秦昌友 楊艷山 顧峰瑋 陳盼陽 秦維彩

摘要：計算機視覺是一個涉及使機器“看到”的領域。該技術使用相機和計算機代替人眼來識別，跟蹤和測量目標以進行進一步的圖像處理。隨著計算機視覺的發(fā)展，這種技術在現(xiàn)代農業(yè)領域得到廣泛的應用，并在其發(fā)展中發(fā)揮關鍵作用。首先，詳細闡述計算機視覺的概念、組成部分和工作原理。其次，介紹國內外計算機視覺技術在水產養(yǎng)殖、畜牧養(yǎng)殖、農作物生長監(jiān)測、農作物病蟲害監(jiān)視、果蔬識別定位與采摘等領域的研究進展與應用情況。通過分析發(fā)現(xiàn)，現(xiàn)有技術可以促進現(xiàn)代農業(yè)自動化發(fā)展，實現(xiàn)低成本、高效率、高精度的優(yōu)勢。然而，未來技術將繼續(xù)向現(xiàn)代農業(yè)新的應用領域拓展，需要克服的技術問題會更多。最后，系統(tǒng)總結和分析計算機視覺技術在現(xiàn)代農業(yè)的應用與挑戰(zhàn)，探討未來的機遇和前景，為研究者提供最新的參考。

關鍵詞：計算機視覺；圖像處理；現(xiàn)代農業(yè)；自動化

中圖分類號：S-1

文獻標識碼：A

文章編號：20955553 （2023） 12011910

Application and development of computer vision technology in modern agriculture

Qin Changyou1， Yang Yanshan1， Gu Fengwei2， Chen Panyang3， Qin Weicai1

（1. Suzhou Polytechnic Institute of Agriculture， Suzhou， 215008， China; 2. Nanjing Institute of Agricultural

Mechanization， Ministry of Agriculture and Rural Affairs， Nanjing， 210014， China; 3. Nanjing Institute of

Technology， Nanjing， 211167， China）

Abstract：

Computer vision is a field that involves enabling machines to “see”. This technology uses cameras and computers instead of human eyes to identify， track， and measure targets for further image processing. With the development of computer vision， this technology has found widespread applications in modern agriculture and has played a crucial role in its advancement. Firstly， the concept， components， and working principles of computer vision are detailed. Secondly， the research progress and applications of computer vision technology in areas such as aquaculture， livestock farming， crop growth monitoring， crop pest surveillance， and fruit and vegetable recognition， positioning， and harvesting are introduced both domestically and internationally. Through analysis， it is found that existing technology can promote the development of modern agricultural automation， realizing advantages of low cost， high efficiency， and high precision. However， future technologies will continue to expand into new application areas in modern agriculture， bringing about more technical challenges that need to be overcome. Finally， the paper systematically summarizes and analyzes the applications and challenges of computer vision technology in modern agriculture， discussing future opportunities and prospects， providing the latest references for researchers.

Keywords：

computer vision; image processing; modern agriculture; automation

0 引言

人工智能分支了許多領域，其中之一就是計算機視覺，其在各種領域的應用都在增長。從未來的發(fā)展前景來看，農業(yè)部門是計算機視覺領域一個有前途的應用空間。在20世紀70年代末，計算機視覺技術才開始應用于農業(yè)生產中。最初期其應用范圍多為對植物進行鑒別，以及對農產品的品質進行檢測和分級等［1］。經過多年的發(fā)展，目前已經廣泛應用在現(xiàn)代農業(yè)的發(fā)展中，如水產養(yǎng)殖、畜牧養(yǎng)殖、設施裝備、農作物生長監(jiān)測、農作物病蟲害監(jiān)視、果蔬識別定位與采摘等領域。本文主要介紹了計算機視覺技術的基本工作原理以及系統(tǒng)組成，回顧近年來計算機視覺技術在農業(yè)生產領域中的應用，同時簡述了目前計算機視覺技術在現(xiàn)代農業(yè)生產應用中仍然存在的問題以及未來的發(fā)展形勢［2］。

1 計算機視覺概述

自從計算機視覺技術出現(xiàn)以來，已經為多個行業(yè)解決問題的技術手段并在實際應用中取得不錯的效果［3］。計算機視覺也稱機器視覺，通過計算機模擬人類視覺識別外界圖像，提取信息進行分析判斷。其基本原理是先通過傳感器來獲得目標物的圖像信號，然后圖像處理系統(tǒng)根據圖像的特征將圖像信號轉變成數字信號，最后使用各種運算和處理將這些信號轉變成目標物的特征信息，由此實現(xiàn)對目標物的檢測、識別和控制等。機器視覺系統(tǒng)基本上由三個元素組成：捕獲、處理和輸出，其簡圖如圖1所示［4］。通過各終端之間的聯(lián)系，機器視覺技術能夠很好地進行工作，最終會得到一些數字信號，然后將數字信號經過處理就能夠轉換成圖像［5］。

計算機視覺技術包含單目視覺技術和雙目立體視覺技術等，單目視覺是用一個相機來拍攝從而獲取物體的二維信息。因為它只有一個視角，沒有其他的視角來做輔助計算，依賴于訓練和深度學習的方法，因此需要龐大的訓練集。雙目立體視覺是模擬人眼從兩個不同角度觀察場景的方式，像人的眼睛能看到三維的物體，獲取物體長度、寬度和深度的信息，通常使用兩個距離相隔較短的相機同時捕獲場景［6］。其基于三角測量原理，一個點的3D信息可以通過其從兩幅圖像中的視覺差異來獲得。在做視覺slam的時候，不管是單目視覺技術，還是雙目立體視覺技術，都有自己的優(yōu)點和缺點，不能一概而論，要根據實際情況來選擇合適的視覺slam。雙目相機進行三維重建的幾何形狀如圖2所示。

場景中的一個點（X，Y，Z）與它在兩個攝像機坐標中的對應點（ul，vl）和（ur，vr）之間的關系如式（1）、式（2）所示。

式中：

Ml——左側攝像機投影矩陣；

Mr——右側攝像機投影矩陣。

方程（1）和方程（2）用同質坐標表示，如式（3）所示。

因此，可以使用偽逆法重構三維點X，如式（4）所示。

X=（ATA）-1ATB（4）

在兩臺相機的光軸平行的情況下（平行光軸雙目相機），點X可以簡單地通過差距d計算出來。

式中：

b——基線距離。

2 計算機視覺技術在現(xiàn)代農業(yè)中的應用

與人類視覺相比，機器視覺技術具有很多優(yōu)點，在智能制造領域應用集中在識別、測量、定位和檢測。而在農業(yè)生產環(huán)節(jié)中應用更為廣泛，如水產養(yǎng)殖，畜牧養(yǎng)殖，農產品檢測和分類，農作物生長監(jiān)測，果蔬識別與采摘，農作物病蟲害監(jiān)視等，利用機器視覺技術可以提高生產率，實現(xiàn)農業(yè)生產與管理的自動化和智能化。在美國、日本、德國等發(fā)達國家圍繞農業(yè)生產的應用幾乎涉及全過程，各種基于機器視覺的田間農機裝備被設計出來代替人類從事繁重的田間作業(yè)，利用機器視覺技術實現(xiàn)生產過程的數字化處理，使生產過程更加客觀和標準［7］。在中國，機器視覺在現(xiàn)代農業(yè)中的應用主要集中在農產品的檢測和分類上，如水果表面缺陷、水稻外觀以及農作物中農產品和雜草的識別等領域［8］。

2.1 計算機視覺技術在養(yǎng)殖行業(yè)中的應用

2.1.1 計算機視覺技術在水產養(yǎng)殖中的應用

目前水產養(yǎng)殖是最有前途的漁業(yè)市場，53%的產品供人類消費，超過漁業(yè)的47%。魚群健康狀況是水產養(yǎng)殖的核心，科學管理監(jiān)測魚類的生長條件和行為將減少由于疾病造成的經濟損失。傳統(tǒng)檢測方法費時費力，不及時監(jiān)測容易導致水產養(yǎng)殖事故。近年來伴隨著我國5G通信、物聯(lián)網和傳感器等技術的不斷發(fā)展，傳統(tǒng)檢測魚群健康狀況的手段正在被基于計算機視覺技術的自動化檢測方法所逐漸替代［910］。

機器視覺技術已廣泛應用于漁業(yè)，它將收集的信息提供給計算機進行分析和決策，檢測結果可用于分析魚類行為、體重、長度、數量，并確定魚類種類。在過去的二十年中，已經提出了許多基于機器視覺的水產養(yǎng)殖技術［11］。如針對在進行魚類識別時所遇到光照強度不同、背景發(fā)生變化以及不同物種在視覺上具有相似性等方面的問題，丁順榮等［12］提出一種新的基于多特征相結合及粒子群優(yōu)化SVM的魚類分類方法。試驗結果表明，該方法在不同屬魚類和同屬魚類的分類中準確率分別為94.7%、63.6%。為了獲取魚群在水下的動態(tài)感知信息和實現(xiàn)對其無損檢測，李艷君等［13］提出立體視覺下動態(tài)魚體尺寸測量方法。試驗結果表明，與人工測量結果相比，魚體長度和寬度的平均相對誤差分別為4.7%和9.2%左右。飼料浪費一直制約著水產養(yǎng)殖的發(fā)展。Cao等［14］提出了一種基于機器視覺的水產養(yǎng)殖殘余飼料計數算法，試驗結果表明，在渾濁水和進料附著力的條件下，相對誤差仍能保持在10%左右。在水產養(yǎng)殖中，投飼技術決定了飼料轉化率和成本。但是現(xiàn)有喂料裝置的智能化程度并不是很高，無法根據魚的食欲自動改變飼料量。Zhou［15］設計了一種基于機器視覺和進料行為的送料控制器。試驗結果表明，與傳統(tǒng)的喂料機相比，設計的控制器更加智能，可以減少飼料浪費。為了對魚群由于外部或內部因素的變化而產生的異常行為進行監(jiān)控與報警，關輝等［16］提出一種基于機器視覺的智能魚群健康狀況監(jiān)測系統(tǒng)。通過無線傳感網監(jiān)測魚塘的水質情況、攝像頭監(jiān)測魚類的行為。采用運動目標跟蹤算法建立魚群游動信息與健康狀況的模型，從而實現(xiàn)對起魚類健康狀況的實時監(jiān)測。為了建立比目魚面積與重量的相關性，Hwang等［17］基于機器視覺對比目魚模型進行圖像處理。使用參考方程獲得與模型長度相對應的實際魚的重量，然后進行回歸分析以推導出線性方程和功率方程的插值，這些方程顯示了比目魚的面積和重量之間的相關性。為了構建魚苗自動計數系統(tǒng)，Ji等［18］基于機器視覺技術提出一種基于概率密度函數的匹配算法和動態(tài)計數策略。試驗結果表明，通過不同魚類和數量的數據集驗證了該算法的有效性和魯棒性，平均計數準確率高于97.9%。傳統(tǒng)的魚苗計數都是手工計算，需要大量的人力。黎袁富等［19］研究基于YOLOX魚苗的識別和計數進行了研究。結果表明，YOLOX和YOLOv3在少量魚苗中的檢測結果具有很高的準確性，其識別的準確率和召回率都超過93.00%；當魚苗數量較多時，YOLOX魚苗的識別準確率和召回率分別為96.99%、97.38%，比YOLOv3分別提高了1.19%和5.38%。

在大規(guī)模集約化水產養(yǎng)殖中，環(huán)境的復雜性使得圖像采集變得困難，因此，可用于魚類研究的公共數據集相對較少。此外對于試驗結果的分析，研究人員使用不同的數據集，由于每個數據集都有不同的數據樣本量，這使得評估不同算法或分類器的性能變得困難。因此，未來研究人員必須統(tǒng)計更多魚類種類、獲得更高圖像質量的公共開源數據集。

2.1.2 計算機視覺技術在畜牧養(yǎng)殖中的應用

隨著智慧畜牧業(yè)的發(fā)展，牧場的管理逐漸變得數字化和智能化。動物的進食、飲水、排泄等行為對于確定它們是否健康很重要。近年來計算機視覺的不斷發(fā)展，利用計算機視覺技術在圖像處理方面的優(yōu)勢，通過格拉米安角場將一維活動數據轉換為三維圖像，并利用深度學習，將生成的圖像發(fā)送到MCNN，可以實現(xiàn)畜牧業(yè)中的精確個體識別，且具有良好的可靠性和穩(wěn)定性，在動物行為方面具有很大的優(yōu)勢，基于計算機視覺的精準畜牧系統(tǒng)流程如圖3所示。

基于機器視覺技術的畜牧業(yè)能夠使用5G通信和傳感器等技術管理畜群。將傳感器和設備與智能軟件相結合，提取關鍵的農業(yè)信息，然后提供管理策略，使農民能夠自動監(jiān)測動物，以改善動物健康、產量和環(huán)境影響。為實現(xiàn)對豬的高效識別，金耀等［20］提出一種基于機器視覺的生豬個體識別方法。采用基于YOLO v3的識別模型，并與Faster RCNN和SSD模型識別結果進行比較，試驗結果表明：基于YOLO v3模型對小豬仔和母豬的識別準確率分別為95.99%、96.00%，召回率分別為84.09%、96.00%。Kashiha等［21］探討一種在實驗條件下自動識別豬圈內標記豬的可行性，并利用圖像處理進行行為相關研究。試驗結果表明，采用橢圓擬合算法對豬進行定位，豬的平均準確率為88.7%，所提出的技術還可以來監(jiān)測諸如休息之類的行為。Ahrendt等［22］研究了一個實時計算機視覺系統(tǒng)，用于跟蹤散養(yǎng)在豬圈中的豬。在實驗室和豬圈中進行地試驗證明了該系統(tǒng)的穩(wěn)健性：可以在較長的時間跨度內（超過8min）跟蹤至少3頭豬，而且不會在試驗中失去對個別豬的跟蹤和識別。為了控制豬在出欄時的體重差異，張建龍等［23］基于LabVIEW開發(fā)平臺和機器視覺技術開發(fā)了育肥豬分群系統(tǒng)，試驗結果表明：該系統(tǒng)可以在代替人工調欄的同時控制豬的體重差異。Nasirahmadi等［24］利用二維成像系統(tǒng)以及深度學習方法來檢測豬的站立和躺臥姿勢。試驗結果表明，R-FCN ResNet101方法能夠檢測出臥姿和站姿，對站姿、側臥和腹臥的平均精度分別為0.93、0.95和0.92。肉雞胴體淤血是一種品質異常現(xiàn)象，給屠宰企業(yè)帶來較大的經濟損失。趙正東等［25］采用三方位視覺采集（搭載三光源）系統(tǒng)，搭建了一套肉雞胴體圖像采集裝置，研發(fā)了一種基于胴體子圖像局部顏色矩信息訓練支持向量機模型結合相似性度量的技術方法。有效識別胴體淤血，實現(xiàn)視場對肉雞胴體的全覆蓋。為了實現(xiàn)對羊群數量的自動計數，尚絳嵐［26］基于雙線計數法，采用了YOLOv3目標檢測算法與DeepSORT跟蹤算法相結合的方式。結果表明：改進的YOLOv3檢測算法對羊群頭部數據集的檢測精度為90.12%；YOLOv3+DeepSORT跟蹤算法對羊頭部目標進行跟蹤比DeepSORT跟蹤算法成功率提高了11.77%，中心點誤差降低了1.43%。為了解決在限制欄條件下，對母豬的發(fā)情行為認識過度依賴公豬和人工查情的低效問題。薛鴻翔等［27］提出了一種基于改進YOLO v5s算法的母豬發(fā)情行為識別方法。試驗結果表明：深度學習法對母豬和仿生公豬交互行為的識別和檢測的平均準確率為97.8%；以20s為判斷標準，其發(fā)情誤差率為10%。白強等［28］提出SEPH-YOLOV5s模型對奶牛行為進行識別，以解決奶牛群體行為數據復雜、目標尺度變化大、行為多樣等因素對奶牛行為識別的影響。試驗結果表明：與YOLOV5s模型相比，改良的SEPH-YOLOV5s模型的識別準確率平均值比YOLOV5s提高了1.2個百分點，識別奶牛多尺度行為的平均精度均值提高了0.8個百分點，對奶牛行走識別的準確率為4.9個百分點。

模型始終是開發(fā)強大的計算機視覺系統(tǒng)的核心關注點之一。盡管許多先進的基于CNN的計算機視覺系統(tǒng)被應用于畜牧養(yǎng)殖。但只有少數研究探索了使用經過訓練的CNN架構進行畜牧養(yǎng)殖的有用信息，大多數研究主要集中在評估模型性能上［29］。由于單一學科的知識、時間和資源的限制，畜牧管理策略仍未得到改進。計算機視覺系統(tǒng)的豐富研究和應用需要多學科合作，以協(xié)同農業(yè)工程、計算機科學和畜牧科學領域的專業(yè)知識，以增強視覺系統(tǒng)并改進畜牧行業(yè)的精確管理策略。

2.2 計算機視覺技術在農作物中的應用

2.2.1 計算機視覺技術在農作物生長監(jiān)測中的應用

機器視覺作為植物生長建模最重要的技術之一，其無損測量研究對加快農作物生長監(jiān)測具有重要意義［30］。根據精準農業(yè)的理念，作物在生長階段的狀態(tài)是作物栽培任務和管理的重要信息。每個生長階段的作物生長信息是最佳栽培管理的最重要指標之一。根據作物生長和作物健康狀況，在精準農業(yè)中可以確定肥料和化學品的數量和品種。作物的生長狀況受遺傳性狀和環(huán)境的綜合影響，因此可以用形態(tài)特征參數和生理機理指數來表示。傳統(tǒng)方法獲取形態(tài)特征參數和生理機理指標有局限性。最近，利用機器視覺系統(tǒng)進行連續(xù)快速無損測量的研究變得引人注目，基于計算機視覺的植物養(yǎng)護系統(tǒng)流程如圖4所示。

基于機器視覺技術的作物生長監(jiān)測利用圖像和視頻技術采集作物的外觀特征（如葉子、芽、果實），并據此診斷成熟度、水分和養(yǎng)分缺乏等農藝指標。為實現(xiàn)蘋果樹葉片氮含量的快速無損檢測，劉雙喜等［31］利用圖像處理方法，提取新梢葉節(jié)距這項植物形態(tài)學特征。建立出蘋果樹葉片氮含量檢測模型。試驗驗證，建立的隨機森林檢測模型決定系數為0.8386，均方根誤差為2.3769。為了在溫室中對番茄幼苗生長過程進行無損測量，Sun等［32］基于無損檢測圖像和圖像處理算法獲得番茄幼苗的葉面積。通過分析對比基于機器視覺的測量與人工測量的結果，葉面積的最佳相關系數為0.9822，表明該算法可用于番茄幼苗的無損測量。McCarthy等［33］開發(fā)了一個機器視覺系統(tǒng)，在相機視野內的多個地塊中跟蹤植物高度。還利用顏色分割法識別出在每個地塊的樹冠表面的萌芽、樹冠覆蓋率和開花狀態(tài)。對16個玉米和大豆地塊進行了試驗評估，并在一天內檢測出玉米開花日期、大豆高度和玉米高度等信息。Setyawan等［34］使用機器視覺方法進行農作物生長狀況的監(jiān)測，采用綠色通道Otsu過濾來檢測作物的生長速度。試驗結果表明，所提出的方法能夠監(jiān)測植物的生長。為了獲得番茄作物最佳產量，了解光照、溫度、養(yǎng)分、水等環(huán)境因素的關系以及與作物生長狀態(tài)的關系非常重要。Loresco等［35］采用圖像處理技術將番茄的生長階段確定為葉期、開花和結果。使用具有真陽性率和假陰性率的混淆矩陣以及ROC來評估所開發(fā)的決策支持系統(tǒng)。試驗結果表明，在測定試驗番茄圖像的生長階段方面具有較高的性能。

作物生長發(fā)育過程中養(yǎng)分吸收的變化會引起植物外觀、葉片顏色和質地的變化?？梢岳糜嬎銠C視覺收集植物發(fā)育信息，用于園藝系統(tǒng)控制、生物傳感器技術收集和作物發(fā)育過程監(jiān)測的管理。隨著計算機成本的不斷降低，視覺和圖像處理技術可以實現(xiàn)連續(xù)和非破壞性的監(jiān)測，具有巨大的應用潛力。

2.2.2 計算機視覺技術在農作物病蟲害監(jiān)視中的應用

農作物最終的產量和品質會受到其在生長過程中由于病害侵襲而產生嚴重的影響，因而在作物病害防治中需要進行病害識別和診斷［36］。植物病害由于致病種類不同，可產生病灶、孔洞等形狀、大小、顏色和質地不同的癥狀。病害癥狀的特征直接反映了作物所患病害的類型和病害造成的危害程度。很多時候，在偏遠地區(qū)并不容易請到能夠根據癥狀識別疾病的研究人員和專家。計算機視覺是處理這個問題的關鍵，在使用圖像識別技術對疾病圖像進行預處理后，提取出疾病圖像的顏色，紋理和形態(tài)，使用有效的特征組合能正確和定量地對疾病進行分類，基于計算機視覺病蟲害診斷過程如圖5所示。

在農作物的大規(guī)模種植中，作物的早期預防非常重要。如果不能提前預警，很可能造成大規(guī)模的病理變化和財產損失。為更快速、更精確識別美國白蛾幼蟲網幕位置，魏晨等［37］以美國白蛾幼蟲網幕為靶標提出一種基于圖像閾值化和改進卷積神經網絡相結合的網幕圖像自動化識別算法。試驗表明：網幕識別的準確率達到95%以上，單幅圖像的識別時間在200ms左右。Nancy等［38］提出一個農業(yè)圖像實時分類的框架。使用此系統(tǒng)，作物病害圖片分類和疾病預測變得更加容易，自動葉病診斷系統(tǒng)利用計算機視覺、圖像處理和機器學習算法來分析受感染的葉病照片并預測病害，以提供準確的診斷。晚疫病是馬鈴薯的一種嚴重病害，可造成減產甚至絕收。黨滿意基于機器視覺技術對馬鈴薯葉部晚疫病進行檢測，進行馬鈴薯晚疫病的識別耗時最長為9s，最短為3s［39］。為實現(xiàn)精準施藥，提高油菜的產量和品質。王珊提出一種基于HSV顏色空間的病斑面積占比方法。試驗表明，該方法能夠有效地對葉片和莖稈的病害程度進行分級，其識別準確率分別為94.25%和92.5%［40］。Zhang等［41］針對玉米常見病蟲害、灰斑、褐斑，利用計算機視覺技術和支持向量機建立玉米灰斑、褐斑識別模型。仿真結果表明，該模型能夠有效識別玉米灰斑和褐斑，病害識別正確率達到86.1%［49］。Hua等［42］提出一種基于機器視覺的作物表面多特征決策融合疾病判別算法（PD R-CNN）。研究結果表明，PD R-CNN在病蟲害發(fā)生過程中，花葉病監(jiān)測準確率為88.0%，根腐病監(jiān)測準確率為92.0%，白粉病監(jiān)測準確率為88.0%，蚜蟲監(jiān)測準確率為86.0%。Agnihotri［43］為了實現(xiàn)識別水稻中存在的常見害蟲。通過使用微處理器以及紅外攝像頭和普通攝像頭對田間可用的害蟲進行分類，該攝像頭將連接到飛越田地并識別害蟲的四軸飛行器上。能夠識別大型害蟲，如老鼠，蛇，貓鼬，蜘蛛，它也成功地識別了小害蟲，如螟蟲，綠葉蟬，褐稻虱、白背稻虱、稻縱卷葉螟、粘蟲等，減少了識別害蟲的大量時間和人力。為實現(xiàn)蘋果病害的快速、準確的鑒定。孫豐剛等［44］利用GHTR2-YOLOv5s技術和遷移學習技術提高模型收斂速度和精度。試驗結果表明：GHTR2-YOLOv5s模型的參量值只有2.06MB，檢測速率為0.065s/張，比YOLOv5s高2.5倍，模型綜合推理mAP0.5可達0.909。

以上研究了利用機器視覺識別作物表面植物病蟲害的情況。但目前這些方法識別類型并不豐富，模型升級空間小，不方便區(qū)分新病蟲害。盡管基于機器視覺技術在控制害蟲和植物病害領域發(fā)展迅速，但大多數現(xiàn)有方法是在受控環(huán)境條件下捕獲的公共數據集上顯示出其有效性，尚未探索其對現(xiàn)場植物病害檢測的能力。另一方面，大規(guī)?，F(xiàn)場公共數據集的稀缺性是開發(fā)適用于各種植物病害的解決方案的主要瓶頸之一［45］。

2.2.3 計算機視覺技術在果蔬識別定位與采摘的應用

果蔬采摘作為農業(yè)生產鏈的一個至關重要的作用，其主要是一種手工和高度勞動密集型的工作，需要在一年中非常特定的時間提供采摘者團隊。由于勞動生產率、揀選效率、成本等的提高，采摘與揀選機器人在果蔬生產領域得到了廣泛的應用［46］。發(fā)展機械化、智能化收獲技術，研究開發(fā)基于機器視覺的果蔬識別定位與采摘機器人具有重要的意義［47］。

隨著時間的推移，世界上大多數國家都通過機器視覺技術開發(fā)了智能采摘機器人來裝卸農產品并檢測水果和定位問題。針對目前一些識別設備體積大、成本高等問題，陳品嵐等［48］提出一種基于樹莓派及SSD的柑橘識別系統(tǒng)，通過機器視覺采集柑橘樹的相關數據，對柑橘樹上的柑橘進行識別及計數。試驗結果表明：在訓練次數為5、40、70、100次的情況下，其準確率分別為57.4%、71.5%、85.2%、92.4%。水果識別和定位是水果采摘自動化的核心問題。Yin等［49］基于Faster R-CNN模型對自然環(huán)境中生長的橙子進行了檢測和識別，實現(xiàn)更高的檢測精度和速度。為了獲取多個目標荔枝串的空間位置信息，陳燕等［50］研究了大視場下荔枝采摘機器人的視覺預定位方法。試驗結果表明，基于雙目立體視覺的荔枝串預定位方法在3m的檢測距離下預定位的最大絕對誤差為36.602mm，平均絕對誤差為23.007mm，平均相對誤差為0.836%。Wang等［51］提出了一種基于機器視覺的智能采棉機器人（ICPR）設計，研究了一種基于色差的優(yōu)化分割算法。結果表明，對棉花的識別精度較高，有助于提高采摘速度。為了解決番茄由于其非標準球形、多果重疊和莖葉遮擋等導致識別準確率低問題。馮俊惠等［52］設計一種視覺系統(tǒng)的成熟果實識別的Hough圓變換算法。試驗結果表明，該算法對存在不同成熟周期的番茄果實識別率為87.5%、莖葉遮擋果實識別率為85%、多果重疊識別率為84.8%，三種情況同時存在的平均正確識別率為86.3%，平均運行時間為398ms。對作物進行準確識別和精準定位，是實現(xiàn)株間除草的技術關鍵和難點。馬志艷等［53］以苗期玉米為研究對象，提出了一種通過視覺技術對玉米幼苗進行識別與定位的方法。試驗結果表明，不同雜草分布量的玉米幼苗識別率為98.3%，定位誤差距離在10mm以內的定位精準度為85.9%。呂曉蓮等［54］通過對基于機器視覺的識別和定位方法，研究不同條件下采摘西紅柿的識別圖，試驗結果表明，成熟果實的鑒定可以達到98%，定位誤差可以控制在15mm以內。針對馬鈴薯芽眼檢測精度不高、實時性差的問題，陳志偉［55］采用YOLOX技術進行了馬鈴薯種薯芽眼的識別，試驗結果表明，該方法的平均準確率均值高達98.19%，準確率為92.39%。此方法可以極大地提高馬鈴薯種薯芽眼的識別速度和準確率。針對果樹運輸系統(tǒng)中存在的障礙物和樹干探測精度問題，Su等［56］提出一種基于YOLOv5s的改進算法來檢測果樹的樹干和障礙物。將SE模塊添加到YOLOv5s網絡中，利用K均值聚類算法對其進行了訓練。與YOLOv5s模型相比，該模型的平均檢測準確率提高了1.30%，平均檢測時間縮短了2ms。

當田間環(huán)境的光照和遮擋條件下作物環(huán)境不同時，會影響識別和定位精度。此時應用幾何特征、圖像特征、新的圖像算法和智能決策理論來解決問題。此外由于農業(yè)環(huán)境的復雜性和不確定性，視覺系統(tǒng)在應用中仍然存在較大的定位誤差，而這些誤差的規(guī)律難以描述和補償。因此，需要結合機器人的控制系統(tǒng)和創(chuàng)新設計的機構來提高視覺和機械容錯技術，實現(xiàn)精確的定位和操作［57］。

3 計算機視覺技術優(yōu)勢及未來展望

圖像在人類感知中起著非常重要的作用。然而，人類的感知僅限于電磁波譜的可見波段。機器視覺檢測技術可以覆蓋整個電磁波譜，從伽馬射線到無線電波。通過強大的視覺傳感器，巧妙設計的光傳輸方法和圖像處理算法，機器視覺可以完成許多人類視覺無法完成的任務。此外，機器視覺相較于人類視覺在工業(yè)應用中還有許多優(yōu)勢，如表1所示。

近年來，機器視覺技術越來越多地用于農業(yè)研究中，取得了一定的研究成果，并在實際生產中得到了應用，但仍存在一些挑戰(zhàn)。

3.1 圖像處理的算法

分割是圖像處理的第一步，是特征提取和圖像分析的前提。 然而，在不同光照條件下，常用的算法往往會失效。此外，水果的顏色類似于某些植物的葉子顏色（如黃瓜），植物本身含有果實、葉子和莖使得目標物被遮擋。所有這些因素都對現(xiàn)有的分割算法提出了新的挑戰(zhàn)［58］。此外，目前大多數研究都是針對靜態(tài)圖像處理。但在農業(yè)領域，有許多情況需要實時的視頻處理，如農業(yè)車輛的導航和動物行為的監(jiān)控。因此，未來對實時識別算法的要求更高。

3.2 農業(yè)數據的支持

在所調查的研究中，機器視覺的應用需要經過不斷的試驗和大量的檢測樣本，其檢測結果準確性取決于是否有大量的標準數據集來訓練它。即使在相同的生長條件下，不同的植物也有不同的參數，所以單一植物的信息不具有代表性，不能作為決策的依據。此外，種植結構（垂直種植或平面種植）和環(huán)境的不均勻性（空氣溫度、濕度、光照）也會導致不同地區(qū)的植物生長條件不同。未來如何把這些因素都考慮進去，形成農業(yè)圖像分析的標準數據集，準確顯示出植物的真實生長狀態(tài)，是促進機器視覺在現(xiàn)代農業(yè)發(fā)展的關鍵。

3.3 圖像采集的硬件

目前有的圖像是由數碼相機手動拍攝的，這不可避免地造成了圖像質量的不均衡。有的使用安裝在機器人上的工業(yè)相機來拍攝圖像，但防抖效果不佳。且相機的使用范圍有限，其無法通過攝像頭捕捉到在垂直空間生長的植物。從長遠來看，作為視覺傳感器，圖像采集設備應該和其他傳感器一樣。需要創(chuàng)造一些精度高、適用性強、成本低的產品。還需要在工廠設計一些配套設備，以滿足其不同應用場景［59］。

4 結語

從計算機視覺的基本理論和農業(yè)應用的角度出發(fā)，基于現(xiàn)代農業(yè)的五個領域，即水產養(yǎng)殖、畜牧養(yǎng)殖、農作物生長監(jiān)測、病害監(jiān)視、果蔬識別定位與采摘，探討計算機視覺技術基礎和應用熱點，分析計算機視覺技術在未來農業(yè)自動化應用中將面臨的挑戰(zhàn)。

1） 計算機視覺技術具有低成本，高效率和高精度的優(yōu)勢，其作為一種新興技術將更好地應用于農業(yè)。

2） 隨著未來技術的不斷拓展，為實現(xiàn)技術的通用性和協(xié)調性，有必要改進圖像處理的算法、建立大規(guī)模的數據集、優(yōu)化圖像采集的硬件等。

3） 一個真正有價值的農業(yè)計算機視覺系統(tǒng)需具備實時性、魯棒性和準確性。在實際研究中，應考慮各種因素，結合人工智能和自動控制學科的先進知識，在這個領域進行系統(tǒng)研究。

參 考 文 獻

［1］ 馬彥平， 白由路， 高祥照， 等. 計算機視覺技術在農業(yè)生產中的應用與展望［J］. 中國農業(yè)資源與區(qū)劃， 2009， 30（4）： 21-27.

Ma Yanping， Bai Youlu， Gao Xiangzhao， et al. Application and expectation of computer vision technology in agriculture production ［J］. Chinese Journal of Agricultural Resources and Regional Planning， 2009， 30（4）： 21-27.

［2］ 趙娜， 趙平， 高軼軍. 機器視覺技術在我國現(xiàn)代農業(yè)生產中的應用研究［J］. 天津農學院學報， 2015， 22（2）： 55-58.

Zhao Na， Zhao Ping， Gao Yijun. Study on application of machine vision technology to modern agriculture in China ［J］. Journal of Tianjin Agricultural University， 2015， 22（2）： 55-58.

［3］ 李娟， 朱學巖， 葛鳳麗， 等. 基于計算機視覺的水下海參識別方法研究［J］. 中國農機化學報， 2020， 41（7）： 171-177.

Li Juan， Zhu Xueyan， Ge Fengli， et al. Research on under water sea cucumber identification based Ion computer vision ［J］. Journal of Chinese Agricultural Mechanization， 2020， 41（7）： 171-177.

［4］ 周航， 杜志龍， 武占元， 等. 機器視覺技術在現(xiàn)代農業(yè)裝備領域的應用進展［J］. 中國農機化學報， 2017， 38（11）： 86-92.

Zhou Hang， Du Zhilong， Wu Zhanyuan， et al. Application progress of machine vision technology in the field of modern agricultural equipment ［J］. Journal of Chinese Agricultural Mechanization， 2017， 38（11）： 86-92.

［5］ 石衛(wèi)坤， 彭森. 計算機視覺技術在農業(yè)生產中的應用與展望［J］. 農家參謀， 2019（19）： 23.

［6］ 殷悅， 張慧春， 鄭加強. 基于雙目立體視覺的植物三維重建系統(tǒng)［J］. 中國農機化學報， 2021， 42（3）： 129-135.

Yin Yue， Zhang Huichun， Zheng Jiaqiang. Three dimensional reconstruction system of plant based on binocular stereo vision ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（3）： 129-1335.

［7］ 楊濤， 李曉曉. 機器視覺技術在現(xiàn)代農業(yè)生產中的研究進展［J］. 中國農機化學報， 2021， 42（3）： 171-181.

Yang Tao， Li Xiaoxiao. Research progress of machine vision technology in modern agricultural production ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（3）： 171-181.

［8］ 郝文影. 計算機視覺技術在農業(yè)上的應用［J］. 現(xiàn)代農村科技， 2018（3）： 92.

［9］ 段延娥， 李道亮， 李振波， 等. 基于計算機視覺的水產動物視覺特征測量研究綜述［J］. 農業(yè)工程學報， 2015， 31（15）： 1-11.

Duan Yane， Li Daoliang， Li Zhenbo， et al. Review on visual characteristic measurement research of aquatic animals based on computer vision ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2015， 31（15）： 1-11.

［10］ Li D， Du L. Recent advances of deep learning algorithms for aquacultural machine vision systems with emphasis on fish ［J］. Artificial Intelligence Review， 2021， 55（5）： 1-40.

［11］ Daoliang Li， Qi Wang， Xin Li， et al. Recent advances of machine vision technology in fish classification ［J］. ICES Journal of Marine Science， 2022， 79（2）： 263-284.

［12］ 丁順榮， 肖珂. 基于粒子群優(yōu)化SVM和多特征融合的魚類分類方法研究［J］. 中國農機化學報， 2020， 41（11）： 113-118， 170.

Ding Shunrong， Xiao Ke. Improving fish classification method in particle swarm optimization SVM and multi-feature fusion ［J］. Journal of Chinese Agricultural Mechanization， 2020， 41（11）： 113-118， 170.

［13］ 李艷君， 黃康為， 項基. 基于立體視覺的動態(tài)魚體尺寸測量［J］.農業(yè)工程學報， 2020， 36（21）： 220-226.

Li Yanjun， Huang Kangwei， Xiang Ji. Measurement of dynamic fish dimension based on stereoscopic vision ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（21）： 220-226.

［14］ Cao J， Xu L. Research on counting algorithm of residual feeds in aquaculture based on machine vision ［C］. 2018 IEEE 3rd International Conference on Image， Vision and Computing， 2018： 498-503.

［15］ Zhou C， Lin K， Xu D， et al. Computer vision and feeding behavior based intelligent feeding controller for fish in aquaculture［C］. Proceedings of the International Conference on Intelligent Agriculture， 2017： 113-122.

［16］ 關輝， 許璐蕾. 基于機器視覺的智能魚群健康狀況監(jiān)測系統(tǒng)［J］. 物聯(lián)網技術， 2019， 9（10）： 13-14， 17.

［17］ Hwang K H， Choi J W. Machine vision based weight prediction for flatfish［C］. 2018 18th International Conference on Control， Automation and Systems， 2018： 1628-1631.

［18］ Ji D， Zhou J， Xu M， et al. Automatic counting algorithm of fry based on machine vision system ［C］. 2021 WRC Symposium on Advanced Robotics and Automation （WRC SARA）， 2021： 104-109.

［19］ 黎袁富， 杜家豪， 莫家浩， 等. 基于YOLOX的魚苗檢測與計數［J］. 電子元器件與信息技術， 2022， 6（5）： 192-194.

［20］ 金耀， 何秀文， 萬世主， 等. 基于YOLO v3的生豬個體識別方法［J］. 中國農機化學報， 2021， 42（2）： 178-183.

Jin Yao，He Xiuwen， Wan Shizhu， et al. Individual pig identification method based on YOLO v3 ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（2）： 178-183.

［21］ Kashiha M， Bahr C， Ott S， et al. Automatic identification of marked pigs in a pen using image pattern recognition ［J］. Computers and Electronics in Agriculture， 2013， 93： 111-120.

［22］ Ahrendt P， Gregersen T， Karstoft H. Development of a real-time computer vision system for tracking loose-housed pigs ［J］. Computers & Electronics in Agriculture， 2011， 76（2）： 169-174.

［23］ 張建龍， 莊晏榕， 周康， 等. 基于機器視覺的育肥豬分群系統(tǒng)設計與試驗［J］. 農業(yè)工程學報， 2020， 36（17）： 174-181.

Zhang Jianlong， Zhuang Yanrong， Zhou Kang， et al. Design of automatic group sorting system for fattening pigs based on machine vision［J］. Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（17）： 174-181.

［24］ Nasirahmadi A， Sturm B， Edwards S， et al. Deep learning and machine vision approaches for posture detection of individual pigs ［J］. Sensors， 2019， 19（17）： 3738.

［25］ 趙正東， 王虎虎， 徐幸蓮. 基于機器視覺的肉雞胴體淤血檢測技術［J］. 農業(yè)工程學報， 2022， 38（16）： 330-338.

Zhao Zhengdong， Wang Huhu， Xu Xinglian. Broiler carcass congestion detection technology using machine vision ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（16）： 330-338.

［26］ 尚絳嵐. 基于計算機視覺的智能牧場應用研究［D］. 包頭： 內蒙古科技大學， 2020.

Shang Jianglan. Research on the application of intelligent pasture based on computer vision ［D］. Baotou： Inner Mongolia University of Science & Technology， 2020.

［27］ 薛鴻翔， 沈明霞， 劉龍申， 等. 基于改進YOLO v5s的經產母豬發(fā)情檢測方法研究［J］. 農業(yè)機械學報， 2023， 54（1）： 263-270.

Xue Hongxiang， Shen Mingxia， Liu Longshen， et al. Estrus detection method of parturient sows based on improved YOLO v5s ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（1）： 263-270.

［28］ 白強， 高榮華， 趙春江， 等. 基于改進YOLOV5s網絡的奶牛多尺度行為識別方法［J］. 農業(yè)工程學報， 2022， 38（12）： 163-172.

Bai Qiang， Gao Ronghua， Zhao Chunjiang， et al. Multi-scale behavior recognition method for dairy cows based on improved YOLOV5s network ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（12）： 163-172.

［29］ Li Guoming， Huang Yanbo， Chen Zhiqian， et al. Practices and applications of convolutional neural network-based computer vision systems in animal farming： A review ［J］. Sensors， 2021， 21（4）.

［30］ 劉雙喜， 孫林林， 王震， 等. 復雜背景下蘋果樹花量模糊聚類準確估測模型［J］. 中國農機化學報， 2017， 38（8）： 74-81.

Liu Shuangxi， Sun Linlin， Wang Zhen， et al. Fuzzy clustering accurate estimation model of apple tree flowers with complex background ［J］. Journal of Chinese Agricultural Mechanization， 2017， 38（8）： 74-81.

［31］ 劉雙喜， 張磊， 張宏建， 等. 基于新梢葉節(jié)距的蘋果樹葉片氮含量檢測［J］. 中國農機化學報， 2019， 40（7）： 89-96.

Liu Shuangxi， Zhang Lei， Zhang Hongjian， et al. Nitrogen content tests for apple tree leaves based on leaf node pitches of shoots ［J］. Journal of Chinese Agricultural Mechanization， 2019， 40（7）： 89-96.

［32］ Sun M， Si J， An D， et al， Nondestructive measurement of tomato seedlings during their growth based on machine vision ［C］. 2006 Second International Symposium on Plant Growth Modeling and Applications， 2006： 255-258.

［33］ McCarthy Alison， Raine Steven. Automated variety trial plot growth and flowering detection for maize and soybean using machine vision ［J］. Computers and Electronics in Agriculture， 2022， 194： 106727.

［34］ Setyawan R A， Basuki A， Wey C Y. Machine vision-based urban farming growth monitoring system ［C］. 2020 10th Electrical Power， Electronics， Communications， Controls and Informatics Seminar， 2020： 183-187.

［35］ Loresco P J， Valenzuela I， Gamara R P， et al. Growth stage identification for cherry tomato using image processing techniques ［C］. 2020 IEEE 12th International Conference on Humanoid， Nanotechnology， Information Technology， Communication and Control， Environment， and Management， 2020： 1-6.

［36］ 郭文娟， 馮全， 李相周. 基于農作物病害檢測與識別的卷積神經網絡模型研究進展［J］. 中國農機化學報， 2022， 43（10）： 157-166.

Guo Wenjuan， Feng Quan， Li Xiangzhou. Research progress of convolutional neural network model based on crop disease detection and recognition ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（10）： 157-166.

［37］ 魏晨， 國樹金， 荊茂焱， 等. 美國白蛾幼蟲網幕圖像識別算法及其視覺伺服系統(tǒng)研究［J］. 中國農機化學報， 2022， 43（11）： 62-68.

Wei Chen， Guo Shujin， Jing Maoyan， et al. Study on the in mage recognition algorithm and visual servo system of Hyphantria cunea larvae nets ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（11）： 62-68.

［38］ Nancy P，Pallathadka H， Naved M， et al. Deep learning and machine learning based efficient framework for image based plant disease classification and detection ［C］. 2022 International Conference on Advanced Computing Technologies and Applications， 2022： 1-6.

［39］ 黨滿意， 孟慶魁， 谷芳， 等. 基于機器視覺的馬鈴薯晚疫病快速識別［J］. 農業(yè)工程學報， 2020， 36（2）： 193-200.

Dang Manyi， Meng Qingkui， Gu Fang， et al. Rapid recognition of potato late blight based on machine vision ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（2）： 193-200.

［40］ 王珊， 薛新宇， 郭祥雨. 基于機器視覺的油菜菌核病分級檢測研究［J］. 中國農機化學報， 2022， 43（5）： 47-53.

Wang Shan， Xue Xinyu， Guo Xiangyu. Classification and detection of rapeseed sclerotium disease based on machine vision ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（5）： 47-53.

［41］ Zhang Y， Ren T， Li C， et al. Research on recognition method of common corn diseases based on computer vision ［C］. 2019 11th International Conference on Intelligent Human-Machine Systems and Cybernetics， 2019： 328-331.

［42］ Hua S， Xu M， Xu Z， et al. Multi-feature decision fusion algorithm for disease detection on crop surface based on machine vision ［J］. Neural Computing and Applications， 2022， 34（12）： 9471-9484.

［43］ Agnihotri V. Machine learning based pest identification in paddy plants ［C］. 2019 3rd International Conference on Electronics， Communication and Aerospace Technology， 2019： 246-250.

［44］ 孫豐剛， 王云露， 蘭鵬， 等. 基于改進YOLOv5s和遷移學習的蘋果果實病害識別方法［J］. 農業(yè)工程學報， 2022， 38（11）： 171-179.

Sun Fenggang， Wang Yunlu， Lan Peng， et al. Identification of apple fruit diseases using improved YOLOv5s and transfer learning ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（11）： 171-179.

［45］ Thakur Poornima Singh， Khanna Pritee， Sheorey Tanuja， et al. Trends in vision-based machine learning techniques for plant disease identification： A systematic review ［J］. Expert Systems With Applications， 2022， 208： 118117.

［46］ Li Z， Yuan X， Wang C. A review on structural development and recognition-localization methods for end-effector of fruit-vegetable picking robots ［J］. International Journal of Advanced Robotic Systems， 2022， 4： 52.

［47］ 成偉， 張文愛， 馮青春， 等. 基于改進YOLOv3的溫室番茄果實識別估產方法［J］. 中國農機化學報， 2021， 42（4）： 176-182.

Cheng Wei， Zhang Wenai， Feng Qingchun， et al. Method of greenhouse tomato fruit identification and yield estimation based on improved YOLOv3 ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（4）： 176-182.

［48］ 陳品嵐， 張小花， 朱立學， 等. 基于樹莓派及深度學習的柑橘識別系統(tǒng)設計［J］. 中國農機化學報， 2022， 43（9）： 131-136.

Chen Pinlan， Zhang Xiaohua， Zhu Lixue， et al. Citrus recognition system design based on Raspberry Pi and deep learning ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（9）： 131-136.

［49］ Yin G， Xie Y， Yun J， et al. Based on machine vision fruit target detection method［J］. IOP Conference Series Earth and Environmental Science， 2020， 428： 012072.

［50］ 陳燕， 王佳盛， 曾澤欽， 等. 大視場下荔枝采摘機器人的視覺預定位方法［J］. 農業(yè)工程學報， 2019， 35（23）： 48-54.

Chen Yan， Wang Jiasheng， Zeng Zeqin， et al. Research on vision pre-positioning for litchi picking robot under large field of view ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2019， 35（23）： 48-54.

［51］ Wang M， Wei J， Yuan J， et al. A research for intelligent cotton picking robot based on machine vision ［C］. 2008 International Conference on Information and Automation， 2008： 800-803.

［52］ 馮俊惠， 李志偉， 戎有麗， 等. 基于改進Hough圓變換算法的成熟番茄果實識別［J］. 中國農機化學報， 2021， 42（4）： 190-196.

Feng Junhui， Li Zhiwei， Rong Youli， et al. Identification of mature tomatoes based on an algorithm of modified circular Hough transform ［J］. Journal of Chinese Agricultural Mechanization，2021， 42（4）： 190-196.

［53］ 馬志艷， 朱熠， 張徐康， 等. 基于視覺的玉米苗期作物識別與定位方法研究［J］. 中國農機化學報， 2020， 41（9）： 131-137.

Ma Zhiyan， Zhu Yi， Zhang Xukang， et al. Research on the method of crop recognition and location in maize seedlings stage based on vision ［J］. Journal of Chinese Agricultural Mechanization， 2020， 41（9）： 131-137.

［54］ 呂小蓮， 呂小榮， 盧秉福. 西紅柿采摘機器人視覺系統(tǒng)的設計與研究［J］. 傳感器與微系統(tǒng)， 2010， 29（6）： 21-24.

Lü Xiaolian， Lü Xiaorong， Lu Bingfu. Design and research on tomato-harvesting robot visual system ［J］. Transducer and Microsystem Technologies， 2010， 29（6）： 21-24.

［55］ 陳志偉. 基于YOLOX的馬鈴薯種薯芽眼檢測與自動切塊試驗研究［D］. 泰安： 山東農業(yè)大學， 2022.

Chen Zhiwei. YOLOX-based potato seed potato sprout eye detection and automatic cutting test research ［D］. Taian： Shandong Agricultural University， 2022.

［56］ Su F， Zhao Y， Shi Y， et al. Tree trunk and obstacle detection in apple orchard based on improved YOLOv5s model ［J］. Agronomy. 2022， 12（10）： 2427.

［57］ Tang Y， Chen M， Wang C， et al. Recognition and localization methods for vision-based fruit picking robots： A review ［J］. Frontiers in Plant Science， 2020， 11： 510.

［58］ Tian Z， Ma W， Yang Q， et al. Application status and challenges of machine vision in plant factory： A review ［J］. Information Processing in Agriculture， 2022， 9（2）： 195-211.

［59］ 田志偉， 馬偉， 張梅， 等. 溫室智能裝備系列之一百三十植物工廠中機器視覺技術應用現(xiàn)狀與挑戰(zhàn)［J］.農業(yè)工程技術， 2022， 42（1）： 36-45.