CN104776814B - 水稻叶形采集装置及稻叶形态参数提取方法 - Google Patents
水稻叶形采集装置及稻叶形态参数提取方法 Download PDFInfo
- Publication number
- CN104776814B CN104776814B CN201510184567.3A CN201510184567A CN104776814B CN 104776814 B CN104776814 B CN 104776814B CN 201510184567 A CN201510184567 A CN 201510184567A CN 104776814 B CN104776814 B CN 104776814B
- Authority
- CN
- China
- Prior art keywords
- leaf
- rice
- blade
- image
- pixel
- 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.)
- Expired - Fee Related
Links
Abstract
本发明涉及水稻叶形采集装置及稻叶形态参数提取方法。一种水稻叶形采集装置，其主体包括摄像头、摄像头固定装置、支架横杆、载叶台、支架竖杠、支架调节器、计算机、校验纸、双面胶、黑色胶带；摄像头通过摄像头固定装置固定在支架横杆上；载叶台是黑色水平桌面，黑色胶带通过双面胶粘贴在载叶台上，且带胶的一面朝上；支架竖杠固定在载叶板一侧的中央，通过支架调节器可调节摄像头与桌面的距离；摄像头直接连接在计算机上；校验纸是一张描有黑色等距网格点的白纸。利用本发明的装置及方法采集水稻叶形图像和提取水稻叶形曲线和叶面积方便、快捷、精确，为水稻叶形及参数的提取提供了硬件和方法，能为水稻株形的模拟和优化设计提供基础参数。
Description
技术领域
本发明涉及水稻株形精确数量描述的数据采集和参数提取方法，尤其是水稻叶形图像采集装置和基于图像分析提取叶形曲线和叶面积的方法。
背景技术
我国水稻产量曾有两次突破，一是水稻高秆改矮秆，二是矮秆水稻改杂交水稻，矮秆品种比高秆品种增产、杂交稻比矮秆品种增产，其共同本质是株型改良。株型改良进程分为两个阶段，第一阶段是矮化育种，第二阶段是理想株型育种，想株型育种的发展方向是形态与机能兼顾，理想株型与优势利用相结合。
广义的株型是指综合的生物学性状的组配形式及其整体表达，它不仅包括植株的形态特征、空间排列方式，而且包括与群体光能利用直接相关联的某些机能性状，如生育期、光合特性、库源流协调性、谷草比、休眠性、抗逆性、需肥性、分典性等等。狭义的株形系指植物体的形态特征、空间排列方式以及各性状之间的关系，如植株高矮、分蘖集散、叶片的长短、宽窄及角度、穗形、个体在群体中的排列方式及其几何结构等。株形系指植物体的形态特征、空间排列方式以及各性状之间的关系，如植株高矮、分蘖集散、叶片的长短、宽窄及角度、穗形、个体在群体中的排列方式及其几何结构等。
株型模拟是对作物的形态特征、空间排列方式以及各性状之间的关系，如植株高矮、分蘖集散、叶片的长短、宽窄及角度、穗形、个体在群体中的排列方式及其几何结构的模拟。株型模拟的基础是株型模型。株型模拟的目的在于为理想株型的选择，田间管理提供理论支持。
目前株型模拟使用的主要信息是水稻冠层垂直空间的叶面积分布和光分布。提取更丰富的株型信息，能为理想株型提供多角度的研究，有利于提高模型的有效性。叶形数据采集和分析比较少。传统的叶形分析一般是基于利用直尺测量与叶结不同距离位置处的叶宽来拟合，因而直接测量时间耗费大。叶面积测量的方法和设备比较多，以往简易测量水稻叶面积的方法主要有：（1）绘图(或晒图)剪纸称重法，即将叶形托绘于纸(质较厚而均匀)上或用叶直接晒图，先后剪下叶形的长方形和叶形，分别称重，用比例计算出叶面积。此法比较准确，但工效慢，用于大量测量时有困难。（2）长宽相乘折换法，即用叶长乘叶宽再打折扣，一般折换值为70-80。有的根据叶片最宽处在全叶的下部或中部位置分别除以1.2，1.3或1.4。这一方法比较简易快速，但如不分叶形而统一用一个折换值，显然是不准确的。基于图像测量的方法，张金恒（张金恒，万玉，刘树生，吕永亮，韩超. 一种新型的测算叶面积指数的装置: 中国, 200920154375.8 [P]. 2010-02-24.）设计的一种新型的测算叶面积指数的装置，其设计的叶片放置方式不便捷，由于图像形变，叶面积的计算也会有较大误差，基于Photoshop提取叶片的面积需要人为干预，也不能提取叶片的边界曲线。为此，我们本发明设计一种方便、快捷、精确的水稻叶形图像采集装置和基于图像分析提取叶形和叶面积的方法。
发明内容
本发明所要解决的技术问题是提供一种方便、快捷、精确地水稻叶形图像采集装置和提取水稻叶形曲线和叶面积的方法。
为解决上述技术问题，本发明提供的水稻叶形图像采集装置，其特征在于包括摄像头（1）、摄像头固定装置（2）、支架横杆（3）、载叶台（4）、支架竖杠（5）、支架调节器（6）、计算机（7）、校验纸（8）、双面胶（9）、黑色胶带（10）；摄像头（1）通过摄像头固定装置（2）固定在支架横杆（3）上；载叶台（4）是黑色水平桌面，黑色胶带（10）通过双面胶（9）粘贴在水平桌面上，黑色胶带（10）的带胶的一面朝上；支架调节器（6）固定在载叶台（4）一侧，支架调节器（6）上有三个等距的螺杆；支架竖杠（5）上有若干等距螺孔，支架竖杠（5）通过螺孔和支架调节器（6）的螺杆固定在载叶台（4）一侧的中央，通过调整支架竖杠（5）的螺孔与支架调节器（6）的螺杆的对应位置，调节摄像头（1）与桌面的距离以适应不同长度叶片图像的拍摄；摄像头（1）为高清网络摄像头直接连接在计算机（7）上，能用摄像头（1）自带的软件拍摄水稻叶片图像；校验纸（8）是一张描有黑色等距网格点的白纸。
为解决上述技术问题，本发明还提供一种利用水稻叶形图像采集装置拍摄水稻叶形图像的过程，其包括如下步骤：
1）根据叶片的长短，通过支架调节器（7）调节摄像头（1）与桌面的距离，并固定支架，连接摄像头与计算机，启动图像拍摄软件，调节好拍摄参数；
2）将校验纸（8）平放在载叶片板（4）上，拍摄校验纸（8）的图像；
3）将叶片展开依次贴在双面胶上，控制拍摄软件拍摄水稻叶片图像；
4）去掉拍过图像的叶片，重复利用水稻叶形图像采集装置拍摄水稻叶形图像的过程所述的步骤3），拍摄所有要处理的水稻叶片图像。
为解决上述技术问题，本发明还提供一种从水稻叶形图像采集装置拍摄的校验纸图像和水稻叶形图像提取水稻叶形曲线和叶面积的方法，其包括如下步骤：
1）像素变换方程：处理校验纸（8）的图像，获得像素点的位置与实际坐标转化方程；
2）预处理叶片图像：读取叶片图像，对叶片图像依次做灰度化，二值化，腐蚀，膨胀处理；
3）叶片标记：标记叶片，提取叶片像素坐标；
4）像素点位置坐标变换：利用利用水稻叶形图像采集装置拍摄水稻叶形图像的过程所述步骤1）获得的像素点的位置与实际坐标的转化方程对叶片像素点的位置进行坐标变换，得到叶片像素点实际坐标；
5）像素点实际坐标旋转：由于拍摄叶片图像时，放置叶片方式不同，叶片不一定是平行图像边界，所以需要做坐标旋转，通过对叶片像素点实际坐标做坐标旋转使得叶片叶脉平行于实际坐标的横坐标轴；并通过坐标变换使得叶片叶结点为坐标原点，叶脉在横坐标轴上，这时像素点的横坐标即为该点到叶片结点的水平距离，纵坐标即为该点到叶脉的竖直距离；所以像素点的最大横坐标为叶长，像素点的最大纵坐标为叶宽；
6）叶片拼接：有的叶片可能太长，需要将叶片剪断拍照，叶片拼接就是要将分为两段叶片拼接成一片；
7）边界拟合：叶片边界像素点的实际坐标通过拟合得到叶片边界的曲线方程；
8）面积计算：计算每片水稻叶片的叶长、叶宽，并利用微元法计算每片水稻叶片的叶面积；
9）文件存储：提取水稻叶形曲线和叶面积的方法所述的步骤2）-8），处理完所有的叶片图像后，将数据保存到Excel文件；
10）整个处理过程由matlab图形用户界面编程实现。
进一步，提取水稻叶形曲线和叶面积过程的步骤7)的边界拟合使用的是多项式函数拟合，以中心叶脉的点到叶片结点的水平距离为自变量，以边界点到中心叶脉的竖直距离为因变量。
附图说明
图1本发明的系统结构总示意图。
图2本发明提取水稻叶形曲线和叶面积参数的主要功能模块。
图3本发明提取水稻叶形曲线和叶面积参数的主要步骤。
图4本发明提取的水稻叶长与用人工方法直接测量的水稻叶长精度对比图。
图5本发明提取的水稻叶宽与用人工方法直接测量的水稻叶宽精度对比图。
