圖像處理技術在小麥生產中的應用與展望

黃偉麗 周明 劉濤

摘要 計算機圖像處理技術是人工智能與模式識別的一個重要領域，其應用已擴展到農業領域的諸多方面。通過廣泛查閱文獻，分析了數字圖像處理技術在小麥生產方面的研究和應用進展情況，概述了圖像處理技術在小麥生產過程中各階段的應用成果，如在小麥葉面積指數測定、病蟲害識別、葉綠素含量測定以及產量預測等方面的應用，提出了尚待研究解決的關鍵問題，并展望了圖像處理技術在小麥生產上的應用前景。

關鍵詞 圖像處理;小麥;群體質量;病蟲害;產量

Abstract Computer image processing technology is an important field of artificial intelligence and pattern recognition， and its application has been extended to many aspects of agriculture. Based on extensive literature review， we analyzed the digital image processing technology in wheat production progress in research and application， and summarized the image processing technology for each stage of wheat production in the process of the application， such as the determination of wheat leaf area index， plant diseases and pest identification， determination of chlorophyll content， and the application of production prediction， etc. The key problems to be solved were put forward， and the application prospect of image processing technology in wheat production was forecasted.

Key words Image processing;Wheat;Population quality;Disease and pest;Yield

隨著信息技術的不斷發展，計算機圖像識別技術已被廣泛運用到各個領域，成為人類在生產生活中不可或缺的輔助工具[1-3]。人類與計算機之間的配合默契度已經達到了前所未有的新高度。我國的計算處理技術也在這股科技浪潮中取得了巨大的進步，實現了理論和實踐的突破。數字圖像信息量大，傳輸速度快，應用范圍廣，因此，數字圖像處理技術已被廣泛應用于醫學、氣象、航空航天、軍事等領域[4]。近年來，隨著農業信息化的發展，該技術在農業領域的應用也越來越深入[5-8]，特別是在小麥生產栽培管理中得到越來越多的應用[9-10]。

小麥是我國最主要的糧食作物之一，也是全球范圍內的主要食品原料。作為我國三大儲備糧食之一，小麥收獲后通過控制其水分含量可提高其耐儲存性，從而確保我國的糧食安全，這對我國不同產業的穩定發展和鄉村振興具有重要意義。由于小麥田間生長和自然條件的限制，在生產和科研中，大量的工作需借助于對形態、色澤、紋理等外部特征的判斷，而這些特征信息的提取主要靠人工測量，且只能利用一些簡單的測量工具，導致工作量大而煩瑣、主觀性強、測量數據難以驗證，還有一些特征值難以量化描述，嚴重制約了小麥科學研究和生產上先進生產技術推廣的進度。因此，越來越多的研究將數字圖像處理技術應用于小麥生產過程中，以解決小麥特征信息提取問題[11]。

1 圖像處理技術

圖像是一種客觀存在的事物，是光學信息在二維空間并列的表示，是一種信息載體。為了充分準確地獲取圖像中蘊涵的各種信息，需要對各種圖像進行拾取、識別、處理、分割和分析等[12]。計算機圖像處理技術是對已獲得的圖像信息進行去噪、增強、裁剪等處理，以滿足相關信息提取或應用需求的操作，其目的是利用計算機對從處理后圖像中提取得到不同的數字信號進行某些數學運算得到用戶所需的結果。計算機圖像處理與人的視覺處理相比具有處理精度高、再現性好、定量性和適應性強、速度快、可處理龐大的數據量等優點，故在眾多領域得到廣泛應用，尤其在農業領域顯示出無可比擬的優勢[13]。

計算機圖像處理技術的研究始于20世紀60年代，隨后的20～30年步入一個活躍研究階段，首先應用于工業和生物醫學等領域，在農業上的應用起步較晚，但前景廣闊。目前，國內外從動植物生長智能監測、農田大數據獲取、智能視覺機器人以及農產品質量分析與評價等方面開展了圖像處理技術在農業上的應用。隨著數學、生理學、模式識別、計算機圖形學、人工智能、專家系統等相關學科的發展，計算機圖像技術在各個領域，特別是農業方面已經得到廣泛應用[14-15]。

2 圖像處理技術在小麥生產中的應用

2.1 葉面積指數的測定

葉面積指數（leaf area index，LAI）是單位土地面積上植物的總葉面積，葉面積指數與很多生態過程直接相關，如蒸騰量、土壤水分平衡、冠層光合作用和物質循環等。葉面積指數是一個重要的生物結構參數，然而大范圍葉面積指數的獲取比較困難。遙感技術為大范圍葉面積指數的測量提供了條件。然而遙感得到的葉面積指數需要進一步的地面驗證，且成本高、精度低。因此，實地葉面積指數的獲取具有重要意義[16-18]。

國內外利用圖像處理技術分析農作物葉面積特征的研究較多。Meyer 等[19]首次利用數字圖像處理技術分析幾種作物的葉面積、莖稈直徑等特征。Chien等[20]設計了一種基于“橢圓形的霍夫變換”算法估測蔬菜總葉面積的方法。武聰玲等[21]利用圖像處理技術檢測黃瓜幼苗葉冠投影面積來預測其真實葉面積。李明等[16]針對不同的小麥品種設置了不同密度的栽培條件，通過數碼相機獲取主要生育期田間小麥群體冠層數字圖像，利用計算機圖像處理技術對圖像進行分析計算從而得到小麥冠層葉面積指數，然后利用實測數據與圖像分析得到的數據建立數學模型。

2.2 病蟲害的識別與診斷

為了快速準確地診斷識別小麥病害，梁琨等[22]通過光譜分析和圖像處理進行小麥赤霉病的識別，采用標準正態變量變換（SNV）和多元散射校正（MSC）方法對光譜進行預處理，分別利用連續投影算法（SPA）和正自適應加權算法（CARS）進行變量篩選提取特征波段，然后對特征波長下的特征圖像進行特征提取并識別出病害信息。鄧繼忠等[23]采用圖像分析與識別技術進行了小麥網腥、印度腥及矮腥3類病害的分類識別，并運用支持向量機方法對小麥腥黑穗病害進行定量識別，提高識別的準確性。王美麗等[24]選取小麥葉部常見病害圖像，利用圖像處理技術進行病害種類的識別。將圖像由RGB彩色空間轉換到HSV顏色空間，提取相關的顏色特征，接著提取幾何形狀特征，通過分析樣本圖像得到每種病害的特征值范圍，利用特征值對未知樣本進行病害識別，識別準確率為96%以上。蘇一峰等[25]利用一種可以進行圖像獲取、圖像識別診斷的小麥物聯網平臺，研發了一套小麥病蟲害識別應用系統，并對小麥比較常見的3種病蟲害（白粉病、銹病、蚜蟲）進行了初步應用與驗證，其中銹病、蚜蟲的識別率均在95%以上，健康葉片的識別率可達99%，白粉病的識別率稍低，為82%左右。

2.3 群體葉綠素含量測定

小麥生長過程中，為了確保其優質高產，需要及時監測營養狀況并采取相應的栽培調控措施。葉綠素是一種光合色素，對小麥產量形成意義重大，較低的葉綠素濃度會影響小麥的光合作用能力并最終影響到產量[26]。

長期以來，田間小麥葉綠素含量主要通過葉色來體現，而葉色變化主要靠人工進行觀察，這種方法無定量標準，全憑觀察者的經驗，同時效率較低。利用計算機圖像技術，不但效率高，還能更準確、更及時。前人研究發現，利用歸一化的顏色指數，可將不同施氮水平下玉米葉片的顏色變化有效地識別出來[27]。Kawashima等[28]研究發現，（R-B）/（R+B）可以有效地估算植物葉片的葉綠素含量。Pagola等[29]利用主成分分析技術，研究了大麥葉片SPAD值與葉片顏色的關系并建議了估算模型，相關系數為0.9以上。Adamsen 等[30]通過分析小麥冠層圖像發現G/R與葉綠素有顯著的相關性。王方永等[31]研究發現，圖像顏色指數和棉花葉片葉綠素含量相關性顯著，特別是G-R，G-R/G+R等達極顯著水平。王克如等[32]利用計算機圖像技術建立棉花葉色與葉綠素含量估測模型，準確率為86.4%～92.2%。宋振偉等[33]通過葉片圖像分析技術，發現不同施氮處理下，小麥葉片顏色變化在不同生育期中差異明顯。時雷等[26]針對6個品種小麥拔節期群體圖像，使用基于RGB顏色空間與馬氏距離的模式識別方法，準確分割出小麥冠層圖像，并提取了小麥冠層顏色特征，針對不同小麥品種建立葉綠素含量的估測模型，效果較好。

