CN106404779B - 基于形态分析的玉米种子纯度辅助检测的方法 - Google Patents
基于形态分析的玉米种子纯度辅助检测的方法 Download PDFInfo
- Publication number
- CN106404779B CN106404779B CN201610763656.8A CN201610763656A CN106404779B CN 106404779 B CN106404779 B CN 106404779B CN 201610763656 A CN201610763656 A CN 201610763656A CN 106404779 B CN106404779 B CN 106404779B
- Authority
- CN
- China
- Prior art keywords
- seed
- sample
- distance
- purity
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 240000008042 Zea mays Species 0.000 title claims abstract description 29
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 29
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 27
- 235000005822 corn Nutrition 0.000 title claims abstract description 27
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- 238000004458 analytical method Methods 0.000 title claims abstract description 10
- 238000012937 correction Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000011017 operating method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 abstract description 4
- 235000013339 cereals Nutrition 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000009973 maize Nutrition 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000029052 metamorphosis Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
Landscapes
- Physics & Mathematics (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)
- Image Analysis (AREA)
Abstract
本发明的目的在于提供一种基于形态分析的玉米种子纯度辅助检测的方法,其解决问题的技术方案是:通过一定数量的样品采集,得到样品的形态均值;各样品形态与均值比较,根据距离值的大小判断样品形态差距,本发明适用范围广,包衣种子颜色统一,很容易找到与其颜色差别较大的背景,从而进行图像采集;检测手段简单,通过形态特征均值与各个种子形态特征值的比较,能够快速分拣样品中的形状异常种子,加快判别的速度,提高判别的准确度。
Description
发明领域
本发明是涉及玉米种子纯度辅助检测的方法,尤其涉及一种计算机辅助计算下基于形态分析的玉米种子纯度辅助检测方法。
玉米是全世界最主要的农作物之一,不仅可以食用、用作饲料,还可以制药、用作工业原料。玉米种子品质是影响玉米生产的重要因素,纯度是衡量种子品质的主要指标。检测玉米种子纯度的方法有籽粒形态鉴定法、幼苗鉴定法、田间小区种植鉴定法、生化指纹图谱鉴定法、DNA指纹图谱鉴定法等,农民在购买玉米种子时,主要依靠籽粒形态鉴定法。实施籽粒形态鉴定法需要观测玉米种子的颜色和形状特征,目前种子包衣技术应用普遍,市场上的玉米种子多为包衣种子,无法观测到种子实际的颜色特征,只能根据形状特征判别种子品质。实施籽粒形态鉴定法的效果在很大程度上取决于操作者自身的经验和水平,如果开发运行于手机的纯度鉴别软件,将有助于农民购买玉米种子。
现有技术中,存在基于机器视觉的玉米种子纯度智能检测研究,如:解明伟《玉米种子纯度鉴定方法比较》农业科技与装备,2013(4):63-64;曹维时《基于小波变换和人工神经网络的玉米种子纯度识别》山东农业大学,2014;刘双喜,王盼,张春庆,等《基于优化DBSCAN算法的玉米种子纯度识别》农业机械学报,2012,43(4):188-192,但基本上都是依据种子的颜色特征,不适合包衣种子。
同时,生物体的形态具有天然的对称性,沿对称轴进行形态分析,有助于识别不正常的生物体。在分析玉米种子形状特征前,先计算图像中种子的对称轴,然后将图像旋转至对称轴位于垂直位置。计算目标对称轴的常用方法是惯性主轴法(二阶中心距法),但是对玉米种子测试后发现效果并不好。
发明内容
针对现有技术中的缺陷,本发明的目的在于提供一种基于形态分析的玉米种子纯度辅助检测的方法,其适用范围广,检测手段简单,能够加快判别的速度,提高判别的准确度。
所述的一种基于形态分析的玉米种子纯度辅助检测的方法,其解决问题的技术方案是:通过一定数量的样品采集,得到样品的形态均值;各样品形态与均值比较,根据距离值的大小判断样品形态差距,具体的操作步骤是:
a)样品采集:随机取一定数量的样品,将各种子按尖端向上、顶部向下的方位放置,进行图像采集。
b)图像预处理:样品与背景存在较为明显的颜色差异,根据颜色特征进行图像分割,将样品变成白色、背景变成黑色,并进一步确定各样品所在的区域M。
c)方位校正:采用基于样品的区域M的形心和样品尖端特征点的对称轴计算方法,实现方位校正。
d)特征提取:通过b环节对样品形态观察,采集面积、纵横比、偏心度以及三个矩形度参数描述样品形态特征。
e)对特征数据的处理:对d环节采集到的样本特征数据进行标准化处理得到均值,消除量纲差异。
f)结论:样本距e环节得出的均值的距离的大小直接反应了此样品的形态差异度的大小,侧面反应样品纯度。
本发明的有益效果是:本发明适用范围广,包衣种子颜色统一,很容易找到与其颜色差别较大的背景,从而进行图像采集;检测手段简单,通过形态特征均值与各个种子形态特征值的比较,能够快速分拣样品中的形状异常种子,加快判别的速度,提高判别的准确度。
附图说明
图1为单粒样品示意图。
图2为校正后样品示意图。
图3为邵单8号为样品经过图像预处理后示意图。
图4为郑单958为样品经过图像预处理后示意图。
具体实施方式
取包衣种子20粒放置在颜色差别较大的背景上,扫描仪一部,均在matlab环境下实现。
所述的一种基于形态分析的包衣玉米种子纯度辅助检测的方法,其解决问题的技术方案是:通过一定数量的包衣种子采集,得到包衣种子的形态特征均值;各包衣种子与均值比较,根据距离值的大小判断包衣种子形态差距,具体的操作步骤是:a)样品采集:随机取一定数量的包衣种子,将各种子按尖端向上、顶部向下的方位放置,进行图像采集。
b)图像预处理:包衣种子与背景存在较为明显的颜色差异,根据颜色特征进行图像分割,将包衣种子变成白色、背景变成黑色,并进一步确定各粒包衣种子所在的区域M。
包衣种子具有一定的颜色,可以采用相应的电脑软件对包衣种子及背景图片的颜色进行替换,提高图像分割效果,如开发智能移动终端设备可采用图像相减的方法。
c)方位校正:采用基于样品的区域M的形心和包衣种子尖端特征点的对称轴计算方法,实现方位校正。
d)特征提取:通过对b环节中的包衣种子形态观察,采集面积、纵横比、偏心度以及三个矩形度参数描述包衣种子形态特征。
e)对特征数据的处理:对d环节采集到的包衣种子特征数据进行标准化处理得到均值,消除量纲差异。
f)结论:样本距e环节得出的均值的距离的大小直接反应了此包衣种子的形态差异度的大小,间接反应种子纯度。
其中,a环节样品采集环节中的图像采集利用扫描仪扫描,也可以采用摄像头采集,如手持式摄像设备,手机,摄像机等。
其中,b环节图像预处理环节中图像分割的方法为现有技术,指的是根据灰度、颜色、纹理和形状等特征把图像划分成若干互不交迭的区域,并使这些特征在同一区域内呈现出相似性,而在不同区域间呈现出明显的差异性。郑小东,刘宁,赵中堂《玉米包衣种子图像预处理技术》福建电脑,2016(4):24-25,63中对其应用有具体的描述;区域M为包衣种子在图像中形成的白色区域。
其中,c环节中方位校正环节采用的方法:
C1)计算种子所在区域M的形心。
具体方法是:建坐标:形心位置:(Xc,Yc)
C2)采用轮廓跟踪算法获取种子各轮廓点,在matlab环境下获取包衣种子图像的轮廓图形。
C3)计算形心所在水平线上各轮廓点到形心的距离。
C4)利用移动平均法对距离数据进行平滑。
移动平均法是根据时间序列,逐项推移,依次计算包含一定项数的序时平均数,以此进行预测的方法。移动平均法包括一次移动平均法、加权移动平均法和二次移动平均法。是一种常见的现有技术,Philipp K.Janert著《数据之魅:基于开源工具的数据分析》黄权等译.北京:清华大学出版社,2012.85-86,本书中有详细的记载。
C5)取平滑后的极大值点作为顶端特征点,该点与形心的连线即为对称轴所在直线,移动图像至对称轴所在直线竖直。
其中,在d环节中,尽管生物具有形态多样性,根据形态特征鉴别玉米种子纯度,应重点关注种子的整体形态特征,局部的形态变化应尽量淡化。
d1)面积s:图像中构成包衣种子的像素数量为面积,该参数描述种子的大小。
d2)纵横比zhb:图像中包衣种子高与宽的比值为纵横比,该参数描述种子的细长程度。
d3)偏心度pxd:形心将高分为上下两部分,两部分的比值为偏心度,该参数描述种子垂直方向对称程度。
d4)三个矩形度:经过形心的水平线将包衣种子及其外接矩形分别分成上下两部分,上半部分包衣种子与上半部分外接矩形面积之比为矩形度参数jxd1,下半部分包衣种子与下半部分外接矩形面积之比为矩形度参数jxd2,包衣种子面积与外接矩形面积之比为矩形度参数jxd3。jxd1描述包衣种子的尖锐程度,jxd2描述种子顶端棱角情况,jxd3描述包衣种子形状接近矩形的程度。
e)对特征数据的处理步骤如下:
e1)设样本特征数据为X,依据式(2)对X进行标准化处理,以消除量纲差异。其中为特征参数均值,Sk为标准差:
e2)计算各种子新特征数据到样本均值的距离D。实际上在数据标准化处理后,各参数样本均值为0,方差为1,距离计算如式(3)所示。
实施例1:取邵单8号的包衣种子20粒,作为样品。
a)样品采集:如图3所示,随机取20粒的样品,将各种子按尖端向上、顶部向下的方位放置,进行图像采集。
在Matlab环境下编程实现下述步骤:b)图像预处理:样品与背景存在较为明显的颜色差异,根据颜色特征进行图像分割,将样品变成白色、背景变成黑色,并进一步确定各样品所在的区域M,如图1所示。
c)方位校正:如图2所示,采用基于样品的区域M的形心和样品尖端特征点的对称轴计算方法,实现方位校正。
d)通过对样品形态观察,采集面积、纵横比、偏心度以及三个矩形度参数描述样品形态特征。
e)对特征数据的处理:对d环节采集到的样本特征数据进行标准化处理得到均值,消除量纲差异。
得出的结果是:
表I:20粒样品数据图(距离D按升序排列)
s | zhb | pxd | jxd1 | jxd2 | jxd3 | D |
5052 | 1.274 | 1.146 | 0.669 | 0.831 | 0.744 | 0.422 |
4690 | 1.304 | 1.195 | 0.686 | 0.838 | 0.755 | 1.084 |
4782 | 1.353 | 1.142 | 0.707 | 0.829 | 0.764 | 1.247 |
4875 | 1.296 | 1.124 | 0.703 | 0.796 | 0.746 | 1.320 |
4853 | 1.189 | 1.209 | 0.669 | 0.836 | 0.745 | 1.402 |
5245 | 1.197 | 1.117 | 0.711 | 0.811 | 0.758 | 1.444 |
5475 | 1.190 | 1.179 | 0.651 | 0.840 | 0.737 | 1.615 |
4539 | 1.265 | 1.124 | 0.728 | 0.832 | 0.776 | 1.719 |
5438 | 1.208 | 1.096 | 0.714 | 0.810 | 0.759 | 1.770 |
5837 | 1.228 | 1.179 | 0.699 | 0.834 | 0.762 | 1.815 |
5230 | 1.389 | 1.182 | 0.636 | 0.832 | 0.726 | 1.849 |
5433 | 1.316 | 1.178 | 0.633 | 0.811 | 0.715 | 1.945 |
3994 | 1.266 | 1.114 | 0.714 | 0.835 | 0.770 | 2.224 |
5900 | 1.316 | 1.157 | 0.718 | 0.845 | 0.776 | 2.272 |
5726 | 1.289 | 1.072 | 0.743 | 0.797 | 0.769 | 2.639 |
4386 | 1.151 | 1.272 | 0.617 | 0.840 | 0.715 | 3.213 |
4266 | 1.358 | 1.223 | 0.585 | 0.839 | 0.700 | 3.312 |
4869 | 1.516 | 1.120 | 0.712 | 0.864 | 0.784 | 3.396 |
4149 | 1.294 | 1.248 | 0.574 | 0.844 | 0.693 | 3.734 |
4901 | 1.091 | 1.037 | 0.777 | 0.737 | 0.758 | 4.718 |
f)结论:如图3与表I对应,可知样本距e环节得出的均值的距离D的大小直接反应了此样品的形态差异度的大小。
根据步骤e得到的距离D值确定玉米种子纯度:距离D值在[0,1]、[1,2]、[2,3]的区间范围内,落入区间的数量越多,纯度越高。
具体的,表I中的参数分别有:面积s、纵横比zhb、偏心度pxd、形度参数jxd1、jxd2和jxd3,如第一颗种子,与最后一排倒数第2颗种子,如表II所述,其数据为:
表II:形态差异度的单体比较。
可以明确的是:数据面积s、纵横比zhb、偏心度pxd、形度参数jxd1、jxd2和jxd3其变化范围不大,外观形态比较相近的种子,数据变化很小,无法直观的反应差异度,也就是说单个特征参数的数据不具备统计规律,没有逐一描述的意义和价值。但是,多个特征参数形成的距离D直接反映种子形体的变异,在距离的数据中,因为测量的是单个种子与整体的关系,所以可以更好的判断种子纯度。
而对于距离D变化明显,可以通过统计在同一个范围内的距离D的值,确定本批次种子的纯度,如表III所述:
表III:距离D的统计
通过表III可以明确的得出样品种子中,形态差异度距离D集中分布在[1,2]的区间,但是分为5个区间,区间越多说明样品的形态特征差异过大,纯度越低。
通过图1,2及表I、表II和表III观察,以本领域技术人员的经验可以确认合个种子的形态特征,选取距离D落入[0,1]、[1,2]、[2,3]区间的种子作为合格种子;形态差异过大的落入[3,4]、[4,5]及类推以后的区间作为不合格种子。
则种子纯度为:
本实施例下,本批次种子纯度为:
实施例2:仅输出距离D的情况:如图4取郑单958共20粒,按照与实施例1所述方法一致的流程,测得数据如下:
表IV:按距离D升序排列
1.045 | 1.153 | 1.173 | 1.375 | 1.616 |
1.728 | 1.998 | 2.088 | 2.149 | 2.270 |
2.329 | 2.373 | 2.579 | 2.581 | 2.641 |
2.910 | 2.929 | 3.275 | 3.341 | 3.783 |
表V:距离D区间排列
距离D | [1,2] | [2,3] | [3,4] |
数量 | 7 | 10 | 3 |
如图4、表IV、表V对比可知,首先对不同的种类的种子,其距离D的大小与种子间形态差异度的大小是一致的。其次,距离D分别排列在[1,2],[2,3],[3,4]共计3个区间,在距离D在[1,2]这个区间,共计7个种子样品,而[2,3]的区间内为10个种子,可见本批种子形态特征较为一致,种子纯度高。
具体的,选取[1,2]、[2,3]区间内的种子数量为合格种子,[3,4]区间的为不合格种子,则根据公式(3)可知,本批次种子纯度为:
种子的纯度为:
本发明给出单粒玉米种子与样本整体的相似度数据,借助该数据判别玉米种子纯度,能够加快判别的速度,提高判别的准确度。尤其针对包衣种子,采用简单的数据采集及图像预处理就可以很好的获得采集数据,具有很强的实用价值。
Claims (2)
1.一种基于形态分析的玉米种子纯度辅助检测的方法,其特征是:通过一定数量的样品采集,得到样品形态均值;各样品形态值与均值比较,根据距离值的大小判断样品形态差距,并据此得出种子纯度,具体的操作步骤是:a)样品采集:随机取一定数量的样品,随机排列将各种子按尖端向上、顶部向下的方位放置,进行图像采集;b)图像预处理:样品与背景存在较为明显的颜色差异,根据颜色特征进行图像分割,将样品变成白色、背景变成黑色,并进一步确定各样品所在的区域M;c)方位校正:采用基于样品的区域M的形心和样品尖端特征点的对称轴计算方法,实现单个种子方位校正; d)特征提取:通过对b环节中的包衣种子形态观察,采集包括面积、纵横比、偏心度以及种子的尖锐程度、种子顶端棱角情况及种子形状接近矩形的程度来描述种子形态特征;e)对特征数据的处理:对d环节采集到的样本形态特征数据进行标准化处理得到均值并计算得到距离D,操作步骤如下:
e1)设样本形态特征数据为X,对X进行标准化处理,以消除量纲差异;
e2)计算各种子特征数据到样本均值的距离D;
f)样品纯度:根据步骤e得到的距离D值确定玉米种子纯度:距离D值在
[0,1]、[1,2]、[2,3]的区间范围内,落入区间的数量越多,纯度越高;
所述的c环节中方位校正环节采用的方法为:
C1)计算种子所在区域M的形心;
C2)采用轮廓跟踪算法获取种子各轮廓点,获取种子图像的轮廓图形;
C3)计算形心所在水平线上各轮廓点到形心的距离;
C4)利用移动平均法对距离数据进行平滑;
C5)取平滑后的极大值点作为顶端特征点,该点与形心的连线即为对称轴所在直线,移动图像至对称轴所在直线竖直。
2.根据权利要求1所述的基于形态分析的玉米种子纯度辅助检测的方法,其特征是:
种子的纯度为:。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610763656.8A CN106404779B (zh) | 2016-08-30 | 2016-08-30 | 基于形态分析的玉米种子纯度辅助检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610763656.8A CN106404779B (zh) | 2016-08-30 | 2016-08-30 | 基于形态分析的玉米种子纯度辅助检测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106404779A CN106404779A (zh) | 2017-02-15 |
CN106404779B true CN106404779B (zh) | 2019-03-08 |
Family
ID=58002735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610763656.8A Expired - Fee Related CN106404779B (zh) | 2016-08-30 | 2016-08-30 | 基于形态分析的玉米种子纯度辅助检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106404779B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108257136A (zh) * | 2018-02-09 | 2018-07-06 | 天津海达奥普光电技术股份有限公司 | 一种玉米种子形状特征提取的图像分割方法 |
CN108955560B (zh) * | 2018-05-21 | 2020-06-26 | 北京林业大学 | 一种槭属种子形态测定及分析方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102621077A (zh) * | 2012-03-30 | 2012-08-01 | 江南大学 | 高光谱反射图像采集系统及基于该系统的玉米种子纯度无损检测方法 |
CN104359910A (zh) * | 2014-11-13 | 2015-02-18 | 山东农业大学 | 便携式动态玉米种子纯度识别仪 |
CN105184830A (zh) * | 2015-08-28 | 2015-12-23 | 华中科技大学 | 一种对称图像对称轴检测定位方法 |
-
2016
- 2016-08-30 CN CN201610763656.8A patent/CN106404779B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102621077A (zh) * | 2012-03-30 | 2012-08-01 | 江南大学 | 高光谱反射图像采集系统及基于该系统的玉米种子纯度无损检测方法 |
CN104359910A (zh) * | 2014-11-13 | 2015-02-18 | 山东农业大学 | 便携式动态玉米种子纯度识别仪 |
CN105184830A (zh) * | 2015-08-28 | 2015-12-23 | 华中科技大学 | 一种对称图像对称轴检测定位方法 |
Non-Patent Citations (3)
Title |
---|
玉米品种真实性的近红外光谱鉴别关键问题研究;卢洋;《中国优秀硕士学位论文全文数据库 农业科技辑》;20121015(第10期);摘要,第10页 |
玉米高光谱图像的特征提取与分类研究;朱晓;《中国优秀硕士学位论文全文数据库 信息科技辑》;20131215(第S1期);摘要,第8-10、13、16、18-22、25页 |
面向植物分类的被子植物叶形特征自动提取;郑小东 等;《中国农学通报》;20111231;第27卷(第15期);第150-151页 |
Also Published As
Publication number | Publication date |
---|---|
CN106404779A (zh) | 2017-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kuo et al. | Identifying rice grains using image analysis and sparse-representation-based classification | |
CN103175835B (zh) | 基于智能图像处理和模型估计的烟叶叶面积质量测定方法 | |
Li et al. | Image recognition of grape downy mildew and grape powdery mildew based on support vector machine | |
CN108830272A (zh) | 基于rgb-d相机的马铃薯图像采集装置及芽眼识别和定位方法 | |
CN105931225B (zh) | 一种基于实时图像检测技术分析晶体生长形状和尺寸分布的方法 | |
CN108230307B (zh) | 一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法 | |
CN107066829A (zh) | 基于云计算的病理分析系统及方法 | |
CN106404779B (zh) | 基于形态分析的玉米种子纯度辅助检测的方法 | |
CN109859101B (zh) | 农作物冠层热红外图像识别方法及系统 | |
CN107576600B (zh) | 一种抹茶粒度等级的快速检测方法 | |
CN110490826B (zh) | 一种照相机中雾滴样本图像处理方法 | |
CN107633507A (zh) | 基于轮廓检测和特征匹配的lcd缺陷检测方法 | |
Bai et al. | Machine vision-based supplemental seeding device for plug seedling of sweet corn | |
CN112102238B (zh) | 基于计算机视觉的糊化过程中淀粉颗粒溶胀能力的检测方法 | |
Li et al. | An automatic approach for detecting seedlings per hill of machine-transplanted hybrid rice utilizing machine vision | |
Wang et al. | Improved rotation kernel transformation directional feature for recognition of wheat stripe rust and powdery mildew | |
Miao et al. | Banana plant counting and morphological parameters measurement based on terrestrial laser scanning | |
CN110648312A (zh) | 一种基于鳞片形态特征分析的羊毛与羊绒纤维识别方法 | |
CN108205210A (zh) | 基于傅里叶梅林及特征匹配的lcd缺陷检测系统及方法 | |
Cheng et al. | Hyperspectral and imagery integrated analysis for vegetable seed vigor detection | |
CN206951597U (zh) | 一种基于机器视觉的蓝莓果实分级检测系统 | |
Li et al. | Disease recognition of maize Leaf based on KNN and feature extraction | |
CN116258844A (zh) | 一种棉花叶片表型性状快速精准鉴定方法 | |
CN208922290U (zh) | 基于rgb-d相机的马铃薯图像采集装置 | |
CN112750123A (zh) | 一种水稻病虫害监测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 450000 Middle Road, 27 District University, Zhengzhou, Henan Province, No. 2 Applicant after: Zhengzhou Institute of Aeronautical Industry Management Address before: 450046 15 Wen Yuan Xi Road, Zheng Dong New District, Zhengzhou, Henan. Applicant before: Zhengzhou Institute of Aeronautical Industry Management |
|
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190308 Termination date: 20190830 |