CN104458747A - 一种水稻垩白测算方法 - Google Patents
一种水稻垩白测算方法 Download PDFInfo
- Publication number
- CN104458747A CN104458747A CN201410804093.3A CN201410804093A CN104458747A CN 104458747 A CN104458747 A CN 104458747A CN 201410804093 A CN201410804093 A CN 201410804093A CN 104458747 A CN104458747 A CN 104458747A
- Authority
- CN
- China
- Prior art keywords
- rice
- effective angle
- region
- chalk
- point
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种水稻垩白测算方法,包括粘连米粒分割、垩白提取、垩白度计算、垩白粒率计算、垩白分类的步骤。本发明利用计算机图像方法计算水稻垩白,相比传统的人工测量法省工省时,同时结实率计算的准确率不受人为因素的影响。本发明解决了利用图像处理方法进行垩白评价中米粒粘连的问题,提高了垩白信息测量的准确率。本发明在测量垩白度,垩白粒率的同时判断出垩白类型,细化了垩白分析结果。
Description
技术领域
本发明属于水稻结实率测量技术领域,特别是指一种快速智能水稻结实率测量方法。
背景技术
垩白是衡量稻米品质的重要性状之一,垩白大小、垩白粒率以及垩白度为稻米的重要品质指标。垩白粒率是指稻米粒中有垩白米粒所占的比率,垩白大小指垩白籽粒中垩白的面积占整个籽粒面积的百分比,垩白度为垩白率与垩白大小的乘积。目前在农业实验中,垩白的测定大部分还在用稻米垩白观测仪进行人工观测,这种方法对垩白粒率的观测还比较准确,但垩白大小的测定仅仅通过目测,测量结果误差较大。人工观测方法测定垩白不仅浪费大量人力而且准确率较低。
计算机视觉技术在农业上的应用已经非常广泛,在稻米外观品质测定方面也起到举足轻重的作用。近年来一些学者提出了一些利用计算机视觉或者图像处理技术测定稻米垩白的方法,如基于分形维数、基于神经网络以及基于逆向云的垩白检测。这些方法大大提高了垩白检测的效率,对于单个籽粒或者逐个分开的籽粒的识别准确度非常高。对于粘连米粒的处理,一些学者也提出利用如形态学腐蚀算法将籽粒分开后再进行垩白检测。笔者实验发现这种分割方法在分割粘连垩白米粒时不能面面俱到。
图像处理过程中,粘连米粒能否准确分割是影响后期垩白检测准确度的重要因素。一些学者提出了如形态学腐蚀操作、凹点匹配、基于边缘链码和分水岭变换的方法对粘连目标进行分割。在处理粘连垩白稻米图像时,形态学腐蚀操 作对于粘连较少、粘连组合较简单的情况非常适用,分割效率比较高,但对于粘连特殊情况的处理不尽人意。凹点匹配算法在分割粘连细胞上已经有相关报道,该算法速度快,准确度高,但由于稻米籽粒与细胞形状的差异性,以及稻米籽粒粘连的复杂性导致传统的凹点匹配算法不能很好的分割粘连米粒。孙国祥等人提出基于边缘链码信息的重叠叶面分割算法,该方法通过逐层筛选分割拐点形成了对重叠页面逐层分割的算法。笔者利用链码信息进行粘连垩白米粒分割时,大部分情况取得了不错的效果,还有一些特殊情况导致分割效果不理想。分水岭变换对于目标粘连严重、重叠较多的情况分割效果不错,但稻米中垩白的存在,分水岭分割算法会造成过度分割。
发明内容
本发明的目的在于提供一种快速测定水稻垩白的方法,能够利用较廉价的设备对水稻垩白进行快速测量。
为实现上述目的,本发明采用的技术方案是:
一种水稻垩白测算方法,包括如下步骤:
A、粘连米粒分割:利用粘连米粒二值图像的最小凸多边形减去米粒区域,在若干个米粒粘连处会形成凸起区域,对凸点进行配对,连接配对点对粘连米粒进行分割;
B、垩白提取:利用米粒垩白部分与正常部分透光性不同,在背光条件下使获取图像,利用图像最大类间方差法提取垩白部分;
C、垩白度计算:采用以下公式计算:
垩白度(%)=垩白部分像素个数/米粒总像素个数×100;
D、垩白粒率计算:采用以下公式计算:
垩白粒率(%)=分割后具有垩白的籽粒个数/分割后图像中总籽粒个数×100;
E、垩白分类:利用最小外接矩形法确定籽粒的轮廓,根据垩白部分距离外接矩形四条边的距离确定垩白类型。
粘连米米粒分割解决两个籽粒连接、三个籽粒连接、四个籽粒粘连。
粘连米米粒分割解决两个籽粒连接的步骤是:两个籽粒粘连形成的凸区域一般情况下为两个,分割线即为两个有效角点的连线。
粘连米米粒分割解决三个籽粒连接的步骤是:三个籽粒粘连形成的补图由2个、3个或4个区域构成,分三种情况:
(1)当补图由两个区域构成时,每个区域上有两个有效角点,将不同区域间最近的两个有效角点相连,既得分割线;
(2)当补图由三个区域构成时,其中一个区域有两个有效角点,另外两个区域各有一个有效角点,将只有一个有效角点区域的有效角点与有两个有效角点区域中距离较近的有效角点相连,既得分割线;
(3)当补图由四个区域构成时,其中一个区域有三个有效角点,其他区域只有一个有效角点,将只有一个有效角点区域的有效角点与有三个有效角点区域中距离较近的有效角点相连,既得分割线。
粘连米米粒分割解决四个籽粒粘连的步骤是:四个籽粒粘连形成的补图可由2个、3个、4个或者5个区域组成,分五中情况:
(1)当补图由两个区域构成时,每个区域上有3个有效角点,将不同区域间最近的两个有效角点相连,既得分割线;
(2)当补图由3个区域构成时,三个区域分别有1个、2个和3个有效角点,具有2个和1个有效角点的区域在具有3个有效角点区域上寻找距离最近的有效 角点作为匹配点,连接匹配点既得分割线;
(3)当补图由3个区域构成,且三个区域的有效角点数分别为2、4、2,具有2个有效角点的区域在具有4个有效角点区域上寻找距离最近的有效角点作为匹配点,连接匹配点既得分割线;
(4)当补图由4个区域构成时,4个区域的有效角点数分别为2、2、1、1,具有1个有效角点的区域在具有2个有效角点区域上寻找距离最近的有效角点作为匹配点,再将具有2个有效角点区域中未匹配的两个点进行匹配,连接匹配点既得分割线;
(5)当补图由5个区域构成时,其中四个区域具有一个有效角点,一个区域有四个有效角点,具有1个有效角点的区域在具有4个有效角点区域上寻找距离最近的有效角点作为匹配点,连接匹配点既得分割线。
所述垩白分类的步骤中还包括垩白位置判断,垩白位置的确定也就是确定垩白米粒的背部、腹部、心白以及胚芽区;首先确定米粒八方向的极值点和质心,结果发现米粒质心到胚芽顶端的距离最长,Top-left点距离质心距离最长,在米粒的最小外接矩形中,Top-left一侧的短边设为LineA,垩白区域与其距离设为LLA;距离Top-left点较近的长边(设为LineB)一侧为米粒的背部,垩白区域与其距离设为LLB;距离Top-left点较远的长边(设为LineD)一侧为米粒的背部,垩白域与其距离设为LLD;距离Top-left点较短一边为米粒的腹部,垩白区域与其距离设为LLC;在检测到疑似垩白区域中,若区域距离背部长边和腹部长边距离相差较小且距离两个短边距离相差较小,则该区域为心白;若区域距离腹部长边较近且距离Top-left短边一侧远大于距离bottom-left短边一侧,则该区域为未去完全胚芽;若该区域距离腹部长边较近,且距离Top-left短边和bottom-left短边距离相差不大,则该区域为腹白;若该区域距离背部 长边较近,且距离Top-left短边和bottom-left短边距离相差不大,则该区域为背白;最后利用SVM对着四个疑似垩白区域进行分类。
本发明的有益效果是:本发明利用计算机图像方法计算水稻垩白,相比传统的人工测量法省工省时,同时结实率计算的准确率不受人为因素的影响。本发明解决了利用图像处理方法进行垩白评价中米粒粘连的问题,提高了垩白信息测量的准确率。本发明在测量垩白度,垩白粒率的同时判断出垩白类型,细化了垩白分析结果。
在垩白的人工测定中,费工费事且准确度不高。前人的研究结果表明利用计算视觉技术可以较好的解决作物籽粒的性状评价若利用图像处理技术进行测定,粘连米粒对测定精度的影响很大。传统粘连物体分割方法中,形态学分水岭的分割效果较好,但在垩白测量中,局部极值区域角度,会导致大量的过度分割。实验中发现,若人工将籽粒散布在垩白观测仪上,粘连情况较少,一般处在2至5个籽粒粘连,因此本文结合这些粘连特性,利用凸点匹配的方法对粘连米粒进行分割,分割后的米粒可以逐个分开,提高了测量的准确度。
若通过图像采集设备直接获取垩白米粒图像,一些垩白不容易被识别,或者垩白面积被低估,若在具有内置光源的垩白观测仪上,垩白区与胚乳其他部分灰度变化明显,通过划分不同灰度级可以很好的将垩白区域识别出来,可以精确的测定垩白大小。然而,未去完全的胚也会被误识别为垩白,本研究中利用不同垩白区域距离米粒最小外接矩形的距离不同,通过SVM对未去完全的胚、背白、心白和腹白加以区分,不仅能很好的将未去完全的胚芽去除,而且还可以确定垩白位置,提高了垩白测量的精度。上述结果为计算机视觉技术的进一步应用奠定了良好的理论和实践基础。
水稻垩白的测量是农业生产实验中所必须的工作,无论是对栽培方式的评价 还是水稻品种的选育都离不开结实率的测量。传统垩白测量方法需要投入大量人力和物力且准确率受到人为因素的影响,智能化的垩白测量方法不仅能够解放劳动力并能够提高垩白的测量精度。目前我国进行水稻研究的农业院校众多,垩白的测量是他们工作的一部分,智能化的测量方法将受到青睐。
附图说明
图1是两个籽粒粘连分离的示意图;
图2是三个籽粒粘连分离的示意图;
图3是四个籽粒粘连分离的示意图;
图4是水稻垩白的示意图;
图5是垩白米粒不同光源条件下灰度直方图。
具体实施方式
以下结合实施例对本发明做进一步描述,但不作为对本发明的限定,本发明的保护范围以权利要求记载的内容为准,任何依据本说明书所作出的等效技术手段替换,均不脱离本发明的保护范围。
实施例
快速测定水稻结实率的方法,包括以下步骤:
步骤1、水稻籽粒放置:米粒随机散落到具有背光的载物台上。
步骤2、图像获取:利用数码相机垂直获取籽粒图像;
步骤3、图像分割:在Matlab软件中利用im=imread(‘图片路径’)函数读取籽粒图像。level=graythresh(im);计算灰度级,BW=im2bw(I,level);获得二值图像。STATS=regionprops(BW,ConvexHull)获取二值图像凸多边形。
步骤4、粘连米粒分割:利用Harris角点检测算法检测角点,病通过不同区域角点距离对角点进行配对,通过连接配对的角点对粘连米粒进行分割;
粘连米米粒分割解决两个籽粒连接、三个籽粒连接、四个籽粒粘连,具体步骤为:
1)两个籽粒连接:
两个籽粒粘连形成的凸区域一般情况下为两个,分割线即为两个有效角点的连线。分割过程及分割效果如图1所示。
2)三个籽粒连接:
三个籽粒粘连形成的补图由2个、3个或4个区域构成,分三种情况:
(1)当补图由两个区域构成时,每个区域上有两个有效角点,将不同区域间最近的两个有效角点相连,既得分割线,如图2中a部分;
(2)当补图由三个区域构成时,其中一个区域有两个有效角点,另外两个区域各有一个有效角点,将只有一个有效角点区域的有效角点与有两个有效角点区域中距离较近的有效角点相连,既得分割线,如图2中b部分;
(3)当补图由四个区域构成时,其中一个区域有三个有效角点,其他区域只有一个有效角点,将只有一个有效角点区域的有效角点与有三个有效角点区域中距离较近的有效角点相连,既得分割线,如图2中c部分。
3)四个籽粒粘连:
四个籽粒粘连形成的补图可由2个、3个、4个或者5个区域组成,分五中情况:
(1)当补图由两个区域构成时,每个区域上有3个有效角点,将不同区域间最近的两个有效角点相连,既得分割线,如图3中a部分;
(2)当补图由3个区域构成时,三个区域分别有1个、2个和3个有效角点,具有2个和1个有效角点的区域在具有3个有效角点区域上寻找距离最近的有效角点作为匹配点,连接匹配点既得分割线,如图3中b部分;
(3)当补图由3个区域构成,且三个区域的有效角点数分别为2、4、2,具有2个有效角点的区域在具有4个有效角点区域上寻找距离最近的有效角点作为匹配点,连接匹配点既得分割线,如图3中d部分;
(4)当补图由4个区域构成时,4个区域的有效角点数分别为2、2、1、1,具有1个有效角点的区域在具有2个有效角点区域上寻找距离最近的有效角点作为匹配点,再将具有2个有效角点区域中未匹配的两个点进行匹配,连接匹配点既得分割线,如图3中c部分;
(5)当补图由5个区域构成时,其中四个区域具有一个有效角点,一个区域有四个有效角点,具有1个有效角点的区域在具有4个有效角点区域上寻找距离最近的有效角点作为匹配点,连接匹配点既得分割线,如图3中e部分。
步骤5、垩白的提取:对提取后的籽粒灰度图像进行分类,垩白部分透光能力弱,在图像中表现较暗,米粒其他部分通过能力相对较强,图像中表现较亮,利用最大类间方差法提取垩白。
步骤6、垩白度和垩白粒率测量:垩白度(%)=垩白部分像素个数/米粒总像素个数×100。垩白粒率(%)=分割后具有垩白的籽粒个数/分割后图像中总籽粒个数×100;
步骤7、垩白类型判断:利用最小外接矩形法确定籽粒的轮廓(亦可通过最小外接椭圆,最小外接多边形确定籽粒轮廓),根据垩白部分距离外接矩形四条边的距离确定垩白类型;
其中,垩白位置判断的步骤为:垩白位置的确定也就是确定垩白米粒的背部、腹部、心白以及胚芽区。本发明首先确定米粒八方向的极值点和质心(如图4中a部分),结果发现米粒质心到胚芽顶端的距离最长,如图4中a部分中Top-left点距离质心距离最长,在米粒的最小外接矩形中,Top-left一侧的短边设为 LineA,垩白区域与其距离设为LLA;距离Top-left点较近的长边(设为LineB)一侧为米粒的背部,垩白区域与其距离设为LLB;距离Top-left点较远的长边(设为LineD)一侧为米粒的背部,垩白域与其距离设为LLD;距离Top-left点较短一边为米粒的腹部,垩白区域与其距离设为LLC。在检测到疑似垩白区域中,若区域距离背部长边和腹部长边距离相差较小且距离两个短边距离相差较小,则该区域为心白;若区域距离腹部长边较近且距离Top-left短边一侧远大于距离bottom-left短边一侧,则该区域为未去完全胚芽;若该区域距离腹部长边较近,且距离Top-left短边和bottom-left短边距离相差不大,则该区域为腹白;若该区域距离背部长边较近,且距离Top-left短边和bottom-left短边距离相差不大,则该区域为背白。最后利用SVM对着四个疑似垩白区域进行分类。
Claims (6)
1.一种水稻垩白测算方法,其特征在于:包括如下步骤:
A、粘连米粒分割:利用粘连米粒二值图像的最小凸多边形减去米粒区域,在若干个米粒粘连处会形成凸起区域,对凸点进行配对,连接配对点对粘连米粒进行分割;
B、垩白提取:利用米粒垩白部分与正常部分透光性不同,在背光条件下使获取图像,利用图像最大类间方差法提取垩白部分;
C、垩白度计算:采用以下公式计算:
垩白度(%)=垩白部分像素个数/米粒总像素个数×100;
D、垩白粒率计算:采用以下公式计算:
垩白粒率(%)=分割后具有垩白的籽粒个数/分割后图像中总籽粒个数×100;
E、垩白分类:利用最小外接矩形法确定籽粒的轮廓,根据垩白部分距离外接矩形四条边的距离确定垩白类型。
2.如权利要求1所述的水稻垩白测算方法,其特征在于:粘连米米粒分割解决两个籽粒连接、三个籽粒连接、四个籽粒粘连。
3.如权利要求2所述的水稻垩白测算方法,其特征在于:粘连米米粒分割解决两个籽粒连接的步骤是:两个籽粒粘连形成的凸区域一般情况下为两个,分割线即为两个有效角点的连线。
4.如权利要求2所述的水稻垩白测算方法,其特征在于:粘连米米粒分割解决三个籽粒连接的步骤是:三个籽粒粘连形成的补图由2个、3个或4个区域构成,分三种情况:
(1)当补图由两个区域构成时,每个区域上有两个有效角点,将不同区域间最近的两个有效角点相连,既得分割线;
(2)当补图由三个区域构成时,其中一个区域有两个有效角点,另外两个区域各有一个有效角点,将只有一个有效角点区域的有效角点与有两个有效角点区域中距离较近的有效角点相连,既得分割线;
(3)当补图由四个区域构成时,其中一个区域有三个有效角点,其他区域只有一个有效角点,将只有一个有效角点区域的有效角点与有三个有效角点区域中距离较近的有效角点相连,既得分割线。
5.如权利要求2所述的水稻垩白测算方法,其特征在于:粘连米米粒分割解决四个籽粒粘连的步骤是:四个籽粒粘连形成的补图可由2个、3个、4个或者5个区域组成,分五中情况:
(1)当补图由两个区域构成时,每个区域上有3个有效角点,将不同区域间最近的两个有效角点相连,既得分割线;
(2)当补图由3个区域构成时,三个区域分别有1个、2个和3个有效角点,具有2个和1个有效角点的区域在具有3个有效角点区域上寻找距离最近的有效角点作为匹配点,连接匹配点既得分割线;
(3)当补图由3个区域构成,且三个区域的有效角点数分别为2、4、2,具有2个有效角点的区域在具有4个有效角点区域上寻找距离最近的有效角点作为匹配点,连接匹配点既得分割线;
(4)当补图由4个区域构成时,4个区域的有效角点数分别为2、2、1、1,具有1个有效角点的区域在具有2个有效角点区域上寻找距离最近的有效角点作为匹配点,再将具有2个有效角点区域中未匹配的两个点进行匹配,连接匹配点既得分割线;
(5)当补图由5个区域构成时,其中四个区域具有一个有效角点,一个区域有四个有效角点,具有1个有效角点的区域在具有4个有效角点区域上寻找距离最近的有效角点作为匹配点,连接匹配点既得分割线。
6.如权利要求1所述的水稻垩白测算方法,其特征在于:所述垩白分类的步骤中还包括垩白位置判断,首先确定米粒八方向的极值点和质心,结果发现米粒质心到胚芽顶端的距离最长,Top-left点距离质心距离最长,在米粒的最小外接矩形中,Top-left一侧的短边设为LineA,垩白区域与其距离设为LLA;距离Top-left点较近的长边(设为LineB)一侧为米粒的背部,垩白区域与其距离设为LLB;距离Top-left点较远的长边(设为LineD)一侧为米粒的背部,垩白域与其距离设为LLD;距离Top-left点较短一边为米粒的腹部,垩白区域与其距离设为LLC;在检测到疑似垩白区域中,若区域距离背部长边和腹部长边距离相差较小且距离两个短边距离相差较小,则该区域为心白;若区域距离腹部长边较近且距离Top-left短边一侧远大于距离bottom-left短边一侧,则该区域为未去完全胚芽;若该区域距离腹部长边较近,且距离Top-left短边和bottom-left短边距离相差不大,则该区域为腹白;若该区域距离背部长边较近,且距离Top-left短边和bottom-left短边距离相差不大,则该区域为背白;最后利用SVM对着四个疑似垩白区域进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410804093.3A CN104458747A (zh) | 2014-12-22 | 2014-12-22 | 一种水稻垩白测算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410804093.3A CN104458747A (zh) | 2014-12-22 | 2014-12-22 | 一种水稻垩白测算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104458747A true CN104458747A (zh) | 2015-03-25 |
Family
ID=52905150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410804093.3A Pending CN104458747A (zh) | 2014-12-22 | 2014-12-22 | 一种水稻垩白测算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104458747A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139405A (zh) * | 2015-09-07 | 2015-12-09 | 中国人民解放军理工大学 | 一种重叠碎米与整米的视觉分离检测方法 |
CN105319223A (zh) * | 2015-12-07 | 2016-02-10 | 浙江工商大学 | 一种垩白米的检测方法和检测系统 |
CN105548088A (zh) * | 2016-01-20 | 2016-05-04 | 安徽理想种业有限公司 | 一种快速鉴定稻米外观品质的方法 |
CN110186924A (zh) * | 2019-07-24 | 2019-08-30 | 长沙荣业智能制造有限公司 | 一种大米品种智能检测方法、系统及装置 |
WO2019179251A1 (zh) * | 2018-03-20 | 2019-09-26 | 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 |
CN111879735A (zh) * | 2020-07-22 | 2020-11-03 | 武汉大学 | 一种基于图像的大米外观品质检测方法 |
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 |
CN113255749A (zh) * | 2021-05-17 | 2021-08-13 | 福州大学 | 基于机器学习的大米品种快速识别方法 |
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 |
-
2014
- 2014-12-22 CN CN201410804093.3A patent/CN104458747A/zh active Pending
Non-Patent Citations (6)
Title |
---|
CHENGMING SUN ET.AL: "Evaluation and analysis the chalkiness of connected rice kernels based on image processing technology and support vector machine", 《JOURNAL OF CEREAL SCIENCE》 * |
刘涛等: "基于图像处理技术的大田麦穗计数", 《农业机械学报》 * |
张国良等: "《农产品品质及检验》", 30 September 2008, 化学工业出版社 * |
徐建东等: "基于OTSU算法的垩白米检测方法研究", 《 佳木斯大学学报(自然科学版)》 * |
徐建东等: "基于多峰分布最大类间方差的垩白米粒检测方法", 《光电子•激光》 * |
陈建华: "机器视觉在稻米粒型检测中的应用", 《中国水稻科学》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139405A (zh) * | 2015-09-07 | 2015-12-09 | 中国人民解放军理工大学 | 一种重叠碎米与整米的视觉分离检测方法 |
CN105139405B (zh) * | 2015-09-07 | 2018-06-05 | 中国人民解放军理工大学 | 一种重叠碎米与整米的视觉分离检测方法 |
CN105319223A (zh) * | 2015-12-07 | 2016-02-10 | 浙江工商大学 | 一种垩白米的检测方法和检测系统 |
CN105319223B (zh) * | 2015-12-07 | 2018-03-20 | 浙江工商大学 | 一种垩白米的检测方法和检测系统 |
CN105548088A (zh) * | 2016-01-20 | 2016-05-04 | 安徽理想种业有限公司 | 一种快速鉴定稻米外观品质的方法 |
WO2019179251A1 (zh) * | 2018-03-20 | 2019-09-26 | 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 |
CN110186924A (zh) * | 2019-07-24 | 2019-08-30 | 长沙荣业智能制造有限公司 | 一种大米品种智能检测方法、系统及装置 |
CN111879735A (zh) * | 2020-07-22 | 2020-11-03 | 武汉大学 | 一种基于图像的大米外观品质检测方法 |
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 |
CN113255749A (zh) * | 2021-05-17 | 2021-08-13 | 福州大学 | 基于机器学习的大米品种快速识别方法 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104458747A (zh) | 一种水稻垩白测算方法 | |
CN104268872B (zh) | 基于一致性的边缘检测方法 | |
Weizheng et al. | Grading method of leaf spot disease based on image processing | |
He et al. | A method of green litchi recognition in natural environment based on improved LDA classifier | |
WO2018059125A1 (zh) | 一种基于毫米波图像的人体异物检测方法及系统 | |
CN107742113B (zh) | 一种基于目标数量后验的sar图像集群目标检测方法 | |
CN106875404A (zh) | 一种白带显微图像中上皮细胞的智能识别方法 | |
CN104483243B (zh) | 大米粘连米检测分割方法、装置及系统 | |
CN105447859A (zh) | 一种田间麦蚜虫计数方法 | |
CN114894804B (zh) | 一种精密标准件表面裂纹检测方法 | |
CN111879735B (zh) | 一种基于图像的大米外观品质检测方法 | |
CN102982534A (zh) | 基于弦线切线法的Canny边缘检测双阈值获取方法 | |
CN109035227A (zh) | 对ct图像进行肺部肿瘤检测与诊断的系统 | |
CN102855485A (zh) | 一种小麦抽穗的自动检测方法 | |
CN109115775B (zh) | 一种基于机器视觉的槟榔等级检测方法 | |
CN107256421B (zh) | 一种稻麦籽粒快速计数方法 | |
Lei et al. | An improved object detection method for mitosis detection | |
CN204255873U (zh) | 一种水稻垩白测算装置 | |
CN104050664A (zh) | 基于oct影像的眼前房角开放程度多特征分类方法 | |
CN105488798B (zh) | 基于点集对比的sar图像相似性度量方法 | |
CN110288616A (zh) | 一种基于分形和rpca分割眼底图像中硬性渗出的方法 | |
Purnama et al. | Follicle detection on the usg images to support determination of polycystic ovary syndrome | |
Zeng et al. | Detecting and measuring fine roots in minirhizotron images using matched filtering and local entropy thresholding | |
Chabrier et al. | Supervised evaluation of synthetic and real contour segmentation results | |
CN106446958A (zh) | 一种人体离开可靠检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150325 |
|
RJ01 | Rejection of invention patent application after publication |