2.4 小麥形態檢測

作物的形態特征包括株高、葉長、葉基角、開張角等。在農業科研工作中需要根據作物的形態特征來研究其生長狀態、病蟲草害等重要信息。李明等[34]選取大田里自然生長狀態下的小麥作為研究對象，研究適用于小麥形態特征信息提取的圖像處理方法，提取形態特征信息，從而為小麥育種、生長狀況分析、動態施肥等提供指導依據，利用VC ++語言實現了小麥形態信息檢測系統，系統能高效地檢測出小麥植株的重要形態參數，如株高、葉長、葉基角、開張角等。

2.5 小麥收獲技術

農作物收獲具有收獲速度較慢、障礙物少、環境簡單等特點，作業具有重復性。因此如何精確地識別出收獲與未收獲作物間的邊界線，有效避免收獲過程中的漏割、重割現象，并防止出現收獲機非滿幅作業等情況，成為國內外學者深入研究的一項重要課題[35]。

張衛等[36]采用最大類間方差法分割圖像，利用中間線檢測定位基準線。Cho等[37]對水稻田進行逆透視投影變換，還原作物行平行的狀態，消除了視角誤差。沈明霞等[38]采用最小距離分類器對農作物區和非農作物區域的形態特征進行分類。丁幼春等[39]針對壟行、作業區域與未作業區域的標識線提出一種旋轉投影算法。陳嬌等[40]采用垂直投影法提取導航定位點，采用改進的Hough變換實現田間多壟線識別。Choi等[41]依據激光測距的原理對作物高度進行重構，實現作物行的定位。Zhao等[42]應用激光傳感器對麥田信息進行獲取，采用最大類間方差的方法尋找收獲邊界點。

3 圖像處理技術在小麥產量估測中的應用

3.1 大田麥穗計數

小麥產量構成的三因素之一是單位面積穗數，為實現小麥快速、準確估產，計算機圖像識別技術顯得尤為重要[43]。范夢揚等[44]通過部署的田間攝像頭采集大田環境下小麥麥穗低分辨率群體圖像，實現了復雜大田環境下小麥麥穗圖像的降噪增強處理;提取麥穗的顏色、紋理特征，采用支持向量機方法，將小麥麥穗從背景中分離，然后對麥穗的二值圖像細化得到麥穗骨架;最后通過計算麥穗骨架的數量以及麥穗骨架有效交點的數量，即可得到圖像中麥穗的數量。劉濤等[43]設計了一種基于圖像分析技術的小麥穗數智能計算方法，該方法實現了不同播種方式下大田麥穗快速、準確的計數，在條播和撒播小麥田中計數準確率均較高。

3.2 小麥產量預測

小麥產量受到氣候、災害、病蟲害等因素綜合影響，利用各種快速有效的方法準確預測小麥產量是廣大農業科技工作者追求的目標，因此提高小麥產量預測精度一直是研究的熱點。楊俊等[45]利用無人機RGB圖像提取了8個顏色指數和4個紋理特征指數，并分析了它們與小麥產量及生物量之間的關系，為進一步的產量預測奠定了基礎。楊梅等[46]為了提高小麥產量的預測精度，提出一種灰色模型和支持向量機組合的預測模型，首先利用灰色模型對小麥產量進行預測，挖掘小麥產量的線性變化規律，然后采用支持向量機對小麥產量進行預測，描述小麥產量的非線性變化規律。采用以上2個模型的預測加權平均得到了小麥產量，并進行仿真。

4 圖像處理技術在小麥生產中的其他應用

4.1 小麥容重檢測

容重是小麥定等的指標，該標準是小麥流通過程中判定其質量等級的重要依據。相關研究表明，收獲時籽粒不夠成熟、結構疏松、含水量高的樣品，容重較小;反之，容重較大[47]。圖像處理技術在農產品質量與品質的檢測過程中，通常從樣品的形態、顏色和紋理等方面提取特征參數，用于農產品特征描述并對其進行評價。因此，可以使用圖像處理技術對小麥籽粒的形狀、大小、光滑度等因素進行描述[48]。目前，利用圖像處理技術進行水稻、馬鈴薯、玉米、花生等農產品質量與品質檢測已經取得了一定進展。在小麥質量與品質檢測方面也有諸多研究成果，主要涉及小麥品種與種類識別、質量分級、角質和硬度檢測等方面。如張玉榮等[47]以不同容重小麥入手，采用圖像識別技術獲取與小麥籽粒容重相關的指標特征，研究與小麥容重相關的內外在因素，從而得到可以客觀評價小麥容重的不同條件，并構建差異化的小麥容重檢測模型。

4.2 籽粒外觀檢測

籽長、粒寬和粒厚是評價小麥籽粒質量的重要指標。目前小麥籽粒長、寬、厚的測量主要通過游標卡尺來實現，這種方法主觀性較強，測量部位的選擇較難把握，效率低下且可重演性差[49]。機器視覺或圖像處理技術在小麥籽粒上的應用一方面可以實現籽粒種類的識別，其中包括對大麥、小麥、燕麥等的區分以及不同小麥品種的識別;另一方面，機器視覺技術可應用于小麥籽粒的綜合評價，其中包括對籽粒病害、損傷的評價以及籽粒形態特征的測算。在研究技術上，一般通過圖像處理算法提取小麥籽粒的不同特征參數，再通過這些參數建立評價和分析體系[50-51]。仲曉春等[52]利用圖像處理技術結合一定的外部光源測定小麥籽粒的長、寬、厚信息，在單幅二維圖像中提取小麥籽粒的三維信息，為小麥籽粒三維信息的快速準確測定提供一定的技術支持。

5 問題與展望

5.1 問題

通過上述分析可知，基于圖像處理技術的小麥生產管理研究已取得了一定的進展，但由于小麥是一種大田作物，其生長環境的多變性和品種的復雜性以及圖像處理技術的特點，目前仍有不少問題需進一步解決。

（1）圖像識別精度不高。目前大部分研究中圖像的處理方法比較簡單，以單一的顏色指數或組合指數難以實現復雜背景下小麥的提取。同時參數及模型選擇的不同導致識別效果也不相同，再加上不同品種、不同密度以及不同施肥條件的影響，圖像識別的精度很難提高。

（2）圖像采集實時性較差。目前大部分研究還是將圖像采集到實驗室后再進行分析，缺少圖像采集的實時性。主要原因是實時圖像采集對設備要求較高，對網絡傳輸要求也較高，同時圖像處理時間也難以滿足要求。

（3）結果的可靠性有待提高。圖像識別結果受到多種因素的影響，例如采樣時間、天氣條件、土壤條件等，每一個條件發生變化都會影響圖像識別效果。目前尚無一個統一的標準使圖像處理技術流程化和標準化，不同的研究僅針對特定的條件，導致結果的可靠性不夠高。

（4）用戶的接受程度較低。我國現有的小麥種植仍以農戶分散種植為主，直接從事種植業的農戶年齡均較大，知識水平不高，總體認知水平低，難以接受先進的圖像處理技術，導致這項技術在很長一段時間內難以推廣。

5.2 展望

隨著計算機及人工智能技術的迅速發展，基于圖像處理技術的小麥生產管理技術已經取得了較好的研究成果，該技術在小麥葉面積指數測定、病蟲害識別與診斷、群體葉綠素狀況測定以及產量預測等方面均有廣泛的應用前景。圖像處理技術已經從理論走向實踐，處理對象也在不斷發生變化，早期主要是針對黑白圖像，現在使用的已全部是彩色圖像。在空間結構上也從以二維圖像信息為主到二維與三維相結合的轉變。除了單一使用圖像技術，越來越多的研究者將圖像與光譜技術相融合，特別是將高光譜成像技術引入到小麥生產管理研究中，使小麥生長表型信息獲取的手段更加豐富[53]。

小麥的生產管理包括產前、產中和產后，圖像處理也要從這3個階段入手，如產前的種子選擇、土地平整等，產中是從出苗到成熟的過程管理，產后的倉儲、流通和加工等。目前我國的圖像處理技術在小麥生長信息監測、病蟲害的識別與診斷、產量預測等方面的研究已有很大進步，這些均屬于產中的圖像信息處理技術，但產前和產后的研究還較少，而且能夠進行商品化應用的成果不多，還有諸多內容需要進一步研究。

參考文獻

[1]姜淑華，孫海波.計算機圖像技術在農業工程中的應用[J].農機化研究，2006，28（11）：177-178.

[2]惲鴻峰.計算機圖像識別技術的應用及細節問題研究[J].數字技術與應用，2016（8）：123-124.

[3]張曉娟，高瑾.計算機圖像識別技術的應用及細節問題闡述與分析[J].電子技術與軟件工程，2016（6）：89.

[4]唐錄潔.計算機智能化圖像識別技術的理論性探究[J].計算機光盤軟件與應用，2013，16（13）：98-100.

[5]王力堅，杜永林，葛自強，等.論農業推廣中的信息傳播與溝通[J].中國農業信息，2014（2）：31-33.

[6]張茅.計算機技術在現代農業中的應用[J].農業工程，2011，1（4）：26-28.

[7]石榕清.數字圖像處理在農業信息化條件下的發展及應用研究[J].農村經濟與科技，2016，27（18）：261-262.

[8]李輝，滕桂法，張燕.數字圖像處理技術及其在農業中的應用研究[J].安徽農業科學，2013，41（13）：6060-6061，6072.

[9]李冬，薛齡季軒，姜珊，等.數字圖像處理技術在農業上的應用及發展前景[J].黑龍江科技信息，2016（30）：165.

[10]郭艷艷，李紹明，朱德海，等.數字圖像處理技術在玉米種植中的應用[J].中國種業，2008（6）：10-11.

[11]夏永泉，李耀斌，李晨.基于圖像處理技術與Android手機的小麥病害診斷系統[J].安徽大學學報（自然科學版），2016，40（2）：26-31.

[12]高俊梅，黃忠文.圖像處理技術在農業上的應用[J].農業網絡信息，2014（5）：34-39.

[13]胡濤.圖像處理技術在農業工程中的應用[J].安徽農業科學，2005，33（4）：678-679.

[14]崔艷麗，王雙喜.圖像處理技術在農業中的應用研究概論[J].農機推廣與安全，2006（12）：33-34.

[15]趙萍，李永奎，林靜，等.數字圖像處理技術在農產品方面的應用[J].農機化研究，2007，29（11）：198-200，210.

[16]李明，張長利，房俊龍.基于圖像處理技術的小麥葉面積指數的提取[J].農業工程學報，2010，26（1）：205-209，386.

[17]宋英博，郭偉，張洪權，等.圖像處理技術在玉米葉面積測量中的實際應用[J].農學學報，2015，5（8）：111-114.

[18]王桂琴，鄭麗敏，朱虹，等.圖像處理技術在冬小麥葉面積指數測定中的應用[J].麥類作物學報，2004，24（4）：108-112.

[19]MEYER G E，DAVISON D A.An electronic image plant growth measurement system[J].Transaction of ASAE，1987，30（1）：242-248.

[20]CHIEN C F，LIN T T.Non-destructive growth measurement of selected vegetable seedlings using orthogonal images[J].Transaction of the ASAE，2005，48（5）：1953-1961.

[21]武聰玲，滕光輝，李長纓.黃瓜幼苗生長信息的無損監測系統的應用與驗證[J].農業工程學報，2005，21（4）：109-112.

[22]梁琨，杜瑩瑩，盧偉，等.基于高光譜成像技術的小麥籽粒赤霉病識別[J].農業機械學報，2016，47（2）：309-315.

[23]鄧繼忠，李敏，袁之報，等.基于圖像識別的小麥腥黑穗病害特征提取與分類[J].農業工程學報，2012，28（3）：172-176.

[24]王美麗，牛曉靜，張宏鳴，等.小麥葉部常見病害特征提取及識別技術研究[J].計算機工程與應用，2014，50（7）：154-157.

[25]蘇一峰，杜克明，李穎，等.基于物聯網平臺的小麥病蟲害診斷系統設計初探[J].中國農業科技導報，2016，18（2）：86-94.

[26]時雷，龐曉丹，錢誠，等.基于圖像處理技術的小麥群體葉綠素狀況估計研究[J].太原理工大學學報，2016，47（2）：223-227.

[27]AHMAD I S，REID J F.Evaluation of colour representations for maize images[J].Journal of agricultural engineering research，1996，63（3）：185-195.

[28]KAWASHIMA S，NAKATANI M.An algorithm for estimating chlorophyll content in leaves using a video camera[J].Annals of botany，1998，81（1）：49-54.

[29]PAGOLA M，ORTIZ R，IRIGOYEN I，et al.New method to assess barley nitrogen nutrition status based on image colour analysis：Comparison with SPAD-502[J].Computers and electronics in agriculture，2009，65（2）：213-218.

[30]ADAMSEN F J，PINTER P J JR，BARNES E M，et al.Measuring wheat senescence with a digital camera[J].Crop science，1999，39（3）：719-724.

[31]王方永，李少昆，王克如，等.基于機器視覺的棉花群體葉綠素監測[J].作物學報，2007，33（12）：2041-2046.

[32]王克如，李少昆，王崇桃，等.用機器視覺技術獲取棉花葉片葉綠素濃度[J].作物學報，2006，32（1）：34-40.

[33]宋振偉，文新亞，張志鵬，等.基于數字圖像技術的冬小麥不同施氮和灌溉處理顏色特征分析[J].中國農學通報，2010，26（14）：350-355.

[34]李明，張長利，王曉楠.基于圖像處理技術的小麥形態檢測方法研究[J].東北農業大學學報，2009，40（4）：111-115.

[35]趙騰，野口伸，楊亮亮，等.基于視覺識別的小麥收獲作業線快速獲取方法[J].農業機械學報，2016，47（11）：32-37.

[36]張衛，杜尚豐.機器視覺對農田中定位基準線的識別[J].中國農業大學學報，2006，11（4）：75-77，88.

[37]CHO W，IIDA M，SUGURI M，et al.Vision-based uncut crop edge detection for automated guidance of head-feeding combine[J].Engineering in agriculture，environment and food，2014，7（2）：97-102.

[38]沈明霞，李秀智，姬長英.基于形態學的農田景物區域檢測技術[J].農業機械學報，2003，34（1）：92-94.

[39]丁幼春，王書茂，陳度.基于圖像旋轉投影的導航路徑檢測算法[J].農業機械學報，2009，40（8）：155-160.

[40]陳嬌，姜國權，杜尚豐，等.基于壟線平行特征的視覺導航多壟線識別[J].農業工程學報，2009，25（12）：107-113.

[41]CHOI J，YIN X，YANG L L，et al.Development of a laser scanner-based navigation system for a combine harvester[J].Engineering in agriculture，environment and food，2014，7（1）：7-13.

[42]ZHAO T，NOGUCHI N，YANG L L，et al.Development of uncut crop edge detection system based on laser rangefinder for combine harvesters[J].International journal of agriculture and biological engineering，2016，9（2）：21-28.

[43]劉濤，孫成明，王力堅，等.基于圖像處理技術的大田麥穗計數[J].農業機械學報，2014，45（2）：282-290.

[44]范夢揚，馬欽，劉峻明，等.基于機器視覺的大田環境小麥麥穗計數方法[J].農業機械學報，2015，46（S1）：234-239.

[45]楊俊，丁峰，陳晨，等.小麥生物量及產量與無人機圖像特征參數的相關性[J].農業工程學報，2019，35（23）：104-110.

[46]楊梅，李廣.小麥產量預測模型的仿真研究[J].計算機仿真，2013，30（10）：382-385.

[47]張玉榮，陳賽賽，姜忠麗，等.基于圖像處理的小麥容重檢測方法研究[J].中國糧油學報，2015，30（3）：116-121.

[48]張玉榮，陳賽賽，周顯青.小麥圖像檢測技術研究進展[J].中國糧油學報，2014，29（4）：118-123.

[49]賈佳，王建華，謝宗銘，等.計算機圖像識別技術在小麥種子精選中的應用[J].中國農業大學學報，2014，19（5）：180-186.

[50]王志軍，叢培盛，周佳璐，等.基于圖像處理與人工神經網絡的小麥顆粒外觀品質評價方法[J].農業工程學報，2007，23（1）：158-161.

[51]畢昆，姜盼，唐崇偉，等.基于麥穗特征的小麥品種BP分類器設計[J].中國農學通報，2011，27（6）：464-468.

[52]仲曉春，陳雯，劉濤，等.基于圖像技術的小麥籽粒三維信息測量[J].廣東農業科學，2016，43（2）：150-155.

[53]周清松，唐秀忠.圖像識別處理技術在農業工程中的應用[J].現代電子技術，2017，40（4）：107-110.