CN111289512B - 一种基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法 - Google Patents

一种基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法 Download PDF

Info

Publication number
CN111289512B
CN111289512B CN202010129034.6A CN202010129034A CN111289512B CN 111289512 B CN111289512 B CN 111289512B CN 202010129034 A CN202010129034 A CN 202010129034A CN 111289512 B CN111289512 B CN 111289512B
Authority
CN
China
Prior art keywords
rice
neural network
convolutional neural
alkali
throughput
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
CN202010129034.6A
Other languages
English (en)
Other versions
CN111289512A (zh
Inventor
陈松
徐春梅
王丹英
褚光
陈丽萍
章秀福
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.)
China National Rice Research Institute
Original Assignee
China National Rice Research Institute
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 China National Rice Research Institute filed Critical China National Rice Research Institute
Priority to CN202010129034.6A priority Critical patent/CN111289512B/zh
Publication of CN111289512A publication Critical patent/CN111289512A/zh
Priority to NL2026437A priority patent/NL2026437B1/en
Application granted granted Critical
Publication of CN111289512B publication Critical patent/CN111289512B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06T7/0004—Industrial image inspection
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30128—Food products

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (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)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于通过单粒单格、多分割反应盘进行米粒碱性反应，然后进行高通量采集，照片处理后使用基于CNN的卷积神经网络图形分类器进行特征提取分类，并在特定条件下进行训练，根据数据训练集深度学习获得的模型参数，对测试样品照片进行机器识别，得出碱消值级别。通过本发明的测定方法，减少因人工测定造成的检测误差，通过特定的反应盒进行试验，能够保证试验过程中米粒不会漂移，提高后期观测时的清晰度，提高检测的准确率；另外评估结果不再与操作员的个人理解、工作经验、个人状态等有直接联系，降低了检测的难度，且试验结果更真实，更具有代表性。

Description

一种基于深度卷积神经网络的水稻籽粒碱消值高通量测定 方法
技术领域
本发明涉及大米质检领域，具体是一种基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法。
背景技术
大米品质评价标准中，碱消值是主要判定指标。标准的测定碱消值是将6粒饱满完整的大米放置在同一个专用盒子，添加氢氧化钾反应23小时后，观测米粒的消解程度，判定1-7级。例如，1级，米粒无变化；2级，米粒膨胀；4级，米粒膨大，环完整而宽等。但在实际操作过程中，其试验效率和测试精度存在一定缺陷。首先，试验时需要非常谨慎、缓慢操作。因为大米漂浮于反应液，略微震荡易造成移动，米粒互相遮蔽，导致后期观测困难；其次，消减值的级别判定与测试员的专业水平有关。尽管有具体的文字描述，但是在实际操作中，其评估结果与操作员的个人理解、工作经验、个人状态以及当时的环境条件等均有关系。
针对现有方法的不足，本发明提供了一种基于深度卷积神经网络的图片识别技术，构建一种高效高通量的大米碱消值测定方法，解决了传统测定方法，效率低下，评估偏差等问题。主要思路是利用固定拍照/扫描的方法，拍摄单粒消解的照片，邀请专业的评估人员对大样本量的单粒消解做专业评估，利用ResNet（深度残差网络）深度卷积神经网络对数据进行有监督深度学习，构建模型。配套相应的测定部件，并开发软件程序，应用于实际生产。
发明内容
为了解决上述存在的技术问题，本发明采用了以下方案：
一种基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于包括以下步骤：
1）在反应盒中的每个格子中放入饱满完整的一粒大米，然后沿着反应盒的外壁缓慢加入碱液，直至碱液沾满整个反应盘，然后加密封盖进行密封，放置在烘箱中反应23小时；
2）将反应后的反应盘放置到照片采集装置中进行高通量采集，根据模型训练结果设置采集像素，获得图片后，专业碱消值测定人员对每个单格大米的消解程度评级，构建原始数据集；
3）从中国水稻研究所稻米品质研究中常年测定分析样品库中筛选不同类型水稻品种1-7级大米样品，按照步骤1）至步骤2）的流程，测定取样，获得用于后续图像识别的大数据样本；
4）进行图片分割，将图片转化为灰度图，然后进行高斯模糊用来去噪声，接着进行二值化处理，然后通过OpenCV内置函数找出图片的轮廓，找出轮廓后使用OpenCV内置函数找出每个轮廓的外接矩形，并且筛选出符合分割图片大小的矩形；
5）基于CNN即的卷积神经网络图形分类器，使用ResNet18即18层卷积层网络进行特征提取分类或ResNet50即50层卷积层网络进行特征提取分类，输入图片为3通道即RGB大小为224*224图片，原图大小不是224*224通过Pytorch进行变换；
6）设置训练超参数，其中学习周期为90个epoch，每个epoch运算一次完整的训练集；
学习率LR初始设置为0.1，然后每30个epoch降低为原来的1/10；
小批量大小设置为8；
正则化权重设为10-4，用来对抗过拟合，即训练集表现良好但测试集表现不好；
7）将数据分别记为训练过程中的训练集和验证集，训练集数量是验证集的4～10倍，并且两者不能有重叠，获取数据集图像均值和标准差的文件，图像均值和标准差在训练时图像预处理归一化时需要使用，训练完使用ResNet18或ResNet50结构模型进行测试与判别；
8）根据数据训练集深度学习获得的模型参数，对测试样品照片进行机器识别，得出碱消值级别。
所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述步骤1）中碱液的淹没水稻米粒，所述碱液的高度不超过反应盒中隔离栅栏分割出的格子的高度。
所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述步骤2）中所述采集装置的采集器包括扫描仪、工业垂直摄像机、初步固定的手机摄像机；采集像素包括正片或反片模式。
所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述步骤2）中的样品数量为1000-5000份样品。
所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述反应盒包括反应盘、隔离栅栏以及设置在隔离栅栏上方与所述反应盘配合的密封盖。
所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述通过所述隔离栅栏在所述反应盘中设置有若干小格，所述小格的长为20-25mm，宽为20-25mm，高为3mm。
所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述隔离栅栏的高度比所述反应盘的高度小1-2cm。
所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述反应盘中隔离栅栏单盘的分割数目一般为50-200，各个分隔单格设置有序列。
所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述反应盘、所述隔离栅栏以及所述密封盖所采用的材料包括PE、PP，底部透光率大于90%。
所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述反应盒的形状包括圆形、方形、椭圆形。
该基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法具有以下有益效果：
通过本发明的测定方法，减少因人工测定造成的检测误差，通过特定的反应盒进行试验，能够保证试验过程中米粒不会漂移，提高后期观测时的清晰度，提高检测的准确率；另外评估结果不再与操作员的个人理解、工作经验、个人状态等均有直接的联系，降低了检测的难度，切试验结果更真实，更具有代表性。
附图说明
图1本发明中使用的新型反应盒；
图2大米碱消值采集照片图例；
图3大米碱消值图片二值化处理示意图；
图4大米碱消值图片轮廓分割示意图；
图5 ResNet18和ResNet50的结构图；
图6大米碱消值级别4图例；
图7大米碱消值级别5图例。
附图标记说明：
1反应盘；2隔离栅栏；3密封盖。
具体实施方式
下面结合附图，对本发明的具体实施方式作进一步详述，使本发明技术方案更易于理解和掌握。
结合图1，为了满足高通量取样的需要，将现有的6粒大米1个反应盒的试验体系改良为新型反应盒，包括反应盘1和设置在反应盘1中的隔离栅栏2，反应盘1的顶部设置有密封盖3。隔离栅栏2被密封盖3密封在反应盘1中。
其中，反应盘1、隔离栅栏2以及密封盖3所采用的材料包括PE、PP等，底部透光率大于90%。隔离栅栏2上纵横交错设置有若干小格，形成反应盘，小格的长为20-25mm，宽为20-25mm，高为3mm，隔离栅栏2的高度比反应盘1的高度小1-2cm。反应盘1的形状包括圆形方形等，根据不同的需求可以设计成为不同的形状。反应盘1的尺寸根据不同的采集方法各有不同，反应盘1中隔离栅栏2单盘的分割数目一般在50-200之间，各个分隔单格标注序列。
一种基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，包括以下步骤：
按照标准方法，在本发明使用的反应盘1中的每个格子中放入饱满完整的1粒大米；沿外壁缓慢加入碱液（即反应液），碱液为浓度0.304mol/L的氢氧化钾溶液，让碱液通过下部逐渐占满整个反应盘。碱液高度要求淹没水稻米粒，但是不高于单格高度，这样可保证在移动的过程中，籽粒充分接触反应液的同时不漂移、不移动。加液后加盖密封，然后放置到30度烘箱反应23小时。
反应23小时后，将反应盘放置到照片采集装置，高通量采集。采集装置的采集器，可以是扫描仪、工业垂直摄像机、初步固定的手机摄像机等。采集像素根据模型训练结果设置，可采用正片或反片模式，以突出色差为主要目的。实际效果见图2。获得图片后，邀请中国水稻研究所稻米品质研究中心的专业碱消值测定人员对每个单格大米的消解程度评级，构建原始数据集。
从中国水稻研究所稻米品质研究中常年测定分析样品库中筛选不同类型水稻品种1-7级大米样品，共计1000-5000份左右样品，按照上述的流程，测定取样，获得用于后续图像识别的大数据样本。
图片分割: 首先将图片转化为灰度图，然后进行高斯模糊用来去噪声，接着进行二值化处理，处理结果如图3所示。然后通过OpenCV内置函数找出图片的轮廓，找出轮廓后使用OpenCV内置函数找出每个轮廓的外接矩形，并且筛选出符合分割图片大小的矩形，所有矩形和最终结果如图4所示。
深度学习：本发明使用的是基于CNN（Convolutional Neural Network，卷积神经网络）的图像分类器，使用的架构为目前特征提取能力最强的ResNet架构（ResidualNetwork），这种残差学习网络最深可达到1000多层，仍然具有极好的特征提取能力，远超过往包括VGG在内的优秀深度学习结构。目前暂时使用ResNet18即18层卷积层网络进行特征提取分类。ResNet18和ResNet50的结构图如下图4所示。输入图片为3通道（RGB）大小为224*224图片，原图大小不是224*224通过Pytorch进行变换。Pytorch是基于python的一个科学计算工具，本方法中调用Pytorch内置函数对图像进行处理。ResNet18和ResNet50的结构图如图5所示。
训练超参数设置：
学习周期（epoch）： 90个epoch，每个epoch运算一次完整的训练集。
学习率（Learning rate, LR）: 初始为0.1，然后每30个epoch降低为原来的1/10。
小批量大小（Batch Size）: 总共是7个类别，因此设为8。
正则化权重（Weight decay）: 设为10-4，用来对抗过拟合，即训练集表现良好但测试集表现不好。
将数据分别为训练过程中的训练集和验证集，训练集数量是验证集的4～10倍，并且两者不能有重叠，获取数据集图像均值和标准差的文件，图像均值和标准差在训练时图像预处理归一化时需要使用。训练完使用模型进行测试与判别。
结果判定：根据数据训练集深度学习获得的模型参数，对测试样品照片进行机器识别，得出碱消值级别，碱消值分级标准如表1所示。
表
Figure DEST_PATH_IMAGE002
碱消值分级标准
级别 分解度 清晰度
1 米粒无变化 米心白色
2 米粒膨胀 米心白色，有粉末环状
3 米粒膨胀，环不完全或狭窄 米心白色，环棉絮状或云雾状
4 米粒膨大，环完整而宽 米心棉白色，环云雾状
5 米粒开裂，环完整而宽 米心棉白色，环清晰
6 米粒部分分散溶解，与环融合在一起 米心云白色，环消失
7 米粒完全分散 米心与环均消失
试验一：
以4-7级碱消值样本为检测样本，验证本方法的识别精度，结果为：
（1）通过扫描仪获得图片；（2）图片分割，获得单格图片；（3）利用基于CNN的ResNet模型判别每粒大米的碱消值；（4）请专业人员判定碱消值级别并用于数据检验。
最后的结果：
级别 识别精度
4 91.67%
5 92.31%
6 100%
7 100%
总识别率 96.15%
结果分析：
总体识别率达到96.15%，级别4和级别5识别率只有92%左右。具体分析发现是一张人工判定为级别4的图片，却被机器识别成了级别5，两张图片分别如图6与图7所示。由于4和5本身在表现上就比较接近，即使专业的技术人员在分类时，也认为4和5相当难以区分，可以互换。因此，本次结果相对优秀，体现了ResNet深度学习模型的有效性。其评估结果与操作员的个人理解、工作经验、个人状态等均有不再具备直接关系，使得试验结果更真实，减少因人工测定造成的检测误差。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
上面结合附图对本发明进行了示例性的描述，显然本发明的实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围内。

