基于.NET的番茄果园视觉特征管理系统

李晶 王妍玮

摘要  介绍了一种基于.NET平台的番茄果园视觉特征管理系统，旨在提高番茄果实的检测和识别效率，促进农业生产的智能化发展。随着信息技术的发展与普及，越来越多的农业生产活动开始向数字化、智能化的方向转变。同时，随着人口增长和城市化进程的加速，人们对蔬菜和水果的需求越来越大，对水果品质的要求也越来越高。而作为现代农业中重要的经济作物之一，番茄的种植和管理对于果农们来说至关重要。为了提高番茄种植的生产效率和品质，帮助果农实现对番茄种植全过程的管理。以位于辽宁省大连市旅顺口区某番茄果园为例，对系统框架的搭建，包括系统的数据结果和框架，同时对传感器数据和图像数据进行处理和数据分析，实现对果园内番茄的生长状态和品质的实时监测和管理，提高番茄果园的生产效率和品质，增加果农的生产效益和经济效益。

关键词  .NET平台；番茄果园；管理系统；分类识别

中图分类号  S126  文献标识码  A  文章编号  0517-6611（2024）01-0236-05

doi：10.3969/j.issn.0517-6611.2024.01.052

开放科学（资源服务）标识码（OSID）：

Tomato Orchard Visual Feature Management System Based on .NET

LI Jing1，2，WANG Yan-wei3

（1.Dalian University of Science and Technology， Dalian， Liaoning 116052; 2.Heilongjiang Bayi Agricultural University， Daqing， Heilongjiang 163319;3.Heilongjiang University of Science and Technology， Harbin， Heilongjiang 150022）

Abstract  We introduced a Tomato Orchard Visual Feature Management System based on the .NET platform， aimed at improving the efficiency of tomato detection and recognition and promoting the intelligent development of agricultural production. With the development and popularization of information technology， more and more agricultural production activities are beginning to shift towards digitization and intelligence. At the same time， with the acceleration of population growth and urbanization， people's demand for vegetables and fruits is increasing， and the requirements for fruit quality are also increasing. As one of the important economic crops in modern agriculture， tomato cultivation and management are crucial for fruit farmers. In order to improve the production efficiency and quality of tomato cultivation， the system was used to help fruit farmers manage the entire process of tomato cultivation. Taking a tomato orchard located in the Lushunkou District of Dalian of Liaoning Province as an example， the system framework， including the system's data results and framework， the processing and data analysis of sensor data and image data， was constructed to achieve real-time monitoring and management of the growth status and quality of tomatoes in the orchard， improving the production efficiency and quality of the tomato orchard， and increasing the production and economic benefits of fruit farmers.

Key words  .NET platform;Tomato orchard；Management system；Classification recognition

基金項目  2023年度辽宁省教育厅基本科研项目（JYTMS20230523）。

作者简介  李晶（1981—），女，吉林通化人，副教授，从事农业工程与信息技术方面的研究。*通信作者，教授，博士，从事农业信息化研究。

收稿日期  2023-02-19；修回日期  2023-09-28

随着信息技术的发展与普及，越来越多的农业生产活动开始向数字化、智能化的方向转变。与此同时，随着人口增长和城市化进程的加速，人们对蔬菜和水果的需求越来越大，对水果品质的要求也越来越高。而作为现代农业中重要的经济作物之一，番茄的种植和管理对于果农们来说至关重要。为了提高番茄种植的生产效率和品质，科研人员正在探索更为先进的技术和管理方法，用以帮助果农实现对番茄种植全过程的管理。其中，基于计算机视觉技术的果园管理系统逐渐受到人们的关注。鉴于此，笔者提出了一种基于.NET技术的番茄果园视觉特征管理系统，以位于辽宁省大连市旅顺口区某番茄果园（39°N）为例，通过对传感器数据和图像数据的处理和数据分析，实现对果园内番茄的生长状态和品质的实时监测和管理，提高番茄果园的生产效率和品质，增加果农的生产效益和经济效益。

1  研究目的和意义

1.1  研究的目的

该系统的核心技术包括物联网、计算机视觉和数据分析等方面。系统通过物联网技术对果园内的传感器设备进行管理和监控，可以实时感知果园内的温度、湿度和土壤水分等参数。同时，系统还利用计算机视觉算法对番茄图像进行识别和分类，实现对番茄的生长状态、病虫害等级、外观质量、品质等方面进行实时监测和分析，实现果园的自动化、智能化管理。

随着计算机技术和图像处理技术的不断发展，果园管理系统的应用范围也越来越广泛。例如，该系统可以用于测量果蔬的大小、颜色、形状、纹理等视觉特征，对果实的成熟度和品质进行预测和控制，提高果农的生产效益和经济效益。最后，通过数据分析和预测技术，系统可以对果园内的产量、品质、成本等进行分析和预测，帮助果农们制定更加科学的种植计划和管理策略。

1.2  研究的意义

该研究的意义主要有以下几个方面：

1.2.1

提高果园管理效率。通过建立基于.NET的番茄果园视觉特征管理系统，果园管理人员可以更加高效地管理果园，实现信息化、自动化管理。系统可以实时采集果园的各项数据，如果实的大小、颜色、成熟度等信息，让果园管理人员能够更加全面地了解果园情况，及时进行调整和决策，提高果园的生产效率。

1.2.2

提升果品质量。可以对果实进行自动检测和分级，能够检测出果实的大小、颜色、成熟度等指标，进而进行分级处理，将果实分为不同的品质等级，保证果品的品质和口感，提升果品的附加值。

1.2.3

减少人力成本。传统果园管理需要大量人力，而基于.NET的番茄果园视觉特征管理系统可以实现自动化管理，减少了人力成本，提高了工作效率，降低了管理成本。

1.2.4

推广新技术。研究基于.NET的番茄果园视觉特征管理系统可以推广新技术在果园管理领域的应用。该系统利用计算机视觉和人工智能技术，可以实现对果实的自动检测和分级，具有较高的科技含量和创新性。该研究成果可以在果园管理领域的推广应用中发挥積极作用，推动果园管理的现代化进程。

2  研究内容和研究方法

2.1  研究内容

该研究在基于.NET技术开发一套能够高效管理番茄果园视觉特征数据的管理系统。该系统主要包括以下几个方面的内容：

2.1.1  数据采集。通过采用计算机视觉技术，对番茄果园进行图像采集，并将采集到的图像进行处理，提取其中的视觉特征数据。

2.1.2  数据管理。对采集到的视觉特征数据进行管理，包括存储、更新、删除等功能。同时，为了方便数据的查询和分析，需要设计相应的查询和统计分析模块。

2.1.3  数据可视化。为了更加直观地展示数据的分布情况和变化趋势，需要设计数据可视化模块。通过对数据进行可视化处理，用户可以更加直观地了解番茄果园的生长状态。

2.2  研究方法

2.2.1  系统需求分析。通过与果园管理人员沟通和调研，明确系统所需要实现的功能、性能、可靠性、安全性等需求，确定系统的整体设计方案。

2.2.2  数据采集和预处理。使用摄像头或传感器等设备，对果园中的番茄进行采集，获取番茄的图像和相关信息。对采集到的数据进行预处理，如去除噪声、调整图像对比度等，为后续的处理做准备。从原始数据中提取出具有代表性的特征，并用于后续的分类、识别、检索等任务。在视觉特征管理系统中，特征提取是非常重要的一步，可以通过多种方法实现，如基于灰度共生矩阵（GLCM）的纹理特征提取方法、基于边缘检测的形状特征提取方法、基于颜色直方图的颜色特征提取方法等。

2.2.3  计算机视觉处理。利用计算机视觉技术对图像进行处理，提取番茄的特征信息，如大小、颜色、成熟度等，实现对番茄的自动检测和分级，可以使用OpenCV等开源的计算机视觉库来实现。分类识别是指将提取到的特征进行分类判断，并给出分类结果的过程。在视觉特征管理系统中，分类识别主要用于对番茄果实进行分类和识别。常见的分类识别算法包括支持向量机（SVM）、卷积神经网络（CNN）等。

2.2.4  数据库设计与管理。设计数据库，存储番茄的特征信息和相关数据，通过数据库管理系统来管理和维护数据库。

2.2.5  系统集成和测试。将各个模块集成到一个系统中，并进行测试和优化。测试内容包括系统的功能、性能、可靠性、安全性等方面，确保系统达到预期效果。

2.2.6  系统应用与评估。将系统应用于实际的果园管理中，并进行评估。评估内容包括系统的稳定性、适用性、经济性等方面，为后续改进提供依据。

2.3  目前的计算机视觉检测研究方向

2.3.1  基于计算机视觉的番茄成熟度检测研究。

一种基于计算机视觉的番茄成熟度检测方法，主要基于HSV颜色空间的色调和饱和度特征，通过阈值分割、形态学处理和轮廓分析等步骤对番茄进行成熟度判定。试验结果表明，该方法具有较高的成熟度检测准确率和稳定性。

2.3.2  基于机器视觉的番茄果实表面缺陷检测研究。

一种基于机器视觉的番茄果实表面缺陷检测方法，主要基于图像预处理、分割和特征提取等步骤，通过Sobel算子和Canny算子提取边缘特征，结合HSV颜色空间的色调和饱和度特征对番茄果实表面缺陷进行检测。试验结果表明，该方法具有较高的检测准确率和鲁棒性。

2.3.3  计算机视觉的番茄果实大小检测研究。

一种基于计算机视觉的番茄果实大小检测方法，主要基于HSV颜色空间和形态学处理等技术对番茄进行分割，并通过轮廓提取和拟合等步骤对番茄果实大小进行检测。试验结果表明，该方法具有较高的检测准确率和鲁棒性［1］。

以上研究方法涉及番茄的视觉特征分析和检测，对于该系统的开发和优化具有一定的参考意义。

3  设计与实现

3.1  系统架构

该系统采用.NET技术的3层架构，将应用程序分为表示层、业务逻辑层和数据访问层3个层次，以实现应用程序的可扩展性和稳定性。其中，表示层负责用户界面的显示和交互，业务逻辑层负责业务逻辑的处理，数据访问层负责数据的存储和访问［2］，见图1。

3.2  体系结构

用户从浏览器通过URL访问系统之后，可以查询、管理目前的农作物照片、视频以及特征信息。照片和视频来源与农场内的高清监控系统、无人机巡检系统传回的画面。画面经过视觉识别子系统处理后，转化为数字化的特征值，可以用该特征值与农作物的生长周期、病虫害、缺水、缺乏微量元素等特征做对比。如果出现异常，可以向管理人员进行警示，避免更大的损失。

3.3  数据存储设计

该系统采用2种不同的数据库：关系型数据库用来存储结构化信息；文档型数据库MongoDB用来存储非结构化的信息，文件服务用来存储图片、视频等信息。

3.3.1  关系型数据库。

关系型数据库主要用于存储主数据和经过分析的农场数据。农场数据来源于农作物的照片、视频，经过各种特征值分析后的结果可以反映从各个维度下，农场的当前以及历史视图看板，为原因追溯分析提供支撑数据。原因分析后，可以用这部分数据更新特征值管理，让特征值更加翔实、准确且符合农场实际情况。

由于数据库驱动选用了Entity Framework（以下简称“EF”），所以该系统的关系型数据库的选型就可以比较宽泛。主流的关系型数据库，如Oracle、Sql Server、MySql、MariaDB、PostgreSql等都可以使用［3］。如果企业已经有购买过的数据库的许可证，或者已经租用云数据库，可以直接使用，不需要另行购买，从而降低企业的IT运营成本。

3.3.2  MongoDB。

由于在图像处理、特征值分析会产生大量的文档类型数据，并且这部分数据的属性随着分析方法、农作物类型变化，很难以关系型数据库的方式创建表结构。另外，由于特征值处理会产生大量数据，这部分数据如果使用传统的关系型数据方式进行管理，会大量占用数据库空间，对IT运维造成压力，采用文档型数据库可以避免出现这类问题。

3.3.3  文件服务器。

对于监控、巡检等系统传来的照片、视频等文件，虽然可以用数据库进行管理，但是单独设置一个文件服务器是更好的选择，可以按天建立文件夹存放文件，并且在MongoDB中存储文件路径即可。

3.4  程序设计

3.4.1  数据访问层DAL。

数据访问层采用EF连接数据库。EF是一个轻量化、可扩展、开源和跨平台版的常用 ORM数据访问技术，和.NET一样由微软提供，可以很好地兼容.NET Core，使.NET开发人员能够使用.NET对象处理数据库［4］，从而无须再像通常那样编写大部分SQL访问代码。通过这种方式，开发人员编写1次数据库操作代码，就可以通过更换数据库驱动的方式，实现多种类型的数据库访问，极大加快了开发效率，并且减少了支持多种数据库的个别开发工作。另外，可以用相同的数据模型（Model）支持页面开发和数据接口开发，避免同一套数据在不同模块中产生的二义性，降低了测试成本。

3.4.2  业务逻辑层BLL。

业务逻辑层是集中完成业务逻辑的地方，同时向上连接表示层和接口层，向下连接数据层功能［4］。业务逻辑层在实现的时候，以功能模块来划分。功能模块以接口弱耦合的形式向表示层、接口层以及其他模块提供服务。 另外，还有一部分通用的功能，如权限的处理、数据合法性校验等，可以以通用组件的形式集成到程序中。

业务逻辑层和数据访问层共同组成了后台服务，使用.NET Core实现，可以以Windows服务、IIS或者独立程序的形式进行部署。

3.4.3  表現层。

表现层向上直接连接用户操作，向下连接业务逻辑层，用户平时看到的浏览器中的页面和手机应用都是在这一层处理。

表现层主要分为2套。一套是PC用的浏览器界面，使用ASP.Net MVC、jQuery和Web Socket开发。对于常规的查询、数据提交、页面局部刷新等操作，可以使用ASP.NET MVC和jQuery处理。对于实时分析等大型看板类型的页面，可以采用Web Socket这种全双工通信的方式实现，避免了轮询刷新对后台服务造成太大的压力，也可以减少页面的卡顿感，提升用户体验。

另一套是移动设备的App。由于目前移动设备存在多种操作系统，有鸿蒙、安卓、IOS等，如果分别开发会造成巨大的开发压力，并且容易造成各个版本进度、功能不同步的现象，所以在移动设备应用上采用了Hybrid开发的形式，即使用Html5开发核心功能，然后分别装入鸿蒙、安卓和IOS外壳。外壳程序仅负责和移动操作系统的交互，以及不同系统的差异实现部分，如唤醒相机、读取本地文件等，这样可以极大减少开发量和测试量，保证软件品质。

3.4.4  接口层。

现代化的企业信息系统越来越多的强调和其他系统的交互和联合作业，如果接口不完善，很容易引发企业中系统间的信息孤岛现象［5］。该系统的接口层单独设计为直接和业务逻辑层交互，可以直接复用表示层的业务逻辑，最大程度消除分别开发用户界面、系统接口可能产生的逻辑差异。接口层包含推送、拉取2种形式。推送接口分别HTTP类型的接口和文件型接口，覆盖大部分系统的接口形式。拉取型接口采用WebApi实现，对于常用的数据类型，提供直接封装好的数据模型，另外为了应对客户的特殊要求，提供OData标准协议，其他系统可以直接访问基于权限控制下的底层数据，为用户定制的系统对接方案提供完善的数据支撑。

3.5  作业模块和通知模块

为了应对越来越多的监控、预警功能，该系统内置了定时作业模块。用户可以把一部分耗时较长、处理量较大的任务，从实时处理中分离出来，转移到作业模块中进行处理。这样可以避免瞬时系统在大流量数据的冲击下性能过载，造成作业卡顿，甚至系统宕机的后果［6］。同时，作业模块可以在数据处理后，对比异常信息特征库，如果发现异常，则可以交给通知模块，对管理人员进行警示。

农作物如果遇到病虫害、微量元素缺乏等异常，则需要人工干预。虽然农场可以使用人工巡检的方式发现这类问题，但是自动化的预警功能则是对人工监视的有力补充。通知模块可以采用电话（VoIP）、短信、App推送的形式向管理人员发送异常告警。对农作物来说，越早处理，则可以把损失降到越低。

3.6  模块设计

主数据管理是系统管理的基础，它可提供可信的企业数据视图并支持其他业务职能随时访问这些数。主数据不正确或分散，通常会导致同一指标数据自相矛盾，并对业务的各个方面产生负面影响。

该系统中主数据主要分为2类。一类是系统自己的主数据，如权限、视觉特征信息等，这部分数据可以在系统中，由企业管理人员自行维护。 还有一类是可以从其他系统导入的主数据，如物料编码、库位等信息。本着数据“一处维护，多处引用”的原则，可以由系统管理员设定数据的来源及维护方式，减少企业内部的数据不整合性。

由于个人信息保护法的颁布，该系统也对个人敏感信息做了专门的处理。在数据存储上，对敏感数据进行加密保存，并且在页面表示上，也对敏感信息进行脱敏之后再显示。另外，该系统也支持主流的SSO登录，这样可以保证该系统仅考虑登录和授权，不保存敏感信息，以这种方式来处理个人信息问题。

3.7  农产品特征管理

3.7.1  生长特征管理。

不同的农作物，在生长的过程中，会出现不同的生产特征，而很多生长特征的出现后必须要伴随人工干预，否则轻则影响产量，重则绝产，如番茄生长过程中需要打顶，黄瓜开花需要掐尖等。对于这部分生长特征，可以提前录入生长特征管理并设置提醒规则，并且通过监控系统实时与设定的生产管理进行比对。

3.7.2  异常特征管理。

农作物发生病变、缺水、缺肥等现象时，一般情况会在作物外观上出现特征，需实时监控。

3.7.3  机器学习管理。

随着科技的发展，农作物的品种迭代周期越来越短［7］；另外由于土质、气候的不同，农作物的特征会呈现多种多样性。完全使用种子、幼苗供应商的数据，未必完全适合每一个具体的农场。在这种情况下，系统的自我学习、自我进步的能力显得尤其重要。该系统支持使用图片、视频等格式做机器训练，训练后的结果可以保存到生长特征库或者特征库中，继续参与到农场的实际特征识别中。通过这样的迭代方式，提高系统的识别准确性，让数据更加符合实际情况。

3.7.4  特征识别管理。

特征管理识别是该系统的核心功能［8］。在特征识别管理中，可以按照時间维度生成特征值的变化曲线。与正常的农作物生长特征曲线以及历史数据的特征曲线对比，可以分析出每轮种植生长的差异，总结每次种植的经验教训，为将来的种植提供改善参考。

除了通过机器学习生成的特征，特征识别管理还支持通过接口从外界导入数据，并且在系统中通过标签区分，这部分数据可以和农场的特征数据进行对比，从而更好地帮助管理人员从源头追溯生长过程中出现的问题。

3.8  农场信息看板

系统中的信息多种多样，虽然有预警机制、数据查询和钻取数据，但是还是很难对大量的实时信息形成一个有效的直观印象。在看板中可以自定义数据的抽取规则、聚合规则和比较规则，并把这部分规则保存为自定义模板。 完后把这部分数据以大屏、系统主页等形式直接呈现，让用户可以随时查看最主要的数据。

4  试验研究

为了验证基于.NET的番茄果园视觉特征管理系统的有效性，选择以位于39°N辽宁省大连市旅顺口区某番茄果园进行试验测试。

4.1  数据采集

选择了一批在番茄果园中生长的番茄进行数据采集。在采集数据的过程中，使用一台高分辨率的摄像头，型号为影石 Link AI 智能4K 云摄像头。该摄像头的特点是能够自动调整平衡角度，避免了果园内土地不平整对拍摄带来的影响。并在不同的拍摄角度和距离下对番茄进行拍摄。在拍摄过程中，保持相机与番茄之间的距离和角度尽量一致，以保证采集到的数据具有一定的可比性。此外，还在番茄的表面划定了一定数量的感兴趣区域（ROI），用于后续的特征提取和分析。

4.2  数据预处理

在进行特征提取前，需要对采集到的数据进行一定的预处理，具体包括以下几个方面：

4.2.1  图像去噪。由于拍摄环境可能存在一定的噪声干扰，使用了一种基于小波变换的图像去噪方法，对采集到的图像进行了去噪处理［9］。

4.2.2  图像增强。为了提高图像的对比度和清晰度，使用了一种基于直方图均衡化的图像增强方法，对采集到的图像进行了增强处理［9］。

4.2.3  ROI提取。根据预先划定的ROI区域，将图像进行裁剪，并保留ROI区域内的像素点。

4.3  特征提取

在进行特征提取时，考虑了番茄的多个视觉特征，包括颜色、纹理、形状等。包括以下几种方法：

4.3.1  颜色特征。使用了一种基于HSV（色相、饱和度、亮度）颜色空间的方法，对ROI区域内的像素点进行了颜色直方图统计，得到了番茄的颜色特征。

4.3.2  纹理特征。使用了一种基于灰度共生矩阵（GLCM）的方法，对ROI区域内的像素点进行了纹理特征的提取［10］。具体来说，计算了图像的4个方向上的GLCM矩阵，从中提取了能够反映图像纹理特征的参数，如能量、对比度、均匀度等。

4.3.3  形状特征。使用了一种基于边缘检测的方法，对ROI区域进行了边缘提取，并计算了边缘的长度。

4.4  建立图像处理流程

在预处理完成后，下一步是进行图像分割。该研究采用的图像分割算法为基于区域的分割方法，其主要思想是将图像划分为若干个互不重叠的区域，并对每个区域进行处理。在该研究中，图像被分割成了2个区域：番茄果实区域和非番茄果实区域。其中，番茄果实区域是指图像中所有番茄果实所在的区域，非番茄果实区域则是指除番茄果实以外的图像区域。

对于番茄果实区域，该研究采用了基于阈值的分割方法。该方法首先计算图像的灰度直方图，然后根据直方图的特点确定一个适当的阈值，将图像分为2个部分，即背景和前景。在该研究中，将阈值设为130。分割后，可以得到番茄果实区域的二值图像［11］。

对于非番茄果实区域，该研究采用了基于颜色和形状的分割方法。该方法首先对图像进行颜色分割，将红色通道中的像素点提取出来，然后使用形态学处理方法去除不相关的区域，最终得到非番茄果实区域的二值图像。

最后，对每个番茄样本的图像数据进行了特征提取和分类。在特征提取方面，采用了基于形态学、颜色和纹理等特征的方法，提取了番茄样本的多个特征，包括面积、周长、长宽比、圆形度、颜色直方图、纹理直方图等。在分类方面，采用了支持向量机（SVM）算法，将每个番茄样本分为正常番茄和有瑕疵的番茄2类［12-13］。同时，还使用了深度学习技术，训练了一个卷积神经网络（CNN）模型，用于对番茄瑕疵的检测和识别。

通过这些试验方法，得到了大量的图像数据和特征数据，并对番茄果园视觉特征管理系统的性能进行了全面的评估和分析。

4.5  测试内容

4.5.1  系统性能测试。在一台标准的计算机上测试了系统的性能，包括系统的启动时间、响应时间、稳定性和可靠性等方面。

4.5.2  数据库性能测试。测试了系统的数据库读取和写入性能，包括对不同大小和类型的番茄数据的处理速度。

4.5.3  视觉特征识别准确率测试。使用不同的图像数据集对系统进行测试，评估其对番茄果实和叶子的识别准确率［14］。

4.5.4  用户体验测试。邀请果农来完成一组番茄数据的使用测试，并填写相关的问卷来评估系统的用户友好程度和使用体验。

4.5.5  系统安全测试。测试了系统的安全性和防护措施，包括对系统的攻击测试和安全漏洞测试。

通过以上试验，可以评估系统的整体性能和稳定性，并根据测试结果进一步改进系统设计和实现。

5  结论

该研究通过设计并实现了基于.NET平台的番茄果园视觉特征管理系统，该系统可以对番茄果园的生长情况进行实时监测、分析和管理。该研究从多个角度对该系统进行了评估，结果表明该系统具有以下优点：

5.1  系统具备稳定可靠的運行能力

基于.NET平台的开发，使得该系统具备了良好的稳定性和可靠性。在系统测试中，对系统进行了长时间稳定性测试，结果显示系统具有较好的稳定性和可靠性，运行过程中没有出现明显的故障和错误。这说明该系统在番茄果园中的实际应用中具有较好的稳定性和可靠性，可以为果农提供可靠的数据支持和服务。

5.2  系统具有较好的性能表现

该系统采用了多种优化措施，如基于并行处理技术的图像处理算法、内存管理技术等，使得系统具有良好的性能表现。在测试中，对系统的运行速度和响应速度进行了测试，结果表明该系统具有较好的运行速度和响应速度，可以为果农提供实时的数据支持和服务。

5.3  系统具有良好的用户体验

该系统的界面设计简洁明了，易于操作，具有良好的用户体验。在测试中，对系统的用户体验进行了评估，结果表明该系统的用户体验得到了用户的高度认可，可以为果农提供良好的用户体验和服务。

综上所述，该研究设计并实现了基于.NET平台的番茄果园视觉特征管理系统，该系统可以对番茄果园的生长情况进行实时监测、分析和管理，具有稳定可靠的运行能力、较好的性能表现和良好的用户体验，可以为果农提供可靠的数据支持和服务，为果园的管理和产量提高提供技术支持和保障。然而，该研究还存在一些不足之处，需要进一步改进和完善。例如，该系统的准确度和精度有待进一步提高，需要采用更为精细的图像处理算法和更为精准的数据采集方法，以提高系统的准确度和精度。同时，该系统的可扩展性和可维护性还需要进一步优化，以适应不同规模和要求的果园管理需求。

参考文献

［1］黄永华，林振衡.基于机器视觉刹车蹄块片摩擦块表面裂纹检测法［J］.莆田学院学报，2019，26（2）：42-46.

［2］孙麒，陳鑫波，江玲叶，等.面向青年的戏曲文化传播系统的设计与实现［J］.工业控制计算机，2021，34（10）：95-97.

［3］肖宇.关系型与非关系型数据库融合的数据库课程建设［J］.福建电脑，2019，35（12）：111-112.

［4］张剑桥，ASP.NET Core项目开发实战入门［M］.北京：电子工业出版社，2020.

［5］周永，陈宁，姚莉.基于灰色理论的川渝管网天然气负荷预测软件研发［J］.天然气技术，2008（5）：67-69，80.

［6］王飞，刘国峰.商业智能深入浅出大数据时代下的架构规划与案例［M］.2版.北京：机械工业出版社，2014.

［7］高文华.浅谈农业病虫害防治技术与措施［J］.广东蚕业，2021，55（9）：99-100.

［8］姜督.基于IPv6的校园用户网络行为识别系统的研究与实现［D］.沈阳：辽宁大学，2019.

［9］谢宁.基于双目视觉的分拣系统的关键技术研究［D］.哈尔滨：哈尔滨工业大学，2019.

［10］袁鸽鸽.基于深度卷积神经网络的高速公路拥堵识别［D］.西安：长安大学，2020.

［11］何瑾洁.基于卷积神经网络的手写签名识别技术的研究［D］.哈尔滨：哈尔滨理工大学，2020.

［12］王瑞洋，刘宗元，郭玉琴，等.基于图像处理的番茄定位算法研究［J］.农业工程学报，2019，35（10）：97-105.

［13］朱康，王鑫，杨泽杰，等.基于神经网络的番茄采摘机械手视觉识别方法［J］.农业工程学报，2019，35（8）：65-71.

［14］KUSUMAH E P，SETIAWAN R，YULIANTO B.Design and development of vision-based robot arm system for tomato harvesting［J］.Journal of intelligent & robotic systems，2019，94（3）：477-492.