CN105424622A - 一种利用特征三角形面积预警马铃薯发芽的方法 - Google Patents
一种利用特征三角形面积预警马铃薯发芽的方法 Download PDFInfo
- Publication number
- CN105424622A CN105424622A CN201510745808.7A CN201510745808A CN105424622A CN 105424622 A CN105424622 A CN 105424622A CN 201510745808 A CN201510745808 A CN 201510745808A CN 105424622 A CN105424622 A CN 105424622A
- Authority
- CN
- China
- Prior art keywords
- potato
- area
- warning time
- early warning
- day
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
Abstract
本发明公开了一种利用特征三角形面积预警马铃薯发芽的方法。在相同条件下采集多个样本马铃薯的高光谱图像,记录预警时间,选取马铃薯的感兴趣区域,按照预警时间的不同天数对光谱数据进行分类,均值滤波后截取光谱数据,构建光谱拟合函数,求导得到一阶导数图,将极小值点、极大值点及其切线交点形成的三角形面积作为特征值,进行判别分析得到判别系数和判别常数,将被测马铃薯重复上述步骤得到相应的特征值,并对其进行判别分析获得预警结果。本发明利用两个波段实现马铃薯发芽预警,简单便捷,能够减少流通过程中马铃薯发芽造成的损失。
Description
技术领域
本发明涉及一种果蔬缺陷检测方法,尤其是涉及一种利用特征三角形面积预警马铃薯发芽的方法。
背景技术
马铃薯作为世界上的四大粮食作物之一,在全世界范围内广泛种植。马铃薯营养价值极高,在国外有着“第二面包”和“地下苹果”的美誉,粮食、蔬菜、水果中所包含的大部分营养,马铃薯基本都有。同时,马铃薯适合种植的地域很广,土壤水分和肥力的要求不高,增产潜力巨大,被联合国粮农组织专家认定为在未来世界出现粮食危机时,可以拯救人类的粮食作物。
马铃薯在收获、存储、运输等过程中,极易发生各种机械损伤、病菌侵染、发芽发绿等缺陷,严重影响马铃薯品质,给薯农和消费者带来经济损失。马铃薯国标检测指标之一为无冻伤、黑心、发芽、绿薯等缺陷。同时,发芽的马铃薯有毒(龙葵素(Solanine)),意外食用会对人身安全造成威胁。
开展马铃薯发芽检测的研究,是为了防止贮藏或运输过程的不当而引起的发芽商品流入市场,同时也为马铃薯的品质检验和分级的自动化做好铺垫。
目前,国内外对于马铃薯外部品质的检测已取得不少成果。目前针对马铃薯表面缺陷的检测主要集中在机械损伤、孔洞、疮痂、表面碰伤、发芽发绿等,其中在马铃薯发芽检测方面,李锦卫等采用基于快速G截留分割法和快速亮度截留分割法对发芽进行判别;郑冠楠等采用G通道的灰度值差值法检测发芽的马铃薯,根据实验结果,当芽体点总数>10时,可基本判定图像中存在发芽体;周竹等基于机器视觉,利用交叉法来检测发芽的马铃薯。
对于发芽马铃薯的检测,可以利用RGB彩色机器视觉系统配合相应算法完成,目前国内对于该方向的检测已能达到较高准确率。但这种依靠马铃薯表面的颜色特征进行发芽检测的方法无法用于马铃薯发芽时间的预测。
发明内容
为了解决背景技术中存在的问题,本发明的目的在于提供了一种利用特征三角形面积预警马铃薯发芽的方法,根据特征值面积S来对该区域进行分类,实现马铃薯发芽预警。
本发明解决其技术问题所采用的技术方案是:
1)在相同条件下采集多个样本马铃薯的高光谱图像:
所述步骤1)具体采用以下方式采集高光谱图像:以黑色卡纸为背景,将至少150个马铃薯分别采用泡沫胶固定在卡纸上,置于暗箱中每天采集高光谱图像,连续采集5天,整个采集周期中保持静止不动。
2)记录马铃薯从开始采集高光谱图像到发芽为止的天数作为预警时间,选取马铃薯的发芽部位作为感兴趣区域,提取其光谱数据,按照预警时间的不同天数对光谱数据进行分类;具体实施可以马铃薯发芽日期为第0天,之前k天逆推为发芽前k天,则k天即为预警时间;
所述步骤2)中,马铃薯的感兴趣区域选取采用以下方式:找到并记录发芽马铃薯的芽眼位置中心(S,T),建立以芽眼位置(S,T)为中心、以九个像素点为边长的发芽部位区域作为数据处理的感兴趣区域。
3)对感兴趣区域的全部波段数据进行3×3均值滤波,截取感兴趣区域所在600-750nm波段的离散光谱数据。
所述步骤3)中具体采用以下公式的光谱拟合函数对光谱数据进行拟合,并利用Matlab中nlinfit函数求解:
其中,横坐标x为波长值,纵坐标f(x)为光谱均一化值,n表示累加参数,j表示累加参数的计算序数。
具体实施中,利用评价拟合程度的均方根误差RMSE确定n的值为5。
4)构建光谱拟合函数,对不同预警时间的光谱拟合函数f(x)进行求导,得到感兴趣区域的一阶导数图,一阶导数图以波长值为横坐标、以光谱均一化值为纵坐标,从中选取距离波长680nm最近的极小值点A和极大值点C,分别在极小值点A和极大值点C处作切线,两条切线的交点为交点B,以A、B、C三点为顶点构成特征三角形△ABC的面积为特征值面积S;
所述的特征值面积S具体采用以下公式计算:
其中,λA、λB和λC分别为极小值点A、极大值点C和交点B对应的波长值,RA、RB和RC分别为极小值点A、极大值点C和交点B对应的光谱均一化值。
5)对不同预警时间的感兴趣区域的特征值面积S分别进行判别分析,分别得到各自的判别系数pk和判别常数qk;
所述的步骤5)中具体利用SPSS软件提供的费歇尔判别系数判别方法表示的以下公式对特征值面积S进行判别分析:
F0=p0×X+q0
F1=p1×X+q1
F2=p2×X+q2
F3=p3×X+q3
F4=p4×X+q4
其中,F0为第0天预警时间样本马铃薯的得分值,F1为第1天预警时间样本马铃薯的得分值,F2为第2天预警时间样本马铃薯的得分值,F3为第3天预警时间样本马铃薯的得分值,F4为第4天预警时间样本马铃薯的得分值。X表示所有预警时间下特征值面积S的集合,pk为第k天预警时间样本马铃薯的特征值面积S对应的判别系数集合,qk为判别常数;
6)将被测马铃薯重复上述步骤1)~4)得到所有特征值面积S,并对其进行判别分析获得预警结果,实现对马铃薯发芽的预警。
所述步骤6)中所有特征值面积S的判别分析结果具体采用以下方式:
将被测马铃薯提取得到的所有特征值面积S代入以下公式中获得各个预警时间下的得分值Fks,Fks值中最大值所对应的k即为预警时间:
F0S=p0×XS+q0
F1S=p1×XS+q1
F2S=p2×XS+q2
F3S=p3×XS+q3
F4S=p4×XS+q4
其中,F0S为第0天预警时间被测马铃薯的得分值,F1S为第1天预警时间被测马铃薯的得分值,F2S为第2天预警时间被测马铃薯的得分值,F3S为第3天预警时间被测马铃薯的得分值,F4S为第4天预警时间被测马铃薯的得分值,XS表示被测马铃薯的拟合参数集合;
本发明主要是利用高光谱成像技术连续观测马铃薯表面芽眼,记录芽眼情况至发芽为止。记马铃薯发芽日期为第0天,之前k天逆推为发芽前k天,k即为预警时间,统计并归类各个芽眼的预警时间。提取每个马铃薯芽眼部位边长为9个像素点的正方形区域的光谱数据,均值滤波后,对该区域的600-750nm波段的光谱进行均值归一化、函数拟合后,得出不同预警时间下马铃薯芽眼部位的光谱曲线图。利用曲线一阶导数为极值下的波段值λA、λC,以其导数值求出切线交点B(λB,RB),以A、B、C三点为顶点构成特征三角形△ABC,计算其面积S,以此作为变量构建判别函数,实现马铃薯发芽的预警。
本发明的有益效果是:
本发明能获得马铃薯的发芽的预警信息,对马铃薯的发芽情况进行预警,实现了马铃薯发芽预警,提高检测效率,减少流通过程马铃薯发芽造成的损失。
附图说明
图1是本发明方法的实现流程图。
图2是马铃薯固定情况实物图。
图3是实施例马铃薯芽眼部位感兴趣区域的提取情况。
图4是实施例600-750nm波段马铃薯芽眼部位预警时间为1(day1)的光谱曲线拟合图。
图5是实施例600-750nm波段马铃薯芽眼部位预警时间为1(day1)的光谱曲线一阶导数图。
图6是实施例马铃薯芽眼部位预警时间为1(day1)的特征值面积S。
图7是实施例600-750nm波段马铃薯芽眼部位发芽当天(day0)的光谱曲线图。
图8是实施例600-750nm波段马铃薯芽眼部位发芽当天(day0)的光谱曲线一阶导数图。
图9是马铃薯芽眼部位发芽当天(day0)的特征值面积S。
图10是马铃薯芽眼部位预警时间为2(day2)的特征值面积S。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
本发明的实施例如下:
如图1所示首先,将马铃薯固定于黑色卡纸上(图2所示),置于室温下,遮光存储,每天采集其高光谱图像。调试高光谱成像系统,匹配其物距、光照强度、相机曝光时间、扫描面积、扫描速度等参数,以能采集出清晰、不变形的图像为准,扫描马铃薯高光谱图像。记录芽眼情况至发芽为止。记录马铃薯从开始采集高光谱图像到发芽为止的天数作为预警时间,选取马铃薯的发芽部位作为感兴趣区域,提取其光谱数据,按照预警时间的不同天数对光谱数据进行分类。提取每个马铃薯芽眼部位边长为9个像素点的正方形区域的光谱数据,均值滤波后,对该区域的600-750nm波段的光谱进行均值归一化、函数拟合后,得出不同预警时间下马铃薯芽眼部位的光谱曲线图。利用曲线一阶导数为极值下的波段值λA、λC,以其导数值求出切线交点B(λB,RB),以A、B、C三点为顶点构成特征三角形△ABC,计算其面积S,以此作为变量构建判别函数,实现马铃薯发芽的预警。
马铃薯芽眼部位感兴趣区域如图3所示,主要操作流程如下:记录发芽马铃薯的芽眼位置(S,T),以(S,T)为中心,9个像素点为边长的区域作为数据处理的感兴趣区域,定义为发芽部位。提取发芽部位的光谱数据,按照发芽情况归类光谱数据。在不同预警时间下,所统计的芽眼部位的个数如表1所示。day0代表发芽当天,day1-day4代表预警时间为1-4天。
表1不同发芽情况下所统计芽眼部位的个数
图4所示为600-750nm波段马铃薯预警时间为1的光谱数据拟合曲线图。在本发明中,采用的拟合函数格式如下:
样本数量为117个芽眼部位,光谱离散值由117个样本光谱数据的均值归一化得到。
图5所示为600-750nm波段马铃薯芽眼部位预警时间为1(day1)的光谱曲线一阶导数图。选取距离波长680nm最近的极小值点A(667.92,0.038489),极大值点C(688.16,0.380951),作为本发明中的特征点。
图6所示为马铃薯芽眼部位预警时间为1(day1)的特征值面积S。在本发明中,特征点A(667.92,0.038489),特征点C(688.16,0.380951),利用一阶导数值求出交点位置B(678.03,0.048108)。确定了λA、λB、λC等波长值后,利用公式(2)算出第i个马铃薯样本(667.92,RAi),B(678.03,RBi),C(688.16,RCi)的特征值面积S。(i=1,2,3…117)
图7所示为600-750nm波段马铃薯芽眼部位发芽当天(day0)的光谱曲线图。样本数量为118个芽眼部位,曲线由118个样本光谱数据的均值归一化得到。
图8所示为600-750nm波段马铃薯芽眼部位发芽当天(day0)的光谱曲线一阶导数图。选取距离波长680nm最近的两个极值点A(667.92,0.038489),C(688.16,0.380951),作为本发明中的特征点。
图9所示为马铃薯芽眼部位发芽当天(day0)的特征值面积S。在本发明中,A(667.92,0.099426),B(678.03,0.107984),C(688.16,0.419124)。确定了λA、λB、λC等波长值后,利用公式(2)算出第i个马铃薯样本(667.92,RAi),B(678.03,RBi),C(688.16,RCi)的特征值面积S。(i=1,2,3…118)
图10所示为马铃薯芽眼部位预警时间为2(day2)的特征值面积S。在本发明中,A(667.92,0.103862),B(678.03,0.111303),C(688.16,0.420053)。确定了λA、λB、λC等波长值后,利用公式(2)算出第i个马铃薯样本(667.92,RAi),B(678.03,RBi),C(688.16,RCi)的特征值面积S。(i=1,2,3…110)
判别分析:利用SPSS提供的费歇尔判别系数判别方法对不同预警时间的感兴趣区域的特征值面积S进行分类。通过处理结果中的费歇尔判别函数系数表,如表2所示,建立判别函数。
表2费歇尔判别函数系数表
由此计算如下:
F0=0.186X-7.200
F1=0.074X-2.495
F2=0.085X-2.764
F3=0.072X-2.437
F4=0.101X-3.261
马铃薯发芽情况预警:利用得到的判别函数进行预警。将新样本的特征值S作为变量代入判别函数,计算得到各类得分FkS,取得分最大类为预警类。经检验,取发芽当天118个样本,预警时间为1的117个样本,预警结果如表3所示,对其中83.0%的样本进行了正确分类。
表3马铃薯预警结果
可见本发明针对于的单一特征值的分类效果完善了改进,结合其他特征值,对于预警马铃薯发芽能取得更好的结果。
Claims (7)
1.一种利用特征三角形面积预警马铃薯发芽的方法,其特征在于该方法的步骤如下:
1)在相同条件下采集多个样本马铃薯的高光谱图像:
2)记录马铃薯从开始采集高光谱图像到发芽为止的天数作为预警时间,选取马铃薯的发芽部位作为感兴趣区域,提取其光谱数据,按照预警时间的不同天数对光谱数据进行分类;
3)对感兴趣区域的全部波段数据进行3×3均值滤波,截取感兴趣区域所在600-750nm波段的离散光谱数据;
4)构建光谱拟合函数,对不同预警时间的光谱拟合函数f(x)进行求导,得到感兴趣区域的一阶导数图,一阶导数图以波长值为横坐标、以光谱均一化值为纵坐标,从中选取距离波长680nm最近的极小值点A和极大值点C,分别在极小值点A和极大值点C处作切线,两条切线的交点为交点B,以A、B、C三点为顶点构成特征三角形△ABC的面积为特征值面积S;
5)对不同预警时间的感兴趣区域的特征值面积S进行判别分析,得到各自的判别系数pk和判别常数qk;
6)将被测马铃薯重复上述步骤1)~4)得到所有特征值面积S,并对其进行判别分析获得预警结果,实现对马铃薯发芽的预警。
2.根据权利要求1所述的一种利用特征三角形面积预警马铃薯发芽的方法,其特征在于:所述步骤1)具体采用以下方式采集高光谱图像:以黑色卡纸为背景,将至少150个马铃薯分别固定在卡纸上,置于暗箱中每天采集高光谱图像,连续采集5天。
3.根据权利要求1所述的一种利用特征三角形面积预警马铃薯发芽的方法,其特征在于:所述步骤2)中,马铃薯的感兴趣区域选取采用以下方式:找到并记录发芽马铃薯的芽眼位置(S,T),建立以芽眼位置(S,T)为中心、以九个像素点为边长的发芽部位区域作为感兴趣区域。
4.根据权利要求1所述的一种利用特征三角形面积预警马铃薯发芽的方法,其特征在于:所述步骤3)中具体采用以下公式的光谱拟合函数对光谱数据进行拟合:
其中,横坐标x为波长值,纵坐标f(x)为光谱均一化值,n表示累加参数,j表示累加参数的计算序数。
5.根据权利要求1所述的一种利用特征三角形面积预警马铃薯发芽的方法,其特征在于:所述的步骤5)中具体利用费歇尔判别系数判别方法表示的以下公式对特征值面积S进行判别分析:
F0=p0×X+q0
F1=p1×X+q1
F2=p2×X+q2
F3=p3×X+q3
F4=p4×X+q4
其中,F0为第0天预警时间样本马铃薯的得分值,F1为第1天预警时间样本马铃薯的得分值,F2为第2天预警时间样本马铃薯的得分值,F3为第3天预警时间样本马铃薯的得分值,F4为第4天预警时间样本马铃薯的得分值。X表示所有预警时间下特征值面积S的集合,pk为第k天预警时间样本马铃薯的特征值面积S对应的判别系数集合,qk为判别常数。
6.根据权利要求1所述的一种利用特征三角形面积预警马铃薯发芽的方法,其特征在于:所述步骤6)中所有特征值面积S的判别分析结果具体采用以下方式:
将被测马铃薯提取得到的所有特征值面积S代入以下公式中获得各个预警时间下的得分值Fks,Fks值中最大值所对应的k即为预警时间:
F0s=p0×Xs+q0
F1s=p1×Xs+q1
F2s=p2×Xs+q2
F3s=p3×Xs+q3
f4s=p4×Xs+q4
其中,F0s为第0天预警时间被测马铃薯的得分值,F1s为第1天预警时间被测马铃薯的得分值,F2s为第2天预警时间被测马铃薯的得分值,F3s为第3天预警时间被测马铃薯的得分值,F4s为第4天预警时间被测马铃薯的得分值,Xs表示被测马铃薯的拟合参数集合。
7.根据权利要求1所述的一种利用特征三角形面积预警马铃薯发芽的方法,其特征在于:所述的特征值面积S具体采用以下公式计算:
其中,λA、λB和λC分别为极小值点A、极大值点C和交点B对应的波长值,RA、RB和RC分别为极小值点A、极大值点C和交点B对应的光谱均一化值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510745808.7A CN105424622B (zh) | 2015-11-05 | 2015-11-05 | 一种利用特征三角形面积预警马铃薯发芽的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510745808.7A CN105424622B (zh) | 2015-11-05 | 2015-11-05 | 一种利用特征三角形面积预警马铃薯发芽的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105424622A true CN105424622A (zh) | 2016-03-23 |
CN105424622B CN105424622B (zh) | 2018-01-30 |
Family
ID=55502973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510745808.7A Active CN105424622B (zh) | 2015-11-05 | 2015-11-05 | 一种利用特征三角形面积预警马铃薯发芽的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105424622B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018055357A1 (en) * | 2016-09-20 | 2018-03-29 | Institute Of Food Research | Spectroscopy method and system |
CN108344709A (zh) * | 2018-01-30 | 2018-07-31 | 中国农业机械化科学研究院 | 一种基于近红外光谱技术快速鉴别马铃薯发芽特性的方法 |
CN108535203A (zh) * | 2018-04-03 | 2018-09-14 | 金川集团股份有限公司 | 一种镍基溶液中糖精钠的导数分光光度检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999063057A1 (en) * | 1998-06-01 | 1999-12-09 | Weyerhaeuser Company | Methods for classification of somatic embryos |
EP2140749A1 (en) * | 2008-07-04 | 2010-01-06 | Aarhus Universitet Det Jordbrugsvidenskabelige Fakultet | Classification of seeds |
CN102612892A (zh) * | 2012-03-02 | 2012-08-01 | 北京农业信息技术研究中心 | 小麦麦穗发芽情况识别方法 |
CN103630498A (zh) * | 2013-11-12 | 2014-03-12 | 浙江大学 | 基于高光谱成像技术的脐橙表面农药残留量的检测方法 |
CN103636315A (zh) * | 2013-11-20 | 2014-03-19 | 华南理工大学 | 一种基于高光谱的种子发芽率在线检测装置及方法 |
-
2015
- 2015-11-05 CN CN201510745808.7A patent/CN105424622B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999063057A1 (en) * | 1998-06-01 | 1999-12-09 | Weyerhaeuser Company | Methods for classification of somatic embryos |
EP2140749A1 (en) * | 2008-07-04 | 2010-01-06 | Aarhus Universitet Det Jordbrugsvidenskabelige Fakultet | Classification of seeds |
CN102612892A (zh) * | 2012-03-02 | 2012-08-01 | 北京农业信息技术研究中心 | 小麦麦穗发芽情况识别方法 |
CN103630498A (zh) * | 2013-11-12 | 2014-03-12 | 浙江大学 | 基于高光谱成像技术的脐橙表面农药残留量的检测方法 |
CN103636315A (zh) * | 2013-11-20 | 2014-03-19 | 华南理工大学 | 一种基于高光谱的种子发芽率在线检测装置及方法 |
Non-Patent Citations (2)
Title |
---|
XIUQIN RAO.ET AL: "Classification of Korla Fragrant Pears Using NIR Hyperspectral Imaging Analysis", 《PROC SPIE》 * |
李美凌等: "基于高光谱图像的水稻种子活力检测技术研究", 《浙江农业学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018055357A1 (en) * | 2016-09-20 | 2018-03-29 | Institute Of Food Research | Spectroscopy method and system |
CN108344709A (zh) * | 2018-01-30 | 2018-07-31 | 中国农业机械化科学研究院 | 一种基于近红外光谱技术快速鉴别马铃薯发芽特性的方法 |
CN108535203A (zh) * | 2018-04-03 | 2018-09-14 | 金川集团股份有限公司 | 一种镍基溶液中糖精钠的导数分光光度检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105424622B (zh) | 2018-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vibhute et al. | Applications of image processing in agriculture: a survey | |
Zhou et al. | Diagnosis of winter-wheat water stress based on UAV-borne multispectral image texture and vegetation indices | |
CN105447494B (zh) | 基于多源多时相遥感影像数据的菜田监测方法 | |
Vaesen et al. | Ground-measured spectral signatures as indicators of ground cover and leaf area index: the case of paddy rice | |
CN105300895A (zh) | 一种利用特征点切线夹角预警马铃薯发芽缺陷的方法 | |
Garcia-Ruiz et al. | Sugar beet (Beta vulgaris L.) and thistle (Cirsium arvensis L.) discrimination based on field spectral data | |
Sun et al. | Monitoring maize canopy chlorophyll density under lodging stress based on UAV hyperspectral imagery | |
Rasti et al. | A survey of high resolution image processing techniques for cereal crop growth monitoring | |
CN110874617B (zh) | 一种冬小麦叶片氮含量估算模型的建立方法 | |
Zermas et al. | Automation solutions for the evaluation of plant health in corn fields | |
CN110189793A (zh) | 基于高光谱的小麦氮肥生理利用率估测模型构建及不同氮效率小麦品种分类 | |
CN105424622A (zh) | 一种利用特征三角形面积预警马铃薯发芽的方法 | |
CN105426585A (zh) | 一种基于正弦函数拟合法的马铃薯发芽预警方法 | |
Xuefeng et al. | Estimation of carbon and nitrogen contents in citrus canopy by low-altitude remote sensing | |
CN106568730A (zh) | 一种基于近地面高光谱影像的水稻阴阳叶穗识别方法 | |
CN109765190B (zh) | 一种利用高光谱成像技术识别稻田稗草的方法 | |
Wu et al. | Estimation of Nitrogen Content in Citrus Leaves Using Stacking Ensemble Learning | |
Ahmed et al. | Outdoor applications of hyperspectral imaging technology for monitoring agricultural crops: A review | |
CN105424623A (zh) | 一种利用特征三角形高度预警马铃薯发芽的方法 | |
VetriDeepika et al. | Enhancement of Precision Agriculture Using Hyperspectral Imaging | |
Yang et al. | Feature extraction of cotton plant height based on DSM difference method | |
Wang et al. | Extraction of Jujube Planting Areas in Sentinel-2 Image Based on NDVI Threshold—A case study of Ruoqiang County | |
Hassan et al. | Performance Enhancement in Agriculture Sector Based on Image Processing | |
CN113284098B (zh) | 作物氮含量缺乏分级判别的方法、装置及电子设备 | |
Chen et al. | Monitoring plastic-mulched farmland using Landsat-8 OLI imagery |
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 |