基于機器視覺的溫室番茄裂果檢測

劉鴻飛，黃敏敏，趙旭東，陸文婷

（1. 北京科技大學機械工程學院，北京 100083；2. 農科院國家農業科技展示園，北京 100081；3. 首都經濟貿易大學工商管理學院，北京 100070）

0 引 言

隨著現代農業機械化和自動化的不斷發展，計算機視覺技術已經廣泛應用于植株生長狀況的在線監測、產量預估、機器人采摘等相關技術領域。裂果是番茄果實發育后期經常出現的問題，既影響外觀品質，又容易受到病菌的侵染。番茄裂果主要有 2種：一種是由果蒂向果肩部位延伸呈放射狀深裂的放射狀裂果；另一種類型是在果肩部出現同心狀的環狀裂果，很多裂果是這 2種裂果同時出現的混合型裂果[1]。現階段番茄裂果率檢測及產量預估主要依賴于果農的日常巡視及抽樣檢測，其檢測效率低、主觀性較強、成本高昂。本文通過機器視覺技術對番茄果實進行定位及裂果檢測，力求在自然場景中高效檢測出番茄裂果，避免人工抽樣所造成的量化誤差，為大規模種植區的番茄產量預測、裂果率估計及采摘過程中裂果自動篩選奠定基礎[2-3]。

國內外針對果實目標定位及品質檢測已有一些相關研究。盧軍等[4]在變換光照條件下對樹上柑橘目標進行檢測及遮擋輪廓恢復，其輪廓恢復結果的相對誤差達5.34%。蔡健榮等[5]針對自然場景下成熟柑橘進行識別定位，獲得了95%的檢出率。熊俊濤等[6-7]利用紋理統計法及顏色特征實現了荔枝果實品質辨識的智能識別，腐爛變質果實的檢測率達93%。Sengupta等[8]針對自然光下獲取的柑橘圖像，采用形狀特征作為目標位置預篩選，后續結合顏色特征及紋理特征濾除非果實區域，最終的檢測率為80.4%。

針對番茄裂果檢測尚未有相關課題研究，本文以自然場景中獲取的番茄果實圖像為研究對象，主要圍繞 2個關鍵問題展開：1）討論在自然環境中如何穩定的檢出番茄目標區域；2）針對檢出番茄果實進行裂果判別。

1 材料與方法

1.1 試驗系統與圖像采集

與許多標準的圖像數據集不同，目前還沒有標準的番茄圖像數據庫。為驗證本文算法的可靠性，課題組于2017年6月—8月期間在農科院國家農業科技展示園開展圖像采集試驗，試驗對象為不同生長時期的番茄植株，光源為溫室內自然光，圖像中紅綠番茄相互間有輕度黏連且包含 1個開裂果實，非常具有代表性。在專業人員幫助下共采集82幅在順光情況下拍攝的番茄不同角度特寫圖像，隨機選擇50幅圖像作為訓練集，32幅作為驗證集圖像。所用相機型號為AW-HE58HKMC，采集到的可見光圖像分辨率為1 080×1 920像素，圖像格式為JPG。算法驗證前在保證圖像質量的前提下將圖像縮小為原圖像的1/4以提高運算效率。文中所有算法均在此圖像數據集上通過VS2013+Opencv2.4.13軟件實現。

1.2 算法總述

本算法的流程圖如圖1所示，算法針對溫室番茄圖像進行果實目標定位及裂果判別，傳統方法諸如基于邊緣檢測的番茄目標提取方法雖簡單易實現，但易提出偽邊緣，通用性不強[9]；基于區域聚類的目標前景提取方法計算復雜度高，不滿足實時讀取要求[10-12]；基于顏色及紋理特征的分割方法通用性較好，但易引入部分非果實區域[13-18]。

圖1 溫室番茄裂果檢測算法流程圖Fig.1 Flowchart of dehiscent tomato detection algorithm in greenhouse

針對上述已有研究存在的不足，本文首先利用多通道顏色特征對原始圖像進行顏色域預分割，再從訓練集中圖像選取10×10像素大小的果實及非果實區域進行基于區域紋理的SVM分類器訓練，對預分割后的潛在果實區域進行二次判別，濾除非果實區域實現番茄目標定位。然后利用Shi-Tomasi角點對前景邊緣輪廓進行分割篩選，再利用基于最小二乘法修正的Hough橢圓變換進行單個輪廓擬合。最后采用二維 Gabor小波變換提取果實表面紋理[19-23]，對擬合而成的番茄果實區域進行裂果判別。

1.2.1 區域紋理特征

前期基于多通道顏色通道（R—B色差圖、歸一化R通道及H通道）相融合的閾值分割結果仍包含與綠色果實區域顏色相近的葉片或莖蔓區域，因此本文從50張訓練集圖像中各提取100張10×10像素大小的果實及非果實區域進行二次分割。考慮到果實及非果實區域紋理特征各不相同，本文引入統計性紋理特征：標準偏差σ、能量 Energy、熵 Entropy、平滑度 Smoothness、三階矩M3共 5個變量來進行監督分類器訓練，用于后續對潛在果實區域進行二次判別，實現對果實前景區域的正確檢出。

式中i為圖像的灰度級；N為圖像灰度級數；μ為區域灰度均值；p(i)為不同灰度級對應的像素點數。

1.2.2 目標輪廓擬合

以上述分割獲得的前景區域為模板，對其原圖果實區域進行 Canny邊緣檢測。對前景二值區域進行Shi-Tomasi角點檢測，將邊緣輪廓依據角點劃分為多個邊緣片段。由于番茄目標區域輪廓應為平滑弧段，在此本文依據邊緣片段的曲率及長度濾除部分冗余輪廓，再將剩余邊緣片段集根據距離準則進行合并以進行后續霍夫擬合。

1）長度判定：若所提取的弧段長度過短，則其要么是開裂部分不規則紋理邊緣，要么是受背景干擾的次要邊緣弧段。經前期試驗總結，本文取邊緣片段集中最大弧長長度的 12%作為閾值，若長度小于此閾值，則將其作為無效邊緣濾除；

2）曲率判定：考慮到番茄類圓形外觀特征，其目標邊緣應為類圓形弧段。開裂部分為長直型邊緣，且實際枝干等遮擋物體也大都為平直型輪廓，因此本文選定分割弧段上各點到弧段端點相連的弧弦上的平均距離作為平直性判定標準。在此額外設定在弦的同側距離為正，異側為負，以此作為凹凸性補充。經前期試驗總結，本文取 3個像素大小作為曲率判定閾值，若平均距離小于此閾值，則因其不符合果實弧形輪廓特征將其作為無效邊緣濾除。

Hough變換通過將圖像空間映射到參數空間來求解目標位置參數，鑒于番茄果實為類圓型輪廓，且番茄以簇、株的實際生長形式使得其相互之間存在大量遮擋區域，因此本文利用最小二乘法對Hough橢圓檢測算法的擬合結果進行輪廓修正[24-28]，從而提高識別效果。

由于多個弧段擬合同一果實區域會有多種不同結果，且因實際拍攝距離及角度各不相同，導致圖像內果實面積大小不一，因此本文將前景二值區域像素到最近目標區域邊界的歐氏距離最大值Rmax作為擬合橢圓半徑限制。

式中ΔΦ為果實擬合誤差，本文在上述限制條件下選定最小擬合誤差并以此作為霍夫擬合最終判定條件。S為真實果實面積，Si為擬合果實面積；ε對應所擬合橢圓的圓形度，C為擬合橢圓周長，經數據集樣本標定在此T1值設為0.83；(x, y)分別對應擬合果實中心坐標，式（4）限定了擬合橢圓之間的圓心距：若圓心距過小則表明果實存在嚴重遮擋，不滿足本文分析條件。在此取閾值T2=0.67Rmax。ρ為番茄擬合重合度，在此選定T3=0.95作為限定條件。

1.2.3 基于二維Gabor小波的裂果檢測

二維Gabor小波是由二維Gabor濾波器通過尺度伸縮和旋轉生成的一組濾波器，其光照變化不敏感，能容忍一定程度的圖像旋轉和變形。由于其基函數的正交變換性，可有效提取不同尺度和方向上的局部紋理特征。圖像二維離散Gabor小波變換可表示為

式中f(x，y)表示尺寸為M×N的樣本圖像；(,)s t為濾波器核函數的大小；u,v分別表示小波變換的尺度和方向；φu,v為Gabor小波變換函數，其與φ*u,v互為共軛函數；ω為復正弦函數的頻率帶寬；σx,σy分別表示高斯包絡函數在坐標軸方向上的標準方差，決定著二維濾波器作用域的大小。

由于其獨特的空間局部性、空間頻率及方向選擇性，每個 Gabor濾波器核函數都可以用來模擬一個初級空間感受野對信號進行處理的過程，并能在與其振蕩方向垂直的邊緣處產生強烈的響應，因此可以捕獲圖像在不同頻率、不同方向下的邊緣及局部顯著特征。

2 試驗與結果分析

2.1 基于SVM的潛在區域紋理分割

前期試驗綜合對比多種色差預分割算法，最終選定基于R—B色差圖、歸一化R分量圖及H通道亮度圖融合的閾值分割方法。本文分別對這3個通道的自適應閾值分割結果進行形態學開操作，以消除細小噪聲點，得到初步結果Irb、Inr、Ih，然后以Ih二值圖為掩膜圖像對Irb、Inr，的并集進行形態學重建，圖2b所示為圖2a經過上述顏色域預分割的效果，可見其中還包含部分非果實背景。本文前期從50張訓練集圖像中截取10×10像素大小的果實及非果實區域各100張，相關區域紋理特征如下表1所示。

表1 潛在區域紋理均值統計Table 1 Mean statistics of texture feature in potential region

利用以上5維特征向量，進行線性SVM分類器訓練，建立基于紋理的二次區域分割模型。如圖2c所示，通過對顏色空間預分割所得的前景及其邊緣潛在目標區域進行二次分類判別，分割效果較為優秀，有利于后續邊緣檢測及果實擬合。

2.2 邊緣提取及霍夫擬合結果

經過不同光照下圖像邊緣檢測試驗，本文選定Canny閾值范圍為[40,120]，此參數范圍內能較好檢出樹上水果的前景邊緣。考慮到實際果實區域存在高光、陰影及相互遮擋問題，如圖3a所示，所提Canny邊緣包含些許無效邊緣弧段，因此本文基于曲率及長度準則對其進行過濾篩選。之后通過 Shi-Tomasi算子搜索重疊邊界交點，以此交點作為分割點進行果實目標弧段劃分。圖3b所示為最終篩選弧段結果，由圖3c可知，霍夫擬合結果與目標輪廓非常吻合，證明本文算法在溫室環境下能較好地定位識別番茄果實區域。

圖2 溫室番茄圖像分割過程Fig.2 Segmentation process tomato image in greenhouse

圖3 番茄果實識別過程Fig.3 Tomato recognition process

2.3 裂果檢測

圖 4所示為在圖像訓練集中截取的好果與裂果的原圖及紋理對比圖，由圖可知，裂果圖像區域紋理特征明顯。考慮到果實開裂的程度及方向各異，因此本文結合二維離散Gabor算子原理，對50張訓練集圖像中的195個好果區域和55個裂果區域分別進行4個尺度10個方向上的紋理特征提取，Gabor濾波模版組件如圖5所示。圖 6所示為好果與裂果紋理特征對比結果，由圖可知好果與裂果在各尺度各方向上特征差異明顯，可利用上述訓練集提取歸一化均值及能量作為好果與裂果分類的判別特征，對其進行SVM裂果判別模型訓練并用作后續裂果識別。

圖4 好果與裂果區域對比圖Fig.4 Texture comparison between good fruit and dehiscent fruit

圖5 Gabor濾波算子Fig.5 Gabor filter operator

圖6 Gabor算子各尺度各方向紋理特征對比結果Fig.6 Result comparison of Gabor features in different dimensions and directions

圖7所示為測試集中的其中4張圖像檢測效果，結果表明本算法在順光、相互間較少黏連的條件下能準確識別出圖中裂果，可靠性較高，具有較好的實際工程效果。測試集中的32幅測試圖像總計包含128個番茄果實目標（包含裂果個數），果實總數只包含相機聚焦位置區域，忽略部分嚴重黏連及虛焦區域果實。正確檢出率是指正確檢出的果實數所占的比重；誤檢率是指把非果實區域誤識別為果實在數據集中所占的比重。

對其運用本文算法進行驗證，其檢測結果如表 2所示。結果表明本文所提算法正確檢出果實117個，誤檢7個，正確率達91.41%；開裂深度大于1/3果實半徑的35個裂果中，正確識別34個裂果，識別率優秀。部分漏檢情況是因果實局部嚴重遮擋，致使 2個嚴重黏連的番茄果實被誤識別為同一番茄目標，導致算法魯棒性將有所降低，后續將引入圖像深度信息進行黏連區域分割，這也是進一步減小果實誤檢率的研究方向。

圖7 裂果識別結果（Cr：裂果；Pe：好果）Fig.7 Detection results of tomatoes(Cr: Dehiscent fruit; Pe: good fruit)

表2 本文算法對測試集檢測結果Table 2 Detection results of proposed algorithm for validation dataset

表2所示為本文算法在32張測試集圖像上的各項實驗結果，算法運行環境為 Win10，intelòCoreTMi5-6500CPU @3.2 GHz，運行內存4 GB。果實識別部分單個果實平均耗時 249 ms，這主要是因同一番茄目標的輪廓片段集初次擬合的橢圓個數較多，導致橢圓篩選部分因讀入大量橢圓參數而耗時較多。裂果檢測部分耗時僅21 ms且裂果檢出率較高，可見本文算法可集成在移動機器人平臺在大規模番茄種植區實現裂果率估計研究[29-31]，本算法亦可用于植物平臺在線監測系統對生長期番茄進行分時監測（例：每分鐘檢測一次）[32]。

3 結論與展望

本文提出的溫室番茄裂果檢測算法，在順光、相互間較少遮擋的條件下能較好識別出番茄果實，并在此基礎上實現番茄裂果的準確判別。

1） 對經過多通道顏色空間預分割的前景圖像區域進行基于統計性紋理特征的二次分割，有效濾除了非果實區域，有利于果實目標定位及后續果實區域邊緣輪廓提取；

2）對前景區域進行邊緣提取，并利用Shi-Tomasi角點對所提邊緣進行弧段劃分并進行篩選，然后對弧段集進行基于最小二乘法修正的改進 Hough橢圓變換進行目標擬合。試驗結果表明本文針對測試集中的 128個番茄果實能正確識別出117個，識別準確率達到了91.41%，結果表明對輕度遮擋的果實區域本文算法取得了良好的擬合恢復效果；

3）利用二維離散Gabor算子提取單個果實區域的紋理特征，構造多尺度多方向的紋理特征向量進行裂果判別，判別準確率達到97.14%，且單個果實裂果判別平均耗時僅21 ms，證明文中所提算法能較為準確地識別番茄裂果；

通過對番茄裂果進行判別篩選，本文算法可方便生產管理者統計裂果檢出率，避免因人為抽樣量化導致的測量誤差，對于大規模溫室種植的番茄產量及裂果率的預測研究具有較好的指導意義。鑒于單個番茄果實識別平均耗時僅249 ms，本文算法也可結合植物生長監測平臺對番茄果實進行連續非接觸性監測，通過圖像量化番茄生長狀態，為精細作物栽培及番茄耐裂育種提供信息支持。后續研究可結合多功能采摘機器人移動平臺構建適用于溫室的番茄定位識別模塊和裂果分級模塊，讓目前的理論研究結果逐步向實踐轉化，從而促進農業機械化和自動化的進一步發展。

[1]張川，王亞晨，崔守堯，等. 耐裂果與易裂果番茄果實發育過程中果實組織衰老與裂果的關系[J]. 南京農業大學學報，2016，39(4)：534－542.Zhang Chuan, Wang Yachen, Cui Shouyao, et al. The relationship between fruit tissue senescence and fruit cracking in cracking-resistant and susceptible tomato during fruit ripening[J]. Journal of Nanjing Agricultural University, 2016,39(4): 534－542. (in Chinese with English abstract)

[2]張亞靜，鄧烈，李民贊，等．基于圖像處理的柑橘測產方法[J]. 農業機械學報，2009，40(增刊1)：97－99.Zhang Yajing, Deng Lie, Li Zanmin, et al. Estimation of Citrus Yield Based on Image Processing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2009,40(Supp.1): 97－99. (in Chinese with English abstract)

[3]Kavdir I, Guyer D E. Evaluation of difference pattern recognition techniques for apple sorting[J]. Biosystems Engineering, 2008, 99(2): 211－219．

[4]盧軍，付雪媛，苗晨琳．基于顏色和紋理特征的柑橘自動分級[J]．華中農業大學報，2012，31(6)：783－786．Lu Jun, Fu Xueyuan, Miao Chenlin, et al. Citrus automatic grading by using color and texture features [J]. Journal of Huazhong Agricultural University, 2012, 31(6): 783－786.(in Chinese with English abstract)

[5]蔡健榮，周小軍，李玉良，等. 基于機器視覺自然場景下成熟柑橘識別[J]. 農業工程學報，2008，24(1)：175－178.Cai Jianrong, Zhou Xiaojun, Li Yuliang, et al. Recognition of mature oranges in natural scene based on machine vision[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2008, 24(1): 175－178. (in Chinese with English abstract)

[6]熊俊濤，鄒湘軍，劉念，等．基于機器視覺的荔枝果實采摘時品質檢測技術[J]. 農業機械學報，2014，45(7)：54－60.Xiong Juntao, Zou Xiangjun, Liu Nian, et al. Fruit quality detection based on machine vision technology when picking litchi[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(7): 54－60. (in Chinese with English abstract)

[7]熊俊濤，葉敏，鄒湘軍，等．多類型水果采摘機器人系統設計與性能分[J]. 農業機械學報，2013，44(增刊1)：230－235．Xiong Juntao, Ye Min, Zou Xiangjun, et al. System design and performance analysis on multi-type fruit harvesting robot[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(Supp.1): 230－235.(in Chinese with English abstract)

[8]Sengupta S, Lee W S. Identification and determination of the number of immature green citrus fruit in a canopy under different ambient light conditions[J]. Biosystems Engineering,2014,117(1): 51－61.

[9]呂強，蔡健榮，趙杰文，等．自然場景下樹上柑橘實時識別技術[J]. 農業機械學報，2010，41(2)：185－188,170.Lv Qiang, Cai Jianrong, Zhao Jiewen, et al. Real-time recognition of citrus on trees in natural scene[J].Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(2): 185－188,170. (in Chinese with English abstract)

[10]鐘清流，蔡自興．用于彩圖分割的自適應譜聚類算法[J].計算機應用研究，2008，25：3697－3699.Zhong Qingliu, Cai Zixing. Adaptive spectral clustering algorithm for color image segmentation[J]. Application Research of Computers, 2008, 25: 3697－3699.(in Chinese with English abstract)

[11]司永勝，劉剛，高瑞，等．基于 K-均值聚類的綠色蘋果識別技術[J]. 農業機械學報，2009，40(增刊1)：100－104.Si Yongsheng, Liu Gang, Gao Rui, et al. Segmentation Algorithm for Green Apples Recognition Based on K-means Algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2009, 40(Supp.1): 100－104. (in Chinese with English abstract)

[12]Hamdi M A. Modified algorithm marker-controlled watershed transform for image segmentation based on curvelet threshold[J]. Canadian Journal on Image Processing and Computer Vision, 2011, 2(08): 88－91.

[13]李寒，張 漫，高宇，等．溫室綠熟番茄機器視覺檢測方法[J]. 農業工程學報，2017，33(增刊1)：328－334.Li Han, Zhang Man, Gao Yu, et al. Green ripe tomato detection method based on machine vision in greenhouse[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(Supp.1):328－334. (in Chinese with English abstract)

[14]廖崴，鄭立華，李民贊，等．基于隨機森林算法的自然光照下綠色蘋果識別[J]. 農業機械學報，2017，48(增刊1):86－91.Liao Wei, Zheng Lihua, Li Minzan, et al. Green apple recognition in natural illumination based on random forest algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(Supp.1): 86－91. (in Chinese with English abstract)

[15]麥春艷，鄭立華，肖昌一，等．自然光照條件下蘋果識別方法對比研究[J]．中國農業大學學報，2016，21(11)：43－50.Mai Chunyan, Zheng Lihua, Xiao Changyi, et al. Comparison of apple recognition methods under natural light[J]. Journal of China Agricultural University, 2016, 21(11): 43－50. (in Chinese with English abstract)

[16]錢建平，楊信廷，吳曉明，等．自然場景下基于混合顏色空間的成熟期蘋果識別方法[J]．農業工程學報，2012，28(17)：137－142.Qian Jianping, Yang Xinting, Wu Xiaoming, et al. Mature apple recognition based on hybrid color space in natural scene[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012,28(17): 137－142. (in Chinese with English abstract)

[17]趙杰文，劉木華，楊國彬．基于 HIS 顏色特征的田間成熟番茄識別技術[J]．農業機械學報，2004(5)：122－124,135.Zhao Jiewen, Liu Muhua, Yang Guobin, et al. Discrimination of Mature Tomato Based on HIS Color Space in Natural Outdoor Scenes[J]. Transactions of the Chinese Society for Agricultural Machinery, 2004(5): 122－124,135. (in Chinese with English abstract)

[18]楊倩，高曉陽，武季玲，等．基于顏色和紋理特征的大麥主要病害識別研究[J]. 中國農業大學學報，2013，18(5):129－135．Yang Qian, Gao Xiaoyang, Wu Jiling, et al. Identification of barley diseases based on texture color feature[J]. Journal of China Agricultural University, 2013, 18(5): 129－135. (in Chinese with English abstract)

[19]Arivazhagan S, Ganesan L, Priyal S P. Texture classification using Gabor wavelets based rotation invariant features[J].Pattern Recognition Letters, 2006, 27(16): 1976－1982.

[20]Kurtulmus F, Lee W S, Vardar A. Green citrus detection using‘eigenfruit’, color and circular Gabor texture features under natural outdoor conditions[J]. Computers & Electronics in Agriculture, 2011, 78(78): 140－149.

[21]白婷婷，鄧彩霞，耿英，等．基于小波變換與Canny算子融合的圖像邊緣檢測方法[J]. 哈爾濱理工大學學報, 2010,15(1): 44－47, 51.Bai Tingting, Deng Caixia, Geng Ying, et al. Image edge detection based on wavelet transform and canny operator[J].Journal of Harbin University of Science and Technology,2010, 15(1): 44－47, 51.(in Chinese with English abstract)

[22]Nam Chul Kim, Hyun Joo So. Directional statistical Gabor features for texture classification[J]. Pattern Recognition Letters, 2018.

[23]Hralick R M. Statistical and structural approaches to texture[J]. Proceedings of IEEE, 1979, 67(5): 786－805.

[24]Duda R O, Hart P E. Use of the Hough transformation to detect lines and curves in pictures[J]. Ipsj Magazine, 1972,15(1): 11－15.

[25]李婷，柳寧. 基于機器視覺的圓定位技術研究[J]. 計算機工程與應用，2012，48(9)：153－156.Li Ting, Liu Ning. Studying on circle locating technology based on machine vision[J]. Computer Engineering and Application, 2012, 48(9): 153－156. (in Chinese with English abstract)

[26]Illingworth J, Kittlen J. A survey of the hough transform[J].Computer Vision, Graph. & Image Proc, 1988, 44: 87－116.

[27]荀一，陳曉，李偉，等．基于輪廓曲率的樹上蘋果自動識別[J].江蘇大學學報(自然科學版)，2007(06)：461－464.Xun Yi, Chen Xiao, Li Wei, et al. Automatic recognition of on-tree apples based on contour curvature[J]. Journal of Jiangsu University: Natural Science Edition, 2007, 28(6):461－464. (in Chinese with English abstract)

[28]Zheng Yuquan. Precise spectral calibration for hyperspectral image[J]. Optics and Precision Engineering, 2010, 18(11):2348－2354.

[29]周航，杜志龍，武占元，等．機器視覺技術在現代農業裝備領域的應用進展[J]. 中國農機化學報，2017,38(11)：86－92.Zhou Hang, Du Zhilong, Wu Zhanyuan, et al. Application progress of machine vision technology in the field of modern agriculture equipment[J]. Journal of Chinese Agriculture Mechanization, 2017, 38(11): 86－92. (in Chinese with English abstract)

[30]郭志明，陳全勝，張彬，等．果蔬品質手持式近紅外光譜檢測系統設計與試驗[J]. 農業工程學報，2017，33(8)：245－250.Guo Zhiming, Chen Quansheng, Zhang Bin, et al. Design and experiment of handheld near-infrared spectrometer for determination of fruit and vegetable quality[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2017, 33(8): 245－250. (in Chinese with English abstract)

[31]王玉飛，尹建軍，仲蘇玉，等．基于特征分析的番茄識別及其軟件的快速開發[J]. 計算機工程與設計，2011，32(11)：3824－3827.Wang Yufei, Yin Jianjun, Zhong Suyu, et al. Tomato recognition based on feature analysis and fast development of recognition software[J]. Computer Engineering and Design,2011, 32(11): 3824－3827. (in Chinese with English abstract)

[32]Li H, Lee W S, Wang K. Identifying blueberry fruit of different growth stages using natural outdoor color images[J].Computers & Electronics in Agriculture, 2014, 106(106):91－101.