CN109557090A - X射线-可见光双模式成像无损提取水稻稻穗性状 - Google Patents

X射线-可见光双模式成像无损提取水稻稻穗性状 Download PDF

Info

Publication number
CN109557090A
CN109557090A CN201710896249.9A CN201710896249A CN109557090A CN 109557090 A CN109557090 A CN 109557090A CN 201710896249 A CN201710896249 A CN 201710896249A CN 109557090 A CN109557090 A CN 109557090A
Authority
CN
China
Prior art keywords
rice
spike
grain
image
ray
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
CN201710896249.9A
Other languages
English (en)
Inventor
黄成龙
杨万能
段凌凤
叶军立
刘立豪
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.)
Huazhong Agricultural University
Original Assignee
Huazhong 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 Huazhong Agricultural University filed Critical Huazhong Agricultural University
Priority to CN201710896249.9A priority Critical patent/CN109557090A/zh
Publication of CN109557090A publication Critical patent/CN109557090A/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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
    • G01N23/083—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption the radiation being X-rays
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/10—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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Toxicology (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明提供了一种X射线‑可见光双模式成像无损提取水稻稻穗性状的方法，通过双模式成像系统同步获取稻穗反射光表图像及透射光图像，应用椭圆检测、分水岭分割、细化处理与霍夫变换提取稻穗穗颈节、穗粒轮廓、米粒轮廓、穗分支骨架等特征，通过图像配准得到融合图像并建立稻穗产量性状的数学表征：采用稻穗谷粒可见光分割图像连通区域的标记个数表征总穗粒数；采用配准的米粒面积与谷粒轮廓面积之比表征穗粒的灌浆程度从而区分实粒、瘪粒，进行有效穗判定并计算结实率；通过标准样品标定，基于线性回归分析、最小二乘法，结合穗粒区域面积积分建立千粒重数学模型；通过稻穗骨架路径计算穗长、一次枝梗数、一次枝梗平均长度及二次枝梗数，用粒数与穗长之比表征着粒密度。本发明的特点在于：不经过脱粒、不经过分离实粒瘪粒的情况下即可快速、准确获取稻穗产量性状，为双模式成像在稻穗产量性状无损解析中的应用提供了一条可行途径。

Description

X射线-可见光双模式成像无损提取水稻稻穗性状
技术领域
本发明属于机器视觉检测技术，具体涉及一种X射线-可见光双模式成像无损提取水稻稻穗性状的方法，即通过可见光及X-ray同时得到稻穗反射光表面图像与透射光穗颈节和穗粒内部图像信息，并将两幅图像配准融合、结合图形分析算法得到稻穗产量性状的数学表征，包括有效穗、穗粒数、结实率、千粒重、穗长、一次枝梗数、一次枝梗平均长度、二次枝梗数、及着粒密度。
背景技术
稻作为世界三大粮食作物之一是世界半数以上人口的主粮[1]，我国是水稻最主要的生产和消费国家，水稻产量研究直接关系到我国粮食安全和农业发展[2]。稻穗产量性状获取对水稻育种以及相关功能基因解析具有重要意义，性状获取的准确度将直接影响水稻育种和基因解析的结果。构成水稻产量的四大要素有：有效穗，穗粒数，结实率及千粒重，此外，穗长、一次枝梗数、一次枝梗平均长度、二次枝梗数，也是产量相关的重要农艺学性状。
传统的稻穗产量测量方式主要依靠人工，分为穗长测量、脱粒处理、谷粒参数测量三个步骤。这一操作方式中的过程繁琐、效率低，脱粒过程易造成误差等缺陷已经成为制约水稻研究的瓶颈因素。
双模式成像是机器视觉领域常用的技术手段，通过不同信息图像融合分析为实际问题提供一条有效的解决途径，泛应用于工业、农业、医学领域。科研人员在稻穗无损检测方面进行了大量研究，但目前尚没有针对稻穗结实率、千粒重的关键产量性状的报道，并且，普遍采用的单一成像方式很难获取稻穗穗粒内部灌浆程度信息，无法有效区分稻穗上的实粒、瘪粒。本发明将填补稻穗产量性状无损解析的空白，为双模式成像在稻穗产量性状无损解析中的应用提供了可行途径。
发明内容
鉴于传统的稻穗性状提取方法的不足，本发明的目的在于提供一种水稻稻穗性状的自动提取方法，该方法能够通过X射线-可见光双模式成像同时获取稻穗反射光表面图像信息及稻穗透射光穗颈节和穗粒内部图像信息，将两幅图像配准融合、结合图形分析算法得到稻穗产量性状的数学表征，包括稻穗有效穗、穗粒数、结实率、千粒重、穗长、一次枝梗数、一次枝梗平均长度、二次枝梗数等性状。
本发明包括两个模块：1)X射线-可见光双模式成像系统，用于RGB反射光及X射线吸收图像获取；2)图像数据处理。
1)X射线-可见光双模式成像系统
成像系统实现水稻稻穗X射线-可见光双模式图像的采集，如图1所示具体包括铅防暗室1、工作站 2、LED光源 3、可见光高分辨相机 4、微焦斑X射线源 5、平移旋转控制器6、稻穗放置台 7、X射线平板探测器。
1.工作站：分别连接所述LED光源、可见光高分辨相机、微焦斑射线源、平移旋转控制台及向控制台发出控制命令，接受可见光高分辨相机和平板探测器采集的面阵列图像，并进行图像处理，显示和储存测量结果。
2.LED光源：提供可见光成像所需光照强度。
3.可见光高分辨相机：获取反射光RGB面阵列图像，该图像包含稻穗的颜色、纹理、形态等表面信息。
4.微焦斑X射线源：系统中采用的是低剂量的X射线源，用于提供可调节电压、电流稳定的X射线束。它主要由真空玻璃棺、阴极和阳极等部分组成。阴极灯丝在加热后发射电子，然后在高压电场作用下高速向阳靶面轰击，产生X射线。
5.平移旋转控制台：调整稻穗放置台位置，使稻穗位于相机视野中合适位置。
6.稻穗放置台：采用均匀透明的亚克力板(对X射线衰减小)，用于平铺稻穗。
7.X射线平板探测器：用来采集面阵列吸收图像。经微焦斑射线发出的X射线穿透检测样品到达平板探测器，平板探测器上的闪烁层发出与接收X射线成正比例关系的电子，这些电子被下层的硅光电二级管阵列采集，并转换成电荷，再转换成像素值。
基于上述成像设备实现X射线-可见光图像同步采集与配准的步骤包括：
a 采用RGB可见光相机获取反射光图像，该图像包含稻穗的颜色、纹理、形态等表面信息；
b 选用合适的X射线能量使稻穗上实粒与瘪粒之间达到最佳成像对比度，通过X射线透射成像获取稻穗的吸收图像，该图像反映稻穗内部结构信息；
两种成像过程采用同步采集控制模式，以保证两幅图像的同步采集。
c 通过实物标定，得到可见光图像与X射线图像之间的映射关系，获取配准模型。
2)图像数据处理
软件系统用于处理RGB可见光图像及X射线透射图像。如图2所示具体方法包括：
a 首先对RGB可见光图像进行自动分割算法研究得到二值图像，然后对二值图像进行椭圆检测及分水岭分割，得到单颗穗粒的图像特征，基于二值图像进行骨架提取研究得到稻穗枝梗结构图像特征；
b 对X射线的透射图像进行分割算法研究得到二值图像，基于二值图像进行椭圆检测和分水岭分割得到单颗米粒的图像特征，将米粒二值图像与原图掩膜得到反映粒密度信息的单颗穗粒X射线灰度值，提取稻穗穗梗部分并对穗颈节位置进行识别研究获取穗颈节位置图像特征。
c 基于上述产量性状图像特征，利用RGB可见光图像和X射线图像基于配准关系，得到具有所有产量特征的融合图像。
d 基于上述融合图像特征，建立稻穗产量形状的数学表征，包括有效穗、穗粒数、结实率、千粒重、穗长、一次枝梗数、一次枝梗平均长度、二次枝梗数、着粒密度。
本发明的特点在于：采用X射线-可见光双模式成像技术获取稻穗外部表观图像和内部结构图像，通过解析图像的产量特征并建立基于图像特征的产量性状表征方法，实现快速、无损获取稻穗产量性状，克服了传统有损稻穗产量测量上脱粒难、实粒瘪粒区分难的缺点，为水稻产量性状获取提供了一种创新的途径。
附图说明
图1 X射线-可见光双模式稻穗成像系统装置示意图。
图2 X射线-可见光双模式稻穗图像处理流程
图3 稻穗性状提取结构示意图
具体实施方式
该X射线-可见光双模式成像水稻稻穗性状提取装置包括两个模块：X射线-可见光双模式图像获取与图像数据处理。
1)图像获取
X射线-可见光双模式成像系统包括包括铅防暗室1、工作站 2、LED光源 3、可见光高分辨相机 4、微焦斑X射线源 5、平移旋转控制器 6、稻穗放置台 7、X射线平板探测器。
X射线-可见光图像同步采集包括以下内容：
装配好上述各装置后，调试不同的射线源电压(改变X射线能量)，找到对比度最好(对谷壳吸收小、米粒吸收大)的电压值，用于后续图像处理。将稻穗平铺于载物台，通过调节平移旋转控制器保证被测对象同时位于两套成像装置视野内。采用硬件触发成像方式，保证同步获取反射光线图像和投射光图像。
2)图像数据处理
a1 可见光图像产量相关特征提取
穗粒特征提取：对RGB可见光图像进行预处理去掉背景及噪声，采用OTSU自动阈值分割得到稻穗二值图像。采用开操作使得穗粒与穗枝之间断开，利用椭圆检测将单颗谷粒标识出来同时对黏连谷粒采用分水岭分割得到单颗谷粒标识图像；
稻穗枝梗特征提取：将稻穗二值图像减去谷粒区域得到枝梗分支区域，采用并行细化算法处理得到稻穗分支的单像素骨架。
a2 X射线图像产量相关特征提取
首先对X射线透射图像进行预处理去除背景及噪声，然后采用OTSU自动阈值分割得到稻穗二值化图像，对图像进行霍夫变换(用于直线检测)识别稻穗穗梗。
穗颈节特征提取：对穗梗掩膜处理然后进行局部区域的自动阈值分割得到穗颈节区域。
米粒图像特征提取：将剩余区域通过椭圆检测识别单颗米粒区域而对黏连米粒采用分水岭分割算法得到单颗米粒对应的二值图像。
b 图像配准融合：
首先进行位置定标，将一元钱硬币放置于两套成像系统视野的中央、四周获取5组图像对；然后计算可见光相机、X射线图像中硬币的中心点坐标，基于该坐标对利用最小二乘法计算仿形映射(y＝ax+b)中参数值；最后基于该映射关系，将X射线产量相关图像特征，映射到稻穗可见光特征图像上，得到能反映稻穗外部轮廓和内部结构的产量特征融合图像。
c 产量性状表征
基于上述图像处理得到的具有丰富产量特征的稻穗融合图像，采用如下稻穗产量性状表征方式如图3所示：
总粒数计算：基于可见光图像处理结果，对稻穗谷粒分割图像进行连通区域标记，连通区域的个数即为稻穗总穗粒数。
结实率计算：基于X-ray/RGB融合图像，计算单颗穗粒的可见光图像投影面积和X-ray米粒部分投影面积，将谷粒的X-ray投影面积比上可见光图像面积得到谷粒的灌浆程度，比值大于1/3即为实粒，反之即为瘪粒，统计所有灌浆程度大于1/3的穗粒数即为实粒数，然后将实粒数比上总粒数即可得到稻穗的结实率。
有效穗判别：根据计算得到实粒数，实粒数大于5即为有效穗。
千粒重：首先选用100组密度差异较大的谷粒，进行定标实验，获取X射线图像粒子平均灰度值和谷粒单位面积重量信息(重量由分析天平获取，面积通过图像计算获得)，再利用最小二乘法拟合得到X射线灰度值与谷粒单位面积重量之间的数学模型，基于该数学模型对单颗谷粒进行单位面积重量累加求和得到单颗谷粒的重量，最后将灌浆程度较高的稻穗谷粒筛选出来，进行重量求和换算得到千粒重。
穗长计算：首先将X-ray图像穗颈节位置映射到可见光图像上，然后根据可见光图像稻穗的骨架路径，搜索从穗颈节位置到穗顶部的穗长主路径，再对该段主路径进行重采样计算其相邻点的欧式距离和，即为穗长。
一次枝梗数、一次枝梗平均长度、二次枝梗数计算：根据稻穗骨架结构，从骨架端点至节点这一段即为二次枝梗，从穗梗节点至分支末端即为一次枝梗，搜索一次枝梗像素点个数取平均即为一次枝梗平均长度。
着粒密度：用粒数除以穗长(单位cm)然后乘以10即为稻穗着粒密度。

Claims (3)

1.一种全自动X射线-可见光双模式成像提取水稻稻穗形状的方法，分为X射线可见光双模式成像系统及图像数据分析两个功能模块，前者用于同步采集稻穗可见光、X-ray图像，后者通过双模式图像产量特征解析和产量性状数学表征研究，实现无损提取稻穗产量性状。双模式成像系统包括铅防暗室(1)、工作站(2)、LED光源(3)、可见光高分辨相机(4)、微焦斑X射线源(5)、平移旋转控制器(6)、稻穗放置台(7)、X射线平板探测器(8)。其特征在于：调试不同的射线源电压(改变X射线能量)，找到对比度最好(对谷壳吸收小、米粒吸收大)的电压值，用于后续图像处理。将稻穗平铺于载物台，通过调节平移旋转控制器保证被测对象同时位于两套成像装置视野内。采用硬件触发成像方式，保证同步获取反射光线图像和投射光图像。
2.根据权利要求1所述的图像数据分析模块，其特征在于：对RGB可见光图像进行预处理去掉背景及噪声，采用OTSU自动阈值分割得到稻穗二值图像。采用开操作使得穗粒与穗枝之间断开，利用椭圆检测将单颗谷粒标识出来同时对黏连谷粒采用分水岭分割得到单颗谷粒标识图像；稻穗枝梗特征提取：将稻穗二值图像减去谷粒区域得到枝梗分支区域，采用并行细化算法处理得到稻穗分支的单像素骨架。对X射线透射图像进行预处理去除背景及噪声，然后采用OTSU自动阈值分割得到稻穗二值化图像，对图像进行霍夫变换(用于直线检测)识别稻穗穗梗。对穗梗掩膜处理然后进行局部区域的自动阈值分割得到穗颈节区域。将剩余区域通过椭圆检测识别单颗米粒区域而对黏连米粒采用分水岭分割算法得到单颗米粒对应的二值图像。图像配准融合：首先进行位置定标，将一元钱硬币放置于两套成像系统视野的中央、四周获取5组图像对；然后计算可见光相机、X射线图像中硬币的中心点坐标，基于该坐标对利用最小二乘法计算仿形映射(y＝ax+b)中参数值；最后基于该映射关系，将X射线产量相关图像特征，映射到稻穗可见光特征图像上，得到能反映稻穗外部轮廓和内部结构的产量特征融合图像。
3.据权利要求2所述的基于上述图像处理得到的稻穗融合图像，采用如下稻穗产量性状表征方式，其特征在于：总粒数计算：基于可见光图像处理结果，对稻穗谷粒分割图像进行连通区域标记，连通区域的个数即为稻穗总穗粒数。结实率计算：基于X-ray/RGB融合图像，计算单颗穗粒的可见光图像投影面积和X-ray米粒部分投影面积，将谷粒的X-ray投影面积比上可见光图像面积得到谷粒的灌浆程度，比值大于1/3即为实粒，反之即为瘪粒，统计所有灌浆程度大于1/3的穗粒数即为实粒数，然后将实粒数比上总粒数即可得到稻穗的结实率。有效穗判别：根据计算得到实粒数，实粒数大于5即为有效穗。千粒重：首先选用100组密度差异较大的谷粒，进行定标实验，获取X射线图像粒子平均灰度值和谷粒单位面积重量信息(重量由分析天平获取，面积通过图像计算获得)，再利用最小二乘法拟合得到X射线灰度值与谷粒单位面积重量之间的数学模型，基于该数学模型对单颗谷粒进行单位面积重量累加求和得到单颗谷粒的重量，最后将灌浆程度较高的稻穗谷粒筛选出来，进行重量求和换算得到千粒重。穗长计算：首先将X-ray图像穗颈节位置映射到可见光图像上，然后根据可见光图像稻穗的骨架路径，搜索从穗颈节位置到穗顶部的穗长主路径，再对该段主路径进行重采样计算其相邻点的欧式距离和，即为穗长。一次枝梗数、一次枝梗平均长度、二次枝梗数计算：根据稻穗骨架结构，从骨架端点至节点这一段即为二次枝梗，从穗梗节点至分支末端即为一次枝梗，搜索一次枝梗像素点个数取平均即为一次枝梗平均长度。着粒密度：用粒数除以穗长(单位cm)然后乘以10即为稻穗着粒密度。
CN201710896249.9A 2017-09-23 2017-09-23 X射线-可见光双模式成像无损提取水稻稻穗性状 Pending CN109557090A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710896249.9A CN109557090A (zh) 2017-09-23 2017-09-23 X射线-可见光双模式成像无损提取水稻稻穗性状

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710896249.9A CN109557090A (zh) 2017-09-23 2017-09-23 X射线-可见光双模式成像无损提取水稻稻穗性状

Publications (1)

Publication Number Publication Date
CN109557090A true CN109557090A (zh) 2019-04-02

Family

ID=65864176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710896249.9A Pending CN109557090A (zh) 2017-09-23 2017-09-23 X射线-可见光双模式成像无损提取水稻稻穗性状

Country Status (1)

Country Link
CN (1) CN109557090A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111693551A (zh) * 2020-07-18 2020-09-22 华中农业大学 一种水稻植株及根系三维性状无损测量装置及方法
CN111895916A (zh) * 2020-07-14 2020-11-06 华南农业大学 水稻穗长测量装置及测量方法
CN115375694A (zh) * 2022-10-27 2022-11-22 浙江托普云农科技股份有限公司 便捷式的基于图像识别的水稻整穗测量方法及其应用
CN117074353A (zh) * 2023-08-18 2023-11-17 广东省农业科学院设施农业研究所 一种荔枝果实蒂蛀虫无损检测方法和系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH01312447A (ja) * 1988-06-10 1989-12-18 Satake Eng Co Ltd 米粒品位判定方法
CN104021369A (zh) * 2014-04-30 2014-09-03 南京农业大学 基于数字图像处理技术的单株水稻穗部籽粒数计数方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH01312447A (ja) * 1988-06-10 1989-12-18 Satake Eng Co Ltd 米粒品位判定方法
CN104021369A (zh) * 2014-04-30 2014-09-03 南京农业大学 基于数字图像处理技术的单株水稻穗部籽粒数计数方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周金辉等: "基于计算机视觉的玉米穗粒重无损测量方法", 《农机化研究》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111895916A (zh) * 2020-07-14 2020-11-06 华南农业大学 水稻穗长测量装置及测量方法
CN111895916B (zh) * 2020-07-14 2021-09-24 华南农业大学 水稻穗长测量装置及测量方法
CN111693551A (zh) * 2020-07-18 2020-09-22 华中农业大学 一种水稻植株及根系三维性状无损测量装置及方法
CN111693551B (zh) * 2020-07-18 2021-06-22 华中农业大学 一种水稻植株及根系三维性状无损测量装置及方法
CN115375694A (zh) * 2022-10-27 2022-11-22 浙江托普云农科技股份有限公司 便捷式的基于图像识别的水稻整穗测量方法及其应用
CN117074353A (zh) * 2023-08-18 2023-11-17 广东省农业科学院设施农业研究所 一种荔枝果实蒂蛀虫无损检测方法和系统
CN117074353B (zh) * 2023-08-18 2024-05-03 广东省农业科学院设施农业研究所 一种荔枝果实蒂蛀虫无损检测方法和系统

Similar Documents

Publication Publication Date Title
CN109738442A (zh) 一种基于大视野x射线可见光配准成像的水稻稻穗性状全自动提取系统
CN109557090A (zh) X射线-可见光双模式成像无损提取水稻稻穗性状
Liu et al. A detection and recognition system of pointer meters in substations based on computer vision
CN105488941B (zh) 基于红外-可见光图像的双光谱森林火情监测方法及装置
CN101226108B (zh) 一种雾滴分布均匀度的检测方法
CN103047998B (zh) 空间光学系统探测能力检测方法
CN108764257A (zh) 一种多视角的指针式仪表识别方法
CN108592788A (zh) 一种面向喷涂生产线的3d智能相机系统与工件在线测量方法
CN112285504B (zh) 多谱段日盲窄带紫外成像仪及其检测不同放电状态的方法
CN105300854A (zh) 雾滴参数测量装置及利用该装置的雾滴参数测量分析方法
CN103190224B (zh) 基于计算机视觉技术的玉米果穗考种方法、系统和装置
CN103439265A (zh) 一种茶树精细化栽培生育性状实时监测方法
CN108647677A (zh) 基于视觉计算的电表外观和性能智能检测方法及装置
CA2842699A1 (en) Identifying and measuring reticulocytes
CN102175701A (zh) 工业x射线机在线探伤检测系统及方法
CN110490826B (zh) 一种照相机中雾滴样本图像处理方法
CN107945156A (zh) 一种自动评价数字病理扫描图像画质的方法
CN210465246U (zh) 小麦感染赤霉病等级及病粒率高光谱无损检测装置的光谱采集装置
CN105572091B (zh) 一种叶绿素荧光探测装置以及探测方法
CN110097540A (zh) 多边形工件的视觉检测方法及装置
CN108830840A (zh) 一种电路板缺陷的主动智能检测方法及其应用
CN109712084A (zh) 一种图像修复方法、图像修复系统及平板探测器
CN101929843B (zh) 水稻穗长的自动测量装置及测量方法
CN107576600B (zh) 一种抹茶粒度等级的快速检测方法
CN104257396A (zh) 基于ct的宽幅面动态三维人体扫描系统

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190402

WD01 Invention patent application deemed withdrawn after publication