中草药

机器视觉技术在中药材全产业链中的应用进展

PDF下载

刘欢 ¹, , 牛民浩 ² , 戚武振 ¹,,⁴ , 徐冰 ¹,,⁴

中草药 | 综述 2026,57(16): 6552-6565

收起

中草药 |综述 2026 , 57 (16) : 6552 -6565

机器视觉技术在中药材全产业链中的应用进展

全屏

[Author(id=1319981851809263842, tenantId=1146029695717560320, journalId=1302319053441957962, articleId=1319981843387101394, orderNo=1, firstName=null, middleName=null, lastName=null, nameCn=刘欢, orcid=null, stid=null, country=null, authorPic=null, dead=null, email=null, emailSecond=null, emailThird=null, correspondingAuthor=0, authorType=2, ext={CN=AuthorExt(id=1319981855617691877, tenantId=1146029695717560320, journalId=1302319053441957962, articleId=1319981843387101394, authorId=1319981851809263842, language=CN, stringName=刘欢, firstName=null, middleName=null, lastName=null, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=¹,, address=³北京中医药大学中药学院, 北京 102400, bio=刘欢: 刘欢,本科生,研究方向为中药学。E-mail:20220221040@bucm.edu.cn, bioImg=null, bioContent=null, aboutCorrespAuthor=null)}, companyList=[AuthorCompany(id=1319981848919388381, tenantId=1146029695717560320, journalId=1302319053441957962, articleId=1319981843387101394, xref=3^*, ext=[AuthorCompanyExt(id=1319981848927776990, tenantId=1146029695717560320, journalId=1302319053441957962, articleId=1319981843387101394, companyId=1319981848919388381, language=CN, country=null, province=null, city=null, postcode=null, companyName=北京中医药大学中药学院, 北京 102400, departmentName=null, remark=^3.北京中医药大学中药学院, 北京 102400)])]), Author(id=1319981855722549478, tenantId=1146029695717560320, journalId=1302319053441957962, articleId=1319981843387101394, orderNo=2, firstName=null, middleName=null, lastName=null, nameCn=牛民浩, orcid=null, stid=null, country=null, authorPic=null, dead=null, email=null, emailSecond=null, emailThird=null, correspondingAuthor=0, authorType=2, ext={CN=AuthorExt(id=1319981856058093801, tenantId=1146029695717560320, journalId=1302319053441957962, articleId=1319981843387101394, authorId=1319981855722549478, language=CN, stringName=牛民浩, firstName=null, middleName=null, lastName=null, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=², address=^2.宁夏大学机械工程学院, 宁夏银川 750021宁夏大学机械工程学院, 宁夏银川 750021, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null)}, companyList=[AuthorCompany(id=1319981848441237722, tenantId=1146029695717560320, journalId=1302319053441957962, articleId=1319981843387101394, xref=2, ext=[AuthorCompanyExt(id=1319981848470597851, tenantId=1146029695717560320, journalId=1302319053441957962, articleId=1319981843387101394, companyId=1319981848441237722, language=CN, country=null, province=null, city=null, postcode=null, companyName=宁夏大学机械工程学院, 宁夏银川 750021, departmentName=null, remark=^2.宁夏大学机械工程学院, 宁夏银川 750021)])]), Author(id=1319981856402026730, tenantId=1146029695717560320, journalId=1302319053441957962, articleId=1319981843387101394, orderNo=3, firstName=null, middleName=null, lastName=null, nameCn=戚武振, orcid=null, stid=null, country=null, authorPic=null, dead=null, email=null, emailSecond=null, emailThird=null, correspondingAuthor=1, authorType=2, ext={CN=AuthorExt(id=1319981856502690029, tenantId=1146029695717560320, journalId=1302319053441957962, articleId=1319981843387101394, authorId=1319981856402026730, language=CN, stringName=戚武振, firstName=null, middleName=null, lastName=null, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=¹,,⁴, address=³,^4.北京市科委中药生产过程控制与质量评价北京市重点实验室, 北京 102400北京中医药大学中药学院, 北京 102400, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null)}, companyList=[AuthorCompany(id=1319981848919388381, tenantId=1146029695717560320, journalId=1302319053441957962, articleId=1319981843387101394, xref=3^*, ext=[AuthorCompanyExt(id=1319981848927776990, tenantId=1146029695717560320, journalId=1302319053441957962, articleId=1319981843387101394, companyId=1319981848919388381, language=CN, country=null, province=null, city=null, postcode=null, companyName=北京中医药大学中药学院, 北京 102400, departmentName=null, remark=^3.北京中医药大学中药学院, 北京 102400)]), AuthorCompany(id=1319981850957820128, tenantId=1146029695717560320, journalId=1302319053441957962, articleId=1319981843387101394, xref=4^*, ext=[AuthorCompanyExt(id=1319981851561799905, tenantId=1146029695717560320, journalId=1302319053441957962, articleId=1319981843387101394, companyId=1319981850957820128, language=CN, country=null, province=null, city=null, postcode=null, companyName=北京市科委中药生产过程控制与质量评价北京市重点实验室, 北京 102400, departmentName=null, remark=^4.北京市科委中药生产过程控制与质量评价北京市重点实验室, 北京 102400)])]), Author(id=1319981856817262831, tenantId=1146029695717560320, journalId=1302319053441957962, articleId=1319981843387101394, orderNo=4, firstName=null, middleName=null, lastName=null, nameCn=徐冰, orcid=null, stid=null, country=null, authorPic=null, dead=null, email=null, emailSecond=null, emailThird=null, correspondingAuthor=1, authorType=2, ext={CN=AuthorExt(id=1319981856922120434, tenantId=1146029695717560320, journalId=1302319053441957962, articleId=1319981843387101394, authorId=1319981856817262831, language=CN, stringName=徐冰, firstName=null, middleName=null, lastName=null, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=¹,,⁴, address=³,^4.北京市科委中药生产过程控制与质量评价北京市重点实验室, 北京 102400北京中医药大学中药学院, 北京 102400, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null)}, companyList=[AuthorCompany(id=1319981848919388381, tenantId=1146029695717560320, journalId=1302319053441957962, articleId=1319981843387101394, xref=3^*, ext=[AuthorCompanyExt(id=1319981848927776990, tenantId=1146029695717560320, journalId=1302319053441957962, articleId=1319981843387101394, companyId=1319981848919388381, language=CN, country=null, province=null, city=null, postcode=null, companyName=北京中医药大学中药学院, 北京 102400, departmentName=null, remark=^3.北京中医药大学中药学院, 北京 102400)]), AuthorCompany(id=1319981850957820128, tenantId=1146029695717560320, journalId=1302319053441957962, articleId=1319981843387101394, xref=4^*, ext=[AuthorCompanyExt(id=1319981851561799905, tenantId=1146029695717560320, journalId=1302319053441957962, articleId=1319981843387101394, companyId=1319981850957820128, language=CN, country=null, province=null, city=null, postcode=null, companyName=北京市科委中药生产过程控制与质量评价北京市重点实验室, 北京 102400, departmentName=null, remark=^4.北京市科委中药生产过程控制与质量评价北京市重点实验室, 北京 102400)])])]

刘欢¹,, 牛民浩², 戚武振¹,,⁴, 徐冰¹,,⁴

作者信息

^1.北京中医药大学中药学院, 北京 102400

^2.宁夏大学机械工程学院, 宁夏银川 750021

^3.北京中医药大学中药学院, 北京 102400

^4.北京市科委中药生产过程控制与质量评价北京市重点实验室, 北京 102400

通讯作者:

戚武振

作者简介:

刘欢: 刘欢,本科生,研究方向为中药学。E-mail:20220221040@bucm.edu.cn

Applications progress on machine vision technology in entire industrial chain of traditional Chinese medicinal materials

Affiliations

出版时间: 2026-08-28 doi: 10.7501/j.issn.0253-2670.2026.16.027

文章导航

摘要

收起

国家近期提出“人工智能＋”战略，机器视觉技术（machine vision technology，MVT）作为人工智能的“眼睛”，在多个领域展现出广泛的应用潜力。系统综述了MVT在中药材全产业链中的应用现状。通过采集常规视觉图像与多源光谱视觉图像，并结合传统机器学习与深度学习算法，MVT已广泛用于中药材种子质量评价与分选、种植环境适宜性分析与区划、植株生长监测与田间管理、采收决策、产地初加工控制及产品质量评价等关键环节，显著提升了生产过程的智能化水平和质量管控能力。然而，当前MVT在中药材产业中的应用仍存在技术碎片化、数据孤岛化、模型实验室化及成本高昂化等突出问题。基于“人工智能＋”战略的引导，进一步提出应推动构建覆盖全产业链的智能体系统、建立共建共享的数据资源生态、研发轻量化自适应算法模型及创新普惠性商业模式等发展策略，以推动MVT在中药材产业中的深度融合与规模化应用，为实现全链条智能化与高质量发展提供技术支撑。

