機器視覺在設施育苗作物生長監測中的研究與應用

楊斯 黃鋁文 張馨

摘要：機器視覺是利用機器代替人眼來對目標物做模式識別、測量與判斷的一項綜合技術，其在農業各領域中的研究與應用發展迅速。從作物育苗的特性、機器視覺在苗期管理的作用、苗期作物視覺信息采集設備及葉片提取方法的發展3個方面分析了設施育苗對基于機器視覺的苗期作物監測的需求;總結了苗期作物視覺信息的主流獲取技術，即成像傳感器的成像技術、多傳感器圖像融合技術、三維重建技術的特點;回顧了機器視覺技術近年來在國內外苗期作物中的應用情況，從苗期作物關鍵生長參數監測檢測方面進行綜述，分析、對比、總結苗期作物關鍵生長參數的提取方法，最后概述我國現階段機器視覺技術在苗期作物的應用中主要存在的問題以及發展前景。

關鍵詞：機器視覺;農業;作物苗期;生長參數;設施育苗;作物生長監測

機器視覺是利用機器代替人眼來對目標物做模式識別、測量與判斷等的一項綜合技術。機器視覺在農業生產中應用十分廣泛，在農作物生長過程的監測[1-2]、農產品的質量分級[3]、病蟲草害的識別與控制[4]、采摘農業果實系統[5-6]等方面均有研究與應用。典型的機器視覺系統結構見圖1[7]。

隨著機器視覺技術、計算機技術的成熟，其在育苗監測中的研究與應用得到廣泛開展。機器視覺對苗期作物生長信息的檢測主要是及時采集苗期作物圖形圖像信息，通過圖形圖像處理技術提取出與苗期作物營養狀況相關的參數信息，能夠為判斷苗期作物生長狀況提供決策支持。實現了苗期作物生長狀態的無損檢測，且具有測量速度快，測量結果誤差低，節省大量人力、物力等優勢。目前，機器視覺在作物生長過程中的研究與應用主要集中在葉片面積、葉色、葉片溫度、葉片形態、植株高度等關鍵生長參數方面和作物營養信息檢測等方面[8]，并取得了一定的研究成果。

農作物苗期生長是一個動態的、復雜的生理生化及代謝過程[1]，苗期作物的生長發育將直接影響到作物的生物產量、經濟產量、營養品質及其安全性[9]。農作物苗期的生長監測對于工廠化育苗、種苗質量分級等都具有指導作用[9]。

本研究先分析基于機器視覺技術苗期作物關鍵生長參數監測的需求，然后總結概括苗期作物視覺信息獲取技術優劣，依次分析苗期作物關鍵生長參數提取方法的優缺點和創新點，最后總結現階段機器視覺技術在苗期作物生長檢測上存在的問題及未來的研究方向。

1 基于機器視覺苗期作物監測需求分析

1.1 作物育苗的特性

作物育苗的目的是為了培育出優質種苗，進而實現作物早播種，早收獲，延長作物的供應期，并提高農產品的產量和品質。育苗產業蓬勃發展，可以有效地解決技術與大田的對接，且有利于育苗戶與購苗戶的互利共贏。育苗是作物生產中的重要環節，正確使用優質種子培育出高質量的種苗是獲得優質、高產、高效益產品的保障，因此培育出高質量種苗是實現作物高效生產的關鍵。培育出高質量幼苗與種子質量、育苗方式以及苗期管理有著直接和間接的關系，其中在種子質量、育苗方式確定的條件下，苗期管理對培育出高質量種苗起著關鍵性作用。

農業生產上認為好種子出好苗，好苗子促高產，對于好苗的評判標準因沒有統一的質量規范而良莠不齊。且對種苗進行農產品質量方面的分等分級，收購的種苗好壞不一，阻礙了優質優價的實現和優質農產品的生產[10]。因此，對種苗進行農產品質量分等分級在推進農業現代化建設、提高種苗市場競爭力方面均有重大意義[11]。

1.2 機器視覺在苗期管理的作用

機器視覺的苗期管理是指將計算機學科的圖形圖像處理和模式識別理論與農業工程學科的農產品品質檢測與分級理論相結合[3]。利用圖形圖像處理技術與模式識別技術提取出苗期作物的關鍵生長參數信息，根據提取的信息評估其生長狀態是否良好，及時對作物是否須要澆水、施肥、噴灑農藥等農事操作做出決策;在成苗期可根據規定的種苗質量等級標準，應用機器視覺技術提取出苗期作物的關鍵生長參數，進而對苗期作物進行質量分等分級，對農產品質量分級的發展、農產品市場經濟具有重大意義。

1.3 苗期作物對視覺信息采集設備的需求

植物葉片的圖像分析是農業自動化的重要任務之一，因為植物葉片含有豐富的植物信息。自動檢測個別葉片是實現植物生長檢測的根本任務。由于植物葉片在自然條件下會顯示出各種變化姿勢和復雜的形狀，因此單個葉片的分割是一項具有挑戰性的任務。植物葉片分割在過去幾十年中得到廣泛的研究[12]。

國內外研究員提出了許多感測技術來獲取植物信息，如圖像相機，紅外相機，光譜相機等。在初始階段，植物葉片分割主要是通過使用2D分割方法進行的，可以成功地從簡單自然背景中提取。然而，這些方法很難識別出遮擋的葉片，并且葉片可能對照明變化敏感。為了處理遮擋植物葉片的檢測，提出了包含葉片形狀先驗知識的可變形模型，從復雜的背景中分割出個體葉片。開發了參數化可變形模型，以葉片頂端為基礎識別雜草信息。最近，使用活動形狀模型（ASM）來檢測具有先驗知識的現場條件下的遮擋葉，活動形狀模型在雜草鑒定中表現出高精度。

最近，由于成像系統的快速發展和計算機計算性能的提高而提出了植物葉片的三維分割。研究人員開發各種成像系統以獲得植物3D圖像，例如立體相機和激光掃描儀。從多個視圖（例如立體視覺）的三維重建是獲得研究對象準確3D信息的成功技術之一。Quan等開發了一種基于圖像的植物建模系統，通過從植物多視角的一組2D圖像重建植物的3D模型[13]。該方法從不同角度拍攝的30多張2D圖像中，通過圖像融合技術得到植物的點云數據，提出了一種集3D和2D信息的圖為基礎的分割方案，用于分割葉片，并通過擬合葉片模型重建植物葉片的三維結構。由于收集植物的多個視圖應在受控條件下進行，因此該方法尚不適用于田間農業應用。

通過使用3D激光掃描儀獲得植物的高精度3D數據。利用激光雷達（lidar）傳感器檢測作物田間的單株植物是為農業機器人導航而開發的。基于由激光掃描儀獲得的點云實現植物表型檢測，并且通過使用激光掃描數據對葉和莖等器官進行分類。此外，Klose等開發了飛行時間（ToF）相機，用于測量物體的精確3D信息，并已被應用于植物的3D分析[14]。通過使用ToF相機研究作物關鍵生長參數的提取方法，通過應用基于圖的分割、深度數據進行單個植物葉片的分割。此外，通過在室內和室外條件下與立體相機進行比較，評估了使用ToF相機進行農業應用的適用性，且ToF相機與立體視覺相機的精度相當。

雖然立體視覺和激光掃描儀可以提供植物的高精度3D數據，但由于激光掃描儀價格非常高，農業實踐不可負擔。ToF相機受到研究者的青睞，大多數ToF相機提供了低分辨率的深度圖像（例如CamCube）。最近開發出低成本彩色深度（RGB-D）相機，比ToF相機具有更高圖像分辨率的3D成像（例如Kinect）。該RGB-D相機在3D重建、對象識別等應用中已被廣泛使用。與高精度激光掃描儀相比，低成本的RGB-D相機在3D植物表型研究中通過使用深度數據重建植物的3D結構[15]，并展示了自動化農業應用的可能性。此外，Chéné等進行了使用RGB-D相機的3D植物表型的室內測試，使用了深度數據進行葉片分割，并證明了基于RGB-D相機的植物監測的可行性[16]。

在前人的研究中，RGB-D相機在植物圖形圖像分析中表現出很高的性能。RGB-D相機可以產生實時深度數據，與激光和立體相機相比，3D映射的計算成本較低，因此 RGB-D 相機性價比高，基本滿足苗期作物對視覺信息采集設備的需求。

2 苗期作物視覺信息獲取技術

2.1 成像技術

現代成像技術具有高分辨率，并允許多維和多參數數據的可視化。成像技術可用于量化作物相關生長、產量等復雜性狀，成像傳感器的完善使得成像技術更容易地實現實時監測作物生長。目前主要的成像技術有可見光成像、熒光成像、熱成像、近紅外成像、高光譜成像等。不同成像技術在作物生長監測中的應用見表1。

2.2 多傳感器圖像融合技術

由于單一傳感器獲取的作物生長參數數據信息較為有限，在實際研究與應用中，難以滿足需求，利用多傳感器圖像融合技術可以獲取更多的信息。在目標對象定位與識別的過程中，獲取多源信息，并通過一定的算法將這些獲取的信息進行有效的融合，將會顯著提高目標對象的識別性能。圖2為標準的圖像融合技術的系統框架。

2.3 三維重建技術

傳統的三維重建技術主要是在被掃描的目標在靜止狀態下進行掃描，三維掃描設備十分昂貴。隨著計算機硬件大規模計算能力的快速發展，尤其是中央處理器（GPU）和分布式計算點的快速發展，使得實時高效的解決方案成為可能。基于圖像的三維重建和基于深度相機的三維重建為目前主流的三維重建的2種方法（圖3）。其中基于圖像的三維重建又分為基于單幅圖像和基于圖像序列的三維重建，該重建方法需要大量的后期計算與處理，且得到的模型精度較低。基于深度相機的三維重建技術可以獲取深度圖像數據，重建的難度大大降低。

3 作物關鍵生長參數提取方法的研究進展

3.1 葉片數

作物苗期的葉片數變化較為明顯，人工的方法絕大部分采用的是人眼目測、人工計數，雖然測量的結果比較精確，對于少量植株可行，但是對于植株群體則需要大量的人力和時間，也無法在植物的整個生長過程中實現持續的監測。

運用機器視覺的技術，是對植物的葉片進行葉片分割等相關的圖形圖像處理，進而得出葉片數。Chéné等對1株植物的深度圖選取最小區域進行葉片分割，結合背景中的顏色標記，得到每張葉片的高度順序，進而分割出每張葉片（圖4）[16]。

3.2 葉顏色

顏色是葉的一個主要特征，有經驗的種植者能夠根據葉的顏色特征判斷植物的健康狀況，決定是否需要澆水、施肥、噴灑農藥。植物生長智能檢測中的關鍵步驟是提取植物葉顏色特征。種植者的判斷依賴經驗，可以借助機器視覺的圖像處理、模式識別、數據庫等理論和技術實現自動化、智能化地實時判斷;實現對作物生長的智能監控。其中，圖像處理的應用能夠為決策提供重要的數據支持。

葉顏色的測量隨著機器視覺技術的引入而變得簡單易行，研究者可以根據自己的研究需求提取不同顏色空間的值。夏永泉等為了提高病斑圖像的分割精度，提出了一種在色 調- 飽和度-強度（hue-saturation-intensity，簡稱HIS）顏色空間中植物葉片病斑提取的方法，并證明，基于HIS顏色空間的植物葉片病斑提取方法是有效可行的[53]。張凱兵等提出一種基于HSV顏色空間的非均勻直方圖量化和組合多個支撐向量機分類器的智能化油菜缺素分析與診斷方法（圖5），結果表明可以較準確地判別常見油菜的缺素類型，對5種缺素的總體識別率達到93%，為數字化和智能化的油菜營養分析與診斷提供了一條有效途徑[54]。

3.3 葉面積

葉片的總面積是農作物產量和品質的評價指標[55]，其面積大小是遺傳育種、植物栽培等方面研究經常考慮的內容，也是評價環境因子效應的重要生長指標。因此建立方便、準確的葉面積測定方法，對植物苗期選育出健康苗，并針對不同健康程度的種苗做出相應的栽培規劃具有重要意義。

傳統的葉面積測量的方法較多，葉的質量估計葉面積法和方格法均須要將硫酸紙（或掃描紙）沿葉片邊緣繪出葉樣，

或者掃描儀掃描出葉片形狀，以上方法雖然能夠較為準確地估算出葉面積，但須要將葉片采摘下來，實際上也是一種破壞性測量，且不能忽略人為帶來的誤差，以及擴展到大量葉面積測量，其工作量極其繁重。艾軍等利用回歸方程法，通過測得的北五味子葉寬和葉長預測出葉面積，該方法精確度較高、快速方便，可活體測量實現無損檢測，但依然不能忽略人為帶來的誤差，以及擴展到大量葉面積的測量時，工作量極其繁重[56]。

徐貴力等提出參考物法實現葉面積的無損測量，設計了一個活體葉片采樣密閉光照箱，方便可行且精度和效率高，可在不影響植物生長的條件下進行活體葉片面積的測量，但是須將植物葉片伸入光照箱中才可以測量，缺乏靈活性[57]。進口葉面積測定儀，雖然準確簡單快速，但價格昂貴，且需要人工測量，葉面積測定儀見圖6。李長纓等利用機器視覺系統對黃瓜幼苗生長進行無損監測，并計算葉冠投影面積，但無法解決葉片生長過程中出現的多葉片重疊遮擋的技術難點[2]。Fanourakis等研究了2種雙子葉植物（油菜、番茄）和2種單子葉植物（玉米、大麥），通過將植物每旋轉10°獲取1次數據集，旋轉1周獲取17次，得出多視角數據集，有助于解決植物葉片自我重疊遮擋給植物葉面積測量帶來的技術難點，圖7-A表示光幕陣列（LC）正在掃描一排植物，光柵、移動裝置在2個垂直方向上發射和接收光束;圖7-B表示一排油菜籽植物的植物輪廓，綠色表示分割植物輪廓與花盆輪廓分離的步驟;圖7-C至圖7-E為估計不同大小的番茄植物的最大株高[58]。

二維成像技術所得到的目標葉片面積精度將受限于葉片的彎曲度與卷曲度，隨著3D信息捕獲設備的廣泛使用，獲得了植物葉片點云數據，進而進行三角網格化處理，如圖8所示，根據海倫公式計算出目標葉片面積的方法得到普遍的認可。王可提出一種自然生長狀態下原位植株葉片三維信息獲取及三維重建方法，針對已獲取的原位植物葉片的三維可視化模型，根據海倫公式進行葉片表面積計算，三維重建的方法可以較為精確地測量彎曲或卷曲的葉片面積[59]。

3.4 葉溫度

溫度測量的方法多種多樣，葉片溫度是研究植物光合作用、蒸騰作用以及生長發育等各項生命過程的關鍵參數。在實踐中，具體的測量手段較多，各有特點。有研究人員使用紅外測溫儀，通過接收植物體表面（很多情況下是葉片）發射出的紅外線，在一定的精度范圍內經數據處理得到植物的體溫數值。這是一種與植物體非接觸式的測量體溫的方法。更進一步的，Oerke等運用紅外熱像儀，把植物葉片發出的紅外線信號轉變成圖像，從而可以直觀地看到植物葉片上溫度的分布情況（圖9）[60]。Chéné等結合熱成像相機，直觀地看到植物葉片上溫度的分布情況并判斷出病原體葉片，并結合深度相機將含有病原體的葉片分割出來仔細研究，圖10-A至圖10-C分別為同一蘋果樹的RGB圖、深度圖、熱成像圖，蘋果樹在3個葉片上含有蘋果痂病病原體，圖10-D至圖10-F為從蘋果樹的熱成像圖結合深度圖分割出3片含有病原體的葉片[16]。

除了上述利用紅外技術來測量植物葉片溫度外，也可以用接觸式的熱電偶測溫儀來測量。其原理在于，植物體溫度被熱電偶傳感器探測到后，轉變為電信號后再顯示為具體的溫度數值。為了更好地測量植物葉片的溫度，陶冶等設計了傳輸路徑的熱電偶測量裝置（圖11），取得了一定效果[61]。

3.5 株高

植株高度是植物形態特征中的一項指標，可以反映植物生長速度，也是農業機械自動控制系統和各種農業機器研究應用需要的一個重要信息，如聯合收割機割臺高度自動調整系統、對耙噴藥的位置控制系統，均須獲取植物生長的高度信息。農業在其生產過程中，通過對植物的株高進行監測，在種苗期能夠篩選出健康苗;在生長期能夠及時并準確地了解其生長信息，并且能夠為植物田間的管理策略提供相關依據，便于田間管理者采取合適的方法來保證植物的健康生長，對其最終的高穩產賦予了非常重要的意義。

株高的人工測量方法主要包括利用游標卡尺、卷尺等工具進行接觸式測量，雖然測量的結果比較精確，但是耗費了大量的人力和時間，在大量的作物群體中株高測量無法迅速獲得較為精確的結果，且無法在作物的整個生長過程中實現株高的持續監測。株高的自動化無損測量主要以非接觸式測量為主，是以光電、電磁等技術為基礎，在不直接接觸被測物體的情況下，得到物體表面參數信息，主要包括被動式測高和主動式測高[62]。被動式測高主要利用機器視覺技術實現，即通過圖像傳感器獲取圖像并轉換成數字圖像，模擬人眼的判別準則，利用計算機對圖像進行處理、分析和判別，最終提取被測物體的特征，實現對被測目標的實時監測、控制。在計算機技術的快速發展下，計算機視覺、圖像處理等技術在植物生長信息獲取方面應用廣泛。劉洪見等利用圖像處理技術通過提取出玉米的株型骨架，進而計算出玉米植株株高[63]。齊華山在實驗室環境下通過圖像處理技術，采用線性標定法，實現了單株玉米植株的株高的機器測量[64]。Zhang等以50個辣椒缽苗為試驗材料，探索基于機器視覺技術快速采集盆苗苗高的方法[65]。王傳宇等利用雙目視覺系統實現了重建玉米3D株形，通過矩陣投影得出葉片邊緣點的三維坐標，進而得到葉片高度，葉即株高[66]。呂朝輝等將計算機立體視覺結合圖像處理技術，進行三維重建，進而實現測定秧苗的直立度，結果與人工測量方法無顯著差異[67]。

主動式測高主要利用聲波、光波的反射特性，實現距離的測量。李霞等基于超聲波技術研究設計了一套可適時調節棉花打頂高度的系統，此系統簡單、操縱方便，實現了棉株高度的自動測量[68]。高巍等利用超聲波傳感器、單片機等自動控制技術研制出一種植物高度自動測量裝置，對帶莖稈的水稻、綠色植物進行高度測量，其測量誤差不大于6.8%[69]。上述2種方法均是使用超聲波技術，獲取的作物株高，但是測量對象單一，1次實驗只能測量1株作物的株高。還有一種方法是ToF主動式測高，Hmmerle等研究了一種直接從單次播種活動中捕獲的完整種植玉米植株的數據得出作物高度的方法，將基于與地面激光掃描（TLS）得到的數據與低成本的3D攝像機Kinect V2收集的數據進行全面比較，得出低成本3D相機可以取代昂貴的激光掃描儀器直接獲取作物高度，從而提高農業效率和生產率，這樣可以節省時間和成本（圖12）[70]。Chéné等應用深度相機，對一株植物的深度圖選取最小區域進行葉片分割，結合背景中的顏色標記，得到每張葉片的高度順序，株高即是離深度相機最近的像素點與地面的距離[16]。ToF主動式測高克服了超聲波主動式測高1次實驗只能測1個目標對象以及測量儀器搭建復雜、普適性弱等缺點，為植物株高測量提供了方便快捷、簡易可靠的方法。

3.6 其他生長參數

3.6.1 葉曲率 每張葉片可以被建模為具有確定角度的2個連接的平面，可以根據向量（u→，v→）的夾角和三角函數的知識計算葉曲率（圖13）。圖13-B中白色箭頭表示成對的向量（u→，v→）形成葉片的2個平面。向量的夾角見表2。

3.6.2 葉片的方向 如果葉片是平面的，計算葉片的曲率就沒有意義了，植物上葉片的方向決定植物對其光合作用截斷光的能力，并因此確定其對其他物種或品種的競爭力。平面

葉片的方向可以通過垂直于平面的單位向量來評估，由2個角度定義：（1）方位角，即法向量在水平面上的投影和北方向之間的角度;（2）天頂角，即法向量和垂直之間的角度（圖14）[16]。

3.6.3 生長速率 Aksoy等使用紅外立體圖像序列建立煙草植物的葉生長，以自動和非侵入性方式，通過預處理、莖葉分割和莖葉跟蹤（圖15），成功地測試了顯示煙草植物幼苗生長大約30 d的紅外圖像序列的方法，測量相關的植物生長參數，葉生長速率，該方法的未來應用包括植物生長監測，可用于優化溫室中的植物生產[71]。

4 存在問題與發展方向

4.1 存在問題

隨著傳感器技術、機器視覺技術的快速發展，國內外對于苗期作物生長參數檢測方法的技術研究有了很大的提升。但作物的苗期生長過程是一個復雜、動態的生理生化的代謝過程，在研究應用過程中存在以下問題：（1）傳統傳感器技術、機器視覺技術對作物的生長檢測局限于單株成年期作物的生長檢測，忽略了作物的關鍵生長期——苗期，作物群體生長檢測方法的研究。（2）傳統苗期作物的生長檢測大多局限于單一信息的獲取及分析，未能對苗期作物進行全面的生長檢測，同時造成視覺信息的浪費。（3）測量環境的搭建復雜，機器視覺技術應用在作物生長檢測的實效性較弱，阻礙了作物生長的實時監測。

4.2 發展方向

針對目前行業中存在的問題，苗期作物關鍵生長參數的檢測要朝著低成本、高穩定性、高可靠性，低操作性、綜合參數監測的方向發展。（1）從單一數據的獲取及分析轉移到多源、多尺度數據的獲取;苗期作物長勢綜合評估;自動化苗期作物質量分等分級等將是未來的研究重點。（2）未來將沿著研制便攜式和專用型的作物形態測量和監測設備的方向發展，以及沿著單株作物形態的自動化檢測到作物群體的自動化檢測的方向發展。（3）將沿著苗期作物生長參數的檢測向作物全生育期生長監測的方向發展。（4）今后的發展趨勢將是苗期作物的生長建模、虛擬植物、數字植物。

5 結束語

本研究首先分析與總結了苗期作物監測對機器視覺的需求，視覺信息的獲取技術、苗期作物關鍵生長參數提取方法的研究進展，之后提出存在的問題和發展方向。目前，基于機器視覺的單株作物形態檢測與監測技術已經比較成熟，隨著計算機技術與機器視覺技術的快速發展，智慧農業和數字農業的發展，著手于解決現有的問題，對苗期作物群體關鍵生長參數的提取方法進行研究，進一步實現作物群體全生育期的生長監測，對我國精準農業、智慧農業、數字農業的發展具有重要的意義。

參考文獻：

[1]吳 瓊. 基于高光譜成像技術的小麥苗期監測研究[D]. 長春：吉林大學，2012.

[2]李長纓，滕光輝，趙春江，等. 利用計算機視覺技術實現對溫室植物生長的無損監測[J]. 農業工程學報，2003，19（3）：140-143.

[3]趙有生. 蔬菜工廠化育苗的智能管理與綜合評價研究[D]. 長春：吉林大學，2011.

[4]王克如. 基于圖像識別的作物病蟲草害診斷研究[D]. 北京：中國農業科學院，2005.

[5]王 濱. 獼猴桃采摘機器人目標果實空間坐標獲取方法的研究[D]. 咸陽：西北農林科技大學，2016.

[6]呂繼東. 蘋果采摘機器人視覺測量與避障控制研究[D]. 鎮江：江蘇大學，2012.

[7]寧紀鋒，龍滿生，何東健，等. 農業領域中的計算機視覺研究[J]. 計算機與農業，2001（1）：1-3.

[8]刁智華，王會丹，魏 偉. 機器視覺在農業生產中的應用研究[J]. 農機化研究，2014（3）：206-211.

[9]吳 瓊，朱大洲，王 成，等. 農作物苗期長勢無損監測技術研究進展[J]. 農業工程，2011（4）：19-25.

[10]楊 沖. 加強農產品質量分等分級[J]. 現代農業科技，2005（8）：6-7.

[11]趙 卓，于 冷. 農產品質量分級的微觀經濟學分析：國內外文獻綜述[J]. 中國農村觀察，2008（4）：73-79.

[12]Guyer D E，Miles G E，Schreiber M M，et al. Machine vision and image processing for plant identification[J]. Transactions of the ASAE，1986，29（6）：1500-1507.

[13]Quan L，Tan P，Zeng G，et al. Image-based Plant Modeling[C]//Acm Siggraph. ACM，2006.

[14]Klose R，Penlington J，Ruckelshausen A. Usability study of 3D Time-of-Flight cameras for automatic plant phenotyping[J]. Bornimer Agrartechnische Berichte，2009，69：93-105.

[15]Azzari G，Goulden M，Rusu R. Rapid characterization of vegetation structure with a microsoft kinect sensor[J]. Sensors，2013，13（2）：2384-2398.

[16]Chéné Y，Rousseau D，Lucidarme P，et al. On the use of depth camera for 3D phenotyping of entire plants[J]. Computers and Electronics in Agriculture，2012，82：122-127.

[17]Clark R T，Maccurdy R B，Jung J K，et al. Three-dimensional root phenotyping with a novel imaging and software platform[J]. Plant Physiology，2011，156（2）：455-465.

[18]Duan L F，Yang W N，Huang C L，et al. A novel machine-vision-based facility for the automatic evaluation of yield-related traits in rice[J]. Plant Methods，2011，7（1）：1-13.

[19]Grift T E，Novais J，Bohn M. High-throughput phenotyping technology for maize roots[J]. Biosystems Engineering，2011，110（1）：40-48.

[20]Hoyos-Villegas V，Houx J H，Singh S K，et al. Ground-based digital imaging as a tool to assess soybean growth and yield[J]. Crop Science，2014，54（4）：1756-1768.

[21]Moshou D，Bravo C，Oberti R，et al. Plant disease detection based on data fusion of hyper-spectral and multi-spectral fluorescence imaging using Kohonen maps[J]. Real-Time Imaging，2005，11（2）：75-83.

[22]Bürling K，Hunsche M，Noga G. Quantum yield of non-regulated energy dissipation in PSⅡ （Y（NO）） for early detection of leaf rust （Puccinia triticina） infection in susceptible and resistant wheat （Triticum aestivum L.） cultivars[J]. Precision Agriculture，2010，11（6）：703-716.

[23]Rascher U，Agati G，Alonso L，et al. CEFLES2：the remote sensing component to quantify photosynthetic efficiency from the leaf to the region by measuring sun-induced fluorescence in the oxygen absorption bands[J]. Biogeosciences，2009，6（7）：1181-1198.

[24]Mishra K B，Iannacone R，Petrozza A，et al. Engineered drought tolerance in tomato plants is reflected in chlorophyll fluorescence emission[J]. Plant Science，2012，182（1）：79-86.

[25]Chaerle L，Hagenbeek D，De Bruyne E，et al. Chlorophyll fluorescence imaging for disease-resistance screening of sugar beet[J]. Plant Cell，2007，91（2）：97-106.

[26]Manickavasagan A，Jayas D S，White N D G. Thermal imaging to detect infestation by Cryptolestes ferrugineus inside wheat kernels[J]. Journal of Stored Products Research，2008，44（2）：186-192.

[27]Araus J L，Serret M D，Edmeades G O. Phenotyping maize for adaptation to drought[J]. Frontiers in Physiology，2012，3（8）：1-20.

[28]Jones H G，Serraj R，Loveys B R，et al. Thermal infrared imaging of crop canopies for the remote diagnosis and quantification of plant responses to water stress in the field[J]. Functional Plant Biology，2009，36（11）：978.

[29]Sakamoto T，Shibayama M，Kimura A，et al. Assessment of digital camera-derived vegetation indices in quantitative monitoring of seasonal rice growth[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2011，66（6）：872-882.

[30]Shibayama M，Sakamoto T，Takada E，et al. Estimating paddy rice leaf area index with fixed point continuous observation of near infrared refl ectance[J]. Plant Production Science，2011，14（1）：30-46.

[31]Shibayama M，Sakamoto T，Takada E，et al. Regression-based models to predict rice leaf area index using biennial fixed point continuous observations of near Infrared digital images[J]. 2011，14（4）：365-376.

[32]Bolon Y T，Haun W J，Xu W W，et al. Phenotypic and genomic analyses of a fast neutron mutant population resource in soybean[J]. Plant Physiology，2011，156（1）：240-253.

[33]Cook J P，McMullen M D，Holland J B，et al. Genetic architecture of maize kernel composition in the nested association mapping and inbred association panels[J]. Plant Physiology，2012，158（2）：824-834.

[34]Munns R，James R A，Sirault X，et al. New phenotyping methods for screening wheat and barley for beneficial responses to water deficit.[J]. Journal of Experimental Botany，2010，61（13）：3499-3507.

[35]Nguyen H T，Lee B W. Assessment of rice leaf growth and nitrogen status by hyperspectral canopy reflectance and partial least square regression[J]. European Journal of Agronomy，2006，24（4）：349-356.

[36]Liu Z Y，Shi J J，Zhang L W，et al. Discrimination of rice panicles by hyperspectral reflectance data based on principal component analysis and support vector classification[J]. Journal of Zhejiang University Science，2010，11（1）：71-78.

[37]Singh C B，Jayas D S，Paliwal J，et al. Identification of insect-damaged wheat kernels using short-wave near-infrared hyperspectral and digital colour imaging[J]. Computers and Electronics in Agriculture，2010，73（2）：118-125.

[38]Yang Y，Chai R，He Y. Early detection of rice blast （Pyricularia） at seedling stage in Nipponbare rice variety using near-infrared hyper-spectral image[J]. African Journal of Biotechnology，2012，11（26）：6809-6817.

[39]Huang J，Liao H，Zhu Y，et al. Hyperspectral detection of rice damaged by rice leaf folder （Cnaphalocrocis medinalis）[J]. Computers and Electronics in Agriculture，2012，82：100-107.

[40]Biskup B，Scharr H，Schurr U，et al. A stereo imaging system for measuring structural parameters of plant canopies[J]. Plant，Cell & Environment，2007，30（10）：1299-1308.

[41]van der Heijden G，Song Y，Horgan G，et al. SPICY：towards automated phenotyping of large pepper plants in the greenhouse[J]. Functional Plant Biology，2012，39（11）：870-877.

[42]Reis R J. Evaluation of phenotyping methods for maize[D]. Urbana：University of Illinois at Urbana-Champaign，2013.

[43]Paulus S，Behmann J，Mahlein A，et al. Low-cost 3D systems：suitable tools for plant phenotyping[J]. Sensors，2014，14（2）：3001-3018.

[44]Fang S，Yan X，Liao H. 3D reconstruction and dynamic modeling of root architecture in situ and its application to crop phosphorus research[J]. The Plant Journal，2009，60（6）：1096-1108.

[45]Hillnhutter C，Sikora R A，Oerke E C，et al. Nuclear magnetic resonance：a tool for imaging belowground damage caused by Heterodera schachtii and Rhizoctonia solani on sugar beet[J]. Journal of Experimental Botany，2011，63（1）：319-327.

[46]Poorter H，Bühler J，van Dusschoten D，et al. Pot size matters：a meta-analysis of the effects of rooting volume on plant growth[J]. Functional Plant Biology，2012，39（11）：839-850.

[47]Rascher U，Blossfeld S，Fiorani F，et al. Non-invasive approaches for phenotyping of enhanced performance traits in bean[J]. Functional Plant Biology，2011，38（12）：968.

[48]Garbout A，Munkholm L J，Hansen S B，et al. The use of PET/CT scanning technique for 3D visualization and quantification of real-time soil/plant interactions[J]. Plant and Soil，2012，252（1/2）：113-127.

[49]Yang W N，Xu X C，Duan L F，et al. High-throughput measurement of rice tillers using a conveyor equipped with x-ray computed tomography[J]. Review of Scientific Instruments，2011，82（2）：102-107.

[50]Flavel R J，Guppy C N，Tighe M，et al. Non-destructive quantification of cereal roots in soil using high-resolution X-ray tomography[J]. Journal of Experimental Botany，2012，63（7）：2503-2511.

[51]Karunakaran C，Jayas D S，White N D G. Detection of internal wheat seed infestation by Rhyzopertha dominica using X-ray imaging[J]. Journal of Stored Products Research，2004，40（5）：507-516.

[52]Gregory P J，Hutchison D J，Read D B，et al. Non-invasive imaging of roots with high resolution X-ray micro-tomography[J]. Plant and Soil，2003，255（1）：351-359.

[53]夏永泉，李耀斌，曾 莎. 基于HSI顏色空間的植物葉片病斑提取方法[J]. 江蘇農業科學，2015，43（8）：406-408.

[54]張凱兵，章愛群，李春生. 基于HSV空間顏色直方圖的油菜葉片缺素診斷[J]. 農業工程學報，2016，32（19）：179-187.

[55]何學友，蔡守平，謝一青，等. 不同葉面積損失對油茶產量及品質的影響[J]. 林業科學，2013，49（5）：85-91.

[56]艾 軍，李愛民，王玉蘭，等. 北五味子葉面積的回歸測算法[J]. 特產研究，1999（1）：44-46.

[57]徐貴力，毛罕平，胡永光. 基于計算機視覺技術參考物法測量葉片面積[J]. 農業工程學報，2002，18（1）：154-157.

[58]Fanourakis D，Briese C，Max J F，et al. Rapid determination of leaf area and plant height by using light curtain arrays in four species with contrasting shoot architecture[J]. Plant Methods，2014，10（1）：1-11.

[59]王 可. 基于Xtion傳感器的植物果實和葉片三維重建及其尺寸參數提取[D]. 昆明：昆明理工大學，2015.

[60]Oerke E C，Steiner U，Dehne H W，et al. Thermal imaging of cucumber leaves affected by downy mildew and environmental conditions[J]. Journal of Experimental Botany，2006，57（9）：2121-2131.