔn)效果的時(shí)間消耗、人工消耗和明顯誤差等問(wèn)題［28］。然而，深度相機(jī)很容易受周圍環(huán)境影響，產(chǎn)生噪點(diǎn)。

1.2 被動(dòng)式三維重建

被動(dòng)式三維重建一般是依靠環(huán)境光源，通過(guò)相機(jī)獲取研究對(duì)象的圖像，再通過(guò)特定算法來(lái)構(gòu)建立體的三維模型的技術(shù)［29］。根據(jù)相機(jī)數(shù)目不同可以分為單目視覺(jué)技術(shù)、雙目視覺(jué)技術(shù)和多目視覺(jué)技術(shù)。

1.2.1 單目視覺(jué)技術(shù)

單目視覺(jué)技術(shù)是一種低成本、易于部署且廣泛適用的三維重建方法，它使用單個(gè)攝像頭作為圖片采集設(shè)備，通過(guò)同一時(shí)間段內(nèi)獲取的連續(xù)圖像來(lái)構(gòu)建三維模型［5］。這些圖像可以是單張或多張，在提取亮度、紋理、輪廓和特征點(diǎn)等信息的基礎(chǔ)上，估算圖像的深度信息。其中具有代表性的算法為運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)（SFM），這是一種基于多視圖幾何基本原理的3D重建技術(shù)［30］，通過(guò)相機(jī)采集不同角度的感興趣區(qū)域（從原始圖像中提取的一個(gè)區(qū)域）圖像，然后通過(guò)三角測(cè)量原理計(jì)算目標(biāo)的深度信息［31］，其原理如圖3所示，SFM法使用的是普通RGB攝像頭，與Kinect相機(jī)最大不同之處在于，其無(wú)需額外的硬件設(shè)備，因此成本更加低廉，操作簡(jiǎn)單，且受到環(huán)境約束較少［32-33］。

Xiao等采用SFM法，在田間3個(gè)生長(zhǎng)階段對(duì)20個(gè)基因型甜菜的三維模型進(jìn)行了重建［33］；Zermas等則利用SFM法重建了玉米點(diǎn)云，并通過(guò)骨架提取獲得表型參數(shù)［34］；Yang等提出了一種基于SFM法的處理管道來(lái)處理視頻，無(wú)需從不同角度記錄多張圖像，只需要在植株周圍錄制視頻即可重建高質(zhì)量的點(diǎn)云模型，避免了數(shù)據(jù)收集過(guò)程中的復(fù)雜性［31］。

然而，單目SFM存在的不足之處是只能在固定的距離下進(jìn)行測(cè)量，無(wú)法隨意改變測(cè)量距離［35］，這增加了重建模型的不確定性。

1.2.2 雙目視覺(jué)技術(shù)

雙目視覺(jué)技術(shù)是通過(guò)模擬人的視覺(jué)，基于視差原理來(lái)獲取目標(biāo)深度信息，通過(guò)左右相機(jī)角度不同產(chǎn)生視差，再利用深度計(jì)算獲取目標(biāo)的深度信息［18］，從而實(shí)現(xiàn)三維圖像的重建，如圖4所示，其中X為基線，即相機(jī)之間的距離。雙目視覺(jué)技術(shù)已經(jīng)在各個(gè)領(lǐng)域得到廣泛應(yīng)用，成熟度高且對(duì)硬件要求較低，具有高精度特點(diǎn)，如殷悅等通過(guò)雙目相機(jī)成功對(duì)擬南芥進(jìn)行三維重建，得到精準(zhǔn)的三維模型［36］。

針對(duì)雙目視覺(jué)而言，由于其采用被動(dòng)光源來(lái)測(cè)量物體，因此很容易受到外部光線的干擾。當(dāng)外部光線太暗或太亮?xí)r，會(huì)影響雙目視覺(jué)的特征提取和匹配，從而降低立體視覺(jué)效果。此外，實(shí)現(xiàn)立體成像需要消耗大量計(jì)算資源，因此在進(jìn)行復(fù)雜計(jì)算時(shí)，可能會(huì)導(dǎo)致實(shí)時(shí)性變差［37］。同時(shí)，大部分有關(guān)農(nóng)業(yè)視覺(jué)設(shè)計(jì)所用到的雙目相機(jī)的測(cè)量范圍都受基線影響［38］，使得其部分圖像區(qū)域提供的深度信息無(wú)法準(zhǔn)確定位［39］。

1.2.3 多目視覺(jué)技術(shù)

多目視覺(jué)技術(shù)與雙目視覺(jué)技術(shù)類似，都基于視差原理獲取目標(biāo)深度信息。但是，多目視覺(jué)技術(shù)使用3臺(tái)或更多相機(jī)進(jìn)行測(cè)量［40］，在不同角度下獲取多組圖像來(lái)推斷目標(biāo)的深度信息（圖5）。因此，多目視覺(jué)技術(shù)是雙目視覺(jué)技術(shù)的一種延伸。

