CN110490868B - 一种基于计算机视觉玉米穗粒数的无损计数方法 - Google Patents
一种基于计算机视觉玉米穗粒数的无损计数方法 Download PDFInfo
- Publication number
- CN110490868B CN110490868B CN201910783384.1A CN201910783384A CN110490868B CN 110490868 B CN110490868 B CN 110490868B CN 201910783384 A CN201910783384 A CN 201910783384A CN 110490868 B CN110490868 B CN 110490868B
- Authority
- CN
- China
- Prior art keywords
- corn
- picture
- circumscribed rectangle
- image
- corn cob
- 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.)
- Active
Links
- 240000008042 Zea mays Species 0.000 title claims abstract description 73
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 73
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 73
- 235000005822 corn Nutrition 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims description 17
- FPAFDBFIGPHWGO-UHFFFAOYSA-N dioxosilane;oxomagnesium;hydrate Chemical compound O.[Mg]=O.[Mg]=O.[Mg]=O.O=[Si]=O.O=[Si]=O.O=[Si]=O.O=[Si]=O FPAFDBFIGPHWGO-UHFFFAOYSA-N 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 235000002566 Capsicum Nutrition 0.000 claims description 3
- 239000006002 Pepper Substances 0.000 claims description 3
- 235000016761 Piper aduncum Nutrition 0.000 claims description 3
- 235000017804 Piper guineense Nutrition 0.000 claims description 3
- 235000008184 Piper nigrum Nutrition 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 241001442234 Cosa Species 0.000 claims description 2
- 244000097202 Rathbunia alamosensis Species 0.000 claims description 2
- 235000009776 Rathbunia alamosensis Nutrition 0.000 claims description 2
- 238000003756 stirring Methods 0.000 claims description 2
- 244000203593 Piper nigrum Species 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 9
- 238000002360 preparation method Methods 0.000 abstract description 2
- 238000005070 sampling Methods 0.000 abstract 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 241000722363 Piper Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提出了一种基于计算机视觉玉米穗粒数的无损计数方法,属于图像识别技术领域。所述方法主要包括:准备工作步骤、视频取样步骤、视频解析步骤、图片拟合步骤、图片筛选步骤、图片编号步骤、图片处理步骤和计算处理步骤等处理步骤。本次发明提出的一种基于计算机视觉玉米穗粒数的无损计数方法,能够在玉米测产时快速、准确的测算一根玉米棒上玉米粒的个数,节省大量人工操作,应用方便,测算结果准确,测算过程快速,能够提高玉米测产工作时的效率,降低人力成本。
Description
技术领域
本发明涉及一种基于计算机视觉玉米穗粒数的无损计数方法,属于图像识别技术领域。
背景技术
玉米测产是在收获前,提前对产量进行预测,目的是帮助种植户及早的提供产量信息,方便更好的制定收获、仓储、运销、加工等工作的计划方案。同时也是评价玉米品种质量的重要依据。玉米测产需要数出单个玉米棒的玉米粒个数,只能依靠人工完成,工作量大、耗时长,而且还不能保证准确率。目前,缺少一个快速、准确的玉米粒计数方法。
发明内容
本发明为了解决上述问题,提出了一种基于计算机视觉玉米穗粒数的无损计数方法,包括如下步骤:
步骤1,在玉米棒表面沿长度方向在玉米粒间隙作细色带标记,然后放入装有滑石粉的容器中搅拌至滑石粉均匀覆盖在玉米棒上;
步骤2,匀速旋转玉米棒,摄像头沿水平方向对玉米棒拍摄视频;
步骤3,将步骤2拍摄的视频解析为多张图片,并为图片编号;
步骤4,将步骤3获取的图片按编号排序,使用图片拟合技术生成全景图片;
步骤5,根据色带筛选将步骤4中不完整的全景图片去除;
步骤6,提取步骤5中的完整的全景图片,将全景图片进行拆分,重新生成作为完整图片;
步骤7,将步骤6中每张完整图片按重新编号的顺序识别,对每张完整图片进行处理,并算出每张完整图片中玉米棒上玉米粒的个数;
步骤8,将步骤7中所有完整图片得到的玉米粒个数进行取平均数计算,得到玉米粒最终个数。
上述的基于计算机视觉玉米穗粒数的无损计数方法,所述步骤7包括如下步骤:
步骤7.1,对原始图像进行色彩空间变换,将BGR图像变换成灰度图,然后进行通道分离,选择合适的通道作为输入图像;
步骤7.2,对步骤7.1输入单通道图像进行滤波,利用高斯滤波去除正态分布噪声、中值滤波去除椒盐噪声、形态学滤波填充或扩大空洞;
步骤7.3,对步骤7.2滤波后的图像二值化,使用均值为阈值或者自定义阈值;
步骤7.4,对步骤7.3二值化图像形态学滤波,填充空洞,消除小的目标;
步骤7.5,对处理后的二值图像查找物体轮廓,得到轮廓序列;
步骤7.6,按照包围盒面积、最小包围盒面积、周长、长宽及其比例等条件对轮廓筛选并获取目标统计量;
步骤7.7,解算出每张完整图片中玉米棒上玉米粒的个数,并记为M1、M2…MN。
优选的是,所述步骤7.6中解算最小包围盒面积,包括如下步骤:
步骤7.6.1,解算多边形的简单外接矩形,简单外接矩形是指边平行于x轴或y轴的外接矩形。
步骤7.6.2,解算平面上某一点绕固定点旋转某一角度,设平面上点(x1,y1)绕另一点(x0,y0)逆时针旋转A角度后的点为(x2,y2),则有:
x2=(x1-x0)·cosA-(y1-y0)·sinA+x0
y2=(x1-x0)·sinA-(y1-y0)·cosA+y0
顺时针时,A改写成-A即可。
步骤7.6.3,旋转原始多边形(循环,0-90°,间距设为1°),求旋转每个度数后的多边形的简单外接矩形,记录简单外接矩形的面积、顶点坐标以及此时旋转的度数。
步骤7.6.4,比较在旋转过程中多边形求得的所有简单外接矩形,得到面积最小的简单外接矩形,获取该简单外接矩形的顶点坐标和旋转的角度。
步骤7.6.5,旋转外接矩形。将上一步获得面积最小的简单外接矩形反方向(与第3步方向相反)旋转相同的角度,即得最小外接矩形。
综上所述,本发明的有益效果在于:
本次发明提出的一种基于计算机视觉玉米穗粒数的无损计数方法,能够在玉米测产时快速、准确的测算一根玉米棒上玉米粒的个数,节省大量人工操作,应用方便,测算结果准确,测算过程快速,能够提高玉米测产工作时的效率,降低人力成本。
具体实施方式
下面结合具体实施例对本发明做进一步说明,但本发明不受实施例的限制。
实施例:
在实际应用中,本实施例所述基于图像识别的玉米粒计数方法的处理流程如下:
步骤1,将准备测量的玉米棒扒好,用黑色记号笔沿着玉米粒缝隙垂直标记出一条近似直线的色带,作为图像识别时辨识玉米完整自转一周的标识,然后将玉米放入滑石粉中摩擦,将滑石粉均匀涂抹在玉米表面,完成准备工作。使用黑色色带是为了让标识更醒目,涂抹滑石粉是为了让玉米颗粒之间的间距更加明显,更容易的完成图片识别处理。
其中,记号笔可以用细铁丝代替,用黑色细铁丝沿着玉米粒缝隙垂直标记出一条近似直线的色带,并将其固定在玉米棒上,作为图像识别时辨识玉米完整自转一周的标识。
步骤2,将玉米棒固定在能够匀速旋转的圆盘上,将手机或高清摄像头固定在与玉米平行的方向,不会随着圆盘转动而转动,匀速旋转圆盘,带动玉米匀速旋转,通过手机或高清摄像头,拍摄玉米旋转的视频。
其中,圆盘的转速可以控制,转速不宜过快,视频拍摄时间不宜过短,保证数据的数量及拍摄视频的清晰度。
步骤3,将拍摄的视频进行解析,取视频间隔每0.1秒的图像作为图片素材,按照视频播放时序取图像,并且依次编号,得到一系列带有编号图片组,以便进行图片筛选。
步骤4,将图片组按编号排序,使用图片拟合技术生成一张全景图片。
步骤5,将图片组按照编号顺序排列,利用图片上的黑色色带标识,将两条黑色色带之间的图片定义为一张完整的图片,即为玉米棒沿着垂直方向切割后的展开图,排序后的第一张和最后一张图片没有拍下玉米棒展开后的全部信息,是不完整的图片段,将这两张图片段滤除,得到都是完整图片段的一张全景图片。
步骤6,将全景图片进行拆分,将每张完整图片段取出,重新生成作为一张图片,重新编号,取到编号为1到N的完整图片组。
步骤7,将重新生成的完整图片按编号顺序进行图片识别操作,对完整图片应用二值法进行锐化处理,解算出每张完整图片中玉米棒上玉米粒的个数,具体步骤如下:
步骤7.1,取出单张完整图像并对原始图像进行色彩空间变换,将BGR图像变换成灰度图,然后进行通道分离,选择合适的通道作为输入图像;其中,灰度化处理的方法是[cv2.cvtColor()]:,cv2.COLOR_BGR2GRAY,应用公式:
Gray(i,j)=[R(i,j)+G(i,j)+B(i,j)]/3
根据人眼对颜色的感知程度不同,其衍生公式:
Gray(i,j)=0.299·R(i,j)+0.587·G(i,j)+0.114·B(i,j)
步骤7.2,对输入单通道图像进行滤波,利用高斯滤波去除正态分布噪声、中值滤波去除椒盐噪声、形态学滤波填充或扩大空洞;其中,高斯滤波[cv2.GaussianBlur()]本质上是低通滤波器,输出图像的每个像素点是原图像上对应像素点与周围像素点的加权和,利用滤波器实现对图像的平滑处理,其公式为:
步骤7.3,对滤波后的图像二值化,使用均值为阈值或者自定义阈值;其中,二值化在高斯滤波处理后将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的黑白效果。二值化设定一个阈值T,用T将图像数据分成两部分:大于T的像素群和小于T的像素群。公式为:
步骤7.4,对二值化图像进行形态学滤波,填充空洞,消除小的目标;其中,利用cv2.getStructuringElement()定义结构元素,利用OpenCV-Python内置的常量定义椭圆,利用cv2.morphologyEx()操作去除所有不能包含结构元的部分,平滑目标的轮廓,移除由图像噪音形成的斑点,其公式为:
步骤7.5,对处理后的二值图像查找物体轮廓,得到轮廓序列;其中,利用[cv2.findContours()]查找二值图像中的边缘,是进行形状分析、目标检测和识别的有力工具,其公式为:
步骤7.6,用于按照包围盒面积、最小包围盒面积、周长、长宽及其比例等条件对轮廓筛选并获取目标统计量的轮廓筛选统计步骤。
步骤7.7,解算出每张完整图片中玉米棒上玉米粒的个数,并记为M1、M2…MN。
步骤8,为了得到精确的结果,将所有完整图片得到的玉米粒个数M1、M2…MN加和除以图片个数进行取平均数计算,得到玉米粒最终个数S,计算公式为:
虽然本发明已以较佳的实施例公开如上,但其并非用以限定本发明,任何熟悉此技术的人,在不脱离本发明的精神和范围内,都可以做各种改动和修饰,因此本发明的保护范围应该以权利要求书所界定的为准。
Claims (1)
1.一种基于计算机视觉玉米穗粒数的无损计数方法,其特征在于,包括如下步骤:
步骤1,在玉米棒表面沿长度方向在玉米粒间隙作细色带标记,然后放入装有滑石粉的容器中搅拌至滑石粉均匀覆盖在玉米棒上;
步骤2,匀速旋转玉米棒,摄像头沿水平方向对玉米棒拍摄视频;
步骤3,将步骤2拍摄的视频解析为多张图片,并为图片编号;
步骤4,将步骤3获取的图片按编号排序,使用图片拟合技术生成全景图片;
步骤5,根据色带筛选将步骤4中不完整的全景图片去除;
步骤6,提取步骤5中的完整的全景图片,将全景图片进行拆分,重新生成作为完整图片;
步骤7,将步骤6中每张完整图片按重新编号的顺序识别,对每张完整图片进行处理,并算出每张完整图片中玉米棒上玉米粒的个数;
步骤8,将步骤7中所有完整图片得到的玉米粒个数进行取平均数计算,得到玉米粒最终个数;
所述步骤7包括如下步骤:
步骤7.1,对原始图像进行色彩空间变换,将BGR图像变换成灰度图,然后进行通道分离,选择合适的通道作为输入图像;
步骤7.2,对步骤7.1输入单通道图像进行滤波,利用高斯滤波去除正态分布噪声、中值滤波去除椒盐噪声、形态学滤波填充或扩大空洞;
步骤7.3,对步骤7.2滤波后的图像二值化,使用均值为阈值或者自定义阈值;
步骤7.4,对步骤7.3二值化图像形态学滤波,填充空洞,消除小的目标;
步骤7.5,对处理后的二值图像查找物体轮廓,得到轮廓序列;
步骤7.6,按照包围盒面积、最小包围盒面积、周长、长宽及其比例等条件对轮廓筛选并获取目标统计量;
步骤7.7,解算出每张完整图片中玉米棒上玉米粒的个数,并记为M1、M2…MN;
所述步骤7.6中解算最小包围盒面积,包括如下步骤:
步骤7.6.1,解算多边形的简单外接矩形,简单外接矩形是指边平行于x轴或y轴的外接矩形;
步骤7.6.2,解算平面上某一点绕固定点旋转某一角度,设平面上点(x1,y1)绕另一点(x0,y0)逆时针旋转A角度后的点为(x2,y2),则有:
x2=(x1-x0)·cosA-(y1-y0)·sinA+x0
y2=(x1-x0)·sinA-(y1-y0)·cosA+y0
顺时针时,A改写成-A即可;
步骤7.6.3,旋转原始多边形,求旋转每个度数后的多边形的简单外接矩形,记录简单外接矩形的面积、顶点坐标以及此时旋转的度数;
步骤7.6.4,比较在旋转过程中多边形求得的所有简单外接矩形,得到面积最小的简单外接矩形,获取该简单外接矩形的顶点坐标和旋转的角度;
步骤7.6.5,旋转外接矩形,将上一步获得面积最小的简单外接矩形反方向旋转相同的角度,即得最小外接矩形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910783384.1A CN110490868B (zh) | 2019-08-23 | 2019-08-23 | 一种基于计算机视觉玉米穗粒数的无损计数方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910783384.1A CN110490868B (zh) | 2019-08-23 | 2019-08-23 | 一种基于计算机视觉玉米穗粒数的无损计数方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110490868A CN110490868A (zh) | 2019-11-22 |
CN110490868B true CN110490868B (zh) | 2023-05-30 |
Family
ID=68553229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910783384.1A Active CN110490868B (zh) | 2019-08-23 | 2019-08-23 | 一种基于计算机视觉玉米穗粒数的无损计数方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490868B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11823408B2 (en) * | 2020-03-13 | 2023-11-21 | Oregon State University | Apparatus and method to quantify maize seed phenotypes |
CN113063704B (zh) * | 2020-12-04 | 2022-03-11 | 湖北沛丰生物科技股份有限公司 | 颗粒饱满程度解析平台及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853524A (zh) * | 2010-05-13 | 2010-10-06 | 北京农业信息技术研究中心 | 使用图像序列生成玉米果穗全景图的方法 |
CN102982524A (zh) * | 2012-12-25 | 2013-03-20 | 北京农业信息技术研究中心 | 玉米果穗有序图像的拼接方法 |
CN103020970A (zh) * | 2012-12-25 | 2013-04-03 | 北京农业信息技术研究中心 | 玉米果穗图像籽粒分割方法 |
CN103093456A (zh) * | 2012-12-25 | 2013-05-08 | 北京农业信息技术研究中心 | 基于图像的玉米果穗性状指标计算方法 |
EP2709039A1 (en) * | 2012-09-17 | 2014-03-19 | Thomson Licensing | Device and method for detecting the presence of a logo in a picture |
CN103810522A (zh) * | 2014-01-08 | 2014-05-21 | 中国农业大学 | 一种玉米果穗籽粒计数方法和装置 |
CN106971393A (zh) * | 2017-02-23 | 2017-07-21 | 北京农业信息技术研究中心 | 一种玉米籽粒的表型测量方法及系统 |
WO2018010471A1 (zh) * | 2016-07-12 | 2018-01-18 | 中国能源建设集团广东省电力设计研究院有限公司 | 海上风电场集电系统避障路径优化方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10186029B2 (en) * | 2014-09-26 | 2019-01-22 | Wisconsin Alumni Research Foundation | Object characterization |
-
2019
- 2019-08-23 CN CN201910783384.1A patent/CN110490868B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853524A (zh) * | 2010-05-13 | 2010-10-06 | 北京农业信息技术研究中心 | 使用图像序列生成玉米果穗全景图的方法 |
EP2709039A1 (en) * | 2012-09-17 | 2014-03-19 | Thomson Licensing | Device and method for detecting the presence of a logo in a picture |
CN102982524A (zh) * | 2012-12-25 | 2013-03-20 | 北京农业信息技术研究中心 | 玉米果穗有序图像的拼接方法 |
CN103020970A (zh) * | 2012-12-25 | 2013-04-03 | 北京农业信息技术研究中心 | 玉米果穗图像籽粒分割方法 |
CN103093456A (zh) * | 2012-12-25 | 2013-05-08 | 北京农业信息技术研究中心 | 基于图像的玉米果穗性状指标计算方法 |
CN103810522A (zh) * | 2014-01-08 | 2014-05-21 | 中国农业大学 | 一种玉米果穗籽粒计数方法和装置 |
WO2018010471A1 (zh) * | 2016-07-12 | 2018-01-18 | 中国能源建设集团广东省电力设计研究院有限公司 | 海上风电场集电系统避障路径优化方法和系统 |
CN106971393A (zh) * | 2017-02-23 | 2017-07-21 | 北京农业信息技术研究中心 | 一种玉米籽粒的表型测量方法及系统 |
Non-Patent Citations (2)
Title |
---|
"Maize Grain Classification System using Neural Network";Soe Soe Aye et al;《International Journal of Science and Engineering Applications》;20181231;第429-432页 * |
基于全景图像的玉米果穗流水线考种方法及系统;杜建军 等;《农业工程学报》;20180731;第34卷(第13期);第195-202页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110490868A (zh) | 2019-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062915B (zh) | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 | |
CN110286124B (zh) | 基于机器视觉的耐火砖测量系统 | |
CN110378950B (zh) | 一种基于灰度和梯度融合的隧道结构裂缝识别方法 | |
CN102426649B (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
CN109447945B (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
CN109255757B (zh) | 一种机器视觉自然放置葡萄串果梗区域分割方法 | |
CN108364280A (zh) | 结构裂缝自动化描绘及宽度精准测量方法与设备 | |
CN103808263B (zh) | 谷粒粒形参数的高通量检测方法 | |
CN113450307A (zh) | 一种产品边缘缺陷检测方法 | |
CN110033516B (zh) | 基于双目相机图像采集识别的针片状颗粒含量检测方法 | |
CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
CN112614062B (zh) | 菌落计数方法、装置及计算机存储介质 | |
CN110490868B (zh) | 一种基于计算机视觉玉米穗粒数的无损计数方法 | |
CN110490826B (zh) | 一种照相机中雾滴样本图像处理方法 | |
CN106855951A (zh) | 一种基于计算机视觉的粮种品质检测方法 | |
EP2263191A1 (en) | System and method for identifying complex tokens in an image | |
CN108765433A (zh) | 一种用于提高精度的多叶面积测量方法 | |
CN113177977A (zh) | 一种非接触式三维人体尺寸的测量方法 | |
CN111879735B (zh) | 一种基于图像的大米外观品质检测方法 | |
CN113706566B (zh) | 一种基于边缘检测的加香喷雾性能检测方法 | |
CN114910480A (zh) | 一种基于机器视觉的晶圆表面缺陷检测方法 | |
TW202011267A (zh) | 用於對車輛損傷影像進行損傷分割的方法及裝置 | |
CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
CN112907545A (zh) | 基于图像处理的种子芽长与根长检测方法 | |
CN114332041A (zh) | 基于U-Net的抛釉砖表面瑕疵检测方法及装置 |
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 |