岳松儒 陸軍 曹冬林 周建華 金天澍

doi：10.15889/j.issn.1002-1302.2024.10.030

摘要：針對當(dāng)前農(nóng)田作物噴灑農(nóng)藥后，植株表面出現(xiàn)的粘連霧滴影響沉積參數(shù)且未能及時檢測藥液分布情況的問題，搭建植株采集圖像裝置，提出改進的分水嶺算法分割粘連霧滴的方法來快速檢測霧滴沉積參數(shù)。首先采集了自然生長下噴灑藥液的3種不同類型的盆栽植株共9幅圖像，為了準(zhǔn)確提取植株表面的霧滴，去除了復(fù)雜的背景區(qū)域；然后用R-G算法準(zhǔn)確提取霧滴圖像和以形狀因子為0.9為閾值結(jié)合迭代腐蝕運算識別粘連霧滴；最后對強、弱粘連霧滴分別采用基于距離標(biāo)記的改進分水嶺算法和腐蝕算法分割。結(jié)果表明，改進的基于距離標(biāo)記的分水嶺算法分割粘連霧滴平均準(zhǔn)確率達到92.31%，且對2～4個粘連霧滴的分割效果較好；本研究算法對比迭代全局閾值算法、大津算法的霧滴覆蓋率分別提高39.83%和35.36%；霧滴密度與ImageJ計數(shù)、腐蝕運算和傳統(tǒng)分水嶺算法平均相對誤差分別為4.03%、8.05%、7.09%；基于距離標(biāo)記的改進分水嶺的變異系數(shù)對比傳統(tǒng)分水嶺算法和腐蝕算法的相對誤差分別為10.80%、18.78%。本研究的改進分水嶺算法提高了植株的沉積參數(shù)檢測準(zhǔn)確率，可為執(zhí)行農(nóng)田植保作業(yè)時檢測霧滴分布情況提供參考。

關(guān)鍵詞：沉積參數(shù)；粘連霧滴；分水嶺算法；形狀因子；植保作業(yè)

中圖分類號：TP391.41? 文獻標(biāo)志碼：A

文章編號：1002-1302（2024）10-0217-08

收稿日期：2023-05-29

基金項目：上海市新農(nóng)科研究與改革實踐項目（編號：滬教委高［2020］42號）；泰州市高層次創(chuàng)新創(chuàng)業(yè)人才（團隊）引進計劃（編號：泰人才辦［2021］1號）；浙江省自然科學(xué)基金（編號：LY16C130008）；上海電機學(xué)院科研啟動項目（編號：B1-0288-21-007-01-003）。

作者簡介：岳松儒（1997—），男，四川巴中人，碩士研究生，主要從事噴霧裝備視覺檢測的研究。E-mail： yuesongru@163.com。

通信作者：陸? 軍，廣西南寧人，博士，副教授，主要從事農(nóng)機裝備與技術(shù)研究。E-mail： lujun@sdju.edu.cn。

植保作業(yè)時噴霧施藥是一個動態(tài)過程，藥液霧滴顆粒群會在作物葉片表面發(fā)生碰撞、凝并、破碎、沉積等動力學(xué)事件，其中多個顆粒液滴的疊加行為直接影響其在作物表面的沉積、持留、鋪展和滲透等，進而影響和決定施藥效果［1］。研究農(nóng)作物葉片上的粘連霧滴分割，進一步計算霧滴沉積密度、覆蓋率、變異系數(shù)對于評價藥液分布狀態(tài)、優(yōu)化噴施技術(shù)來說具有重要的指導(dǎo)作用［2］。目前，常用的檢測方法有水敏試紙和熒光試劑的直接檢測方法、作業(yè)單個葉片的霧滴覆蓋率間接檢測方法和深度學(xué)習(xí)檢測方法。Martin等將熒光試劑與水混合，在田間棉花上進行噴灑試驗，將棉花葉片發(fā)生的熒光反應(yīng)圖像傳輸至計算機進行處理，實現(xiàn)檢測葉片上的沉積參數(shù)［3］。Wang等將表面增強拉曼光譜應(yīng)用在水果和果汁中農(nóng)藥檢測方面，用于檢測和定量不同基質(zhì)中的多種農(nóng)藥，與傳統(tǒng)色譜方法相比，具有高靈敏度和穩(wěn)定性［4］?？簼嵉柔槍δ壳八艏垐D像處理軟件缺少對水敏紙圖像的旋轉(zhuǎn)等預(yù)處理操作，基于ImagePy開發(fā)了一種可以快速準(zhǔn)確檢測霧滴尺寸及分布特性的水敏紙圖像處理軟件，該軟件可測量霧滴尺寸、分布、總霧滴數(shù)和霧滴密度等霧滴參數(shù)，并用DepositScan軟件計數(shù)比較，可以提高霧滴的提取率［5］。

曹軍琳等采用超紅算子與最大類間方差法（OTSU）相結(jié)合，模擬田間噴霧對葉片直接進行噴灑，截取了葉片僅含有藥液的一部分區(qū)域圖像，研究了葉片表面形態(tài)特征等因素對霧滴覆蓋率的影響［6］。李睿等采用閾值邊緣提取和HSV顏色模型相結(jié)合的算法，對完整的辣椒幼苗期葉片模擬噴霧后進行研究，能較好地反映出整個葉面積的霧滴覆蓋率情況［7］。馬凱等以熒光圖像的方法為基礎(chǔ)，設(shè)計了一種不會破壞植株的便攜式霧滴葉面沉積檢測系統(tǒng)，對整株植物檢測了霧滴沉積率和覆蓋密度［8］。Zheng等提出了一種基于激光雷達反射原理的測量新方法，驗證的數(shù)據(jù)集足夠多，但計算沉積參數(shù)的時間比較短，對液滴分布檢測有顯著效果［9］。Wang等采用了一種新型電容器傳感器系統(tǒng)，用于在施用除草劑后立即測量噴霧沉積物，測試了不同配方和不同模式類型噴嘴的除草劑對該系統(tǒng)電容的影響，結(jié)果表明，沉積質(zhì)量和除草劑溶液與傳感器電容的數(shù)字電壓信號呈線性關(guān)系［10］。Lü等提出了運用紅外熱成像原理檢測液滴沉積參數(shù)，建立了帶有機載噴霧系統(tǒng)的無人機模擬平臺，并開發(fā)了處理水敏紙的分析程序液滴分析；研究結(jié)果證明紅外熱成像在空中噴灑領(lǐng)域評估液滴沉降的實用性［11］。Machado等為準(zhǔn)確預(yù)測農(nóng)藥噴灑覆蓋預(yù)期作物區(qū)域的評估方法，提出了基于智能手機的DropLeaf應(yīng)用程序，分別對水敏試紙和真實葉片進行試驗［12］。Yang等由于農(nóng)藥在農(nóng)田作物表面噴灑的液滴粘連影響沉積參數(shù)檢測，用水代替農(nóng)藥噴灑，對采集圖像利用深度學(xué)習(xí)網(wǎng)絡(luò)的黏性液滴識別，并基于一種卷積神經(jīng)網(wǎng)絡(luò)的凹點匹配分割算法來分割黏附液滴，結(jié)果表明，該方法檢測液滴覆蓋率和沉積密度均提高了至少3%的正確率［13］。

目前研究完整的植株和單雙植株以及多植株的霧滴沉積參數(shù)的論文較少，本研究運用直接檢測方法，用配制的溶液代替農(nóng)藥進行噴灑，采集圖像并提取含有藥液的二值圖像。檢測單植株、雙植株和多植株雞毛菜表面的霧滴沉積參數(shù)。若未對霧滴區(qū)域出現(xiàn)的粘連情況進行分割，直接獲得的霧滴數(shù)以及相關(guān)聯(lián)的沉積參數(shù)都會導(dǎo)致數(shù)值結(jié)果不精確［14］，本研究提出改進分水嶺算法，并與其他算法對分割粘連霧滴的效果進行對比，并用霧滴覆蓋率、霧滴沉積密度、變異系數(shù)的檢測結(jié)果進行驗證。

1? 材料與方法

1.1? 材料及設(shè)備

本試驗以自種植盆栽雞毛菜葉片（生長20 d）為采集對象，試驗時間為2023年5月12—14日，試驗地點在上海電機學(xué)院機械樓，用可食用的誘惑紅染色劑（上海染料研究所有限公司）和水配制成質(zhì)量分數(shù)為3%的誘惑紅溶液代替農(nóng)藥［15］。通過電動噴霧機（藍天植保器械廠，ZS型，工作壓力0.2～0.6 MPa，額定電壓12 V，自帶霧化噴頭的霧化角90°）模擬作業(yè)進行試驗。采集裝置主要包括背負式電動噴霧機、智能手機（攝像頭為 1 200 萬像素）、手機固定支架、智能手機、背景板、滑軌、植株、噴霧機。試驗采集裝置如圖1所示。

1.2? 試驗方法

預(yù)先試驗調(diào)節(jié)噴霧機距植株上方40 cm的噴灑高度并固定高度不變，左側(cè)以智能手機采集圖像，推動滑軌至右側(cè)進行噴灑作業(yè)，智能手機可上下自由調(diào)節(jié)選擇最好的拍攝角度便于提取整幅植株，采集圖像利用標(biāo)定板矯正鏡頭畸變。對采集的圖像用MATLAB R2021b軟件進行圖像處理，可調(diào)用相關(guān)的函數(shù)進行預(yù)處理、粘連分割、統(tǒng)計霧滴參數(shù)。

1.3? 植株樣本

用“1.1”節(jié)中的裝置分別對單植株、雙植株和多植株進行模擬噴霧噴灑并采集盆栽植株樣本圖像，將上述的植株分為3組，每組都采集3幅圖像，共9幅圖像，編號依次為a～i。采集的圖像具體如圖2所示。

1.4? 葉片圖像處理

對葉片圖像經(jīng)預(yù)處理、去噪、二值化、形態(tài)學(xué)運算提取霧滴區(qū)域；基于形狀因子判別單獨霧滴和粘連霧滴，粘連霧滴每迭代一次判斷比較上次迭代腐蝕后是否新增單獨霧滴，不滿足條件的先邊緣檢測凹點，再進行距離變換標(biāo)記的改進分水嶺算法分割得到霧滴沉積參數(shù)。系統(tǒng)流程如圖3所示。

1.4.1? 預(yù)處理

由“2.1”節(jié)中霧滴沉積參數(shù)公式可知，能否準(zhǔn)確體現(xiàn)霧滴的噴灑效果，關(guān)鍵在于準(zhǔn)確提取葉片霧滴區(qū)域以及去除含葉片表面之外的背景圖像。圖2中9組圖像均含有復(fù)雜的背景信息，提取單植株a圖像的RGB三通道顏色分量如圖4所示。

1.4.2? 葉片提取

由圖4可知，R分量較多，在提取植株時盆栽中的泥土顏色與藥液顏色較接近，加大了提取難度。首要步驟須去除除去葉片外的背景，用圖像處理軟件（Photoshop）將RGB圖像a去除背景，然后轉(zhuǎn)換為二值圖像就可得到圖像b，用

MATLAB軟件采用大津算法和形態(tài)學(xué)運算可以達

到理想的提取效果；得到去除背景的RGB圖像c，整個植株中枝干含有藥液會直接影響霧滴的個數(shù)與沉積參數(shù)，去除枝干以及不必要的細小葉片對于后續(xù)的霧滴提取是非常有必要的，最終得到僅含葉片的圖像d，具體如圖5 所示。

1.4.3? 去噪

為實現(xiàn)霧滴圖像的準(zhǔn)確提取和分割效果，需消除圖像在傳輸過程中的噪聲干擾，對葉片圖像采用模板為3×3的高斯函數(shù)去除霧滴圖像噪聲，增強霧滴圖像細節(jié)信息。

1.4.4? 霧滴區(qū)域提取

根據(jù)RGB圖像的三通道顏色分量對單植株a圖像分別運用2G-R-B、2R-G-B、R-G算法進行灰度化操作［16］。觀察3幅灰度圖像，超綠算法未能將霧滴與葉片分開，超紅算法仍顯示部分葉片區(qū)域，而R-G算法對比前2種算法能較好地將霧滴與葉片完全分開以及能更準(zhǔn)確地提取完整的霧滴圖像。對單植株a的灰度圖像1用R分量減去G分量得到圖像2，圖像2經(jīng)形態(tài)學(xué)運算得到葉片二值圖像3，圖像2再與圖像3“異或”得到圖像4，葉片邊界與圖像4“位與”得到去除毛刺的圖像5，填充空洞得到圖像6，再將圖像6與邊界圖像“異或”可得到霧滴圖像7。霧滴區(qū)域提取過程如圖6所示。

1.5? 粘連霧滴判別

從“1.4.4”節(jié)提取的霧滴圖像中可以觀察到葉片區(qū)域部分出現(xiàn)2個及多個霧滴的粘連情況，為了準(zhǔn)確得到葉片上的霧滴個數(shù)，需要對粘連霧滴進行分割。霧滴形狀因子的閾值可以判別霧滴是否粘連，計算公式如式（1）所示。

