摘要：旋耕播種機(jī)推廣鑒定時(shí)，需要人工檢測(cè)種子的破損率。為提高檢測(cè)效率，以小麥種子為例，對(duì)種子破損率快速檢測(cè)方法進(jìn)行研究。設(shè)計(jì)種子破損率自動(dòng)檢測(cè)平臺(tái)，可一次性采集50 g小麥種子圖像，基于圖像處理技術(shù)和機(jī)器學(xué)習(xí)方法，提取小麥種子圖像13個(gè)形狀特征和8個(gè)紋理特征，建立基于特征的種子破損識(shí)別模型；識(shí)別的破損種子圖像與種子質(zhì)量的關(guān)系，建立基于圖像的破損種子質(zhì)量預(yù)測(cè)模型，按照鑒定大綱要求實(shí)現(xiàn)小麥種子破損率的快速檢測(cè)。對(duì)江蘇省“丹陽(yáng)001”“A888”“泰州014”“無(wú)錫004”4個(gè)品種的小麥種子破損率進(jìn)行試驗(yàn)測(cè)試，每個(gè)品種3次取樣測(cè)定。結(jié)果表明：4個(gè)品種小麥種子破損率自動(dòng)檢測(cè)的平均相對(duì)誤差分別為0.08%、0.07%、0.06%、0.08%，檢測(cè)的相對(duì)均方根誤差為0.08%，檢測(cè)平均時(shí)長(zhǎng)為5.216 s。該研究實(shí)現(xiàn)小麥種子破損率自動(dòng)、快速檢測(cè)，節(jié)省農(nóng)機(jī)鑒定時(shí)間，推動(dòng)農(nóng)機(jī)鑒定過(guò)程的標(biāo)準(zhǔn)化和智能化。

關(guān)鍵詞：小麥種子；旋耕播種機(jī)；圖像處理；破損率；機(jī)器學(xué)習(xí)

中圖分類(lèi)號(hào)：S126; S512" " " 文獻(xiàn)標(biāo)識(shí)碼：A" " " 文章編號(hào)：2095?5553 （2024） 09?0104?07

Research on a rapid detection method for seed breakage rate

Yang Haoyong Wang Chaozhu Liu Haoyi Guan Xintong Liu Yingying Ding Yongqian

（1. Jiangsu Agricultural Machinery Testing and Appraisal Station， Nanjing， 210017， China;

2. College of Artificial Intelligence， Nanjing Agricultural University， Nanjing， 210031， China;

3. College of Engineering， Nanjing Agricultural University， Nanjing， 210031， China）

Abstract： When the rotary tillage seeder is popularized and appraised， it is necessary to measure the damage rate of seeds manually. In order to improve the detection efficiency， this paper takes wheat seeds as an example to study the rapid detection method of seed breakage rate. The automatic detection platform of seed breakage rate was designed， which could collect 50 g wheat seed images at one time. Based on image processing technology and machine learning methods， 13 shape features and 8 texture features of wheat seed images were extracted， and a feature?based seed damage recognition model was established. The relationship between the identified damaged seed images and seed quality was studied， and an image?based broken seed quality prediction model was established， and the rapid detection of wheat seed damage rate was realized according to the requirements of the identification outline. In this study， the seed breakage rate of four wheat varieties as “Danyang 001” “A888” “Taizhou 014” and “Wuxi 004” in Jiangsu Province was experimentally tested， and each variety was sampled and measured for three times. The experimental results showed that the average relative errors of the automatic detection of seed breakage rate of the four wheat varieties were 0.08%， 0.07%， 0.06% and 0.08%， respectively， and the relative root mean square error of the detection was 0.08%， and the average detection time was 5.216 s. In this study， the automatic and rapid detection of wheat seed damage rate was realized， which saved the time of agricultural machinery identification and promoted the standardization and intelligence of agricultural machinery identification process.

Keywords： wheat seed; rotary tillage seeder; image processing; breakage rate; machine learning

0 引言

隨著我國(guó)農(nóng)業(yè)機(jī)械化自主生產(chǎn)能力的提升，農(nóng)業(yè)機(jī)械的鑒定工作從推廣鑒定發(fā)展到專(zhuān)項(xiàng)鑒定進(jìn)入了規(guī)范化管理階段。種子破損率是旋耕播種機(jī)推廣鑒定的評(píng)價(jià)內(nèi)容之一，也是評(píng)價(jià)旋耕播種機(jī)作業(yè)質(zhì)量的重要指標(biāo)。根據(jù)《農(nóng)業(yè)機(jī)械推廣鑒定大綱—旋耕播種機(jī)》[1]規(guī)定，旋耕播種機(jī)在種子破損率性能鑒定中，需要在各個(gè)排種器排出的種子中取出3份種子樣品，每個(gè)樣品質(zhì)量約100 g（小粒種子約50 g），人工選出其中破損的種子稱(chēng)其質(zhì)量，計(jì)算破損種子質(zhì)量占樣本總質(zhì)量的百分比取平均值，再減去試驗(yàn)前測(cè)定的種子原始破損率，整個(gè)測(cè)定工作比較繁瑣。

目前，農(nóng)機(jī)鑒定中種子破損率的檢測(cè)主要是通過(guò)專(zhuān)業(yè)質(zhì)檢人員人工挑揀出破損的種子，以小麥種子為例，50 g種子大約有1 200粒，三份種子樣品3 600粒，人工挑選出破損種子，然后稱(chēng)其質(zhì)量進(jìn)行測(cè)試，工作量和勞動(dòng)強(qiáng)度比較大，檢測(cè)主觀性強(qiáng)，難以保證鑒定的客觀性和檢測(cè)數(shù)據(jù)的穩(wěn)定性。

隨著信息技術(shù)的不斷發(fā)展，新的檢測(cè)方法如光譜技術(shù)和可見(jiàn)光成像技術(shù)等相繼應(yīng)用在谷物檢測(cè)中[2?5]。近年，許多學(xué)者也利用深度學(xué)習(xí)方法進(jìn)行谷物完整性圖像識(shí)別研究，取得很大進(jìn)展[6?9]。但上述方法僅用于谷物破損粒識(shí)別，未將破損粒檢測(cè)和種子質(zhì)量結(jié)合進(jìn)行農(nóng)機(jī)推廣鑒定中破損率的檢測(cè)。

本研究以江蘇省常見(jiàn)小麥種子為研究對(duì)象，搭建種子破損率檢測(cè)平臺(tái)，采集小麥種子圖像，通過(guò)機(jī)器學(xué)習(xí)方法進(jìn)行麥種完整性檢測(cè)，建立破損小麥種子圖像與質(zhì)量的函數(shù)關(guān)系，計(jì)算檢測(cè)出的破損種子質(zhì)量，按照鑒定推廣大綱要求完成種子破損率的自動(dòng)檢測(cè)。

1 材料和方法

1.1 樣本制備

選取江蘇省不同地區(qū)廣泛種植的四種小麥作為研究對(duì)象。對(duì)四種小麥外形尺寸和破損率進(jìn)行統(tǒng)計(jì)，數(shù)據(jù)見(jiàn)表1。依據(jù)小麥種子的外形尺寸制作圖像采集取樣模板，取樣板尺寸（長(zhǎng)×寬）為40 cm×30 cm，上面設(shè)有1 200個(gè)橢圓凹槽，每個(gè)凹槽長(zhǎng)8 mm、寬4 mm、厚3 mm，一次大約擺放50 g小麥種子。小麥種子原始破損率比較低，為了獲取更多破損種子樣本，將小麥種子多次通過(guò)播種機(jī)，人為破壞制作破損種子樣本。圖像獲取與訓(xùn)練過(guò)程圖如圖1所示，種子破損率檢測(cè)過(guò)程如圖2所示。

1.2 麥種破損率快速檢測(cè)平臺(tái)

檢測(cè)平臺(tái)由工業(yè)相機(jī)、光源、采集箱、采樣板和圖像處理端組成，如圖3所示。

工業(yè)相機(jī)采用華谷動(dòng)力工業(yè)相機(jī)，型號(hào)為WP-US2000，分辨率為2 000萬(wàn)級(jí)，視野大小300 mm×400 mm，拍攝高度500 mm。補(bǔ)光系統(tǒng)采用方形光源，光源采用面陣白色LED燈，大小為500 mm×500 mm，中間開(kāi)圓孔，孔徑大小60 mm；光源色溫在5 000～10 000 K，亮度可調(diào)。圖像采集箱是一個(gè)內(nèi)壁為黑色的長(zhǎng)方體，側(cè)面可以打開(kāi)，放置待檢測(cè)麥種。麥種放置在取樣板上，取樣板高度可調(diào)。圖像處理端采用的圖像采集軟件是WorkVision5，處理軟件為Matlab2019。電腦配置為Intel（R） Xeon（R） Silver 4210R CPU@2.40 GHz，NVIDIA GeForce RTX 3090顯卡，顯存24 GB。該平臺(tái)內(nèi)側(cè)上端放置光源，光源中間開(kāi)孔位置放置工業(yè)相機(jī)。垂直距離相機(jī)500 mm處放置采樣板。圖像處理端與相機(jī)通過(guò)USB進(jìn)行通訊。

1.3 圖像獲取與處理

利用搭建的檢測(cè)平臺(tái)拍攝完整小麥圖像和破損小麥圖像，每種小麥拍攝10幅圖像。圖像大?。ㄩL(zhǎng)×寬）為4 500像素×3 500像素。拍攝圖像如圖4所示。

為了減少噪聲和光照不均等對(duì)圖像質(zhì)量帶來(lái)的影響，便于后續(xù)特征提取和數(shù)據(jù)分析，本研究對(duì)采集的圖像進(jìn)行預(yù)處理操作。圖像預(yù)處理主要包括對(duì)采集到的圖像進(jìn)行灰度化、去噪、Otsu分割和形態(tài)學(xué)操作。Otsu法是一種全局閾值自動(dòng)選取方法，基本原理是以目標(biāo)和背景的最大類(lèi)間方差選取閾值。

1） 獲取小麥種子圖像的歸一化直方圖。

每幅圖像共1 200個(gè)麥粒（約50 g），根據(jù)邊緣檢測(cè)結(jié)果對(duì)麥粒特征進(jìn)行提取。每個(gè)麥粒共提取21種特征，其中包括形狀特征13種和紋理特征8種[10， 11]。

形狀特征是對(duì)單粒麥種圖像區(qū)域和邊緣輪廓等特點(diǎn)的描述。13個(gè)形狀特征描述如下：（1）面積：?jiǎn)蝹€(gè)小麥種子輪廓線(xiàn)內(nèi)包含的所有像素個(gè)數(shù)；（2）長(zhǎng)軸：將小麥種子擬合為橢圓之后，橢圓的長(zhǎng)軸；（3）短軸：將小麥種子擬合為橢圓之后，橢圓的短軸；（4）周長(zhǎng)：小麥種子外輪廓線(xiàn)的長(zhǎng)度；（5）粒型：小麥種子的長(zhǎng)軸與短軸之比；（6）圓形度：小麥種子的邊界形狀接近圓的程度；（7）偏心率：將小麥種子擬合為橢圓之后，兩焦點(diǎn)間的距離與長(zhǎng)軸的比值；（8）緊實(shí)度：麥粒面積與矩形框面積之比；（9）矩形度：體現(xiàn)物體對(duì)其外接矩形的充滿(mǎn)程度，小麥連通域面積與最小矩形框面積之比；（10）近似圓直徑：與麥粒面積有相同面積的圓的直徑；（11）延伸度：麥粒面積的延伸程度；（12）Feret最大值：沿一定方向測(cè)得的小麥顆粒投影輪廓兩邊界平行線(xiàn)間的最大距離；（13）Feret最小值：沿一定方向測(cè)得的小麥顆粒投影輪廓兩邊界平行線(xiàn)間的最小距離。形狀特征提取如表2所示。

紋理特征是對(duì)麥粒圖像區(qū)域內(nèi)部灰度級(jí)變化的量化。具有旋轉(zhuǎn)不變性，可以很好地詮釋麥粒圖像表面性質(zhì)的全局特征。8種紋理特征描述如下：（1）灰度均值：小麥圖像各像素點(diǎn)灰度值的平均值；（2）標(biāo)準(zhǔn)偏差：小麥圖像灰度值的變化幅度；（3）平滑度：評(píng)價(jià)小麥圖像表面灰度標(biāo)準(zhǔn)偏差變化的程度；（4）直方圖一致性：直方圖灰度概率的平方和；（5）能量：圖像共生矩陣內(nèi)每個(gè)元素的歸一化數(shù)值的平方和；（6）對(duì)比度：一個(gè)像素在整個(gè)圖像上與其相鄰像素間灰度對(duì)比的測(cè)度；（7）相關(guān)性：一個(gè)像素與其相鄰像素相關(guān)程度的像素；（8）同質(zhì)性：共生矩陣元素對(duì)角線(xiàn)分布的空間緊密度。紋理特征提取如表3所示。

1.4 檢測(cè)模型

破損粒識(shí)別模型訓(xùn)練選用二次支持向量機(jī)（Q-SVM）、加權(quán)最近鄰分類(lèi)器（W-KNN）、高斯樸素貝葉斯（GN-Bayes）、邏輯回歸（LR）和線(xiàn)性判別（LD）五種機(jī)器學(xué)習(xí)方法進(jìn)行[12]。

操作步驟如下：（1）數(shù)據(jù)準(zhǔn)備：拍攝4個(gè)品種的小麥圖像各10幅，分別提取完整麥粒的特征參數(shù)和破損麥粒的特征參數(shù)；（2）數(shù)據(jù)集劃分：按照訓(xùn)練集：測(cè)試集=9∶1進(jìn)行數(shù)據(jù)集劃分，建立特征向量矩陣和標(biāo)簽向量；（3）訓(xùn)練模型：使用五種模型對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練，指定訓(xùn)練數(shù)據(jù)和相關(guān)參數(shù)；（4）模型評(píng)價(jià)：通過(guò)對(duì)比5種模型訓(xùn)練的準(zhǔn)確率、精確率、召回率和AUC值來(lái)對(duì)所有模型的性能進(jìn)行評(píng)估;（5）性能對(duì)比分析，選取最佳破損粒識(shí)別模型。

破損粒質(zhì)量預(yù)測(cè)模型訓(xùn)練選用線(xiàn)性回歸方法，操作步驟如下：（1）數(shù)據(jù)準(zhǔn)備：選取不同質(zhì)量的小麥破損籽粒樣本20份，提取破損籽粒圖像特征；（2）數(shù)據(jù)選?。豪肞CA（主成分分析）選取與質(zhì)量高度相關(guān)的圖像特征；（3）模型訓(xùn)練：采用線(xiàn)性回歸方法進(jìn)行數(shù)據(jù)訓(xùn)練，建立麥種圖像特征與質(zhì)量之間的函數(shù)關(guān)系；（4）模型評(píng)價(jià)：以準(zhǔn)確率進(jìn)行模型評(píng)價(jià)。

2 結(jié)果與分析

2.1 破損粒識(shí)別模型

為分析網(wǎng)絡(luò)模型的識(shí)別性能，以識(shí)別準(zhǔn)確率Acc、精確率P、召回率R、AUC值作為評(píng)判標(biāo)準(zhǔn)，確定最優(yōu)模型。準(zhǔn)確率用于評(píng)判模型的全局準(zhǔn)確程度。AUC值：ROC曲線(xiàn)下與坐標(biāo)軸圍成的面積，AUC值越接近1.0，檢測(cè)方法真實(shí)性越高[13]。本文使用混淆矩陣作為評(píng)價(jià)模型的可視化工具，如表4所示。5種機(jī)器學(xué)習(xí)模型性能評(píng)價(jià)指標(biāo)參數(shù)如表5所示。

對(duì)比分析這五種模型的準(zhǔn)確率、精確率、召回率和AUC值，最終確定Q-SVM模型為最優(yōu)模型。分別將4個(gè)品種的完整麥粒圖像和破損麥粒圖像通過(guò)Q-SVM模型來(lái)判斷模型的誤檢粒數(shù)，判斷模型對(duì)完整麥粒與破損麥粒的檢測(cè)結(jié)果如圖7所示。圖7中完整麥粒出現(xiàn)誤檢的原因主要是由于完整麥粒不是特別飽滿(mǎn)，從實(shí)際檢測(cè)圖像上看與破損麥粒相似；破損麥粒出現(xiàn)誤檢的原因主要是人為制作破損麥粒時(shí)，麥粒破損的程度比較小。

2.2 破損種子質(zhì)量預(yù)估模型

選取不同質(zhì)量的破損種子，稱(chēng)其質(zhì)量并提取圖像面積像素，建立圖像面積與種子質(zhì)量的關(guān)系模型。麥種的圖像面積與質(zhì)量之間成線(xiàn)性相關(guān)性，如圖8所示，相關(guān)系數(shù)R2為0.964 7，可以利用麥種圖像面積來(lái)預(yù)測(cè)質(zhì)量。

通過(guò)面積與質(zhì)量的關(guān)系預(yù)測(cè)4組麥種的質(zhì)量，結(jié)果如表6所示。大綱要求破損種子質(zhì)量檢測(cè)精度為0.1 g，實(shí)際檢測(cè)精度為0.01 g，滿(mǎn)足大綱要求。根據(jù)四組樣本測(cè)試結(jié)果計(jì)算平均相對(duì)誤差、均方誤差和均方根誤差來(lái)驗(yàn)證模型的可靠性。

根據(jù)表6可以計(jì)算，平均相對(duì)誤差為0.07，均方誤差為0.01，均方根誤差為0.07，面積預(yù)測(cè)質(zhì)量模型可以較好的預(yù)估破損小麥的質(zhì)量，誤差要求符合鑒定大綱標(biāo)準(zhǔn)規(guī)定。

2.3 種子破損率快速檢測(cè)

3 結(jié)論

本研究搭建小麥破損率快速檢測(cè)平臺(tái)，利用圖像處理技術(shù)和機(jī)器學(xué)習(xí)方法對(duì)“丹陽(yáng)001”“無(wú)錫004”“A888”和“泰州014”四種小麥品種的破損率進(jìn)行檢測(cè)。

1） 以江蘇省小麥種子為例，通過(guò)圖像處理方法采集小麥21個(gè)特征參數(shù)，共提取10張完整小麥圖像特征和10張破損小麥圖像特征。應(yīng)用機(jī)器學(xué)習(xí)方法，將完整小麥與破損小麥進(jìn)行識(shí)別分類(lèi)，利用線(xiàn)性回歸預(yù)測(cè)破損小麥質(zhì)量，根據(jù)鑒定大綱要求完成小麥種子破損率得檢測(cè)。然后通過(guò)提取的破損小麥面積像素與質(zhì)量構(gòu)建線(xiàn)性回歸方程，最終計(jì)算出小麥破損率。

2） 通過(guò)對(duì)比5種傳統(tǒng)機(jī)器學(xué)習(xí)方法，最終確定Q-SVM對(duì)小麥完整與破損的分類(lèi)效果最好，其準(zhǔn)確率可達(dá)91.70%，精確率為94.54%，召回率為96.63%，AUC值為0.97。

3） 提取破損小麥的面積像素與實(shí)際質(zhì)量構(gòu)建線(xiàn)性回歸方程，其預(yù)測(cè)質(zhì)量與實(shí)際質(zhì)量的平均相對(duì)誤差約為0.07，均方誤差為0.01，均方根誤差為0.07，面積預(yù)測(cè)質(zhì)量模型可以很好地預(yù)估破損小麥的質(zhì)量。

4） 利用本研究方法對(duì)四種小麥品種進(jìn)行破損率檢測(cè)。試驗(yàn)結(jié)果表明，Q-SVM模型與像素面積預(yù)估質(zhì)量模型相結(jié)合對(duì)小麥種子的破損率檢測(cè)具有較高的準(zhǔn)確率。在對(duì)“丹陽(yáng)001”“A888”“泰州014”和“無(wú)錫004”四種小麥品種進(jìn)行破損率檢測(cè)時(shí)，檢測(cè)平均相對(duì)誤差分別為0.08%、0.07%、0.06%、0.08%，測(cè)試結(jié)果的相對(duì)均方根誤差為0.08%。單個(gè)樣本的檢測(cè)時(shí)間為5.216 s，實(shí)現(xiàn)旋耕機(jī)播種鑒定推廣中種子破損率的快速、準(zhǔn)確檢測(cè)。該檢測(cè)方法不僅可以提高播種機(jī)性能鑒定的效率，也可以為后續(xù)農(nóng)業(yè)機(jī)具智能化和標(biāo)準(zhǔn)化鑒定提供方法借鑒和數(shù)據(jù)支撐。

參 考 文 獻(xiàn)

[ 1 ] DG/T 027—2019， 旋耕播種機(jī)[S].

[ 2 ] 張玉榮， 盧冠鏹， 吳瓊， 等. 基于高光譜成像技術(shù)的發(fā)芽小麥分類(lèi)研究[J]. 河南工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2022， 43（5）： 108-115， 136.

Zhang Yurong， Lu Guanqiang， Wu Qiong， et al. Research on classification of sprouted wheat based on hyperspectral imaging technology [J]. Journal of Henan University of Technology （Natural Science Edition）， 2022， 43（5）： 108-115， 136.

[ 3 ] 李志偉， 袁婧， 丁為民， 等. 基于高光譜成像技術(shù)識(shí)別水稻紋枯病[J]. 華南農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2018， 39（6）： 97-103.

Li Zhiwei， Yuan Jing， Ding Weimin， et al. Identification of rice sheath blight based on hyperspectral imaging technique [J]. Journal of South China Agricultural University， 2018， 39（6）： 97-103.

[ 4 ] 沈廣輝， 曹瑤瑤， 劉馨， 等. 近紅外高光譜成像結(jié)合特征波長(zhǎng)篩選識(shí)別小麥赤霉病癟粒[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)， 2021， 37（2）： 509-516.

Shen Guanghui， Cao Yaoyao， Liu Xin， et al. Identification of Fusarium damaged kernels using near infrared hyperspectral imaging and characteristic bands selection [J]. Jiangsu Journal of Agricultural Sciences， 2021， 37（2）： 509-516.

[ 5 ] 戴雨舒， 仲曉春， 孫成明， 等. 基于圖像處理和Deeplabv3+模型的小麥赤霉病識(shí)別[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2021， 42（9）： 209-215.

Dai Yushu， Zhong Xiaochun， Sun Chengming， et al. Identification of fusarium head blight in wheat?based on image processing and Deeplabv3+ model [J]. Journal of Chinese Agricultural Mechanization， 2021， 42（9）： 209-215.

[ 6 ] Ramirez?Paredes J P， Hernandez?Belmonte U H. Visual quality assessment of malting barley using color， shape and texture descriptors [J]. Computers and Electronics in Agriculture， 2020， 168： 105110.

[ 7 ] 宋懷波， 王云飛， 段援朝， 等. 基于YOLO v5-MDC的重度粘連小麥籽粒檢測(cè)方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2022， 53（4）： 245-253.

Song Huaibo， Wang Yunfei， Duan Yuanchao， et al. Detection method of severe adhesive wheat grain based on YOLO v5-MDC model [J]. Transactions of the Chinese Society of Agricultural Machinery， 2022， 53（4）： 245-253.

[ 8 ] 琚新剛. 基于機(jī)器學(xué)習(xí)的稻米品種及摻假檢測(cè)方法研究[D]. 鄭州： 河南農(nóng)業(yè)大學(xué)， 2021.

Ju Xingang. Study on detection method of rice varieties and adulteration based on machine learning [D]. Zhengzhou： Henan Agricultural University， 2021.

[ 9 ] 李寶蕓， 范玉剛， 高陽(yáng). 基于OTSU和Canny算子的紅外圖像特征提取[J]. 陜西理工大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2019， 35（6）： 33-40.

Li Baoyun， Fan Yugang， Gao Yang. Infrared image feature extraction based on OTSU and Canny operator [J]. Journal of Shaanxi University of Technology （Natural Science Edition）， 2019， 35（6）： 33-40.

[10] 劉東， 曹光喬， 李亦白， 等. 基于顏色特征的小麥抽穗揚(yáng)花期麥穗識(shí)別計(jì)數(shù)[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2021， 42（11）： 97-102.

Liu Dong， Cao Guangqiao， Li Yibai， et al. Recognition and counting of wheat ears at flowering stage of heading poplar based on color features [J]. Journal of Chinese Agricultural Mechanization， 2021， 42（11）： 97-102.

[11] 劉光宇， 黃懿， 曹禹， 等. 基于灰度共生矩陣的圖像紋理特征提取研究[J]. 科技風(fēng)， 2021， 452（12）： 61-64.

Liu Guangyu， Huang Yi， Cao Yu， et al. Research on extraction of Image texture Feature based on Gray co?occurrence matrix [J]. Science and Technology Wind， 2021， 452（12）： 61-64.

[12] 徐崢港. 基于貝葉斯網(wǎng)絡(luò)的水稻病害識(shí)別方法研究[D]. 長(zhǎng)沙： 湖南農(nóng)業(yè)大學(xué)， 2021.

Xu Zhenggang. Identification method of rice disease based on Bayesian network [D]. Changsha： Hunan Agricultural University， 2021.

[13] 鄭如新， 孫青云， 肖國(guó)棟. 基于機(jī)器視覺(jué)的金銀花圖像識(shí)別處理算法研究[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2022， 43（4）： 153-159.

Zheng Ruxin， Sun Qingyun， Xiao Guodong. Research on farmland route navigation based on an improved convolutional neural network algorithm [J]. Journal of Chinese Agricultural Mechanization， 2022， 43（4）： 153-159.