與雙目視覺(jué)技術(shù)相比，多目視覺(jué)技術(shù)可以實(shí)現(xiàn)自動(dòng)在線檢測(cè)，無(wú)需人為設(shè)置相關(guān)輻射源，從而減少測(cè)量中的盲區(qū)，獲得更廣的視野范圍和更高的識(shí)別精度［41］。此外，多目視覺(jué)技術(shù)還可以解決雙目視覺(jué)中的誤匹配問(wèn)題［42］，并且適用于各種場(chǎng)景。然而，由于多目視覺(jué)技術(shù)需要處理大量數(shù)據(jù)來(lái)進(jìn)行三維重建，因此其處理時(shí)間較長(zhǎng)，難以滿足實(shí)時(shí)性要求。此外，在重建過(guò)程中需要進(jìn)行大量的匹配運(yùn)算，這會(huì)增加計(jì)算量并易受環(huán)境光照條件的影響，且當(dāng)多個(gè)攝像機(jī)之間的距離較遠(yuǎn)（即基線距離較大）時(shí)，重建效果也可能會(huì)降低［43］。

1.3 基于端到端深度學(xué)習(xí)三維重建

隨著深度學(xué)習(xí)技術(shù)的不斷成熟，它在許多領(lǐng)域中得到廣泛應(yīng)用，其中端到端（end to end）深度學(xué)習(xí)技術(shù)已成為熱門研究領(lǐng)域，這是一種基于神經(jīng)網(wǎng)絡(luò)模型的機(jī)器學(xué)習(xí)方法，可以直接從輸入數(shù)據(jù)到輸出結(jié)果進(jìn)行端到端的學(xué)習(xí)和預(yù)測(cè)［44］。與傳統(tǒng)機(jī)器學(xué)習(xí)方法不同，端到端深度學(xué)習(xí)技術(shù)可以自動(dòng)地學(xué)習(xí)特征表示和映射關(guān)系，不需要手動(dòng)選擇或設(shè)計(jì)特征提取器、分類器等復(fù)雜的預(yù)處理流程，使得整個(gè)模型具有更高的自動(dòng)化和泛化能力（圖6）。

端到端深度學(xué)習(xí)常用的核心技術(shù)包括多層前饋神級(jí)網(wǎng)絡(luò)［45］，例如卷積神經(jīng)網(wǎng)絡(luò)（convolutional [JP3]neural networks，簡(jiǎn)稱CNN）、自編碼器（autoencoder，簡(jiǎn)稱AE）、生成對(duì)抗網(wǎng)絡(luò)（generative adversarial networks，簡(jiǎn)稱GAN）等［46］。其中CNN是一種非常有效的圖像處理方法，它通過(guò)多層卷積層和池化層提取輸入數(shù)據(jù)中的特征，并通過(guò)全連接層進(jìn)行分類或回歸任務(wù)，對(duì)圖像進(jìn)行特征提取和學(xué)習(xí)［47］；自編碼器是一種無(wú)監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型，它可以將高維的數(shù)據(jù)表示為低維的編碼，并還原出與原始數(shù)據(jù)相似的重構(gòu)數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行降維和表示［48］，同時(shí)還能夠?qū)W習(xí)到數(shù)據(jù)的基本特征［49］；GAN則是一種生成式模型，由生成器（generator）和判別器（discriminator）2個(gè)對(duì)抗神經(jīng)網(wǎng)絡(luò)組成，生成器的作用是生成與真實(shí)數(shù)據(jù)相似的假數(shù)據(jù)，而判別器則是區(qū)分生成器產(chǎn)生的數(shù)據(jù)與真實(shí)數(shù)據(jù)之間的區(qū)別，通過(guò)二者不斷生成對(duì)抗而產(chǎn)生高質(zhì)量的樣本［50-51］。

基于端對(duì)端深度學(xué)習(xí)技術(shù)的蔬菜三維重建通常包括以下流程：（1）數(shù)據(jù)收集和預(yù)處理：首先需要收集大量的蔬菜圖像數(shù)據(jù)，并根據(jù)需要對(duì)這些圖像進(jìn)行預(yù)處理和裁剪，以便在后續(xù)步驟中使用。此外，還需要使用一些標(biāo)注工具對(duì)數(shù)據(jù)進(jìn)行標(biāo)注，比如對(duì)圖像中的蔬菜實(shí)例進(jìn)行標(biāo)記和預(yù)測(cè)。（2）模型選擇：基于CNN的模型可以提取出圖像中的特征信息，實(shí)現(xiàn)蔬菜結(jié)構(gòu)的恢復(fù)［52］；而基于GAN的模型可以生成更真實(shí)的蔬菜三維模型［53］。需要注意的是，由于蔬菜具有不同的形態(tài)和紋理特征，因此需要選擇合適的CNN模型，并根據(jù)情況進(jìn)行微調(diào)。（3）模型訓(xùn)練：模型訓(xùn)練的過(guò)程是將大量的標(biāo)注數(shù)據(jù)輸入到模型中，并通過(guò)誤差反向傳播（back-propagation）算法不斷調(diào)整模型參數(shù)，使得模型能夠逐漸適應(yīng)任務(wù)需求。需要注意的是，在模型訓(xùn)練時(shí)，應(yīng)該選擇合適的損失函數(shù)（loss function）和優(yōu)化器（optimizer）［54-55］，以便達(dá)到最佳的訓(xùn)練效果。（4）模型測(cè)試與評(píng)估：在進(jìn)行深度學(xué)習(xí)模型測(cè)試時(shí)，需要使用1組或多組測(cè)試數(shù)據(jù)集來(lái)評(píng)估訓(xùn)練好的深度學(xué)習(xí)模型的性能和準(zhǔn)確性，通常情況下，可以使用精準(zhǔn)率、召回率、F1分?jǐn)?shù)、ROC曲線等指標(biāo)來(lái)評(píng)估模型的性能［54，56］。

傳統(tǒng)的蔬菜三維重建方法通常需要進(jìn)行多次掃描和拼接，成本高昂且操作復(fù)雜。相比之下，端到端深度學(xué)習(xí)方法則能自動(dòng)地通過(guò)深度神經(jīng)網(wǎng)絡(luò)對(duì)多個(gè)角度或不同切面的植物影像進(jìn)行特征提取和學(xué)習(xí)，通過(guò)優(yōu)化將這些特征融合在一起，生成高質(zhì)量的三維模型，具有更強(qiáng)的靈活性、快速性和便捷性。如Li等提出一種基于全卷積網(wǎng)絡(luò)的端到端分割方法PlantU-net，提高了幼苗群體頂視圖圖像的高通量分割性能，實(shí)現(xiàn)了表型數(shù)據(jù)的準(zhǔn)確提取［57］；Li等提出了一種新的基于深度RNN和卷積運(yùn)算的端到端訓(xùn)練網(wǎng)絡(luò)，通過(guò)原始透視稀疏三維點(diǎn)云精確預(yù)測(cè)生菜株高［58］。

然而，深度學(xué)習(xí)模型需要大量的標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練，因此需要花費(fèi)大量時(shí)間和人力成本來(lái)收集和標(biāo)注數(shù)據(jù)［59］，對(duì)設(shè)備的硬件也有一定的要求，且深度學(xué)習(xí)模型具有復(fù)雜的參數(shù)結(jié)構(gòu)，需要進(jìn)行大量的調(diào)參工作［60］，會(huì)增加蔬菜三維重建的復(fù)雜性。

2 植物三維重建技術(shù)在蔬菜領(lǐng)域的應(yīng)用

2.1 蔬菜表型分析

蔬菜表型測(cè)定是一種對(duì)蔬菜性狀進(jìn)行定量評(píng)估的方法，包括其生長(zhǎng)、形態(tài)、生理和產(chǎn)量等方面［61］，在這個(gè)過(guò)程中，三維重建技術(shù)被廣泛應(yīng)用。使用多種不同類型的傳感器和相機(jī)進(jìn)行數(shù)據(jù)采集和圖像處理，可以獲取到蔬菜的精確三維模型，并計(jì)算出蔬菜各個(gè)部位的長(zhǎng)度、寬度、高度等參數(shù)［62-63］。這些參數(shù)可以用于評(píng)估蔬菜不同品種或不同種類之間的差異，以及在不同生長(zhǎng)條件下蔬菜的生長(zhǎng)變化情況。此外，在蔬菜的生長(zhǎng)和加工過(guò)程中，可以利用三維重建技術(shù)來(lái)追蹤蔬菜形態(tài)的變化，對(duì)蔬菜的生長(zhǎng)動(dòng)態(tài)軌跡進(jìn)行分析。

同時(shí)，三維重建技術(shù)還可以用于蔬菜的種植管理，實(shí)時(shí)監(jiān)測(cè)蔬菜生長(zhǎng)、發(fā)育過(guò)程中的形態(tài)和結(jié)構(gòu)，精確測(cè)量蔬菜的生長(zhǎng)速度、葉片數(shù)量、枝條數(shù)量等指標(biāo)，并進(jìn)一步優(yōu)化種植環(huán)境和生長(zhǎng)條件，以提升蔬菜產(chǎn)量和質(zhì)量。

2.2 蔬菜外觀識(shí)別和分類

蔬菜外觀識(shí)別和分類對(duì)蔬菜行業(yè)的生產(chǎn)和市場(chǎng)營(yíng)銷等方面至關(guān)重要。在蔬菜外觀識(shí)別方面，三維重建技術(shù)也有很大的應(yīng)用潛力。傳統(tǒng)的蔬菜品質(zhì)檢測(cè)通常是人工觀察外觀、顏色、大小等參數(shù)來(lái)鑒定品質(zhì)，這種方法非常耗時(shí)且主觀性較強(qiáng)。而利用三維重建技術(shù)可以提取蔬菜表面的各種形態(tài)特征，如表面紋理、棱角、凹陷等，并與數(shù)據(jù)庫(kù)中已知蔬菜品類的三維模型進(jìn)行比較，從而實(shí)現(xiàn)蔬菜外觀識(shí)別［64］。同時(shí)，在識(shí)別過(guò)程中也能針對(duì)蔬菜外觀缺陷等問(wèn)題進(jìn)行智能判斷和修復(fù)，以提高品質(zhì)的穩(wěn)定性和準(zhǔn)確性。

其次，使用三維重建技術(shù)將蔬菜數(shù)字化，可以通過(guò)計(jì)算機(jī)程序?qū)ζ溥M(jìn)行精準(zhǔn)的分類［65］。具體來(lái)說(shuō)，計(jì)算機(jī)通過(guò)對(duì)不同類別蔬菜的三維模型分析和對(duì)比，可以學(xué)習(xí)到各種蔬菜的特征［66-67］，從而快速準(zhǔn)確地進(jìn)行分類。同時(shí)，可以將多個(gè)角度的蔬菜圖像進(jìn)行三維重建，從而形成真實(shí)的三維蔬菜模型。這些在不同視角下的三維模型可以為后續(xù)的蔬菜分類任務(wù)提供更多的信息和特征。

三維重建技術(shù)的應(yīng)用能夠提高蔬菜品質(zhì)的分類準(zhǔn)確性和效率，為蔬菜的生產(chǎn)和市場(chǎng)營(yíng)銷等方面提供更好的發(fā)展機(jī)會(huì)。

2.3 病蟲(chóng)害防治

蔬菜在生長(zhǎng)過(guò)程中，經(jīng)常受到病蟲(chóng)害的侵襲，導(dǎo)致產(chǎn)量和品質(zhì)下降等問(wèn)題。傳統(tǒng)的病蟲(chóng)害監(jiān)測(cè)和防治方法主要依賴于人工巡視和捕捉，成本較高且存在誤差和漏檢等問(wèn)題?；谏疃染矸e神經(jīng)網(wǎng)絡(luò)和無(wú)監(jiān)督方法［68］，對(duì)蔬菜表面的紋理、顏色、形狀等進(jìn)行分析［69］，可以快速檢測(cè)出蔬菜是否存在壞點(diǎn)、裂紋、疤痕、蟲(chóng)害和病害等問(wèn)題［70-71］。這些信息可以幫助農(nóng)戶及時(shí)發(fā)現(xiàn)問(wèn)題并采取有效的措施進(jìn)行治療，提高蔬菜質(zhì)量。

2.4 蔬菜市場(chǎng)營(yíng)銷智能化管理

三維重建技術(shù)還可以在蔬菜市場(chǎng)營(yíng)銷中起到重要的作用。對(duì)于蔬菜生產(chǎn)企業(yè)和銷售商來(lái)說(shuō)，高效的品質(zhì)識(shí)別和分類工具是提高市場(chǎng)競(jìng)爭(zhēng)力的關(guān)鍵要素之一。通過(guò)三維重建技術(shù)中的數(shù)據(jù)存儲(chǔ)和檢索技術(shù)，可以將蔬菜的三維模型信息進(jìn)行管理、查詢和比較，以方便銷售商找到符合市場(chǎng)需求的蔬菜品種和品質(zhì)。另外，在市場(chǎng)營(yíng)銷中還可以利用三維重建技術(shù)實(shí)現(xiàn)虛擬展示和陳列［72］，讓消費(fèi)者更好地了解和選擇自己喜歡的蔬菜品種。

3 三維重建技術(shù)在蔬菜領(lǐng)域應(yīng)用的優(yōu)勢(shì)和挑戰(zhàn)

3.1 優(yōu)勢(shì)

3.1.1 數(shù)據(jù)準(zhǔn)確性高

三維重建技術(shù)具有高精度的數(shù)據(jù)采集能力，可獲取蔬菜的尺寸、形狀等物理屬性數(shù)據(jù)，并采用非接觸式無(wú)損檢測(cè)的方法，避免了傳統(tǒng)人工測(cè)量方法存在的誤差問(wèn)題及農(nóng)產(chǎn)品損傷問(wèn)題，從而提高數(shù)據(jù)準(zhǔn)確性。

3.1.2 生產(chǎn)管理效率提高

采用三維重建技術(shù)可快速獲取蔬菜的外部結(jié)構(gòu)信息，比傳統(tǒng)手工測(cè)量或模具建立方法更為高效，縮短了數(shù)據(jù)采集時(shí)間和生產(chǎn)周期，以此提高蔬菜生產(chǎn)管理效率。

3.1.3 數(shù)字化管理

三維重建技術(shù)將蔬菜的形態(tài)、數(shù)量和位置等信息數(shù)字化，便于管理和分析。例如，在收獲和運(yùn)輸過(guò)程中，可以使用三維重建技術(shù)記錄蔬菜的位置和狀態(tài)，生成蔬菜的三維模型，并通過(guò)GPS等位置信息記錄蔬菜所在位置。這樣可以確保蔬菜在運(yùn)輸過(guò)程中得到合理的處理，同時(shí)也便于追溯蔬菜的來(lái)源和運(yùn)輸過(guò)程；也可以利用三維模型中的數(shù)據(jù)分析蔬菜的銷售情況，包括銷售量、銷售額、銷售地點(diǎn)等信息，為超市管理者提供更好的數(shù)據(jù)決策支持。

3.2 挑戰(zhàn)

3.2.1 數(shù)據(jù)處理復(fù)雜

三維重建技術(shù)需要對(duì)大量圖像數(shù)據(jù)進(jìn)行處理和拼接，同時(shí)還需要對(duì)數(shù)據(jù)進(jìn)行校準(zhǔn)，這對(duì)計(jì)算機(jī)硬件和軟件要求較高。而且對(duì)于不同類型的蔬菜，其顏色、形狀等特征差異較大［73］，因此需要建立相應(yīng)的模型和算法，才能確保數(shù)據(jù)處理的準(zhǔn)確性和完整性。

