CN109827910A - 一种建立果园数据快速监测处理方法 - Google Patents
一种建立果园数据快速监测处理方法 Download PDFInfo
- Publication number
- CN109827910A CN109827910A CN201910060540.1A CN201910060540A CN109827910A CN 109827910 A CN109827910 A CN 109827910A CN 201910060540 A CN201910060540 A CN 201910060540A CN 109827910 A CN109827910 A CN 109827910A
- Authority
- CN
- China
- Prior art keywords
- jujube
- image
- spectrum
- angle
- polarization
- 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
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种建立果园数据快速监测处理方法。本发明方法包括:检测果品理化品质并采集理化数据;获取果品高光谱图像;利用与高光谱图像相关处理软件,对海量高光谱图像和理化数据进行分析,提取特征建立果品品质特征因子与多维光学参量对应的标准模型;利用神经网络算法获取不同特征权重;提取品质特征波段的高光谱图像,利用谱偏相关进行特征增强;利用标准模型对其他待检测果品进行理化品质分类,获得不同成分和浓度范围参考分类图像,建立特征分类图像库;采用体全息相关识别技术对参考分类图像进行特征存储和识别,对比识别效果对参考图像特征和权重系数进行修正;建立果园大数据系统,实现果园海量信息的快速监测处理。
Description
技术领域
本发明涉及农产品快速无损检测技术领域,尤其涉及一种建立果园数据快速监测处理方法。
背景技术
红枣是一种具有极高的营养保健价值及药用价值的植物果品,是集药、食、补三大功能为一体的保健果品。新疆是我国红枣主要产区之一,其红枣资源非常丰富,且样本种类繁多。随着多年来不断地进行品种选育。不同品种甚至同一品种间红枣品质具有较大差异,表征红枣品质的信息量很大。
现代农业进入大数据时代,农业信息化发展,迫切需要一种技术对现代精准农业技术产生海量增长监测数据,进行快速处理和深度挖掘。红枣属于天然产物实际采收后,由于不同产地,不同品种,不同树龄,不同成熟度,不同表面粗糙度,不同光泽度,不同温度条件等因素,引起相应光谱变化特征千差万别。南疆红枣种植面积快速增长,不同枣园果品品质还受地理位置,土壤,管理方式等因素影响。红枣产业健康快速发展,急需对海量枣园红枣品质信息进行快速处理和识别。体全息相关存储识别具有多特征并行快速处理特点。如何发挥体全息处理优势从海量数据中快速提取多维光谱特征信息,建立光谱与品质特征有效对应关系,是本发明的重要内容。
目前还没有一套针对果园中红枣等果品品质,从采集数据、处理、提取特征等海量数据快速处理方法和技术。
发明内容
有鉴于此,本发明实施例结合体全息相关识别技术提供了一种建立果园数据快速监测处理方法,主要目的是基于海量标记不同品质特征红枣的理化指标和光谱,通过人工神经网络进行特征学习和训练,通过聚类算法获得光谱和品质对应的共性特征参数;调整网络权重和阈值的分类算法获得红枣个性特征参数;将训练数据网络分别记录在体全息晶体;作为共性识别和个性识别的数据库。采用高光谱图像技术和体全息存储技术建立一种可用于果园在线品质监测和快速响应的生态大数据系统。
为达到上述目的,本发明主要提供了如下技术方案:
一方面,本发明实施例提供了一种建立果园数据快速监测处理方法,包括步骤:
(1)检测红枣理化品质并采集理化指标数据;其中,所述理化指标包括白熟期、脆熟期及完熟期中枣的糖度、酸度、水分、硬度、脆度、体积大小、果重、纹理、光泽度及颜色;
(2)在高光谱相机前加设偏振片,设置四个偏振方向0°、90°、45°及135°,采用该系统对检测完理化品质的红枣采集高光谱图像,获得所述红枣的四个不同偏振方向的高光谱图像;
(3)利用与高光谱图像相关处理软件,将所述高光谱图像和所述理化指标数据进行人工神经网络学习训练,建立所述红枣品质特征因子与多维光学参量对应的标准模型;将获取的不同特征光谱权重系数作为设计融合红枣组分多个单色光谱图像权重因子的依据;提取红枣品质特征波段的高光谱图像,利用谱像相关和谱偏相关技术处理获得红枣高光谱单色特征增强图像;其中,确定出所述典型波段为band22、band86、band68、band122、band47及band109中的一种或多种波段组合;确定出所述四个偏振方向为0°、90°、45°及135°(确定最佳方向);所述图像交叉相关处理的公式包括三项:(b22d45-b86d135)/(b86d45+b22d135),(b22d45-b86d135)/(b22d45+b86d135),b22d45×b86d135-b86d45×b22d135;b表示波段,d表示偏振方向;其中,b22d45表示45度偏振方向中第22波段高光谱图像,其他依次类推;
所述标准模型包括以下两种:
(3-1)对于含水量较高的光滑红枣,基于实验数据对阴影部分和较亮部分偏振度拟合模型如下:
Shadow model:
y=-6E-15x5+2E-11x4-2E-08x3-1E-05x2+0.0347x-15.278;
R2=0.9116;
bright modle:
y=1E-14x5-7E-11x4+2E-07x3-0.0003x2+0.1711x-45.041;
R2=0.8915;其中,x、y、R分别表示波长、dolp线偏振度、相关系数;
(3-2)对于含水量较低的光滑红枣,基于实验数据对阴影部分和较亮部分偏振度拟合模型如下:
Shadow model:
y=1E-14x5-8E-11x4+2E-07x3-0.0003x2+0.2139x-56.219;
R2=0.9437;
bright model:
y=-2E-15x5+1E-11x4-2E-08x3+2E-05x2-0.0023x-1.4623;
R2=0.8093;
其中,其中,x、y、R分别表示波长、dolp线偏振度、相关系数;
(4)按照预设理化分类标准,利用所述标准模型对其他待检测红枣进行理化品质分类,按不同成分和浓度范围形成所述待检测红枣的理化品质特征的参考分类图像,分别建立不同浓度和不同组分的参考分类光谱图像库;其中,所述预设理化分类标准包括:水分含量为20%-50%,糖度为30%-70%,酸度为0.1%-2%;
(5)采用体全息存储技术对所述参考分类图像进行存储,依据红枣特征波长,分别设计光栅,每重光栅对应一个设计波长;调整入射光角度和衍射光角度,对不同特征图像进行空间分离;其中,所述体全息存储技术是针对所述分类图像,利用空间光调制器先将非相干光转化为相干光图像并形成二维数据页,再利用角度复用方式将大量的所述二维数据页存储于所述体全息控制器中,利用CCD从所述体全息控制器中进行读取。
作为优选,所述步骤(5)具体为:高光谱图像经特征提取处理后存储在体全息记录介质中(体全息晶体如铌酸锂或光致聚合物),所述体全息存储技术是依据红枣组分光谱特征波长,以记录点为中心,以不同浓度组分为半径,通过角度复用技术,按逆时针转过一定夹角依次以水分、糖度及酸度三个方向排列相应标记1,2,3位置,与对应特征光谱垂直的三个方向分别1‘2‘3‘为水分、糖度及酸度三种不同组分光栅方向,通过偏振复用技术,以体全息记录材料的不同偏振方向衍射效率,选择在不同偏振方向记录不同特征光谱,每重光栅对应一个组分特征波长;利用体全息晶体空间复用、偏振复用和角度复用技术,将同一组分特征的多特征波长图像组合记录;通过调整入射光角度和衍射出射光角度,将不同组分特征图像进行空间分离,通过改变光栅衍射光的出射位置、调整体全息记录材料的折射率控制衍射效率以及带宽,调整红枣品质特征图像权重以获得更好的分类识别效果。
作为优选,在建立所述标准模型时考虑到温度影响因子,所述温度影响因子的确定方法包括:将所述红枣分别放置于冷藏环境中和室温环境中,分别采集所述红枣的理化数据和高光谱图像,通过已有的典型环境温度参考模型匹配,获得适宜温度高光谱图像,结合模型分析确定出最佳温度影响系数,目的是提高体全息识别的温度适应性。
作为优选,所述红枣品质因子包括红枣水分、糖度和酸度;所述多维光学参量为光谱;所述高光谱单色特征增强图像包括纹理和边缘信息;所述权重因子包括分布地域、品种、大小、水分和糖度。
作为优选,所述谱偏相关技术处理中,按照公式DoLP=p0+p1ξ+p2ξ2+p3ξ3+p4ξ4+p5ξ5确定最大偏振度对应的相位角;其中,相位角为入射角和探测角之间的夹角,p0、p1、p2、p3、p4和p5为拟合的标定参数,ξ为相位角;所述相位角与红枣实际对应位置有关,相位角为入射方向与探测方向的夹角;利用角度关系对高光谱影像做网格化处理,分别建立不同相位角光谱偏振度子模型;按像素点的间距反演红枣样品的方位信息对光谱进行距离和角度方位信息的匹配校正,从不同方位的红枣得出相位角反演实际偏振度。
另一方面,本发明实施例提供了上述一种建立果园数据快速监测处理方法在识别果品品质中的应用所述果品包括苹果、梨或南疆枣。
与现有技术相比,本发明的有益效果是:
本发明将高光谱图像技术和体全息存储技术有利的相结合首次应用于果品品质监测技术领域,应用标准模型对果品大量理化数据进行了详细且准确分类,并存储于体全息存储介质中,有效利用了高光谱成像准确的优势和体全息存储识别快速、容量大和并行计算优势,将两者先进的技术进行有利结合,建立起所述的果品品质监测生态大数据系统并应用于在线识别领域;为今后果品(如枣、苹果、梨)低成本在线品质分级和其他特色果品近地面遥感领域快速获取特征信息方面具有重要意义。
附图说明
图1是本发明实施例提供的含水量较高的光滑红枣偏振度随波长变化规律;
图2是本发明实施例提供的含水量较低的光滑红枣偏振度随波长变化规律;
图3是本发明实施例提供的谱偏相关处理户外枣树冠层光谱对比图;
图4是本发明实施例获得的四个不同偏振方向(0,45,90,135)的高光谱亮暗部分差异图像;
图5是本发明实施例提供的相位角与红枣实际对应位置图;
图6是本发明实施例提供的建立标准模型的流程图;
图7是本发明实施例提供的建立果园品质信息快速处理方法的流程图;
图8是本发明实施例提供的建立果园品质信息快速处理方法的表达图;
图9是本发明实施例提供的体全息存储技术相关表达图;
图10是本发明实施例提供的体全息分类存储示意图;
图11是本发明实施例提供的体全息存储技术原理图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下以较佳实施例,对依据本发明申请的具体实施方式、技术方案、特征及其功效,详细说明如后。下述说明中的多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
实施例1(南疆枣园)
以10团和224团的枣园为研究对象,分别在枣的白熟期、脆熟期及完熟期分别采集枣的糖度、酸度、水分、体积大小、纹理及颜色并记录枣的理化数据;采用成像光谱仪卓立汉光高光谱相机NE17采集已检测完理化数据枣的高光谱图像,利用计算机图像处理软件和大量的理化数据对标准模型各参数进行筛选、校正和确定;考虑到环境温度对理化性质和高光谱图像的影响,分别将待检测的枣放置于冷藏环境中和室温环境中,分别采集他们的理化数据和高光谱图像,再次带入模型进行计算、校正,确定出最佳温度影响系数;在处理高光谱图像中,选取相应波段,对符合要求的波长分离组合,将大量高光谱图像按照水分20%-50%,糖度30%-70%,酸度0.1%-2%的标准进行波段和波长的划分,不同波长波段的图像组合分别形成水分图像集、糖度图像集和酸度图像集;采用空间光调制器将按照上述分类标准分类好的图像集的各图像的非相干光转化为相干光图像,并形成二维数据页,上述二维数据页作为全息基元存储于光致折变晶体中;控制体全息控制器的精密转台转动,采用角度复用技术存储上述图像数据,并按照梯度方式对上述图像数据进行存储;例如,将表征20%水分的图像存储于10度存储晶体空间中,将表征30%水分的图像存储于20度存储晶体空间中,将分类图像与角度按梯度进行存储,方便后期读取(采用CCD);将大量枣的品质信息存储于晶体材料中,形成红枣品质监测快速相应生态大数据系统,其可用于识别其他红枣品质,具体如图1-图10所示。
体全息存储技术相关技术原理如图11所示,具体的多重体全息光谱色散器件根据多重存储相互独立的思想以及体全息光栅的布喇格波长选择性,依据果品品质特征波长(水分,糖度,酸度),分别设计光栅,每重光栅对应一个组分特征波长;调整入射光角度和衍射出射光角度,不同特征图像空间分离。利用体全息空间复用,偏振复用,和角度复用技术,将同一特征的多特征波长图像组合记录。通过改变光栅衍射光的出射位置、调整体全息记录材料的折射率控制衍射效率以及带宽,达到调整果品品质特征图像权重的目的。
上述实施例1的方法同样适用于苹果园和梨园;其中采用的高光谱图像采集技术和图像相关处理软件为本领域常规技术;上述体全息存储技术(包括空间光调制器的转换输入和CCD的数据读取)为本领域常规技术。
本发明实施例中未尽之处,本领域技术人员均可从现有技术中选用。
以上公开的仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以上述权利要求的保护范围为准。
Claims (6)
1.一种建立果园数据快速监测处理方法,其特征在于,所述方法包括:
(1)检测红枣理化品质并采集理化指标数据;其中,所述理化指标包括白熟期、脆熟期及完熟期中枣的糖度、酸度、水分、硬度、脆度、体积大小、果重、纹理、光泽度及颜色;
(2)在高光谱相机前加设偏振片,设置四个偏振方向0°、90°、45°及135°,采用该系统对检测完理化品质的红枣采集高光谱图像,获得所述红枣在四个不同偏振方向的高光谱图像;
(3)采用高光谱图像处理软件将所述高光谱图像和所述理化指标数据进行人工神经网络学习训练,建立所述红枣品质特征因子与多维光学参量对应的标准模型;将获取的不同特征光谱权重系数作为设计融合红枣组分多个单色光谱图像权重因子的依据;提取红枣品质特征波段的高光谱图像,利用谱像相关和谱偏相关技术处理获得红枣高光谱单色特征增强图像;其中,确定出所述典型波段为band22、band86、band68、band122、band47及band109中的一种或多种波段组合;确定出所述四个偏振方向为0°、90°、45°及135°;图像交叉相关处理的公式包括三项:(b22d45-b86d135)/(b86d45+b22d135),(b22d45-b86d135)/(b22d45+b86d135),b22d45×b86d135-b86d45×b22d135;b表示波段,d表示偏振方向;其中,b22d45表示45度偏振方向中第22波段高光谱图像,其他依次类推;
所述标准模型包括以下两种:
(3-1)对于含水量较高的光滑红枣,基于实验数据对阴影部分和较亮部分偏振度拟合模型如下:
Shadow model:
y=-6E-15x5+2E-11x4-2E-08x3-1E-05x2+0.0347x-15.278;
R2=0.9116;
bright modle:
y=1E-14x5-7E-11x4+2E-07x3-0.0003x2+0.1711x-45.041;
R2=0.8915;其中,x、y、R分别表示波长、dolp线偏振度、相关系数;
(3-2)对于含水量较低的光滑红枣,基于实验数据对阴影部分和较亮部分偏振度拟合模型如下:
Shadow model:
y=1E-14x5-8E-11x4+2E-07x3-0.0003x2+0.2139x-56.219;
R2=0.9437;
bright model:
y=-2E-15x5+1E-11x4-2E-08x3+2E-05x2-0.0023x-1.4623;
R2=0.8093;
其中,其中,x、y、R分别表示波长、dolp线偏振度、相关系数;
(4)按照预设理化分类标准,利用所述标准模型对其他待检测红枣进行理化品质分类,按不同成分和浓度范围形成所述待检测红枣的理化品质特征的参考分类图像,分别建立不同浓度和不同组分的参考分类光谱图像库;其中,所述预设理化分类标准包括:水分含量为20%-50%,糖度为30%-70%,酸度为0.1%-2%;
(5)采用体全息存储技术对所述参考分类图像进行存储,依据红枣特征波长,分别设计光栅,每重光栅对应一个设计波长;调整入射光角度和衍射光角度,对不同特征图像进行空间分离;其中,所述体全息存储技术是针对所述分类图像,利用空间光调制器先将非相干光转化为相干光图像并形成二维数据页,再利用角度复用方式将大量的所述二维数据页存储于所述体全息控制器中,利用CCD从所述体全息控制器中进行读取。
2.如权利要求1所述的一种建立果园数据快速监测处理方法,其特征在于,所述步骤(5)具体为:高光谱图像经特征提取处理后存储在体全息记录介质中,所述体全息存储技术是依据红枣组分光谱特征波长,以记录点为中心,以不同浓度组分为半径,通过角度复用技术,按逆时针转过一定夹角依次以水分、糖度及酸度三个方向排列相应标记1,2,3位置,与对应特征光谱垂直的三个方向分别1‘2‘3‘为水分、糖度及酸度三种不同组分光栅方向,通过偏振复用技术,以体全息记录材料的不同偏振方向衍射效率,选择在不同偏振方向记录不同特征光谱,每重光栅对应一个组分特征波长;利用体全息晶体空间复用、偏振复用和角度复用技术,将同一组分特征的多特征波长图像组合记录;通过调整入射光角度和衍射出射光角度,将不同组分特征图像进行空间分离,通过改变光栅衍射光的出射位置、调整体全息记录材料的折射率控制衍射效率以及带宽,调整红枣品质特征图像权重以获得更好的分类识别效果。
3.如权利要求1所述的一种建立果园数据快速监测处理方法,其特征在于,在建立所述标准模型时考虑到温度影响因子,所述温度影响因子的确定方法包括:将所述红枣分别放置于冷藏环境中和室温环境中,分别采集所述红枣的理化数据和高光谱图像,通过已有的典型环境温度参考模型匹配,获得适宜温度高光谱图像,结合模型分析确定出最佳温度影响系数。
4.如权利要求1所述的一种建立果园数据快速监测处理方法,其特征在于,所述红枣品质因子包括红枣水分、糖度和酸度;所述多维光学参量为光谱;所述高光谱单色特征增强图像包括纹理和边缘信息;所述权重因子包括分布地域、品种、大小、水分和糖度。
5.如权利要求1所述的一种建立果园数据快速监测处理方法,其特征在于,所述谱偏相关技术处理中,按照公式DoLP=p0+p1ξ+p2ξ2+p3ξ3+p4ξ4+p5ξ5确定最大偏振度对应的相位角;其中,相位角为入射角和探测角之间的夹角,p0、p1、p2、p3、p4和p5为拟合的标定参数,ξ为相位角;所述相位角与红枣实际对应位置有关,相位角为入射方向与探测方向的夹角;利用角度关系对高光谱影像做网格化处理,分别建立不同相位角光谱偏振度子模型;按像素点的间距反演红枣样品的方位信息对光谱进行距离和角度方位信息的匹配校正,从不同方位的红枣得出相位角反演实际偏振度。
6.权利要求1所述的一种建立果园数据快速监测处理方法在识别果品品质中的应用,其特征在于,所述果品包括苹果、梨或南疆枣。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910060540.1A CN109827910B (zh) | 2019-01-22 | 2019-01-22 | 一种建立果园数据快速监测处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910060540.1A CN109827910B (zh) | 2019-01-22 | 2019-01-22 | 一种建立果园数据快速监测处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109827910A true CN109827910A (zh) | 2019-05-31 |
CN109827910B CN109827910B (zh) | 2021-05-04 |
Family
ID=66861937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910060540.1A Active CN109827910B (zh) | 2019-01-22 | 2019-01-22 | 一种建立果园数据快速监测处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109827910B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112557325A (zh) * | 2020-12-08 | 2021-03-26 | 塔里木大学 | 一种果树果品品质近地面遥感监测装置和方法 |
CN113836784A (zh) * | 2021-07-23 | 2021-12-24 | 塔里木大学 | 一种基于信息融合技术的苹果鉴别系统及方法 |
WO2022060699A1 (en) * | 2020-09-15 | 2022-03-24 | Micron Technology, Inc. | Stacked polarizer hyperspectral imaging |
CN114295575A (zh) * | 2021-12-27 | 2022-04-08 | 中国农业科学院果树研究所 | 一种利用智能移动终端鉴别梨品种的方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6285474B1 (en) * | 1999-07-02 | 2001-09-04 | Fuji Xerox Co., Ltd. | Holographic recording method and filtering method |
CN2729863Y (zh) * | 2004-07-30 | 2005-09-28 | 中国科学院西安光学精密机械研究所 | 光致变色材料薄膜作为记录介质的偏振全息光存储装置 |
CN1837788A (zh) * | 2006-03-24 | 2006-09-27 | 浙江大学 | 基于光特性的水果内部品质在线无损检测方法和装置 |
CN101059452A (zh) * | 2007-05-29 | 2007-10-24 | 浙江大学 | 基于多光谱成像技术的水果品质无损检测方法与系统 |
CN102183883A (zh) * | 2011-05-17 | 2011-09-14 | 中山大学 | 多光束时分复用全息三维显示系统及其显示方法 |
CN103472031A (zh) * | 2013-09-20 | 2013-12-25 | 华东交通大学 | 一种基于高光谱成像技术的脐橙糖度检测方法 |
CN104198396A (zh) * | 2014-07-30 | 2014-12-10 | 江苏大学 | 偏振-高光谱技术诊断作物氮磷钾亏缺的方法 |
CN105809109A (zh) * | 2016-02-24 | 2016-07-27 | 塔里木大学 | 一种基于品质特征全息相关存储技术的红枣品质快速无损识别方法 |
CN106226246A (zh) * | 2016-07-26 | 2016-12-14 | 新疆农垦科学院 | 一种直播建园枣树植株氮素含量的监测方法 |
CN106841053A (zh) * | 2017-01-07 | 2017-06-13 | 塔里木大学 | 一种红枣品种快速鉴定方法 |
CN107860720A (zh) * | 2017-12-27 | 2018-03-30 | 清华大学 | 一种获取红枣品质的方法和装置 |
CN108254396A (zh) * | 2017-12-05 | 2018-07-06 | 江苏大学 | 一种基于micro-CT和偏振-高光谱成像多特征融合的番茄苗期水分胁迫检测方法 |
CN108535199A (zh) * | 2018-03-16 | 2018-09-14 | 塔里木大学 | 一种户外多尺度枣园高光谱偏振探测方法 |
CN108872140A (zh) * | 2018-05-09 | 2018-11-23 | 塔里木大学 | 一种户外监测红枣品质的方法及装置 |
-
2019
- 2019-01-22 CN CN201910060540.1A patent/CN109827910B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6285474B1 (en) * | 1999-07-02 | 2001-09-04 | Fuji Xerox Co., Ltd. | Holographic recording method and filtering method |
CN2729863Y (zh) * | 2004-07-30 | 2005-09-28 | 中国科学院西安光学精密机械研究所 | 光致变色材料薄膜作为记录介质的偏振全息光存储装置 |
CN1837788A (zh) * | 2006-03-24 | 2006-09-27 | 浙江大学 | 基于光特性的水果内部品质在线无损检测方法和装置 |
CN101059452A (zh) * | 2007-05-29 | 2007-10-24 | 浙江大学 | 基于多光谱成像技术的水果品质无损检测方法与系统 |
CN102183883A (zh) * | 2011-05-17 | 2011-09-14 | 中山大学 | 多光束时分复用全息三维显示系统及其显示方法 |
CN103472031A (zh) * | 2013-09-20 | 2013-12-25 | 华东交通大学 | 一种基于高光谱成像技术的脐橙糖度检测方法 |
CN104198396A (zh) * | 2014-07-30 | 2014-12-10 | 江苏大学 | 偏振-高光谱技术诊断作物氮磷钾亏缺的方法 |
CN105809109A (zh) * | 2016-02-24 | 2016-07-27 | 塔里木大学 | 一种基于品质特征全息相关存储技术的红枣品质快速无损识别方法 |
CN106226246A (zh) * | 2016-07-26 | 2016-12-14 | 新疆农垦科学院 | 一种直播建园枣树植株氮素含量的监测方法 |
CN106841053A (zh) * | 2017-01-07 | 2017-06-13 | 塔里木大学 | 一种红枣品种快速鉴定方法 |
CN108254396A (zh) * | 2017-12-05 | 2018-07-06 | 江苏大学 | 一种基于micro-CT和偏振-高光谱成像多特征融合的番茄苗期水分胁迫检测方法 |
CN107860720A (zh) * | 2017-12-27 | 2018-03-30 | 清华大学 | 一种获取红枣品质的方法和装置 |
CN108535199A (zh) * | 2018-03-16 | 2018-09-14 | 塔里木大学 | 一种户外多尺度枣园高光谱偏振探测方法 |
CN108872140A (zh) * | 2018-05-09 | 2018-11-23 | 塔里木大学 | 一种户外监测红枣品质的方法及装置 |
Non-Patent Citations (2)
Title |
---|
LUO, HUAPING: "Study on the quality of jujube in Southern Xinjiang with hyperspectral near-surface remote sensing", 《SPIE》 * |
赵永强: "《成像偏振光谱遥感及应用》", 31 October 2011 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022060699A1 (en) * | 2020-09-15 | 2022-03-24 | Micron Technology, Inc. | Stacked polarizer hyperspectral imaging |
US11503225B2 (en) | 2020-09-15 | 2022-11-15 | Micron Technology, Inc. | Stacked polarizer hyperspectral imaging |
CN112557325A (zh) * | 2020-12-08 | 2021-03-26 | 塔里木大学 | 一种果树果品品质近地面遥感监测装置和方法 |
CN113836784A (zh) * | 2021-07-23 | 2021-12-24 | 塔里木大学 | 一种基于信息融合技术的苹果鉴别系统及方法 |
CN113836784B (zh) * | 2021-07-23 | 2023-10-27 | 塔里木大学 | 一种基于信息融合技术的苹果鉴别系统及方法 |
CN114295575A (zh) * | 2021-12-27 | 2022-04-08 | 中国农业科学院果树研究所 | 一种利用智能移动终端鉴别梨品种的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109827910B (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abdulridha et al. | A remote sensing technique for detecting laurel wilt disease in avocado in presence of other biotic and abiotic stresses | |
CN109827910A (zh) | 一种建立果园数据快速监测处理方法 | |
Bhargava et al. | Fruits and vegetables quality evaluation using computer vision: A review | |
Pydipati et al. | Identification of citrus disease using color texture features and discriminant analysis | |
Adelabu et al. | Exploiting machine learning algorithms for tree species classification in a semiarid woodland using RapidEye image | |
Carle et al. | Mapping freshwater marsh species distributions using WorldView-2 high-resolution multispectral satellite imagery | |
Marino et al. | Detection of homogeneous wheat areas using multi-temporal UAS images and ground truth data analyzed by cluster analysis | |
Almeida et al. | Applying machine learning based on multiscale classifiers to detect remote phenology patterns in Cerrado savanna trees | |
CN110398466A (zh) | 基于遥感反演的农作物生长状态监测方法 | |
Hsieh et al. | Fruit maturity and location identification of beef tomato using R-CNN and binocular imaging technology | |
Masemola et al. | Assessing the effect of seasonality on leaf and canopy spectra for the discrimination of an alien tree species, Acacia Mearnsii, from co-occurring native species using parametric and nonparametric classifiers | |
Mulyono | Identifying sugarcane plantation using LANDSAT-8 images with support vector machines | |
Aslam et al. | Machine learning approach for classification of mangifera indica leaves using digital image analysis | |
Kentsch et al. | Identification of tree species in Japanese forests based on aerial photography and deep learning | |
Zhang et al. | YOLO-VOLO-LS: a novel method for variety identification of early lettuce seedlings | |
LeBauer et al. | What Does TERRA-REF's High Resolution, Multi Sensor Plant Sensing Public Domain Data Offer the Computer Vision Community? | |
Kuikel et al. | Individual banana tree crown delineation using unmanned aerial vehicle (UAV) images | |
Sanders et al. | Weed species differentiation using spectral reflectance land image classification | |
Wang et al. | Poplar seedling varieties and drought stress classification based on multi-source, time-series data and deep learning | |
Yang et al. | Improved cloud phase retrieval approaches for China's FY-3A/VIRR multi-channel data using Artificial Neural Networks | |
Ojo et al. | Non-Destructive Biomass Estimation for Hydroponic Lettuce Production | |
Gulac et al. | Plant and phenology recognition from field images using texture and color features | |
Sharma et al. | Predict growth stages of wheat crop using digital image processing | |
Silva et al. | Approach for the classification of polliniferous vegetation using multispectral imaging and neural networks | |
Ghule et al. | Distinguishing Healthy and Infected Vegetable Crops using Hyperspectral Leaf Reflectance |
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 |