CN105424623B - 一种利用特征三角形高度预警马铃薯发芽的方法 - Google Patents
一种利用特征三角形高度预警马铃薯发芽的方法 Download PDFInfo
- Publication number
- CN105424623B CN105424623B CN201510750772.1A CN201510750772A CN105424623B CN 105424623 B CN105424623 B CN 105424623B CN 201510750772 A CN201510750772 A CN 201510750772A CN 105424623 B CN105424623 B CN 105424623B
- Authority
- CN
- China
- Prior art keywords
- potato
- value
- warning
- warning time
- height
- 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
- 235000002595 Solanum tuberosum Nutrition 0.000 title claims abstract description 117
- 244000061456 Solanum tuberosum Species 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000001228 spectrum Methods 0.000 claims abstract description 38
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000004088 simulation Methods 0.000 claims abstract description 7
- 238000009795 derivation Methods 0.000 claims abstract description 3
- 230000035784 germination Effects 0.000 claims description 29
- 238000000265 homogenisation Methods 0.000 claims description 6
- 239000011087 paperboard Substances 0.000 claims description 5
- 241001269238 Data Species 0.000 claims description 2
- 230000004069 differentiation Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 235000013339 cereals Nutrition 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- RXVGBQCEAQZMLW-UHFFFAOYSA-N alpha-solanine Natural products CC1CCC2C(C)C3C(CC4C5CC=C6CC(CCC6(C)C5CCC34C)OC7OC(CO)C(O)C(OC8OC(CO)C(O)C(O)C8O)C7OC9OC(CO)C(O)C(O)C9O)N2C1 RXVGBQCEAQZMLW-UHFFFAOYSA-N 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- ZGVSETXHNHBTRK-OTYSSXIJSA-N solanine Chemical compound O([C@H]1[C@@H](O)[C@@H](CO)O[C@H]([C@@H]1O[C@@H]1[C@@H]([C@H](O)[C@@H](O)[C@H](C)O1)O)O[C@@H]1CC2=CC[C@H]3[C@@H]4C[C@@H]5N6C[C@@H](C)CC[C@@H]6[C@H]([C@@H]5[C@@]4(C)CC[C@@H]3[C@@]2(C)CC1)C)[C@@H]1O[C@H](CO)[C@@H](O)[C@H](O)[C@H]1O ZGVSETXHNHBTRK-OTYSSXIJSA-N 0.000 description 2
- 229940031352 solanine Drugs 0.000 description 2
- 241000209128 Bambusa Species 0.000 description 1
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 208000001034 Frostbite Diseases 0.000 description 1
- 244000017020 Ipomoea batatas Species 0.000 description 1
- 235000002678 Ipomoea batatas Nutrition 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 206010039509 Scab Diseases 0.000 description 1
- 239000003242 anti bacterial agent Substances 0.000 description 1
- 229940088710 antibiotic agent Drugs 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000007096 poisonous effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种利用特征三角形高度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垂直高度作为特征值，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，提高检测效率，减少流通过程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高度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，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一种利用特征三角形高度预警马铃薯发芽的方法，根据特征值高度H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ΔABC，记交点B(λB,RB)到边AC的垂直距离为特征值高度H；
所述的特征值高度H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高度H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高度H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高度H的集合，pk为第k天预警时间样本马铃薯的特征值高度H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)得到所有特征值高度H，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)中所有特征值高度H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高度H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ΔABC，记交点B(λB,RB)到边AC的距离为特征三角形的高度H，以高度H作为特征值，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)的特征值高度H。
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)的特征值高度H。
图10是马铃薯芽眼部位预警时间为2(day2)的特征值高度H。
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ΔABC，记交点B(λB,RB)到边AC的距离为特征三角形的高度H，以高度H作为特征值，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)的特征值高度H。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，利用第i个马铃薯样本(667.92,RAi)，B(678.03,RBi)，C(688.16,RCi)算出其特征值H。(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)的特征值高度H。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，利用第i个马铃薯样本(667.92,RAi)，B(678.03,RBi)，C(688.16,RCi)算出其特征值H。(i＝1,2,3…118)
图10所示为马铃薯芽眼部位预警时间为2(day2)的特征值高度H。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，利用第i个马铃薯样本(667.92,RAi)，B(678.03,RBi)，C(688.16,RCi)算出其特征值H。(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H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＝2.715X-8.383
F1＝1.071X-2.664
F2＝1.234X-3.009
F3＝1.042X-2.608
F4＝1.422X-3.468
