基于深度信息的草莓三維重建技術

劉 剛 張 雪 宗 澤 郭彩玲

(中國農(nóng)業(yè)大學現(xiàn)代精細農(nóng)業(yè)系統(tǒng)集成研究教育部重點實驗室， 北京 100083)

基于深度信息的草莓三維重建技術

劉 剛 張 雪 宗 澤 郭彩玲

(中國農(nóng)業(yè)大學現(xiàn)代精細農(nóng)業(yè)系統(tǒng)集成研究教育部重點實驗室， 北京 100083)

以盆栽和高架兩種栽培模式生長環(huán)境下的草莓植株為研究對象，提出了一種基于深度信息分割聚類的草莓冠層結構形態(tài)三維重建算法。首先，以深度信息的不連續(xù)性特征作為草莓植株逐層分割的重要依據(jù)，以深度二維圖像作為全局參考指標，提出深度信息步進方法，自動提取冠層點云；其次，改進密度聚類算法，有效濾除隨機、跳邊和背景噪聲；最后，改進基于Harris算子的多源圖像融合算法，實現(xiàn)彩色圖像與強度圖像的配準及點云顏色的映射，三維重建出具有顏色信息的草莓冠層結構形態(tài)。為驗證該算法的有效性，將三維重建后冠層的平均單葉長度及A-B線距離作為評價指標，試驗結果表明，模型的平均單葉長度計算正確率為93%左右，A-B線距離計算正確率為97%左右，研究結果可為草莓采摘機器人果實識別過程中枝葉空間結構關系的構建提供技術支持。

草莓冠層； 三維重建； 深度信息； 點云聚類

引言

植物三維建模是農(nóng)業(yè)數(shù)字化與可視化研究的重要環(huán)節(jié)，基于植物的三維建模，一方面可以通過作物形態(tài)信息，探索植物的生長發(fā)育規(guī)律，指導農(nóng)業(yè)生產(chǎn)；另一方面，通過建立植物模型，可對植株枝葉分布特點進行研究，為采摘機器人多目標識別定位提供新的技術支持。

植物三維重建方法可分為3類：實測模型重建法[1-3]、圖像恢復法[4-5]和激光掃描法[6-7]。實測模型法技術較成熟，但該方法基于先驗知識，數(shù)據(jù)不夠可靠；圖像恢復法數(shù)據(jù)采集方便快捷、適用范圍廣，但二維恢復三維坐標過程易丟失信息；激光掃描法掃描效率高，但對于植物表面紋理材質要求較高，對密集植物的三維重構需要大量人工交互。

與上述方法相比，基于飛行時間原理(TOF)的深度成像法，能夠快速獲取場景深度信息，并轉換成植物表面三維點云數(shù)據(jù)。目前已有部分學者利用TOF深度信息進行機器人空間導航[8]、人體動態(tài)檢測[9]、汽車模型重建[10]等三維重建研究工作，但用于植物三維重建的研究相對較少。LI 等[11]通過建立橫向三維結構直方圖，自動檢測分割盆栽番茄的莖稈，利用L系統(tǒng)重建番茄葉片結構。郭浩等[12]根據(jù)彩色圖片中像素點與深度點云相關性重建陰香幾何拓撲結構，利用OpenAlea建立植物模擬模型，并實現(xiàn)其模擬過程。上述植物重建方法雖能實現(xiàn)某一植物器官的重構，但都是以枝干為特征目標來處理，不適用于薔薇科的草莓植株。本文以盆栽和高架兩種栽培模式生長環(huán)境下的草莓植株為研究對象，提出基于深度信息分割聚類的算法，實現(xiàn)對草莓冠層結構形態(tài)的三維重建，為草莓植株的幾何測量提供一種技術手段，同時也為草莓采摘機器人果實識別過程中枝葉空間結構關系的構建提供技術支持。

1 數(shù)據(jù)采集及環(huán)境描述

將PMD相機(PMD [vision] Camcube3.0)和彩色相機(Logitech C270)構建的異源圖像采集平臺[13]作為草莓植株異源圖像采集裝置。PMD攝像機是基于TOF技術的三維成像設備，分辨率為200像素×200像素，時幀速率為40幀/s，視場角為40°，能夠實時捕獲深度、幅度、強度和標記信息(圖1)。彩色相機具備實時獲取彩色圖像和攝像功能，可獲取分辨率為320像素×240像素、640像素×480像素和1 280像素×1 024像素的圖像，視場角為60°。

圖1 高架栽培模式的草莓植株多源圖Fig.1 Multi-source images of overhead strawberry

2 草莓冠層結構形態(tài)三維重建

2.1 預處理

PMD相機深度信息存在兩類誤差，一類是系統(tǒng)誤差，主要為擺動誤差和邊緣誤差，可以通過校準實驗來解決；另一類是非系統(tǒng)的隨機誤差[14]，這類問題由于采集環(huán)境比較復雜，不確定因素較多，故在后續(xù)處理中將這類誤差歸為噪聲進行濾除。為降低系統(tǒng)誤差在短距離應用中所產(chǎn)生的噪聲，本文設計了一種平面校準方法降低擺動誤差，采用幅度閾值去除邊緣誤差。

平面校準方法首先需要采集0.3～1.3 m范圍，單步距離為10 cm的11組白色平面深度圖像，測量方法如圖2所示。

圖2 平面校準Fig.2 Calibration by a plane

選擇光照環(huán)境良好的墻面，同時為保證采集區(qū)域表面的一致性，在采集區(qū)域粘貼若干塊白紙。利用三腳架的角度控制器保證鏡頭與墻面垂直。采用多項式擬合的方法建立擺動誤差校正模型

(1)

其中

v=(r,c)

(2)

式中r、c——橫、縱坐標n——圖像編號v——圖像坐標索引Dn(v)——第n張圖像的深度數(shù)值集m——模型未知參數(shù)個數(shù)pk——多項式參數(shù)Ec(Dn(v))——擺動誤差較正模型

采用最小二乘擬合法求解多項式中m個未知參數(shù)，擬合函數(shù)方程為

F(p0,p1，…,pm)=

(3)

式中A(Dn(v),v)——第n張圖像的實際深度數(shù)值集

F(p0,p1,…,pm)——擬合函數(shù)

計算使得式(3)為最小值的參數(shù)p0,p1，…,pm,代入式(2)即可得到擺動誤差校正模型。

PMD獲取的深度信息代表目標物對光線的反射能力，接收的光線越充足，則深度信息越準確。深度信息的置信度和幅度大小存在正相關關系[15]，通過多次反復實驗，采用去除幅度數(shù)值低于1×103的深度信息，這部分深度信息常常處于整幅圖像的邊緣，對整體效果影響較小。

2.2 草莓冠層三維點云建模方法

2.2.1 深度信息分層

PMD相機獲取的三維點云數(shù)據(jù)，雖然能夠描述三維物體的形狀，但是點云數(shù)量龐大、具有無序性，且存在由于背景材質復雜所導致的漂移現(xiàn)象[16]。直接利用這些數(shù)據(jù)進行葉片區(qū)域合并，會造成程序運行時間過長，保留粘合背景信息等問題，因此本文擬采用對三維點云進行分層處理的方法。

PMD獲取的不連續(xù)深度信息，往往對應著不同目標之間的遮擋[17]，故本文提出深度信息步進方法，將不同葉片進行粗分割。該方法的具體步驟如下：

(1)計算植物深度范圍H:H=Hh-Hl，其中Hh為背景區(qū)域的平均值，Hl為植物區(qū)域最小值，背景和植物區(qū)域的劃分由深度二維圖像決定。

(2)根據(jù)經(jīng)驗設置步進深度Ds和迭代次數(shù)j，j=Round(H/Ds),觀察區(qū)域為[Hl+jDs,Hh]，計算觀察區(qū)域點云總數(shù)Pi。

(3)若Pi≥Th(Th為閾值),則單獨保存該深度范圍點云索引。

(4)若Pi

(5)迭代結束，分別顯示分層后的各部分點云。

分層算法的使用可對獲取的點云數(shù)據(jù)進行初步調整，得到較好的初始狀態(tài)，有利于聚類過程中的加速計算及感興趣區(qū)域的準確歸類。

2.2.2 區(qū)域點云篩選

PMD獲取的有效深度信息范圍內(nèi)，存在高密度葉片區(qū)域和低密度噪點區(qū)域，各類區(qū)域具有任意形狀。DBSCAN是典型的基于密度聚類的方法，該方法基于密度的聯(lián)通性分析增長簇，在包含噪聲的空間數(shù)據(jù)庫中發(fā)現(xiàn)簇[18]。

