基于Android的水稻叶片特征参数测量系统

路艳 肖志勇 杨红云 周琼 孙玉婷

摘要：【目的】提供基于Android的水稻叶片特征参数测量系统，为农学研究提供精准数据。【方法】系统设计主要分为图像获取、图像預处理和特征参数计算3部分：采用智能手机相机获取水稻叶片图像;通过灰度化、二值化和轮廓提取等操作对图像进行预处理;根据算法计算得到水稻叶片特征参数。【结果】精确度测试中，建立系统获取颜色分量（R、G、B）均值与各分量实际值的线性拟合模型，其决定系数分别为0.9803、0.9774和0.9805，均方根误差分别为1.086、1.413和0.8383;叶片几何参数中，系统获取水稻叶片长、宽、面积及周长与水稻叶片实际值的均方根误差分别为0.6469 cm、0.05022 cm、0.5329 cm2和2.412 cm。耗时测试中，采用多部不同配置手机对同一叶片进行测试，图像预处理及参数计算总时间均在2 s以内。可见，基于Android的水稻叶片特征参数测量系统能快速、准确、便捷地获取水稻叶片长、宽、面积、周长及颜色等特征数据，在一定程度上实现户外实地测量，满足农学研究的需要。【建议】对系统进行进一步优化，降低对外部辅助物的依赖，真正实现操作简便;增加氮素营养水平诊断算法实现氮素营养水平分类，以快速精准判断水稻生长营养状况，实现精确施氮。

关键词： 水稻叶片;特征参数;图像处理;Android

中图分类号： S511;S126                         文献标志码： A 文章编号：2095-1191（2019）03-0669-08

0 引言

【研究意义】叶片是植物进行光合作用、蒸腾作用及合成有机物质的主要器官。水稻90%以上的营养物质来源于叶片光合作用产物，叶片形态是影响植株的主要因素（贺勇等，2008）。水稻生长过程中，根据水稻叶片特征参数建立水稻生长模型，可快速精准地判断作物生长状况及其生长过程，进而有效指导施肥，减少病虫害发生（石春林等，2006;常丽英等，2008;刘宏伟等，2009;刘岩等，2009）。因此，叶片特征参数的获取对植物生长研究具有重要意义。【前人研究进展】以往研究主要采用传统方法及叶面积仪获取叶片几何参数。传统方法即使用游标卡尺获取植物叶片的长和宽，通过网格法、纸重法、回归方程法获取叶面积（杨劲峰等，2002;冯冬霞和施生锦，2005;潘鹏亮等，2018）。柏军华等（2005）发现传统叶面积测量结果精确度低（除方格法），需对植株进行破坏性测量，且易受叶片类型影响。叶面积仪克服了传统测量方法的一些缺点，但价格较高，使用过程要求严格，对叶片的形状和大小也有一定要求。目前，针对植物叶片特征参数中颜色参数研究较少，主要通过Adobe PhotoShop软件获取，但要求测量者掌握软件使用技巧。基于Android的图像处理软件越来越多，且已广泛应用于农业领域（姜淑华和孙海波，2006;孙杰，2011）。尚明华等（2011）使用智能手机采集小麦视频画面，通过风险分析科学指导小麦生长;路文超等（2015）开发的剑叶角无损测量系统，测量相对误差为2.7%，能有效测量剑叶角;郑姣和刘立波（2015）使用智能手机获取水稻病害图像，并利用图像处理技术识别病害类型，准确率可达93.78%。同时，基于Android获取植物叶片特征参数的研究及应用也越来越多（龚爱平等，2013;周超超，2014;周瑞卿，2014;徐义鑫等，2015;陈玉青等，2017）。其中，龚爱平等（2013）研发的植物面积测量系统测量速度快，但需手动圈出测量叶片，操作较繁琐;郭文川等（2014）研发的系统可对图像进行校正处理，精度高，但处理速度慢。【本研究切入点】目前，基于Android获取叶面积研究较少，单独获取叶长、叶宽和叶片颜色特征参数的研究则鲜见报道。【拟解决的关键问题】以Android智能相机获取水稻叶片图像，使用JNI的方式结合OpenCV进行图像处理，快速、准确地获取水稻叶片长、宽、面积等几何参数及用户感兴趣区域的颜色参数，为水稻建模提供可靠的数据，也为其他农作物数据测量提供一种普适可行的方法。

1 系统设计

1. 1 数据采集及系统开发环境

试验中的测试叶片全部采集自江西农业大学试验田。随机抽取20组水稻叶片进行精度及准确性测试，使用直尺获取水稻叶片实际长、宽及周长（用线围绕叶片轮廓，测量线的长度），通过叶面积仪获取水稻叶片实际面积，与系统获取几何参数进行比较。在Windows 7的64位操作系统下使用Android SDK+JDK+Eclipse+ADT搭建基于Android的水稻特征参数识别系统，系统测试手机皆采用市面常见普通安卓手机，试验常用手机操作系统为Android OS 5.1，16 GB内存，后置摄像头为1300万像素。

1. 2 系统测试流程

本研究测量水稻特征参数的基本流程为：（1）选择拍摄背景。为便于后期处理，选择与被测物体颜色反差大的白纸板作为拍摄背景。（2）标记参照物。在拍摄背景中划定一块已知区域作为参照物，方便后期获取水稻叶片几何参数。参照物选用2.5 cm×2.5 cm的黑色正方形，可根据需要对参照物的大小及形状作相应调整。（3）获取图像。要求Android手机的相机能够清晰拍摄被测物体和参照物，拍照时应避免被测物遮挡参照物。（4）图像处理。图像处理主要是指对图像进行灰度化、二值化等操作，保证图像对比明显，利于后期参数获取。（5）计算叶片颜色参数及几何参数。根据相应算法计算获取水稻叶片颜色参数及几何参数。

2 系统应用及效果分析

2. 1 系统应用

系统主界面。系统主要分为图像获取（选择拍照和相册）、图像预处理（灰度化、二值化、获取叶片轮廓及最小邻接矩形）和叶片特征参数计算（几何及颜色参数计算）3部分。

2. 1. 1 获取图像 通过MediaStore.ACTION_IMAGE_CAPTURE调用Android手机照相功能拍摄水稻葉片图像。基于Android相机于大田环境采集水稻叶片图像，经过反复试验，提出以下图像采集标准：（1）选择拍摄背景及放置水稻叶片。将水稻叶片置于标有黑方块参照物的白纸板上进行拍照，叶片紧贴拍摄背景，与参照物保持一定距离避免重合即可，叶片可位于参照物两侧，二者底部无需对齐，正面拍被测物体和参照物。（2）设置相机参数。试验使用相机分辨率设为1280×720，相机分辨率可调，拍摄期间关闭闪光灯减少光照影响。（3）获取图像。拍摄时尽量保持相机与拍摄背景平行，使光线在叶片及拍摄背景上均匀分布，避免产生变形或反光，影响后期处理。采用参照物的方式无需规定摄像头与被测物体间的距离，只需得到被测物体与参照物清晰完整图像即可。

除获取实时图像外，还可获取相册图像。点击相册通过Intent.ACTION_GET_PICK即可获取相册图像。

2. 1. 2 图像预处理 对图像进行预处理，提取叶片轮廓，计算叶片几何参数，图像前期处理过程：（1）OpenCV接收图像数据。通过JNI将图像数据传入OpenCV，OpenCV创建Mat矩阵接收图像数据。（2）图像灰度化。使用Imgproc.cvtColor（Mat src，Mat dst，int code，int dstCn）对图像进行灰度化，code表示源图像到目标图像的转换方式，本研究采用COLOR_BGR2GRAY将彩色图转为灰度图。（3）图像二值化。采用OpenCV提供的threshold（ ）函数对灰度图像进行二值化，凸显目标轮廓，便于后期轮廓提取。（4）获取叶片轮廓。通过OpenCV提供的findContours（InputOutputArray image，OutputArrayOfArrayscontours，OutputArray hierarchy，int mode，int method，Point offset=Point（ ））获取叶片轮廓。image必须是单通道图像矩阵，参数Mode和method分别设为CV_ RETR_LIST和CV_CHAIN_APPROX_SIMPLE。

2. 1. 3 特征参数获取 特征参数包括基于叶片及参照物轮廓求叶片的几何参数。使用OpenCV提供的FindContours函数检测叶片及参照物轮廓，获取其最小邻接矩形，计算叶片几何参数。

（1）叶长、叶宽。调用OpenCV中的minAreaRect（ ）函数绘制轮廓的最小邻接矩形，基于最小邻接矩形获取所有轮廓的长和宽，对轮廓的长和宽进行降序排序，得到第二大和第三大轮廓的长宽比值，筛选出叶片及参照物轮廓，分别获得它们的长和宽及其在contour集合对应下标。参照物的长和宽是已知参数，通过叶片和参照物的比例公式计算叶片的长和宽。

式中，LRH为叶片实际长度，LCH为叶片轮廓长度，RRH为参照物的实际长度，RCH为参照物轮廓长度。

式中，LRW为叶片实际宽度，LCW为叶片轮廓宽度，RRW为参照物实际宽度，RCW为参照物轮廓宽度。

（2）叶面积。应用OpenCV提供的contourArea（ ）函数获取叶片及参照物轮廓面积。基于下标，使用contourArea（contours[index]）分别计算叶片和参照物的轮廓面积。已知参照物实际面积，通过叶片和参照物的比例公式计算叶片实际面积：

式中，LRA为叶片实际面积，LCA为叶片轮廓面积，RRA为参照物实际面积，RCA为参照物轮廓面积。

（3）叶片周长。应用OpenCV提供的arcLength（ ）函数获取叶片及参照物轮廓周长。基于下标，使用arcLength（contours[index]，true）分别计算叶片及参照物的轮廓周长。参照物实际周长为已知参数，通过叶片和参照物的比例公式计算叶片实际周长。

式中，LRL为叶片实际周长，LCL为叶片轮廓周长，RRL为参照物实际周长，RCL为参照物轮廓周长。

（4）颜色参数。通过图像分割获取感兴趣区域的颜色均值，功能实现主要分为Java层和OpenCV两部分，最终效果如图5所示。java层：使用Canvas和Path绘制手势路径，圈出感兴趣区域并进行计算。通过MyTouchListener类监听手势事件，获取当前坐标并保留原坐标，使用画笔绘制当前坐标与原坐标之间的直线。Java层仅绘制手势路径，图像分割需通过OpenCV完成。在Java层新建二维数组存放路径坐标传入OpenCV进行处理。OpenCV：采用漫水填充法实现图像分割。漫水填充法原理是将与种子点相连接的区域换成特定颜色。系统采用int floodFill（InputOutputArray image，InputOutputArray mask，Point seedPoint，Scalar newVal，Rect* rect=0，Scalar loDiff=Scalar（ ），Scalar upDiff=Scalar（ ），int flags=4）函数分割图像。mask为原图大小的单通道图像，用于提取感兴趣区域，seedPoint为种子点，为漫水填充算法的起始点。将Java层传入的坐标在mask上用直线连接形成联通域，取区域内部一个点作为种子点，感兴趣区域被填充成黑色，将mask与原图进行比较运算，相同像素设为0，不同则保留原图像素，最终实现提取感兴趣区域，下方黑色区域所示。使用android.graphics.Bitmap类提供的getPixels（ ）方法获取分割完成后图像中每个像素的颜色信息，并通过Color.red（ ）、Color.green（ ）、Color.blue（ ）方法提取每个像素的R、G、B，分别计算其总和，使用变量count计算R、G、B同时不为0的个数，最终得出该区域的R、G、B颜色均值。

R均值计算公式：RA=[RScount]

式中，RA为感兴趣区域的R均值，RS为感兴趣区域的R值总和，count为感興趣区域R、G、B同时不为0的个数，G均值和B均值同理可得。

2. 2 系统测试效果分析

2. 2. 1 普适性及耗时性测试 为验证系统的普适性及耗时性，针对同一叶片，采用当前市场几款主流品牌手机对水稻叶片特征参数测量系统进行测试，测试手机具体信息如表1所示。图6从左到右依次为魅蓝3S、魅蓝note2和华为che2-tl00手机的图像预处理及几何参数计算结果。结果发现，三者的图像预处理及特征参数计算结果均一致，说明系统普适性较好。不同手机，CPU主频越高，处理时间越快，上述手机图像预处理与参数计算总时间均在2 s以内。

2. 2. 2 几何参数准确度测试 采用国际上常用的均方根误差（Root Mean Square Error，RMSE）方法验证系统的准确性，公式如下：

RMSE=[i=1n（OBSi-SLMi）2n]

其中，OBSi为观测值，SIMi为模拟值，n为样本容量。

对系统获取参数值与实测值间的符合度进行统计分析。RMSE值越小，表明系统获取参数与实际测量值的一致性越好，系统获取方法越准确、可靠。

为验证系统准确性，将系统获取参数值与传统方法及叶面积仪获取的几何参数进行比较。使用matlab建立系统预测值与实测值回归拟合模型，以拟合精度评估参数RMSE及R2评估系统获取几何参数的准确性。叶片长度线性拟合模型与叶片面积线性拟合模型的决定系数分别为0.9887和0.9981，RMSE分别为0.6469 cm和0.5329 cm2。叶片宽度线性拟合模型的决定系数为0.7605，RMSE为0.05022 cm。叶片周长线性拟合模型的决定系数为0.9456，RMSE为2.412 cm。通过决定系数可发现系统获取叶片几何参数与叶片实际几何参数的数据模型拟合较好，测量结果准确性高;但通过RMSE发现系统获取周长与叶片实际周长误差较大，其原因可能是人工采用线性模拟叶片轮廓获取叶片周长时，产生了人工误差，致使系统模拟值与实际值的误差较大。相较于传统测量方法及叶面积仪，本研究中的系统通过智能手机相机获取水稻图片即可获取水稻叶片几何参数，无需购置专门的测量仪器，操作简单。

2. 2. 3 颜色参数准确度测试 除水稻叶片几何参数外，水稻颜色参数也能很好地反映水稻生长情况（孙爱珍等，2017）。以往主要采用扫描仪获取叶片离体图像，通过Matlab、PhotoShop等软件对图片进行处理获取叶片颜色参数（刘伟，2007），但需对叶片进行破坏，影响作物正常生长，且对操作者的专业知识要求较高，不利于推广。本研究中操作者只需使用智能手机拍摄水稻叶片，手动圈取感兴趣区域，系统即会自动获取圈取部分的R、G、B均值，操作简单，无需破坏植株。

为验证系统获取颜色参数的准确性，将系统得到感兴趣区域的R、G、B均值与Adobe PhotoShop CS6得到的该部分结果进行误差分析。验证结果如图8所示，即系统获取颜色均值与Adobe PhotoShop CS6获取颜色均值的R、G、B线性拟合模型，R、G、B值线性拟合模型的决定系数分别为0.9803、0.9774和0.9805，RMSE分别为1.086、1.413和0.8383，表明系统获取R、G、B值与PhotoShop获取R、G、B值间有较高的一致性，具有较好的数据处理和预测效果。

3 讨论

测量叶片特征参数及分析叶片外部形态，对研究作物的栽培管理有重要指导作用（姚运生等，2000）。基于Android的水稻叶片特征参数测量系统利用JNI结合OpenCV对Android智能手机获取图像进行自动化处理，在获取水稻叶片几何参数中无需用户进行操作。郭文川等（2014）研究设计基于Android手机快速无损获取植物叶片面积，相对误差在-2.9%～2.7%，精度高，但处理速度慢，系统方法中图像预处理及参数计算总时间在2 s以内。杨红云等（2015）运用计算机图像视觉技术获取水稻几何参数，与实际数值比较叶片面积计算误差小于5%，长宽误差小于0.67%，相较手工测量方法，更加快速、便捷，但须购置专业相机获取水稻图片，成本较高。基于Android智能手机快速、无损获取水稻叶片特征参数，可用手机自带相机获取水稻叶片图像，成本低。

目前，基于Android获取叶片几何参数大多情况下仅获取叶面积，而单独获取长、宽、周长的研究较少，获取植物叶片感兴趣区域颜色参数的研究也鲜见报道。徐义鑫等（2015）在获取植物叶面积的同时，获取了植物叶片长、宽、周长等几何参数，测量效果较好，但须对植物叶片进行破坏，对植物后期研究造成一定影响，本研究无需对水稻叶片进行破坏即可实现获取水稻叶片特征参数。将水稻叶片实际特征参数与本研究中系统获取的特征参数进行拟合，建立线性回归拟合模型，水稻叶片长、宽、面积及周长的RMSE分别为0.6469 cm、0.05022 cm、0.5329 cm2和2.412 cm，系统获取颜色与Adobe Photoshop CS6获取颜色均值的R、G、B线性拟合模型的决定系数分别为0.9803、0.9774和0.9805，RMSE分别为1.086、1.413和0.8383。说明基于智能手机获取水稻叶片特征参数，可在一定程度上实现户外实地测量，其精度能满足农学研究的需要;但试验需借助拍摄背景及参照物，要求拍照时叶片在白纸板上尽量平整。今后将就如何降低试验要求，更加方便快捷、精确地获取所需数据，使得测量系统得到进一步完善和应用推广。

4 建议

4. 1 优化测量系统

目前，测量水稻叶片几何参数仍需借助拍摄背景及参照物，因此需进一步改进系统，降低对外部辅助物的依赖，降低试验要求，真正实现简便操作。后期将采用B-Spline算法实现手势获取水稻叶片几何参数，在保证准确获取水稻叶片特征参数的前提下尽量简化试验步骤。

4. 2 增加氮素营养水平诊断算法

精确施氮能够减少病虫害的发生，提高水稻产量。水稻特征参数对水稻氮素营养水平分类具有重要研究意义，后期系统将引入BP神经网络、概率神经网络等分类算法，建立氮素营养水平诊断模型，实现氮素营养水平分类，从而实现快速精准判断水稻生长营养状况，精确指导施氮。

参考文献：

柏军华，王克如，初振东，陈兵，李少昆. 2005. 叶面积测定方法的比较研究[J]. 石河子大学学报（自然科学版），23（2）： 216-218. [Bo J H，Wang K R，Chu Z D，Chen B，Li S K. 2005. Comparative study on the measure methods of the leaf area[J]. Journal of Shihezi University（Natural Science），23（2）： 216-218.]

常丽英，顾东祥，张文宇，杨杰，曹卫星，朱艳. 2008. 水稻叶片伸长过程的模拟模型[J]. 作物学报，34（2）： 311-317. [Chang L Y，Gu D X，Zhang W Y，Yang J，Cao W X，Zhu Y. 2008. A simulation model of leaf elongation process in rice[J]. Acta Agronomica Sinica，34（2）： 311-317.]

陈玉青，杨玮，李民赞，孙红. 2017. 基于Android手机平台的冬小麦叶面积指数快速测量系统[J]. 农业机械学报，48（S）： 123-128. [Chen Y Q，Yang W，Li M Z，Sun H. 2017. Measurement system of winter wheat LAI based on Android mobile platform[J]. Transactions of the Chinese Society for Agricultural Machinery，48（S）： 123-128.]

冯冬霞，施生锦. 2005. 叶面积测定方法的研究效果初报[J]. 中国农学通报，21（6）： 150-152. [Feng D X，Shi S J. 2005. Research on night measurement methods of leaf area[J]. Chinese Agricultural Science Bulletin，21（6）： 150-152.]

龚爱平，吴武豪，裘正军，何勇. 2013. 基于Android系统手机的叶面积测量方法[J]. 农业机械学报，44（9）： 203-208. [Gong A P，Wu W H，Qiu Z J，He Y. 2013. Leaf area measurement using Android os mobile phone[J]. Transa-ctions of the Chinese Society for Agricultural Machinery，44（9）： 203-208.]

郭文川，周超超，韩文霆. 2014. 基于Android手机的植物叶片面积快速无损测量系统[J]. 农业机械学报，45（1）： 275-280. [Guo W C，Zhou C C，Han W T. 2014. Rapid and non-destructive measurement system for plant leaf area based on Android mobile phone[J]. Transactions of the Chinese Society for Agricultural Machinery，45（1）： 275-280.]

賀勇，孙焕良，孟桂元. 2008. 水稻叶片形态研究进展[J]. 作物研究，22（5）： 378-380. [He Y，Sun H L，Meng G Y. 2008. Research in leaf morphology of rice[J]. Crop Research，22（5）： 378-380.]

姜淑华，孙海波. 2006. 计算机图像技术在农业工程中的应用[J]. 农机化研究，（11）： 177-178. [Jiang S H，Sun H B. 2006. Application of computer image technology in agricultural engineering[J]. Journal of Agricultural Mechanization Research，（11）： 177-178.]

刘宏伟，吴斌，张红英，李芳，邵延华. 2009. 水稻叶片几何模型及其可视化研究[J]. 计算机工程，35（23）： 263-264. [Liu H W，Wu B，Zhang H Y，Li F，Shao Y H. 2009. Research on rice leaf geometric model and its visualization[J]. Computer Engineering，35（23）： 263-264.]

刘伟. 2007. 基于叶片颜色特征的棉花部分生理指标的估测[D]. 北京：中国农业科学院. [Liu W. 2007. Estimation of some physiological indices of cotton based on leaf co-lor characteristic[D]. Beijing： Chinese Academy of Agricultural Sciences.]

刘岩，陆建飞，曹宏鑫，石春林，刘永霞，朱大威，孙金英，岳延滨，魏秀芳，田平平，包太林. 2009. 基于生物量的水稻叶片主要几何属性模型研究[J]. 中国农业科学，42（11）： 4093-4099. [Liu Y，Lu J F，Cao H X，Shi C L，Liu Y X，Zhu D W，Sun J Y，Yue Y B，Wei X F，Tian P P，Bao T L. 2009. Main geometrical parameter models of rice blade based on biomass[J]. Scientia Agricultura Sinica，42（11）： 4093-4099.]

路文超，赵勇，罗斌，潘大宇，王成. 2015. 基于Android手机的水稻剑叶角测量系统[J]. 农业机械学报，46（11）： 296-301. [Lu W C，Zhao Y，Luo B，Pan D Y，Wang C. 2015. Measurement system of rice flag leaf angle based on Android smart phone[J]. Transactions of the Chinese Socie-ty for Agricultural Machinery，46（11）： 296-301.]

潘鹏亮，王国君，张方梅，刘红敏，史洪中，尹健. 2018. 利用几何形态测量学评估茶尺蠖危害茶叶严重度的可行性分析[J]. 河南农业科学，47（5）： 62-68. [Pan P L，Wang G J，Zhang F M，Liu H M，Shi H Z，Yin J. 2018. Evaluation of leaf-damaged severity from tea geometrid by geometric morphometrics[J]. Journal of Henan Agricultural Sciences，47（5）： 62-68.]

尚明华，秦磊磊，王风云，刘淑云，张晓艳. 2011. 基于Android智能手机的小麦生产风险信息采集系统[J]. 农业工程学报，27（5）： 178-182. [Shang M H，Qin L L，Wang F Y，Liu S Y，Zhang X Y. 2011. Information collection system of wheat production risk based on Android smartphone[J]. Transactions of the Chinese Society of Agricultural Engineering，27（5）： 178-182.]

石春林，朱艳，曹卫星. 2006. 水稻叶片几何参数的模拟分析[J]. 中国农业科学，39（5）： 910-915. [Shi C L，Zhu Y，Cao W X. 2006. A simulation analysis on geometrical parameters of rice leaf blade[J]. Scientia Agricultura Sinica，39（5）： 910-915.]

孙爱珍，杨红云，何火娇. 2017. 基于SPAD值的水稻叶色变化过程可视化模拟[J]. 计算机工程与应用，53（11）： 233-236. [Sun A Z，Yang H Y，He H J. 2017. Visual simulation of rice leaf color change process based on SPAD va-lue[J]. Computer Engineering and Applications，53（11）： 233-236.]

孙杰. 2011. 基于Android平台图像处理算法的研究与实现[D]. 北京：北京邮电大学. [Sun J. 2011. Research and implementation of algorithms for image processing based on Android[D]. Beijing：Beijing University of Posts and Telecommunications.]

徐义鑫，李凤菊，王建春，花登峰，张雪飞，吕雄杰，钱春阳. 2015. 基于OpenCV的Android手机植物叶片几何参数测量系统[J]. 中国农学通报，31（35）： 236-244. [Xu Y X，Li F J，Wang J C，Hua D F，Zhang X F，Lü X J，Qian C Y. 2015. OpenCV-based measurement system for plant leaf geometry parameters using Android mobile phone[J]. Chinese Agricultural Science Bulletin，31（35）： 236-244.]

杨红云，孙爱珍，何火娇. 2015. 水稻叶片几何参数图像视觉测量方法研究[J]. 湖北农业科学，54（17）： 4317-4320. [Yang H Y，Sun A Z，He H J. 2015. Study on the geometry parameter of rice leaf measuring method using image vision technology[J]. Hubei Agricultural Sciences，54（17）：4317-4320.]

楊劲峰，陈清，韩晓日，李晓林. 2002. 数字图像处理技术在蔬菜叶面积测量中的应用[J]. 农业工程学报，18（4）： 155-158. [Yang J F，Chen Q，Han X R，Li X L. 2002. Measurement of vegetable leaf area using digital image processing techniques[J]. Transactions of the Chinese Society of Agricultural Engineering，18（4）： 155-158.]

姚运生，罗新兰，王秉昆，戴俊英. 2000. 玉米植株形态生长的模拟[J]. 玉米科学，8（S1）： 30-32. [Yao Y S，Luo X L，Wang B K，Dai J Y. 2000. Studies on simulation of corn morphology growth[J]. Journal of Maize Sciences，8（S1）： 30-32.]

郑姣，刘立波. 2015. 基于Android的水稻病害图像识别系统设计与应用[J]. 计算机工程与科学，37（7）： 1366-1371. [Zheng J，Liu L B. 2015. Design and application of rice disease image recognition system based on Android[J]. Computer Engineering and Science，37（7）： 1366-1371.]

周超超. 2014. 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. [Zhou C C. 2014. Study on detection method for maize leaf nitrogen content based on Android mobile phone platform[D]. Yangling： Northwest A & F University.]

周瑞卿. 2014. 基于Android手机的植物叶片面积快速无损测量系统[J]. 中国科技纵横，（16）： 13. [Zhou R Q. 2014. Rapid and non-destructive measurement system of plant leaf area based on Android phone[J]. China Science & Technology Overview，（16）： 13-13.]

（责任编辑 邓慧灵）