基于机器视觉的普洱茶饼外观质量检测融合算法

Fusion Algorithm for Appearance Quality Detection of Pu′er Tea Cake Based on Machine Vision

摘要

随着自动化生产线的普及，茶饼的压制过程对产品质量的影响变得尤为重要。然而自动化生产线生产的普洱小茶饼在质量把控上往往不及人工制作的茶饼，因此针对自动化生产线生产后的茶饼外观质量检测成为亟待解决的问题。为此，提出一种基于机器视觉的普洱茶饼自动化质量检测算法。该算法综合应用大津法（otsumatlab,Otsu）阈值分割、Canny边缘检测等多种图像处理技术，并引入多种算法优化策略，以提升检测的精度和效率。该算法能够自动完成茶饼外观质量的检测与评估，并将结果实时与可编程控制器（programmable logic controller,PLC）进行数据传输。试验结果表明，该算法能准确识别茶饼的外观缺陷，平均计算准确率达95.75%，显示出较高的鲁棒性和可靠性，适用于自动化生产线中的质量控制，具备广泛的应用前景，尤其是在茶叶生产行业的智能化改造中，具有重要的参考价值。

关键词

自动化产线 / 普洱茶饼 / 机器视觉 / 图像处理 / 缺陷检测 / 可编程控制器

Key words

Automated production line / Pu'er tea cake / machine vision / image processing / defect detection / PLC

0 引言

随着科技的不断进步和市场需求的日益增长，现代信息技术和智能农机装备在智慧农业领域的应用越来越广泛^[1]。特别是茶叶产业，作为中国参与国际市场竞争的重要产业之一，其加工过程也越来越多地引入了自动化生产线，尤其是茶叶的自动化压制设备。茶饼的压制过程对产品质量有着至关重要的影响^[2]。然而，自动化生产线生产的茶饼质量控制相较于人工制作的茶饼仍显不足，因此，外观质量的检测成为关键环节。传统的人工检测方法效率低，且受主观判断影响较大，导致检测结果不稳定，且不便与自动化产线相结合^[3]。

为解决这一问题，本研究提出一种基于机器视觉的自动化外观检测方法，专注于对自动化生产线生产出的茶饼进行形状和裂纹的精确分析，并将分析的结果传入可编程控制器（programmable logic controller，PLC）中。该方法旨在提高检测效率和准确性，以确保茶饼外观质量的一致性，与自动化产线相连接，进而提升茶叶加工产业的自动化程度。而图像处理在工业产品质量检测中的应用已有多项研究。典型的研究分析主要是对产品外观进行评估。Pannawan等^[4]在汽车方向包括通过边缘检测、形态学操作和轮廓分零件检测中采用了Canny边缘检测结合霍夫变换（hough transform）方法来检测零件的形状缺陷，取得了良好的效果^[5]。此外，李强等^[6]在陶瓷工业中通过轮廓分析和形状匹配实现了陶瓷表面裂纹检测。相比之下，普洱茶饼作为一种食品类产品，外观检测需要考虑其独特的物理特性，例如形状的圆整性和表面裂纹等^[7-9]。本研究针对自动化产线中普洱茶饼的检测需求，提出更具针对性的图像处理方法，如图1所示。

1 试验与算法

1.1 试验环境

试验所有步骤均在以下硬件环境下进行。操作系统为Windows 11（64-bit），CPU为Intel Core i7-14代，GPU为NVIDIA GeForce RTX 4060，搭配8 GB的GDDR6显存，内存为16 GB DDR5 5400 MHz。图像采集使用的是分辨率为4 096×2 460的1 000万像素工业面阵相机，并通过USB 3.0接口进行高速传输。

1.2 图像预处理

图像预处理在整个普洱茶饼外观检测过程中起着至关重要的作用，其主要目的是去除图像中的噪声干扰，同时增强有用的边缘特征^[9]，为后续的检测步骤奠定坚实的基础。

1.2.1 灰度转换

首先，将图像转换为灰度图像。这一操作具有多方面的重要意义。一方面，彩色图像通常包含3个通道（红、绿、蓝），每个通道都需要进行处理，这会大大增加计算的复杂度和时间成本。而将图像转换为灰度图后，只保留了1个通道的信息，显著降低了计算复杂度，使得后续的处理过程更加高效^[10]。另一方面，对于检测茶饼的轮廓和裂纹等主要特征来说，灰度图像中的亮度变化已经能够提供足够的信息，不会因为颜色信息的减少而影响检测的准确性。灰度图像的转换计算公式为

I_{\mathrm{g}\mathrm{r}\mathrm{a}\mathrm{y}} = \mathrm{0.299} \times R + \mathrm{0.587} \times G + \mathrm{0.114} \times B。（1）

式中： I_{\mathrm{g}\mathrm{r}\mathrm{a}\mathrm{y}}为灰度图像；R、G、B分别为红、绿、蓝3个通道的像素值。通过该公式计算得到灰度图像，简化了后续处理。灰度处理效果如图2所示。图2（a）为原始茶饼，图2（b）为灰度处理茶饼。

1.2.2 图像滤波

在实际的图像采集过程中，由于多种因素的影响，图像中往往会出现不同程度的噪声干扰。这些噪声可能来源于多个方面，包括相机传感器的热噪声、环境中的光线干扰和图像传输过程中的信号衰减等^[11]。噪声的存在会显著影响后续的图像处理步骤，特别是在边缘检测、特征提取和缺陷识别等任务中，可能导致检测结果的不准确性和误判，从而影响整体的质量检测效果^[12]。

为了有效模拟这些可能出现的噪声情况，本研究随机向采集的图像中添加了2种常见的噪声类型，椒盐噪声和高斯噪声。椒盐噪声会在图像中随机产生黑白点，表现为亮度极低或极高的像素，通常是在图像传输过程中由于数据丢失或错误引起的。而高斯噪声则表现为图像亮度的随机波动，通常是由于传感器噪声或环境光变化造成的。这2种噪声的添加旨在模拟实际采集环境中可能遇到的噪声干扰，以测试和优化后续的图像处理算法。

在图像处理过程中，经过噪声添加后的图像效果如图3所示。其中，图3（a）为原始茶饼图像，图3（b）为加入椒盐噪声和高斯噪声后的图像，而图3（c）则是对图3（b）进行灰度处理后的结果。通过对比这些图像，可以观察到噪声对图像质量的影响，尤其是在边缘和特征的识别上，噪声的干扰使得某些细节难以识别，进而影响后续的检测精度。因此，在实际应用中，采用合适的去噪算法对图像进行处理，能够有效提升检测系统的稳定性和准确性。

为去除噪声并保持图像的清晰度，本研究采用了高斯滤波和中值滤波2种方式对添加了噪声的图像进行处理。通过试验对比发现，尽管高斯滤波能够平滑图像，但其在处理椒盐噪声方面效果较为一般，容易模糊边缘细节。而中值滤波由于能够有效去除椒盐噪声，保留边缘特征，其表现明显优于高斯滤波^[13]。为进一步提升图像的清晰度，确保检测到的普洱茶饼外观特征更加精确，本研究选用了自适应中值滤波方式。自适应中值滤波的处理过程如下。1）进行局部统计，在给定的滤波窗口内，计算最小像素值（Z _min）、最大像素值（Z _max）和中值（Z _med）。2）进行条件判断，判断当前像素值Z′（x，y）是否在最小值和最大值之间。如果满足条件，则保留原始像素值；否则，用中值替换当前像素值；3）进行动态调整窗口，如果在当前窗口大小下无法满足条件，则逐步增大窗口，直到达到最大窗口尺寸S _max ^[14]。自适应中值滤波计算公式为

。（2）

在式（2）中 Z′（x，y）是经过自适应中值滤波后的像素值。这种滤波方法能够根据图像中的噪声分布，自适应调整滤波窗口的大小，在去除噪声的同时，最大限度地保留图像的边缘细节。最终，自适应中值滤波达到的效果如图4所示，其中，图4（a）为噪声灰度图像，图4（b）为高斯滤波处理后图像，图4（c）为自适应中值滤波处理后图像。处理结果表明，图4（c）的图像处理效果明显优于图4（a）和图4（b）。

通过这种多层次的滤波选择过程，确保在真实应用中，能够更好地去除噪声，同时保持普洱茶饼外观的清晰度，为后续的检测提供高质量的输入数据。

1.3 茶饼缺陷目标提取

茶饼缺陷目标提取分为茶饼图像分割与茶饼图像边缘提取2个部分^[15-16]，是茶饼缺陷提取中一项重要的前期准备工作。

1.3.1 茶饼图像分割

在实际的茶饼外观检测过程中，场景的多样化，图像的光照条件可能会有所变化，导致背景灰度值不一致。为有效分割出茶饼的边缘，本研究采用大津法（otsumatlab，Otsu）阈值分割方法^[17-18]。Otsu算法通过自动计算一个全局阈值，以最小化类间方差来实现最佳分割效果，Otsu方法的基本原理是根据图像的灰度直方图，自动找到一个能使前景与背景区分最明显的阈值（T）。设图像的灰度值范围为[0，L-1]，其中，L是最大灰度级别，T的确定过程可以通过最大化类间方差公式来完成，其计算公式为

T = \mathrm{a} \mathrm{r} \mathrm{g} \mathrm{m} \mathrm{a} {\mathrm{x}}_T ( {\sigma }_{\mathrm{b}}^{\mathrm{2}} ( T ) )。（3）

式中， {\sigma }_{\mathrm{b}}^{\mathrm{2}} ( T )为类间方差。通过此方法，图像被分割为前景和背景2个部分，生成二值图像。最终分割效果如图5所示，其中，图5（a）为原始图像，图5（b）为Otsu（大津）阈值分割处理图像，图5（c）为自适应阈值分割处理图像，图5（d）为区域生长法处理图像^[19]。由图5可知，相较于自适应阈值分割和区域生长法2种方法来说，虽然自适应阈值分割的效果较为清楚，但是对于茶饼内部特征分割得过于复杂。而Otsu阈值分割对于茶饼图像的分割最为适合，且效果最为理想，对茶饼的描述更能符合研究要求。

1.3.2 茶饼图像边缘检测

在茶饼外观检测中，边缘特征的提取至关重要，尤其是在裂纹和形态检测中。为此，本研究为适应不同茶饼图像的光照变化，采用了Canny边缘检测算法进行边缘提取^[20-21]，通过动态确定最佳的高低阈值，得到最终的茶饼边缘图像，提升边缘提取的鲁棒性，其主要原理如图6所示。

其中自动Canny边缘检测的关键在于利用图像的灰度中值（v）来计算高低阈值^[22]，计算公式为

L_{\mathrm{o}\mathrm{w}\mathrm{e}\mathrm{r}} = \mathrm{m} \mathrm{a} \mathrm{x} \left(\mathrm{0},\left(\mathrm{1.0}-\sigma \right)\times v\right)。（4）

U_{\mathrm{p}\mathrm{p}\mathrm{e}\mathrm{r}} = \mathrm{m} \mathrm{i} \mathrm{n} \left(\mathrm{255},\left(\mathrm{1.0}+\sigma \right)\times v\right)。（5）

式中：σ为控制阈值范围的比例常数；L _ower为低阈值；U _pper为高阈值。自动计算出的高低阈值能够更好地适应图像中的噪声与光照变化，从而提取出更加清晰的边缘特征。通过自动Canny算法，茶饼的轮廓和裂纹得以准确检测和分割，为后续的形态分析提供了有效支持。最终，自动Canny边缘检测在不同光照条件下的鲁棒性表现如图7所示，图7（a）为茶饼的原始图像，图7（b）为经过Otsu（大津法）阈值分割处理后的茶饼图像，图7（c）为经过自动Canny边缘检测处理后的茶饼图像。由图7可知，经过自动Canny边缘检测处理后的茶饼图像可以有效地区分茶饼边缘与背景，实现精确的裂纹和形态识别。

1.4 茶饼缺陷特征提取

茶饼缺陷特征提取对于确保产品质量、实现自动化检测和提升消费者满意度至关重要。本研究是从圆形度、矩形度等方面提取茶饼缺陷位置特征，基于以上特征对茶饼缺陷类型加以识别^[23]。

1.4.1 圆形度（P _C）

圆形度（P _C）在茶饼的外观检测过程中，为准确评价茶饼的形状是否规整，本研究采用了圆形度作为衡量标准。圆形度是一种基于轮廓的形状特征，通过比较物体的实际轮廓与理想圆形的差异来判断物体的圆整程度。圆形度^[24]的计算公式为