Claims (10)

1.一种基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于包括以下步骤：
1)在反应盒中的每个格子中放入饱满完整的一粒大米，然后沿着反应盒的外壁缓慢加入碱液，直至碱液占满整个反应盘，然后加密封盖进行密封，放置在烘箱中反应23小时；
2)将反应后的反应盘放置到照片采集装置中进行高通量采集，根据模型训练结果设置采集像素，获得图片后，专业碱消值测定人员对每个单格大米的消解程度评级，构建原始数据集；
3)从中国水稻研究所稻米品质研究中常年测定分析样品库中筛选不同类型水稻品种1-7级大米样品，按照步骤1)至步骤2)的流程，测定取样，获得用于后续图像识别的大数据样本；
4)进行图片分割，将图片转化为灰度图，然后进行高斯模糊用来去噪声，接着进行二值化处理，然后通过OpenCV内置函数找出图片的轮廓，找出轮廓后使用OpenCV内置函数找出每个轮廓的外接矩形，并且筛选出符合分割图片大小的矩形；
5)基于CNN的卷积神经网络图形分类器，使用ResNet18即18层卷积层网络进行特征提取分类或ResNet50即50层卷积层网络进行特征提取分类，输入图片为3通道即RGB，大小为224*224图片，原图大小不是224*224通过Pytorch进行变换；
6)设置训练超参数，其中学习周期为90个epoch，每个epoch运算一次完整的训练集；
学习率LR初始设置为0.1，然后每30个epoch降低为原来的1/10；
小批量大小设置为8；
正则化权重设为10-4，用来对抗过拟合，即训练集表现良好但测试集表现不好；
7)将数据分别记为训练过程中的训练集和验证集，训练集数量是验证集的4～10倍，并且两者不能有重叠，获取数据集图像均值和标准差的文件，图像均值和标准差在训练时图像预处理归一化时需要使用，训练完使用ResNet18或ResNet50结构模型进行测试与判别；
8)根据数据训练集深度学习获得的模型参数，对测试样品照片进行机器识别，得出碱消值级别。
2.根据权利要求1所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述步骤1)中碱液淹没水稻米粒，所述碱液的高度不超过反应盒中隔离栅栏分割出的格子的高度。
3.根据权利要求1所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述步骤2)中所述采集装置的采集器包括扫描仪、工业垂直摄像机、初步固定的手机摄像机；采集像素包括正片或反片模式。
4.根据权利要求1所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述步骤2)中的样品数量为1000-5000份样品。
5.根据权利要求1所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述反应盒包括反应盘(1)、隔离栅栏(2)以及设置在隔离栅栏(2)上方与所述反应盘(1)配合的密封盖(3)。
6.根据权利要求5所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述通过所述隔离栅栏(2)在所述反应盘(1)中设置有若干小格，所述小格的长为20-25mm，宽为20-25mm，高为3mm。
7.根据权利要求5所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述隔离栅栏(2)的高度比所述反应盘(1)的高度小1-2cm。
8.根据权利要求5所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述反应盘(1)中隔离栅栏(2)单盘的分割数目一般为50-200，各个分隔单格设置有序列。
9.根据权利要求5所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述反应盘(1)、所述隔离栅栏(2)以及所述密封盖(3)所采用的材料包括PE、PP，底部透光率大于90％。
10.根据权利要求5-9任一所述的基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法，其特征在于所述反应盒的形状包括圆形、方形、椭圆形。
CN202010129034.6A 2020-02-28 2020-02-28 一种基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法 Active CN111289512B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010129034.6A CN111289512B (zh) 2020-02-28 2020-02-28 一种基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法
NL2026437A NL2026437B1 (en) 2020-02-28 2020-09-10 Deep convolutional neural network based high-throughput method for determining alkali spreading value of rice grain

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010129034.6A CN111289512B (zh) 2020-02-28 2020-02-28 一种基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法
NL2026437A NL2026437B1 (en) 2020-02-28 2020-09-10 Deep convolutional neural network based high-throughput method for determining alkali spreading value of rice grain

Publications (2)

Publication Number Publication Date
CN111289512A CN111289512A (zh) 2020-06-16
CN111289512B true CN111289512B (zh) 2021-04-13

Family

ID=78595201

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010129034.6A Active CN111289512B (zh) 2020-02-28 2020-02-28 一种基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法

Country Status (2)

Country Link
CN (1) CN111289512B (zh)
NL (1) NL2026437B1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111289512B (zh) * 2020-02-28 2021-04-13 中国水稻研究所 一种基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法
CN112369319B (zh) * 2020-11-12 2023-10-03 安徽荃银高科种业股份有限公司 一种基于碱消值选育高温期优质水稻品种的方法
CN112369322B (zh) * 2020-11-12 2023-10-03 安徽荃银高科种业股份有限公司 一种利用碱消值鉴定高温期优质水稻品种的方法
CN114119363A (zh) * 2021-10-15 2022-03-01 北京百度网讯科技有限公司 数据增广方法、装置、电子设备及存储介质
CN116149280B (zh) * 2023-04-04 2023-07-07 福建德尔科技股份有限公司 电子级氢氧化钾的智能生产系统
CN116994032B (zh) * 2023-06-28 2024-02-27 河北大学 一种基于深度学习的直肠息肉多分类方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102759527A (zh) * 2011-04-28 2012-10-31 河南工业大学 一种检测大米碱消度的方法
CN102788752A (zh) * 2012-08-08 2012-11-21 江苏大学 基于光谱技术的农作物内部信息无损检测装置及方法
CN105067784A (zh) * 2015-07-22 2015-11-18 中国水稻研究所 利用稻米品质的理化性状指标来判定稻米食味品质的方法
CN206788149U (zh) * 2017-06-08 2017-12-22 中国水稻研究所 一种整体碱消值测定盒
CN109934297A (zh) * 2019-03-19 2019-06-25 广东省农业科学院农业生物基因研究中心 一种基于深度学习卷积神经网络的水稻考种方法
CN109949323A (zh) * 2019-03-19 2019-06-28 广东省农业科学院农业生物基因研究中心 一种基于深度学习卷积神经网络的作物种子净度判断方法
CN110517311A (zh) * 2019-08-30 2019-11-29 北京麦飞科技有限公司 基于叶片病斑面积的病虫害监测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7964536B2 (en) * 2001-12-04 2011-06-21 Wayne State University Neoepitope detection of disease using protein arrays
CN104992068B (zh) * 2015-08-13 2018-10-26 四川农业大学 一种表层土壤氮素分布的预测方法
CN107748144A (zh) * 2017-11-13 2018-03-02 中国科学院昆明植物研究所 快速测定土壤碳氮及其稳定同位素的中红外光谱检测系统
CN108959661B (zh) * 2018-08-20 2021-08-06 安徽大学 一种基于3s技术的土壤养分等级分类图生成方法及其精度评价方法
WO2020172558A1 (en) * 2019-02-21 2020-08-27 The Trustees Of Dartmouth College System and method for automatic detection of vertebral fractures on imaging scans using deep networks
CN111289512B (zh) * 2020-02-28 2021-04-13 中国水稻研究所 一种基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102759527A (zh) * 2011-04-28 2012-10-31 河南工业大学 一种检测大米碱消度的方法
CN102788752A (zh) * 2012-08-08 2012-11-21 江苏大学 基于光谱技术的农作物内部信息无损检测装置及方法
CN105067784A (zh) * 2015-07-22 2015-11-18 中国水稻研究所 利用稻米品质的理化性状指标来判定稻米食味品质的方法
CN206788149U (zh) * 2017-06-08 2017-12-22 中国水稻研究所 一种整体碱消值测定盒
CN109934297A (zh) * 2019-03-19 2019-06-25 广东省农业科学院农业生物基因研究中心 一种基于深度学习卷积神经网络的水稻考种方法
CN109949323A (zh) * 2019-03-19 2019-06-28 广东省农业科学院农业生物基因研究中心 一种基于深度学习卷积神经网络的作物种子净度判断方法
CN110517311A (zh) * 2019-08-30 2019-11-29 北京麦飞科技有限公司 基于叶片病斑面积的病虫害监测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《Modeling of Alkali Pretreatment of Rice Husk Using Response Surface Methodology and Artificail Neural Network》;Maryam Nikzad 等;《chemical engineering communications》;20150122;第202卷(第6期);第728-738页 *
《基于冠层光谱和BP神经网络的水稻叶片氮素浓度估算模型》;孙小香 等;《中国农业资源与区划》;20190331;第40卷(第3期);第35-44页 *
《灌溉模式与施氮量交互作用对水稻产量及水、氮利用效率的影响》;褚光 等;《中国水稻科学》;20170531;第31卷(第5期);第513-523页 *

Also Published As

Publication number Publication date
CN111289512A (zh) 2020-06-16
NL2026437A (en) 2020-10-08
NL2026437B1 (en) 2021-10-04

Similar Documents

Publication Publication Date Title
CN111289512B (zh) 一种基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法
CN111062915B (zh) 一种基于改进YOLOv3模型的实时钢管缺陷检测方法
CN108711148B (zh) 一种基于深度学习的轮胎缺陷智能检测方法
CN107633255A (zh) 一种深度学习模式下的岩石岩性自动识别分类方法
CN112819821B (zh) 一种细胞核图像检测方法
CN111753707B (zh) 颗粒状农作物不完善粒检测方法及系统
CN112580748B (zh) 一种对染色图像的分类细胞计数的方法
CN113658174A (zh) 基于深度学习和图像处理算法的微核组学图像检测方法
CN111458269A (zh) 一种外周血淋巴微核细胞图像人工智能识别方法
CN102446353A (zh) 用于血型分析的机器视觉判读方法与装置
CN111898677A (zh) 一种基于深度学习的浮游生物自动检测方法
CN115526889A (zh) 基于图像处理的锅炉压力管道的无损检测方法
CN116721391A (zh) 一种基于计算机视觉的原料油分离效果检测方法
CN112613505A (zh) 一种基于深度学习的细胞微核识别、定位和计数方法
CN117274251B (zh) 基于图像数据的药品生产过程中药片质量检测方法
CN112396083B (zh) 图像识别、模型训练与构建、检测方法、系统及设备
CN117197574A (zh) 一种海洋浮游植物的鉴定方法
CN115541578B (zh) 一种高通量超分辨宫颈细胞病理切片快速扫描分析系统
CN114332060A (zh) 一种病理样本的制片检测系统
CN114255388A (zh) 一种地震采集接收装置埋置质量人工智能自动检测方法
CN114742795A (zh) 一种基于深度学习的隧道衬砌病害智能检测方法
CN114897823A (zh) 一种细胞学样本图像质量控制方法、系统及存储介质
CN113269251A (zh) 基于机器视觉和深度学习融合的水果瑕疵分类方法、装置、存储介质及计算机设备
CN112287787A (zh) 一种基于梯度直方图特征的作物倒伏分级方法
CN117496276B (zh) 肺癌细胞形态学分析、识别方法及计算机可读存储介质

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