CN110781889B - 一种基于深度学习的蓝莓果实中总糖含量的无损检测方法 - Google Patents

一种基于深度学习的蓝莓果实中总糖含量的无损检测方法 Download PDF

Info

Publication number
CN110781889B
CN110781889B CN201911026963.8A CN201911026963A CN110781889B CN 110781889 B CN110781889 B CN 110781889B CN 201911026963 A CN201911026963 A CN 201911026963A CN 110781889 B CN110781889 B CN 110781889B
Authority
CN
China
Prior art keywords
blueberry
total sugar
content
network
fruit
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
Application number
CN201911026963.8A
Other languages
English (en)
Other versions
CN110781889A (zh
Inventor
牟昌红
袁泽斌
欧阳秀琴
王波
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.)
Suzhou University
Original Assignee
Suzhou 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 Suzhou University filed Critical Suzhou University
Priority to CN201911026963.8A priority Critical patent/CN110781889B/zh
Publication of CN110781889A publication Critical patent/CN110781889A/zh
Application granted granted Critical
Publication of CN110781889B publication Critical patent/CN110781889B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/02—Food
    • G01N33/025—Fruits or vegetables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Food Science & Technology (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的蓝莓果实中总糖含量的无损检测方法，该方法利用深度学习对蓝莓果实进行分类，提高了蓝莓果实品检测的准确性和效率，包括以下步骤：首先采集不同成熟时期的蓝莓果实，并测定了蓝莓的花青苷含量和总糖含量，然后建立基于花青苷与蓝莓图像相关性的果皮色素含量预测网络SPCPN，并建立基于花青苷与总糖相关的果实内在品质预测网络FIQPN，最后，将果皮色素含量预测网络和果实内在品质预测网络合并到蓝莓品质参数预测网络BQPPN中，经外部验证后，网络对蓝莓果实总糖含量的预测大于94％，具有无损、效率高、准确率高、便捷和结果稳定的优点。

Description

一种基于深度学习的蓝莓果实中总糖含量的无损检测方法
技术领域
本发明属于水果糖含量智能检测技术领域，具体涉及一种基于深度学习的蓝莓果实中总糖含量的无损检测方法。
背景技术
随着人们生活水平的提升，蓝莓因其独特风味及较强的营养保健功能而备受关注和青睐。蓝莓原产北美，中国栽培历史短，但增长速度很快，到2012年已达2万余公顷。中国蓝莓目前以出口为主，随着每年投放到国外市场的比例增加，对蓝莓果实品质的要求也逐渐提高，而仅凭人工肉眼进行产品分级存在很多局限性，并且传统的果实品质检测多采用化学实验方法，一般在实验室内进行，该方法需要对果实进行破碎后逐一检测，费时、费力，检测效率低，往往检测的样本数量有限，难保证抽样的代表性，从而无法实现快速无损检测。
而蓝莓果实品质的分级与果实中总糖含量的多少息息相关。目前，国内外有关蓝莓果实中总糖含量无损检测的研究多集中多采用近红外光检测技术且已经趋于成熟，但未见运用深度学习对蓝莓果实中总糖含量进行检测的案例，主要原因是传统计算机视觉方法在深度学习之前没有突破性的进展，在果实的品质检测方面运用计算机视觉方法精度非常受限。因此，开发一种基于深度学习的、快速、高效、无损、成本低的蓝莓果实品质检测技术是目前迫在眉睫的事情，不仅能够改善蓝莓的品质，也能提高我国蓝莓在国内外市场的竞争力。
发明内容
针对上述现有技术的不足，本发明提供一种基于深度学习的蓝莓果实中总糖含量的无损检测方法。
为了实现技术目的，本发明通过如下技术方案来实现：
一种基于深度学习的蓝莓果实中总糖含量的无损检测方法，包括以下步骤：
(1)根据蓝莓果实的发育特点，挑选大小、成熟度相对一致、无病虫害、无机械伤的果实。具体操作为：从蓝莓果实盛花期10d后开始采样，每隔10d取样 1次，采摘的蓝莓样本涵盖蓝莓果实着色期至完全成熟期，同时采集每时期采摘前蓝莓果实的彩色图像信息；
(2)采用pH示差法对不同时期蓝莓果皮中的花青苷进行测量，每时期重复 3次，求平均值；可溶性固形物使用手持测糖仪测定，每时期重复3次，求平均值；
(3)将步骤(1)拍摄的图片的分辨率调整为1000*500的最终分辨率。此外，在图像的训练和测试过程中，采用“去平均”的方法对输入果皮色素预测网络 SPCPN的训练样本图像数据进行处理，即首先计算整个蓝莓数据集中所有蓝莓图片像素平均值，并将每张蓝莓图片像素值减去平均值，通过减去平均值能够去除因为人为原因导致的相机抖动等带来的图片噪声，凸显图像中蓝莓物体；
(4)利用框标记脚本Label-Image对步骤(3)处理好的图片进行框标记，然后用步骤(2)中测量的每个时期的花青苷的平均值分别对相应时期的图片进行打标签，构建BFNE数据集，并且将BFNE数据集分为训练数据集Train Dataset 和测试数据集Test Dataset两部分；
(5)将人工标记边界框Bounding Boxes作为标记信息输入到果皮色素含量预测网络SPCPN中训练，即图1中色素预测网络，网络主要包含特征提取模块，边界框获取模块，以及色素含量模块中训练，网络主要流程为VggNet提取特征之后，通过区域推荐网络RPN产生相应的边界框Bounding Boxes，在产生的边界框Bounding Boxes基础上，通过新提出的感兴趣区域对齐层RoiAlign，即将边界框框出的感兴趣区域以插值和采样的方式获得特征值，将边界框的相关信息映射为原图的特征图并转化为高维特征向量，通过非极大值抑制减少最终框数目，而产生的分类结果会和框数据相互增益做最终的分类和回归，最终的框回归将最终的蓝莓框出来，将回归得到的框(u)与人工标记边界框Bounding Boxes(v) 求取误差Lbox，Lboxes(u,v)＝smoothL1(ui-vj)：
Figure GDA0003299222040000021
其中，(x,y)为边界框左上角坐标，w和h分别为边界框的宽和高。
预测含量与标签含量信息作比较，得到预测的误差Losspig，Lpig(p,t)＝-logPt，其中p为预测含量，t为人工标记含量，并将误差Losspig反向传播调整网络参数，在训练数据集Train Dataset上微调整个网络，在测试数据集Test Dataset上测试最终的结果，整个网络训练21小时，通过4万次在训练数据集Train Dataset上的微调迭代之后，网络充分的拟合蓝莓的特征，即训练和测试的Loss值和 Accuracy值趋于稳定为止；
(6)因为果皮色素预测网络SPCPN的感兴趣区域对齐层RoiAlign输出的高维特征向量通过色素信息监督生成，而色素信息同总糖含量存在强烈的对应关系，因此果皮色素预测网络SPCPN的输出特征可以作为总糖含量判断的特征。将果皮色素含量预测网络输出的高维特征向量作为总糖含量判断的特征，通过果实内在品质预测网络FQIPN输出最终的总糖的信息(p)，并与初始的总糖标记含量(w) 进行比较，得到最终的误差
Figure GDA0003299222040000031
并进行反向传播微调网络参数。在训练数据集Train Dataset上微调整个网络，在测试数据集Test Dataset 上测试最终的结果。
(7)最后将果皮色素含量预测网络SPCPN与果实内在品质预测网络FQIPN 网络进行融合，建立系统性的蓝莓无损检测网络模型-BFPP网络，从而真正实现了高精度的蓝莓果实总糖含量的无损检测，并且经外部验证得知网络精确度达到 94％以上。
进一步的，建立两个相关性模型：将色素与蓝莓图像建立相关性后在 VGG16Net+区域推荐网络(RPN)+Soft maxLayer中进行训练，建立了果实的物体框标记以及色素预测网络模型，运用FCnet对花青苷与蓝莓果实总糖指标进行训练，建立蓝莓果实品质指标预测网络模型。
进一步的，深度学习网络通过不同的神经网络层特征对含量差异进行编码，从而可以区分同一时期的蓝莓果实总糖含量的内部差异。因此，即使输入网络的图片被标记为不同时间段的平均值，网络仍然能够区分这些时间段内的差异，用 Logistic逻辑回归法网络可以直接输出预测的含量，并将同一时期果实预测出不同的含量值。
进一步的，步骤(7)中，采集6张蓝莓彩色图像作为测试集放入蓝莓品质参数预测网络中进行总糖含量的预测，从中筛选出50个蓝莓果实用化学仪器进行总糖含量的检测，并对每个果实的序号进行标记，分别测定各组标记水果的相应质量指标，对网络模型的预测值和实际值进行回归分析。
与现有技术相比，本发明的有益效果为：
本发明公开了一种基于深度学习的蓝莓果实中总糖含量的无损检测方法，该方法利用深度学习对蓝莓果实进行分类，提高了蓝莓果实品检测的准确性和效率，包括以下步骤：首先采集不同成熟时期的蓝莓果实，并测定了蓝莓的花青苷含量和总糖含量，然后建立基于花青苷与蓝莓图像相关性的果皮色素含量预测网络S PCPN，并建立基于花青苷与总糖相关的果实内在品质预测网络FIQPN，最后，将果皮色素含量预测网络SPCPN和果实内在品质预测网络FIQPN合并到蓝莓品质参数预测网络BQPPN中，经外部验证后，网络对蓝莓果实总糖含量的预测大于94％，具有无损、效率高、准确率高、便捷和结果稳定的优点。
附图说明
图1是本发明的蓝莓品质参数预测网络BQPPN的结构图；
图2是本发明的蓝莓果实中总糖含量的散点图
具体实施方式
下面结合附图对技术方案的实施作进一步详细描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
名词解释：
SPCPN：果皮色素含量预测网络；
FIQPN：果实内在品质预测网络；
BQPPN：蓝莓品质参数预测网络；
Label-Image：框标记脚本；
Bounding Boxes：边界框；
Train Dataset：训练数据集；
Test Dataset：测试数据集；
Bounding Boxes：边界框；
RoiAlign：感兴趣区域对齐层。
如图1-2所示，一种基于深度学习的蓝莓果实中总糖含量的无损检测方法，将建立好的彩色图片-果皮色素-果实内在品质相关性模型与深度学习相结合，一方面是因为果色是判断蓝莓果实成熟度的关键品质之一，而果实外表所呈现的颜色变化主要是由于其果皮所含各类色素含量不同所造成的，因此，测定蓝莓彩色图片与果皮色素具有很强的相关性；另一方面是因为蓝莓果皮中色素的含量与总糖的多少都有很大的关系，建立色素与总糖的相关性网络模型，理论上可准确预测蓝莓果实总糖含量，对蓝莓果实品质进行准确分级，具体包括以下步骤：
(1)采摘从蓝莓果实着色期至完全成熟期的蓝莓样本，取样N次，同时采集每时期采摘前蓝莓果实的彩色图像信息，备用；
(2)测定步骤(1)中采摘的不同时期蓝莓果皮中的花青苷含量和可溶性固形物含量并记录；
(3)调整步骤(1)拍摄的图片的分辨率，作为训练样本，在图像的训练和测试过程中，对输入果皮色素含量预测网络SPCPN中的训练样本图像数据进行处理；
(4)利用框标记脚本Label-Image对步骤(3)处理好的图片进行框标记，然后用测量的每个时期花青苷的平均值分别对相应时期的图片进行打标签，构建 BFNE Dataset数据集，并将其分为训练数据集Train Dataset和测试数据集Test Dataset两部分；
(5)将人工标记边界框Bounding Boxes作为标记信息输入到果皮色素含量预测网络SPCPN中训练，提取特征后，产生相应的边界框，将边界框的相关信息映射为原图的特征图并转化为高维特征向量，通过非极大值抑制减少最终框数目，而产生的分类结果会和框数据相互增益做最终的分类和回归，最终的框回归将最终的蓝莓框出来，将回归得到的框与人工标记边界框Bounding Boxes求取误差，预测含量与标签含量信息作比较，得到预测的误差Loss，并将误差反向传播调整网络参数，在训练数据集上微调整个网络，在测试数据集上测试最终的结果；
(6)将果皮色素含量预测网络输出的高维特征向量作为总糖含量判断的特征，通过果实内在品质预测网络FQIPN输出最终的总糖的信息，并与初始的总糖标记含量进行比较，得到最终的误差Loss并进行反向传播微调网络参数。在训练数据集上微调整个网络，在测试数据集上测试最终的结果；
(7)将果实色素预测网络与果实内在品质预测网络进行融合，建立蓝莓品质参数预测网络BQPPN，对蓝莓的蓝莓品质参数预测网络进行评价。
步骤(1)中，根据蓝莓果实的发育特点，挑选大小、成熟度相对一致、无病虫害、无机械伤的果实。
实施例1
如图1-2所示，一种基于深度学习的蓝莓果实中总糖含量的无损检测方法，对不同品种蓝莓果实中总糖含量的无损检测具有很好的通用性，因此本实施例1 只以一个蓝莓品种-梯夫蓝为实施实例，其他品种的蓝莓果实中总糖含量的无损检测可参照该实施例1的方法进行，具体根据所测蓝莓品种，建立一个适用于该品种的蓝莓果实中总糖含量的无损检测模型，就可以对该品种进行总糖含量的无损检测，其具体步骤如下：
(1)于梯夫蓝盛花期10d后开始采样，每隔10d取样1次，共取样了7次，同时在采集采摘前蓝莓果实的彩色图像信息；
(2)采用pH示差法对不同时期蓝莓果皮中的花青苷进行测量，可溶性固形物用手持测糖仪测定，每时期重复3次，求平均值；
(3)将步骤(1)拍摄的700张图片进行图像调整为1000*500的最终分辨率，此外，在图像的训练和测试过程中，采用去平均方法对输入果皮色素含量预测网络SPCPN的图像数据进行处理，即首先计算整个蓝莓数据集中所有蓝莓图片像素平均值，并将每张蓝莓图片像素值减去平均值，通过减去平均值能够去除因为人为原因导致的相机抖动等带来的图片噪声，凸显图像中蓝莓物体；
(4)利用Label-Image脚本对步骤(3)处理好的图片进行框标记，然后用步骤(2)测量的每个时期花青苷的平均值分别对相应时期的蓝莓图片进行打标签。每个期间有700个框，共4900个，将蓝莓图片中单个蓝莓，标记框数据，以及花青苷的标记值相互对应从而构建BFNE Dataset数据集，将BFNE Dataset数据集分为训练数据集Train Dataset和测试数据集Test Dataset两部分；
(5)将人工标记边界框Bounding Boxes作为标记信息与去均值的蓝莓图片，一同输入到果皮色素含量预测网络SPCPN，即图1中的色素预测网络，网络主要包含特征提取模块、边界框获取模块以及色素含量模块中训练，网络主要流程为VggNet提取特征之后，通过区域推荐网络RPN产生相应的边界框Bounding Boxes，在产生的边界框Bounding Boxes基础上，通过新提出的感兴趣区域对齐层RoiAlign，即将边界框框出的感兴趣区域以插值和采样的方式获得特征值，将边界框Bounding Boxes的相关信息映射为原图的特征图并转化为高维特征向量，通过非极大值抑制减少最终框Boxes数目，而产生的分类结果会和框Boxes数据相互增益做最终的分类和回归，最终的框回归将最终的蓝莓框出来，将回归得到的框与边界框人工标记Bounding Boxes求误差，预测含量与标签含量信息作比较，得到预测的误差Loss，并将误差Loss反向传播调整网络参数，在训练数据集Train Dataset上微调整个网络，在测试数据集Test Dataset上测试最终的结果，整个网络训练21小时，通过4万次在训练数据集Train Dataset上的微调迭代之后，网络充分的拟合蓝莓的特征，即训练和测试的Loss值和Accuracy值趋于稳定为止；
(6)因为果皮色素预测网络SPCPN的感兴趣区域对齐层RoiAlign输出的高维特征向量通过色素信息监督生成，而色素信息同总糖含量存在强烈的对应关系，因此果皮色素预测网络SPCPN的输出特征可以作为总糖含量判断的特征。由于特征通过是花青苷的标签反向传播作为监督生成的，因此高维特征向量不仅富含花青苷含量的特征信息，与此同时，果皮色素预测网络SPCPN通过前向传播的图像级浅层特征同样可以通过高维特征向量来表征，通过设计的果实品质指标预测网络FQIPN预测的输出最终的总糖的信息，并与初始的总糖标记含量进行比较，得到最终的误差Loss并进行反向传播微调网络参数。在训练数据集Train Dataset上微调整个网络，在测试数据集Test Dataset上测试最终的结果；
(7)将果实色素预测网络SPCPN与果实内在品质预测网络FIQPN进行融合，建立系统性的蓝莓品质参数预测网络，即BQPPN网络，并且进行外部验证，从而对蓝莓的蓝莓品质参数预测网络进行评价：首先，采集6张蓝莓彩色图像作为测试集放入BQPPN网络中进行总糖含量的预测，从中筛选出50个蓝莓果实用化学仪器进行总糖含量的检测，并对每个果实的序号进行标记，分别测定各组标记水果的相应质量指标，最后，对网络模型的预测值和实际值进行了回归分析，R2＝0.940，RMSE＝4.905。
本发明未涉及的均属于现有技术，采用常规手段即可，不属于本发明的保护范围，在此不做赘述。
上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围。

Claims (5)

1.一种基于深度学习的蓝莓果实中总糖含量的无损检测方法，其特征在于，包括以下步骤：
(1)采摘从蓝莓果实着色期至完全成熟期的蓝莓样本，取样N次，同时采集每时期采摘前蓝莓果实的彩色图像信息，备用；
(2)测定步骤(1)中采摘的不同时期蓝莓果皮中的花青苷含量和可溶性固形物含量并记录；
(3)调整步骤(1)拍摄的图片的分辨率，作为训练样本，在图像的训练和测试过程中，对训练样本图像数据进行处理；
(4)利用框标记脚本对步骤(3)处理好的图片进行框标记，然后用测量的每个时期花青苷的平均值分别对相应时期的图片进行打标签，构建BFNE数据集，并将其分为训练数据集和测试数据集两部分；
(5)将人工标记的边界框作为标记信息输入到果皮色素含量预测网络中训练，提取特征后，产生相应的边界框，将边界框的相关信息映射为原图的特征图并转化为高维特征向量，通过非极大值抑制减少最终框数目，而产生的分类结果会和框数据相互增益做最终的分类和回归，最终的框回归将最终的蓝莓框出来，将回归得到的框与人工标记的边界框求取误差，预测含量与标签含量信息作比较，得到预测的误差，并将误差反向传播调整网络参数，在训练数据集上微调整个网络，在测试数据集上测试最终的结果；
(6)将果皮色素含量预测网络输出的高维特征向量作为总糖含量判断的特征，通过果实内在品质预测网络输出最终的总糖的信息，并与初始的总糖标记含量进行比较，得到最终的误差并进行反向传播微调网络参数，在训练数据集上微调整个网络，在测试数据集上测试最终的结果；
(7)将训练好的果皮色素含量预测网络与果实内在品质预测网络进行融合，建立蓝莓品质参数预测网络BQPPN，对蓝莓的蓝莓品质参数预测网络进行评价。
2.根据权利要求1所述的一种基于深度学习的蓝莓果实中总糖含量的无损检测方法，其特征在于，步骤(1)中，根据蓝莓果实的发育特点，挑选大小、成熟度相对一致、无病虫害、无机械伤的果实，具体操作为：从蓝莓果实盛花期10d后开始采样，每隔10d取样1次，同时采集每时期采摘前蓝莓果实的彩色图像信息。
3.根据权利要求1所述的一种基于深度学习的蓝莓果实中总糖含量的无损检测方法，其特征在于，步骤(2)中，采用pH示差法对步骤(1)中采摘都是不同时期蓝莓果皮中的花青苷进行测量，可溶性固形物用手持测糖仪测定，每时期重复3次，求平均值。
4.根据权利要求1所述的一种基于深度学习的蓝莓果实中总糖含量的无损检测方法，其特征在于，步骤(3)中，将步骤(1)拍摄的图片的分辨率调整为1000*500的最终分辨率。
5.根据权利要求1所述的一种基于深度学习的蓝莓果实中总糖含量的无损检测方法，其特征在于，步骤(7)中，采集6张蓝莓彩色图像作为测试集放入蓝莓品质参数预测网络中进行总糖含量的预测，从中筛选出50个蓝莓果实用化学仪器进行总糖含量的检测，并对每个果实的序号进行标记，分别测定各组标记水果的相应质量指标，对网络模型的预测值和实际值进行回归分析。
CN201911026963.8A 2019-10-26 2019-10-26 一种基于深度学习的蓝莓果实中总糖含量的无损检测方法 Active CN110781889B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911026963.8A CN110781889B (zh) 2019-10-26 2019-10-26 一种基于深度学习的蓝莓果实中总糖含量的无损检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911026963.8A CN110781889B (zh) 2019-10-26 2019-10-26 一种基于深度学习的蓝莓果实中总糖含量的无损检测方法