图6本发明提取的水稻叶面积与用叶面积仪测量的水稻面积精度对比图。
具体实施方式
本发明水稻叶形图像采集装置和基于图像分析提取叶形和叶面积的方法，包括图像拍摄装置和基于图像分析的叶形曲线和叶面积的提取。本发明的主要实施步骤包括：图像拍摄装置及组装；水稻叶片图像拍摄；水稻叶形曲线、叶面积参数提取。下面结合附图和实施例对本发明作进一步的说明。
一、图像拍摄装置及组装。
如图1所示，本发明提供的水稻叶形图像采集装置包括摄像头（1）、摄像头固定装置（2）、支架横杆（3）、载叶台（4）、支架竖杠（5）、支架调节器（6）、计算机（7）、校验纸（8）、双面胶（9）、黑色胶带（10）；摄像头（1）通过摄像头固定装置（2）固定在支架横杆（3）上；载叶台（4）是黑色水平桌面，黑色胶带（10）通过双面胶（9）粘贴在水平桌面上，黑色胶带（10）的带胶的一面朝上；支架调节器（6）固定在载叶台（4）一侧，支架调节器（6）上有三个等距的螺杆；支架竖杠（5）上有若干等距螺孔，支架竖杠（5）通过螺孔和支架调节器（6）的螺杆固定在载叶台（4）一侧的中央，通过调整支架竖杠（5）的螺孔与支架调节器（6）的螺杆的对应位置，调节摄像头（1）与桌面的距离以适应不同长度叶片图像的拍摄；摄像头（1）为高清网络摄像头直接连接在计算机（7）上，能用摄像头（1）自带的软件拍摄水稻叶片图像；校验纸（8）是一张描有黑色等距网格点的白纸。
二、水稻叶片图像拍摄。
利用本发明提供的图像拍摄装置拍摄水稻叶片的过程包括如下步骤：
1）根据叶片的长短，通过支架调节器（7）调节摄像头（1）与桌面的距离，并固定支架，连接摄像头与计算机，启动图像拍摄软件，调节好拍摄参数；
2）将校验纸（8）平放在载叶片板（4）上，拍摄校验纸（8）的图像；
3）将叶片展开依次贴在双面胶上，控制拍摄软件拍摄叶片图像；
4）去掉拍过图像的叶片，重复权利3的步骤4），拍摄所有要处理的水稻叶片图像。
利用本发明提供的图像拍摄装置拍摄水稻叶片时应该注意：将叶片粘贴在载叶片板上时，赢尽量保证叶片展开；为了保证图像质量，尽量保持载叶片板无残留叶片碎片，使用一定的时间，应更换黑色胶带；图像拍摄过程保持摄像头的位置不改变，若需要调整支架调节器，则需拍摄新的校验纸图像。
三、水稻叶形曲线、叶面积参数的提取。
如图2所示，利用本发明从水稻叶形图像采集装置拍摄的校验纸图像和水稻叶形图像提取水稻叶形曲线和叶面积参数的整个处理过程由matlab图形用户界面编程实现，提取水稻叶形曲线和叶面积参数的主要功能模块包括：
1）像素变换方程：处理校验纸（8）的图像，获得像素点的位置与实际坐标转化方程；像素点的位置（i,j）与实际坐标（x,y）转化方程使用二元二次函数：x=a1*i2+b1*i*j+c1*j2+d1*i+e1*j+f1 ，y=a2*i2+b2*i*j+c2*j2+d2*i+e2*j+f2 ，参数通过拟合得到，目标为变换后校验纸（8）图像上相邻黑点之间的距离与实际最接近；
2）预处理叶片图像：读取叶片图像，对叶片图像依次做灰度化，二值化，腐蚀，膨胀处理；
3）叶片标记：每张叶片图像有同一茎秆上的多片叶片，标记每张叶片，提取每张叶片像素坐标；
4）像素点位置坐标变换：利用像素变换方程获得的像素点的位置与实际坐标的转化方程对叶片像素点的位置进行坐标变换，得到叶片像素点实际坐标；
5）像素点实际坐标旋转：由于拍摄叶片图像时，放置叶片方式不同，叶片不一定是平行图像边界，所以需要做坐标旋转，通过对叶片像素点实际坐标做坐标旋转使得叶片叶脉平行于实际坐标的横坐标轴；并通过坐标变换使得叶片叶结点为坐标原点，叶脉在横坐标轴上，这时像素点的横坐标即为该点到叶片结点的水平距离，纵坐标即为该点到叶脉的竖直距离；所以像素点的最大横坐标为叶长，像素点的最大纵坐标为叶宽；
6）叶片拼接：有的叶片可能太长，需要将叶片剪断拍照，叶片拼接就是要将分为两段叶片拼接成一片；
7）边界拟合：叶片边界像素点的实际坐标通过拟合得到叶片边界的曲线方程；
8）面积计算：计算每片水稻叶片的叶长、叶宽，并利用微元法计算每片水稻叶片的叶面积；
9）文件存储：处理完所有的叶片图像后，将数据保存到Excel文件。
如图3所示， 利用本发明从水稻叶形图像采集装置拍摄的校验纸图像和水稻叶形图像提取水稻叶形曲线和叶面积参数的整个处理过程由matlab图形用户界面编程实现，提取水稻叶形曲线和叶面积参数的主要步骤包括：
1）校验设置：读入校验纸图像，处理校验纸的图像，获得像素点的位置与实际坐标转化方程；
2）图像文件读入：将图像处理的文件读入系统；
3）图像预处理：对叶片图像依次做灰度化，二值化，腐蚀，膨胀处理；
4）图像分析：标记叶片，提取叶片像素坐标；通过对叶片像素点实际坐标做坐标旋转使得叶片叶脉平行于实际坐标的横坐标轴；并通过坐标变换使得叶片叶结点为坐标原点，叶脉在横坐标轴上，这时像素点的横坐标即为该点到叶片结点的水平距离，纵坐标即为该点到叶脉的竖直距离；所以像素点的最大横坐标为叶长，像素点的最大纵坐标为叶宽；
5）图像拼接：将剪断叶片拼接成一片；
6）曲线拟合：叶片边界像素点的实际坐标通过拟合得到叶片边界的曲线方程；
7）数据保存：重复步骤3-6），处理完所有的叶片图像后，将数据保存到Excel文件。
将用本发明得到的水稻叶长、叶宽和叶面积值作为预测值，用直尺直接测量的叶长、叶宽和LA3000 测量的叶面积作为观测值，作散点图如附图 4-6 所示，同时进行线性拟合，来验证本方法的精确度和准确度。
附图 4 表明，用两种方法得到的水稻叶长值进行线性拟合时，二者之间的关系可以分别用公式Lenp = 1.018Lent - 1.008来描述。图 4 中黑点表示直尺直接测量值对应的本方法测量值。图 4 中黑色斜线的斜率为 1）。从公式参数的统计学意义分析，以直尺直接测得的水稻叶长作比较，公式斜率为1.018，非常接近1，则说明本方法所测 水稻叶长值准确度非常高 ；决定系数 R² = 0.998，非常接近 1，则说明本方法所测 水稻叶长 值准确度非常高。
附图 5 表明，用两种方法得到的水稻叶宽值进行线性拟合时，二者之间的关系可以分别用公式Widp = 0.986 Widt + 0.077来描述。图 4 中黑点表示直尺直接测量值对应的本方法测量值。图 4 中黑色斜线的斜率为 1）。从公式参数的统计学意义分析，以直尺直接测得的水稻叶宽作比较，公式斜率为0.986，非常接近1，则说明本方法所测水稻叶宽值准确度非常高 ；决定系数 R² = 0.949，非常接近 1，则说明本方法所测水稻叶宽值准确度非常高。
附图 6 表明，用两种方法得到的水稻叶面积值进行线性拟合时，二者之间的关系可以分别用公式Areap = 1.091 Areat - 4.868来描述。图 4 中黑点表示直尺直接测量值对应的本方法测量值。图 4 中黑色斜线的斜率为1。从公式参数的统计学意义分析，以直尺直接测得的水稻叶面积作比较，公式斜率为1.091，非常接近1，则说明本方法所测水稻叶面积值准确度非常高；决定系数 R² = 0.982，非常接近 1，则说明本方法所测水稻叶面积值准确度非常高。
本发明提取水稻叶形和叶面积的图形处理系统，方便、快捷、高效、精确地获取水稻叶形和叶面积。为水稻株形模拟和优化设计提供水稻茎秆空间位置和叶方位角数据采集的所需装置及方法。
Claims (2)
1.一种基于叶形图像提取水稻叶形曲线和叶面积的方法，其特征在于水稻叶形图像采集装置包括摄像头（1）、摄像头固定装置（2）、支架横杆（3）、载叶台（4）、支架竖杠（5）、支架调节器（6）、计算机（7）、校验纸（8）、双面胶（9）、黑色胶带（10）；摄像头（1）通过摄像头固定装置（2）固定在支架横杆（3）上；载叶台（4）是黑色水平桌面，黑色胶带（10）通过双面胶（9）粘贴在水平桌面上，黑色胶带（10）的带胶的一面朝上；支架调节器（6）固定在载叶台（4）一侧，支架调节器（6）上有三个等距的螺杆；支架竖杠（5）上有若干等距螺孔，支架竖杠（5）通过螺孔和支架调节器（6）的螺杆固定在载叶台（4）一侧的中央，通过调整支架竖杠（5）的螺孔与支架调节器（6）的螺杆的对应位置，调节摄像头（1）与桌面的距离以适应不同长度叶片图像的拍摄；摄像头（1）为高清网络摄像头直接连接在计算机（7）上，能用摄像头（1）自带的软件拍摄水稻叶片图像；校验纸（8）是一张描有黑色等距网格点的白纸；其中利用水稻叶形图像采集装置拍摄水稻叶形图像的过程包括以下步骤：a）根据叶片的长短，通过支架调节器（6）调节摄像头（1）与桌面的距离，并固定支架，连接摄像头与计算机，启动图像拍摄软件，调节好拍摄参数；b）将校验纸（8）平放在载叶台（4）上，拍摄校验纸（8）的图像；c）将叶片展开依次贴在双面胶上，控制拍摄软件拍摄水稻叶片图像；d）去掉拍过图像的叶片，重复步骤c)-d)，拍摄所有要处理的水稻叶片图像；其中基于叶形图像提取水稻叶形曲线和叶面积的步骤包括 ：
1）像素变换方程：处理校验纸（8）的图像，获得像素点的位置与实际坐标转化方程，像素点的位置（i,j）与实际坐标（x,y）转化方程使用二元二次函数：
，
，
参数通过拟合得到，目标为变换后校验纸（8）图像上相邻黑点之间的距离与实际最接近；
2）预处理叶片图像：读取叶片图像，对叶片图像依次做灰度化，二值化，腐蚀，膨胀处理；
3）叶片标记：标记叶片，提取叶片像素坐标；
4）像素点位置坐标变换：利用步骤1）获得的像素点的位置与实际坐标的转化方程对叶片像素点的位置进行坐标变换，得到叶片像素点实际坐标；
5）像素点实际坐标旋转：由于拍摄叶片图像时，放置叶片方式不同，叶片不一定是平行图像边界，所以需要做坐标旋转，通过对叶片像素点实际坐标做坐标旋转使得叶片叶脉平行于实际坐标的横坐标轴；并通过坐标变换使得叶片叶结点为坐标原点，叶脉在横坐标轴上，这时像素点的横坐标即为该点到叶片结点的水平距离，纵坐标即为改点到叶脉的竖直距离；所以像素点的最大横坐标为叶长，像素点的最大纵坐标为叶宽；
6）叶片拼接：有的叶片可能太长，需要将叶片剪断拍照，叶片拼接就是要将分为两段叶片拼接成一片；
7）边界拟合：叶片边界像素点的实际坐标通过拟合得到叶片边界的曲线方程；
8）面积计算：计算每片水稻叶片的叶长、叶宽，并利用微元法计算每片水稻叶片的叶面积；
9）文件存储：重复所述的步骤2）-8），处理完所有的叶片图像后，将数据保存到Excel文件；
10）整个处理过程由matlab图形用户界面编程实现。
2.根据权利要求1所述的基于叶形图像提取水稻叶形曲线和叶面积的方法，其特征在于，基于叶形图像提取水稻叶形曲线和叶面积的步骤7)的边界拟合使用的是多项式函数拟合，以中心叶脉的点到叶片结点的水平距离为自变量，以边界点到中心叶脉的竖直距离为因变量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510184567.3A CN104776814B (zh) | 2015-04-20 | 2015-04-20 | 水稻叶形采集装置及稻叶形态参数提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510184567.3A CN104776814B (zh) | 2015-04-20 | 2015-04-20 | 水稻叶形采集装置及稻叶形态参数提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104776814A CN104776814A (zh) | 2015-07-15 |
| CN104776814B true CN104776814B (zh) | 2018-05-11 |
Family
ID=53618429
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510184567.3A Expired - Fee Related CN104776814B (zh) | 2015-04-20 | 2015-04-20 | 水稻叶形采集装置及稻叶形态参数提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104776814B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105842164A (zh) * | 2016-05-06 | 2016-08-10 | 北京农业信息技术研究中心 | 一种小麦穗数测量装置及其使用方法 |
| CN106056665B (zh) * | 2016-05-25 | 2019-03-05 | 湖南农业大学 | 水稻群体三维形态结构数字化与可视化重构方法 |
| 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 |
| CN108398087A (zh) * | 2018-05-02 | 2018-08-14 | 东北农业大学 | 一种大豆叶片图像采集装置 |
| CN110823311B (zh) * | 2019-11-26 | 2022-07-19 | 湖南农业大学 | 一种快速估算油菜角果体积的方法 |
| CN110926848A (zh) * | 2019-12-04 | 2020-03-27 | 江西省超级水稻研究发展中心(江西省农科院海南水稻育种中心) | 一种利用胶带采集水稻叶片样品的方法 |
| CN112542212B (zh) * | 2020-11-06 | 2022-07-19 | 湖南农业大学 | 基于双Logistic模型分析水稻分蘖动态的新方法 |
| CN113624165A (zh) * | 2021-08-09 | 2021-11-09 | 海南青峰生物科技有限公司 | 一种基于5g及图像识别的水稻叶片面积测量装置和方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102967264A (zh) * | 2012-12-07 | 2013-03-13 | 中国科学院新疆生态与地理研究所 | 一种基于数码图像技术获取灌木分枝长度的方法 |
| CN103239301A (zh) * | 2013-04-23 | 2013-08-14 | 金仕生物科技（常熟）有限公司 | 瓣膜瓣叶裁选设备及裁选方法 |
| CN103673931A (zh) * | 2013-12-02 | 2014-03-26 | 北京农业信息技术研究中心 | 一种测量水稻剑叶角度的方法、装置及系统 |
| CN103903252A (zh) * | 2012-12-28 | 2014-07-02 | 中国农业机械化科学研究院 | 棉田虫情自动监测装置及监测方法 |
| CN204555935U (zh) * | 2015-04-20 | 2015-08-12 | 湖南农业大学 | 一种水稻叶形图像采集装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8605149B2 (en) * | 2011-07-19 | 2013-12-10 | Ball Horticultural Company | Seed classification using spectral analysis to determine existence of a seed structure |
-
2015
- 2015-04-20 CN CN201510184567.3A patent/CN104776814B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102967264A (zh) * | 2012-12-07 | 2013-03-13 | 中国科学院新疆生态与地理研究所 | 一种基于数码图像技术获取灌木分枝长度的方法 |
| CN103903252A (zh) * | 2012-12-28 | 2014-07-02 | 中国农业机械化科学研究院 | 棉田虫情自动监测装置及监测方法 |
| CN103239301A (zh) * | 2013-04-23 | 2013-08-14 | 金仕生物科技（常熟）有限公司 | 瓣膜瓣叶裁选设备及裁选方法 |
| CN103673931A (zh) * | 2013-12-02 | 2014-03-26 | 北京农业信息技术研究中心 | 一种测量水稻剑叶角度的方法、装置及系统 |
| CN204555935U (zh) * | 2015-04-20 | 2015-08-12 | 湖南农业大学 | 一种水稻叶形图像采集装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104776814A (zh) | 2015-07-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104776814B (zh) | 水稻叶形采集装置及稻叶形态参数提取方法 | |
| CN104776800B (zh) | 水稻单蘖图像采集装置及形态参数提取方法 | |
| Zhang et al. | Growth monitoring of greenhouse lettuce based on a convolutional neural network | |
| Ma et al. | Estimating above ground biomass of winter wheat at early growth stages using digital images and deep convolutional neural network | |
| CN109086826B (zh) | 基于图像深度学习的小麦干旱识别方法 | |
| CN103218812B (zh) | 基于摄影测量的树木形态模型参数快速获取方法 | |
| CN103630091B (zh) | 一种基于激光与图像处理技术的叶面积测量方法 | |
| CN109117811A (zh) | 一种基于低空遥感测量技术估算城市植被覆盖率的系统及方法 | |
| CN102200433A (zh) | 一种基于计算机视觉的叶片面积测量装置和方法 | |
| CN107392908B (zh) | 作物株高测量方法及系统、田间定标装置 | |
| Roth et al. | Repeated multiview imaging for estimating seedling tiller counts of wheat genotypes using drones | |
| CN107860316A (zh) | 玉米籽粒三维参数测量装置及其测量方法 | |
| CN108120402A (zh) | 一种基于Photoshop软件测定植物叶面积的方法 | |
| Quan et al. | Two-stream dense feature fusion network based on RGB-D data for the real-time prediction of weed aboveground fresh weight in a field environment | |
| CN106023235B (zh) | 一种农作物有效籽粒个数测量的方法 | |
| CN106568730B (zh) | 一种基于近地面高光谱影像的水稻阴阳叶穗识别方法 | |
| CN204555935U (zh) | 一种水稻叶形图像采集装置 | |
| Zhu et al. | A calculation method of phenotypic traits based on three-dimensional reconstruction of tomato canopy | |
| CN114022771A (zh) | 一种基于深度学习的玉米苗期田间分布信息统计方法 | |
| CN107256421A (zh) | 一种稻麦籽粒快速计数方法 | |
| CN110610438A (zh) | 一种农作物冠层叶柄夹角计算方法及系统 | |
| Fu et al. | A dynamic detection method for phenotyping pods in a soybean population based on an improved YOLO-v5 network | |
| CN113920106A (zh) | 一种基于rgb-d相机的玉米长势三维重构及茎粗测量方法 | |
| CN109034462A (zh) | 玉米群体种植结构优化方法及装置 | |
| He et al. | A calculation method of phenotypic traits of soybean pods based on image processing technology |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180511 Termination date: 20210420 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |