计算机和电子技术在农业中应用毕业论文之外文翻译.doc

计算机和电子技术在农业中应用
在受控环境中用计算机视觉检测生菜缺乏钙症的植物功能

David Story，Murat Kacira，Lingling An，Chieri Kubota，Ali Akoglu
David Story, Murat Kacira，Lingling An，亚利桑那大学农业和生物系统工程，1177 E.第四街，Shantz大厦403室，图森，AZ85721，美国 ；
Chieri Kubota，亚利桑那大学植物科学院，1140 E.南校区驱动，“福布斯”大厦303室，图森，AZ85721，美国 ；
Ali Akoglu，亚利桑那大学电气和计算机工程，1230 E.赛道大道，图森 ，AZ85721，美国。

文章信息
收到初稿于2010年2月10日
修订于2010年7月15日
定稿于2010年8月19日

摘要
常规的温室环境条件是通过观察确定的。然而，破坏性或侵入性的接触式测量对实时监测和控制的应用领域是不实际的。在冠层区域中，机器视觉有辨别产生应激和引导样品识别应激源的潜力。机器视觉引导下的植物感应和监控系统是在温室条件下利用生长的生菜作物颜色和形态的变化，以此来检测钙缺乏。机器视觉系统主要包括两个部分组成：一个机器人摄像头定位系统和图像处理模块。机器视觉系统中提取的植物特征来确定植物整体的生长和健康状况，包括顶部的预测冠层区域（TPCA）作为形态学特征；红，绿，蓝（RGB）和色调，饱和度，亮度（HSL）的颜色值作为颜色特征;熵，能量，对比度和均匀度作为质地特征。机器视觉导引系统能够自主地提取植物形态，质地和时态的特征。由此开发的方法比可视化的人类视觉应激检测早一天确定生菜植物的钙缺乏。该方法通过提取的植物特征，TPCA，能量，熵和均匀度，在及时发现生菜作物缺钙状况中是最有前途的研究。
Published by Elsevier B.V.

关键词：图像处理 生菜 机器视觉 营养缺乏 实时作物监控
1.简介
可控环境农业（CEA）是一个综合科学园艺技术与工程的方法，以达到使作物生长在受控环境的目的，否则生长在未受控的环境可能不利于农业的效益。与开放式场地种植生菜相比，CEA系统的产量更清晰，而且有更可靠的可用于消费的食品。在CEA系统中植物可水培，能够更好地控制害虫和预防疾病。温室也可以部署在任何地方，使新鲜农产品种植能够全年给消费者，减少长途运输的需要。
浮动的水培系统（FHS）是一种常用的生菜生产技术。在这个系统中，植物浮在一个特定的充满着含氧营养的池塘之上，可控制温度和吸收营养物质。这类型的系统节省空间，并消除了不断的浇水，施肥，农药喷洒的必要性。这种水培系统生菜植物典型的生长范围是每次收获约38株（生菜手册，康奈尔大学， 2004年）。假设从种子到收获为40天的周期，就每年约9个收获周期而言，意味着该植物生产速度为每年342株。相比之下，开放式生菜生产每次收获的产量大约6.5 株（桑德斯，2001年; Jackson等人，1996年），且收成是有限的生长季节约有6个月;每年生产周期为5时的收成只有32.5 株。因此，FHS可提供一个更有效地利用土地和资源，在一个较小的种植面积产生更高价值的方案。
这种水培系统的缺点是，种植者无法实现在所有范围的生长空间监察生菜作物的状态。这样一个问题，需要密切监测生菜干烧心，抑制钙转移到幼叶区域的环境条件。到这些症状都是清晰可见的时候，植物不可挽回的损害也许已经产生，这降低了该植物整体的市场价值。
自动化和机械化的效率，生产率和质量生产，处理和加工是任何生产系统的关键因素。CEA系统的效率和生产率（使用从机械化，自动化和机器人应用的智能技术）使美国保持竞争力，在全球市场为美国经济做出贡献（CSREES， 2007年）。潜在问题的早期发现和有效处理方法，像生菜干烧心，可以提高资源的利用（Leinonen和Jones，2004年; Boissard等人，2008年；Jansen等人，2010年），植物生产效率（Ling等人，1996年）和植物质量（Linker和Seginer，2003年），从而形成一个可持续发展，可控环境的植物生产体系。
在传统的温室生产中，生长条件是基于人工的观察或预设的环境参数，而不是着眼于植物在特定时期的特定需求。接触式传感通常用来确定植物的物理特征，过程繁琐，劳动密集，往往是极具伤害的。利用机器视觉的非接触式传感可确定植物的整体状况，并确定一株植物的特定需求。这种智能化控制水平的温室培养将更有效地利用资源和生产能量，并最终提高植物的质量，同时降低消费者的成本。
这种类型的监测需要的一些机器视觉应用技术已经被开发出来。例如，Hetzroni等人（1994年）用神经网络和统计分类，以植物大小，颜色和个别生菜植物的光谱特征等条件确定植物营养缺乏（铁，锌和氮）。该研究报告指出，早期的生菜植物的营养缺乏易被察觉，但症状并不容易预见，直到缺乏的时间长达正常生长2周以上。他们指出对照组和处理组相比，绿色分量的减少，红色成分增加是由于生菜植物缺氮后的黄化病。这份报告指出，分类单个像素到分类整株植物对于鉴定植物状态是必需的。Ling等人（1996年）用生菜叶的光谱和形态学特征检测营养缺乏。这项研究表明，反射率为415到720nm之间的波段，可以用来作为一个机器视觉实现的信号波段。 越靠近可见的波段越好，因为它提供了较佳的信号强度。该研究还提出使用多个信号进行植物水分和养分的应激检测的可能性，使用机器视觉系统可以判断从缺乏开始的“正常”生长和植物状态的偏差。 Meyer等人（1992年）使用机器视觉系统检测单叶和一品红枝叶，报告说归一化差异指数可提供从健康植株辨别氮缺乏的最好方法。种植在温室和增长室的低氮植物表现出类似的红色反射（0.7-0.75米）增加，但由于植物不同数量的冠层覆盖，故有不同程度的近红外反射。
以前关于机器视觉和传感的努力是成功地监控一片叶，（Seiner等人，1992年；Meyer等人，1992年；Shimizu和Heinz，1995年； Revollon等人，1998年）或一株单一植物(Hetzroni 等人，1994年； Karate and Yan，1996年； Murase 等人，1997年； Kacira 等人，2002年；Changying and Guanghui，2003年) 以确定植物的状态。但是，监测作物和从作为冠层的作物取样对大型系统更加有用（Leinonen和Jones，2004年；Ushada等人，2007年；Hendrawan和Murase,，2009年）。此外，在商业环境中，开发一个多传感器平台，用于实时监控植物冠层健康（成长）和质量的系统是可取的。在移动冠层上配备一个人工传感系统光源和多传感器的平台可以实现这一目的。这种系统可用于检测生长及发展的正常偏差和作物应激（如营养缺乏或疾病）。
目前的研究目标是：（1）通过机器视觉系统制定一个使用形态，质地和时态的植物特征，自动非接触监测植物的健康成长的方法；（2）在早期检测温室种植生菜作物与钙缺乏有关的干烧心症状时，评估该方法的能力。
2.材料和方法
开发的机器视觉引导系统为使植物在CEA中健康成长使用的监控系统（Story等人，2008年）（图1所示）。目前论文报告了该系统的图像处理能力和数据解释模块，和尽早发现缺钙引起的干烧心症状的方法。该系统包括机器人相机定位模块，图像采集/处理模块和数据分析/存储模块（Story等人，2008年）。

图1 机器视觉引导的植物监测系统
2.1 图像采集系统
一个8位的CCD彩色摄像机(KP- D20AU，日立，日本东京）变焦镜头(M6Z1212 -3S，COMPUTAR，康马克，纽约）连接到机器人XY定位系统的摇架。 系列LED（LDR290SW2，CCS，日本京都）被用来连接到加大对重点区域的光均匀的相机。这整个相机系统通过图像采集板机连接到一个远程机器（Cronos Plus，Matrox，加拿大魁北克省）。
机器视觉系统的功能流程如下：首先，一台主机计算机从数据库列表检索目标的位置，这个系统然后将信号发送到远程的机器视觉系统指定图像采集系统位置。相机定位在集装箱中心后（感兴趣的重点区域），采取5个连续的影像并进行平均分析。
图像平均是用来减少随机电子效应噪音和减少风或其他外部干扰等会导致植物移动的因素。平均图像被用来作为代表在植物冠层瞬间时刻的原始图像。因此，分析集装箱内一个单一冠层的植物的具体特征。捕获的图像尺寸为640 × 480像素，并进行了作为原始位图图像的分析。植物健康监控系统程序用VB.NET语言编写在微软的Visual Studio2005中。有些人使用的图像处理工具来自AForge.NET库。
2.2 图像处理与模式识别
从检索到的原始图像中，感兴趣的区域（植物冠层）通过图像分割过程中提取，植物的前景从背景中提取出来。由此产生的单色图像（黑色背景上的白色前景）为代表的植物的顶部预测冠层区域（TPCA）。图像中的白色像素数量代表植物的区域（形态特征）。
动态提取BLOB图像转换，使所有的白色区域是透明的，这个新图像覆盖原始图像。所有黑色区域上提取的BLOB图像覆盖原始图像的背景。这允许植物局部成为可见。这种集中的植物图像被用来计算植物的颜色特征。所有的彩色像素平均共同确定植物的整体颜色，以下特征：红，绿，蓝（RGB），色调，饱和度，亮度（HSL）和色彩亮度可从颜色中辨别。颜色的亮度值是一个数值，表示色彩对人眼的亮度（Bezryadin等人，2007年）。
灰度共生矩阵可用来捕捉依赖感知纹理灰度值的空间（Jain等人，1995年）。由于图像依赖纹理方向，四个不同的矩阵计算基于不同角度的像素相关性（0，45，90和135），每个矩阵通过概率密度函数运行计算出不同的纹理参数。分析聚焦图像颜色特征后即可提取结构特征。在一次实验中，确定了21个纹理参数（郑等人，2006年）。然而，另一份报告显示，只有四个纹理参数对确定植物健康状态的熵，能量，对比度和均匀度有用（Ushada等人，2007年）。
2.3 钙缺乏感应实验装置
亚利桑那大学的可控环境农业中心建造了一个研究植物生长系统的中心（图森，亚利桑那州）。研究温室的尺寸为14.6米（长）×7.3米（宽）×2.0米（高）。脊的高度2.7米。温室覆盖双聚碳酸酯玻璃，配备垫板和蒸发冷却风扇系统，气候控制系统自动保持所需的气候设定点。
通过数据记录仪（21X，坎贝尔科学，洛根，UT斯达康）和国家仪器公司的区域—点数据采集系统（FieldPoint，国家仪器，德克萨斯州奥斯汀市）收集环境参数。连接到坎贝尔数据记录仪的一个LI - COR量子传感器（LI190SB，坎贝尔科学，洛根，UT）被放置在冠层高度，一个坎贝尔温度和相对湿度探头（维萨拉HMP50 L，坎贝尔科学，洛根，UT）挂在温室屋顶，即植物冠层上方约1m处。连接到NI数据采集系统的是维萨拉碳二氧化碳传感器和变送器（GMT222，维萨拉公司，沃马），固定在植物冠层高度的温室墙体上。
在实验过程中，棚内温度设置为白天25（14小时）和夜间20（10小时）。实验包括分成两组的12集装箱。每个组有三个对照容器和三个治疗容器。每个集装箱内有4株生菜植物（生菜CV，Buttercrunch）。根区环境均保持在pH值6.0，EC值为2.0 DS，温度为20。
治疗营养液中的钙缺乏导致干烧心。拆除氯化钙和硝酸钠置换硝酸钙引起了这种缺乏。最初，所有12个集装箱有6天的控制养分液，机器视觉系统检测植物的类似趋势。然后，处理组开始了钙缺乏。实验持续直到所有的处理组植物出现干烧心。营养液每3天更换一次以使根区保持在适当的营养水平。一组三个处理和三个未经处理的容器都进行了图像采集，并进入实验室分析。该操作一天两次，间隔12小时（上午6:00，下午6:00）。我们使用这两个组别，以确定实验室的运输过程是否会对植物的影响。该组进入实验室带来的被标记为组1，温室内停留的被标记为组2。
2.4 应激早期检测方法
这项研究的目的之一是要开发一种生菜作物缺钙的早期检测方法。换句话说，通过分辨处理和对照组集装箱在每个收集所有参数的测量时间的平均差异计算确定分离点，确定因缺钙的发病应激。进行双分段回归分析，确定在时间变化点营养缺乏组和健康对照组之间的变化点时间（Muggeo，2003年）。
详细地说，及时发现处理组和对照组之间的变化点，检查每个参数的两组之间的文件区别。得出的表达式为：

其中，代表在时间点的实验处理和对照组具体参数获得的平均值。提取参数的值从处理组在某个时间开始以不同的控制点开始。因此，分段回归分析采用数据的差异，以确定发病的应激检测。在此方法中，自变量（时间）被分成间隔，每个间隔有一条单独的线段。变化点为可估计断点两者之间的回归方程，由：

因此，通过最大限度地减少平方和，两个回归线适合尽可能吻合观察的数据，所观察到的数值（y）和计算之间的差异因变量（）。这是由R软件实现，从R-项目起源的一个开放的统计计算和分析软件（www .r- project.org）。除了变化点的估计，变化点置信区间（95％）的确定可找出其发展的近似趋势线。在一定的可信度下（例如，95％），间隔越窄，估计的结果越准确。
3.结果与讨论
实验共进行15天。处理第6天开始，人类视觉检测干烧心发生在第11.5天。在实验时期每天平均温度，昼夜温差，日间/夜间时间在研究温室的相对湿度值分别为26.7±2.3，22.1±1.7，45.4±6.0％，63.6％和63.6±7.1％。在实验过程中平均光合有效辐射（PAR）16.0±6.8，平均二氧化碳浓度350±7.0 PPM。测得的营养区条件电气电导率（EC）和养分的温度分别为2.1±0.1和20.1± 1.2。
在研究过程中，处理组的植物因缺钙出现浅绿色（黄化病）。叶子的其他症状和小的，黑褐色斑点的边缘坏死出现在叶缘附近。在检测缺钙生菜植物中，最值得一提的视觉标志之一是干烧心。植物在细胞壁的发展过程中使用钙（Nance，1973年），由于细胞壁薄弱，laticier细胞在出现干烧心症状时发生爆裂，这种乳胶释放到周围组织（Barta和Tibbitts，2000年）。钙在木质部移动，这意味着营养沿着蒸腾的方向流动（Atkinson等人，1992年）。如果叶的区域不发生蒸腾，那么钙就不能到达那些叶子部分。
图2说明提取的植物特征（TPCA，熵，能量，对比度和均匀度）的时间轴作为控制和处理组获得的平均值。该植物监控系统能够确定整体冠层率，可由TPCA特征（图2a）代表。处理组和对照组最初生长在可控的营养液，它们有类似的预期趋势。然而，随着处理组出现钙缺乏，TPCA值逐渐的不同可以从对照组看出，该组持续生长，而处理组随着时间的推移生长速度下降。这一生长差异可能是由于钙缺乏，制约了细胞壁结构，禁止植物尺寸的扩大。使用TPCA相对变化系数水应激检测（Kacira等人，2002年）指出植物应激中有类似TPCA变化的影响。
在这项研究中纹理分析的关键假设为冠层图像是冠层纹理变化和表面结构是植物的内部生理状态的外部症状。在植物中的应激引起表面，纹理和内部叶片结构变化（Penuelas 和 Filella，1998年），因此可以研究不同的共生矩阵的概率密度函数相对角度的结构特征。
在纹理分析中，熵被定义为随机性灰度级分布。作为对照组植物生长在最佳条件下，叶片健康茂盛。这时在对照组的冠层检测出更高水平的熵值（图2b），由于处理组逐渐缺钙，减少表面结构的复杂性导致熵值减少。

图2 生菜经验缺钙引发干烧心与时间的关系（直线段代表从每组三个集装箱获得的平均偏差）
能量是代表灰度亮度水平的数值。作为对照组的健康植物成为深绿色，随着时间的推移，能量值减少（图2c）。同样，处理组开始表现出缺钙的迹象，黄化病的叶片导致在冠层出现较轻的颜色，这提升了处理组植物在图像的能量水平。
对比度是衡量图像中的局部变化。对照组植物较深，但颜色更加鲜艳，与处理组植物较浅，但颜色更均匀相比，导致了对比度值增加（图2d）。我们预计如果图像具有高的区域变化，对比度值将升高。Ushada等人报告了类似现象（2007年）。Ondimu和Muras（2008年）指出当一个sunagoke苔藓冠层变得干燥和具有不同颜色时，对比度值会增加。
同质化是相关的灰度级像素在冠层图像周围像素分布之间的决定因素。由于对照组变得丰富多彩，深浅不同的绿色，相关的灰度级的像素分布随着时间下降。相反，处理组中更统一颜色，由于缺钙，因此有更高的灰度级的像素分布值（图2e）。

图（3）生菜钙缺乏引起发病应激的四个纹理参数不同的分布和分段回归结果

我们感兴趣的是为机器视觉系统建立一种方案，以尽早确定发病的应激检测。这是通过统计计算采用双分段回归分析实现。对于每个收集参数，估计变化点和回归线。其中的植物特性分析，TPCA和3个纹理参数（熵，能量和同质化）能比人类的视觉检测更早确定钙缺乏。 估计四个参数中的三个的变化点是第9.9天（95％的置信区间[9.5，10.4]和R= 0.97）（图3a，b和d）。能量的变化点出现在第9.7天（图3c）。
虽然对比度参数表示的变化点在第9.5天（数据未显示），观察到宽置信区间为（7.5，11.5），但其作为即时应激检测参数的可靠性令人怀疑。在统计分析的基础上，四个参数（TPCA，熵，能量和同质化）作为一个可发展的由于缺钙的早期应激预报，表现为处理组和对照组之间可测量的差异。从上述四个参数和统计采用的方法，机器视觉系统可以在第10天检测出由于缺钙的发病（即处理组植物和对照组的一个偏差）。这比人的视觉检测生菜由于缺钙引起的干烧心症状要早一天。
4.结论
植物的反应可以通过传感器测量，以确定其身体条件和需要。为了优化植物生长过程，植物的生理状态的实时监测是必要的，这个信息可以包含在控制过程中。这种方法可以帮助提高在控制环境的资源利用效率作物生产系统。
在这项研究中，我们成功地开发一个机器视觉系统，自动实时地监控生菜植物的健康和在可控环境的植物生长。监控系统能够提取植物形态，质地和时间的特征。开发的方法比人类视觉的视觉应激检测早一天识别生菜植物钙缺乏。其中提取的植物特征，TPCA，能量，熵，和同质化是在及时发现生菜作物的钙缺乏症状中最有方向的标记。尽管依靠单一的标记是不可行的，使用多个标记检测的方法更可靠。机器视觉系统测量植物的应激和健康的方法，可以提高从根区，植物冠层和空中环境作为一个统一体相结合的监测参数的能力。这项研究主要集中在使对照组和处理组集装箱保持统一的环境条件下，且只有通过钙缺乏引发干烧心。重要的是，分析数据显示出植物应激的其他特征有类似的趋势。从特殊的植物应激检测，开发工具识别不同的植物应激将更有用途。
在这项研究中，在实验室进行图像处理，以确定哪些类型的标记可以利用植物应激识别。在这种情况下，钙缺乏引起干烧心。在设置实际的温室中，该系统可适用于夜间植物监测，但在白天，不均匀如光照变量性是一个问题。因此，在白天温室设置下，修改该系统的图像采集算法是必要的。
还需作进一步研究的是，以开发一个基于多传感器的方法，由于发生几个应激，可以更好地识别常见的症状。结合智能与决策支持系统，控制技术，可以帮助处理症状和控制整个系统的复杂性。最后，一旦系统能够识别特定的应激，它必须继在植物冠层的状态显示一个标记，指定种植者感兴趣的区域。我们的目标是在今后的研究中弄清这些研究方向。
致谢
这一项目的成功源于团队协作。作者想感谢迈尔斯刘易斯生菜种植保持和查理推迟对他的指导，尼尔Barto，麦克梅森和费德里科五格雷罗，他们参与设计机器视觉系统的建设。这项研究是亚利桑那中欧仲裁中心的资助(CEAC论文D-137126-01-10）。

参考文献
Atkinson, C.J., Ruiz, L.P., Mansfield, T.A., 1992. Calcium in xylem sap and the regulation of its delivery to the shoot. Journal of Experimental Botany 43 (10),1315–1324.
Barta, D.J., Tibbitts, T.W., 2000. Calcium localization and tip burn development in lettuce leaves during early enlargement. Journal of American Society for Horticultural Sciences 125, 294–298.
Bezryadin, S., Bourov, P.Ilinih, D.2007. Brightness calculation in digital image processing. In: Proceedings of International Symposiumon Technologies for Digital Fulfillment, Las Vegas, NV, March.
Boissard, P., Martin, V. Moisa, S., 2008. A cognitive vision approach to early pest detection in greenhouse crops. Computers and Electronics in Agriculture 62, 81–93.
Chang Ying , Guang Hui, 2003. Development of non-contact measurement on plant growth in greenhouses using machine vision. In: An American Society for Agricultural and Biological Engineers (ASABE) Conference Paper, St. Joseph, MI,Paper number: 034098.
Cooperative State Research, Education Extension Service (CSREES), 2007. Implementing Research, Education, and Extension for Specialty Crops. The United States Department of Agriculture (USDA).
Hendrawan, Y., Murase, H., 2009. Machine vision-based precision irrigation system for sunagoke moss production. ASAE paper number 095957. St. Joseph, MI.
Hetzroni, A., Miles, G.E., Engel, B.A., Hammer, P.A., Latin, R.X., 1994. Advances in Space Research 14 (11), 203–212.
Jackson, L., Mayberry, K., Laemmlen, F., Koike, S., Schulback, K., Chaney, W., 1996. Leaf Lettuce Productionin California.Vegetable Production Series 1–4,Vegetable Research and Information Center.
Jain, R., Kasturi, R., Schunck, B.G., 1995. Machine Vision. McGraw-Hill, pp. 234-239.
Jansen, R.M.C., Hofstee, J.W., Wildt, J., Vanthoor, B.H.E., Verstappen, F.W.A.,takayama, K., Bouwmeester, H.J. Van Henten, A.J., 2010. Health monitoring of plants by their emitted volatiles: a model to predict the effect of Botrytis cinerea on the concentration of volatiles in a large-scale greenhouse. Biosy stems Engineering 106, 37–47.
Kacira, M., Ling, P.P., Short, T.H., 2002. Machine vision extracted plant movement for early detection of plant water stress. Transactions of ASAE 45 (4), 1147–1153.
Kurata, K., Yan, J., 1996.Water stress estimation of tomato canopy based on machine vision. Acta Horticulturae 440, 389–394.
Leinonen, I., Jones,H.G., 2004. Combining thermal and visible imagery for estimating canopy temperature and identifying plant stress. Journal of Experimental Botany 55, 1423–1431.
Lettuce Handbook-Cornell, 2004. Available at: http://hive.bee.cornell.edu/ extension/CEA/Lettuce Handbook/introduction.htm. Accessed July 28, 2009.
Ling, P.P., Giacomelli, G.A., Russell, T.P., 1996. Monitoring of plant development in controlled environment with machine vision. Advances in Space Research 18(4–5), 101–112.
Linker, R., Seginer, I., 2003.Water stress detection in a greenhouse by a step change of ventilation. Biosystems Engineering 84 (1), 79–89.
Meyer,G.E., Troyer,W.W., Fitzgerald, J.B., Paparozzi, E.T., 1992. Leaf nitrogen analysis of poinsettia (Euphorbia PulcherrimaWillD.)using spectralproperties in natural and controlled lighting. Applied Engineering in Agriculture 8 (5), 715–722.
Muggeo, V., 2003. Estimating regressionmodels with unknown breakpoints. Statistics in Medicine 22, 3055–3071.
Murase, H., Tani, A., Nishiura, Y., Kiyota, M., 1997. Growth monitoring of green vegetables cultured in a centrifuge phytotron. In: Goto, E., Kurata, K., Hayashi, M., Sase, S. (Eds.), Plant Production in Closed Ecosystems. Kluwer Academic Publishers, Netherlands, pp. 305–319.
Nance, J.F., 1973. Effects of calciumand kinetin on growth and cellwall composition of Pea epicotlys. Plant Physiology 51, 312–317.
Ondimu, S., Murase, H., 2008. Water stress detection in Sunagoke moss (Rha-comitrium canescens) using combined thermal infrared and visible light imaging techniques. Biosystems Engineering 100, 4–13.
Penuelas, J., Filella, I., 1998. Visible and near-infrared reflectance techniques for diagnosing plant physiological status. Trends in Plant Science 3, 151–156.
Revollon, P., Chasseriaux, G., Riviere, L.M., Gardet, R., 1998. The use of image processing for tracking the morphological modification of Forsythia following an interruption of watering. In: Proceedings of International Conference on Agricultural Engineering,Oslo,Norway,August24–27,pp.872–873.
Seginer,D.C.,2011.Lettuce Production, Available at: http://www.ces.ncsu.edu/depts/
hort/hil/hil-11.htrm.AccessedJuiy28,2009.
Seginer, I., Elster, R.T., Goodrum, J., Rieger, M.W., 1992. Plant wilt detection by computer-vision tracking of leaf tips. Transactions of ASAE 35 (5), 1563–1567.
Shimizu,H.Heins, R.D., 1995. Computer-vision-based systemfor plant growth analysis. Transactions of ASAE 38 (3), 959–964.
Story, D., Kacira, M., Akoglu, A., Kubota, C., 2008. A machine vision guided system for plant health and growth monitoring in controlled environment agriculture production. In: Presented at ISHS International Workshop on Greenhouse Environmental Control and Crop Production in Semi-Arid Regions, October 20–24(Poster Paper).
Ushada, D., Murase, H., Fukuda, H., 2007. Non-destructive sensing and its inverse model for canopy parameters using texture analysis and artificial neural network. Computers and Electronics in Agriculture 57, 149–165.
Zheng, C., Sun, D.W. Zheng, L., 2006. Recent applications of image texture for evaluation of food qualities—a review. Trends in Food Science and Technology 17,113–128.附录资料：不需要的可以自行删除
电气设备系统布线规范
1．目的和分类
1.1 合适的布线（包括线缆选择与布敷、屏蔽连接与工艺）可以有效地减少外部环境对信号的干扰以及各种线缆之间的相互干扰，提高设备运行的可靠性。同时，也便于查找故障原因和维护工作，提高产品的可用性。
1.2线缆大致分成以下几种类型：
A类：敏感信号线缆 B类：低压信号线缆 D类：辅助电路配电电缆 E类：主电路配电电缆
1.3 A类 指各种串行通信（如以太网、RS485等）电缆、数据传输总线、ATC天线和通信电缆，无线电、以及各类毫伏级（如热电偶、应变信号等）信号线。
1.4 B类 指5V、±15V、±24V、0～10mA、4～20mA等低压信号线（如各种传感器信号、同步电压等）以及广播音频、对讲音频电缆。
1.5 D类 指220/400V、连接各种辅助电机、辅助逆变器的电缆。
1.6 E类 指额定电压3kV（最大3600V）以下，500V以上的电力电缆。
1.7 这4类信号中，就易被干扰而言，按A→E的顺序排列，A类线最易被干扰；就发射的电磁骚扰而言，按E→A的顺序排列，E类发射的骚扰最强。

2．线缆选择的基本原则
2.1 应选择阻燃、无卤（或低卤）、无毒的绝缘线缆，线缆应具备良好的拉伸强度、耐磨损性和柔软性，以适应振动冲击的环境。
2.2 根据信号的电压等级、额定电流、预期短路电流、频率、环境条件、电磁兼容性要求及预期寿命来选择电缆的型号和规格。线缆应符合TB/T 1484的要求。
2.3 配电电缆截面积按发热条件选择，负载电流必须小于允许载流量（安全载流量）。
2.4 电缆以线芯长期允许工作温度分成：A组（不超过100℃）和B组（不超过125℃）。
2.5 交流系统中，电缆的额定电压至少应等于系统的标称电压；直流系统中，该系统的标称电压应不大于该电缆额定电压的1.5倍。
2.6 [T]同轴电缆的抗干扰性能较好，传输距离长，可用作视频、射频信号的电缆。
2.7 铜母线一般应根据GB 5584.2及GB5585.2，选择采用TBY、TBR型扁铜线及TMY、TMR型铜母线。
2.8