CN111665225A - 一种基于叶绿素荧光成像技术判别黄瓜不同病害胁迫的方法及装置 - Google Patents
一种基于叶绿素荧光成像技术判别黄瓜不同病害胁迫的方法及装置 Download PDFInfo
- Publication number
- CN111665225A CN111665225A CN202010004393.9A CN202010004393A CN111665225A CN 111665225 A CN111665225 A CN 111665225A CN 202010004393 A CN202010004393 A CN 202010004393A CN 111665225 A CN111665225 A CN 111665225A
- Authority
- CN
- China
- Prior art keywords
- fluorescence
- disease
- cucumber
- group
- plants
- 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
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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/645—Specially adapted constructive features of fluorimeters
- G01N21/6456—Spatial resolved fluorescence measurements; Imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
Abstract
本发明涉及一种基于叶绿素荧光成像技术判别黄瓜不同病害胁迫情况的方法及装置,其中诊断方法包含以下步骤:通过改变电压采集不同光强下黄瓜冠层荧光图像;提取叶片区域荧光参数信息;对叶片病斑区域进行图像分割及特征提取;分析不同病害胁迫下荧光参数的差别;采用多分类器建立黄瓜病害胁迫判定模型。本发明的黄瓜病害胁迫诊断方法不仅能提供全植株荧光参数进而定位病斑区域,还能通过荧光参数的差异诊断不同病害,并对植株的早期病害进行识别。
Description
技术领域
本发明涉及植物病害情况诊断技术,尤其涉及一种基于叶绿素荧光成像技术的黄瓜病害情况诊断方法及装置。
背景技术
近20年来,黄瓜褐斑病(cucumber brown spot disease)与炭疽病(cucumberanthracnose)广泛发生于世界各国,主要危害于黄瓜叶片,病斑类型复杂,己成为黄瓜生产中重要的病害之一。而以上两种患病黄瓜植株由于其病斑类似,往往在种植过程中难以直接区分。若对植株所患病情区分错误,不能对症下药,则会影响正常的农业生产。同时,在植株病害的早期,人们往往用肉眼难以观察及预测其病害情况。因此,黄瓜病害的早期识别以及病害种类的区分对温室黄瓜产量和质量的保证非常重要。近期,随着农业生产自动化的迅猛发展,需要使用更高效率和更高准确率的技术手段来对农作物的生长情况进行监测。基于植物叶绿素荧光的监测方法由于无损的检测方式和其准确性、效率性及性价比较高的特征,更加适应现代密集、高产的农业生产环境。几乎所有的光合反应过程和能量变化都可以通过叶绿素荧光的相关特征数据反映出来。植物的生长与衰老过程、环境胁迫、病虫害等都能直接影响其光合作用,而几乎所有的光合反应过程和能量变化都可以通过叶绿素荧光的相关特征数据反映出来。植物的生长与衰老、环境胁迫、病虫害等现象都能直接影响其光合作用,因此不同的叶绿素荧光参数可以分析和诊断植物的生理状态、环境胁迫等信息,且叶绿素荧光信号完全来自于观测植物,没有背景噪声,提高了无损检测的精度。
2019年公开号为CN106546567B的中国专利文献公开了一种基于叶绿素荧光成像技术的植物干旱胁迫诊断方法及装置。采集待测植株的叶绿素荧光图像数据和特征参数,代入植株干旱胁迫判定模型进行干旱胁迫诊断。2018年公开号为CN108982446A的中国专利文献公布了一种在线诊断并分级作物病害的叶绿素荧光成像系统及方法。该文献设计了一种温室内自动化检测作物的叶绿素荧光的成像系统。使用光化学量子效率Fv/Fm、光化学淬灭系数qP和光化学淬灭系数qN三个参数诊断作物是否染病以及对染病作物的病害进行分级。2016年公开号为CN105548113A的中国专利文献公布了一种基于叶绿素荧光和多光谱图像的植物生理监测方法。该文献对植物区域的叶绿素荧光参数值和光谱相对反射率参数图进行统计,并结合荧光参数及多光谱曲线对植物进行无损监测,主要判别植物所受胁迫类型。
上述技术方案均使用叶绿素荧光技术对植株所受胁迫进行了分析,但并未对植株相似病害进行区分,也未曾探讨植株早期胁迫(人眼不可见)下不同病害的区分情况,叶片的早期病害是极其相似的,不同病害的早期检测及分类是重难点。
发明内容
本发明提供了一种基于叶绿素荧光成像技术判别黄瓜不同病害胁迫情况的方法及装置,利用叶绿素荧光成像技术,结合图像处理技术,分析植株的不同病害胁迫响应。
一种基于叶绿素荧光成像技术的黄瓜不同病害胁迫判别方法,包括以下步骤:
(1)将黄瓜植株分为三组,一组接种Corynespora cassiicola感染褐斑病,一组接种Colletotrichum orbiculare感染炭疽病,另一组作为对照组。
(2)在染病后每隔24h对各组进行叶绿素荧光图像的采集并提取其荧光数据。
(3)根据肉眼观察,不能明显发现其病斑区域的样本定义为早期病害样本,能明显发现其病斑的为晚期病害样本。
(4)通过图像分割,提取叶片病害区域,并提取病斑区域荧光参数。
(5)根据叶绿素荧光参数建立不同病害胁迫情况判别模型。
(6)对早期不同病害进行进一步判别。
对于植株的叶绿素荧光的测量,首先应对植株进行充分的暗适应,且暗适应时间长度在20分钟以上。本文所设计的装置对于植株叶绿素荧光检测方案如下:首先,打开测量光持续4s,并在测量光结束前一刻让相机拍照,获得F0参数图像;测量光结束后打开饱和光,持续1s,并在饱和光结束前一刻让相机拍照,获得Fm参数图像;然后打开光化光,持续9秒,并在光化光结束前一刻让相机拍照,获得F参数图像;在光化光结束后打开饱和光,持续1s,并在饱和光结束前一刻让相机拍照,获得F′m参数图像;最后重复打开光化光和饱和光的步骤4次,再分别获得4张F参数图像和F′m参数图像。在整个测量过程中获得12幅叶绿素荧光图像。
通过对原始图像的粗分割、精分割、病斑分割及病斑区域的膨胀的方法获得病斑区域。由于本试验的实验环境封闭,背景噪声较为单一,故采用RGB阈值分割的方法去除背景完成第一步粗分割,并采用中值滤波对噪点进行清除,完成对图像的精分割,得到已去除背景的黄瓜植株的荧光RGB图像。接着,使用RGB 阈值分割,分割出图像的病斑区域的模板,最终对病斑区域的模板进行荧光图像的膨胀,得到试验所需的病斑区域及周围感兴趣区域。采用Lab空间中的L(亮度)分量来表示图像中的荧光强度信息,得到每个像素点的荧光强度。每棵植株共获得了12幅荧光图像,将图像进行上述处理即可得到植株荧光参数F0,Fm,F和F′m等的数值。
通过叶绿素荧光参数的计算公式,计算出叶绿素荧光分析中的经典参数,包括Fv/Fm、ΦPSII、NPQ、qN和qP。这些参数往往可以反映出植株的光合作用的真实情况,对植物胁迫情况的监测有重要意义。
将植株的以上5种经典参数及实验过程中获得的12种参数和实际计算过程中得到的中间参数Fv和ΔF(ΔF=F′m-F)共19种参数作为SVM和XGBoost 的19个维度,对植株的病害情况进行分类。
与现有技术相比,本发明的有益效果为:
本发明提供了基于叶绿素荧光成像技术对黄瓜叶片相似病害的区分的方法,同时,本发明对植株的早期病害进行了判别,可尽早识别黄瓜病害,尽快对症下药,减少经济损失。
附图说明
图1:病斑区域提取步骤
图2:黄瓜植株褐斑病与炭疽病早期病害与晚期病害对比
图3:叶绿素荧光装置示意图
具体实施方式
下面结合附图并选择黄瓜为实施例对本发明作进一步详细描述。
1.试验材料制备。选择“83-16”水果黄瓜(山东省寿光市宏伟种业有限公司)为实验材料。首先将种子在温水中浸泡约8小时,然后将种子移植到28℃用湿纱布包裹的塑料袋中。2天后,约70%的种子开始发芽(径向根长0.3-0.4mm)。随后,发芽的种子被移植到一个7*10孔的塑料育苗盘(30厘米×40厘米)中,使用消毒后的土壤在28℃的环境下对其进行培养。最后,当幼苗长出3片真叶后,选择其中长势大致相同植株移栽至的15厘米直径花盆中。三天后,选取其中长势大致相同的100株黄瓜作为实验样本,其中40株接种褐斑病病菌,40株接种炭疽病病菌,另外20株作为对照组。花盆分别置于不同人工气候箱中在适宜的温湿度下进行隔离培养,日/夜平均温度为28℃/18℃,85%湿度。实验组和对照组样本在接种前采集一次荧光图像,在接种病害后,每24h采集黄瓜植株的荧光图像及叶片叶绿素和氮含量,连续采集4次,得到每株黄瓜不同染病程度下叶绿素荧光图像。对每种染病组中最终染病的样本中各选30个染病成功样本,将其荧光数据进行提取。因此数据中有100组正常生长的黄瓜植株叶绿素荧光数据样本,褐斑病病害样本和炭疽病病害样本各120组。
2.叶绿素荧光成像系统构成及数据采集。本试验设计开发了叶绿素荧光成像系统。系统由高性能CCD相机(加拿大Lumenera Infinity3-1URC),中心波长为 460nm的LED光源(进士光电科技有限公司、东莞、中国),可编程直流电源(eTM- L305SP,30V5A,广州,中国),和计算机(KH770 i7-4500u,控制技术有限公司,有限公司,深圳,中国)组成。8盏LED灯,从四个方向照明,每块LED板尺寸为 100mm*100mm,额定电压25V。相机分辨率为1280×720,支持30帧/秒的视频录制,配有515nm长通滤光片(杭州新力光电科技有限公司),可以滤除激发光,收集叶绿素激发的荧光。试验中采用55mm偏振片(MC-CPL-55mm,NiSi,中国珠海)对光束中的直射光进行滤除。本系统中,通过改变电压的大小来得到试验所需的三种激发光:测量光、光化光和饱和光。经过调节电源电压,并使用光强传感器(Qianyong ZZ-S-LM-A,中国)的检测和转换得出:当电压为20.0V时,LED光源的光照强度满足测量光强度;当电压为23.2V时,光照强度满足光化光强度;当电压为25.0V时,光照强度满足饱和光强度。为了获得叶绿素荧光参数,植物必须先在黑暗环境中放置一段时间,这称为暗适应。暗适应后,通过运行程序可获得原始荧光数据F0(暗适应状态下的最小荧光),Fm(暗适应状态下的最大荧光量)。然后植物在光化光下获得F(稳态荧光水平)。此时,PSII反应中心部分打开;经过一段时间的光化,给出短时间饱和脉冲光,PSII反应中心将处于完全封闭状态,原本用于光合作用的能量将转化为叶绿素荧光和热量,因此叶绿素荧光F′m为测量光适应状态下的最大荧光。这个过程循环5次,直到植株达到稳定的生理状态。最终需要得到此时的平均F和F′m。之后,可以使用荧光参数F0,Fm,F和 F′m计算得出Fv/Fm(光系统二最大光合量子效率)、ΦPSII(光系统二实际量子效率)、NPQ(非光化学淬灭)、qN(非光化学淬灭系数)和qP(光化学淬灭)的参数结果。因此,利用荧光系统对每个黄瓜样品进行处理,使得相机拍摄到所需荧光数据共12幅(F0,Fm,F*5和F′m*5),再进一步对图像进行处理,得到叶绿素荧光数据。
3.病斑区域参数提取。通过对原始图像的粗分割、精分割、病斑分割及病斑区域的膨胀的方法获得病斑区域(图2)。由于本试验的实验环境封闭,背景噪声较为单一,故采用RGB阈值分割的方法去除背景完成第一步粗分割,并采用中值滤波对噪点进行清除,完成对图像的精分割,得到已去除背景的黄瓜植株的荧光 RGB图像。接着,使用RGB阈值分割,分割出图像的病斑区域的模板,最终对病斑区域的模板进行荧光图像的膨胀,得到试验所需的病斑区域及周围感兴趣区域。采用Lab空间中的L(亮度)分量来表示图像中的荧光强度信息,得到每个像素点的荧光强度。每棵植株共获得了12幅荧光图像,将图像进行上述处理即可得到植株荧光参数F0,Fm,F和F′m等的数值。
4.在实验过程中病害组的Fv/Fm参数整体变化最为明显,呈逐渐下降的趋势,其对照组基本保持稳定。而在本试验中参数ΦPSII、NPQ、qN、及qP的变化情况规律较为不明显,总体看来病害组的ΦPSII参数总体具有略微下降趋势,NPQ、qN 与qP都具有总体的上升趋势,而对照组的ΦPSII、NPQ、qN与qP基本保持稳定状态,满足理论规律。炭疽病组与褐斑病组之间,总体趋势基本一致,其中褐斑病组的Fv/Fm参数下降速度略快,其他参数变化规律不明显。
5.不同分类器对黄瓜褐斑病与炭疽病的分类结果。结合12个荧光强度(F0,Fm, F*5和F′m*5)和7个荧光参数(ΔF、Fv、Fv/Fm、ΦPSII、NPQ、qN和qP)对病害植株及对照组进行分类,SVM算法对褐斑病与对照组之间的分类准确率为 91.9%,对炭疽病与对照组之间的分类准确率为89.2%。两组分类结果对于正常组的误分率都为8.8%,对于炭疽病的误分率要稍高于褐斑病。进一步使用SVM 算法分析正常组、褐斑病组及炭疽病组的三组分类结果,总体的分类准确率为85.1%。而基于XGBoost算法对褐斑病与对照组之间的分类准确率为94.6%,对炭疽病与对照组之间的分类准确率为89.2%。以上结果与SVM算法分类结果类似,两种算法在进行正常组与患病组的对照中都达到了较为理想的效果。基于 XGBoost算法对正常组、褐斑病组及炭疽病组三组的分类结果中,正常组的误分率与炭疽病的误分率都有明显的提高,分别为17.6%和15.0%,而褐斑病的分类准确率依然为97.5%。而这几种的分类的准确率相较于SVM算法的分类都有小幅的提高,总体的分类准确率也由85.1%提高到88.6%,说明XGBoost算法在解决病害分类问题中更有优势。
6.不同分类器对黄瓜炭疽病与褐斑病的早期检测结果。如图2所示病害组样本在接种24h时叶片无明显变化,72h后基本出现明显的病斑。基于SVM算法的褐斑病的早期与晚期和正常组的分类预测总体准确率为82.4%,对于炭疽病病害早晚期分类总体准确率也为82.4%,对正常组和炭疽病晚期组的分类正确率较高,均为85%左右,对炭疽病早期的误分率达到25%。基于SVM算法分类的黄瓜植株正常组、褐斑病病害早期组与病害晚期组及炭疽病病害早期与病害晚期组的五组分类准确率下降明显,仅为74.6%,各个分组的分类准确率都下降明显。该分类器对于处理病害的分类与监测的问题效果不是非常好。基于XGBoost算法褐斑病的分类中正常组和褐斑病早期组的分类预测较为准确,均在90%左右,对褐斑病晚期的分类准确率为80%,总体分类准确率为87.8%。对炭疽病的分类总体预测准确率为85.1%,较褐斑病稍低。其中对正常组和炭疽病早期组的分类准确率超过80%,对炭疽病晚期组的预测准确率达到95%。XGBoost算法在五组分类结果中,其各个组的分类准确率有明显下降,最终分类准确率接近80%,有一定研究意义。XGBoost算法在对植株的分类和预测的结果相对SVM算法均有小幅提升,更适用于该类问题的研究。
Claims (5)
1.一种基于叶绿素荧光成像技术的黄瓜病害胁迫情况判别方法,其特征在于,包括以下步骤:
(1)将黄瓜植株分为三组,一组接种褐斑病,一组接种炭疽病,另一组作为对照组。
(2)接种后,每隔24h对各组进行叶绿素荧光图像的采集。
(3)提取叶片部位荧光强度,计算全植株叶绿素荧光动力学参数。
(4)对叶片病斑区域进行图像分割及特征提取;
(5)分析不同病害胁迫下荧光参数的差别;
(6)采用分类器建立植株染病情况判别模型。
2.根据权利要求1所述的黄瓜病害胁迫情况判别方法,其特征在于,采用支持向量机(SVM)和极端梯度提升(XGBoost)分类器建立健康植株、褐斑病和炭疽病的分类模型,以及对早期病害植株和晚期病害植株的分类模型。
3.一种基于叶绿素荧光成像技术的黄瓜病害胁迫情况判别装置,其特征在于,包括:
(1)暗箱,由金属材料构成,具有立方体封闭式可开闭的特点。
(2)荧光成像单元,由相机、长通滤光片和偏振片组成,放置于暗箱顶部。
(3)光源单元,由8块LED光源板及可编程直流电源组成。
(4)控制模块,上位机由触摸屏和Mini主机构成,对可编程直流电源和相机进行控制,使其同步配合工作。
(5)数据存储,相机拍摄的图像存入Mini主机的内存。
(6)升降台,采用剪式升降台调节植株高度。
4.根据权利要求3所述的黄瓜病害胁迫情况判别装置,其特征在于,所述光源单元中8块LED光源板以每2个为1组,分别固定在暗箱的四个不同方向上。
5.根据权利要求4所述的黄瓜病害胁迫情况判别装置,其特征在于,通过编程改变可编程直流电源的电压,产生光化光(300μmolm-2s-1)、饱和光(3000μmolm-2s-1)和测量光(6μmolm-2s-1)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010004393.9A CN111665225A (zh) | 2020-01-03 | 2020-01-03 | 一种基于叶绿素荧光成像技术判别黄瓜不同病害胁迫的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010004393.9A CN111665225A (zh) | 2020-01-03 | 2020-01-03 | 一种基于叶绿素荧光成像技术判别黄瓜不同病害胁迫的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111665225A true CN111665225A (zh) | 2020-09-15 |
Family
ID=72382519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010004393.9A Pending CN111665225A (zh) | 2020-01-03 | 2020-01-03 | 一种基于叶绿素荧光成像技术判别黄瓜不同病害胁迫的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111665225A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112179881A (zh) * | 2020-09-21 | 2021-01-05 | 江苏省农业科学院 | 基于叶绿素荧光成像的绿豆叶斑病的早期检测方法 |
CN112528789A (zh) * | 2020-12-02 | 2021-03-19 | 安徽大学 | 一种用于发病初中期分析的小麦条锈病遥感监测方法 |
CN113539353A (zh) * | 2021-07-09 | 2021-10-22 | 江南大学 | 确定暗适应下叶绿素荧光特征参数的方法及系统 |
CN115839937A (zh) * | 2022-12-20 | 2023-03-24 | 江苏省中国科学院植物研究所 | 一种基于叶绿素荧光成像技术的红豆杉胁迫检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102598986A (zh) * | 2012-03-26 | 2012-07-25 | 天津师范大学 | 一种采用铈改善干旱环境下高羊茅叶绿素荧光动力的方法 |
US20130276368A1 (en) * | 2010-11-08 | 2013-10-24 | Kotaro Takayama | Plant health diagnostic method and plant health diagnostic device |
CN104008285A (zh) * | 2014-05-21 | 2014-08-27 | 华南农业大学 | 基于mini-pam采集参数的柑橘黄龙病诊断方法 |
CN106546567A (zh) * | 2016-10-31 | 2017-03-29 | 浙江大学 | 基于叶绿素荧光成像技术的植物干旱胁迫诊断方法及装置 |
-
2020
- 2020-01-03 CN CN202010004393.9A patent/CN111665225A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130276368A1 (en) * | 2010-11-08 | 2013-10-24 | Kotaro Takayama | Plant health diagnostic method and plant health diagnostic device |
CN102598986A (zh) * | 2012-03-26 | 2012-07-25 | 天津师范大学 | 一种采用铈改善干旱环境下高羊茅叶绿素荧光动力的方法 |
CN104008285A (zh) * | 2014-05-21 | 2014-08-27 | 华南农业大学 | 基于mini-pam采集参数的柑橘黄龙病诊断方法 |
CN106546567A (zh) * | 2016-10-31 | 2017-03-29 | 浙江大学 | 基于叶绿素荧光成像技术的植物干旱胁迫诊断方法及装置 |
Non-Patent Citations (1)
Title |
---|
SACHIN MALPE: "《Automated leaf disease detection and treatment recommendation using Transfer Learning》", 《MASTERS THESIS,DUBLIN,NATIONAL COLLEGE OF IRELAND》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112179881A (zh) * | 2020-09-21 | 2021-01-05 | 江苏省农业科学院 | 基于叶绿素荧光成像的绿豆叶斑病的早期检测方法 |
CN112528789A (zh) * | 2020-12-02 | 2021-03-19 | 安徽大学 | 一种用于发病初中期分析的小麦条锈病遥感监测方法 |
CN113539353A (zh) * | 2021-07-09 | 2021-10-22 | 江南大学 | 确定暗适应下叶绿素荧光特征参数的方法及系统 |
CN115839937A (zh) * | 2022-12-20 | 2023-03-24 | 江苏省中国科学院植物研究所 | 一种基于叶绿素荧光成像技术的红豆杉胁迫检测方法 |
CN115839937B (zh) * | 2022-12-20 | 2024-01-09 | 江苏省中国科学院植物研究所 | 一种基于叶绿素荧光成像技术的红豆杉胁迫检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111665225A (zh) | 一种基于叶绿素荧光成像技术判别黄瓜不同病害胁迫的方法及装置 | |
Dreccer et al. | Yielding to the image: How phenotyping reproductive growth can assist crop improvement and production | |
CN110827273A (zh) | 一种基于区域卷积神经网络的茶叶病害检测方法 | |
CN106546541A (zh) | 一种基于高光谱转基因玉米籽粒的识别装置与方法 | |
CN105067532A (zh) | 一种鉴别油菜菌核病和灰霉病早期病斑的方法 | |
CN110363125A (zh) | 采用模型传递识别不同品种柑橘黄龙病的方法 | |
CN109389581A (zh) | 基于红外热成像边缘检测处理的小麦叶锈病分级的方法 | |
CN107064089B (zh) | 一种基于物联网的辣椒苗疫病早期监测装置和方法 | |
Kumar et al. | Apple Sweetness Measurement and Fruit Disease Prediction Using Image Processing Techniques Based on Human-Computer Interaction for Industry 4.0 | |
CN111751347A (zh) | 基于拉曼光谱的白粉病胁迫下大麦叶片色素成像方法 | |
CN114092839A (zh) | 基于无人机遥感的大豆收获期成熟度的判断方法 | |
Tardif et al. | Two-stage automatic diagnosis of Flavescence Dorée based on proximal imaging and artificial intelligence: a multi-year and multi-variety experimental study | |
CN115620151B (zh) | 物候期识别方法、装置、电子设备和存储介质 | |
CN110837823A (zh) | 种子品种鉴定模型的生成方法、鉴定方法及装置 | |
CN116524279A (zh) | 一种数字农业的人工智能图像识别作物长势分析方法 | |
Gupta et al. | Applications of RGB color imaging in plants | |
Pandey et al. | High throughput phenotyping for fusiform rust disease resistance in loblolly pine using hyperspectral imaging | |
JP6798533B2 (ja) | 細胞評価装置、インキュベータおよびプログラム | |
CN112837301A (zh) | 一种茶叶干茶色泽花杂度的判断方法 | |
CN113237863A (zh) | 一种基于光谱进行油菜花瓣核盘菌侵染的快速诊断的方法 | |
CN112034912A (zh) | 一种基于实时反馈的温室作物病害防治方法 | |
Jian et al. | Identification and grading of tea using computer vision | |
Zhinin Vera et al. | Artificial Vision Techniques to Detect and Classify Cacao Beans | |
Lu et al. | Hyperspectral imaging-enabled high-throughput screening of loblolly pine (Pinus taeda) seedlings for freeze tolerance | |
Lakshmi et al. | Plant phenotyping through Image analysis using nature inspired optimization techniques |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200915 |
|
WD01 | Invention patent application deemed withdrawn after publication |