番茄果實串采摘點位置信息獲取與試驗

梁喜鳳，金超杞，倪梅娣，王永維

（1. 中國計量大學機電工程學院，杭州 310018；2. 樂清市委市政府農村工作辦公室，樂清325600；3. 浙江大學生物系統工程與食品科學學院，杭州 310058）

0 引 言

農業果蔬自動收獲是實現農業生產自動化、智能化發展的重要環節，對降低生產成本，提高農業作業的效率等具有重要意義。目前，國內外學者對各類果實采摘機器人進行了大量理論和試驗研究。如日本Monta等[1-4]開發了葡萄、番茄、草莓等水果的自動采摘機器人，主要由機械手、末端執行器、視覺傳感器和行走裝置組成，能夠在溫室或野外自動工作；Henten等[5]研究了黃瓜機器人的采摘環境與流程，包括移動機構、7DOF機械手、視覺系統、采摘手爪等，其視覺系統識別率達到 95%，成功采摘率為 80%。在果實識別和定位方面，張鐵中等針對黃瓜[6]、番茄[7]、茄子[8]、草莓[9]等多種果蔬收獲進行了研究，在解決草莓的重疊問題上，引入了BP網絡與聚類分割和分水嶺法，試驗表明其方法具有通用性。熊俊濤等[10-11]提出了擾動條件下荔枝的識別定位方法，通過搭建震蕩平臺模擬自然環境下的震蕩擾動過程，利用聚類分割結合霍夫直線檢測求解坐標點，試驗表明，采摘點定位深度誤差小于6 cm，采摘點計算精度位于87.5%～97.5%之間，滿足末端執行器采摘需求；同時進行了自然環境中的微擾動柑橘的識別，確定了擾動果實采摘點，準確率達85%[12]。郭艾俠等[13]提出了一種融合Harris與sift算法的荔枝采摘點計算與立體匹配方法，計算采摘點的匹配成功率可達89.55%。武濤等[14]提出的獼猴桃分割方法可以較好地將獼猴桃從背景中分離出來；羅陸鋒等[15]在葡萄串的采摘點定位研究過程中，將提取出的果梗邊緣圖通過Hough直線檢測的方法檢測出線段，并求出所有已檢測的線段與葡萄串的質心垂線距離，根據生長規則，與質心距離最小線段的中心點被設定為采摘特征點，采摘點定位準確率達88.33%；戚利勇[16]根據雙目視覺原理計算了黃瓜采摘點空間坐標，相對于物距 500～750 mm，最大定位誤差 9.46 mm。王丹丹等[17]提出了基于平滑輪廓對稱軸算法的蘋果目標采摘點定位方法，試驗表明平滑輪廓算法可以提高定位精度和運算效率。宋西平等[18]運用機器視覺技術實現葡萄目標從相機圖像獲取到采摘點三維空間數據計算的實現過程, 獲得了葡萄采摘點的三維坐標，采摘點的X、Y、Z方向的最大位置誤差分別為1.216、2.588、1.851 mm，滿足機器人采摘定位的要求。梁喜鳳等[19]基于提取番茄果實串連通區域邊界的采摘點識別方法，對垂直向下的串番茄采摘點識別效果較好。Ruiz等[20]利用顏色分割法和細化算法確定柑桔果梗的長度和采摘點的位置，成功率達到96.2%。Wang等[21]采用小波變換和K-均值聚類法進行荔枝果實串在復雜自然環境中的識別和定位，識別定位效果良好，Wei等[22]研究了一種復雜農業背景中提取成熟果實的方法，對番茄、石榴、草莓、柿子 4種果實進行了試驗，識別成功率達95%以上。

上述研究成果為果實采摘機器人開發奠定了堅實的基礎，但現有針對番茄、黃瓜、獼猴桃等研究成果均是單果采摘進行的，果實串采摘如葡萄，主要進行了特有種植模式下提取采摘點的研究，而葡萄與鮮食番茄果實串形狀、果實分布等均不同，因此現有的果實采摘技術與方法不能直接用于番茄果實串采摘。

鮮食番茄是中國重要的果蔬之一，目前中國番茄的收獲基本都是靠人工采摘，通常對成熟番茄進行逐個采摘。這種單果采摘方式存在勞動力成本高、效率低、果實易損傷等問題。近年來國內外普遍種植一種新的番茄品種——串番茄[23]，這種番茄通常每穗有果實3～5個，當果穗上最后一個果實進入轉色期后整穗采摘、貯存、運輸、銷售，番茄品種和種植模式的改變，為成串果實采摘提供了條件。成串采摘能夠提高采摘效率，降低收獲成本，采摘時機器人末端執行器夾持果實串的果梗，而不需要直接接觸果實，能夠大大減少采摘過程中造成的果實損傷。果梗采摘點的位置準確確定是采摘成功的關鍵，本文以番茄果實串為研究對象，研究番茄果實串果梗采摘點位置信息獲取方法。

1 番茄果實串圖像分割與質心獲取

1.1 材料與方法

番茄果實串的單幅圖像采集于嵊州藍城農業基地，單圖像處理時，利用Sony TX30數碼相機從果實串側面拍攝，采集圖像110幅，單幅圖像大小為1 920′1 440像素，為后期便于操作將原始圖像通過改變像素進行圖像壓縮至800′800像素。

1.2 果實串圖像分割

為分析目標果實串與背景顏色因子的差異，在RGB模型下，將果實串圖像劃分為成熟果實、果梗、未成熟果實和葉片區，提取番茄果實串各個區域的顏色因子，采用R-G分量差處理，部分數據如表1所示。

表1 成熟番茄區域R-G顏色分量差值Table 1 Difference between R and G in mature tomato clusters

由表1可知，成熟果實串區域R-G分量差大于100，番茄果實串與背景差異最為顯著，且番茄果實串的R-G直方圖呈現雙峰分布。利用最大類間方差法（Otsu）[24-25]進行目標果實串分割。將番茄果實串R-G圖像從1到T劃分不同灰度等級[26]，圖像以t閾值為基準劃分為2個區域X1={1,2, 3,…,t}和X2={t+1,t+2,t+3,…,T}（t為動態閾值），設每個級別的灰度概率為

式中N代表整幅圖的總像素數，ni是第i個像素的灰度值，整幅圖像的總平均灰度級為

2個區域X1和X2各自出現的概率為w1、w2，平均值為μ0、μ1，則背景和目標之間的類間方差σB為

式中μr代表整幅圖像的平均灰度。t在[1,T]范圍內依次取值，其中σB2取最大時的t值即Otsu算法的最佳閾值，即可獲得果實串分割圖像。但由于光照不均勻、果實串成熟度差別和背景中隨機干擾，以及部分殘留區域與成熟番茄果實串的顏色相近，造成果萼目標區域存在孔洞。在番茄果實串圖像分割后，果實串圖像存在干擾因子，采用形態學閉運算和腐蝕以及閾值法相結合的填充算法去除干擾，得到完整的番茄果實串圖像。目標番茄果實串分割處理過程如圖1所示。

圖1 目標果實串圖像分割過程Fig.1 Segmentation process of tomato fruit cluster image

1.3 番茄果實串質心獲取

番茄果實串質心提取的準確性會影響后續果梗的感興趣區域（region of interesting，ROI）計算，此處質心坐標為二維圖像上的像素坐標，描述果實串在圖像中的位置，果實串的質心計算公式如下

式中x0和y0分別為果實串橫、縱的像素質心坐標，i代表番茄果實串區域內第i個像素點，n表示整個番茄果實串區域包含的總的像素個數，xi和yi分別表示第i點的橫縱坐標。果實串的質心和外接矩形如圖2所示。

圖2 番茄果實串外接矩形區域和質心Fig.2 Enclosing rectangle and centroid of tomato fruit cluster

2 果梗骨架提取與角點檢測

2.1 果梗ROI確定

為方便快速確定采摘點位置，減少與采摘點無關的區域對目標采摘點定位的影響，在果實串上方設定了果梗矩形感興趣區域，采摘點計算時，只對該區域的圖像進行處理。

果梗的感興趣區域（ROI）由果梗和果實串的物理特性決定的。受到重力影響，果實串通常是懸垂向下生長，因此當從果實串側面拍攝時，果梗總是位于果實串的質心上方；果實串的體積較大，呈現在二維圖像上的果梗橫坐標介于果實串最大和最小橫坐標之間；根據果梗的實測統計，果梗長度有一定范圍，通常，一簇番茄果實串包含3～5個番茄，果梗長度在52～78 mm之間，因此果梗縱坐標值位于一定區間范圍之內。基于以上約束條件，設定果梗的矩形感興趣區域的底邊與果實串的質心相交且果實串質心穿過底邊中線，對果實串與果梗關系的實測值與圖像坐標進行大量數據統計，獲得了果梗區域的計算方法

式中L與H分別為果梗矩形感興趣區域長度和寬度，xmin和xmax分別代表了果實串外接矩形左右邊的橫坐標的像素坐標值，ymax和ymin代表了上下邊的縱坐標像素數值。

根據果實串的質心和果串的輪廓邊界確定了 110組果實串果梗的矩形感興趣區域，其中4組如圖3所示。

圖3 果梗的矩形感興趣區域Fig.3 Rectangle region of interest of stems

由圖3可知，每個果實串果梗的感興趣區均被識別，且矩形區域包含了該果實串整個果梗。其余各組果梗感興趣區的識別情況類同。

2.2 果梗分離

將果梗感興趣區域的 RGB彩色通道圖轉換成 HSV通道圖，在H通道下，果梗和背景呈現不同的灰度級別。為了保留果梗的有效區域，去除背景，同時考慮算法的快速性和魯棒性，利用H分量灰度圖下像素之間的顏色灰度差異，分析直方圖，統計果實串、果梗、葉片三個區域H分量灰度平均值如圖4所示。

圖 4 果實串、果梗、葉片三個區域H分量平均灰度值Fig.4 Average value of H in fruit cluster, stem and leaf area

由圖4可知果實串、果梗、葉片區域H分量平均灰度值分別位于0～0.27，0.27～0.55，0.55～1.0之間。對果梗圖像二值化，設定果梗圖像的H分量灰度值如下

式中h為在(x,y)像素點的H分量數值，滿足條件的分量數值在對應的 H灰度圖中的像素點 (,)f x y灰度設為 255或0。

為降低果梗干擾噪聲對骨架連通關系的影響，通過形態學閉運算和中值濾波、提取最大連通區域的方式降低果梗干擾因子，得到背景與果梗區分度更加顯著的果梗圖像，但是部分葉片與果梗連接，且顏色相近的部分干擾較難去除。在盡量減少圖像處理過程中果梗信息損失的情況下，進一步通過逐行掃描像素并設定果梗像素寬度閾值的方式去除干擾，試驗統計拍攝的果梗圖像中所占用的像素寬度發現（拍攝距離為1 m，果梗為垂直或近似垂直方向），目標番茄果實串圖像果梗的像素寬度為40～85像素之間，故設定像素寬度大于85個像素點的橫向像素線段作為背景區域，并將這些背景區域的像素值設為0，逐行掃描之后的圖像被分成很多離散的區塊，由果梗的生長規則可知，與非果梗零碎區域和部分干擾相比，果梗在圖像中各個部分區塊所占面積較大，根據統計數據，計算果梗區域面積，確定區塊的像素面積閾值為 800像素，去除小面積區域，從而得到唯一的果梗信息，如圖5所示。

圖5 番茄果實串果梗提取過程Fig.5 Extracting process of stem of tomato fruit cluster

2.3 果梗骨架提取

正常生長的果梗具有類線性的特點，且在分布上具有角點的特性，為簡化的果梗原有形狀，提取果梗核心信息，采用Zhang細化算法提取果梗的骨架。Zhang細化算法屬于迭代算法[27-28]中的一種，針對番茄果實串果梗的二值圖像，分2步進行處理：

第一步，遍歷所有目標區域的點，對滿足下面要求的像素點進行標記，其中N(P1)是P1鄰域內非0的個數，S(P1)是以P2到P9為序時這些點的值從0到1變化的次數。

1）2≤N(P1)≤6

2）S(P1)=1

3）P2*P4*P6=0

4）P4*P6*P8=0

第二步，與第一步類似，滿足下面條件的點則刪除。

1）2≤N(P1)≤6

2）S(P1)=1

3）P2*P4*P8=0

4）P2*P6*P8=0

完成上述 2個步驟為一次算法，通過不斷循環迭代上述 2個步驟，直到沒有像素可以刪除，即可得到細化后的骨架。在二值圖像中，1表示前景像素值，0表示背景像素值，若一個點為1且該點的8連通鄰域內存在至少一個點為0，則認為該像素點處于目標的邊緣[29]，果梗骨架提取結果如圖6所示。

由圖6可知，Zhang細化算法能夠完整地提取目標果梗，雖然也有部分增生現象，比如果梗骨架分叉位置出現少量毛刺，但冗余分叉并不明顯，在保證連通性的情況下，盡可能地減少了毛刺產生的分叉，果梗骨架提取效果比較理想。

圖6 細化法提取的3個果梗骨架Fig.6 Stem skeletons abstracted by thinning algorithm

2.4 果梗角點檢測

角點的定義方式有2種：1）在一個鄰域內，一個特征點擁有2個主方向；2）2邊緣交點定義為角點[30-31]。在提取果梗骨架基礎上，通過 Harris算法進行果梗角點檢測。具體步驟如下：

1）果梗圖像用I(x,y)進行描述，圖像的梯度方向可以用Ix和Iy表示。

式中為張量積符號。

2）計算Ix和Iy的梯度乘積。

3）將2）得到的3個參數利用高斯函數做高斯加權操作，即可得到：

式中g(x)表示x的高斯函數，M(x,y)為協方差矩陣。

4）計算Harris中角點響應R值，設定閾值，將小于閾值的R置零。

式中 traceM和 detM分別代表M的跡|A+C|和行列式|ACB2|，Harris角點計算過程中，經驗系數α的范圍在0.04～0.06之間[30]，本文取0.04。

5）通過3′3和5′5的模版，在鄰域內非極大值抑制運算，篩選出的鄰域極大值點即為角點，通過“+”號標記角點，如圖7所示。

圖7 番茄果實串果梗的角點檢測Fig.7 Corner points detection of stems of tomato fruit clusters

由圖 7可知，由于果梗的枝梢分叉以及其生長的不規則性，本文Zhang細化算法提取的骨架通過Harris算法檢測出來的角點較多，隨機選取的10組果梗角點檢測數據如表2所示。

表2 Harris檢測數據Table 2 Harris detection data

本次角點的檢測在 Windows7操作系統下，軟件為Matlab2012a，計算機型號：惠普G4，CPU：Intel酷睿雙核I5 3230 MHz，主頻：2.6 GHz，RAM：8 GB。從試驗結果可以看出 Harris算法在本研究中能夠快速檢測角點，實現過程簡單，計算時間短，小于200 ms。

2.5 果梗采摘特征點計算

番茄果實串果梗整體呈魚骨形態，采摘點的位置位于果梗上第一個果實分叉部位與植株主干之間，檢測的果梗骨架為其中軸線，結合采摘方法和果實串的生長規則，為減小誤差，將第一個果實分叉點與植株主干之間檢測出的骨架角點按縱軸方向由大到小排序后，遵循從高到低的原則，選取5個角點并計算其像素坐標平均值，計算的結果作為本文番茄串的采摘特征點，即

式中tx和ty分別為采摘點的橫縱坐標值，（xi,yi）為各角點按照y值大小排序的坐標值。

3 采摘點位置信息獲取試驗與分析

3.1 試驗方法與材料

為了驗證基于果梗骨架角點方法進行番茄果實串采摘點位置信息獲取的合理性，在溫室自然光照條件下，采集60幅番茄果實串及果梗圖像進行采摘點信息獲取試驗分析。

3.2 試驗指標判定

采摘特征點的坐標標記如圖 8所示，本文定義位置信息獲取成功和失敗的標準是：定位到的采摘特征點位于果梗范圍之內為獲取成功，定位到分叉、背景或者主梗上端主桿的位置均判定為獲取失敗。

圖8 采摘點的位置信息獲取結果Fig.8 Position information acquisition results of the picking point on the stems

3.3 試驗結果與分析

試驗進行了60組果梗采摘點位置信息獲取的數據分析，試驗中位置獲取失敗案例為6組，成功率為90%。失敗原因：其中 1組是由于光照的影響，造成采摘點偏移到了主桿位置，如圖8d所示；3組試驗圖像定位到了果梗分叉的地方，會造成后續機械裝置漏采的現象；2組試驗圖像中的采摘點在背景區域，其原因是由于前期處理過程中，受大量葉片簇群的影響，造成提取出的果梗像素尺寸與原圖相差較大，從而使骨架發生偏差，最終計算得到的采摘點位置偏移了主梗。60組試驗圖像的番茄串質心和采摘特征點的橫縱坐標像素值如圖9所示。

圖9 采摘點與果實串質心坐標數據對比Fig.9 x and y coordinates data comparison of picking point and centroid of tomato fruit clusters

由圖 9可知，質心位置與采摘特征點的橫坐標變化絕對差值位于 0～53像素之間，像素偏差平均為 21像素。質心位置與采摘特征點縱坐標的差異較大，兩者最大相差380像素，即采摘點與質心在垂直方向距離較大，主要由于番茄植株本身主要是縱向生長，果實串呈下垂姿態，垂直方向上兩者位置相差較大，而其質心位置與采摘點橫向差距則較小。因此，采摘點位置相對果實串質心具有相對穩定的變化規律，以果實串質心作為參考提取果梗感興趣區域，進而實現采摘點位置信息獲取可行。

4 結論與討論

1）通過分量差處理，采用Otsu算法通過形態學閉運算和腐蝕與閾值法相結合的填充算法能夠消除目標果實串干擾信息，獲得完整的番茄果實串分割圖像。

2）根據提取的果實串圖像信息確定果梗的矩形感興趣區域，結合形態學閉運算、閾值法、圖像降噪和中值濾波法，設定橫向像素寬度大于 85個像素點為背景區域，像素值設為0，確定果梗感興趣區域面積閾值為800像素，提取出單一的果梗圖像。

3）利用快速并行細化算法提取果梗骨架，Harris檢測方法檢測骨架的角點，選取位于果實串第一個果實分叉點與植株主干之間的果梗骨架角點，通過計算獲得采摘特征點位置信息，成功率為90%。

由于圖像拍攝角度的差別，果梗的骨架角點檢測會產生小幅度差別，對特征點計算有所影響，因此果實串采摘點位置信息提取的精確性有待進一步研究。

[1]Monta M, Kondo N, Shibano Y. Agricultural robot in grape production system[C]// Proceedings of 1995 IEEE International Conference on Robotics and Automation. U.S.A: IEEE Publisher, 1995.

[2]Kondo N, Monta M, Fujiura T. Fruit harvesting robots in Japan[J]. Advances in Space Research the Official Journal of the Committee on Space Research, 1996, 18(1/2): 181－184.

[3]Kondo N. Fruit grading robot[C]// Proceedings of 2003 IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM 2003), U.S.A: IEEE Publisher, 2003.

[4]Kondo N, Ninomiya Kazunori, Hayashi Shigehiko, et al. A new challenge of robot for harvesting strawberry grown on table top culture[C]// ASAE Annual International Meeting,Florida: Tampa Convention Center, 2005.

[5]Henten E J V, Hemming J, Tuijl B A J V, et al. An autonomous robot for harvesting cucumbers in greenhouses[J]. Autonomous Robots, 2002, 13(3): 241－258.

[6]袁國勇，張鐵中. 溫室黃瓜果實的模式識別與分割-利用Bayes分類判別模型[J]. 農機化研究，2006(7)：150－153.Yuan Guoyong, Zhang Tiezhong. Pattern recognition and segmentation of greenhouse cucumber fruit-using Bayes classification discriminate model[J]. Agricultural Mechanization Research, 2006(7): 150－153. (in Chinese with English abstract)

[7]趙金英，張鐵中，楊麗. 西紅柿采摘機器人視覺系統的目標提取[J]. 農業機械學報，2006，37(10)：200－203.Zhao Jinying, Zhang Tiezhong, Yang Li. Objective extraction of visual system of tomato picking robot[J]. Transactions of the Chinese Society for Agricultural Machinery, 2006, 37(10):200－203. (in Chinese with English abstract)

[8]劉長林，張鐵中，楊麗. 茄子收獲機器人視覺系統圖像識別方法[J]. 農業機械學報，2008，39(11)：216－219.Liu Changlin, Zhang Tiezhong, Yang Li. Image recognition method for the harvesting robot visual system[J]. Transactions of the Chinese Society for Agricultural Machinery, 2008,39(11): 216－219. (in Chinese with English abstract)

[9]周天娟，張鐵中，楊麗，等. 基于數學形態學的相接觸草莓果實的分割方法及比較研究[J]. 農業工程學報，2007，23(9)：164－168.Zhou Tianjuan, Zhang Tiezhong, Yang Li, et al. Method of segmentation and comparative study of strawberry fruits based on mathematical morphology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2007, 23(9): 164－168. (in Chinese with English abstract)

[10]熊俊濤，鄒湘軍，陳麗娟，等. 采摘機械手對擾動荔枝的視覺定位[J]. 農業工程學報，2012，28(14)：36－41.Xiong Juntao, Zou Xiangjun, Chen Lijuan, et al. The visual orientation of the picking robot on the disturbance of litchi[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2012, 28(14): 36－41. (in Chinese with English abstract)

[11]Xiong Juntao, Lin Rui, Liu Zhen, et al. The recognition of litchi clusters and the calculation of picking point in a nocturnal natural environment[J]. Biosystems Engineering,2018, 166: 44－57.

[12]熊俊濤，鄒湘軍，彭紅星. 擾動柑橘采摘的實時識別與采摘點確定技術[J]. 農業機械學報，2014，45(8)：38－43.Xiong Juntao, Zou Xiangjun, Peng Hongxing, et al. Realtime identification and picking point location of disturbance citrus picking[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(8): 38－43. (in Chinese with English abstract)

[13]郭艾俠，熊俊濤，肖德琴，等. 融合Harris與sift算法的荔枝采摘點計算與立體匹配[J]. 農業機械學報，2015，46(12)：38－43.Guo Aixia, Xiong Juntao, Xiao Deqin, et al. Computation of picking point of Litchi and its binocular stereo matching based on combined algorithms of Harris and SIFT[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015,46(12): 38－43. (in Chinese with English abstract)

[14]武濤，袁池，陳軍. 基于機器視覺的獼猴桃果實目標提取研究[J]. 農機化研究，2012，34(12)：21－26.Wu Tao, Yuan Chi, Chen Jun. Research on the extraction of fruit of kiwi fruit based on machine vision[J]. Agricultural Mechanization Research, 2012, 34(12): 21－26. (in Chinese with English abstract)

[15]羅陸鋒，鄒湘軍，熊俊濤，等. 自然環境下葡萄采摘機器人采摘點的自動定位[J]. 農業工程學報，2015，31(2)：14－21.Luo Lufeng, Zou Xiangjun Xiong Juntao, et al. Automatic positioning of picking points of grape picking robot in natural environment[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015,31(2): 14－21. (in Chinese with English abstract)

[16]戚利勇. 黃瓜采摘機器人視覺關鍵技術及系統研究[D].杭州：浙江工業大學，2011.Qi Liyong. Cucumber Picking Robot Vision Key Technologies and Systems [D]. Hangzhou: Zhejiang University of Technology, 2011. (in Chinese with English abstract)

[17]王丹丹，徐越，宋懷波，等．基于平滑輪廓對稱軸法的蘋果目標采摘點定位方法 [J]．農業工程學報，2015，31(5)：167－174.Wang Dandan, Xu Yu, Song Huaibo, et a1. Localization method of picking point of apple target based on smoothing contour symmetry axis algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2015, 31(5): 167－174. (in Chinese with English abstract)

[18]宋西平，李國琴，羅陸鋒. 基于機器視覺的葡萄采摘點三維空間定位系統的研究[J]. 江蘇農業科學，2016，44(7)：377－380.Song Xiping, Li Guoqin, Luo Lufeng. Localization system in 3-D space of picking point of grape based on machine vision[J]. Jiangsu Agricultural Science, 2016, 44(7): 377－380. (in Chinese with English abstract)

[19]梁喜鳳，章艷. 串番茄采摘點的識別方法[J]. 中國農機化學報，2016，37(11)：131－134，149.Liang Xifeng, Zhang Yan. Recognition method of picking point for tomato clusters[J]. Journal of Chinese Agricultural Mechanization, 2016, 37(11): 131－134, 149. (in Chinese with English abstract)

[20]Ruiz L A, Molto E, Juste F, et al. Location and characterization of the Stem–Calyx area on oranges by computer vision [J]. Journal of Agricultural Engineering Research, 1996, 64(3): 165－172.

[21]Wang Chenglin, Zou Xiangjun, Tang Yunchao, et al.Localisation of litchi in an unstructured environment using binocular stereo vision[J]. Biosystems Engineering, 2016,145: 39－51.

[22]Wei Xiangqin, Jia Kun, Lan Jinhui, et al. Automatic method of fruit object extraction under complex agricultural background for vision system of fruit picking robot[J].Optik-International Journal for Light and Electron Optics,2014, 125(19): 5684－5689

[23]劉詩輝. 大棚串番茄高產高效栽培技術[J]. 上海蔬菜，2011(6)：32－33.Liu Shihui. High-yield, high-efficiency cultivation techniques for tomato in greenhouses[J]. Shanghai Vegetables, 2011(6):32－33. (in Chinese with English abstract)

[24]梁光明，孫即祥，馬琦，等. Otsu算法在Canny算子中的應用[J]. 國防科技大學學報，2003，25(5)：36－39.Liang Guangming, Sun Jixiang, Ma Qi, et al. Application of otsu algorithm in canny operator[J]. Journal of National University of Defense Technology, 2003, 25(5): 36－39. (in Chinese with English abstract)

[25]胡敏，李梅，汪榮貴. 改進的Otsu算法在圖像分割中的應用[J]. 電子測量與儀器學報，2010，24(5)：443－449.Hu Min, Li Mei, Wang Ronggui. Application of improved Otsu algorithm in image segmentation[J]. Journal of Electronics & Measurements, 2010, 24(5): 443－449. (in Chinese with English abstract)

[26]戴天虹，吳以. 基于OTSU算法與數學形態學的木材缺陷圖像分割[J]. 森林工程，2014，30(2)：52－55.Dai Tianhong, Wu Yi. Wood defect image segmentation based on otsu algorithm and mathematical morphology[J].Journal of Forest Engineering, 2014, 30(2): 52－55. (in Chinese with English abstract)

[27]Zhang T Y, Suen C Y. A fast parallel algorithm for thinning digital patterns[J]. Communication of the ACM, 1984, 27(3):236－239

[28]吳選忠. Zhang快速并行細化算法的擴展[J]. 福建工程學院學報，2006，4(1)：89－92.Wu Xuanzhong. Expanding of Zhang's parallel thinning algorithm[J]. Journal of Fujian Institute of Engineering, 2006,4(1): 89－92. (in Chinese with English abstract)

[29]賈挺猛，荀一，鮑官軍，等. 基于機器視覺的葡萄樹枝骨架提取算法研究[J]. 機電工程，2013，30(4)：501－504.Jia Tingmeng, Xun Yi, Bao Guanjun, et al. A study on the extraction of grape branch skeletons based on machine vision[J]. Electromechanical Engineering, 2013, 30(4): 501－504.(in Chinese with English abstract)

[30]孫向陽. 角點檢測及其在纖維識別中的應用研究[D]. 上海：東華大學，2009.Sun Xiangyang. Corner Detection and its Application In Fiber Identification [D]. Shanghai: Donghua University, 2009.(in Chinese with English abstract)

[31]Olfa Haggui, Claude Tadonki, Lionel Lacassagne, et al.Harris corner detection on a NUMA manycore [J]. Future Generation Computer Systems, 2018, 88: 442－452.