Publications (2)

Publication Number Publication Date
CN110781889A CN110781889A (zh) 2020-02-11
CN110781889B true CN110781889B (zh) 2022-02-08

Family

ID=69386907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911026963.8A Active CN110781889B (zh) 2019-10-26 2019-10-26 一种基于深度学习的蓝莓果实中总糖含量的无损检测方法

Country Status (1)

Country Link
CN (1) CN110781889B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111551499B (zh) * 2020-04-28 2023-07-04 中国农业科学院农业信息研究所 果实糖分含量的测量方法、装置、计算机设备及存储介质
CN112465077B (zh) * 2021-02-02 2021-04-16 中国人民解放军国防科技大学 水果糖度无损检测方法、装置、计算机设备和存储介质
CN113192026B (zh) * 2021-04-28 2023-08-04 北京林业大学 一种基于可见光图像的核桃成熟度检测与预测方法
CN113343464B (zh) * 2021-06-08 2024-09-13 中国农业大学 一种基于果径无损观测的番茄果实糖分高效预测改进方法
CN113963239B (zh) * 2021-12-23 2022-03-29 北京林业大学 一种智能化检测油茶果实成熟度的方法
CN116616045B (zh) * 2023-06-07 2023-11-24 山东农业工程学院 一种基于植物生长的采摘方法及采摘系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107451602A (zh) * 2017-07-06 2017-12-08 浙江工业大学 一种基于深度学习的果蔬检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107451602A (zh) * 2017-07-06 2017-12-08 浙江工业大学 一种基于深度学习的果蔬检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于高光谱图像的蓝莓糖度和硬度无损测量;李瑞 等;《农业工程学报》;20170228;第33卷;第362-366页 *
基于高光谱成像技术的蓝莓内部品质检测方法的研究;张巍;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170115(第01期);全文 *

Also Published As

Publication number Publication date
CN110781889A (zh) 2020-02-11

Similar Documents

Publication Publication Date Title
CN110781889B (zh) 一种基于深度学习的蓝莓果实中总糖含量的无损检测方法
CN110736709A (zh) 一种基于深度卷积神经网络的蓝莓成熟度的无损检测方法
CN111199192A (zh) 一种采用平行线取样的田间红提葡萄整体成熟度检测方法
CN111751376A (zh) 一种基于冠层图像特征衍生的水稻氮素营养估算方法
CN109827957A (zh) 一种基于计算机视觉的水稻叶片spad值估测方法及系统
CN112184627A (zh) 基于图像处理与神经网络的柑橘保鲜品质检测方法及应用
CN113570538B (zh) 一种叶片rgb图像偏态分布参数信息采集及分析方法
CN114140695A (zh) 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统
CN113657449A (zh) 一种含噪标注数据的中医舌象腐腻分类方法
CN109858521A (zh) 一种基于人工智能深度学习的竹子种类识别方法
CN116863341B (zh) 基于时间序列卫星遥感影像的作物分类和识别方法和系统
CN104568639B (zh) 一种水果糖度的确定方法和装置
CN116052141B (zh) 作物生育期的识别方法、装置、设备及介质
CN110580495A (zh) 一种梨树叶面积与叶面炭疽病病斑数自动化分析方法
CN114609134A (zh) 基于线性判别的烤烟烟叶田间成熟度手机智能判别方法
CN114486895A (zh) 一种基于尿干化试纸条推向识别的检测样本物质浓度的方法
CN113624759A (zh) 一种基于机器学习的苹果无损检测方法
CN104574341B (zh) 一种水果糖度的确定方法和装置
Cai et al. Rapid measurement of potato canopy coverage and leaf area index inversion
Keerthi et al. An Efficient Image Analysis Approach to Evaluate the Quality of Cotton Seeds
CN115015180B (zh) 一种基于光谱反射率重建技术的水果糖度无损检测方法
CN111860038A (zh) 一种农作物前端识别装置及方法
Song et al. Analysis on Chlorophyll Diagnosis of Wheat Leaves Based on Digital Image Processing and Feature Selection.
Chen et al. Prediction of chlorophyll and anthocyanin contents in purple lettuce based on image processing
CN116883735B (zh) 基于公有特征和私有特征的域自适应小麦种子分类方法

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