全 文 ：园艺学报，2016，43 (4)：763–770.
Acta Horticulturae Sinica
doi：10.16420/j.issn.0513-353x.2015-0667；http：//www. ahs. ac. cn 763
收稿日期：2015–11–09；修回日期：2016–04–11
基金项目：国家现代农业产业技术体系建设专项资金项目（CARS-29-04）；浙江省果品农业新品种选育重大科技专项（2012C12904-2）
* 共同第一作者
** 通信作者 Author for correspondence（E-mail：shizebinszb@126.com；Tel：0571-86401011）
基于图像处理技术梨果实尺寸测定系统的研发
与应用
戴美松 1,*，张小斌 2,*，李秀根 3，王月志 1，蔡丹英 1，张树军 4，施泽彬 1,**
（1 浙江省农业科学院园艺研究所，杭州 310021；2 浙江省农业科学院数字农业研究所，杭州 310021；3 中国农业科
学院郑州果树研究所，郑州 125100；4济宁市林业局，山东济宁 272019）
摘 要：根据标准参照物确定梨果实尺寸的计算机 2D 图像处理模型，开发了基于 AForge.net 图像类
库和 MatLab 图像处理工具的梨果实尺寸测定软件工具包。结果表明，利用该工具包可对一幅果实 2D 数
字图像内多个果实的多个表型（果实纵径、果实横径、果形指数、果实截面积、果心纵径、果心横径与
果梗长度）进行精确度量，具备准确、快速、易于操作等优点，有一定推广应用价值。此外，配套的图
像采集装置与图像编辑工具可帮助研究人员建立规范的表型图像数据集。
关键词：梨；果实；尺寸测定；标准化；图像处理
中图分类号：S 661.2 文献标志码：A 文章编号：0513-353X（2016）04-0763-08

Development of a Size Measurement System for Pear Fruit Based on Image
Processing Technology
DAI Mei-song1,*，ZHANG Xiao-bin2,*，LI Xiu-gen3，WANG Yue-zhi1，CAI Dan-ying1，ZHANG Shu-jun4，
and SHI Ze-bin1,**
（1Institute of Horticulture，Zhejiang Academy of Agricultural Sciences，Hangzhou 310021，China；2Institute of Digital
Agriculture，Zhejiang Academy of Agricultural Sciences，Hangzhou 310021，China；3Zhengzhou Fruit Research Institute，
Chinese Academy of Agricultural Sciences，Zhengzhou 125100，China；4Jining Forestry Bureau，Jining，Shandong 272019，
China）
Abstract：This paper introduce a fast size measurement system for pear fruit. By using computer
digital image processing technology，an indirect digital measuring model based on standard objects was
firstly built，then，a size measuring software kit of pear fruit phenotypes was developed by using
AForge.net class libraries and MatLab image processing tools. Finally，the artificial measuring results were
used to check the model and the software kit. Measurement results of software kit showed no significant
differences with the control（manual measurement），neither in the case of single/multiple object（s）in one
image file，nor in the case of fruits with different sizes. The software kit could be used to identify and
measure multiple phenotypes of multiple pear fruits accurately in one 2D picture precisely，such as fruit
height，fruit width，fruit shape index，fruit sectional area，fruit core height，fruit core width and stalk

Dai Mei-song，Zhang Xiao-bin，Li Xiu-gen，Wang Yue-zhi，Cai Dan-ying，Zhang Shu-jun，Shi Ze-bin.
Development of a size measurement system for pear fruit based on image processing technology.
764 Acta Horticulturae Sinica，2016，43 (4)：763–770.
length，etc. In addition，this size measurement system is rapid，accurate and easy to use，which could be
applied for the phenotypic analysis of other similarly sized fruits，like peach & tomato，and for other
organs，such as seed and leaf. Besides，the image acquisition device and image editing tools can help
researchers to establish normative phenotypic image data sets ， which should be promote the
standardization and informationization of phenotypic analysis work.
Key words：pear；fruit；size measurement；standardization；image processing

对植物表型进行精确鉴定与度量是后续开展遗传分析、基因发掘、分子标记开发等工作的基础。
随着计算机辅助图像采集与分析技术方法的逐渐成熟，一批植物表型分析平台应运而生。如在花序
形态建成表型观测方面，P-TRAP（AL-Tam et al.，2013）和 PASTAR/PASTA Viewer（Ikeda et al.，
2010）分析平台通过分析扫描形成的稻穗 2D 图片，实现对稻穗主轴（primary axis）长度与直径、
1 ~ 4 级支梗（axis）数量、支梗位置与长度、枝（spikelet）数量、枝面积与周长、枝长度与宽度、
谷粒数量与形态等 24 个表型数据的自动输出，并基于这些数据自动绘出稻穗形态。在表型鉴定效率
方面，PANorama 分析平台（Crowell et al.，2014）进一步提高了 2D 图像识别花序表型的精确度和
效率，IAP（Integrated Analysis Platform）植物表型分析整合平台（Klukas et al.，2014）则实现不限
植物种类，不限图像来源，更大规模、更高通量的表型自动化分析。在果树研究领域，基于图像分
析技术的表型鉴定与测量方法也有一定应用。如 Magwaza 和 Opara（2014）结合 X-Ray 和图像分析
技术以非破坏方式重构了石榴果实内部 3D 结构，并实现了果实内部空隙体积、非食用部分（albedo）
体积、可食部分（arils）体积等表型数据的自动获取。Corkidi 等（2006）实现了利用三维图像重建
技术对杧果果实病斑的精确测定。另外，通过图像分析算法的优化，实现了田间无损条件下对葡萄
果粒大小（Roscher et al.，2014）及单粒质量（Cubero et al.，2014）等表型数据的精确采集。Mendoza
等（2011）结合高光谱散射数据与图像分析技术，还实现了苹果果实硬度与可溶性固形物含量等品
质指标的高通量、无损检测。在叶面积（苑克俊 等，2006；王旺田 等，2007）、柔荑花序长度（于
丽霞 等，2010）、叶片稀密程度（张富贵 等，2013）、树体形态（张建瓴 等，2007；李松 等，
2009；刘沛和陈军，2011；周薇 等，2014）、产量（张亚静 等，2009）等单一表型的快速分析测
定方面开展了相应研究，但有关果实表型的快速鉴定研究较少。在果树种质资源评价与育种实践过
程中，果实表型性状的鉴定仍存在图像采集环境难于统一、人工测定误差难于控制等问题。本研究
中在借鉴上述工作的基础上，探索建立了标准化的梨果实 2D 图像采集装置，并在此基础上通过建
立测定模型，开发了利用 2D 图像处理技术批量自动提取梨果实多个表型数据（果实纵径、果实横
径、果形指数、果实截面积、果心纵径、果心横径与果梗长度等）的软件工具包，从而实现标准化、
快速、准确地获取梨果实表型信息。
1 材料与方法
1.1 图像采集装置搭建与控制软件开发
图像采集装置包括 1 个拍摄箱体、1 台数码相机（佳能 EOS 系列相机，Canon Inc.，Japan，本
试验采用 EOS 550D）及 1 个相机固定支架。其中，拍摄箱体为市售含 2 支柔光光源（24 W，色温
5 500 K）的 60 cm × 60 cm × 60 cm 规格的摄影箱，箱体四周及顶部为银色漫反光布密闭，箱体顶部
裁留一个 Φ15 cm 的拍摄孔。
戴美松，张小斌，李秀根，王月志，蔡丹英，张树军，施泽彬.
基于图像处理技术梨果实尺寸测定系统的研发与应用.
园艺学报，2016，43 (4)：763–770. 765

自主开发了针对佳能 EOS 系列数码相机的 PC 端遥控软件，可实现图像实时预览及对相机关键
拍摄参数（测光模式、焦距、ISO、光圈值、快门速度、白平衡模式等）的远程设定。
在图像采集时，利用相机支架将数码相机垂直固定在箱顶拍摄孔的正上方 90 cm 处，根据拍摄
对象表面色泽不同，在箱体底部铺设纯白色或纯黑色绒布作为拍摄背景，在评估预拍摄效果后，调
整得到最佳拍摄参数并固定。获得的数码图片以 JPEG 格式存入计算机。
1.2 尺寸标准参照物及图像垂直与水平方向校准模型
在绘图软件中绘制纯黑/纯白棋盘格，包含有 18 块黑色和 18 块白色，每色块规格为 1 cm × 1 cm
（图 1），打印输出后制作成卡片作为标准尺寸参照物。在实际拍摄中，针对可能存在的参考卡片图
像形变情况，通过程序算法优化剔除 36 个参考色块中不符合要求的参考色块，最终统计得出每 1 cm2
色块中的平均像素数（像素密度）及每个像素点对应的实际尺寸大小，以此为参考计算得出拍摄对
象的尺寸及面积。













图 1 标准测量参照物
Fig. 1 Standard objects for measurement analysis

利用上述内参卡片，通过连续获取水平面（背景）及其上 20 cm 距离范围内单位面积的像素密
度参数，建立数学模型以矫正垂直方向上因果实器官等拍摄对象自身高度所带来的测量误差。
在镜头成像范围内，以拍摄对象在成像中心点的尺寸为参照，收集同一拍摄对象在水平方向其
他位置的尺寸数据，从而建立水平面误差矫正模型。
1.3 梨果实图像分析与尺寸测定工具包的开发
基于 AForge.net 图像类库（http：//www. aforgenet. com/）对上述装置采集得到的图像进行预处
理和对象特征提取。经灰度化、二值化处理后，图像通过区域填充滤镜（FillHoles）消除果实表面
斑点，由 BlobCounter 提取图像中的分离对象，并获取对象最大长度、最大宽度、面积（像素数量）
等信息，形成了一系列基于 2D 图像的尺寸测定工具软件。若部分对象相互粘连，则基于 MatLab
开发的粘连物体分割方法处理原始图像后再进行对象分割。采用图形用户接口（GUI）编程技术，
将上述模型与测定工具软件封装形成梨果实图像分析与尺寸测定系统。
Dai Mei-song，Zhang Xiao-bin，Li Xiu-gen，Wang Yue-zhi，Cai Dan-ying，Zhang Shu-jun，Shi Ze-bin.
Development of a size measurement system for pear fruit based on image processing technology.
766 Acta Horticulturae Sinica，2016，43 (4)：763–770.
1.4 模型与测定工具的检测
1.4.1 单果/多果图像识别与测定模型的检测
采用随机区组试验设计，取 15 个大小相近的‘翠冠’梨果实（采自浙江省农业科学院杨渡科研
基地内），分别编号标记后，先人工采用电子数显游标卡尺（Guanglu®）进行果实纵径与果实横径尺
寸的测量，再将这 15 个果实按规则摆放好用图像采集装置获取单幅图像，应用图像识别与测定模型
获取对应测量数据。在 Statistica7.0 软件中进行差异显著性分析。
1.4.2 不同大小果实对图像识别与测定模型影响的检测
取‘翠冠’ב翠玉’杂交 F1 代群体（定植于浙江省农业科学院杨渡科研基地内）不同大小与
形状的梨果实 70 个，分别编号标记后，将果实纵剖，先人工采用电子数显游标卡尺（Guanglu®）进
行果实纵径、果实横径、果心纵径、果心横径与果柄长度等相关尺寸的测量，再用图像采集装置获
取图像，应用图像识别与测定模型获取对应测量数据。
采用配对–t 测验法在 Statistica7.0 软件中进行差异显著性分析。
2 结果与分析
2.1 图像垂直与水平误差矫正模型的建立
在相机位置与光圈值、快门速度、ISO 等拍摄参数固定不变的条件下，利用图 1 所示的标准参
照物建立垂直误差矫正模型（图 2，A）。结果表明，在距拍摄背景板 0 ~ 20 cm 垂直距离范围内，随
着拍摄对象高度的增加，单位成像面积内的像素密度也随之增加，且像素密度增加率与拍摄对象高
度之间存在显著线性相关关系。
在成像画幅范围内（长 × 宽 = 40 cm × 40 cm），水平各方向的观察值与中心参考点的观察值无
差异（图 2，B），因此本系统未进行水平误差矫正。














图 2 图像垂直（A）与水平（B）误差矫正模型
Fig. 2 The image vertical（A）and horizontal（B）deviation correction model
2.2 模型与图像识别算法验证
在上述模型的基础上，以梨果实为试材进行果实图像识别与测定算法的可靠性验证试验。结果
表明：图像识别算法得出的测量结果与对照（人工测量）无显著差异（表 1）；算法可以批量识别出
一幅图片中的多个果实（图 3，B），并可分别进行测定计算，计算结果与对照无显著差异（表 1）。
戴美松，张小斌，李秀根，王月志，蔡丹英，张树军，施泽彬.
基于图像处理技术梨果实尺寸测定系统的研发与应用.
园艺学报，2016，43 (4)：763–770. 767

