CN105426585B - 一种基于正弦函数拟合法的马铃薯发芽预警方法 - Google Patents
一种基于正弦函数拟合法的马铃薯发芽预警方法 Download PDFInfo
- Publication number
- CN105426585B CN105426585B CN201510745834.XA CN201510745834A CN105426585B CN 105426585 B CN105426585 B CN 105426585B CN 201510745834 A CN201510745834 A CN 201510745834A CN 105426585 B CN105426585 B CN 105426585B
- Authority
- CN
- China
- Prior art keywords
- potato
- fitting
- class
- early warning
- parameter
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Apparatuses For Bulk Treatment Of Fruits And Vegetables And Apparatuses For Preparing Feeds (AREA)
Abstract
本发明公开了一种基于正弦函数拟合法的马铃薯发芽预警方法。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,截取光谱数据,构建拟合函数分别对光谱数据进行拟合,获得各个拟合参数,对拟合参数进行分类,分别得到不同类别下的判别系数和判别常数,然后根据判别系数从中提取得到有效拟合参数,将被测马铃薯重复上述步骤得到其拟合参数,从中提取相同的拟合参数,并针对Ⅰ类和Ⅱ类分别进行计算比较获得预警结果。本发明可利用正弦函数拟合光谱数据,根据拟合参数分类马铃薯芽眼状态,简单快速,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,尤其是涉及了一种基于正弦函数拟合法的马铃薯发芽预警方法。
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。
对高光谱数据的降维主要采用连续投影算法提取优选特征波段。连续投影算法是一种前向循环的变量选择方法,能够有效消除各波长变量之间的线性相关影响,降低模型的复杂度,以其简便、快速的特点在光谱信息特征变量的优选中被广泛使用。由于SPA能够简化校正模型和缩短校正时间,在各类样品的光谱变量选择中得到越来越多的应用并取得了较好的效果。
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基于正弦函数拟合法的马铃薯发芽预警方法,根据感兴趣区域光谱拟合后得到的拟合参数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,提取发芽部位的光谱数据,按照预警时间的不同天数对光谱数据进行分类;
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)截取感兴趣区域所在波段600-750nm离散的光谱数据,构建拟合函数分别对具有相同预警时间的光谱数据进行拟合,获得该预警时间下的第一、第二、第三拟合参数aj、bj、cj,j为累加参数的计算序数;
所述步骤3)中具体采用以下公式的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)对拟合参数进行分类:分类不同预警时间下的的第一、第二、第三拟合参数aj、bj、cj,将预警时间k>3的拟合参数归为Ⅰ类,将预警时间k≤3的拟合参数归为Ⅱ类。
按照市场规律,当预警时间k>3时,即马铃薯在未来三天内不会发芽,适合市场流通,将k>3情况下的拟合参数归为Ⅰ类,而k≤3情况下的拟合参数归为Ⅱ类。因此本发明将预警时间k>3的拟合参数归为Ⅰ类,将预警时间k≤3的拟合参数归为Ⅱ类。
5)对Ⅰ类和Ⅱ类的第一、第二、第三拟合参数aj、bj、cj进行判别分析,分别得到各个拟合参数各自对应的判别系数pk和以及拟合参数类别对应的判别常数qk,然后根据判别系数pk从中提取得到有效拟合参数进行后续马铃薯检测预警。
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Ⅰ类和Ⅱ类的第一、第二、第三拟合参数aj、bj、cj进行计算处理:
F1=p1×X+q1
F2=p2×X+q2
其中,F1为Ⅰ类拟合参数所对应马铃薯的得分值,F2为Ⅱ类拟合参数所对应马铃薯的得分值,X表示有效的拟合参数集合,p1为Ⅰ类的判别系数集合,p2为Ⅱ类的判别系数集合,q1为Ⅰ类拟合参数对应的判别常数,q2为Ⅱ类拟合参数对应的判别常数;
计算得到判别系数pk为零的拟合参数为无效的拟合参数,因此提取判别系数pk不为零的拟合参数即为有效的拟合参数。
6)预警方法:将被测马铃薯重复上述步骤1)~4)得到所有其拟合参数,从中提取与步骤5)中有效拟合参数相同的拟合参数,并针对Ⅰ类和Ⅱ类分别进行计算比较获得预警结果。
所述步骤6)中针对Ⅰ类和Ⅱ类分别进行计算比较获得预警结果具体采用以下方式:将被测马铃薯提取得到的拟合参数代入以下公式中,分别别计算Ⅰ类和Ⅱ类所对应的Fks:
F1s=p1×Xs+q1
F2s=p2×Xs+q2
其中,F1s为Ⅰ类拟合参数所对应马铃薯的得分值,F2s为Ⅱ类拟合参数所对应马铃薯的得分值,Xs表示被测马铃薯的拟合参数集合,p1为步骤5)得到的判别系数集合p1,p2为步骤5)得到的判别系数集合p2,q1为步骤5)得到的样本马铃薯的判别常数q1,q2为步骤5)得到的样本马铃薯的判别常数q2。
当F1s>F2s值时,被测马铃薯属于Ⅰ类马铃薯,三天内不会发芽;当F1s<F2s值时,被测马铃薯属于Ⅱ类马铃薯,三天内会发芽,应及时处理。
本发明方法主要是通过每天采集马铃薯发芽前后的高光谱数据,统计每个芽眼的发芽情况。提取芽眼部位的正方形区域,以600-750nm的波长值为横坐标,相应的芽眼光谱值为纵坐标,得出不同预警时间的马铃薯光谱离散点,对光谱离散点进行正弦函数拟合,利用拟合后得到的参数作为变量构建判别函数,实现对马铃薯发芽情况的预警。
本发明的有益效果是:
本发明可利用正弦函数拟合光谱数据,根据拟合参数分类马铃薯芽眼状态,进而实现马铃薯发芽预警,本发明简单快速,能够减少流通过程中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是本发明马铃薯固定情况实物图。
图3是实施例提取后的马铃薯芽眼部位感兴趣区域。
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。
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,统计并归类各个芽眼的预警时间。提取芽眼部位边长为9个像素点的正方形区域,以600-750nm的波长值为横坐标,相应的芽眼光谱值为纵坐标,得出不同预警时间的马铃薯光谱离散点,对光谱离散点进行正弦函数拟合,利用拟合后得到的参数作为变量构建判别函数,实现对马铃薯发芽情况的预警。
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。
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:
利用评价拟合程度的均方根误差RMSE确定n的值,如表1所示,当n为5时,光谱数据拟合的程度最高。同时,利用Matlab中nlinfit函数求出公式(1)中的拟合参数aj、bj、cj(j=1,2,3,4,5)。
表1拟合函数n值与RMSE的关系
n | 2 | 3 | 4 | 5 | 6 | 7 |
RMSE | 0.0603 | 0.0258 | 0.0187 | 0.0049 | 0.0058 | 0.0057 |
汇总不同预警时间下的aj、bj、cj等15个拟合参数。按照市场规律,当预警时间k>3时,即马铃薯在未来三天内不会发芽,适合市场流通。将k>3情况下的拟合参数归为Ⅰ类,而k≤3情况下的拟合参数归为Ⅱ类。本发明中,Ⅰ、Ⅱ类个数如表2所示。
表2 Ⅰ、Ⅱ类情况下所统计芽眼部位的个数
发芽情况 | Ⅰ类 | Ⅱ类 |
样本数量 | 322 | 59 |
判别分析:利用SPSS提供的费歇尔判别系数判别方法对Ⅰ、Ⅱ类的aj、bj、cj等拟合参数进行分类。通过处理结果中的费歇尔判别函数系数表,如表3所示,建立判别函数。
表3费歇尔判别函数系数表
由此计算公式如下:
F1=425.505b1+7.545a2+10.5a3+5.847a4-2.237
F2=888.855b1+26.714a2+23.642a3+9.772a4-10.602
马铃薯发芽情况预警:利用得到的判别函数进行预警。将新样本的有效拟合参数代入公式(3)中,分别计算判别系数pk和判别系数qk所对应的Fks。
当F1s>F2s值时,新样本属于Ⅰ类马铃薯,三天内不会发芽。
当F1s<F2s值时,新样本属于Ⅱ类马铃薯,三天内会发芽,应及时处理。
经检验,取Ⅰ类马铃薯322个样本,Ⅱ类马铃薯59个样本,预警结果如表4所示,对其中92.1%的样本进行了正确分类。
表4马铃薯预警结果
最终可见本发明实施例利用正弦函数拟合光谱数据,根据拟合参数分类马铃薯芽眼状态,简单快速,能够减少流通过程中马铃薯发芽造成的损失。
Claims (3)
1.一种基于正弦函数拟合法的马铃薯发芽预警方法,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,提取发芽部位的光谱数据,按照预警时间的不同天数对光谱数据进行分类;
3)截取感兴趣区域所在波段600-750nm离散的光谱数据,构建拟合函数分别对具有相同预警时间的光谱数据进行拟合,获得该预警时间下的第一、第二、第三拟合参数aj、bj、cj;
4)对拟合参数进行分类:分类不同预警时间下的第一、第二、第三拟合参数aj、bj、cj,将预警时间k>3的拟合参数归为I类,将预警时间k≤3的拟合参数归为II类;
5)对I类和II类的第一、第二、第三拟合参数aj、bj、cj进行处理计算,分别得到两类样本的拟合参数各自所对应的判别系数pk以及两类样本各自的判别常数qk,然后根据判别系数pk从中提取得到有效拟合参数,以作为后续被测马铃薯检测预警的处理参数;
6)将被测马铃薯重复上述步骤1)~4)得到所有其拟合参数,从中提取与步骤5)中有效拟合参数相同的拟合参数,并针对I类和II类分别进行计算比较获得预警结果,实现对马铃薯发芽的预警;
所述步骤3)中具体采用以下公式的拟合函数对光谱数据进行拟合:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>5</mn>
</mrow>
</munderover>
<msub>
<mi>a</mi>
<mi>j</mi>
</msub>
<mo>&times;</mo>
<mi>sin</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mo>&times;</mo>
<mi>x</mi>
<mo>+</mo>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
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;
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I类和II类的第一、第二、第三拟合参数aj、bj、cj进行判别分析:
F1=p1×X+q1
F2=p2×X+q2
其中,F1为I类拟合参数所对应马铃薯的得分值,F2为II类拟合参数所对应马铃薯的得分值,X表示有效拟合参数集合,p1为I类的判别系数集合,p2为II类的判别系数集合,q1为I类拟合参数对应的判别常数,q2为II类拟合参数对应的判别常数;
所述步骤6)中针对I类和II类分别进行计算比较获得预警结果具体采用以下方式:
将被测马铃薯提取得到的拟合参数代入以下公式中,分别计算I类和II类所对应的得分值Fks:
F1s=p1×Xs+q1
F2s=p2×Xs+q2
其中,F1s为I类拟合参数所对应马铃薯的得分值,F2s为II类拟合参数所对应马铃薯的得分值,Xs表示被测马铃薯的拟合参数集合,p1为步骤5)得到的判别系数集合p1,p2为步骤5)得到的判别系数集合p2,q1为步骤5)得到的样本马铃薯的判别常数q1,q2为步骤5)得到的样本马铃薯的判别常数q2;
当F1s>F2s值时,被测马铃薯属于I类马铃薯,三天内不会发芽;当F1s<F2s值时,被测马铃薯属于II类马铃薯,三天内会发芽,应及时处理。
2.根据权利要求1所述的一种基于正弦函数拟合法的马铃薯发芽预警方法,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所述的一种基于正弦函数拟合法的马铃薯发芽预警方法,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510745834.XA CN105426585B (zh) | 2015-11-05 | 2015-11-05 | 一种基于正弦函数拟合法的马铃薯发芽预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510745834.XA CN105426585B (zh) | 2015-11-05 | 2015-11-05 | 一种基于正弦函数拟合法的马铃薯发芽预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105426585A CN105426585A (zh) | 2016-03-23 |
CN105426585B true CN105426585B (zh) | 2018-03-16 |
Family
ID=55504794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510745834.XA Active CN105426585B (zh) | 2015-11-05 | 2015-11-05 | 一种基于正弦函数拟合法的马铃薯发芽预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105426585B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106603068A (zh) * | 2016-12-09 | 2017-04-26 | 电子科技大学 | 一种晶体振荡器的温度补偿系统 |
CN108009550B (zh) * | 2017-11-09 | 2021-01-22 | 深圳大学 | 基于光谱曲线拟合的高光谱图像特征检测方法及装置 |
CN110954144B (zh) * | 2019-12-17 | 2021-06-11 | 中国空气动力研究与发展中心超高速空气动力研究所 | 光纤fp传感器的全光谱信号拟合解调方法及装置 |
CN114428063B (zh) * | 2022-04-01 | 2022-08-12 | 合肥金星智控科技股份有限公司 | 污染层光谱数据识别方法、装置、电子设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2140749A1 (en) * | 2008-07-04 | 2010-01-06 | Aarhus Universitet Det Jordbrugsvidenskabelige Fakultet | Classification of seeds |
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 |
CN104941922A (zh) * | 2015-06-25 | 2015-09-30 | 浙江大学 | 基于机器视觉技术的马铃薯分级控制方法及装置 |
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 CN201510745834.XA patent/CN105426585B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2140749A1 (en) * | 2008-07-04 | 2010-01-06 | Aarhus Universitet Det Jordbrugsvidenskabelige Fakultet | Classification of seeds |
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 |
CN104941922A (zh) * | 2015-06-25 | 2015-09-30 | 浙江大学 | 基于机器视觉技术的马铃薯分级控制方法及装置 |
Non-Patent Citations (2)
Title |
---|
The potential use of visible/near infrared spectroscopy and hyperspectral imaging to predict processing-related constituents of potatoes;Ahmed M.Rady等;《Jouranal of Food Engineering》;20140514;第135卷;第11-25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(农业与生命科学版)》;20131205;第40卷(第2期);第188-196页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105426585A (zh) | 2016-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rehman et al. | Current and future applications of statistical machine learning algorithms for agricultural machine vision systems | |
Momin et al. | Geometry-based mass grading of mango fruits using image processing | |
Mahendran et al. | Application of computer vision technique on sorting and grading of fruits and vegetables | |
Zhang et al. | Influence of physical and biological variability and solution methods in fruit and vegetable quality nondestructive inspection by using imaging and near-infrared spectroscopy techniques: A review | |
Zhou et al. | Diagnosis of winter-wheat water stress based on UAV-borne multispectral image texture and vegetation indices | |
US11454594B2 (en) | Method for identifying frostbite condition of grain seeds using spectral feature wavebands of seed embryo hyperspectral images | |
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 | |
Cubero et al. | Advances in machine vision applications for automatic inspection and quality evaluation of fruits and vegetables | |
Zareiforoush et al. | Potential applications of computer vision in quality inspection of rice: a review | |
CN105426585B (zh) | 一种基于正弦函数拟合法的马铃薯发芽预警方法 | |
CN109255757B (zh) | 一种机器视觉自然放置葡萄串果梗区域分割方法 | |
CN109916838B (zh) | 一种水稻种子发芽能力的检测方法 | |
CN106525732B (zh) | 基于高光谱成像技术的苹果内外品质快速无损检测方法 | |
Barbedo | A review on the combination of deep learning techniques with proximal hyperspectral images in agriculture | |
CN102612892B (zh) | 小麦麦穗发芽情况识别方法 | |
Samanta et al. | Scab diseases detection of potato using image processing | |
Wouters et al. | Multispectral detection of floral buds for automated thinning of pear | |
US20220252568A1 (en) | Means and methods for scoring vegetables and fruits | |
CN115170958A (zh) | 采用多光谱图像傅里叶变换的大豆冠层萎蔫度计算方法 | |
CN114199880A (zh) | 一种基于边缘计算的柑橘病虫害实时检测方法 | |
Torres et al. | Setting up a methodology to distinguish between green oranges and leaves using hyperspectral imaging | |
CN105424622B (zh) | 一种利用特征三角形面积预警马铃薯发芽的方法 | |
Zhao et al. | Early detection of aphid (Myzus persicae) infestation on Chinese cabbage by hyperspectral imaging and feature extraction | |
CN109765190B (zh) | 一种利用高光谱成像技术识别稻田稗草的方法 | |
Singh et al. | A novel algorithm for segmentation of diseased apple leaf images |
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 |