刘连忠， 李孟杰， 宁井铭

(1.安徽农业大学信息与计算机学院，安徽 合肥 230036; 2.茶树生物学与资源利用国家重点实验室，安徽 合肥 230036)

近年来，人工智能以其非线性、自学习、适用性强的优势，在多个领域得到广泛应用。机器视觉作为其关键技术之一，也得到了极大的发展，目前已较为广泛地应用于农业研究[1-4]。机器视觉在农作物生长信息监测方面的应用，推动了农业信息化、智能化、精细化进程[5]。Revathi等[6]利用移动设备采集棉花叶斑病图像，使用基于边缘检测的图像分割得到病斑部分，并提出棉花病害检测的同类像素计数技术(Homogeneous pixel counting technique for cotton diseases detection, HPCCDD)对分割出的病斑部分进行分类。Silva等[7]使用人工视觉系统(Artificial visual system, AVS)提取玉米叶片图像的缺陷特征，诊断出玉米叶片中镁的浓度。张珏等[8]利用数码相机获取甜菜冠层数字图像，基于灰度值的阈值分割方法提取冠层图像的R、G、B值，交互调优R、G、B单色分量权重，提出三原色权值调优方法，用调优参数BOP(Basic optimal parameter)、NOP(normalized optimal parameter)建立的甜菜氮素营养监测模型预测精度均高于用常规参数G/R、红光标准值 (NRI)建立的模型。

获得稳定的图像特征参数是使用机器视觉的前提条件。然而，自然条件下太阳光照变化复杂，会在作物图像上产生反光、阴影等干扰因素，导致难以获取稳定的图像特征。为了避免光照干扰对结果的影响，目前大多数农业图像方面的研究刻意选择在无阳光直射时采集图像，或通过对图像进行色彩调整来模拟光照变化。吴雪梅等[9]基于图像的颜色信息进行茶叶嫩叶识别时，为避免光照的干扰，选择在无阳光直射的时间采集图像。……