基于热成像处理技术的生菜水分胁迫检测模型研究

摘要：

在生菜生长阶段对生菜植株进行受水分胁迫检测，在不影响品质的同时，可以有效节约水资源。以140棵生菜1901和耶罗为试验对象，在生菜生长阶段进行不同灌水量处理。采用热成像技术获取生菜冠层温度信息，以植株冠层温度信息为基础，提取其最大值、最小值、均值、方差、标准差、熵值、变异系数和不同温度宽度频率值作为特征值，建立支持向量机（SVM）、随机森林（RF）、鲸鱼算法优化支持向量机（WOA-SVM）和基于主成分分析的WOA-SVM的生菜受水分胁迫程度检测模型，进行识别准确性比较。试验结果，RF对耶罗和1901检测准确率为94.76%、92.37%；SVM对耶罗和1901检测准确率为91.64%、85.35%，WOA-SVM对耶罗和1901检测准确率为98.77%、94.76%，PCA-WOA-SVM模型对耶罗和1901检测准确率为98.94%、95.71%，PCA-WOA-SVM识别准确率高且稳定。

关键词：生菜；支持向量机；机器学习；热成像技术；水分胁迫检测

中图分类号：S636.2; TP393

文献标识码：A

文章编号：2095-5553 （2025） 01-0131-07

Study on water stress detection model of lettuce based on thermal imaging technology

Yang Yuchao¹， Ji Ying¹， Li Jingrui²， Gong Binbin²， Gao Hongbo²

（1. College of Information Science and Technology， Hebei Agricultural University， Baoding， 071000， China;

2. College of Horticulture， Hebei Agricultural University， Baoding， 071000， China）

Abstract：

During the growth stage of lettuce， water stress detection on lettuce plants can effectively save water resources without affecting the quality. In this study， 140 lettuces 1901 and Yeluo were used as experimental subjects， and different irrigation amounts were applied during the growth stage of lettuce. Thermal imaging technology was used to obtain lettuce canopy temperature information， and the maximum value， minimum value， mean value， variance， standard deviation， entropy value， coefficient of variation and frequency values of different temperature widths based on the plant canopy temperature information were used as characteristic values. Support vector machine （SVM）， Random Forest （RF）， Whale Algorithm Optimized Support Vector Machine （WOA-SVM） and WOA-SVM based on principal component analysis were established to detect the water stress degree of lettuce， and the accuracy was compared. Experimental results show that RF has an accuracy of 94.76% and 92.37% for Yeluo and 1901. SVM has an accuracy of 91.64% and 85.35% for Yeluo and 1901. WOA-SVM has an accuracy of 98.77% and 94.76% for Yeluo and 1901. The PCA-WOA-SVM model has an accuracy of 98.94% and 95.71% for Yeluo and 1901. The PCA-WOA-SVM recognition accuracy is high and stable.

Keywords：

lettuce; support vector machine; machine learning; thermal imaging technique; water stress detection

0"引言

生菜在生长过程中，充足的水分至关重要。通过检测生菜受水分亏缺程度，从而采取适量高效的水分灌溉既可保障生菜健康成长，也可以达到节约水资源、提高水资源利用率的目的^［1］。利用远红外热成像技术获取冠层温度，再和土壤含水量或者其他生理指标结合的方法监测作物水分亏缺状况^［2］，在现代化农业灌溉领域中有非常重要的实践价值，而且此方法的创新发展，更是接近了科学灌溉高效用水的目的。

张智韬等^［3］采用Ostu算法和Canny边缘检测算法对热红外图像进行预处理，实现对土壤背景的剔除；杨明欣等^［4］基于冠层温度研究油青菜心生长过程中的水分胁迫变化规律，采用最邻近节点算法、支持向量回归、极端梯度提升法和随机森林法预测光合作用速率。毛罕平等^［5］利用色调域平均百分率直方图提取出颜色特征值，将数字图像处理技术和人工神经网络技术有效地结合在一起，综合使用实现颜色的提取；章云等^［6］研究了自然环境下识别成熟山核桃的方法。首先以B/R和R/G的比值作为颜色特征，然后计算了基于颜色特征的均值、标准差等参数，最后建立了基于LS-SVM算法的果实识别模型；Karimi等^［7］用支持向量机方法技术完成了玉米高光谱图像的分类，进而完成了玉米杂草和氮素胁迫检测应用；田有文等^［8］利用支持向量机在样本训练时较高的分类能力和泛化能力，完成了植物复杂形状的病斑分类问题；杨永民等^［9］利用可见光热红外的方法得出了微波土壤水分降尺度方法，此方法的主要部分是构造土壤蒸发比和土壤水分的关系，进而得出在不同尺度间的土壤水分变换；Aubrecht等^［10］研究了暖温带落叶林和高山针叶林的冠层温度，并探讨了影响冠层温度的环境因子以及热红外相机的系统误差，并认为冠层温度普遍高于空气温度；Kim等^［11］比较了利用热电偶和热成像相机所测量的冠层温度差异，并利用热电偶对冠层温度提取进行校准，构建了经验校准公式，以提高冠层温度的提取精度；孙圣等^［12］利用热红外成像对核桃冠层进行了两个生长季节的观测，构建了精准的土壤水分预测模型，并利用该模型实现了区域水平的土壤水分状况监测。作物冠层温度可以反映土壤含水量和作物水分亏缺情况。红外热成像技术对植物冠层温度的无损监测，具有耗时少、成本低、使用方便等优点，对于传统作物水分亏缺检测方法的复杂性和延迟性有了极大提升^［13］。用红外热成像技术对作物水分受胁迫程度的检测已成为热门研究，对作物生长时期精准灌溉和节水生产具有重要意义^［14］。

本文通过培养不同水分胁迫的生菜，并采用红外热成像技术对生菜冠层温度进行提取，结合日蒸腾量进行研究分析，通过鲸鱼优化算法对支持向量机进行优化，并对原始数据进行降维处理，构建生菜的受水分胁迫程度检测模型。

1"材料与方法

1.1"试验材料

试验地点为保定市河北农业大学试验基地温室大棚，试验材料为生菜，品种分别是生菜1901和耶罗，这两个品种冠层拍摄分析较为容易，拍摄时间为9：30—10：30和14：30—15：30。育苗于穴盘中，穴盘的规格是72孔穴，长、宽、高尺寸为510cm、280cm、50cm，基质为草炭和蛭石混合物。幼苗三叶一心后开始定植，定植在盆口直径为13cm、高为15cm塑料盆中，基质为椰糠。水分设置分为5个处理：T1（100%）、T2（100%～80%）、T3（80%～60%）、T4（60%～40%）、T5（40%～20%）。通过土壤水分传感器监测水分含量，每天浇水、营养液各1次，每天每棵植株浇水10mL，浇营养液10mL。浇水量通过量筒控制。生菜生长所需的营养液配方为霍格兰营养液，浓度随生长时间逐渐增大，范围为1～1.5。

1.2"试验仪器及原理

红外成像技术的基本工作原理是利用红外探测器、光学成像物镜和光机扫描系统接收被测目标的红外辐射能量分布图形反映到红外探测器的光敏元上^［15］，在光学系统和红外探测器之间，有一个光机扫描机构对被测物体的红外热像进行扫描，并聚焦在单元或分光探测器上，由探测器将红外辐射能转换成电信号，经放大处理、转换或标准视频信号，通过电视屏或监测器显示红外热像图^［16］。最后，利用红外热图像软件获取感兴趣区域的温度分布图或平均温度等信息。红外热成像技术具有不干扰原始温度分布的巨大优点。

1.3"日蒸腾量

使用智能称重对植株整体重量进行监测，根据称重数值变化得出日蒸腾量

ET=Wa-Wb

（1）

式中：

ET——植株日蒸腾量，g；

Wa——12：00测得植株重量，g；

Wb——

次日12：00测得植株重量，g。

为减小误差，所有植株进行覆膜处理。

1.4"图像采集

采用高分辨率的手持式红外成像相机FLIR Ti300（图1）用于获得不同水分处理下的生菜热成像图像（图2），热敏度可达到≤0.05℃，其波长范围为7.5～14μm，测量精度为±2℃。拍摄时，使植株冠层位于图像中心区域，发射率为0.95，透光率100%，手动调焦、光圈，调节镜头垂直于植物冠层距离为60cm，设置图像分辨率为640像素×480像素。通过SmartView软件将热红外图像对应的可见光图像和温度信息（.csv）导出。