关键词

机器视觉技术 / 中药材 / 产业链 / 人工智能+ / 机遇与挑战

Abstract

收起

China has recently proposed the “artificial intelligence +” strategy. Machine vision technology (MVT), which serves as the visual perception interface for artificial intelligence, has demonstrated broad application potential across multiple domains. This review provides a systematic overview of MVT applications throughout the entire industrial chain of Chinese medicinal herbs. By acquiring conventional visual images and multi-source spectral images, and by integrating both traditional machine learning and deep learning algorithms, MVT has been widely implemented in critical processes including seed quality evaluation and sorting, suitability analysis and regional zoning of cultivation environments, plant growth monitoring and field management, harvesting decision-making, primary processing control at the place of origin, and product quality assessment. These applications have significantly enhanced the intelligence level of production processes and the capability for quality control. Nevertheless, prominent challenges remain, such as technological fragmentation, data silos, lab-bound models, and high implementation costs. Guided by the “artificial intelligence +” strategy, this paper further proposes strategic directions including establishing intelligent agent systems covering the entire industrial chain, creating collaborative data resource ecosystems, developing lightweight adaptive algorithm models, and innovating inclusive business models. These measures aim to promote deep integration and large-scale application of MVT in the Chinese medicinal herb industry, thereby providing technical support for intelligent, high-quality development of the entire value chain.

Key words

machine vision technology / Chinese medicinal herbs / industrial chain / artificial intelligence+ / opportunities and challenges

引用本文

刘欢, 牛民浩, 戚武振, 徐冰. 机器视觉技术在中药材全产业链中的应用进展. 中草药, 2026 , 57 (16) : 6552 -6565 . DOI: 10.7501/j.issn.0253-2670.2026.16.027

LIU Huan, NIU Minhao, QI Wuzhen, XU Bing. Applications progress on machine vision technology in entire industrial chain of traditional Chinese medicinal materials[J]. Chinese Traditional and Herbal Drugs, 2026 , 57 (16) : 6552 -6565 . DOI: 10.7501/j.issn.0253-2670.2026.16.027

基金

收起

国家工信部重大任务专项“中药绿色智能制造技术”
北京中医药大学基本科研业务费（揭榜挂帅）项目

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

杨振华. 工业自动化生产中机器视觉技术的应用与实现研究[J]. 科技资讯, 2025, 23(19): 45-47.

秦昌友, 杨艳山, 顾峰玮, 等. 现代农业领域中计算机视觉技术的运用与发展[J]. 中国农机化学报, 2023, 44(12): 119-128.

田鹏菲, 王皞阳. 机器视觉技术在我国农业领域内的应用分析[J]. 江苏农业科学, 2023, 51(14): 13-21.

Li Z H, Li Y X, Li Q D, et al. LViT: Language meets vision transformer in medical image segmentation [J]. IEEE Trans Med Imaging, 2024, 43(1): 96-107.

宋泽冈, 刘艳莉, 张长兴. 基于机器视觉的桥梁裂缝检测应用及发展综述[J]. 科学技术与工程, 2023, 23(30): 12796-12805.

张金松, 屈哲, 岳孟坤, 等. 高温风洞机器视觉系统:原理、设计与装备[J]. 中国科学: 技术科学, 2020, 50(6): 742-762.

黄璐琦. 中药材质量需要规范[J]. 中医杂志, 2022, 63(8): 744.

张伯礼, 张俊华, 陈士林, 等. 中药大健康产业发展机遇与战略思考[J]. 中国工程科学, 2017, 19(2): 16-20.

曹雪晓, 任晓亮, 王萌, 等. 中药材及饮片规格等级质量标准研究进展[J]. 中药材, 2021, 44(2): 490-494.

朱浩, 郭盛, 严辉, 等. 人工智能技术在中药资源全产业链中的应用实践与探索[J]. 中国中药杂志, 2025, 50(10): 2888-2904.

朱云, 凌志刚, 张雨强. 机器视觉技术研究进展及展望[J]. 图学学报, 2020, 41(6): 871-890.

刘瑞新, 陈鹏举, 李学林, 等. 人工智能感官: 药学领域的新技术[J]. 药物分析杂志, 2017, 37(4): 559-567.

刘波. 计算机视觉研究综述[J]. 数字通信世界, 2019(12): 97.

王耀南, 陈铁健. 智慧工厂机器视觉感知与控制关键技术综述[J]. 中兴通讯技术, 2016, 22(5): 26-30.

He Y Z, Deng B Y, Wang H J, et al. Infrared machine vision and infrared thermography with deep learning: A review [J]. Infrared Phys Technol, 2021, 116: 103754.

Su X S, Wang Y N, Mao J X, et al. A review of pharmaceutical robot based on hyperspectral technology [J]. J Intell Rob Syst, 2022, 105(4): 75.

Li J B, Huang W Q, Zhao C J. Machine vision technology for detecting the external defects of fruits: A review [J]. Imag Sci J, 2015, 63(5):241-251.

Dong C Z, Catbas F N. A review of computer vision-based structural health monitoring at local and global levels [J]. Struct Health Monit, 2021, 20(2): 692-743.

Jia L M, Wang Y. Research on industrial production defect detection method based on machine vision technology in industrial internet of things [J]. Traitement du Signal, 2022, 39(6): 2061-2068.

Li R R, Zhao S C, Yang B K. Research on the application status of machine vision technology in furniture manufacturing process [J]. Appl Sci, 2023, 13(4): 2434.

Li Z B, Guo R H, Li M, et al. A review of computer vision technologies for plant phenotyping [J]. Comput Electron Agric, 2020, 176: 105672.

Peng K Q, Ma W, Lu J Z, et al. Application of machine vision technology in citrus production [J]. Appl Sci, 2023, 13(16): 9334.

Galata D L, Mészáros L A, Kállai-Szabó N, et al. Applications of machine vision in pharmaceutical technology: A review [J]. Eur J Pharm Sci, 2021, 159: 105717.

王成军, 韦志文, 严晨. 基于机器视觉技术的分拣机器人研究综述[J]. 科学技术与工程, 2022, 22(3): 893-902.

卢荣胜, 史艳琼, 胡海兵. 机器人视觉三维成像技术综述[J]. 激光与光电子学进展, 2020, 57(4): 1-19.

王耀南, 陈铁健, 贺振东, 等. 智能制造装备视觉检测控制方法综述[J]. 控制理论与应用, 2015, 32(3): 273-286.

Ren Z H, Fang F Z, Yan N, et al. State of the art in defect detection based on machine vision [J]. Int J Precis Eng Manuf Green Technol, 2022, 9(2): 661-691.

Wu J, He Y, Zhao J L. An infrared target images recognition and processing method based on the fuzzy comprehensive evaluation [J]. IEEE Access, 2024, 12: 12126-12137.

Li X R, Li J X, Li Y H, et al. High-throughput terahertz imaging: Progress and challenges [J]. Light Sci Appl, 2023, 12: 233.

Park H, Son J H. Machine learning techniques for THz imaging and time-domain spectroscopy [J]. Sensors, 2021, 21(4): 1186.

Altuntas C. Review of scanning and pixel array-based LiDAR point-cloud measurement techniques to capture 3D shape or motion [J]. Appl Sci, 2023, 13(11): 6488.

Tychola K A, Vrochidou E, Papakostas G A. Deep learning based computer vision under the prism of 3D point clouds: A systematic review [J]. Vis Comput, 2024, 40(11): 8287-8329.

Chen H W, Chen J, Guan Z H, et al. Stereovision-based ego-motion estimation for combine harvesters [J]. Sensors, 2022, 22(17):6394.

Du Y C, Muslikhin M, Hsieh T H, et al. Stereo vision-based object recognition and manipulation by regions with convolutional neural network [J]. Electronics, 2020, 9(2): 210.