根據(jù)草莓植株散亂點的密度，DBSCAN算法將其分為3類：葉片區(qū)域內(nèi)部點(稠密區(qū)域)、葉片邊緣點(邊界點)和背景噪點(稀疏區(qū)域)。植株點云集Q可表示為

Q={q1,q2,…,qi，…，qn|1≤i≤n}

(4)

其中

qi={Px,y,z|x∈R,y∈R,z∈R}

(5)

式中n——點云總數(shù)i——點云樣本中的一個點x、y、z——空間直角坐標系中點的坐標Px,y,z——第i個點坐標的集合qi——第i點數(shù)據(jù)的集合

首先需要設置鄰域半徑Eps及鄰域半徑內(nèi)點最小數(shù)目MinPts，但該算法對輸入?yún)?shù)較敏感，參數(shù)選取不同，處理效果差異也較大。因而，本文提出采用Optics算法[19]的排序機制策略，即首先對點云x、y方向進行距離排序，根據(jù)2種算法間的轉換公式，選取合適的輸入?yún)?shù)。

具體區(qū)域點云篩選算法流程如圖3所示。

圖3 點云篩選流程圖Fig.3 Flow chart of cloud point filtering

經(jīng)過去噪后的點云，僅僅包含物體的形態(tài)結構信息，但作為植物三維模型，還缺少重要的紋理及顏色相關性狀。為建立完整的冠層三維模型，增強模型的視覺效果，還需對彩色圖像和點云進行信息融合。

2.3 顏色信息融合方法

由于葉片顏色信息作為葉片葉勢分析的重要指標之一[6]，采用多源信息融合方法，可構建具有顏色信息的三維點云模型，增強可視化效果。國內(nèi)外學者針對植物的多源信息配準融合方法進行了大量研究[20-21]，常用的方法有采用特征點實現(xiàn)角點檢測，通過相似性測度及特征點對約束關系進行匹配，最后以配準信息為核心實現(xiàn)坐標轉換，從而達到目標融合的目的。這類算法能夠很好地實現(xiàn)大型植物多源配準，但不適用于薔薇科植物。故本文嘗試一種基于Harris算子的多源圖像配準算法，即首先將PMD采集的強度圖和彩色圖像，通過Harris算法提取特征點，依據(jù)強度相關關系提取12對同名點，再根據(jù)像素位置分布，精簡為3～6對配準點，將彩色圖像進行仿射變換；其次將顏色信息和點云坐標信息轉換到統(tǒng)一坐標系，并將像素點位置進行一一對應，以PMD相機坐標系為基準坐標系，將彩色圖像的顏色信息賦予對應點云。具體多源信息融合算法過程如圖4所示。

圖4 多源信息融合算法Fig.4 Algorithm of multi-source information fusing

仿射變換后的彩色圖像尺寸為200像素×200像素，與深度圖像像素點之間存在一一對應的關系。標記經(jīng)過區(qū)域篩選后的點云深度圖像像素點，通過索引關系提取彩色信息，有效地避免了冗余信息刪除過程，能更高效地完成具有顏色信息的草莓植株三維形態(tài)的重建工作。

3 草莓三維重建算法有效性驗證

試驗在北京市昌平區(qū)草莓博覽園進行，試驗草莓品種為書香草莓，其植株生長勢較強，株態(tài)較張開，葉面質地粗糙，有光澤。草莓采用高架模式栽培，每一壟長6 m，寬0.5 m，高1.2 m，壟間距為1 m。利用PMD相機自帶軟件及Matlab采集數(shù)據(jù)。為保證視野范圍內(nèi)盡可能包含多株草莓，相機鏡頭距離葉片約50 cm，每個場景采集3幀三維坐標數(shù)據(jù)，并保存為.mat文件，用于后續(xù)處理。試驗場景如圖5所示。

圖5 試驗場景Fig.5 Experimental scene

為驗證本文算法的有效性，隨機選取一株成熟期高架草莓為例，將采集的3幀深度數(shù)據(jù)進行平均處理，刪除標記信息圖像中的誤差點。試驗硬件環(huán)境為Intel core i7,3.4 GHz主頻，軟件環(huán)境為Windows 7操作系統(tǒng)，數(shù)據(jù)采集軟件為Matlab R2015a。

