蠶繭識別技術研究現狀及發展趨勢

摘要：我國繅絲織綢早已進入機械化、自動化的發展階段，但是蠶繭圖像識別技術仍處于研究的初級階段，在推廣和應用中存在很多技術瓶頸。為更好地將智能識別技術的研究用于蠶繭分選工作，推動蠶絲產業的健康高效發展，從蠶繭的分類和選繭的標準出發，分別介紹目前蠶繭圖像識別技術研究中基于顏色特征、形狀特征和紋理特征的識別技術研究現狀和特點，總結和分析現在蠶繭圖像識別技術研究中存在識別信息不完整、識別種類少、識別準確度和效率較低等方面的問題。提出在開展完整蠶繭圖像建立技術、增加多種特征的采集和判別、開展深度學習技術融合的研究建議，展望蠶繭智慧高效分選的發展趨勢。

關鍵詞：蠶繭分選；圖像采集；特征識別；機器視覺；深度學習

中圖分類號：S23 文獻標識碼：A 文章編號：2095?5553 （2024） 11?0159?06

Research status and development trends of silkworm identification technology

Cheng Fangping， Wang Yipeng， Zhao Bangtai， Guo Xi， Yang Changmin， Zhang Wei

（Sichuan Academy of Agricultural Machinery Sciences， Chengdu， 610066， China）

Abstract： The production of silk reeling and weaving in our country has already entered a stage of mechanization and automation. However， cocoon image recognition technology is still in its early stages of research， and there are many technical bottlenecks in its promotion and application. In order to better apply the research of intelligent recognition technology to cocoon sorting work and promote the healthy and efficient development of the silk industry， this article starts from the classification of cocoons and the standards for selecting cocoons， and introduces the current research status and characteristics of cocoon image recognition technology based on color features， shape features and texture features. It summarizes and analyzes the problems of incomplete recognition information， limited recognition types， low recognition accuracy and efficiency in current cocoon image recognition technology research. Suggestions are put forward for conducting research on the establishment of complete silkworm cocoon images， increasing the collection and discrimination of multiple features， and integrating deep learning technology. The development trend of intelligent and efficient silkworm cocoon sorting is also prospected.

Keywords： cocoon sorting; image recognition; feature recognition; machine vision; deep learning

0 引言

栽桑養蠶、繅絲織綢在我國具有5 000多年的悠久歷史[1， 2]，為我國農業經濟發展、東西方文化交流和經濟貿易做出重要貢獻。從1970年以來，我國蠶桑種植面積和桑蠶生絲生產量均穩居世界第一，解決農村勞動力就業的同時創造了大量的物質和精神財富，對促進養蠶農民增收和鄉村振興具有重要意義[3， 4]。2006年商務部實施“東桑西移”工程以來，蠶桑絲綢產業得到恢復性發展[5]。我國作為世界生絲原料的主要來源國，生絲質量和數量在世界上始終保持領先地位[6， 7]。

桑蠶在上簇和營繭過程中，由于簇具、蠶病及各種外界因素影響，難免導致次繭、下繭的產生[8]。為確保繅絲質量，在繅絲前必須對蠶繭進行分選，提高生絲品質和蠶繭利用率[9]。

目前，蠶繭分選主要依賴人工選繭，不僅選繭工作量大、生產成本高且工人容易疲勞，疲勞后將直接影響選繭質量和作業效率[10， 11]。隨著圖像采集、圖像處理和目標檢測算法研究和發展，針對目標物體的識別大量應用到智能農機中，王夢妮等[12]針對茶芽識別的小目標特征，提出了一種改進YOLOv5s模型，提高了特征融合的效率；李光明等[13]對YOLOv5s模型進行輕量化改進，降低了85%的網絡參數，提高了花椒簇的檢測精度和效率。張琪等[14]采用RPN區域生成網絡，改進Fast R-CNN算法，實現蘋果較小缺陷區域快速檢測和分選；楊森森等[15]針對識別田間雜草無法同時提高準確率與實時性的問題，采用卷積和 MobileViT模塊結合的結構，學習雜草圖像中具有辨別細微差異能力的細粒度特征，改變了對人工設計形狀、紋理等特征的依賴。農業田間作業對象的識別技術也可用于蠶繭識別的，我國科研人員利用深度學習和機器視覺技術進行蠶繭識別開展了大量相關研究[16， 17]。本文從蠶繭的紋理、顏色、形狀特征等方面的相關識別技術研究進行綜述，并結合生產現狀對蠶繭識別技術的發展前景和趨勢加以展望。

1 蠶繭分選

隨著技術的發展和進步，繅絲織綢早已進入機械化、自動化的發展階段，繅絲前的蠶繭分選環節仍然依賴人工選繭。選繭是蠶繭在繅絲前進行的重要工序，直接影響繅絲質量。按繭質是否達到繅絲要求，將蠶繭分為“上車繭”和“下繭”，其中“上車繭”又細分為“上繭”和“次繭”?！吧侠O”的色澤純凈均勻、繭形完好適中，繅制生絲質量好。次繭有少量允許疵點，繭質在下繭標準之上，能繅制生絲但品質不高。下繭疵點和質量缺陷較多，難以繅絲、品質較低，甚至影響上繭的正?？壗z。

國家標準GB/T 9111—2015《桑蠶干繭試驗方法》[18]將下繭細分為17類，根據不同情況又對黃斑繭、柴印繭、霉繭、爛繭進行了細分。從17類下繭分類特征來看，根據國家標準對下繭的定義，大部分下繭可通過紋理、顏色、形狀特征等進行判別，下繭的分類和主要判別特征見表1。

2 蠶繭識別技術

世界主要養蠶國有中國、印度、烏茲別克斯坦等，其中我國的蠶繭產量占世界總產量的一半以上。2022年，我國蠶繭產量達738 kt[19]。對于蠶繭的分選急需機械化、智能化選繭技術的研發和應用，分選的首要任務是識別，我國有關學者也就蠶繭的識別技術開展了大量研究，下繭的種類較多，但關于蠶繭的識別主要從蠶繭的顏色、紋理、形狀等主要特征進行判別。

2.1 基于顏色的蠶繭識別

顏色是蠶繭最直觀的外在特征，根據國家標準對下繭的分類和定義，通過顏色及所占比例（圖1），可以判別黃斑繭、異色繭、印頭繭、霉繭、爛繭、油繭、多疵點繭。隨著現代農業技術的發展，從雜草、病蟲害，再到水果、茶芽等，圖像識別技術在農業生產中的應用逐漸擴大。近年來，圖像識別的研究開始應用到蠶繭識別分類中。

陳浩等[20]采用接近人眼識別經驗和對色彩感知習慣的HSV模型，并利用MatLab軟件中的函數來計算蠶繭表面的污斑面積，識別時間為0.7 s左右，面積誤差僅1%，為蠶繭下繭的判別提供了理論參考，可作為智能識別選繭的輔助判別方法。金航峰[21]通過對蠶繭圖像二值化、反相后的圖像特征進行提取，利用拓撲幾何計算空洞數量，實現對黃斑繭、柴印繭與正常繭的區分，計算蠶繭圖像橢圓離心率判別畸形繭，判別準確率為72.5%，由于蠶繭的柴印區域與正常區域顏色相近，僅通過顏色進行柴印的判別效果較差，需要采用更加精準、區分度較大的特征參數進行判別，比如蠶繭紋理。

劉莫塵等[22]采用于模糊C均值聚類分割和HSV模型的顏色分量設定判別閾值，實現對方格簇上的黃斑繭進行判別和剔除，檢測準確率為81.2%，定位精度為3 mm，單張方格簇（12格×13格）檢測時間小于1.3 s。由于蠶繭處于方格簇中，黃斑處于邊緣的蠶繭檢測效果不好，可作為采繭時的初步篩選手段。針對基于顏色特征只采用HSV單分量識別準確率不高的問題，孫衛紅等[23]提出了基于顏色特征HSV三通道和支持向量機的蠶繭分類方法，對黃斑繭、印頭繭、薄皮繭、爛繭和上車繭圖像顏色特征進行主成分分析、支持向量機構造分類器，避免顏色特征向量的“數據過?！焙头诸惸Ｐ偷摹熬S數災難”，單粒蠶繭的圖像識別時間僅為0.12 s，明顯優于人工識別時間（0.32 s）。該研究的分類平均準確率達91%，上車繭的準確率最高可達100%，為蠶繭的智能分選技術研究提供了理論參考，具有很好的借鑒意義。

2.2 基于紋理的蠶繭識別

紋理是蠶繭非常重要的外在特征，特別是柴印繭，柴印包括了條形、釘點、平板狀，與正常繭比較突出的主要特征區別在于紋理（圖2），紋理反映了蠶繭表面或結構的是否存在某種缺陷，成為人們判別蠶繭繭質的重要依據。

在自然界中，斑馬、豹、樹皮、蜂巢等均具有比較明顯的自然紋理，成為人眼觀察即可進行判別的特征[24]。蠶繭由于外層包裹著一層繭衣、紋理不清晰，導致通過紋理進行蠶繭識別準確率不高的問題，周顯沁等[25]采用主成分分析法得到的新特征進行映射，減少冗余信息，突出主要特征。基于Keras深度學習搭建了一種模擬人腦識別方式的改進卷積神經網絡，進行模型優化后，以紋理為主要特征的柴印繭識別率從86.2%提高到93.6%，提升了柴印繭的識別效果。

針對具有疵點的蠶繭表面進行單一面檢測，存在當蠶繭表面存在多疵點或疵點無法獲取完整圖像的問題，導致識別模型無法分析蠶繭表面的疵點特征，黎雨等[26]利用LBP（Local Binary Pattern）算子在描述圖像局部紋理特征具有旋轉不變性和灰度不變性等優點，提取蠶繭表面疵點圖像邊緣特征與紋理特征，構建疵點融合特征灰度圖，運用到蠶繭圖像配準中，保持特征不變的同時提高配準精度，由傳統的SURF（Speeded Up Robust Features）算法的76.6%提升到89.8%。針對蠶繭繭衣等導致表面紋理特征模糊，配準算法容易陷入局部最優解的問題，孫衛紅等[27]利用蠶繭近橢球體的特性，采用旋轉圓盤及數學模型，獲取蠶繭多視角點云并旋轉歸一到同一坐標系下。該方法僅需計算點云與旋轉矩陣的乘積，相比多次迭代算法，配準時間降低90%左右，大大提升了蠶繭點云配準效率，對蠶繭識別的技術應用具有很好的借鑒作用。

2.3 基于形狀的蠶繭識別

形狀是蠶繭除顏色外，最直觀的特征，對于畸形繭、雙宮繭、特小繭、口繭、癟繭，主要通過形狀特征與正常繭的差異進行判別，如圖3和圖4所示，主要區別在于與正常繭橢球型的外形差異和尺寸差異。通過形狀分選的下繭中，特別是雙宮繭，是制作蠶絲被原料的較佳選擇，在分選繭時需要與其他類型下繭分開處理后留用。

現有的智能識別技術中，雙宮繭的識別主要有橢圓長短軸比值法[28]和面積平均值法[29]。橢圓長短軸比值法不適于首尾相連的雙宮繭，對于并排的雙宮繭效果較好，但是對蠶繭形狀特征的擬合精度要求較高，大部分蠶繭形狀存在局部不規則、繭衣及蠶繭粘連，使得擬合后橢圓與實際形狀特征存在較大差異，導致在比值附近的蠶繭種類誤判。面積平均值法可以檢出特小繭，對于較小的雙宮繭不能檢出。蔣昭瓊等[30]采用長短軸比值和面積均值兩個參數，結合多級閾值對雙宮繭進行檢測，克服了單一參數導致的誤檢、漏檢，將基于形狀的雙宮繭判別準確率提升至98.6%，但是該方法要求蠶繭平鋪在成像視野中，在分選實踐中需要輔助裝置確保蠶繭沒有重疊。

基于形狀的識別技術研究在農業中的應用較多，棘玉等[31]采用橢圓擬合法和像元統計實現了批量化獲取油茶果長短軸、面積、周長等特征，特別是對面積的準確率高達99.9%。李昕等[32]利用油茶果殼與籽粒在兩者圓形度、飽滿度、延伸率等形狀特征的差異，實現了97.4%的準確率，平均識別時間為0.6 s，可達生產線實時性的要求?；诠麑嵭螤钐卣鞯淖R別也可以研究后遷移運用到蠶繭的識別技術中。

2.4 基于綜合特征的蠶繭識別

從我國對下繭的標準定義可以看出，主要通過對蠶繭的紋理、顏色、形狀等進行判別，特別是對顏色差異所覆蓋數量、面積及占比的判別種類最多，但各種識別方法的適用范圍、優缺點、準確率各不相同（表2），目前沒有能夠一次完成所有類型下繭的識別方法。

單一的特征識別無法判別所有下繭，需要結合紋理、顏色、形狀等分步進行判別，在生產實踐中，蠶繭識別首先根據顏色差異剔除部分下繭，再從剩下的蠶繭中進一步通過識別紋理和形狀進行下繭篩選。王勇等[33]針對物體表面特征不明顯，引入權重因子實現顏色信息和形狀信息的自適應對配準，不僅實現了精確配準，還為對象識別提供了更多的判別信息，其對臉譜、水壺、石膏像的識別可以拓展到蠶繭的識別技術中，但缺少了對物體紋理信息的提取。史澤鵬等[34]利用快速點特征直方圖2uzNhAutwNKhUrrj5BFas2Cgsv5Vp2mWiSe5b7iDxpg=提取形狀特征、利用點對色彩通道比值提取紋理特征，實現了包括顏色、形狀、紋理的快速描述，適合需要快速識別的應用場景。但是存在紋理描述不夠精細的問題，且對象色彩較單調時易出現匹配不準，特別是部分顏色正常的下繭。對蠶繭的識別需要綜合運用多種判別特征和算法，仍然還有很多問題需要進一步研究。

3 存在問題

蠶繭在生產中由于種種原因，難免會產生次下繭，且次下繭的種類較多，根據現行標準定義就分為17個大類，部分種類還有細分種類。次下繭種類繁多為分選帶來了較大困難，分選人員根據標準定義也難以精準判別。為方便分選，還需要參照GSBW—40001 《桑蠶繭（干繭）下繭實物樣照》進行分選。蠶繭智能識別研究較多，但在實際應用中還存在很多困難。

1） 識別信息不完整。判斷蠶繭品質的表觀特征分布在整個蠶繭的表面，目前的智能識別技術始終存在視覺盲區，特別是基于機器視覺采集的蠶繭正、反面及四周圖像信息不夠完整，極易導致圖像在采集、分割、連接等過程中出現特征遺漏，無法將蠶繭信息完整地轉化為圖像信息。有學者利用等效階梯柱面研究了蠶繭完整圖像展開技術，但需要一對滾軸支撐裝置分別對單粒蠶繭逐一進行采集，且對采集后的圖像拼接要求較高，僅能對部分種類次繭進行有效拼接，還需要經過點云配準進行蠶繭表面信息的重建。

2） 識別種類少?，F有蠶繭識別技術研究主要針對下繭中的一種或者幾種進行識別，比如針對以顏色特征識別為主的黃斑繭，以形狀特征識別為主的雙宮繭，以紋理特征識別為主的柴印繭等，但是實際生產中，各種蠶繭混雜在一起，在進行蠶繭識別時缺少對蠶繭顏色、形狀、紋理等多種特征的提取，目標判別信息較少，無法同時識別。每批下繭總是存在多種類型缺陷特征，單一的識別特征技術總是顧此失彼，難以兼顧。不僅識別的種類少，生產適用性較低，難以降低人工分選蠶繭的工作量。

3） 識別準確度和效率較低。由于蠶繭表面存在附絲遮擋蠶繭特征，還有蠶繭的粘連、重疊等均會影響選繭準確度和效率。采用機器視覺識別后還需要很多配套輔助措施以利于提高識別準確度。特別對斑點繭和上車繭的識別準確率較低，難以達到實際生產過程中對選繭準確度的要求；由于圖像處理的算法靈活性不夠，僅對某些特征效率較高，無法根據不同特征改變算法。現有識別技術研究的方法對于蠶繭圖像信息的處理速度無法滿足目前繅絲企業流水線作業的選繭速度要求，識別后還需要靈活精準的執行裝置進行剔除，分選效率較低，難以應用于生產線的分選作業。

4 發展趨勢

隨著人工成本的不斷增加和信息技術（計算機視覺技術、圖像處理技術、高效處理算法）和機械電子技術的發展，蠶繭的識別與分選將更多地用于生產實際中，不斷降低勞動強度、提高生產效率，推動蠶繭絲綢產業的高質量發展。在蠶繭識別技術的后續研究中，具有以下發展趨勢。

1） 開展完整蠶繭圖像建立技術研究。針對蠶繭橢球體的形態特征，考慮結合3D立體建模方法進行蠶繭圖像的采集和全景拼接研究；基于蠶繭特征進行圖像采集并研究合適蠶繭表面等效展開方法，為蠶繭的拼接和識別提供數據基礎。根據采集的全表面信息進行點云配準和三維重建。

2） 增加多種特征的采集和判別。次繭包括種類較多，對應多種特征表現和判別計算標準。在完整蠶繭圖像建立的基礎上，蠶繭識別技術需要對各個蠶繭的顏色、形狀、紋理特征進行全面采集，并根據蠶繭缺陷顏色的分布面積和數量、缺陷形狀和紋理的輕重程度，按照判別標準進行全面的分析計算，增加蠶繭識別范圍。

3） 開展深度學習技術研究。在蠶繭生產實際中，蠶繭的智能識別易受繭衣、粘連、重疊等多種因素影響，需要在識別中能夠排除干擾對識別的影響，沒有一種適合所有缺陷特征的通用處理方法，提高對識別特征的智能推理能力，保證識別的準確度和算法效率。蠶繭識別可以結合深度學習技術，構造蠶繭圖像分類器，根據不同特征自動選取合適的智能算法，進一步提高蠶繭種類的識別準確度和效率。

5 結語

隨著機器視覺和深度學習的快速發展，智能識別技術在智能農機的研究和應用中已經非常廣泛，進一步解放勞動力，提高生產效率，現代農業也發展到4.0階段。相對其他農業產業，蠶繭生產的產業規模、資金投入和政策支持力度都非常小，蠶繭的智能識別技術研究投入、研究單位和研究人員都較少。蠶繭智能識別技術具有較強的現實需求和發展前景，智能識別技術可以在蠶繭識別中遷移和應用。我國作為蠶絲生產大國，繅絲企業亟需蠶繭智能分選技術和設備，急需政府、企業和科研單位加大投入和統等力度，以公共研發項目為牽引，以需求為導向，推動跨學科科研團隊進行攻關，推動智能識別技術從試驗研究走向蠶繭分選生產應用，促進我國蠶絲行業的快速健康發展。

參 考 文 獻

[ 1 ] 陜西省蠶桑產業技術體系蠶?；A信息數據庫建設課題組. 我國蠶桑產業研究進展專題文獻索引Ⅰ——省力化養蠶技術專題文獻條目[J]. 北方蠶業， 2023， 44（1）： 53-60.

[ 2 ] 李建琴， 顧國達， 何樟勇， 等. 中國繭絲綢產業區域布局與發展重點[J]. 蠶業科學， 2018， 44（6）： 936-946.

Li Jianqin， Gu Guoda， He Zhangyong， et al. Regional distribution and developing emphasis of China's cocoon silk industry [J]. Acta Sericologica Sinica， 2018， 44（6）： 936-946.

[ 3 ] 陶姍姍， 鄢貴松， 劉明輝， 等. 安徽大別山區蠶桑產業發展的現狀與對策[J]. 中國蠶業， 2022， 43（3）： 21-27， 34.

[ 4 ] 張印輝， 楊宏寬， 劉強， 等. 基于模型壓縮與感受野增強的下繭實時檢測[J]. 紡織學報， 2021， 42（11）： 29-38.

Zhang Yinhui， Yang Hongkuan， Liu Qiang， et al. Real?time detection of inferior cocoons through model compression and receptive field enhancement [J]. Journal of Textile Research， 2021， 42（11）： 29-38.

[ 5 ] 王謝， 楊德乾， 郭海霞， 等. 我國桑園時空格局演變特征及驅動機制研究[J]. 西南農業學報， 2020， 33（2）： 381-388.

Wang Xie， Yang Deqian， Guo Haixia， et al. Spatial oattern evolvement characteristics and their driving mechanism of Chinese mulberry plantation [J]. Southwest China Journal of Agricultural Sciences， 2020， 33（2）： 381-388.

[ 6 ] 何樟勇， 李建琴， 顧國達， 等. 中國蠶絲供求測算與預測研究[J]. 蠶業科學， 2020， 46（3）： 356-366.

He Zhangyong， Li Jianqin， Gu Guoda， et al. Calculation and prediction of silk supply and demand in China [J]. Acta Sericologica Sinica， 2020， 46（3）： 356-366.

[ 7 ] 張晴. 中國桑蠶空間格局演變及其優化研究[D]. 北京： 中國農業科學院， 2018.

[ 8 ] 潘繼友， 馬紀愛， 汪希姣， 等. 桑蠶繭下繭的分類、形成原因、預防措施[J]. 中國纖檢， 2022， 556（1）： 103-105.

[ 9 ] 鄭祚福， 趙心雨， 林海濤. 蠶繭品質控制工序研究進展[J]. 輕工科技， 2021， 37（11）： 87-88.

[10] 楊友慶， 周小娟， 楊友全. 如何選“好”桑蠶干繭[J]. 中國纖檢， 2018， 518（10）： 46-48.

[11] 李時杰， 孫衛紅， 梁曼， 等. 基于深度學習的蠶繭種類實時檢測系統設計[J]. 上海紡織科技， 2021， 49（11）： 53-55， 58.

[12] 王夢妮， 顧寄南， 王化佳， 等. 基于改進YOLOv5s模型的茶葉嫩芽識別方法[J]. 農業工程學報， 2023， 39（12）： 150-157.

Wang Mengni， Gu Jinan， Wang Huajia， et al. Method for identifying tea buds based on improved YOLOv5s model [J]. Transactions of the Chinese Society of Agricultural Engineering， 2023， 39（12）： 150-157.

[13] 李光明， 弓皓斌， 袁凱. 基于輕量化YOLOv5s的花椒簇檢測研究[J]. 中國農機化學報， 2023， 44（4）： 153-158.

Li Guangming， Gong Haobin， Yuan Kai. Research on lightweight pepper cluster detection based on YOLOv5s [J]. Journal of Chinese Agricultural Mechanization， 2023， 44（4）： 153-158.

[14] 張琪， 曹浩. 基于改進的Faster R-CNN蘋果缺陷區域目標檢測[J]. 安徽科技學院學報， 2023， 37（3）： 96-101.

Zhang Qi， Cao Hao. Improved Faster R-CNN based on apple defective region target detection [J]. Journal of Anhui Science and Technology University， 2023， 37（3）： 96-101.

[15] 楊森森， 張昊， 興陸， 等. 改進MobileViT網絡識別輕量化田間雜草[J]. 農業工程學報， 2023， 39（9）： 152-160.

Yang Sensen， Zhang Hao， Xing Lu， et al. Light weight recognition of weeds in the field based on improved MobileViT network [J]. Transactions of the Chinese Society of Agricultural Engineering， 2023， 39（9）： 152-160.

[16] 王娜， 胡常紅， 彭國慶， 等. 機器視覺技術在蠶業中的應用研究進展[J]. 黑龍江農業科學， 2016（12）： 145-147.

Wang Na， Hu Changhong， Peng Guoqing， et al. Research progress of machine vision technology in sericulture [J]. Heilongjiang Agricultural Sciences， 2016（12）： 145-147.

[17] 唐科夢， 謝啟凡， 楊明英， 等. 蠶繭質量檢驗方法及檢測新技術概述[J]. 蠶業科學， 2014， 40（5）： 924-927.

Tang Kemeng， Xie Qifan， Yang Mingying， et al. Research progress on evaluation methods and new inspection technologies for silkworm cocoon quality [J]. Acta Sericologica Sinica， 2014， 40（5）： 924-927.

[18] GB /T 9111-2015， 桑蠶干繭試驗方法[S].

[19] 李建琴， 梁巧， 顧國達. 新冠肺炎疫情對我國蠶絲業的影響及發展對策[J]. 中國畜牧雜志， 2023， 59（3）： 336-341.

[20] 陳浩， 楊崢， 劉霞， 等. 基于MATLAB的桑蠶繭選繭輔助檢驗方法的研究[J]. 絲綢， 2016， 53（3）： 32-36.

Chen Hao， Yang Zheng， Liu Xia， et al. Study on auxiliary testing method for mulberry silkworm cocoon sorting based on MATLAB [J]. Journal of Silk， 2016， 53（3）： 32-36.

[21] 金航峰. 基于光譜和高光譜圖像技術的蠶繭品質無損檢測研究[D]. 杭州： 浙江大學， 2013.

[22] 劉莫塵， 許榮浩， 李法德， 等. 基于顏色與面積特征的方格蔟蠶繭分割定位算法與試驗[J]. 農業機械學報， 2018， 49（3）： 43-50.

Liu Mochen， Xu Ronghao， Li Fade， et al. Algorithm and experiment of cocoon segmentation and location based on color and area feature [J]. Transactions of the Chinese Society for Agricultural Machinery， 2018， 49（3）： 43-50.

[23] 孫衛紅， 黃志鵬， 梁曼， 等. 基于顏色特征和支持向量機的蠶繭分類方法研究[J]. 蠶業科學， 2020， 46（1）： 86-95.

Sun Weihong， Huang Zhipeng， Liang Man， et al. Cocoon classification method based on color feature and support vector machine [J]. Acta Sericologica Sinica， 2020， 46（1）： 86-95.

[24] 王軍敏. 面向紋理圖像識別的特征提取方法研究[D]. 西安： 西北工業大學， 2019.

[25] 周顯沁， 韓震宇， 劉成源. 基于改進卷積神經網絡與圖像處理的蠶繭識別方法[J]. 中國農機化學報， 2023， 44（5）： 100-106， 120.

Zhou Xianqin， Han Zhenyu， Liu Chengyuan. Silkworm cocoon identification method based on improved convolution neural network and image processing [J]. Journal of Chinese Agricultural Mechanization， 2023， 44（5）： 100-106， 120.

[26] 黎雨， 孫衛紅， 梁曼， 等. 基于融合特征和FAST-SURF的蠶繭疵點圖像配準算法[J]. 蠶業科學， 2021， 47（3）： 269-275.

Li Yu， Sun Weihong， Liang Man， et al. Registration algorithm for cocoon defect image based on fusion features and FAST-SURF [J]. Acta Sericologica Sinica， 2021， 47（3）： 269-275.

[27] 孫衛紅， 王凱冉， 梁曼， 等. 基于旋轉圓盤的蠶繭點云旋轉歸一化配準算法[J]. 蠶業科學， 2022， 48（5）： 422-429.

Sun Weihong， Wang Kairan， Liang Man， et al. Rotation normalization registration algorithm of silkworm cocoon point cloud based on rotating disk [J]. Acta Sericologica Sinicae， 2022， 48（5）： 422-429.

[28] PP P， CR F， Gorthi S S. Automated quality assessment of cocoons using a smart camera based system [J]. Engineering in Agriculture， Environment and Food， 2018， 11（4）： 202-210.

[29] 杜昕， 劉文烽， 林毅堅， 等. 基于機器視覺動態選繭系統的研究[J]. 企業科技與發展， 2018（4）： 91-94.

[30] 蔣昭瓊， 應婧， 王春霞， 等. 基于雙參數閾值的蠶繭分割及雙宮繭識別研究[J]. 絲綢， 2023， 60（4）： 18-25.

[31] 棘玉， 尹顯明， 嚴恩萍， 等. 基于相機拍照的油茶果形狀特征提取研究[J]. 南京林業大學學報（自然科學版）， 2022， 46（2）： 63-70.

Ji Yu， Yin Xianming， Yan Enping， et al. Research on extraction of shape features of Camellia oleifera fruits based on camera photography [J]. Journal of Nanjing Forestry University （Natural Sciences Edition）， 2022， 46（2）： 63-70.

[32] 李昕， 陳澤君， 李立君， 等. 基于偏好免疫網絡和SVM算法的油茶果多特征識別[J]. 農業工程學報， 2020， 36（22）： 205-213.

Li Xin， Chen Zejun， Li Lijun， et al. Recognition of Camellia multi?features based on preference artificial immune network and support vector machine [J]. Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（22）： 205-213.

[33] 王勇， 黎春. 基于顏色信息和幾何信息的點云自適應配準算法[J]. 激光與光電子學進展， 2020， 57（20）： 146-154.

Wang Yong， Li Chun. Point cloud adaptive registration algorithm based on color information and geometric information [J]. Laser & Optoelectronics Progress， 2020， 57（20）： 146-154.

[34] 史澤鵬， 張元， 楊曉文， 等. 融合形狀與紋理的點云局部特征描述算法[J]. 計算機工程與設計， 2023， 44（3）： 822-828.

Shi Zepeng， Zhang Yuan， Yang Xiaowen， et al. Local feature description algorithm of point cloud based on shape and texture [J]. Computer Engineering and Design， 2023， 44（3）： 822-828.