基于图像处理的作物营养诊断研究进展

秦小立　叶露　李玉萍　刘燕群　谢铮辉

摘 要 近年来，随着农业化肥滥用问题的日益突出，图像处理技术在作物营养诊断上的应用研究越来越多。通过对作物营养诊断研究背景的阐述，指出图像处理技术在作物营养诊断上应用的重要意义，介绍作物图像营养诊断研究的总体情况和基本思路，论述作物图像采集、图像预处理、特征提取与优化、分类识别4个环节所用技术方法以及取得的成果，并分析作物图像营养诊断方面存在的问题。

关键词 作物营养诊断 ；图像处理 ；特征提取 ；分类识别

中图分类号 S126 文献标识码 A Doi：10.12008/j.issn.1009-2196.2016.09.021

Abstract In recent years overuse of chemical fertilizer has become an increasingly prominent issue， and crop nutrition diagnosis based on image processing technology has been developed to solve this issue. The paper describes the research background of crop nutrition diagnosis， points out the significance of application of crop nutrient diagnosis based on image processing technology， and summarizes the overall situation and the basic ideas of crop image nutrition diagnosis. It also describes the technical methods and results of crop image acquisition， image preprocessing， feature extraction and optimization， classification and identification. The problems arising from the diagnosis of crop nutrition based on image processing are discussed， based on which the main directions of future research are proposed.

Keywords crop nutrition diagnosis ； image processing； feature extraction ； classification and identification

随着科学技术的快速发展，当前农业生产的目标和对农产品质量的要求也越来越高。农业生产中盲目使用化肥是造成耕地质量和农产品质量下降的重要原因之一。因此，开展作物营养诊断对合理施肥改良耕地、提升农产品质量等方面都有重要意义。近年来，作为一种无损害的作物营养诊断新手段，图像处理及模式识别等技术在设施农业、农业物联网、作物营养诊断、作物病虫害诊断、农产品检测等方面的应用研究都取得一定进展，引起越来越多学者的关注。作物营养诊断是作物科学施肥的重要环节，利用图像识别进行营养预测或诊断是无损伤检测的重要方法之一。利用图像营养诊断技术指导生产施肥追肥，不仅有利于提高设施农业的智能化水平，也有利于产品质量的提高。对于知识水平有限的种植户，通过移动智能终端采集图像，并上传到相关作物营养诊断系统进行诊断，是一种便利的作物营养诊断模式，对以小规模经营为主的农业生产具有很好的应用前景。

目前，作物图像营养诊断主要集中在水稻[1-18]、小麦[19-31]、玉米[32-41]、棉花[42-49]、蔬菜瓜果[50-65]等作物。在氮磷钾肥含量方面的诊断，也有少量乔木[66-69]叶片营养预测研究。本文主要从作物图像采集与预处理、特征提取与优化、分类识别等环节所用主要技术方法和研究成果进行分类介绍，基本涵盖了国内外图像处理技术应用在作物营养诊断领域的最新理论、手段和研究方法，避免重复研究，有助于后续学者快速寻找切入点和突破点，提高科学研究的意义和价值。

1 基于图像处理的作物营养诊断研究的基本思路

目前，国内外很多学者利用相关技术理论进行作物图像营养诊断研究，根本目的是通过预测或估算作物氮磷钾养分含量指导作物施肥追肥[24-27，35，61，63-65]。因研究对象和目的差异，所用方法有所不同，但基于图像处理的作物营养诊断研究的基本流程一般都包括作物（冠层或叶片）图像采集、图像预处理、特征提取与优化、分类识别等[70]主要环节，基本思路如图1所示。