3.2.2 成本較高

三維重建技術(shù)所需的設(shè)備和人力成本較高，尤其是在規(guī)模化生產(chǎn)環(huán)境下，需投入更多的人力和資金，這可能限制了該技術(shù)的推廣和應(yīng)用。

3.2.3 精度有限

由于蔬菜具有一定的柔韌性和變形性［74］，在三維重建過(guò)程中容易出現(xiàn)誤差，同時(shí)，相鄰葉片、枝條和果實(shí)造成的重疊、遮擋等問(wèn)題會(huì)對(duì)精度產(chǎn)生較大影響［75］。

3.2.4 應(yīng)用場(chǎng)景受限

目前三維重建技術(shù)主要應(yīng)用于室內(nèi)環(huán)境下，對(duì)于在室外生長(zhǎng)的蔬菜，由于光照、遮擋等因素的干擾，會(huì)使數(shù)據(jù)采集更加困難，這也限制了該技術(shù)在實(shí)際應(yīng)用中的推廣。

4 未來(lái)展望

在技術(shù)不斷發(fā)展的趨勢(shì)下，三維重建技術(shù)在蔬菜領(lǐng)域擁有廣泛的應(yīng)用前景。展望未來(lái)，我們可以從以下幾個(gè)方面進(jìn)行探索和研究。

（1）結(jié)合人工智能技術(shù)：將三維重建技術(shù)與深度學(xué)習(xí)等人工智能技術(shù)結(jié)合，實(shí)現(xiàn)更為準(zhǔn)確的作物分類識(shí)別、表型分析和病蟲(chóng)害檢測(cè)等任務(wù)［76］。

（2）進(jìn)一步提高精度：針對(duì)三維重建技術(shù)的精度問(wèn)題，采用先進(jìn)的算法和設(shè)備，提升其精度和穩(wěn)定性。

（3）開(kāi)放式生態(tài)系統(tǒng)：構(gòu)建基于三維重建技術(shù)、農(nóng)業(yè)生產(chǎn)信息化、決策支持系統(tǒng)等多個(gè)部分相互聯(lián)系的開(kāi)放式生態(tài)系統(tǒng)，以提高農(nóng)業(yè)生產(chǎn)效率和產(chǎn)品品質(zhì)。

5 總結(jié)

本文介紹了三維重建技術(shù)在蔬菜領(lǐng)域上的應(yīng)用原理，包括主動(dòng)三維重建、被動(dòng)三維重建和基于端對(duì)端深度學(xué)習(xí)的三維重建等技術(shù)，并探討了其在蔬菜的表型分析、識(shí)別與分類、病蟲(chóng)害防治和市場(chǎng)營(yíng)銷智能化管理等方面的應(yīng)用。同時(shí)，通過(guò)對(duì)現(xiàn)有問(wèn)題進(jìn)行分析，提出了三維重建技術(shù)未來(lái)進(jìn)一步研究的方向。隨著未來(lái)技術(shù)的不斷成熟，三維重建技術(shù)將為蔬菜領(lǐng)域提供更充足的技術(shù)支持，促進(jìn)蔬菜種植和生產(chǎn)的智能化發(fā)展。

參考文獻(xiàn)：

［1］國(guó)家統(tǒng)計(jì)局. 方曉丹：居民收入繼續(xù)穩(wěn)步增長(zhǎng)居民消費(fèi)支出持續(xù)恢復(fù)［DB/OL］. （2022-01-18）［2023-05-26］. http：//www.stats.gov.cn/sj/sjjd/202302/t20230202_1896589.html.

［2］林 帆，王利強(qiáng). 采后綠色蔬菜保鮮護(hù)綠技術(shù)研究進(jìn)展［J］. 中國(guó)食品學(xué)報(bào)，2023，23（3）：416-427.

［3］熊思博，王 琦，劉光潔. 三維重建技術(shù)的發(fā)展與現(xiàn)狀研究綜述［J］. 電腦知識(shí)與技術(shù)，2022，18（36）：114-117.

［4］周靜靜，郭新宇，吳 升，等. 基于多視角圖像的植物三維重建研究進(jìn)展［J］. 中國(guó)農(nóng)業(yè)科技導(dǎo)報(bào)，2019，21（2）：9-18.

［5］劉志海，代振銳，田紹魯，等. 非接觸式三維重建技術(shù)綜述［J］. 科學(xué)技術(shù)與工程，2022，22（23）：9897-9908.

［6］Wang J Z，Zhang Y，Gu R R. Research status and prospects on plant canopy structure measurement using visual sensors based on three-dimensional reconstruction［J］. Agriculture，2020，10（10）：462.

［7］Zuo C，Zhang X L，Hu Y，et al. Has 3D finally come of age？—an introduction to 3D structured-light sensor［J］. Infrared and Laser Engineering，2020，49（3）：303001.

［8］呂深圳. 基于數(shù)字光柵投影技術(shù)的三維面型測(cè)量研究［D］. 長(zhǎng)春：中國(guó)科學(xué)院大學(xué)（中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所），2021：4-6.

［9］Hennad A，Cockett P，McLauchlan L，et al. Characterization of irregularly-shaped objects using 3D structured light scanning［C］//2019 International Conference on Computational Science and Computational Intelligence （CSCI）. IEEE，2019：600-605.

［10］Qi Z S，Wang Z. Highlight removal based on the regional-projection fringe projection method［J］. Optical Engineering，2018，57（4）：1.

［11］Lin H，Gao J，Mei Q，et al. Adaptive digital fringe projection technique for high dynamic range three-dimensional shape measurement［J］. Optics Express，2016，24（7）：7703-7718.

［12］潘艷娟.基于條紋投影的植物三維重建和葉片分割技術(shù)研究［D］. 合肥：安徽農(nóng)業(yè)大學(xué)，2021：41-51.

［13］Hu Y，Chen Q，F(xiàn)eng S J，et al. Microscopic fringe projection profilometry：a review［J］. Optics and Lasers in Engineering，2020，135：106192.

［14］Cheng L，Chen S，Liu X Q，et al. Registration of laser scanning point clouds：a review［J］. Sensors，2018，18（5）：1641.

［15］Paulus S. Measuring crops in 3D：using geometry for plant phenotyping［J］. Plant Methods，2019，15：103.

［16］Jo Y H，Hong S. Three-dimensional digital documentation of cultural heritage site based on the convergence of terrestrial laser scanning and unmanned aerial vehicle photogrammetry［J］. ISPRS International Journal of Geo-Information，2019，8（2）：53.

［17］Vacca G. Overview of open source software for close range photogrammetry［J］. The International Archives of the Photogrammetry，Remote Sensing and Spatial Information Sciences，2019，XLII-4/W14：239-245.

［18］Teng X W，Zhou G S，Wu Y X，et al. Three-dimensional reconstruction method of rapeseed plants in the whole growth period using RGB-D camera［J］. Sensors，2021，21（14）：4628.

［19］李占利，周 康，牟 琦，等. TOF相機(jī)實(shí)時(shí)高精度深度誤差補(bǔ)償方法［J］. 紅外與激光工程，2019，48（12）：263-272.

［20］鄭太雄，黃 帥，李永福，等. 基于視覺(jué)的三維重建關(guān)鍵技術(shù)研究綜述［J］. 自動(dòng)化學(xué)報(bào)，2020，46（4）：631-652.

［21］Hu Y，Wang L，Xiang L R，et al. Automatic non-destructive growth measurement of leafy vegetables based on kinect［J］. Sensors，2018，18（3）：806.

［22］Wang L，Huynh D Q，Koniusz P.A comparative review of recent kinect-based action recognition algorithms［J］. IEEE Transactions on Image Processing，2019，29：15-28.

［23］賈佳璐，應(yīng)忍冬，潘光華，等. 基于ToF相機(jī)的三維重建技術(shù)［J］. 計(jì)算機(jī)應(yīng)用與軟件，2020，37（4）：127-131.

［24］Andújar D，Dorado J，F(xiàn)ernández-Quintanilla C，et al. An approach to the use of depth cameras for weed volume estimation［J］. Sensors，2016，16（7）：972.

［25］Vázquez-Arellano M，Paraforos D S，Reiser D，et al. Determination of stem position and height of reconstructed maize plants using a time-of-flight camera［J］. Computers and Electronics in Agriculture，2018，154：276-288.

［26］Xie W J，Wei S，Yang D Y.Morphological measurement for carrot based on three-dimensional reconstruction with a ToF sensor［J］. Postharvest Biology and Technology，2023，197：112216.

［27］孫國(guó)祥，汪小旵，劉景娜，等. 基于相位相關(guān)的溫室番茄植株多模態(tài)三維重建方法［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35（18）：134-142.

［28］Wang L H，Zheng L H，Wang M J，et al. Kinect-based 3D reconstruction of leaf lettuce［C］//2020 ASABE Annual International Virtual Meeting，July 13-15，2020.St.Joseph，MI：American Society of Agricultural and Biological Engineers，2020：1.

［29］Moons T，van Gool L，Vergauwen M.3D reconstruction from multiple images part 1：principles［J］. Foundations and Trends in Computer Graphics and Vision，2008，4（4）：287-404.

［30］Iglhaut J，Cabo C，Puliti S，et al. Structure from motion photogrammetry in forestry：a review［J］. Current Forestry Reports，2019，5（3）：155-168.

［31］Yang Z S，Han Y X. A low-cost 3D phenotype measurement method of leafy vegetables using video recordings from smartphones［J］. Sensors，2020，20（21）：6068.

［32］Liu R，Yao L W，Yan L，et al. Research on real scene 3D modelling based on multi-view［J］. Journal of Physics：Conference Series，2021，1852（2）：022080.

［33］Xiao S F，Chai H H，Shao K，et al. Image-based dynamic quantification of aboveground structure of sugar beet in field［J］. Remote Sensing，2020，12（2）：269.

［34］Zermas D，Morellas V，Mulla D，et al. 3D model processing for high throughput phenotype extraction–the case of corn［J］. Computers and Electronics in Agriculture，2020，172：105047.

［35］Lu Y W，Wang Y X，Chen Z J，et al. 3D plant root system reconstruction based on fusion of deep structure-from-motion and IMU［J］. Multimedia Tools and Applications，2021，80（11）：17315-17331.

［36］殷 悅，張慧春，鄭加強(qiáng). 基于雙目立體視覺(jué)的植物三維重建系統(tǒng)［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2021，42（3）：129-135.

［37］魏加立，曲慧東，王永憲，等. 基于飛行時(shí)間法的3D相機(jī)研究綜述［J］. 紅外技術(shù)，2021，43（1）：60-67.

［38］Li Y J，F(xiàn)eng Q C，Li T，et al. Advance of target visual information acquisition technology for fresh fruit robotic harvesting：a review［J］. Agronomy，2022，12（6）：1336.

［39］鞠執(zhí)一，鄧干然，李旭榮，等. 雙目視覺(jué)技術(shù)在農(nóng)業(yè)監(jiān)測(cè)中的應(yīng)用現(xiàn)狀及展望［J］. 現(xiàn)代農(nóng)業(yè)裝備，2021，42（6）：2-7，14.

［40］韓雨坤，潘 翀，王文濤，等. 基于多目立體視覺(jué)和神經(jīng)網(wǎng)絡(luò)標(biāo)定的表面形貌測(cè)量方法研究［J］. 實(shí)驗(yàn)流體力學(xué)，2021，35（6）：44-51.

［41］Chen M Y，Tang Y C，Zou X J，et al. Three-dimensional perception of orchard banana central stock enhanced by adaptive multi-vision technology［J］. Computers and Electronics in Agriculture，2020，174：105508.

［42］Feng H P，Zhang L W. Location of feature points in 3D reconstruction of multi vision color image based on principal component analysis［C］//Proceedings of the 13th EAI International Conference on Mobile Multimedia Communications，Mobimedia 2020，27-28 August 2020，Cyberspace. EAI，2020：2295947.

［43］Li M X，Li T M，Jiang Y. Marker displacement method used in vision-based tactile sensors—from 2-D to 3-D：a review［J］. IEEE Sensors Journal，2023，23（8）：8042-8059.

［44］杜永萍，趙以梁，閻婧雅，等. 基于深度學(xué)習(xí)的機(jī)器閱讀理解研究綜述［J］. 智能系統(tǒng)學(xué)報(bào)，2022，17（6）：1074-1083.

［45］郝蕊潔，萬(wàn)小紅. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的激光三維圖像重建方法［J］. 激光雜志，2023，44（3）：153-157.

［46］劉彩霞，魏明強(qiáng)，郭延文. 基于深度學(xué)習(xí)的三維點(diǎn)云修復(fù)技術(shù)綜述［J］. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2021，33（12）：1936-1952.

［47］尹顯明，棘 玉，張日清，等. 深度學(xué)習(xí)在基于葉片的油茶品種識(shí)別中的研究［J］. 南京林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，47（3）：29-36.

［48］葉 青，馮振乾，朱彥陳，等. 小樣本民族藥植物圖像識(shí)別綜述［J］. 現(xiàn)代信息科技，2023，7（4）：81-86.

［49］張?jiān)骑w，賀麗君，王子溪，等. 面向機(jī)器視覺(jué)任務(wù)的多尺度圖像特征壓縮算法［DB/OL］. （2023-05-16）［2023-05-26］. https：//kns.cnki.net/kcms/detail/61.1069.t.20230515.1807.002.html.

［50］Creswell A，White T，Dumoulin V，et al. Generative adversarial networks：an overview［J］. IEEE Signal Processing Magazine，2018，35（1）：53-65.

［51］Gui J，Sun Z N，Wen Y G，et al. A review on generative adversarial networks：algorithms，theory，and applications［J］. IEEE Transactions on Knowledge and Data Engineering，2023，35（4）：3313-3332.

［52］吳 蓓，肖 黎. 基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物智能圖像識(shí)別分類研究［J］. 農(nóng)機(jī)化研究，2023，45（12）：20-23，29.

［53］Madsen S L，Dyrmann M，Jrgensen R N，et al. Generating artificial images of plant seedlings using generative adversarial networks［J］. Biosystems Engineering，2019，187：147-159.

［54］Syed-Ab-Rahman S F，Hesamian M H，Prasad M. Citrus disease detection and classification using end-to-end anchor-based deep learning model［J］. Applied Intelligence，2022，52（1）：927-938.

［55］Rehman T U，Ma D D，Wang L J，et al. Predictive spectral analysis using an end-to-end deep model from hyperspectral images for high-throughput plant phenotyping［J］. Computers and Electronics in Agriculture，2020，177：105713.

［56］Buxbaum N，Lieth J H，Earles M. Non-destructive plant biomass monitoring with high spatio-temporal resolution via proximal RGB-D imagery and end-to-end deep learning［J］. Frontiers in Plant Science，2022，13：758818.

［57］Li Y L，Wen W L，Guo X Y，et al. High-throughput phenotyping analysis of maize at the seedling stage using end-to-end segmentation network［J］. PLoS One，2021，16（1）：e0241528.

［58］Li J S，Wang Y，Zheng L H，et al. Towards end-to-end deep RNN based networks to precisely regress of the lettuce plant height by single perspective sparse 3D point cloud［J］. Expert Systems with Applications，2023，229：120497.

［59］Kamilaris A，Prenafeta-Boldú F X. Deep learning in agriculture：a survey［J］. Computers and Electronics in Agriculture，2018，147：70-90.

［60］Yu S W，Ma J W，Wang W L. Deep learning for denoising［J］. Geophysics，2019，84（6）：V333-V350.

［61］俞盛旗，胡 棟，劉 威. 基于視覺(jué)的光學(xué)三維重建技術(shù)及其在農(nóng)作物信息感知中的應(yīng)用［J］. 激光與光電子學(xué)進(jìn)展，2023，60（22）：2200002.

［62］Zhu R S，Sun K，Yan Z Z，et al. Analysing the phenotype development of soybean plants using low-cost 3D reconstruction［J］. Scientific Reports，2020，10：7055.

［63］Xing Y N，Pham D，Williams H，et al. Look how they have grown：non-destructive leaf detection and size estimation of tomato plants for 3D growth monitoring［EB/OL］. 2023：arXiv：2304.03610.http：//arxiv.org/abs/2304.03610.pdf.

［64］Hameed K，Chai D，Rassau A. Score-based mask edge improvement of Mask-RCNN for segmentation of fruit and vegetables［J］. Expert Systems with Applications，2022，190：116205.

［65］Jadhav T，Singh K，Abhyankar A. Volumetric estimation using 3D reconstruction method for grading of fruits［J］. Multimedia Tools and Applications，2019，78（2）：1613-1634.

［66］[JP3]Hameed K，Chai D，Rassau A. A sample weight and AdaBoost CNN-

based coarse to fine classification of fruit and vegetables at a supermarket self-checkout［J］. Applied Sciences，2020，10（23）：8667. [HJ2mm]

［67］Hameed K，Chai D，Rassau A. A progressive weighted average weight optimisation ensemble technique for fruit and vegetable classification［C］//2020 16th International Conference on Control，Automation，Robotics and Vision （ICARCV）.Shenzhen，China.IEEE，2020：303-308.

［68］[JP3]Li J，Jia J J，Xu D L. Unsupervised representation learning of image-

based plant disease with deep convolutional generative adversarial networks［C］//2018 37th Chinese Control Conference （CCC）.Wuhan，China.IEEE，2018：9159-9163.

［69］Ahmad N，Asif H M S，Saleem G，et al. Leaf image-based plant disease identification using color and texture features［J］. Wireless Personal Communications，2021，121（2）：1139-1168.

［70］Chen Z Y，Wu R H，Lin Y Y，et al. Plant disease recognition model based on improved YOLO v5［J］. Agronomy，2022，12（2）：365.

［71］Gadade H D，Kirange D K. Machine learning based identification of tomato leaf diseases at various stages of development［C］//2021 5th International Conference on Computing Methodologies and Communication （ICCMC）. Erode，India.IEEE，2021：814-819.

［72］Sobociński P，Strugaa D，Walczak K，et al. Large-scale 3D web environment for visualization and marketing of household appliances［C］//de Paolis L T，Arpaia P，Bourdot P.International Conference on Augmented Reality，Virtual Reality and Computer Graphics. Cham：Springer，2021：25-43.

［73］史衛(wèi)東，梁 勁，張 力，等. 菜心和芥藍(lán)表型多樣性的主成分分析與聚類分析［J］. 西南農(nóng)業(yè)學(xué)報(bào)，2020，33（12）：2726-2735.

［74］張 楠，趙姣姣，崔維霞，等. 5份大白菜葉卷曲突變體卷曲特性研究［J］. 江蘇農(nóng)業(yè)科學(xué)，2022，50（18）：228-238.

［75］嚴(yán)佳豪，彭辰晨，陳超凡，等. 基于機(jī)器視覺(jué)的植物表型研究現(xiàn)狀［J］. 南方農(nóng)機(jī)，2021，52（8）：195-196.

［76］曾 安，彭杰威，劉 暢，等. 基于多尺度幾何感知Transformer的植物點(diǎn)云補(bǔ)全網(wǎng)絡(luò)［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2022，38（4）：198-205.

收稿日期：2023-05-26

基金項(xiàng)目：廣東省重點(diǎn)領(lǐng)域研發(fā)計(jì)劃（編號(hào)：2023B0202100001）。

作者簡(jiǎn)介：張銘桂（1999—），男，廣東陽(yáng)江人，碩士研究生，研究方向?yàn)槭卟祟I(lǐng)域機(jī)器視覺(jué)、圖像處理、設(shè)施農(nóng)業(yè)肥水調(diào)控。E-mail：jetkiss@qq.com。

通信作者：劉厚誠(chéng)，博士，教授，博士生導(dǎo)師，主要從事蔬菜栽培生理生態(tài)、設(shè)施園藝、植物工廠技術(shù)的教學(xué)科研工作。E-mail：liuhch@scau.edu.cn。