文章信息
- 徐苗, 李浩坤, 孙柯, 周丹丹, 潘磊庆, 屠康
- XU Miao, LI Haokun, SUN Ke, ZHOU Dandan, PAN Leiqing, TU Kang
- 基于嵌入式Linux的便携式水果品质分级仪的设计与开发
- The design and implementation of aportable fruit quality grading device based on the embedded Linux
- 南京农业大学学报, 2017, 40(3): 539-546
- Journal of Nanjing Agricultural University, 2017, 40(3): 539-546.
- http://dx.doi.org/10.7685/jnau.201607020
-
文章历史
- 收稿日期: 2016-07-17
我国是水果生产大国, 但水果出口主要以低端市场为主且单价较低, 主要原因是水果采后加工和处理技术落后, 如清洗、打蜡、分级、包装等环节, 导致我国水果品质差, 国际市场竞争力弱, 因而提高水果品质的检测及分级技术已经成为我国水果进入高端市场的必要前提。随着机器视觉技术的发展, 对于水果外部品质(如大小、形状、色泽、表面缺陷等)检测分级的研究已较为成熟, 陈艳军等[1]利用计算机视觉技术建立了苹果大小的分级模型; 赵娟等[2]建立了一套基于计算机视觉技术检测水果外观缺陷的系统。而对水果内部品质(硬度、糖度、酸度、褐变等)的无损检测及分级方法仍处于研究阶段, 仍主要采用化学的破坏性方法, 检测效率较低, 经济损失大。
目前, 光学技术被广泛应用于水果品质的无损检测, 近红外被应用于检测桃、苹果[3-4]等的品质变化, 具有速度快、重复性强和样品无需处理等优点, 但是设备昂贵, 获取的数据量大[5]。激光散斑技术因其设备价格较低, 数据量少而被越来越多地应用于水果品质的检测, Qing等[6]利用5个波长在680~980 nm的激光检测苹果可溶性固形和硬度。Hashim等[7]利用激光散斑技术检测到了香蕉的冷害症状; Lorente等[8]检测到了柑橘的早期腐烂症状。然而, 研究用的检测系统都是在PC平台下设计人机界面与采集设备, 这种系统体积大、不易携带。利用已有的预测模型进一步开发商业化的水果品质分级仪的研究也鲜见报道。
嵌入式系统是以应用为中心, 软硬件可裁剪, 软件可固化的专业计算机技术[9], 是21世纪继网络技术之后, 又一个新的技术发展方向。嵌入式系统支持嵌入式设备实现小尺寸、微功耗、低成本和友好的人机界面, 使得嵌入式计算技术得以广泛普及应用。目前, 嵌入式设备已成为国防、医疗、工业过程控制、金融、乃至于人们生活密不可分的组成部分[10-11]。
本研究首先对便携式水果品质分级仪进行整体规划, 完成嵌入式终端系统硬、软件的选型, 搭建系统的硬件平台并对其进行硬件功能扩展; 其次, 在硬件平台上建立嵌入式Linux操作系统, 采用C/C++和Python的混合编程, 底层硬件使用C/C++开发驱动, 参数提取、模式识别和用户界面使用Python进行开发, 开发一种方便携带、操作简易的基于嵌入式Linux的便携式水果品质分级仪, 对提高我国水果的综合利用率以及在国际市场上的竞争力具有重要意义。
1 系统总体设计便携式水果品质分级仪, 其基本目的是采集激光散射图像, 并将采集回来的图像数据进行模式识别、数据处理, 最后输出, 以满足实时性、便携性、功能、成本的需求。便携式水果品质分级仪的结构如图 1所示, 整个仪器的尺寸为215 mm×120 mm×100 mm, 主要包括半导体激光发射器、相机和镜头、电池、开发板、显示屏、SD卡和开关, 其中, 半导体激光发射器和相机呈15°角, 工业相机放置在距离外壳圆形开口91.6 mm处。便携式水果品质分级仪工作流程如图 2所示。将水果样品紧贴仪器前端开口处, 保证仪器内部黑暗环境, 采集果实胴体的激光散射图像, 然后调用SD卡中编写的代码对图像进行处理, 提取图像上的特征参数, 进行判别, 结果在显示屏上显示, 激光散射图像、特征参数、判别结果都保存在SD卡中。
|
图 1 便携式水果品质分级仪的结构图(A)和三维建模图(B) Figure 1 The portable fruit quality grading device structure(A)and 3D model(B) 1:外壳Machine shell; 2:激光发射器Diode laser; 3:开发板Development board; 4:显示屏Touch screen display; 5:开关Switch; 6:SD卡SD card; 7:相机和镜头Camera and lens; 8:电池Battery; 9:样品Sample |
|
图 2 工作流程图 Figure 2 The working process |
本研究选用Raspberry Pi型号B+, 中文译名为“树莓派”的嵌入式开发板来实现系统功能[12-13]。Raspberry Pi-B+配备了一颗ARM11系列、主频为700 MHz的CPU, 可以满足图像快速处理的需要。Raspberry Pi-B+集成了丰富的外围接口, 如激光器、显示器等, 可以方便地与外界通讯及进行调试, 无需设计很多外围设备就可以实现项目所需要的主要功能, 使得系统硬件可以做得比较小, 满足水果品质分级仪小型化的要求, 同时也可以降低开发成本。详细配置见表 1。
| 配置Configuration | 参数Parameter |
| 系统级芯片SoC | Broadcom BCM2835 |
| 中央处理器CPU | ARM1176JZF-S核心700 MHz |
| 图形处理器GPU | Broadcom Video Core Ⅳ, 250 MHz(BCM2837:3D part of GPU, 300 MHz, video part of GPU, 400 MHz) |
| 内存RAM | 512 MB |
| USB接口USB interface | USB 2.0×2 |
| 视频输入Video input | 15-pin MIPI camera interface |
| 视频输出Video output | HDMI(rev1.3 & rev1.4) |
| 板载存储The onboard storage | MicroSDHC Slot×2 |
| 外部接口External interface | 17×GPIO |
| 功率Power | 3.5 W |
| 电源输入The power input | 5 V, MicroUSB or GPIO |
| 总体尺寸The overall size | 85.60 nm×53.98 nm |
图像质量是后期图像处理、获得特征参数的十分重要的影响因素之一, 工业相机的性能决定了激光散射图像的质量, 要想得到真实、准确的图像信息, 就必须有一台高配置的相机, 它是硬件系统的一个关键部件[14]。本研究选用EASY VIEW型号DC10102的工业相机, 配备CSC300型号的镜头, 像素为500 px, 图像传感器为1/2″彩色CMOS, 最大分辨率为2 048×1 536, 图像质量高, 通过USB 2.0输出, 确保信号稳定。
2.3 激光器基于激光散射图像检测水果品质的研究[15-17], 选用半导体激光发射器, 具有价格低、体积小、重量轻、耗电少、寿命长、效率高、运转可靠等优点。本硬件系统使用的光源为南京来创激光科技有限公司订制的ED650-100P(即波长为650 nm, 功率为0~100 mW可调)半导体激光器。光源与相机呈15°角, 发射的光打在外壳圆形开口正中央, 在样品上可以采集到圆形激光散斑。
2.4 显示屏显示屏选用与Raspberry Pi-B+开发板匹配的Waveshare 4寸电阻屏, 320×480分辨率, 支持触控, 兼容并可直接插入任何版本的树莓派, 提供驱动(可直接用于自定义的Raspbian系统), 采用IPS技术, 视角广, 显示效果出众。
3 软件设计 3.1 嵌入式操作系统的选择操作系统是嵌入式系统中软件平台的核心, 它允许用户在其上运行应用程序[18]。对系统功能和各种操作系统特点进行分析以后, 我们选择嵌入式Linux作为应用系统的操作系统平台。Linux操作系统是一种性能优良并且被广泛应用的32位准实时嵌入式操作系统, 其特点主要有内核高效稳定、公开源代码、可移植性、可裁剪性和支持多任务, 适合于构建嵌入式图像处理设备[19]。
3.2 开发工具的选择基于嵌入式Linux平台进行应用程序开发时, 首先要在PC平台下开发, 因为嵌入式软件不具备自主开发能力, 然后经过编译、链接生成目标代码, 再通过一定的工具转化成嵌入式系统中的可执行代码后下载到目标环境中运行[20]。本研究中, 嵌入式便携水果品质检测仪的编译器及调试工具选择ADS1.2(ARM Developer Suite)。ADS是ARM公司为嵌入式ARM设计的一整套软件开发工具, 支持包括Windows和Linux在内的多种操作系统, 采用C/C++和Python的混合编程。
3.3 软件模块开发 3.3.1 控制模块1) 显示器和激光器的操控。树莓派的GPIO是通用型输入、输出(General Purpose I/O)的简称, 它的各个pin可以由使用者自己定义使用, 使用pin作为通用输入(GPI)或者通用输出(GPO)或者输入、输出。简单来说, 就是可以通过上位机的代码来对各个pin口的高低电位进行设置, 这样就可以对外围的其他硬件进行操控[21]。本系统采用的Raspberry Pi带有26 pin的GPIO口, 通过软件对GPIO口进行操控, 从而能够对外围设备进行简单的逻辑操控。我们使用的显示器设备使用了1~26 pin, 对于激光器的操控使用了39、40 pin。在Raspberry Pi的官方文件中, 为Python提供了RPi.GPIO的api, 使用原理如下:
importRPi.GPIO as GPIO
#定义39针为激光的pin
laser_pin=39
GPIO.setwarnings(False)
GPIO.setmode(GPIO.BCM)
GPIO.setup(laser_pin, GPIO.out)
#将该pin设置为True, 则为高电平, 则打开激光器
GPIO.output(laser_pin, True)
#将该pin设置为False, 则为低电平, 则关闭激光器
GPIO.output(laser_pin, False)
2) 相机的操控。对相机的操控使用的是USB设备, 上位机Raspberry Pi使用的是webcam+libusb开源驱动程序。USB设备有4种传输方式:Bulk传输、控制传输、中断传输、同步传输。Bulk传输用于传输大块的数据, 控制传输主要用于传输USB设置的一些控制信息, 中断传输用于处理PCI中断的一些数据[22]。
在Raspberry Pi对相机操控的时候, 使用的是Bulk传输方式。首先在Raspberry Pi端向相机发送一个Bulk的令牌请求, 从相机接收(IN)还是返回(OUT)数据, 然后Raspberry Pi端根据从相机在固件中写好的指令集发送对应指令, 从相机接收到该指令后做相应的工作。之后, Raspberry Pi设备再次发送读取数据的指令, 并将方向设置为OUT, 并接收数据。Bulk传输是一种安全传输方式, 能够保证传输的数据包不丢失。
在软件层面, 我们使用的是开源的libusb作为连接驱动。libusb是一个开源的USB驱动程序, 并且有C#、Java、Python等语言的接口api。使用libusb的Python接口api进行开发。
在应用层面, 我们使用了opencv的Python的api进行开发, 使用面向对象的编程思想, 将camera封装成一个类, 将对相机的操作全都封装成简单的方法(图 3)。为了控制采集速度和处理速度, 我们将单次采集图片的分辨率设置成了320×240。在调用该类的时候, 默认在初始化方法_init_中打开index相机。通过read方法, 将采集的照片存储在savepath的路径下面, 为了防止图片命名重复, 使用了日期+时间戳来进行命名。
|
图 3 camera类的结构 Figure 3 The structure of the camera class |
采集完图像之后, 我们需要对图像进行处理, 提取特征参数。将对图像处理的方法封装在calculate的类中(图 4), 通过调用calculate即可。其中matrix_x_matrix方法用于处理矩阵之间的相互乘法运算; get_wavelet方法用于进行小波运算, 是对Python的pywt库的二次封装; get_imhist方法用于获取图像的直方图, 参考matlab的imhist方法, 对numpy库的histogram方法进行二次封装。
|
图 4 calculate类的结构 Figure 4 The structure of the calculate class |
由于Python带有numpy和pylab库, 可以方便地对数据进行矩阵运算, 部分不能完成的矩阵运算, 仿照matlab的操作原理编写了tools库(图 5)。其中m_dir方法参考了matlab的dir方法, 用于返回filepath下面的所有文件列表; m_length方法参考matlab的length方法, 用于返回一个矩阵的长度; m_round方法参考了matlab的round方法, 用于返回近似值; m_num2str方法参考了matlab的num2str方法, 用于将一个数据进行字符串化; m_strcat参考了matlab的strcat的方法, 用于将多个字符串进行连接。
|
图 5 tools类结构 Figure 5 The structure of the tools class |
调用图像处理模块提取的特征参数, 将图像上的特征参数带入水果内部品质的预测模型中, 得到判别结果并输出。针对不同种类、不同品种的水果建立一个完整的检测数据库还有待后续研究。
4 交互界面的开发及操作 4.1 交互界面的开发交互界面的开发采用了Python自带的Tkinter库, 该库是Python的标准Tk GUI工具包的接口, 可以在Unix、类Unix平台和Windows平台里使用, 采用了系统原生的窗口风格。该库使用简单, 开发迅速, 执行以下步骤即可[23-24]:
●导入Tkinter模块
●创建GUI程序的root主窗口
●添加组件到GUI程序的root主窗口上
●进入主事件循环, 并绑定组件对应的事件
●编写事件代码
4.2 操作流程 4.2.1 开始界面打开电源, 进入开始界面(图 6), 有“参数设置”和“开始采集”2个按钮。
|
图 6 水果品质分级仪开始界面 Figure 6 Start interface of the fruit quality grading device |
点击开始界面上的“参数设置”按钮, 进入参数设置界面(图 7-A), 有“模型选择”和“拍摄条件”2个按钮。点击“模型选择”按钮后进入模型选择界面(图 7-B), 点击苹果后面的下拉按钮, 菜单显示‘红富士’和‘嘎啦’, 点击桃子后面下拉按钮, 菜单显示‘霞脆’和‘湖景蜜露’, 选择所需模型后, 点击“确定”, 返回到参数设置界面, 点击“取消”, 可以重新选择。点击“拍摄条件”按钮后进入拍摄条件的选择(图 7-C), 点击拍摄后的下拉按钮选择采集图像数量, 如:选择“2”即每个样品采集2张图片, 以这2张图片的平均值作为该样品判别等级的数据。点击“确定”, 返回到参数设置界面, 点击“取消”, 可以重新选择。
|
图 7 参数设置界面(A)、模型选择界面(B)和拍摄条件界面(C) Figure 7 The interface of parameter settings(A), model selection(B)and shooting conditions(C) |
点击开始界面上的“开始测试”按钮, 进入图像采集界面(图 8-A), 有“开始测试”和“记忆”2个按钮。点击“开始测试”按钮, 仪器对样品进行图像采集, “开始测试”按钮显示为“照片采集中”。当采集完毕, “照片采集中”按钮显示为“照片计算中”。当计算完毕, 在屏幕上显示判别结果(图 8-B)。点击“记忆”, 显示上一次的结果, 再点击“记忆”, 显示上上次的结果, 以此类推。
|
图 8 图像采集界面(A)和结果显示界面(B) Figure 8 The interface of images acquisition(A)and result shows(B) |
所有测试结果以水果类别和测试日期保存在Excel表中, 存储于仪器中的SD卡内。
5 结果与讨论支持向量机(SVC)在解决小样本、非线性及高纬度识别中具有优势[25]。为测试开发的基于嵌入式Linux的便携式水果品质分级仪的效果, 本研究将已经建立的‘湖景蜜露’水蜜桃和‘红富士’苹果分级的SVC模型导入该仪器进行验证。通过用质构仪和折光仪测定样品的硬度和糖度的含量, 参照《鲜桃:NY/T 586—2002》和《鲜苹果:GB/T 10651—2008》对‘湖景蜜露’和‘红富士’的糖度和硬度进行分级, 糖度和硬度都为一等, 则品质等级为一等, 否则, 品质等级为二等。以像素面积、一致性和熵这3个特征参数集作为SVC模型自变量x的输入, 品质等级作为模型应变量y输出。各选取500个样品对其进行检测和分级, 分级结果如表 2。该水果品质分级系统能够对‘湖景蜜露’和‘红富士’实现正确分级, 即该系统满足对水蜜桃和苹果品质分级的要求。本研究提取了激光散射图像上更多的特征参数, 减少了有效信息的损失。支持向量机模型在解决小样本、非线性及高纬度识别中具有优势, 所以模型正确率比吴海伦[14]和陈育彦等[16]建立的线性模型有所提高。另外, 该便携式水果品质分级仪上有模式识别的接口, 可以利用该仪器进一步研究其他水果的分级模型。
| 品种Varieties | 样本数No.of sample | 正确分级数No.of correct classification | 一等误判数No.of first-class misjudgment | 二等误判数No.of second-class misjudgment | 正确率/%Accuracy rate |
| 湖景蜜露Hujingmilu | 500 | 450 | 28 | 22 | 90 |
| 红富士Honeydew Fuji | 500 | 460 | 24 | 16 | 92 |
随着生活水平的提高, 消费者在采购水果时, 除了大小、颜色等外观品质外, 对口感和质地等内部品质的要求也越来越高。采用化学的方法抽样测定, 检测效率较低, 经济损失大, 而目前试验用的激光散射图像采集系统成本高, 体积大不易携带。针对以上问题, 本研究开发了一种基于嵌入式Linux的便携式水果品质分级系统, 整个系统的尺寸为215 mm×120 mm×100 mm, 包括控制模块、图像处理模块、模型预测模块; 实现了对显示器、激光器和相机的控制, 图像的采集和图像上特征参数的提取, 包括颜色特征参数(R、G、B、H、S、I及各标准差)和纹理特征参数(像素面积、平均灰度值、灰度标准差、平滑度、三阶矩、一致性和熵), 模型的选择, 结果显示及存储等功能; 体积小、成本低、操作简单, 可以满足现场无损检测的要求。
交互界面采用Python进行开发, 导入Tkinter模块, 创建GUI程序的root主窗口, 添加组件到GUI程序的root主窗口上, 进入主事件循环, 并绑定组件对应的事件, 编写事件代码, 开发迅速, 具有友好的人机界面, 操作简单, 易于维护。
本研究将已经建立的‘湖景蜜露’和‘红富士’分级的支持向量机(SVC)模型导入该仪器进行验证, 结果表明, ‘湖景蜜露’和‘红富士’分级正确率分别为90%和92%, 该系统满足对水蜜桃和苹果品质分级的要求。但由于同一种类的水果品种繁多, 地区性差异大, 如何减少模型数量, 提高模型预测的正确率, 建立一个完整的检测数据库, 还需要后续研究。
| [1] |
陈艳军, 张俊雄, 李伟, 等. 基于机器视觉的苹果最大横切面直径分级方法[J].
农业工程学报, 2012, 28(2): 284–288.
Chen Y J, Zhang J X, Li W, et al. Grading method of apple by maximum cross-sectional diameter based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(2): 284–288. (in Chinese) |
| [2] |
赵娟, 彭彦昆, DhakalSagar, 等. 基于机器视觉的苹果外观缺陷在线检测[J].
农业机械学报, 2013, 44(Suppl 1): 260–263.
Zhao J, Pen Y K, Dhakal S, et al. On-line detection of apple surface defect based on image processing method[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(Suppl 1): 260–263. (in Chinese) |
| [3] | Liu Y, Chen X, Ouyang A. Nondestructive determination of pear internal quality indices by visible and near-infrared spectrometry[J]. LWT-Food Science and Technology, 2008, 41: 1720–1725. DOI: 10.1016/j.lwt.2007.10.017 |
| [4] | Kumar S, McGlone A, Whitworth C, et al. Postharvest performance of apple phenotypes predicted by near-infrared(NIR)spectral analysis[J]. Postharvest Biology and Technology, 2015, 100: 16–22. DOI: 10.1016/j.postharvbio.2014.09.021 |
| [5] | Lu R. Multispectral imaging for predicting firmness and soluble solids content of apple fruit[J]. Postharvest Biology and Technology, 2004, 31: 147–157. DOI: 10.1016/j.postharvbio.2003.08.006 |
| [6] | Qing Z, Ji B, Zude M. Predicting soluble solid content and firmness in apple fruit by means of laser light backscattering image analysis[J]. Journal of Food Engineering, 2007, 82(1): 58–67. DOI: 10.1016/j.jfoodeng.2007.01.016 |
| [7] | Hashim N, Pflanz M, Regen C, et al. An approach for monitoring the chilling injury appearance in bananas by means of backscattering imaging[J]. Journal of Food Engineering, 2013, 116(1): 28–36. DOI: 10.1016/j.jfoodeng.2012.11.018 |
| [8] | Lorente D, Zude M, Idler C, et al. Laser-light backscattering imaging for early decay detection in citrus fruit using both a statistical and a physical model[J]. Journal of Food Engineering, 2015, 154: 76–85. DOI: 10.1016/j.jfoodeng.2015.01.004 |
| [9] |
符意德.
嵌入式系统设计原理及应用[M]. 2版. 北京: 清华大学出版社, 2010: 5-65.
Fu Y D. Design Principle and Application of Embedded System[M]. 2nd ed. Beijing: Tsinghua University Press, 2010: 5-65. (in Chinese) |
| [10] |
徐宝成. 基于ARM的嵌入式便携终端系统的研究与设计[D]. 西安: 西安理工大学, 2007.
Xu B C. Research and design of embedded system for portable terminal based on ARM[D]. Xi'an:Xi'an University of Science and Technology, 2007(in Chinese with English abstract). |
| [11] |
孔祥营. 嵌入式系统可信计算环境构建关键技术研究[D]. 南京: 南京航空航天大学, 2015.
Kong X Y.Key technology research of trusted computing environment for embedded system[D]. Nanjing:Nanjing University of Aeronautics and Astronautics, 2015(in Chinese with English abstract). |
| [12] |
李文胜. 基于树莓派的嵌入式Linux开发教学探索[J].
电子技术与软件工程, 2014(9): 219–220.
Li W S. Developing teaching research on embedded Linux based on Raspberry Pi[J]. Electronic Technology and Software Engineering, 2014(9): 219–220. (in Chinese) |
| [13] |
王瑞宝, 王节旺. 基于树莓派的雷电预警系统设计方案[J].
电子设计工程, 2016, 24(1): 169–171.
Wang R B, Wang J W. The design of lighting warning system based on Raspberry Pi[J]. Electronic Design Engineering, 2016, 24(1): 169–171. (in Chinese) |
| [14] |
吴海伦. 基于生物散斑技术的苹果内部品质检测分级及仪器开发[D]. 南京: 南京农业大学, 2015.
Wu H L. Studies on detection and grading of apple's internal quality based on biological speckle technique and instrument development[D]. Nanjing:Nanjing Agricultural University, 2015(in Chinese with English abstract). |
| [15] | van Beers R, Aernouts B, León Gutiérrez L, et al. Optimal illumination-detection distance and detector size for predicting Braeburn apple maturity from Vis/NIR laser reflectance measurements[J]. Food and Bioprocess Technology, 2015, 8(10): 2123–2136. DOI: 10.1007/s11947-015-1562-4 |
| [16] |
陈育彦, 屠康, 任珂, 等. 基于激光图像分析的桃货架品质无损检测试验[J].
农业机械学报, 2007, 38(3): 110–113.
Chen Y Y, Tu K, Ren K, et al. Experimental research of laser image analysis for peach quality during its shelf life[J]. Transactions of the Chinese Society for Agricultural Machinery, 2007, 38(3): 110–113. (in Chinese) |
| [17] |
胡孟晗, 董庆利, 刘宝林, 等. 生物散斑技术在农产品品质分析中的应用[J].
农业工程学报, 2013, 29(24): 284–292.
Hu M H, Dong Q L, Liu B L, et al. Application of biospeckle on analysis of agricultural products quality[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(24): 284–292. DOI: 10.3969/j.issn.1002-6819.2013.24.037 (in Chinese) |
| [18] |
郭朗. 基于ARM的嵌入式系统设计[D]. 成都: 电子科技大学, 2007.
Guo L. Design of embedded system based on ARM processor in China[D]. Chengdu:University of Electronic Science and Technology of China, 2007(in Chinese with English abstract). |
| [19] |
聂和平. 基于ARM9的嵌入式Linux系统移植与驱动开发[D]. 南京: 南京邮电大学, 2013.
Nie H P. Research on system transplantation and driver development of embedded Linux based on ARM9[D]. Nanjing:Nanjing University of Posts and Telecommunications, 2013(in Chinese with English abstract). |
| [20] |
王琼. 基于嵌入式Linux数据采集系统的软件设计与实现[D]. 成都: 电子科技大学, 2013.
Wang Q.The software design and implementation of data acquisition system based on embedded Linux[D]. Chengdu:University of Electronic Science and Technology, 2013(in Chinese with English abstract). |
| [21] |
张学勇. 基于ARM9的Linux内核移植及USB设备驱动程序开发[D]. 哈尔滨: 哈尔滨理工大学, 2010.
Zhang X Y. Linux kernel porting based on ARM9 and USB device driver development[D]. Harbin:Harbin University of Science and Technology, 2010(in Chinese with English abstract). |
| [22] |
康计良. Python语言的可视化编程环境的设计与实现[D]. 西安: 西安电子科技大学, 2012.
Kang J L. Design and implementation of Python language visual programming environment[D]. Xi'an:Xidian University, 2012(in Chinese with English abstract). |
| [23] |
李悦. 基于Python+Tkinter的Linux GUI辅助管理工具的设计与实现[D]. 长春: 吉林大学, 2009.
Li Y. Design and implementation of GUI aided management tool in Linux based on Python+Tkinter[D]. Changchun:Jilin University, 2009(in Chinese with English abstract). |
| [24] |
谢堂胜, 刘德营, 陈京, 等. 白背飞虱智能识别技术研究[J].
南京农业大学学报, 2016, 39(3): 519–526.
Xie T S, Liu D Y, Chen J, et al. Automatic identification of Sogatella furcifer[J]. Journal of Nanjing Agricultural University, 2016, 39(3): 519–526. DOI: 10.7685/jnau.201508026 (in Chinese) |
| [25] | Pan L, Qiang Z, Wei Z, et al. Detection of cold injury in peaches by hyperspectral reflectance imaging and artificial neural network[J]. Food Chemistry, 2016, 192: 134–141. DOI: 10.1016/j.foodchem.2015.06.106 |