CN110186924A - 一种大米品种智能检测方法、系统及装置 - Google Patents
一种大米品种智能检测方法、系统及装置 Download PDFInfo
- Publication number
- CN110186924A CN110186924A CN201910670355.4A CN201910670355A CN110186924A CN 110186924 A CN110186924 A CN 110186924A CN 201910670355 A CN201910670355 A CN 201910670355A CN 110186924 A CN110186924 A CN 110186924A
- Authority
- CN
- China
- Prior art keywords
- rice
- grain
- point
- sample
- length
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/85—Investigating moving fluids or granular solids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种大米品种智能检测方法及系统,分类标记大米样本的品种;对于某一品种,将该品种作为神经网络训练的正样本,其余品种的样本作为神经网络训练的负样本,训练神经网络;当完成所有品种的训练时,得到分类器;将待检测样本输入分类器,利用所述分类器检测出大米品种。本发明将被检测大米外形的所有特征进行描述并输入神经网络,并对这个神经网络进行训练,经过训练的神经网络可以根据大米的“粒型、外观”敏感特征对大米品种以及互混进行准确检测。
Description
技术领域
本发明涉及农产品检测技术领域,特别是一种大米品种智能检测方法及系统。
背景技术
“大米”国标GB/T1354-2018中对“互混”的定义是:“试样中混入的粒型、外观与本批次大米不同的这类米粒”。在实际工作中,通常出现粒型、外观相近却不同品种的米粒混在一起,凭肉眼与感官难以准确检测,有的情况下甚至无法检测。
有人提出了一种智能检测方法:通过对米粒长宽比(又称“高宽比”:将完整米粒平放,其长度与宽度之比。)与米粒试样中垩白度及垩白率进行品种检测。这种检测方法具有明显的不足:
(1)很多不同品种的米粒,其长宽比不具有绝对界线,长宽比的值往往在不同品种间有较大部分重合。
(2)垩白度、垩白率与品种具有一定的关系,但这个关系是极其粗犷的;除品种外,垩白的产生还与稻谷在灌浆期的生长具有密切关系。垩白度与垩白率本身就是同一品种大米需要检测的重要指标。
发明内容
本发明所要解决的技术问题是,针对现有技术不足,提供一种大米品种智能检测方法及系统,对互混的大米品种进行准确检测。
为解决上述技术问题,本发明所采用的技术方案是:一种大米品种智能检测方法,包括以下步骤:
分类标记大米样本的品种;
对于某一品种,将该品种作为神经网络训练的正样本,其余品种的样本作为神经网络训练的负样本,提取大米样本的特征,并将所述特征转换为特征向量,将所述特征向量作为神经网络的输入,训练所述神经网络;当完成所有品种的训练时,得到分类器;所述特征向量包括米粒的H、S、V值;米粒的长度、宽度、长宽比;米粒米胚的高度、米粒米胚的高度与完整米粒的长度之比;米粒尾部的长度、米粒尾部的长度与完整米粒的长度之比;米粒胚部最凹处的凹深程度;米粒平放时,米粒胚尖在米粒宽度方向上所处的位置;米粒尾尖在米粒宽度方向上所处的位置;
将待检测样本输入分类器,利用所述分类器检测出大米品种。
随机抽取一定数量的分类标记的大米样本,并将抽取的样本输入所述分类器,将判别错误的样本重新输入所述神经网络学习,得到优化的分类器,利用所述优化的分类器检测待检测样本。进一步提高检测准确度。
提取大米样本的特征,并将所述特征转换为特征向量,将所述特征向量作为所述神经网络的输入;所述特征向量包括米粒的H、S、V值;米粒的长度、宽度、长宽比;米粒米胚的高度、米粒米胚的高度与完整米粒的长度之比;米粒尾部的长度、米粒尾部的长度与完整米粒的长度之比;米粒胚部最凹处的凹深程度;米粒平放时,米粒胚尖在米粒宽度方向上所处的位置;米粒尾尖在米粒宽度方向上所处的位置。
所述神经网络采用包括三个隐层的BP神经网络。节省神经网络的训练时间且节省计算资源。
本发明所述待检测样本放置于检测装置上;所述检测装置包括:
透明托料件,其上放置有所述待检测样本;
设置于所述透明托料件上方的工业相机;
设置于所述透明托料件下方的底色板。
所述工业相机固定于环形灯光源下方。提高图像采集时的分辨率,从而得到更准确的输入特征。
底色板的作用在于过滤部分“噪声”,本发明采用“蓝色”底色板,保证滤噪效果最好。
所述透明托料件为透明托料板或透明传输带,即可以通过静态检测装置或者动态检测装置实现本发明的方法。
相应地,本发明还提供了一种大米品种智能检测系统,其包括:
标记单元,用于分类标记大米样本的品种;
训练单元,用于将某一品种作为神经网络训练的正样本,其余品种的样本作为神经网络训练的负样本,提取大米样本的特征,并将所述特征转换为特征向量,将所述特征向量作为神经网络的输入,训练所述神经网络;当完成所有品种的训练时,得到分类器;所述特征向量包括米粒的H、S、V值;米粒的长度、宽度、长宽比;米粒米胚的高度、米粒米胚的高度与完整米粒的长度之比;米粒尾部的长度、米粒尾部的长度与完整米粒的长度之比;米粒胚部最凹处的凹深程度;米粒平放时,米粒胚尖在米粒宽度方向上所处的位置;米粒尾尖在米粒宽度方向上所处的位置;
检测单元,用于将待检测样本输入分类器,利用所述分类器检测出大米品种。
与现有技术相比,本发明所具有的有益效果为:
1、本发明将被检测大米外形的所有特征进行描述并输入神经网络,并对这个神经网络进行训练,经过训练的神经网络可以根据大米的“粒型、外观”敏感特征对大米品种以及互混进行准确检测;
2、本发明可检测同一品种随着种植时间延伸而退化的程度以及退化率(本发明所述的退化,即大米成为了“互混”中的其他品种)。
附图说明
图1为本发明静态检测装置结构示意图;
图2为本发明动态检测装置结构示意图;
图3为本发明神经网络示意图;
图4为本发明米粒的长度、宽度测量示意图;
图5为本发明米粒米胚的高度与完整米粒的长度之比测量示意图;
图6为本发明米粒尾部的长度与完整米粒的长度之比测量示意图;
图7为本发明米粒胚部最凹处的凹深程度测量示意图;
图8为本发明米粒平放时,米粒胚尖在米粒宽度方向上所处的位置测量示意图;
图9为本发明米粒尾尖在米粒宽度方向上所处的位置测量示意图;
图10为本发明米粒特征向量获取原理图。
具体实施方式
如图1和图2所示,本发明物理装置包括机器视觉(工业摄像机与环形灯光构成机器视觉)和检测工位。这个装置分为两种(图1的静态检测装置和图2的动态检测装置),以适应不同的检测环境与需求:试样在静止状态下的检测与试样在运动状态下的检测。
如图1,静态检测装置包括环形灯光源1(本发明所述环形灯光源,是指可以发出环形灯光的灯具),环形灯光源中部(可以采用中部空心的环形灯光源,由该中部周边发出环形灯光)固定有工业相机2,工业相机2下方设置透明托料板3,该透明托料板3上放置了试样4,透明托料板3下方设置底色板5。
本发明图2所示的动态检测装置中,与图1的静态检测装置不同之处在于,图2采用透明运动皮带3’放置试样4,底色板设置于透明运动皮带3’下方,透明运动皮带可以在驱动装置驱动下沿图2所示的运动方向6移动。
本发明构建了一个多隐层的BP神经网络,考虑到任务相对简单的特点,为了节省神经网络的训练时间且节省计算资源,将这个神经网络设计为三个隐层,且将学习率设计为0.01。
将大米品种(包括批次)相关敏感特征提取并转换为对应的特征向量输入这个神经网络的输入层。这些输入的特征向量包括:
(1)米粒在机器视觉下的H、S、V特征(H、S、V特征分别对应色调、饱和度和亮度),包括了米粒的颜色、纹理以及透明度的表述,同一品种不同年份的试样将在颜色与透明度两个维度上呈现不同特征,因此,提取米粒的H、S、V值,并将之作为神经网络的三个输入向量{H,S,V ǀ h,s,v}。
(2)相近的米粒长度、宽度与长宽比不能表征米粒属于同一类品种,但差异较大的长度、宽度以及长宽比的米粒确定不属于同一品种,米粒的长度、宽度以及长宽比属于区分不同品种大米的重要特征之一,因而将之对应三个输入向量{C,K,C/K ǀ c,k,c/k}。
(3)虽然在加工过程中米粒经常存在“削头”现象,但米胚的高度仍然是区分不同品种的重要特征,米粒米胚的高度与完整米粒的长度之比,对应两个输入向量{P1,P1/C ǀp1,p1/c}。
(4)尾部的长度与胚部的高度同样是米粒品种的重要表现特征,米粒尾部的长度与完整米粒的长度之比,对应两个向量{W,W/C ǀ w,w/c}。
(5)不同的大米品种,其胚部轮廓线条具有不同的弧度,米粒胚部最凹处的凹深程度,对应一个向量{A ǀ a}。
(6)米粒平放,米粒胚尖在米粒宽度方向上所处的位置,对应两个向量{J1,J2 ǀj1,j2}。
(7)不同品种的大米不仅尾部长度不同,尾部的形状同样存在差异,其形状的差异直接体现在尾尖所处的位置。米粒尾尖在米粒宽度方向上所处的位置,对应两个向量{W1,W2 ǀ w1,w2}。
以上特征的集合,即为神经网络输入层的特征向量集合,而最终输出则为大米品种的判别。
本发明获取以上特征向量的一种方法如下:
如图10所示,各点的确定方式为:
(1)先确定A、B两点,方式为对完整的大米颗粒图像逐列“扫描”,像素数最多的一列即为AB线,胚部一端的顶点为A、尾部一端的顶点为B。
(2)从A点出发,沿米粒外边缘分别向左右方向相邻的每一像素点“扫描”,假定将每像素点的具体位置标记为Ni(i=1,2,3…n),且将点Ni-5(记为P)与点Ni及Ni+5(记为Q)相连成∠PNiQ,当∠PNiQ成锐角且最小,此时的点Ni即为点D,点D水平对应的点即为点C。
(3)与(2)同理,从点B出发确定点E与F。
连线AB与CD,从两线相交点向线AD做垂直线,与米粒相交的点则为点G。
具体地,本实施例获取米粒特征向量的具体实现过程为:对完整的大米颗粒图像逐列扫描,记录像素最多的一列的第一个像素点A与该列的最后一个像素点B;从A点出发,沿米粒外边缘分别向左右方向相邻的每一像素点扫描,假定将每像素点的具体位置标记为Ni,i=1,2,3…n,且将点Ni-5,即P与点Ni、Ni+5即Q相连成∠PNiQ,当∠PNiQ成锐角且最小,此时的点Ni即为点D,点D水平对应的大米颗粒上的像素点即为点C;从B点出发,沿米粒外边缘分别向左右方向相邻的每一像素点扫描,假定将每像素点的具体位置标记为Nj,j=1,2,3…n,且将点Nj-5,即P’与点Ni、Nj+5即Q’相连成∠P’NjQ’,当∠P’NjQ’最小,此时的点Nj即为点E,点E水平对应的大米颗粒上的像素点即为点F;连线AB与CD,从两线相交点H向线AD做垂直线,与米粒相交的点则为点G;设AB与EF的交点为I;完整米粒的长度即为AB的长度;米粒米胚的高度即为AH的高度;米粒尾部的长度即为BI的长度;米粒胚部最凹处的凹深程度即为弧线AGD的弧度;米粒胚尖在米粒宽度方向上所处的位置即为点C和点D的坐标;米粒尾尖在米粒宽度方向上所处的位置即为点E和点F的坐标;对完整的大米颗粒图像逐行扫描,记录像素最多的一行的第一个像素点J与该行的最后一个像素点K;连线JK的长度即为米粒的宽度。
本发明中,逐列扫描是指纵向扫描,即沿米粒宽度方向移动扫描;逐行扫描是指横向扫描,即沿米粒长度方向移动扫描;本发明的点Ni-5,是指点Ni左移或者右移5个点,对应的,Ni+5即点Ni右移或者左移5个点。
本发明基于BP神经网络训练的“有监督学习”特征,将需要检测的所有大米品种进行分类标记A、B、C、D、E......,确定训练和检测时的顺序1、检测品种A,2、检测品种B,3、检测品种C......。训练时,依照品种检测顺序进行训练:第一步,训练品种A的检测,将A作为神经网络训练的正样本,而将其他样本作为副样本进行迭代学习;第二步,训练品种B的检测,将B作为训练正样本,将其他品种作为副样本进行迭代学习......;以此类推,直至完成所有需要检测品种的训练。
将被检测样本批次放入检测装置(静态检测)或通过喂料机构将被检测样本逐颗送入检测装置(动态检测),训练过的神经网络对每一颗样本进行识别与品种判定。对完成识别的样本进行数据统计:颗粒百分比;像素比,如统计出稻花香占样本的80%,即稻花香的纯度为80%,20%是其他品种,即这份稻花香的互混为20%。
实施例
取稻花香、龙稻18、绥香、垦稻四个品种大米各300克,其他任意品种300克。
选用动态检测装置。
使用已构建好的三隐层的BP神经网络作为训练模型。
1、机器学习进行神经网络训练
分别从稻花香、龙稻18、绥香、垦稻样本中各选出100颗大米,从其他品种中任意取出100颗大米。
将以上样本输入“动态检测装置”,并获取其机器视觉下的图像,分别对稻花香、龙稻18、绥香、垦稻以及“其他任意品种”的图像样本做好标记并分类存放。
将稻花香标记为A,龙稻18标记为B,绥香标记为C,垦稻标记为D,其他标记为E。
将稻花香作为识别A的正样本,将其他类别作为识别A的负样本,直接输入BP神经网络进行训练。
将龙稻18作为识别B的正样本,将其他类别作为识别B的负样本,输入神经网络进行训练。
......
依次分别训练绥香C和垦稻D。
将训练完成的结果保存。
2、完善训练效果
再从稻花香、龙稻18、绥香、垦稻与“其他”中随机抽取100颗样本,分别输入动态检测装置,检测训练后神经网络的判别结果,将判别错误的样本重新输入神经网络进行学习。
保存训练结果。
3、检测
将余下的稻花香、龙稻18、绥香、垦稻与“其他”样本任意随机组成混合,输入动态检测装置,神经网络系统根据已完成的学习知识对每份样本进行检测和判别,并统计出检测结果。
Claims (7)
1.一种大米品种智能检测方法,其特征在于,包括以下步骤:
分类标记大米样本的品种;
对于某一品种,将该品种作为神经网络训练的正样本,其余品种的样本作为神经网络训练的负样本,提取大米样本的特征,并将所述特征转换为特征向量,将所述特征向量作为神经网络的输入,训练所述神经网络;当完成所有品种的训练时,得到分类器;所述特征向量包括米粒的H、S、V值;米粒的长度、宽度、长宽比;米粒米胚的高度、米粒米胚的高度与完整米粒的长度之比;米粒尾部的长度、米粒尾部的长度与完整米粒的长度之比;米粒胚部最凹处的凹深程度;米粒平放时,米粒胚尖在米粒宽度方向上所处的位置;米粒尾尖在米粒宽度方向上所处的位置;
将待检测样本输入分类器,利用所述分类器检测出大米品种。
2.根据权利要求1所述的大米品种智能检测方法,其特征在于,随机抽取一定数量的分类标记的大米样本,并将抽取的样本输入所述分类器,将判别错误的样本重新输入所述神经网络学习,得到优化的分类器,利用所述优化的分类器检测待检测样本。
3.根据权利要求1所述的大米品种智能检测方法,其特征在于,所述特征向量的提取过程包括:对完整的大米颗粒图像逐列扫描,记录像素最多的一列的第一个像素点A与该列的最后一个像素点B;从A点出发,沿米粒外边缘分别向左右方向相邻的每一像素点扫描,假定将每像素点的具体位置标记为Ni,i=1,2,3…n,且将点Ni-5,即P与点Ni、Ni+5即Q相连成∠PNiQ,当∠PNiQ成锐角且最小,此时的点Ni即为点D,点D水平对应的大米颗粒上的像素点即为点C;从B点出发,沿米粒外边缘分别向左右方向相邻的每一像素点扫描,假定将每像素点的具体位置标记为Nj,j=1,2,3…n,且将点Nj-5,即P’与点Ni、Nj+5即Q’相连成∠P’NjQ’,当∠P’NjQ’最小,此时的点Nj即为点E,点E水平对应的大米颗粒上的像素点即为点F;连线AB与CD,从两线相交点H向线AD做垂直线,与米粒相交的点则为点G;设AB与EF的交点为I;完整米粒的长度即为AB的长度;米粒米胚的高度即为AH的高度;米粒尾部的长度即为BI的长度;米粒胚部最凹处的凹深程度即为弧线AGD的弧度;米粒胚尖在米粒宽度方向上所处的位置即为点C和点D的坐标;米粒尾尖在米粒宽度方向上所处的位置即为点E和点F的坐标;对完整的大米颗粒图像逐行扫描,记录像素最多的一行的第一个像素点J与该行的最后一个像素点K;连线JK的长度即为米粒的宽度。
4.根据权利要求1所述的大米品种智能检测方法,其特征在于,所述神经网络采用包括三个隐层的BP神经网络。
5.根据权利要求1所述的大米品种智能检测方法,其特征在于,所述待检测样本放置于检测装置上;所述检测装置包括:
透明托料件,其上放置有所述待检测样本;
设置于所述透明托料件上方的工业相机;
设置于所述透明托料件下方的底色板;
优选地,所述工业相机固定于环形灯光源下方;
优选地,所述透明托料件为透明托料板或透明传输带。
6.一种大米品种智能检测系统,其特征在于,包括:
标记单元,用于分类标记大米样本的品种;
训练单元,用于将某一品种作为神经网络训练的正样本,其余品种的样本作为神经网络训练的负样本,提取大米样本的特征,并将所述特征转换为特征向量,将所述特征向量作为神经网络的输入,训练所述神经网络;当完成所有品种的训练时,得到分类器;所述特征向量包括米粒的H、S、V值;米粒的长度、宽度、长宽比;米粒米胚的高度、米粒米胚的高度与完整米粒的长度之比;米粒尾部的长度、米粒尾部的长度与完整米粒的长度之比;米粒胚部最凹处的凹深程度;米粒平放时,米粒胚尖在米粒宽度方向上所处的位置;米粒尾尖在米粒宽度方向上所处的位置;
检测单元,用于将待检测样本输入分类器,利用所述分类器检测出大米品种。
7.根据权利要求6所述的大米品种智能检测系统,其特征在于,还包括优化单元,用于随机抽取一定数量的分类标记的大米样本,并将抽取的样本输入所述分类器,将判别错误的样本重新输入所述神经网络学习,得到优化的分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910670355.4A CN110186924B (zh) | 2019-07-24 | 2019-07-24 | 一种大米品种智能检测方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910670355.4A CN110186924B (zh) | 2019-07-24 | 2019-07-24 | 一种大米品种智能检测方法、系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110186924A true CN110186924A (zh) | 2019-08-30 |
CN110186924B CN110186924B (zh) | 2019-11-05 |
Family
ID=67725907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910670355.4A Active CN110186924B (zh) | 2019-07-24 | 2019-07-24 | 一种大米品种智能检测方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110186924B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782025A (zh) * | 2019-12-31 | 2020-02-11 | 长沙荣业智能制造有限公司 | 一种稻米加工在线工艺检测方法 |
CN113255749A (zh) * | 2021-05-17 | 2021-08-13 | 福州大学 | 基于机器学习的大米品种快速识别方法 |
CN113426709A (zh) * | 2021-07-21 | 2021-09-24 | 长沙荣业软件有限公司 | 谷料收购智能检测机器人及谷料分类方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002312762A (ja) * | 2001-04-12 | 2002-10-25 | Seirei Ind Co Ltd | ニューラルネットワークを利用した穀粒選別装置 |
CN102948282A (zh) * | 2012-10-31 | 2013-03-06 | 北京农业信息技术研究中心 | 小麦麦穗发芽程度检测方法 |
CN104390978A (zh) * | 2014-11-25 | 2015-03-04 | 扬州大学 | 以形态学方法对胚乳组织进行详细分类的研究方法 |
CN104458747A (zh) * | 2014-12-22 | 2015-03-25 | 扬州大学 | 一种水稻垩白测算方法 |
CN105319223A (zh) * | 2015-12-07 | 2016-02-10 | 浙江工商大学 | 一种垩白米的检测方法和检测系统 |
JP2016211935A (ja) * | 2015-05-07 | 2016-12-15 | 伊藤忠食糧株式会社 | 炊飯米の品質検査システム及び炊飯米の品質検査システム用プログラム |
CN108197636A (zh) * | 2017-12-06 | 2018-06-22 | 云南大学 | 一种基于深度多视点特征的稻谷检测和分类方法 |
JP2018124814A (ja) * | 2017-02-01 | 2018-08-09 | キヤノン株式会社 | 画像処理装置、撮像装置、画像処理方法、画像処理プログラム、および、記憶媒体 |
-
2019
- 2019-07-24 CN CN201910670355.4A patent/CN110186924B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002312762A (ja) * | 2001-04-12 | 2002-10-25 | Seirei Ind Co Ltd | ニューラルネットワークを利用した穀粒選別装置 |
CN102948282A (zh) * | 2012-10-31 | 2013-03-06 | 北京农业信息技术研究中心 | 小麦麦穗发芽程度检测方法 |
CN104390978A (zh) * | 2014-11-25 | 2015-03-04 | 扬州大学 | 以形态学方法对胚乳组织进行详细分类的研究方法 |
CN104458747A (zh) * | 2014-12-22 | 2015-03-25 | 扬州大学 | 一种水稻垩白测算方法 |
JP2016211935A (ja) * | 2015-05-07 | 2016-12-15 | 伊藤忠食糧株式会社 | 炊飯米の品質検査システム及び炊飯米の品質検査システム用プログラム |
CN105319223A (zh) * | 2015-12-07 | 2016-02-10 | 浙江工商大学 | 一种垩白米的检测方法和检测系统 |
JP2018124814A (ja) * | 2017-02-01 | 2018-08-09 | キヤノン株式会社 | 画像処理装置、撮像装置、画像処理方法、画像処理プログラム、および、記憶媒体 |
CN108197636A (zh) * | 2017-12-06 | 2018-06-22 | 云南大学 | 一种基于深度多视点特征的稻谷检测和分类方法 |
Non-Patent Citations (2)
Title |
---|
ARCHANA CHAUGULE 等: "Evaluation of Texture and Shape Features for Classification of Four Paddy Varieties", 《JOURNAL OF ENGINEERING》 * |
吴继华 等: "基于机器视觉的种子品种实时检测系统研究", 《传感技术学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782025A (zh) * | 2019-12-31 | 2020-02-11 | 长沙荣业智能制造有限公司 | 一种稻米加工在线工艺检测方法 |
CN110782025B (zh) * | 2019-12-31 | 2020-04-14 | 长沙荣业智能制造有限公司 | 一种稻米加工在线工艺检测方法 |
CN113255749A (zh) * | 2021-05-17 | 2021-08-13 | 福州大学 | 基于机器学习的大米品种快速识别方法 |
CN113426709A (zh) * | 2021-07-21 | 2021-09-24 | 长沙荣业软件有限公司 | 谷料收购智能检测机器人及谷料分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110186924B (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110186924B (zh) | 一种大米品种智能检测方法、系统及装置 | |
ES2826400T3 (es) | Recolección de contraste de colonias | |
CN106228547B (zh) | 一种基于视觉颜色理论和同质抑制的轮廓与边界检测算法 | |
CN105335725B (zh) | 一种基于特征融合的步态识别身份认证方法 | |
CN101414356B (zh) | 基于模板匹配的信息填涂卡识别方法 | |
CN106910186A (zh) | 一种基于cnn深度学习的桥梁裂缝检测定位方法 | |
CN106841209A (zh) | 一种基于大数据自学习化纤丝锭智能外观检测系统及方法 | |
CN107580715A (zh) | 用于自动计数微生物菌落的方法和系统 | |
CN101751672A (zh) | 图像处理系统 | |
CN105930877A (zh) | 一种基于多模态深度学习的遥感影像分类方法 | |
CN108268527B (zh) | 一种检测土地利用类型变化的方法 | |
CN108229561A (zh) | 一种基于深度学习的颗粒产品缺陷检测方法 | |
CN104715238A (zh) | 一种基于多特征融合的行人检测方法 | |
CN104217217A (zh) | 一种基于两层分类的车辆标志物检测方法与系统 | |
CN108133471B (zh) | 一种基于人工蜂群算法的机器人导航路径提取方法及装置 | |
CN107038701B (zh) | 一种工业生产中线缆表面瑕疵的检测方法及系统 | |
CN112287838B (zh) | 基于静止气象卫星影像序列的云雾自动判识方法及系统 | |
CN107194348A (zh) | 一种图像中目标物体的主颜色识别方法 | |
CN117029673B (zh) | 一种基于人工智能实现的鱼类体表多尺寸测量方法 | |
CN108416304B (zh) | 一种利用上下文信息的三分类人脸检测方法 | |
CN109191461A (zh) | 一种基于机器视觉技术的土鸡蛋识别方法及识别装置 | |
CN109376765A (zh) | 一种基于深度学习的蝴蝶自动分类方法 | |
CN113298007B (zh) | 一种小样本sar图像目标识别方法 | |
CN110319933A (zh) | 一种基于cam02-ucs色貌模型的光源光谱优化方法 | |
CN110188662A (zh) | 一种水表数字的ai智能识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |