機(jī)器學(xué)習(xí)算法在農(nóng)業(yè)機(jī)器視覺(jué)系統(tǒng)中的應(yīng)用

趙獻(xiàn)立 王志明

摘要：主要通過(guò)介紹機(jī)器視覺(jué)技術(shù)在農(nóng)業(yè)中的發(fā)展?fàn)顩r，然后闡述機(jī)器視覺(jué)系統(tǒng)的組成和工作原理，并基于當(dāng)前機(jī)器視覺(jué)研究在農(nóng)業(yè)中的應(yīng)用，總結(jié)近幾年使用農(nóng)業(yè)機(jī)器視覺(jué)研究中用到的機(jī)器學(xué)習(xí)技術(shù)，包括有監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)、人工神經(jīng)網(wǎng)絡(luò)，詳細(xì)討論這些技術(shù)的原理、優(yōu)劣以及在農(nóng)業(yè)領(lǐng)域中的應(yīng)用，最后討論機(jī)器視覺(jué)技術(shù)面臨的問(wèn)題和挑戰(zhàn)，以及未來(lái)應(yīng)用場(chǎng)景與發(fā)展方向。

關(guān)鍵詞：農(nóng)業(yè);機(jī)器視覺(jué);機(jī)器學(xué)習(xí)算法;監(jiān)督機(jī)器學(xué)習(xí);無(wú)監(jiān)督機(jī)器學(xué)習(xí);人工神經(jīng)網(wǎng)絡(luò)

機(jī)器視覺(jué)技術(shù)是通過(guò)模擬人的視覺(jué)功能，利用光學(xué)設(shè)備采集客觀事物的圖像并獲得圖像信息，最終用于實(shí)際的檢測(cè)、測(cè)量和控制[1]。該技術(shù)具有可靠性高、速度快、功能多等特點(diǎn)，被廣泛應(yīng)用于工業(yè)、農(nóng)業(yè)、制造業(yè)、交通業(yè)等領(lǐng)域[2]。

目前來(lái)說(shuō)，在農(nóng)業(yè)上主要著力于解決如何合理使用農(nóng)業(yè)資源、降低農(nóng)業(yè)生產(chǎn)成本，改善農(nóng)業(yè)生態(tài)條件、提高農(nóng)作物的質(zhì)量等問(wèn)題[3]，而機(jī)器視覺(jué)技術(shù)以其高效、無(wú)損傷的特點(diǎn)被廣泛應(yīng)用于農(nóng)產(chǎn)品的質(zhì)量分級(jí)和檢測(cè)、農(nóng)田病蟲草害的控制、農(nóng)業(yè)自動(dòng)采摘系統(tǒng)、農(nóng)作物生長(zhǎng)過(guò)程檢測(cè)、農(nóng)業(yè)機(jī)械導(dǎo)航等領(lǐng)域[4- 9]。而在農(nóng)業(yè)生產(chǎn)應(yīng)用中，采用機(jī)器視覺(jué)技術(shù)能夠有效合理地利用農(nóng)業(yè)資源，降低成本以及提高農(nóng)作物的產(chǎn)量和質(zhì)量。

伴隨著計(jì)算機(jī)軟硬件、圖像采集裝置、圖像處理技術(shù)的發(fā)展，機(jī)器視覺(jué)技術(shù)在農(nóng)業(yè)的應(yīng)用領(lǐng)域?qū)?huì)不斷拓展。目前，歐美日等國(guó)家已將機(jī)器視覺(jué)系統(tǒng)應(yīng)用到農(nóng)業(yè)的各個(gè)領(lǐng)域，大幅提高了生產(chǎn)效率、節(jié)約了勞動(dòng)成本[10]。相比較而言，國(guó)內(nèi)的相關(guān)研究大多處于試驗(yàn)階段，但也取得了一定的研究成果。目前我國(guó)正處于由農(nóng)業(yè)機(jī)械化到“智慧農(nóng)業(yè)”的關(guān)鍵期，機(jī)器視覺(jué)技術(shù)在推動(dòng)農(nóng)業(yè)產(chǎn)業(yè)升級(jí)和農(nóng)業(yè)現(xiàn)代化過(guò)程中會(huì)發(fā)揮重要作用。

1 機(jī)器視覺(jué)系統(tǒng)

機(jī)器視覺(jué)就是利用相機(jī)等圖像采集裝置來(lái)代替人眼對(duì)目標(biāo)進(jìn)行識(shí)別、跟蹤、測(cè)量，然后進(jìn)行各種運(yùn)算，獲取目標(biāo)特征，得到能夠觀察到或者儀器能夠檢測(cè)到的圖像，輸出信號(hào)并控制末端機(jī)構(gòu)輸出。一個(gè)典型的機(jī)器視覺(jué)系統(tǒng)包括光源、鏡頭、工業(yè)相機(jī)（CCD、CMOS相機(jī)）、圖像處理單元、圖像處理軟件、監(jiān)視器、通訊/輸入輸出單元等[11]（圖1）。

由圖2可知，機(jī)器視覺(jué)系統(tǒng)在工作時(shí)，通過(guò)圖像攝取裝置（工業(yè)相機(jī)等）獲得被攝取目標(biāo)的圖像，傳送給專用的圖像處理系統(tǒng)進(jìn)行處理，這個(gè)過(guò)程包括圖像的預(yù)處理（圖像去噪、圖像對(duì)比增強(qiáng)、圖像分割等操作）、圖像分割（圖像閾值分割、圖像區(qū)域分割、圖像梯度分割等）、提取特征（提取出物體的尺寸、形狀、紋理、顏色等信息），然后通過(guò)機(jī)器學(xué)習(xí)算法進(jìn)行統(tǒng)計(jì)運(yùn)算，根據(jù)運(yùn)算得到的判別結(jié)果來(lái)進(jìn)一步控制現(xiàn)場(chǎng)的設(shè)備動(dòng)作。

機(jī)器視覺(jué)系統(tǒng)是一門比較綜合的學(xué)科，綜合了光學(xué)、機(jī)械、計(jì)算機(jī)軟硬件等方面的技術(shù)，而圖像處理、模式識(shí)別和人工智能等技術(shù)的發(fā)展，也會(huì)推動(dòng)機(jī)器視覺(jué)技術(shù)的進(jìn)步。

2 機(jī)器學(xué)習(xí)技術(shù)

使用機(jī)器學(xué)習(xí)技術(shù)對(duì)圖像進(jìn)行分析與理解是研究熱點(diǎn)[12]，機(jī)器學(xué)習(xí)就是通過(guò)輸入一定量的數(shù)據(jù)，通過(guò)一定的邏輯規(guī)則，在給定的判斷準(zhǔn)則下，來(lái)實(shí)現(xiàn)對(duì)數(shù)據(jù)的分析預(yù)測(cè)功能。對(duì)于機(jī)器視覺(jué)系統(tǒng)來(lái)說(shuō)，輸入的數(shù)據(jù)是圖片。并按照輸入時(shí)是否對(duì)數(shù)據(jù)添加一定的標(biāo)簽，機(jī)器學(xué)習(xí)可以分為監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)等，在機(jī)器學(xué)習(xí)算法中均有一定的應(yīng)用。

典型的機(jī)器學(xué)習(xí)算法首先需要一定的訓(xùn)練樣本集，往往是提取圖像的特征，然后通過(guò)機(jī)器學(xué)習(xí)算法進(jìn)行訓(xùn)練得到訓(xùn)練模型，不同的算法會(huì)有不同的訓(xùn)練精度，而在預(yù)測(cè)的過(guò)程中，新的樣本通過(guò)使用已知的模型，會(huì)得到預(yù)測(cè)的結(jié)果。機(jī)器學(xué)習(xí)的算法過(guò)程如圖3所示。

2.1 監(jiān)督機(jī)器學(xué)習(xí)

監(jiān)督機(jī)器學(xué)習(xí)算法是利用帶標(biāo)簽的樣本來(lái)構(gòu)建模型，以此來(lái)預(yù)測(cè)未知樣本的類別。該學(xué)習(xí)算法從分析一個(gè)已識(shí)別的訓(xùn)練數(shù)據(jù)集開始，生成一個(gè)推斷函數(shù)來(lái)預(yù)測(cè)所需的輸出值。該模型經(jīng)過(guò)訓(xùn)練，可以為任何新的樣本提供精確的、預(yù)期的輸出，同時(shí)能發(fā)現(xiàn)錯(cuò)誤，進(jìn)而調(diào)整模型。

2.1.1 樸素貝葉斯算法 樸素貝葉斯（naive bayesian，簡(jiǎn)稱NB）算法是一種生成概率模型，基于預(yù)測(cè)變量和特征之間的條件獨(dú)立性假設(shè)，給定的訓(xùn)練數(shù)據(jù)集，基于特征條件獨(dú)立假設(shè)學(xué)習(xí)輸入/輸出的聯(lián)合概率密度，然后基于此模型，對(duì)給定的輸入，利用貝葉斯定理求出后驗(yàn)概率最大的輸出。

樸素貝葉斯算法多用于分類分級(jí)的研究中，在實(shí)際應(yīng)用中，會(huì)與其他分類算法對(duì)比使用。王永波等在對(duì)鳶尾花數(shù)據(jù)進(jìn)行分類研究中指出，對(duì)花的花兒長(zhǎng)度、花兒寬度、花瓣長(zhǎng)度和花瓣寬度等4個(gè)特征進(jìn)行建模，其中使用人工神經(jīng)網(wǎng)絡(luò)、樸素貝葉斯算法、支持向量機(jī)等3種算法，其準(zhǔn)確度分別為92.2%、94.1%、98.0%，人工神經(jīng)網(wǎng)絡(luò)易出現(xiàn)局部最小化現(xiàn)象，導(dǎo)致分類的準(zhǔn)確度降低，而樸素貝葉斯的方法雖然簡(jiǎn)單，但準(zhǔn)確度較高，支持向量機(jī)算法由于能夠有效克服局部最小化的問(wèn)題，因而準(zhǔn)確度最高[13]。周軍等在研究核桃仁的分級(jí)中，首先獲取顏色和完整度等的特征，得到特征矩陣并進(jìn)行篩選，最后使用支持向量機(jī)、決策樹和樸素貝葉斯算法進(jìn)行分類，得到測(cè)試精度分別為80.67%、93.33%、94.67%，而通過(guò)使用樸素貝葉斯預(yù)測(cè)的精度達(dá)到97.33%[14]。

樸素貝葉斯算法對(duì)小規(guī)模的數(shù)據(jù)表現(xiàn)很好，能夠處理多分類的任務(wù)，有比較穩(wěn)定的分類效率，但是樸素貝葉斯假設(shè)屬性之間是相互獨(dú)立的，而實(shí)際中往往有一定的關(guān)聯(lián)程度的，而且樸素貝葉斯方式需要先驗(yàn)概率，而這也會(huì)導(dǎo)致預(yù)測(cè)的精確度不佳[15]。

2.1.2 K近鄰算法 K近鄰法（K-nearest neighbor，簡(jiǎn)稱K-NN）是一種分類和回歸的方法，在使用時(shí)，輸入實(shí)例的特征向量，也即是對(duì)應(yīng)的特征的點(diǎn)集，通過(guò)k值的選擇、距離的度量和分類的規(guī)則來(lái)輸出的是實(shí)例的類別，然后如果有新的實(shí)例產(chǎn)生，則會(huì)根據(jù)訓(xùn)練的模型選擇最近的實(shí)例集所在的類，從而完成預(yù)測(cè)。

Kurtulmu等在使用機(jī)器學(xué)習(xí)算法對(duì)油菜籽進(jìn)行分類的研究中，分別使用灰度共生矩陣（GLCM）、灰色線性回歸模型（GLRM）和局部二值模式（local binary pattern，簡(jiǎn)稱LBP）的方式提取的14、11、59個(gè)紋理特征作為描述符，并使用K-NN算法進(jìn)行分類，結(jié)果表明，k=3時(shí)K-NN算法的分類精度最高，達(dá)到97.8%[16]。Li等對(duì)自然環(huán)境下藍(lán)莓的生長(zhǎng)階段圖像進(jìn)行識(shí)別，首先構(gòu)建圖像像素的數(shù)據(jù)集，然后獲得圖像的紅、藍(lán)、色調(diào)3個(gè)顏色分量，通過(guò)K近鄰（K-NN）和樸素貝葉斯分類器對(duì)藍(lán)莓的成熟階段進(jìn)行識(shí)別分類，結(jié)果表明，使用K-NN分類的精度最高達(dá)到98%[17]。在研究對(duì)不同類型的香菇自動(dòng)分類檢測(cè)時(shí)，夏青采用K-NN的方式，使用香菇的紋理特征作為參數(shù)，對(duì)香菇類型自動(dòng)分選，試驗(yàn)中的模型的分選準(zhǔn)確度在91%以上[18]。

2.3.2 卷積神經(jīng)網(wǎng)絡(luò) 卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，簡(jiǎn)稱CNN）是一類包含卷積計(jì)算的具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，對(duì)于神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元，只與部分鄰層的神經(jīng)元連接。一個(gè)卷積層中，卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)包括2層，分別是卷積層、池化層[32-33]。通過(guò)卷積和池化把局部特征結(jié)合成全局特征，并與全連接層相連，最后進(jìn)行分類和預(yù)測(cè)。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展很快，并且有很多成員，比如AlexNet、GoogleLeNet、VGGNet、ResNet等，隨著卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展，大大推動(dòng)了機(jī)器視覺(jué)的發(fā)展[34]。目前，卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)準(zhǔn)確度已經(jīng)很高，但由于卷積神經(jīng)網(wǎng)絡(luò)有很高的深度，運(yùn)算速度上有待提升，在應(yīng)用中更多的是希望速度和準(zhǔn)確度上均有提高。

在農(nóng)業(yè)應(yīng)用上，卷積神經(jīng)網(wǎng)絡(luò)主要應(yīng)用在病蟲害檢測(cè)、分類分級(jí)、導(dǎo)航定位上，如Ramcharan等利用坦桑尼亞田間木薯病害圖像數(shù)據(jù)集，應(yīng)用轉(zhuǎn)移學(xué)習(xí)訓(xùn)練深層卷積神經(jīng)網(wǎng)絡(luò)，識(shí)別木薯的3種病害和2類害蟲危害。訓(xùn)練好的模型獲得的褐斑病、木薯褐條病、木薯花葉病檢測(cè)精度分別為98%、98%、96%，對(duì)紅螨害的檢測(cè)精度為96%，綠螨害的檢測(cè)精度為95%， 測(cè)試集總準(zhǔn)確率為93%[35]。孫俊等使用AlexNet改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)算法，得到8種改進(jìn)模型，訓(xùn)練識(shí)別14種植物共計(jì)26種病蟲害，選擇最優(yōu)模型。所使用的模型與原來(lái)相比精簡(jiǎn)了運(yùn)行所需要的內(nèi)存，同時(shí)提高了運(yùn)行的泛化能力，測(cè)試準(zhǔn)確度達(dá)到99.56%，具有很好的適應(yīng)性和魯棒性，能夠?qū)Χ喾N植物的多種病害進(jìn)行識(shí)別[36]。楊洋等在對(duì)玉米根莖進(jìn)行精準(zhǔn)定位和識(shí)別研究中，通過(guò)履帶自走式熱霧機(jī)獲取圖像，構(gòu)成訓(xùn)練樣本，使用神經(jīng)網(wǎng)絡(luò)訓(xùn)練，在試驗(yàn)中能夠取得較好的規(guī)劃路徑和定位精度[37]。

神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的并行計(jì)算能力，與人腦類似，人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自組織能力，在神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元部分消失在整個(gè)神經(jīng)網(wǎng)絡(luò)系統(tǒng)仍能夠進(jìn)行工作，因此神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的容錯(cuò)能力。但神經(jīng)網(wǎng)絡(luò)要求比較多的樣本進(jìn)行訓(xùn)練，而且訓(xùn)練結(jié)果會(huì)有時(shí)間過(guò)長(zhǎng)、過(guò)度擬合的問(wèn)題，因此也具有一定的局限性。

3 總結(jié)和展望

機(jī)器學(xué)習(xí)技術(shù)在農(nóng)業(yè)機(jī)器視覺(jué)中具有重要的作用，目前已經(jīng)應(yīng)用到農(nóng)產(chǎn)品質(zhì)量檢測(cè)和分級(jí)、雜草和植物病蟲害檢測(cè)、土壤分析等方面，預(yù)計(jì)未來(lái)機(jī)器視覺(jué)會(huì)在農(nóng)業(yè)領(lǐng)域得到越來(lái)越廣泛的應(yīng)用。但也存在一些問(wèn)題和挑戰(zhàn)，一是在農(nóng)業(yè)領(lǐng)域的大規(guī)模數(shù)據(jù)集亟須構(gòu)建，目前的研究成果多是依賴研究者自身采集數(shù)據(jù)集，得到的結(jié)果沒(méi)有可比性。二是在面對(duì)不同的環(huán)境，如何提高機(jī)器視覺(jué)系統(tǒng)的魯棒性，也是面臨的挑戰(zhàn)。比如，在不同的光照條件、不同的背景條件、不同作物的不同生長(zhǎng)階段、不同的天氣條件等給機(jī)器視覺(jué)的研究帶來(lái)難題。

未來(lái)的農(nóng)業(yè)機(jī)器視覺(jué)發(fā)展主要體現(xiàn)在：一是農(nóng)業(yè)機(jī)器視覺(jué)系統(tǒng)會(huì)體現(xiàn)在整合在人工智能、機(jī)器人、傳感器、物聯(lián)網(wǎng)中的一部分，能夠展示農(nóng)作物的生長(zhǎng)信息情況，并能夠提前預(yù)測(cè)。二是嵌入式機(jī)器視覺(jué)具有易使用、易維護(hù)、易安裝的特點(diǎn)，且具有低功耗的優(yōu)勢(shì)，會(huì)結(jié)合機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法，在對(duì)圖像的定位和處理方向上得到長(zhǎng)足發(fā)展，同時(shí)在農(nóng)業(yè)機(jī)械裝備中得到普及。

參考文獻(xiàn)：

[1]陳兵旗，吳召恒，李紅業(yè)，等. 機(jī)器視覺(jué)技術(shù)的農(nóng)業(yè)應(yīng)用研究進(jìn)展[J]. 科技導(dǎo)報(bào)，2018，36（11）：54-65.

[2]周 航，杜志龍，武占元，等. 機(jī)器視覺(jué)技術(shù)在現(xiàn)代農(nóng)業(yè)裝備領(lǐng)域的應(yīng)用進(jìn)展[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2017，38（11）：86-92.

[3]付玉志. 基于ZigBee技術(shù)的智慧農(nóng)業(yè)實(shí)時(shí)采集和遠(yuǎn)程控制系統(tǒng)[D]. 杭州：浙江大學(xué)，2015.

[4]刁智華，王會(huì)丹，魏 偉. 機(jī)器視覺(jué)在農(nóng)業(yè)生產(chǎn)中的應(yīng)用研究[J]. 農(nóng)機(jī)化研究，2014，36（03）：206-211.

[5]王福娟. 機(jī)器視覺(jué)技術(shù)在農(nóng)產(chǎn)品分級(jí)分選中的應(yīng)用[J]. 農(nóng)機(jī)化研究，2011，33（5）：249-252.

[6]曹樂(lè)平. 基于機(jī)器視覺(jué)的植物病蟲害實(shí)時(shí)識(shí)別方法[J]. 中國(guó)農(nóng)學(xué)通報(bào)，2015，31（20）：244-249.

[7]陳 軍，張繼耀，張 欣. 基于機(jī)器視覺(jué)的草莓自動(dòng)采摘機(jī)的設(shè)計(jì)[J]. 農(nóng)機(jī)化研究，2020，42（2）：141-145.

[8]楊 斯，黃鋁文，張 馨. 機(jī)器視覺(jué)在設(shè)施育苗作物生長(zhǎng)監(jiān)測(cè)中的研究與應(yīng)用[J]. 江蘇農(nóng)業(yè)科學(xué)，2019，47（6）：179-187.

[9]曹 倩，王 庫(kù)，楊永輝，等. 基于TMS320DM642的農(nóng)業(yè)機(jī)器人視覺(jué)導(dǎo)航路徑檢測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40（7）：171-175.

[10]鄭文鐘. 國(guó)內(nèi)外智能化農(nóng)業(yè)機(jī)械裝備發(fā)展現(xiàn)狀[J]. 現(xiàn)代農(nóng)機(jī)，2015（6）：4-8.

[11]姚 綴，呂建秋，向 誠(chéng)，等. 計(jì)算機(jī)視覺(jué)在農(nóng)產(chǎn)品外部品質(zhì)檢測(cè)中的應(yīng)用研究[J]. 食品工業(yè)科技，2019，40（14）：363-368.

[12]許憲東，王亞?wèn)|，運(yùn)海紅. 統(tǒng)計(jì)學(xué)習(xí)在圖像分類中的應(yīng)用研究綜述[J]. 黑龍江科技信息，2012（32）：108.

[13]王永波，鄺炳洽. 基于機(jī)器學(xué)習(xí)的花卉分類算法研究[J]. 現(xiàn)代計(jì)算機(jī)，2013（13）：21-24.

[14]周 軍，蔡 建，郭俊先，等. 基于機(jī)器視覺(jué)的核桃仁特征提取與分級(jí)方法研究[J]. 江蘇農(nóng)業(yè)科學(xué)，2018，46（11）：175-179.

[15]丁 月，汪學(xué)明. 基于改進(jìn)特征加權(quán)的樸素貝葉斯分類算法[J]. 計(jì)算機(jī)應(yīng)用研究，2019，36（12）：3597-3600，3627.

[16]Kurtulmu F，nal H. Discriminating rapeseed varieties using computer vision and machine learning[J]. Expert Systems with Applications，2015，42（4）：1880-1891.

[17]Li H，Lee W S，Wang K. Identifying blueberry fruit of different growth stages using natural outdoor color images[J]. Compute Electron Agriculture，2014，106：91-101.

[18]夏 青. 基于圖像處理的干香菇分級(jí)方法研究[D]. 武漢：華中農(nóng)業(yè)大學(xué)，2014.

[19]徐 奐. 基于支持向量機(jī)的開放式作物模型（SBOCM）研究[D]. 杭州：浙江大學(xué)，2012.

[20]Mokhtar U，Ali M A S，Hassanien A E，et al. Tomato leaves diseases detection approach based on Support Vector Machines[C]. Computer Engineering Conference，2016：246-250.

[21]羅匡男，彭 琳，齊偉恒. 基于機(jī)器視覺(jué)的三七葉片病斑識(shí)別[J]. 江蘇農(nóng)業(yè)科學(xué)，2017，45（24）：209-212.

[22]劉永娟. 基于計(jì)算機(jī)視覺(jué)技術(shù)的玉米發(fā)育期識(shí)別研究[D]. 無(wú)錫：江南大學(xué)，2017.

[23]Zhang S W，Wu X W，You Z H，et al. Leaf image based cucumber disease recognition using sparse representation classification[J]. Compute Electron Agriculture，2017，134：135-141.

[24]歐垚江. 基于高斯混合模型的圖像分割的研究[D]. 北京：北京交通大學(xué)，2015.

[25]程相康，朱宏擎. 一種基于高斯混合模型的快速水平集圖像分割方法[J]. 華東理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，41（6）：808-814.

[26]董 騰. 基于機(jī)器視覺(jué)的水果分揀系統(tǒng)的研究[D]. 聊城：聊城大學(xué)，2018.

[27]田 杰，韓 冬，胡秋霞，等. 基于PCA和高斯混合模型的小麥病害彩色圖像分割[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45（7）：267-271.

[28]鄭 春，張繼山. 基于神經(jīng)網(wǎng)絡(luò)的機(jī)器視覺(jué)圖像識(shí)別算法應(yīng)用[J]. 哈爾濱師范大學(xué)自然科學(xué)學(xué)報(bào)，2018，34（4）：41-45.

[29]梁培生，孫 輝，張國(guó)政，等. 基于主成分分析和BP神經(jīng)網(wǎng)絡(luò)的蠶蛹分類方法[J]. 江蘇農(nóng)業(yè)科學(xué)，2016，44（10）：428-430，582.

[30]黃喜梅. 基于機(jī)器視覺(jué)技術(shù)的小麥葉片含水量無(wú)損檢測(cè)研究[D]. 泰安：山東農(nóng)業(yè)大學(xué)，2018.

[31]譚穗妍，馬 旭，吳露露，等. 基于機(jī)器視覺(jué)和BP神經(jīng)網(wǎng)絡(luò)的超級(jí)雜交稻穴播量檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30（21）：201-208.

[32]牛亞茜，冀小平. 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像檢索算法研究[J]. 計(jì)算機(jī)工程與應(yīng)用，2019，55（18）：201-206.

[33]趙 軼，劉堂友. 基于卷積神經(jīng)網(wǎng)絡(luò)的田間雜草識(shí)別方法研究[J]. 計(jì)算機(jī)仿真，2019，36（4）：440-444.

[34]李國(guó)和，喬英漢，吳衛(wèi)江，等. 深度學(xué)習(xí)及其在計(jì)算機(jī)視覺(jué)領(lǐng)域中的應(yīng)用[J]. 計(jì)算機(jī)應(yīng)用研究，2019，36（12）：3521-3529，3564.

[35]Ramcharan A，Baranowski K，Mccloskey P，et al. Deep learning for image-based cassava disease detection[J]. Frontiers in Plant Science，2017，8：1852.

[36]孫 俊，譚文軍，毛罕平，等. 基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的多種植物葉片病害識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33（19）：209-215.

[37]楊 洋，張亞蘭，苗 偉，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的玉米根莖精確識(shí)別與定位研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49（10）：46-53.伏文卓，魏 鑫，高艷明. 新型保溫被結(jié)構(gòu)溫室冬季環(huán)境性能測(cè)試評(píng)價(jià)[J]. 江蘇農(nóng)業(yè)科學(xué)，2020，48（12）：231-237.