基于Android的水稻葉片特征參數測量系統

路艷 肖志勇 楊紅云 周瓊 孫玉婷

摘要：【目的】提供基于Android的水稻葉片特征參數測量系統，為農學研究提供精準數據。【方法】系統設計主要分為圖像獲取、圖像預處理和特征參數計算3部分：采用智能手機相機獲取水稻葉片圖像;通過灰度化、二值化和輪廓提取等操作對圖像進行預處理;根據算法計算得到水稻葉片特征參數。【結果】精確度測試中，建立系統獲取顏色分量（R、G、B）均值與各分量實際值的線性擬合模型，其決定系數分別為0.9803、0.9774和0.9805，均方根誤差分別為1.086、1.413和0.8383;葉片幾何參數中，系統獲取水稻葉片長、寬、面積及周長與水稻葉片實際值的均方根誤差分別為0.6469 cm、0.05022 cm、0.5329 cm2和2.412 cm。耗時測試中，采用多部不同配置手機對同一葉片進行測試，圖像預處理及參數計算總時間均在2 s以內。可見，基于Android的水稻葉片特征參數測量系統能快速、準確、便捷地獲取水稻葉片長、寬、面積、周長及顏色等特征數據，在一定程度上實現戶外實地測量，滿足農學研究的需要。【建議】對系統進行進一步優化，降低對外部輔助物的依賴，真正實現操作簡便;增加氮素營養水平診斷算法實現氮素營養水平分類，以快速精準判斷水稻生長營養狀況，實現精確施氮。

關鍵詞： 水稻葉片;特征參數;圖像處理;Android

中圖分類號： S511;S126? ? ? ? ? ? ? ? ? ? ? ? ?文獻標志碼： A 文章編號：2095-1191（2019）03-0669-08

0 引言

【研究意義】葉片是植物進行光合作用、蒸騰作用及合成有機物質的主要器官。水稻90%以上的營養物質來源于葉片光合作用產物，葉片形態是影響植株的主要因素（賀勇等，2008）。水稻生長過程中，根據水稻葉片特征參數建立水稻生長模型，可快速精準地判斷作物生長狀況及其生長過程，進而有效指導施肥，減少病蟲害發生（石春林等，2006;常麗英等，2008;劉宏偉等，2009;劉巖等，2009）。因此，葉片特征參數的獲取對植物生長研究具有重要意義。【前人研究進展】以往研究主要采用傳統方法及葉面積儀獲取葉片幾何參數。傳統方法即使用游標卡尺獲取植物葉片的長和寬，通過網格法、紙重法、回歸方程法獲取葉面積（楊勁峰等，2002;馮冬霞和施生錦，2005;潘鵬亮等，2018）。柏軍華等（2005）發現傳統葉面積測量結果精確度低（除方格法），需對植株進行破壞性測量，且易受葉片類型影響。葉面積儀克服了傳統測量方法的一些缺點，但價格較高，使用過程要求嚴格，對葉片的形狀和大小也有一定要求。目前，針對植物葉片特征參數中顏色參數研究較少，主要通過Adobe PhotoShop軟件獲取，但要求測量者掌握軟件使用技巧。基于Android的圖像處理軟件越來越多，且已廣泛應用于農業領域（姜淑華和孫海波，2006;孫杰，2011）。尚明華等（2011）使用智能手機采集小麥視頻畫面，通過風險分析科學指導小麥生長;路文超等（2015）開發的劍葉角無損測量系統，測量相對誤差為2.7%，能有效測量劍葉角;鄭姣和劉立波（2015）使用智能手機獲取水稻病害圖像，并利用圖像處理技術識別病害類型，準確率可達93.78%。同時，基于Android獲取植物葉片特征參數的研究及應用也越來越多（龔愛平等，2013;周超超，2014;周瑞卿，2014;徐義鑫等，2015;陳玉青等，2017）。其中，龔愛平等（2013）研發的植物面積測量系統測量速度快，但需手動圈出測量葉片，操作較繁瑣;郭文川等（2014）研發的系統可對圖像進行校正處理，精度高，但處理速度慢。【本研究切入點】目前，基于Android獲取葉面積研究較少，單獨獲取葉長、葉寬和葉片顏色特征參數的研究則鮮見報道。【擬解決的關鍵問題】以Android智能相機獲取水稻葉片圖像，使用JNI的方式結合OpenCV進行圖像處理，快速、準確地獲取水稻葉片長、寬、面積等幾何參數及用戶感興趣區域的顏色參數，為水稻建模提供可靠的數據，也為其他農作物數據測量提供一種普適可行的方法。

1 系統設計

1. 1 數據采集及系統開發環境

試驗中的測試葉片全部采集自江西農業大學試驗田。隨機抽取20組水稻葉片進行精度及準確性測試，使用直尺獲取水稻葉片實際長、寬及周長（用線圍繞葉片輪廓，測量線的長度），通過葉面積儀獲取水稻葉片實際面積，與系統獲取幾何參數進行比較。在Windows 7的64位操作系統下使用Android SDK+JDK+Eclipse+ADT搭建基于Android的水稻特征參數識別系統，系統測試手機皆采用市面常見普通安卓手機，試驗常用手機操作系統為Android OS 5.1，16 GB內存，后置攝像頭為1300萬像素。

1. 2 系統測試流程

本研究測量水稻特征參數的基本流程為：（1）選擇拍攝背景。為便于后期處理，選擇與被測物體顏色反差大的白紙板作為拍攝背景。（2）標記參照物。在拍攝背景中劃定一塊已知區域作為參照物，方便后期獲取水稻葉片幾何參數。參照物選用2.5 cm×2.5 cm的黑色正方形，可根據需要對參照物的大小及形狀作相應調整。（3）獲取圖像。要求Android手機的相機能夠清晰拍攝被測物體和參照物，拍照時應避免被測物遮擋參照物。（4）圖像處理。圖像處理主要是指對圖像進行灰度化、二值化等操作，保證圖像對比明顯，利于后期參數獲取。（5）計算葉片顏色參數及幾何參數。根據相應算法計算獲取水稻葉片顏色參數及幾何參數。

2 系統應用及效果分析

2. 1 系統應用

系統主界面。系統主要分為圖像獲取（選擇拍照和相冊）、圖像預處理（灰度化、二值化、獲取葉片輪廓及最小鄰接矩形）和葉片特征參數計算（幾何及顏色參數計算）3部分。

2. 1. 1 獲取圖像 通過MediaStore.ACTION_IMAGE_CAPTURE調用Android手機照相功能拍攝水稻葉片圖像。基于Android相機于大田環境采集水稻葉片圖像，經過反復試驗，提出以下圖像采集標準：（1）選擇拍攝背景及放置水稻葉片。將水稻葉片置于標有黑方塊參照物的白紙板上進行拍照，葉片緊貼拍攝背景，與參照物保持一定距離避免重合即可，葉片可位于參照物兩側，二者底部無需對齊，正面拍被測物體和參照物。（2）設置相機參數。試驗使用相機分辨率設為1280×720，相機分辨率可調，拍攝期間關閉閃光燈減少光照影響。（3）獲取圖像。拍攝時盡量保持相機與拍攝背景平行，使光線在葉片及拍攝背景上均勻分布，避免產生變形或反光，影響后期處理。采用參照物的方式無需規定攝像頭與被測物體間的距離，只需得到被測物體與參照物清晰完整圖像即可。