P_{\mathrm{C}} = \frac{\mathrm{4}\mathrm{\pi }\times A_{\mathrm{r}\mathrm{e}\mathrm{a}}}{P_{\mathrm{e}\mathrm{r}\mathrm{i}\mathrm{m}\mathrm{e}\mathrm{t}\mathrm{e}\mathrm{r}}^{\mathrm{2}}}。（6）

式中：A _rea为轮廓的面积，mm²；P _erimeter为轮廓的周长，mm。圆形度的取值范围在0~1，P _C越接近1，说明物体的形状越接近一个完美的圆。在检测过程中，首先通过边缘检测提取茶饼的轮廓，然后计算其面积和周长。通过上述公式计算得出的圆形度值可以用于判断茶饼的圆整程度。如果圆形度值接近1，则认为茶饼形状规则；如果圆形度值偏离1较多，则表明茶饼存在不规则或畸变的现象。

在茶饼外观检测的过程中，除了通过圆形度来评估茶饼的形状是否规整，本研究还引入了宽长比（P _wl）和矩形拟合因子（P _r）来描述茶饼边缘位置的矩形度。这2种指标能够更加准确地反映茶饼在生产过程中是否存在裂缝、拉伸和畸变等不规则形状。

1.4.2 宽长比（P _wl）

宽长比^[25]用于描述物体外接矩形的宽度与长度的比值，计算公式为

P_{\mathrm{w}\mathrm{l}} = \frac{W}{L}。（7）

式中：W为茶饼外接矩形的宽度，mm；L为茶饼外接矩形的长度，mm。当P _wl=1时，表示茶饼的边缘接近于正方形或圆形；当P _wl偏离1时，表示茶饼的边缘发生了明显的拉伸或不规则变化。

1.4.3 矩形度（P _r）

矩形度（P _r）^[26]用于衡量茶饼实际边缘与其外接矩形的拟合程度，计算公式（6）为。

P_{\mathrm{r}} = \frac{A_{\mathrm{o}\mathrm{b}\mathrm{j}\mathrm{e}\mathrm{c}\mathrm{t}}}{A_{\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{t}\mathrm{a}\mathrm{n}\mathrm{g}\mathrm{l}\mathrm{e}}}。（8）

式中：A _object为茶饼的实际面积，mm²；A _rectangle为茶饼最小外接矩形的面积，mm²。矩形度取值范围在0~1，值越接近1，表明边缘的形状越接近于矩形。

2 通信方法的选择

在茶饼缺陷检测系统中，通信方法的选择至关重要，因为其直接影响到检测结果的实时传输和系统的整体性能。几种常见的通信方法对比，见表1，基于对比结果选择最合适的方法与PLC进行通信。

Snap7是一个开源的通信库，可以与西门子PLC集成^[27]。其支持以太网协议，能够在多种操作系统（如Windows、Linux等）上运行，并兼容多种编程语言，包括Python、C++和C#等^[28]。Snap7的优势在于其高效性和灵活性，能够实现快速的数据读取和写入^[29]。根据对比结果可知Snap7在成本、开发灵活性和实时性方面表现最佳，同时完全满足茶饼缺陷检测系统的通信需求。Snap7主要用于将计算机（personal computer，PC）站点与PLC网络完全连接到一起，所以具有3个对象组件，分别是客户端、服务器和协作者，这3个对象关系如图8所示。

在本研究中，主要使用的是客户端模式，即PLC 作为服务器，上位机PC作为客户端，具体程序流程 如图9所示。

选择Snap7协议作为与PLC通信的方法，能够有效提高茶饼缺陷检测系统的性能，实现高效、实时的数据传输^[30]。这一选择将为自动化生产线中普洱茶小茶饼质量检测的稳定性和准确性提供强有力的支持。

3 结果与分析

3.1 茶叶缺陷识别

在本次茶叶品质检测相关的研究中，选取了4类具有代表性的茶饼样本，即完整茶饼、条索杂乱茶饼、断裂茶饼以及边缘缺失茶饼，并针对这些样本的数字图像展开了全面且深入的识别检测工作。检测过程中，采用前述所提出的图像处理融合算法，经过反复调试和优化，以确保能够精准地捕捉茶饼图像中的每一个细节特征。所得到的检测结果详细地呈现在表2中。由表2的数据可以清晰地看出，无论是完整茶饼那规整的圆形轮廓，还是条索杂乱茶饼中紊乱的纹理，抑或断裂茶饼明显的断口部分以及边缘缺失茶饼残缺的边界，本研究提出的茶饼缺陷检测方法都能够准确无误地识别出来。该方法通过对图像中像素信息的细致分析，有效地过滤了图像中的噪声干扰，精确地提取了茶饼缺陷轮廓，其准确性和稳定性在此次试验中得到了有力的验证。

试验中选取4种类别小茶饼100个，分别对其进行特征提取，得出平均值，见表3。

根据表3可以得出以下结论。1）完整茶饼的圆形度远大于其他3种茶饼；2）边缘缺失茶饼、断裂茶饼和条索杂乱茶饼的宽长比与完整茶饼相比差异相对较小；3）完整茶饼的矩形度远大于断裂茶饼，且大于边缘缺失茶饼和条索杂乱茶饼；4）边缘缺失茶饼与断裂茶饼在圆整度、矩形度上数值较为接近，可引入断裂茶饼中裂纹的各项数值加以区分；5）条索杂乱茶饼的圆整度和矩形度最小；6）边缘缺失茶饼的宽长最大，相对其他2种有缺陷的茶饼更偏离完整茶饼的宽长比；

根据以上分析可知，1）3）项特征可用于区分完整茶饼与其他有缺陷的茶饼；4）5）6）项特征可用于区分不同缺陷类型的茶饼；2）项特征对茶饼的区分作用相对较小.。

3.2 PLC通信

根据上述分析，在检测到普洱茶饼缺陷后，为了便于PLC识别并处理不同的缺陷类型，设计一种编码方式来传递缺陷信息。编码方法如下。

整数编码法。采用整数编码来简化不同缺陷类型的识别，见表4，完整茶饼标识为0，边缘缺失、断裂和条索杂乱的茶饼分别以1、2和3表示^[31]。PLC接收到的整数值对应不同缺陷类型，可在生产线上做出相应处理。使用Snap7库将编码值发送至PLC时，通过调用client.write_area函数，将整数值写入PLC数据块。PLC根据接收到的值执行相应的操作，如分拣或停止生产。

4 结论

本研究提出一种基于图像处理技术的普洱茶饼外观质量检测方法，成功地实现了茶饼质量的自动化检测，并将结果与自动化产线中的PLC相连接。研究中通过对试验前后茶饼的圆整度和裂纹等特征进行对比分析，从众多类型的茶饼中随机选取了 300 张包含不同类型的茶饼图像用于测试试验，结果见表5。

通过试验以及多个阶段的多种算法比较，得出来普洱茶饼质量检测融合算法，该方法能够有效地区分不同类型的茶饼缺陷，运算时间速度快，平均计算准确率达95.75%，具有较强的鲁棒性、适用性，为未来普洱茶加工产业提供了可靠的技术支持^[32]。此外，随着技术的不断发展，未来可进一步优化算法，拓展检测茶饼的特征范围，为自动化产线中茶饼质量的智能化检测开辟更广阔的应用前景^[33]。

参考文献

[1] 赵春江.智慧农业发展现状及战略目标研究[J].智慧农业，2019，1（1）：1-7.

[2] ZHAO C J.State-of-the-art and recommended developmental strategic objectives of smart agriculture[J].Smart Agriculture，2019，1（1）：1-7.

[3] 王刻铭，黄勇，刘仲华.中国茶叶国际竞争力分析[J].农业现代化研究，2020，41（1）：45-54.

[4] WANG K M， HUANG Y， LIU Z H.Empirical analysis of the international competitiveness of China’s tea industry[J].Research of Agricultural Modernization，2020，41（1）：45-54.

[5] 黄晓琛，张凯利，刘元杰，机器学习与计算机视觉技术在食品质量评价中的研究进展[J].食品科学，2024，45（12）：1-10

[6] HUANG X C， ZHANG K L， LIU Y J，et al.Research progress on machine learning and computer vision technology in food quality evaluation[J].Food Science，2024，45（12）：1-10.

[7] PANNAWAN A， SUDSAWAT S.Automated part inspection by image processing system in vehicle part manufacturing[J].Journal of Applied Science，2017，16（1）：45-59.

[8] 张晓阳，何军红，牛云，改进Canny算子在零件尺寸测量中的应用[J/OL].机械科学与技术，1-7.

[9] ZHANG X Y， HE J H， NIU Y，et al.Application of improved Canny operator in size measurement of parts[J/OL].Mechanical Science and Technology for Aerospace Engineering，1-7.

[10] 李强，曾曙光，郑胜，基于机器视觉的陶瓷瓦表面裂纹检测方法[J].激光与光电子学进展，2020，57（8）：081004.

[11] LI Q， ZENG S G， ZHENG S，et al.Machine vision based detection method for surface crack of ceramic tile[J].Laser & Optoelectronics Progress，2020，57（8）：081004.

[12] 尚宏伟.基于机器视觉的丝饼外观缺陷检测方法设计[D].合肥：安徽大学，2023.

[13] SHANG H W.Design of appearance defect detection method of textile spindle based on machine vision[D].Hefei：Anhui University，2023.

[14] 朱俊松.基于机器视觉的小麦外观品质检测技术研究[D].镇江：江苏大学，2021.

[15] ZHU J S.Thesis for academic master degree study on wheat appearance quality inspection based on machine vision[D].Zhenjiang：Jiangsu University，2021.

[16] ZAITOUN N M， AQEL M J.Survey on image segmentation techniques[J].Procedia Computer Science，2015，65：797-806.

[17] 梁巧仪.彩色图与灰度图可逆转换算法研究[D].广州：暨南大学，2022.

[18] LIANG Q Y.Research on invertible color-to-grayscale image conversion algorithm[D].Guangzhou：Jinan University，2022.

[19] BONCELET C.Chapter 7 - Image noise models[M]//Al Bovik.The Essential Guide to Image Processing.Burlington，USA：Academic Press，2009：143-167.

[20] 杨天敏，王晓燕.基于强噪声条件下的激光图像边缘检测研究[J].激光杂志，2024，45（3）：156-160.

[21] YANG T M， WANG X Y.Research on laser image edge detection based on strong noise[J].Laser Journal，2024，45（3）：156-160.

[22] 宋涛.图像中值滤波算法在智能采摘机器人中的应用[J].农机化研究，2025，47（7）：1-6.

[23] SOMG T.Application of image median filtering algorithm in intelligent picking robot[J].Journal of Agricultural Mechanization Research，2025，47（7）：1-6.

[24] 李子旋，杨宇，黄双双，自适应权重的均值和快速中值滤波融合算法的研究[J].计算机与数字工程，2024，52（3）：700-704.

[25] LI Z X， YANG Y， HUANG S S，et al.Research on adaptive weighted algorithm fusion of mean value and fast median filtering algorithm[J].Computer & Digital Engineering，2024，52（3）：700-704.

[26] CHEN Y J， DING Y Y， ZHAO F，et al.Surface defect detection methods for industrial products：A review[J].Applied Sciences，2021，11（16）：7657.

[27] BHATT P M， MALHAN R K， RAJENDRAN P，et al.Image-based surface defect detection using deep learning：A review[J].Journal of Computing and Information Science in Engineering，2021，21（4）：040801.

[28] 李浩然，田秀霞，卢官宇，基于OSTU的光照不均匀图像自适应增强算法[J].计算机仿真，2022，39（2）：315-321，386.

[29] LI H R， TIAN X X， LU G Y，et al.Adaptive enhancement algorithm for non-uniform illumination images based on OSTU[J].Computer Simulation，2022，39（2）：315-321，386.

[30] YANG P， SONG W， ZHAO X B，et al.An improved Otsu threshold segmentation algorithm[J].International Journal of Computational Science and Engineering，2020，22（1）：146-153.

[31] 陈忠，赵忠明.基于区域生长的多尺度遥感图像分割算法[J].计算机工程与应用，2005，41（35）：7-9

[32] CHEN Z， ZHAO Z M.A multi-scale remote sensing image segmentation algorithm based on region growing[J].Computer Engineering and Applications，2005，41（35）：7-9.

[33] 黄怡静，胡小平，彭向前，改进Canny算子的图像边缘检测算法[J/OL].机械科学与技术，1-11.

[34] HUANG Y J， HU X P， PENG X Q，et al.Image edge detection algorithm with improved Canny operator[J/OL].Mechanical Science and Technology for Aerospace Engineering，1-11.

[35] 郭运冲，李孟军，刘名果，基于Canny算子的建筑裂缝边缘检测改进算法[J].计算机仿真，2022，39（11）：360-365，410.

[36] GUO Y C， LI M J， LIU M G，et al.Improved algorithm for edge detection of building cracks based on Canny operator[J].Computer Simulation，2022，39（11）：360-365，410.

[37] 肖庆追，李捷，陈鹤峰，基于改进Canny算子的图像边缘检测方法[J].数学的实践与认识，2022，52（7）：77-87.

[38] XIAO Q Z， LI J， CHEN H F，et al.Image edge detection method based on improved Canny operator[J].Journal of Mathematics in Practice and Theory，2022，52（7）：77-87.

[39] 刘智慧，林荣智.基于图像处理技术的纸张质量检测方案[J].造纸科学与技术，2024，43（4）：70-72，80.

[40] LIU Z H， LIN R Z.Paper quality inspection scheme based on image processing technology[J].Paper Science & Technology，2024，43（4）：70-72，80.

[41] 利红，秦雅倩，张闯.基于动态特征融合的监控视频图像小目标检测研究[J].长江信息通信，2024，37（3）：90-92.

[42] LI H， QIN Y Q， ZHANG C.Research on small object detection of surveillance video images based on dynamic feature fusion[J].Changjiang Information & Communications，2024，37（3）：90-92.

[43] WAN Z Y， CHEN Y M， DENG S T，et al.Slender object detection：Diagnoses and improvements[J].Computer Vision and Pattern Recognition，2020，doi：10.48550/arXiv.2011.08529 .

[44] 路鹭，杨炯，梁杰，一种快速高精度的矩形检测算法[J].激光与光电子学进展，2020，57（18）：181002.

[45] LU L， YANG J， LIANG J，et al.Fast and high-precision rectangle detection algorithm[J].Laser & Optoelectronics Progress，2020，57（18）：181002.

[46] 张楠.西门子PLC在工业智能化转型中的关键技术与应用[J].中国金属通报，2024（4）：79-82.

[47] ZHANG N.Key technologies and applications of Siemens PLC in industrial intelligent transformation[J].China Metal Bulletin，2024（4）：79-82.

[48] 魏学舟，刘涛.基于Snap7的PLC上位机监控软件开发[J].设备管理与维修，2018（14）：129-131.

[49] WEI X Z， LIU T.Development of PLC upper computer monitoring software based on Snap7[J].Plant Maintenance Engineering，2018（14）：129-131.

[50] DING C P， ZHAI J T， DAI Y W.An improved ICS honeypot based on SNAP7 and IMUNES[C]//SUN X，PAN Z，BERTINO E.Cloud Computing and Security.ICCCS 2018.Lecture Notes in Computer Science.Cham：Springer International Publishing，2018：303-313.

[51] 凌建华.关于上位机和西门子PLC通信的研究[J].计算机光盘软件与应用，2014（20）：305-306.

[52] LING J H.Research on communication between host computer and Siemens PLC[J].Computer CD Software and Application，2014（20）：305-306.

[53] 张学超.基于IEC61131-3标准的PLC系统研究与应用[D].太原：太原科技大学，2011.

[54] ZHANG X C.Research and application of PLC system based on IEC61131-3 standard[D].Taiyuan：Taiyuan University of Science and Technology，2011.

[55] 蒋婷.基于《中国十大茶叶区域公用品牌之普洱茶》分析普洱茶的文化特征及产业化发展[J].中国瓜菜，2023，36（6）：150.

[56] JIANG T.Analysis of the cultural characteristics and industrialized development of Pu'er tea based on "China's top ten tea regional public brands-Pu'er tea"[J].China Cucurbits and Vegetables，2023，36（6）：150.

[57] 赵春江，李瑾，冯献，"互联网+"现代农业国内外应用现状与发展趋势[J].中国工程科学，2018，20（2）：50-56.

[58] ZHAO C J， LI J， FENG X，et al.Application status and trend of “Internet Plus” modern agriculture in china and abroad[J].Strategic Study of CAE，2018，20（2）：50-56.

基金资助

云南省重大科技专项计划项目(202402AE090027)

国家自然科学基金项目(524650231006957)