引用本文
梁万杰, 冯辉, 江东, 张文宇, 曹静, 曹宏鑫. 高光谱图像结合深度学习的油菜菌核病早期识别[J]. 光谱学与光谱分析, 2023,43(7): 2220-2225.
LIANG Wan-jie, FENG Hui, JIANG Dong, ZHANG Wen-yu, CAO Jing, CAO Hong-xin. Early Recognition of Sclerotinia Stem Rot on Oilseed Rape by Hyperspectral Imaging Combined With Deep Learning[J]. Spectroscopy and Spectral Analysis, 2023,43(7): 2220-2225.
Doi:10.3964/j.issn.1000-0593(2023)07-2220-06  
Permissions
Copyright©2023, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
高光谱图像结合深度学习的油菜菌核病早期识别
梁万杰1, 冯辉2, 江东3, 张文宇1,4, 曹静1, 曹宏鑫1,*
1.江苏省农业科学院农业信息研究所, 江苏 南京 210014
2.江苏省农业科学院植物保护研究所, 江苏 南京 210014
3.中国科学院地理科学与资源研究所, 北京 100101
4.江苏大学农业工程学院, 江苏 镇江 212013
*通讯作者 e-mail: caohongxin@hotmail.com

作者简介: 梁万杰, 1980年生,江苏省农业科学院农业信息研究所副研究员 e-mail: wanjie.liang@163.com

收稿日期: 2022-03-21 修回日期: 2022-10-24
基金: 国家自然科学基金面上项目(31871522),江苏省农业科技自主创新资金项目(CX(20)3073)资助
摘要

油菜菌核病为土传病害, 发病早期叶片无可见症状, 从植株表面很难发现。 用叶片的普通光谱图像或RGB图像无法对其进行识别。 采用高光谱图像作为监测技术, 结合深度学习模型构建油菜菌核病发病早期识别模型, 并取得了较好的识别效果。 以油菜菌核病为研究对象, 采用菌丝块接种法, 在油菜根部诱发病害。 分别于发病后第2、 5、 7、 9天采集发病油菜植株和健康植株光谱图像。 对高光谱图像去除背景、 S-G光谱曲线平滑处理、 剪切、 分割等处理后构建模型训练测试数据集。 以Resnet50深度学习模型为基础, 通过增加特征图数量, 减小第1层卷积核大小来提高模型对油菜菌核病发病早期的识别能力。 通过交叉验证、 模型结构改进前后识别能力对比、 模型泛化能力测试等, 验证了改进模型的识别能力和泛化能力。 Resnet50模型结构改进前后, 对油菜菌核病发病早期的识别正确率分别是66.79%、 83.78%和88.66%, 改进后模型的识别正确率分别提高了16.99%和4.88%, 模型的识别精度和召回率也得到很大提高。 所提出的识别模型平均识别正确率为88.66%, 精度和召回率达到83%以上, 只有对发病第7天的召回率为79.04%。 把构建的多分类模型设定为是否受病害胁迫的二分类模型, 则模型的正确率97.97%, 精度99.19%, 召回率98.02%, 同时, 模型对第9天测试集的识别正确率达到91.25%。 改进后的Resnet50模型可有效保留数据的光谱特征和局部特征, 使模型对油菜菌核病发病早期的识别能力显著提高。 该模型对发病1周内的油菜菌核病严重程度具有较好的识别能力。 对是否发病的识别能力更高, 模型识别正确率、 精度和召回率均达到97.97%以上。 模型对油菜菌核病发病早期识别具有很好识别能力和泛化能力。 因此, 该模型可综合利用高光谱图像的光谱和图像特征, 解决油菜菌核病发病早期无症状、 识别困难的问题; 也可为基于高光谱或多光谱图像的农作物病害早期识别技术的发展提供参考。

关键词: 深度卷积神经网络; 高光谱图像; 油菜菌核病; 早期诊断; Resnet50
中图分类号:S127 文献标志码:A
Early Recognition of Sclerotinia Stem Rot on Oilseed Rape by Hyperspectral Imaging Combined With Deep Learning
LIANG Wan-jie1, FENG Hui2, JIANG Dong3, ZHANG Wen-yu1,4, CAO Jing1, CAO Hong-xin1,*
1. Institute of Agricultural Information, Jiangsu Academy of Agricultural Sciences, Nanjing 210014, China
2. Institute of Plant Protection, Jiangsu Academy of Agricultural Sciences, Nanjing 210014, China
3. Institute of Geographical Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
4. School of Agricultural Engineering, Jiangsu University, Zhenjiang 212013, China
*Corresponding author
Abstract

The sclerotinia stem rot on oilseed rapeis soil-borne disease. There are no visible symptoms in the leaves in the early onset stage, so it is not easy to monitor from the plant surface. It cannot be recognized by ordinary spectral images or RGB images of oilseed rape leaves. In this study, hyperspectral imaging is used as monitoring technology, combined with deep learning to build an early identification model of sclerotinia stem rot on oilseed rape to solve the problem of early identification of sclerotinia stem rot on oilseed rape. In this study, the stem rot on oilseed rape was used as the research object, and the mycelium inoculation method was used to induce the disease in the root of oilseed rape. The hyperspectral images of diseased rape plants and healthy plants were collected on the 2nd, 5th, 7th and 9th day after onset. After removing the background, S-G smoothing of the spectral curve, cutting and segmentation, the model training and testing dataset was constructed. Based on the resnet50, the number of feature images was improved, and the first layer's convolution kernelsize was reduced to improve the model's recognition ability. The model's recognition performance and generalization ability were verified based on cross validation. The accuracy of the three models with different structures was 66.79%, 83.78% and 88.66% respectively. The accuracy of the improved model was increased by 16.99% and 4.88% respectively, and the precision and recall rate were improved too. The average accuracy of the improved resnet50 model was 88.66%, the precision and recall rate was more than 83%, and only the recall rate on the seventh day of onset was 79.04%. If the model is binary whether the rape is under disease stress, the accuracy of the model is 97.97%, the precision is 99.19%, and the recall rate is 98.02%. At the same time, the accuracy of the model for the test dataset reached 91.25%.The results of cross-validation showed that the improved model had a good recognition ability for sclerotinia stem rot on oilseed rape within one week and could be used to identify the different stages of sclerotinia stem rot on oilseed rape. The improved model has a stronger ability to identify whether rape was stressed by sclerotinia stem rot on oilseed rape, and the accuracy, precision and recall rate all reached more than 97.97%. At the same time, the model's accuracy for the test dataset(Day 9 of onset) reached 91.25%, indicating that the model had a good generalization ability for the early recognition of sclerotinia stem rot on oilseed rape. This study solved the problem that asymptomatic disease recognition cannot be carried out based on GRB images and provided are ference for the development of crop diseases early recognition.

Keyword: Deep convolution neural network; Hyperspectral imaging; Sclerotinia stem rot on oilseed rape; Early recognition; Resnet50
引言

我国是农业大国, 农作物种类多、 分布广。 主要农作物病虫害达1 400多种, 具有种类多、 影响大和局部暴发成灾等特点。 病害已成为制约高产、 优质、 高效农业可持续发展的主要因素之一[1]。 仅2019年, 世界范围内因病虫害造成的小麦、 水稻、 玉米、 马铃薯及大豆等主要粮食作物的减产分别达到21.5%、 30.0%、 22.6%、 17.2%和21.4%[2]。 作物病虫害已成为目前农业管理中最基本、 最重要也是最值得关注的问题之一[3]。 目前, 病虫害防治中存在生物制剂、 化学农药等非绿色方法, 理化检测和人工调查比较费时、 费力等问题。 这些问题造成过量、 不当的农药喷洒, 引发农药残留, 严重影响农产品产量和品质; 不能及时掌控病虫害发展情况, 错过最佳防治时机, 造成重大损失。 从作物病虫害防治角度, 工作重点在于“预防为主”及“早发现, 早防治”。 因此, 作物病害发病早期识别具有重大科学意义。

病虫害早期识别的目标是通过对作物生理变化的识别, 尽早确定疾病的发生。 Zhang等利用中红外光谱, 通过光谱分析和波段选择, 构建油菜菌核病识别模型, 分类正确率达到80%以上[4]。 Liu等利用激光诱导击穿光谱识别油菜菌核病, 准确率达到85%以上[5]。 Oerke等对感染霜霉病的葡萄叶片的光谱时序变化研究发现, 红边波长可用于接种后第8.5天的疾病检测, 500~700 nm可用于接种后第9.5天后的疾病检测[6]。 桂江生等基于高光谱图像的CNN模型, 实现了发病7天后大豆花叶病的早期快速检测[7]。 这些成果为作物病害早期识别奠定了坚实基础, 具有重大的意义。

高光谱遥感技术在中小尺度的作物病虫害监测识别上已表现出较大潜力, 可为作物病虫害“有效防控”和“精准施治”提供依据[8]。 高光谱成像技术可同时获得作物连续的光谱信息和高分辨率的图像信息[9], 是作物病虫害信息获取和监测的有效技术。 Kong等利用高光谱图像、 波段优选算法和分类模型分别研究油菜叶部和颈部菌核病识别方法, 识别准确率都达到80%以上[10, 11]。 杨燕和何勇利用高光谱成像技术实现水稻抗氧化酶值的预测, 从而实现稻瘟病的早期识别[12]。 李波等以高光谱技术为检测手段, 结合主成分分析(PCA)和概率神经网络(PNN)实现对多种水稻病虫害的快速、 精确识别[13]。 目前, 深度学习已成为农作物病虫害实时监测与智能诊断研究热点。 深度学习模型, 特别是卷积神经网络(convolutional neural network, CNN)模型, 可自主学习数据特征, 从原始图像中重构图像的高层语义特征[14]。 王献锋等利用棉花生长的环境信息, 提出一种基于自适应判别DBN的棉花病虫害预测模型[15]。 宋余庆等提出了多层次增强高效空间金字塔(extremely efficient spatial pyramid, EESP)卷积深度学习模型, 解决了植物病虫害图像尺寸不相同问题, 实现了多作物多病害的识别[16]。 赵立新等通过改进AlexNet模型, 并利用迁移学习和数据增强技术, 使模型平均准确率达到97.16%[17]。 姚青等利用改进的RetinaNet深度学习模型, 实现了水稻冠层稻纵卷叶螟和二化螟的识别[18]。 这些研究在基于RGB图像的作物病害识别方面取得了较高的识别精度, 为作物病害识别奠定了坚实的基础, 可以为基于高光谱图像的作物病害早期检测提供技术支撑。

油菜菌核病是油菜生产中危害最严重且常见的一种土传病害[19]。 鉴于高光谱成像技术在作物病害监测方面的技术优势, 以及深度学习模型自学习能力和特征提取上的技术特点, 以油菜菌核病为研究对象, 通过人工接种菌丝试验, 利用高光谱成像和深度卷积神经网络模型对油菜菌核病发病早期识别方法进行研究。

1 实验部分
1.1 数据获取与处理

本研究采用菌丝块接种法, 油菜菌核病菌丝由江苏省农业科学院植物保护研究所提供。 油菜品种是宁油22。 2020年9月育苗, 培育至约10 cm高, 选取健壮, 长势均匀的幼苗移栽至塑料桶(高: 25 cm, 直径: 20 cm)单株培育。 2021年3月24日进行病菌接种, 并用健康油菜作对照。 在油菜接近土壤的茎部用刀片做切口, 利用打孔器从培养基上生长旺盛的菌落边缘取直径5 mm的菌块, 并将布满菌丝的一面附着在切口处, 用无菌水湿润脱脂棉贴在菌块上, 最后用黑色垃圾袋把接菌丝处包裹严密, 如图1所示。 2021年3月25日接菌丝处有病症显现, 3月26日、 29日、 31日, 以及4月2日采集发病和健康植株的高光谱图像。

图1 油菜接种菌丝试验实例Fig.1 Example of inoculation with hypha for rape

高光谱成像仪是美国Resonon公司的Pika XC。 光谱范围: 400~1 000 nm; 光谱分辨率: 2.5 nm; 图像分辨率: 1 360×1 024; 光谱波段数: 240。 高光谱图像采集平台如图2。 主要包括4台卤素补光灯, 1个旋转平台, 高光谱仪和采集系统。 每株油菜每旋转90度采集1幅高光谱图像, 共采集4幅图像。 对高光谱图像进行去除背景、 S-G光谱曲线平滑处理、 剪切、 分割等处理。

图2 高光谱图像采集平台Fig.2 Hyperspectral imaging platform

1.2 数据集构建方法

油菜菌核病发病部位在根茎部, 发病早期叶面无病症。 为实现病害早期识别, 把接种菌丝植株的叶片视为发病叶片。 把不同发病期和健康植株的高光谱图像分为健康、 发病第2天、 发病第5天、 发病第7天和发病第9天5个类别。 经过数据预处理的高光谱图像, 以64个像素为步长, 被分割成256×256×240大小的高光谱图像, 然后整理出叶片占图像70%以上的高光谱图像用于数据集构建。 分类整理后, 数据集中各类别高光谱图像信息如表1。 其中发病第7、 9天样本数偏少, 是因为发病植株叶片脱落造成。 随机从每个类别挑选的高光谱图像的红、 绿、 蓝波段组成的图片, 如图3所示。

图3 部分发病和健康油菜叶片
(a): 发病第2天; (b): 发病第5天; (c): 发病第7天; (d): 发病第9天; (e): 健康油菜Fig.3 Some diseased and healthy rape leaves
(a): 2 days after infection; (b): 5 days after infection; (c): 7 days after infection; (d): 9 days after infection; (e): Healthy leaves

表1 数据集信息 Table 1 Information of dataset

把发病第2、 5、 7天和健康油菜组成模型训练测试数据集, 发病第9天作为测试集。 采用5-flod交叉验证, 每个数据集被均分成5份, 4份作为训练集, 1份作为验证集, 即80%作为训练集, 20%作为验证集。

1.3 模型构建

1.3.1 识别模型

残差网络(ResNet), 引入残差模块、 恒等映射、 瓶颈层等技术, 通过增加网络层数使其具有更好的特征表达能力, 巧妙地解决了网络深度引发的梯度消失或梯度爆炸问题; 有效控制了网络参数和计算复杂度。 以Resnet50为基础, 通过改善模型结构, 构建了油菜菌核病发病早期识别模型。 模型参数和结构如图4所示, Conv代表卷积层, 后面的数字为卷积核大小; C为输出特征图个数, S为步长, P为填充值。 模型结构图中省略了归一化层和激活函数层。 模型的激活函数采用Leaky ReLU。 Leaky ReLU激活函数可以使梯度正常传播, 并能避免神经元处于“死亡”状态。 与标准Resnet50相比, 模型结构进行如下调整: (1)模型的输入数据是一个256×256×240的高光谱图像数据立方体。 (2)第1个卷积层的卷积核大小由7×7调整为3×3。 (3)第1个卷积层和卷积层模块的特征图数量调整为1 024。 (4)最后一个卷积层的输出特征图数量为4 096。

图4 油菜菌核病早期检测模型结构Fig.4 The structure of early recognition model of sclerotinia stem rot on oilseed rape

1.3.2 模型运行环境

模型基于Darknet深度学习平台实现。 Darknet是一个小众的深度学习框架, 但该框架具有以下优点: (1)没有任何依赖项, 易于安装; (2)结构明晰, 源代码查看、 修改方便; (3)易于移植, 有利于模型系统与其他系统集成及应用开发。 在原有系统上主要增加了对高光谱数据块的加载、 预处理等功能。 用于模型训练和测试的GPU是NVIDIA GEFORCE RTX 3090, 该款GPU采用第2碟 NVIDIA RTX架构, 搭载了全新的RT Core、 Tensor Core 及SM流式多处理器, CUDA核心数10 496, 存储24 GB。 操作系统是Ubuntu20.04。

1.3.3 模型性能评价指标

为评价油菜菌核病发病早期识别模型的性能, 选择正确率(Accuracy)、 精度(Precision)和召回率(Recall)作为模型性能评价指标。 正确率表示正确分类样本数除以样本总数, 正确率越高模型性能越好。 精度是精确性的度量, 表示被分为正例的样本中实际为正样本的比例。 召回率是覆盖面的度量, 衡量分类器对正样本的识别能力。 正确率、 精度、 召回率计算公式如式(1)—式(3)所示。

Accuracy=(TP+TN)/(TP+TN+FP+FN)(1)

Precision=TP/(TP+FP)(2)

Recall=TP/(TP+FN)(3)

式中, P为正样本(Positive); N为负样本(Negtive); TP为正样本被分为正样本的个数; FP为负样本被分为正样本的个数; TN为负样本分为负样本的个数, FN为正样本分为负样本的个数。

2 结果与讨论
2.1 模型结构改进前后性能对比

为验证模型结构调整前后对油菜菌为核病发病早期的识别能力, 在相同试验条件下通过交叉验证, 统计模型改进前后的正确率、 精度和召回率, 结果如表2。 只把输入图像从3层的RGB图像改成240层的高光谱图像数据块, 模型对油菜菌核病发病早期识别正确率为66.79%, 精度分别为60.96%、 61.84%和78.12%, 召回率分别为71.96%、 73.40%和64.10%。 这说明只改变输入数据的Resnet50模型对油菜菌核病发病早期识别能力比较低。 在改变输入数据基础上, 把第一阶段卷积层的特征图数量从64增加到1 024, 并把最后一层卷积层从2 048改为4 096。 改变后模型对油菜菌核病发病早期识别正确率达到83.78%, 精度分别为84.55%、 75.68%和83.85%, 召回率分别为83.17%、 84.10%和81.93%。 识别正确率提高了16.99%, 对各类别的识别精度和召回率都有提高。 说明结构调整后可以提高模型对油菜菌核病发病早期的识别能力。 增加特征图数量可以很好地保留高光谱图像的光谱信息, 说明光谱信息对油菜菌核病发病早期的识别起到关键作用。 在前面改进的基础上, 把第一个卷积层的卷积核大小从7×7调整为3×3, 模型对油菜菌核病发病早期识别正确率达到88.66%, 精度分别为83.55%、 83.78%和90.36%, 召回率分别为95.81%、 83.39%和79.04%。 结构调整后模型的识别正确率提高了4.88%, 对各类别的识别精度和召回率也有提高。 小的感受野可保留更多局部特征, 说明局部特征对油菜菌核病发病早期识别更加重要。

表2 不同结构模型识别性能 Table 2 Recognition performance of different structure models
2.2 油菜菌核病发病早期识别模型

为验证改进后模型对油菜菌核病早期识别能力, 以发病第2、 5、 7天和健康植株数据集为基础, 通过交叉验证, 统计各模型的正确率、 精度和召回率的平均值, 结果如表3。 表3前3行统计的是模型对数据集的正确率, 对发病第2、 5、 7天的识别精度和召回率。 模型对第7天的召回率为79.04%, 其他指标都在83%以上。 这说明模型对油菜菌核病早期不同发病期具有较好的识别能力。 众所周知, 作物一旦受到病害胁迫, 首先会引起作物本身保护机制的一系列反应。 这一过程会导致次优生长, 表现为叶面积指数降低、 色素沉着、 含水量变化和表面温度等的变化。 所有这些变化或多或少地影响了作物(冠层、 叶片)的光谱特征。 并随着发病天数的增加, 作物生理反应增大, 光谱特征变化更明显。 从表可知, 随着天数的增加, 模型识别能力并没有明显的提高。 造成这种现象可能的原因是: (1)作物光谱特征的变化往往不仅仅是由病虫害胁迫造成的, 因油菜菌核病是根部发病, 随着发病天数增加, 油菜会受到非生物胁迫(干旱、 养分胁迫等)。 (2)高光谱图像的光谱分辨率的精度对发病间隔2、 3天的识别能力不够。 (3)在数据采集、 数据处理、 样本挑选等过程中都存在误差。

表3 模型对不同发病期识别性能 Table 3 Recognition performances for infacted oilseed rapes at different onset stages

假设发病第2、 5、 7天为无区别发病样本, 即正样本, 健康植株为负样本, 然后统计模型的正确率、 精度和召回率。 有病害的样本只要分类为d2、 d5或d7, 都统计为分类正确, 记为TP; 有病样本分类为健康, 记为FN; 健康分类为d2、 d5或d7, 记为FP; 健康分类为健康记为TN。 最终统计得到, 正确率97.97%, 精度99.19%, 召回率98.02%。 这说明模型对油菜是否受菌核病胁迫的发病早期识别能力很强。 以发病第9天数据为测试集, 叶片被识别为有病害, 记为分类正确, 否则记为分类错误。 统计得到识别正确率达到91.25%。 说明模型对发病9天之内的油菜菌核病的识别具有很好的泛化能力。

3 结论

获取高光谱成像信息, 提出基于改进Resnet50模型的油菜菌核病发病早期识别方法, 并取得较好的识别效果。 Resnet50模型结构调整前后对油菜菌核病发病早期的识别正确率分别是66.79%、 83.78%和88.66%, 改进后模型的识别正确率分别提高了16.99%和4.88%, 模型对各类别的识别精度和召回率也有提高。 说明基于Resnet50的结构调整可有效保留数据的光谱特征和局部特征, 使模型对油菜菌核病发病早期的识别效果显著提高。 本研究构建的识别模型识别正确率为88.66%, 精度和召回率都在83%以上, 只有对发病第7天的召回率为79.04%, 说明模型对发病1周内的油菜菌核病发病早期严重程度具有较好的识别能力。 模型对油菜是否受菌核病害胁迫的识别正确率97.97%, 精度99.19%, 召回率98.02%, 对发病第9天测试集的识别正确率达到91.25%。 因此, 模型对油菜菌核病发病早期识别具有很好的识别能力和泛化能力。 此项技术可以推广应用到其他作物病害发病早期识别。 该研究可为植保机器人田间病虫害巡检和机器人精准喷药提供技术支撑, 为基于高光谱图像的作物病害早期识别和智能测报打下基础。

参考文献
[1] DAI Xiao-feng, YE Zhi-hua, CAO Ya-zhong, et al(戴小枫, 叶志华, 曹雅忠, 等). Chinese Journal of Applied Ecology(应用生态学报), 1999, 10(1): 119. [本文引用:1]
[2] Carvajal-Yepes M, Cardwell K, Nelson A, et al. Science, 2019, 364(6447): 1237. [本文引用:1]
[3] ZHANG Ning, YANG Gui-jun, ZHAO Chun-jiang, et al(张凝, 杨贵军, 赵春江, 等). National Remote Sensing Bulletin(遥感学报), 2021, 25(1): 403. [本文引用:1]
[4] Zhang Chu, Feng Xuping, Wang Jian, et al. Plant Methods, 2017, 13: 39. [本文引用:1]
[5] Liu F, Shen T, Wang J, et al. Transactions of the ASABE, 2019, 62(1): 123. [本文引用:1]
[6] Oerke E C, Herzog K, Toepfer R. Journal of Experimental Botany, 2016, 67(18): 5529. [本文引用:1]
[7] GUI Jiang-sheng, WU Zi-xian, LI Kai(桂江生, 吴子娴, 李凯). Journal of Zhejiang University(Agric. & Life Sci. )[浙江大学学报(农业与生命科学版)], 2019, 45(2): 256. [本文引用:1]
[8] HUANG Wen-jiang, SHI Yue, DONG Ying-ying, et al(黄文江, 师越, 董莹莹, 等). Smart Agriculture(智慧农业), 2019, 1(4): 1. [本文引用:1]
[9] ZHOU Hong-ping, HU Yi-lei, JIANG Hong-zhe, et al(周宏平, 胡逸磊, 姜洪喆, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2021, 52(5): 308. [本文引用:1]
[10] Kong Wenwen, Zhang Chu, Cao Feng, et al. Sensors, 2018, 18: 1764. [本文引用:1]
[11] Kong Wenwen, Zhang Chu, Huang Weihao, et al. Sensors, 2018, 18: 123. [本文引用:1]
[12] YANG Yan, HE Yong(杨燕, 何勇). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2013, 29(20): 135. [本文引用:1]
[13] LI Bo, LIU Zhan-yu, HUANG Jing-feng, et al(李波, 刘占宇, 黄敬峰, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2009, 25(9): 143. [本文引用:1]
[14] Hinton G E, Salakhutdinov R R. Science, 2006, 313: 504. [本文引用:1]
[15] WANG Xian-feng, ZHANG Chuan-lei, ZHANG Shan-wen, et al(王献锋, 张传雷, 张善文, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2018, 34(14): 157. [本文引用:1]
[16] SONG Yu-qing, XIE Xi, LIU Zhe, et al(宋余庆, 谢熹, 刘哲, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2020, 51(8): 196. [本文引用:1]
[17] ZHAO Li-xin, HOU Fa-dong, LÜ Zheng-chao, et al(赵立新, 侯发东, 吕正超, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2020, 36(7): 184. [本文引用:1]
[18] YAO Qing, GU Jia-le, LÜ Jun, et al(姚青, 谷嘉乐, 吕军, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2020, 36(15): 182. [本文引用:1]
[19] CHEN Xin-xin, LIU Zi-yi, LÜ Mei-qiao, et al(陈欣欣, 刘子毅, 吕美巧, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2019, 39(3): 730. [本文引用:1]