圖像識(shí)別技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用綜述

洪楊 樊瑋婷 何夢(mèng)俠 李忠華

摘要：近年來，圖像處理技術(shù)的迅猛發(fā)展使得圖像識(shí)別技術(shù)在人工智能領(lǐng)域中至關(guān)重要?，F(xiàn)如今，圖像識(shí)別技術(shù)已廣泛應(yīng)用于農(nóng)業(yè)領(lǐng)域，包括農(nóng)作物病蟲害識(shí)別、農(nóng)作物生長狀態(tài)判斷及雜草識(shí)別、農(nóng)產(chǎn)品成熟度和品質(zhì)檢測(cè)等，為人類的生產(chǎn)和生活帶來了極大的便利。本文主要闡述了圖像識(shí)別技術(shù)的基礎(chǔ)原理，并深入分析了其在農(nóng)業(yè)領(lǐng)域的應(yīng)用情況，同時(shí)探討了圖像識(shí)別技術(shù)在精準(zhǔn)農(nóng)業(yè)中面臨的挑戰(zhàn)及其未來的發(fā)展趨勢(shì)。

關(guān)鍵詞：圖片識(shí)別；病蟲害；雜草識(shí)別；農(nóng)產(chǎn)品分揀與質(zhì)檢；農(nóng)業(yè)機(jī)械化

中圖分類號(hào)：TP391? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2024）07-0024-04

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）

0 引言

我國是一個(gè)農(nóng)業(yè)大國，隨著國家相關(guān)政策對(duì)現(xiàn)代農(nóng)業(yè)的大力支持，現(xiàn)階段農(nóng)業(yè)的智能化水平已經(jīng)有了相當(dāng)大的提升。采用圖像識(shí)別技術(shù)結(jié)合自動(dòng)化控制技術(shù)的自動(dòng)化處理、分析農(nóng)業(yè)數(shù)據(jù)和遠(yuǎn)程控制等優(yōu)勢(shì)，既避免了傳統(tǒng)方法中需要人工干預(yù)的問題，保證了一定的準(zhǔn)確率，也能夠節(jié)省行業(yè)人工成本，為農(nóng)民提供合理的管理建議，實(shí)現(xiàn)高效的農(nóng)業(yè)智能化[1-2]。除此之外，通過精準(zhǔn)的農(nóng)作物管理和施藥控制，還可以減少不必要的投入和對(duì)環(huán)境的污染，保護(hù)生態(tài)環(huán)境。本綜述的框架如圖1所示。

1 圖像識(shí)別技術(shù)概述

圖像識(shí)別技術(shù)是將圖像對(duì)象轉(zhuǎn)換為計(jì)算機(jī)可處理的數(shù)字信號(hào)，通過對(duì)這些數(shù)字信號(hào)的分析和處理，識(shí)別出圖像的內(nèi)容和類別，為下一步的操作提供數(shù)據(jù)基礎(chǔ)。

在最初始的發(fā)展階段，20世紀(jì)60年代計(jì)算機(jī)視覺開始發(fā)展，研究方向主要是將圖像數(shù)字化，通過算法實(shí)現(xiàn)邊緣檢測(cè)、輪廓提取、閾值分割等基礎(chǔ)圖像處理技術(shù)，此時(shí)能夠?qū)σ恍┹^為簡單的數(shù)字、文字信息進(jìn)行處理，主要識(shí)別一些手寫字符、將印刷字符轉(zhuǎn)換為可編輯、可搜索的電子文本。到了發(fā)展中期，20世紀(jì)70年代開始運(yùn)用模式識(shí)別技術(shù)對(duì)圖像進(jìn)行分類和識(shí)別，主要采用統(tǒng)計(jì)學(xué)習(xí)方法（如貝葉斯分類器），進(jìn)行模式識(shí)別和圖像分類等任務(wù)。主要應(yīng)用于印刷體文字圖像的處理和分析。20世紀(jì)90年代，神經(jīng)網(wǎng)絡(luò)被引入圖像識(shí)別領(lǐng)域，計(jì)算機(jī)視覺研究開始利用圖像的局部特征（如顏色、紋理、形狀等）進(jìn)行特征提取，從而實(shí)現(xiàn)對(duì)圖像的分類和檢索。主要應(yīng)用于圖像搜索、自然場(chǎng)景識(shí)別等領(lǐng)域。逐漸能夠?qū)σ恍┖唵蔚膱D像信息進(jìn)行圖像識(shí)別分類。隨著21世紀(jì)深度學(xué)習(xí)的興起，深度學(xué)習(xí)技術(shù)開始應(yīng)用于計(jì)算機(jī)視覺領(lǐng)域。以深度神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，通過多個(gè)層級(jí)的特征提取和分類器訓(xùn)練，實(shí)現(xiàn)對(duì)圖像的自動(dòng)分類和檢索。主要應(yīng)用于人臉識(shí)別、醫(yī)療診斷、車輛識(shí)別、農(nóng)業(yè)等領(lǐng)域。卷積神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用和不斷革新，目前該技術(shù)的智能化水平已經(jīng)顯著提高，能夠?qū)崿F(xiàn)對(duì)一些復(fù)雜背景、復(fù)雜圖像以及小目標(biāo)圖像進(jìn)行有效識(shí)別處理。

1.1 圖片識(shí)別技術(shù)基礎(chǔ)原理

圖片識(shí)別技術(shù)的原理主要是將輸入的圖片經(jīng)過預(yù)處理、特征提取和分類器訓(xùn)練三個(gè)步驟，得到對(duì)該圖片所屬類別的預(yù)測(cè)結(jié)果。

圖片預(yù)處理是計(jì)算機(jī)圖像識(shí)別技術(shù)應(yīng)用中用于前期處理的重要步驟。由于圖片獲取的渠道不同，一些學(xué)者使用公開數(shù)據(jù)集，有的研究人員自主制作數(shù)據(jù)集，而采集圖像使用的裝備、制作圖像標(biāo)準(zhǔn)的差異都對(duì)識(shí)別的效果有影響。預(yù)處理就可以將一些低價(jià)值的數(shù)據(jù)信息去除，保留有價(jià)值信息。圖像信息的預(yù)處理方法較多，可以通過使用高斯濾波等方式去除圖像中存在的噪聲，使得圖像更加清晰、有效內(nèi)容更加突出；或者通過使用HSV、RGB等顏色空間等方式去調(diào)整圖像亮度、對(duì)比度、色彩等，使圖像更加清晰、鮮明；還可以通過灰度化處理能夠?qū)⒉噬珗D像轉(zhuǎn)換為灰度圖像，去除色彩分布對(duì)圖像中相關(guān)特征的影響，將彩色圖像的三個(gè)通道（RGB） 壓縮到一個(gè)通道，并減小圖像數(shù)據(jù)的維度，使得圖像中每個(gè)像素的數(shù)值只代表灰度的強(qiáng)度，使得圖像處理更加方便和準(zhǔn)確[3]。

特征提取是圖像識(shí)別技術(shù)非常關(guān)鍵的步驟，科學(xué)選擇合適的特征點(diǎn)非常重要，可以對(duì)圖像的識(shí)別準(zhǔn)確率和計(jì)算效率產(chǎn)生巨大的影響。具體的特征點(diǎn)選取要根據(jù)識(shí)別需求和應(yīng)用方向來決定。一般來說，顏色可以作為一種全局特征點(diǎn)，而紋理通常被用作局部特征點(diǎn)。顏色作為全局特征點(diǎn)能夠快速地對(duì)不同對(duì)象進(jìn)行區(qū)分，因?yàn)椴煌膶?duì)象往往具有不同的顏色特征。與顏色特征相比，紋理通常更加局部化，具有更強(qiáng)的局部判別性。除此之外，還有空間關(guān)系特征和形狀等。所以在識(shí)別一張具體圖像的應(yīng)用中，對(duì)圖片中眾多的特征信息進(jìn)行準(zhǔn)確區(qū)分是非常必要的[4]。通過有效提取特殊信息，既能盡早發(fā)現(xiàn)農(nóng)作物是否出現(xiàn)問題，又能實(shí)現(xiàn)對(duì)局部的瑕疵特征識(shí)別。

圖像分類是智能化圖像識(shí)別技術(shù)中的重要步驟。它通過深入研究數(shù)據(jù)特征，并通過交叉驗(yàn)證、混淆矩陣等方法評(píng)估不同分類器的性能，最終選擇最適合的分類器。例如，在處理植物葉片的RGB圖像數(shù)據(jù)集時(shí)，可以選擇適合RGB顏色空間的分類器，如支持向量機(jī)（SVM） 、Softmax、隨機(jī)森林（Random Forest） 等。選擇好分類器后，可以利用網(wǎng)格搜索等方法對(duì)其進(jìn)行參數(shù)優(yōu)化，以提高農(nóng)業(yè)領(lǐng)域圖像分類的準(zhǔn)確性和穩(wěn)定性。

1.2 圖片識(shí)別技術(shù)分類

圖像識(shí)別技術(shù)目前主要分為傳統(tǒng)的圖像識(shí)別方法和基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)圖像識(shí)別方法。傳統(tǒng)方法通常適用于簡單的圖像分類任務(wù)，因?yàn)樗鼈儾恍枰罅繑?shù)據(jù)訓(xùn)練和復(fù)雜的計(jì)算，可以通過簡單的特征提取和分類方法實(shí)現(xiàn)較好的識(shí)別效果，更為實(shí)用和經(jīng)濟(jì)。但是，對(duì)于復(fù)雜的識(shí)別任務(wù)和大規(guī)模的圖像分類應(yīng)用，深度學(xué)習(xí)方法在準(zhǔn)確性和可靠性上具有很大優(yōu)勢(shì)。深度學(xué)習(xí)可以實(shí)現(xiàn)自主學(xué)習(xí)特征、處理高維數(shù)據(jù)、適用于不同的圖像分類任務(wù)等。然而，深度學(xué)習(xí)需要處理大量數(shù)據(jù)，對(duì)硬件算力要求較高。GPU（圖形處理器）擁有大量的并行計(jì)算單元，能夠顯著加速深度學(xué)習(xí)模型的訓(xùn)練和推斷過程，這極大地推動(dòng)了深度學(xué)習(xí)在農(nóng)業(yè)領(lǐng)域的應(yīng)用。例如，彭明霞等人[5]采用深度學(xué)習(xí)方法識(shí)別棉田雜草，模型在CPU上運(yùn)行時(shí)，單張圖片平均耗時(shí)1.51s，使用GPU時(shí)，單張圖片的平均處理時(shí)間縮短到0.09s，速度提高了近17倍。

2 農(nóng)業(yè)領(lǐng)域圖像識(shí)別的應(yīng)用

2.1 植物病蟲害檢測(cè)

植物病蟲害目前依然是影響農(nóng)作物產(chǎn)量和農(nóng)產(chǎn)品質(zhì)量的主要?dú)⑹?，給農(nóng)業(yè)生產(chǎn)帶來嚴(yán)重的危害。使用農(nóng)藥可以在短期內(nèi)取得不錯(cuò)的效果，但大量使用農(nóng)藥抑制病蟲害的發(fā)展，不僅對(duì)生態(tài)環(huán)境造成破壞，還增加了病蟲害的抗藥性，同時(shí)也使得農(nóng)產(chǎn)品的農(nóng)藥殘留量不斷增加[6-7]。利用圖片識(shí)別技術(shù)可以通過對(duì)害蟲的紋理、形態(tài)、大小等特征進(jìn)行識(shí)別分類，通過在病蟲害形成規(guī)模災(zāi)情、造成嚴(yán)重影響之前捕捉識(shí)別到的特征，可以將災(zāi)情發(fā)生的可能性降到最低[8]。近年來，大量學(xué)者通過使用和改進(jìn)算法，使得病蟲害識(shí)別效果得到了一定的提升。例如，Wang等學(xué)者[9]的研究利用了K-means算法和自適應(yīng)聚類方法，對(duì)葉片蟲害圖像進(jìn)行網(wǎng)格分割和特征提取，最終實(shí)現(xiàn)了高效、準(zhǔn)確的葉片蟲害識(shí)別，識(shí)別有效精度達(dá)96.3%。李文勇等人[10]對(duì)果園害蟲形態(tài)和結(jié)構(gòu)進(jìn)行了分析，選取了多個(gè)害蟲的重要特征，如頭部、翅膀、足部等，得到了害蟲在不同旋轉(zhuǎn)角度和蟲體姿態(tài)下的多維特征描述子，然后結(jié)合分類算法進(jìn)行訓(xùn)練和識(shí)別，并實(shí)現(xiàn)了害蟲的自動(dòng)化檢測(cè)和識(shí)別。徐境深等人[11]將圖片識(shí)別技術(shù)結(jié)合極坐標(biāo)與傅里葉變換方法，提取蔬菜病蟲害的顏色與外形特征實(shí)施快速識(shí)別，檢測(cè)結(jié)果的識(shí)別準(zhǔn)確率達(dá)到99.0%。仲元紅等人[12]采集了大量帶標(biāo)注的飛蟲圖像樣本，并將這些樣本送入CNN分類模型進(jìn)行訓(xùn)練，該系統(tǒng)可以在不同條件下識(shí)別大多數(shù)飛蟲，如白粉蟲、蚜蟲等，其準(zhǔn)確率高達(dá)96%以上。圖像識(shí)別技術(shù)具備的快速性、準(zhǔn)確性、實(shí)時(shí)性等特點(diǎn)，能夠克服人工識(shí)別效率低、誤判率高等問題。

2.2 農(nóng)作物雜草控制

田間雜草會(huì)競(jìng)爭(zhēng)農(nóng)作物的生長資源，并且生長周期往往比農(nóng)作物短。因此，如果不及時(shí)割除或處理雜草，就會(huì)導(dǎo)致雜草生長繁茂，形成“雜草暴發(fā)”。此外，雜草還會(huì)吸引病蟲害并傳播病毒病，進(jìn)一步危及農(nóng)作物的健康和產(chǎn)量[13]。然而，長期的化學(xué)除草會(huì)導(dǎo)致雜草對(duì)除草劑產(chǎn)生抗藥性，進(jìn)而導(dǎo)致除草劑的使用增加，加劇環(huán)境污染和生態(tài)風(fēng)險(xiǎn)[14]。隨著人們對(duì)健康和環(huán)保意識(shí)的提高，使用智能機(jī)械除草設(shè)備替代化學(xué)除草劑已經(jīng)成為重要的方向。

通過拍攝田間實(shí)時(shí)圖像，利用計(jì)算機(jī)對(duì)影像進(jìn)行分析，可以進(jìn)行土壤背景去除和苗草分離，然后定位目標(biāo)區(qū)域。在定位確定后，切割部分會(huì)進(jìn)行精確的力控制和速度調(diào)整，實(shí)現(xiàn)對(duì)雜草的高效切除[15-16]。目前，用于雜草識(shí)別的模型大多在已有模型基礎(chǔ)上進(jìn)行優(yōu)化設(shè)計(jì)，以更好地適應(yīng)現(xiàn)實(shí)生產(chǎn)環(huán)境的需求。

侯雨等人[17]采用改進(jìn)的Canny邊緣檢測(cè)算法提取雜草特征，然后使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像分類，識(shí)別大豆雜草準(zhǔn)確率達(dá)到95.67%和93.33%。任全會(huì)等人[18]通過計(jì)算重要特征參數(shù)，構(gòu)建Canny算子模型進(jìn)行邊緣檢測(cè)，使用8種不同植物圖像進(jìn)行實(shí)驗(yàn)，并將結(jié)果與傳統(tǒng)方法進(jìn)行對(duì)比分析。結(jié)果顯示，該方法在植物識(shí)別中的平均錯(cuò)誤率明顯低于傳統(tǒng)方法，在雜草檢測(cè)中也表現(xiàn)出更好的性能。樊湘鵬[19]使用優(yōu)化的Faster R-CNN模型對(duì)自然條件下棉花幼苗及其７類常見雜草進(jìn)行識(shí)別，mAP為94.21%，優(yōu)于標(biāo)準(zhǔn)SSD（87.23%） 和YOLO（84.97%） ，但單張圖片處理時(shí)間為0.385秒，高于SSD（0.297秒）和YOLO（0.314秒）。

考慮到實(shí)際應(yīng)用方面，雜草識(shí)別是作業(yè)對(duì)象識(shí)別與定位的重要方面。如何將識(shí)別模型部署于無人機(jī)、田間移動(dòng)平臺(tái)，仍是后續(xù)研究需要解決的問題。

2.3 動(dòng)物領(lǐng)域應(yīng)用

近年來，基于圖像識(shí)別技術(shù)的發(fā)展實(shí)現(xiàn)了無接觸且無侵入性的動(dòng)物身份識(shí)別，能夠克服傳統(tǒng)動(dòng)物身份識(shí)別技術(shù)的局限性，成為計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)之一。將基于圖像處理的動(dòng)物身份識(shí)別技術(shù)應(yīng)用于動(dòng)物養(yǎng)殖可實(shí)現(xiàn)動(dòng)物智能監(jiān)督管理[20]。例如，楊晶晶等人[21]采用基于CNN改進(jìn)網(wǎng)絡(luò)進(jìn)行雛雞鑒別，能夠在平均0.362s的時(shí)間內(nèi)識(shí)別雛雞性別的準(zhǔn)確率達(dá)到96.82%，效果與具有10年經(jīng)驗(yàn)的工作人員鑒別準(zhǔn)確率相當(dāng)。王文成等人[22]通過利用ResNet50網(wǎng)絡(luò)框架對(duì)10種不同種類的魚類圖像進(jìn)行處理，實(shí)現(xiàn)了準(zhǔn)確的分類和識(shí)別，達(dá)到了93.3%的準(zhǔn)確率。張宏鳴等人[23]利用改進(jìn)的YOLO v3的肉牛多目標(biāo)骨架提取方法實(shí)現(xiàn)了對(duì)肉牛站立與躺臥行為的識(shí)別，有助于提高養(yǎng)殖管理的效率和效果。圖像識(shí)別技術(shù)已被廣泛應(yīng)用于畜牧養(yǎng)殖、動(dòng)物生態(tài)研究等領(lǐng)域，呈現(xiàn)出多學(xué)科交叉融合的趨勢(shì)，可以更好地促進(jìn)動(dòng)物行為分析研究、動(dòng)物健康監(jiān)測(cè)等方面發(fā)揮重要作用，提高動(dòng)物產(chǎn)業(yè)的發(fā)展水平和動(dòng)物保護(hù)水平。

2.4 農(nóng)產(chǎn)品的分揀與質(zhì)檢

果蔬類農(nóng)產(chǎn)品保鮮時(shí)間短、易損壞，純?nèi)斯し诌x速度慢、耗時(shí)長，影響流通效率。用果蔬分選設(shè)備替代人工分選已成為現(xiàn)代化農(nóng)業(yè)發(fā)展的趨勢(shì)[24]。例如，王志勃等[25]學(xué)者提出了一種基于機(jī)器視覺的自動(dòng)化采摘和分揀系統(tǒng)，該系統(tǒng)能夠?qū)崿F(xiàn)對(duì)蘋果的自動(dòng)檢測(cè)和采摘，并在分揀過程中實(shí)現(xiàn)了高效、準(zhǔn)確的分類和分級(jí)。利用圖像處理和計(jì)算機(jī)視覺等技術(shù)手段，對(duì)農(nóng)產(chǎn)品的外觀特征進(jìn)行快速、準(zhǔn)確和無損檢測(cè)，從而實(shí)現(xiàn)對(duì)農(nóng)產(chǎn)品的質(zhì)量評(píng)估、分類和分級(jí)等工作。這樣可以將農(nóng)產(chǎn)品分成品質(zhì)相似的批次，然后合并成易于銷售和運(yùn)輸?shù)恼R均勻的貨物，降低不良農(nóng)產(chǎn)品的混入率。

2.5 農(nóng)業(yè)機(jī)械智能化

智能農(nóng)機(jī)控制技術(shù)可以通過圖片識(shí)別技術(shù)和高精度定位精確地控制農(nóng)機(jī)在田間施肥、施藥和灌溉等操作，降低過量施肥和過量灌溉造成的環(huán)境污染，實(shí)現(xiàn)可持續(xù)發(fā)展。馬玉婷等[26]學(xué)者的研究表明，提高農(nóng)業(yè)機(jī)械化水平不僅可以促使本地區(qū)農(nóng)業(yè)種植結(jié)構(gòu)向糧食作物傾斜，還可以影響鄰近地區(qū)，使得區(qū)域內(nèi)的種植結(jié)構(gòu)趨向一致。農(nóng)機(jī)視覺導(dǎo)航技術(shù)可以幫助農(nóng)機(jī)在農(nóng)田中準(zhǔn)確導(dǎo)航，減少農(nóng)機(jī)在田間的行駛次數(shù)和輪壓，從而減少對(duì)農(nóng)作物造成的損害。由于現(xiàn)在農(nóng)村勞動(dòng)力減少，高效機(jī)械設(shè)備的使用變得非常必要。

3 圖像識(shí)別在農(nóng)業(yè)領(lǐng)域面臨的挑戰(zhàn)和未來發(fā)展趨勢(shì)

圖像識(shí)別在農(nóng)業(yè)領(lǐng)域的智能化、高效率和實(shí)用性已經(jīng)帶來了明顯的便利。然而，目前圖像識(shí)別仍存在一些問題：

1） 我國尚未建立完善的大型農(nóng)業(yè)圖像數(shù)據(jù)庫。許多研究實(shí)驗(yàn)仍需依賴自行采集的圖像。由于圖像識(shí)別技術(shù)和算法的準(zhǔn)確性與數(shù)據(jù)質(zhì)量和采集方式密切相關(guān)，不同的光照和角度會(huì)對(duì)圖像的識(shí)別和分析產(chǎn)生影響。若數(shù)據(jù)質(zhì)量較差，將影響圖像識(shí)別技術(shù)的應(yīng)用效果。因此，需要加大投入，建立更完善的農(nóng)業(yè)圖像數(shù)據(jù)庫，以滿足農(nóng)業(yè)圖像應(yīng)用的需求。

2） 農(nóng)業(yè)種植環(huán)境復(fù)雜，為了在光線不足、作物與背景顏色難以區(qū)分、多目標(biāo)互相遮擋、識(shí)別目標(biāo)過小等情況下，仍能夠進(jìn)行有效識(shí)別，可將不同的識(shí)別技術(shù)相結(jié)合，融合不同技術(shù)的優(yōu)點(diǎn)，設(shè)計(jì)模型以提高物體識(shí)別準(zhǔn)確率。

3） 模型輕量化是當(dāng)前深度學(xué)習(xí)在農(nóng)業(yè)病蟲害識(shí)別領(lǐng)域的一個(gè)重要突破方向。許多深度學(xué)習(xí)算法由于參數(shù)量較大、計(jì)算量較高，限制了模型在移動(dòng)設(shè)備上的應(yīng)用。模型輕量化有效地提高算法的執(zhí)行速度，滿足實(shí)時(shí)性要求，并在移動(dòng)設(shè)備上實(shí)現(xiàn)應(yīng)用，為農(nóng)業(yè)病蟲害的防治和農(nóng)業(yè)現(xiàn)代化發(fā)展提供重要支持。

雖然圖像識(shí)別在農(nóng)業(yè)領(lǐng)域的應(yīng)用前景廣闊，但其硬件設(shè)備和開發(fā)成本相對(duì)較高，需要大量資金和技術(shù)支持，這可能限制了其在農(nóng)業(yè)領(lǐng)域的廣泛應(yīng)用。圖像識(shí)別技術(shù)的發(fā)展還有待進(jìn)一步降低成本，擴(kuò)大應(yīng)用范圍。

參考文獻(xiàn)：

[1] 工信部印發(fā)《促進(jìn)新一代人工智能產(chǎn)業(yè)發(fā)展三年行動(dòng)計(jì)劃（2018—2020年）》[J].智能建筑，2018（1）：11.

[2]首個(gè)農(nóng)業(yè)全產(chǎn)業(yè)鏈人工智能工程“農(nóng)業(yè)大腦” 發(fā)布[J].蔬菜，2017（12）：81.

[3] 尹雅楠.計(jì)算機(jī)圖像識(shí)別技術(shù)現(xiàn)狀及優(yōu)化策略研究[J].無線互聯(lián)科技，2021，18（4）：80-81.

[4] 孫成會(huì)，薛凱鑫.基于人工智能的圖像識(shí)別技術(shù)分析[J].電子測(cè)試，2020（16）：139-140.

[5] 彭明霞，夏俊芳，彭輝.融合FPN的Faster R-CNN復(fù)雜背景下棉田雜草高效識(shí)別方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2019，35（20）：202-209.

[6] 鐘珍秀.農(nóng)業(yè)生產(chǎn)中病蟲害綠色防控的必要性及存在的問題[J].種子科技，2023，41（12）：103-105.

[7] 劉震，紀(jì)明妹，郭志頂，等.圖像識(shí)別技術(shù)在病蟲害防治方面的應(yīng)用與展望[J].滄州師范學(xué)院學(xué)報(bào)，2022，38（1）：119-123.

[8] 吳翔. 基于機(jī)器視覺的害蟲識(shí)別方法研究[D].杭州： 浙江大學(xué)，2016.

[9] WANG Z B，WANG K Y，LIU Z Q，et al.A cognitive vision method for insect pest image segmentation[J].IFAC-PapersOnLine，2018，51（17）：85-89.

[10] 李文勇.On-line Identification and Counting of Sex-pheromones Lured Orchard Pest Based on Machine Vision[D].中國農(nóng)業(yè)大學(xué)，2015.

[11] 徐境深，王昕彤，周芹，等.設(shè)施瓜菜病蟲害識(shí)別技術(shù)研究[J].農(nóng)業(yè)裝備技術(shù)，2021，47（6）：53-55.

[12] ZHONG Y H，GAO J Y，LEI Q L，et al.A vision-based counting and recognition system for flying insects in intelligent agriculture[J].Sensors，2018，18（5）：1489.

[13] 劉佳鑫.農(nóng)業(yè)生產(chǎn)領(lǐng)域計(jì)算機(jī)視覺技術(shù)的應(yīng)用[J].山西農(nóng)經(jīng)，2018（11）：53，55.

[14] 潘浪，劉敏，劉偉堂，等.我國雜草科學(xué)學(xué)科發(fā)展現(xiàn)狀與展望[J].植物保護(hù)，2023，49（5）：295-302，389.

[15] BAKHSHIPOUR A，JAFARI A.Evaluation of support vector machine and artificial neural networks in weed detection using shape features[J].Computers and Electronics in Agriculture，2018，145：153-160.

[16] PALLOTTINO F，MENESATTI P，F(xiàn)IGORILLI S，et al.Machine vision retrofit system for mechanical weed control in precision agriculture applications[J].Sustainability，2018，10（7）：2209.

[17] 侯雨，曹麗英，丁小奇，等.基于邊緣檢測(cè)和BP神經(jīng)網(wǎng)絡(luò)的大豆雜草識(shí)別研究[J].中國農(nóng)機(jī)化學(xué)報(bào)，2020，41（7）：185-190.

[18] 任全會(huì)，楊保海.圖像處理技術(shù)在田間雜草識(shí)別中應(yīng)用研究[J].中國農(nóng)機(jī)化學(xué)報(bào)，2020，41（6）：154-158.

[19] 樊湘鵬，周建平，許燕，等.基于優(yōu)化Faster R-CNN的棉花苗期雜草識(shí)別與定位[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（5）：26-34.

[20] 薛芳芳，王月明，李琦.基于計(jì)算機(jī)視覺技術(shù)的牲畜行為識(shí)別研究進(jìn)展[J].黑龍江畜牧獸醫(yī)，2021（11）：33-38.

[21] 楊晶晶，韓閏凱，吳占福，等.基于CNN和圖像深度特征的雛雞性別自動(dòng)鑒別方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（6）：258-263，92.

[22] 王文成，蔣慧，喬倩，等.基于ResNet50網(wǎng)絡(luò)的十種魚類圖像分類識(shí)別研究[J].農(nóng)村經(jīng)濟(jì)與科技，2019，30（19）：60-62.

[23] 張宏鳴，李永恒，周利香，等.基于改進(jìn)YOLO v3的肉牛多目標(biāo)骨架提取方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（3）：285-293.

[24] 李玉龍，郝龍，田軍亮.果蔬分選專家系統(tǒng)訓(xùn)練平臺(tái)分揀模塊的設(shè)計(jì)[J].現(xiàn)代農(nóng)機(jī)，2023（5）：68-71.

[25] 王志勃，孫慧然，孫靜波.基于機(jī)器視覺的蘋果自動(dòng)采摘分揀系統(tǒng)研究[J/OL].機(jī)械設(shè)計(jì)與制造，1-12[2023-11-17].https：//doi.org/10.19356/j.cnki.1001-3997.20230905.010.

[26] 馬玉婷，高強(qiáng).糧食安全視角下農(nóng)業(yè)機(jī)械化對(duì)農(nóng)業(yè)種植結(jié)構(gòu)的影響研究[J].現(xiàn)代經(jīng)濟(jì)探討，2023（10）：98-111.

【通聯(lián)編輯：唐一東】