CN105389581B - 一种胚芽米胚芽完整度智能识别系统及其识别方法 - Google Patents
一种胚芽米胚芽完整度智能识别系统及其识别方法 Download PDFInfo
- Publication number
- CN105389581B CN105389581B CN201510664808.4A CN201510664808A CN105389581B CN 105389581 B CN105389581 B CN 105389581B CN 201510664808 A CN201510664808 A CN 201510664808A CN 105389581 B CN105389581 B CN 105389581B
- Authority
- CN
- China
- Prior art keywords
- image
- rice germ
- plumule
- integrity degree
- rice
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 176
- 235000009566 rice Nutrition 0.000 title claims abstract description 176
- 238000000034 method Methods 0.000 title claims abstract description 24
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 175
- 238000001914 filtration Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000000877 morphologic effect Effects 0.000 claims abstract description 10
- 239000006002 Pepper Substances 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000009499 grossing Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 abstract description 14
- 239000000284 extract Substances 0.000 abstract description 8
- 210000001161 mammalian embryo Anatomy 0.000 description 8
- 238000001514 detection method Methods 0.000 description 5
- 239000003205 fragrance Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 235000013339 cereals Nutrition 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 244000052616 bacterial pathogen Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011017 operating method Methods 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000003643 water by type Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Abstract
本发明公开了一种胚芽米胚芽完整度智能识别系统及其识别方法。胚芽米图像采集模块，利用定时器计时，从数字摄像头中视频流中完成胚芽米图像的定时捕捉和存储；胚芽米图像预处理模块用形态学操作对胚芽米图像的背景移除，高斯滤波去除高斯噪声，中值滤波去除图像椒盐噪声，最后采用分水岭算法完成胚芽米图像的分割，二值化得到二值图像；胚芽米图像胚芽特征提取模块用形态学开运算配合大结构元素对二值图像进行处理，对胚芽特征间接提取，得到特征图像；胚芽米胚芽完整度计算模块，根据特征图像对胚芽米胚芽完整度进行精确计算，数据计算结果。本发明采用形态学操作完成胚芽米胚芽特征的特征提取，提高了准确性。
Description
技术领域
本发明属于图像识别领域，尤其涉及一种胚芽米胚芽完整度智能识别系统及其识别方法。
背景技术
随着控制理论的不断发展,各种复杂智能算法不断涌现,目前胚芽米胚芽完整度和留胚率的检测仍然依靠人眼观察，受视力、眼疲劳的多种因素的影响，受到主观意识的影响，检测没有定量的标准，检测结果不准确而且不客观。随着农业自动化水平的提高，在胚芽米的生产中，要求对胚芽米胚芽的保留程度(即胚芽完整度)进行实时、快速、准确的检测，提出一种新的高效的胚芽检测方法对胚芽米生产和检验行业有着重大的意义。
胚芽米胚芽完整度的智能识别系统的设计就是顺应发展的需求，快速推动农业自动化进程的发展，利用图像处理识别技术提高胚芽米加工品质，提高胚芽米的胚芽米的留胚率而设计的。胚芽米胚芽完整度智能识别系统将图像处理技术、自动控制技术、人工智能有机的结合起来，最后完成实时、快速、准确的检测出胚芽完整度，及时对机器做出反馈，有效提高生产留胚率。