Zhu Y P, Zhang D, Zhou Y K, et al. A binocular stereo-imaging-perception system with a wide field-of-view and infrared- and visible light-dual-band fusion [J]. Sensors, 2024, 24(2): 676.

Hamdy S, Charrier A, Le Corre L, et al. Toward robust and high-throughput detection of seed defects in X-ray images via deep learning [J]. Plant Meth, 2024, 20(1): 63.

Rafiei M, Raitoharju J, Iosifidis A. Computer vision on X-ray data in industrial production and security applications: A comprehensive survey [J]. IEEE Access, 2023, 11: 2445-2477.

Shreyamsha Kumar B K. Image denoising based on Gaussian/bilateral filter and its method noise thresholding [J]. Signal Image Video Process, 2013, 7(6): 1159-1172.

Ashpreet S, Biswas M. A comparative study of Median based impulse noise reduction methods for color images [J]. ICTACT J Image Video Process, 2021, 12(1): 2541-2554.

Severoglu N, Demir Y, Kaplan N H, et al. ACGC: Adaptive chrominance gamma correction for low-light image enhancement [J]. J Vis Commun Image Represent, 2025, 107: 104402.

Singh T R, Roy S, Singh O I, et al. A new local adaptive thresholding technique in binarization [J]. IJCSI, 2011, 8(6): 271-277.

Song P W, Si H Y, Zhou H, et al. Feature extraction and target recognition of moving image sequences [J]. IEEE Access, 2020, 8:147148-147161.

Wu K, Zhang Z L, He X H, et al. Using visible and NIR hyperspectral imaging and machine learning for nondestructive detection of nutrient contents in sorghum [J]. Sci Rep, 2025, 15: 6067.

Nhaila H, Sarhrouni E, Hammouch A. A new filter for dimensionality reduction and classification of hyperspectral images using GLCM features and mutual information [J]. Int J Signal Imag Syst Eng, 2018, 11(4): 193.

Shambulinga M, Sadashivappa G. Supervised hyperspectral image classification using SVM and linear discriminant analysis [J]. Int J Adv Comput Sci Appl, 2020, 11(10): 196-218.

Lee J, Kim K, Lee K. Multi-sensor image classification using the random forest algorithm in google earth engine with KOMPSAT-3/5 and CAS500-1 images [J]. Remote Sens, 2024, 16(24): 4622.

王昊, 祝玉华, 李智慧, 等. 机器视觉在农作物种子检测中的研究进展[J]. 计算机工程与应用, 2023, 59(22): 69-83.

Iqbal A. Comprehensive AI framework for automated classification, detection, segmentation, and severity estimation of date palm diseases using vision-language models and generative AI [J]. Front Plant Sci, 2025, 16:1710188.

Anvarkhah S, Hajeh-Hosseini M K, Davari-Edalat-Panah A, et al. Medicinal plant seed identification using machine vision [J]. Seed Sci Technol, 2013, 41(1): 107-120.

Tu K L, Wu W F, Cheng Y, et al. AIseed: An automated image analysis software for high-throughput phenotyping and quality non-destructive testing of individual plant seeds [J]. Comput Electron Agric, 2023, 207:107740.

Wu W F, Cheng Y, Tu K L, et al. Study on the selection of processing process and parameters of Platycodon grandiflorum seeds assisted by machine vision technology [J]. Agronomy, 2022, 12(11):2764.

Tu K L, Cheng Y, Ning C L, et al. Non-destructive viability discrimination for individual Scutellaria baicalensis seeds based on high-throughput phenotyping and machine learning [J]. Agriculture, 2022, 12(10): 1616.

程莹, 许亚男, 侯浩楠, 等. 基于机器视觉技术的小粒中药材种子净度快速检测[J]. 中国农业大学学报, 2022, 27(5): 114-122.

Loddo A, Di Ruberto C, Vale A M P G, et al. An effective and friendly tool for seed image analysis [J]. Vis Comput, 2023, 39(1):335-352.

Tu K L, Wen S Z, Cheng Y, et al. A model for genuineness detection in genetically and phenotypically similar maize variety seeds based on hyperspectral imaging and machine learning [J]. Plant Meth, 2022, 18(1): 81.

Xu Y N, Wu W F, Chen Y, et al. Hyperspectral imaging with machine learning for non-destructive classification of Astragalus membranaceus var. mongholicus, Astragalus membranaceus, and similar seeds [J]. Front Plant Sci, 2022, 13: 1031849.

Wu Z Y, Xue Q L, Miao P Q, et al. Deep learning network of Amomum villosum quality classification and origin identification based on X-ray technology [J]. Foods, 2023, 12(9): 1775.

梁碧仪, 陈颖, 黄梓煌, 等. 基于深度学习的卫星影像自动数字化技术[J]. 现代测绘, 2023, 46(6): 39-43.

祝聪, 罗瑶, 董永波, 等. 基于3S技术的四川省独一味生长适宜区研究[J]. 中草药, 2018, 49(6): 1405-1412.

董丽君, 尚雪, 文路军, 等. 基于遥感与GIS技术的四川道地药材川木通分布研究—以小木通为例[J]. 世界科学技术—中医药现代化, 2015, 17(11): 2398-2404.

陈玲玲, 施政, 廖凯涛, 等. 基于卷积神经网络的高分遥感影像耕地提取研究[J]. 农业机械学报, 2022, 53(9): 168-177.

Ding R, Luo J W, Wang C H, et al. Identifying and mapping individual medicinal plant Lamiophlomis rotata at high elevations by using unmanned aerial vehicles and deep learning [J]. Plant Methods, 2023, 19(1): 38.

尚雪, 董丽君, 文路军, 等. 基于遥感与GIS技术的四川省羌活资源适宜性分布研究[J]. 中国中药杂志, 2015, 40(13): 2553-2558.

Alshahrani H, Alkahtani H K, Mahmood K, et al. Chaotic Jaya optimization algorithm with computer vision-based soil type classification for smart farming [J]. IEEE Access, 2023, 11: 65849-65857.

Jiang C L, Zhao J Y, Ding Y Y, et al. Vis-NIR spectroscopy combined with GAN data augmentation for predicting soil nutrients in degraded alpine meadows on the Qinghai-Tibet Plateau [J]. Sensors, 2023, 23(7):3686.

Kaplan S, Ropelewska E, Günaydın S, et al. Machine learning and computer vision technology to analyze and discriminate soil samples [J]. Sci Rep, 2024, 14: 19945.

Ali M J S, Angelina D J J R, Ramaiah K S, et al. An analytical approach for soil classification using image processing [J]. Int Res J Adv Engg Hub, 2024, 2(4): 761-765.

孙雪倩, 杨彬, 李遇伯. 多基原中药质量评价研究进展[J]. 中草药, 2024, 55(12): 4214-4224.

李冠东, 张春菊, 高飞, 等. 双卷积池化结构的3D-CNN高光谱遥感影像分类方法[J]. 中国图象图形学报, 2019, 24(4): 639-654.

孙洪兵. 羌活品质及区划的定量法研究[D]. 广州: 广东药科大学, 2016.

Peng J B, Rezaei E E, Zhu W X, et al. Plant density estimation using UAV imagery and deep learning [J]. Remote Sens, 2022, 14(23): 5923.

赵喆, 谭吉锋, 陈鹏, 等. 基于多光谱传感技术的中药材生长监测系统设计与应用研究[J]. 科技资讯, 2024, 22(24): 160-162.

Chaves A A, La Scalea R A, Colturato A B, et al. Using UAVs and digital image processing to quantify areas of soil and vegetation [J]. J Phys: Conf Ser, 2015, 633: 012112.

Karmakar P, Teng S W, Murshed M, et al. Crop monitoring by multimodal remote sensing: A review [J]. Remote Sens Appl Soc Environ, 2024, 33: 101093.

Su R N, Wu N L, Na M L, et al. ICIS: Intelligent and Label-Free crop identifying using Multi-Source time series and model transfer [J]. Inf Process Agric, 2026, 13(2): 283-302.

王立环, 盖立丰. 高精度视觉感应技术在水肥一体机中的应用[J]. 农机化研究, 2024, 46(9): 232-235.

胡菊, 朱宇林, 梁芳, 等. 一种基于机器视觉的朱砂根大棚种植浇灌方法及系统: 中国, CN111011065A [P]. 2020-04-17.

梁丽丽. 基于ARM机器视觉的田间浇水设计[J]. 农业科学, 2018(4): 272-278.

Li W B, Wang K, Han G Q, et al. Integrated diagnosis and time-series sensitivity evaluation of nutrient deficiencies in medicinal plant (Ligusticum chuanxiong Hort.) based on UAV multispectral sensors [J]. Front Plant Sci, 2023, 13: 1092610.

熊小飞, 吴建康, 孙凡, 等. 基于图像分析的连翘套种魔芋生长智能决策方法及系统: 中国, CN118966520A [P]. 2024-11-15.

Li J J, Xu M L, Xiang L R, et al. Foundation models in smart agriculture: Basics, opportunities, and challenges [J]. Comput Electron Agric, 2024, 222: 109032.

Han F F, Guan X B, Xu M. Method of intelligent agricultural pest image recognition based on machine vision algorithm [J]. Discov Appl Sci, 2024, 6(10): 536.

杨康, 熊凯, 周平, 等. 基于改进SSD算法的轻量化三七病害检测[J]. 华南农业大学学报, 2023, 44(3): 447-455.

温艳兰, 陈友鹏, 王克强, 等. 基于机器视觉的病虫害检测综述[J]. 中国粮油学报, 2022, 37(10): 271-279.

秦韬, 庄卫东. 机器视觉技术在现代农业生产中的研究现状[J]. 现代化农业, 2024(4): 90-93.

柳春源, 陈洪建, 曾小辉, 等. 基于YOLO-V5l与ResNet50的农田害虫检测[J]. 人工智能与机器人研究, 2022, 11(3):236-247.

贾少鹏, 高红菊, 杭潇. 基于深度学习的农作物病虫害图像识别技术研究进展[J]. 农业机械学报, 2019, 50(B7): 313-317.

胡凯, 骆润玫, 刘泽乾, 等. 基于改进SSD的广佛手病虫害检测方法[J]. 南京农业大学学报, 2023, 46(4): 813-821.

袁德宝, 张冰瑞, 叶回春, 等. 水稻病虫害遥感监测与预测研究进展[J]. 遥感技术与应用, 2023, 38(1): 97-107.

Wang L Q, Jin T, Yang J Y, et al. Agri-LLaVA:Knowledge-infused large multimodal assistant on agricultural pests and diseases [J]. arXiv E Prints, 2024: arXiv: 2412.02158.

Wang Y Q, Wang F H, Chen W B, et al. A large language model for multimodal identification of crop diseases and pests [J]. Sci Rep, 2025, 15: 21959.

Zhang Y Q, Fan Q J, Chen X, et al. IPM-AgriGPT: A large language model for pest and disease management with a G-EA framework and agricultural contextual reasoning [J]. Mathematics, 2025, 13(4): 566.

蒋安, 许慧, 张群华. 一种基于人工智能的中药材采收时间的鉴别方法:中国, CN109934277A [P]. 2019-06-25.

韩路生, 王昱丹, 李宇航, 等. 高光谱结合机器学习鉴别林下参参龄[J]. 应用化学, 2025, 42(1): 69-77.

胡会强, 位云朋, 徐华兴, 等. 基于高光谱成像技术和主成分分析对粉葛年限的鉴别[J]. 光谱学与光谱分析, 2023, 43(6):1953-1960.

王哲, 郑永春, 李锦飞, 等. 基于多时相无人机遥感的玉竹GLI数值研究[J]. 中国中药杂志, 2020, 45(23): 5663-5668.

Bai Y, Nie C W, Wang H W, et al. A fast and robust method for plant count in sunflower and maize at different seedling stages using high-resolution UAV RGB imagery [J]. Precis Agric, 2022, 23(5):1720-1742.

喻丽华, 郑乐, 张龙, 等. 贵州根茎类中药材生产全程机械化现状与发展模式研究: 以太子参为例[J]. 贵州大学学报: 自然科学版, 2025, 42(1): 17-25.

郑如新, 孙青云, 肖国栋. 基于机器视觉的金银花图像识别处理算法研究[J]. 中国农机化学报, 2022, 43(4): 153-159.

100

桑一男, 徐增莱, 汪琼, 等. 一种轮式采花机器人设计: 以黄蜀葵为例[J]. 中国农机化学报, 2024, 45(9): 202-208.

101

王伟州, 毛卫平. 辊轮式金银花采摘机器人的设计[J]. 人工智能与机器人研究, 2024, 13(3): 541-549.

102

张涛, 张晓芳, 于国英. 可调速金银花采摘机的设计与创新研究[J]. 湖北农机化, 2020(13): 116-117.

103

陈立挺, 聂晓根. 基于双目视觉的机械手识别、定位、抓取系统研究[J]. 机电工程, 2019, 36(8): 862-866.

104

荆旭, 何智宏, 沈行健, 等. 基于视觉识别的自动收获分拣机器人设计与实验[J]. 农业装备与车辆工程, 2024, 62(3): 9-13.

105

李品, 于莲芝. 基于改进YOLOv8的虫草小目标检测算法[J]. 软件工程与应用, 2025(2): 499-510.

106

刘娇, 刘扬. 大数据分析在智能采摘机器人路径规划中的应用[J]. 农机化研究, 2020, 42(10): 221-225.

107

柳长源, 赖楠旭, 毕晓君. 基于深度图像的球形果实识别定位算法[J]. 农业机械学报, 2022, 53(10): 228-235.

108

郑可建, 张劲东, 黄少波. 基于OpenMV视觉分拣机器人的研发[J]. 电子制作, 2022, 30(9): 27-30.

109

Yu C Y, Xue Y, Zhang L Y, et al. YOLO-MEST: A re-parameterized multi-scale fusion model with enhanced detection head for high-accuracy tea bud detection [J]. Inf Process Agric, 2026, 13(2): 163-175.

110

黄少华, 梁喜凤. 基于改进YOLOv5的茶叶杂质检测算法[J]. 农业工程学报, 2022, 38(17): 329-336.

111

李文杰, 项安. 基于改进YOLOv6的中药材分选[J]. 电脑与信息技术, 2023, 31(6): 15-18.

112

王文杰, 郑志安, 吴敏, 等. 基于PLC的茯苓自动去皮机控制系统设计[J]. 中国农机化学报, 2022, 43(9): 88-94.

113

徐辉煌, 吴敏, 王梦露. 基于图像处理的菊花收缩率及色泽变化研究[J]. 智能化农业装备学报: 中英文, 2024, 5(4): 24-38.

114

Ropelewska E, Sabanci K, Aslan M F. The use of digital color imaging and machine learning for the evaluation of the effects of shade drying and open-air sun drying on mint leaf quality [J]. Appl Sci, 2023, 13(1): 206.

115

Martynenko A, Kudra T. Non-isothermal drying of medicinal plants [J]. Dry Technol, 2015, 33(13): 1550-1559.

116

孙梅, 王睿, 陈兴海, 等. 高光谱在冬虫夏草含量及真伪鉴别中的应用[J]. 中国现代应用药学, 2017, 34(8):1114-1117.

117

柴琴琴, 曾建, 张勋. 基于贝叶斯优化卷积神经网络的金线莲伪品鉴别[J]. 浙江农业学报, 2022, 34(2): 391-396.

118

杨承恩, 武海巍, 杨宇, 等. 中红外光谱和支持向量机的梅花鹿角帽粉假冒与掺假识别模型[J]. 光谱学与光谱分析, 2022, 42(8):2359-2365.

119

谈爱玲, 楚振原, 王晓斯, 等. 基于拉曼光谱和DCGAN数据增强的珍珠粉掺伪检测研究[J]. 光谱学与光谱分析, 2022, (3): 769-775.

120

Lin L, Xu M F, Ma L J, et al. A rapid analysis method of safflower (Carthamus tinctorius L.) using combination of computer vision and near-infrared [J]. Spectrochim Acta A Mol Biomol Spectrosc, 2020, 236: 118360.

121

张小波, 徐成东, 张明旭, 等. 中药地理学药地关系的研究框架[J]. 地理学报, 2025, 80(3): 643-660.

122

胡爱芬, 黄云, 任理雪, 等. 紫外-可见光谱传感对甘草品种及产地的准确鉴别[J]. 光谱学与光谱分析, 2024, 44(9): 2647-2656.

123

郑洁, 茹晨雷, 张璐, 等. 基于近红外高光谱成像技术对不同产地苦杏仁和桃仁药材的鉴别[J]. 中国中药杂志, 2021, 46(10):2571-2577.

124

刘宇强, 石胜群, 张猛胜, 等. LIBS-NIR光谱信息融合的黄芪产地鉴别[J]. 红外与激光工程, 2025, 54(6): 20250003.

125

苏俊宇, 杨绍兵, 王元忠. 基于FT-NIR和ATR-FTIR光谱的铁皮石斛地理溯源[J]. 分析测试学报, 2025, 44(6): 1005-1015.

126

丁丹, 李涛, 杨语. 高光谱成像技术鉴别长鞭红景天和四裂红景天[J]. 华西药学杂志, 2024, 39(4): 427-429.

127

胡晓燕, 王元忠. 基于傅里叶变换中红外光谱的不同维度光谱图像结合残差神经网络鉴别黄精属物种[J]. 分析测试学报, 2024, 43(11): 1709-1724.

128

吴莉莉, 邢玉清, 郑宝周, 等. 机器视觉在花椒品种鉴别中的初步研究[J]. 传感技术学报, 2016, 29(1): 136-140.

129

谢文涌, 柴琴琴, 甘勇辉, 等. 基于多特征提取和Stacking集成学习的金线莲品系分类[J]. 农业工程学报, 2020, 36(14): 203-210.

130

姚坤杉, 孙俊, 陈晨, 等. 基于高光谱技术的三七不同部位粉末的无损鉴别[J]. 光谱学与光谱分析, 2023, 43(7): 2027-2031.

131

宋含, 房芳, 魏哲文, 等. 高分辨质谱与深度学习视阈下的藏红花品质分析[J]. 分析测试学报, 2023, 42(10): 1388-1394.

132

陈述. 高能射线成像技术在中药农药残留检测中的应用[J]. 激光杂志, 2020, 41(6): 175-179.

133

张萌, 贾世杰. 基于高光谱成像技术的水果表面农药残留无损检测[J]. 食品与机械, 2021, 37(1): 99-103.

134

马骞, 杨婉琪, 李福生, 等. 基于迁移学习与TrAda Boost-SVM方法的XRF中药重金属超标研究[J]. 光谱学与光谱分析, 2023, 43(9):2729-2733.

135

曾云龙, 赵敏, 张敏, 等. 近红外荧光传感法测定中药材中赭曲霉毒素A [J]. 发光学报, 2019, 40(1): 115.

136

王超超, 张先超, 谷正昌, 等. 中药材及饮片检测中人工智能应用探讨[J]. 中国工程科学, 2024, 26(2): 245-254.

137

张晓, 吴宏伟, 于现阔, 等. 基于电子眼技术的穿心莲质量评价[J]. 中国实验方剂学杂志, 2019, 25(1): 189-195.

138

吴亚楠, 问思华, 杨凯, 等. HPLC结合电子眼技术评价柞水五味子药材质量[J]. 中华中医药杂志, 2023, 38(6): 2868-2873.

139

梁颖, 高鸿彬, 李晓丹, 等. 近红外光谱法快速测定化橘红中柚皮苷的含量[J]. 广州化学, 2020, 45(4): 23-29.

140

张迪文, 白雁, 谢彩侠, 等. 近红外光谱法快速测定女贞子药材中女贞苷的含量[J]. 中国药房, 2016, 27(36): 5140-5143.

141

毛佩芝, 杨凯, 金叶, 等. 近红外光谱法快速测定野菊花药材中水分及蒙花苷含量[J]. 中国现代应用药学, 2015, 32(12):1428-1432.

142

李真, 周立红, 杨功俊, 等. 近红外漫反射光谱法快速测定丹参药材中多指标成分的含量[J]. 中国药房, 2017, 28(30): 4247-4251.

143

冯丹, 罗西, 臧利艳, 等. 唐古特大黄多指标关键质量属性近红外光谱评价研究[J]. 分析测试学报, 2024, 43(11): 1697-1708.

144

丁海泉, 温江北, 高洪智, 等. 最小二乘支持向量机用于人参皂苷近红外光谱分析研究[J]. 现代农业装备, 2021, 42(5): 17-22.

145

马建华, 张冬, 何建国, 等. 枸杞自动化输送和分级装置机械设计[J]. 农机化研究, 2017, 39(2): 108-111.

146

张丽娟, 游浩海, 李芝贻, 等. 基于改进YOLOv8n轻量化的人参外观质量精准识别[J]. 农业工程学报, 2024, 40(24): 274-282.

147

王红莉, 史淑敏, 孙晓林, 等. 浙贝母智能化分级设备研究及应用[J]. 福建茶叶, 2020, 42(2): 7-8.

148

霍正瑞, 孙铁波. 基于改进YOLOv5算法的瓜蒌分级方法[J]. 中国农机化学报, 2024, 45(4): 100-107.

149

钟小华, 曹玉华, 张永清, 等. 基于机器视觉技术的红枣全表面信息无损分拣系统研究与实现[J]. 食品与机械, 2017, 33(5):114-118.

150

Zhu Y L, Zhang F J, Li L X, et al. Research on classification model of Panax notoginseng taproots based on machine vision feature fusion [J]. Sensors, 2021, 21(23): 7945.

151

卢伟, 蔡苗苗, 张强, 等. 高光谱和集成学习的黑枸杞快速分级方法[J]. 光谱学与光谱分析, 2021, 41(7):2196-2204.

