余義和 趙曉春 高水平 郭大龍 張會靈 張菊平

摘 ?要：人類正邁入智能時代，人工智能與經(jīng)濟、社會的發(fā)展緊密融合，成為推動中國經(jīng)濟高質量發(fā)展的重要動力，培養(yǎng)適應智能社會發(fā)展所需的跨學科人工智能創(chuàng)新創(chuàng)業(yè)人才變得極為必要。在新一輪科技革命和產(chǎn)業(yè)革命孕育的背景下，高校需要加強智能類學科建設，探索交叉融合的“人工智能+”建設新模式，提升人工智能領域學科地位并創(chuàng)新拓展其他學科的發(fā)展建設方向。文章提出了新農(nóng)科背景下交叉融合的“人工智能+園藝學”建設的探索，具體提出了通過各種理化儀器設備的開發(fā)應用，研究出適宜特定園藝植物資源表型數(shù)據(jù)的科學、快速、準確的信息采集技術;借助物聯(lián)網(wǎng)等技術結合本地氣候特點，建立特色園藝植物生長發(fā)育的環(huán)境調控軟硬件技術集成;通過將特色園藝植物果實成熟度數(shù)字化、信息化，開發(fā)人工智能機器人的果實采收的軟硬件;通過將特色園藝植物病蟲草害發(fā)生與防治特征與無人機信息采集技術相結合，實現(xiàn)無人機對園藝植物病蟲草害的防治等建設內容，為新農(nóng)科背景下園藝學人工智能領域的建設發(fā)展提供了有益參考。

關鍵詞：人工智能+;園藝學;交叉融合

中圖分類號：G640 文獻標志碼：A ? ? ? ? ?文章編號：2096-000X（2021）33-0001-05

Abstract： Human beings are entering the era of intelligence， and the deep integration of artificial intelligence with economic and social development has become the core driving force for breeding a new round of scientific and technological revolution and industrial transformation. Therefore， it is extremely necessary to cultivate interdisciplinary artificial intelligence innovation and entrepreneurship talents for the construction of intelligent society. In order to meet the urgent need of talent training in the era of intelligence， colleges and universities need to strengthen the construction of intelligent disciplines， explore a new mode of "Artificial Intelligence +" construction with cross-integration， enhance the status of subjects in the field of artificial intelligence， and innovate and expand the development direction of other disciplines. The paper puts forward the exploration of the cross-integrated construction of "Artificial Intelligence + Horticulture" under the background of new agriculture science， specifically puts forward that through the development and application of various physical and chemical instruments and equipment， to develop a scientific， fast and accurate information collection technology suitable for phenotypic data of specific horticultural plant resources. With the help of internet of things and other technologies combined with local climate characteristics， the integration of environmental control software and hardware technologies for the growth and development of characteristic horticultural plants was established. By digitizing and informatization， the fruit maturity of characteristic horticultural plants， the software and hardware of artificial intelligence robot for fruit harvesting are developed. By combining the occurrence and control characteristics of characteristic horticultural plant diseases， insect pests and weed with the information acquisition technology of unmanned aerial vehicle（UAV）， the prevention and control of horticultural plant diseases， insect pests and weeds by UAV was realized the construction content. The study provided beneficial reference for the construction and development of artificial intelligence field of horticulture under the background of new agriculture science.

Keywords： artificial intelligence plus; horticulture; cross-integration

當前世界，氣候的變化，水資源短缺導致生態(tài)環(huán)境脆弱，全球糧食供應不足，農(nóng)業(yè)勞動力減少等問題對世界農(nóng)業(yè)和農(nóng)村可持續(xù)發(fā)展的威脅日益嚴重。我國是農(nóng)業(yè)大國，隨著經(jīng)濟的快速發(fā)展和城鎮(zhèn)化進程的推進，果樹、蔬菜、花卉及觀賞樹木等園藝植物在我國農(nóng)業(yè)種植中的比例不斷增大，園藝產(chǎn)品在國民經(jīng)濟中的作用日益增強。但其專業(yè)化和集約化發(fā)展緩慢、勞動力投入大、生產(chǎn)成本高、產(chǎn)品質量缺乏安全保障等問題嚴重影響了我國園藝產(chǎn)業(yè)的快速發(fā)展。人工智能（AI）是基于計算機技術模擬或實現(xiàn)的智能，通過將遙感、物聯(lián)網(wǎng)、互聯(lián)網(wǎng)、大數(shù)據(jù)、云計算等現(xiàn)代化信息技術與農(nóng)業(yè)生產(chǎn)、經(jīng)營、管理和服務進行深度融合，推進農(nóng)業(yè)進入信息化的高級階段。通過借助人工智能技術來實現(xiàn)農(nóng)業(yè)信息感知、定量決策、智能控制、精準投入、人性化服務等多種多樣的農(nóng)業(yè)生產(chǎn)方式[1]，有助于節(jié)約農(nóng)業(yè)生產(chǎn)過程中的人力和物力、優(yōu)化資源要素的配置、促進供需之間的有效對接、高效精準治理[2]，為推進農(nóng)業(yè)農(nóng)村可持續(xù)發(fā)展、農(nóng)業(yè)新舊動能轉換以及精準脫貧、鄉(xiāng)村振興提供了新的更好的方案。實施國家大數(shù)據(jù)戰(zhàn)略，推進數(shù)據(jù)資源開放共享，利用人工智能技術改變傳統(tǒng)農(nóng)業(yè)模式，實現(xiàn)高效生態(tài)現(xiàn)代農(nóng)業(yè)已成為現(xiàn)代園藝產(chǎn)業(yè)發(fā)展的方向。目前，在我國智慧農(nóng)業(yè)還處于起步階段，人工智能與園藝學科交叉融合研究比較薄弱，急需加快園藝智能化應用研究，讓人工智能與園藝交叉融合，成為現(xiàn)代化科學與產(chǎn)業(yè)的前進動力。

園藝智能化應用系統(tǒng)將園藝植物在產(chǎn)前、產(chǎn)中、產(chǎn)后的各個階段所涉及的各類種質資源對環(huán)境因素需求的信息進行采集和綜合，利用實時傳遞影響園藝植物生長與生產(chǎn)的環(huán)境因素，在線指導園藝植物的生長和生產(chǎn)，對生產(chǎn)過程中產(chǎn)生的各種缺素癥狀或生長問題進行定性診斷和定量決策，為園藝植物的高產(chǎn)和高品質生產(chǎn)提供科學決策。主要包括通過各種理化儀器設備的開發(fā)應用，研究出適宜特定園藝植物資源表型數(shù)據(jù)的科學、快速、準確的信息采集技術;借助物聯(lián)網(wǎng)等技術結合本地氣候特點，建立特色園藝植物生長發(fā)育的環(huán)境調控軟硬件技術集成，實現(xiàn)園藝植物生長環(huán)境的人工智能調控;通過將特色園藝植物果實成熟度數(shù)字化、信息化，開發(fā)人工智能機器人的果實采收的軟硬件，實現(xiàn)園藝產(chǎn)品的智能機器人采收;通過將特色園藝植物病蟲草害發(fā)生與防治特征與無人機信息采集技術相結合，實現(xiàn)園藝植物病蟲草害無人機防控。

一、基于計算機視覺的園藝植物資源識別采集模塊設計

地球上的園藝種類繁多，各種不同的園藝植物資源之間都存在各自的生長習性，這些特性可以用于自然環(huán)境或人工模擬環(huán)境條件下的園藝植物的生長規(guī)律的研究，進而對園藝植物資源挖掘和利用的研究、以及園藝植物對自然環(huán)境的適應等領域起到了很大的幫助，能夠節(jié)約人力物力，提高工作效率，但是同一種植物因為其生長環(huán)境、周期以及基因突變等影響，致使園藝植物在形態(tài)上各不相同，差異極大，所以就算對專業(yè)人士來說，植物識別也不容易完成。隨著生命科學和現(xiàn)代信息技術的不斷發(fā)展，園藝植物分類學也得到了快速發(fā)展，基于圖像分析的植物分類識別是當下園藝植物種質資源研究的熱點問題，因此圖像分類問題也是計算機視覺等領域的重要研究方向之一。目前識別算法的發(fā)展已經(jīng)相對較為成熟，在葉、花、果實等傳統(tǒng)的植物識別技術已經(jīng)得到許多研究，然而基于多器官的現(xiàn)實世界識別方法的認識還不是很多，因為其在近幾年才得以進行，起步較晚，如芍藥和牡丹，它們之間由于種類間差異較小，難以分辨不同種類的植物，其分類相對困難。對植物的識別來說，造成一定干擾的是處于現(xiàn)實世界中的植物所處的較為復雜的環(huán)境，這些復雜的環(huán)境會降低植物特征提取的準確度，比如雜草、石子、泥土和建筑物等。因此，對現(xiàn)實世界中的植物識別，如何獲取植物圖像顯著性特征以及獲取種類之間差異更大的性狀以實現(xiàn)網(wǎng)絡特征增強是研究的重中之重。Champ等改進了GoogLeNet模型的卷積神經(jīng)網(wǎng)絡（CNN）方法，應用各種衰減因子來修正CNN給出的概率分布，實現(xiàn)了基于植物真實性狀的園藝植物種類識別[3]。該方法通過提取卷積神經(jīng)網(wǎng)絡的最后一層代表性特點來進行分類，但是僅憑一層特點的識別能力和代表性比較差，不能有效鑒別出性狀類似或同一種群的園藝植物[3]。Lee等利用CNN模型結合物種和組織特征進行植物分類，對基于驗證集和測試集的結果進行分析，提出了高層融合體系結構[4]。Mc Cool等提出了一種針對特定領域的混合神經(jīng)網(wǎng)絡模型對植物圖像進行自動分類[5]。通過微調一個專門用于植物分類任務的已知模型，可以學習特定領域的模型。MixDCNN模型是通過首先對一個模型的子集數(shù)據(jù)進行微調來學習的，可以使用不同的器官類型進行分類，利用混合DCNNs框架對KDCNN模型進行聯(lián)合優(yōu)化[5]。Xiao等為了研究真實世界中的物種識別問題，提出了一種新的深度學習框架和有效的數(shù)據(jù)擴充方法。首先根據(jù)視覺注意來裁剪圖像，稱之為新的數(shù)據(jù)增強方法注意裁剪（AC），然后通過訓練深度卷積神經(jīng)網(wǎng)絡從大量數(shù)據(jù)中預測物種。通過對數(shù)據(jù)擴充方法AC的性能進行了評估，結果表明AC具有優(yōu)越的性能[6]。綜上所述，以實際應用為背景對園藝植物圖像特征分類器這一經(jīng)典算法為出發(fā)點，設計以計算機視覺為基礎的園藝植物識別模塊（圖1）。

二、構建園藝植物智能平臺，實現(xiàn)園藝植物生長發(fā)育的調控

為構建更完善的園藝植物智能平臺，更科學的在線指導園藝植物生產(chǎn)，提高植物產(chǎn)量，一套完備的能滿足不同需求層次的智能平臺系統(tǒng)的需求迫在眉睫。

1. 框架模型的建立：由于園藝植物生長發(fā)育過程中，不同植物所需的外界環(huán)境條件各有差異，栽培技術也有所不同，因此就需構建一個較為全面的數(shù)據(jù)知識庫框架，能夠綜合不同園藝植物生長過程中的各項指標，匯總整理高產(chǎn)量園藝植物的基礎數(shù)據(jù)。不同園藝植物生長發(fā)育全過程中的水分、溫度、光照等環(huán)境因素指標以及養(yǎng)分供給狀況、栽培管理技術差異等數(shù)據(jù)進行記錄、收集、匯總，構建動態(tài)圖，通過對優(yōu)質園藝植物的生長數(shù)據(jù)進行分析，研究不同因素之間的連鎖反應和綜合效應，建立園藝植物生長發(fā)育特性、以及溫度、光照、水分、肥等環(huán)境因素和栽培管理技術關系的數(shù)據(jù)庫框架。種植技術員可根據(jù)不同栽培地區(qū)的實際情況對框架模型參數(shù)進行調整，以適用于自己掌握的園藝植物栽培技術知識模塊;使用者也可推送不同的數(shù)據(jù)信息給數(shù)據(jù)管理者，擴大數(shù)據(jù)庫數(shù)據(jù)量，參與數(shù)據(jù)庫的更新與完善。數(shù)據(jù)庫管理者也可對不同的數(shù)據(jù)模型庫進行查詢、及時修改和動態(tài)調用[7]。

2. 系統(tǒng)結構的構建：智能化平臺的功能包括通用平臺、智能系統(tǒng)和實用信息系統(tǒng)3個層次[4]。通用平臺由知識儲備量龐大的數(shù)據(jù)庫信息組成，涵蓋廣泛，便于不同知識層次的使用者更快更廣地查詢到所需內容;智能系統(tǒng)需要收集匯總不同環(huán)境和地區(qū)園藝植物生長差異數(shù)據(jù)，及時更新平臺的數(shù)據(jù)，為使用者提供一個數(shù)據(jù)更全面、更具體、內容更豐富的參考平臺，為種植技術員提供一個積極的二次開發(fā)的環(huán)境和工具，滿足不同生態(tài)背景下不同生產(chǎn)管理者的需要。

3. 可視輸入平臺的構建：設置一個便于簡易操作的包含數(shù)值上下限的參數(shù)錄入方式，同時設置數(shù)據(jù)自查系統(tǒng)，對操作者上傳的不合理的參數(shù)及時提醒更正，保證數(shù)據(jù)輸入的及時性、準確度和合理性。對不能給出準確參數(shù)的用戶，根據(jù)其提供的園藝植物品種和種植環(huán)境條件，調動數(shù)據(jù)庫存儲的內容，智能辨別并輸入，增加平臺的使用率?？梢曒斎肫脚_不僅要做到便于使用者對編輯數(shù)據(jù)，還應該確保數(shù)據(jù)準確度[8]。

以人工智能控制系統(tǒng)為核心部分，并從軟件和硬件方向分別對人工智能控制系統(tǒng)進行研究討論，比如S3C6410型操作系統(tǒng)是性價比較高的軟件，而A1203 型號濕度傳感器、DS18B20型溫度傳感器、Po188-C型光照度傳感器及S3C6410型RSIC處理器則為價格適宜的硬件。由于智能化管理平臺為園藝植物生長發(fā)育提供了綜合信息技術咨詢和園藝領域內的專家數(shù)據(jù)庫，可以基于不同管理者和種植技術員的需要，為用戶提供基于環(huán)境、土壤的綜合評價信息進而提供有力可行的決策意見，對園藝植物的生長發(fā)育和高品質起著積極的促進作用。智能化平臺在設計過程中完全采用了可視化操作技術，管理員在使用過程中可以基于個人的不同需求和不同知識背景直接操作，不需要依賴技術員或者是平臺的開發(fā)人員修改程序，可以依據(jù)不同園藝植物種類或不同生態(tài)條件實現(xiàn)平臺的二次開發(fā)和利用，加大人工智能使用率，為實現(xiàn)園藝植物高效和高品質生產(chǎn)提供在線指導和科學決策。

三、設計園藝植物果實采收的人工智能機器人

針對園藝植物果實選擇性采收的視覺定位要求，設計了排除園藝植物枝條、葉片和花朵等性狀，僅適用于園藝植物果實特異性識別與定位的圖像處理算法，在視覺系統(tǒng)中利用專業(yè)識別相機的標定及畸變校正而獲取高質量的園藝植物采收區(qū)域圖像，進而建立坐標轉換識別模型，開發(fā)智能機器人控制系統(tǒng)，從而實現(xiàn)上位機與下位機模塊的邏輯配對功能，同時為提高園藝植物果實的采收效率，針對采收系統(tǒng)設計的兩個收獲點設計收獲路徑優(yōu)化算法[9]。通過大量采收試驗，優(yōu)化控制系統(tǒng)的工作參數(shù)，達到自動化采收的目的（圖2）。

園藝植物果實采收的人工智能機器人包括以下幾個程序：

1. 圖像的預處理：圖像識別是果實采摘的前提，為使機械手臂高精度對準目標果實，對目標植物進行識別具有關鍵性作用。圖像識別包括圖像預處理、圖像分割和特征識別等。圖像預處理主要提高圖像的質量，除去噪音提高圖像清晰度。李振雨等針對果實晃動、多層重疊影響機器人采摘精準度和效率的問題，研制了適宜在山地及農(nóng)田環(huán)境下利用視覺檢測技術和機器人精準定位抓取技術的蘋果高精度采摘系統(tǒng)[10]。該系統(tǒng)首先利用精準圖像處理技術對初始圖像進行圖像多次預處理;再根據(jù)分析后的圖像角點提取算法計算圖像曲率，通過計算曲線段上的多個像素平均角方向之間的差值對曲率進行多次平滑處理，獲取圖像曲率集中峰值點;最后對圖像曲率峰值點進行像素坐標標定，并將該點像素坐標定位進行坐標轉換，作為機器人的定位抓取目標點，機器人根據(jù)定位目標點的位置信息調整運動姿態(tài)對果實進行實時追蹤和識別，實現(xiàn)果實的精確定位、抓取和采摘[10]。

2. 目標的識別與分割：圖像分割是圖像處理和分析過程中的重要一步。圖像分割是將相機獲取的圖像中具有不同識別物的不同區(qū)域進行劃分，劃分的時候使得這些區(qū)域相互不交叉，且每一個區(qū)域滿足特定的顏色、紋理、灰度等特征的識別準則。圖像分割方法可以分為固定閾值、區(qū)域生長、邊緣以及形狀的圖像分割方法，其中基于固定閾值的圖像分割辦法能夠快速有效地將目標圖像區(qū)域從背景中區(qū)分出來，是最為有效的圖像分割方法。王麗麗對番茄采摘機器人的底盤行走控制方法、番茄自動識別與定位、采摘機械臂、系統(tǒng)集成等關鍵技術進行了系統(tǒng)研究，研發(fā)了具有果實目標自動識別與定位、自主導航移動、機械手自動采摘功能的番茄采摘機器人[11]。采用Otsu算法以及橢圓模板法對成熟的、多層次的番茄圖像進行分割，然后特異性選取包含番茄彩色圖像的區(qū)域得到匹配點的三維坐標，該方法的成功率和精準率分別為99%和97%[11]。

3. 圖像的特征匹配：在圖像分割成功之后，需要對圖像進行特征匹配。特征匹配方法主要分為基于特征提取方法以及灰度值的相關方法。由于獼猴桃的特殊形狀，張瑞華等人利用Hough變換來匹配獼猴桃果實的圖像特征[12]。因為一幅完整的圖像會占用更大的背景區(qū)域，而且背景區(qū)域越大，圖象識別就越復雜。采用最小外接矩形法在圖像中劃定目標區(qū)域，減少了橢圓擬合獼猴桃的處理面積，提高了運算效率。

4. 植物采摘的定位技術：最后一個重要步驟是要在世界坐標系中確定水果采摘點，定位的準確性直接關系到后續(xù)采摘的成功。定位功能模塊采用多目立體視覺系統(tǒng)從不同的視角獲取到多幅圖像，并且根據(jù)視覺相差原理獲取到真實物體的三維信息，同時獲取圖像的深度信息，進行精準測距，領取三維坐標圖譜。攝像機獲得原始頭像信息后，經(jīng)過圖片處理后，能夠從背景中將水果目標分隔出，通過利用雙目視覺的特點計算出水果的空間位置信息來檢測目標的立體信息。司永勝等人提出了用歸一化紅綠色差（R-G）/（R+G）對蘋果圖像進行分割，并在不同環(huán)境條件下對多維蘋果圖像進行識別和定位的方法。研究結果表明，這種方法能有效地消除環(huán)境不一致而引起的影響，定位精確率可達到92%[13]。

使自動化轉為人工智能化，需要將圖像處理技術應用到農(nóng)業(yè)領域，提高生產(chǎn)效率，節(jié)約人工、物力以及財力。

四、無人機對園藝植物病蟲草害的監(jiān)測與防治

借助低空無人機為探測平臺，使用高光譜分辨率的新型成像光譜儀作為傳感器，獲取農(nóng)田數(shù)據(jù)，構成低空遙感技術平臺。分析不同光譜指數(shù)，借助最小二乘法對病情指數(shù)估測的能力，綜合病情指數(shù)構建植物病蟲害空間監(jiān)測模型。根據(jù)園藝植物病蟲草害的嚴重程度，合理規(guī)劃用藥量和管理方式，利用無人機進行噴施作業(yè)或者適當管理，可大大減少成本消耗，減少對環(huán)境的污染，從而提高園藝植物產(chǎn)量和品質，實現(xiàn)農(nóng)業(yè)精準管理（見圖3）。 國內的農(nóng)用植保無人機種類繁多，空機重量差異大，飛行速度慢，低空作業(yè)一般在5m以下。按結構分為單旋翼和多旋翼2種，單旋翼無人機荷載量大，一般可載5～20L;多旋翼無人機荷載量小，但其結構簡單，使用成本低，效率高，受到大家的歡迎。按動力分為電動和機動2種，電動無人機的動力核心是電動效率，無人機單次飛行的時間較短，使得其載藥量偏小，電池續(xù)航是限制其使用時間的關鍵因素之一。機動無人機的動力核心是發(fā)動機，單次飛行時間可達1h，載藥液量大，但靈活性差，需要一定的起降時間，對操作人員要求高，飛機維護成本高。截止到2016年，在我國已有160多種農(nóng)業(yè)無人機投放市場，開展園藝植物的病蟲害防治和施肥澆水等工作[14]。生產(chǎn)實踐結果表明，無人機在空中作業(yè)應該符合農(nóng)業(yè)生產(chǎn)的實際需求。目前，無人機噴灑的人工控制已不能適應現(xiàn)代農(nóng)業(yè)的發(fā)展。隨著精密噴涂的不斷實施，人工控制大面積噴涂的弊端逐漸顯現(xiàn)。發(fā)展先進的控制技術勢在必行，隨著信息技術的發(fā)展，很多新技術與無人機相結合，例如GPS導航技術、DSS系統(tǒng)、遙感技術、GIS系統(tǒng)等新技術，使航空植保得到了進一步的良好發(fā)展[14]。

在國家重要戰(zhàn)略實行的背景下，順應農(nóng)業(yè)工程由機械化、自動化向信息化、智能化發(fā)展的前景，積極與人工智能對接，推進信息科技和先進制造技術在農(nóng)業(yè)機械裝備和農(nóng)業(yè)機械作業(yè)中的應用，實現(xiàn)“多功能、自動化、智能化”，支撐農(nóng)業(yè)可持續(xù)發(fā)展。針對人工智能普適性、滲透性、應用性強的特點，盡快建立人工智能與園藝學科交叉融合的研究中心，構建產(chǎn)學研協(xié)同育人模式，開展人工智能與園藝學融合研究，推動園藝復合型人才培養(yǎng)，促進園藝創(chuàng)新發(fā)展和人工智能深入應用，實現(xiàn)與行業(yè)未來需求對接，提升學生的創(chuàng)新能力和創(chuàng)業(yè)意識[15]。

參考文獻：

[1]趙春江.人工智能引領農(nóng)業(yè)邁入嶄新時代[J].中國農(nóng)村科技，2018（1）：29-31.

[2]張輝.發(fā)展智慧農(nóng)業(yè) 助力農(nóng)業(yè)農(nóng)村現(xiàn)代化——2019人工智能在現(xiàn)代農(nóng)業(yè)中應用對話交流活動上的致辭[J].農(nóng)業(yè)工程技術，2019，39（27）：20-21.

[3]Champ J， Goau H， Joly A.Floristic participation at lifeclef 2016 plant identification task[J]. Conference and Labs of the Evaluation Forum，2016：450-458.

[4]Lee S H， Chang Y L， Chan C S.Plant Identification System based on a ?Convolutional Neural Network for the Life Clef 2016 Plant Classification Task[J]. ?Conference and Labs of the valuation Forum，2016：502-510.

[5]Mc Cool C， Ge Z Y， Corke P I.Feature Learning via Mixtures of DCNNs for Fine-Grained Plant Classification[J].Conference and Labs of the Evaluation Forum，2016：511-517.

[6]Xiao Q G， Li G Y， Xie L. Real-world plant species identification based on deep convolutional neural networks and visual attention[J]. Ecological Informatics，2018：48.

[7]武書彥，朱坤華，王輝，等.人工智能系統(tǒng)設計在園藝栽培生產(chǎn)中的運用[J].農(nóng)機化研究，2018，40（2）：216-220.

[8]趙春江，楊寶祝，吳華瑞，等.農(nóng)業(yè)智能系統(tǒng)平臺（PAID）研究與應用[R].北京：國家農(nóng)業(yè)信息化工程技術研究中心，2004.

[9]竇寶鋼.基于機器視覺的白蘆筍選擇性采收機器人控制系統(tǒng)設計及試驗[D].泰安：山東農(nóng)業(yè)大學，2019.

[10]李振雨，王好臣.基于視覺識別定位的蘋果采摘系統(tǒng)研究[J].圖學學報，2018，39（3）：493-500.

[11]王麗麗.番茄采摘機器人關鍵技術研究[D].北京：北京工業(yè)大學，2017.

[12]張瑞華，曾嘉遠，甘愛芬.獼猴桃圖像識別與特征提取程序設計[J].機電工程技術，2019，48（9）：171-173.

[13]司永勝，喬軍，劉剛，等.蘋果采摘機器人果實識別與定位方法[J].農(nóng)業(yè)機械學報，2010，41（9）：148-153.

[14]蘭玉彬，鄧小玲，曾國亮.無人機農(nóng)業(yè)遙感在農(nóng)植物病蟲草害診斷應用研究進展[J].智慧農(nóng)業(yè)，2019，1（2）：1-19.

[15]王國胤，瞿中，趙顯蓮.交叉融合的“人工智能+”學科建設探索與實踐[J].計算機科學，2020（4）：1-5.