S0=4πSC2。（1）

式中：S0為霧滴形狀因子；S為連通區(qū)域霧滴面積，像素；C為連通區(qū)域霧滴周長，像素。

1.5.1? 粘連霧滴提取方法

圖6中f圖像粘連霧滴的形態(tài)不一，粘連的類型和個數(shù)也不盡相同，從9幅圖像中選取2幅霧滴二值圖像截取10個強弱粘連類型霧滴，如圖7所示。由公式（1）計算，圖7-a中編號為1～6的為強粘連霧滴，7為弱粘連霧滴，其形狀因子分別為0.452、0.342、0.273、0.271、0.356、0.370、0.533；圖7-b中，8～10為嚴(yán)重粘連霧滴，其形狀因子分別為0.155、0.794、0.885。對于強粘連霧滴以及嚴(yán)重粘連霧滴未采用算法分割會嚴(yán)重影響沉積參數(shù)結(jié)果。僅依賴于形狀因子參數(shù)獲取完全分離的單獨霧滴與粘連霧滴是無法實現(xiàn)的［17］，本研究運用形狀因子結(jié)合迭代腐蝕處理，可以有效地提取單獨霧滴和粘連霧滴。

1.5.2? 形狀因子分布圖

圖7中嚴(yán)重強粘連霧滴的形狀因子高達0.885，經(jīng)過多次預(yù)試驗選擇形狀因子0.9為閾值結(jié)合迭代腐蝕運算，在判斷前分別選擇單獨霧滴和粘連霧滴各200個，統(tǒng)計各自的形狀因子分布如圖8所示。

經(jīng)過多次提取試驗，統(tǒng)計各霧滴形狀因子分布規(guī)律，觀察提取出單獨霧滴的形狀因子以0.9為閾值，對于判斷單獨霧滴大于0.9提取準(zhǔn)確率可達到93%，對于粘連霧滴小于等于0.9提取準(zhǔn)確率可達到95%，單獨霧滴的形態(tài)不規(guī)則使得形狀因子值大致分布在0.85～1.47之間。

2? 結(jié)果與分析

2.1? 霧滴沉積特性參數(shù)表示方法

2.1.1? 霧滴覆蓋率計算

霧滴覆蓋率表示作業(yè)時植株葉面上霧滴面積與葉面總面積的比值，具體如式（2）所示。

C=S1S2×100%。（2）

式中：C為霧滴覆蓋率；S1為葉面上藥液面積，S2為葉面總面積，用像素表示。在提取葉面和霧滴二值圖后，通過式（2）可快速了解葉面霧滴覆蓋率。

2.1.2? 霧滴沉積密度計算

霧滴沉積密度表示葉片上接收的藥液霧滴總數(shù)，具體如式（3）所示。

I=NM。（3）

式中：I為霧滴沉積密度，個/cm2；N為藥液霧滴總數(shù)，個；M為葉片實際面積，cm2。

2.1.3? 霧滴變異系數(shù)計算

變異系數(shù)表示葉片霧滴參數(shù)的分布均勻性，變異系數(shù)越小則分布均勻性越好，計算方法如式（4）、式（5）所示。

CV=σμ；（4）

σ=∑ni=1（μi-μ）2n-1。（5）

式中：CV為變異系數(shù)，無量綱；σ為標(biāo)準(zhǔn)差，表示各葉片的霧滴數(shù)，個；μ為各葉片平均霧滴數(shù)，個；μi為單位面積的霧滴數(shù)，個；μ為單位面積平均霧滴數(shù)；n為葉片總數(shù)。

2.2? 霧滴分割結(jié)果

運用不同的算法對粘連霧滴進行分割，改進的分水嶺算法流程如圖9所示。圖10呈現(xiàn)出改進的算法對比傳統(tǒng)分水嶺算法和腐蝕算法避免了過分割和有效地保留原霧滴的輪廓特征信息。圖11呈現(xiàn)的是分別對2～4個強粘連程度的霧滴進行分割，且分割效果較好。

用ImageJ軟件對粘連霧滴的分割結(jié)果進行標(biāo)記計數(shù)，9幅圖像中按照編號統(tǒng)計未被分割或難以分割的霧滴數(shù)分別為2、4、6、8、18、13、53、70、83個，分別占霧滴總數(shù)的4.08%、5.19%、6.97%、6.89%、11.32%、8.44%、7.61%、8.73%、9.92%，分割平均準(zhǔn)確率達到92.32%。

2.3? 霧滴覆蓋率算法對比

將圖像a～i編號為1～9，9組的原灰度圖像分別用本研究算法、大津算法和迭代全局閾值法提取霧滴的二值圖像。使用MATLAB R2021b分別計算葉片表面的霧滴像素面積和葉片的像素面積，最后取兩者的比值即可得到霧滴覆蓋率。由表1可以看出，本研究算法的覆蓋率明顯高于其他2種算法，相對誤差平均值分別為39.83%和35.36%。相對誤差的計算公式如式（6）所示。

E=｜P-G｜P。（6）

式中：E表示相對誤差（%）；G表示與改進算法對比的數(shù)值；P表示改進的算法數(shù)值。

2.4? 霧滴沉積密度

霧滴類型判斷中粘連霧滴分別運用改進的分水嶺算法、傳統(tǒng)的分水嶺算法、腐蝕算法分割。將改

進的算法與ImageJ軟件統(tǒng)計分割結(jié)束后的霧滴個數(shù)進行比較［18-19］，霧滴沉積密度結(jié)果如表2所示。

由表2可知，后2種算法統(tǒng)計的沉積密度低于改進分水嶺算法的沉積密度，主要原因在于出現(xiàn)了圖7中較多的強粘連霧滴以及多個粘連霧滴。對于生長的植株噴灑藥液過程中由于霧滴本身的重力、葉片表面復(fù)雜的脈絡(luò)結(jié)構(gòu)以及較弱的吸附力和生長的方向?qū)λ幰旱姆植级加杏绊?。傳統(tǒng)分水嶺算法由于欠分割和未能匹配到正確的分割位置，腐蝕算法雖能有效分割但以減少霧滴數(shù)為代價，結(jié)果使得分割霧滴個數(shù)少于改進算法，按照式（3）可知結(jié)果都會偏小。改進算法的分割效果與ImageJ計數(shù)、腐蝕運算和傳統(tǒng)分水嶺算法的平均相對誤差分別為4.03%、8.05%、7.09%。

2.5? 霧滴數(shù)變異系數(shù)

按單株、雙株、多株3類圖像進行試驗，對改進的分水嶺算法、腐蝕運算以及傳統(tǒng)的分水嶺算法計算各自霧滴數(shù)變異系數(shù)。不同的類型圖像混合計算該參數(shù)會嚴(yán)重影響本身的分布結(jié)果，其中1號圖像的變異系數(shù)數(shù)值大于7，隨著霧滴個數(shù)增加，9號圖像該參數(shù)數(shù)值達到0.4附近。故對3類圖像分開統(tǒng)計其平均變異系數(shù)結(jié)果，由公式（4）、公式（5）、公式（6）分別得到變異系數(shù)和相對誤差，結(jié)果分別如表3、圖12所示。

各算法變異系數(shù)平均值分別為0.213、0.236、0.173，與改進算法相比傳統(tǒng)分水嶺算法和腐蝕運算的相對誤差分別為10.80%和18.78%；研究改進分水嶺算法的變異系數(shù)相對傳統(tǒng)分水嶺算法改善了均勻性，平均值越小，表明霧滴的分布均勻性越好。

3? 結(jié)論

針對目前農(nóng)田作物噴灑農(nóng)藥后，植株表面出現(xiàn)的粘連霧滴影響沉積參數(shù)的結(jié)果，且未有較好的精準(zhǔn)識別粘連霧滴的方法進行及時檢測藥液分布情

況的問題，改進的基于距離標(biāo)記的分水嶺算法分割粘連霧滴平均準(zhǔn)確率達到92.31%；本研究算法與迭代全局閾值算法和大津算法相比較，霧滴覆蓋率分別提高了39.83%和35.36%；霧滴密度與ImageJ計數(shù)、腐蝕運算和傳統(tǒng)分水嶺算法平均相對誤差分別為4.03%、8.05%、7.09%；變異系數(shù)對比傳統(tǒng)分水嶺算法和腐蝕算法的相對誤差為10.80%、18.78%；依據(jù)形狀因子判斷單獨霧滴的準(zhǔn)確率可達93%，粘連霧滴準(zhǔn)確率可達95%。

為了在后期研究中對多種農(nóng)作物試驗中的沉積參數(shù)進行檢測，需要確保在作業(yè)后能夠立即檢測藥液的分布情況，繼續(xù)優(yōu)化算法并開發(fā)相應(yīng)的APP應(yīng)用于農(nóng)業(yè)檢測中。

參考文獻：

［1］陸? 軍. 噴霧藥液在靶標(biāo)植株上的沉積與潤濕研究［D］. 鎮(zhèn)江：江蘇大學(xué)，2010.

