基于FasterR-CNN的蓝莓冠层果实检测识别分析

朱旭 马淏 姬江涛 金鑫 赵凯旋 张开

摘要：【目的】基于Faster R-CNN模型對不同成熟度蓝莓果实进行精准识别分类，为浆果类果实的自动化采摘、产量预估等提供技术支撑。【方法】选取成熟果、半成熟果、未成熟果剪切图像各4000幅和8000幅背景图像作为训练集，1000幅原始图像用于验证集开展试验，改进Faster R-CNN算法，设计一种对背景干扰、果实遮挡等因素具有良好鲁棒性和准确率的蓝莓果实识别模型，模型通过卷积神经网络（CNN）、区域候选网络（RPN）、感兴趣区域池化（ROI Pooling）和分类网络来实现蓝莓图像背景消除及果实识别并与DPM算法进行对比。【结果】以WOA算法优化的训练参数作为参考，在蓝莓数据集上训练网络模型。在分析P-R曲线后计算F发现，Faster R-CNN算法在成熟果、半成熟果和未成熟果上的F值分别为95.48%、95.59%和94.70%，与DPM算法相比平均高10.00%。在对3类蓝莓果实的识别精度方面，Faster R-CNN同样有着优秀的识别效果。对成熟果、半成熟果和未成熟果的识别准确率分别为97.00%、95.00%和92.00%，平均识别准确率为94.67%，比DPM算法高20.00%左右。该网络模型在高精度的识别效果下，对于蓝莓果实的平均识别速度依然达0.25 s/幅，能满足实时在线识别的需求。【建议】获取多角度、复杂环境下的图像用来提高模型识别率;利用迁移学习建立蓝莓识别模型;数据集样本扩充并分类。

关键词： 蓝莓;冠层果实;Faster R-CNN;精准识别;产量预估;不同成熟度

Abstract：【Objective】With the help of Faster R-CNN model， accurate detection， identification and classification of blueberry canopy fruits under natural environmental conditions could be realized，which provided reference for automatic picking and yield prediction of berries. 【Method】Each 4000 images and each 8000 background images of ripe fruit， half-ripe fruit， immature fruit were as the training set， 1000 original images were used to verify test set， optimized Faster R-CNN algorithm was used to design a kind of blueberry fruit recognition model for fruits at different maturity levels which had good robustness and accuracy under the condition of background interference and fruit block. The model realized image background elimination of blueberries and recognition through convolution neural network（CNN）， regional candidate networks（RPN）， interested in regional pooling（ROI pooling） and the classification of network. 【Result】The trai-ning parameters optimized by WOA algorithm were used as a reference， and the network model was trained on the blueberry data set. After analyzing P-R curve and calculating F value， it was found that the F values of Faster R-CNN algorithm on ripe fruit， half-ripe fruit and immature fruit were 95.48%， 95.59% and 94.70%， which was 10.00% higher than that of DPM on average. In terms of the recognition accuracy of three kinds of blueberry fruits， Faster R-CNN also had excellent recognition effect. The recognition accuracy of ripe fruit， half-ripe fruit and immature fruit was 97.00%， 95.00% and 92.00% respectively， and the average recognition accuracy was 94.67%， which was about 20.00% higher than DPM algorithm on average. Under the high-precision recognition effect， the average recognition speed of the network model for blueberry fruit still reached 0.25 s/amplitude， which could meet the demand of real-time online recognition. 【Conclusion】The network model can be improved in the following aspects：to obtain images in multi-angle and complex environment to improve the model recognition rate;establish a blueberry recognition model with migration learning;data set samples should be expanded and classified.

Key words：blueberry; canopy fruit; Faster R-CNN; accurate identification; production forecast; different maturity

0 引言

【研究意义】我国自2000年开始规模化种植蓝莓，2018年国内蓝莓栽培总面积达55344 ha，产量达18.4238万t，分别占全世界蓝莓栽培总面积和总产量的40.996%和28.129%（张珊珊等，2015;李亚东等，2016;刘绍金和卢炜乐，2018）。蓝莓种植附加值高，但生产成本也高，主要原因是蓝莓果实成熟度不统一及生长环境复杂导致的蓝莓收获成本较高。据统计，收获季人力花费约占蓝莓整个生产期管理成本的一半以上（李亚东等，2018;刘庆忠等，2019）。目前蓝莓的主要采摘方式有两种：一种是依靠人力采摘，主要供应鲜果市场;一种是振动式机械采摘，晒制干果。而实现蓝莓果实成熟度快速、准确识别可为人力采摘提供成熟蓝莓分布信息，合理安排劳动力，从而降低收获成本，为鲜果及时上市提供保障;在机械采摘方面，蓝莓果实成熟度快速、准确识别可为种植者及时提供生产区蓝莓成熟比例，从而合理安排时间适时采摘，进而减少未成熟果实损失。【前人研究进展】目前，针对水果果实精准识别、果实成熟度分类的研究。大多数仍采用机器视觉，如依据果实颜色、形状、纹理和三维形态等特征进行果實识别（陶华伟等，2014;贾伟宽等，2015;李龙等，2018;毕松等，2019;金保华等，2019）。在苹果、柑橘和猕猴桃等大体积、类球型果实识别方面，Zhao等（2005）提出一种基于视觉的单幅图像苹果定位算法，基于纹理的边缘检测及红度测量，并结合区域阈值和圆形拟合来确定苹果在图像平面上的位置，实现红色和绿色苹果的识别;王津京等（2009）通过矢量中值滤波、图像分割等前期准备提供稳定有效的苹果颜色、几何特征，利用支持向量机对苹果果实进行检测识别;詹文田等（2013）采用Adaboost算法将RGB、HIS、Lab颜色空间中多通道构建弱分类器，并训练数据集生成强分类器识别猕猴桃果实;Thendral等（2014）通过边缘和颜色检测两种方法对自然光照条件下获得的柑橘果实图像进行分割，并对边缘分割和颜色分割进行对比试验;García-Lamont等（2015）提出了一种通过提取水果颜色的色度来表征物体颜色的方法，并测试了该方法的可行性;Liu等（2018）设计了一种从序列图像中识别苹果及柑橘的算法，即通过图像分割、匈牙利算法跟踪和运动恢复结构算法从视频帧图像中识别。针对葡萄等浆果类果实，陈英等（2011）采用邻域轮廓跟踪提取葡萄串轮廓曲线，并基于曲线旋转和局部极值法搜索凹点位置，将曲线分割后实现葡萄果粒识别;马本学等（2015）基于不同颜色空间的图像分割方法，采用最大类间方差法和直方图双峰法分别获得最佳阈值，实现目标葡萄串与背景区域分割，达到对不同颜色葡萄果实快速识别，并有效降低了光照对识别效果的影响;罗陆锋等（2017）提出使用改进的K-means聚类分割方法，运用形态学去噪，并提取葡萄串类圆中心对葡萄进行识别定位。近年来，深度学习算法的应用研究成为热门（周云成等，2018;卞景帅等，2019;张银松等，2019）。孙哲等（2019）采用Faster R-CNN算法对西兰花幼苗图像识别进行研究，并选择ResNet101网络对西兰花图像特征进行提取;张乐等（2019）利用Faster R-CNN算法识别田间杂草，用于将田间油菜与杂草区分开。上述非深度学习的方法在针对果实特征表现较为单一且成熟期果实颜色、大小基本一致的苹果、柑橘时，表现出良好的识别效果，而蓝莓果实簇生、生长环境复杂、遮挡严重且成熟期跨度时间长，导致整簇中存在蓝莓果实成熟度、大小不一及颜色不同的情况，因此，非深度学习方法运用于蓝莓果实识别效果不理想。【本研究切入点】目前，Faster R-CNN算法主要通过在候选区域网络中进行大量重复运算实现对目标检测识别，耗费时间较长，对小目标易造成漏识别，导致国内极少将该方法应用到浆果类果实的自动化检测领域。另外，在对苹果、柑橘等果实识别时一般只考虑颜色特征或形状特征（司永胜等，2009;程荣花等，2014），无法有效解决蓝莓等浆果类果实所面临的问题。【拟解决的关键问题】针对蓝莓识别中存在的问题，通过优化训练参数、选取最优窗口对目标进行多尺度检测和图像格式转换等改进原始Faster R-CNN算法，建立对不同成熟度蓝莓图像进行替代训练的识别模型，进而提取蓝莓目标特征并将蓝莓果实识别标定，在预测蓝莓果实产量的同时划分成熟蓝莓果实的分布区域，为实现合理分配劳动力及浆果机械自动采摘工作中及时提供果实目标信息提供参考依据。

1 数据采集与研究方法

1. 1 图像采集与试验平台

蓝莓果实图像采集于2019年4—5月蓝莓收获期间，采集地点位于美国佛罗里达大学蓝莓实验园，蓝莓品种是美国南部最具代表性的高产高丛蓝莓Windsor、Sweetcrisp和Emerald。拍摄设备为佳能70D相机，18～200 mm变焦镜头，分辨率为4608×3456，图像格式为JPG，采集设备距离每簇蓝莓0.4～0.5 m。程序运行设备为台式计算机，操作系统为Win10（64位），处理器为Intel Core i7-9700，主频3.7 GHz，运行内存32 G，固态硬盘1T，GPU为NVIDIA 1080Ti。采用MATLAB 2018实现蓝莓目标检测识别网络模型的训练与测试。

1. 2 样本数据集

试验共采集整簇蓝莓原始图像4736幅（图1-A），蓝莓分批次成熟，通常每簇中有1～3种成熟度蓝莓，即未成熟果、半成熟果和成熟果。从原始图像中随机选出2435幅，并从中裁剪出未成熟果（图1-B）、半成熟果（图1-C）和成熟果（图1-D）各4000幅单独图像及8000幅背景图像（图1-E），用作训练集。从剩余的2301幅原始图像中整理出1050幅作为测试集，用于单一成熟度蓝莓检测识别（成熟果、半成熟果和未成熟果各350幅）;另整理出1000幅作为验证集，用于3种成熟度蓝莓检测识别。训练集、测试集和验证集数据无重叠。

1. 3 Faster R-CNN算法

图2为本研究建立的Faster R-CNN蓝莓果实识别模型，识别过程如下：（1）原始图像经过特征提取网络获得特征图，并将特征图与候选区域网络（Region proposal network，RPN）和目标区域池化网络（ROI Pooling）共享。（2）RPN通过softmax分类器执行二分类操作区分背景与目标蓝莓，并通过Bbox回归初步得到候选区域位置。（3）目标区域池化网络将粗筛选的特征图池化和归一化处理。（4）经过全连接层整合特征图信息，softmax分类器进行精准分类，判别蓝莓成熟度;Bbox回归对预测框位置进行精确调整。

Faster R-CNN算法的优点在于输入图像尺寸可以不统一，并且对识别精度和速度的影响无明显波动;同时作为端到端训练的深度学习模型，抛弃了传统的滑动窗口和Selective Search方法，使用候选区域网络RPN生成候选框，并且将目标检测的4个部分（特征提取、候选区域生成、目标区域池化及目标分类）全部归于深度卷积神经网络（CNN），并运行在GPU上，有效提高了检测效率。

1. 4 评价指标

把Faster R-CNN算法中对特征提取网络检测出的目标定为正样本，未检测出的目标定为负样本。本研究中使用交并比（Intersection over Union，IOU）值来对样本正负进行度量，設置IOU阈值为0.5，当IOU>0.5，则认为目标被正确检测，划分为正样本，记为TP（检测到的IOU值大于阈值的目标数量），当IOU<0.5则为负样本，记为FP（检测到的IOU值小于阈值的目标数量）。本研究中共有4种情况，除TP和FP外，还有两种未被检测出的FN和TN（检测到的IOU值为0的目标数量）。本研究中仅统计TP和FP两类样本。

Faster R-CNN算法采用替代训练方式对四分类蓝莓训练集分别进行训练，并计算3种不同成熟度蓝莓在各自子测试集和子验证集上的精确率（Precision，P）、召回率（Recall，R）、F值（F-Measure，F）和准确率（Accuracy，A），以F值和准确率作为评价指标。其中，精确率为正样本占总样本的数量比例，准确率为所有分类中被正确分类的样本数量比例，召回率和精确率计算方法为：

绘制精确率—召回率曲线图，曲线图x轴召回率表示对IOU>0.5的目标覆盖能力，y轴表示对IOU>0.5的目标检测精确率。当P和R指标出现矛盾情况时，需要进行综合考虑，而F值是P、R的加权调和平均，F值越高说明模型越可靠稳定，因此引入F值对网络模型进行评价。公式如下所示：

2 结果与分析

2. 1 训练模型及果实识别过程

本研究训练参数设置以WOA算法优化结果作为参考，在前5000次迭代中，以0.001的学习率对网络进行细化，在最后5000次迭代中，将学习率降低到0.0001，每个批次处理由两个图像组成，一个来自源域，一个来自目标域，试验中使用0.9的动量和0.0005的重量衰减。

模型采用VGG16网络作为特征提取器，在使用大型数据集时可保证较高的检测速度和准确率。为更好地显示CNN的检测识别过程，将提取特征的前几层网络可视化操作，中间过程如图3所示，随着网络深度的增加，蓝莓特征图的颗粒度明显加强，且尺寸逐渐减小，细节特征逐渐丢失，而更加关注于图像的整体信息。卷积神经网络由浅层到深层分别检测提取图像中目标蓝莓的边缘特征、局部特征和整体轮廓特征，从图3-B～图3-I可看出，特征提取网络对蓝莓果实边缘和线条等细节的描述，凸显出了蓝莓果实的局部信息。

2. 2 与DPM算法对比试验

2. 2. 1 F值对比 为说明Faster R-CNN算法在小目标识别方面的优越性，与DPM算法Deformable Part Model进行对比试验，使用相同训练集、测试集和验证集，获得其精准率、召回率和准确率，并绘制P-R曲线图（图4）。从成熟果、半成熟果和未成熟果蓝莓P-R曲线图可知，Faster R-CNN算法中曲线坐标位置均在DPM算法上方。当DPM算法召回率达最高值75%时，Faster R-CNN算法对应下的成熟果、半成熟果和未成熟果精确率分别为96.0%、94.5%和95.0%，DPM算法对应下的成熟果、半成熟果和未成熟果识别精确率分别为82.0%、83.5%和82.5%（表1）。在高召回率情况下，Faster R-CNN对于3种成熟度蓝莓的识别精确率依然可达80.0%左右，且P-R曲线也更加平滑稳定。为了更直接地比较两组数据的差异，综合分析精确率和召回率，由公式4计算F，结果如表2所示，在相同成熟度蓝莓条件下，本研究的Faster R-CNN算法的F值均比DPM算法高10.00%左右。

2. 2. 2 识别精度对比 针对单一成熟度蓝莓的检测识别可看作将目标蓝莓与背景分开，即使用分类器进行二分类操作，在对Faster R-CNN和DPM模型测试后，统计蓝莓识别准确率，并绘制准确率曲线图（图5）。随着训练图像数量增加，2种算法针对单一成熟度蓝莓的识别准确率均逐渐上升，在达到本训练集目标蓝莓图像数量上限4000幅时，两种算法准确率对比结果如表3所示，在同一成熟度蓝莓条件下，Faster R-CNN算法准确率比DPM算法高20.00%左右，平均准确率达94.67%。通过试验数据对比可知，Faster R-CNN算法对单一成熟度蓝莓具有更高的识别精度。

为更直观对2种算法在单一成熟度蓝莓之间的识别差异，故对比识别效果图。如图6所示，在Faster R-CNN算法中，针对成熟果、半成熟果和未成熟果的蓝莓果实检测识别均达到了分类及定位效果，无误识别、漏识别和重复识别现象出现。DPM算法在对蓝莓果实识别效果较差，不同成熟度蓝莓果实均有漏识别出现（图7），其中图7-B中还存在误识别现象。因此，在使用相同训练集建立识别模型和相同测试集检测识别果实条件下，通过统计测试集数据可知，Faster R-CNN算法对单一成熟度蓝莓的误识别、漏识别及重复识别数量远少于DPM算法，具有更好的识别效果。

2. 3 Faster R-CNN模型对蓝莓识别效果的验证

为验证Faster R-CNN算法对不同成熟度蓝莓同时检测识别时是否具有较高准确率，在上述针对单一成熟度蓝莓测试试验的基础上，通过验证集对3种混合成熟度蓝莓果实同时进行检测识别，所使用验证集为1000幅原始图像。通过观察图8可知，在对蓝莓果实成熟度检测分类时，Faster R-CNN算法能准确区分蓝莓成熟果、半成熟果和未成熟果，只有未成熟果蓝莓果实在遮挡严重和与背景过于相似时存在少量重复识别、漏识别现象。通过对验证集中3种成熟度蓝莓识别数量进行统计，得到成熟果、半成熟果和未成熟果蓝莓在Faster R-CNN算法中的识别准确率（表4）。该算法对成熟果的识别准确率最高，半成熟果次之，而未成熟果由于颜色与背景色较相似，因此识别准确率最低。虽然该算法在对蓝莓果实识别过程中所受干扰较多，但3类果实的识别准确率均在93.00%以上。通过对3种成熟度蓝莓果实识别结果统计可知，Faster R-CNN算法针对蓝莓果实的平均识别准确率为94.05%。在对召回率和精确率进行分析后，由公式（4）计算可得F值为84.90%。通过记录每张图像输入模型到出现预测框的时间，计算出模型的平均识别速度为0.25 s/幅。

在识别过程中出现了少数未成熟果重复识别（图8-A）和部分蓝莓果实漏识别（图8-B、图8-C）。由试验数据统计得知，在重复识别和漏识别的蓝莓果实中80%以上是未成熟果，造成这一结果的主要原因是未成熟果實颜色与叶片等背景过于相似，且未成熟果实相对于成熟果实体积较小;另外有部分蓝莓果实未被识别是由于果实之间遮挡严重，能够被特征提取网络检测到的蓝莓果实特征有限，导致IOU值为0，误划分为FN类别。

3 讨论

针对蓝莓等浆果类小目标难以有效识别的问题，本研究在深入了解蓝莓果实特点的前提下使用改进的Faster R-CNN算法对蓝莓果实进行检测识别。具体改进包含：使用WOA算法优化超参数值，初始化训练模型;在候选区域网络中采用9种尺度对目标蓝莓进行检测，选取最优候选窗口;转换成HSV格式，利用H通道对于亮度的敏感性来区分不同成熟度果实。由此训练得到的模型更适用于蓝莓果实小、拥挤和分布散乱等特点，可为果园自动化采摘及产量预估提供指导。利用深度学习根据不同成熟度蓝莓的颜色特征和形状特征建立蓝莓果实识别模型，可有效实现蓝莓果实精确定位及成熟度分类，缩短果实采收周期。在对果实成熟度的研究中，伍光绪等（2016）运用数字图像处理技术对血橙正反两面图片进行全局阈值分割，通过计算出血橙的着色比例判断血橙是否成熟;叶晋涛（2016）利用哈密瓜图像颜色特征与纹理特征来预测哈密瓜成熟度，并实现基于DSP算法的哈密瓜成熟度快速实时检测。上述采用的数字图像处理技术对水果成熟度识别分类取得了一定效果，但由于采用的均是手工设计特征模型，工作量大，且不能做到实时性，而从数据集中自动学习特征的深度学习方法处理速度快、准确率高，更适用于田间果园的检测识别。

本研究运用的方法在蓝莓果实识别和成熟度分类上虽取得了良好效果，但在某些方面还需进一步改进，如蓝莓果实之间遮挡或枝叶遮挡严重时，目标蓝莓轮廓特征较少导致特征难以有效提取，从而使得模型不能准确识别目标蓝莓。另外当光线较暗时，模型使用颜色特征无法有效通过明暗程度对蓝莓果实进行检测识别，而仅通过形状特征来区分未成熟果与成熟果，易造成误识别现象。

4 建议

4. 1 获取多角度、复杂环境下的图像提高模型识别率

蓝莓数据集的多样性能提高模型的稳定性和鲁棒性，因此需要对采集的原始样本图像进行扩展。建议采用高像素相机采集设备拍摄高质量蓝莓图像，通过调整拍摄角度来减少蓝莓果实遮挡，并在多个时间段、多种光照条件下采集图像来提高检测识别精度。比如，尝试在白天和晚上分成多次在不同自然光或人工照明的条件下拍摄。

4. 2 利用迁移学习建立蓝莓识别模型

迁移学习是使用别人在海量数据库中建立的网络模型，通过在蓝莓数据集上再次训练得到适用于蓝莓果实识别的模型。通过采用迁移学习的方法可有效避免网络训练过程中出现的过拟合问题，并能调整超参数值，提高网络的泛化效果。

4. 3 数据集样本扩充并分类

把原始数据集样本中的图像旋转45°、90°和135°来增加样本的多样性，扩充数据集的图像数量，并将样本分为容易检测样本和较难检测样本，在训练过程中自动选择较难样本时可使网络训练更加高效，且减少小目标检测时的信息损失，有效提高蓝莓等浆果类小目标的识别精度。

参考文献：

毕松，高峰，陈俊文. 2019. 基于深度卷积神经网络的柑橘目标识别方法[J]. 农业机械学报，50（5）： 181-186. [Bi S，Gao F，Chen J W. 2019. Detection method of citrus based on deep convolution neural network[J]. Transactions of The Chinese Society of Agricultural Machinery，50（5）： 181-186.]

卞景帅，卢家品，罗月童，张敏. 2019. 基于Faster-RCNN的结核杆菌自动检测方法研究与应用[J]. 图学学报，40（3）： 608-615. [Bian J S，Lu J P，Luo Y T，Zhang M. 2019. Research and application of Faster-RCNN based M. Tuberculosis detection method[J]. Journal of Graphics，40（3）： 608-615.]

陈英，李伟，张俊雄. 2011. 基于图像轮廓分析的堆叠葡萄果粒尺寸检测[J]. 农业机械学报，42（8）： 168-172. [Chen Y，Li W，Zhang J X. 2011. Overlapped grapes berry size inspection based on image contour analysis[J]. Transactions of The Chinese Society of Agricultural Machinery，42（8）： 168-172.]

程荣花，马飞，石梦. 2014. 基于颜色特征的苹果表面质量检测系统设计与实现[J]. 辽宁农业科学，（3）： 22-24. [Cheng R H，Ma F，Shi M. 2014. Design and implementation of the quality of apple surface detection system based on color features[J]. Liaoning Agricultural Sciences，（3）： 22-24.]

贾伟宽，赵德安，刘晓洋，唐书萍，阮承治，姬伟. 2015. 机器人采摘苹果果实的K-means和GA-RBF-LMS神经网络识别[J]. 农业工程学报，31（18）： 175-183. [Jia W K，Zhao D A，Liu X Y，Tang S P，Ruan C Z，Ji W. 2015. Apple recognition based on K-means and GA-RBF-LMS neural network applicated in harvesting robot[J]. Transactions of the Chinese Society of Agricultural Engineering，31（18）： 175-183.]

金保华，殷长魁，张卫正，张伟伟. 2019. 基于机器视觉的苹果园果实识别研究综述[J]. 轻工学报，34（2）： 71-81. [Jin B H，Yin C K，Zhang W Z，Zhang W W. 2019. Review on apple garden fruit recognition based on machine vision[J]. Journal of Light Industry，34（2）： 71-81.]

李龙，彭彦昆，李永玉，王凡，张捷. 2018. 基于纹理和梯度特征的苹果伤痕与果梗/花萼在线识别[J]. 农业机械学报，49（11）： 328-335. [Li L，Peng Y K，Li Y Y，Wang F，Zhang J. 2018. Online identification of apple scarring and stems/calyxes based on texture and edge gradient features[J]. Transactions of the Chinese Society for Agricultural Machinery，49（11）： 328-335.]

李亞东，裴嘉博，孙海悦. 2018. 全球蓝莓产业发展现状及展望[J]. 吉林农业大学学报，40（4）： 421-432. [Li Y D，Pei J B，Sun H Y. 2018. Status and prospect of global blueberry industry[J]. Journal of Jilin Agricultural University，40（4）： 421-432.]

李亚东，孙海悦，陈丽. 2016. 我国蓝莓产业发展报告[J]. 中国果树，（5）： 1-10. [Li Y D，Sun H Y，Chen L. 2016. China blueberry industry development report[J]. China Fruits，（5）： 1-10.]

刘庆忠，朱东姿，王甲威，陈明学，辛力. 2019. 世界蓝莓产业发展现状——北美篇[J]. 落叶果树，51（2）： 4-7. [Liu Q Z，Zhu D Z，Wang J W，Chen M X，Xin L. 2019. Develop-ment of blueberry industry in the world： North America[J]. Deciduous Fruits，51（2）： 4-7.]

刘绍金，卢炜乐. 2018. 我国蓝莓产业现状和发展趋势[J]. 现代园艺，（11）： 18. [Liu S J，Lu W L. 2018. Current situa-tion and development trend of blueberry industry in China[J]. Xiandai Horticulture，（11）： 18.]

罗陆锋，邹湘军，王成琳，陈雄，杨自尚，司徒伟明. 2017. 基于轮廓分析的双串叠贴葡萄目标识别方法[J]. 农业机械学报，48（6）： 15-22. [Luo L F，Zou X J，Wang C L，Chen X，Yang Z S，Situ W M. 2017. Recognition method for two overlaping and adjacent grape clusters based on image contour analysis[J]. Transactions of The Chinese Society for Agricultural Machinery，48（6）： 15-22.]

马本学，贾艳婷，梅卫江，高国刚，吕琛，周强. 2015. 不同自然场景下葡萄果实识别方法研究[J]. 现代食品科技，31（9）： 145-149. [Ma B X，Jia Y T，Mei W J，Gao G G，Lü C，Zhou Q. 2015. Study on the recognition method of grape in different natural environment[J]. Modern Food Science and Technology，31（9）： 145-149.]

司永胜，乔军，刘刚，刘兆祥，高瑞. 2009. 基于机器视觉的苹果识别和形状特征提取[J]. 农业机械学报，40（8）： 161-165. [Si Y S，Qiao J，Liu G，Liu Z X，Gao R. 2009. Reco-gnition and shape features extraction of apples based on machine vision[J]. Transactions of the Chinese Society for Agricultural Machinery，40（8）： 161-165.]