CN108444928B - 一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法 - Google Patents

一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法 Download PDF

Info

Publication number
CN108444928B
CN108444928B CN201810201564.XA CN201810201564A CN108444928B CN 108444928 B CN108444928 B CN 108444928B CN 201810201564 A CN201810201564 A CN 201810201564A CN 108444928 B CN108444928 B CN 108444928B
Authority
CN
China
Prior art keywords
seeds
grain
image
frostbite
embryo
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
Application number
CN201810201564.XA
Other languages
English (en)
Other versions
CN108444928A (zh
Inventor
成芳
张俊
戴理民
李瑛�
赵志林
黄剑彬
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201810201564.XA priority Critical patent/CN108444928B/zh
Publication of CN108444928A publication Critical patent/CN108444928A/zh
Priority to PCT/CN2019/077830 priority patent/WO2019174572A1/zh
Priority to US16/615,819 priority patent/US11454594B2/en
Application granted granted Critical
Publication of CN108444928B publication Critical patent/CN108444928B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • 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
    • 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
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • 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
    • 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
    • G01N21/85—Investigating moving fluids or granular solids

Abstract

本发明公开了一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法。采集获得谷物种子胚面的高光谱图像，处理获得谷物种子胚部区域的高光谱图像；计算平均光谱，剔除光谱中噪声波段，利用相关算法提取特征波段并获得相应波段光谱值；将已知冻伤情况分类的谷物种子及其特征波段光谱值输入到分类模型进行训练，获得训练后的分类模型，将未知冻伤情况分类的待识别谷物种子及其特征波段光谱值输入到训练后的分类模型获得冻伤情况。本发明可用来识别谷物种子的冻伤情况，具有无损和分类效果好等优点。

Description

一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法
技术领域
本发明涉及农产品(谷物种子)品质无损检测技术领域的一种图像检测方法，具体是涉及了一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法。
背景技术
种子作为农业生产的基础，其品质高低是保证农业丰收的重要因素，而且为了保证国家的粮食安全，必须对种子的品质进行检测。
种子冻害常发生在中、高纬度的北方制种地区，是农业灾害的一种。种子发生冻害时，导致种子的质量下降，表现在种子在后期贮藏时，易发生霉变；种子在发芽时，活力降低，其胚芽和胚根生长有不同程度的影响。经过低温冻害的种子，会使种子内部的成分物质的变化，这对种子的后续萌发，根系的生长，生长发育都有很大的影响。
种子是由胚、胚乳和种皮三部分组成，由于种子胚包含了种子大量的营养物质，可以发育成植物的根、茎和叶，是种子中最重要的部分，胚部受损对植物的后续发育影响最大。
由于多因素影响，种子是否受到冻害且其冻伤情况如何，对之有准确的分类，将对后期的种子的贮藏、萌发、生长发育等有一定的帮助。所以，如何快速、准确的获取种子的某些改变特征，判定出种子冻伤情况(尤其是轻度冻害种子)，成为当下研究种子冻伤，为种子的农业生产提供指导的一个关键因素，而且在对种子进行冻伤情况判定时，研究其胚部冻害情况具有更加针对性的重要意义。
目前高光谱图像技术在农产品无损检测中应用的越来越广泛。其融合了传统图像技术和光谱技术的优势，可以同时提取出对象的图像和光谱信息，还可以获得采集到的图像上每一点像素的光谱信息，可以有效的分析种子各部位的化学成分指标，从而避免因为种子特征分布不均匀导致实验结果的不稳定性。目前已有一些利用遥感高光谱图像技术研究田间作物冻害的报道，但因技术手段和对象不同无法用于种子冻害识别。
发明内容
为了解决背景技术中存在的问题，本发明的目的是提供一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法，通过采集待测谷物种子高光谱图像，将谷物种子分类为正常、轻微冻伤与严重冻伤三类，具有无损和分类效果好等优点，解决了谷物种子冻伤情况分类检测研究的需求性。
本发明采用如下技术方案的方法的步骤如下：
1)采集获得由不同波段灰度图像组成的谷物种子胚面的高光谱图像；
2)对谷物种子胚面的高光谱图像进行处理获得谷物种子胚部区域的高光谱图像；
3)获得谷物种子胚部区域的高光谱图像中每幅灰度图像平均值，组成不同波段平均光谱，将平均光谱中的噪声波段剔除，然后用连续投影算法(SPA算法)提取剔除处理后的平均光谱的特征波段及其光谱值；
所述的特征波段为所述步骤1)采集时所使用的波段中的一部分。
4)将已知冻伤情况分类的谷物种子分为多批，每一批重复上述步骤1)～2)处理获得谷物种子的特征波段及其对应的光谱值，输入到分类模型进行训练，获得训练后的分类模型；
5)将未知冻伤情况分类的待识别谷物种子重复上述步骤1)～2)提取待识别谷物种子的特征波段及其光谱值，将其输入到训练后的分类模型，获得待识别谷物种子的冻伤情况。
具体实施选取前n个特征波段输入分类模型。
所述步骤1)具体为：谷物种子胚面朝上并面向光源，通过相机采集谷物种子胚面在K个波段下的各幅灰度图像，一幅灰度图像对应一个波段，并由K幅灰度图像组成高光谱图像；
具体实施中的高光谱图像中有N个谷物种子，同时采集。
所述步骤1)中具体采用卤钨灯照射谷物种子胚面进行采集图像。
所述步骤2)具体为：
2.1)提取高光谱图像中谷物种子的胚部区域和胚乳部区域作为感兴趣区域，并计算每幅灰度图像中感兴趣区域内所有像素点的平均光谱值；
2.2)比较同一灰度图像中胚部区域和胚乳部区域的平均光谱值，选择两个平均光谱值相差大于1000以上且胚部区域的灰度值大于0.75和胚乳部区域的灰度值小于0.2的一幅灰度图像；
2.3)对所述灰度图像进行图像预处理得到去除背景的仅包含谷物种子胚部区域的二值图像，利用二值图像对所述步骤1)获得的谷物种子胚面的高光谱图像进行掩模运算获得谷物种子胚部区域的高光谱图像。