2 图像采集与预处理

2.1 图像采集

采集清晰的图像是图像处理和特征提取获得良好效果的重要前提，也是提高分类识别准确度的必要环节。随着数码相机的普及，进行田间作物图像采集具有便携、灵活的特点。许多研究者在使用数码相机进行作物冠层或叶片图像获取时，设置固定的拍摄模式、高度、与地面夹角、时间段、存储格式、分辨率以及天气情况等。为减少光照强度对颜色的影响，还出现了许多效果较好的图像采集辅助方法，如自制有固定光源和背景板的图像采集装置[13，15，31，47，48，52]、统一颜色采集板（白色[23，60，61]、黑色[56]、18%-灰色[4，16，58]）或比色卡[21，33，39，57]等，还有利用智能手机[17，18，24，33，70-71]的拍照功能在固定拍摄背景条件下，灵活方便地进行作物图像采集。石媛媛[3]利用无人机载平台装载数码相机进行大田环境水稻冠层图像采集，取得很好的冠层图像。张立周等[24]、Li Y等[26]分别进行数码相机与智能手机以及不同数码相机之间的比较实验，结果表明，高质量图像有利于进行作物营养诊断。Robert等[38]在玉米叶片图像氮素含量识别中，对图像采集时的相机选择、光线强弱等环境参数进行比较，取得很好的诊断效果。

当前图像采集的主要是利用数码相机，但采集时进行的多种设置和辅助物品给其应用造成了一定的不便。因此，在小规模农业生产为主的中国具有便捷特点的智能终端进行图像采集或许更具有推广意义。

2.2 图像预处理

图像预处理是尽可能多地去掉干扰特征提取的因素，主要有图像增强、去噪、分割等。作物叶片或冠层图像增强则是增强图像内叶片或冠层部分更好地分离出作物和背景。作物图像处理主要通过灰度变换、低通滤波、高通滤波、中值滤波、邻域均值、小波去噪等方法进行去噪。

作物冠层或叶片图像分割主要方法有，改进最大类间方差[55]、G-R阈值[15]、灰度双峰阈值和超绿全阈值[52]等阈值分割法，Roberts 算子、Sobel 算子、Log算子、Canny 算子、Zerocross算子等边缘检测[61]，K均值聚类[20，28-29，72]、模糊聚类[29]、PAM聚类[29]，Mean-shift聚类[73]等聚类方法，神经网络模型[74]以及高斯分布模型[30，73]等方法。马莉莉[55]利用多种阈值分割法进行大豆叶片图像分割比较，提出利用缩小阈值区间的方法改进最大类间方差法，提高了算法效率；Michael Schirrmann等[29]利用前3种聚类方法开展小麦冠层图像分割的比较实验，结论是K均值聚类效率最好；庞晓丹[19]通过计算图像像素的马氏距离构建模式识别分类器进行小麦冠层图像分割；徐胜勇等[53]利用GrabCut算法进行油菜叶片图像分割，效果较好。

图像去噪和阈值分割是图像预处理过程中最重要的环节，目前进行作物叶片或冠层图像处理的方法是基于传统的图像处理方法，缺乏适合大田环境下土壤、绿色植被等复杂背景条件的图像去噪和图像分割的新方法，去噪方法和分割算法的普适性也不足，对交差重叠的叶片部分处理效果也很差，甚至很多学者都避开这一问题，但这也是未来进行作物营养诊断需要解决的重要问题。

3 特征提取与优化

3.1 特征提取

特征提取是将图像的视觉特征转化为计算机能够识别的数学形式的过程[70]，图像特征提取是利用计算机进行图像点的分类，是决定一个像素点是否属于一个特征的过程。作物冠层或叶片图像特征提取的研究主要集中在颜色特征和综合特征的提取。颜色特征是描述图像或其内部区域所对应景物表面性质的一种全局特征，主要通过颜色空间变换、统计直方图等方法提取，具有旋转不变性。因作物叶片视觉上多呈现绿色、黄色，所以，颜色特征的提取对作物营养识别起重要作用。作物图像颜色特征主要是RGB、HSI、HSV、YIQ等4种颜色空间模型的颜色分量及其运算值和归一化模型rgb值。

在研究小麦冠层图像与氮含量指标关系时，李红军等[22]、肖焱波等[23]的结论是小麦冠层图像归一化特征r与其氮含量常规指标相关性最好；张立周等[24]认为，g最能表征小麦冠层图像特征；庞晓丹[19]发现，蓝色最能表征不同小麦品种之间的差异。开展玉米图像特征分析的研究人员[33，35]大多认为，b与营养含量的相关性最好。分析可知，依据作物种类的不同有所差异，表征作物氮磷钾含量指标主要是RGB归一化特征。

