CN101944231B - 小麦穗部形态参数提取方法 - Google Patents
小麦穗部形态参数提取方法 Download PDFInfo
- Publication number
- CN101944231B CN101944231B CN2010102580713A CN201010258071A CN101944231B CN 101944231 B CN101944231 B CN 101944231B CN 2010102580713 A CN2010102580713 A CN 2010102580713A CN 201010258071 A CN201010258071 A CN 201010258071A CN 101944231 B CN101944231 B CN 101944231B
- Authority
- CN
- China
- Prior art keywords
- image
- wheatear
- fringe
- awns
- wheat
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种小麦穗部形态参数提取方法,该方法包括步骤:S1.采用参照物法采集小麦穗部的正视图和侧视图,并对采集到的正视图进行预处理;S2.对预处理后的正视图进行分割,获取参照物图像和麦穗图像,并计算像素长度比;S3.分割麦穗图像中小麦的穗身和芒,得到穗身图像和芒图像;S4.针对所述穗身图像,利用主成分分析法找到穗身中轴线和穗身轮廓,计算穗长度,并确定穗形状;S5.针对所述芒图像,利用模板匹配的方法,统计芒的个数,并计算平均芒长。本发明的方法提高了小麦穗部形态参数提取的全面性以及获取效率,提高了小麦穗部形态参数提取的客观性和准确性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种小麦穗部形态参数提取方法。
背景技术
小麦的穗部形态特征参数是育种和新品种鉴定的重要指标。目前测量小麦穗部形态特征主要采用人工目测和手工测量的方法来测量小麦穗部特征参数:穗形状、平均芒长、芒的个数、穗长度、小穗数、小穗密度等。且较多的是以小麦整个植株、小麦籽粒、小麦的叶等为对象,用与计算机相连的图像采集模块对其进行图像采集,并通过数据传输电缆将采集结果传到计算机上,在计算机中保存并进行处理分析。现有的小麦穗部形态特征参数的测量方法存在着以下缺陷:
1、人工测量的方法不仅工作量大,而且费神,欠客观性和准确性,长期以来对农业精准化和自动化测量带来了滞后的影响。
2、现有技术在算法上无法对小麦穗部形态参数进行全部提取。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是:如何提高小麦穗部形态参数提取的全面性以及获取效率,以及小麦穗部形态参数提取的客观性和准确性。
(二)技术方案
为实现上述目的,本发明提供了一种小麦穗部形态参数提取方法,该方法包括步骤:
S1.采用参照物法采集小麦穗部的正视图和侧视图,并对采集到的正视图进行预处理;
S2.对预处理后的正视图进行分割,获取参照物图像和麦穗图像,并计算像素长度比;
S3.分割麦穗图像中小麦的穗身和芒,得到穗身图像和芒图像;
S4.针对所述穗身图像,利用主成分分析法,找到穗身中轴线和穗身轮廓,计算穗长度,并确定穗形状;
S5.针对所述芒图像,利用模板匹配的方法,统计芒的个数,并计算平均芒长。
其中,该方法在步骤S5之后,还包括步骤:
S6.对小麦穗部的侧视图进行预处理,根据透光性和灰度差异计算小穗个数。
其中,采用参照物法采集小麦穗部正视图和侧视图的参照标准为2cm*2cm的黑色纸板,将所述黑色纸板与小麦麦穗置于背景板上一同进行图像的采集。
其中,步骤S1中的所述预处理包括步骤:
对所述采集到的正视图进行3*3中值滤波,以去除图像中存在的椒盐噪声;
对滤除噪声后的图像进行双边滤波;
对双边滤波后的图像进行直方图均衡化。
其中,步骤S2进一步包括:
S2.1利用阈值分割法,提取所述预处理后的正视图中大于设定门限值的对象点,并对其进行二值化;
S2.2根据步骤S2.1处理后的图像中连通域的大小,对参照物和小麦麦穗进行分离,得到参照物图像和麦穗图像;
S2.3统计参照物的像素个数,并将统计得到的个数开方除以2,获得像素长度比。
其中,步骤S3进一步包括:
S3.1对所述麦穗图像进行腐蚀操作,获取连通区域最大的区域,得到穗身图像;
S3.2对所述麦穗图像和穗身图像进行减操作,并去除减操作得到的图像中面积小于设定个数像素点的对象点以及噪声,得到芒图像。
其中,步骤S4进一步包括:
S4.1对所述穗身图像求反,并进行形态学区域填充;
S4.2基于所述填充后的穗身图像,用主成分分析法找到穗身像素点坐标的第一主分;
S4.3基于所述第一主分,找到穗身倾斜的斜率K,作斜率为K的辅助直线;
S4.4将穗身的端点向所述辅助直线投影,在所述辅助直线上,基于端点的投影点,得一线段,对线段四等分,找穗身上投影点是等分点的点,对投影点相同的点取中点,得到穗身中间轴上的像素点;
S4.5顺次连接端点和中点,得四条线段,用四条线段近似穗的中轴线,求四个线段的长度和得到穗长度;
S4.6找出投影点相同的端点,作出穗身轮廓,将穗身在垂直辅助直线方向间隔100个像素点分成若干小块,求出垂直辅助直线方向上的宽度,分别求出上部、中部、下部100个宽度的平均值,以及它们的比值,利用神经网络确定穗形状。
其中,步骤S5进一步包括:
S5.1基于所述芒图像进行判定,并对有芒的图像进行细化,用匹配模板检测细化后的图像的端点和叉点,并根据所述端点和叉点的个数计算芒的个数,并对所述芒的个数加入校正因子,减去1,得到最终芒的个数;
S5.2根据所述细化后的图像占有的像素个数、所述最终芒的个数以及所述像素长度比,计算芒的平均长度。
其中,所述芒的个数的计算公式为:
num=(b-c)/2+c,其中,num为芒的个数,b为端点的个数,c为叉点的个数;
所述平均芒长的计算公式为:
m=(m1/n)×d,其中,m为平均芒长,m1为所述细化后的图像占有的像素个数,n为最终芒的个数,d为所述像素长度比。
其中,步骤S6进一步包括:
S6.1对麦穗的侧视图进行预处理,并利用主成分分析法找到麦穗的倾斜斜率;
S6.2以顶端点为参考点,所述倾斜斜率为斜率,作一直线,求出所述直线上的灰度值;
S6.3根据所述灰度值的差异,统计波谷数,将所述波谷数乘以2再加1,获得小穗个数。
(三)有益效果
本发明方法用分割的方法将麦穗和芒分割,基于这些分离的图像对小麦的各个形态参数进行提取,穗形状和穗长度时用到的主成分分析法,对穗形状识别和穗长度的测量达到了较高的精度,用模板匹配的方法检测芒的个数以及对芒的平均长度的测量,准确度较高;基于背光小麦侧视图,利用灰度差异,进行小穗数的测量,测量精度较高;基于图像对小麦麦穗参数的提取,相对于传统人工测量,在效率和准确度上有了较大的提高。
附图说明
图1为依照本发明一种实施方式的小麦穗部形态参数提取方法流程图;
图2为本发明方法中所使用的采集图像的装置;
图3为依照本发明方法采集的图像经预处理后的示意图;
图4为依照本发明的方法获得的参照物图像;
图5为依照本发明的方法获得的麦穗图像;
图6为依照本发明的方法获得的填充后的穗身图像;
图7为依照本发明的方法求穗长时的图像;
图8为依照本发明的方法获得的穗轮廓示意图;
图9为依照本发明的方法获得的芒图像;
图10为依照本发明的方法检测细化后芒个数示意图;
图11为依照本发明的方法检测出的芒的端点和叉点示意图;
图12为依照本发明的方法获得的小麦穗部侧视图;
图13为依照本发明的方法提取小麦小穗数的直线的灰度图。
具体实施方式
本发明提出的小麦穗部形态参数提取方法,结合附图和实施例详细说明如下。
为快速获取小麦穗部形态参数,本发明提出了基于小麦穗部正视图像和侧视图像穗部参数快速提取的方法。该方法对小麦穗部进行穗身和芒的分割,在此基础上对穗长度、穗形状、平均芒长、芒的个数、小穗个数等参数进行提取,提高了小麦穗部形态参数获取效率。
如图1所示,依照本发明一种实施方式的小麦穗部形态参数提取方法包括步骤:
S1.采用参照物法采集小麦穗部的正视图和侧视图,并对采集到的正视图进行预处理;
本发明可以采用图2所示装置来进行图像的装置在田间进行采集,并通过该装置实时处理,显示得到的参数。该采集装置包括:工业相机1、背景板2、光源3、玻璃片4、夹持设备6、支架7,小麦麦穗5由夹持设备6夹持。采集图像时,玻璃片4上的一角用参照标准是2cm*2cm的黑色纸板,纸板与小麦麦穗置于玻璃片4上一同拍摄,采用这种参照物法可以克服物距、高线性度的光学器件和镜头的焦距不变等不利因素,尤其使得镜头的焦距由不变到可调,使采集到的图像大小和清晰度得以改善。
S2.对预处理后的正视图进行分割,获取参照物图像和目标物(麦穗)图像,并计算像素长度比;
预处理为:对采集到的小麦穗部的正视图进行3*3中值滤波,去除图像中存在的椒盐噪声,然后进行双边滤波,再进行直方图均衡化。
步骤S2进一步包括:
S2.1利用阈值分割法,去除背景,提取预处理后的图像中大于设定门限值的对象点,并对其进行二值化;
S2.2根据步骤S2.1处理后的图像中连通域的大小,对参照物和小麦麦穗进行分离,计算参照物的像素个数;
S2.3统计参照物的像素个数z,并按照下式计算像素长度比d:
S3.分割麦穗图像中小麦的穗身和芒,得到穗身图像和芒图像,进一步包括:
S3.1对麦穗图像进行开运算、闭运算、消除噪声处理,利用腐蚀的方法,获取连通区域最大的区域,得到穗身图像;
S3.2对麦穗图像和穗身图像进行减操作,并去除减操作得到的图像中面积小于10个像素点的对象点,得到芒图像。
S4.针对所述穗身图像,利用主成分分析法,找到穗身中轴上的点和穗身轮廓点,计算穗长度,并确定穗形状,进一步包括步骤:
S4.1对穗身图像求反,并进行形态学区域填充;
S4.2基于填充后的穗身图像,用主成分分析法找到穗身像素点坐标的第一主分;
S4.3基于所述第一主分,找到穗身倾斜的斜率K,作一条斜率为K的辅助直线;
S4.4将穗身上端点向该辅助直线投影,在辅助直线上,基于端点的投影点,得一线段,对线段四等分,找穗身上投影点是等分点的点,对投影点相同的点取中点,得到穗身中间轴上的像素点;
S4.5顺次连接两个端点和三个中点,得四条线段,求和得到穗长度L(li为第i条线段的长度):
S4.6确定穗形状,具体为:找出投影点相同的穗身边界点,作出穗身轮廓,将穗身在垂直辅助直线方向间隔100个像素点分成若干小块,求出垂直辅助直线方向上的宽度,分别求出上部、中部、下部100个宽度的平均值,以及它们的比值,以穗长度、上部宽度、中部宽度、下部宽度、以及它们的比值,作为神经网络样本集的输入,进行样本训练,利用神经网络确定穗形状。
根据国家标准,小麦的穗型分为五种,分别为纺锤:穗子两头尖,中部稍大;椭圆:穗短,中部宽,两头稍小,近似椭圆形;长方:穗子上、下、正面、侧部基本一致,呈柱形;棍棒:穗子下小、上大、上部小穗着生紧密,呈大头状;圆锥:穗子下大、上小或分枝,呈圆锥状。
S5.针对芒图像,利用模板匹配的方法,统计芒的个数,并计算平均芒长;
S5.1基于芒图像进行判定,并对有芒的图像用harris细化的方法将其细化,并用现有的匹配模板检测细化后的图像的端点和叉点,并根据端点和叉点的个数计算芒的个数,并对所述芒的个数加入校正因子,减去1,得到最终芒的个数;
S5.2根据细化后的图像占有的像素个数、计算出的最终芒的个数以及像素长度比d,计算芒的平均长度。
其中,芒的个数的计算公式为:
num=(b-c)/2+c,其中,num为芒的个数,b为端点的个数,c为叉点的个数;
平均芒长的计算公式为:
m=(m1/n)×d,其中,m为平均芒长,m1为细化后的图像占有的像素个数,n为最终芒的个数,d为所述像素长度比。
S6.对小麦穗部的侧视图进行预处理,利用主成分分析法计算小穗个数,进一步包括步骤:
S6.1对侧视图进行预处理,由于背光拍摄,小麦小穗数与周围的灰度有明显差别,利用主成分分析法找到麦穗的倾斜斜率;
S6.2以顶端点为参考点,所述倾斜斜率为斜率,作一直线,求出该直线上的灰度值;
S6.3根据灰度值的差异,统计波谷数,将所述波谷数乘以2再加1,获得小穗数。
以下结合详细的实施例来进一步说明本发明的方法,该方法包括以下步骤:
(1)对采集到的图像进行预处理。首先进行3*3中值滤波去除图像中存在的椒盐噪声,双边滤波,最后直方图均衡化。
(2)对预处理后的图像f(x,y)(如图3所示),利用最佳阈值法,找到门限值T,提取大于T的对象点,并将其进行二值化,门限处理后的图像g(x,y)为:
这里的门限值T=200,对得到的处理后的图像g(x,y),根据连通域的大小,对参照物和麦穗进行分离,得参照物图像g1(如图4所示)和小麦麦穗图像f1(如图5所示),统计参照物的像素个数为6003,将统计的个数开方除以2,即为像素长度比d,本实例中的d=38。
(3)对麦穗图像f1进行腐蚀操作,取最大连通域,得到穗身图像s1,对穗身图像s1进行形态学区域填充,填充后的图像为s2(如图6所示)
(4)基于穗身图像s2,用主成分分析法找到穗身的斜率K,把穗身端点向辅助直线投影,将端点投影点构成的线段四等分,找出投影点是等分点的穗身上的点,取相同投影点的穗身点的中点,如图7顺次连接得到的端点和中点,得四个线段,求四个线段总长度,再根据像素点与长度的比例,即可求得穗长度L,本例中的L=8.71cm,实测的L=8.56cm;
(5)基于步骤(4),找出投影点相同的穗身边界点,作出穗身的轮廓,如图8所示,将边界点投影得到的线段间隔100个像素平分,将穗身在垂直辅助直线方向上分成若干小块,各个小块在垂直辅助直线方向上的宽度如图8所标,求出过穗轴中间点,与辅助直线垂直方向上的宽度W和上部、中部和下部100宽度的均值以及它们的比值,分别为w1、w2、w3、d1、d2、d3、d4:
先前根据国际标准中的《植物新品种特异性、一致性和稳定性测试指南普通小麦》中规定的五种小麦穗形状:纺锤形、椭圆形、棍棒形、长方形、圆锥形,用神经网络进行样本集训练,用了200个训练样本,输入的L、W、w1、w2、w3、d1、d2、d3、d4,层数设为3层,输出五种穗形状:纺锤形、椭圆形、棍棒形、长方形、分枝形,根据确定的神经网络,确定穗形状。本实施例中的穗形状是长方形。
(6)对图像f1和图像s2进行减操作,得图像s3,去除面积小于10个像素的小面积点,得芒长的图像(如图9所示),对芒的图像进行细化,得图像s4,对细化后的图像s4进行端点和叉点(如图10所示)的检测,检测细化后的得到的芒的端点和芒的叉点(如图11所示),设得到的端点是b,叉点是c,芒的个数num=(d-c)/2+c,对芒的个数加入校正因子,减去1,得最终的芒的个数,本实施例得芒的个数n=27,对图像s4求占有的像素个数m1=2501,平均芒长m,即为m=(m1/n)×d,得到的芒的平均长度2.45cm。目测得到芒的个数30,实测值芒长是2.81cm。
(7)对小麦穗部的侧视图(如图12所示)进行预处理,由于背光拍摄,小麦小穗个数与周围的灰度有明显差别,用主成分分析法找到麦穗的倾斜斜率。以顶端端点为参考点,主成分找到的小麦穗身的斜率为斜率,作一直线,求出直线上的灰度值,根据灰度值的差异,统计波谷个数乘以2加1,即为小穗个数。如图13所示,本实施例中波谷值7个,小穗个数15个。
运用本实施例的方法对50株小麦的图像进行了实验,实验结果显示,小麦的穗长度的误差在2%以内,穗形状的准确度是98%,芒长的误差在4%以内,芒的个数在3%以内,小穗个数的误差在0.5%以内。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (10)
1.一种小麦穗部形态参数提取方法,其特征在于,该方法包括步骤:
S1.采用参照物法采集小麦穗部的正视图和侧视图,并对采集到的正视图进行预处理;
S2.对预处理后的正视图进行分割,获取参照物图像和麦穗图像,并计算像素长度比;
S3.分割麦穗图像中小麦的穗身和芒,得到穗身图像和芒图像;
S4.针对所述穗身图像,利用主成分分析法,找到穗身中轴线和穗身轮廓,计算穗长度,并确定穗形状;
S5.针对所述芒图像,利用模板匹配的方法,统计芒的个数,并计算平均芒长。
2.如权利要求1所述的小麦穗部形态参数提取方法,其特征在于,该方法在步骤S5之后,还包括步骤:
S6.对小麦穗部的侧视图进行预处理,根据透光性和灰度差异计算小穗个数。
3.如权利要求1所述的小麦穗部形态参数提取方法,其特征在于,采用参照物法采集小麦穗部正视图和侧视图的参照标准为2cm*2cm的黑色纸板,将所述黑色纸板与小麦麦穗置于背景板上一同进行图像的采集。
4.如权利要求1所述的小麦穗部形态参数提取方法,其特征在于,步骤S1中的所述预处理包括步骤:
对所述采集到的正视图进行3*3中值滤波,以去除图像中存在的椒盐噪声;
对滤除噪声后的图像进行双边滤波;
对双边滤波后的图像进行直方图均衡化。
5.如权利要求1所述的小麦穗部形态参数提取方法,其特征在于,步骤S2进一步包括:
S2.1利用阈值分割法,提取所述预处理后的正视图中大于设定门限值的对象点,并对其进行二值化;
S2.2根据步骤S2.1处理后的图像中连通域的大小,对参照物和小麦麦穗进行分离,得到参照物图像和麦穗图像;
S2.3统计参照物的像素个数,并将统计得到的个数开方除以2,获得像素长度比。
6.如权利要求1所述的小麦穗部形态参数提取方法,其特征在于,步骤S3进一步包括:
S3.1对所述麦穗图像进行腐蚀操作,获取连通区域最大的区域,得到穗身图像;
S3.2对所述麦穗图像和穗身图像进行减操作,并去除减操作得到的图像中面积小于设定个数像素点的对象点以及噪声,得到芒图像。
7.如权利要求1所述的小麦穗部形态参数提取方法,其特征在于,步骤S4进一步包括:
S4.1对所述穗身图像求反,并进行形态学区域填充;
S4.2基于所述填充后的穗身图像,用主成分分析法找到穗身像素点坐标的第一主分;
S4.3基于所述第一主分,找到穗身倾斜的斜率K,作斜率为K的辅助直线;
S4.4将穗身的端点向所述辅助直线投影,在所述辅助直线上,基于端点的投影点,得一线段,对线段四等分,找穗身上投影点是等分点的点,对投影点相同的点取中点,得到穗身中间轴上的像素点;
S4.5顺次连接端点和中点,得四条线段,用四条线段近似穗的中轴线,求四个线段的长度和得到穗长度;
S4.6找出投影点相同的穗身边界点,作出穗身轮廓,将穗身在垂直辅助直线方向间隔100个像素点分成若干小块,求出垂直辅助直线方向上的宽度,分别求出上部、中部、下部100个宽度的平均值,以及它们的比值,利用神经网络确定穗形状。
8.如权利要求7所述的小麦穗部形态参数提取方法,其特征在于,步骤S5进一步包括:
S5.1基于所述芒图像进行判定,并对有芒的图像进行细化,用匹配模板检测细化后的图像的端点和叉点,并根据所述端点和叉点的个数计算芒的个数,并对所述芒的个数加入校正因子,得到最终芒的个数;
S5.2根据所述细化后的图像占有的像素个数、所述最终芒的个数以及所述像素长度比,计算芒的平均长度。
9.如权利要求8所述的小麦穗部形态参数提取方法,其特征在于,所述芒的个数的计算公式为:
num=(b-c)/2+c,其中,num为芒的个数,b为端点的个数,c为叉点的个数;
所述平均芒长的计算公式为:
m=(m1/n)×d,其中,m为平均芒长,m1为所述细化后的图像占有的像素个数,n为最终芒的个数,d为所述像素长度比。
10.如权利要求2所述的小麦穗部形态参数提取方法,其特征在于,步骤S6进一步包括:
S6.1对麦穗的侧视图进行预处理,并利用主成分分析法找到麦穗的倾斜斜率;
S6.2以顶端点为参考点,所述倾斜斜率为斜率,作一直线,求出所述直线上的灰度值;
S6.3根据所述灰度值的差异,统计波谷数,将所述波谷数乘以2再加1,获得小穗个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102580713A CN101944231B (zh) | 2010-08-19 | 2010-08-19 | 小麦穗部形态参数提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102580713A CN101944231B (zh) | 2010-08-19 | 2010-08-19 | 小麦穗部形态参数提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101944231A CN101944231A (zh) | 2011-01-12 |
CN101944231B true CN101944231B (zh) | 2012-01-04 |
Family
ID=43436211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102580713A Active CN101944231B (zh) | 2010-08-19 | 2010-08-19 | 小麦穗部形态参数提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101944231B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018073163A1 (de) * | 2016-10-19 | 2018-04-26 | Bayer Cropscience Aktiengesellschaft | Ertragsvorhersage für ein kornfeld |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632157B (zh) * | 2012-08-24 | 2018-01-05 | 南京农业大学 | 单株小麦穗部籽粒数计数方法 |
CN106403816A (zh) * | 2016-08-31 | 2017-02-15 | 上海交通大学 | 采用磁性压板对谷物穗株进行固定的装置及方法 |
CN106709394B (zh) * | 2016-12-12 | 2019-07-05 | 北京慧眼智行科技有限公司 | 一种图像处理方法及装置 |
CN107133963A (zh) * | 2017-04-07 | 2017-09-05 | 中国铁建重工集团有限公司 | 图像处理方法以及装置、渣片分布分析的方法及装置 |
CN107300360A (zh) * | 2017-08-10 | 2017-10-27 | 山西农业大学 | 一种杂粮作物籽粒三轴尺寸快速检测算法 |
CN107590812B (zh) * | 2017-09-01 | 2021-07-02 | 南京农业大学 | 小麦穗部小穗识别计数方法 |
CN109559342B (zh) * | 2018-03-05 | 2024-02-09 | 北京佳格天地科技有限公司 | 动物体长的测量方法和装置 |
CN108955560B (zh) * | 2018-05-21 | 2020-06-26 | 北京林业大学 | 一种槭属种子形态测定及分析方法 |
CN108921057B (zh) * | 2018-06-19 | 2021-06-01 | 厦门大学 | 基于卷积神经网络的对虾形态测量方法、介质、终端设备及装置 |
CN110349200A (zh) * | 2019-07-01 | 2019-10-18 | 西京学院 | 一种基于单目相机的高精度麦穗长度测量方法 |
CN111121620B (zh) * | 2019-12-12 | 2021-02-02 | 天目爱视(北京)科技有限公司 | 一种旋转式3d信息快速采集设备 |
CN111724354B (zh) * | 2020-06-02 | 2023-05-30 | 浙江托普云农科技股份有限公司 | 一种基于图像处理的多株小麦穗长与小穗数的测量方法 |
CN111895916B (zh) * | 2020-07-14 | 2021-09-24 | 华南农业大学 | 水稻穗长测量装置及测量方法 |
CN112504184B (zh) * | 2020-12-01 | 2022-03-22 | 中国船舶重工集团公司第七一六研究所 | 一种钢板三维尺寸快速在线质检系统 |
CN113607065A (zh) * | 2021-08-09 | 2021-11-05 | 海南青峰生物科技有限公司 | 一种基于5g通讯及图像识别处理的水稻穗长的测量装置 |
CN113936056A (zh) * | 2021-10-20 | 2022-01-14 | 广东皓行科技有限公司 | 图像识别方法、产量估算方法以及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1790375A (zh) * | 2005-12-27 | 2006-06-21 | 云南省农业科学院质量标准与检测技术研究所 | 农业植物新品种的快速鉴别技术 |
CN101251932A (zh) * | 2008-03-18 | 2008-08-27 | 中国科学院软件研究所 | 基于物理的植物叶子模拟方法 |
CN101639947A (zh) * | 2009-08-26 | 2010-02-03 | 北京农业信息技术研究中心 | 基于图像的植物三维形态测量与重建方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001256478A (ja) * | 2000-03-09 | 2001-09-21 | Shin Etsu Chem Co Ltd | 異物検査方法、異物検査装置及び異物検査プログラムを記録した記録媒体 |
-
2010
- 2010-08-19 CN CN2010102580713A patent/CN101944231B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1790375A (zh) * | 2005-12-27 | 2006-06-21 | 云南省农业科学院质量标准与检测技术研究所 | 农业植物新品种的快速鉴别技术 |
CN101251932A (zh) * | 2008-03-18 | 2008-08-27 | 中国科学院软件研究所 | 基于物理的植物叶子模拟方法 |
CN101639947A (zh) * | 2009-08-26 | 2010-02-03 | 北京农业信息技术研究中心 | 基于图像的植物三维形态测量与重建方法及系统 |
Non-Patent Citations (2)
Title |
---|
JP特开2001-256478A 2001.09.21 |
伍艳莲等.基于OpenGL的小麦形态可视化技术.《农业工程学报》.2009,第25卷(第1期),全文. * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018073163A1 (de) * | 2016-10-19 | 2018-04-26 | Bayer Cropscience Aktiengesellschaft | Ertragsvorhersage für ein kornfeld |
Also Published As
Publication number | Publication date |
---|---|
CN101944231A (zh) | 2011-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101944231B (zh) | 小麦穗部形态参数提取方法 | |
CN109447945B (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
CN101907453B (zh) | 基于机器视觉的块状农产品尺寸在线测量方法与装置 | |
Liu et al. | A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field | |
CN103065149A (zh) | 网纹甜瓜果实表型提取与量化方法 | |
Hoffmaster et al. | An automated system for vigor testing three-day-old soybean seedlings | |
CN104198325B (zh) | 基于计算机视觉的烟丝中梗丝比例测定方法 | |
CN102508110A (zh) | 基于纹理的绝缘子缺陷诊断方法 | |
CN101710081A (zh) | 基于图像纹理与分形维数的机械零件表面缺陷检测方法 | |
CN111402199B (zh) | 一种基于计算机图像处理的梨果实石细胞表型检测方法 | |
CN112330663B (zh) | 一种基于变径圆的计算机视觉烟丝宽度检测方法 | |
CN103632157A (zh) | 单株小麦穗部籽粒数计数方法 | |
CN104256882A (zh) | 基于计算机视觉的烟丝中再造烟叶比例测定方法 | |
CN107564000A (zh) | 基于计算机视觉的猴头菇无损检测分级方法 | |
Radzali et al. | Measuring leaf area using Otsu segmentation method (LAMOS) | |
CN116012701A (zh) | 一种基于矾花检测的水处理加药控制方法及装置 | |
CN111145205B (zh) | 基于红外图像的多猪只场景下猪体温检测方法 | |
CN104197866A (zh) | 玉米籽粒剖面角质与粉质百分比的定量测定方法 | |
CN102592118B (zh) | 一种玉米出苗期的自动检测方法 | |
CN108572174A (zh) | 一种农产品品质指标无损检测方法 | |
CN110929787A (zh) | 一种基于图像的苹果客观定级系统 | |
CN107993243B (zh) | 一种基于rgb图像的小麦分蘖数自动检测方法 | |
CN115546615A (zh) | 中草药根茎切片的识别方法、存储介质、电子设备 | |
CN107392927A (zh) | 一种亚米级遥感影像渔业网箱提取方法 | |
CN111256596A (zh) | 基于cv技术的尺寸测量方法、装置、计算机设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |