基于機器視覺的玫瑰花檢測與特征提取

李銳風　楊云福　楊永發(fā)　于永順

摘要：種植環(huán)境下的玫瑰花分布緊密、互相遮擋，為準確檢測并提取玫瑰花的特征，基于機器視覺對玫瑰花的顏色和形狀進行識別與處理。首先選取雙邊濾波對玫瑰花圖像去噪，然后采用六角錐體模型顏色空間（hexagonal cone colour model，HSV）提取玫瑰花顏色，創(chuàng)建滾動條函數(shù)對六角錐體顏色模型各分量圖閾值分割從而確定最佳閾值，最后運用形態(tài)學運算、面積閾值、孔洞查詢填補等方法提取玫瑰花輪廓，并提出玫瑰花內切圓形狀擬合算法，將擬合內切圓的圓心和半徑作為玫瑰花圖像特征。結果表明，玫瑰花顏色閾值能夠有效去除玫瑰花枝葉、泥土等圖像，形狀擬合算法能有效提取玫瑰花的形狀特征，并擦除玫瑰花苞。運用該算法單朵玫瑰花識別率為98.17%，3朵及以下重疊玫瑰花的識別率為92.67%，4朵及以上重疊玫瑰花的識別率為74.07%，被枝葉遮擋的玫瑰花識別率為83.03%，該套機器算法在復雜的種植環(huán)境中能有效識別并提取玫瑰花的特征值，結果可為玫瑰花采摘機器人研究提供重要技術支撐。

關鍵詞：玫瑰花；機器視覺；圖像識別；特征提取

doi：10.13304/j.nykjdb.2022.0951

中圖分類號：S685.12；TP391.41 文獻標志碼：A 文章編號：10080864（2024）04010608

玫瑰花在中國具有悠久的歷史，有美容、藥用、食品原料、染料、花茶、表達愛意[12]等作用。現(xiàn)如今玫瑰花種植基地不斷涌現(xiàn)，其主要的采摘方式為人工采摘。玫瑰花莖帶刺，給采摘工作帶來諸多不便，人工采摘需耗費大量的人力和物力。玫瑰花的花朵與花莖和花葉顏色形成鮮明對比，使玫瑰花便于識別，但成熟期的玫瑰花高約50～90 cm，且花朵易傾斜，從花叢上方1 m拍攝玫瑰花時，攝像頭內玫瑰花的姿態(tài)各不相同，花朵互相遮擋、重疊。因此，準確獲取種植基地內姿態(tài)各不相同的玫瑰花特征值是玫瑰花采摘機器人的關鍵問題之一。

近幾年，國家重視農(nóng)業(yè)自動化的研究，涌現(xiàn)出大量不同果實的檢測研究和算法。王彥鈞等[34]提出的基于神經(jīng)網(wǎng)絡的食用玫瑰花圖像識別算法中，用色調、色飽和度和亮度來描述色彩，并利用最大類間方差法分割識別玫瑰花，對單支玫瑰花有較好的識別效果，但不能識別重疊玫瑰花并且無法獲取玫瑰花特征。姚應方等[5]利用極坐標變換思想建立極坐標模型，通過對極坐標模型錯位相減、歸一化、角數(shù)判別，有效地識別八角的角數(shù)，其算法識別正確率為94.73%。在農(nóng)業(yè)視覺當中與玫瑰花識別類似的研究有蘋果[67]、橘子[8]和黃瓜[910]等，這類研究的共同特點是：果實和其背景有明顯的差別，利用顏色閾值能較容易地將果實從背景中分離出來。同時也面臨關鍵難點，即如何準確地區(qū)分相鄰和重疊部分的果實并獲得其特征值。本研究運用雙邊濾波函數(shù)初步處理圖像使圖像平滑并選取六角錐體模型顏色空間（hexagonal cone colour model，HSV）提取玫瑰花顏色，使用形態(tài)學預處理將圖像中的各種缺陷和干擾去除，為了使重疊玫瑰花能夠被單個有效分割，提出一種新的玫瑰花輪廓擬合算法，該套機器視覺算法能較準確識別種植環(huán)境中的玫瑰花并獲取其特征值信息。

1 材料與方法

1.1 試驗材料

玫瑰花一般種植在陽光充足、地勢高燥的環(huán)境下。土質要求疏松肥沃、排水良好的壤土或沙壤土。為了獲取豐富的試驗數(shù)據(jù)庫，試驗圖像需要盡可能包含試驗對象的形態(tài)特征和各種環(huán)境因素如早、中、晚、雨天、晴天等。本試驗樣品圖像取自云南省安寧市八街的玫瑰山谷。該地玫瑰花種植基地的玫瑰花品種主要為‘滇紅，種植面積達653 hm2。

該玫瑰山谷玫瑰花種植面積較廣闊，不同種植區(qū)域的土壤和水分有所不同，造成玫瑰花的姿態(tài)特征和花朵大小有所區(qū)別。基于上述原因選取3 塊光照、土壤、水分條件不同的玫瑰花種植區(qū)域，在中午和傍晚拍取300幅圖像，拍攝使用的相機為佳能EOS 750D，其像素為2 400 萬，感光度25 600。

試驗樣本圖像如圖1A所示，拍照視角選取俯視， 距離花朵大約1 m處。通過觀察圖像發(fā)現(xiàn)，玫瑰花易相互重疊且存在葉片、花莖遮擋玫瑰花的情況。玫瑰花圖像中存在凹凸不平的土壤，且少數(shù)圖像中存在蜜蜂，圖像中物體的顏色與形狀較復雜。

1.2 試驗方法

1.2.1 圖像初步處理

玫瑰花圖像中的環(huán)境背景復雜，需進行初步的濾波處理。濾波操作可以將圖像信號里的特定波段頻率濾除，在保存大量圖像特征的情況下讓圖像更加平滑。選取合適的濾波操作和參數(shù)值可為后續(xù)試驗提供便利。為選取合適的玫瑰花濾波函數(shù)，分別對同一幅圖像進行均值濾波、中值濾波、高斯濾波和雙邊濾波等操作。其中，均值濾波器和高斯濾波器屬于線性濾波器，中值濾波和雙邊濾波屬于非線性濾波器。均值濾波器和高斯濾波器雖能去除噪聲，但會使玫瑰花花瓣邊緣和背景邊界區(qū)域模糊；而中值濾波器將圖像的邊緣噪聲平均計算到圖像中所以輸出將受到噪聲的影響。雙邊濾波函數(shù)[11]計算公式如下。

式中，g（m， n）為輸出點，（m，n）為圖像中某點的像素坐標；S（m，n）為以（m，n）為中心的（2N+1）（2N+1）區(qū)域范圍，N 為濾波區(qū)域的半徑；f（k， l）為多個輸入點；w（m， n， k， l）為經(jīng)過2個高斯函數(shù)的計算值。

對上述公式進行轉化，假設公式中w（m，n，k，l）為y，則有公式（2）。

從上式可知，圖像矩陣與周圍點的權重通過卷積算子作加權和，最終得到輸出值。

w（m， n， k， l） = ws wr （4）

式中，ws 為空間鄰近度因子；wr 為亮度像似度因子。

運用雙邊濾波函數(shù)需輸入 3 個參數(shù)，即空間鄰近度因子ws 、亮度相似因子ws 與濾波區(qū)域半徑N。調用雙邊濾波函數(shù)處理圖像時常使用δs 代表ws，δr 代表wr。

從上式可知，雙邊濾波基于空間分布的高斯濾波函數(shù)，雙邊濾波通過對權重的妙用，使離玫瑰花邊緣較遠的像素不會嚴重影響到邊緣上的像素值，保證了邊緣附近像素值的保存。相比于均值濾波器、高斯濾波器和中值濾波器，雙邊濾波器利用權重保護玫瑰花的邊緣。

1.2.2 圖像顏色提取

顏色空間選擇。在提取玫瑰花顏色過程中發(fā)現(xiàn)，長勢良好的玫瑰花暴露在陽光下其顏色為鮮紅色，而長勢較差的玫瑰花處于花叢中其顏色趨向于暗紅色。因此，對于顏色空間的選擇需要盡可能減小陽光對玫瑰花顏色提取的影響。對比紅綠藍三原色顏色空間（red green blue，RGB）、明亮度與色度顏色空間（luma chrominanceblue-difference chrominance red-difference，YUV）、六角錐體模型顏色空間（HSV）3種常用的顏色空間。RGB顏色空間運用簡單但光照因素使得種植環(huán)境下的玫瑰花顏色復雜多樣，導致RGB顏色空間的3個顏色參數(shù)高度相關，難以確定參數(shù)的數(shù)值。HSV顏色空間在順光條件下識別效果較好，但由于其明度（value，V）參數(shù)受光照影響較大，使得遮陰條件下部分玫瑰花圖像無法識別[12]。因此，本研究舍棄V 參數(shù)通道的信息對玫瑰花進行閾值處理。

1.2.3 圖像預處理

綜合采用形態(tài)學開運算和閉運算去除玫瑰花的毛刺、連接和細小孔洞等噪聲，開運算將玫瑰花的花刺和連接噪聲去除，閉運算將玫瑰花細小孔洞去除。玫瑰花中心花蕊形成的大孔洞和未開放的花苞類噪聲面積過大不宜使用形態(tài)學運算進行去除，未開放的花苞類噪聲需通過面積閾值進行去除，玫瑰花中心花蕊形成的大孔洞運用孔洞查詢函數(shù)查詢填補。圖像預處理嚴格按照以下步驟：形態(tài)學開運算→面積閾值→形態(tài)學閉運算→孔洞查詢填補。

1.2.4 圖像輪廓擬合和特征提取

在農(nóng)業(yè)識別檢測中經(jīng)常利用圖像擬合獲取果蔬的特征值，圖像輪廓擬合是指利用規(guī)則的圖像代替被識別物體，合理的圖像擬合能夠為提取圖像特征帶來便利[13]。采摘玫瑰花的機械末端執(zhí)行器以包裹切割采摘為主，將玫瑰花的內切圓半徑和圓心作為玫瑰花自動化采摘的2個關鍵位置特征信息為自動化采摘玫瑰花帶來便利[14]。農(nóng)業(yè)識別中hough變換經(jīng)常用于擬合各類圓形果蔬，例如獼猴桃、桃子、西瓜等，利用hough變換雖然能夠準確地獲取單朵玫瑰花的特征值，但對于重疊的玫瑰花無法準確擬合對應玫瑰花的圓。而且hough變換需要計算三維空間下玫瑰花邊界點的圓使得計算量太大，無法達到精準分割的效果。

玫瑰花外形復雜、生長不均勻等特點使其特征值提取難度增大，為準確提取玫瑰花特征值，提出一種新型玫瑰花形狀擬合算法。調查發(fā)現(xiàn)玫瑰花重疊時像素數(shù)有明顯不同，因此，先計算玫瑰花圖像各個輪廓的像素數(shù)量[15]，根據(jù)輪廓的像素數(shù)量確定該輪廓內玫瑰花數(shù)量，然后對玫瑰花輪廓進行最小二乘法計算，計算后的圖像輪廓變的更加平滑，最后使用opencv中的函數(shù)畫出對應數(shù)量的內切擬合圓[16]。

2 結果與分析

2.1 不同重疊玫瑰花圖像像素分析

將300幅玫瑰花樣本圖像中的重疊玫瑰花像素匯總，如表1所示。可以看出，不同重疊的圖像像素差別很大，重疊花朵數(shù)量越多，圖像像素越高。為了獲取更加全面的數(shù)據(jù)，并對種植環(huán)境下的玫瑰花圖像進行試驗驗證，可將試驗對象分為單朵玫瑰花、重疊玫瑰花、被枝葉遮擋的玫瑰花[17]。

2.2 玫瑰花圖像雙邊濾波參數(shù)確定

玫瑰花具有復雜的圖像特征和背景，為得到更準確的參數(shù)區(qū)間，采取中間值法尋找最佳區(qū)間，部分參數(shù)濾波處理效果如圖1所示。經(jīng)測試分析發(fā)現(xiàn)，濾波區(qū)域半徑（N）的最佳區(qū)域為12～16， δr值為60～70，δs 值為50～70。參數(shù)選取過大將使圖像過度模糊，玫瑰花圖像中部分有用的信息將被去除；過小則無法達到去除玫瑰花圖像細小噪音的效果，同時增加了圖像運算量并降低識別效率[18]。

2.3 HSV 顏色空間閾值分析

以圖1A為例繪制圖像灰度折線圖，如圖2所示。圖中的x 軸是玫瑰花圖像的灰度值（0～255），y軸為圖像中具有相同灰度值的點的數(shù)目。觀察圖像發(fā)現(xiàn)，玫瑰花樣本的灰度等級集中在40～125之間，玫瑰花圖像整體顏色為暗沉色且圖像顏色灰度呈單峰型，利用HSV顏色空間模糊提取玫瑰花更加簡單高效。HSV顏色模型為六角錐體模型，其中參數(shù)H（hue）為色調、S（saturation）為飽和度、V（value）為明度。創(chuàng)建opencv 中的滾動條函數(shù)分別對H、S、V 分量圖進行閾值分割，確定理想閾值，對HSV 顏色空間中H、S、V 分量閾值如圖3。由于可食用玫瑰花色系繁雜，玫瑰花可能出現(xiàn)的顏色眾多，本研究主要對‘滇紅玫瑰花色進行閾值分割。單個HSV顏色區(qū)間無法包含‘滇紅玫瑰所有可能出現(xiàn)的色系，最終利用2個HSV顏色空間完成對所有圖像樣本的閾值分割[19]。閾值分割后圖像中還存在大量的背景噪聲，其中有玫瑰花花刺、掉落在地面的玫瑰花花瓣和花苞，玫瑰花本身因為花蕊中心呈黃色有所殘缺。

2.4 玫瑰花圖像與特征提取結果分析

使用圖1A作為示例。首先使用HSV顏色空間閾值方法對玫瑰花原圖閾值分割得到對應的二值圖像圖（4A），隨后對玫瑰花二值圖像進行卷積合大小為12×12的開運算（圖4B），圖像中大部分的花瓣碎片和花刺被去除，剩下花苞和粗壯的枝條未被處理。這些噪聲通過利用圖像中最大聯(lián)通區(qū)域面積（像素點）的1/7進行面積閾值去除（圖4C）。觀察圖像可知，玫瑰花花朵本身還存在缺口噪聲，這類噪聲利用閉運算對圖像進行填補，卷積合大小為15×15的閉運算能有效部分填補漏洞（圖4D）。由于玫瑰花中心缺口太大，若進行更大的卷積合閉運算會使玫瑰花圖像變形嚴重，故運用開源計算機視覺庫中的opencv-fillpoly 函數(shù)對玫瑰花圖像進行遍歷查詢，對查詢到的孔洞進行填補（圖4E）。將圖片中的噪聲完全清除后，利用玫瑰花內切圓形狀擬合算法，計算出各個輪廓中的玫瑰花內切圓（圖4F、G）。

2.5 圖像特征與識別準確率分析

以圖4G作為研究對象，玫瑰花特征提取結果如表2所示。為驗證結果的準確性運用空間一階矩對玫瑰花樣本集的二值圖像運算，將得到的實際重心位置坐標與試驗坐標對比發(fā)現(xiàn)，玫瑰花圓心像素坐標較準確誤差在15個像素內。玫瑰花內切圓直徑與實際測得玫瑰花直徑（玫瑰花短軸的像素值）誤差在25個像素內。

玫瑰花識別結果如表3所示，本研究中單支玫瑰花的檢測與特征提取效果理想，利用顏色閾值將單支玫瑰花分割后擬合玫瑰花的最大內切圓，能夠得到較準確的玫瑰花特征值，識別率高達98.17%。對于重疊的玫瑰花進行顏色閾值后只能提取出完整的玫瑰花群，運用本研究提出的花蕊定位法能夠有效逐個擬合玫瑰花。在本研究中的樣本集中，重疊玫瑰花類型數(shù)量有394簇，能有效提取玫瑰花特征值的有335簇，重疊玫瑰花識別率為85.02%，其中3朵及以下重疊玫瑰花的識別率為92.67%，4朵及以上重疊玫瑰花的識別率為74.07%，試驗誤差集中在4朵及以上的重疊玫瑰花類型。被葉片遮擋的玫瑰花識別率為83.03%，其中部分遮擋的玫瑰花能被有效識別，但被嚴重遮擋的玫瑰花（花朵面積小于未開放花苞）會被直接擦除無法被檢測。完成300幅圖像所耗時間約為3 060 s，每幅圖像平均耗時10.2 s。

2.6 光照強弱對結果的影響分析

針對光照強弱，選取具有代表性的2幅圖像進行分析。如圖5所示，順、逆光玫瑰花圖像中所含信息豐富，具有參考價值，圖5A玫瑰花圖像顏色較雜亂，且能明顯區(qū)分泥土、綠葉、枝條，觀察圖5C中的泥土、綠葉枝條因為光照原因更加難以區(qū)分，尤其是泥土和枝條已經(jīng)混為一體。本研究對玫瑰花顏色閾值區(qū)間進行了重點研究，顏色閾值區(qū)間抗干擾能力較強，對泥土、綠葉、枝條有較好的剔除能力。如圖5B、D所示，順、逆光玫瑰花圖像仍有較好的識別效果，光照強弱對試驗影響較小。

3 討 論

對玫瑰花在種植環(huán)境下單支、重疊、遮擋等狀態(tài)下的檢測和特征提取方法進行研究，驗證了提出方案的可行性，其中無法識別的玫瑰花原因有如下幾點：①被陽光直射時，玫瑰花反射陽光使得照片出現(xiàn)空白，對試驗結果造成嚴重影響；②重疊玫瑰花數(shù)量過多，部分玫瑰花被完全遮擋無法被檢測，且花蕊完全偏離攝像頭，使得花蕊定位法獲取的圖像特征不準確；③玫瑰花被枝葉遮蓋嚴重，被作為小面積花苞去除；④玫瑰花枝葉少數(shù)呈紅色，紅枝葉面積過大且與玫瑰花接觸時將形成連接噪聲，若這類連接噪聲面積過大，則無法通過圖像預處理去除。若想避免上述誤差，需要更加深入探討顏色空間的選取與參數(shù)的選擇，或者運用神經(jīng)網(wǎng)絡識別玫瑰花提高準確率，對于玫瑰花的輪廓分割，需要進一步改進分割算法。

目前，已經(jīng)有許多基于機器視覺的農(nóng)業(yè)識別產(chǎn)品，這類研究對中國現(xiàn)代化農(nóng)業(yè)有極大的推動作用，本研究相較于其他的農(nóng)業(yè)識別項目實現(xiàn)方法改進較大，且最終得出的結果較為理想。為保存圖像特征并使得圖像更加平滑，本研究使用雙邊濾波函數(shù)對玫瑰花圖像過濾，‘滇紅品種的玫瑰花顏色鮮艷，為減弱光照強度對試驗結果的影響，通過合并2個HSV顏色空間完成玫瑰花顏色的提取，且提取效果良好。本研究提出的方法適用于類圓形農(nóng)作物的圖像噪聲處理，利用形態(tài)學運算、面積閾值和孔洞填補等操作，有效去除顏色閾值后玫瑰花二值圖像的噪聲，得到較為干凈的玫瑰花二值圖像。為準確提取玫瑰花特征值，提出花蕊定位法，該方法相較于hough變換有更好的擬合效果。

本研究經(jīng)過大量的玫瑰花樣本試驗及資料查詢，并對玫瑰花的種植環(huán)境進行了詳細調查，最終能夠對種植環(huán)境下的玫瑰花準確識別，可推動玫瑰花采摘機器人的實現(xiàn)，同時對類圓形農(nóng)作物采摘機器人具有一定的參考價值。

參 考 文 獻

［1］ 陳昆，楊云福，方衛(wèi)山，等.云南食用玫瑰花產(chǎn)業(yè)現(xiàn)狀及發(fā)展研究[J].南方農(nóng)機，2022，53（6）：6-8.

CHEN K，YANG Y F，F(xiàn)ANG W S，et al ..Study on the currentsituation and development of edible roses production inYunnan [J]. China Southern Agric. Mach.， 2022，53（6）：6-8.

［2］ 胡曉燕，沈才洪，敖宗華，等.玫瑰花有效成分及玫瑰花酒的研究進展[J].釀酒科技，2014（11）：68-72

HU X Y，SHEN C H，AO Z H，et al ..Research progress in theactive ingredients of rose ＆ rose wine [J].Liquor-Making Sci.Technol.， 2014（11）：68-72.

［3］ 王彥鈞.食用玫瑰花采摘機器人研究[D].昆明：昆明理工大學，2014.

WANG Y J. Study on picking robots for ediable rose [D].Kunming： Kunming University of Science and Technology，2014.

［4］ 王彥鈞，張云偉，王大龍，等.基于神經(jīng)網(wǎng)絡的食用玫瑰花圖像識別算法[J].中國農(nóng)業(yè)大學學報，2014，19（4）：180-186.

WANG Y J， ZHANG Y W， WANG D L，et al .. Recognitionalgorithm of edible rose image based on neural network [J].J.China Agric. Univ.， 2014，19（4）：180-186.

［5］ 姚應方，劉峰，張海東，等.基于機器視覺的八角顏色與果形識別研究[J].中國農(nóng)業(yè)科技導報，2021，23（11）：110-120.

YAO Y F， LIU F， ZHANG H D， et al .. Research on octagoncolor and fruit shape recognition based on machine vision [J].J. Agric. Sci. Technol.， 2021，23（11）：110-120.

［6］ 司永勝，喬軍，劉剛，等.基于機器視覺的蘋果識別和形狀特征提取[J].農(nóng)業(yè)機械學報，2009，40（8）：161-165.

SI Y S，QIAO J，LIU G，et al ..Recognition and shape featuresextraction of apples based on machine vision [J].Trans. Chin.Soc. Agric. Mach.，2009，40（8）：161-165.

［7］ 祝前峰，陸榮鑑，李奉順.蘋果采摘機械的研究現(xiàn)狀與發(fā)展趨勢[J].林業(yè)機械與木工設備，2021，49（5）：4-9.

ZHU Q F， LU R J， LI F S. Research status and developmenttrend of apple picking machinery [J].For. Mach. WoodworkingEquip.， 2021，49（5）：4-9.

［8］ 任會.基于機器視覺的自然條件下橘子檢測研究[D].長沙：中南林業(yè)科技大學，2021.

REN H. Study on orange detection under natural conditionsbased on machine vision [D]. Changsha： Central SouthUniversity of Forestry and Technology，2021.

［9］ 王海青，姬長英，顧寶興，等.基于機器視覺和支持向量機的溫室黃瓜識別[J].農(nóng)業(yè)機械學報，2012，43（3）：163-167.

WANG H Q，JI C Y，GU B X，et al ..In-greenhouse cucumberrecognition based on machine vision and least squares supportvector machine [J].Trans. Chin. Soc. Agric. Mach.，2012，43（3）：163-167.

［10］ 鮑官軍，荀一，戚利勇，等.機器視覺在黃瓜采摘機器人中的應用研究[J].浙江工業(yè)大學學報，2010，38（1）：114-118.

BAO G J，XUN Y，QI L Y，et al ..Research on the application ofmachine vision in cucumber picking robots [J].Zhejiang Univ.Technol.，2010，38（1）：114-118.

［11］ TOMASI C， MANDUCHI R. Bilateral filtering for gray andcolor images [C]// Proceedings of the Sixth InternationalConference on Computer Vision. IEEE， 1998： 839-846.

［12］ 汪杰，陳曼龍，李奎，等.基于HSV與形狀特征融合的花椒圖像識別[J].中國農(nóng)機化學報，2021，42（10）：180-185.

WANG J，CHEN M L，LI K，et al ..Prickly ash image recognitionbased on HSV and shape feature fusion [J]. J. Chin. Agric.Mech.，2021，42（10）：180-185.

［13］ 劉志偉，周東傲，林嘉宇.基于圖像顯著性檢測的圖像分割[J].計算機工程與科學，2016，38（1）：144-147.

LIU Z W，ZHOU D A，LIN J Y. Image segmentation based onsaliency detection [J].Comput. Eng. Sci.， 2016，38（1）：144-147.

［14］ 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].楊凌：西北農(nóng)林科技大學，2016.

WANG B. A method for obtaining target fruit coordinates inspace using on kiwifruit picking robot [D].Yangling：NorthwestA&F University，2016.

［15］ 王偉斌.采摘機器人目標識別及定位研究[D].西安：西安理工大學，2017.

WANG W B. Picking robot target identification and positioningresearch [D]. Xian： Xian University of Technology， 2017.

［16］ HU M H， DONG Q L， MALAKAR P K，et al .. Determiningbanana size based on computer vision [J]. Int. J. Food Prop.，2015，18（3）：508-520.

［17］ 伍鎣芮，張志勇.基于圖像處理技術的棚室番茄果實識別[J].山西農(nóng)業(yè)科學，2021，49（7）：898-902.

WU Y R， ZHANG Z Y. College of agricultural engineering tomatofruit recognition in greenhouse based on image processingtechnology [J]. J. Shanxi Agric. Sci.， 2021，49（7）：898-902.

［18］ 張猛.基于網(wǎng)絡攝像頭的人臉識別系統(tǒng)設計[D].西安：西安電子科技大學，2020.

ZHANG M. Design of face recognition system based on webcamera [D]. Xian：Xidian University，2020.

［19］ 余博文.數(shù)字圖像閾值分割研究與應用[J].科學技術創(chuàng)新，2021（19）：91-92.

YU B W. Research and application of digital image thresholdsegmentation [J]. Sci. Technol. Innov.， 2021（19）：91-92.

（責任編輯：胡立霞）

基金項目：云南省科技廳科技技術項目（202104AR040012） 。