纹理特征主要是能量、熵、对比度、角、相关性均值、方差等特征，而形状特征则因研究对象的多样化，主要有叶片的长度、宽度、周长、面积、偏心率、矩形度、面积凸凹比、圆形度以及这些参数的一些算术值等。通过提取多类型特征进行作物营养诊断研究主要集中在水稻[1-3]、油菜[50]、大豆[55-56]、生菜[61]等。陈利苏[1]、顾清[2]通过提取水稻的颜色特征和叶片形状特征进行综合应用；石媛媛[3]除提取颜色、形状特征，还提取了叶片图像的直方图均值、方差、倾斜度、峭度、能量、直方图熵、对比度、方向角二阶矩、差分熵、差分均值等10个纹理特征，在特征组合以及营养诊断方面都起到一定的作用；马莉莉[55]在大豆叶片氮营养诊断中提取颜色、形态、纹理3类特征，综合应用效果较好；高洪燕[61]提取颜色和纹理特征以及冠层投影面积、冠幅周长、株高等长势特征，取得较好的效果；Mao Hanping等[62]提取颜色和纹理特征，经过特征组合后开展生菜冠层图像氮含量测量，后续应用效果较好。

综上所述，特征提取是识别的主要环节之一，叶片图像的颜色特征越来越精确、纹理和形态特征越来越多，但目前主要通过多种特征的综合应用来提高识别模型效率的，多特征的提取与选择客观上增加了算法的复杂度，降低了效果。因此，需要采用一些优化方法改善特征提取的数量和多特征融合的方法，进而提高识别准确度和效率，是该领域今后发展的重要方向。

3.2 特征优化

特征优化是为了减少用于诊断识别的特征数量，剔除冗余特征，提高图像识别效率。作物冠层或叶片图像提取特征的优化一般是利用主成分分析、智能优化算法、相关性筛选等方法进行的特征降维，减少诊断过程中的计算复杂度。陈利苏[1]在特征评价的基础上利用基于支持向量的特征筛选方法进行多特征的优化；顾清[2]、石媛媛[3]采用了Cfs（Correlation-based Feature seleetion）过滤算法与Ss（Scatter search）搜索方法相结合进行特征优选；祝锦霞[4]、Saberioon等[13]、马莉莉[55]、康小燕[60]、高洪燕[61]、Mao Hanping等[62]、吴志华等[69]利用主成分分析法进行将多个特征值组合成一个或几个主成分。

总之，作物图像特征优化是从提取的多特征中选择最能表征作物营养信息的一个或几个图像特征，提高作物营养诊断效率和准确率。因此，选择高效的优化算法和稳定的特征指标是进行特征优化和选择的重要目标。陈佳悦等[37]通过多种特征相关性分析，发现线性组合特征优于单分量特征，同时开展图像营养评价指标的拟合研究，提出了颜色组合标准化指数（Normalized color mix index，NCMI）和相应的计算方法，该指标在营养评价方面稳定性较好，还有进一步研究和应用的空间。

4 分类识别方法

4.1 支持向量机

支持向量机是将向量映射到一个更高维空间的非线性映射，是通过将空间内数据分成两类的最大间隔超平面进行数据分类，两类数据的间隔或差距越大，分类器误差就越小。支持向量机在处理回归问题和模式识别（分类问题、判别分析）等方面取得很好的效果，也可推广到预测和综合评价等领域。

支持向量机就是用来解决模式识别分类问题或数据预测问题，其分类识别的基本流程如图2所示。顾清[2]采用支持向量机建立的模型进行水稻不同氮素含量叶片图像识别，结论是识别率氮素含量按极缺、微缺、正常、丰富的分类，识别精准度由100%降低到50%左右，识别效果不稳定；杨雪[50]采用支持向量机模型进行油菜叶片缺素图像分类识别研究，并利用遗传算法进行支持向量机的参数优化，识别准确率从91.7%提高到98.3%。关海鸥等[59]利用遗传算法和最小二乘支持向量机进行大豆叶片缺素症状的诊断识别，进行覆盖范围广的正常、缺氮、缺钾及缺磷四种营养情况进行分类诊断，准确率达90%，其效果和稳定性都得到了提高。总之，支持向量机是从有限的样本信息获取模型复杂度和学习能力之间的最佳平衡，遗传算法等优化方法在提高效率和精度方面都起到一定作用。