在中国知网中，于2000年，国内曾提出以饱和度S作为特征参数进行胚芽和胚乳的识别，从而实现了对大米留胚率的自动检测。以建立的识别指标和方法用计算机视觉系统进行胚芽识别,与人工检测吻合率达88％以上。这种方法虽然可以进行识别，但是胚乳上残留的糠皮影响了图像识别精度，导致检测准确度无法进一步提高。
发明内容
本发明的目的是提供一种利用胚芽米形状特征进行特征提取的，胚芽米胚芽完整度智能识别系统。本发明的目的还包括一种能够提高识别准确性的，胚芽米胚芽完整度智能识别方法。
一种胚芽米胚芽完整度智能识别系统，包括胚芽米图像采集模块、胚芽米图像预处理模块、胚芽米图像胚芽特征提取模块和胚芽米胚芽完整度计算模块；
胚芽米图像采集模块，利用定时器计时，从数字摄像头中视频流中完成胚芽米图像的定时捕捉和存储，传送给胚芽米图像预处理模块；
胚芽米图像预处理模块用形态学操作对胚芽米图像的背景移除，高斯滤波去除高斯噪声，中值滤波去除图像椒盐噪声，最后采用分水岭算法完成胚芽米图像的分割，二值化得到二值图像，传送给胚芽米图像胚芽特征提取模块；
胚芽米图像胚芽特征提取模块用形态学开运算配合大结构元素对二值图像进行处理，对胚芽特征间接提取，得到特征图像，传送给胚芽米胚芽完整度计算模块；
胚芽米胚芽完整度计算模块，根据特征图像对胚芽米胚芽完整度进行精确计算，数据计算结果。
一种胚芽米胚芽完整度智能识别系统的识别方法，包括以下步骤：
步骤一：胚芽米图像采集模块，利用定时器计时，从数字摄像头中视频流中完成胚芽米图像的定时捕捉和存储；
步骤二：用形态学操作对胚芽米图像的背景移除，采用高斯滤波去除高斯噪声，采用中值滤波去除图像椒盐噪声；
步骤三：最后采用分水岭算法完成胚芽米图像的分割，二值化得到二值图像；
步骤四：对二值图像进行形态学开运算，得到平滑处理后的二值图像，对原始二值图像和平滑处理后的二值图像进行对比运算，得到特征图像；
步骤五：对特征图像进行二值图像标记，得到面积属性，根据面积矩阵计算胚芽米胚芽完整度。
本发明一种胚芽米胚芽完整度智能识别系统的识别方法，还可以包括：
1、对原始二值图像和平滑处理后的二值图像进行对比运算为：
其中，a矩阵代表的是胚芽米的二值图像，b矩阵代表经过平滑处理后的胚芽米二值图像，矩阵相减得到的图像为特征图像。
2、得到特征图像后，对特征图像进行形态学开运算，选取半径为1的圆形结构元素。
有益效果：
本发明提出了并应用形态学的方法实现对胚芽米胚芽的特征表示算法，该算法摒弃了传统图像处理观念，在不能快速直接的提取胚芽特征的情况下，利用形态学开运算性质，巧妙的表示出了胚芽米胚芽特征，解决的胚芽米胚芽完整的快速准确识别的难题。
(1)对胚芽米的图像特征进行了全面的分析，对胚芽米图像，确定了图像的滤波算法，图像分割步骤，以及颜色空间的装换等一系列的图像处理环节，经过仔细的分析试验，把形状特征作为特征提取的研究方向，最后完成了一整套的胚芽米图像识别处理过程。
(2)提出利用形态学运算间接提取胚芽米胚芽特征的算法，较其他的特征提取算法而言，该算法具有运算速度快，识别对象全面，充分满足系统对实时性的要求，并且该算法的适应性很强，识别对象的方向，位置的改变都不对识别算法产生影响。不仅能将算法应用到实际的胚芽米胚芽完整度智能识别系统中，将算法参数进行简单的改变，还可将这种形态学的特征提取算法应用到其他微小物体的特征识别上。
(3)通过实验完成了稻花香2号品种的胚芽米形状模型建立，最后使得识别的准确度在90％以上，并且将稻花香2号胚芽米的系统参数存入胚芽米胚芽完整度智能识别系统数据库中，在对稻花香2号胚芽米进行识别时只需要在交互界面选择型号即可。在后续需要对其他品种胚芽米图像进行的识别的情况下，只需要对该品种胚芽米进行简单参数测定，将参数保存入库即可，大大提高了系统的实用性与灵活性。
附图说明
图1为本发明结构示意图；
图2为本发明的系统程序流程图；
图3为本发明的存储图像设置；
图4为本发明原始胚芽米图像预处理去除背景前后对比图像；图4a为原始胚芽米图像预处理去除背景前图像，图4b为原始胚芽米图像预处理去除背景后图像；
图5为本发明预处理结果的胚芽米二值图像；
图6为本胚芽米胚芽特征提取胚芽指示图像；
图7为本发明人机交互界面显示结果。
具体实施方式
下面将结合附图对本发明做进一步详细说明。
本发明的目的在于提供一种快速准确计算胚芽米胚芽完整度的智能识别系统。本发明的目的是这样实现的：
本发明的胚芽米胚芽完整度的智能识别系统它包括图像采集、图像预处理，图像特征提取算法以及胚芽米胚芽完整度计算四个模块部分，图像采集模块通过数字摄像头采集胚芽米图像，软件定时从视频流中获取图像作为处理原始图像；图像预处理算法完成胚芽米图像的背景移除，高斯噪声和椒盐噪声的滤波，以及胚芽米图像的分割；图像特征提取算法是用形态学开的操作配合大结构元素对胚芽米进行处理，将图像中尖锐部分滤除，对比图像，运用图像矩阵相减，完成胚芽间接提取。胚芽米胚芽完整度计算利用胚芽米胚芽提取图像，调取图像的面积属性完成胚芽完整度的精确计算并按照胚芽完整度不同分类显示。
1、一种胚芽米胚芽完整度智能识别系统，如图1所示，包括以下模块：
1)胚芽米图像采集模块，利用定时器计时，从数字摄像头中视频流中完成胚芽米图像的定时捕捉和存储。
2)胚芽米图像预处理模块，用形态学操作对胚芽米图像的背景移除，高斯滤波去除高斯噪声和中值滤波去除图像椒盐噪声，以及分水岭算法完成胚芽米图像的分割。
3)胚芽米图像胚芽特征提取，图像特征提取算法是用形态学开的操作配合大结构元素对胚芽米进行处理，将图像中尖锐部分滤除，对比图像，运用图像矩阵相减，对胚芽特征间接提取。
4)胚芽米胚芽完整度计算，胚芽米胚芽表征图像建立胚芽特征线性表示关系为S真实＝1.2S指示，根据图像中面积对胚芽米胚芽完整度进行精确计算。
所述的胚芽米胚芽完整度智能识别系统，胚芽米图像采集模块的工作步骤如下：
1)利用RGS-AvaCam软件对图像进行定时采集，将图像的存储路径设定为MATLAB的默认图片调用路径，方便图像调用函数实现循环实时调用，定时循环周期设置为1s。
2)图像文件的保存运用RGS-AvaCam软件自带的picture counter(图片计数器)函数，将图像按照图片的第几次的数字作为图像的文件名。
所述的胚芽米胚芽完整度智能识别系统，胚芽米图像预处理模块的工作步骤如下：
1)胚芽米图像背景去除，读入胚芽米图像，由于环境原因，在图像中存在照明不均匀的现象，使用形态学开的操作方法来估计图像的背景变化情况，发现背景中边缘部分像素值比中间的像素值大，使用MATLAB中imsubtract()函数减去图像的背景的像素值。
2)图像的滤波算法，经分析发现图像主要噪声为高斯噪声和双极脉冲噪声，采用高斯滤波去除高斯噪声，采用中值滤波去除双极脉冲噪声。
3)图像分割算法，利用分水岭算法，当新的水域与旧的水域连通以后，通过分水岭算法的判断规则将其进行合并。在没有被合并的部分自然形成了分水岭，完成胚芽米米粒的图像分割，利用全局阈值将图像转化为二值图像。
所述的胚芽米胚芽完整度智能识别系统，胚芽米图像胚芽特征提取模块的工作步骤如下：
1)用形态学开运算，选取半径较大的圆形结构元素，对二值图像进行矩阵减法运算，将包裹胚芽部分凸起胚乳通过处理去掉，倘若胚芽部分完整，基本将不会去除胚乳部分。二值图像运算公式为：
公式中的a矩阵代表的是胚芽米的二值图像，b矩阵代表经过平滑处理后的胚芽米二值图像，矩阵相减得到的图像为胚芽米胚芽指示图像。
2)利用胚芽米图像经过圆滑处理过后的图像进行比较，利用图像矩阵进数学运算，生成新的二值图像，生成的图像由于形态学开运算的扩展性，会产生孤立的像素点，利用半径为1的结构元素去除白色孤立像素点的干扰。
所述的胚芽米胚芽完整度智能识别系统，胚芽米胚芽完整度计算工作步骤如下：
1)二值图像的标记，利用matlab中的bwlabel()对图像中的白色部分(即胚芽米胚芽指示图像)进行标记。
2)再利用regionprops()函数返回图像的基本属性，调取面积属性。生成对图像中所有胚芽米对象的面积矩阵，通过个数构建的面积矩阵可以知道图像中任意一粒胚芽米的面积。
下面结合附图举例对本发明做更详细地描述：
如图2所示，胚芽米胚芽完整度智能识别系统的工作流程，图像采集采用高清摄像头通过软件进行控制，将胚芽米图像定时存储；图像预处理部分通过图像的旋转、缩放、分割和滤波等一些图像预处理操作，去除图像背景和胚芽米部分干扰噪声，凸显主要特征。特征提取部分主要提取图像中胚芽米几何形状特征，将得到的特征参数保存到图像数组中供图像识别调用；图像识别通过比较算法运算前后图像，得出胚芽米胚芽特征图像，计算出胚芽完整度，最后将计算出的结果显示在人机交互界面中。
如图3所示，图像采集是图像识别系统的基础，它的目的就是为了取得满足处理要求的对应大小和对应质量的图像。在图像采集控制中对保存图像参数设定如下：
(1)图像质量：设置图像输出为fine，这样图像对细节的表现度更高(同时保证对比度设置为32，饱和度设置为64)。
(2)图像存储路径：将图像的存储路径设定为MATLAB的默认图片调用路径，方便图像调用函数实现循环实时调用。
(3)图像文件命名：图像文件的保存运用图像自带的picture counter(图片计数器)函数，将图像按照图片的第几次的数字作为图像的文件名。例：Cam0001.BMP。
如图4a所示，读入的胚芽米图像，由于环境原因，在图像中存在照明不均匀的现象，使用形态学开的操作方法来估计图像的背景变化情况，发现背景中边缘部分像素值比中间的像素值大，使用MATLAB中imsubtract()函数减去图像的背景的像素值，在不改变原图像中胚芽米图像的情况下，将背景不均匀部分去除，经过背景去除得到图4b。
如图5所示，在经过去除背景后，调用MATLAB图像处理工具箱中的rgb2hsv图像转换函数，将胚芽米RGB图像直接转化成HSV图像，对HSV图像进行量化处理将三维图像转化为一维图像处理，在此基础上，采用中值滤波算法，在图像滤波处理的过程中，灰度值居中的点总能将相邻像素点的特征很好的描述出来，因此，将相邻像素的点按照灰度值排序，进而确定中心像素的灰度。利用graythresh()函数能简单有效的读取灰度图像的全局阈值。通过im2bw(“图像矩阵”，“阈值”)直接将图像转化包含米粒形状特征的二值化图像。最后得到预处理结果图像图4。
如图6所示，对图像进行形态学的圆滑处理提取胚芽米胚芽特征，在二值化后的胚芽米图像中，黑色像素点的值为0，白色像素点的值为255，圆滑处理前的胚芽米二值图像白色像素点的面积是大于圆滑处理后的图像的面积，所以应用算法是可行的，在二值图像中，白色像素点减去白色像素点是黑色像素点；白色像素点减去黑色像素点还是白色像素点；黑色像数点之间做加法和减法都是不会改变的，还是黑色像素点。相减后，得到胚芽米胚芽的指示图像。图像减法公式如下：
公式中的a矩阵代表的是胚芽米的二值图像，b矩阵代表经过平滑处理后的胚芽米二值图像，矩阵相减得到的图像为胚芽米胚芽指示图像。
如图7所示，为胚芽米胚芽完整度的计算结果，计算的过程主要运用了图像标记的方法。对于同一连通区域标记为相同的编号，对于不同的连通区域标记为不同的编号，统称为连通区域标记，在MATLAB中对于处理二值图像有单独的bwlabel()函数来对连通区域进行标记。[L,num]＝bwlabel(BW，n)，n代表着是4连通标记还是8连通标记，BW为输入的二值图像，num为标记连通区域的数目，L为被标记后的图像矩阵。先通过图像标记求取胚芽米胚芽二值图像的图像矩阵，然后提取图像中基本属性，在基本属性中返回选择面积属性，生成对图像中所有胚芽米胚芽指示图像的面积矩阵，通过个数构建的面积矩阵可以知道图像中任意一粒胚芽米胚芽指示图像的面积(面积用像素点的个数表示)。通过单粒胚芽米的图像计算，单粒完整胚芽米的胚芽面积，稻花香二号胚芽米胚芽指示图像的面积与真实胚芽米胚芽面积线性关系为S真实＝1.2S指示，最后将完整胚芽米胚芽面积作为分母，求取胚芽米胚芽完整度，用百分数表示。
本发明公开的是一种胚芽米胚芽完整度智能识别系统。包括图像采集、图像预处理，图像特征提取算法以及胚芽米胚芽完整度计算四个模块部分，图像采集模块通过数字摄像头采集胚芽米图像，软件定时从视频流中获取图像作为处理原始图像；图像预处理算法完成胚芽米图像的背景移除，高斯噪声和椒盐噪声的滤波，以及胚芽米图像的分割；图像特征提取算法是用形态学开的操作配合大结构元素对胚芽米进行处理，将图像中尖锐部分滤除，对比图像，运用图像矩阵相减，完成胚芽间接提取。胚芽米胚芽完整度计算利用胚芽米胚芽提取图像完成胚芽完整度的精确计算并按照胚芽完整度不同分类显示。本发明中创新性的采用形态学操作完成胚芽米胚芽特征的特征提取，通过胚芽米胚芽图像完成胚芽米胚芽完整度的快速精确计算。
Claims (4)
1.一种胚芽米胚芽完整度智能识别系统，其特征在于：包括胚芽米图像采集模块、胚芽米图像预处理模块、胚芽米图像胚芽特征提取模块和胚芽米胚芽完整度计算模块；
胚芽米图像采集模块，利用定时器计时，从数字摄像头中视频流中完成胚芽米图像的定时捕捉和存储，传送给胚芽米图像预处理模块；
胚芽米图像预处理模块用形态学操作对胚芽米图像的背景移除，高斯滤波去除高斯噪声，中值滤波去除图像椒盐噪声，最后采用分水岭算法完成胚芽米图像的分割，二值化得到二值图像，传送给胚芽米图像胚芽特征提取模块；
胚芽米图像胚芽特征提取模块用形态学开运算配合大结构元素对二值图像进行处理，对胚芽特征间接提取，得到特征图像，传送给胚芽米胚芽完整度计算模块；
对原始二值图像和平滑处理后的二值图像进行对比运算为：
其中，a矩阵代表的是胚芽米的二值图像，b矩阵代表经过平滑处理后的胚芽米二值图像，矩阵相减得到的图像为特征图像；
胚芽米胚芽完整度计算模块，根据特征图像对胚芽米胚芽完整度进行精确计算，数据计算结果。
2.基于权利要求1所述的一种胚芽米胚芽完整度智能识别系统的识别方法，其特征在于：包括以下步骤：
步骤一：胚芽米图像采集模块，利用定时器计时，从数字摄像头中视频流中完成胚芽米图像的定时捕捉和存储；
步骤二：用形态学操作对胚芽米图像的背景移除，采用高斯滤波去除高斯噪声，采用中值滤波去除图像椒盐噪声；
步骤三：最后采用分水岭算法完成胚芽米图像的分割，二值化得到二值图像；
步骤四：对二值图像进行形态学开运算，得到平滑处理后的二值图像，对原始二值图像和平滑处理后的二值图像进行对比运算，得到特征图像；
步骤五：对特征图像进行二值图像标记，得到面积属性，根据面积矩阵计算胚芽米胚芽完整度。
3.根据权利要求2所述的识别方法，其特征在于：所述的对原始二值图像和平滑处理后的二值图像进行对比运算为：
其中，a矩阵代表的是胚芽米的二值图像，b矩阵代表经过平滑处理后的胚芽米二值图像，矩阵相减得到的图像为特征图像。
4.根据权利要求2所述的识别方法，其特征在于：得到特征图像后，对特征图像进行形态学开运算，选取半径为1的圆形结构元素。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510664808.4A CN105389581B (zh) | 2015-10-15 | 2015-10-15 | 一种胚芽米胚芽完整度智能识别系统及其识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510664808.4A CN105389581B (zh) | 2015-10-15 | 2015-10-15 | 一种胚芽米胚芽完整度智能识别系统及其识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105389581A CN105389581A (zh) | 2016-03-09 |
| CN105389581B true CN105389581B (zh) | 2019-08-06 |
Family
ID=55421851
