CN109115719A - 一种基于高光谱成像技术的柑橘黄龙病波段融合快速检测方法 - Google Patents
一种基于高光谱成像技术的柑橘黄龙病波段融合快速检测方法 Download PDFInfo
- Publication number
- CN109115719A CN109115719A CN201811166624.5A CN201811166624A CN109115719A CN 109115719 A CN109115719 A CN 109115719A CN 201811166624 A CN201811166624 A CN 201811166624A CN 109115719 A CN109115719 A CN 109115719A
- Authority
- CN
- China
- Prior art keywords
- sample
- blade
- spectrum image
- model
- citrus
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 28
- 241000207199 Citrus Species 0.000 title claims abstract description 26
- 235000020971 citrus fruits Nutrition 0.000 title claims abstract description 26
- 238000005516 engineering process Methods 0.000 title claims abstract description 15
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- 241001478315 Candidatus Liberibacter asiaticus Species 0.000 title claims abstract description 12
- 230000004927 fusion Effects 0.000 title description 6
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 208000002720 Malnutrition Diseases 0.000 claims abstract description 8
- 235000018343 nutrient deficiency Nutrition 0.000 claims abstract description 8
- 230000001066 destructive effect Effects 0.000 claims abstract description 5
- 238000012216 screening Methods 0.000 claims abstract description 4
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 208000015181 infectious disease Diseases 0.000 abstract description 2
- 238000003752 polymerase chain reaction Methods 0.000 description 11
- 201000010099 disease Diseases 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 235000013399 edible fruits Nutrition 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000010835 comparative analysis Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000002420 orchard Substances 0.000 description 3
- 238000004611 spectroscopical analysis Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 238000001502 gel electrophoresis Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- LLLILZLFKGJCCV-UHFFFAOYSA-M n-methyl-n-[(1-methylpyridin-1-ium-4-yl)methylideneamino]aniline;methyl sulfate Chemical compound COS([O-])(=O)=O.C=1C=CC=CC=1N(C)\N=C\C1=CC=[N+](C)C=C1 LLLILZLFKGJCCV-UHFFFAOYSA-M 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002023 wood Substances 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
- G01N21/17—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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (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)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种基于高光谱成像技术的柑橘黄龙病快速无损检测方法,该方法利用高光谱成像系统,在可见近红外367~978nm和短波近红外969~2567nm两个范围内采集叶片的高光谱图像;再进行普通PCR测试并将所有未损坏叶片筛选为轻度、中度、重度、缺素和正常5类样品;然后对建模集样品进行特征变量选择,结合化学计量学方法建立预测模型,用未参与建模样品对预测模型进行验证,并与PCR测试结果进行对比,便可确定最佳模型,从而对叶片进行检测是否感染黄龙病。本发明的方法解决了单一波段范围内样品涵盖信息不全、模型预测稳定性差的问题,具有无损、实用性强、适合大规模检测的特点。
Description
技术领域
本发明涉及柑橘病害检测技术领域,尤其涉及一种柑橘黄龙病害的快速无损检测方法。
背景技术
近年来,随着柑橘种植面积的不断扩大,柑橘黄龙病愈来愈严重,一旦感染,轻则产量骤减,果实品质下降,重则果树枯死。目前黄龙病鲜见有效治愈方法,唯一方法是将其砍伐并烧毁,已毁坏果树100多万棵,对果农造成严重的经济损失,不利于柑橘产业的持续发展。因此,研究一种快速准确简单的柑橘黄龙病无损检测方法,及时发现并防控黄龙病,对维持柑橘产业发展具有重大意义。
黄龙病作为柑橘病害中最具毁灭性的病害又被称为“柑橘癌症”,由寄生在树枝韧皮部的革兰氏阴性细菌引起。木虱是作为主要的传播媒介具有速度快的特点,黄龙病检测方法较多,当前常用的有两种,一是实验室病理分析,主要采用聚合酶链式反应(PCR),该方法准确率高,缺点是费时昂贵。二是人工田间诊断,此方法简单易行,周期短,缺点是准确率底。不管前者还是后者都与实际生产匹配度差,不具有普遍适用性,难以满足我国柑橘产业快速发展的需要。
高光谱成像技术是指利用较多窄电磁波波段不接触目标物获取目标物有关信息的一种先进技术,而光谱融合是一种新型的信息处理方法,利用冗余和互补的数据改善输出性能。高光谱成像技术可进行植物种类识别且获取作物各种信息,在植物病害监测方面具有独特的优势,具有操作简便,低杂散光,低失真,高信噪比、图像质量更优秀的优点。现有技术多在单一波段范围内检测植物病害,存在样品涵盖信息不全、模型预测稳定性差等问题。
发明内容
本发明的目的是提供一种基于高光谱成像技术的柑橘黄龙病快速无损检测方法。本发明的方法操作简单,检测速度快,大大缩短了检测周期,成本低,实现了物质的无损检测。
本发明的目的是通过以下技术方案实现的。
一种基于高光谱成像技术的柑橘黄龙病快速无损检测方法,具体步骤如下:
步骤一、采摘柑桔叶片并进行前期处理(洗净、晾干、压平及标号);
步骤二、利用高光谱成像系统,在可见近红外367~978nm和短波近红外969~2567nm两个范围内采集叶片的高光谱图像,高光谱成像系统的参数设置如下:
可见近红外:相机分辨率为1344×1024像素,光谱分辨率为2.8nm,曝光时间为10.9ms,电动平移台前进速度为0.4cm/s,物镜之间的距离为25cm;
而短波近红外:相机分辨率为1392×1040像素,光谱范围是969~2567nm,光谱分辨率为10nm,电动平移台速度为0.38cm/s,曝光时间为10ms,物镜之间的距离为25cm;
步骤三、进行普通PCR测试,并将所有未损坏叶片筛选为若干类别的样品,例如,可以筛选为轻度、中度、重度、缺素和正常5类样品;
步骤四、取步骤三的样品按照一定的比例(以3:1的比例为最佳)随机划分为预测集和建模集两部分;
步骤五、对步骤四的建模集样品,进行特征变量选择,结合化学计量学方法建立预测模型;
步骤六、用预测集样品(未参与建模样品)对预测模型进行验证,并与PCR测试结果进行对比,确定最佳模型;
步骤七、将待检测叶片进行前期处理(洗净、晾干、压平及标号)后,利用高光谱成像系统,在可见近红外367~978nm和短波近红外969~2567nm两个范围内采集待检测叶片的高光谱图像数据,并将待检测叶片的高光谱图像数据输入到最佳模型中,从而判断是否感染黄龙病。
其中,步骤三所述PCR测试结果为多年研究黄龙病专家视觉挑选的样品进行筛选确认,以保证5类样品的可靠性,并与判别模型预测结果进行对比,来验证模型的预测效果。步骤五所述模型建立,从光谱数据层、特征层和模型决策层出发,分别建立在367~978nm和969~2567nm两个波段范围内的融合模型,用预测集样品进行能力评价,优选最佳模型进行柑橘黄龙病快速检测,模型优化同时精度获得很大改善。步骤六所述对模型的预测结果,结合PCR测试进行对比分析。针对最佳判别模型用1批新样品进行外部验证,该批次包含5类各8个来进行模型验证试验后采用PCR测试,最后得出没有误判样品,与该模型的误判率匹配。
所述的高光谱成像系统可以采用四川双利合谱科技有限公司生产的高光谱成像系统,用漫反射光源照射位于电动平移台(或传送带)上的样品,镜头接收到样品的反射光,传送到成像仪后获得一维图像及光谱。随电动平移台带动样品连续运行,从而得到连续的一维图像以及实时的光谱信息,所有数据被电脑软件记录,最终获得一个包含了图像和光谱信息的三维数据立方体。通过对数据的分析,可对果蔬内、外部信息以及其他类型物品分级、分选所需信息的获取,并通过后续的控制开发,从而可实现对物品的全自动化分选。适合该系统测量的样品大小为300mm(长)×300mm(宽)×100mm(高),可实现小批量的连续测量。
本发明的方法具有以下有益效果:
1、本发明于两个不同范围内获取高光谱图像,提取相应的光谱;从光谱数据层、特征层和模型决策层3分方面出发来分别建立预测模型,通过对比分析得到最佳模型;
2、本发明操作简单、快捷,可以对黄龙病进行定性分析及病情分级;解决了单一波段范围内样品涵盖信息不全、模型预测稳定性差的问题;具有无损、实用性强、适合大规模的特点;
3、基于光谱融合思想采用高光谱成像技术对柑橘黄龙病进行快速识别,突破了其他采用单一波段光谱柑橘黄龙病检测的局限性,用高光谱成像技术在可见与短波近红外两个波段建立融合模型可用来对黄龙病快速无损检测及病情分类,为其他领域的双波段融合检测研究提供了可能。
附图说明
图1为柑桔黄龙病高光谱成像系统的结构示意图。
图2为高光谱图像结构原理图。
图3为本发明的方法技术路线流程图。
图4为柑桔叶片普通PCR测试结果。
具体实施方式
下面结合附图和实施例对本发明做进一步说明,旨在帮助阅读者更好的理解本发明的实质,但并不能对本发明的实施和保护范围构成任何限定。
图1为高光谱成像系统,该系统包括电动平台/传送带1、样品台2、校正白板4、漫反射光源5、成像镜头6、工作距离调整机构7、高光谱成像仪8、高光谱相机9、计算机10和调焦板11。在使用时,样品3放置在样品台2上,通过工作距离调整机构7调整样品3与成像镜头6的间距,使其合适从而确定高光谱相机9位置;打开漫反射光源5和计算机10,利用计算机上安装的SpectraVIEW软件控制与样品台2相连的校正白板4和调焦板11的位置,此时成像镜头6对准校正白板4和调焦板11连接部,开始利用前述软件进行调焦,调焦工作;待调焦完成后,进行图像采集,漫反射光源5发出的光照射在样品3上,反射到成像镜头6,样品3运动的同时相机完成线扫描工作,从而获得一个三维的数据块。
图2为高光谱图像结构原理图,该样品图像是由在波长上的多张二维图片叠加而成的,故其一个坐标轴为波长。λi对应的值即为λi所对应图片上的(xi、yi)处的样品的反射率。
图3为本发明的方法技术路线流程图,实验中首先采摘柑桔叶片若干,通过图2装置获取图像,并进行校正,利用ENVI 4.5软件导出感兴趣区域的平均光谱,同时PCR测试来分类样品,进行特征变量筛选后,从数据层、特征层和决策层3个方面分别建立PLS模型,然后为建模样品进行模型预测,对比分析预测结果,根据误判率获取最佳模型,最后用外部样品进行模型验证。
图4为柑桔叶片样品普通PCR测试结果,图中标号17为轻度黄龙病、标号8为中度黄龙病、标号9为重度黄龙病、和标号11、12为缺素依次呈现出亮带,且随轻重等级,亮带颜色越来越重。11、12缺素样品亦呈现亮带,但是其亮带很淡,可能与叶片缺乏营养元素有关;标号19、20为正常样品未出现。M为DNA标记用途,是DNA凝胶电泳时用来对比,以估算样品DNA分子量。其余数字表示叶片所属柑桔树的标号与本试验无关。
以下是本实施例的具体操作步骤:
步骤一、根据果园农业园艺专家的指导,将果园分为A、B、C三个区域,从三个区域,中随机选择15棵果树,采摘叶片总计300个。将所有叶片进行前期处理(洗净、晾干、压平及标号)后在温度为5℃、湿度为70%的冰箱中保鲜。
步骤二、高光谱图像采集前对高光谱成像系统进行预热30min左右,于温度为22℃,湿度60%的室内进行高光谱图像采集,通过SpectraVIEW软件进行参数设置。参数设定好后进行调焦操作,其过程为将镜头中线与标准白板与黑板之间的分界线对准,再旋转相机镜头,在调焦窗口可以看到由RGB组成的3条光谱图像。当三色线锋利程度最好时,焦距最合适,从而完成调焦工作。随后将样品正面向上平铺,与标准白板放置在同一水平线上,放置好则可以进行样品图像采集并进行图像黑白标定,标定公式如1所示。
式中,R为标定后图像;IS为样品原始图像;ID为黑板参比图像;IW为标准白板图像。待所有图像标定后再进行下一步的数据分析处理。
步骤三、依据国标对所有样品进行聚合酶链式反应(polymerase chainreaction,PCR)。分别照Jagoueix等和Hocquellet等报道委托南京金斯瑞公司合成的引物O1O2与A2J5进行测试。结果对比发现第一个引物的结果更清晰如图4所示。反应结果为阴性的是未患黄龙病样品,阳性为患黄龙病样品。综合染病情况对柑桔产量的影响以及PCR检测结果,将所有样品筛分为轻度黄龙病、中度黄龙病、重度黄龙病、缺素和正常5类样品。
步骤四、进行81个损坏样品的剔除(包括轻度黄龙病叶片26个,中度度黄龙病叶片18个,重度黄龙病叶片13个,缺素叶片24个)。运用Matlab软件对剩余的219个样品大致按照3:1比例随机的划分为建模集和预测集,其中建模集包括161个样品(轻度黄龙病24个、中度黄龙病叶片31个,重度黄龙病叶片37个,缺素叶片23个、正常叶片46个),其余的58个作为预测集样品,来考察模型的预测能力。
步骤五、设定5类样品的分类值为[2 4 6 8 10],分类的中间值为分类阈值。运用Matlab软件进行PCA和SPA特征选择各9和26个,从光谱数据层、特征层和模型决策层3个方面出发,结合PLS和MLR分别建立定性判别模型。
步骤六、采用58个预测样品进行判别模型对比分析,以误判率作为评判标准,并与PCR测试结果进行对比,便可确定最佳模型。
步骤七、将待检测叶片的高光谱图像数据输入到最佳模型中,以此来判别待检测叶片是否感染黄龙病。
Claims (4)
1.一种基于高光谱成像技术的柑橘黄龙病快速无损检测方法,包括如下步骤:
步骤一、采摘柑桔叶片并进行前期处理;
步骤二、利用高光谱成像系统,在可见近红外367~978nm和短波近红外969~2567nm两个范围内采集叶片的高光谱图像;
步骤三、进行普通PCR测试,并将所有未损坏叶片筛选为若干类别的样品;
步骤四、取步骤三的样品按照一定的比例随机划分为预测集和建模集两部分;
步骤五、对步骤四的建模集样品,进行特征变量选择,结合化学计量学方法建立预测模型;
步骤六、用预测集样品对预测模型进行验证,并与PCR测试结果进行对比,确定最佳模型;
步骤七、将待检测叶片进行前期处理后,利用高光谱成像系统,在可见近红外367~978nm和短波近红外969~2567nm两个范围内采集待检测叶片的高光谱图像数据,并将待检测叶片的高光谱图像数据输入到最佳模型中,从而判断是否感染黄龙病。
2.根据权利要求1所述的方法,其特征在于,高光谱成像系统的参数设置如下:
可见近红外:相机分辨率为1344×1024像素,光谱分辨率为2.8nm,曝光时间为10.9ms,电动平移台前进速度为0.4cm/s,物镜之间的距离为25cm;
而短波近红外:相机分辨率为1392×1040像素,光谱范围是969~2567nm,光谱分辨率为10nm,电动平移台速度为0.38cm/s,曝光时间为10ms,物镜之间的距离为25cm。
3.根据权利要求1所述的方法,其特征在于,步骤三中将所有未损坏叶片PCR筛选为轻度、中度、重度、缺素和正常5类样品。
4.根据权利要求1所述的方法,其特征在于,步骤四中样品按照3:1的比例随机划分为预测集和建模集两部分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811166624.5A CN109115719A (zh) | 2018-10-08 | 2018-10-08 | 一种基于高光谱成像技术的柑橘黄龙病波段融合快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811166624.5A CN109115719A (zh) | 2018-10-08 | 2018-10-08 | 一种基于高光谱成像技术的柑橘黄龙病波段融合快速检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109115719A true CN109115719A (zh) | 2019-01-01 |
Family
ID=64857544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811166624.5A Pending CN109115719A (zh) | 2018-10-08 | 2018-10-08 | 一种基于高光谱成像技术的柑橘黄龙病波段融合快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109115719A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109632699A (zh) * | 2018-12-27 | 2019-04-16 | 赣南师范大学 | 一种基于树皮韧皮部的脐橙黄龙病近红外检测模型建立方法 |
CN110335249A (zh) * | 2019-05-31 | 2019-10-15 | 浙江大学山东工业技术研究院 | 基于高光谱成像技术的柑橘黄龙病检测方法 |
CN112098384A (zh) * | 2020-09-22 | 2020-12-18 | 华东交通大学 | 一种快速预测水质是否生物稳定的简捷方法 |
CN113155776A (zh) * | 2021-04-29 | 2021-07-23 | 华东交通大学 | 一种柑桔最佳采收期预测方法 |
CN113418878A (zh) * | 2021-06-15 | 2021-09-21 | 桂林电子科技大学 | 基于微型光谱传感器的水果成熟度检测系统及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106018332A (zh) * | 2016-07-21 | 2016-10-12 | 华南农业大学 | 一种柑桔黄龙病的近红外光谱田间检测方法 |
-
2018
- 2018-10-08 CN CN201811166624.5A patent/CN109115719A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106018332A (zh) * | 2016-07-21 | 2016-10-12 | 华南农业大学 | 一种柑桔黄龙病的近红外光谱田间检测方法 |
Non-Patent Citations (2)
Title |
---|
刘燕德等: "基于可见与近红外光谱联用的柑桔黄龙病快速无损检测研究" * |
刘燕德等: "柑桔叶片黄龙病光谱特征选择及检测模型" * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109632699A (zh) * | 2018-12-27 | 2019-04-16 | 赣南师范大学 | 一种基于树皮韧皮部的脐橙黄龙病近红外检测模型建立方法 |
CN109632699B (zh) * | 2018-12-27 | 2021-03-26 | 赣南师范大学 | 一种基于树皮韧皮部的脐橙黄龙病近红外检测模型建立方法 |
CN110335249A (zh) * | 2019-05-31 | 2019-10-15 | 浙江大学山东工业技术研究院 | 基于高光谱成像技术的柑橘黄龙病检测方法 |
CN112098384A (zh) * | 2020-09-22 | 2020-12-18 | 华东交通大学 | 一种快速预测水质是否生物稳定的简捷方法 |
CN112098384B (zh) * | 2020-09-22 | 2023-09-01 | 华东交通大学 | 一种快速预测水质是否生物稳定的简捷方法 |
CN113155776A (zh) * | 2021-04-29 | 2021-07-23 | 华东交通大学 | 一种柑桔最佳采收期预测方法 |
CN113418878A (zh) * | 2021-06-15 | 2021-09-21 | 桂林电子科技大学 | 基于微型光谱传感器的水果成熟度检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109115719A (zh) | 一种基于高光谱成像技术的柑橘黄龙病波段融合快速检测方法 | |
CN103808669B (zh) | 一种基于高光谱成像技术的苹果虫眼快速无损检测方法 | |
Zhu et al. | Foliar and woody materials discriminated using terrestrial LiDAR in a mixed natural forest | |
Nuske et al. | Automated visual yield estimation in vineyards | |
CN102288613B (zh) | 一种灰度和深度信息融合的表面缺陷检测方法 | |
Jin et al. | Comparison of different satellite bands and vegetation indices for estimation of soil organic matter based on simulated spectral configuration | |
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 | |
CN101832941B (zh) | 一种基于多光谱图像的水果品质评价装置 | |
CN105842173B (zh) | 一种高光谱材质鉴别方法 | |
Piron et al. | Weed detection in 3D images | |
CN101599126B (zh) | 利用全局互信息加权的支持向量机分类器 | |
CN103164695B (zh) | 一种基于多源图像信息融合的果实识别方法 | |
CN106290238A (zh) | 一种基于高光谱成像的苹果品种快速鉴别方法 | |
CN104897583B (zh) | 一种微量血迹无损检测装置及方法 | |
CN109001218A (zh) | 基于高光谱成像技术的苹果表面缺陷快速无损识别方法 | |
CN100520356C (zh) | 基于可见/近红外多光谱成像的灰霉病害早期诊断系统 | |
CN103063585A (zh) | 瓜果成熟度快速无损检测装置及检测系统建立方法 | |
CN109765194B (zh) | 基于高光谱成像技术的枸杞子产地识别方法 | |
CN104331978A (zh) | 纸币褶皱的识别装置和方法 | |
CN110363125A (zh) | 采用模型传递识别不同品种柑橘黄龙病的方法 | |
CN110553999A (zh) | 基于高光谱和叶绿素荧光成像融合的柑橘黄龙病检测方法 | |
CN102013095A (zh) | 基于分布变换的多传感器图像融合方法 | |
CN110555395A (zh) | 一种油菜冠层氮素含量等级分类评估方法 | |
Payne et al. | Machine vision in estimation of fruit crop yield | |
CN106169086B (zh) | 导航数据辅助下的高分辨率光学影像损毁道路提取方法 |
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 |