2"图像预处理

2.1"目标区域分割

为了提取出植株冠层图像，消除背景干扰，对可见光图像转换到YCbCr颜色空间，YCbCr由Y、C_b和C_r组成，C_b表示颜色的蓝色浓度偏移量；C_r表示红色浓度偏移量；Y表示颜色的明亮度和浓度。相比于RGB信号传输，优点在于只需占用极少的频宽，而RGB要求三个独立的信号同时传输。

RGB转换到YCbCr颜色空间公式为

Y=0.257×R+0.564×G+0.098×B+16

Cb=－0.148×R－0.291×G+0.439×B+128

Cr=0.439×R－0.368×G－0.071×B+128

（2）

再对Y、C_b、C_r进行范围设定，其中Y取值为［50，200］，C_b取值为［30，118］，C_r取值为［10，150］。经过反复取值测试，此时的取值分割出来的图像冠层效果最好。再对其进行二值化处理、形态学腐蚀和膨胀。如图3所示。

处理后发现有背景干扰或者其他植株叶片干扰，在对其进行消除小面积连通区域处理，得到最终冠层图像，如图4所示。

2.2"特征提取

以生菜冠层温度信息为基础，提取11个特征：最大值、最小值、均值、方差、标准差、熵值、变异系数和不同温度宽度（18℃～20℃、20℃～22℃、22℃～24℃、24℃～26℃）的频率值。首先，需要提取出冠层的温度信息，根据SmartView软件导出的热红外图像温度信息导出为.csv表格和分割好的植物冠层图像进行遍历算法，将背景处的温度值改为0，冠层的温度值不变，最终得出整个冠层的温度值信息，再用MATLAB对冠层温度值信息表格处理，提取出以植株冠层温度信息为基础的11个特征。

生菜冠层温度的最大值作为特征指标A₁，计算如式（3）所示。

A₁=max（x_i）"1≤i≤n

（3）

式中：

i——第i个像素点；

n——所有冠层温度像素点数。

将植物冠层温度最小值作为特征指标A₂，计算如式（4）所示。

A₂=min（x_i）"1≤i≤n

（4）

将植株冠层温度值得平均值作为体现冠层温度集中趋势的特征指标A₃，计算如式（5）所示。

A₃=1n∑ni=1（X_i－X-）²"1≤i≤n

（5）

冠层温度的方差可以用作表征作物冠层温度的离散程度，作为特征指标A₄，计算如式（6）所示。

A₄=1n∑ni=1（X_i－X-）²"1≤i≤n

（6）

将冠层温度的标准差，作为反映其数据离散程度的另一特征指标A₅，计算如式（7）所示。

A₅=∑ni=1（X_i－X-）²n"1≤i≤n

（7）

将作物冠层温度的信息熵，作为衡量冠层温度分布规则程度的特征指标A₆，其计算如式（8）所示。

A₆=H（x_i）"1≤i≤n

（8）

将冠层温度的变异系数，作为衡量冠层温度变异程度的一个归一化的特征指标A₇，其计算如式（9）所示。

A₇=∑ni=1（X_i－X-）²n³

∑ni=1X_i

1≤i≤n

（9）

将冠层温度宽度为18℃～20℃的频率值作为特征指标A₈，其计算如式（10）所示。

A₈=a₁n

（10）

式中：

a1——

冠层温度在18℃～20℃范围内的像素点数。

同理可得冠层温度宽度为20℃～22℃、22℃～24℃、24℃～26℃的特征指标A₉、A10、A11。

2.3"建立生菜受水分胁迫程度检测模型

使用常用的支持向量机（SVM）和随机森林（RF）算法构造模型，其中，支持向量机的性能受参数影响较大，针对此问题提出基于鲸鱼优化算法（WOA）的支持向量机受水分胁迫程度诊断方法。

2.3.1"基于随机森林的受水分胁迫程度模型

随机森林的方法是采用Bagging方法将单棵决策树聚集成一片森林，也就是模型构建的过程。它集成了多种弱分类器，形成新的分类器模型，决策树决定输出分类。无需特征筛选即可获得较高的准确率，并且对特征具有良好的鲁棒性。随机森林有其独特的特点，可以处理高维度（多特征）的数据，不需要降维，训练速度快。由于引入了随机性，很少出现过拟合的现象^［17］。随机森林算法流程如图5所示。

当新样本进入该模型中，模型中的每棵决策树都会相应地产生一个分类结果，最后采用众数投票决定最终的分类结果，即模型预测的过程^［18］。

根据经验每天对生菜进行受胁迫程度观察并记录，对采集的数据集进行受胁迫等级分类标注后输入到随机森林模型中，其中生菜1901和耶罗分别将490和1330份数据作为训练集，210和570份数据作为测试集，训练集测试集比例为7∶3。预测结果：生菜1901预测准确率为92.37%、耶罗预测准确率为94.76%。输出结果如图6所示。

2.3.2"基于WOA-SVM的受水分胁迫程度模型

支持向量机（SVM）是一种将数据进行分类后的算法，数据的分类主要有线性可分、非线性可分两类^［19］。

在SVM模型训练中核函数的选择至关重要，径向基核函数（RBF）的作用是将模型训练时提取的数据分类和识别，径向基核函数有一个优点是具有较好的灵活性和较少的参数^［20］。大部分情况下，计算时RBF核函数会比其他核函数的效率更高、速度更快、性能更好。径向基RBF核函数如式（11）所示。

k（x_i，y_i）=e^－‖x_i^－y_i^‖2σ²

（11）

式中：

σ——核函数参数；

y_i——核函数中心。

此研究需要在SVM基础上进行多分类，选用一对多法（OVR SVMs）进行多分类。在训练过程中，首先，将某一特定类样本分为一类，其余样本分为另一类，之后，再将其余样本划分为某一特定类和其他类，多次重复后，就构建出了多个SVM，在分类中，未知样本被分类到具有最大分类函数值的类别中。该方法训练多个分类器，数量较少，分类速度比较快。

支持向量机可以以交叉验证法的准确率作为适应度函数。交叉验证是消除取样随机性造成训练偏差的方法，使用交叉验证能够有效评价训练模型性能，提升模型稳定性与泛化能力。本模型将采用五折交叉验证方法，核函数选择径向基核函数。

在SVM模型中，惩罚因子C、核函数参数σ的确定起着至关重要的作用，C越大，复杂度越高，训练结果越要满足要求，当样本分类不准确或数据本身存在误差时，会降低模型测试结果的准确率。惩罚因子C越小，复杂度越低，模型对训练时错误结果惩罚越小，结果越不准确。基于此问题，提出了鲸鱼算法优化支持向量机中的参数C和σ，找到最优解best C和best σ，再以最优参数构建SVM模型。鲸鱼算法优化支持向量机具体流程：（1）设置种群数量N、最大迭代次数Tmax、设定C和σ的取值范围。（2）初始化种群位置，计算每个鲸鱼个体的适应度值，记录当前个体及种群最优值。（3）对适应度的值进行排序，选择值最小的作为最优解。（4）更新下一代种群个体位置。（5）判断算法是否满足终止条件，如果满足精度或者达到最大迭代次数，则转到步骤（6），否则，转到步骤（4）。（6）获取最优参数（C，σ）。（7）采用最优惩罚参数C和核函数参数σ建立WOA-SVM模型。（8）采用建好的模型对预处理后的测试集进行分类。（9）输出最优参数（C，σ）及分类准确率。

WOA算法首先随机初始化一组解，在每次迭代中，搜索代理根据随机选择的搜索代理或到目前为止获得的最优解更新它们的位置。

根据经验每天对生菜进行受胁迫程度观察并记录，对采集的数据集进行受胁迫等级分类标注，受胁迫等级共分为5级，级别越高代表受胁迫程度越严重。将11个特征值作为WOA-SVM的输入变量，分类标签作为输出变量。SVM核函数为径向基核函数，采用五折交叉验证，种群规模选择为50，迭代次数为150。其中，生菜1901和耶罗分别将490和1330份数据作为训练集，210和570份数据作为测试集，训练集测试集比例为7∶3。预测结果如图7、图8所示。

从图9可知，鲸鱼优化算法适应度随着迭代次数增加而增加，当迭代到第15代时收敛至稳定，此时可得到最优参数best C=27.6541，best σ=1.6832。

2.3.3"基于主成分分析的WOA-SVM的受水分胁迫程度模型

WOA-SVM的时间复杂度和样本数量、核函数的选择、K折交叉验证的选择、特征参数个数有关，其中样本数量是已经确定的，核函数的选择和K折交叉验证的选择经过多次测试后已经选取了最优值，也不可轻易改变，所以可以选择用减少特征参数的个数的方法进而缩短运行时间，达到提升分类模型效率的效果。针对WOA-SVM模型在核心算法运行时间较长的缺点，提出基于PCA-WOA-SVM的受水分胁迫程度检测，在WOA-SVM模型基础上通过主成分分析法进行降维，将11个特征值通过贡献率的高低进行排序，选取贡献率高于90%的主成分作为分类模型输入向量，进而提高分类模型运行效率。记录下来累积贡献率大于90%时的特征值的序号。最后得到的结果是选取了3个主成分，分别为PC1、PC2和PC3，根据PC1、PC2和PC3的特征向量得到主成分数学模型。

PC1=

0.346 9×A₁+0.298 7×A₂+0.289 2×

A₃+0.317 4×A₄+0.343 6A₅+

0.353 3A₆+0.305 2A₇+0.229 3A₈+

0.153 1A₉+0.306 8A10+0.316 1A11

PC2=

0.106 7×A₁+0.219 8×A₂+0.244 4×A₃+0.255 8×A₄-0.237 0×A₅-0.154 4×A₆-0.297 4×A₇-0.519 6×A₈-0.485 2×A₉+0.263 1×A10+0.268 3×A11

PC3=

-0.121 7×A₁-0.471 9×A₂-0.463 2×A₃+0.136 1×A₄+0.139 3×A₅+0.042 4×A₆+0.328 9×A₇+0.092 6×A₈-0.493 9×A₉+0.321 2×A10+0.210 6×A11

F=

7.179 8×PC1+1.986 7×PC2+1.154 5×PC3+0.391 3×PC4+0.202 6×PC5+0.051 0×PC6+0.016 9×PC7+0.010 7×PC8+0.005 0×PC9+0.001 3×PC10+0.000 2×PC11

将PC1、PC2和PC3这三个特征指标作为输入，受水分胁迫等级分类作为输出，核函数选择径向基核函数，进行五折交叉验证，设置初始种群规模为50，迭代次数为150，构建PCA-WOA-SVM分类模型，分类结果如图10、图11所示。

将4种模型、2个生菜品种平均分类准确率进行比较，得到表1。

2.3.4"ET与受水分胁迫等级之间的关系

表2为不同受水分胁迫程度下的ET值，可以看出，生菜受水分胁迫程度与ET呈负相关。当生菜在T4、T5状态时，处于萎蔫状态，蒸腾作用小，光合作用变弱，蒸腾量变低；在T1状态下，生菜水分充足蒸腾作用强，光合作用增强，蒸腾量变大。

3"结论

1） 鲸鱼算法优化支持向量机参数惩罚因子C、核函数参数σ，找到最优解best C、best σ，使用径向基RBF核函数和五折交叉验证，使得检测结果更为准确。从预测准确率上看，随机森林模型对生菜耶罗和1901检测准确率分别为94.76%、92.37%；支持向量机模型对生菜耶罗和1901检测准确率分别为91.64%和85.35%，WOA-SVM模型对生菜耶罗和1901检测准确率分别为98.77%和94.76%，PCA-WOA-SVM模型对生菜耶罗和1901检测准确率分别为98.94%和95.71%，PCA-WOA-SVM准确率普遍高于SVM和RF模型，且对耶罗的检测准确率高达98.94%，PCA-WOA-SVM更为精准、稳定地检测出生菜受水分胁迫程度。

2） "通过试验得出的生菜受水分胁迫等级与ET之间的关系呈负相关，受水分胁迫程度越严重，ET值越小，说明试验得出的生菜受水分胁迫等级可以用于生菜缺水程度检测，能够很好地反应土壤水分含量情况。

提出的PCA-WOA-SVM可以作为生菜受水分胁迫程度检测模型。在此研究的基础上通过对生菜生长阶段受水分胁迫程度的检测，根据受胁迫程度补充定量的水，可以及时、有效和精准地灌溉水，做到提高生菜品质和节水的作用。

参"考"文"献

［1］

张明宇， 杨晶， 安帅霖. 不同土壤水分含量对生菜生长特性的影响［J］. 安徽农业科学， 2021， 49（5）： 59-61.

Zhang Mingyu， Yang Jing， An Suailin. Effects of different soil water content on lettuce growth characteristics ［J］. Journal of Anhui Agricultural Sciences， 2021， 49（5）： 59-61.

［2］

Franzoni G， Cocetta G， Ferrante A. Effect of glutamic acid foliar applications on lettuce under water stress ［J］. Physiology and Molecular Biology of Plants， 2021， 27（5）：1059-1072.

［3］

张智韬， 边江， 韩文霆， 等. 剔除土壤背景的棉花水分胁迫无人机热红外遥感诊断［J］. 农业机械学报， 2018， 49（10）： 250-260.

Zhang Zhitao， Bian Jiang， Han Wenting， et al. Diagnosis of cotton water stress using unmanned aerial vehicle thermal infrared remote sensing after removing soil background ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2018， 49（10）： 250-260.

［4］

杨明欣， 高鹏， 陈文彬， 等. 基于机器学习的油青菜心水分胁迫研究［J］. 华南农业大学学报， 2021， 42（5）： 117-126.

Yang Mingxin， Gao Peng， Chen Wenbin， et al. Research of brassica chinensis var. parachinensis under water stress based on machine learning ［J］. Journal of South China Agricultural University， 2021， 42（5）： 117-126.

［5］

毛罕平， 徐贵力， 李萍萍. 番茄缺素叶片的图像特征提取和优化选择研究闭［J］. 农业工程学报， 2003， 19（2）： 133-136.

Mao Hanping， Xu Guili， Li Pingping. Study on image feature extraction and optimization selection of tomato leaf lacking element ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2003， 19（2）： 133-136.

［6］

章云， 周竹， 周素茵. 基于混合特征与最小二乘支持向量机的山核桃鲜果识别［J］. 中南林业科技大学学报， 2016， 36（11）： 137-143.

Zhang Yun， Zhou Zhu， Zhou Suyin. Segmentation method for fresh hickory nut recognition based on mixed features and LS-SVM classifier ［J］. Journal of Central South University of Forestry amp; Technology， 2016， 36（11）： 137-143.

［7］

Karimi Y， Prasher S O， Patel R M， et al. Application of support vector machine technology for weed andnitrogen stress detection in corn ［J］. Computers and Electronics in Agriculture， 2006， 51（1-2）： 99-109.

［8］

田有文， 张长水， 李成华. 支持向量机在植物病斑形状识别中的应用研究［J］. 农业工程学报， 2004（3）： 134-136.

Tian Youwen， Zhang Changshui， Li Chenghua. Research on the application of SVM in the shape recognition of plant disease spot ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2004（3）： 134-136.

［9］

杨永民， 邱建秀， 苏红波， 等. 基于热红外的四种土壤含水量估算方法对比［J］. 红外与毫米波学报， 2018， 37（4）： 459-467， 476.

Yang Yongmin， Qiu Jianxiu， Su Hongbo， et al. Estimation of surface soil moisture based on thermal remote sensing： Intercomparison of four methods ［J］. Journal of Infrared and Millimeter Waves， 2018， 37（4）： 459-467， 476.

［10］

Aubrecht D M， Helliker B R， Goulden M L， et al. Continuous， long-term， high-frequency thermal imaging of vegetation： Uncertainties and recommended best practices ［J］. Agricultural and Forest Meteorology， 2016， 228： 315-326.

［11］

Kim Y， Still C J， Roberts D A， et al. Thermal infrared imaging of conifer leaf temperatures： Comparison to thermocouple measurements and assessment of environmental influences ［J］. Agricultural and Forest Meteorology， 2018， 248： 361-371.

［12］

孙圣， 张劲松， 孟平， 等. 基于无人机热红外图像的核桃园土壤水分预测模型建立与应用［J］. 农业工程学报， 2018， 34（16）： 89-95.

Sun Sheng， Zhang Jinsong， Meng Ping， et al. Establishment and application of prediction model of soil water in walnut orchard based on unmanned aerial vehicle thermal infrared imagery ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2018， 34（16）： 89-95.

［13］

邓力元， 周浩宇， 毛凌青， 等. 基于无人机热成像的作物冠层温度测量系统［J］. 现代计算机， 2021（19）： 85-88， 93.

Deng Liyuan， Zhou Haoyu， Mao Lingqing， et al. Crop canopy temperature measurement system based on UAV thermal imaging ［J］. Modern Computer， 2021（19）： 85-88， 93.

［14］

姚志华， 陈俊英， 张智韬， 等. 基于无人机热红外遥感的冬小麦水分胁迫研究［J］. 节水灌溉， 2019（3）： 12-17.

Yao Zhihua， Chen Junying， Zhang Zhitao， et al. Winter wheat water stress research based on thermal infrared remote sensing of unmanned aerial vehicle ［J］. Water Saving Irrigation， 2019（3）： 12-17.

［15］

谢慧婷. 基于红外热成像技术的生菜缺水指标的研究［D］. 福州： 福建农林大学， 2016.

Xie Huiting. Identification of lettuce water indicator using infrared thermography ［D］. Fuzhou： Fujian Agriculture and Forestry University， 2016.

［16］

朱文静， 陈华， 李林， 等. 基于红外热成像边缘检测算法的小麦叶锈病分级研究［J］. 农业机械学报， 2019， 50（4）： 36-41， 48.

Zhu Wenjing， Chen Hua， Li Lin， et al. Grading of wheat leaf rust based on edge detection ofInfrared thermal imaging ［J］. Transactions of the Chinese Society for Agricultural Machinery， "2019， 50（4）： 36-41， 48.

［17］

万广， 陈忠辉， 方洪波， 等. 基于特征融合的随机森林模型茶鲜叶分类［J］. 华南农业大学学报， 2021， 42（4）： 125-132.

Wan Guang，Chen Zhonghui， Fang Hongbo， et al. Classification of fresh tea leaf based on random forest model by feature fusion ［J］. Journal of South China Agricultural University， 2021， 42（4）： 125-132.

［18］

刘玲， 郑建国. 一种基于随机森林的组合分类算法设计与应用［J］. 电子设计工程， 2020， 28（16）： 54-57.

Liu Ling， Zheng Jianguo. Design and application of a combinatorial classification algorithm based on random forest ［J］. Electronic Design Engineering， 2020， 28（16）： 54-57.

［19］

Li D， Shi R， Yao N， et al. Real-time patient-specific ECG arrhythmia detection by quantum genetic algorithm of least squares twin SVM ［J］. Journal of Beijing Institute of Technology， 2020， 29（1）： 29-37.

［20］

魏锋涛， 卢凤仪. 融合核函数在改进径向基代理模型中的应用［J］. 计算机工程与应用， 2019， 55（7）： 58-65.

Wei Fengtao， Lu Fengyi. Application of hybrid kernel function in improved radial basis function metamodel ［J］. Computer Engineering and Applications， 2019， 55（7）： 58-65.