所述步骤2.3)的图像预处理具体包括依次进行的阈值分割、杂点消除和闭运算。
所述步骤3)将噪声波段对应的灰度图像从高光谱图像中剔除后的波段光谱范围为432.23nm～985.37nm。
所述步骤4)的分类模型采用Linear SVM分类模型。
所述的谷物种子的冻伤情况分为正常、轻微冻伤与严重冻伤的三类。
所述的谷物种子的冻伤情况根据谷物种子的发芽率确定，将发芽率大于85％的谷物种子归为正常类别；发芽率在51％～84％的谷物种子归为轻微冻伤类别；发芽率低于50％的谷物种子归为严重冻伤类别。
本发明通过对谷物种子的高光谱图像进行特殊处理提取获得其胚部区域的高光谱图像的特征波段，并且创造性地将胚部区域的高光谱图像的特征波段和谷物种子冻伤情况建立分类模型，获得了谷物种子冻伤情况的检测结果。
本发明的有益效果是：
针对对谷物种子的动态识别方法较少的现状，本发明选取特定波段下的灰度图像，利用图像处理技术实现谷物种子胚部的提取，利用种胚谱图信息实现谷物种子冻伤情况的分类检测，采用一定的分类模型建立方法，可批量无损预测单粒谷物种子的胚部冻伤情况，将谷物种子分为正常、轻微冻伤和严重冻伤三个类别。
本实施例经过利用图像处理方法获得谷物种子胚部高光谱图像，利用相关算法提取胚部光谱的特征波段，建立分类模型对种子冻伤分类效果好，精确度高。
附图说明
图1为本发明的方法的流程图；
图2为本发明具体实施的装置结构图；
图3为玉米种子的高光谱图像感兴趣区域选取示意图；图3(a)为高光谱图像中所选择感兴趣区域图，图3(b)为左上角玉米种子感兴趣区域选取图；
图4为感兴趣区域选定后胚部区域与胚乳部区域的平均光谱图，图中选择差异最大波段为500nm处；
图5(a)为实施例500nm波段处玉米种子灰度图像；
图5(b)为图5(a)所示的玉米种子灰度图像进行图像处理之后仅包含胚部区域的二值图像；
图6为各类别玉米种子胚部高光谱图像的平均光谱曲线图；
图7(a)为实施例的硬纸板结构的俯视示意图；
图7(b)为实施例的硬纸板结构的侧视示意图。
图中：1.CCD相机、2.可见/近红外成像光谱仪、3.镜头、4.暗箱、5.线光源、6.可升降样品台、7.移动平台、8.位移平台控制器、9.计算机、10.0.5mm延长管。
具体实施方式
下面结合附图及具体实施例，对本发明作进一步详细说明。但本发明的实施方式不限于此。
本发明的实施例如下：
本发明实施例玉米种子作为研究对象。
本发明使用的谷物种子为海禾78号玉米种子，将事先遭受过一定冻伤的玉米种子利用中国国标GB/T3543.4-1995《农作物种子检验规程-发芽试验》所提供的方法进行发芽率实验。检测到一批玉米种子发芽率大于85％，则视为正常1类别种子；检测到一批玉米种子发芽率处于50％～84％之间，则视为轻微冻伤2类别种子；检测到一批玉米种子发芽率低于50％，则视为严重冻伤3类别种子。
本实施例中，采用的高光谱成像装置包括CCD相机1、可见/近红外成像光谱仪2、镜头3、暗箱4、线光源5、可升降样品台6、移动平台7、位移平台控制器8、计算机9和0.5mm延长管10。
CCD相机1、可见/近红外成像光谱仪2、镜头3、线光源5、可升降样品台6、移动平台7和0.5mm延长管10均置于暗箱4内，移动平台7安装在暗箱4内的底部并与暗箱4外部的位移平台控制器8连接，移动平台7顶面安装可升降样品台6，可升降样品台6上放置玉米种子，可升降样品台6上方的暗箱4两侧壁安装有线光源5，两侧的两个线光源5均倾斜向下朝向玉米种子照射。
可升降样品台6正上方的暗箱4顶面安装有CCD相机1、可见/近红外成像光谱仪2和镜头3，CCD相机1、可见/近红外成像光谱仪2和镜头3相互连接垂直安装在样品台6上方，镜头3与可见/近红外光谱仪2之间有一个0.5mm厚度的延长管，添加延长管后，最后的玉米图像被放大(相当于人眼离物体越近，看物体时物体被放大)，获得更加清晰的玉米种子高光谱图像。
所述的线光源5采用卤钨灯光源，两个卤钨灯光源对称置于移动平台7的上方26cm处，为玉米种子提供稳定均匀的漫反射光，两个卤钨灯光源之间呈60度夹角角度。具体实施还设计了一个背景为黑色且刻有若干小槽(长为a，宽为b，深度为c)硬纸板，硬纸板的每个小槽放置一个玉米种子。
镜头(V23-f/2.4 030603)、可见/近红外成像光谱仪(Imspector V10E-QE,Spectral Imaging Ltd.,Oulu,Finland，光谱范围为400～1000nm)、CCD相机(C8484-05G)构成光谱成像单元，垂直安装在移动平台的正上方28.5cm处，则样本可见/近红外光谱仪与CCD相机和计算机相连，能拍摄样本台上的玉米种子的图像，将高光谱成像数据立方体高速传输到计算机。计算得到：经过一次高光谱图像采集过程后，最终高光谱成像数据立方体中含有477个波段的图像，所述的计算机用于图像采集、处理、分析和显示。
在上面的位移平台上，为了更好的放置玉米种子，设计了一个如图7所示背景为黑色且刻有30个小槽(长a为1.1cm，宽b为1.5cm，深度c为0.15cm)硬纸板，硬纸板的每个小槽放置一个玉米种子。经过一次高光谱采集过程，可以采集30颗玉米种子的高光谱图像。
在高光谱成像系统工作时，设置近红外相机曝光时间为1ms，移动平台移动速度为2.6mm/s，并在玉米种子高光谱图像获取之前，进行黑白场的标定以消除暗电流噪声的影响。
在高光谱图像采集时，玉米种子胚部朝向光源均匀放置在图5所述的硬纸板上，控制移动平台带动玉米种子样本进入镜头视场，每次可采集30颗玉米种子样本在477个波段下477幅的高光谱图像，并在一次采集过程结束后将移动平台回复到原始采集位置，每幅图像的分辨率为672×1000，采集到的高光谱图像保存到计算机中，用于接下来的步骤。
用ENVI 4.6软件选取各颗玉米种子(本实施例选取3颗玉米种子)高光谱图像中胚部与胚乳部各100个像素点，总共600个像素点作为感兴趣区域如图3(a)所示，选取图3(a)中左上角玉米种子说明，图3(b)中，白色方框较深色填充和白色方框较浅色填充分别表示胚部与胚乳部的感兴趣区域。
比较图3(b)中同一高光谱图像中胚部区域和胚乳部区域的平均光谱值，获得如图4所示的结果，选择两个平均光谱值相差大于1000以上且胚部区域的灰度值大于0.75和胚乳部区域的灰度值小于0.2的一幅灰度图像，具体实施取其中的500nm波段的灰度图像如图5(a)。然后对500nm波段的该灰度图像进行图像预处理，包括阈值分割、杂点消除和闭运算，得到去除背景的仅包含谷物种子胚部区域的二值图像如图5(b)，利用二值图像对所述步骤1)获得的谷物种子胚面的高光谱图像进行掩模运算获得谷物种子胚部区域的高光谱图像。
计算得到各类别玉米种子胚部的高光谱图像平均光谱如图6所示，剔除477波段当中的前面20个波段(432.23nm之前波段)和后面17个波段(985.37nm之后波段)，用SPA算法对剩下的440个波段组成的光谱曲线进行特征波段提取，将优选出的波段为636.43nm、972.51nm、432.23nm、462.33nm、877.32nm、980.23nm、890.18nm的共计7个特征波段。
将已知冻伤情况分类的谷物种子分为多批，每一批重复步骤进行处理获得谷物种子3个类别的种子胚部区域7个特征波段光谱值，输入到Linear SVM建立分类模型进行训练，获得训练后的Linear SVM建立分类模型。
将未知冻伤情况分类的待识别谷物种子重复步骤处理获得待识别谷物种子的特征波段及其光谱值，将其输入到训练后的Linear SVM建立分类模型，获得待识别谷物种子的冻伤情况。
预先设定数值1代表正常的玉米种子，数值2代表遭受轻微冻伤的玉米种子，数值3代表遭受严重冻伤的玉米种子，分类结果为1将表示玉米种子为正常种子，未遭受冻伤；分类结果为2将表示玉米种子遭受轻微冻伤；分类结果为3将表示玉米种子遭受严重冻伤。
本实施例经过利用图像处理方法获得谷物种子胚部高光谱图像，利用相关算法提取胚部光谱的特征波段，对冻伤玉米种子进行损伤检测时，建立分类模型对种子冻伤分类效果好，精确度高，最终三种类别损伤程度的分类准确率可以达到99％。
说明本发明可用来获取谷物种子胚部高光谱图像和图谱信息的相关特征波段，并对冻伤种子进行分类，具有无损、分类效果好、可靠性高、实用性强等优点。
本发明方法采用以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (5)

1.一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法，其特征在于，该方法的步骤如下：
1)采集获得由不同波段灰度图像组成的谷物种子胚面的高光谱图像；
2)对谷物种子胚面的高光谱图像进行处理获得谷物种子胚部区域的高光谱图像；
所述步骤2)具体为：
2.1)提取高光谱图像中谷物种子的胚部区域和胚乳部区域作为感兴趣区域，并计算每幅灰度图像中感兴趣区域内所有像素点的平均光谱值；
2.2)比较同一灰度图像中胚部区域和胚乳部区域的平均光谱值，选择两个平均光谱值相差大于1000以上且胚部区域的灰度值大于0.75和胚乳部区域的灰度值小于0.2的一幅灰度图像；
2.3)对所述灰度图像进行图像预处理得到去除背景的仅包含谷物种子胚部区域的二值图像，利用二值图像对所述步骤1)获得的谷物种子胚面的高光谱图像进行掩模运算获得谷物种子胚部区域的高光谱图像；
3)获得谷物种子胚部区域中每幅灰度图像平均值，组成不同波段平均光谱，将平均光谱中的噪声波段剔除，然后用连续投影算法提取剔除处理后的平均光谱的特征波段及其光谱值；
所述步骤3)将噪声波段对应的灰度图像从高光谱图像中剔除后的波段光谱范围为432.23nm～985.37nm；
4)将已知冻伤情况分类的谷物种子分为多批，每一批重复上述步骤1)～2)处理获得谷物种子的特征波段及其对应的光谱值，输入到分类模型进行训练，获得训练后的分类模型；
5)将未知冻伤情况分类的待识别谷物种子重复上述步骤1)～2)提取待识别谷物种子的特征波段及其光谱值，将其输入到训练后的分类模型，获得待识别谷物种子的冻伤情况；
所述的谷物种子的冻伤情况根据谷物种子的发芽率确定，将发芽率大于85％的谷物种子归为正常类别；发芽率在51％～84％的谷物种子归为轻微冻伤类别；发芽率低于50％的谷物种子归为严重冻伤类别。
2.根据权利要求1所述的一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法，其特征在于：所述步骤1)具体为：谷物种子胚面朝上并面向光源，通过相机采集谷物种子胚面在K个波段下的各幅灰度图像，并由K幅灰度图像组成高光谱图像。
3.根据权利要求1所述的一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法，其特征在于：所述步骤1)中具体采用卤钨灯照射谷物种子胚面进行采集图像。
4.根据权利要求1所述的一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法，其特征在于：所述步骤2.3)的图像预处理具体包括依次进行的阈值分割、杂点消除和闭运算。
5.根据权利要求1所述的一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法，其特征在于：所述步骤4)的分类模型采用Linear SVM分类模型。
CN201810201564.XA 2018-03-12 2018-03-12 一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法 Active CN108444928B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201810201564.XA CN108444928B (zh) 2018-03-12 2018-03-12 一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法
PCT/CN2019/077830 WO2019174572A1 (zh) 2018-03-12 2019-03-12 一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法
US16/615,819 US11454594B2 (en) 2018-03-12 2019-03-12 Method for identifying frostbite condition of grain seeds using spectral feature wavebands of seed embryo hyperspectral images

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810201564.XA CN108444928B (zh) 2018-03-12 2018-03-12 一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法

Publications (2)

Publication Number Publication Date
CN108444928A CN108444928A (zh) 2018-08-24
CN108444928B true CN108444928B (zh) 2020-10-09

Family

ID=63194180

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810201564.XA Active CN108444928B (zh) 2018-03-12 2018-03-12 一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法

Country Status (3)

Country Link
US (1) US11454594B2 (zh)
CN (1) CN108444928B (zh)
WO (1) WO2019174572A1 (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108444928B (zh) * 2018-03-12 2020-10-09 浙江大学 一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法
CN110976123A (zh) * 2019-11-15 2020-04-10 西安和光明宸科技有限公司 一种植物防冻液喷洒系统及防冻液喷洒方法
CN111814541A (zh) * 2020-05-29 2020-10-23 中南林业科技大学 一种薇甘菊的高光谱特征的筛选方法
CN111562273A (zh) * 2020-06-05 2020-08-21 大连工业大学 基于高光谱的鱼水射流除鳞轻微损伤可视化方法
CN111832569B (zh) * 2020-06-19 2023-10-27 西北大学 基于高光谱分类与分割的壁画颜料层脱落病害标注方法
CN111767863B (zh) * 2020-07-01 2023-10-31 安徽大学 一种基于近地高光谱技术冬小麦赤霉病遥感识别方法
CN112016392A (zh) * 2020-07-17 2020-12-01 浙江理工大学 一种基于高光谱图像的大豆虫害程度的小样本检测方法
CN112834454A (zh) * 2020-12-31 2021-05-25 杭州谱育科技发展有限公司 基于近红外高光谱技术的冬枣检测方法
CN112930747B (zh) * 2021-01-20 2022-03-11 苏州三亩良铺农业科技有限公司 一种农作物种子微冻方法及其应用
CN113049530B (zh) * 2021-03-17 2022-07-26 北京工商大学 一种基于近红外高光谱的单粒玉米种子水分含量检测方法
CN113627329A (zh) * 2021-08-10 2021-11-09 江南大学 基于混合卷积网络的小麦种子高光谱图像分类方法及系统
CN113777104B (zh) * 2021-08-24 2023-08-29 北京工商大学 一种单粒玉米种子高光谱检测成熟度的方法
CN113837258B (zh) * 2021-09-17 2023-09-08 华中师范大学 基于局部相关熵矩阵的高光谱图像分类方法和系统
CN113916827B (zh) * 2021-10-26 2023-08-29 北京工商大学 一种基于太赫兹光谱相关系数分析的玉米种子成分检测方法
CN114136920A (zh) * 2021-12-02 2022-03-04 华南农业大学 一种基于高光谱的单粒杂交水稻种子种类鉴定方法
CN114638987A (zh) * 2022-03-09 2022-06-17 浙江大学 一种基于对比学习光谱特征提取的金属材质识别方法
CN114885634A (zh) * 2022-03-28 2022-08-12 河北农业大学 一种农作物种子活力检测装置及其使用方法
CN115019215B (zh) * 2022-08-09 2022-12-09 之江实验室 一种基于高光谱图像的大豆病虫害识别方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN104990892A (zh) * 2015-06-24 2015-10-21 中国农业大学 种子的光谱图像无损鉴别模型建立方法及种子鉴别方法
CN105224960A (zh) * 2015-11-04 2016-01-06 江南大学 基于聚类算法的玉米种子高光谱图像分类识别模型更新方法
CN105931223A (zh) * 2016-04-13 2016-09-07 浙江大学 基于波段比方法的高光谱反射图像中玉米胚部的分割方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7274456B2 (en) 2004-05-12 2007-09-25 Pioneer Hi-Bred International, Inc. Non-destructive single seed or several seeds NIR analyzer and method
US8189901B2 (en) 2007-05-31 2012-05-29 Monsanto Technology Llc Seed sorter
CN102072883B (zh) * 2010-07-07 2013-03-13 北京农业智能装备技术研究中心 农作物种子综合品质检测装置及方法
US8605149B2 (en) 2011-07-19 2013-12-10 Ball Horticultural Company Seed classification using spectral analysis to determine existence of a seed structure
CN102621077B (zh) * 2012-03-30 2015-03-25 江南大学 基于高光谱反射图像采集系统的玉米种子纯度无损检测方法
KR101341815B1 (ko) * 2012-12-04 2014-01-06 대한민국 초분광 영상처리를 이용한 종자 선별 장치
CN104062239B (zh) 2014-06-24 2016-04-13 山东省林业科学研究院 植物叶片受害症状的自动识别方法
CN104406928A (zh) 2014-12-01 2015-03-11 上海理工大学 一种无损检测苹果表面打蜡种类的方法
CN105678342B (zh) 2016-02-24 2018-11-30 江南大学 基于联合偏度的玉米种子高光谱图像波段选择方法
CN108444928B (zh) 2018-03-12 2020-10-09 浙江大学 一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN104990892A (zh) * 2015-06-24 2015-10-21 中国农业大学 种子的光谱图像无损鉴别模型建立方法及种子鉴别方法
CN104990892B (zh) * 2015-06-24 2017-09-29 中国农业大学 种子的光谱图像无损鉴别模型建立方法及种子鉴别方法
CN105224960A (zh) * 2015-11-04 2016-01-06 江南大学 基于聚类算法的玉米种子高光谱图像分类识别模型更新方法
CN105931223A (zh) * 2016-04-13 2016-09-07 浙江大学 基于波段比方法的高光谱反射图像中玉米胚部的分割方法
CN105931223B (zh) * 2016-04-13 2019-05-21 浙江大学 基于波段比方法的高光谱反射图像中玉米胚部的分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高光谱图像技术检测玉米种子品质研究;杨小玲;《中国博士学位论文全文数据库 农业科技辑》;20170215(第2期);正文第2.2节及第7章 *

Also Published As

Publication number Publication date
US11454594B2 (en) 2022-09-27
WO2019174572A1 (zh) 2019-09-19
US20200150051A1 (en) 2020-05-14
CN108444928A (zh) 2018-08-24

Similar Documents

Publication Publication Date Title
CN108444928B (zh) 一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法
Perez-Sanz et al. Plant phenomics: An overview of image acquisition technologies and image data analysis algorithms
CN102495005B (zh) 高光谱图像技术诊断作物水分亏缺的方法
Huang et al. Detection of insect-damaged vegetable soybeans using hyperspectral transmittance image
Mahendran et al. Application of computer vision technique on sorting and grading of fruits and vegetables
CN110763698B (zh) 一种基于特征波长的高光谱柑橘叶片病害识别方法
Rodríguez-Pulido et al. Grape seed characterization by NIR hyperspectral imaging
CN107316116B (zh) 一种叶类蔬菜产量预测方法
CN109100323B (zh) 一种苹果水心病的透射光谱无损定量评价方法
Li et al. Detection of early decayed oranges based on multispectral principal component image combining both bi-dimensional empirical mode decomposition and watershed segmentation method
Zhang et al. Optimized angles of the swing hyperspectral imaging system for single corn plant
CN105021617B (zh) 基于高光谱成像的整株水稻叶绿素含量测量装置及方法
Xing et al. Bruise detection on Jonagold apples by visible and near-infrared spectroscopy
Huang et al. Rice panicle length measuring system based on dual-camera imaging
CN111380813B (zh) 一种便携式小麦种子多品质无损检测装置及检测方法
Zhang et al. Non-destructive identification of slightly sprouted wheat kernels using hyperspectral data on both sides of wheat kernels
CN110082298A (zh) 一种基于高光谱图像的小麦品种赤霉病综合抗性鉴定方法
CN105931223A (zh) 基于波段比方法的高光谱反射图像中玉米胚部的分割方法
CN107505325A (zh) 冬枣果实的全方位品质检测方法
Zhihui et al. Nondestructive detection of infertile hatching eggs based on spectral and imaging information
CN103528967A (zh) 基于高光谱图像的过熟蓝靛果果实识别方法
Vamerali et al. An approach to minirhizotron root image analysis
CN101911877B (zh) 基于激光漫反射图像技术的种子生命力鉴别装置和方法
CN111562273A (zh) 基于高光谱的鱼水射流除鳞轻微损伤可视化方法
CN110609011A (zh) 单籽粒玉米种子淀粉含量近红外高光谱检测方法及系统

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
GR01 Patent grant
GR01 Patent grant