表 1 不同图像识别方法对梨果实测量值的影响
Table 1 Effect of different image recognition methods on measured value of pear fruit
测量方法
Measuring method
纵径/cm
Fruit height
横径/cm
Fruit width
单果图像识别 Image recognition of single fruit 5.1 ± 0.4 A 5.6 ± 0.3 A
多果图像识别 Image recognition of multi fruits 5.0 ± 0.5 A 5.6 ± 0.3 A
人工测量（对照）Manual measurement（Control） 5.0 ± 0.4 A 5.6 ± 0.3 A
注：同一列中的相同字母代表差异不显著（P ≤ 0.01 水平）。n = 15。
Note：Same letter in same row represents non-significant difference at P ≤ 0.01 level. n = 15.

在上述基础上，进一步开展图像垂直误差纠正模型的可靠性试验。供试果实材料按横径尺寸分
为 3 个等级：大果（横径 > 7 cm）、中果（5 cm ≤ 横径 ≤ 7 cm）和小果（横径 < 5 cm），分别进
行图像识别测定与人工测定。结果（表 2）表明：图像识别算法测得的果实纵径、果实横径、果型
指数、果心横径和果心纵径对照没有差异，但大中果的果梗长度与对照存在显著（极显著）差异。

表 2 梨果实大小对图像识别结果的影响
Table 2 Effect of pear fruit size on the measured values by image recognition method
样本
Sample
样本数
Number of
samples
测量方法
Measuring method
果实横径/cm
Fruit width
果实纵径/
cm
Fruit height
果形指数
Fruit shape
index
果心横径/cm
Fruit core width
果心纵径/cm
Fruit core
height
果梗长度/cm
Stalk length
人工测量（对照）
Manual measurement
（Control）
8.1 ± 0.6 7.5 ± 0.6 0.9 ± 0.1 2.6 ± 0.3 2.8 ± 0.2 4.8 ± 0.9 大果
Big
fruit
8
图像识别 Image recognition 8.3 ± 0.7 7.7 ± 0.6 0.9 ± 0.1 2.7 ± 0.2 2.9 ± 0.3 4.1 ± 1.1**
人工测量（对照）
Manual measurement
（Control）
6.0 ± 0.6 5.4 ± 1.0 0.9 ± 0.1 2.3 ± 0.4 2.4 ± 0.4 3.3 ± 0.6 中果
Middle
fruit
50
图像识别 Image recognition 6.0 ± 0.7 5.6 ± 1.0 0.9 ± 0.1 2.3 ± 0.3 2.3 ± 0.4 3.8 ± 0.5*
小果
Small
fruit
11 人工测量（对照）
Manual measurement
（Control）
4.6 ± 0.3 4.0 ± 0.3 0.9 ± 0.1 1.9 ± 0.2 1.9 ± 0.3 3.6 ± 0.4
图像识别 Image recognition 4.5 ± 0.3 4.0 ± 0.3 0.9 ± 0.1 1.9 ± 0.1 1.9 ± 0.2 3.4 ± 0.4
* P ≤ 0.05；** P ≤ 0.01.

2.3 梨果实图像分析与尺寸测定系统实现的基本功能
采用图形用户接口（GUI）编程技术，开发设计了梨果实图像分析与尺寸测定的软件系统。该
软件与图像获取硬件装置相结合，主要实现了照相机参数设定与遥控拍摄（图 3，A）、图像编辑加
工、测定尺寸自动标注（图 3，A）、单个/批量果实自动识别与编号测定（图 3，B、C），以及图像
与测定数据的管理与输出（图 3，D）等功能，可实现果实纵径与横径、果型指数与果实横截面积等
参数的批量自动获取。另外，针对部分梨果的果心与果肉难于由图像算法分开，以及果柄分离等的
问题，设计了人工添加辅助线进行图像分割与测量的功能（图 3，C），即可实现在一幅图片上同时
对多个果实的果心纵径与横径、果柄长度等参数开展同步测定。
2.4 系统在桃和番茄果实、梨叶片和种子器官表型测定中的应用
桃、番茄和梨果实大小相近，实测结果表明可直接应用该系统进行果实大小等表型指标的分析
测定（图 4，A、B）。该系统亦可应用于叶片与种子等器官的相关表型参数测定，如叶形与尺寸、
叶面积、种子数量、种子尺寸与面积等（图 4，C、D）。在拍摄叶片图片时须用透明 PVC 板压平叶
片；在拍摄种子图片时应尽量避免种子粘连，少量粘连可利用软件中提供的图像切割方法进行处理。
Dai Mei-song，Zhang Xiao-bin，Li Xiu-gen，Wang Yue-zhi，Cai Dan-ying，Zhang Shu-jun，Shi Ze-bin.
Development of a size measurement system for pear fruit based on image processing technology.
768 Acta Horticulturae Sinica，2016，43 (4)：763–770.
















图 3 梨果实图像分析与尺寸测定系统基本功能与用户界面
Fig. 3 Basic function and user interface of image analysis & size measurement system for pear fruit phenotype



















图 4 图像分析与尺寸测定系统在桃（A）、番茄果实（B）、梨叶片（C）与种子（D）器官等材料分析测定上的应用
Fig. 4 Applications of image analysis & size measurement system on peach（A），tomato（B），pear leaf（C）and seeds（D）
3 讨论
随着以‘性状工厂’（TraitMill）为代表的大规模、高通量自动化植物表型分析测定技术设备的
发展，表型分析测定日益高效（玉光惠和方宣钧，2009），精确度也大大提高，如借助 3D 结构重
建与测定技术实现了对植物叶片形态时空变化动态的精确测量（Rolland-Lagan et al.，2014），大大
戴美松，张小斌，李秀根，王月志，蔡丹英，张树军，施泽彬.
基于图像处理技术梨果实尺寸测定系统的研发与应用.
园艺学报，2016，43 (4)：763–770. 769

提高了表型判断的准确度。本研究中，基于图像处理技术开发的尺寸测量系统实现了梨果实多个表
型尺寸数据的度量。该方法与常规的人工直尺测量方法相比，不受目标物体大小、形状等因素的影
响，精确、快速，而且测量判定由计算机自动完成，最大限度避免了人为因素的影响，降低了操作
者的劳动强度。另外，在某些表型的度量方面提高准确度，比如由于果柄存在弯曲生长情况，人工
测量不仅耗时长，而且准确度也难以保证，本系统采用了弯曲对象的图像测量方法，获得较为精确
的结果，增加了该表型数据的测量精确度与可信度。
为便于开展‘表型组学’研究，人们建立了统一数据标准和技术规范，如欧盟的植物表型网络
（European Plant Phenotyping Network，EPPN）（EPPN，2015）和由澳大利亚、法国和德国等国家
的科研机构共同组建的国际植物表型网络（International Plant Phenotyping Network，IPPN）（IPPN，
2015）。在梨属植物研究领域，制定了包含 33 个数值型、6 个日期型和 102 个字符型在内共 141 个
描述符的梨种质资源描述规范、数据标准和数据质量控制规范（曹玉芬 等，2006）。本研究中在上
述规范框架下，开发了基于图像处理技术的梨果实部分表型自动识别及尺寸测定工具，以提高表型
观察效率。下一步将开展梨果实形状、果肉与果面颜色、果点大小与密度、果实萼洼与梗洼等表型
的图像自动判识与量化工作，希望能通过对图像获取方法与分析算法的优化尽可能多的将字符型描
述符实现数值化，有助于资源性状的定量分析。
本研究中建立的标准化 2D 图像采集装置具有一定的通用性，只要能避免人为因素及周围光环
境的影响，保证采集条件的一致与图像清晰度，用户也可以选择其他规格的拍摄箱体和数码相机型
号。该装置不仅可用于果实图像采集，还可用于花、芽、枝条等器官的比对图像采集，且采集的表
型图像由于拍摄环境条件完全一致，显著提高了表型的可对比性。提供的标尺标注、剪裁等图像处
理工具，简化了表型图像的管理工作，可适用于种质资源标准化表型图库的建设工作。另外，研究
建立的 2D 图像测量算法经验证表明可直接扩展应用到桃、番茄果实，以及叶片、种子等其他器官
的表型度量测定中，但由于模型范围的限制，甜瓜、西瓜等大型果实的测定则需要重新建模。
在应用本系统进行图像获取和表型尺寸的测定时，为保证测定准确度，需要在图像获取环节注
意几个关键点：a）相机成像平面应与拍摄对象及背景保持平行；b）被测物体与标准参照物的所有
拍摄条件必须一致，以保证所得图片尺寸与像素点大小等参数一致；c）在进行测定分析前，需要先
根据图像质量情况选择不同的图像预处理方法，设定好参数，以准确提取到被测物体的纹理特征，
此时标准参照物图像也必须用相同的图像预处理方法及参数进行处理；d）为处理叶片扭曲折皱引起
的测量误差，在拍摄叶片器官的表型图片时，需用透明平板将叶片压平。

References
AL-Tam Faroq，Helene Adam，António Dos Anjos，Mathias Lorieux，Pierre Larmande，Ghesquière Alain，Stefan Jouannic，Hamid Reza Shahbazkia.
2013. P-TRAP：a Panicle TRAit Phenotyping tool. BMC Plant Biology，13：122.
Cao Yu-fen. 2006. Descriptors and data standard for pear（Pyrus spp.）. Beijing：China Agriculture Press. (in Chinese)
曹玉芬. 2006. 梨种质资源描述规范和数据标准. 北京：中国农业出版社.
Corkidi G，Balderas-Ruiz K A，Taboada B，Serrano-Carreon L，Galindo E. 2006. Assessing mango anthracnose using a new three-dimensional
image-analysis technique to quantify lesions on fruit. Plant Pathology，55 (2)：250–257.
Crowell Samuel，Falcão Alexandre X，Shah Ankur，Wilson Zachary，Greenberg Anthony J，McCouch Susan R. 2014. High-resolution inflorescence
phenotyping using a novel image-analysis pipeline，PANorama. Plant Physiology，165 (2)：479–495.
Cubero Sergio，Diago María Paz，Blasco José，Tardáguila Javier，Millán Borja，Aleixos Nuria. 2014. A new method for pedicel/peduncle detection
and size assessment of grapevine berries and other fruits by image analysis. Biosystems Engineering，117：62–72.
EPPN. 2015. European plant phenotyping standards. http：//www.plant-phenotyping-network.eu/.2015/8/24
Dai Mei-song，Zhang Xiao-bin，Li Xiu-gen，Wang Yue-zhi，Cai Dan-ying，Zhang Shu-jun，Shi Ze-bin.
Development of a size measurement system for pear fruit based on image processing technology.
770 Acta Horticulturae Sinica，2016，43 (4)：763–770.
Ikeda Mayuko，Hirose Yoshitsugu，Takashi Tomonori，Shibata Yosuke，Yamamura Takuya，Komura Toshiro，Doi Kazuyuki，Ashikari Motoyuki，
Matsuoka Makoto，Kitano Hidemi. 2010. Analysis of rice panicle traits and detection of QTLs using an image analyzing method. Breeding
Science，60 (1)：55–64.
IPPN. 2015. International plant phenotyping network. http：//www.plant-phenotyping.org/. 2015-08-24
Klukas Christian，Chen Di-Jun，Pape Jean-Michel. 2014. Integrated analysis platform：an open-source information system for high-throughput plant
phenotyping. Plant Physiology，165 (2)：506–518.
Li Song，Zhang Jian-ling，Ke Xin-rong，Hong Tian-sheng. 2009. Simulation and reestablishment of the fruit-tree’s three-dimensional profile surface.
Journal of South China Agricultural University，30 (1)：94–98. (in Chinese)
李 松，张建瓴，可欣荣，洪添胜. 2009. 果树三维外形轮廓的仿真与重建. 华南农业大学学报，30 (1)：94–98.
Liu Pei，Chen Jun. 2011. Fruit tree-based reconstruction of laser scanning system. Journal of Agricultural Mechanization，(5)：199–201，206. (in Chinese)
刘 沛，陈 军. 2011. 基于激光扫描的果树树形重构系统研究. 农机化研究，(5)：199–201，206.
Magwaza Lembe Samukelo，Opara Umezuruike Linus. 2014. Investigating non-destructive quantification and characterization of pomegranate fruit
internal structure using X-ray computed tomography. Postharvest Biology and Technology，95：1–6.
Mendoza Fernando，Lu Ren-fu，Ariana Diwan，Cen Hai-yan，Bailey Benjamin. 2011. Integrated spectral and image analysis of hyperspectral
scattering data for prediction of apple fruit firmness and soluble solids content. Postharvest Biology and Technology，(62)：149–160.
Rolland-Lagan Anne-Gaëlle，Remmler Lauren，Girard-Bock Camille. 2014. Quantifying shape changes and tissue deformation in leaf development.
Plant Physiology，165 (2)：496–505.
Roscher Ribana，Herzog Katja，Kunkel Annemarie，Kicherer Anna，Töpfer Reinhard，Förstner Wolfgang. 2014. Automated image analysis
framework for high-throughput determination of grapevine berry sizes using conditional random fields. Computers and Electronics in
Agriculture，100：148–158.
Wang Wang-tian，Ma Jing-fang，Zhang Jin-lin，Cao Zi-yi. 2007. A new method for measuring grape leaf area. Journal of Fruit Science，24 (5)：
709–713. (in Chinese)
王旺田，马静芳，张金林，曹孜义. 2007. 一种新的葡萄叶面积测定方法. 果树学报，24 (5)：709–713.
Yu Guang-hui，Fang Xuan-jun. 2009. Concept of phenomics and its development in plant science. Molecular Plant Breeding，7 (4)：639–645. (in Chinese)
玉光惠，方宣钧. 2009. 表型组学的概念及植物表型组学的发展. 分子植物育种，7 (4)：639–645.
Yu Li-xia，Qi Yong-shun，Zhang Jing-zheng，Wang Tong-kun. 2010. A new method for measuring catkin length of Castanea mollissima using
AutoCAD. Journal of Fruit Science，27 (6)：1052–1054. (in Chinese)
于丽霞，齐永顺，张京政，王同坤. 2010. 应用AutoCAD测定板栗葇荑花序长度的新方法. 果树学报，27 (6)：1052–1054.
Yuan Ke-jun，Liu Qing-zhong，Li Sheng-long，Chen Xiu-xia. 2006. A new method for measuring leaf area of fruit trees using digital camera. Acta
Horticulturae Sinica，33 (4)：829–832. (in Chinese)
苑克俊，刘庆忠，李圣龙，陈秀霞. 2006. 利用数码相机测定果树叶面积的新方法. 园艺学报，33 (4)：829–832.
Zhang Fu-gui，Shen Ming-ming，Liu Guo-zhi，Chen Yu-yi. 2013. Detection for the fruiter leaf density based on image processing technology. Journal
of Mountain Agriculture and Biology，32 (6)：517–521. (in Chinese)
张富贵，沈明明，刘国志，陈宇熠. 2013. 基于图像处理技术的果树树叶稀密程度的检测. 山地农业生物学报，32 (6)：517–521.
Zhang Jian-ling，Li Song，Ke Xin-rong，Hong Tian-sheng，Zhang Tie-min. 2007. Detection of the fruit-tree’s shape-structure parameters based on
DSP. Journal of Fruit Science，24 (5)：644–648. (in Chinese)
张建瓴，李 松，可欣荣，洪添胜，张铁民. 2007. 基于DSP的果树形态结构参数检测. 果树学报，24 (5)：644–648.
Zhang Ya-jing，Deng Lie，Li Min-zan，Zhao Rui-jiao，He Shao-lan，Yi Shi-lai. 2009. Estimation of citrus yield based on image processing.
Transactions of the Chinese Society for Agricultural Machinery，40 (S1)：97–99. (in Chinese)
张亚静，邓 烈，李民赞，赵瑞娇，何绍兰，易时来. 2009. 基于图像处理的柑橘测产方法. 农业机械学报，40 (S1)：97–99.
Zhou Wei，Liu Gang，Ma Xiao-dan，Feng Juan. 2014. Study on multi-image registration of apple tree at different growth stages. Acta Optica Sinica，
34 (2)：177–183. (in Chinese)
周 薇，刘 刚，马晓丹，冯 娟. 2014. 不同生长时期果树多源图像的配准方法研究. 光学学报，34 (2)：177–183.