4.2 神经网络

神经网络也称为人工神经网络（ANNs），是基于传统统计学方法进行基础神经元数据的归纳总结、获取其内在规律，具有很强的非线性映射能力[55]，在处理分析复杂的不确定性推理、判断、识别和分类问题方面较为适合。

依据神经元特征、学习规则、网络结构等的不同，它包含误差向后传播神经网络（BP神经网络）、径向基函数神经网络（RBF神经网络）等多种，其中BP神经网络是应用最广泛的一种，其基本的应用流程如图3所示。李小正等[47]利用线性网络、BP以及RBF三种神经网络模型分别预测棉花叶片图像氮含量，比较发现RBF神经网络模型预测效果最好。马莉莉[55]利用BP神经网络进行大豆叶片氮含量识别，构建图像特征与氮素超缺诊断模型，发现不同生长期识别率有所不同。关海鸥等[58]利用模糊逻辑推理规则改进了神经网络，设计一种大豆叶片和冠层图像缺素识别的正则化自适应模糊神经网络模型，改进模型在缺氮、缺磷、缺钾条件的分类识别率非常好，识别效率也得到了提高，但是其在正常状态方面的效果未曾提及。因此，神经网络在学习能力和分类识别应用方面效果很好，但是针对作物营养识别的应用还有不足，需要利用优化算法或推理规则完善模型的应用，也是神经网络在作物营养诊断方面应用研究的一个重要方向。

4.3 贝叶斯分类法

朴素贝叶斯分类是一种基于概率统计理论、简单且易于实现的分类算法，通过计算待分类项在已知条件下出现在各种类别的概率，哪个概率最大就将此项归于哪个类别。朴素贝叶斯分类法应用领域很多，经常在模式识别、预测、图像处理等领域与神经网络、支持向量机等非线性模型进行比较。贝叶斯分类法在作物营养图像分类识别或预测方面应用的基本流程如图4所示。徐胜勇等[53]采用贝叶斯分类器进行油菜叶片缺素图像识别，其缺氮磷钾的评价识别率达到87.5%，其中缺磷的正确率达100%。由此可见，朴素贝叶斯分类法在作物图像营养诊断方面的应用效率较高，但是与SVM、ANNS相比，其应用略有不足。

4.4 其他回归方法

除上述提到的支持向量机、神经网络、贝叶斯分类等方法，开展数据分类预测还有常用回归分析建模法。目前，国内外很多学者采用线性与非线性回归的数学建模方法进行数据拟合，构建作物营养诊断数学模型，达到实现作物营养诊断的目的。

线性回归是利用数理统计、回归建模方法，确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，应用领域十分广泛。在作物图像营养识别方面，主要是通过线性回归建立图像特征与营养含量的数学模型，并进行模型校验和营养诊断。刘江桓[7]、Confalonieri等[17]、魏全全等[54]利用一元线性回归方法拟合了回归模型；Wang Yuan等[16]、李方一[52]等利用多元线性回归方法建立了线性模型，且整体比一元回归模型的较好；袁道军等[51]利用逐步回归法建立油菜冠层图像特征与叶绿素和全氮含量的多种数据模型，都达到显著相关性水平，效果优于多元线性回归。

非线性回归是对变量间非线性相关问题的曲线拟合，主要包括利用多项式和函数回归分析方法建立的数据回归模型。非线性回归模型最贴近我们的现实生活，应用领域很广，在作物营养诊断建模方面应用很多，主要有多项式[3-5，14，45，68]以及双曲线函数、指数函数[2-3，11-12，16-17，43]、对数函数[7，11，45]、幂函数等回归方法。李岚涛等[8]、周华杰等[37]、Robert等[39]通分别对线性回归、逐步回归、非线性回归模型进行比较，发现线性模型优于非线性模型。

此外，还有利用Logistic回归建模和灰色关联度方法。高洪燕[61]利用非线性算法ELM和主成分分析法，构建多信息融合的生菜营养及水分检测模型，利用生菜冠幅投影面积、株高及冠幅周长等长势特征，建立Gomportz、Logistic和Verilulst生长模型，发现Logistic回归模型效果较好，并利用灰色关联度分析法，建立依据长势信息进行时域变量施肥的数学模型。

5 讨论

与传统诊断方法相比，基于图像处理技术的作物图像营养诊断方法具有快速、灵活、智能、对作物无损伤等优点，随着技术方法的不断改进，已逐渐应用到更多作物上，但该方法在实际生产应用方面还不够成熟，很多问题需要进一步研究和探讨。

5.1 缺乏统一的作物营养图像库和特征库

不同的学者在进行作物图像营养识别研究过程中，选用的作物不同、图像不同、采集环境不同、甚至发育期不同，特征提取也有不同。因此，研究成果之间难以比较，无法更好的推进此类研究进展。

5.2 作物图像营养识别理论基础不够

该领域是一个跨学科的交叉研究领域，涉及到作物营养学、土壤学、土壤营养学、计算机科学、图像处理等多个学科，不同方向的研究者具有的学科知识构成不同，很难同时发挥多学科发展的优越性。目前，还没有更好的作物图像处理和分割方法既能够满足多样化的作物类型，也能从复杂自然环境条件下提取很好的作物图像及其特征。

5.3 图像采集环境与背景对诊断结果影响较大

虽然有很多学者提出一些规范采集条件和环境的因素，降低干扰因素，但图像采集设备、采集环境条件等因素的轻微变化可能都影响到识别的准确度，还有因作物不同、发育期不同导致营养需求、作物颜色变化。因此，需要在采集条件和图像处理方面做更深入的研究，降低图像采集复杂度。

此外，在实际生产应用中，由于营养元素之间的胁迫及病虫害的干扰，也给作物营养诊断提出了难题。

总之，当前大多数图像营养识别研究都是在实验室条件或人工定制的自然环境条件下开展的，对自然条件复杂的大田作物研究极少。要形成一套完善的可广泛应用于大田环境的作物图像营养识别系统或方案，还需要进一步深入研究与探讨，推动该领域快速发展。

参考文献

[1] 陈利苏. 基于机器视觉技术的水稻氮磷钾营养识别和诊断[D]. 杭州：浙江大学，2014.

[2] 顾 清，邓劲松，陆 超，等. 基于光谱和形状特征的水稻扫描叶片氮素营养诊断[J]. 农业机械学报，2012，43（8）：170-174，159.

[3] 石媛媛. 基于数字图像的水稻氮磷钾营养诊断与建模研究[D]. 杭州：浙江大学，2011.

[4] 祝锦霞，陈祝炉，石媛媛，等. 基于无人机和地面数字影像的水稻氮素营养诊断研究[J]. 浙江大学学报（农业与生命科学版），2010，36（1）：78-83.

[5] 孙 棋. 基于数字图像处理技术的水稻氮素营养诊断研究[D]. 杭州：浙江大学，2008.

[6] 祝锦霞，邓劲松，石媛媛，等. 基于水稻扫描叶片图像特征的氮素营养诊断研究[J]. 光谱学与光谱分析，2009，29（8）：2 171-2 175.

[7] 刘江桓. 基于机器视觉技术的水稻营养快速诊断研究[D]. 南昌：江西农业大学，2011.

[8] 李岚涛，张 萌，任 涛，等. 应用数字图像技术进行水稻氮素营养诊断[J]. 植物营养与肥料学报，2015，21（1）：259-268.

[9] 李锦卫. 基于计算机视觉的水稻、油菜叶色—氮营养诊断机理与建模[D]. 长沙：湖南农业大学，2010.

[10] 贾良良，范明生，张福锁，等. 应用数码相机进行水稻氮营养诊断[J]. 光谱学与光谱分析，2009，29 （8）：2 176-2 179.

[11] Lee K J， Lee B W. Estimation of rice growth and nitrogen nutritionstatus using color digital camera image analysis[J]. European Journalof Agronomy，2013， 48（3）： 57-65.

[12] Wang Y， Wang D J， Zhang G， et al. Estimating nitrogen status of rice using the image segmentation of G-R thresholding method[J]. Field Crops Research， 2013， 149： 33-39.

[13] Saberioon M M， Amin M S M， Anuar A R， et al. Assessmentof rice leaf chlorophyll content using visible bands at differentgrowth stages at both the leaf and canopy scale[J]. InternationalJournal of Applied Earth Observation and Geoinformation， 2014， 32（10）： 35-45.

[14] Shibayama M， Sakamoto T， Takada E， et al. Estimating rice leaf greenness （SPAD） using Fixed-Point continuous observations of visible red and near infrared narrow-band digital images[J]. Plant Production Science， 2012， 15（4）： 293-309.

[15] 王 远，王德建，张 刚，等. 基于数码相机的水稻冠层图像分割及氮素营养诊断[J]. 农业工程学报，2012，28（17）：131-136.

[16] Wang Y， Wang D J， Shi P H， et al. Estimating rice chlorophyll content and leaf nitrogen concentration with a digital still color camera under natural light[J]. Plant Methods， 2014， 10：233-239.

[17] Confalonieri R， Paleari L， Movedi E， et al. Improving in vivo plant nitrogen content estimates from digital images：Trueness and precision of a new approach as compared to other methods and commercial devices[J]. Biosystems Engineering， 2015， 135： 21-30.

[18] Intaravanne Y， Sumriddetchkajorn S. Android-based rice leaf color analyzer for estimating the needed amount of nitrogen fertilizer[J] Computers and Electronics in Agriculture， 2015， 116： 228-233

[19] 庞晓丹. 基于图像处理技术的小麦营养状况远程监测系统设计与实现[D]. 郑州：河南农业大学，2014.

[20] 陈佳悦，姚 霞，黄 芬，等. 基于图像处理的冬小麦氮素监测模型[J]. 农业工程学报，2016，32（4）：163-170.

[21] 文新亚，宋振伟，孔凡磊，等. 基于数字图像技术的冬小麦不同施氮处理颜色特征分析[J]. 中国农业大学学报，2010，15（2）：82-87.

[22] 李红军，张立周，陈曦鸣，等. 应用数字图像进行小麦氮素营养诊断中图像分析方法的研究[J]. 中国生态农业学报，2011，19（1）：155-159.

[23] 肖焱波，贾良良，陈新平，等. 应用数字图像分析技术进行冬小麦拔节期氮营养诊断[J]. 中国农学通报，2008，24（8）：448-453.

[24] 张立周，侯晓宇，张玉铭，等. 数字图像诊断技术在冬小麦氮素营养诊断中的应用[J]. 中国生态农业学报，2011，19（5）：1 168-1 174.

[25] Jia L L， Chen X， Zhang F， et al. Optimum Nitrogen Fertilization of Winter Wheat Based on Color Digital Camera Images [J]. Communications in Soil Science and Plant Analysis， 2007， 38（11-12）： 1 385-1 394 .

[26] Li Y， Chen D， Walker C N， et al. Estimating the nitrogen status of crops using a digital camera[J]. Field Crops Research， 2010， 118（3）： 221-227.

[27] 朱 虹，郑丽敏，尹健玲，等. 基于冠层图像颜色特征提取的小麦氮营养水平评价[J]. 农业工程学报，2010，26（S2）：16-20.

[28] 黄 芬，于 琪，姚 霞，等. 小麦冠层图像H分量的K均值聚类分割[J]. 计算机工程与应用，2014，50（203）：129-134.

[29] Schirrmann M， Hamdorf A， Garz A， et al. Estimating wheat biomass by combining image clustering with crop height[J]. Computers and Electronics in Agriculture， 2016， 121： 374-384.