草莓三維重建過程如圖6所示。其中圖6a是校正后的原始三維點云數(shù)據(jù)，得到的是頂角為40°的圓錐體，難以分辨出葉片的分布情況。為區(qū)分出單個葉片，根據(jù)深度信息濾除背景，并將同一區(qū)域的點云自動分割，得到分為3層的點云圖，如圖6b、6d所示。經(jīng)過分層后可清晰看出葉片的輪廓及形狀，同時可以發(fā)現(xiàn)每層點云都包含一些噪聲，第1層主要是零星的隨機噪聲點，第2層則包含了上一層與本層的跳邊點，第3層為由于背景與葉片信息距離相近所產(chǎn)生的背景噪聲。由于這些噪聲有一個共同特征，即空間分布散亂且稀疏，因此采用基于密度的聚類方法，可有效減少上述噪點。為得到更多點云信息，需要把點云與顏色一一對應，將經(jīng)過彩圖信息和PMD強度圖像信息同名點配準(圖6g)、融合后的圖像(圖6h)顏色信息部分賦予點云。經(jīng)過聚類的分層彩圖如圖6e和圖6f所示，最終完成的效果圖如圖6i所示。由此可以看出，本文提出的重建方法有效地將葉片從背景和遮擋中分離，實現(xiàn)了草莓植株結構形態(tài)的三維重建，同時從彩色圖像中獲取了每個點的顏色信息，增強了視覺效果及模型意義。

圖6 草莓三維重建Fig.6 Reconstruction of strawberry canopy

圖7 盆栽和高架草莓植株建模過程圖Fig.7 Reconstruction procedure of pot and overhead strawberry crown

圖7是利用本文基于深度信息的草莓植株重建算法，分別對盆栽草莓和高架模式栽培草莓進行建模后的效果圖。為進一步驗證本文重建方法的有效性，從兩種栽培模式條件下的草莓三維重建模型中，定義模型的空間點數(shù)量、有效葉片數(shù)、平均單葉長度及A-B線距離等參數(shù)，作為評價指標，分別與實際測量值進行對比，對比結果如表1所示。A-B線距離是人為隨機選取的一段距離，用紅色線段在彩色圖像中標注出，為兩片葉片中心距。單葉長度為圖像中最大葉片的單葉長度均值，實際值利用毫米尺手動測量。從表1可以看出盆栽和高架草莓平均單葉長度重建正確率在93%左右,A-B線距離重建正確率在97%左右，表明基于深度信息的草莓三維重建方法能夠滿足草莓采摘機器人多目標識別過程中枝葉結構關系研究的需求。

表1 實測值與重建計算值對比

4 結論

(1)提出了一種基于深度信息分割聚類的草莓植株三維重建算法。通過點云自動分割，有效地將背景區(qū)域分離，獲得了獨立分布、相關性高的葉片三維點云；通過改進的密度聚類算法，刪除了隨機、跳邊等噪聲信息；最后通過建立仿射變換后彩色圖像與點云間索引關系，完成了草莓植株三維結構形態(tài)著色。

(2)以盆栽和高架栽培模式下的草莓植株為試驗對象，使用基于深度信息分割聚類的草莓植

株三維重建算法構建其三維結構模型。該模型單葉長度計算正確率為93%左右，A-B線距離正確率為97%左右，模型構建結果表明該算法能夠有效地實現(xiàn)草莓三維模型重建，可為草莓采摘機器人果實識別過程中枝葉空間結構關系的構建提供算法支持。

(3)本文所提出的草莓植株三維模型重建算法適用于株態(tài)張開，枝葉結構相對簡單的成熟期草莓。對于株態(tài)緊湊，葉片層次不清晰的草莓效果還不夠理想，對密植條件下復雜結構的成熟期草莓進行三維建模需進一步研究。

1 袁曉敏，趙春江，溫維亮，等. 番茄植株三維形態(tài)精確重構研究[J/OL]. 農(nóng)業(yè)機械學報, 2012,43(12): 204-210. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20121237&flag=1. DOI：10.6041/j.issn.1000-1298.2012.12.037. YUAN Xiaomin, ZHAO Chunjiang, WEN Weiliang,et al.Detailed modeling of 3-D configuration of tomato plant[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2012,43(12): 204-210. (in Chinese)

2 胡春華，李萍萍，朱詠莉. 基于Levenberg-Marquardt算法的楊樹枝干建模[J/OL]. 農(nóng)業(yè)機械學報, 2014,45(10): 272-276. 2.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20141042&flag=1. DOI：10.6041/j.issn.1000-1298.2014.10.042. HU Chunhua, LI Pingping, ZHU Yongli. Poplar branch and trunk modeling based on Levenberg-Marquardt[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2014,45(10): 272-276. (in Chinese)

3 張建，李宗南，張楠，等. 基于實測數(shù)據(jù)的作物三維信息獲取與重建方法研究進展[J]. 華中農(nóng)業(yè)大學學報,2013, 32(4): 126-134. ZHANG Jian, LI Zongnan,ZHANG Nan, et al. Advances in 3D information collection and reconstruction of crop based on the measured data[J].Journal of Huazhong Agricultural University, 2013, 32(4): 126-134. (in Chinese)

4 楊亮，郭新宇，陸聲鏈，等. 基于多幅圖像的黃瓜葉片形態(tài)三維重建[J]. 農(nóng)業(yè)工程學報, 2009, 25(2): 141-144. YANG Liang, GUO Xinyu, LU Shenglian,et al. 3D morphological reconstruction of cucumber leaf based on multiple images[J]. Transactions of the CSAE, 2009, 25(2): 141-144. (in Chinese)

5 TAN P, FANG T, XIAO J, et al. Single image tree modeling[C]. ACM Transactions on Graphics (TOG), ACM Paper 108,2008.

6 PAULUS S, SCHUMANN H, KUHLMANN H, et al. High-precision laser scanning system for capturing 3D plant architecture and analysing growth of cereal plants[J]. Biosystems Engineering, 2014, 121: 1-11.

7 王勇健，溫維亮，郭新宇，等. 基于點云數(shù)據(jù)的植物葉片三維重建[J]. 中國農(nóng)業(yè)科技導報, 2014, 16(5): 83-89. WANG Yongjian, WEN Weiliang, GUO Xinyu, et al. Three-dimensional reconstruction of plant leaf blade based on point cloud data[J]. Journal of Agricultural Science and Technology, 2014, 16(5): 83-89. (in Chinese)

8 STAHLSCHMIDT C, GAVRIILIDIS A, ANTON K. Posture independent stair parameter estimation[C]∥2015 IEEE International Symposium on Intelligent Control (ISIC), 2015: 65-70.

9 SCHWARZ L A, MKHITARYAN A, MATEUS D. Human skeleton tracking from depth data using geodesic distances and optical flow[J]. Image and Vision Computing, 2012, 30(3): 217-226.

10 CHAI X, WEN F, CAO X, et al. A fast 3D surface reconstruction method for spraying robot with time-of-flight camera[C]∥2013 IEEE International Conference on Mechatronics and Automation, 2013: 57-62.

11 LI D, XU L, TAN C, et al. Digitization and visualization of greenhouse tomato plants in indoor environments[J]. Sensors, 2015, 15(2): 4019-4051.

12 郭浩，戈振揚，蔣海波，等. 基于體著色的植物構型三維重建和可視化模擬[J]. 農(nóng)業(yè)工程學報, 2010,26(10): 195-200. GUO Hao, GE Zhenyang, JIANG Haibo,et al. Three dimensional reconstruction and visual modeling of plant architecture based on voxel coloring[J]. Transactions of the CSAE, 2010,26(10): 195-200. (in Chinese)

13 周薇,馮娟,劉剛,等. 蘋果采摘機器人中的圖像配準技術[J]. 農(nóng)業(yè)工程學報, 2013,29(11): 20-26. ZHOU Wei，F(xiàn)ENG Juan，LIU Gang, et al. Application of image registration technology in apple harvest robot[J]. Transactions of the CSAE, 2013,29(11): 20-26. (in Chinese)

14 FOIX S, ALENYA G, TORRAS C. Lock-in time-of-flight (ToF) cameras: a survey[J]. IEEE Sensors Journal, 2011, 11(9): 1917-1926.

15 FUCHS S M S. Calibration and registration for precise surface reconstruction with TOF cameras[J]. International Journal of Intelligent Systems Technologies and Applications, 2008, 5(3-4): 274-284.

16 何東健,邵小寧,王丹,等. Kinect獲取植物三維點云數(shù)據(jù)的去噪方法[J/OL]. 農(nóng)業(yè)機械學報, 2016,47(1): 331-336. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20160145&flag=1. DOI：10.6041/j.issn.1000-1298.2016.01.045. HE Dongjian, SHAO Xiaoning, WANG Dan,et al. Denoising method of 3-D point cloud data of plants obtained by Kinect[J/OL]. Transactions of the Chinese Society for Agricultural Machinery,2016, 47(1): 331-336. (in Chinese)

17 皮志明,汪增福. 基于深度圖及支撐分析的圖像分割[J]. 小型微型計算機系統(tǒng), 2014,35(6): 1342-1347. PI Zhiming，WANG Zengfu. Image segmentation based on depth map and support analysis[J]. Journal of Chinese Computer Systems, 2014, 35(6): 1342-1347. (in Chinese)

18 DASZYKOWSKI M, WALCZAK B, MASSART D L. Looking for natural patterns in data: part 1. density-based approach[J]. Chemometrics and Intelligent Laboratory Systems, 2001, 56(2): 83-92.

19 DASZYKOWSKI M, WALCZAK B, MASSART D L. Looking for natural patterns in analytical data. 2. tracing local density with optics[J]. Journal of Chemical Information and Computer Sciences, 2002, 42(3): 500-507.

20 周薇,劉剛,馬曉丹,等. 不同生長時期果樹多源圖像的配準方法研究[J]. 光學學報, 2014, 34(2): 177-183. ZHOU Wei,LIU Gang, MA Xiaodan,et al. Study on multi-image registration of apple tree at different growth stages[J]. Acta Optica Sinica, 2014, 34(2): 177-183. (in Chinese)

21 馬曉丹. 蘋果樹冠層光照分布計算方法研究[D]. 北京: 中國農(nóng)業(yè)大學, 2015. MA Xiaodan. Calculation of light distribution to apple tree canopy[D]. Beijing: China Agricultural University, 2015. (in Chinese)

3D Reconstruction of Strawberry Based on Depth Information

LIU Gang ZHANG Xue ZONG Ze GUO Cailing

(KeyLaboratoryofModernPrecisionAgricultureSystemIntegrationResearch,MinistryofEducation,ChinaAgriculturalUniversity,Beijing100083,China)

With the development of 3D acquisition devices, 3D modeling method emerges in endlessly. In recent years, 3D reconstruction based on real data is focused on scanning and TOF imaging method. The main drawback of the former is that needs extensive man-machine interaction. The latter can transform a wide range of scene depth information into plant 3D point cloud data in a short time. Most plant reconstruction method based on TOF technology is center on brance structure, but for herbaceous plant, leaves are not easy to operate. So a 3D model reconstruction algorithm was presented based on depth information segmentation and clustering for potted and elevated strawberry. Firstly, the algorithm took discrete depth information as a significant reference standard for object segmentation while taking the depth-dimensional image as a global reference standard to extract discrete point cloud through depth stepping. Then, the algorithm used clustering algorithm based on density to filter out random noise, jump-edge noise as well as background noise. By applying Harris algorithm between color image and the intensity image, a robust registration result was got and an index relationship between point cloud and pixel points was found. Ultimately, 3D strawberry canopy morphology with full color information was reconstructed after following all those steps. Experimental results showed that the algorithm had achieved good effects on segmentation clustering and coloring for potted and elevated strawberry leaves. The accuracy of single-leaf length was around 93% whileA-Bline accuracy was close to 97%, which indicated that the reconstructed model accuracy met the requirements of phenotypic parameters extraction. The 3D model can provide a new strategy for picking robot in spatial structure research domain.

strawberry canopy; 3D reconstruction; depth information; point cloud clustering

10.6041/j.issn.1000-1298.2017.04.021

2016-07-26

2016-08-16

國家高技術研究發(fā)展計劃(863計劃)項目(2013AA102406)

劉剛(1966—)，男，教授，博士生導師，主要從事電子信息技術在農(nóng)業(yè)中的應用研究，E-mail： pac@cau.edu.cn

TP391; S24

A

1000-1298(2017)04-0160-06