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510664808.4A Active CN105389581B (zh) | 2015-10-15 | 2015-10-15 | 一种胚芽米胚芽完整度智能识别系统及其识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105389581B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10467749B2 (en) | 2016-10-10 | 2019-11-05 | Genemind Biosciences Company Limited | Method and system for processing an image comprising spots in nucleic acid sequencing |
| WO2018068511A1 (zh) * | 2016-10-10 | 2018-04-19 | 深圳市瀚海基因生物科技有限公司 | 基因测序的图像处理方法及系统 |
| EP3843033A4 (en) | 2018-08-22 | 2021-11-24 | GeneMind Biosciences Company Limited | METHOD FOR CONSTRUCTION OF A SEQUENCING TEMPLATE BASED ON AN IMAGE AND BASIC DETECTION METHOD AND DEVICE |
| US11847766B2 (en) | 2018-08-22 | 2023-12-19 | Genemind Biosciences Company Limited | Method and device for detecting bright spots on image, and computer program product |
| CN110069977A (zh) * | 2019-02-22 | 2019-07-30 | 哈尔滨工程大学 | 一种提高胚芽米留胚率识别正确率的方法 |
| CN110544241A (zh) * | 2019-08-22 | 2019-12-06 | 云南电网有限责任公司 | 一种电力电缆金属横切面痕迹特征相识度匹配系统 |
| CN112657573A (zh) * | 2020-12-29 | 2021-04-16 | 哈尔滨工程北米科技有限公司 | 一种生产留胚米的智能碾磨方法 |
| CN112986275A (zh) * | 2021-03-17 | 2021-06-18 | 哈尔滨工程大学 | 一种胚芽米胚芽完整度在线检测系统 |
| CN113689404A (zh) * | 2021-08-24 | 2021-11-23 | 湖北三江航天红林探控有限公司 | 一种基于图像处理的零件计数系统和方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663396A (zh) * | 2012-03-09 | 2012-09-12 | 华中科技大学 | 一种水稻乳熟期自动检测的方法 |
| CN104361330A (zh) * | 2014-12-01 | 2015-02-18 | 郑州轻工业学院 | 一种玉米精准施药系统的作物行识别方法 |
| CN104658015A (zh) * | 2015-01-21 | 2015-05-27 | 沈阳理工大学 | 玉米育种激光自动切片的视觉定位方法 |
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
- 2015-10-15 CN CN201510664808.4A patent/CN105389581B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663396A (zh) * | 2012-03-09 | 2012-09-12 | 华中科技大学 | 一种水稻乳熟期自动检测的方法 |
| CN104361330A (zh) * | 2014-12-01 | 2015-02-18 | 郑州轻工业学院 | 一种玉米精准施药系统的作物行识别方法 |
| CN104658015A (zh) * | 2015-01-21 | 2015-05-27 | 沈阳理工大学 | 玉米育种激光自动切片的视觉定位方法 |
Non-Patent Citations (5)
| Title |
|---|
| Exterior quality inspection of rice based on computer vision;Mingyin Yao等;《IEEE》;20101231;第369-374页 |
| 一宗图像细化算法及其在农业图象中的应用;郇正良等;《山东农业大学学报（自然科学版）》;20041231;第446-450页 |
| 数学形态学与Canny算子在木材腐朽图像特征提取中的应用;侯卫萍等;《森林工程》;20111231;第28-30页 |
| 玉米籽粒的尖端和胚部的计算机视觉识别;宁纪峰等;《农业工程学报》;20041231;第117-119页 |
| 用神经网络方法进行大米留胚率自动检测研究;黄星奕等;《农业工程学报》;19971231;第187-191页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105389581A (zh) | 2016-03-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105389581B (zh) | 一种胚芽米胚芽完整度智能识别系统及其识别方法 | |
| Raut et al. | Plant disease detection in image processing using MATLAB | |
| Barnes et al. | Visual detection of blemishes in potatoes using minimalist boosted classifiers | |
| Ma et al. | A state-of-the-art survey of object detection techniques in microorganism image analysis: from classical methods to deep learning approaches | |
| CN102509085A (zh) | 基于轮廓不变矩特征的猪行走姿态识别系统和方法 | |
| Nagoda et al. | Rice sample segmentation and classification using image processing and support vector machine | |
| Ji et al. | Apple grading method based on features of color and defect | |
| Najeeb et al. | Dates maturity status and classification using image processing | |
| Pandit et al. | Literature review on object counting using image processing techniques | |
| Devi et al. | Image processing system for automatic segmentation and yield prediction of fruits using open CV | |
| Ouyang et al. | The research of the strawberry disease identification based on image processing and pattern recognition | |
| Raut et al. | Review on leaf disease detection using image processing techniques | |
| Huo et al. | Tongue shape classification integrating image preprocessing and convolution neural network | |
| CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 | |
| CN105404682B (zh) | 一种基于数字图像内容的图书检索方法 | |
| Hu et al. | Fast face detection based on skin color segmentation using single chrominance Cr | |
| Zhang et al. | Fabric defect detection based on visual saliency map and SVM | |
| Janardhana et al. | Computer aided inspection system for food products using machine vision—a review | |
| Elhariri et al. | Random forests based classification for crops ripeness stages | |
| Huang et al. | Mango surface defect detection based on HALCON | |
| Yang et al. | Cherry recognition based on color channel transform | |
| Avalekar et al. | Tomato grading system based on colour models by using neural network | |
| Xue et al. | Detection of young green apples in orchard environment using adaptive ratio chromatic aberration and HOG-SVM | |
| CN111597973A (zh) | 利用机器视觉检测盐渍海参合格品掺假情况的方法 | |
| Varjão et al. | Citrus fruit quality classification using support vector machines |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |