基于機器視覺的普洱茶餅外觀質量檢測融合算法

關鍵詞：自動化產線；普洱茶餅；機器視覺；圖像處理；缺陷檢測；可編程控制器中圖分類號：S571.1；TP391.4；TP18 文獻標識碼：A DOI：10.7525/j.issn.1006-8023.2025.03.015

Abstract：With the popularization of automated production lines，thepresing process of tea cakeshas become particularlyimportantfor product quality.However，thequalitycontrolofPu'er mini tea cakes producedbyautomated productionlines oftenfalsshortofthose madebyhand.Therefore，the detectionof the appearance qualityof teacakes after production byautomated lines has become an urgent isse to beaddressd.To this end，this study proposes an automated quality detection algorithm for Pu'er tea cakesbased onmachine vision.Thealgorithmcomprehensively applies various image processing techniques，including Otsu threshold segmentation and Cannyedge detection，and introduces multiplealgorithmoptimization strategies to improve detectionaccuracyand eficiency.The algorithmcanautomatically completethedetectionand evaluationoftheappearance qualityof tea cakes and transmittheresults inreal-time toaProgrammable Logic Controler（PLC）．Experimentalresults show thatthe algorithm can accurately identify appearancedefects of tea cakes，with an average computational accuracy of 95. 7 5 % ，demonstrating high robustness and reliability. It is suitable forqualitycontrol in automated production lines and hasa widerange of application prospects，especially in the intelligent transformation of the tea production industry，where it has significant reference value.

Keywords：Automated production line； Pu'er tea cake;machine vision;image processing;defect detection； PLC

0 引言

代信息技術和智能農機裝備在智慧農業領域的應用越來越廣泛[1]。特別是茶葉產業，作為中國參與國際市場競爭的重要產業之一，其加工過程也越來越多地引隨著科技的不斷進步和市場需求的日益增長，現入了自動化生產線，尤其是茶葉的自動化壓制設備。茶餅的壓制過程對產品質量有著至關重要的影響[2]。然而，自動化生產線生產的茶餅質量控制相較于人工制作的茶餅仍顯不足，因此，外觀質量的檢測成為關鍵環節。傳統的人工檢測方法效率低，且受主觀判斷影響較大，導致檢測結果不穩定，且不便與自動化產線相結合[3]。

為解決這一問題，本研究提出一種基于機器視覺的自動化外觀檢測方法，專注于對自動化生產線生產出的茶餅進行形狀和裂紋的精確分析，并將分析的結果傳人可編程控制器（programmablelogic controller，PLC）中。該方法旨在提高檢測效率和準確性，以確保茶餅外觀質量的一致性，與自動化產線相連接，進而提升茶葉加工產業的自動化程度。而圖像處理在工業產品質量檢測中的應用已有多項研究。典型的研究分析主要是對產品外觀進行評估。Pannawan等[4]在汽車方向包括通過邊緣檢測、形態學操作和輪廓分零件檢測中采用了Canny邊緣檢測結合霍夫變換（houghtrans-form）方法來檢測零件的形狀缺陷，取得了良好的效果[5]。此外，李強等[在陶瓷工業中通過輪廓分析和形狀匹配實現了陶瓷表面裂紋檢測。相比之下，普洱茶餅作為一種食品類產品，外觀檢測需要考慮其獨特的物理特性，例如形狀的圓整性和表面裂紋等[7-9]。本研究針對自動化產線中普洱茶餅的檢測需求，提出更具針對性的圖像處理方法，如圖1所示。

1 試驗與算法

1. 1 試驗環境

試驗所有步驟均在以下硬件環境下進行。操作系統為Windows11（64-bit），CPU為IntelCorei7-14代，GPU為NVIDIAGeForceRTX4060，搭配8GB的GDDR6顯存，內存為16GBDDR5 5 4 0 0 M H z 。圖像采集使用的是分辨率為 4 0 9 6 × 2 4 6 0 的 1 0 0 0 萬像素工業面陣相機，并通過USB3.0接口進行高速傳輸。

1. 2 圖像預處理

圖像預處理在整個普洱茶餅外觀檢測過程中起著至關重要的作用，其主要自的是去除圖像中的噪聲干擾，同時增強有用的邊緣特征[9]，為后續的檢測步驟奠定堅實的基礎。

1. 2. 1 灰度轉換

首先，將圖像轉換為灰度圖像。這一操作具有多方面的重要意義。一方面，彩色圖像通常包含3個通道（紅、綠、藍），每個通道都需要進行處理，這會大大增加計算的復雜度和時間成本。而將圖像轉換為灰度圖后，只保留了1個通道的信息，顯著降低了計算復雜度，使得后續的處理過程更加高效[10]。另一方面，對于檢測茶餅的輪廓和裂紋等主要特征來說，灰度圖像中的亮度變化已經能夠提供足夠的信息，不會因為顏色信息的減少而影響檢測的準確性。灰度圖像的轉換計算公式為

（1）式中： 為灰度圖像； R ， G ， B 分別為紅、綠、藍3個通道的像素值。通過該公式計算得到灰度圖像，簡化了后續處理。灰度處理效果如圖2所示。圖2（a）為原始茶餅，圖2（b）為灰度處理茶餅。

1. 2. 2 圖像濾波

在實際的圖像采集過程中，由于多種因素的影響，圖像中往往會出現不同程度的噪聲干擾。這些噪聲可能來源于多個方面，包括相機傳感器的熱噪聲、環境中的光線干擾和圖像傳輸過程中的信號衰減等[]。噪聲的存在會顯著影響后續的圖像處理步驟，特別是在邊緣檢測、特征提取和缺陷識別等任務中，可能導致檢測結果的不準確性和誤判，從而影響整體的質量檢測效果[12]。

為了有效模擬這些可能出現的噪聲情況，本研究隨機向采集的圖像中添加了2種常見的噪聲類型，椒鹽噪聲和高斯噪聲。椒鹽噪聲會在圖像中隨機產生黑白點，表現為亮度極低或極高的像素，通常是在圖像傳輸過程中由于數據丟失或錯誤引起的。而高斯噪聲則表現為圖像亮度的隨機波動，通常是由于傳感器噪聲或環境光變化造成的。這2種噪聲的添加旨在模擬實際采集環境中可能遇到的噪聲干擾，以測試和優化后

續的圖像處理算法。

在圖像處理過程中，經過噪聲添加后的圖像效果如圖3所示。其中，圖3（a）為原始茶餅圖像，圖3（b）為加入椒鹽噪聲和高斯噪聲后的圖像，而圖3（c）則是對圖3（b）進行灰度處理后的結果。通過對比這些圖像，可以觀察到噪聲對圖像質量的影響，尤其是在邊緣和特征的識別上，噪聲的于擾使得某些細節難以識別，進而影響后續的檢測精度。因此，在實際應用中，采用合適的去噪算法對圖像進行處理，能夠有效提升檢測系統的穩定性和準確性。

為去除噪聲并保持圖像的清晰度，本研究采用了高斯濾波和中值濾波2種方式對添加了噪聲的圖像進行處理。通過試驗對比發現，盡管高斯濾波能夠平滑圖像，但其在處理椒鹽噪聲方面效果較為一般，容易模糊邊緣細節。而中值濾波由于能夠有效去除椒鹽噪聲，保留邊緣特征，其表現明顯優于高斯濾波[13]。為進一步提升圖像的清晰度，確保檢測到的普洱茶餅外觀特征更加精確，本研究選用了自適應中值濾波方式。自適應中值濾波的處理過程如下。1進行局部統計，在給定的濾波窗口內，計算最小像素值 、最大像素值 和中值 。2）進行條件判斷，判斷當前像素值 是否在最小值和最大值之間。如果滿足條件，則保留原始像素值；否則，用中值替換當前像素值；3）進行動態調整窗口，如果在當前窗口大小下無法滿足條件，則逐步增大窗口，直到達到最大窗口尺寸 。自適應中值濾波計算公式為

在式（2）中 是經過自適應中值波后的像素值。這種濾波方法能夠根據圖像中的噪聲分布，自適應調整濾波窗口的大小，在去除噪聲的同時，最大限度地保留圖像的邊緣細節。最終，自適應中值濾波達到的效果如圖4所示，其中，圖4（a）為噪聲灰度圖像，圖4（b為高斯濾波處理后圖像，圖4（c）為自適應中值濾波處理后圖像。處理結果表明，圖4（c）的圖像處理效果明顯優于圖4（a）和圖4（b）。

通過這種多層次的濾波選擇過程，確保在真實應用中，能夠更好地去除噪聲，同時保持普洱茶餅外觀的清晰度，為后續的檢測提供高質量的輸人數據。

1.3 茶餅缺陷目標提取

茶餅缺陷目標提取分為茶餅圖像分割與茶餅圖像邊緣提取2個部分[15-16]，是茶餅缺陷提取中一項重要的前期準備工作。

1.3.1茶餅圖像分割

在實際的茶餅外觀檢測過程中，場景的多樣化，圖像的光照條件可能會有所變化，導致背景灰度值不一致。為有效分割出茶餅的邊緣，本研究采用大津法（otsumatlab，Otsu）閾值分割方法[17-18]。Otsu算法通過自動計算一個全局閾值，以最小化類間方差來實現最佳分割效果， O t s u 方法的基本原理是根據圖像的灰度直方圖，自動找到一個能使前景與背景區分最明顯的閾值 （ T ） 。設圖像的灰度值范圍為[0，L-1]，其中，L是最大灰度級別， T 的確定過程可以通過最大化類間方差公式來完成，其計算公式為

式中， 為類間方差。通過此方法，圖像被分割為前景和背景2個部分，生成二值圖像。最終分割效果如圖5所示，其中，圖5（a）為原始圖像，圖5（b）為Otsu（大津）閾值分割處理圖像，圖5（c）為自適應閾值分割處理圖像，圖5（d）為區域生長法處理圖像[19]。由圖5可知，相較于自適應閾值分割和區域生長法2種方法來說，雖然自適應閾值分割的效果較為清楚，但是對于茶餅內部特征分割得過于復雜。而Otsu閾值分割對于茶餅圖像的分割最為適合，且效果最為理想，對茶餅的描述更能符合研究要求。

1.3.2 茶餅圖像邊緣檢測

在茶餅外觀檢測中，邊緣特征的提取至關重要，尤其是在裂紋和形態檢測中。為此，本研究為適應不同茶餅圖像的光照變化，采用了Canny邊緣檢測算法進行邊緣提取[20-21]，通過動態確定最佳的高低閾值，得到最終的茶餅邊緣圖像，提升邊緣提取的魯棒性，其主要原理如圖6所示。

其中自動Canny邊緣檢測的關鍵在于利用圖像的灰度中值 （ v） 來計算高低閾值[22]，計算公式為

式中： σ 為控制閾值范圍的比例常數； 為低閾值； 為高閾值。自動計算出的高低閾值能夠更好地適應圖像中的噪聲與光照變化，從而提取出更加清晰的邊緣特征。通過自動Canny算法，茶餅的輪廓和裂紋得以準確檢測和分割，為后續的形態分析提供了有效支持。最終，自動Canny邊緣檢測在不同光照條件下的魯棒性表現如圖7所示，圖7（a）為茶餅的原始圖像，圖7（b）為經過Otsu（大津法）閾值分割處理后的茶餅圖像，圖7（c）為經過自動 邊緣檢測處理后的茶餅圖像。由圖7可知，經過自動Canny邊緣檢測處理后的茶餅圖像可以有效地區分茶餅邊緣與背景，實現精確的裂紋和形態識別。

1.4茶餅缺陷特征提取

茶餅缺陷特征提取對于確保產品質量、實現自動化檢測和提升消費者滿意度至關重要。本研究是從圓形度、矩形度等方面提取茶餅缺陷位置特征，基于以上特征對茶餅缺陷類型加以識別[23]。

1.4.1 圓形度

圓形度 在茶餅的外觀檢測過程中，為準確評價茶餅的形狀是否規整，本研究采用了圓形度作為衡量標準。圓形度是一種基于輪廓的形狀特征，通過比較物體的實際輪廓與理想圓形的差異來判斷物體的圓整程度。圓形度24的計算公式為

式中： 為輪廓的面積， 為輪廓的周長，m m 。圓形度的取值范圍在 越接近1，說明物體的形狀越接近一個完美的圓。在檢測過程中，首先通過邊緣檢測提取茶餅的輪廓，然后計算其面積和周長。通過上述公式計算得出的圓形度值可以用于判斷茶餅的圓整程度。如果圓形度值接近1，則認為茶餅形狀規則；如果圓形度值偏離1較多，則表明茶餅存在不規則或畸變的現象。

在茶餅外觀檢測的過程中，除了通過圓形度來評估茶餅的形狀是否規整，本研究還引入了寬長比（ 和矩形擬合因子 來描述茶餅邊緣位置的矩形度。這2種指標能夠更加準確地反映茶餅在生產過程中是否存在裂縫、拉伸和畸變等不規則形狀。

1.4.2 寬長比

寬長比[25]用于描述物體外接矩形的寬度與長度

的比值，計算公式為

式中： W 為茶餅外接矩形的寬度， m m; L 為茶餅外接矩形的長度， m m 。當 時，表示茶餅的邊緣接近于正方形或圓形；當 偏離1時，表示茶餅的邊緣發生了明顯的拉伸或不規則變化。

1.4.3 矩形度

矩形度 用于衡量茶餅實際邊緣與其外接矩形的擬合程度，計算公式（6）為。

式中： 為茶餅的實際面積， 為茶餅最小外接矩形的面積， 。矩形度取值范圍在0＼～1，值越接近1，表明邊緣的形狀越接近于矩形。

2 通信方法的選擇

在茶餅缺陷檢測系統中，通信方法的選擇至關重要，因為其直接影響到檢測結果的實時傳輸和系統的整體性能。幾種常見的通信方法對比，見表1，基于對比結果選擇最合適的方法與PLC進行通信。

Snap7是一個開源的通信庫，可以與西門子PLC集成[27]。其支持以太網協議，能夠在多種操作系統（如Windows、Linux等）上運行，并兼容多種編程語言，包括Python C++ 和C#等[28]。Snap7的優勢在于其高效性和靈活性，能夠實現快速的數據讀取和寫人[29]。根據對比結果可知Snap7在成本、開發靈活性和實時性方面表現最佳，同時完全滿足茶餅缺陷檢測系統的通信需求。Snap7主要用于將計算機（personalcomputer，PC）站點與PLC網絡完全連接到一起，所以具有3個對象組件，分別是客戶端、服務器和協作者，這3個對象關系如圖8所示。

在本研究中，主要使用的是客戶端模式，即PLC作為服務器，上位機PC作為客戶端，具體程序流程如圖9所示。

選擇Snap7協議作為與PLC通信的方法，能夠有效提高茶餅缺陷檢測系統的性能，實現高效、實時的數據傳輸[30]。這一選擇將為自動化生產線中普洱茶小茶餅質量檢測的穩定性和準確性提供強有力的支持。

3 結果與分析

3.1 茶葉缺陷識別

在本次茶葉品質檢測相關的研究中，選取了4類具有代表性的茶餅樣本，即完整茶餅、條索雜亂茶餅、斷裂茶餅以及邊緣缺失茶餅，并針對這些樣本的數字圖像展開了全面且深入的識別檢測工作。檢測過程中，采用前述所提出的圖像處理融合算法，經過反復調試和優化，以確保能夠精準地捕捉茶餅圖像中的每一個細節特征。所得到的檢測結果詳細地呈現在表2中。由表2的數據可以清晰地看出，無論是完整茶餅那規整的圓形輪廓，還是條索雜亂茶餅中紊亂的紋理，抑或斷裂茶餅明顯的斷口部分以及邊緣缺失茶餅殘缺的邊界，本研究提出的茶餅缺陷檢測方法都能夠準確無誤地識別出來。該方法通過對圖像中像素信息的細致分析，有效地過濾了圖像中的噪聲干擾，精確地提取了茶餅缺陷輪廓，其準確性和穩定性在此次試驗中得到了有力的驗證。

試驗中選取4種類別小茶餅100個，分別對其進行特征提取，得出平均值，見表3。

根據表3可以得出以下結論。1）完整茶餅的圓形度遠大于其他3種茶餅；2）邊緣缺失茶餅、斷裂茶餅和條索雜亂茶餅的寬長比與完整茶餅相比差異相對較小；3）完整茶餅的矩形度遠大于斷裂茶餅，且大于邊緣

缺失茶餅和條索雜亂茶餅；4）邊緣缺失茶餅與斷裂茶餅在圓整度、矩形度上數值較為接近，可引入斷裂茶餅中裂紋的各項數值加以區分；5條索雜亂茶餅的圓整度和矩形度最小；6邊緣缺失茶餅的寬長最大，相對其他2種有缺陷的茶餅更偏離完整茶餅的寬長比；

根據以上分析可知，1）3）項特征可用于區分完整茶餅與其他有缺陷的茶餅；4）5）6）項特征可用于區分不同缺陷類型的茶餅；2）項特征對茶餅的區分作用相對較小.。

3.2 PLC通信

根據上述分析，在檢測到普洱茶餅缺陷后，為了便于PLC識別并處理不同的缺陷類型，設計一種編碼方式來傳遞缺陷信息。編碼方法如下。

整數編碼法。采用整數編碼來簡化不同缺陷類型的識別，見表4，完整茶餅標識為0，邊緣缺失、斷裂和條索雜亂的茶餅分別以1、2和3表示[3I]。PLC接收到的整數值對應不同缺陷類型，可在生產線上做出相應處理。使用Snap7庫將編碼值發送至PLC時，通過調用client.write_area函數，將整數值寫入PLC數據塊。PLC根據接收到的值執行相應的操作，如分揀或停止生產。

4結論

本研究提出一種基于圖像處理技術的普洱茶餅外觀質量檢測方法，成功地實現了茶餅質量的自動化檢測，并將結果與自動化產線中的PLC相連接。研究中通過對試驗前后茶餅的圓整度和裂紋等特征進行對比分析，從眾多類型的茶餅中隨機選取了300張包含不同類型的茶餅圖像用于測試試驗，結果見表5。

通過試驗以及多個階段的多種算法比較，得出來普洱茶餅質量檢測融合算法，該方法能夠有效地區分不同類型的茶餅缺陷，運算時間速度快，平均計算準確率達 9 5 . 7 5 % ，具有較強的魯棒性、適用性，為未來普洱茶加工產業提供了可靠的技術支持[32]。此外，隨著技術的不斷發展，未來可進一步優化算法，拓展檢測茶餅的特征范圍，為自動化產線中茶餅質量的智能化檢測開辟更廣闊的應用前景[33]

參考文獻

[1］趙春江.智慧農業發展現狀及戰略目標研究[J].智慧 農業，2019，1（1）：1-7. ZHAO C J. State-of-the-art and recommended developmental strategic objectives of smart agriculture [J]. Smart Agriculture，2019，1（1） ：1-7.

[2]王刻銘，黃勇，劉仲華.中國茶葉國際競爭力分析[J]. 農業現代化研究，2020，41（1）：45-54. WANG K M， HUANG Y，LIU Z H. Empirical analysis of the international competitiveness of China’s tea industry [J].Research of Agricultural Modernization，2020，41（1） ： 45-54.

[3]黃曉琛，張凱利，劉元杰，等.機器學習與計算機視覺技 術在食品質量評價中的研究進展[J].食品科學，2024， 45（12）：1-10 HUANG X C，ZHANG K L，LIU Y J，et al. Research progress on machine learning and computer vision technology in food quality evaluation[J].Food Science，2024，45（12） ： 1-10.

[4] PANNAWAN A， SUDSAWAT S. Automated part inspection byimage processing system in vehicle part manufacturing[J]. Journal of Applied Science，2017，16（1） ：45-59.

[5]張曉陽，何軍紅，牛云，等.改進Canny算子在零件尺寸 測量中的應用[J/OL].機械科學與技術，1-7. ZHANGXY，HEJH，NIUY，etal.Applicationof improved Canny operator in size measurement of parts [J/ OLl.Mechanical Science and Technology for Aerospace Engineering，1-7.

[6]李強，曾曙光，鄭勝，等.基于機器視覺的陶瓷瓦表面裂 紋檢測方法[J].激光與光電子學進展，2020，57（8）： 081004. LI Q，ZENG SG，ZHENG S，et al. Machine vision based detection method for surface crack of ceramic tile[J]. Laser amp; Optoelectronics Progress，2020，57（8） ：081004.

[7]尚宏偉.基于機器視覺的絲餅外觀缺陷檢測方法設計 [D].合肥：安徽大學，2023. SHANG H W. Design of appearance defect detection method of textile spindle based on machine vision [D]. Hefei：Anhui University，2023.

[8]朱俊松.基于機器視覺的小麥外觀品質檢測技術研究 [D].鎮江：江蘇大學，2021. ZHU J S. Thesis for academic master degree study on wheat appearance quality inspection based on machine vision[D]. Zhenjiang：Jiangsu University，2021.

[9] ZAITOUN N M，AQEL M J. Survey on image segmentation 797-806.

[10]梁巧儀．彩色圖與灰度圖可逆轉換算法研究[D].廣 州：暨南大學，2022. LIANG Q Y. Research on invertible color-to-grayscale image conversion algorithm[D]. Guangzhou： Jinan University，2022.

[11] BONCELET C. Chapter 7 - Image noise models[M]/Al Bovik.The Essential Guide to Image Processing. Burlington，USA： Academic Press，2009：143-167.

[12]楊天敏，王曉燕.基于強噪聲條件下的激光圖像邊緣 檢測研究[J].激光雜志，2024，45（3）：156-160. YANG T M，WANG X Y. Research on laser image edge detection based on strong noise[J].Laser Journal，2024， 45（3） ：156-160.

[13］宋濤.圖像中值濾波算法在智能采摘機器人中的應用 [J].農機化研究，2025，47（7）：1-6. SOMG T.Application of image median filtering algorithm in intelligent picking robot[J]. Journal of Agricultural Mechanization Research，2025，47（7）：1-6.

[14]李子旋，楊宇，黃雙雙，等．自適應權重的均值和快速 中值濾波融合算法的研究[J].計算機與數字工程， 2024，52（3） ：700-704. LI Z X，YANG Y，HUANG S S，et al. Research on adaptiveweighted algorithm fusionofmeanvalueand fastmedian filtering algorithm[J].Computeramp; Digital Engineering，2024，52（3）：700-704.

[15]CHENYJ，DING YY，ZHAOF，et al. Surface defect detection methods for industrial products：A review[J].Applied Sciences，2021，11（16） ：7657.

[16]BHATTP M，MALHANRK，RAJENDRANP，etal. Image-based surface defect detection using deep learning：A review[J]. Journal of Computing and Information Science in Engineering，2021，21（4） ：040801.

[17]李浩然，田秀霞，盧官宇，等.基于OSTU的光照不均勻 圖像自適應增強算法[J].計算機仿真，2022，39（2）： 315-321，386. LIHR，TIANXX，LUG Y，et al.Adaptive enhancement algorithm for non-uniform illumination images based on OSTU[J].Computer Simulation，2022，39（2）：315- 321，386.

[18] YANG P，SONG W，ZHAO X B，et al. An improved Otsu threshold segmentation algorithm[J].International Journal of Computational Science and Engineering，2020，22 （1） ：146-153.

[19]陳忠，趙忠明.基于區域生長的多尺度遙感圖像分割 算法[J].計算機工程與應用，2005，41（35）：7-9 CHEN Z， ZHAO Z M. A multi-scale remote sensing image segmentauon aigoritnm Dasea on region growing [J]. Computer Engineering and Applications，2005，41 （35）：7-9.

[20]黃怡靜，胡小平，彭向前，等.改進Canny算子的圖像邊 緣檢測算法[J/OL]．機械科學與技術，1-11. HUANG YJ，HU XP，PENG XQ，et al. Image edge detection algorithmwith improved Canny operator[J/OL]. Mechanical Science and Technology for Aerospace Engineering，1-11.

[21]郭運沖，李孟軍，劉名果，等.基于Canny算子的建筑裂 縫邊緣檢測改進算法[J].計算機仿真，2022，39（11）： 360-365，410. GUO Y C，LI MJ，LIU MG，et al. Improved algorithm for edge detection of building cracks based on Canny operator [J].Computer Simulation，2022，39（11） ：360-365，410.

[22]肖慶追，李捷，陳鶴峰，等.基于改進Canny算子的圖像 邊緣檢測方法[J].數學的實踐與認識，2022，52（7）： 77-87. XIAO Q Z，LI J，CHEN HF，et al. Image edge detection method based onimproved Canny operator[Jl. Journal of Mathematics in Practice and Theory，2022，52（7）： 77-87.

[23]劉智慧，林榮智.基于圖像處理技術的紙張質量檢測 方案[J].造紙科學與技術，2024，43（4）：70-72，80. LIU ZH，LIN R Z. Paper quality inspection scheme based on image processing technology [J].Paper Science amp; Technology，2024，43（4）：70-72，80.

[24]利紅，秦雅倩，張闖.基于動態特征融合的監控視頻圖 像小目標檢測研究[J].長江信息通信，2024，37（3）： 90-92. LI H，QIN Y Q，ZHANG C. Research on small object detection of surveillance video imagesbased on dynamic feature fusion [J]. Changjiang Information amp; Communications，2024，37（3）：90-92.

[25]WAN ZY，CHENY M，DENGS T，et al.Slender object detection：Diagnoses and improvements[J].ComputerVision and Pattern Recognition，2020，doi：10.48550/ arXiv. 2011.08529.

[26]路鷺，楊炯，梁杰，等．一種快速高精度的矩形檢測算 法[J].激光與光電子學進展，2020，57（18）：181002. LU L，YANG J，LIANG J，et al. Fast and high-precision Progress，2020，57（18）：181002.

[27]張楠.西門子PLC在工業智能化轉型中的關鍵技術與 應用[J].中國金屬通報，2024（4）：79-82. ZHANG N. Key technologies and applications of Siemens PLCin industrial intelligent transformation ［J].China Metal Bulletin，2024（4） ：79-82.

[28]魏學舟，劉濤.基于Snap7的PLC上位機監控軟件開發 [J].設備管理與維修，2018（14）：129-131. WEI X Z，LIU T. Development of PLC upper computer monitoring software based on Snap7[J]. Plant Maintenance Engineering，2018（14）：129-131.

[29]DING CP，ZHAI JT，DAI Y W.An improved ICS honeypot based on SNAP7 and IMUNES [C]//SUN X，PAN Z， BERTINO E. Cloud Computing and Security. ICCCS 2018.Lecture Notes in Computer Science. Cham： Springer International Publishing，2018：303-313.

[30]凌建華.關于上位機和西門子PLC通信的研究[J].計 算機光盤軟件與應用，2014（20）：305-306. LING JH. Research on communication between host computer and Siemens PLC [J]. Computer CD Software and Application，2014（20） ：305-306.

[31]張學超.基于IEC61131-3標準的PLC系統研究與應用 [D].太原：太原科技大學，2011. ZHANG X C. Research and application of PLC system based on IEC61131-3 standard[D].Taiyuan：Taiyuan University of Science and Technology，2011.

[32]蔣婷.基于《中國十大茶葉區域公用品牌之普洱茶》分 析普洱茶的文化特征及產業化發展[J].中國瓜菜， 2023，36（6） ：150. JIANG T.Analysis of the cultural characteristics and industrialized development of Pu'er tea based on \"China's top ten tea regional public brands-Pu'er tea\"[J].China Cucurbits and Vegetables，2023，36（6）：150.

[33]趙春江，李瑾，馮獻，等.\"互聯網 + “現代農業國內外應 用現狀與發展趨勢[J].中國工程科學，2018，20（2）： 50-56. ZHAO C J，LIJ，FENG X，et al. Application status and trend of “Internet Plus”modern agriculture in china and abroad[J].Strategic Study of CAE，2018，20（2） ：50-56.