［2］Musiu E M，Qi L J，Wu Y L. Spray deposition and distribution on the targets and losses to the ground as affected by application volume rate，airflow rate and target position［J］. Crop Protection，2019，116：170-180.

［3］Martin D E，Latheef M A. Aerial electrostatic spray deposition and canopy penetration in cotton［J］. Journal of Electrostatics，2017，90：38-44.

［4］Wang S Y，Shi X C，Zhu G Y，et al. Application of surface-enhanced Raman spectroscopy using silver and gold nanoparticles for the detection of pesticides in fruit and fruit juice［J］. Trends in Food Science & Technology，2021，116：583-602.

［5］亢? 潔，劉? 港，郭國法. 水敏紙圖像預(yù)處理及農(nóng)藥液滴參數(shù)測量［J］. 江蘇農(nóng)業(yè)科學(xué)，2022，50（12）：220-228.

［6］曹軍琳，祁力鈞，楊知倫，等. 基于圖像處理的霧滴沉積分布試驗研究［J］. 中國農(nóng)業(yè)大學(xué)學(xué)報，2019，24（1）：130-137.

［7］李? 睿，張? 偉，王訢丞，等. 葉面霧滴沉積分布直接檢測算法研究［J］. 中國農(nóng)機化學(xué)報，2020，41（3）：74-78.

［8］馬? 凱，張宗宇，董曉婭，等. 便攜式霧滴沉積檢測系統(tǒng)的設(shè)計與試驗［J］. 農(nóng)機化研究，2023，45（5）：49-54.

［9］Zheng Y J，Yang S H，Lan Y B，et al. A novel detection method of spray droplet distribution based on LIDARs［J］. International Journal of Agricultural and Biological Engineering，2017，10（4）：54-65.

［10］Wang P，Yu W，Ou M X，et al. Monitoring of the pesticide droplet deposition with a novel capacitance sensor［J］. Sensors，2019，19（3）：537.

［11］Lü M Q，Xiao S P，Tang Y，et al. Influence of UAV flight speed on droplet deposition characteristics with the application of infrared thermal imaging［J］. International Journal of Agricultural and Biological Engineering，2019，12（3）：10-17.

［12］Machado B B，Spadon G，Arruda M S，et al. A smartphone application to measure the quality of pest control spraying machines via image analysis［C］//Proceedings of the 33rd Annual ACM Symposium on Applied Computing.Pau France.ACM，2018：956-963.

［13］Yang W，Li X Z，Li M Z，et al. Droplet deposition characteristics detection method based on deep learning［J］. SSRN Electronic Journal，2022（11）：107038.

［14］郭? 娜，劉思瑤，須? 暉，等. 霧滴沉積特性參數(shù)的圖像檢測算法改進［J］. 農(nóng)業(yè)工程學(xué)報，2018，34（17）：176-182.

［15］石? 鑫，高賽超，楊代斌，等. 農(nóng)藥沉積利用率噴霧指示劑誘惑紅的酶標(biāo)儀測定方法［J］. 現(xiàn)代農(nóng)藥，2021，20（1）：35-37.

［16］劉立波，程曉龍，戴建國，等. 基于邏輯回歸算法的復(fù)雜背景棉田冠層圖像自適應(yīng)閾值分割［J］. 農(nóng)業(yè)工程學(xué)報，2017，33（12）：201-208.

［17］吳亞壘，祁力鈞，張? 亞，等. 霧滴圖像粘連特征改進判斷及分離計數(shù)方法優(yōu)化［J］. 農(nóng)業(yè)機械學(xué)報，2017，48（增刊1）：220-227.

［18］Schroeder A B，Dobson E T A，Rueden C T，et al. The ImageJ ecosystem：open-source software for image visualization，processing，and analysis［J］. Protein Science，2021，30（1）：234-249.

［19］Mahmoudzadeh R，Salabati M，Hsu J，et al. Agreement of optical coherence tomography thickness measurements between Heidelberg Eye Explorer and ImageJ software［J］. Canadian Journal of Ophthalmology，2022，57（5）：344-349.