CN106483135A - 基于机器视觉的复杂背景下玉米粒检测识别装置及方法 - Google Patents

基于机器视觉的复杂背景下玉米粒检测识别装置及方法 Download PDF

Info

Publication number
CN106483135A
CN106483135A CN201610890356.6A CN201610890356A CN106483135A CN 106483135 A CN106483135 A CN 106483135A CN 201610890356 A CN201610890356 A CN 201610890356A CN 106483135 A CN106483135 A CN 106483135A
Authority
CN
China
Prior art keywords
iblet
complex background
machine vision
under
image
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.)
Pending
Application number
CN201610890356.6A
Other languages
English (en)
Inventor
李东明
刘永福
张莉
曾立华
刘雅举
邵利敏
王娟
程雪
李娜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei Agricultural University
Original Assignee
Hebei Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hebei Agricultural University filed Critical Hebei Agricultural University
Priority to CN201610890356.6A priority Critical patent/CN106483135A/zh
Publication of CN106483135A publication Critical patent/CN106483135A/zh
Pending legal-status Critical Current

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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • 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
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Abstract

本发明公开了一种基于机器视觉的复杂背景下玉米粒检测识别装置及方法，涉及图像的采集和处理装置技术领域。所述方法包括如下步骤：构建玉米粒检测识别装置，使玉米粒能够快速，且尽量平铺展示在所述装置上；通过图像采集装置采集复杂背景下的玉米粒图像信息，并使用图像处理装置分析出复杂环境下玉米粒的几何特征和颜色特征参数，并从玉米粒的几何特征和颜色特征参数中得出有效的分类特征；建立识别网络，选择玉米粒中有效的分类特征作为输入参数，通过识别网络识别出玉米粒。所述方法能够对复杂背景下的玉米粒进行识别，且识别准确。

Description

基于机器视觉的复杂背景下玉米粒检测识别装置及方法
技术领域
本发明涉及图像的采集和处理装置技术领域，尤其涉及一种基于机器视觉的复杂背景下玉米粒检测识别装置和方法。
背景技术
针对目前逐步推广的大型直收型玉米收割机缺点和实际需要，应用机器视觉技术对玉米籽粒或质量进行细致的检验、分析、鉴定，以判断其优劣，能够收到快速、准确、无损等人工无法比拟的效果，使直收型玉米收割机的功能得到进一步完善，因此将快速、高效的机器视觉技术应用于玉米籽粒检测已经成为发展趋势。
同时随着我国农业自动化和集约化的发展，要求对玉米品质进行大批量实时高效检测。本课题针对我国农产品品质检测领域中急需解决的问题，基于图像技术及相关知识，根据玉米籽粒形态进行玉米品质检测研究，提高玉米籽粒识别精度和工作效率，实现品质检测自动化，具有非常重要的意义。
国内对于图像处理技术在农产品检测方面的应用研究起步较晚，主要开始于九十年代初，与国外研究还有一定差距，他们中比较有代表性的有：
1995年，周一鸣、王丰元等研究了检测种子几何特征参数的平滑处理、灰度统计和二值化处理基本算法，开发了一套对种子进行基本形状参数测量的计算机图像处理系统，并对玉米种子进行了实测验证。
1999年，张书慧等人建立了图像数据采集系统，实现了对苹果、桃等农产品的品质检测，能有效的检测出富士苹果中优等品种。
2000年，潘伟建立了一套适用于番茄品质自动检测和分级的硬件系统，采用圆度、果径、比值等特征来描述番茄的形状，并利用神经网络对遗传算法优化后的参数进行分类判别，其识别精度可达90.5％。
2004年，闸建文等根据玉米品种的外部特征提取出11个特征参数，利用数理统计和模糊数学知识进行识别研究。建立了反映玉米品种间特征参数相似程度的特征贴近度、品种贴近度计算公式和品种判别准则，品种正确识别率达88％。
2010年，王玉亮、刘贤喜等提出一种基于多对象有效特征提取和主成分分析优化神经网络的玉米种子品种识别方法，提取了玉米种子的几何特征和颜色特征参数，优化了基于机器视觉的玉米种子图像处理策略和品种识别算法，提高了玉米品种识别的速度和准确率，综合识别率达到96％以上。
2012年，孙钟雷等人利用动态机器视觉系统，针对4种杂交玉米种子获取图像，提取了8个形态特征参数和6个颜色特征参数；针对玉米品种识别特点，优化了特征参数组合和网络参数，设计了由4个子网络组成的遗传算法优化的径向基函数组合网络，该方法识别率可达95％。
2012年，闰小梅等研究了不同品种玉米种子的冠部核心区域颜色特征、侧面有色区域的颜色特征及两者综合的颜色特征，结果发现，两者综合的颜色特征对纯度识别的作用最大；颜色特征向量H，S，V，R，G，B经fisher判别分析法进行降维优化，在得到的一维特征分析函数的基础上再进行曲线拟合，以点到曲线的距离进行纯度识别。用9个品种玉米种子作为试验材料，进行基于侧面与冠部的颜色特征的纯度识别验证，结果表明，最低识别率在93.4％，平均识别率96.87％。
2014年，曹维时分别提取玉米种子冠部核心区域的RGB颜色模型特征参数，然后对三个色彩分量分别进行二层二维离散小波变换，将玉米种子冠部图像R，G，B三维向量细节差异分解成为18维特征向量，放大了样本之间的色彩特征细节差异。使得从玉米种子冠部图像小波分析数据中提取的人工神经网络训练样本能够更好地反映样本特征，从而保障玉米种子纯度识别的准确性，平均识别率在96％。
目前，能够直接脱粒的大型玉米联合收割机正逐步推广，如约翰迪尔3518、福田雷沃籽粒直收型玉米收割机。但是由于机械技术限制，收货籽粒中含有较多杂质，如秸秆、玉米芯、杂叶、碎石或破损粒等，直接影响玉米籽粒的品质。同时玉米在收获过程中，亦受到人为和自然等复杂因素的影响，籽粒品质差异很大，如形状、大小、色泽等都是变化的，很难整齐划一，故在玉米籽粒品质检测与分析时要有足够的应变能力来适应情况的变化。
利用机器视觉与图像处理技术，将玉米籽粒在复杂背景下快速、高效的检测出来，解决目前大型直收型玉米收割机“最后一公里”的问题，是本研究的核心内容。
以往相关研究中，大部分都是对玉米种子进行分类识别；或者籽粒在特定场景下进行识别，比如特定的摆放位置或籽粒之间直接不能粘连。本研究以实际中的复杂场景为研究对象，拟解决玉米籽粒的识别及品质鉴定，同时考虑实际应用中对速度的要求，因此提高算法的处理速度的也是要解决的重要问题。
发明内容
本发明所要解决的技术问题是提供一种基于机器视觉的复杂背景下玉米粒检测识别装置和方法，所述方法能够对复杂背景下的玉米粒进行识别，且识别准确。
为解决上述技术问题，本发明所采取的技术方案是：一种基于机器视觉的复杂背景下玉米粒检测识别装置，其特征在于包括：图像处理装置和图像采集装置，所述图像采集装置用于采集复杂背景下玉米粒的图像信息，所述图像处理装置用于根据采集的玉米粒的图像信息分析出玉米粒的几何特征和颜色特征参数，并根据玉米粒的几何特征和颜色特征参数对玉米粒进行识别。
进一步的技术方案在于：所述装置还包括载物平台，用于装载待识别的玉米粒。
进一步的技术方案在于：所述装置还包括平行光源，所述平行光源用于为所述图像采集装置提供视场用平行光。
进一步的技术方案在于：所述装置还包括支架，所述载物平台位于所述支架内，所述图像采集装置位于所述载物平台上侧的支架上。
进一步的技术方案在于：所述图像采集装置为照相机。
进一步的技术方案在于：所述图像处理装置包括主机和显示器，所述主机用于根据采集的玉米粒的图像信息分析出玉米粒的几何特征和颜色特征参数，并根据玉米粒的几何特征和颜色特征参数对玉米粒进行识别，所述显示器用于显示处理的数据和识别的结果。
本发明还公开了一种基于机器视觉的复杂背景下玉米粒检测识别方法，其特征在于包括如下步骤：
1)构建玉米粒检测识别装置，使玉米粒能够快速，且尽量平铺展示在所述装置上；
2)通过图像采集装置采集复杂背景下的玉米粒图像信息，并使用图像处理装置分析出复杂环境下玉米粒的几何特征和颜色特征参数，并从玉米粒的几何特征和颜色特征参数中得出有效的分类特征；
3)建立识别网络，选择玉米粒中有效的分类特征作为输入参数，通过识别网络识别出玉米粒。
进一步的技术方案在于：所述的步骤2)中，玉米粒的几何特征参数包括玉米粒的面积、周长、尖端、形心、长短轴、最大内切圆、最小外接圆和最小外接矩形。
进一步的技术方案在于：所述的步骤2)中，玉米粒的颜色特征包括RGB、HSI不同颜色空间下的特征。
进一步的技术方案在于：所述的步骤3)中所建立的识别网络为工神经网络或支持向量机。
采用上述技术方案所产生的有益效果在于：所述方法通过对玉米粒进行了图像采集，并对预处理算法、特征提取算法、品质识别算法等进行了算法试验和优化改进。对于方法中的每种算法，对比根据国家标准规定的人工目测方法以及MATLAB图像处理工具箱中相应算法的试验结果，考察各种算法的执行效率和准确性。在算法选择过程中，对于同功能的不同算法通过试验分析，根据其性能和优缺点来进行选择。综合分析方法中提取品质优良玉米籽粒和杂质之间的几何特征和颜色特征数据，应用所提取特征参数对玉米品质进行检测等方面试验，从而改进硬件采集系统中的相关参数以及软件系统中的相关算法，保证软件系统在玉米籽粒品质检测方面的有效性、准确性和执行效率。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明实施例所述装置的结构示意图；
图2是本发明实施例所述方法的第一种流程图；
图3是本发明实施例所述方法的第二种流程图；
图4是本发明实施例所述方法中玉米籽粒的几何特征参数示意图；
其中：1、图像处理装置11、主机12、显示器2、图像采集装置3、载物平台4、玉米粒5、平行光源6、支架a、面积b、周长c、尖端d、形心e、长轴f、最大内切圆g、最小外接圆h最小外接矩形i短轴。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
如图1所示，本发明实施例公开了一种基于机器视觉的复杂背景下玉米粒检测识别装置，图像处理装置1和图像采集装置2，优选的，所述图像采集装置2为照相机。所述图像采集装置2用于采集复杂背景下玉米粒的图像信息；所述图像处理装置1用于根据采集的玉米粒的图像信息分析出玉米粒的几何特征和颜色特征参数，并根据玉米粒的几何特征和颜色特征参数对玉米粒进行识别。
进一步的，如图1所示，所述装置还包括载物平台3、平行光源5和支架6，所述载物平台3用于装载待识别的玉米粒4。所述平行光源5用于为所述图像采集装置提供视场用平行光。所述载物平台3位于所述支架6内，所述图像采集装置2位于所述载物平台3上侧的支架6上。
进一步的，在本发明的一个实施例中，如图1所示，所述图像处理装置1包括主机11和显示器12，所述主机11用于根据采集的玉米粒的图像信息分析出玉米粒的几何特征和颜色特征参数，并根据玉米粒的几何特征和颜色特征参数对玉米粒进行识别，所述显示器用于显示处理的数据和识别的结果。
如图2所示，本发明实施例公开了一种基于机器视觉的复杂背景下玉米粒检测识别方法，包括如下步骤：
S101：构建玉米粒检测识别装置，使玉米粒能够快速，且尽量平铺展示在所述装置上；
S102：通过图像采集装置采集复杂背景下的玉米粒图像信息，并使用图像处理装置分析出复杂环境下玉米粒的几何特征和颜色特征参数，并从玉米粒的几何特征和颜色特征参数中得出有效的分类特征；
S103：建立识别网络，选择玉米粒中有效的分类特征作为输入参数，通过识别网络识别出玉米粒。
如图3所示，本发明实施例公开了一种基于机器视觉的复杂背景下玉米粒检测识别方法，包括如下步骤：
S201：建立合适的载物平台，使玉米籽粒能够快速，且尽量平铺(如图1所示)，降低检测难度。在含有杂质的复杂背景下，从多籽粒图像上获取单籽粒检测区域，确定本研究的分割算法。并在此基础上对算法做进一步改进，以提高分割效率，同时最大限度的保持单籽粒外形特征。
S202：定义复杂环境下玉米籽粒的几何特征和颜色特征参数。几何特征参数主要包括面积a、周长b、尖端c、形心d、长轴e、最大内切圆f、最小外接圆g、最小外接矩形h和短轴i等(如图4所示)；颜色特征包括RGB、HSI等不同颜色空间下的特征。同对特征数据进行处理来选择有效的分类特征。比较玉米籽粒与杂质区别，找到合适的分类特征，同时考虑光线等因素对参数造成的影响。
S203：拟采用人工神经网络或支持向量机等方法分别建立识别网络，选择玉米籽粒中有效的分类特征作为输入参数，并通过实验比较不同算法对霉变，破损，杂质等缺陷粒的识别精度。
所述方法通过对玉米粒进行了图像采集，并对预处理算法、特征提取算法、品质识别算法等进行了算法试验和优化改进。对于方法中的每种算法，对比根据国家标准规定的人工目测方法以及MATLAB图像处理工具箱中相应算法的试验结果，考察各种算法的执行效率和准确性。在算法选择过程中，对于同功能的不同算法通过试验分析，根据其性能和优缺点来进行选择。综合分析方法中提取品质优良玉米籽粒和杂质之间的几何特征和颜色特征数据，应用所提取特征参数对玉米品质进行检测等方面试验，从而改进硬件采集系统中的相关参数以及软件系统中的相关算法，保证软件系统在玉米籽粒品质检测方面的有效性、准确性和执行效率。

Claims (10)

1.一种基于机器视觉的复杂背景下玉米粒检测识别装置，其特征在于包括：图像处理装置（1）和图像采集装置（2），所述图像采集装置（2）用于采集复杂背景下玉米粒的图像信息，所述图像处理装置（1）用于根据采集的玉米粒的图像信息分析出玉米粒的几何特征和颜色特征参数，并根据玉米粒的几何特征和颜色特征参数对玉米粒进行识别。
2.如权利要求1所述的基于机器视觉的复杂背景下玉米粒检测识别装置，其特征在于:所述装置还包括载物平台（3），用于装载待识别的玉米粒（4）。
3.如权利要求1所述的基于机器视觉的复杂背景下玉米粒检测识别装置，其特征在于:所述装置还包括平行光源（5），所述平行光源（5）用于为所述图像采集装置提供视场用平行光。
4.如权利要求2所述的基于机器视觉的复杂背景下玉米粒检测识别装置，其特征在于:所述装置还包括支架（6），所述载物平台（3）位于所述支架（6）内，所述图像采集装置（2）位于所述载物平台（3）上侧的支架（6）上。
5.如权利要求1所述的基于机器视觉的复杂背景下玉米粒检测识别装置，其特征在于:所述图像采集装置（2）为照相机。
6.如权利要求1所述的基于机器视觉的复杂背景下玉米粒检测识别装置，其特征在于:所述图像处理装置（1）包括主机（11）和显示器（12），所述主机（11）用于根据采集的玉米粒的图像信息分析出玉米粒的几何特征和颜色特征参数，并根据玉米粒的几何特征和颜色特征参数对玉米粒进行识别，所述显示器用于显示处理的数据和识别的结果。
7.一种基于机器视觉的复杂背景下玉米粒检测识别方法，其特征在于包括如下步骤：
1）构建玉米粒检测识别装置，使玉米粒能够快速，且尽量平铺展示在所述装置上；
2）通过图像采集装置采集复杂背景下的玉米粒图像信息，并使用图像处理装置分析出复杂环境下玉米粒的几何特征和颜色特征参数，并从玉米粒的几何特征和颜色特征参数中得出有效的分类特征；
3）建立识别网络，选择玉米粒中有效的分类特征作为输入参数，通过识别网络识别出玉米粒。
8.如权利要求7所述的基于机器视觉的复杂背景下玉米粒检测识别方法，其特征在于：
所述的步骤2）中，玉米粒的几何特征参数包括玉米粒的面积、周长、尖端、形心、长短轴、最大内切圆、最小外接圆和最小外接矩形。
9.如权利要求7所述的基于机器视觉的复杂背景下玉米粒检测识别方法，其特征在于：
所述的步骤2）中，玉米粒的颜色特征包括RGB、HSI不同颜色空间下的特征。
10.如权利要求7所述的基于机器视觉的复杂背景下玉米粒检测识别方法，其特征在于：所述的步骤3）中所建立的识别网络为工神经网络或支持向量机。
CN201610890356.6A 2016-10-12 2016-10-12 基于机器视觉的复杂背景下玉米粒检测识别装置及方法 Pending CN106483135A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610890356.6A CN106483135A (zh) 2016-10-12 2016-10-12 基于机器视觉的复杂背景下玉米粒检测识别装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610890356.6A CN106483135A (zh) 2016-10-12 2016-10-12 基于机器视觉的复杂背景下玉米粒检测识别装置及方法

Publications (1)

Publication Number Publication Date
CN106483135A true CN106483135A (zh) 2017-03-08

Family

ID=58270666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610890356.6A Pending CN106483135A (zh) 2016-10-12 2016-10-12 基于机器视觉的复杂背景下玉米粒检测识别装置及方法

Country Status (1)

Country Link
CN (1) CN106483135A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107993244A (zh) * 2017-12-27 2018-05-04 合肥市雅视智能科技有限公司 一种玉米自动检测方法
CN108230307A (zh) * 2017-12-29 2018-06-29 浙江大学 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
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
CN108876903A (zh) * 2018-05-24 2018-11-23 北京农业信息技术研究中心 一种基于玉米雄穗三维表型的玉米品种区分方法及系统
CN108993927A (zh) * 2018-09-10 2018-12-14 宁夏大学 农作物籽粒分离设备及其控制方法
CN109211739A (zh) * 2018-09-12 2019-01-15 长沙荣业软件有限公司 大米加工工艺检测系统及检测方法
CN109816658A (zh) * 2019-04-01 2019-05-28 河北农业大学 一种基于机器视觉的棉花种子检测系统及其检测方法
CN112560955A (zh) * 2020-12-16 2021-03-26 安徽唯嵩光电科技有限公司 一种红枣分选用图像识别系统
CN112642727A (zh) * 2020-09-11 2021-04-13 吉林农业科技学院 基于机器视觉的玉米种子精选机、精选方法和精选系统
CN112791992A (zh) * 2020-12-16 2021-05-14 安徽唯嵩光电科技有限公司 一种用于红枣分选生产线的自动控制系统
CN113820322A (zh) * 2021-10-20 2021-12-21 河北农业大学 一种用于种子外观品质的检测装置及方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101701916A (zh) * 2009-12-01 2010-05-05 中国农业大学 一种玉米品种快速鉴定、鉴别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101701916A (zh) * 2009-12-01 2010-05-05 中国农业大学 一种玉米品种快速鉴定、鉴别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王伟宇: "玉米质量指标机器视觉技术研究", 《中国优秀硕士学位论文全文数据库》 *
蔡文贵等: "CCD技术及应用", 《CCD技术及应用》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107993244A (zh) * 2017-12-27 2018-05-04 合肥市雅视智能科技有限公司 一种玉米自动检测方法
CN108230307B (zh) * 2017-12-29 2022-01-14 浙江大学 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
CN108230307A (zh) * 2017-12-29 2018-06-29 浙江大学 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
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
CN108876903A (zh) * 2018-05-24 2018-11-23 北京农业信息技术研究中心 一种基于玉米雄穗三维表型的玉米品种区分方法及系统
CN108876903B (zh) * 2018-05-24 2022-04-08 北京农业信息技术研究中心 一种基于玉米雄穗三维表型的玉米品种区分方法及系统
CN108993927A (zh) * 2018-09-10 2018-12-14 宁夏大学 农作物籽粒分离设备及其控制方法
CN108993927B (zh) * 2018-09-10 2024-01-19 宁夏大学 农作物籽粒分离设备及其控制方法
CN109211739A (zh) * 2018-09-12 2019-01-15 长沙荣业软件有限公司 大米加工工艺检测系统及检测方法
CN109816658A (zh) * 2019-04-01 2019-05-28 河北农业大学 一种基于机器视觉的棉花种子检测系统及其检测方法
CN112642727A (zh) * 2020-09-11 2021-04-13 吉林农业科技学院 基于机器视觉的玉米种子精选机、精选方法和精选系统
CN112560955A (zh) * 2020-12-16 2021-03-26 安徽唯嵩光电科技有限公司 一种红枣分选用图像识别系统
CN112791992A (zh) * 2020-12-16 2021-05-14 安徽唯嵩光电科技有限公司 一种用于红枣分选生产线的自动控制系统
CN112791992B (zh) * 2020-12-16 2023-04-25 安徽唯嵩光电科技有限公司 一种用于红枣分选生产线的自动控制系统
CN113820322A (zh) * 2021-10-20 2021-12-21 河北农业大学 一种用于种子外观品质的检测装置及方法
CN113820322B (zh) * 2021-10-20 2023-12-26 河北农业大学 一种用于种子外观品质的检测装置及方法

Similar Documents

Publication Publication Date Title
CN106483135A (zh) 基于机器视觉的复杂背景下玉米粒检测识别装置及方法
Aquino et al. A new methodology for estimating the grapevine-berry number per cluster using image analysis
Zhang et al. Multi-class object detection using faster R-CNN and estimation of shaking locations for automated shake-and-catch apple harvesting
Quelhas et al. Cell nuclei and cytoplasm joint segmentation using the sliding band filter
Wu et al. Using color and 3D geometry features to segment fruit point cloud and improve fruit recognition accuracy
Bosilj et al. Connected attribute morphology for unified vegetation segmentation and classification in precision agriculture
CN106815819B (zh) 多策略粮虫视觉检测方法
CN109543595A (zh) 基于深度可分离卷积神经网络的电线的训练方法和检测方法
Rahamathunnisa et al. Vegetable disease detection using k-means clustering and svm
Zhang et al. Grasping point detection of randomly placed fruit cluster using adaptive morphology segmentation and principal component classification of multiple features
Nagar et al. Pest detection on leaf using image processing
CN109190571A (zh) 一种放牧绵羊采食典型植物种类的检测识别方法及其装置
Liu et al. Recognition and localization of actinidia arguta based on image recognition
CN105354405A (zh) 基于机器学习的免疫组化图像自动化判读系统
CN115719451A (zh) 一种软枣猕猴桃成熟度检测方法及系统
Ferrer-Ferrer et al. Simultaneous fruit detection and size estimation using multitask deep neural networks
CN110866547A (zh) 基于多特征和随机森林的中药饮片自动分类系统及方法
Castelo-Quispe et al. Optimization of brazil-nuts classification process through automation using colour spaces in computer vision
Huang et al. Mango surface defect detection based on HALCON
Bini et al. Intelligent agrobots for crop yield estimation using computer vision
CN114782368A (zh) 基于视觉检测融合多动态阈值的虾苗自动计数方法及系统
Yang et al. Cherry recognition based on color channel transform
CN110929787B (zh) 一种基于图像的苹果客观定级系统
Dubosclard et al. Deterministic method for automatic visual grading of seed food products
Wang et al. Study on estimation method of plant leaf area based on image processing technology

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170308