基于FasterR-CNN的藍莓冠層果實檢測識別分析

朱旭 馬淏 姬江濤 金鑫 趙凱旋 張開

摘要：【目的】基于Faster R-CNN模型對不同成熟度藍莓果實進行精準識別分類，為漿果類果實的自動化采摘、產量預估等提供技術支撐。【方法】選取成熟果、半成熟果、未成熟果剪切圖像各4000幅和8000幅背景圖像作為訓練集，1000幅原始圖像用于驗證集開展試驗，改進Faster R-CNN算法，設計一種對背景干擾、果實遮擋等因素具有良好魯棒性和準確率的藍莓果實識別模型，模型通過卷積神經網絡（CNN）、區域候選網絡（RPN）、感興趣區域池化（ROI Pooling）和分類網絡來實現藍莓圖像背景消除及果實識別并與DPM算法進行對比?！窘Y果】以WOA算法優化的訓練參數作為參考，在藍莓數據集上訓練網絡模型。在分析P-R曲線后計算F發現，Faster R-CNN算法在成熟果、半成熟果和未成熟果上的F值分別為95.48%、95.59%和94.70%，與DPM算法相比平均高10.00%。在對3類藍莓果實的識別精度方面，Faster R-CNN同樣有著優秀的識別效果。對成熟果、半成熟果和未成熟果的識別準確率分別為97.00%、95.00%和92.00%，平均識別準確率為94.67%，比DPM算法高20.00%左右。該網絡模型在高精度的識別效果下，對于藍莓果實的平均識別速度依然達0.25 s/幅，能滿足實時在線識別的需求?！窘ㄗh】獲取多角度、復雜環境下的圖像用來提高模型識別率;利用遷移學習建立藍莓識別模型;數據集樣本擴充并分類。

關鍵詞： 藍莓;冠層果實;Faster R-CNN;精準識別;產量預估;不同成熟度

Abstract：【Objective】With the help of Faster R-CNN model， accurate detection， identification and classification of blueberry canopy fruits under natural environmental conditions could be realized，which provided reference for automatic picking and yield prediction of berries. 【Method】Each 4000 images and each 8000 background images of ripe fruit， half-ripe fruit， immature fruit were as the training set， 1000 original images were used to verify test set， optimized Faster R-CNN algorithm was used to design a kind of blueberry fruit recognition model for fruits at different maturity levels which had good robustness and accuracy under the condition of background interference and fruit block. The model realized image background elimination of blueberries and recognition through convolution neural network（CNN）， regional candidate networks（RPN）， interested in regional pooling（ROI pooling） and the classification of network. 【Result】The trai-ning parameters optimized by WOA algorithm were used as a reference， and the network model was trained on the blueberry data set. After analyzing P-R curve and calculating F value， it was found that the F values of Faster R-CNN algorithm on ripe fruit， half-ripe fruit and immature fruit were 95.48%， 95.59% and 94.70%， which was 10.00% higher than that of DPM on average. In terms of the recognition accuracy of three kinds of blueberry fruits， Faster R-CNN also had excellent recognition effect. The recognition accuracy of ripe fruit， half-ripe fruit and immature fruit was 97.00%， 95.00% and 92.00% respectively， and the average recognition accuracy was 94.67%， which was about 20.00% higher than DPM algorithm on average. Under the high-precision recognition effect， the average recognition speed of the network model for blueberry fruit still reached 0.25 s/amplitude， which could meet the demand of real-time online recognition. 【Conclusion】The network model can be improved in the following aspects：to obtain images in multi-angle and complex environment to improve the model recognition rate;establish a blueberry recognition model with migration learning;data set samples should be expanded and classified.