[30] Kirk K， Andersen H J， Thomsen A G， et al. Estimation of leaf area index in cereal crops using red-green images[J]. Biosystems Engineering， 2009， 104（3）： 308-317.

[31] Pagola M， Ortiz R， Irigoyen I， et al. New method to assess barley nitrogen nutrition status based on image color analysis Comparison with SPAD-502[J]. Computers and electronics in agriculture， 2009， 65（2）： 213-218.

[32] 王 访. 作物诊断的叶片图像多重分形方法与建模[D]. 长沙：湖南农业大学，2013.

[33] 周超超. 基于Android手机平台的玉米叶片含氮量检测方法研究[D]. 杨凌：西北农林科技大学，2014.

[34] 刘 颖，李志洪. 利用数字图像技术进行玉米氮素营养诊断的研究[J]. 玉米科学，2010，18（4）：147-149，152.

[35] 张立周，王殿武，张玉铭，等. 数字图像技术在夏玉米氮素营养诊断中的应用[J]. 中国生态农业学报，2010，18（6）：1 340-1 344.

[36] 白金顺，曹卫东，熊 静，等. 应用数码相机进行绿肥翻压后春玉米氮素营养诊断和产量预测[J]. 光谱学与光谱分析，2013，33（12）：3 334-3 338.

[37] 周华杰，刘亚东，付金东，等. 基于冠层数码图像的玉米长势和氮素营养状态分析[J].青岛农业大学学报（自然科学版），2015，32（1）：1-7.

[38] Rorie R L， Purcell L C， Karcher D E， et al. The Assessment of Leaf Nitrogen in Corn from Digital Images[J]. Crop Science， 2011， 51（5）： 2 174-2 180.

[39] Rorie R L， Purcell L C， Mozaffari M， et al. Association of “Greenness” in Corn with Yield and Leaf Nitrogen Concentration [J]. Agronomy Journal， 2011， 103（2）：529-535.

[40] 孙钦平，李吉进，邹国元，等. 应用数字图像技术对有机肥施用后玉米氮营养诊断研究[J]. 光谱学与光谱分析，2010，30（9）：2 447-2 450.

[41] Sakamoto T， Gitelson A A， Nguy-Robertson A L， et al. An alternative method using digital cameras for continuous monitoring of crop status[J]. Agricultural and Forest Meteorology， 2012， S154-155（6）： 113-126.

[42] 贾 彪. 基于计算机视觉技术的棉花长势监测系统构建[D]. 石河子：石河子大学，2014.

[43] 贾 彪，马富裕. 基于机器视觉的棉花氮素营养诊断系统设计与试验[J]. 农业机械学报，2016，47（3）：305-310.

[44] 王 娟，雷咏雯，张永帅，等. 应用数字图像分析技术进行棉花氮素营养诊断的研究[J]. 中国生态农业学报，2008，16（1）：145-149.

[45] 王晓静，张 炎，李 磐，等. 地面数字图像技术在棉花氮素营养诊断中的初步研究[J]. 棉花学报，2007，19（2）：106-113.

[46] 荆立奇. 基于图像技术的南疆高产棉田长势监测模型的应用[D]. 石河子：石河子大学，2015.

[47] 李小正，谢瑞芝，王克如，等. 利用神经网络提取棉花叶片数字图像氮素含量的初步研究[J]. 作物学报，2007，33（10）：1 662-1 666.

[48] 王方永，王克如，李少昆，等. 利用数码相机和成像光谱仪估测棉花叶片叶绿素和氮素含量[J]. 作物学报，2010，36（11）：1 981-1 989.

[49] Jia B， He H B， Ma F Y， et al. Use of a Digital Camera to Monitor the Growth and Nitrogen Status of Cotton[J]. The Scientific World Journal， 2014（6）： 171-192.

[50] 杨 雪. 基于数字图像处理的植株缺素种类识别技术研究[D]. 天津：天津理工大学， 2015.

[51] 袁道军，刘安国，原保忠，等. 基于计算机视觉技术的油菜冠层营养信息监测[J]. 农业工程学报，2009，25（12）：174-179.

[52] 李方一. 基于数字图像处理技术的油菜叶片氮素营养检测研究[D]. 长沙：湖南农业大学，2009.

[53] 徐胜勇，林卫国，伍文兵，等. 基于颜色特征的油菜缺素症图像诊断[J]. 中国油料作物学报，2015，37（4）：576-582.

[54] 魏全全，李岚涛，任 涛，等. 基于数字图像技术的冬油菜氮素营养诊断[J]. 中国农业科学，2015，48（19）：3 877-3 886.

[55] 马莉莉. 大豆叶片视觉信息提取及氮素缺超诊断模型研究[D]. 哈尔滨：东北农业大学，2011.

[56] 王立舒，陈月华，房俊龙，等. 基于模式识别的大豆营养元素智能诊断系统研究[J]. 东北农业大学学报，2009，40（7）：106-110.

[57] Vollmanna J， Waltera H， Satoa T， et al.Digital image analysis and chlorophyll metering for phenotyping the effects of nodulation in soybean[J]. Computers and Electronics in Agriculture， 2011， 75（1）： 190-195

[58] 关海鸥，衣淑娟，焦峰，等. 农作物缺素症状诊断的正则化模糊神经网络模型[J]. 农业机械学报，2012，43（5）：162-167，156.

[59] 关海鸥，马晓丹，黄 燕，等.基于支持向量机的农作物缺素症状诊断方法[J]. 科技创新与应用，2016，153（5）：43.

[60] 康小燕. 基于计算机视觉的生菜氮素营养检测的研究[D]. 南京：南京农业大学，2013.

[61] 高洪燕. 生菜生长信息快速检测方法与时域变量施肥研究[D]. 镇江：江苏大学，2015.

[62] Mao H P， Gao H Y， Zhang X D， et al. Nondestructive measurement of total nitrogen in lettuce by integrating spectroscopy and computer vision[J]. Scientia orticulturae， 2015， 184： 1-7.

[63] 李井会，朱丽丽，宋述尧. 应用数字图像技术进行马铃薯氮素营养诊断的研究[J]. 安徽农业科学，2012，40（6）：3 303-3 305.

[64] 宋述尧，王秀峰. 数字图像技术在黄瓜氮素营养诊断上的应用研究[J]. 吉林农业大学学报，2008，30（4）：460-465.

[65] 王连君，邢 宇. 数字图像技术在草莓氮素营养诊断中的应用研究[J]. 华南农业大学学报，2010，31（2）：19-21.

[66] 赵 静，韩甜甜，张鲜鲜，等. 应用数码图像技术对梨树叶片营养诊断的初探[J]. 中国农学通报，2011，27（13）：272-276.

[67] 孙毅明. 基于图像识别的橡胶幼苗缺氮诊断模型研究[D]. 海口：海南大学，2013.

[68] 张培松，孙毅明，郭澎涛，等.基于数字图像分析技术的橡胶树叶片氮含量预测[J]. 热带作物学报，2015，36（12）：2 120-2 124.

[69] 吴志华，赵桂香，谢耀坚，等. 缺素桉树叶片图像特征提取研究[J]. 热带作物学报，2011，32（4）：618-622.

[70] 姚 青，吕 军，杨保军，等. 基于图像的昆虫自动识别与计数研究进展[J]. 中国农业科学，2011，44（14）：2 886-2 899.

[71] 张立周. 数字图像技术在作物氮营养诊断中的应用研究[D]. 保定：河北农业大学，2011.

[72] 徐黎明，吕继东. 基于同态滤波和K均值聚类算法的杨梅图像分割[J]. 农业工程学报，2015，31（14）：202-208.

[73] 翟瑞芳，方益杭，林承达，等. 基于高斯HI颜色算法的大田油菜图像分割[J]. 农业工程学报，2016，32（8）：142-147.

[74] Zheng L Y， Zhang J T， Wang Q Y. Mean-shift-based color segmentation of images containing green vegetation[J]. Computers and Electronics in Agriculture， 2009， 65（1）： 93-98.