CN109387498A - 一种基于光谱成像技术的豆象危害情况观测技术 - Google Patents
一种基于光谱成像技术的豆象危害情况观测技术 Download PDFInfo
- Publication number
- CN109387498A CN109387498A CN201811519874.2A CN201811519874A CN109387498A CN 109387498 A CN109387498 A CN 109387498A CN 201811519874 A CN201811519874 A CN 201811519874A CN 109387498 A CN109387498 A CN 109387498A
- Authority
- CN
- China
- Prior art keywords
- bean
- seed
- bean weevil
- wavelength
- wave
- 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.)
- Granted
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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6402—Atomic fluorescence; Laser induced fluorescence
Landscapes
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Optics & Photonics (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公布了一种基于光谱成像技术的豆象危害情况观测技术,属于植物病虫害研究技术领域,该方法可以随机选取豆类种子,将种子静置与平面上,利用光谱成像系统获取种子光谱图像,使用软件FluorCam7 Software,获得的特征波长F440或F520下的图像和Numeric Avg,结合图像和数据分析判断该批豆类种子中受到豆象危害的情况。本发明操作方便,适用性广,可大批量超作,减少人为判断误差,判断精确。
Description
技术领域
本发明属于植物病虫害研究技术领域,涉及豆象对绿豆危害情况的快速观测技术。
背景技术
豆类营养丰富,医食同源,是现代功能性食品开发的重要作物,也是普通民众获取高质量蛋白质的重要来源,其多种加工品是我国人民喜爱的传统美食。豆象是对绿豆以及其他所有豆类危害最严重的昆虫之一,特别是对仓储过程中的影响,毁灭性极强,造成仓库中豆类大量损失。豆类仓库一般存储数量巨大,而豆象产卵直径约1毫米,现阶段还未有专业的仪器去观测判断豆象危害情况,只能依靠肉眼观测,工作繁琐且受到主观影响大,如何能有效快速的判断豆象对仓库中豆类的危害情况,如何能高通量的筛选出抗豆象品种,是豆类育种研究和仓储研究的关键性问题。
因此,如何快速、高效的判断绿豆和其他豆类的豆象危害情况,是现阶段研究的关键。但目前相关报告并不多见。
发明内容
本发明的目的是提供一种基于光谱成像技术的豆象危害情况观测技术,该方法操作方便,适用性广,一次超作可筛选大批量目标,减少人为判断误差,判断精确。
本发明采用以下技术方案:
一种基于光谱成像技术的豆象危害情况观测方法,包括以下步骤:
(1)随机选择豆类种子一批;
(2)将种子放置于能够发射长波段UV紫外光的多光谱荧光成像平面上,豆类在被长波段UV紫外光激发产生荧光光谱,选择波长440nm或520nm下观测的荧光光谱特征图像,通过是否显示红色光谱判断绿豆种子表面是否有豆象产卵,以此结果判断该批次豆类种子的豆象损害情况。
作为本发明所述的基于光谱成像技术的豆象危害情况观测方法的优选,多光谱荧光成像发射的长波段UV紫外光波长范围为320nm-400nm,可以激发目标产生具有4个特征性波峰的荧光光谱,4个波峰的波长分别为蓝光440nm、绿光520nm、红光690nm和远红外740nm。
作为本发明所述的基于光谱成像技术的豆象危害情况观测方法的优选,利用能够发射长波段UV紫外光的多光谱荧光成像系统获取种子光谱图像,所选用的特征波长是440nm或520nm,获得特征波长的光谱图像后,利用相应软件FluorCam7Software,获得的440nm或520nm波长下图像和Numeric Avg数据;根据440nm或520nm波长下图像是否显示红色或者根据Numeric Avg数据的变化以此结果判断该批次豆类种子的豆象损害情况。
所述的豆类适用于所有豆象危害的豆类,进一步优选大豆、绿豆、红小豆、豌豆、蚕豆、芸豆或豇豆。
一种区分不同豆类品种对豆象危害抗性的方法,包括用能够发射长波段UV紫外光的多光谱荧光成像系统观测不同豆类品种在没有豆象和放置一段时间受豆象侵害后的特征波长的光谱图像,利用相应软件FluorCam7Software,获得的440nm或520nm波长下图像和Numeric Avg数据;通过比较不同豆类品种光谱变化的幅度,以此结果可以判断不同豆类品种对豆象危害的不同抗性。
作为本发明所述的方法,:多光谱荧光成像发射的长波段UV紫外光波长范围为320nm-400nm,可以激发目标产生具有4个特征性波峰的荧光光谱,4个波峰的波长分别为蓝光440nm、绿光520nm、红光690nm和远红外740nm。
有益效果:
现阶段豆类在仓储过程中受到豆象危害严重,但由于豆象卵过于微小,难于观查,受人为因素影响大,至今也未见对其进行相关检测的技术报道。本发明提供了一种基于光谱成像技术的豆象危害情况观测技术,可用于快速、高效、准确的观测一批豆类种子中豆象的危害情况,该技术可用于豆象危害的各类种子,结果不受人为因素影响,高效快速得到准确的结果。通过该技术的利用,能初步的分析出豆类材料对豆象的抗性,极大的加快豆类抗豆象品种的选育进程,促进豆类抗豆象品种的应用,减少化学杀豆象药剂的使用,对食品健康安全和环境保护有着重要的意义。
附图说明
图1是波长440nm下绿豆品种苏绿2号种子成像图,其中有三颗种子明显显示红色,表明种子受到了豆象的危害,与肉眼统计结果对应
图2是波长520nm下绿豆品种苏绿2号种子成像图,其中三颗种子明显显示红色,表明种子受到了豆象的危害,另外还有两颗种子部分区域显红色,表明这两颗种子受轻微的豆象危害;与肉眼统计结果对应
图3是上图中红色显示被豆象危害的绿豆品种苏绿2号种子原色图
图4是图像处理F440和F520波长下绿豆品种苏绿2号种子Numeric Avg数据
图5是图像处理F440波长下不同抗性的绿豆品种变化差异,纵坐标表示侵染后Numeric Avg数值/侵染前Numeric Avg数值
图6是波长440nm下绿豆品种苏绿6号种子成像图,其中有三颗种子明显显示红色,表明种子受到了豆象的危害,与肉眼统计结果对应
图7是波长520nm下绿豆品种苏绿6号种子成像图,其中三颗种子明显显示红色,表明种子受到了豆象的危害,与肉眼统计结果对应
图8是图7中红色显示被豆象危害的绿豆品种苏绿6号种子原色图
图9是波长440nm下红小豆品种苏红2号种子成像图,其中有三颗种子明显显示红色,表明种子受到了豆象的危害,与肉眼统计结果对应
图10是波长520nm下红小豆品种苏红2号种子成像图,其中三颗种子明显显示红色,表明种子受到了豆象的危害;与肉眼统计结果对应
图11是图10中红色显示被豆象危害的红小豆品种苏红2号种子原色图
具体实施方式
实施例1
1)种子筛选:选择绿豆品种苏绿2号50g(700粒以上),对当年新采收的每个种子进行表面观察,挑选表面正常,无病害表现的种子,进行下一步试验。
2)混入受到豆象危害的绿豆种子:选择已受到豆象危害的绿豆种子5g左右(73粒),混入上述50g正常的种子中,随机混匀后,随机抓取一把种子(52粒),原色图见图3,放入观测平台上。
3)观测分析:运用FluorCam荧光成像系统观测放置于平台上的绿豆种子,该系统长波段UV紫外光(320nm-400nm),可以激发目标产生具有特征性波峰的荧光光谱,获得光谱图像后,利用相应软件FluorCam7Software,可获得的F440和F520波长下图像(图1-2)和Numeric Avg数据(表1)。根据表1数据绘制出在F440和F520波长下各个绿豆种子的表现情况(图4)。可以明显看到有3个种子的数值明显高于整个群体,另外有2个种子的数值略高于群体值,可以从人工数卵的数据结果证明,这5个种子上都带有一定程度的豆象虫卵。试验证明可以通过该技术获得的数据,初步判断绿豆种子中豆象危害种子的数量。
表1图像处理F440和F520波长下Numeric Avg数据
实施例2(图5)
1)种子筛选:选择4个绿豆品种抗豆象品种1、抗豆象品种2、非抗豆象品种1、非抗豆象品种2,对当年新采收的每个种子进行表面观察,挑选表面正常,无病害表现的种子6粒,进行下一步试验。
2)混入受到豆象危害的绿豆种子:选择同样的4个绿豆品种若干粒,单独放置在独立容器中,添加同样数量和大小的绿豆象10只,共培养7天后,分别取6粒种子,与步骤1中种子并排放入观测平台上。
3)观测分析:运用FluorCam荧光成像系统观测放置于平台上的绿豆种子,该系统长波段UV紫外光(320nm-400nm),可以激发目标产生具有特征性波峰的荧光光谱,获得光谱图像后,利用相应软件FluorCam7Software,可获得的F440和F520波长下图像和NumericAvg数据,利用F440的数据值,将受到豆象侵染后的种子的数值除以侵染前的数值,观察获得的比值可以发现,抗性品种的值远低于非抗性品种(图5),可以用该方法初步判断绿豆品种对豆象的抗性大小。
实施例3(图6~8,表2)
1)种子筛选:选择绿豆品种苏绿6号,对当年新采收的每个种子进行表面观察,挑选表面正常的种子10粒,进行下一步试验。
2)混入受到豆象危害的绿豆种子:选择已受到豆象危害的绿豆种子3粒,混入上述正常的种子中,随机混匀后,随机放入观测平台上。
3)观测分析:运用FluorCam荧光成像系统观测放置于平台上的绿豆种子,该系统长波段UV紫外光(320nm-400nm),可以激发目标产生具有特征性波峰的荧光光谱,获得光谱图像后,利用相应软件FluorCam7Software,可获得的F440和F520波长下图像和NumericAvg数据(表2)。根据图和表数据可以明显看到有3个种子的数值明显高于整个群体,可以从人工数卵的数据结果证明,这3个种子上都带有一定程度的豆象虫卵。试验证明可以通过该技术获得的数据,初步判断绿豆种子中豆象危害种子的数量。
表2图像处理F440和F520波长下Numeric Avg数据
实施例4(图9~11,表3)
1)种子筛选:选择红小豆品种苏红2号,对当年新采收的每个种子进行表面观察,挑选表面正常的种子11粒,进行下一步试验。
2)混入受到豆象危害的种子:选择已受到豆象危害的红小豆种子3粒,混入上述正常的种子中,随机混匀后,随机放入观测平台上。
3)观测分析:运用FluorCam荧光成像系统观测放置于平台上的种子,该系统长波段UV紫外光(320nm-400nm),可以激发目标产生具有特征性波峰的荧光光谱,获得光谱图像后,利用相应软件FluorCam7Software,可获得的F440和F520波长下图像和Numeric Avg数据(表3)。根据图和表数据可以明显看到有3个种子的数值明显高于整个群体,可以从人工数卵的数据结果证明,这3个种子上都带有一定程度的豆象虫卵。试验证明可以通过该技术获得的数据,初步判断红小豆种子中豆象危害种子的数量。
表3图像处理F440和F520波长下Numeric Avg数据
实施例5(表4)
1)种子筛选:选择菜豆品种苏菜豆6号,对当年新采收的每个种子进行表面观察,挑选表面正常的种子10粒,进行下一步试验。
2)混入受到豆象危害的种子:选择已受到豆象危害的菜豆种子2粒,混入上述正常的种子中,随机混匀后,随机放入观测平台上。
3)观测分析:运用FluorCam荧光成像系统观测放置于平台上的种子,该系统长波段UV紫外光(320nm-400nm),可以激发目标产生具有特征性波峰的荧光光谱,获得光谱图像后,利用相应软件FluorCam7Software,可获得的F440和F520波长下图像和Numeric Avg数据(表4)。根据图和表数据可以明显看到有3个种子的数值明显高于整个群体,可以从人工数卵的数据结果证明,这3个种子上都带有一定程度的豆象虫卵。试验证明可以通过该技术获得的数据,初步判断菜豆种子中豆象危害种子的数量。
表4图像处理F440和F520波长下Numeric Avg数据
实施例6(表5)
1)种子筛选:选择大豆品种苏豆10号,对当年新采收的每个种子进行表面观察,挑选表面正常的种子11粒,进行下一步试验。
2)混入受到豆象危害的种子:选择已受到豆象危害的大豆种子2粒,混入上述正常的种子中,随机混匀后,随机放入观测平台上。
3)观测分析:运用FluorCam荧光成像系统观测放置于平台上的种子,该系统长波段UV紫外光(320nm-400nm),可以激发目标产生具有特征性波峰的荧光光谱,获得光谱图像后,利用相应软件FluorCam7Software,可获得的F440和F520波长下图像和Numeric Avg数据(表5)。根据图和表数据可以明显看到有3个种子的数值明显高于整个群体,可以从人工数卵的数据结果证明,这3个种子上都带有一定程度的豆象虫卵。试验证明可以通过该技术获得的数据,初步判断大豆种子中豆象危害种子的数量。
表5图像处理F440和F520波长下Numeric Avg数据
实施例7(表6)
1)种子筛选:选择豌豆品种苏豌2号,对当年新采收的每个种子进行表面观察,挑选表面正常的种子10粒,进行下一步试验。
2)混入受到豆象危害的种子:选择已受到豆象危害的豌豆种子2粒,混入上述正常的种子中,随机混匀后,随机放入观测平台上。
3)观测分析:运用FluorCam荧光成像系统观测放置于平台上的种子,该系统长波段UV紫外光(320nm-400nm),可以激发目标产生具有特征性波峰的荧光光谱,获得光谱图像后,利用相应软件FluorCam7Software,可获得的F440和F520波长下图像和Numeric Avg数据(表5)。根据图和表数据可以明显看到有3个种子的数值明显高于整个群体,可以从人工数卵的数据结果证明,这3个种子上都带有一定程度的豆象虫卵。试验证明可以通过该技术获得的数据,初步判断豌豆种子中豆象危害种子的数量。
表6图像处理F440和F520波长下Numeric Avg数据
Claims (6)
1.一种基于光谱成像技术的豆象危害情况观测方法,其特征在于包括以下步骤:
(1)随机选择豆类种子一批;
(2)将种子放置于能够发射长波段UV紫外光的多光谱荧光成像平面上,豆类在被长波段UV紫外光激发产生荧光光谱,选择波长440nm或520nm下观测的荧光光谱特征图像,通过是否显示红色光谱判断绿豆种子表面是否有豆象产卵,以此结果判断该批次豆类种子的豆象损害情况。
2.根据权利要求1所述的基于光谱成像技术的豆象危害情况观测方法,其特征在于:多光谱荧光成像发射的长波段UV紫外光波长范围为320nm-400nm,可以激发目标产生具有4个特征性波峰的荧光光谱,4个波峰的波长分别为蓝光440nm、绿光520nm、红光690nm和远红外740nm。
3.根据权利要求1所述的基于光谱成像技术的豆象危害情况观测方法,其特征在于:利用能够发射长波段UV紫外光的多光谱荧光成像系统获取种子光谱图像,所选用的特征波长是440nm或520nm,获得特征波长的光谱图像后,利用相应软件FluorCam7Software,获得的440nm或520nm波长下图像和Numeric Avg数据;根据440nm或520nm波长下图像是否显示红色或者根据Numeric Avg数据的变化以此结果判断该批次豆类种子的豆象损害情况。
4.根据权利要求1所述的基于光谱成像技术的豆象危害情况观测方法,其特征在于:所述的豆类适用于所有豆象危害的豆类,进一步优选大豆、绿豆、红小豆、豌豆、蚕豆、芸豆或豇豆。
5.一种区分不同豆类品种对豆象危害抗性的方法,其特征在于:包括用能够发射长波段UV紫外光的多光谱荧光成像系统观测不同豆类品种在没有豆象和放置一段时间受豆象侵害后的特征波长的光谱图像,利用相应软件FluorCam7Software,获得的440nm或520nm波长下图像和Numeric Avg数据;通过比较不同豆类品种光谱变化的幅度,以此结果可以判断不同豆类品种对豆象危害的不同抗性。
6.根据权利要求5所述的方法,其特征在于:多光谱荧光成像发射的长波段UV紫外光波长范围为320nm-400nm,可以激发目标产生具有4个特征性波峰的荧光光谱,4个波峰的波长分别为蓝光440nm、绿光520nm、红光690nm和远红外740nm。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811519874.2A CN109387498B (zh) | 2018-12-12 | 2018-12-12 | 一种基于光谱成像技术的豆象危害情况观测技术 |
PCT/CN2019/092863 WO2020119067A1 (zh) | 2018-12-12 | 2019-06-25 | 一种基于光谱成像技术的豆象危害情况观测技术 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811519874.2A CN109387498B (zh) | 2018-12-12 | 2018-12-12 | 一种基于光谱成像技术的豆象危害情况观测技术 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109387498A true CN109387498A (zh) | 2019-02-26 |
CN109387498B CN109387498B (zh) | 2021-07-13 |
Family
ID=65429125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811519874.2A Active CN109387498B (zh) | 2018-12-12 | 2018-12-12 | 一种基于光谱成像技术的豆象危害情况观测技术 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109387498B (zh) |
WO (1) | WO2020119067A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020119067A1 (zh) * | 2018-12-12 | 2020-06-18 | 江苏省农业科学院 | 一种基于光谱成像技术的豆象危害情况观测技术 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4390787A (en) * | 1980-10-29 | 1983-06-28 | The United States Of America As Represented By The Secretary Of Agriculture | Method and apparatus for automatic egg mass counting |
CN102348976A (zh) * | 2009-01-30 | 2012-02-08 | 乔治亚大学研究基金公司 | 用于探测植物中的昆虫诱导的损害的非侵入性方法和设备 |
CN104990888A (zh) * | 2015-06-24 | 2015-10-21 | 河南工业大学 | 利用太赫兹成像技术检测储备粮食粒内虫害的方法 |
CN105532585A (zh) * | 2016-02-02 | 2016-05-04 | 江苏省农业科学院 | 一种抗豆象种质资源筛选装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2741105C (en) * | 2008-10-21 | 2019-01-15 | Chemometec A/S | Apparatus and methods for analyzing fluorescent particles |
US20120311744A1 (en) * | 2011-06-06 | 2012-12-06 | Erich E. Sirkowski | Marked Cannabis For Indicating Medical Marijuana |
CN102621118B (zh) * | 2012-03-18 | 2013-11-06 | 吉林大学 | 温室蔬菜病虫害的预警方法 |
WO2015054434A1 (en) * | 2013-10-08 | 2015-04-16 | Rutgers, The State University Of New Jersey | Process for providing luminescence in or from a food product |
CN106896077B (zh) * | 2017-04-28 | 2019-05-28 | 浙江大学 | 基于叶绿素荧光成像的转基因玉米草甘膦耐受性表型的检测方法 |
CN109387498B (zh) * | 2018-12-12 | 2021-07-13 | 江苏省农业科学院 | 一种基于光谱成像技术的豆象危害情况观测技术 |
-
2018
- 2018-12-12 CN CN201811519874.2A patent/CN109387498B/zh active Active
-
2019
- 2019-06-25 WO PCT/CN2019/092863 patent/WO2020119067A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4390787A (en) * | 1980-10-29 | 1983-06-28 | The United States Of America As Represented By The Secretary Of Agriculture | Method and apparatus for automatic egg mass counting |
CN102348976A (zh) * | 2009-01-30 | 2012-02-08 | 乔治亚大学研究基金公司 | 用于探测植物中的昆虫诱导的损害的非侵入性方法和设备 |
CN104990888A (zh) * | 2015-06-24 | 2015-10-21 | 河南工业大学 | 利用太赫兹成像技术检测储备粮食粒内虫害的方法 |
CN105532585A (zh) * | 2016-02-02 | 2016-05-04 | 江苏省农业科学院 | 一种抗豆象种质资源筛选装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020119067A1 (zh) * | 2018-12-12 | 2020-06-18 | 江苏省农业科学院 | 一种基于光谱成像技术的豆象危害情况观测技术 |
Also Published As
Publication number | Publication date |
---|---|
CN109387498B (zh) | 2021-07-13 |
WO2020119067A1 (zh) | 2020-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Boelt et al. | Multispectral imaging–a new tool in seed quality assessment? | |
CN1242256C (zh) | 用于分析和改进农产品的设备和方法 | |
Matthews et al. | Towards automated single counts of radicle emergence to predict seed and seedling vigour | |
Sako et al. | A system for automated seed vigour assessment | |
US8031910B2 (en) | Method and apparatus for analyzing quality traits of grain or seed | |
US9053353B2 (en) | Image classification of germination potential of somatic embryos | |
Singh et al. | Detection of midge-damaged wheat kernels using short-wave near-infrared hyperspectral and digital colour imaging | |
US8744775B2 (en) | Methods for classification of somatic embryos comprising hyperspectral line imaging | |
CA2333184C (en) | Methods for classification of somatic embryos | |
Ishak et al. | Image based modeling for oil palm fruit maturity prediction | |
AU2005209655B2 (en) | Method of classifying plant embryos using penalized logistic regression | |
Brown et al. | A high-throughput automated technique for counting females of Heterodera glycines using a fluorescence-based imaging system | |
Sayıncı et al. | Determination of shape in fruits of cherry laurel (Prunus laurocerasus) accessions by using Elliptic Fourier analysis | |
CN109387498A (zh) | 一种基于光谱成像技术的豆象危害情况观测技术 | |
Abud et al. | Image analysis of the seeds and seedlings of Vigna radiata L. | |
WO2021009753A1 (en) | Means and methods for scoring vegetables and fruits | |
Widiastuti et al. | Digital image analysis using flatbed scanning system for purity testing of rice seed and confirmation by grow out test | |
Shimizu et al. | A high-throughput color measurement system for evaluating flesh browning in apples | |
CN102239793A (zh) | 水稻害虫实时分类方法及系统 | |
RU2420801C2 (ru) | Способ определения количества объектов на плоской поверхности | |
CN108369192A (zh) | 用于测量花序、种子和/或种子产量表型的方法和设备 | |
Emadzadeh et al. | Monitoring geometric characteristics of rice during processing by image analysis system and micrometer measurement | |
Manamohana et al. | Applications of colour models in the food processing industry: A systematic review | |
Yang et al. | Rapid non-destructive testing of smooth bromegrass (Bromus inermis) seed vigour using multispectral imaging | |
Zhang et al. | Comparison of Color Model in Cotton Image Under Conditions of Natural Light |
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 |