机器视觉在设施育苗作物生长监测中的研究与应用

杨斯 黄铝文 张馨

摘要：机器视觉是利用机器代替人眼来对目标物做模式识别、测量与判断的一项综合技术，其在农业各领域中的研究与应用发展迅速。从作物育苗的特性、机器视觉在苗期管理的作用、苗期作物视觉信息采集设备及叶片提取方法的发展3个方面分析了设施育苗对基于机器视觉的苗期作物监测的需求;总结了苗期作物视觉信息的主流获取技术，即成像传感器的成像技术、多传感器图像融合技术、三维重建技术的特点;回顾了机器视觉技术近年来在国内外苗期作物中的应用情况，从苗期作物关键生长参数监测检测方面进行综述，分析、对比、总结苗期作物关键生长参数的提取方法，最后概述我国现阶段机器视觉技术在苗期作物的应用中主要存在的问题以及发展前景。

关键词：机器视觉;农业;作物苗期;生长参数;设施育苗;作物生长监测

机器视觉是利用机器代替人眼来对目标物做模式识别、测量与判断等的一项综合技术。机器视觉在农业生产中应用十分广泛，在农作物生长过程的监测[1-2]、农产品的质量分级[3]、病虫草害的识别与控制[4]、采摘农业果实系统[5-6]等方面均有研究与应用。典型的机器视觉系统结构见图1[7]。

随着机器视觉技术、计算机技术的成熟，其在育苗监测中的研究与应用得到广泛开展。机器视觉对苗期作物生长信息的检测主要是及时采集苗期作物图形图像信息，通过图形图像处理技术提取出与苗期作物营养状况相关的参数信息，能够为判断苗期作物生长状况提供决策支持。实现了苗期作物生长状态的无损检测，且具有测量速度快，测量结果误差低，节省大量人力、物力等优势。目前，机器视觉在作物生长过程中的研究与应用主要集中在叶片面积、叶色、叶片温度、叶片形态、植株高度等关键生长参数方面和作物营养信息检测等方面[8]，并取得了一定的研究成果。

农作物苗期生长是一个动态的、复杂的生理生化及代谢过程[1]，苗期作物的生长发育将直接影响到作物的生物产量、经济产量、营养品质及其安全性[9]。农作物苗期的生长监测对于工厂化育苗、种苗质量分级等都具有指导作用[9]。

本研究先分析基于机器视觉技术苗期作物关键生长参数监测的需求，然后总结概括苗期作物视觉信息获取技术优劣，依次分析苗期作物关键生长参数提取方法的优缺点和创新点，最后总结现阶段机器视觉技术在苗期作物生长检测上存在的问题及未来的研究方向。

1 基于机器视觉苗期作物监测需求分析

1.1 作物育苗的特性

作物育苗的目的是为了培育出优质种苗，进而实现作物早播种，早收获，延长作物的供应期，并提高农产品的产量和品质。育苗产业蓬勃发展，可以有效地解决技术与大田的对接，且有利于育苗户与购苗户的互利共赢。育苗是作物生产中的重要环节，正确使用优质种子培育出高质量的种苗是获得优质、高产、高效益产品的保障，因此培育出高质量种苗是实现作物高效生产的关键。培育出高质量幼苗与种子质量、育苗方式以及苗期管理有着直接和间接的关系，其中在种子质量、育苗方式确定的条件下，苗期管理对培育出高质量种苗起着关键性作用。

农业生产上认为好种子出好苗，好苗子促高产，对于好苗的评判标准因没有统一的质量规范而良莠不齐。且对种苗进行农产品质量方面的分等分级，收购的种苗好坏不一，阻碍了优质优价的实现和优质农产品的生产[10]。因此，对种苗进行农产品质量分等分级在推进农业现代化建设、提高种苗市场竞争力方面均有重大意义[11]。

1.2 机器视觉在苗期管理的作用

机器视觉的苗期管理是指将计算机学科的图形图像处理和模式识别理论与农业工程学科的农产品品质检测与分级理论相结合[3]。利用图形图像处理技术与模式识别技术提取出苗期作物的关键生长参数信息，根据提取的信息评估其生长状态是否良好，及时对作物是否须要浇水、施肥、喷洒农药等农事操作做出决策;在成苗期可根据规定的种苗质量等级标准，应用机器视觉技术提取出苗期作物的关键生长参数，进而对苗期作物进行质量分等分級，对农产品质量分级的发展、农产品市场经济具有重大意义。

1.3 苗期作物对视觉信息采集设备的需求

植物叶片的图像分析是农业自动化的重要任务之一，因为植物叶片含有丰富的植物信息。自动检测个别叶片是实现植物生长检测的根本任务。由于植物叶片在自然条件下会显示出各种变化姿势和复杂的形状，因此单个叶片的分割是一项具有挑战性的任务。植物叶片分割在过去几十年中得到广泛的研究[12]。

国内外研究员提出了许多感测技术来获取植物信息，如图像相机，红外相机，光谱相机等。在初始阶段，植物叶片分割主要是通过使用2D分割方法进行的，可以成功地从简单自然背景中提取。然而，这些方法很难识别出遮挡的叶片，并且叶片可能对照明变化敏感。为了处理遮挡植物叶片的检测，提出了包含叶片形状先验知识的可变形模型，从复杂的背景中分割出个体叶片。开发了参数化可变形模型，以叶片顶端为基础识别杂草信息。最近，使用活动形状模型（ASM）来检测具有先验知识的现场条件下的遮挡叶，活动形状模型在杂草鉴定中表现出高精度。

最近，由于成像系统的快速发展和计算机计算性能的提高而提出了植物叶片的三维分割。研究人员开发各种成像系统以获得植物3D图像，例如立体相机和激光扫描仪。从多个视图（例如立体视觉）的三维重建是获得研究对象准确3D信息的成功技术之一。Quan等开发了一种基于图像的植物建模系统，通过从植物多视角的一组2D图像重建植物的3D模型[13]。该方法从不同角度拍摄的30多张2D图像中，通过图像融合技术得到植物的点云数据，提出了一种集3D和2D信息的图为基础的分割方案，用于分割叶片，并通过拟合叶片模型重建植物叶片的三维结构。由于收集植物的多个视图应在受控条件下进行，因此该方法尚不适用于田间农业应用。

通过使用3D激光扫描仪获得植物的高精度3D数据。利用激光雷达（lidar）传感器检测作物田间的单株植物是为农业机器人导航而开发的。基于由激光扫描仪获得的点云实现植物表型检测，并且通过使用激光扫描数据对叶和茎等器官进行分类。此外，Klose等开发了飞行时间（ToF）相机，用于测量物体的精确3D信息，并已被应用于植物的3D分析[14]。通过使用ToF相机研究作物关键生长参数的提取方法，通过应用基于图的分割、深度数据进行单个植物叶片的分割。此外，通过在室内和室外条件下与立体相机进行比较，评估了使用ToF相机进行农业应用的适用性，且ToF相机与立体视觉相机的精度相当。

虽然立体视觉和激光扫描仪可以提供植物的高精度3D数据，但由于激光扫描仪价格非常高，农业实践不可负担。ToF相机受到研究者的青睐，大多数ToF相机提供了低分辨率的深度图像（例如CamCube）。最近开发出低成本彩色深度（RGB-D）相机，比ToF相机具有更高图像分辨率的3D成像（例如Kinect）。该RGB-D相机在3D重建、对象识别等应用中已被广泛使用。与高精度激光扫描仪相比，低成本的RGB-D相机在3D植物表型研究中通过使用深度数据重建植物的3D结构[15]，并展示了自动化农业应用的可能性。此外，Chéné等进行了使用RGB-D相机的3D植物表型的室内测试，使用了深度数据进行叶片分割，并证明了基于RGB-D相机的植物监测的可行性[16]。

在前人的研究中，RGB-D相机在植物图形图像分析中表现出很高的性能。RGB-D相机可以产生实时深度数据，与激光和立体相机相比，3D映射的计算成本较低，因此 RGB-D 相机性价比高，基本满足苗期作物对视觉信息采集设备的需求。

2 苗期作物视觉信息获取技术

2.1 成像技术

现代成像技术具有高分辨率，并允许多维和多参数数据的可视化。成像技术可用于量化作物相关生长、产量等复杂性状，成像传感器的完善使得成像技术更容易地实现实时监测作物生长。目前主要的成像技术有可见光成像、荧光成像、热成像、近红外成像、高光谱成像等。不同成像技术在作物生长监测中的应用见表1。

2.2 多传感器图像融合技术

由于单一传感器获取的作物生长参数数据信息较为有限，在实际研究与应用中，难以满足需求，利用多传感器图像融合技术可以获取更多的信息。在目标对象定位与识别的过程中，获取多源信息，并通过一定的算法将这些获取的信息进行有效的融合，将会显著提高目标对象的识别性能。图2为标准的图像融合技术的系统框架。

2.3 三维重建技术

传统的三维重建技术主要是在被扫描的目标在静止状态下进行扫描，三维扫描设备十分昂贵。随着计算机硬件大规模计算能力的快速发展，尤其是中央处理器（GPU）和分布式计算点的快速发展，使得实时高效的解决方案成为可能。基于图像的三维重建和基于深度相机的三维重建为目前主流的三维重建的2种方法（图3）。其中基于图像的三维重建又分为基于单幅图像和基于图像序列的三维重建，该重建方法需要大量的后期计算与处理，且得到的模型精度较低。基于深度相机的三维重建技术可以获取深度图像数据，重建的难度大大降低。

3 作物关键生长参数提取方法的研究进展

3.1 叶片数

作物苗期的叶片数变化较为明显，人工的方法绝大部分采用的是人眼目测、人工计数，虽然测量的结果比较精确，对于少量植株可行，但是对于植株群体则需要大量的人力和时间，也无法在植物的整个生长过程中实现持续的监测。

运用机器视觉的技术，是对植物的叶片进行叶片分割等相关的图形图像处理，进而得出叶片数。Chéné等对1株植物的深度图选取最小区域进行叶片分割，结合背景中的颜色标记，得到每张叶片的高度顺序，进而分割出每张叶片（图4）[16]。

3.2 叶颜色

颜色是叶的一个主要特征，有经验的种植者能够根据叶的颜色特征判断植物的健康状况，决定是否需要浇水、施肥、喷洒农药。植物生长智能检测中的关键步骤是提取植物叶颜色特征。种植者的判断依赖经验，可以借助机器视觉的图像处理、模式识别、数据库等理论和技术实现自动化、智能化地实时判断;实现对作物生长的智能监控。其中，图像处理的应用能够为决策提供重要的数据支持。

叶颜色的测量随着机器视觉技术的引入而变得简单易行，研究者可以根据自己的研究需求提取不同颜色空间的值。夏永泉等为了提高病斑图像的分割精度，提出了一种在色 调- 饱和度-强度（hue-saturation-intensity，简称HIS）颜色空间中植物叶片病斑提取的方法，并证明，基于HIS颜色空间的植物叶片病斑提取方法是有效可行的[53]。张凯兵等提出一种基于HSV颜色空间的非均匀直方图量化和组合多个支撑向量机分类器的智能化油菜缺素分析与诊断方法（图5），结果表明可以较准确地判别常见油菜的缺素类型，对5种缺素的总体识别率达到93%，为数字化和智能化的油菜营养分析与诊断提供了一条有效途径[54]。

3.3 叶面积

叶片的总面积是农作物产量和品质的评价指标[55]，其面积大小是遗传育种、植物栽培等方面研究经常考虑的内容，也是评价环境因子效应的重要生长指标。因此建立方便、准确的叶面积测定方法，对植物苗期选育出健康苗，并针对不同健康程度的种苗做出相应的栽培规划具有重要意义。

传统的叶面积测量的方法较多，叶的质量估计叶面积法和方格法均须要将硫酸纸（或扫描纸）沿叶片边缘绘出叶样，

或者扫描仪扫描出叶片形状，以上方法虽然能够较为准确地估算出叶面积，但须要将葉片采摘下来，实际上也是一种破坏性测量，且不能忽略人为带来的误差，以及扩展到大量叶面积测量，其工作量极其繁重。艾军等利用回归方程法，通过测得的北五味子叶宽和叶长预测出叶面积，该方法精确度较高、快速方便，可活体测量实现无损检测，但依然不能忽略人为带来的误差，以及扩展到大量叶面积的测量时，工作量极其繁重[56]。

徐贵力等提出参考物法实现叶面积的无损测量，设计了一个活体叶片采样密闭光照箱，方便可行且精度和效率高，可在不影响植物生长的条件下进行活体叶片面积的测量，但是须将植物叶片伸入光照箱中才可以测量，缺乏灵活性[57]。进口叶面积测定仪，虽然准确简单快速，但价格昂贵，且需要人工测量，叶面积测定仪见图6。李长缨等利用机器视觉系统对黄瓜幼苗生长进行无损监测，并计算叶冠投影面积，但无法解决叶片生长过程中出现的多叶片重叠遮挡的技术难点[2]。Fanourakis等研究了2种双子叶植物（油菜、番茄）和2种单子叶植物（玉米、大麦），通过将植物每旋转10°获取1次数据集，旋转1周获取17次，得出多视角数据集，有助于解决植物叶片自我重叠遮挡给植物叶面积测量带来的技术难点，图7-A表示光幕阵列（LC）正在扫描一排植物，光栅、移动装置在2个垂直方向上发射和接收光束;图7-B表示一排油菜籽植物的植物轮廓，绿色表示分割植物轮廓与花盆轮廓分离的步骤;图7-C至图7-E为估计不同大小的番茄植物的最大株高[58]。

二维成像技术所得到的目标叶片面积精度将受限于叶片的弯曲度与卷曲度，随着3D信息捕获设备的广泛使用，获得了植物叶片点云数据，进而进行三角网格化处理，如图8所示，根据海伦公式计算出目标叶片面积的方法得到普遍的认可。王可提出一种自然生长状态下原位植株叶片三维信息获取及三维重建方法，针对已获取的原位植物叶片的三维可视化模型，根据海伦公式进行叶片表面积计算，三维重建的方法可以较为精确地测量弯曲或卷曲的叶片面积[59]。

3.4 叶温度

温度测量的方法多种多样，叶片温度是研究植物光合作用、蒸腾作用以及生长发育等各项生命过程的关键参数。在实践中，具体的测量手段较多，各有特点。有研究人员使用红外测温仪，通过接收植物体表面（很多情况下是叶片）发射出的红外线，在一定的精度范围内经数据处理得到植物的体温数值。这是一种与植物体非接触式的测量体温的方法。更进一步的，Oerke等运用红外热像仪，把植物叶片发出的红外线信号转变成图像，从而可以直观地看到植物叶片上温度的分布情况（图9）[60]。Chéné等结合热成像相机，直观地看到植物叶片上温度的分布情况并判断出病原体叶片，并结合深度相机将含有病原体的叶片分割出来仔细研究，图10-A至图10-C分别为同一苹果树的RGB图、深度图、热成像图，苹果树在3个叶片上含有苹果痂病病原体，图10-D至图10-F为从苹果树的热成像图结合深度图分割出3片含有病原体的叶片[16]。

除了上述利用红外技术来测量植物叶片温度外，也可以用接触式的热电偶测温仪来测量。其原理在于，植物体温度被热电偶传感器探测到后，转变为电信号后再显示为具体的温度数值。为了更好地测量植物叶片的温度，陶冶等设计了传输路径的热电偶测量装置（图11），取得了一定效果[61]。

3.5 株高

植株高度是植物形态特征中的一项指标，可以反映植物生长速度，也是农业机械自动控制系统和各种农业机器研究应用需要的一个重要信息，如联合收割机割台高度自动调整系统、对耙喷药的位置控制系统，均须获取植物生长的高度信息。农业在其生产过程中，通过对植物的株高进行监测，在种苗期能够筛选出健康苗;在生长期能够及时并准确地了解其生长信息，并且能够为植物田间的管理策略提供相关依据，便于田间管理者采取合适的方法来保证植物的健康生长，对其最终的高稳产赋予了非常重要的意义。

株高的人工测量方法主要包括利用游标卡尺、卷尺等工具进行接触式测量，虽然测量的结果比较精确，但是耗费了大量的人力和时间，在大量的作物群体中株高测量无法迅速获得较为精确的结果，且无法在作物的整个生长过程中实现株高的持续监测。株高的自动化无损测量主要以非接触式测量为主，是以光电、电磁等技术为基础，在不直接接触被测物体的情况下，得到物体表面参数信息，主要包括被动式测高和主动式测高[62]。被动式测高主要利用机器视觉技术实现，即通过图像传感器获取图像并转换成数字图像，模拟人眼的判别准则，利用计算机对图像进行处理、分析和判别，最终提取被测物体的特征，实现对被测目标的实时监测、控制。在计算机技术的快速发展下，计算机视觉、图像处理等技术在植物生长信息获取方面应用广泛。刘洪见等利用图像处理技术通过提取出玉米的株型骨架，进而计算出玉米植株株高[63]。齐华山在实验室环境下通过图像处理技术，采用线性标定法，实现了单株玉米植株的株高的机器测量[64]。Zhang等以50个辣椒钵苗为试验材料，探索基于机器视觉技术快速采集盆苗苗高的方法[65]。王传宇等利用双目视觉系统实现了重建玉米3D株形，通过矩阵投影得出叶片边缘点的三维坐标，进而得到叶片高度，叶即株高[66]。吕朝辉等将计算机立体视觉结合图像处理技术，进行三维重建，进而实现测定秧苗的直立度，结果与人工测量方法无显著差异[67]。

主动式测高主要利用声波、光波的反射特性，实现距离的测量。李霞等基于超声波技术研究设计了一套可适时调节棉花打顶高度的系统，此系统简单、操纵方便，实现了棉株高度的自动测量[68]。高巍等利用超声波传感器、单片机等自动控制技术研制出一种植物高度自动测量装置，对带茎秆的水稻、绿色植物进行高度测量，其测量误差不大于6.8%[69]。上述2种方法均是使用超声波技术，获取的作物株高，但是测量对象单一，1次实验只能测量1株作物的株高。还有一种方法是ToF主动式测高，Hmmerle等研究了一种直接从单次播种活动中捕获的完整种植玉米植株的数据得出作物高度的方法，将基于与地面激光扫描（TLS）得到的数据与低成本的3D摄像机Kinect V2收集的数据进行全面比較，得出低成本3D相机可以取代昂贵的激光扫描仪器直接获取作物高度，从而提高农业效率和生产率，这样可以节省时间和成本（图12）[70]。Chéné等应用深度相机，对一株植物的深度图选取最小区域进行叶片分割，结合背景中的颜色标记，得到每张叶片的高度顺序，株高即是离深度相机最近的像素点与地面的距离[16]。ToF主动式测高克服了超声波主动式测高1次实验只能测1个目标对象以及测量仪器搭建复杂、普适性弱等缺点，为植物株高测量提供了方便快捷、简易可靠的方法。

3.6 其他生长参数

3.6.1 叶曲率 每张叶片可以被建模为具有确定角度的2个连接的平面，可以根据向量（u→，v→）的夹角和三角函数的知识计算叶曲率（图13）。图13-B中白色箭头表示成对的向量（u→，v→）形成叶片的2个平面。向量的夹角见表2。

3.6.2 叶片的方向 如果叶片是平面的，计算叶片的曲率就没有意义了，植物上叶片的方向决定植物对其光合作用截断光的能力，并因此确定其对其他物种或品种的竞争力。平面

叶片的方向可以通过垂直于平面的单位向量来评估，由2个角度定义：（1）方位角，即法向量在水平面上的投影和北方向之间的角度;（2）天顶角，即法向量和垂直之间的角度（图14）[16]。

3.6.3 生长速率 Aksoy等使用红外立体图像序列建立烟草植物的叶生长，以自动和非侵入性方式，通过预处理、茎叶分割和茎叶跟踪（图15），成功地测试了显示烟草植物幼苗生长大约30 d的红外图像序列的方法，测量相关的植物生长参数，叶生长速率，该方法的未来应用包括植物生长监测，可用于优化温室中的植物生产[71]。

4 存在问题与发展方向

4.1 存在问题

随着传感器技术、机器视觉技术的快速发展，国内外对于苗期作物生长参数检测方法的技术研究有了很大的提升。但作物的苗期生长过程是一个复杂、动态的生理生化的代谢过程，在研究应用过程中存在以下问题：（1）传统传感器技术、机器视觉技术对作物的生长检测局限于单株成年期作物的生长检测，忽略了作物的关键生长期——苗期，作物群体生长检测方法的研究。（2）传统苗期作物的生长检测大多局限于单一信息的获取及分析，未能对苗期作物进行全面的生长检测，同时造成视觉信息的浪费。（3）测量环境的搭建复杂，机器视觉技术应用在作物生长检测的实效性较弱，阻碍了作物生长的实时监测。

4.2 发展方向

针对目前行业中存在的问题，苗期作物关键生长参数的检测要朝着低成本、高稳定性、高可靠性，低操作性、综合参数监测的方向发展。（1）从单一数据的获取及分析转移到多源、多尺度数据的获取;苗期作物长势综合评估;自动化苗期作物质量分等分级等将是未来的研究重点。（2）未来将沿着研制便携式和专用型的作物形态测量和监测设备的方向发展，以及沿着单株作物形态的自动化检测到作物群体的自动化检测的方向发展。（3）将沿着苗期作物生长参数的检测向作物全生育期生长监测的方向发展。（4）今后的发展趋势将是苗期作物的生长建模、虚拟植物、数字植物。

5 结束语

本研究首先分析与总结了苗期作物监测对机器视觉的需求，视觉信息的获取技术、苗期作物关键生长参数提取方法的研究进展，之后提出存在的问题和发展方向。目前，基于机器视觉的单株作物形态检测与监测技术已经比较成熟，随着计算机技术与机器视觉技术的快速发展，智慧农业和数字农业的发展，着手于解决现有的问题，对苗期作物群体关键生长参数的提取方法进行研究，进一步实现作物群体全生育期的生长监测，对我国精准农业、智慧农业、数字农业的发展具有重要的意义。

参考文献：

[1]吴 琼. 基于高光谱成像技术的小麦苗期监测研究[D]. 长春：吉林大学，2012.

[2]李长缨，滕光辉，赵春江，等. 利用计算机视觉技術实现对温室植物生长的无损监测[J]. 农业工程学报，2003，19（3）：140-143.

[3]赵有生. 蔬菜工厂化育苗的智能管理与综合评价研究[D]. 长春：吉林大学，2011.

[4]王克如. 基于图像识别的作物病虫草害诊断研究[D]. 北京：中国农业科学院，2005.

[5]王 滨. 猕猴桃采摘机器人目标果实空间坐标获取方法的研究[D]. 咸阳：西北农林科技大学，2016.

[6]吕继东. 苹果采摘机器人视觉测量与避障控制研究[D]. 镇江：江苏大学，2012.

[7]宁纪锋，龙满生，何东健，等. 农业领域中的计算机视觉研究[J]. 计算机与农业，2001（1）：1-3.

[8]刁智华，王会丹，魏 伟. 机器视觉在农业生产中的应用研究[J]. 农机化研究，2014（3）：206-211.

[9]吴 琼，朱大洲，王 成，等. 农作物苗期长势无损监测技术研究进展[J]. 农业工程，2011（4）：19-25.

[10]杨 冲. 加强农产品质量分等分级[J]. 现代农业科技，2005（8）：6-7.

[11]赵 卓，于 冷. 农产品质量分级的微观经济学分析：国内外文献综述[J]. 中国农村观察，2008（4）：73-79.

[12]Guyer D E，Miles G E，Schreiber M M，et al. Machine vision and image processing for plant identification[J]. Transactions of the ASAE，1986，29（6）：1500-1507.

[13]Quan L，Tan P，Zeng G，et al. Image-based Plant Modeling[C]//Acm Siggraph. ACM，2006.

[14]Klose R，Penlington J，Ruckelshausen A. Usability study of 3D Time-of-Flight cameras for automatic plant phenotyping[J]. Bornimer Agrartechnische Berichte，2009，69：93-105.

[15]Azzari G，Goulden M，Rusu R. Rapid characterization of vegetation structure with a microsoft kinect sensor[J]. Sensors，2013，13（2）：2384-2398.

[16]Chéné Y，Rousseau D，Lucidarme P，et al. On the use of depth camera for 3D phenotyping of entire plants[J]. Computers and Electronics in Agriculture，2012，82：122-127.

[17]Clark R T，Maccurdy R B，Jung J K，et al. Three-dimensional root phenotyping with a novel imaging and software platform[J]. Plant Physiology，2011，156（2）：455-465.

[18]Duan L F，Yang W N，Huang C L，et al. A novel machine-vision-based facility for the automatic evaluation of yield-related traits in rice[J]. Plant Methods，2011，7（1）：1-13.

[19]Grift T E，Novais J，Bohn M. High-throughput phenotyping technology for maize roots[J]. Biosystems Engineering，2011，110（1）：40-48.

[20]Hoyos-Villegas V，Houx J H，Singh S K，et al. Ground-based digital imaging as a tool to assess soybean growth and yield[J]. Crop Science，2014，54（4）：1756-1768.

[21]Moshou D，Bravo C，Oberti R，et al. Plant disease detection based on data fusion of hyper-spectral and multi-spectral fluorescence imaging using Kohonen maps[J]. Real-Time Imaging，2005，11（2）：75-83.

[22]Bürling K，Hunsche M，Noga G. Quantum yield of non-regulated energy dissipation in PSⅡ （Y（NO）） for early detection of leaf rust （Puccinia triticina） infection in susceptible and resistant wheat （Triticum aestivum L.） cultivars[J]. Precision Agriculture，2010，11（6）：703-716.

[23]Rascher U，Agati G，Alonso L，et al. CEFLES2：the remote sensing component to quantify photosynthetic efficiency from the leaf to the region by measuring sun-induced fluorescence in the oxygen absorption bands[J]. Biogeosciences，2009，6（7）：1181-1198.

[24]Mishra K B，Iannacone R，Petrozza A，et al. Engineered drought tolerance in tomato plants is reflected in chlorophyll fluorescence emission[J]. Plant Science，2012，182（1）：79-86.

[25]Chaerle L，Hagenbeek D，De Bruyne E，et al. Chlorophyll fluorescence imaging for disease-resistance screening of sugar beet[J]. Plant Cell，2007，91（2）：97-106.

[26]Manickavasagan A，Jayas D S，White N D G. Thermal imaging to detect infestation by Cryptolestes ferrugineus inside wheat kernels[J]. Journal of Stored Products Research，2008，44（2）：186-192.

[27]Araus J L，Serret M D，Edmeades G O. Phenotyping maize for adaptation to drought[J]. Frontiers in Physiology，2012，3（8）：1-20.

[28]Jones H G，Serraj R，Loveys B R，et al. Thermal infrared imaging of crop canopies for the remote diagnosis and quantification of plant responses to water stress in the field[J]. Functional Plant Biology，2009，36（11）：978.

[29]Sakamoto T，Shibayama M，Kimura A，et al. Assessment of digital camera-derived vegetation indices in quantitative monitoring of seasonal rice growth[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2011，66（6）：872-882.

[30]Shibayama M，Sakamoto T，Takada E，et al. Estimating paddy rice leaf area index with fixed point continuous observation of near infrared refl ectance[J]. Plant Production Science，2011，14（1）：30-46.

[31]Shibayama M，Sakamoto T，Takada E，et al. Regression-based models to predict rice leaf area index using biennial fixed point continuous observations of near Infrared digital images[J]. 2011，14（4）：365-376.

[32]Bolon Y T，Haun W J，Xu W W，et al. Phenotypic and genomic analyses of a fast neutron mutant population resource in soybean[J]. Plant Physiology，2011，156（1）：240-253.

[33]Cook J P，McMullen M D，Holland J B，et al. Genetic architecture of maize kernel composition in the nested association mapping and inbred association panels[J]. Plant Physiology，2012，158（2）：824-834.

[34]Munns R，James R A，Sirault X，et al. New phenotyping methods for screening wheat and barley for beneficial responses to water deficit.[J]. Journal of Experimental Botany，2010，61（13）：3499-3507.

[35]Nguyen H T，Lee B W. Assessment of rice leaf growth and nitrogen status by hyperspectral canopy reflectance and partial least square regression[J]. European Journal of Agronomy，2006，24（4）：349-356.

[36]Liu Z Y，Shi J J，Zhang L W，et al. Discrimination of rice panicles by hyperspectral reflectance data based on principal component analysis and support vector classification[J]. Journal of Zhejiang University Science，2010，11（1）：71-78.

[37]Singh C B，Jayas D S，Paliwal J，et al. Identification of insect-damaged wheat kernels using short-wave near-infrared hyperspectral and digital colour imaging[J]. Computers and Electronics in Agriculture，2010，73（2）：118-125.

[38]Yang Y，Chai R，He Y. Early detection of rice blast （Pyricularia） at seedling stage in Nipponbare rice variety using near-infrared hyper-spectral image[J]. African Journal of Biotechnology，2012，11（26）：6809-6817.

[39]Huang J，Liao H，Zhu Y，et al. Hyperspectral detection of rice damaged by rice leaf folder （Cnaphalocrocis medinalis）[J]. Computers and Electronics in Agriculture，2012，82：100-107.

[40]Biskup B，Scharr H，Schurr U，et al. A stereo imaging system for measuring structural parameters of plant canopies[J]. Plant，Cell & Environment，2007，30（10）：1299-1308.

[41]van der Heijden G，Song Y，Horgan G，et al. SPICY：towards automated phenotyping of large pepper plants in the greenhouse[J]. Functional Plant Biology，2012，39（11）：870-877.

[42]Reis R J. Evaluation of phenotyping methods for maize[D]. Urbana：University of Illinois at Urbana-Champaign，2013.

[43]Paulus S，Behmann J，Mahlein A，et al. Low-cost 3D systems：suitable tools for plant phenotyping[J]. Sensors，2014，14（2）：3001-3018.

[44]Fang S，Yan X，Liao H. 3D reconstruction and dynamic modeling of root architecture in situ and its application to crop phosphorus research[J]. The Plant Journal，2009，60（6）：1096-1108.

[45]Hillnhutter C，Sikora R A，Oerke E C，et al. Nuclear magnetic resonance：a tool for imaging belowground damage caused by Heterodera schachtii and Rhizoctonia solani on sugar beet[J]. Journal of Experimental Botany，2011，63（1）：319-327.

[46]Poorter H，Bühler J，van Dusschoten D，et al. Pot size matters：a meta-analysis of the effects of rooting volume on plant growth[J]. Functional Plant Biology，2012，39（11）：839-850.

[47]Rascher U，Blossfeld S，Fiorani F，et al. Non-invasive approaches for phenotyping of enhanced performance traits in bean[J]. Functional Plant Biology，2011，38（12）：968.

[48]Garbout A，Munkholm L J，Hansen S B，et al. The use of PET/CT scanning technique for 3D visualization and quantification of real-time soil/plant interactions[J]. Plant and Soil，2012，252（1/2）：113-127.

[49]Yang W N，Xu X C，Duan L F，et al. High-throughput measurement of rice tillers using a conveyor equipped with x-ray computed tomography[J]. Review of Scientific Instruments，2011，82（2）：102-107.

[50]Flavel R J，Guppy C N，Tighe M，et al. Non-destructive quantification of cereal roots in soil using high-resolution X-ray tomography[J]. Journal of Experimental Botany，2012，63（7）：2503-2511.

[51]Karunakaran C，Jayas D S，White N D G. Detection of internal wheat seed infestation by Rhyzopertha dominica using X-ray imaging[J]. Journal of Stored Products Research，2004，40（5）：507-516.

[52]Gregory P J，Hutchison D J，Read D B，et al. Non-invasive imaging of roots with high resolution X-ray micro-tomography[J]. Plant and Soil，2003，255（1）：351-359.

[53]夏永泉，李耀斌，曾 莎. 基于HSI顏色空间的植物叶片病斑提取方法[J]. 江苏农业科学，2015，43（8）：406-408.

[54]张凯兵，章爱群，李春生. 基于HSV空间颜色直方图的油菜叶片缺素诊断[J]. 农业工程学报，2016，32（19）：179-187.

[55]何学友，蔡守平，谢一青，等. 不同叶面积损失对油茶产量及品质的影响[J]. 林业科学，2013，49（5）：85-91.

[56]艾 军，李爱民，王玉兰，等. 北五味子叶面积的回归测算法[J]. 特产研究，1999（1）：44-46.

[57]徐贵力，毛罕平，胡永光. 基于计算机视觉技术参考物法测量叶片面积[J]. 农业工程学报，2002，18（1）：154-157.

[58]Fanourakis D，Briese C，Max J F，et al. Rapid determination of leaf area and plant height by using light curtain arrays in four species with contrasting shoot architecture[J]. Plant Methods，2014，10（1）：1-11.

[59]王 可. 基于Xtion传感器的植物果实和叶片三维重建及其尺寸参数提取[D]. 昆明：昆明理工大学，2015.

[60]Oerke E C，Steiner U，Dehne H W，et al. Thermal imaging of cucumber leaves affected by downy mildew and environmental conditions[J]. Journal of Experimental Botany，2006，57（9）：2121-2131.