Key words：blueberry; canopy fruit; Faster R-CNN; accurate identification; production forecast; different maturity

0 引言

【研究意義】我國自2000年開始規?；N植藍莓，2018年國內藍莓栽培總面積達55344 ha，產量達18.4238萬t，分別占全世界藍莓栽培總面積和總產量的40.996%和28.129%（張珊珊等，2015;李亞東等，2016;劉紹金和盧煒樂，2018）。藍莓種植附加值高，但生產成本也高，主要原因是藍莓果實成熟度不統一及生長環境復雜導致的藍莓收獲成本較高。據統計，收獲季人力花費約占藍莓整個生產期管理成本的一半以上（李亞東等，2018;劉慶忠等，2019）。目前藍莓的主要采摘方式有兩種：一種是依靠人力采摘，主要供應鮮果市場;一種是振動式機械采摘，曬制干果。而實現藍莓果實成熟度快速、準確識別可為人力采摘提供成熟藍莓分布信息，合理安排勞動力，從而降低收獲成本，為鮮果及時上市提供保障;在機械采摘方面，藍莓果實成熟度快速、準確識別可為種植者及時提供生產區藍莓成熟比例，從而合理安排時間適時采摘，進而減少未成熟果實損失?！厩叭搜芯窟M展】目前，針對水果果實精準識別、果實成熟度分類的研究。大多數仍采用機器視覺，如依據果實顏色、形狀、紋理和三維形態等特征進行果實識別（陶華偉等，2014;賈偉寬等，2015;李龍等，2018;畢松等，2019;金保華等，2019）。在蘋果、柑橘和獼猴桃等大體積、類球型果實識別方面，Zhao等（2005）提出一種基于視覺的單幅圖像蘋果定位算法，基于紋理的邊緣檢測及紅度測量，并結合區域閾值和圓形擬合來確定蘋果在圖像平面上的位置，實現紅色和綠色蘋果的識別;王津京等（2009）通過矢量中值濾波、圖像分割等前期準備提供穩定有效的蘋果顏色、幾何特征，利用支持向量機對蘋果果實進行檢測識別;詹文田等（2013）采用Adaboost算法將RGB、HIS、Lab顏色空間中多通道構建弱分類器，并訓練數據集生成強分類器識別獼猴桃果實;Thendral等（2014）通過邊緣和顏色檢測兩種方法對自然光照條件下獲得的柑橘果實圖像進行分割，并對邊緣分割和顏色分割進行對比試驗;García-Lamont等（2015）提出了一種通過提取水果顏色的色度來表征物體顏色的方法，并測試了該方法的可行性;Liu等（2018）設計了一種從序列圖像中識別蘋果及柑橘的算法，即通過圖像分割、匈牙利算法跟蹤和運動恢復結構算法從視頻幀圖像中識別。針對葡萄等漿果類果實，陳英等（2011）采用鄰域輪廓跟蹤提取葡萄串輪廓曲線，并基于曲線旋轉和局部極值法搜索凹點位置，將曲線分割后實現葡萄果粒識別;馬本學等（2015）基于不同顏色空間的圖像分割方法，采用最大類間方差法和直方圖雙峰法分別獲得最佳閾值，實現目標葡萄串與背景區域分割，達到對不同顏色葡萄果實快速識別，并有效降低了光照對識別效果的影響;羅陸鋒等（2017）提出使用改進的K-means聚類分割方法，運用形態學去噪，并提取葡萄串類圓中心對葡萄進行識別定位。近年來，深度學習算法的應用研究成為熱門（周云成等，2018;卞景帥等，2019;張銀松等，2019）。孫哲等（2019）采用Faster R-CNN算法對西蘭花幼苗圖像識別進行研究，并選擇ResNet101網絡對西蘭花圖像特征進行提取;張樂等（2019）利用Faster R-CNN算法識別田間雜草，用于將田間油菜與雜草區分開。上述非深度學習的方法在針對果實特征表現較為單一且成熟期果實顏色、大小基本一致的蘋果、柑橘時，表現出良好的識別效果，而藍莓果實簇生、生長環境復雜、遮擋嚴重且成熟期跨度時間長，導致整簇中存在藍莓果實成熟度、大小不一及顏色不同的情況，因此，非深度學習方法運用于藍莓果實識別效果不理想?！颈狙芯壳腥朦c】目前，Faster R-CNN算法主要通過在候選區域網絡中進行大量重復運算實現對目標檢測識別，耗費時間較長，對小目標易造成漏識別，導致國內極少將該方法應用到漿果類果實的自動化檢測領域。另外，在對蘋果、柑橘等果實識別時一般只考慮顏色特征或形狀特征（司永勝等，2009;程榮花等，2014），無法有效解決藍莓等漿果類果實所面臨的問題?！緮M解決的關鍵問題】針對藍莓識別中存在的問題，通過優化訓練參數、選取最優窗口對目標進行多尺度檢測和圖像格式轉換等改進原始Faster R-CNN算法，建立對不同成熟度藍莓圖像進行替代訓練的識別模型，進而提取藍莓目標特征并將藍莓果實識別標定，在預測藍莓果實產量的同時劃分成熟藍莓果實的分布區域，為實現合理分配勞動力及漿果機械自動采摘工作中及時提供果實目標信息提供參考依據。

1 數據采集與研究方法

1. 1 圖像采集與試驗平臺

藍莓果實圖像采集于2019年4—5月藍莓收獲期間，采集地點位于美國佛羅里達大學藍莓實驗園，藍莓品種是美國南部最具代表性的高產高叢藍莓Windsor、Sweetcrisp和Emerald。拍攝設備為佳能70D相機，18～200 mm變焦鏡頭，分辨率為4608×3456，圖像格式為JPG，采集設備距離每簇藍莓0.4～0.5 m。程序運行設備為臺式計算機，操作系統為Win10（64位），處理器為Intel Core i7-9700，主頻3.7 GHz，運行內存32 G，固態硬盤1T，GPU為NVIDIA 1080Ti。采用MATLAB 2018實現藍莓目標檢測識別網絡模型的訓練與測試。

1. 2 樣本數據集

試驗共采集整簇藍莓原始圖像4736幅（圖1-A），藍莓分批次成熟，通常每簇中有1～3種成熟度藍莓，即未成熟果、半成熟果和成熟果。從原始圖像中隨機選出2435幅，并從中裁剪出未成熟果（圖1-B）、半成熟果（圖1-C）和成熟果（圖1-D）各4000幅單獨圖像及8000幅背景圖像（圖1-E），用作訓練集。從剩余的2301幅原始圖像中整理出1050幅作為測試集，用于單一成熟度藍莓檢測識別（成熟果、半成熟果和未成熟果各350幅）;另整理出1000幅作為驗證集，用于3種成熟度藍莓檢測識別。訓練集、測試集和驗證集數據無重疊。

1. 3 Faster R-CNN算法

圖2為本研究建立的Faster R-CNN藍莓果實識別模型，識別過程如下：（1）原始圖像經過特征提取網絡獲得特征圖，并將特征圖與候選區域網絡（Region proposal network，RPN）和目標區域池化網絡（ROI Pooling）共享。（2）RPN通過softmax分類器執行二分類操作區分背景與目標藍莓，并通過Bbox回歸初步得到候選區域位置。（3）目標區域池化網絡將粗篩選的特征圖池化和歸一化處理。（4）經過全連接層整合特征圖信息，softmax分類器進行精準分類，判別藍莓成熟度;Bbox回歸對預測框位置進行精確調整。

Faster R-CNN算法的優點在于輸入圖像尺寸可以不統一，并且對識別精度和速度的影響無明顯波動;同時作為端到端訓練的深度學習模型，拋棄了傳統的滑動窗口和Selective Search方法，使用候選區域網絡RPN生成候選框，并且將目標檢測的4個部分（特征提取、候選區域生成、目標區域池化及目標分類）全部歸于深度卷積神經網絡（CNN），并運行在GPU上，有效提高了檢測效率。

1. 4 評價指標

把Faster R-CNN算法中對特征提取網絡檢測出的目標定為正樣本，未檢測出的目標定為負樣本。本研究中使用交并比（Intersection over Union，IOU）值來對樣本正負進行度量，設置IOU閾值為0.5，當IOU>0.5，則認為目標被正確檢測，劃分為正樣本，記為TP（檢測到的IOU值大于閾值的目標數量），當IOU<0.5則為負樣本，記為FP（檢測到的IOU值小于閾值的目標數量）。本研究中共有4種情況，除TP和FP外，還有兩種未被檢測出的FN和TN（檢測到的IOU值為0的目標數量）。本研究中僅統計TP和FP兩類樣本。

Faster R-CNN算法采用替代訓練方式對四分類藍莓訓練集分別進行訓練，并計算3種不同成熟度藍莓在各自子測試集和子驗證集上的精確率（Precision，P）、召回率（Recall，R）、F值（F-Measure，F）和準確率（Accuracy，A），以F值和準確率作為評價指標。其中，精確率為正樣本占總樣本的數量比例，準確率為所有分類中被正確分類的樣本數量比例，召回率和精確率計算方法為：

繪制精確率—召回率曲線圖，曲線圖x軸召回率表示對IOU>0.5的目標覆蓋能力，y軸表示對IOU>0.5的目標檢測精確率。當P和R指標出現矛盾情況時，需要進行綜合考慮，而F值是P、R的加權調和平均，F值越高說明模型越可靠穩定，因此引入F值對網絡模型進行評價。公式如下所示：

2 結果與分析

2. 1 訓練模型及果實識別過程

本研究訓練參數設置以WOA算法優化結果作為參考，在前5000次迭代中，以0.001的學習率對網絡進行細化，在最后5000次迭代中，將學習率降低到0.0001，每個批次處理由兩個圖像組成，一個來自源域，一個來自目標域，試驗中使用0.9的動量和0.0005的重量衰減。

模型采用VGG16網絡作為特征提取器，在使用大型數據集時可保證較高的檢測速度和準確率。為更好地顯示CNN的檢測識別過程，將提取特征的前幾層網絡可視化操作，中間過程如圖3所示，隨著網絡深度的增加，藍莓特征圖的顆粒度明顯加強，且尺寸逐漸減小，細節特征逐漸丟失，而更加關注于圖像的整體信息。卷積神經網絡由淺層到深層分別檢測提取圖像中目標藍莓的邊緣特征、局部特征和整體輪廓特征，從圖3-B～圖3-I可看出，特征提取網絡對藍莓果實邊緣和線條等細節的描述，凸顯出了藍莓果實的局部信息。

2. 2 與DPM算法對比試驗

2. 2. 1 F值對比 為說明Faster R-CNN算法在小目標識別方面的優越性，與DPM算法Deformable Part Model進行對比試驗，使用相同訓練集、測試集和驗證集，獲得其精準率、召回率和準確率，并繪制P-R曲線圖（圖4）。從成熟果、半成熟果和未成熟果藍莓P-R曲線圖可知，Faster R-CNN算法中曲線坐標位置均在DPM算法上方。當DPM算法召回率達最高值75%時，Faster R-CNN算法對應下的成熟果、半成熟果和未成熟果精確率分別為96.0%、94.5%和95.0%，DPM算法對應下的成熟果、半成熟果和未成熟果識別精確率分別為82.0%、83.5%和82.5%（表1）。在高召回率情況下，Faster R-CNN對于3種成熟度藍莓的識別精確率依然可達80.0%左右，且P-R曲線也更加平滑穩定。為了更直接地比較兩組數據的差異，綜合分析精確率和召回率，由公式4計算F，結果如表2所示，在相同成熟度藍莓條件下，本研究的Faster R-CNN算法的F值均比DPM算法高10.00%左右。

2. 2. 2 識別精度對比 針對單一成熟度藍莓的檢測識別可看作將目標藍莓與背景分開，即使用分類器進行二分類操作，在對Faster R-CNN和DPM模型測試后，統計藍莓識別準確率，并繪制準確率曲線圖（圖5）。隨著訓練圖像數量增加，2種算法針對單一成熟度藍莓的識別準確率均逐漸上升，在達到本訓練集目標藍莓圖像數量上限4000幅時，兩種算法準確率對比結果如表3所示，在同一成熟度藍莓條件下，Faster R-CNN算法準確率比DPM算法高20.00%左右，平均準確率達94.67%。通過試驗數據對比可知，Faster R-CNN算法對單一成熟度藍莓具有更高的識別精度。

為更直觀對2種算法在單一成熟度藍莓之間的識別差異，故對比識別效果圖。如圖6所示，在Faster R-CNN算法中，針對成熟果、半成熟果和未成熟果的藍莓果實檢測識別均達到了分類及定位效果，無誤識別、漏識別和重復識別現象出現。DPM算法在對藍莓果實識別效果較差，不同成熟度藍莓果實均有漏識別出現（圖7），其中圖7-B中還存在誤識別現象。因此，在使用相同訓練集建立識別模型和相同測試集檢測識別果實條件下，通過統計測試集數據可知，Faster R-CNN算法對單一成熟度藍莓的誤識別、漏識別及重復識別數量遠少于DPM算法，具有更好的識別效果。

2. 3 Faster R-CNN模型對藍莓識別效果的驗證

為驗證Faster R-CNN算法對不同成熟度藍莓同時檢測識別時是否具有較高準確率，在上述針對單一成熟度藍莓測試試驗的基礎上，通過驗證集對3種混合成熟度藍莓果實同時進行檢測識別，所使用驗證集為1000幅原始圖像。通過觀察圖8可知，在對藍莓果實成熟度檢測分類時，Faster R-CNN算法能準確區分藍莓成熟果、半成熟果和未成熟果，只有未成熟果藍莓果實在遮擋嚴重和與背景過于相似時存在少量重復識別、漏識別現象。通過對驗證集中3種成熟度藍莓識別數量進行統計，得到成熟果、半成熟果和未成熟果藍莓在Faster R-CNN算法中的識別準確率（表4）。該算法對成熟果的識別準確率最高，半成熟果次之，而未成熟果由于顏色與背景色較相似，因此識別準確率最低。雖然該算法在對藍莓果實識別過程中所受干擾較多，但3類果實的識別準確率均在93.00%以上。通過對3種成熟度藍莓果實識別結果統計可知，Faster R-CNN算法針對藍莓果實的平均識別準確率為94.05%。在對召回率和精確率進行分析后，由公式（4）計算可得F值為84.90%。通過記錄每張圖像輸入模型到出現預測框的時間，計算出模型的平均識別速度為0.25 s/幅。

在識別過程中出現了少數未成熟果重復識別（圖8-A）和部分藍莓果實漏識別（圖8-B、圖8-C）。由試驗數據統計得知，在重復識別和漏識別的藍莓果實中80%以上是未成熟果，造成這一結果的主要原因是未成熟果實顏色與葉片等背景過于相似，且未成熟果實相對于成熟果實體積較小;另外有部分藍莓果實未被識別是由于果實之間遮擋嚴重，能夠被特征提取網絡檢測到的藍莓果實特征有限，導致IOU值為0，誤劃分為FN類別。

3 討論

針對藍莓等漿果類小目標難以有效識別的問題，本研究在深入了解藍莓果實特點的前提下使用改進的Faster R-CNN算法對藍莓果實進行檢測識別。具體改進包含：使用WOA算法優化超參數值，初始化訓練模型;在候選區域網絡中采用9種尺度對目標藍莓進行檢測，選取最優候選窗口;轉換成HSV格式，利用H通道對于亮度的敏感性來區分不同成熟度果實。由此訓練得到的模型更適用于藍莓果實小、擁擠和分布散亂等特點，可為果園自動化采摘及產量預估提供指導。利用深度學習根據不同成熟度藍莓的顏色特征和形狀特征建立藍莓果實識別模型，可有效實現藍莓果實精確定位及成熟度分類，縮短果實采收周期。在對果實成熟度的研究中，伍光緒等（2016）運用數字圖像處理技術對血橙正反兩面圖片進行全局閾值分割，通過計算出血橙的著色比例判斷血橙是否成熟;葉晉濤（2016）利用哈密瓜圖像顏色特征與紋理特征來預測哈密瓜成熟度，并實現基于DSP算法的哈密瓜成熟度快速實時檢測。上述采用的數字圖像處理技術對水果成熟度識別分類取得了一定效果，但由于采用的均是手工設計特征模型，工作量大，且不能做到實時性，而從數據集中自動學習特征的深度學習方法處理速度快、準確率高，更適用于田間果園的檢測識別。

本研究運用的方法在藍莓果實識別和成熟度分類上雖取得了良好效果，但在某些方面還需進一步改進，如藍莓果實之間遮擋或枝葉遮擋嚴重時，目標藍莓輪廓特征較少導致特征難以有效提取，從而使得模型不能準確識別目標藍莓。另外當光線較暗時，模型使用顏色特征無法有效通過明暗程度對藍莓果實進行檢測識別，而僅通過形狀特征來區分未成熟果與成熟果，易造成誤識別現象。

4 建議

4. 1 獲取多角度、復雜環境下的圖像提高模型識別率

藍莓數據集的多樣性能提高模型的穩定性和魯棒性，因此需要對采集的原始樣本圖像進行擴展。建議采用高像素相機采集設備拍攝高質量藍莓圖像，通過調整拍攝角度來減少藍莓果實遮擋，并在多個時間段、多種光照條件下采集圖像來提高檢測識別精度。比如，嘗試在白天和晚上分成多次在不同自然光或人工照明的條件下拍攝。

4. 2 利用遷移學習建立藍莓識別模型

遷移學習是使用別人在海量數據庫中建立的網絡模型，通過在藍莓數據集上再次訓練得到適用于藍莓果實識別的模型。通過采用遷移學習的方法可有效避免網絡訓練過程中出現的過擬合問題，并能調整超參數值，提高網絡的泛化效果。

4. 3 數據集樣本擴充并分類

把原始數據集樣本中的圖像旋轉45°、90°和135°來增加樣本的多樣性，擴充數據集的圖像數量，并將樣本分為容易檢測樣本和較難檢測樣本，在訓練過程中自動選擇較難樣本時可使網絡訓練更加高效，且減少小目標檢測時的信息損失，有效提高藍莓等漿果類小目標的識別精度。

參考文獻：

畢松，高峰，陳俊文. 2019. 基于深度卷積神經網絡的柑橘目標識別方法[J]. 農業機械學報，50（5）： 181-186. [Bi S，Gao F，Chen J W. 2019. Detection method of citrus based on deep convolution neural network[J]. Transactions of The Chinese Society of Agricultural Machinery，50（5）： 181-186.]

卞景帥，盧家品，羅月童，張敏. 2019. 基于Faster-RCNN的結核桿菌自動檢測方法研究與應用[J]. 圖學學報，40（3）： 608-615. [Bian J S，Lu J P，Luo Y T，Zhang M. 2019. Research and application of Faster-RCNN based M. Tuberculosis detection method[J]. Journal of Graphics，40（3）： 608-615.]

陳英，李偉，張俊雄. 2011. 基于圖像輪廓分析的堆疊葡萄果粒尺寸檢測[J]. 農業機械學報，42（8）： 168-172. [Chen Y，Li W，Zhang J X. 2011. Overlapped grapes berry size inspection based on image contour analysis[J]. Transactions of The Chinese Society of Agricultural Machinery，42（8）： 168-172.]

程榮花，馬飛，石夢. 2014. 基于顏色特征的蘋果表面質量檢測系統設計與實現[J]. 遼寧農業科學，（3）： 22-24. [Cheng R H，Ma F，Shi M. 2014. Design and implementation of the quality of apple surface detection system based on color features[J]. Liaoning Agricultural Sciences，（3）： 22-24.]

賈偉寬，趙德安，劉曉洋，唐書萍，阮承治，姬偉. 2015. 機器人采摘蘋果果實的K-means和GA-RBF-LMS神經網絡識別[J]. 農業工程學報，31（18）： 175-183. [Jia W K，Zhao D A，Liu X Y，Tang S P，Ruan C Z，Ji W. 2015. Apple recognition based on K-means and GA-RBF-LMS neural network applicated in harvesting robot[J]. Transactions of the Chinese Society of Agricultural Engineering，31（18）： 175-183.]

金保華，殷長魁，張衛正，張偉偉. 2019. 基于機器視覺的蘋果園果實識別研究綜述[J]. 輕工學報，34（2）： 71-81. [Jin B H，Yin C K，Zhang W Z，Zhang W W. 2019. Review on apple garden fruit recognition based on machine vision[J]. Journal of Light Industry，34（2）： 71-81.]

李龍，彭彥昆，李永玉，王凡，張捷. 2018. 基于紋理和梯度特征的蘋果傷痕與果梗/花萼在線識別[J]. 農業機械學報，49（11）： 328-335. [Li L，Peng Y K，Li Y Y，Wang F，Zhang J. 2018. Online identification of apple scarring and stems/calyxes based on texture and edge gradient features[J]. Transactions of the Chinese Society for Agricultural Machinery，49（11）： 328-335.]

李亞東，裴嘉博，孫海悅. 2018. 全球藍莓產業發展現狀及展望[J]. 吉林農業大學學報，40（4）： 421-432. [Li Y D，Pei J B，Sun H Y. 2018. Status and prospect of global blueberry industry[J]. Journal of Jilin Agricultural University，40（4）： 421-432.]

李亞東，孫海悅，陳麗. 2016. 我國藍莓產業發展報告[J]. 中國果樹，（5）： 1-10. [Li Y D，Sun H Y，Chen L. 2016. China blueberry industry development report[J]. China Fruits，（5）： 1-10.]

劉慶忠，朱東姿，王甲威，陳明學，辛力. 2019. 世界藍莓產業發展現狀——北美篇[J]. 落葉果樹，51（2）： 4-7. [Liu Q Z，Zhu D Z，Wang J W，Chen M X，Xin L. 2019. Develop-ment of blueberry industry in the world： North America[J]. Deciduous Fruits，51（2）： 4-7.]

劉紹金，盧煒樂. 2018. 我國藍莓產業現狀和發展趨勢[J]. 現代園藝，（11）： 18. [Liu S J，Lu W L. 2018. Current situa-tion and development trend of blueberry industry in China[J]. Xiandai Horticulture，（11）： 18.]

羅陸鋒，鄒湘軍，王成琳，陳雄，楊自尚，司徒偉明. 2017. 基于輪廓分析的雙串疊貼葡萄目標識別方法[J]. 農業機械學報，48（6）： 15-22. [Luo L F，Zou X J，Wang C L，Chen X，Yang Z S，Situ W M. 2017. Recognition method for two overlaping and adjacent grape clusters based on image contour analysis[J]. Transactions of The Chinese Society for Agricultural Machinery，48（6）： 15-22.]

馬本學，賈艷婷，梅衛江，高國剛，呂琛，周強. 2015. 不同自然場景下葡萄果實識別方法研究[J]. 現代食品科技，31（9）： 145-149. [Ma B X，Jia Y T，Mei W J，Gao G G，Lü C，Zhou Q. 2015. Study on the recognition method of grape in different natural environment[J]. Modern Food Science and Technology，31（9）： 145-149.]

司永勝，喬軍，劉剛，劉兆祥，高瑞. 2009. 基于機器視覺的蘋果識別和形狀特征提取[J]. 農業機械學報，40（8）： 161-165. [Si Y S，Qiao J，Liu G，Liu Z X，Gao R. 2009. Reco-gnition and shape features extraction of apples based on machine vision[J]. Transactions of the Chinese Society for Agricultural Machinery，40（8）： 161-165.]