CN104215584A - 一种基于高光谱图像技术区分大米产地的检测方法 - Google Patents

一种基于高光谱图像技术区分大米产地的检测方法 Download PDF

Info

Publication number
CN104215584A
CN104215584A CN201410438820.9A CN201410438820A CN104215584A CN 104215584 A CN104215584 A CN 104215584A CN 201410438820 A CN201410438820 A CN 201410438820A CN 104215584 A CN104215584 A CN 104215584A
Authority
CN
China
Prior art keywords
rice
sample
image
place
pellets
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
Application number
CN201410438820.9A
Other languages
English (en)
Other versions
CN104215584B (zh
Inventor
孙大文
王璐
曾新安
刘丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201410438820.9A priority Critical patent/CN104215584B/zh
Priority claimed from CN201410438820.9A external-priority patent/CN104215584B/zh
Publication of CN104215584A publication Critical patent/CN104215584A/zh
Application granted granted Critical
Publication of CN104215584B publication Critical patent/CN104215584B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种基于高光谱图像技术区分大米产地的检测方法,包括以下步骤:(1)黑白板校正:(2)训练过程:先采集训练样本图像,再对样板图像进行校正、提取感兴趣区域、特征提取,所述特征包括每个产地大米样本的垩白粒率、每个大米颗粒的长宽比和15个纹理特征值,再用概率神经网络PNN方法建立预测模型;(3)对待测大米样品进行测试。本发明的检测方法快速、稳定,并且同时有效地提高了分类的准确度。

Description

一种基于高光谱图像技术区分大米产地的检测方法
技术领域
本发明涉及高光谱技术的引用领域,特别涉及一种基于高光谱图像技术区分大米产地的检测方法。
背景技术
大米是我国重要的粮食品种之一,是我国绝大多数人的主要主食,同时也是我国主要的出口产品,在我国有很多地区种植大米。
不同产地的大米由于地理环境和自然环境的影响,含有的营养物质及体现的外观特点不同。大米的产地是影响其营养价值和经济价值的一个很重要的因素。南方地区所产的大米由于天气及地理原因是一年两熟或者三熟,从而不能吸收并储存足够的营养物质。东北地区生产的大米是则是一年仅仅一熟,所以含有较多的蛋白质、维生素、矿物质和脂类等物质,营养价值相对较高,而且口感相对更加香醇,因而更易被消费者接受,经济价值更高。
和大米的产地息息相关的因素有很多,包括粒形、垩白粒率、纹理等外观因素。大米的粒型包含了大米颗粒的长度、宽度及长宽比等,与大米的产地有着不可分割的关系。而且可以用来进一步分析整精米率(米粒长度占平均长度的比例)。胚乳中有白色(包括腹白、心白和背白)不透明部分的米粒为垩白粒,是大米颗粒上的一种残缺,对大米的外观品质有很大的影响,和大米的产地有着密切的关系。垩白粒占试样米粒数的百分率为垩白粒率,而且同时垩白会影响大米的透明度。大米颗粒的透明度很难直接测定,但是往往可以依据垩白度来间接得到。大米的透明度和大米颗粒的腹白有关。而垩白即包括腹白,心白和背白。对于垩白来说主要是腹白,其次是心白(含量很少),而背白相对更少,因此垩白度的多少基本可以等同于腹白的多少。腹白少则说明米粒的含水率低,而含水率低表明米粒中所含的蛋白质含量高,蛋白质的含量则可以直接反应透明度。所以利用垩白多少即可以代替腹白的多少,以此来评价大米颗粒的透明度。大米的纹理是指颗粒表面的特征,不同产地的大米由于土地成分,阳光照耀及水分,温度等自然因素的影响,纹理特征上会存在一定的差距。
高光谱成像是一门新兴的快速、无损检测技术,它融合了传统的成像技术和光谱学,在农畜水产品品质检测方面具有巨大的潜力和优势。目前,谷物的品质检测等方面都有采用高光谱技术的报道。如发明专利CN200610097857.5公布了一种基于高光谱图像技术的农畜产品无损检测方法及装置;中国发明专利CN20132018804公布了基于高光谱图像技术的大米品质在线无损检测装置。然而需要指出的是,大米产地的不同对大米颗粒属性有很大的影响。同时,很多因素共同反应了产地区别,仅用单一因素很难加以区分。
发明内容
为了克服现有技术的上述缺点与不足,本发明的目的在于提供一种基于高光谱图像技术区分大米产地的检测方法,操作简单方便,且准确率高。
本发明的目的通过以下技术方案实现:
一种基于高光谱图像技术区分大米产地的检测方法,包括以下步骤:
(1)黑白板校正:用标准白板采集全白标定图像W,将镜头盖盖上采集全黑标定图像B;
(2)训练过程:
(2-1)采集训练样本图像:取n个产地的大米,在每个产地的大米随机选取多个大米颗粒,作为该产地的大米样本;
将每个产地的大米样本平铺无重叠摆好,采集每个产地的大米样本的高光谱图像;
(2-2)校正高光谱图像:设大米样本高光图图像为I0,则校正后的高光谱图像I为:
I=(I0-B)/(W-B);
(2-3)对每个校正后的大米样本的高光谱图像进行感兴趣区域提取;
(2-4)对步骤(2-3)提取到的感兴趣区域,在MATLAB中计算每个产地大米样本的垩白粒率、每个大米样本中每个大米颗粒的长宽比,同时利用灰度梯度共生矩阵提取每个大米样本中每个大米颗粒的15个纹理特征值;所述15个纹理特征值包括小梯度优势,大梯度优势,灰度分布的不均匀性,梯度分布的不均匀性,能量,灰度平均,梯度平均,灰度均方差,梯度均方差,相关,灰度熵,梯度熵,混合熵,惯性和逆差矩;
(2-6)建立预测模型:使用概率神经网络PNN方法建立预测模型,采用三层BP结构,包括输入层、隐藏层和输出层;输入层为每个产地大米样本的垩白粒率、每个大米样本中每个大米颗粒的长宽比和每个大米样本中每个大米颗粒15个纹理特征值,输出层为大米的产地;进行概率神经网络训练,得到预测模型;
(3)测试过程:
(3-1)随机选取某一产地的多个待测大米颗粒作为待测大米样品,采集待测大米样品的高光谱图像,并进行校正;
(3-2)对校正后的待测大米样品的高光谱图像进行感兴趣区域提取;
(3-3)对步骤(3-2)提取到的感兴趣区域,在MATLAB中计算待测大米样品的垩白粒率、待测大米样品中每个大米颗粒的长宽比,同时利用灰度梯度共生矩阵提取待测大米样品中每个大米颗粒的15个纹理特征值;
(3-4)将待测大米样品的垩白粒率、待测大米样品中每个大米颗粒的长宽比,每个大米颗粒的15个纹理特征值输入步骤(2)得到的预测模型中,得到大米产地的检测结果。
步骤(2-3)所述对每个校正后的大米样本的高光谱图像进行感兴趣区域提取,具体为:
首先利用开闭运算去除正后的大米样本的高光谱图像中的噪音,再利用最大类间方差法获取背景和调节对比度,利用灰度直方图获取大米颗粒的分割阈值,将大米颗粒从背景中提取出来;随后将图像二次去噪,采用灰度直方图均衡化算法后转化为二值图像;利用大津算法和八邻域联通标记找到每粒大米颗粒对应的所有像素点,从而将每粒米粒提取出来放到预先做好的小矩形模块中,得到分割后的二值化图像。
步骤(2-4)所述在MATLAB中计算每个产地大米样本的垩白粒率,具体为:
将步骤(2-3)得到的分割后的二值化图像进行3*3腐蚀膨胀运算去噪音,对分割后的二值化图像中的大米连通区域进行计数,对大米连通区域进行八邻域边缘跟踪,再对大米连通区域内部进行像素填充的标号计数的方法,标记统计所有目标对象相同灰度的像素点数,利用直方图均衡算法获得垩白分割的最佳阈值,随后对大米连通区域进行阈值化处理,将垩白区从大米连通区域中提取出来;在进行垩白区分割的同时统计出大米总粒数和垩白米粒数,利用垩白米粒数和大米总粒数的比值确定垩白粒率。
步骤(2-4)所述每个大米样本中每个大米颗粒的长宽比,计算过程如下:
通过对步骤(2-3)得到的分割后的二值化图像进行八连通邻域标记,再利用MATLAB中自带的提取特征的函数regionprops提取图像的特征属性,获得的大米的特征值中包含大米颗粒的长轴长度和短轴宽度特征,大米颗粒的长宽比即为长轴长度和短轴宽度的比值。
步骤(2-4)所述每个大米样本中每个大米颗粒的15个纹理特征值,具体提取过程如下:
通过读取感兴趣区域的最大和最小像素点,将灰度图像转化为灰度共生矩阵,将其归一化,再形成灰度梯度共生矩阵,最后将灰度梯度共生矩阵归一化,然后提取15个纹理特征值。
与现有技术相比,本发明具有以下优点和有益效果:
(1)本发明的方法基于大米粒形,垩白粒率和纹理特征三个指标综合起来区分大米的产地,与单一指标相比,建立的模型系统的稳健性更好和准确性率更高。
(2)本发明的方法可将大米产地用可视化的图像表现出来,直观清晰。
(3)本方法只需扫描大米颗粒样品,代入编写好的概率神经网络,即可得检测结果,方便、快捷;不需要测量任何理化指标,也不需要重新编写程序。
附图说明
图1为实现本发明的实施例的高光谱图像技术区分大米产地的检测方法的装置示意图。
图2为本发明的实施例的神经网络结构图。
具体实施方式
下面结合实施例,对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例
本实施例中所用的高光谱仪由近红外光谱仪(芬兰Spectral Imaging有限公司,波长900-2500 nm,波长分辨率是6nm)和CCD相机(比利时Xenics InfraredSolutions公司,像素是320×300)构成。
图1为实现本实施例的高光谱图像技术区分大米产地的检测方法的装置示意图,包括相机1,摄像头2,镜头3,光源4,大米检测样品5,上下升降台6,传送带7和电脑8。整套系统放在黑色的密闭铁柜中,以避免图像采集时光线,强风等环境因素的影响。
本实施例的高光谱图像技术区分大米产地的检测方法,包括以下步骤:
(1)黑白板校正:用标准白板采集全白标定图像W,将镜头盖盖上采集全黑标定图像B。
(2)训练过程:
(2-1)采集训练样本图像:取3个产地的大米(湖南,广东和东北),在每个产地的大米随机选取的50个大米颗粒,作为该产地的大米样本;
将每个产地的大米样本平铺无重叠摆好,放在上下升降台上,关上柜门打开光源,相机,摄像头,镜头和电脑软件后随着传送带的移动采集每个产地的大米样本的高光谱图像。
(2-2)校正高光谱图像:设大米样本高光图图像为I0,则校正后的高光谱图像I为:
I=(I0-B)/(W-B)。
(2-3)对每个校正后的大米样本的高光谱图像进行感兴趣区域提取,具体为:
首先利用开闭运算去除正后的大米样本的高光谱图像中的噪音,再利用最大类间方差法获取背景和调节对比度,利用灰度直方图获取大米颗粒的分割阈值,将大米颗粒从背景中提取出来;随后将图像二次去噪,采用灰度直方图均衡化算法后转化为二值图像;利用大津算法和八邻域联通标记找到每粒大米颗粒对应的所有像素点,从而将每粒米粒提取出来放到预先做好的小矩形模块中,得到分割后的二值化图像。
(2-4)对步骤(2-3)提取到的感兴趣区域,在MATLAB中计算每个产地大米样本的垩白粒率、每个大米样本中每个大米颗粒的长宽比,同时利用灰度梯度共生矩阵提取每个大米样本中每个大米颗粒的15个纹理特征值;所述15个纹理特征值包括小梯度优势,大梯度优势,灰度分布的不均匀性,梯度分布的不均匀性,能量,灰度平均,梯度平均,灰度均方差,梯度均方差,相关,灰度熵,梯度熵,混合熵,惯性和逆差矩。
大米颗粒的垩白粒率利用MATLAB中自带的二值图像物体的面积计算函数bwarea获取垩白面积和总面积,最终利用垩白面积和总面积的比值为垩白度。新国标垩白粒率为垩白粒占试样米粒的百分率。每个产地大米样本的垩白粒率的计算方法如下:将步骤(2-3)得到的分割后的二值化图像进行3*3腐蚀膨胀运算去噪音,对分割后的二值化图像中的大米连通区域进行计数,对大米连通区域进行八邻域边缘跟踪,,再对大米连通区域内部进行像素填充的标号计数的方法,标记统计所有目标对象相同灰度的像素点数,利用改进后的直方图均衡算法获得垩白分割的最佳阈值,随后对大米连通区域进行阈值化处理,将垩白区从大米连通区域中提取出来;在进行垩白区分割的同时统计出大米总粒数和垩白米粒数,利用垩白米粒数和大米总粒数的比值确定垩白粒率。
每个大米样本中每个大米颗粒的长宽比,计算过程如下:通过对步骤(2-3)得到的分割后的二值化图像进行八连通邻域标记,再利用MATLAB中自带的提取特征的函数regionprops提取图像的特征属性,获得的大米的特征值中包含大米颗粒的长轴长度和短轴宽度特征,大米颗粒的长宽比即为长轴长度和短轴宽度的比值。
每个大米样本中每个大米颗粒的15个纹理特征值,具体提取过程如下:
通过读取感兴趣区域的最大和最小像素点,将灰度图像转化为灰度共生矩阵,将其归一化,再形成灰度梯度共生矩阵,最后将灰度梯度共生矩阵归一化,然后提取15个纹理特征值。
(2-6)建立预测模型:使用概率神经网络PNN方法建立预测模型,采用三层BP结构(如图2所示),输入层为每个产地大米样本的垩白粒率、每个大米样本中每个大米颗粒的长宽比和每个大米样本中每个大米颗粒的15个纹理特征值,隐藏层包含神经元数由网络根据产地个数自适应确定(本实施例为5个神经元H1~H5),输出层为大米的产地;进行概率神经网络训练,得到预测模型;
概率神经网络训练的过程如下:首先要将大米颗粒的长宽比,垩白粒率和15个纹理特征值进行归一化处理,从而使所有的输入集数据在同一个数量级上,避免大数据起决定性作用的影响。首先选取200个大米样本为训练模型数据,50个大米样本为验证模型数据;再将期望类别指针转换为向量;随后使用newpnn函数建立PNN,对于Spread的选取值为0.1;再利用Sim函数进行网络预测,将训练数据带回,查看网络的分类效果;随后再通过作图观察网络对训练数据的分类效果,通过以上基于PNN的变压器故障诊断的概率神经网络进行大米的分类。
(3)测试过程:
(3-1)随机选取某一产地的多个待测大米颗粒作为待测大米样品,采集待测大米样品的高光谱图像,并进行校正;
(3-2)对校正后的待测大米样品的高光谱图像进行感兴趣区域提取;
(3-3)对步骤(3-2)提取到的感兴趣区域,在MATLAB中计算待测大米样品的垩白粒率、待测大米样品中每个大米颗粒的长宽比,同时利用灰度梯度共生矩阵提取待测大米样品中每个大米颗粒的15个纹理特征值;
(3-4)将待测大米样品的垩白粒率、待测大米样品中每个大米颗粒的长宽比,每个大米颗粒的15个纹理特征值输入步骤(2)得到的预测模型中,得到大米产地的检测结果,将辨别出的3种不同产地的大米分别用3种颜色表示(红,绿,蓝),得到大米产地的分类图。检测结果的测定标准是:长宽比在2-3之间,垩白粒率>0.1为湖南米,长宽比>3,垩白粒率在0.05-0.1为广东米,长宽比<2,垩白粒率<0.05为东北米。由于纹理特征是有15个因素共同决定的,所以没有具体的类别数据标准。最终是用长宽比,垩白粒率和纹理特征共同代入概率神经网络进行预测。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。

Claims (5)

1.一种基于高光谱图像技术区分大米产地的检测方法,其特征在于,包括以下步骤:
(1)黑白板校正:用标准白板采集全白标定图像W,将镜头盖盖上采集全黑标定图像B;
(2)训练过程:
(2-1)采集训练样本图像:取n个产地的大米,在每个产地的大米随机选取多个大米颗粒,作为该产地的大米样本;
将每个产地的大米样本平铺无重叠摆好,采集每个产地的大米样本的高光谱图像;
(2-2)校正高光谱图像:设大米样本高光图图像为I0,则校正后的高光谱图像I为:
I=(I0-B)/(W-B);
(2-3)对每个校正后的大米样本的高光谱图像进行感兴趣区域提取;
(2-4)对步骤(2-3)提取到的感兴趣区域,在MATLAB中计算每个产地大米样本的垩白粒率、每个大米样本中每个大米颗粒的长宽比,同时利用灰度梯度共生矩阵提取每个大米样本中每个大米颗粒的15个纹理特征值;所述15个纹理特征值包括小梯度优势,大梯度优势,灰度分布的不均匀性,梯度分布的不均匀性,能量,灰度平均,梯度平均,灰度均方差,梯度均方差,相关,灰度熵,梯度熵,混合熵,惯性和逆差矩;
(2-6)建立预测模型:使用概率神经网络PNN方法建立预测模型,采用三层BP结构,包括输入层、隐藏层和输出层;输入层为每个产地大米样本的垩白粒率、每个大米样本中每个大米颗粒的长宽比和每个大米样本中每个大米颗粒15个纹理特征值,输出层为大米的产地;进行概率神经网络训练,得到预测模型;
(3)测试过程:
(3-1)随机选取某一产地的多个待测大米颗粒作为待测大米样品,采集待测大米样品的高光谱图像,并进行校正;
(3-2)对校正后的待测大米样品的高光谱图像进行感兴趣区域提取;
(3-3)对步骤(3-2)提取到的感兴趣区域,在MATLAB中计算待测大米样品的垩白粒率、待测大米样品中每个大米颗粒的长宽比,同时利用灰度梯度共生矩阵提取待测大米样品中每个大米颗粒的15个纹理特征值;
(3-4)将待测大米样品的垩白粒率、待测大米样品中每个大米颗粒的长宽比,每个大米颗粒的15个纹理特征值输入步骤(2)得到的预测模型中,得到大米产地的检测结果。
2.根据权利要求1所述的基于高光谱图像技术区分大米产地的检测方法,其特征在于,步骤(2-3)所述对每个校正后的大米样本的高光谱图像进行感兴趣区域提取,具体为:
首先利用开闭运算去除正后的大米样本的高光谱图像中的噪音,再利用最大类间方差法获取背景和调节对比度,利用灰度直方图获取大米颗粒的分割阈值,将大米颗粒从背景中提取出来;随后将图像二次去噪,采用灰度直方图均衡化算法后转化为二值图像;利用大津算法和八邻域联通标记找到每粒大米颗粒对应的所有像素点,从而将每粒米粒提取出来放到预先做好的小矩形模块中,得到分割后的二值化图像。
3.根据权利要求2所述的基于高光谱图像技术区分大米产地的检测方法,其特征在于,步骤(2-4)所述在MATLAB中计算每个产地大米样本的垩白粒率,具体为:
将步骤(2-3)得到的分割后的二值化图像进行3*3腐蚀膨胀运算去噪音,对分割后的二值化图像中的大米连通区域进行计数,对大米连通区域进行八邻域边缘跟踪,再对大米连通区域内部进行像素填充的标号计数的方法,标记统计所有目标对象相同灰度的像素点数,利用直方图均衡算法获得垩白分割的最佳阈值,随后对大米连通区域进行阈值化处理,将垩白区从大米连通区域中提取出来;在进行垩白区分割的同时统计出大米总粒数和垩白米粒数,利用垩白米粒数和大米总粒数的比值确定垩白粒率。
4.根据权利要求2所述的基于高光谱图像技术区分大米产地的检测方法,其特征在于,步骤(2-4)所述每个大米样本中每个大米颗粒的长宽比,计算过程如下:
通过对步骤(2-3)得到的分割后的二值化图像进行八连通邻域标记,再利用MATLAB中自带的提取特征的函数regionprops提取图像的特征属性,获得的大米的特征值中包含大米颗粒的长轴长度和短轴宽度特征,大米颗粒的长宽比即为长轴长度和短轴宽度的比值。
5.根据权利要求2所述的基于高光谱图像技术区分大米产地的检测方法,其特征在于,步骤(2-4)所述每个大米样本中每个大米颗粒的15个纹理特征值,具体提取过程如下:
通过读取感兴趣区域的最大和最小像素点,将灰度图像转化为灰度共生矩阵,将其归一化,再形成灰度梯度共生矩阵,最后将灰度梯度共生矩阵归一化,然后提取15个纹理特征值。
CN201410438820.9A 2014-08-29 一种基于高光谱图像技术区分大米产地的检测方法 Active CN104215584B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410438820.9A CN104215584B (zh) 2014-08-29 一种基于高光谱图像技术区分大米产地的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410438820.9A CN104215584B (zh) 2014-08-29 一种基于高光谱图像技术区分大米产地的检测方法

Publications (2)

Publication Number Publication Date
CN104215584A true CN104215584A (zh) 2014-12-17
CN104215584B CN104215584B (zh) 2017-01-04

Family

ID=

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103674957A (zh) * 2013-12-25 2014-03-26 浙江工商大学 黄粒米粒检测方法及系统
CN105181643A (zh) * 2015-10-12 2015-12-23 华中农业大学 一种稻米品质的近红外检测方法与应用
CN106568736A (zh) * 2016-10-28 2017-04-19 核工业北京地质研究院 一种地面成像高光谱区分钾盐矿物与脉石矿物的方法
CN107576618A (zh) * 2017-07-20 2018-01-12 华南理工大学 基于深度卷积神经网络的水稻穗瘟检测方法及系统
CN107907500A (zh) * 2017-10-19 2018-04-13 宁夏大学 一种羊肉产地的检测方法
CN108090511A (zh) * 2017-12-15 2018-05-29 泰康保险集团股份有限公司 图像分类方法、装置、电子设备及可读存储介质
WO2018113512A1 (zh) * 2016-12-21 2018-06-28 腾讯科技(深圳)有限公司 图像处理方法以及相关装置
CN108444940A (zh) * 2018-03-20 2018-08-24 深圳市太赫兹科技创新研究院有限公司 基于太赫兹波检测大米的方法及系统
CN109164014A (zh) * 2018-06-28 2019-01-08 浙江理工大学 一种基于高光谱图像处理的多色织物润湿区域识别方法
CN109682817A (zh) * 2019-02-22 2019-04-26 哈尔滨工程大学 基于计算机视觉技术的大米白度检测装置及方法
CN109765194A (zh) * 2019-01-25 2019-05-17 中国中医科学院中药研究所 基于高光谱成像技术的枸杞子产地识别方法
CN109781730A (zh) * 2019-01-28 2019-05-21 江南大学 一种快速识别垩白米的方法
CN110197178A (zh) * 2019-06-27 2019-09-03 安徽大学 一种图谱特征融合深度网络的大米种类快速鉴别检测装置及其检测方法
CN111257272A (zh) * 2020-03-02 2020-06-09 滕州市界河镇农业综合服务中心 一种基于物联网的便携式马铃薯检测装置
WO2020147345A1 (zh) * 2019-01-14 2020-07-23 珠海格力电器股份有限公司 获取米粒的垩白度的方法、装置和烹饪器具
CN112070741A (zh) * 2020-09-07 2020-12-11 浙江师范大学 一种基于图像显著性区域提取方法的大米垩白度检测系统
CN114066887A (zh) * 2022-01-11 2022-02-18 安徽高哲信息技术有限公司 大米垩白区域检测方法、装置、设备及存储介质
CN114858801A (zh) * 2022-05-25 2022-08-05 中国科学院西北生态环境资源研究院 一种基于图像光谱原理的炭屑自动统计方法
WO2022244075A1 (ja) * 2021-05-17 2022-11-24 日本電気株式会社 検査システム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1995987A (zh) * 2007-02-08 2007-07-11 江苏大学 基于高光谱图像技术的农畜产品无损检测方法及装置
CN102564993A (zh) * 2011-12-31 2012-07-11 江南大学 一种利用傅里叶变换红外光谱识别大米品种方法及其应用
CN203275285U (zh) * 2013-04-12 2013-11-06 浙江大学 一种基于高光谱成像的大米品质在线无损检测装置
CN103544698A (zh) * 2013-09-30 2014-01-29 江南大学 基于模糊能量主动轮廓模型的高光谱图像分割方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1995987A (zh) * 2007-02-08 2007-07-11 江苏大学 基于高光谱图像技术的农畜产品无损检测方法及装置
CN102564993A (zh) * 2011-12-31 2012-07-11 江南大学 一种利用傅里叶变换红外光谱识别大米品种方法及其应用
CN203275285U (zh) * 2013-04-12 2013-11-06 浙江大学 一种基于高光谱成像的大米品质在线无损检测装置
CN103544698A (zh) * 2013-09-30 2014-01-29 江南大学 基于模糊能量主动轮廓模型的高光谱图像分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHWEN-MING YANG ET AL.: "Modeling Rice Growth with Hyperspectral Reflectance Date", 《CROPS SCIENCE》 *
王庆国 等: "基于高光谱图像的玉米种子产地与年份鉴别", 《食品与生物技术学报》 *
艾施荣 等: "利用高光谱图像技术鉴别庐山云雾茶产地", 《江西农业大学学报》 *

Cited By (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103674957A (zh) * 2013-12-25 2014-03-26 浙江工商大学 黄粒米粒检测方法及系统
CN105181643A (zh) * 2015-10-12 2015-12-23 华中农业大学 一种稻米品质的近红外检测方法与应用
CN105181643B (zh) * 2015-10-12 2018-03-02 华中农业大学 一种稻米品质的近红外检测方法与应用
CN106568736B (zh) * 2016-10-28 2020-02-21 核工业北京地质研究院 一种地面成像高光谱区分钾盐矿物与脉石矿物的方法
CN106568736A (zh) * 2016-10-28 2017-04-19 核工业北京地质研究院 一种地面成像高光谱区分钾盐矿物与脉石矿物的方法
US10956783B2 (en) 2016-12-21 2021-03-23 Tencent Technology (Shenzhen) Company Limited Image processing method and apparatus
WO2018113512A1 (zh) * 2016-12-21 2018-06-28 腾讯科技(深圳)有限公司 图像处理方法以及相关装置
CN108230232A (zh) * 2016-12-21 2018-06-29 腾讯科技(深圳)有限公司 一种图像处理的方法以及相关装置
CN108230232B (zh) * 2016-12-21 2021-02-09 腾讯科技(深圳)有限公司 一种图像处理的方法以及相关装置
CN107576618A (zh) * 2017-07-20 2018-01-12 华南理工大学 基于深度卷积神经网络的水稻穗瘟检测方法及系统
CN107576618B (zh) * 2017-07-20 2020-04-28 华南理工大学 基于深度卷积神经网络的水稻穗瘟检测方法及系统
CN107907500A (zh) * 2017-10-19 2018-04-13 宁夏大学 一种羊肉产地的检测方法
CN107907500B (zh) * 2017-10-19 2021-07-02 宁夏大学 一种羊肉产地的检测方法
CN108090511A (zh) * 2017-12-15 2018-05-29 泰康保险集团股份有限公司 图像分类方法、装置、电子设备及可读存储介质
CN108090511B (zh) * 2017-12-15 2020-09-01 泰康保险集团股份有限公司 图像分类方法、装置、电子设备及可读存储介质
CN108444940A (zh) * 2018-03-20 2018-08-24 深圳市太赫兹科技创新研究院有限公司 基于太赫兹波检测大米的方法及系统
CN109164014A (zh) * 2018-06-28 2019-01-08 浙江理工大学 一种基于高光谱图像处理的多色织物润湿区域识别方法
CN109164014B (zh) * 2018-06-28 2020-11-06 浙江理工大学 一种基于高光谱图像处理的多色织物润湿区域识别方法
WO2020147345A1 (zh) * 2019-01-14 2020-07-23 珠海格力电器股份有限公司 获取米粒的垩白度的方法、装置和烹饪器具
CN109765194A (zh) * 2019-01-25 2019-05-17 中国中医科学院中药研究所 基于高光谱成像技术的枸杞子产地识别方法
CN109765194B (zh) * 2019-01-25 2021-05-11 中国中医科学院中药研究所 基于高光谱成像技术的枸杞子产地识别方法
CN109781730A (zh) * 2019-01-28 2019-05-21 江南大学 一种快速识别垩白米的方法
CN109781730B (zh) * 2019-01-28 2020-06-09 江南大学 一种快速识别垩白米的方法
CN109682817A (zh) * 2019-02-22 2019-04-26 哈尔滨工程大学 基于计算机视觉技术的大米白度检测装置及方法
CN110197178A (zh) * 2019-06-27 2019-09-03 安徽大学 一种图谱特征融合深度网络的大米种类快速鉴别检测装置及其检测方法
CN111257272A (zh) * 2020-03-02 2020-06-09 滕州市界河镇农业综合服务中心 一种基于物联网的便携式马铃薯检测装置
CN112070741A (zh) * 2020-09-07 2020-12-11 浙江师范大学 一种基于图像显著性区域提取方法的大米垩白度检测系统
CN112070741B (zh) * 2020-09-07 2024-02-23 浙江师范大学 一种基于图像显著性区域提取方法的大米垩白度检测系统
WO2022244075A1 (ja) * 2021-05-17 2022-11-24 日本電気株式会社 検査システム
JP7529151B2 (ja) 2021-05-17 2024-08-06 日本電気株式会社 検査システム
CN114066887A (zh) * 2022-01-11 2022-02-18 安徽高哲信息技术有限公司 大米垩白区域检测方法、装置、设备及存储介质
CN114066887B (zh) * 2022-01-11 2022-04-22 安徽高哲信息技术有限公司 大米垩白区域检测方法、装置、设备及存储介质
CN114858801A (zh) * 2022-05-25 2022-08-05 中国科学院西北生态环境资源研究院 一种基于图像光谱原理的炭屑自动统计方法

Similar Documents

Publication Publication Date Title
CN109978822B (zh) 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法
CN106525732B (zh) 基于高光谱成像技术的苹果内外品质快速无损检测方法
CN103808669B (zh) 一种基于高光谱成像技术的苹果虫眼快速无损检测方法
CN109543630A (zh) 基于深度学习的遥感影像林地提取方法及系统、存储介质、电子设备
CN110479636B (zh) 基于神经网络自动分拣烟叶的方法及装置
CN103063585A (zh) 瓜果成熟度快速无损检测装置及检测系统建立方法
Sun et al. Wheat head counting in the wild by an augmented feature pyramid networks-based convolutional neural network
Wang et al. Landscape-level vegetation classification and fractional woody and herbaceous vegetation cover estimation over the dryland ecosystems by unmanned aerial vehicle platform
CN112766155A (zh) 一种基于深度学习的海水养殖区提取方法
CN108764138A (zh) 一种基于多维多粒度级联森林的高原地区云雪分类方法
CN102855485B (zh) 一种小麦抽穗的自动检测方法
Ji et al. In-field automatic detection of maize tassels using computer vision
CN104597052A (zh) 基于多特征融合的马铃薯高速无损分级检测方法及系统
CN106960221A (zh) 一种基于光谱特征和空间特征融合的高光谱图像分类方法及系统
CN103927516A (zh) 基于数字图像处理的海水珍珠鉴别系统
CN105067532A (zh) 一种鉴别油菜菌核病和灰霉病早期病斑的方法
CN103528967A (zh) 基于高光谱图像的过熟蓝靛果果实识别方法
CN107895136A (zh) 一种煤矿区域识别方法及系统
CN116559111A (zh) 一种基于高光谱成像技术的高粱品种识别方法
CN113570538B (zh) 一种叶片rgb图像偏态分布参数信息采集及分析方法
CN106940292A (zh) 基于多光谱成像技术的虫蛀巴旦木原料快速无损鉴别方法
CN113643312A (zh) 基于真彩色卫星云图与图像处理的云层分割方法
CN106845366A (zh) 基于图像的甘蔗覆盖度自动检测方法
CN116337781A (zh) 一种基于光谱图像重建的高粱品种识别方法
CN111882573A (zh) 一种基于高分辨率影像数据的耕地地块提取方法及系统

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