除獲取實時圖像外，還可獲取相冊圖像。點擊相冊通過Intent.ACTION_GET_PICK即可獲取相冊圖像。

2. 1. 2 圖像預處理 對圖像進行預處理，提取葉片輪廓，計算葉片幾何參數，圖像前期處理過程：（1）OpenCV接收圖像數據。通過JNI將圖像數據傳入OpenCV，OpenCV創建Mat矩陣接收圖像數據。（2）圖像灰度化。使用Imgproc.cvtColor（Mat src，Mat dst，int code，int dstCn）對圖像進行灰度化，code表示源圖像到目標圖像的轉換方式，本研究采用COLOR_BGR2GRAY將彩色圖轉為灰度圖。（3）圖像二值化。采用OpenCV提供的threshold（ ）函數對灰度圖像進行二值化，凸顯目標輪廓，便于后期輪廓提取。（4）獲取葉片輪廓。通過OpenCV提供的findContours（InputOutputArray image，OutputArrayOfArrayscontours，OutputArray hierarchy，int mode，int method，Point offset=Point（ ））獲取葉片輪廓。image必須是單通道圖像矩陣，參數Mode和method分別設為CV_ RETR_LIST和CV_CHAIN_APPROX_SIMPLE。

2. 1. 3 特征參數獲取 特征參數包括基于葉片及參照物輪廓求葉片的幾何參數。使用OpenCV提供的FindContours函數檢測葉片及參照物輪廓，獲取其最小鄰接矩形，計算葉片幾何參數。

（1）葉長、葉寬。調用OpenCV中的minAreaRect（ ）函數繪制輪廓的最小鄰接矩形，基于最小鄰接矩形獲取所有輪廓的長和寬，對輪廓的長和寬進行降序排序，得到第二大和第三大輪廓的長寬比值，篩選出葉片及參照物輪廓，分別獲得它們的長和寬及其在contour集合對應下標。參照物的長和寬是已知參數，通過葉片和參照物的比例公式計算葉片的長和寬。

式中，LRH為葉片實際長度，LCH為葉片輪廓長度，RRH為參照物的實際長度，RCH為參照物輪廓長度。

式中，LRW為葉片實際寬度，LCW為葉片輪廓寬度，RRW為參照物實際寬度，RCW為參照物輪廓寬度。

（2）葉面積。應用OpenCV提供的contourArea（ ）函數獲取葉片及參照物輪廓面積。基于下標，使用contourArea（contours[index]）分別計算葉片和參照物的輪廓面積。已知參照物實際面積，通過葉片和參照物的比例公式計算葉片實際面積：

式中，LRA為葉片實際面積，LCA為葉片輪廓面積，RRA為參照物實際面積，RCA為參照物輪廓面積。

（3）葉片周長。應用OpenCV提供的arcLength（ ）函數獲取葉片及參照物輪廓周長。基于下標，使用arcLength（contours[index]，true）分別計算葉片及參照物的輪廓周長。參照物實際周長為已知參數，通過葉片和參照物的比例公式計算葉片實際周長。

式中，LRL為葉片實際周長，LCL為葉片輪廓周長，RRL為參照物實際周長，RCL為參照物輪廓周長。

（4）顏色參數。通過圖像分割獲取感興趣區域的顏色均值，功能實現主要分為Java層和OpenCV兩部分，最終效果如圖5所示。java層：使用Canvas和Path繪制手勢路徑，圈出感興趣區域并進行計算。通過MyTouchListener類監聽手勢事件，獲取當前坐標并保留原坐標，使用畫筆繪制當前坐標與原坐標之間的直線。Java層僅繪制手勢路徑，圖像分割需通過OpenCV完成。在Java層新建二維數組存放路徑坐標傳入OpenCV進行處理。OpenCV：采用漫水填充法實現圖像分割。漫水填充法原理是將與種子點相連接的區域換成特定顏色。系統采用int floodFill（InputOutputArray image，InputOutputArray mask，Point seedPoint，Scalar newVal，Rect* rect=0，Scalar loDiff=Scalar（ ），Scalar upDiff=Scalar（ ），int flags=4）函數分割圖像。mask為原圖大小的單通道圖像，用于提取感興趣區域，seedPoint為種子點，為漫水填充算法的起始點。將Java層傳入的坐標在mask上用直線連接形成聯通域，取區域內部一個點作為種子點，感興趣區域被填充成黑色，將mask與原圖進行比較運算，相同像素設為0，不同則保留原圖像素，最終實現提取感興趣區域，下方黑色區域所示。使用android.graphics.Bitmap類提供的getPixels（ ）方法獲取分割完成后圖像中每個像素的顏色信息，并通過Color.red（ ）、Color.green（ ）、Color.blue（ ）方法提取每個像素的R、G、B，分別計算其總和，使用變量count計算R、G、B同時不為0的個數，最終得出該區域的R、G、B顏色均值。

R均值計算公式：RA=[RScount]

式中，RA為感興趣區域的R均值，RS為感興趣區域的R值總和，count為感興趣區域R、G、B同時不為0的個數，G均值和B均值同理可得。

2. 2 系統測試效果分析

2. 2. 1 普適性及耗時性測試 為驗證系統的普適性及耗時性，針對同一葉片，采用當前市場幾款主流品牌手機對水稻葉片特征參數測量系統進行測試，測試手機具體信息如表1所示。圖6從左到右依次為魅藍3S、魅藍note2和華為che2-tl00手機的圖像預處理及幾何參數計算結果。結果發現，三者的圖像預處理及特征參數計算結果均一致，說明系統普適性較好。不同手機，CPU主頻越高，處理時間越快，上述手機圖像預處理與參數計算總時間均在2 s以內。

2. 2. 2 幾何參數準確度測試 采用國際上常用的均方根誤差（Root Mean Square Error，RMSE）方法驗證系統的準確性，公式如下：

RMSE=[i=1n（OBSi-SLMi）2n]

其中，OBSi為觀測值，SIMi為模擬值，n為樣本容量。

對系統獲取參數值與實測值間的符合度進行統計分析。RMSE值越小，表明系統獲取參數與實際測量值的一致性越好，系統獲取方法越準確、可靠。

為驗證系統準確性，將系統獲取參數值與傳統方法及葉面積儀獲取的幾何參數進行比較。使用matlab建立系統預測值與實測值回歸擬合模型，以擬合精度評估參數RMSE及R2評估系統獲取幾何參數的準確性。葉片長度線性擬合模型與葉片面積線性擬合模型的決定系數分別為0.9887和0.9981，RMSE分別為0.6469 cm和0.5329 cm2。葉片寬度線性擬合模型的決定系數為0.7605，RMSE為0.05022 cm。葉片周長線性擬合模型的決定系數為0.9456，RMSE為2.412 cm。通過決定系數可發現系統獲取葉片幾何參數與葉片實際幾何參數的數據模型擬合較好，測量結果準確性高;但通過RMSE發現系統獲取周長與葉片實際周長誤差較大，其原因可能是人工采用線性模擬葉片輪廓獲取葉片周長時，產生了人工誤差，致使系統模擬值與實際值的誤差較大。相較于傳統測量方法及葉面積儀，本研究中的系統通過智能手機相機獲取水稻圖片即可獲取水稻葉片幾何參數，無需購置專門的測量儀器，操作簡單。

2. 2. 3 顏色參數準確度測試 除水稻葉片幾何參數外，水稻顏色參數也能很好地反映水稻生長情況（孫愛珍等，2017）。以往主要采用掃描儀獲取葉片離體圖像，通過Matlab、PhotoShop等軟件對圖片進行處理獲取葉片顏色參數（劉偉，2007），但需對葉片進行破壞，影響作物正常生長，且對操作者的專業知識要求較高，不利于推廣。本研究中操作者只需使用智能手機拍攝水稻葉片，手動圈取感興趣區域，系統即會自動獲取圈取部分的R、G、B均值，操作簡單，無需破壞植株。

為驗證系統獲取顏色參數的準確性，將系統得到感興趣區域的R、G、B均值與Adobe PhotoShop CS6得到的該部分結果進行誤差分析。驗證結果如圖8所示，即系統獲取顏色均值與Adobe PhotoShop CS6獲取顏色均值的R、G、B線性擬合模型，R、G、B值線性擬合模型的決定系數分別為0.9803、0.9774和0.9805，RMSE分別為1.086、1.413和0.8383，表明系統獲取R、G、B值與PhotoShop獲取R、G、B值間有較高的一致性，具有較好的數據處理和預測效果。

3 討論

測量葉片特征參數及分析葉片外部形態，對研究作物的栽培管理有重要指導作用（姚運生等，2000）。基于Android的水稻葉片特征參數測量系統利用JNI結合OpenCV對Android智能手機獲取圖像進行自動化處理，在獲取水稻葉片幾何參數中無需用戶進行操作。郭文川等（2014）研究設計基于Android手機快速無損獲取植物葉片面積，相對誤差在-2.9%～2.7%，精度高，但處理速度慢，系統方法中圖像預處理及參數計算總時間在2 s以內。楊紅云等（2015）運用計算機圖像視覺技術獲取水稻幾何參數，與實際數值比較葉片面積計算誤差小于5%，長寬誤差小于0.67%，相較手工測量方法，更加快速、便捷，但須購置專業相機獲取水稻圖片，成本較高。基于Android智能手機快速、無損獲取水稻葉片特征參數，可用手機自帶相機獲取水稻葉片圖像，成本低。

目前，基于Android獲取葉片幾何參數大多情況下僅獲取葉面積，而單獨獲取長、寬、周長的研究較少，獲取植物葉片感興趣區域顏色參數的研究也鮮見報道。徐義鑫等（2015）在獲取植物葉面積的同時，獲取了植物葉片長、寬、周長等幾何參數，測量效果較好，但須對植物葉片進行破壞，對植物后期研究造成一定影響，本研究無需對水稻葉片進行破壞即可實現獲取水稻葉片特征參數。將水稻葉片實際特征參數與本研究中系統獲取的特征參數進行擬合，建立線性回歸擬合模型，水稻葉片長、寬、面積及周長的RMSE分別為0.6469 cm、0.05022 cm、0.5329 cm2和2.412 cm，系統獲取顏色與Adobe Photoshop CS6獲取顏色均值的R、G、B線性擬合模型的決定系數分別為0.9803、0.9774和0.9805，RMSE分別為1.086、1.413和0.8383。說明基于智能手機獲取水稻葉片特征參數，可在一定程度上實現戶外實地測量，其精度能滿足農學研究的需要;但試驗需借助拍攝背景及參照物，要求拍照時葉片在白紙板上盡量平整。今后將就如何降低試驗要求，更加方便快捷、精確地獲取所需數據，使得測量系統得到進一步完善和應用推廣。

4 建議

4. 1 優化測量系統

目前，測量水稻葉片幾何參數仍需借助拍攝背景及參照物，因此需進一步改進系統，降低對外部輔助物的依賴，降低試驗要求，真正實現簡便操作。后期將采用B-Spline算法實現手勢獲取水稻葉片幾何參數，在保證準確獲取水稻葉片特征參數的前提下盡量簡化試驗步驟。

4. 2 增加氮素營養水平診斷算法

精確施氮能夠減少病蟲害的發生，提高水稻產量。水稻特征參數對水稻氮素營養水平分類具有重要研究意義，后期系統將引入BP神經網絡、概率神經網絡等分類算法，建立氮素營養水平診斷模型，實現氮素營養水平分類，從而實現快速精準判斷水稻生長營養狀況，精確指導施氮。

參考文獻：

柏軍華，王克如，初振東，陳兵，李少昆. 2005. 葉面積測定方法的比較研究[J]. 石河子大學學報（自然科學版），23（2）： 216-218. [Bo J H，Wang K R，Chu Z D，Chen B，Li S K. 2005. Comparative study on the measure methods of the leaf area[J]. Journal of Shihezi University（Natural Science），23（2）： 216-218.]

常麗英，顧東祥，張文宇，楊杰，曹衛星，朱艷. 2008. 水稻葉片伸長過程的模擬模型[J]. 作物學報，34（2）： 311-317. [Chang L Y，Gu D X，Zhang W Y，Yang J，Cao W X，Zhu Y. 2008. A simulation model of leaf elongation process in rice[J]. Acta Agronomica Sinica，34（2）： 311-317.]

陳玉青，楊瑋，李民贊，孫紅. 2017. 基于Android手機平臺的冬小麥葉面積指數快速測量系統[J]. 農業機械學報，48（S）： 123-128. [Chen Y Q，Yang W，Li M Z，Sun H. 2017. Measurement system of winter wheat LAI based on Android mobile platform[J]. Transactions of the Chinese Society for Agricultural Machinery，48（S）： 123-128.]

馮冬霞，施生錦. 2005. 葉面積測定方法的研究效果初報[J]. 中國農學通報，21（6）： 150-152. [Feng D X，Shi S J. 2005. Research on night measurement methods of leaf area[J]. Chinese Agricultural Science Bulletin，21（6）： 150-152.]

龔愛平，吳武豪，裘正軍，何勇. 2013. 基于Android系統手機的葉面積測量方法[J]. 農業機械學報，44（9）： 203-208. [Gong A P，Wu W H，Qiu Z J，He Y. 2013. Leaf area measurement using Android os mobile phone[J]. Transa-ctions of the Chinese Society for Agricultural Machinery，44（9）： 203-208.]

郭文川，周超超，韓文霆. 2014. 基于Android手機的植物葉片面積快速無損測量系統[J]. 農業機械學報，45（1）： 275-280. [Guo W C，Zhou C C，Han W T. 2014. Rapid and non-destructive measurement system for plant leaf area based on Android mobile phone[J]. Transactions of the Chinese Society for Agricultural Machinery，45（1）： 275-280.]

賀勇，孫煥良，孟桂元. 2008. 水稻葉片形態研究進展[J]. 作物研究，22（5）： 378-380. [He Y，Sun H L，Meng G Y. 2008. Research in leaf morphology of rice[J]. Crop Research，22（5）： 378-380.]

姜淑華，孫海波. 2006. 計算機圖像技術在農業工程中的應用[J]. 農機化研究，（11）： 177-178. [Jiang S H，Sun H B. 2006. Application of computer image technology in agricultural engineering[J]. Journal of Agricultural Mechanization Research，（11）： 177-178.]

劉宏偉，吳斌，張紅英，李芳，邵延華. 2009. 水稻葉片幾何模型及其可視化研究[J]. 計算機工程，35（23）： 263-264. [Liu H W，Wu B，Zhang H Y，Li F，Shao Y H. 2009. Research on rice leaf geometric model and its visualization[J]. Computer Engineering，35（23）： 263-264.]

劉偉. 2007. 基于葉片顏色特征的棉花部分生理指標的估測[D]. 北京：中國農業科學院. [Liu W. 2007. Estimation of some physiological indices of cotton based on leaf co-lor characteristic[D]. Beijing： Chinese Academy of Agricultural Sciences.]

劉巖，陸建飛，曹宏鑫，石春林，劉永霞，朱大威，孫金英，岳延濱，魏秀芳，田平平，包太林. 2009. 基于生物量的水稻葉片主要幾何屬性模型研究[J]. 中國農業科學，42（11）： 4093-4099. [Liu Y，Lu J F，Cao H X，Shi C L，Liu Y X，Zhu D W，Sun J Y，Yue Y B，Wei X F，Tian P P，Bao T L. 2009. Main geometrical parameter models of rice blade based on biomass[J]. Scientia Agricultura Sinica，42（11）： 4093-4099.]

路文超，趙勇，羅斌，潘大宇，王成. 2015. 基于Android手機的水稻劍葉角測量系統[J]. 農業機械學報，46（11）： 296-301. [Lu W C，Zhao Y，Luo B，Pan D Y，Wang C. 2015. Measurement system of rice flag leaf angle based on Android smart phone[J]. Transactions of the Chinese Socie-ty for Agricultural Machinery，46（11）： 296-301.]

潘鵬亮，王國君，張方梅，劉紅敏，史洪中，尹健. 2018. 利用幾何形態測量學評估茶尺蠖危害茶葉嚴重度的可行性分析[J]. 河南農業科學，47（5）： 62-68. [Pan P L，Wang G J，Zhang F M，Liu H M，Shi H Z，Yin J. 2018. Evaluation of leaf-damaged severity from tea geometrid by geometric morphometrics[J]. Journal of Henan Agricultural Sciences，47（5）： 62-68.]

尚明華，秦磊磊，王風云，劉淑云，張曉艷. 2011. 基于Android智能手機的小麥生產風險信息采集系統[J]. 農業工程學報，27（5）： 178-182. [Shang M H，Qin L L，Wang F Y，Liu S Y，Zhang X Y. 2011. Information collection system of wheat production risk based on Android smartphone[J]. Transactions of the Chinese Society of Agricultural Engineering，27（5）： 178-182.]

石春林，朱艷，曹衛星. 2006. 水稻葉片幾何參數的模擬分析[J]. 中國農業科學，39（5）： 910-915. [Shi C L，Zhu Y，Cao W X. 2006. A simulation analysis on geometrical parameters of rice leaf blade[J]. Scientia Agricultura Sinica，39（5）： 910-915.]

孫愛珍，楊紅云，何火嬌. 2017. 基于SPAD值的水稻葉色變化過程可視化模擬[J]. 計算機工程與應用，53（11）： 233-236. [Sun A Z，Yang H Y，He H J. 2017. Visual simulation of rice leaf color change process based on SPAD va-lue[J]. Computer Engineering and Applications，53（11）： 233-236.]

孫杰. 2011. 基于Android平臺圖像處理算法的研究與實現[D]. 北京：北京郵電大學. [Sun J. 2011. Research and implementation of algorithms for image processing based on Android[D]. Beijing：Beijing University of Posts and Telecommunications.]

徐義鑫，李鳳菊，王建春，花登峰，張雪飛，呂雄杰，錢春陽. 2015. 基于OpenCV的Android手機植物葉片幾何參數測量系統[J]. 中國農學通報，31（35）： 236-244. [Xu Y X，Li F J，Wang J C，Hua D F，Zhang X F，Lü X J，Qian C Y. 2015. OpenCV-based measurement system for plant leaf geometry parameters using Android mobile phone[J]. Chinese Agricultural Science Bulletin，31（35）： 236-244.]

楊紅云，孫愛珍，何火嬌. 2015. 水稻葉片幾何參數圖像視覺測量方法研究[J]. 湖北農業科學，54（17）： 4317-4320. [Yang H Y，Sun A Z，He H J. 2015. Study on the geometry parameter of rice leaf measuring method using image vision technology[J]. Hubei Agricultural Sciences，54（17）：4317-4320.]

楊勁峰，陳清，韓曉日，李曉林. 2002. 數字圖像處理技術在蔬菜葉面積測量中的應用[J]. 農業工程學報，18（4）： 155-158. [Yang J F，Chen Q，Han X R，Li X L. 2002. Measurement of vegetable leaf area using digital image processing techniques[J]. Transactions of the Chinese Society of Agricultural Engineering，18（4）： 155-158.]

姚運生，羅新蘭，王秉昆，戴俊英. 2000. 玉米植株形態生長的模擬[J]. 玉米科學，8（S1）： 30-32. [Yao Y S，Luo X L，Wang B K，Dai J Y. 2000. Studies on simulation of corn morphology growth[J]. Journal of Maize Sciences，8（S1）： 30-32.]

鄭姣，劉立波. 2015. 基于Android的水稻病害圖像識別系統設計與應用[J]. 計算機工程與科學，37（7）： 1366-1371. [Zheng J，Liu L B. 2015. Design and application of rice disease image recognition system based on Android[J]. Computer Engineering and Science，37（7）： 1366-1371.]

周超超. 2014. 基于Android手機平臺的玉米葉片含氮量檢測方法研究[D]. 楊凌：西北農林科技大學. [Zhou C C. 2014. Study on detection method for maize leaf nitrogen content based on Android mobile phone platform[D]. Yangling： Northwest A & F University.]

周瑞卿. 2014. 基于Android手機的植物葉片面積快速無損測量系統[J]. 中國科技縱橫，（16）： 13. [Zhou R Q. 2014. Rapid and non-destructive measurement system of plant leaf area based on Android phone[J]. China Science & Technology Overview，（16）： 13-13.]

（責任編輯 鄧慧靈）