CN111397709A - 一种小麦千粒重快速测量方法 - Google Patents
一种小麦千粒重快速测量方法 Download PDFInfo
- Publication number
- CN111397709A CN111397709A CN202010418481.3A CN202010418481A CN111397709A CN 111397709 A CN111397709 A CN 111397709A CN 202010418481 A CN202010418481 A CN 202010418481A CN 111397709 A CN111397709 A CN 111397709A
- Authority
- CN
- China
- Prior art keywords
- wheat
- grid
- seed
- weight
- image
- 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.)
- Pending
Links
- 241000209140 Triticum Species 0.000 title claims abstract description 70
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 70
- 238000000691 measurement method Methods 0.000 title description 4
- 238000000034 method Methods 0.000 claims abstract description 35
- 235000013339 cereals Nutrition 0.000 claims abstract description 31
- 238000003892 spreading Methods 0.000 claims abstract description 8
- 230000007480 spreading Effects 0.000 claims abstract description 8
- 238000005303 weighing Methods 0.000 claims abstract description 8
- 238000007790 scraping Methods 0.000 claims abstract description 7
- 239000002356 single layer Substances 0.000 claims abstract description 6
- 239000010410 layer Substances 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 16
- 239000003086 colorant Substances 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 2
- 238000003709 image segmentation Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000003556 assay Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000004013 groin Anatomy 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G17/00—Apparatus for or methods of weighing material of special form or property
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/10—Investigating individual particles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N5/00—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G01N2015/1024—
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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]
Abstract
本发明涉及一种小麦千粒重快速测量方法,包括如下步骤:A)将小麦种子平铺于一多宫格种子板内并刮平铺设层,使每格内的小麦单层平铺无堆叠,所述多宫格种子板的净重计为G0;B)用计量器具称量平铺后的多宫格种子板重量计为G1,计算小麦的种子重量G=G1‑G0;C)用摄像工具从多宫格的上方拍摄多宫格种子板的图像;D)将多宫格种子板中的每个格子均分割为多幅单张的图像,并标号保存;E)利用训练好的卷积神经网格模型识别步骤D)中的各幅图像中的所有种子,并计数每幅图中种子的数量,再求和整个种子板内的种子数量N;F)计算种子的千粒重:千粒重=G÷N×1000。本发明的小麦千粒重快速测量方法,对籽粒的识别准确率高,测量误差小,测量成本低。
Description
技术领域
本发明涉及小麦粒重测量技术领域,特别涉及一种小麦千粒重快速测量方法。
背景技术
小麦千粒重是以克表示的一千粒小麦种子的重量,它是体现种子大小与饱满程度的一项指标,是检验种子质量和作物考种的内容,是小麦产量的重要构成因素。所以,千粒重是小麦生产与实验中主要的测量对象。
通常,测量小麦千粒重的方法主要有两种,一种是人工测定方式,另一种是通过自动化仪器设备测定。其中:1)人工测定方法:通过肉眼识别并计数1000粒小麦种子,利用精度不小于百分之一电子天平测量1000粒小麦种子重量,重复3次,取平均值即为测定千粒重指标数据。2)自动化仪器测定法:自动化仪器设备有多种,如数粒仪和千粒重仪等。数粒仪主要由振动器、阶梯圆盘(中间低四周高)、激光发射器与接收器、储粒容器和控制系统组成,工作原理是将种子放置在阶梯圆盘中,通过振动器使种子从较低阶梯往高阶梯逐粒移动,当种子到达最高处时从出口坠落,在坠落过程中,种子会阻断激光发射器发出的激光束,接收器接受到激光信号时系统会计数一次,种子会落入储粒容器中,当计满1000粒时仪器停止或进行下一批次计数,然后利用电子天平称重测定千粒重。千粒重仪主要由精密电子天平、灯光设备、种子容器、摄像头和电脑组成,其原理是将种子散落在种子容器中,利用摄像头获取图像,种子图像和粒重数据上传至电脑,经电脑上的专业软件处理分析后得出千粒重数据。
然而,人工测定方法需要投入人力多,耗时长,且长时间工作易导致人眼疲劳,影响测定准确率。数粒仪主要实现种子计数的自动化,没有和计重结合,其次,种子坠落速度由振动器控制,种子坠落过快时信号接收器不稳定,计数不准确,种子坠落过慢计数时间长。千粒重仪采用传统的图像处理方法,种子含有杂质时,去噪效果较差,影响计数精度。另外,自动化仪器设备价格均比较昂贵,且携带不便。
发明内容
本发明针对现有技术中小麦千粒重测量方法存在的不足,提供一种将电子天平计重与图像计数识别相结合的小麦千粒重快速测量方法。
本发明的目的是这样实现的,一种小麦千粒重快速测量方法,包括如下步骤:
A)小麦种子放置:将小麦种子平铺于一多宫格种子板内并刮平铺设层,使每格内的小麦单层平铺无堆叠,所述多宫格种子板的净重计为G0;
B)小麦种子计重:用计量器具称量平铺后的多宫格种子板重量计为G1,计算小麦的种子重量G= G1- G0;
C)小麦种子图像获取:用摄像工具从多宫格的上方拍摄多宫格种子板的图像;
D)图像分割:将多宫格种子板中的每个格子分割为多幅单张的图像,并标号保存;
E)种子识别与计数:利用训练好的卷积神经网格模型识别步骤D)中的各幅图像中的所有种子,并计数每幅图中种子的数量,再求和整个种子板内的种子数量N;
F)千粒重种子计算:将种子的重量与数量结合计算千粒重为 :千粒重= G÷N×1000 。
本发明的小麦千粒重快速测量方法,利用电子天平与图像计数识别相结合的方法对小麦千粒重进行快速测量,对籽粒的识别准确率高,测量误差小,测量成本低,省时省力。
为便于快速单层铺平种子,所述多宫格种子板为九宫格种子板,包括铺设区和手持部,所述铺设区设有用于平铺小麦种子的九宫格,所述九宫格整体长宽高尺寸为262 mm×162 mm×6.5 mm,每个小格子的长×宽×高净尺寸为:50mm×50mm×4.5,各格子间的隔板厚度均为2mm,每个格子内铺平无重叠后,最多容纳种子数量为110粒。
为便于单层刮平多宫格内的种子,步骤A)中,刮平九宫格内的小麦种子时,采用刮板刮平,所述刮板的尺寸为250×30×2。
为便于从图像中准确识别小麦种子,所述九宫格种子板的颜色为与小麦种子颜色对比明显的其它不同的颜色。
进一步的,步骤C)中,拍摄九宫格种子板的图像时,摄像头位于种子板正上方,拍摄高度为20~30cm,摄像头的拍摄角度为垂直上方和四周最大偏移不超过30º的方位,图像的分辨率不低于150dpi。
进一步的,步骤C)中,同一板铺平的九宫格种子板同次拍摄图片多张,然后保留一张清晰度好的图片。
再地一步的,步骤D)中,分割图像时,采用阈值分割法,提取各宫格底色对应的边缘区域,利用空洞填充法分割每个宫格并重新按所述标号命号存储。
为便于快速准确识别图像中的小麦籽拉,步骤E)中,卷积神经网格模型的训练方法为:人工收集不同光线和底色光环境下不同品种的小麦籽粒图像;对图像人工进行目标矩形标注,然后对图像数据划分为训练、验证和测试数据集,分别用于模型训练、验证和测试。
进一步的,本发明的卷积神经网格模型的训练方法具体包括如下步骤:
第一步:人工收集不同品种的小麦籽粒,并选择不同背景颜色,拍摄图像,每幅图片小麦籽粒数为1~220粒,同一组小麦籽粒分别变换不同背景颜色和/或不同的籽粒排列方式进行图片拍摄;
第二步,处理预图像,将图像的大小修改为:最大像素1200*1600至最小像素500*500;
第三步,目标标注:通过目标标注工具标注图片上小麦籽粒进行目标定位,并最终生成.xml 格式的PASCAL VOC的标注文件;
第四步;数据标准化,通过深度学习框架将目标标注的文件转换成二进制形式的TFRecord 数据类型,并且70%划分为训练集,20%划分为验证集,10%划分为测试集;
第五步:训练网络模型,采用Faster R-CNN网络模型进行目标物检测, 将第四步中训练集的数据作为训练样本,采用Faster R-CNN网络模型进行特征提取,网络参数迭代优化,优化结束后获得种子识别的训练网络模型; 利用训练网络模型对第四步中的验证集测试集分别进行验证和测试,最终将模型参数和模型框架固化成可调用的模型文件。
第三步中,目标标注工具为RectLabel、LabelImg或LabelMe。
附图说明
图1为采用卷积神经网络模型构建的小麦种子识别与计数模型的流程。
图2为采用训练好的卷积神经网络模型进行计数验证的示意图。
图3为多宫格种子板的结构示意图。
图4为多宫格种子板计数小麦种子数量的流程示意图。
图5为实施例2中九宫格种子板图像分割后的图片。
图6为图5中分割后的图片通过卷积神经网络模型识别并标识的种子结果。
具体实施方式
实施例1
如图1所示,本实施以宁麦13、扬幅麦4号、扬麦23三个品种作为研究对象,进行小麦种子识别与计数模型的卷积神经网络模型构建。
第一步,样本和图像采集时,为了使该方法能够适应复杂的场景,随机选取了7个与小麦颜色不同的背景,每个背景籽粒数量在1~220粒变化,小麦籽粒正面和背面图像存在差异,图像采集中采用不同的籽粒排列方式,如腹股沟朝向变化、拥挤程度变化等,但不包括籽粒重叠变化。图像的获取设备分别采用通用的手机和相机两种设备,图像拍摄时设置了不同的高度和角度,高度范围为10cm~20cm,拍摄角度在45°~90°,一共获取了1748张图像,包含目标物(小麦籽粒数量)29175个;第二进行处理预图像,将图像的图素修改为:最大像素1200*1600至最小像素500*500;第三步,目标标注:通过目标标注工具标注图片上小麦籽粒进行目标定位,并最终生成.xml 格式的PASCAL VOC的标注文件;第四步;数据标准化,通过Tensorflow深度学习框架将目标标注的文件转换成二进制形式的TFRecord 数据类型,并且70%划分为训练集,20%划分为验证集,10%划分为测试集;第五步:训练网络模型,采用Faster R-CNN网络模型进行目标物检测, 将第四步中训练集的数据作为训练样本,采用Faster R-CNN网络模型进行特征提取,网络参数迭代优化,优化结束后获得种子识别的训练网络模型; 利用训练网络模型对第四步中的验证集测试集分别进行验证和测试,最终将模型参数和模型框架固化成可调用的模型文件。
本实施例中具体采用Python软件:将第四步图像和标签数据转换成tf.record数据格式,/object_detection/create_tf_record.py % 数据转换,
由create_tf_record.py产生 ./data_wheatgrain/train.record %训练集,
由create_tf_record.py产生 ./data_wheatgrain/val.record %验证集,
./data_wheatgrain/pipline.config %模型配置文件
./data_wheatgrain/label_map.pbtxt %模型类别说明
./object_detection/faster_rcnn_inception_resnet_v2_feature_extractor.pyc%模型架构
./object_detection/train.py %训练,调用train.record val.recordpipline.config label_map.pbtxt faster_rcnn_inception_resnet_v2_feature_extractor.pyc相关文件
./output/model.ckpt-n %模型参数,由train.py产出
./object_detection/export_inference_graph.py %将模型参数model.ckpt-n和模型框架固化成可调用的模型文件 最终形成./output/frozen_inference_graph.pb %可调用的最终模型文件。
如图2所示,为训练好的卷积神经网络模型进行计数验证的部分输出的验证结果,其中图片的T/P值分别代表实际种子数量和验证识别的种子数量,从1—6号图对应的图片的T/P分别为:199/193,158/157,116/115,80/80,50/50,20/20。同时通过更多的验证计数识别,在允许的像素内,一幅图中,在籽粒无重叠的情况下,120籽以内的均能确保99%以上的误差率,并且每幅图的识别时间在2秒以内,识别计数速度和准确率均可以得到保证。
实施例2
本实施例借助实施例1构建的卷积神经网络模型和电子天平计重相结合详细说明小麦千粒重快速测量方法,按如图4所示的流程,具体包括如下步骤:
小麦种子放置:将小麦种子平铺于一多宫格种子板内并刮平铺设层,使每格内的小麦单层平铺无堆叠,本实施例多宫格种子为如图3所示的九宫格种子板,净重计为G0,九宫格格种子板整体长宽高尺寸为262 mm×162 mm×6.5 mm,每个小格子的长×宽×高净尺寸为:50mm×50mm×4.5 mm,各格子间的隔板厚度均为2mm,每个格子内最终铺平后的种子数量为约为100~120粒小麦种子计重,这样每板铺平后的籽粒数量达到千粒左右,九宫格种子板格内的间隔板边缘的颜色为黑色,与小麦种子颜色对比明显,便于拍摄图像分割,在九宫格种子板个平铺种子后用刮板划平种子,使每个宫格内的种子无堆叠,并且保持基本铺满的状态,然后用电子天平称量平铺后的多宫格种子板重量计为G1,进一步计算小麦的种子重量G= G1- G0;
用手机从九宫格种子板的上方拍摄铺平种子的九宫格种子板的图像,为确保拍摄清晰度,可以多次重复拍摄,然后保留一张清晰的图片供下步使用; 将前述保留的图片上传至电脑端,在Matlab软件中利用im=imread(‘图片路径’)函数读取九宫格种子板图像,利用gray=rgb2gray(im)函数转化为灰度图像,利用bw=im2bw(gray,thresh)函数生成二值图像,其中种子板边缘为黑色,设置thresh==0.1可提取种子板边缘,再利用img_fill=imfill(bw,’holes’)孔洞填充函数获取九个格子中的种子位置,最后从原图中提取9张种子图像如图5所示,分别编号命名为test_1.jpg,test_2.jpg…test_9.jpg保存于待识别的文件夹中。然后通过Python软件,./test_images/*****%待识别的图像路径,./object_detection/object_detection_runner.py*****%调用frozen_inference_graph.pb对./test_images/中的图像进行识别,并将结果输出到./result_images/中;./result_images/*****%输出带有标记框和识别结果的图像如图6所示,并分别命名输出于./result_images/im_test_1_result.jpg…,最后输出的各宫格对应的各幅图像计数的种子如下表所述:
最后计算整个九宫格种子板的总籽粒数N为627粒,总重量为G为30.9 g,最后进行千粒重种子计算:千粒重种子重量进行计算 :千粒重=30.9÷627×1000=49.28 g,实际上九宫格种子板的总籽粒数为626粒,实际的千粒重为49.3 6 g,最终千粒重的测量误差小于0.2%。
Claims (10)
1.一种小麦千粒重快速测量方法,包括如下步骤:
小麦种子放置:将小麦种子平铺于一多宫格种子板内并刮平铺设层,使每格内的小麦单层平铺无堆叠,所述多宫格种子板的净重计为G0;
小麦种子计重:用计量器具称量平铺后的多宫格种子板重量计为G1,计算小麦的种子重量G= G1- G0;
小麦种子图像获取:用摄像工具从多宫格的上方拍摄多宫格种子板的图像;
图像分割:将多宫格种子板中的每个格子分割为多幅单张的图像,并标号保存至设定的路径;
种子识别与计数:利用训练好的卷积神经网格模型识别步骤D)中的各幅图像中的所有种子,并计数每幅图中种子的数量,再求和整个种子板内的种子数量N;
计算种子的千粒重:将种子的重量与数量结合计算千粒重为:千粒重= G÷N×1000 。
2.根据权利要求1所述的小麦千粒重快速测量方法,其特征在于,所述多宫格种子板为九宫格种子板,所述九宫格种子板整体长宽高尺寸为262 mm×162 mm×6.5 mm,每个小格子的长×宽×高净尺寸为:50mm×50mm×4.5 mm,各格子间的隔板厚度均为2mm,每个格子内铺平无重叠后,最多容纳种子数量为110粒。
3.根据权利要求2所述的小麦千粒重快速测量方法,其特征在于,步骤A)中,刮平九宫格内的小麦种子时,采用刮板刮平,所述刮板的尺寸为250 mm×30 mm×2 mm。
4.根据权利要求2所述的小麦千粒重快速测量方法,其特征在于,所述九宫格种子板的颜色为与小麦种子颜色对比明显的其它不同的颜色。
5.根据权利要求2所述的小麦千粒重快速测量方法,其特征在于,步骤C)中,拍摄九宫格种子板的图像时,摄像头位于种子板正上方,拍摄高度为20~30cm,摄像头的拍摄角度为垂直上方和四周最大偏移不超过30º的方位,图像的分辨率不低于150dpi。
6.根据权利要求5所述的小麦千粒重快速测量方法,其特征在于,步骤C)中,同一板铺平的九宫格种子板同次拍摄图片多张,然后保留一张清晰度好的图片。
7.根据权利要求2所述的小麦千粒重快速测量方法,其特征在于,步骤D)中,分割图像时,采用阈值分割法,提取各宫格底色对应的边缘区域,利用空洞填充法分割每个宫格并重新按所述标号命号存储。
8.根据权利要求1所述的小麦千粒重快速测量方法,其特征在于,步骤E)中,卷积神经网格模型的训练方法为:人工收集不同光线和底色光环境下不同品种的小麦籽粒图像;对图像人工进行目标矩形标注,然后对图像数据划分为训练、验证和测试数据集,分别用于模型训练、验证和测试。
9.根据权利要求8所述的小麦千粒重快速测量方法,其特征在于,卷积神经网格模型的训练方法具体包括如下步骤:
第一步:人工收集不同品种的小麦籽粒,并选择不同背景颜色,拍摄图像,每幅图片小麦籽粒数为1~220粒,同一组小麦籽粒分别变换不同背景颜色和/或不同的籽粒排列方式进行图片拍摄;
第二步,处理预图像,将图像的大小修改为:最大像素1200*1600至最小像素500*500;
第三步,目标标注:通过目标标注工具对图片上小麦籽粒进行目标定位,并最终生成.xml 格式的PASCAL VOC的标注文件;
第四步;数据标准化,通过深度学习框架将目标标注的文件转换成二进制形式的TFRecord 数据类型,并且70%划分为训练集,20%划分为验证集,10%划分为测试集;
第五步:训练网络模型,采用Faster R-CNN网络模型进行目标物检测, 将第四步中训练集的数据作为训练样本,采用Faster R-CNN网络模型进行特征提取,网络参数迭代优化,优化结束后获得种子识别的训练网络模型; 利用训练网络模型对第四步中的验证集测试集分别进行验证和测试,最终将模型参数和模型框架固化成可调用的模型文件。
10.根据权利要求9所述的小麦千粒重快速测量方法,其特征在于,第三步中,目标标注工具为RectLabel、LabelImg或LabelMe。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010418481.3A CN111397709A (zh) | 2020-05-18 | 2020-05-18 | 一种小麦千粒重快速测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010418481.3A CN111397709A (zh) | 2020-05-18 | 2020-05-18 | 一种小麦千粒重快速测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111397709A true CN111397709A (zh) | 2020-07-10 |
Family
ID=71435690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010418481.3A Pending CN111397709A (zh) | 2020-05-18 | 2020-05-18 | 一种小麦千粒重快速测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111397709A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112419323A (zh) * | 2020-11-23 | 2021-02-26 | 安徽农道智能科技有限公司 | 基于可穿戴式麦穗采集装置的麦穗计数方法 |
CN113096108A (zh) * | 2021-04-21 | 2021-07-09 | 安徽声讯信息技术有限公司 | 一种用于接口测试的精准对接方法 |
CN113155251A (zh) * | 2021-04-02 | 2021-07-23 | 陕西金慧方中药科技有限公司 | 一种兰科植物种子重量的测定方法 |
CN113791078A (zh) * | 2021-09-02 | 2021-12-14 | 中国农业机械化科学研究院 | 一种玉米种子内部裂纹批量检测方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103308430A (zh) * | 2013-06-03 | 2013-09-18 | 浙江大学 | 一种测量种子千粒重的方法及装置 |
CN105865592A (zh) * | 2016-05-27 | 2016-08-17 | 北京农业智能装备技术研究中心 | 作物籽粒千粒重测定装置 |
US10019791B2 (en) * | 2015-07-24 | 2018-07-10 | Raytheon Company | Apparatus and methods for estimating corn yields |
CN108921057A (zh) * | 2018-06-19 | 2018-11-30 | 厦门大学 | 基于卷积神经网络的对虾形态测量方法、介质、终端设备及装置 |
CN110782440A (zh) * | 2019-10-22 | 2020-02-11 | 华中农业大学 | 一种作物籽粒性状测量方法 |
CN110967339A (zh) * | 2018-09-29 | 2020-04-07 | 北京瑞智稷数科技有限公司 | 一种玉米果穗性状分析的方法及装置、玉米性状分析设备 |
-
2020
- 2020-05-18 CN CN202010418481.3A patent/CN111397709A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103308430A (zh) * | 2013-06-03 | 2013-09-18 | 浙江大学 | 一种测量种子千粒重的方法及装置 |
US10019791B2 (en) * | 2015-07-24 | 2018-07-10 | Raytheon Company | Apparatus and methods for estimating corn yields |
CN105865592A (zh) * | 2016-05-27 | 2016-08-17 | 北京农业智能装备技术研究中心 | 作物籽粒千粒重测定装置 |
CN108921057A (zh) * | 2018-06-19 | 2018-11-30 | 厦门大学 | 基于卷积神经网络的对虾形态测量方法、介质、终端设备及装置 |
CN110967339A (zh) * | 2018-09-29 | 2020-04-07 | 北京瑞智稷数科技有限公司 | 一种玉米果穗性状分析的方法及装置、玉米性状分析设备 |
CN110782440A (zh) * | 2019-10-22 | 2020-02-11 | 华中农业大学 | 一种作物籽粒性状测量方法 |
Non-Patent Citations (1)
Title |
---|
柴金: "《水生生物学研究法》", 31 December 1963, 上海科学技术出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112419323A (zh) * | 2020-11-23 | 2021-02-26 | 安徽农道智能科技有限公司 | 基于可穿戴式麦穗采集装置的麦穗计数方法 |
CN113155251A (zh) * | 2021-04-02 | 2021-07-23 | 陕西金慧方中药科技有限公司 | 一种兰科植物种子重量的测定方法 |
CN113096108A (zh) * | 2021-04-21 | 2021-07-09 | 安徽声讯信息技术有限公司 | 一种用于接口测试的精准对接方法 |
CN113791078A (zh) * | 2021-09-02 | 2021-12-14 | 中国农业机械化科学研究院 | 一种玉米种子内部裂纹批量检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111397709A (zh) | 一种小麦千粒重快速测量方法 | |
Gorsky et al. | Digital zooplankton image analysis using the ZooScan integrated system | |
Liu et al. | A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field | |
CN108765433A (zh) | 一种用于提高精度的多叶面积测量方法 | |
CN110569747A (zh) | 一种利用图像金字塔与Faster-RCNN快速统计大田水稻稻穗数的方法 | |
CN113012150A (zh) | 一种特征融合的高密度稻田无人机图像稻穗计数方法 | |
CN110969654A (zh) | 基于收割机的玉米高通量表型测量的方法及装置、收割机 | |
CN106023235B (zh) | 一种农作物有效籽粒个数测量的方法 | |
CN107895136A (zh) | 一种煤矿区域识别方法及系统 | |
CN114596509A (zh) | 一种基于机器视觉的水稻秧苗叶龄期识别方法 | |
CN106339752A (zh) | 一种鱼苗计数装置及计数方法 | |
CN114140691A (zh) | 基于无人机可见光图像预测作物倒伏角度和形态的方法 | |
CN113012111A (zh) | 一种基于边缘计算的水稻倒伏程度分级监测方法 | |
CN116258844A (zh) | 一种棉花叶片表型性状快速精准鉴定方法 | |
CN111191543A (zh) | 油菜产量估测方法 | |
CN111814585A (zh) | 无人机近地空作物苗情遥感监测方法、装置及存储介质 | |
CN107243461B (zh) | 一种自动分级装置 | |
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 | |
CN115619286A (zh) | 一种评估育种田间小区样地质量的方法和系统 | |
CN107389511B (zh) | 一种作物种籽表型测量方法及便携装置 | |
CN112907558B (zh) | 油菜籽粒千粒重的全自动图像测定方法 | |
CN103983217A (zh) | 一种叶面积指数测量方法及系统 | |
CN115015258A (zh) | 一种农作物长势与土壤水分关联确定方法及相关装置 | |
CN109685174B (zh) | 一种黄瓜丰产性自动分析装置及方法 | |
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 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200710 |