CN108257136A - 一种玉米种子形状特征提取的图像分割方法 - Google Patents
一种玉米种子形状特征提取的图像分割方法 Download PDFInfo
- Publication number
- CN108257136A CN108257136A CN201810131289.9A CN201810131289A CN108257136A CN 108257136 A CN108257136 A CN 108257136A CN 201810131289 A CN201810131289 A CN 201810131289A CN 108257136 A CN108257136 A CN 108257136A
- Authority
- CN
- China
- Prior art keywords
- image
- corn seed
- shape feature
- feature extraction
- partition method
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明创造提供了一种玉米种子形状特征提取的图像分割方法,步骤如下:获取玉米种子的外观图像,对图像进行二值化处理并建立二维坐标系,在二值化处理后的图像上确定玉米种子形心位置;通过径向切割的方法,获得玉米种子片层图像;在二值化片层图像上以形心作为原点建立极坐标;通过极坐标的极径和极角表述种子图像形状特征参。本发明创造所述的一种玉米种子形状特征提取的图像分割方法其物理意义更为直观,能有效减少图形运算量,简化种子形状特征提取的过程。
Description
技术领域
本发明创造属于图像识别技术领域,尤其是涉及一种玉米种子形状特征的图像分割方法。
背景技术
自古以来我国就是农业生产大国,拥有种类繁多的农作物产品,其中玉米作为高产农作物是我国主要粮食品种之一,玉米是许多饲料、燃料和工业原料的主要来源。为了进一步增加玉米的产量和质量,在种植玉米之前应对玉米种子进行选型,剔除掉破损和发育不良的种子。
如图3所示,现有技术方案要对种子图像进行各种梯度运算,首先搜寻图像的边界、计算图形轮廓、大端、小端、形心、尖端、长轴、短轴以及计算图像的最大内切圆、最小外接圆等参数来间接描述图像的外形特征,这样的计算量过大,需要极高的及其运算速度和存储空间,变相提高了研发和生产的成本。因此需要提出一种简易化的种子形状特征的图像分割方法来简化种子图像识别的运算过程。
发明内容
有鉴于此,本发明创造旨在提出一种玉米种子形状特征的图像分割方法,以实现直观高效的提取种子形状特征参数。
为达到上述目的,本发明创造的技术方案是这样实现的:
一种玉米种子形状特征提取的图像分割方法,步骤如下:
获取玉米种子的外观图像,对图像进行二值化处理并建立二维坐标系,在二值化处理后的图像上确定玉米种子形心位置;
通过径向切割的方法,获得玉米种子片层图像;
在二值化片层图像上以形心作为原点建立极坐标;
通过极坐标的极径和极角表述种子图像形状特征参数。
进一步的,将各个片层图像和特征参数进行叠加,获得玉米种子的立体形状特征参数。
进一步的,所述图像二值化处理通过调节图像灰度实现,将玉米种子的图像灰度调节为0或者255即可获得二值化图像。
进一步的,所述二维坐标系的原点位于图片的左下角顶点处,坐标系的单位长度为一个像素。
进一步的,所述形心的确定依靠下述公式完成:
式中N为图像占据的坐标个数,x、y为二值化图像内部点对应的坐标值,公式所得值转化为坐标(X,Y)即为玉米种子形心坐标。
进一步的,所述图像的极径和极角的值由下述公式确定:
ρ2=(X+Y)2
θ=arctan(Y/X)
式中ρ为极径,θ为极角,X、Y为图像边缘点的坐标值。
遍历图像各像素,以最大ρ的位置为长轴,分别旋转θ,2θ,3θ…得到一组最大ρ值向量【ρ(θ),ρ(2θ),ρ(3θ)…】,以它为图像特征参数,作为图像分类识别的入口参数,根据精度要求选择合适的θ取值时,这组ρ向量就能够准确表达颗粒的形状特征了。
进一步的,所述θ取值90°时,所得向量即为种子长和宽的形状特征;θ取值45°时,所得向量即为种子左上肩、右上肩、左下摆和右下摆的形状特征。
进一步的,结合图像颜色特征参数后,可对玉米种子饱满度参数进行识别,增强成品识别率。
相对于现有技术,本发明创造所述的一种玉米种子形状特征提取的图像切割方法具有以下优势:
本发明所述的一种玉米种子形状特征提取的图像切割方法物理意义直观,更为简单高效,通过极坐标表示种子的轮廓,具有旋转、平移不变的特性;本发明响应速度快,形状识别实时性好;本发明识别效果好,综合处理后对成品识别率达90%以上,对次品识别率达到98%以上,具有较高的市场价值。
附图说明
构成本发明创造的一部分的附图用来提供对本发明创造的进一步理解,本发明创造的示意性实施例及其说明用于解释本发明创造,并不构成对本发明创造的不当限定。在附图中:
图1为本发明创造的特征参数提取示意图;
图2为本发明创造的实例示意图;
图3为现有形状特征提取技术的示意图。
附图标记说明:
1-大端;2-长轴;3-最大内切圆;4-形心;5-短轴;6-轮廓;7-最小外接圆;8-尖端;L-长轴;A-面积;S-短轴;P-周长。
具体实施方式
需要说明的是,在不冲突的情况下,本发明创造中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明创造。
首先获取玉米种子的外观图像,对图像进行二值化处理并建立二维坐标系,图像二值化处理是通过将图像灰度调节至0或者255来实现的,二维坐标系的原点位于图片的左下角顶点处,坐标系的单位长度为一个像素。在二值化处理后的图像上确定玉米种子形心位置,形心的确定依靠下述公式完成:
式中N为图像占据的坐标个数,x、y为二值化图像内部点对应的坐标值,公式所得值转化为坐标(X,Y)即为玉米种子形心坐标。
随后通过径向切割的方法,获得玉米种子片层图像;
如图1所示,在二值化片层图像上以形心作为原点建立极坐标;图像的极径和极角的值由下述公式确定:
ρ2=(X+Y)2
θ=arctan(Y/X)
式中ρ为极径,θ为极角,X、Y为图像边缘点的坐标值,遍历图像各像素,以最大ρ的位置为长轴,分别旋转θ,2θ,3θ…得到一组最大ρ值向量【ρ(θ),ρ(2θ),ρ(3θ)…】,以它为图像特征参数,作为图像分类识别的入口参数,根据精度要求选择合适的θ取值时,这组ρ向量就能够准确表达颗粒的形状特征了。
随后可以通过极坐标的极径和极角表述片层图像形状特征参数,当θ取值90°时,所得向量即为种子长和宽的形状特征;当θ取值45°时,所得向量即为种子左上肩、右上肩、左下摆和右下摆的形状特征。
随后将各个片层图像和特征参数进行叠加,获得玉米种子的立体形状特征参数;最后结合图像颜色特征参数,对玉米种子饱满度参数进行识别,增强成品识别率。
如图2所示,为本方法实际操作中的图像,根据玉米种子筛选的精度要求,选择以θ=3°为单位旋转角截取360°范围内的图像,获取120个极径ρ作为形状参数并分成20个判别器。通过大量好籽颗粒与坏籽颗粒样本进行监督学习,以20个表决器联合表决的方式进行识别的效果,随后再通过颜色特征参数进行再识别。图中带有粗线框的玉米种子颗粒即为不合格颗粒。
以上所述仅为本发明创造的较佳实施例而已,并不用以限制本发明创造,凡在本发明创造的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明创造的保护范围之内。
Claims (8)
1.一种玉米种子形状特征提取的图像分割方法,其特征在于,所述步骤如下:
获取玉米种子的外观图像,对图像进行二值化处理并建立二维坐标系,在二值化处理后的图像上确定玉米种子形心位置;
通过径向切割的方法,获得玉米种子片层图像;
在二值化片层图像上以形心作为原点建立极坐标;
通过极坐标的极径和极角表述种子图像形状特征参数。
2.根据权利要求1所述的一种玉米种子形状特征提取的图像分割方法,其特征在于:所述二维坐标系的原点位于图片的左下角顶点处,坐标系的单位长度为一个像素。
3.根据权利要求2所述的一种玉米种子形状特征提取的图像分割方法,其特征在于:所述形心的确定依靠下述公式完成:
式中N为图像占据的坐标个数,为二值化图像内部点对应的坐标值,公式所得坐标(X,Y)即为玉米种子形心坐标。
4.根据权利要求3所述的一种玉米种子形状特征提取的图像分割方法,其特征在于:所述图像的极径和极角的值由下述公式确定:
ρ2=(X+Y)2
θ=arctan(Y/X)
式中ρ为极径,θ为极角,X、Y为图像边缘点的坐标值,遍历图像各像素,以最大ρ的位置为长轴,分别旋转θ,2θ,3θ…得到一组最大ρ值向量【ρ(θ),ρ(2θ),ρ(3θ)…】,以它为图像特征参数,作为图像分类识别的入口参数,根据精度要求选择合适的θ取值时,这组ρ向量就能够准确表达颗粒的形状特征。
5.根据权利要求4所述的一种玉米种子形状特征提取的图像分割方法,其特征在于:所述θ取值90°时,所得向量即为种子长和宽的形状特征;θ取值45°时,所得向量即为种子左上肩、右上肩、左下摆和右下摆的形状特征。
6.根据权利要求1所述的一种玉米种子形状特征提取的图像分割方法,其特征在于:将各个片层图像和特征参数进行叠加,能获得玉米种子的立体形状特征参数。
7.根据权利要求6所述的一种玉米种子形状特征提取的图像分割方法,其特征在于:结合图像颜色特征参数,对玉米种子饱满度参数进行二次识别。
8.根据权利要求1所述的一种玉米种子形状特征提取的图像分割方法,其特征在于:所述图像二值化处理通过调节图像灰度为0或255实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810131289.9A CN108257136A (zh) | 2018-02-09 | 2018-02-09 | 一种玉米种子形状特征提取的图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810131289.9A CN108257136A (zh) | 2018-02-09 | 2018-02-09 | 一种玉米种子形状特征提取的图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108257136A true CN108257136A (zh) | 2018-07-06 |
Family
ID=62744321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810131289.9A Pending CN108257136A (zh) | 2018-02-09 | 2018-02-09 | 一种玉米种子形状特征提取的图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108257136A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085815A (zh) * | 2020-09-14 | 2020-12-15 | 深圳市先地图像科技有限公司 | 一种极坐标图像的表达方法及其变换算法 |
CN112365532A (zh) * | 2019-07-23 | 2021-02-12 | 大连大学 | 高精度樱桃尺寸分级方法 |
CN113063704A (zh) * | 2020-12-04 | 2021-07-02 | 泰州市朗嘉馨网络科技有限公司 | 颗粒饱满程度解析平台及方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101201329A (zh) * | 2007-10-16 | 2008-06-18 | 西安交通大学 | 基于射线衰减能量场的无损检测缺陷提取、识别方法 |
CN101701934A (zh) * | 2009-11-16 | 2010-05-05 | 中国石油大学(华东) | Acfm缺陷智能可视化检测系统 |
CN101882326A (zh) * | 2010-05-18 | 2010-11-10 | 广州市刑事科学技术研究所 | 基于中国人全面部结构形数据的三维颅面复原方法 |
CN101957313A (zh) * | 2010-09-21 | 2011-01-26 | 吉林大学 | 鲜玉米果穗质量的计算机视觉检测分级方法及装置 |
CN102682858A (zh) * | 2011-03-15 | 2012-09-19 | 深圳光启高等理工研究院 | 吸波材料 |
CN103345772A (zh) * | 2013-06-21 | 2013-10-09 | 上海交通大学 | 基于空域信息的两维传递函数的体数据识别方法 |
CN204523576U (zh) * | 2015-03-24 | 2015-08-05 | 河北农业大学 | 一种花生种子筛选装置 |
CN105139023A (zh) * | 2015-07-24 | 2015-12-09 | 福州大学 | 一种基于多尺度特征融合和极限学习机的种子识别方法 |
CN105928861A (zh) * | 2016-05-06 | 2016-09-07 | 安徽贝通智能科技有限公司 | 一种小麦品质检测方法 |
CN106076881A (zh) * | 2016-06-24 | 2016-11-09 | 北京农业智能装备技术研究中心 | 一种作物籽粒自动分选装置及方法 |
CN106217432A (zh) * | 2016-07-19 | 2016-12-14 | 中玉金标记(北京)生物技术股份有限公司 | 分拣装置及种子自动切片采样设备 |
CN106269579A (zh) * | 2016-10-11 | 2017-01-04 | 北京农业信息技术研究中心 | 种子分拣系统 |
CN106404779A (zh) * | 2016-08-30 | 2017-02-15 | 郑州航空工业管理学院 | 基于形态分析的玉米种子纯度辅助检测的方法 |
CN106483135A (zh) * | 2016-10-12 | 2017-03-08 | 河北农业大学 | 基于机器视觉的复杂背景下玉米粒检测识别装置及方法 |
CN106637655A (zh) * | 2017-02-17 | 2017-05-10 | 江苏工程职业技术学院 | 一种针织圆机漏针检测系统及检测方法 |
CN107530864A (zh) * | 2014-12-23 | 2018-01-02 | 圣戈本陶瓷及塑料股份有限公司 | 成形研磨颗粒及其形成方法 |
-
2018
- 2018-02-09 CN CN201810131289.9A patent/CN108257136A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101201329A (zh) * | 2007-10-16 | 2008-06-18 | 西安交通大学 | 基于射线衰减能量场的无损检测缺陷提取、识别方法 |
CN101701934A (zh) * | 2009-11-16 | 2010-05-05 | 中国石油大学(华东) | Acfm缺陷智能可视化检测系统 |
CN101882326A (zh) * | 2010-05-18 | 2010-11-10 | 广州市刑事科学技术研究所 | 基于中国人全面部结构形数据的三维颅面复原方法 |
CN101957313A (zh) * | 2010-09-21 | 2011-01-26 | 吉林大学 | 鲜玉米果穗质量的计算机视觉检测分级方法及装置 |
CN102682858A (zh) * | 2011-03-15 | 2012-09-19 | 深圳光启高等理工研究院 | 吸波材料 |
CN103345772A (zh) * | 2013-06-21 | 2013-10-09 | 上海交通大学 | 基于空域信息的两维传递函数的体数据识别方法 |
CN107530864A (zh) * | 2014-12-23 | 2018-01-02 | 圣戈本陶瓷及塑料股份有限公司 | 成形研磨颗粒及其形成方法 |
CN204523576U (zh) * | 2015-03-24 | 2015-08-05 | 河北农业大学 | 一种花生种子筛选装置 |
CN105139023A (zh) * | 2015-07-24 | 2015-12-09 | 福州大学 | 一种基于多尺度特征融合和极限学习机的种子识别方法 |
CN105928861A (zh) * | 2016-05-06 | 2016-09-07 | 安徽贝通智能科技有限公司 | 一种小麦品质检测方法 |
CN106076881A (zh) * | 2016-06-24 | 2016-11-09 | 北京农业智能装备技术研究中心 | 一种作物籽粒自动分选装置及方法 |
CN106217432A (zh) * | 2016-07-19 | 2016-12-14 | 中玉金标记(北京)生物技术股份有限公司 | 分拣装置及种子自动切片采样设备 |
CN106404779A (zh) * | 2016-08-30 | 2017-02-15 | 郑州航空工业管理学院 | 基于形态分析的玉米种子纯度辅助检测的方法 |
CN106269579A (zh) * | 2016-10-11 | 2017-01-04 | 北京农业信息技术研究中心 | 种子分拣系统 |
CN106483135A (zh) * | 2016-10-12 | 2017-03-08 | 河北农业大学 | 基于机器视觉的复杂背景下玉米粒检测识别装置及方法 |
CN106637655A (zh) * | 2017-02-17 | 2017-05-10 | 江苏工程职业技术学院 | 一种针织圆机漏针检测系统及检测方法 |
Non-Patent Citations (2)
Title |
---|
赵敏: "基于机器视觉的玉米品质检测", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
齐新: "基于机器视觉的稻米品质检测研究及其DSP实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365532A (zh) * | 2019-07-23 | 2021-02-12 | 大连大学 | 高精度樱桃尺寸分级方法 |
CN112365532B (zh) * | 2019-07-23 | 2023-08-29 | 大连大学 | 高精度樱桃尺寸分级方法 |
CN112085815A (zh) * | 2020-09-14 | 2020-12-15 | 深圳市先地图像科技有限公司 | 一种极坐标图像的表达方法及其变换算法 |
CN112085815B (zh) * | 2020-09-14 | 2024-05-24 | 深圳市先地图像科技有限公司 | 一种极坐标图像的变换方法 |
CN113063704A (zh) * | 2020-12-04 | 2021-07-02 | 泰州市朗嘉馨网络科技有限公司 | 颗粒饱满程度解析平台及方法 |
CN113063704B (zh) * | 2020-12-04 | 2022-03-11 | 湖北沛丰生物科技股份有限公司 | 颗粒饱满程度解析平台及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Detection and classification of tea buds based on deep learning | |
CN108257136A (zh) | 一种玉米种子形状特征提取的图像分割方法 | |
CN105701820B (zh) | 一种基于匹配区域的点云配准方法 | |
CN106845527A (zh) | 一种菜品识别方法 | |
CN107330892A (zh) | 一种基于随机森林法的向日葵病害识别方法 | |
Yamauchi et al. | Towards stable and salient multi-view representation of 3D shapes | |
Ji et al. | Recognition method of green pepper in greenhouse based on least-squares support vector machine optimized by the improved particle swarm optimization | |
CN109993748A (zh) | 一种基于点云处理网络的三维网格物体分割方法 | |
Sabrol et al. | Fuzzy and neural network based tomato plant disease classification using natural outdoor images | |
Zhang et al. | A method for organs classification and fruit counting on pomegranate trees based on multi-features fusion and support vector machine by 3D point cloud | |
CN109101891A (zh) | 一种融合人工智能的水稻病虫害检测系统及其检测方法 | |
CN109815357A (zh) | 一种基于非线性降维及稀疏表示的遥感图像检索方法 | |
CN112270746B (zh) | 基于邻域协方差特征参数阈值的铝合金3d打印点云精简算法 | |
Xu et al. | Precision weed detection in wheat fields for agriculture 4.0: A survey of enabling technologies, methods, and research challenges | |
CN109166127B (zh) | 一种可穿戴式植物表型感知系统 | |
Xie et al. | Generating 3D multispectral point clouds of plants with fusion of snapshot spectral and RGB-D images | |
CN104134073B (zh) | 一种基于一类归一化的遥感影像单类分类方法 | |
Li et al. | A density-aware pointrcnn for 3d object detection in point clouds | |
CN107423755A (zh) | 一种基于片烟形态特征对片烟进行描述及分类的方法 | |
CN105469019A (zh) | 一种逆向杂草定位方法及定位装置 | |
CN106404779A (zh) | 基于形态分析的玉米种子纯度辅助检测的方法 | |
Ibrahim et al. | Computer Aided System for Gambung Tea Identification using Convolutional Neural Network | |
CN106780533B (zh) | 一种基于数字图像处理的槟榔图像轮廓提取及校准方法 | |
Pradhan et al. | Deep Learning for Cucumber Agriculture: A Hybrid CNN-SVM System for Disease Identification | |
Ding et al. | RVDR-YOLOv8: A Weed Target Detection Model Based on Improved YOLOv8 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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: 20180706 |