颜色和形状特征的茶叶嫩芽识别方法

２００９年９月

农业机械学报

第４０卷增刊

基于颜色和形状特征的茶叶嫩芽识别方法＊

杨福增１

杨亮亮１

田艳娜２

杨

青１

（１．西北农林科技大学机械与电子工程学院，陕西杨凌７１２１００；２．西北农林科技大学信息工程学院，陕西杨凌７１２１００）

【摘要】与人工采摘茶叶相比，现有采茶机械虽能提高采摘速度，但采摘时老叶、嫩叶一起采，缺乏选择性，并

有部分叶片遭破损，降低了原料品质。为此，需要研究具有选择性、低损伤率的自动采摘方法。本文采用基于颜色和形状特征的图像处理方法，实现茶叶嫩芽的计算机识别和检测。针对清明期陕西名茶“午子仙豪”茶叶，首先在ＲＧＢ颜色空间中提取茶叶图像的Ｇ分量，并采用双阈值方法对图像进行分割；然后根据茶叶嫩芽的形状特征，检测茶叶嫩芽的边缘。实验结果表明：基于颜色和形状特征的识别方法能有效分辨出茶叶嫩芽，识别准确率为９４％，为实现茶叶嫩芽的自动采摘提供了一种有效方法。

关键词：茶叶嫩芽识别颜色特征形状特征中图分类号：ＴＰ３９１．４１；￥５７１．１

文献标识码：Ａ

ＲｅｃｏｇｎｉｔｉｏｎｏｆｔｈｅＴｅａＳｐｒｏｕｔＢａｓｅｄ

ｏｎ

ＣｏｌｏｒａｎｄＳｈａｐｅＦｅａｔｕｒｅｓ

ＹａｎｇＱｉｎ９１

ＹａｎｇＦｕｚｅｎ９１ＹａｎｇＬｉａｎｇｌｉａｎ９１

ＴｉａｎＹａｎｎａ２

（Ｉ．ＣｏｌｌｅｇｅｏｆＭｅｃｈａｎｉｃａｌ＆ＥｌｅｃｔｒｏｎｉｃＥｎｇｉｎｅｅｒｉｎｇ，ＮｏｒｔｈｗｅｓｔＡ＆ＦＵｎｉｖｅｒｓｉｔｙ。Ｙａｎｇｌｉｎｇ，Ｓｈａａｎ．ｒｉ７１２１００，Ｃｈｉｎａ

２．Ｃｏｌｌｅｇｅ

ｏｆＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＮｏｒｔｈｗｅｓｔＡ＆ＦＵｎｉｖｅｒｓｉｔｙ，Ｙａｎｇｌｉｎｇ。Ｓｈａａｎｘｉ７１２１００。Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ

Ｉｔｉｓ

ａ

ｂｉｇｐｒｏｂｌｅｍｆｏｒＣｈｉｎａ

ｔｏ

ｈａｖｅ

ｎｏｔ

ｅｎｏｕｇｈｗｏｒｋｆｏｒｃｅｓｉｎｐｉｃｋｉｎｇｔｅａｓｐｒｏｕｔｔｏｄａｙ，ｗｈｉｃｈ

ｕｓｕａｌｌｙｒｅｓｕｌｔｉｎｍｉｓｓｉｎｇｔｈｅｔｅａｓｐｒｏｕｔ’Ｓｏｐｔｉｍｕｍｐｉｃｋｉｎｇｐｅｒｉｏｄ．Ｔｈｅｐｉｃｋｉｎｇｍａｃｈｉｎｅｃｕｒｒｅｎｔｌｙｕｓｅｄｉｍｐｒｏｖｅｓｔｈｅｐｉｃｋｉｎｇｅｆｆｉｃｉｅｎｃｙｉｎｄｅｅｄ．Ｈｏｗｅｖｅｒ，ｔｈｅｏｌｄｌｅａｖｅｓａｎｄｔｈｅｓｐｒｏｕｔｉｓｄａｍａｇｅｄｔｈａｔ

ｃａｎ

ａｔ

ａｒｅ

ｐｉｃｋｅｄｔｏｇｅｔｈｅｒｗｉｔｈｔｈｅｓｐｒｏｕｔ，

ａｎ

ｓｏｍｅｔｉｍｅ．Ｈｅｎｃｅｉｔｉｓｎｅｃｅｓｓａｒｙ

ｔｏ

ｄｅｖｅｌｏｐ

ｉｎｔｅｌｌｉｇｅｎｔｐｉｃｋｉｎｇｍａｃｈｉｎｅ

ａｎ

ｒｅｃｏｇｎｉｚｅ

ａｎｄｐｉｃｋｔｈｅｓｐｒｏｕｔｗｉｔｈｔｈｅｍｉｎｉｍｕｍｓｐｒｏｕｔｄａｍａｇｅ．Ｔｈｉｓｐａｐｅｒｐｒｅｓｅｎｔｓ

ｏｎ

ｉｍａｇｅ

ｐｒｏｃｅｓｓ

ｍｅｔｈｏｄ

ｂａｓｅｄｔｈｅ

ｔｅａｔｅａ

ｓｐｒｏｕｔ

ｃｏｌｏｒａｎｄｓｈａｐｅｆｅａｔｕｒｅｓ，ｗｈｉｃｈｗａｓｕｓｅｄ

ｓｐｒｏｕｔ

ｔｏ

ｒｅｃｏｇｎｉｚｅ

ｔｈｅ“Ｗｕｚｉ

Ｘｉａｎｈａｏ＇’（ａｆａｍｏｕｓ

ｇｒｅｅｎ

ｏｆＳｈａａｎｘｉ，Ｃｈｉｎａ）ｔｅａ

ｔｈｅ

ｔｅａ

ｇｒｏｗｎａｔＸｉｘｉａｎｇＣｏｕｎｔｙｏｆＳｈａａｎｘｉ

ｓｐａｃｅ

Ｐｒｏｖｉｎｃｅ．Ｆｉｒｓｔｌｙ，ｔｈｅｇｒｅｅｎ

ｃｏｍｐｏｎｅｎｔｏｆ

Ｉｅａｒ

ｉｍａｇｅｉｎＲＧＢｃｏｌｏｒ

ｗａｓｅｘｔｒａｃｔｅｄ．

Ｓｅｃｏｎｄｌｙ，ｇｒｅｅｎｃｏｍｐｏｎｅｎｔｉｍａｇｅｗａｓｓｅｇｍｅｎｔｅｄｕｓｉｎｇｄｏｕｂｌｅｔｈｒｅｓｈｏｌｄｍｅｔｈｏｄ．Ｆｉｎａｌｌｙ，ｔｈｅｅｄｇｅｏｆ

ｔｅａ

ｓｐｒｏｕｔ

ｉｓｄｅｔｅｃｔｅｄａｃｃｏｒｄｉｎｇ

ｔｅａ

ｔｏｏｎ

ｉｔｓｓｈａｐｅｆｅａｔｕｒｅ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｉｎｄｉｃａｔｅｔｈａｔｔｈｉｓｒｅｃｏｇｎｉｚｉｎｇｃｏｌｏｒａｎｄｓｈａｐｅｆｅａｔｕｒｅｓ

ｔｅａ

ｃａｎ

ｍｅｔｈｏｄ

ｏｆｔｈｅ

ａｎ

ｓｐｒｏｕｔ

ｂａｓｅｄ

ｒｅａｃｈｔｈｅｒｉｇｈｔｄｅｔｅｃｔｉｏｎ

ｒａｔｅ

ｏｆ９４％．

ａｎｄｐｒｏｖｉｄｅ

ｅｆｆｅｃｔｉｖｅｍｅｔｈｏｄｆｏｒａｕｔｏｍａｔｉｃ

ｓｐｒｏｕｔｐｉｃｋｉｎｇ．

Ｋｅｙｗｏｒｄｓ

Ｔｅａ

ｓｐｒｏｕｔ，Ｒｅｃｏｇｎｉｔｉｏｎ，Ｃｏｌｏｒ

ｆｅａｔｕｒｅ，Ｓｈａｐｅｆｅａｔｕｒｅ

引言

为了解决我国茶叶采摘劳动力缺乏、人力采摘速度低等问题，目前已有机械式采摘方法［ＩＪ，这种

方法虽能提高采摘速度，但采摘时老、嫩叶一起采，缺乏选择性，并有部分叶片遭破损，降低了原料品质。为此，需要研制具有选择性、低损伤率的自动采摘机械，其中最基础和最重要的工作之一是研究嫩

收稿日期：２００９—０７—１０修回日期：２００９—０８一０１

＊国家“８６３”高技术研究发展计划资助项目（２００８ＡＡｌ００９０３—７）、陕西省科技攻关项目（１４２１０１１０）、中国博士后科学基金资助项目（２００６０４０１０１２）和学校青年学术骨干项目（０１１４０３０３）

作者简介：杨福增．副教授，博士后。主要从事农业工程现代化、图像处理与小波变换研究，Ｅ．ｍａｉｌ：ｙｆｚ０７０１＠１６３．ｃｏｌｌｌ通讯作者：杨青，教授，主要从事智能化农业装备与精细农业研究，Ｅ．ｍａｉｌ：ｙａｎｇｔｉｎ＠ｐｕｂｌｉｃ．ｘａ．ｓｎ．ｃｎ

万方数据　

１２０

农业机械学报

２００９焦

芽的自动识别方法。对茶叶嫩芽的识别国内外目前尚无相应研究。农业工程界的其他相关研究，如田间杂草的识别、植物叶片形状识别等，多为单一叶片的颜色或形状的识别，较少有对同一植株上不同特征叶片的识别研究［２－－８］。本文采用图像处理的方法，根据茶叶叶片的颜色和形状特征实现对茶叶嫩芽的识别。

１茶叶图像的采集

在白色背景下，采用ＳＯＮＹ（Ｒ）ＤＳＣ—Ｔ９００相机拍摄清明期陕西省汉中市西乡县产“午子仙毫”茶叶图像，拍摄时茶叶枝条朝上，相机正对枝条。图像尺寸为５１２×５１２像素。

２茶叶嫩芽识别方法

２．１茶叶叶片颜色与形状特征分析

图１ａ为采集的一幅茶叶枝条的彩色图像。由图可见，新叶颜色较浅，Ｇ分量特征较明显。图１ｂ～图１ｄ分别为提取的Ｒ、Ｇ和Ｂ分量图像。由图可见，从Ｇ分量图像中能清晰分辨出新叶与老叶，而Ｒ分量图像分辨性次之，Ｂ分量图像较难分辨。因此，将彩色图像转换为灰度图像时，仅提取Ｇ分量，略去Ｒ和Ｂ分量。图２为Ｇ分量图像（图ｌｃ）对应的灰度直方图。图２中存在４个波峰，分别为５０级附近２个、１５０级和１８０级各一个。由于前两个波峰相距很近，且跨度较小，为简化计算，可近似地看成１个波峰，忽略第２个波峰。只保留第１个波峰（５０级）。灰度值第１个波峰左侧（０～５０级）的像素对应图１ｃ中的老叶片和叶柄部位，灰度值在第１个

图１茶叶图像

Ｆｉｇ．１

Ｔｅａｉｍａｇｅ

（ａ）原始彩色图像（ｂ）红色Ｒ分量图像

（ｃ）绿色Ｇ分量图像（ｄ）蓝色Ｂ分量图像

１．新叶２．老叶

万　

方数据波峰和第２个波峰之间（５０～１５０级）的像素对应图１ｃ中的嫩叶和部分叶脉，而灰度值在第２个波峰右侧（大于１５０级）的像素对应图１ｃ中的灰色背景，且集中于最右波峰（１８０级）处。

从形状特征来看，图１ａ所示新叶（包括嫩芽）在竖直方向上一般处于较高的位置，且叶片呈细长形，宽度窄于老叶。嫩芽的芽尖往往为整幅图像的最高点，其两侧分别有一片新叶，通常称之为“两瓣一心”，这里的一心即为中心嫩芽，两瓣则为两片新叶。在人工采茶时，对于高质量的茶叶。因“两瓣”的茶叶质量次之，仅采摘“一心”。本文将采用图像处理方法识别出“一心”的位置，为高品质茶叶的自动化采摘设备研究提供技术支撑。

２．２基于颜色特征的茶叶叶片图像分割

采用阈值分割法对老叶与新叶进行分割时，分割结果主要取决于阈值的大小，对阈值确定的方法研究目前已经有较多的成果［９－１１】。通过上述对颜色特征的分析可知，在嫩芽识别中有两个关键的阈值，一是灰度直方图（图２）中左起第１个峰值（记为Ｔ】），另一是右起第１个峰值（记为Ｔ２）。为此提出灰度直方图中存在多峰值条件下的双阈值确定方法。

图２

Ｇ分量图像的灰度直方图

Ｆｉｇ．２

Ｇｒａｙｈｉｓｔｏｇｒａｍｏｆｔｈｅ

ｇｒｅｅｎ

ｃｏｍｐｏｎｅｎｔｉｍａｇｅ

设图像的灰度级为Ｍ，灰度级为ｉ的像素点的数量为竹ｉ，则总像素数为

Ｎ＝ｒ／０＋以１＋…＋挖Ｍ—ｌ

（１）

首先，取Ｍ／２作为硬阈值，将图像灰度级分为高、低２部分。其次，在低灰度值区域，即灰度级为（０，Ｍ／２），求出包含最多像素点的灰度级ｔｌ

ｎｆ．＝ｍａｘ（７＂／ｉ）（ｉ＝０～Ｍ／２）

（２）

式中ｔ１——图２所示的阈值Ｔ，

最后，类似地在高灰度值区域，即灰度级为（Ｍ／２，

Ｍ一１），求出包含最多像素点的灰度级ｔ２

卵ｆ．＝ｍａｘ（ｎｉ）（ｉ＝Ｍ／２＋１～Ｍ一１）

（３）

式中

￡２——图２所示的阈值Ｔ２

对于图１ｃ所示图像，根据上述算法得阈值Ｔ．

增刊杨福增等：基于颜色和形状特征的茶叶嫩芽识别方法

１２１

和Ｔ２分别为５９和１８２，与通过视觉分析的结果一致。通过阈值Ｔｌ（５９）对图１ｃ所示图像进行分割，提取低于阈值的灰度图像，得到图３所示老叶图像，为便于后续处理将其进行二值化处理，得到图４所示图像。至此完成了老叶的分割。

图３分割出的老叶图像

图４老叶二值化图像

Ｆｉｇ．３

Ｓｅｇｍｅｎｔｅｄ

Ｆｉｇ．４

Ｂｉｎａｒｙｉｍａｇｅｏｆｔｈｅ

ｏｌｄｌｅａｖｅｓｏｌｄｌｅａｖｅｓ

２．３基于形状特征的嫩芽提取

由图１ｃ与图４比较可见，新叶（包括嫩芽）区域为老叶的上边缘以上的区域，因此采用边缘轮廓提取。首先提取老叶的上边缘轮廓。提取方法为：首先，约定图像左下角坐标为（０，０）；其次，对图４所示图像，从左上角开始逐行扫描，直至检测到老叶叶片的上边缘，并记录该坐标值。老叶叶片边缘的确定方法为

聪，＝｛：乏糍暑

㈩

式中Ｂ（ｉ）——记录的第ｉ列边缘纵向坐标值，如

该列无边缘像素存在，则记录为零

‰（歹，ｉ）——图４中第．『行、第ｉ列的像素

值，１表示白色背景，０表示黑

色叶片

边缘检测的结果如图５所示。由于图４中不可避免地存在噪声，受这些噪声点的影响使图５中存在突变点，为此需对这些突变点进行消减运算，计算方法为

Ｂ（ｉ）＝

ｆ篁

｛＋３

Ｂ（ｉ）

．２一‘

Ｉ∑Ｂ（优）／４

∑Ｂ（

）／４｝＞５

ｆ＋３

ＩＢ（ｉ）

Ｂ（ｉ）

∑Ｂ（

）／４Ｉ≤５

Ｌ

（ｉ＝０～ｃ一３）

（５）

式中ｃ——图４所示图像的总列数

经过消减运算后得到图６所示的老叶边缘轮

廓，该轮廓作为分割老叶与新叶的分界线，该线以上部分为新叶。分割结果如图７所示。可见，新叶已被完全分割出来，但其不足之处在于因图６中仍存

万　

方数据在个别突变点，使得嫩芽部位的检测不够完整。由图４分析可见，这些突变点是由中心叶柄引起的，不影响新叶的外轮廓检测，因此这里可不进行消噪处理，以节省计算机运行时间。

趔监刮糖轻主囊

横向像素举标值

图５老叶上边缘轮廓坐标

Ｆｉｇ．５

Ｅｄｇｅｏｆｔｈｅｏｌｄｌｅａｖｅｓ

趔雌哥懈鹱星《

横向像素举标值

图６消除突变点后的老叶上边缘轮廓坐标

Ｆｉｇ．６

Ｅｄｇｅｏｆｔｈｅｏｌｄｌｅａｖｅｓｗｉｔｈｌｅｓｓｂｒｅａｋｐｏｉｎｔｓ

至此。对图７采用检测老叶边缘类似的法，提取新叶的边缘。同之处在于图４为二值图像，其像素值简单（仅括０、１），图７为灰度图（像素值为０～２５５）。其算方法为：首先，约定图左下角坐标为（０，０）；次，对图７所示图像，从上角开始逐列扫描各行

ｎ。”１ｅａｆ

（由于图７左右两侧无叶片，为减少计算量，实际计

算为第２０－（５１２—２０）列），直至检测到新叶叶片的上边缘，并记录该坐标值；新叶叶片边缘的确定方法

为

Ｂ

７

ｃｉ，＝｛三｛；：｛：：：；三；ｉ；

ｃ６，

式中

Ｂ

７（ｉ）——记录的第ｉ列边缘的纵向坐标

值，如果该列无边缘像素存在，则

记录值为零

Ｔ一（Ｊ，ｉ）——图７中第Ｊ行、第ｉ列像素值

识别结果如图８所示。进一步，仅提取中心的

１２２

农业机械学报

２００９焦

“一心”部位，方法为：首先，根据对形状特征的分析。提取图８中的最高点，即为嫩芽的顶端，计算方法为

Ｐ（ｉ）＝ｍａｘ［Ｂ７（ｉ）］（ｉ＝０～ｚ）

（７）

根据表１中计算出的嫩芽根部与顶部的像素坐标值。在图１ｃ中提取嫩芽。结果如图９所示（为便于观察图像区域，增加外边框）。

在图像分析中，计算机为ＩＢＭ（Ｒ）ＩｎｔｅｌｌｉＳｔａｔｉｏｎ

Ｚ

式中Ｐ（ｉ）——计算所得图８的最高点纵坐标值

ｚ——图７所示图像的总列数

４８０４６０

图９提取的茶叶“一心”部位嫩芽

Ｆｉｇ．９

ｔｅａ

趔“０

攀４２０

瑚；４００

Ｅｘｔｒａｃｔｅｄｓｐｒｏｕｔ

Ｐｒｏ（ＭＴ：９２２８）。配置为

ＣＰＵ：Ｉｎｔｅｌ（Ｒ）Ｘｅｏｎ（Ｒ）

３．００

譬３８０

ｉ；３６０

３４０３２０

ＧＨｚ，内存：４ＧＢ。计算耗时如表２所示。

表２计算耗时

横向像素举标值

Ｔａｂ．２

Ｔｉｍｅｃｏｎｓｕｍｉｎｇｏｆｅａｃｈｉｍａｇｅ’Ｓｃａｌｃｕｌａｔｉｏｎ

图８新叶边缘轮廓

Ｆｉｇ．８

Ｅｄｇｅｏｆｔｈｅｆｌｅｗｌｅａｆ

序号

ｌ

耗时／ｓ

０．４１９０．４３３０．４３６０．４６９０．４５２０．４５３

４９８１５１

序号

７

耗时／ｓ

０．４３７５０．４８４

８

其次，由Ｐ（ｉ）对应的列开始向两侧移动求出嫩芽的根部，根部的纵坐标为

Ｐｉ（ｉ）＝Ｂ７（ｉ）

（Ｂ７（ｉ）＝０或Ｂ７（ｉ一１）＜Ｂ’（ｉ＋１）；ｉ＜ｉｏ）（８）

２８９１０

３

４

０．４６９１

０．４６６８

５６

均值０．４５２３

Ｐ；（ｉ）＝Ｂ７（ｉ）

（Ｂ７（ｉ）＝０或Ｂ７（ｉ＋１）＞Ｂ’（ｉ一１）；ｉ≥ｉｏ）（９）

式中

检测结果（图９）与原Ｇ分量图像（图ｌｃ）进行比较，可见能够完整地检测出嫩芽，并从实施的过程（图４、图７）可见，对老叶与新叶的分割效果也很好。以能否准确检测出嫩芽为评价标准，对实验中５０幅图像进行检测，可以正确识别４７幅，准确率为９４％。检测失误的原因是由于光线的影响，使得老叶灰度值降低（少数情况下），从而导致新叶与老叶分割产生偏差。

Ｐｉ（ｉ）——图８中嫩芽左侧根部纵坐标值Ｐ；（ｉ）——图８中嫩芽右侧根部纵坐标值

ｆｏ——式（７）计算所得Ｐ（ｉ）对应的横坐标值

最后，以式（１０）的结果作为“一心”的根部纵坐标值，

Ｐ７（ｉ）＝ｒａｉｎ［Ｐｉ（ｉ），Ｐ；（ｉ）］

（１０）

３识别结果

至此，茶叶经济价值最高的中心嫩芽在图像中的位置被检测确定，位置如表１所示。

表１

Ｔａｂ．１

４结束语

本文根据茶叶的颜色和形状特征，实现了茶叶

中心嫩芽在图像中的像素坐标值

Ｐｉｘｅｌ’ｓｃｏｏｒｄｉｎａｔｅｖａｌｕｅａｃｃｏｒｄｉｎｇ

ｔｅａ

ｔｏ

ｔｈｅ

嫩芽目标的识别。实验结果表明：根据颜色特征提取的茶叶叶片绿色分量图像能够清晰地区分新叶与老叶的差异；根据颜色特征计算的阈值能够成功地

ｓｐｒｏｕｔｉｎｔｈｅｉｍａｇｅ

部位

坐标值

像素坐标值

坐标值

像素坐值标

纵坐标横坐标

分割出老叶图像；通过对嫩芽形状特征的分析和其边缘轮廓的提取，成功地实现了茶叶嫩芽的准确识别，准确率可达９４％，计算耗时约为０．４５ｓ／幅，能满足实时识别的需要。

参考文献

１邹勇，胡根贵．茶叶采摘与管理［Ｊ］．安徽农学通报，２００５，１１（１）：７１．

ＺｏｕＹｏｎｇ，ＨｕＧｅｎｇｕｉ．Ｐｉｃｋｉｎｇａｎｄｍａｎａｇｅｍｅｎｔｏｆｔｈｅ

ｔｅａ［Ｊ］．Ａｎｈｕｉ

ＡｇｒｉｃｕｌｔｕｒａｌＳｃｉｅｎｃｅＢｕｌｌｅｔｉｎ。２００５，１１（１）：７１

（ｉｎＣｈｉｎｅｓｅ）

２

Ｂｒｏａｄｈｅａｄ

ＪＳ，ＭｕｘｗｏｒｔｈｙＡＲ，ＯｎｇＣＫ，ｅｔａ１．Ｃｏｍｐａｒｉｓｏｎｏｆｍｅｔｈｏｄｓｆｏｒｄｅｔｅｒｍｉｎｉｎｇｌｅａｆ

Ｍｅｔｅｏｒｏｌｏｇｙ，２００３，１１５（３～４）：１５１～１６１．

ａｒｅａ

ｉｎ

ｔｒｅｅ

ｒｏｗｓ［Ｊ］

ＡｇｒｉｃｕｌｔｕｒａｌａｎｄＦｏｒｅｓｔ

万方数据　

增刊杨福增等：基于颜色和形状特征的茶叶嫩芽识别方法

１２３

３

ＳｉｎｃｌａｉｒＴＲ，ＧｉｌｂｅｒｔＲＡ，ＰｅｒｄｏｍｏＲＥ，ｅｔａ１．ＳｕｇａｒｃａｎｅｌｅａｆａｒｅａｄｅｖｅｌｏｐｍｅｎｔｕｎｄｅｒｆｉｅｌｄｃｏｎｄｉｔｉｏｎｓｉｎＦｌｏｒｉｄａ，ＵＳＡ［Ｊ］．

ＦｉｅｌｄＣｒｏｐｓ

Ｒｅｓｅａｒｃｈ，２００４，８８（２－－３）：１７１—１７８．

４

ＩｇａｔｈｉｎａｔｈａｎｅＣ，ＰｒａｋａｓｈＶＳＳ，ＰａｄｍａＵ。ｅｔａ１．Ｉｎｔｅｒａｃｔｉｖｅｃｏｍｐｕｔｅｒｓｏｆｔｗａｒｅｄｅｖｅｌｏｐｍｅｎｔｆｏｒｌｅａｆａｒｅａ

ｍｅａｓｕｒｅｍｅｎｔ

［Ｊ］．Ｃｏｍｐｕｔｅｒｓ

ａｎｄＥｌｅｃｔｒｏｎｉｃｓｉｎ

Ａｇｒｉｃｕｌｔｕｒｅ，２００６，５１（１－２）：１～１６．

５李震。洪添胜。吴伟斌，等．植物多叶片图像目标识别和叶面积测量方法［Ｊ］．华南农业大学学报，２００７。２８（３）：１０５～

１０９．

ＬｉＺｈｅｎ，Ｈｏｎｇ

Ｔｉａｎｓｈｅｎｇ，ＷｕＷｅｉｂｉｎ，ｅｔａ１．Ｍｅｔｈｏｄｏｆｏｂｊｅｃｔｉｄｅｎｔｉｆｉｃａｔｉｏｎａｎｄｌｅａｆａｒｅａｃａｌｃｕｌａｔｉｏｎｉｎｍｕｌｔｉ—ｌｅａｆｓｃａｎｎｅｄ

ｉｍａｇｅ［Ｊ】．ＪｏｕｒｎａｌｏｆＳｏｕｔｈＣｈｉｎａＡｇｒｉｃｕｌｔｕｒａｌ

Ｕｎｉｖｅｒｓｉｔｙ。２００７，２８（３）：１０５～１０９．（ｉｎＣｈｉｎｅｓｅ）

６黄林，贺鹏，王经民．基于概率神经网络和分形的植物叶片机器识别研究［Ｊ］．西北农林科技大学学报：自然科学版，

２００８，３６（９）：２１２－－２１８．

ＨｕａｎｇＬｉｎ，Ｈｅ

Ｐｅｎｇ，ＷａｎｇＪｉｎｇｍｉｎ．Ｌｅａｆｒｅｃｏｇｎｉｔｉｏｎｆｏｒｐｌａｎｔｂａｓｅｄ

ｏｎ

ｐｒｏｂａｂｉｌｉｓｔｉｅｎｅｕｒａｌ

ｎｅｔｗｏｒｋｓａｎｄｆｒａｃｔａｌ［Ｊ】．

ＪｏｕｒｎａｌｏｆＮｏｒｔｈｗｅｓｔＡ＆ＦＵｎｉｖｅｒｓｉｔｙ：ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ．２００８，３６（９）：２１２～２１８．（ｉｎＣｈｉｎｅｓｅ）

７徐增辉。张彦娥．温室黄瓜叶片图像的白平衡处理［Ｊ］．农业机械学报，２００７，３８（１１）：１８９～１９１．

ＸｕＺｅｎｇｈｕｉ，ＺｈａｎｇＹａｎ’ｅ．Ｔｈｅｗｈｉｔｅｂａｌａｎｃｅｏｆｔｈｅｃｕｃｕｍｂｅｒｉｍａｇｅｏｆｇｒｅｅｎｈｏｕｓｅ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆｔｈｅＣｈｉｎｅｓｅＳｏｃｉｅｔｙ

ｆｏｒＡｇｒｉｃｕｌｔｕｒａｌ

Ｍａｃｈｉｎｅｒｙ。２００７，３８（１１）：１８９～１９１．（ｉｎＣｈｉｎｅｓｅ）

８陈树人，沈宝国，毛罕平，等．基于颜色特征的棉田中铁苋菜识别技术［Ｊ］．农业机械学报，２００９，４０（５）：１４９～１５２．

ＣｈｅｎＳｈｕｒｅｎ，Ｓｈｅｎ

Ｂａｏｇｕｏ，ＭａｏＨａｎｐｉｎｇ，ｅｔ

ａ１．Ｃｏｐｐｅｒｌｅａｆ

ｈｅｒｂｄｅｔｅｃｔｉｏｎｆｒｏｍｃｏｔｔｏｎｆｉｅｌｄｂａｓｅｄ

ｏｎ

ｃｏｌｏｒ

ｆｅａｔｕｒｅ［Ｊ］．

ＴｒａｎｓａｃｔｉｏｎｓｏｆｔｈｅＣｈｉｎｅｓｅＳｏｃｉｅｔｙｆｏｒ

Ａｇｒｉｃｕｌｔｕｒａｌ

Ｍａｃｈｉｎｅｒｙ。２００９。４０（５）：１４９～１５２．（ｉｎＣｈｉｎｅｓｅ）

９毛罕平，胡波，张艳诚，等．杂草识别中颜色特征和阈值分割算法的优化［Ｊ］．农业工程学报，２００７，２３（９）：１５４～１５８．

ＭａｏＨａｎｐｉｎｇ，Ｈｕ１３０，ＺｈａｎｇＹａｎｃｈｅｎｇ，ｅｔａ１．Ｏｐｔｉｍｉｚａｔｉｏｎｏｆｃｏｌｏｒｉｎｄｅｘａｎｄｔｈｒｅｓｈｏｌｄｓｅｇｍｅｎｔａｔｉｏｎｉｎｗｅｅｄｒｅｃｏｇｎｉｔｉｏｎ

［Ｊ］．Ｔｒａｎｓａｃｔｉｏｎｓ

ｏｆ

ｔｈｅＣｈｉｎｅｓｅＳｏｃｉｅｔｙｏｆＡｇｒｉｃｕｌｔｕｒａｌＥｎｇｉｎｅｅｒｉｎｇ，２００７，２３（９）：１５４～１５８．（ｉｎＣｈｉｎｅｓｅ）

１０

肖超云。朱伟兴．基于Ｏｔｓｕ准则及图像熵的阈值分割算法［Ｊ］．计算机工程，２００７，３３（１４）：１８８～１８９，２０９．

ＸｉａｏＣｈａｏｙｕｎ，Ｚｈｕ

Ｗｅｉｘｉｎｇ．Ｔｈｒｅｓｈｏｌｄｓｅｌｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｆｏｒｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｂａｓｅｄ

ｏｎ

Ｏｔｓｕｒｕｌｅａｎｄｉｍａｇｅｅｎｔｒｏｐｙ

［Ｊ］．ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇ，２００７。３３（１４）：１８８～１８９。２０９．（ｉｎＣｈｉｎｅｓｅ）

１１刘志杰，田艳娜，杨亮亮，等．重叠条件下茶叶嫩芽的自动检测方法［Ｊ］．中国体视学与图像分析，２００９，１４（２）：１２９～

１３２．Ｌｉｕ

Ｚｈｉｊｉｅ。ＴｉａｎＹａｎｎａ，ＹａｎｇＬｉａｎｇｌｉａｎｇ，ｅｔ

ａ１．Ａｕｔｏｍａｔｉｃ

ｄｅｔｅｃｔｉｏｎｏｆｏｖｅｒｌａｐｐｅｄ

ｔｅａ

ｌｅａｆｓｐｒｏｕｔｓ［Ｊ］．ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆ

ＳｔｅｒｅｏｌｏｇｙａｎｄＩｍａｇｅＡｎａｌｙｓｉｓ，２００９，１４（２）：１２９～１３２．（ｉｎＣｈｉｎｅｓｅ）

１２王勇。沈明霞，姬长英．基于颜色信息和形状特征的棉桃识别方法［Ｊ］．农业机械学报。２００７，３８（１１）：７７～７９，８７．

ＷａｎｇＹｏｎｇ，ＳｈｅｎＭｉｎｇｘｉａ。Ｊｉ

Ｃｈａｎｇｙｉｎｇ．Ｕｓｉｎｇ

ｃｏｌｏｒｄａｔａ

ａｎｄ

ｓｈａｐｅｐｒｏｐｅｒｔｉｅｓｆｏｒ

ｃｏｔｔｏｎｆｒｕｉｔｒｅｃｏｇｎｉｔｉｏｎ［Ｊ】．

ＴｒａｎｓａｃｔｉｏｎｓｏｆｔｈｅＣｈｉｎｅｓｅＳｏｃｉｅｔｙｆｏｒ

Ａｇｒｉｃｕｌｔｕｒａｌ

Ｍａｃｈｉｎｅｒｙ。２００７，３８（１１）：７７～７９，８７．（ｉｎＣｈｉｎｅｓｅ）

（上接第１４９页）

６薛艳，沈振国．蔬菜对土壤重金属吸收的差异与机理［Ｊ］．土壤，２００５，３７（１）：３２～３６．

ＸｕｅＹａｎ，ＳｈｅｎＺｈｅｎｇｕｏ．Ｄｉｆｆｅｒｅｎｃｅｉｎ

ｈｅａｖｙｍｅｔａｌｕｐｔａｋｅｂｅｔｗｅｅｎｖａｒｉｏｕｓｖｅｇｅｔａｂｌｅｓａｎｄｉｔｓｍｅｃｈａｎｉｓｍ［Ｊ］．Ｓｏｉｌｓ，２００５，

３７（１）：３２～３６．（ｉｎＣｈｉｎｅｓｅ）

７温艳霞，李建科，张晓敏，等．植物酯酶法检测有机磷农药的敏感性和检测限的研究［Ｊ】．食品科学，２００６，２７（９）：１８６～

１８８．

，

ＷｅｎＹａｎｘｉａ，ＬｉＪｉａｎｋｅ。ＺｈａｎｇＸｉａｏｍｉｎ，ｅｔａ１．Ｓｔｕｄｉｅｓ

ｏｎ

ｓｅｎｓｉｔｉｖｉｔｙａｎｄｄｅｔｅｃｔｉｏｎｌｉｍｉｔｏｆｐｈｙｔｏｅｓｔｅｒａｓｅ

ｏｎ

ｏｒｇａｎｏｐｈｏｓｐｈａｔｅ

ｐｅｓｔｉｃｉｄｅｓ［Ｊ］．ＦｏｏｄＳｃｉｅｎｃｅ，２００６，２７（９）：１８６～１８８．（ｉｎＣｈｉｎｅｓｅ）

万　

方数据

基于颜色和形状特征的茶叶嫩芽识别方法

作者：作者单位：刊名：英文刊名：年，卷(期)：

杨福增， 杨亮亮， 田艳娜， 杨青

杨福增,杨亮亮,杨青(西北农林科技大学机械与电子工程学院,陕西杨凌,712100)， 田艳娜(西北农林科技大学信息工程学院,陕西杨凌,712100)

农业机械学报

TRANSACTIONS OF THE CHINESE SOCIETY FOR AGRICULTURAL MACHINERY2009,40(z1)

参考文献(12条)

1.毛罕平;胡波;张艳诚 杂草识别中颜色特征和阈值分割算法的优化[期刊论文]-农业工程学报 2007(09)2.陈树人;沈宝国;毛罕平 基于颜色特征的棉田中铁苋菜识别技术[期刊论文]-农业机械学报 2009(05)3.徐增辉;张彦娥 温室黄瓜叶片图像的白平衡处理[期刊论文]-农业机械学报 2007(11)

4.王勇;沈明霞;姬长英 基于颜色信息和形状特征的棉桃识别方法[期刊论文]-农业机械学报 2007(11)5.刘志杰;田艳娜;杨亮亮 重叠条件下茶叶嫩芽的自动检测方法[期刊论文]-中国体视学与图像分析 2009(02)6.肖超云;朱伟兴 基于Otsu准则及图像熵的阈值分割算法[期刊论文]-计算机工程 2007(14)

7.黄林;贺鹏;王经民 基于概率神经网络和分形的植物叶片机器识别研究[期刊论文]-西北农林科技大学学报(自然科学版) 2008(09)

8.李震;洪添胜;吴伟斌 植物多叶片图像目标识别和叶面积测量方法[期刊论文]-华南农业大学学报 2007(03)9.Igathinathane C;Prakash V S S;Padma U Interactive computer software development for leaf areameasurement[外文期刊] 2006(1-2)

10.Sinclair T R;Gilbert R A;Perdomo R E Sugarcane leaf area development under field conditions inFlorida,USA[外文期刊] 2004(2-3)

11.Broadhead J S;Muxworthy A R;Ong C K Comparison of methods for determining leaf area in tree rows2003(3-4)

12.邹勇;胡根贵 茶叶采摘与管理[期刊论文]-安徽农学通报 2005(01)

本文链接：http://d.g.wanfangdata.com.cn/Periodical_nyjxxb2009z1027.aspx