杨振华. 工业自动化生产中机器视觉技术的应用与实现研究[J]. 科技资讯, 2025, 23(19): 45-47.
秦昌友, 杨艳山, 顾峰玮, 等. 现代农业领域中计算机视觉技术的运用与发展[J]. 中国农机化学报, 2023, 44(12): 119-128.
田鹏菲, 王皞阳. 机器视觉技术在我国农业领域内的应用分析[J]. 江苏农业科学, 2023, 51(14): 13-21.
Li Z H, Li Y X, Li Q D, et al. LViT: Language meets vision transformer in medical image segmentation [J]. IEEE Trans Med Imaging, 2024, 43(1): 96-107.
宋泽冈, 刘艳莉, 张长兴. 基于机器视觉的桥梁裂缝检测应用及发展综述[J]. 科学技术与工程, 2023, 23(30): 12796-12805.
张金松, 屈哲, 岳孟坤, 等. 高温风洞机器视觉系统:原理、设计与装备[J]. 中国科学: 技术科学, 2020, 50(6): 742-762.
黄璐琦. 中药材质量需要规范[J]. 中医杂志, 2022, 63(8): 744.
张伯礼, 张俊华, 陈士林, 等. 中药大健康产业发展机遇与战略思考[J]. 中国工程科学, 2017, 19(2): 16-20.
曹雪晓, 任晓亮, 王萌, 等. 中药材及饮片规格等级质量标准研究进展[J]. 中药材, 2021, 44(2): 490-494.
朱浩, 郭盛, 严辉, 等. 人工智能技术在中药资源全产业链中的应用实践与探索[J]. 中国中药杂志, 2025, 50(10): 2888-2904.
朱云, 凌志刚, 张雨强. 机器视觉技术研究进展及展望[J]. 图学学报, 2020, 41(6): 871-890.
刘瑞新, 陈鹏举, 李学林, 等. 人工智能感官: 药学领域的新技术[J]. 药物分析杂志, 2017, 37(4): 559-567.
刘波. 计算机视觉研究综述[J]. 数字通信世界, 2019(12): 97.
王耀南, 陈铁健. 智慧工厂机器视觉感知与控制关键技术综述[J]. 中兴通讯技术, 2016, 22(5): 26-30.
He Y Z, Deng B Y, Wang H J, et al. Infrared machine vision and infrared thermography with deep learning: A review [J]. Infrared Phys Technol, 2021, 116: 103754.
Su X S, Wang Y N, Mao J X, et al. A review of pharmaceutical robot based on hyperspectral technology [J]. J Intell Rob Syst, 2022, 105(4): 75.
Li J B, Huang W Q, Zhao C J. Machine vision technology for detecting the external defects of fruits: A review [J]. Imag Sci J, 2015, 63(5):241-251.
Dong C Z, Catbas F N. A review of computer vision-based structural health monitoring at local and global levels [J]. Struct Health Monit, 2021, 20(2): 692-743.
Jia L M, Wang Y. Research on industrial production defect detection method based on machine vision technology in industrial internet of things [J]. Traitement du Signal, 2022, 39(6): 2061-2068.
Li R R, Zhao S C, Yang B K. Research on the application status of machine vision technology in furniture manufacturing process [J]. Appl Sci, 2023, 13(4): 2434.
Li Z B, Guo R H, Li M, et al. A review of computer vision technologies for plant phenotyping [J]. Comput Electron Agric, 2020, 176: 105672.
Peng K Q, Ma W, Lu J Z, et al. Application of machine vision technology in citrus production [J]. Appl Sci, 2023, 13(16): 9334.
Galata D L, Mészáros L A, Kállai-Szabó N, et al. Applications of machine vision in pharmaceutical technology: A review [J]. Eur J Pharm Sci, 2021, 159: 105717.
王成军, 韦志文, 严晨. 基于机器视觉技术的分拣机器人研究综述[J]. 科学技术与工程, 2022, 22(3): 893-902.
卢荣胜, 史艳琼, 胡海兵. 机器人视觉三维成像技术综述[J]. 激光与光电子学进展, 2020, 57(4): 1-19.
王耀南, 陈铁健, 贺振东, 等. 智能制造装备视觉检测控制方法综述[J]. 控制理论与应用, 2015, 32(3): 273-286.
Ren Z H, Fang F Z, Yan N, et al. State of the art in defect detection based on machine vision [J]. Int J Precis Eng Manuf Green Technol, 2022, 9(2): 661-691.
Wu J, He Y, Zhao J L. An infrared target images recognition and processing method based on the fuzzy comprehensive evaluation [J]. IEEE Access, 2024, 12: 12126-12137.
Li X R, Li J X, Li Y H, et al. High-throughput terahertz imaging: Progress and challenges [J]. Light Sci Appl, 2023, 12: 233.
Park H, Son J H. Machine learning techniques for THz imaging and time-domain spectroscopy [J]. Sensors, 2021, 21(4): 1186.
Altuntas C. Review of scanning and pixel array-based LiDAR point-cloud measurement techniques to capture 3D shape or motion [J]. Appl Sci, 2023, 13(11): 6488.
Tychola K A, Vrochidou E, Papakostas G A. Deep learning based computer vision under the prism of 3D point clouds: A systematic review [J]. Vis Comput, 2024, 40(11): 8287-8329.
Chen H W, Chen J, Guan Z H, et al. Stereovision-based ego-motion estimation for combine harvesters [J]. Sensors, 2022, 22(17):6394.
Du Y C, Muslikhin M, Hsieh T H, et al. Stereo vision-based object recognition and manipulation by regions with convolutional neural network [J]. Electronics, 2020, 9(2): 210.
Zhu Y P, Zhang D, Zhou Y K, et al. A binocular stereo-imaging-perception system with a wide field-of-view and infrared- and visible light-dual-band fusion [J]. Sensors, 2024, 24(2): 676.
Hamdy S, Charrier A, Le Corre L, et al. Toward robust and high-throughput detection of seed defects in X-ray images via deep learning [J]. Plant Meth, 2024, 20(1): 63.
Rafiei M, Raitoharju J, Iosifidis A. Computer vision on X-ray data in industrial production and security applications: A comprehensive survey [J]. IEEE Access, 2023, 11: 2445-2477.
Shreyamsha Kumar B K. Image denoising based on Gaussian/bilateral filter and its method noise thresholding [J]. Signal Image Video Process, 2013, 7(6): 1159-1172.
Ashpreet S, Biswas M. A comparative study of Median based impulse noise reduction methods for color images [J]. ICTACT J Image Video Process, 2021, 12(1): 2541-2554.
Severoglu N, Demir Y, Kaplan N H, et al. ACGC: Adaptive chrominance gamma correction for low-light image enhancement [J]. J Vis Commun Image Represent, 2025, 107: 104402.
Singh T R, Roy S, Singh O I, et al. A new local adaptive thresholding technique in binarization [J]. IJCSI, 2011, 8(6): 271-277.
Song P W, Si H Y, Zhou H, et al. Feature extraction and target recognition of moving image sequences [J]. IEEE Access, 2020, 8:147148-147161.
Wu K, Zhang Z L, He X H, et al. Using visible and NIR hyperspectral imaging and machine learning for nondestructive detection of nutrient contents in sorghum [J]. Sci Rep, 2025, 15: 6067.
Nhaila H, Sarhrouni E, Hammouch A. A new filter for dimensionality reduction and classification of hyperspectral images using GLCM features and mutual information [J]. Int J Signal Imag Syst Eng, 2018, 11(4): 193.
Shambulinga M, Sadashivappa G. Supervised hyperspectral image classification using SVM and linear discriminant analysis [J]. Int J Adv Comput Sci Appl, 2020, 11(10): 196-218.
Lee J, Kim K, Lee K. Multi-sensor image classification using the random forest algorithm in google earth engine with KOMPSAT-3/5 and CAS500-1 images [J]. Remote Sens, 2024, 16(24): 4622.
王昊, 祝玉华, 李智慧, 等. 机器视觉在农作物种子检测中的研究进展[J]. 计算机工程与应用, 2023, 59(22): 69-83.
Iqbal A. Comprehensive AI framework for automated classification, detection, segmentation, and severity estimation of date palm diseases using vision-language models and generative AI [J]. Front Plant Sci, 2025, 16:1710188.
Anvarkhah S, Hajeh-Hosseini M K, Davari-Edalat-Panah A, et al. Medicinal plant seed identification using machine vision [J]. Seed Sci Technol, 2013, 41(1): 107-120.
Tu K L, Wu W F, Cheng Y, et al. AIseed: An automated image analysis software for high-throughput phenotyping and quality non-destructive testing of individual plant seeds [J]. Comput Electron Agric, 2023, 207:107740.
Wu W F, Cheng Y, Tu K L, et al. Study on the selection of processing process and parameters of Platycodon grandiflorum seeds assisted by machine vision technology [J]. Agronomy, 2022, 12(11):2764.
Tu K L, Cheng Y, Ning C L, et al. Non-destructive viability discrimination for individual Scutellaria baicalensis seeds based on high-throughput phenotyping and machine learning [J]. Agriculture, 2022, 12(10): 1616.
程莹, 许亚男, 侯浩楠, 等. 基于机器视觉技术的小粒中药材种子净度快速检测[J]. 中国农业大学学报, 2022, 27(5): 114-122.
Loddo A, Di Ruberto C, Vale A M P G, et al. An effective and friendly tool for seed image analysis [J]. Vis Comput, 2023, 39(1):335-352.
Tu K L, Wen S Z, Cheng Y, et al. A model for genuineness detection in genetically and phenotypically similar maize variety seeds based on hyperspectral imaging and machine learning [J]. Plant Meth, 2022, 18(1): 81.
Xu Y N, Wu W F, Chen Y, et al. Hyperspectral imaging with machine learning for non-destructive classification of Astragalus membranaceus var. mongholicus, Astragalus membranaceus, and similar seeds [J]. Front Plant Sci, 2022, 13: 1031849.
Wu Z Y, Xue Q L, Miao P Q, et al. Deep learning network of Amomum villosum quality classification and origin identification based on X-ray technology [J]. Foods, 2023, 12(9): 1775.
梁碧仪, 陈颖, 黄梓煌, 等. 基于深度学习的卫星影像自动数字化技术[J]. 现代测绘, 2023, 46(6): 39-43.
祝聪, 罗瑶, 董永波, 等. 基于3S技术的四川省独一味生长适宜区研究[J]. 中草药, 2018, 49(6): 1405-1412.
董丽君, 尚雪, 文路军, 等. 基于遥感与GIS技术的四川道地药材川木通分布研究—以小木通为例[J]. 世界科学技术—中医药现代化, 2015, 17(11): 2398-2404.
陈玲玲, 施政, 廖凯涛, 等. 基于卷积神经网络的高分遥感影像耕地提取研究[J]. 农业机械学报, 2022, 53(9): 168-177.
Ding R, Luo J W, Wang C H, et al. Identifying and mapping individual medicinal plant Lamiophlomis rotata at high elevations by using unmanned aerial vehicles and deep learning [J]. Plant Methods, 2023, 19(1): 38.
尚雪, 董丽君, 文路军, 等. 基于遥感与GIS技术的四川省羌活资源适宜性分布研究[J]. 中国中药杂志, 2015, 40(13): 2553-2558.
Alshahrani H, Alkahtani H K, Mahmood K, et al. Chaotic Jaya optimization algorithm with computer vision-based soil type classification for smart farming [J]. IEEE Access, 2023, 11: 65849-65857.
Jiang C L, Zhao J Y, Ding Y Y, et al. Vis-NIR spectroscopy combined with GAN data augmentation for predicting soil nutrients in degraded alpine meadows on the Qinghai-Tibet Plateau [J]. Sensors, 2023, 23(7):3686.
Kaplan S, Ropelewska E, Günaydın S, et al. Machine learning and computer vision technology to analyze and discriminate soil samples [J]. Sci Rep, 2024, 14: 19945.
Ali M J S, Angelina D J J R, Ramaiah K S, et al. An analytical approach for soil classification using image processing [J]. Int Res J Adv Engg Hub, 2024, 2(4): 761-765.
孙雪倩, 杨彬, 李遇伯. 多基原中药质量评价研究进展[J]. 中草药, 2024, 55(12): 4214-4224.
李冠东, 张春菊, 高飞, 等. 双卷积池化结构的3D-CNN高光谱遥感影像分类方法[J]. 中国图象图形学报, 2019, 24(4): 639-654.
孙洪兵. 羌活品质及区划的定量法研究[D]. 广州: 广东药科大学, 2016.
Peng J B, Rezaei E E, Zhu W X, et al. Plant density estimation using UAV imagery and deep learning [J]. Remote Sens, 2022, 14(23): 5923.
赵喆, 谭吉锋, 陈鹏, 等. 基于多光谱传感技术的中药材生长监测系统设计与应用研究[J]. 科技资讯, 2024, 22(24): 160-162.
Chaves A A, La Scalea R A, Colturato A B, et al. Using UAVs and digital image processing to quantify areas of soil and vegetation [J]. J Phys: Conf Ser, 2015, 633: 012112.
Karmakar P, Teng S W, Murshed M, et al. Crop monitoring by multimodal remote sensing: A review [J]. Remote Sens Appl Soc Environ, 2024, 33: 101093.
Su R N, Wu N L, Na M L, et al. ICIS: Intelligent and Label-Free crop identifying using Multi-Source time series and model transfer [J]. Inf Process Agric, 2026, 13(2): 283-302.
王立环, 盖立丰. 高精度视觉感应技术在水肥一体机中的应用[J]. 农机化研究, 2024, 46(9): 232-235.
胡菊, 朱宇林, 梁芳, 等. 一种基于机器视觉的朱砂根大棚种植浇灌方法及系统: 中国, CN111011065A [P]. 2020-04-17.
梁丽丽. 基于ARM机器视觉的田间浇水设计[J]. 农业科学, 2018(4): 272-278.
Li W B, Wang K, Han G Q, et al. Integrated diagnosis and time-series sensitivity evaluation of nutrient deficiencies in medicinal plant (Ligusticum chuanxiong Hort.) based on UAV multispectral sensors [J]. Front Plant Sci, 2023, 13: 1092610.
熊小飞, 吴建康, 孙凡, 等. 基于图像分析的连翘套种魔芋生长智能决策方法及系统: 中国, CN118966520A [P]. 2024-11-15.
Li J J, Xu M L, Xiang L R, et al. Foundation models in smart agriculture: Basics, opportunities, and challenges [J]. Comput Electron Agric, 2024, 222: 109032.
Han F F, Guan X B, Xu M. Method of intelligent agricultural pest image recognition based on machine vision algorithm [J]. Discov Appl Sci, 2024, 6(10): 536.
杨康, 熊凯, 周平, 等. 基于改进SSD算法的轻量化三七病害检测[J]. 华南农业大学学报, 2023, 44(3): 447-455.
温艳兰, 陈友鹏, 王克强, 等. 基于机器视觉的病虫害检测综述[J]. 中国粮油学报, 2022, 37(10): 271-279.
秦韬, 庄卫东. 机器视觉技术在现代农业生产中的研究现状[J]. 现代化农业, 2024(4): 90-93.
柳春源, 陈洪建, 曾小辉, 等. 基于YOLO-V5l与ResNet50的农田害虫检测[J]. 人工智能与机器人研究, 2022, 11(3):236-247.
贾少鹏, 高红菊, 杭潇. 基于深度学习的农作物病虫害图像识别技术研究进展[J]. 农业机械学报, 2019, 50(B7): 313-317.
胡凯, 骆润玫, 刘泽乾, 等. 基于改进SSD的广佛手病虫害检测方法[J]. 南京农业大学学报, 2023, 46(4): 813-821.
袁德宝, 张冰瑞, 叶回春, 等. 水稻病虫害遥感监测与预测研究进展[J]. 遥感技术与应用, 2023, 38(1): 97-107.
Wang L Q, Jin T, Yang J Y, et al. Agri-LLaVA:Knowledge-infused large multimodal assistant on agricultural pests and diseases [J]. arXiv E Prints, 2024: arXiv: 2412.02158.
Wang Y Q, Wang F H, Chen W B, et al. A large language model for multimodal identification of crop diseases and pests [J]. Sci Rep, 2025, 15: 21959.
Zhang Y Q, Fan Q J, Chen X, et al. IPM-AgriGPT: A large language model for pest and disease management with a G-EA framework and agricultural contextual reasoning [J]. Mathematics, 2025, 13(4): 566.
蒋安, 许慧, 张群华. 一种基于人工智能的中药材采收时间的鉴别方法:中国, CN109934277A [P]. 2019-06-25.
韩路生, 王昱丹, 李宇航, 等. 高光谱结合机器学习鉴别林下参参龄[J]. 应用化学, 2025, 42(1): 69-77.
胡会强, 位云朋, 徐华兴, 等. 基于高光谱成像技术和主成分分析对粉葛年限的鉴别[J]. 光谱学与光谱分析, 2023, 43(6):1953-1960.
王哲, 郑永春, 李锦飞, 等. 基于多时相无人机遥感的玉竹GLI数值研究[J]. 中国中药杂志, 2020, 45(23): 5663-5668.
Bai Y, Nie C W, Wang H W, et al. A fast and robust method for plant count in sunflower and maize at different seedling stages using high-resolution UAV RGB imagery [J]. Precis Agric, 2022, 23(5):1720-1742.
喻丽华, 郑乐, 张龙, 等. 贵州根茎类中药材生产全程机械化现状与发展模式研究: 以太子参为例[J]. 贵州大学学报: 自然科学版, 2025, 42(1): 17-25.
郑如新, 孙青云, 肖国栋. 基于机器视觉的金银花图像识别处理算法研究[J]. 中国农机化学报, 2022, 43(4): 153-159.
桑一男, 徐增莱, 汪琼, 等. 一种轮式采花机器人设计: 以黄蜀葵为例[J]. 中国农机化学报, 2024, 45(9): 202-208.
王伟州, 毛卫平. 辊轮式金银花采摘机器人的设计[J]. 人工智能与机器人研究, 2024, 13(3): 541-549.
张涛, 张晓芳, 于国英. 可调速金银花采摘机的设计与创新研究[J]. 湖北农机化, 2020(13): 116-117.
陈立挺, 聂晓根. 基于双目视觉的机械手识别、定位、抓取系统研究[J]. 机电工程, 2019, 36(8): 862-866.
荆旭, 何智宏, 沈行健, 等. 基于视觉识别的自动收获分拣机器人设计与实验[J]. 农业装备与车辆工程, 2024, 62(3): 9-13.
李品, 于莲芝. 基于改进YOLOv8的虫草小目标检测算法[J]. 软件工程与应用, 2025(2): 499-510.
刘娇, 刘扬. 大数据分析在智能采摘机器人路径规划中的应用[J]. 农机化研究, 2020, 42(10): 221-225.
柳长源, 赖楠旭, 毕晓君. 基于深度图像的球形果实识别定位算法[J]. 农业机械学报, 2022, 53(10): 228-235.
郑可建, 张劲东, 黄少波. 基于OpenMV视觉分拣机器人的研发[J]. 电子制作, 2022, 30(9): 27-30.
Yu C Y, Xue Y, Zhang L Y, et al. YOLO-MEST: A re-parameterized multi-scale fusion model with enhanced detection head for high-accuracy tea bud detection [J]. Inf Process Agric, 2026, 13(2): 163-175.
黄少华, 梁喜凤. 基于改进YOLOv5的茶叶杂质检测算法[J]. 农业工程学报, 2022, 38(17): 329-336.
李文杰, 项安. 基于改进YOLOv6的中药材分选[J]. 电脑与信息技术, 2023, 31(6): 15-18.
王文杰, 郑志安, 吴敏, 等. 基于PLC的茯苓自动去皮机控制系统设计[J]. 中国农机化学报, 2022, 43(9): 88-94.
徐辉煌, 吴敏, 王梦露. 基于图像处理的菊花收缩率及色泽变化研究[J]. 智能化农业装备学报: 中英文, 2024, 5(4): 24-38.
Ropelewska E, Sabanci K, Aslan M F. The use of digital color imaging and machine learning for the evaluation of the effects of shade drying and open-air sun drying on mint leaf quality [J]. Appl Sci, 2023, 13(1): 206.
Martynenko A, Kudra T. Non-isothermal drying of medicinal plants [J]. Dry Technol, 2015, 33(13): 1550-1559.
孙梅, 王睿, 陈兴海, 等. 高光谱在冬虫夏草含量及真伪鉴别中的应用[J]. 中国现代应用药学, 2017, 34(8):1114-1117.
柴琴琴, 曾建, 张勋. 基于贝叶斯优化卷积神经网络的金线莲伪品鉴别[J]. 浙江农业学报, 2022, 34(2): 391-396.
杨承恩, 武海巍, 杨宇, 等. 中红外光谱和支持向量机的梅花鹿角帽粉假冒与掺假识别模型[J]. 光谱学与光谱分析, 2022, 42(8):2359-2365.
谈爱玲, 楚振原, 王晓斯, 等. 基于拉曼光谱和DCGAN数据增强的珍珠粉掺伪检测研究[J]. 光谱学与光谱分析, 2022, (3): 769-775.
Lin L, Xu M F, Ma L J, et al. A rapid analysis method of safflower (Carthamus tinctorius L.) using combination of computer vision and near-infrared [J]. Spectrochim Acta A Mol Biomol Spectrosc, 2020, 236: 118360.
张小波, 徐成东, 张明旭, 等. 中药地理学药地关系的研究框架[J]. 地理学报, 2025, 80(3): 643-660.
胡爱芬, 黄云, 任理雪, 等. 紫外-可见光谱传感对甘草品种及产地的准确鉴别[J]. 光谱学与光谱分析, 2024, 44(9): 2647-2656.
郑洁, 茹晨雷, 张璐, 等. 基于近红外高光谱成像技术对不同产地苦杏仁和桃仁药材的鉴别[J]. 中国中药杂志, 2021, 46(10):2571-2577.
刘宇强, 石胜群, 张猛胜, 等. LIBS-NIR光谱信息融合的黄芪产地鉴别[J]. 红外与激光工程, 2025, 54(6): 20250003.
苏俊宇, 杨绍兵, 王元忠. 基于FT-NIR和ATR-FTIR光谱的铁皮石斛地理溯源[J]. 分析测试学报, 2025, 44(6): 1005-1015.
丁丹, 李涛, 杨语. 高光谱成像技术鉴别长鞭红景天和四裂红景天[J]. 华西药学杂志, 2024, 39(4): 427-429.
胡晓燕, 王元忠. 基于傅里叶变换中红外光谱的不同维度光谱图像结合残差神经网络鉴别黄精属物种[J]. 分析测试学报, 2024, 43(11): 1709-1724.
吴莉莉, 邢玉清, 郑宝周, 等. 机器视觉在花椒品种鉴别中的初步研究[J]. 传感技术学报, 2016, 29(1): 136-140.
谢文涌, 柴琴琴, 甘勇辉, 等. 基于多特征提取和Stacking集成学习的金线莲品系分类[J]. 农业工程学报, 2020, 36(14): 203-210.
姚坤杉, 孙俊, 陈晨, 等. 基于高光谱技术的三七不同部位粉末的无损鉴别[J]. 光谱学与光谱分析, 2023, 43(7): 2027-2031.
宋含, 房芳, 魏哲文, 等. 高分辨质谱与深度学习视阈下的藏红花品质分析[J]. 分析测试学报, 2023, 42(10): 1388-1394.
陈述. 高能射线成像技术在中药农药残留检测中的应用[J]. 激光杂志, 2020, 41(6): 175-179.
张萌, 贾世杰. 基于高光谱成像技术的水果表面农药残留无损检测[J]. 食品与机械, 2021, 37(1): 99-103.
马骞, 杨婉琪, 李福生, 等. 基于迁移学习与TrAda Boost-SVM方法的XRF中药重金属超标研究[J]. 光谱学与光谱分析, 2023, 43(9):2729-2733.
曾云龙, 赵敏, 张敏, 等. 近红外荧光传感法测定中药材中赭曲霉毒素A [J]. 发光学报, 2019, 40(1): 115.
王超超, 张先超, 谷正昌, 等. 中药材及饮片检测中人工智能应用探讨[J]. 中国工程科学, 2024, 26(2): 245-254.
张晓, 吴宏伟, 于现阔, 等. 基于电子眼技术的穿心莲质量评价[J]. 中国实验方剂学杂志, 2019, 25(1): 189-195.
吴亚楠, 问思华, 杨凯, 等. HPLC结合电子眼技术评价柞水五味子药材质量[J]. 中华中医药杂志, 2023, 38(6): 2868-2873.
梁颖, 高鸿彬, 李晓丹, 等. 近红外光谱法快速测定化橘红中柚皮苷的含量[J]. 广州化学, 2020, 45(4): 23-29.
张迪文, 白雁, 谢彩侠, 等. 近红外光谱法快速测定女贞子药材中女贞苷的含量[J]. 中国药房, 2016, 27(36): 5140-5143.
毛佩芝, 杨凯, 金叶, 等. 近红外光谱法快速测定野菊花药材中水分及蒙花苷含量[J]. 中国现代应用药学, 2015, 32(12):1428-1432.
李真, 周立红, 杨功俊, 等. 近红外漫反射光谱法快速测定丹参药材中多指标成分的含量[J]. 中国药房, 2017, 28(30): 4247-4251.
冯丹, 罗西, 臧利艳, 等. 唐古特大黄多指标关键质量属性近红外光谱评价研究[J]. 分析测试学报, 2024, 43(11): 1697-1708.
丁海泉, 温江北, 高洪智, 等. 最小二乘支持向量机用于人参皂苷近红外光谱分析研究[J]. 现代农业装备, 2021, 42(5): 17-22.
马建华, 张冬, 何建国, 等. 枸杞自动化输送和分级装置机械设计[J]. 农机化研究, 2017, 39(2): 108-111.
张丽娟, 游浩海, 李芝贻, 等. 基于改进YOLOv8n轻量化的人参外观质量精准识别[J]. 农业工程学报, 2024, 40(24): 274-282.
王红莉, 史淑敏, 孙晓林, 等. 浙贝母智能化分级设备研究及应用[J]. 福建茶叶, 2020, 42(2): 7-8.
霍正瑞, 孙铁波. 基于改进YOLOv5算法的瓜蒌分级方法[J]. 中国农机化学报, 2024, 45(4): 100-107.
钟小华, 曹玉华, 张永清, 等. 基于机器视觉技术的红枣全表面信息无损分拣系统研究与实现[J]. 食品与机械, 2017, 33(5):114-118.
Zhu Y L, Zhang F J, Li L X, et al. Research on classification model of Panax notoginseng taproots based on machine vision feature fusion [J]. Sensors, 2021, 21(23): 7945.
卢伟, 蔡苗苗, 张强, 等. 高光谱和集成学习的黑枸杞快速分级方法[J]. 光谱学与光谱分析, 2021, 41(7):2196-2204.

2026年第57卷第16期

PDF下载

114

引用本文

BibTeX

文章信息

doi: 10.7501/j.issn.0253-2670.2026.16.027

接收时间：2026-03-18
首发时间：2026-10-22
出版时间：2026-08-28

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2026-03-18

基金

国家工信部重大任务专项“中药绿色智能制造技术”

北京中医药大学基本科研业务费（揭榜挂帅）项目

作者信息

^1.北京中医药大学中药学院, 北京 102400

^2.宁夏大学机械工程学院, 宁夏银川 750021

^3.北京中医药大学中药学院, 北京 102400

^4.北京市科委中药生产过程控制与质量评价北京市重点实验室, 北京 102400

通讯作者:

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/zcy/CN/10.7501/j.issn.0253-2670.2026.16.027

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT