CN103018180A - 一种基于多源光信息技术的棉花病害检测方法和装置 - Google Patents
一种基于多源光信息技术的棉花病害检测方法和装置 Download PDFInfo
- Publication number
- CN103018180A CN103018180A CN2012105289127A CN201210528912A CN103018180A CN 103018180 A CN103018180 A CN 103018180A CN 2012105289127 A CN2012105289127 A CN 2012105289127A CN 201210528912 A CN201210528912 A CN 201210528912A CN 103018180 A CN103018180 A CN 103018180A
- Authority
- CN
- China
- Prior art keywords
- optical information
- light source
- image
- disease
- characteristic
- 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.)
- Granted
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于多源光信息技术的棉花病害检测方法和装置,检测装置由计算机、控制模块、光信息传感器、LED组合光源、电控位移台和仪器架组成。采集棉花叶片的多源光信息数据立方体,比较不同波长处的样本像与背景的差异,以及病斑图像与正常部分的差异,采用归一化差分植被图分割背景和病斑;提取主成分图像,确定病害的特征波长分布;应用VirtualLab软件获取特征波长处的偏振度特征,应用ENVI软件提取目标区域可视化光谱的反射强度分布和图像的灰度、纹理特征;将棉花病害特征信息分成三类,分别建立偏振特征、强度特征和图像特征空间,利用三个SVM子分类器和D-S证据理论推理方法对其进行融合决策判别。该方法实现了对棉花病害的精确识别和评价。
Description
技术领域
本发明涉及一种针对棉花病害的检测方法,特指基于多源光信息技术的棉花病害无损检测方法,还涉及一种实施这种检测方法的装置。
背景技术
在棉花的田间管理过程中,病害是困扰棉花生长的主要问题之一,它严重危害棉花生长,影响棉花产量和品质。传统的防治方法主要依靠农民或专家经验判别病害的种类和严重程度,而后进行化学药剂的施用,这种方法识别病害的主观性强、速度慢、强度大、误识率高、实时性差,且往往带来资源浪费和环境污染。棉花病害会导致叶片、植株和冠层的颜色、纹理、内部组织结构的改变,进而使其反射特性发生变化,因此采用光谱、计算机视觉探测技术可以实现非接触的实时监测,客观、快速、准确地识别和诊断作物的病情,从而实现针对作物病害区域的精确对靶施药。目前国内在基于高光谱和视觉图像技术的作物病害无损检测方面已有一些相关研究。在光谱检测方面,申请号为CN200810055874.1的发明专利申请,公开了一种病害检测仪,利用作物病害的敏感光谱波段,将被测物反射的与被测作物病情指数对应的敏感波段的反射光转化成反射电信号,进而对作物的病情指数及其病害状态进行诊断。在利用视觉图像进行病害检测方面,申请号为CN200710010768.7 的发明专利申请,公开了一种基于计算机图像处理的农作物病害诊断系统,该系统采用摄像机获取田间作物的图像,能够在无专家的情况下,及时准确地得到病害的诊断结果。申请号为CN200910097341.4的发明专利申请,公开了一种基于多光谱图像处理的水稻稻叶瘟病检测分级方法,利用多光谱摄像机实时采集绿光波段,红光波段,近红外波段三个波段通道的单色灰度图像进行病害诊断,该发明可以用于快速、非破坏性的水稻稻瘟病感染诊断,指出病斑所在的位置以及进行感染程度分级。
光波的信息是非常丰富的,包括强度、波长、位相和偏振态,而目前国内外作物营养和病害检测仅仅利用了光波的强度(即反射率或反射强度)和波长信息,即采用反射光谱技术、图像技术或多光谱图像技术诊断作物的病害状况,影响和制约了作物病害的诊断精度的提高。偏振信息具有普通图像和反射光谱所不具备的优点,可以表征一些强度图像和光谱很难表征的信息,如目标表面的微观结构变化、物质内部对入射光的选择性吸收、散射以及物体表面前向反射、后向反射、漫反射特性的变化。由于偏振光谱和成像技术具有的独特之处,因此可以对作物病害导致的叶片表面质地和微结构变化信息进行提取和表征。本发明采用多源光信息技术获取棉花叶片的病害信息,该技术是集光谱反射强度、偏振成像和超光谱成像技术于一身的新技术,既能对棉花病害引起的颜色(灰度)、纹理、形态变化等特征进行可视化分析,又能反映棉花病害导致的质地和微结构的偏振态、反射强度分布的各向异性分布变化等信息。目前,国内外尚未见相关专利和报道。
发明内容
本发明的目的是提供一种基于多源光信息技术的棉花病害检测方法和装置,通过多源光信息采集装置,获取棉花病害的光谱反射强度、偏振图像和超光谱图像,提取棉花病害的反射强度分布、偏振和超光谱图像特征,建立棉花病害的自动识别和组合分析模型,实现对棉花病害种类的快速自动识别和无损诊断。为精确施药提供科学依据。
本发明一种基于多源光信息技术的棉花病害检测装置采用的技术方案是:
一种基于多源光信息技术的棉花病害检测装置包括如下部件:计算机、控制模块、光信息传感器、LED组合光源、电控位移台和仪器架;仪器架由载物台、光源支撑臂和传感器支撑臂组成;其中仪器架一侧的长度中心位置固定光源支撑臂,光源支撑臂顶端通过转轴连接LED组合光源,光源可围绕转轴做0-90度旋转,以调整光源位置和入射角;与之相对的仪器架的另一侧的长度中心位置固定传感器支撑臂,传感器支撑臂顶端通过转轴连接光信息传感器,传感器可围绕转轴做0-90度旋转,以调整传感器探测角;在仪器架的上端面几何中心位置安装电控位移台,电控位移台分为上下两部分,其上部为样本台,形状为矩形,矩形上端面用于放置检测样本,上端面与丝杆滑块连接,电控位移台下部为单轴丝杆滑块机构,通过步进电机驱动丝杆滑块,并带动样本台沿轴线位移,拖动样本进行检测;控制模块由光源控制器、位移台控制器和数据采集卡组成,控制模块与计算机通过数据线相连接,接受计算机的控制指令,其输出通过光源控制器、位移台控制器和数据采集卡的数据输出线分别与LED组合光源,电控位移台和光信息传感器连接,执行计算机的输出指令,控制LED组合光源的光质和强度,调整光信息传感器的测量参数,并使电控位移台到达检测位置。
其中所述的LED组合光源为80个多光谱波长LED和卤素灯构建的组合光源,波长范围为350-2000nm。
其中所述的光信息传感器包括光学系统、镜头、摄谱仪、CCD构成,最前端为光学系统,其后依次连接镜头、摄谱仪、CDD;其中所述的CCD包括可见光CCD和近红外CCD,可见光CCD成像范围为400-1100nm,近红外CCD成像范围为900-1700nm。
本发明一种基于多源光信息技术的棉花病害检测方法,按照下述步骤进行:
(1)将棉花病害样本固定在电控位移台上,使样本位于的LED组合光源和光信息传感器的长度方向延长线交点的检测位置;
(2)进行采样试验,确定扫描图像不失真的电控位移台的最佳位移速度以及光信息传感器的起偏角、CCD成像焦距和曝光时间;
(3)利用光信息传感器采集黑场和白场信息,获得不同波长点的相对参考值,以各波长点的白场和黑场的差值作为分母,计算各像素的相对反射率和成像灰度值;
(4)通过计算机设定数据采集模式,获取棉花病害样本的多源光信息数据立方体;
(5)比较不同波长处的样本图像与背景的差异,以及病斑图像与正常部分的差异,采用660nm和800nm子图采用归一化差分法进行图像变换,利用归一化差分植被组合图分割图像背景,利用650nm图像将病斑与正常区域分割;
(6)在病害样本的目标区域利用主成分分析获取主成分图像,确定病害的特征波长分布;在此基础上,应用Virtual Lab软件获取特征波长处的偏振度强度分布、Stocks参量、Mueller矩阵等偏振度特征,应用ENVI软件抽取目标区域可视化光谱的反射强度分布特征;抽取各特征波长处棉花病害的特征图像提取其灰度、纹理、病斑面积特征;
(7)将棉花病害特征信息分成偏振特征、强度特征和图像特征三类,分别建立各自的特征空间,采用三个支持向量机分类器分别在各自的特征空间进行病害的识别和分类,三个支持向量机获得各自的识别结果后,利用D-S证据理论推理方法对其进行融合决策判别。
其中步骤(4)所述的通过计算机设定数据采集模式是指利用计算机设定可见光采集模式或近红外采集模式。
其中步骤(7)所述的采用三个支持向量机分类器分别在各自的特征空间进行病害的识别和分类,是指将所述的偏振特征、强度特征和图像特征三类不同棉花病害特征分别作为三个支持向量机分类器的输入,三个支持向量机分类器的输出为不同病害特征输入条件下的棉花病害种类的分类结果。
本发明的有益效果:(1)本发明采用多源光信息技术进行棉花病害的检测,对作物病害的种类和程度进行判别,这在以往的文件中均没有涉及。(2)本发明通过同步获取棉花病害的综合信息,融合病害的颜色(灰度)、纹理、形态、微结构等信息进行棉花病害的种类的识别和诊断,利用该方法进行棉花常见病害炭蛆病、轮纹病和红叶枯病识别的正确率分别为98.69%、100%和96.57%,实现了棉花病害种类的高精度自动识别和评价。
附图说明
图1是本发明一种棉花病害的的多源光信息检测装置结构示意图;1-计算机;2-控制模块;3-光信息传感器;4-LED组合光源;5-电控位移台;6-仪器架。
具体实施方式
下面以棉花常见病害炭蛆病、轮纹病和红叶枯病识别为例,结合附图1对本发明进行进一步详细描述。
一种基于多源光信息技术的棉花病害检测装置包括如下部件:计算机1、控制模块2、光信息传感器3、LED组合光源4、电控位移台5、仪器架6。仪器架6由载物台、光源支撑臂、传感器支撑臂组成;其中仪器架6左端面的长度中心位置固定光源支撑臂,支撑臂顶端通过转轴连接LED组合光源4,光源可围绕转轴做0-90度旋转,以调整光源位置和入射角;与之相对的仪器架的右端面的长度中心位置固定传感器支撑臂,传感器支撑臂顶端通过转轴连接光信息传感器3,传感器可围绕转轴做0-90度旋转,以调整传感器探测角;在仪器架6的上端面几何中心位置安装电控位移台5,电控位移台5分为上下两部分,其上部为样本台,形状为矩形,矩形上端面用于放置检测样本,上端面与丝杆滑块连接,电控位移台5下部为单轴丝杆滑块机构,通过步进电机驱动丝杆滑块,并带动样本台沿轴线位移,拖动样本进行检测;控制模块2由光源控制器、位移台控制器和数据采集卡组成,控制模块2与计算机1通过数据线相连接,接受计算机1的控制指令,其输出通过光源控制器、位移台控制器和数据采集卡的数据输出线分别与LED组合光源4,电控位移台5和光信息传感器3连接,执行计算机1的输出指令,控制LED组合光源4的光质和强度,调整光信息传感器3的测量参数,并使电控位移台5到达检测位置。
其中所述的LED组合光源4为80个多光谱波长LED和卤素灯构建的组合光源,波长范围为350-2000nm。
其中所述的光信息传感器3包括光学系统、镜头、摄谱仪、CCD构成,最前端为光学系统,其后依次连接镜头、摄谱仪、CDD;其中所述的CCD包括可见光CCD和近红外CCD,可见光CCD成像范围为400-1100nm,近红外CCD成像范围为900-1700nm。
以棉花常见病害炭蛆病、轮纹病和红叶枯病识别为例介绍实测过程,实际测量时,首先将棉花病害样本固定在电控位移台5上,使样本位于的LED组合光源4和光信息传感器3的长度方向延长线交点的检测位置,此过程通过手动调整实现;进行采样试验,确定扫描图像不失真的电控位移台5的最佳位移速度,以及光信息传感器3的起偏角、CCD成像焦距和曝光时间;在本实例中选择电控位移台的速度参数设定值为9,传感器的起偏角为45度、90度、135度和180度, CCD成像焦距为9mm,曝光时间设置值为0.08;利用光信息传感器3采集黑场和白场信息,其中黑场通过关闭光源和镜头盖扫描进行,白场通过扫描标准白板进行,获得400-1700nm波长范围的相对参考值,其中黑场的参考值为0,白场的相对参考值为4000,以白场和黑场的差值作为分母,计算各像素点的相对反射率和成像灰度值。通过计算机1设定数据采集模式,获取棉花病害样本的多源光信息数据立方体;比较不同波长处的样本图像与背景的差异,以及病斑图像与正常部分的差异,采用660nm和800nm子图采用归一化差分法进行图像变换,利用归一化差分植被组合图分割图像背景,利用650nm图像将病斑与正常区域分割;在病害样本的目标区域利用主成分分析获取主成分图像,确定病害的特征波长分布;在此基础上,应用Virtual Lab软件获取特征波长处的偏振度强度分布、Stocks参量、Mueller矩阵等偏振度特征,应用ENVI软件抽取目标区域可视化光谱的反射强度分布特征;抽取各特征波长处棉花病害的特征图像提取其灰度、纹理、病斑面积特征;将棉花病害特征信息分成偏振特征、强度特征和图像特征三类,分别建立各自的特征空间,采用三个支持向量机分类器分别在各自的特征空间进行病害的识别和分类,通过参数优化,选择支持向量机分类器的惩罚系数C为512,正则化系数γ为8,三个支持向量机获得各自的识别结果后,利用D-S证据理论推理方法对其进行融合决策判别。利用该方法进行病害炭蛆病、轮纹病和红叶枯病识别正确率分别为98.69%、100%和96.57%,实现了棉花病害种类的高精度自动识别;最后通过单位区域累计病害面积,对棉花病害程度进行评价。与现有棉花病害的无损检测方法相比,本方法能有效区分三种典型棉花病害,识别精度有了显著的提高。
其中所述的通过计算机1设定数据采集模式是指利用计算机设定可见光采集模式和近红外采集模式。
其中所述的采用三个支持向量机分类器分别在各自的特征空间进行病害的识别和分类,是指将所述的偏振特征、强度特征和图像特征三类不同棉花病害特征分别作为三个支持向量机分类器的输入,三个支持向量机分类器的输出为不同病害特征输入条件下的棉花病害种类的分类结果。
Claims (6)
1.一种基于多源光信息技术的棉花病害检测方法,其特征在于按下述步骤进行:
(1)将棉花病害样本固定在电控位移台上,使样本位于在LED组合光源和光信息传感器的长度方向延长线交点的检测位置;
(2)进行采样试验,确定扫描图像不失真的电控位移台的最佳位移速度以及光信息传感器的起偏角、CCD成像焦距和曝光时间;
(3)利用光信息传感器采集黑场和白场信息,获得不同波长点的相对参考值,以各波长点的白场和黑场的差值作为分母,计算各像素的相对反射率和成像灰度值;
(4)通过计算机设定数据采集模式,获取棉花病害样本的多源光信息数据立方体;
(5)比较不同波长处的样本图像与背景的差异,以及病斑图像与正常部分的差异,采用660nm和800nm子图采用归一化差分法进行图像变换,利用归一化差分植被组合图分割图像背景,利用650nm图像将病斑与正常区域分割;
(6)在病害样本的目标区域利用主成分分析获取主成分图像,确定病害的特征波长分布;在此基础上,应用Virtual Lab软件获取特征波长处的偏振度强度分布、Stocks参量和Mueller矩阵的偏振度特征,应用ENVI软件抽取目标区域可视化光谱的反射强度分布特征;抽取各特征波长处棉花病害的特征图像提取其灰度、纹理和病斑面积特征;
(7)将棉花病害特征信息分成偏振特征、强度特征和图像特征三类,分别建立各自的特征空间,采用三个支持向量机分类器分别在各自的特征空间进行病害的识别和分类,三个支持向量机获得各自的识别结果后,利用D-S证据理论推理方法对其进行融合决策判别。
2.根据权利要求1所述的一种基于多源光信息技术的棉花病害检测方法,其特征在于,步骤(4)所述的通过计算机设定数据采集模式是指利用计算机设定可见光采集模式或近红外采集模式。
3.根据权利要求1或2所述的一种基于多源光信息技术的棉花病害检测方法,其特征在于,步骤(7)所述的采用三个支持向量机分类器分别在各自的特征空间进行病害的识别和分类,是指将所述的偏振特征、强度特征和图像特征三类不同棉花病害特征分别作为三个支持向量机分类器的输入,三个支持向量机分类器的输出为棉花病害种类的分类结果。
4.实施权利要求1所述的一种基于多源光信息技术的棉花病害检测方法的装置,包括如下部件:计算机、控制模块、光信息传感器、LED组合光源、电控位移台和仪器架;仪器架由载物台、光源支撑臂和传感器支撑臂组成;其中仪器架一侧的长度中心位置固定光源支撑臂,光源支撑臂顶端通过转轴连接LED组合光源,光源可围绕转轴做0-90度旋转;另一侧的长度中心位置固定传感器支撑臂,传感器支撑臂顶端通过转轴连接光信息传感器,光信息传感器可围绕转轴做0-90度旋转;在所述仪器架的上端面几何中心位置安装电控位移台,电控位移台包括上部的样本台和下部的单轴丝杆滑块机构,所述样本台的上端面与丝杆滑块连接,所述单轴丝杆滑块机构通过步进电机驱动丝杆滑块,并带动样本台沿轴线位移;控制模块由光源控制器、位移台控制器和数据采集卡组成,控制模块与计算机通过数据线相连接,接受计算机的控制指令,其输出通过光源控制器、位移台控制器和数据采集卡的数据输出线分别与LED组合光源、电控位移台和光信息传感器连接。
5.根据权利要求4所述一种基于多源光信息技术的棉花病害检测装置,其特征在于所述的LED组合光源为80个多光谱波长LED和卤素灯构建的组合光源,波长范围为350-2000nm。
6.根据权利要求4或5所述的一种基于多源光信息技术的棉花病害检测装置,其特征在于所述的光信息传感器由光学系统、镜头、摄谱仪和CCD构成,最前端为光学系统,其后依次连接镜头、摄谱仪、CDD;其中所述的CCD包括可见光CCD和近红外CCD,可见光CCD成像范围为400-1100nm,近红外CCD成像范围为900-1700nm。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210528912.7A CN103018180B (zh) | 2012-12-11 | 2012-12-11 | 一种基于多源光信息技术的棉花病害检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210528912.7A CN103018180B (zh) | 2012-12-11 | 2012-12-11 | 一种基于多源光信息技术的棉花病害检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103018180A true CN103018180A (zh) | 2013-04-03 |
CN103018180B CN103018180B (zh) | 2015-04-22 |
Family
ID=47967033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210528912.7A Active CN103018180B (zh) | 2012-12-11 | 2012-12-11 | 一种基于多源光信息技术的棉花病害检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103018180B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104198398A (zh) * | 2014-08-07 | 2014-12-10 | 浙江大学 | 一种基于高光谱成像鉴别阿胶的方法 |
CN104198396A (zh) * | 2014-07-30 | 2014-12-10 | 江苏大学 | 偏振-高光谱技术诊断作物氮磷钾亏缺的方法 |
CN104297166A (zh) * | 2014-11-07 | 2015-01-21 | 张勤书 | 植物病害智能诊断系统及其使用方法 |
CN105067532A (zh) * | 2015-07-15 | 2015-11-18 | 浙江科技学院 | 一种鉴别油菜菌核病和灰霉病早期病斑的方法 |
CN105765368A (zh) * | 2013-09-27 | 2016-07-13 | 感应能力有限公司 | 用于识别食品原料的内容属性的方法和装置 |
CN106326905A (zh) * | 2015-06-16 | 2017-01-11 | 征图新视(江苏)科技有限公司 | 多光谱视觉成像大叶农作物叶片分级方法及系统 |
CN106529472A (zh) * | 2016-10-24 | 2017-03-22 | 深圳大学 | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 |
CN106908445A (zh) * | 2017-04-14 | 2017-06-30 | 浙江理工大学 | 基于高光谱的空间频域成像装置及方法 |
CN106952234A (zh) * | 2017-02-27 | 2017-07-14 | 清华大学 | 一种高光谱计算解耦方法 |
CN104198397B (zh) * | 2014-07-30 | 2017-09-05 | 江苏大学 | 氮磷钾交互作用下温室作物营养含量检测的方法 |
CN104730027B (zh) * | 2015-02-03 | 2017-09-15 | 中国农业大学 | 应用近红外光谱技术测定小麦条锈病菌夏孢子萌发率的方法 |
CN109540814A (zh) * | 2019-01-12 | 2019-03-29 | 合肥工业大学 | 一种基于多光谱成像技术的蝴蝶兰灰霉病早期检测方法 |
CN109754003A (zh) * | 2018-12-20 | 2019-05-14 | 上海裕芯电子科技有限公司 | 基于深度学习的智能机器人视觉技术应用检测系统和方法 |
CN110208212A (zh) * | 2019-07-04 | 2019-09-06 | 中南林业科技大学 | 一种近红外光谱全方位无损检测装置及控制方法 |
CN110243823A (zh) * | 2019-05-08 | 2019-09-17 | 华中科技大学 | 基于支持向量机的小儿佝偻病自动筛查装置及其使用方法 |
CN110320175A (zh) * | 2019-07-04 | 2019-10-11 | 中南林业科技大学 | 一种近红外光谱检测装置及控制方法 |
CN110320176A (zh) * | 2019-07-04 | 2019-10-11 | 中南林业科技大学 | 一种用于近红外光谱检测的可调光源装置及控制方法 |
CN110553982A (zh) * | 2019-08-29 | 2019-12-10 | 安徽科技学院 | 一种偏振高光谱图像采集系统 |
CN114332621A (zh) * | 2021-12-30 | 2022-04-12 | 华智生物技术有限公司 | 一种基于多模型特征融合的病虫害识别方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5837997A (en) * | 1992-07-28 | 1998-11-17 | Patchen, Inc. | Structure and method for detecting plants in a field using a light pipe |
WO2008077996A2 (en) * | 2006-12-22 | 2008-07-03 | Yara International Asa | Method, apparatus and system for determining a need for growth aids to promote vegetation growth |
CN102384892A (zh) * | 2011-11-17 | 2012-03-21 | 江苏大学 | 基于偏振光谱技术的作物营养水平快速诊断装置和方法 |
CN202382768U (zh) * | 2011-11-17 | 2012-08-15 | 江苏大学 | 一种设施作物生长信息无损检测装置 |
-
2012
- 2012-12-11 CN CN201210528912.7A patent/CN103018180B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5837997A (en) * | 1992-07-28 | 1998-11-17 | Patchen, Inc. | Structure and method for detecting plants in a field using a light pipe |
WO2008077996A2 (en) * | 2006-12-22 | 2008-07-03 | Yara International Asa | Method, apparatus and system for determining a need for growth aids to promote vegetation growth |
CN102384892A (zh) * | 2011-11-17 | 2012-03-21 | 江苏大学 | 基于偏振光谱技术的作物营养水平快速诊断装置和方法 |
CN202382768U (zh) * | 2011-11-17 | 2012-08-15 | 江苏大学 | 一种设施作物生长信息无损检测装置 |
Non-Patent Citations (4)
Title |
---|
A. COMAR等: "Wheat leaf bidirectional reflectance measurements: Description and quantification of the volume", 《REMOTE SENSING OF ENVIRONMENT》 * |
张琳: "高光谱图像技术诊断黄瓜病害方法的研究", 《中国优秀硕士学位论文全文数据库农业科技辑》 * |
毛罕平等: "基于多光谱图像融合和形态重构的图像分割方法", 《农业工程学报》 * |
陈兵等: "病害胁迫对棉叶光谱反射率和叶绿素荧光特性的影响", 《农业工程学报》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105765368A (zh) * | 2013-09-27 | 2016-07-13 | 感应能力有限公司 | 用于识别食品原料的内容属性的方法和装置 |
CN105765368B (zh) * | 2013-09-27 | 2019-11-08 | 感应能力有限公司 | 用于识别食品原料的内容属性的方法和装置 |
CN104198396A (zh) * | 2014-07-30 | 2014-12-10 | 江苏大学 | 偏振-高光谱技术诊断作物氮磷钾亏缺的方法 |
CN104198397B (zh) * | 2014-07-30 | 2017-09-05 | 江苏大学 | 氮磷钾交互作用下温室作物营养含量检测的方法 |
CN104198398A (zh) * | 2014-08-07 | 2014-12-10 | 浙江大学 | 一种基于高光谱成像鉴别阿胶的方法 |
CN104297166A (zh) * | 2014-11-07 | 2015-01-21 | 张勤书 | 植物病害智能诊断系统及其使用方法 |
CN104730027B (zh) * | 2015-02-03 | 2017-09-15 | 中国农业大学 | 应用近红外光谱技术测定小麦条锈病菌夏孢子萌发率的方法 |
CN106326905A (zh) * | 2015-06-16 | 2017-01-11 | 征图新视(江苏)科技有限公司 | 多光谱视觉成像大叶农作物叶片分级方法及系统 |
CN105067532A (zh) * | 2015-07-15 | 2015-11-18 | 浙江科技学院 | 一种鉴别油菜菌核病和灰霉病早期病斑的方法 |
CN105067532B (zh) * | 2015-07-15 | 2018-07-06 | 浙江科技学院 | 一种鉴别油菜菌核病和灰霉病早期病斑的方法 |
CN106529472A (zh) * | 2016-10-24 | 2017-03-22 | 深圳大学 | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 |
CN106529472B (zh) * | 2016-10-24 | 2019-08-02 | 深圳大学 | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 |
CN106952234A (zh) * | 2017-02-27 | 2017-07-14 | 清华大学 | 一种高光谱计算解耦方法 |
CN106952234B (zh) * | 2017-02-27 | 2019-10-29 | 清华大学 | 一种高光谱计算解耦方法 |
CN106908445A (zh) * | 2017-04-14 | 2017-06-30 | 浙江理工大学 | 基于高光谱的空间频域成像装置及方法 |
CN109754003A (zh) * | 2018-12-20 | 2019-05-14 | 上海裕芯电子科技有限公司 | 基于深度学习的智能机器人视觉技术应用检测系统和方法 |
CN109754003B (zh) * | 2018-12-20 | 2023-05-19 | 上海裕芯电子科技有限公司 | 基于深度学习的智能机器人视觉技术应用检测系统和方法 |
CN109540814A (zh) * | 2019-01-12 | 2019-03-29 | 合肥工业大学 | 一种基于多光谱成像技术的蝴蝶兰灰霉病早期检测方法 |
CN110243823A (zh) * | 2019-05-08 | 2019-09-17 | 华中科技大学 | 基于支持向量机的小儿佝偻病自动筛查装置及其使用方法 |
CN110320176A (zh) * | 2019-07-04 | 2019-10-11 | 中南林业科技大学 | 一种用于近红外光谱检测的可调光源装置及控制方法 |
CN110320175A (zh) * | 2019-07-04 | 2019-10-11 | 中南林业科技大学 | 一种近红外光谱检测装置及控制方法 |
CN110208212B (zh) * | 2019-07-04 | 2021-06-18 | 中南林业科技大学 | 一种近红外光谱全方位无损检测装置及控制方法 |
CN110320176B (zh) * | 2019-07-04 | 2021-07-13 | 中南林业科技大学 | 一种用于近红外光谱检测的可调光源装置及控制方法 |
CN110208212A (zh) * | 2019-07-04 | 2019-09-06 | 中南林业科技大学 | 一种近红外光谱全方位无损检测装置及控制方法 |
CN110553982A (zh) * | 2019-08-29 | 2019-12-10 | 安徽科技学院 | 一种偏振高光谱图像采集系统 |
CN114332621A (zh) * | 2021-12-30 | 2022-04-12 | 华智生物技术有限公司 | 一种基于多模型特征融合的病虫害识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103018180B (zh) | 2015-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103018180B (zh) | 一种基于多源光信息技术的棉花病害检测方法和装置 | |
CN101832941B (zh) | 一种基于多光谱图像的水果品质评价装置 | |
CN105021529B (zh) | 融合光谱和图像信息的作物病虫害识别和区分方法 | |
JP6031513B2 (ja) | 網赤血球の同定および測定 | |
CN102081039A (zh) | 一种环境可控的作物营养水分高光谱图像检测装置 | |
CN111565624A (zh) | 用于阿尔茨海默氏病病理的高光谱图像指导的raman眼科成像仪 | |
WO2021135557A1 (zh) | 一种人工智能多模成像分析装置 | |
CN103714659B (zh) | 基于双光谱融合的疲劳驾驶识别系统 | |
CN100520356C (zh) | 基于可见/近红外多光谱成像的灰霉病害早期诊断系统 | |
CN103018196A (zh) | 一种油菜需水信息的快速探测方法 | |
CN105678793B (zh) | 一种基于图像融合的猕猴桃溃疡病的早期诊断方法及装置 | |
CN107392920B (zh) | 一种基于可见光-太赫兹光的植株健康辨别方法和装置 | |
CN104990892B (zh) | 种子的光谱图像无损鉴别模型建立方法及种子鉴别方法 | |
CN1553166A (zh) | 显微多光谱骨髓及外周血细胞自动分析仪和方法 | |
CN203299112U (zh) | 一种农产品品质的多光谱成像检测装置 | |
JP7467205B2 (ja) | バイオマーカを光学的に検出するための方法 | |
Sun et al. | Measurement of plumpness for intact sunflower seed using terahertz transmittance imaging | |
CN113607676B (zh) | 基于异形比色皿和近红外图像的牛奶成分快速检测方法 | |
CN210465246U (zh) | 小麦感染赤霉病等级及病粒率高光谱无损检测装置的光谱采集装置 | |
CN107044959A (zh) | 显微多模态融合光谱检测系统 | |
JP5154844B2 (ja) | 画像処理装置および画像処理プログラム | |
CN109115719A (zh) | 一种基于高光谱成像技术的柑橘黄龙病波段融合快速检测方法 | |
CN103528967A (zh) | 基于高光谱图像的过熟蓝靛果果实识别方法 | |
CN107576600B (zh) | 一种抹茶粒度等级的快速检测方法 | |
Torres et al. | Setting up a methodology to distinguish between green oranges and leaves using hyperspectral imaging |
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 |