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H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86.8％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 (6)
1.一种利用特征三角形高度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，记交点B到边AC的垂直距离为特征值高度H；
所述步骤4)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)对不同预警时间的感兴趣区域的特征值高度H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)得到相应的特征值高度H，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高度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高度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高度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高度H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高度H的集合，pk为第k天预警时间样本马铃薯的特征值高度H对应的判别系数集合，qk为判别常数。
5.根据权利要求1所述的一种利用特征三角形高度预警马铃薯发芽的方法，其特征在于：所述步骤6)中所有特征值高度H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高度H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。
6.根据权利要求1所述的一种利用特征三角形高度预警马铃薯发芽的方法，其特征在于：所述的特征值高度H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 |
|---|---|---|---|
| CN201510750772.1A CN105424623B (zh) | 2015-11-05 | 2015-11-05 | 一种利用特征三角形高度预警马铃薯发芽的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510750772.1A CN105424623B (zh) | 2015-11-05 | 2015-11-05 | 一种利用特征三角形高度预警马铃薯发芽的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105424623A CN105424623A (zh) | 2016-03-23 |
| CN105424623B true CN105424623B (zh) | 2017-12-12 |
Family
ID=55502974
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510750772.1A Active CN105424623B (zh) | 2015-11-05 | 2015-11-05 | 一种利用特征三角形高度预警马铃薯发芽的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105424623B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN104597052A (zh) * | 2015-02-09 | 2015-05-06 | 淮阴工学院 | 基于多特征融合的马铃薯高速无损分级检测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5021293B2 (ja) * | 2006-12-29 | 2012-09-05 | 株式会社パスコ | 作物の生育状況分析方法、作物の生育状況分析装置及び作物の生育状況分析プログラム |
-
2015
- 2015-11-05 CN CN201510750772.1A patent/CN105424623B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN104597052A (zh) * | 2015-02-09 | 2015-05-06 | 淮阴工学院 | 基于多特征融合的马铃薯高速无损分级检测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| Automatic detection of common surface defects on oranges using combined lighting transform and image ratio methods;Jiangbo Li.et al;《Postharvest Biology and Technology》;20131231;第82卷;第59-69页 * |
| 高光谱图像技术结合图像处理方法检测马铃薯外部缺陷;苏文浩等;《浙江大学学报》;20130830;第40卷(第2期);第188-196页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105424623A (zh) | 2016-03-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mahendran et al. | Application of computer vision technique on sorting and grading of fruits and vegetables | |
| Zhou et al. | Diagnosis of winter-wheat water stress based on UAV-borne multispectral image texture and vegetation indices | |
| Gomes et al. | Applications of computer vision techniques in the agriculture and food industry: a review | |
| Vibhute et al. | Applications of image processing in agriculture: a survey | |
| Khoje et al. | Automated skin defect identification system for fruit grading based on discrete curvelet transform | |
| CN105300895B (zh) | 一种利用特征点切线夹角预警马铃薯发芽缺陷的方法 | |
| CN102612892B (zh) | 小麦麦穗发芽情况识别方法 | |
| CN107314990B (zh) | 一种春玉米遥感识别方法 | |
| CN114112932B (zh) | 基于深度学习的油茶果成熟度高光谱检测方法及分选设备 | |
| CN112287886B (zh) | 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法 | |
| CN110874617A (zh) | 一种冬小麦叶片氮含量估算模型的建立方法 | |
| CN111462223A (zh) | 基于Sentinel-2影像的江淮地区大豆和玉米种植面积识别方法 | |
| Koszela et al. | Computer image analysis in the quality in procedure for selected carrot varieties | |
| CN105424622B (zh) | 一种利用特征三角形面积预警马铃薯发芽的方法 | |
| CN114612794B (zh) | 一种细碎化农业区土地覆被与种植结构的遥感识别方法 | |
| CN114092839B (zh) | 基于无人机遥感的大豆收获期成熟度的判断方法 | |
| CN105426585B (zh) | 一种基于正弦函数拟合法的马铃薯发芽预警方法 | |
| Tamayo-Monsalve et al. | Coffee maturity classification using convolutional neural networks and transfer learning | |
| Sola-Guirado et al. | A smart system for the automatic evaluation of green olives visual quality in the field | |
| Zhao et al. | Early detection of aphid (Myzus persicae) infestation on Chinese cabbage by hyperspectral imaging and feature extraction | |
| CN114965346A (zh) | 基于深度学习和高光谱成像技术的猕猴桃品质检测方法 | |
| Aviso et al. | Age factor identification of tomato using labview via image processing | |
| CN105424623B (zh) | 一种利用特征三角形高度预警马铃薯发芽的方法 | |
| CN113989668B (zh) | 一种基于时间序列特征的遥感农作物自动分类方法 | |
| CN110882948A (zh) | 一种柚子品质分类方法与装置 |
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 |