CN111738287B - 一种多模态信息融合的马尾松种子活性检测系统及其检测方法 - Google Patents
一种多模态信息融合的马尾松种子活性检测系统及其检测方法 Download PDFInfo
- Publication number
- CN111738287B CN111738287B CN202010259251.7A CN202010259251A CN111738287B CN 111738287 B CN111738287 B CN 111738287B CN 202010259251 A CN202010259251 A CN 202010259251A CN 111738287 B CN111738287 B CN 111738287B
- Authority
- CN
- China
- Prior art keywords
- template
- seeds
- box body
- air chamber
- masson pine
- 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.)
- Expired - Fee Related
Links
- 235000011609 Pinus massoniana Nutrition 0.000 title claims abstract description 54
- 241000018650 Pinus massoniana Species 0.000 title claims abstract description 54
- 230000000694 effects Effects 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 230000004927 fusion Effects 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 37
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 44
- 230000008859 change Effects 0.000 claims description 26
- 238000001228 spectrum Methods 0.000 claims description 23
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 22
- 239000001569 carbon dioxide Substances 0.000 claims description 22
- 238000005259 measurement Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000007789 sealing Methods 0.000 claims description 8
- 229920002472 Starch Polymers 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 235000019698 starch Nutrition 0.000 claims description 7
- 239000008107 starch Substances 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000002791 soaking Methods 0.000 claims description 4
- 230000002745 absorbent Effects 0.000 claims description 3
- 239000002250 absorbent Substances 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 claims description 3
- 239000011521 glass Substances 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 230000000241 respiratory effect Effects 0.000 claims description 3
- 230000036387 respiratory rate Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 6
- 230000035784 germination Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C1/00—Apparatus, or methods of use thereof, for testing or treating seed, roots, or the like, prior to sowing or planting
- A01C1/02—Germinating apparatus; Determining germination capacity of seeds or the like
- A01C1/025—Testing seeds for determining their viability or germination capacity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Physiology (AREA)
- Soil Sciences (AREA)
- Environmental Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种多模态信息融合的马尾松种子活性检测方法，首先对马尾松种子中的淀粉变化进行检测、并对马尾松种子环境中的二氧化碳浓度的变化进行检测，并融合马尾松种子质量、体积及湿度信息先建立种子活性的样本模板，再进行模板比对与更新，最终实现马尾松种子活性的分级检测。本发明将多种模态的信息融合进入马尾松种子的识别，并在一次测量的同时记录种子的各项活性指标；避免了传统方法中分别的多次不同试验，达成了马尾松种子活性检测的一次性快速化，大大节约了实验所需花费时间。
Description
技术领域
本发明涉及种子活力、育种、种子加工及处理过程标准化监控技术领域，具体涉及一种多模态信息融合的马尾松种子活性检测系统及其检测方法。
背景技术
种子活力即种子的健壮程度，是种子发芽和出苗率、幼苗生长的潜势以及植株抗逆能力和生产潜力的总和，是种子品质的重要指标。低品质的种子田间出芽率较低，从而造成严重的经济损失，因此种子活力的检测成为农、林业发展的重要一环，它直接影响农业生产和自然环境等民生问题；对种子活力检测方法准确地掌握、合理地选取和精确地应用不仅提高了种子活力测定效率，更间接地推动了整个农、林业及其衍生行业的发展。
而现有技术中缺少可以合理检测种子活性的系统以及方法，尤其是针对马尾松种子的活性检测；马尾松种子的活性影响着马尾松的发芽成功率，一直以来就是林业发展中的重要一环而备受人们关注，传统的种子检测手段虽然多种多样，但大多数工序繁杂而且检测时所使用的指标相对单一，不能综合有效地反映在马尾松种子的活性，因此迫切的需要一种能够综合多种模态信息的同时，又做到简便、快速高效而准确的马尾松种子活性检测系统。
发明内容
本发明的目的是针对现有技术存在的不足，提供一种多模态信息融合的马尾松种子活性检测系统及其检测方法。
技术方案：本发明解决问题所采用的技术方案为：一种多模态信息融合的马尾松种子活性检测系统，包括密封的气室箱体；该气室箱体整体密封设置，其上端两侧还分别向上延伸设置有相机架固定板，并且在相机架固定板上则安装有向箱体中心延伸的相机支撑杆，所述的相机支撑杆延伸到一处后安装设置有调焦式高光谱相机，该调焦式高光谱相机设置在气室箱体的上端中心位置处，拍摄方向对准下方的气室箱体，并且所述气室箱体的底部还通过设置的电子秤支撑有系统量盘，并且所述气室箱体内还安装有音叉式二氧化碳浓度传感器以及在气室箱体的两侧壁还安装有与调焦式高光谱相机配合的全光谱灯管，并且所述的气室箱体前端还通过转轴相应铰接安装有密封侧盖。
作为优选，所述的气室箱体整体设置为超白玻璃制作而成，并且在密封侧盖处设置有防止气体泄漏的密封胶圈；气室箱体上端的相机支撑杆3相应设置有四根，在气室箱体上端中间位置处相交设置。
作为优选，所述的系统量盘设置为能够吸收个谱段光谱的含铅PVC材料制作而成；并且系统量盘中央部位印有边长为20cm、宽度为1cm的纯白色框线，用于划定种子的放置区域，并利于后续高光谱图像的分割。
本发明还提供一种多模态信息融合的马尾松种子活性检测方法，首先对马尾松种子中的淀粉变化进行检测、并对马尾松种子环境中的二氧化碳浓度的变化进行检测，并融合马尾松种子质量以及体积信息先建立种子活性的样本模板，再进行模板比对与更新，最终实现马尾松种子活性的分级检测；其具体包括以下步骤：
(1)将马尾松种子放入水中浸泡5-7小时后取出，使用吸水纸擦拭干净，使得种子吸收充足水分从而完成种子激活，激活后选取相应活性的样本放入气室箱体中系统量盘之上；
(2)将气室箱体整体封闭密封后，通过系统量盘以及底部电子秤配合获取这批马尾松种子的质量信息m；
(3)通过变焦式高光谱相机获取气室箱体内系统量盘的高光谱图像，并将各个采集时间点的光谱原始信息记录为Ir(t)；
(4)通过音叉式二氧化碳浓度传感器测量采集气室箱体内二氧化碳浓度的变化，并将测量开始后12小时内的浓度变化曲线记录为函数c(t)；
(5)利用阈值分割法，在Ir(t)中寻找出高亮部分作为框线，从而获得测量有效光谱Ii(t)＝Ir(t)∈O，式中O表示框线区域内的索引范围；
(6)对步骤(5)中的Ii(t)通过多谱段联合验证的方式进行的体积测量，获得马尾松种子的估计体积V；
(7)使用特征谱段分析得出种子内淀粉含量随时间变化的曲线sth(t)，分析种子含水量的特征谱段获得湿度随时间变化的曲线hm(t)；
(8)对二氧化碳浓度变化进行特征点判别，分析出特征信息启动时间ts、平均呼吸速率r以及呼吸饱和时间tc；
(9)重复上述步骤(1)至(8)，直至全部样本测量完毕；
(10)抽取每类样本数据中的单个数据作为各个类别样本模板的模板核，设有n类不同的样本，各个样本模板的样本核记为tp1,tp2,tpi…,tpn，生成各个类别的模板样本集合tpc1,tpc2,tpci…,tpcn；
(11)从每类样本中抽取单个数据，并加入样本集合tpci；
(12)计算此时各类样本分布的协方差矩阵tpsi；
(13)计算新抽取的单个数据与其原有各个样本模板的差异值，
(14)将各个差异值进行归一化，得出样本的更新权重wi，利用该值更新模板；
(15)重复上述模板更新过程步骤10至14，直到全部数据抽取完毕后存储tpi以及tpsi，至此马尾松种子的活性模板建立完成。
其中，所述步骤(6)中体积V估测方式如下：
式中，bin表示根据背景阈值进行二值化，Ii(t)[1]表示t时刻有效光谱内第一个波长点的数据，|表示或运算，Of表示索引范围的全1矩阵，式中d由权利要求3中所述的测量盘底部所印制的线框大小决定；该式表示共有m个不同波长的数据经过二值化后进行或运算并求和，并求取在框线区域的占比，从而估算放入量盘中的马尾松种子的体积。
其中，所述步骤(8)中二氧化碳的浓度变化曲线特征值的计算方法如下：
式中，r为平均呼吸速率，hist表示求直方统计值，mean表示求平均值，ts为启动时间，tc为饱和时间。
其中，所述步骤(13)中输入数据x与第i个模板之间的差异计算如下：
式中，x表示输入数据，tpi表示第i个模板的模板核，tpsi表示样本分布的协方差矩阵。
本发明还包含系统的活性分级模板使用过程，该过程中，先测量相关数据，后重复步骤(11)至(13)，得出测量数据与模板数据间的距离后将距离最短的模板作为所属类别结果。
有益效果：本发明与现有技术相比，具有以下优点：
(1)本发明中气室箱体密封设置，其内部设置有全光谱灯管、音叉式二氧化碳浓度传感器以及底部的系统量盘和电子秤；而箱体的上端通过设置相机架固定板和相机支撑杆来安装调焦式高光谱相机；通过全光谱灯管和调焦式高光谱相机配合采集光谱信息以及可相应采集二氧化碳浓度信息变化，种子体积变化等，为后续的活性检测计算提供良好的数据支持，各数据的采集精确、方便；整体结构也非常的合理；
(2)本发明将多种模态的信息融合进入马尾松种子的识别，并在一次测量的同时记录种子的各项活性指标；避免了传统方法中分别的多次不同试验，达成了马尾松种子活性检测的一次性快速化，大大节约了实验所需花费时间；
(3)本发明采用独特的活性模板法建立了马尾松种子的活性模板模型，利用高维空间中的距离作为衡量各个模板之间的差异，并利用依次迭代的方式生成模板，使得测量的精度可以不断提升，通过加入新的样本可以使分类精度进一步升级；
(3)本发明同时从二氧化碳的浓度变化和种子中淀粉类物质含量的变化两个角度来分析种子的呼吸作用的强弱，从而间接反映出种子的活性强弱，相较于传统的发芽实验等方法提高了种子活性检测的速度又避免了珍贵种子受到损伤。
附图说明
图1为本发明结构示意图；
图2为图1主视图。
图3为经过体积归一化后的测量值变化曲线图；
图4为计算各类别与样本之间的距离值结果图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，本实施例在以本发明技术方案为前提下进行实施，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
实施例1
如图1和图2所示，一种多模态信息融合的马尾松种子活性检测系统，包括密封的气室箱体1；该气室箱体1整体密封设置，其上端两侧还分别向上延伸设置有相机架固定板2，并且在相机架固定板2上则安装有向箱体中心延伸的相机支撑杆3，相机支撑杆3延伸到一处后安装设置有调焦式高光谱相机4，该调焦式高光谱相机4设置在气室箱体1的上端中心位置处，拍摄方向对准下方的气室箱体1，并且气室箱体1的底部还通过设置的电子秤5支撑有系统量盘6，并且气室箱体1内还安装有音叉式二氧化碳浓度传感器7以及在气室箱体1的两侧壁还安装有与调焦式高光谱相机4配合的全光谱灯管8，并且气室箱体1前端还通过转轴9相应铰接安装有密封侧盖10。
气室箱体1整体设置为超白玻璃制作而成，并且在密封侧盖10处设置有防止气体泄漏的密封胶圈；气室箱体1上端的相机支撑杆3相应设置有四根，在气室箱体1上端中间位置处相交设置；系统量盘6设置为能够吸收个谱段光谱的含铅PVC材料制作而成；并且系统量盘6中央部位印有边长为20cm、宽度为1cm的纯白色框线，用于划定种子的放置区域，并利于后续高光谱图像的分割。
本实施例中检测方法如下：先将马尾松种子放入水中浸泡5-7小时后取出，优选浸泡6小时后取出，使用吸水纸擦拭干净，使得种子吸收充足水分从而完成种子激活，激活后选取相应活性的样本放入气室箱体中系统量盘之上；
将气室箱体整体封闭密封后，通过系统量盘以及底部电子秤配合获取这批马尾松种子的质量信息m；之后通过变焦式高光谱相机获取气室箱体内系统量盘的高光谱图像，并将各个采集时间点的光谱原始信息记录为Ir(t)；通过音叉式二氧化碳浓度传感器测量采集气室箱体内二氧化碳浓度的变化，并将浓度变化曲线记录为函数c(t)；
利用阈值分割法，在Ir(t)中寻找出高亮部分作为框线，从而获得测量有效光谱Ii(t)＝Ir(t)∈O，式中O表示框线区域内的索引范围；对该有效光谱Ii(t)通过多谱段联合验证的方式进行的体积测量，获得马尾松种子的估计体积V；其中，该体积V估测方式如下：
式中，bin表示根据背景阈值进行二值化，Ii(t)[1]表示t时刻有效光谱内第一个波长点的数据，|表示或运算，Of表示索引范围的全1矩阵，式中d由权利要求3中所述的测量盘底部所印制的线框大小决定；该式表示共有m个不同波长的数据经过二值化后进行或运算并求和，并求取在框线区域的占比，从而估算放入量盘中的马尾松种子的体积。
使用特征谱段分析得出种子内淀粉含量随时间变化的曲线sth(t)；对二氧化碳浓度变化进行特征点判别，分析出特征信息启动时间ts、平均呼吸速率r以及呼吸饱和时间tc；其中，二氧化碳的浓度变化曲线特征值的计算方法如下：
式中，r为平均呼吸速率，hist表示求直方统计值，mean表示求平均值，ts为启动时间，tc为饱和时间。重复上述步骤，直至全部样本测量完毕。
之后抽取每类样本数据中的单个数据作为各个类别样本模板的模板核，设有n类不同的样本，各个样本模板的样本核记为tp1,tp2,tpi…,tpn，生成各个类别的模板样本集合tpc1,tpc2,tpci…,tpcn；从每类样本中抽取单个数据，并加入样本集合tpci；计算此时各类样本分布的协方差矩阵tpsi；计算新抽取的单个数据与其原有各个样本模板的差异值，其中，输入数据x与第i个模板之间的差异计算如下：
式中，x表示输入数据，tpi表示第i个模板的模板核，tpsi表示样本分布的协方差矩阵；将各个差异值进行归一化，得出样本的更新权重wi，利用该值更新模板；重复上述模板更新过程，直到全部数据抽取完毕后存储tpi以及tpsi，至此马尾松种子的活性模板建立完成。
模板建立完成后，可放入种子进行测量。取适量健康的马尾松种子，放入测量室内进行测量，可观察到各类测量值的变化，如图3所示为经过体积归一化后的测量值变化曲线图。从图中可观察到三类不同测量物质归一化后的测量数值变化情况，从图中可以看到二氧化碳以及湿度虽然有一定的小幅度波动，但总体呈现出类S形曲线。而通过光谱信息分析出的该批的种子的淀粉转化状况呈反S形，这说明种子的呼吸状况良好，淀粉转化正常。通过该样本的观测数据可与样本库中建立的各类样本核之间计算样本差异。
如图4所示为计算各类别与样本之间的距离值结果，模板共设置了5类样本模板，各类模板与所测样本的距离值经步骤13可获得。从图中可以看到各类结果具有不同的差异值，并且该样本与模板3的差异最小，因而可将该样本划分为模板3所属类别，从而获知该种子的活性等级。
利用本发明独特的活性模板法建立了马尾松种子的活性模板模型，利用了高维空间中的距离作为衡量各个模板之间的差异，并利用依次迭代的方式生成模板，使得测量的精度可以不断提升，通过加入新的样本可以使分类精度进一步升级；本发明将多种模态的信息融合进入马尾松种子的识别，并在一次测量的同时记录种子的各项活性指标；避免了传统方法中分别的多次不同试验，达成了马尾松种子活性检测的一次性快速化，大大节约了实验所需花费时间；本发明同时从二氧化碳的浓度变化和种子中淀粉类物质含量的变化两个角度来分析种子的呼吸作用的强弱，从而间接反映出种子的活性强弱，相较于传统的发芽实验等方法提高了种子活性检测的速度又避免了珍贵种子受到损伤。
上述具体实施方式只是本发明的一个优选实施例，并不是用来限制本发明的实施与权利要求范围的，凡依据本发明申请专利保护范围内容做出的等效变化和修饰，均应包括于本发明专利申请范围内。
Claims (7)
1.一种多模态信息融合的马尾松种子活性检测系统，其特征在于：包括密封的气室箱体(1)；所述的气室箱体(1)整体设置为超白玻璃制作而成，并且在密封侧盖(10)处设置有防止气体泄漏的密封胶圈；气室箱体(1)上端的相机支撑杆(3)相应设置有四根，在气室箱体(1)上端中间位置处相交设置，使得该气室箱体(1)整体为密封设置，所述气室箱体(1)的上端两侧还分别向上延伸设置有相机架固定板(2)，并且在相机架固定板(2)上则安装有向箱体中心延伸的相机支撑杆(3)，所述的相机支撑杆(3)延伸到一处后安装设置有调焦式高光谱相机(4)，该调焦式高光谱相机(4)设置在气室箱体(1)的上端中心位置处，拍摄方向对准下方的气室箱体(1)，并且所述气室箱体(1)的底部还通过设置的电子秤(5)支撑有系统量盘(6)，并且所述气室箱体(1)内还安装有音叉式二氧化碳浓度传感器(7)以及在气室箱体(1)的两侧壁还安装有与调焦式高光谱相机(4)配合的全光谱灯管(8)，并且所述的气室箱体(1)前端还通过转轴(9)相应铰接安装有密封侧盖(10)；所述的系统量盘(6)设置为能够吸收个谱段光谱的含铅PVC材料制作而成。
2.根据权利要求1所述的一种多模态信息融合的马尾松种子活性检测系统，其特征在于：所述系统量盘(6)中央部位印有边长为20cm、宽度为1cm的纯白色框线，用于划定种子的放置区域，并利于后续高光谱图像的分割。
3.一种基于权利 要求1的检测系统进行马尾松种子活性的检测方法，其特征在于：对马尾松种子中的淀粉变化进行检测、并对马尾松种子环境中的二氧化碳浓度的变化进行检测，并融合马尾松种子质量、体积及湿度信息先建立种子活性的样本模板，再进行模板比对与更新，最终实现马尾松种子活性的分级检测，具体包括以下步骤：
(1)将马尾松种子放入水中浸泡5-7小时后取出，使用吸水纸擦拭干净，使得种子吸收充足水分从而完成种子激活，激活后选取相应活性的样本放入气室箱体中系统量盘之上；
(2)将气室箱体整体封闭密封后，通过系统量盘以及底部电子秤配合获取这批马尾松种子的质量信息m；
(3)通过变焦式高光谱相机获取气室箱体内系统量盘的高光谱图像，并将各个采集时间点的光谱原始信息记录为Ir(t)；
(4)通过音叉式二氧化碳浓度传感器测量采集气室箱体内二氧化碳浓度的变化，并将测量开始后12小时内的浓度变化曲线记录为函数c(t)；
(5)利用阈值分割法，在Ir(t)中寻找出高亮部分作为框线，从而获得测量有效光谱Ii(t)＝Ir(t)∈O，式中O表示框线区域内的索引范围；
(6)对步骤(5)中的Ii(t)通过多谱段联合验证的方式进行的体积测量，获得马尾松种子的估计体积V；
(7)使用特征谱段分析得出种子内淀粉含量随时间变化的曲线sth(t)，分析种子含水量的特征谱段获得湿度随时间变化的曲线hm(t)；
(8)对二氧化碳浓度变化进行特征点判别，分析出特征信息启动时间ts、平均呼吸速率r以及呼吸饱和时间tc；
(9)重复上述步骤(1)至(8)，直至全部样本测量完毕；
(10)抽取每类样本数据中的单个数据作为各个类别样本模板的模板核，设有n类不同的样本，各个样本模板的样本核记为tp1,tp2,tpi…,tpn，生成各个类别的模板样本集合tpc1,tpc2,tpci…,tpcn；
(11)从每类样本中抽取单个数据，并加入样本集合tpci；
(12)计算此时各类样本分布的协方差矩阵tpsi；
(13)计算新抽取的单个数据与其原有各个样本模板的差异值，
(14)将各个差异值进行归一化，得出样本的更新权重wi，利用该值更新模板；
(15)重复上述模板更新过程步骤(10)至(14)，直到全部数据抽取完毕后存储tpi以及tpsi，至此马尾松种子的活性模板建立完成。
4.根据权利要求3所述的检测方法，其特征在于：所述步骤(6)中体积V估测方式如下：
式中，bin表示根据背景阈值进行二值化，Ii(t)[1]表示t时刻有效光谱内第一个波长点的数据，|表示或运算，+f表示索引范围的全1矩阵，式中d由权利要求3中所述的量盘底部所印制的线框大小决定；该式表示共有m个不同波长的数据经过二值化后进行或运算并求和，并求取在框线区域的占比，从而估算放入量盘中的马尾松种子的体积。
5.根据权利要求3所述的检测方法，其特征在于：所述步骤(8)中二氧化碳的浓度变化曲线特征值的计算方法如下：
ts＝min(Tr),
tc＝max(Td),
式中，r为平均呼吸速率，hist表示求直方统计值，mean表示求平均值，ts为启动时间，tc为饱和时间。
6.根据权利要求3所述的检测方法，其特征在于：所述步骤(13)中输入数据x与第i个模板之间的差异计算如下：
式中，x表示输入数据，tpi表示第i个模板的模板核，tpsi表示样本分布的协方差矩阵。
7.根据权利要求3所述的检测方法，其特征在于：包含系统的活性分级模板使用过程，该过程中，先测量相关数据，后重复步骤(11)至(13)，得出测量数据与模板数据间的距离后将距离最短的模板作为所属类别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010259251.7A CN111738287B (zh) | 2020-04-03 | 2020-04-03 | 一种多模态信息融合的马尾松种子活性检测系统及其检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010259251.7A CN111738287B (zh) | 2020-04-03 | 2020-04-03 | 一种多模态信息融合的马尾松种子活性检测系统及其检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111738287A CN111738287A (zh) | 2020-10-02 |
| CN111738287B true CN111738287B (zh) | 2021-03-26 |
Family
ID=72646919
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010259251.7A Expired - Fee Related CN111738287B (zh) | 2020-04-03 | 2020-04-03 | 一种多模态信息融合的马尾松种子活性检测系统及其检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111738287B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101881726A (zh) * | 2010-06-18 | 2010-11-10 | 北京农业智能装备技术研究中心 | 植物幼苗综合性状活体无损检测方法 |
| CN102168106A (zh) * | 2010-12-20 | 2011-08-31 | 南京农业大学 | 一种控制植物体内ala合成、促进生长并提高抗逆性的转基因方法 |
| CN105224960A (zh) * | 2015-11-04 | 2016-01-06 | 江南大学 | 基于聚类算法的玉米种子高光谱图像分类识别模型更新方法 |
| CN206369890U (zh) * | 2016-10-17 | 2017-08-01 | 华中农业大学 | 一种多功能图像采集辅助暗箱装置 |
| US9740949B1 (en) * | 2007-06-14 | 2017-08-22 | Hrl Laboratories, Llc | System and method for detection of objects of interest in imagery |
| CN208771920U (zh) * | 2018-08-29 | 2019-04-23 | 南京林业大学 | 一种籽棉分选系统中高光谱成像装置 |
| CN110609011A (zh) * | 2019-09-18 | 2019-12-24 | 北京农业智能装备技术研究中心 | 单籽粒玉米种子淀粉含量近红外高光谱检测方法及系统 |
| CN110904004A (zh) * | 2019-12-05 | 2020-03-24 | 江苏博扬生物制品有限公司 | 一株产海藻糖水解酶的细菌及其选育方法和应用 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN204374068U (zh) * | 2015-01-22 | 2015-06-03 | 浙江大学 | 一种植物侧表面冠层的高光谱扫描装置 |
| CN105478376B (zh) * | 2015-12-31 | 2017-08-25 | 中国农业大学 | 一种种子分离装置及一种种子活力无损检测系统 |
| CN106017879B (zh) * | 2016-05-18 | 2018-07-03 | 河北工业大学 | 基于振声信号特征融合的万能式断路器机械故障诊断方法 |
| US20180247191A1 (en) * | 2017-02-03 | 2018-08-30 | Milestone Entertainment Llc | Architectures, systems and methods for program defined entertainment state system, decentralized cryptocurrency system and system with segregated secure functions and public functions |
| CN107202784B (zh) * | 2017-04-28 | 2020-01-24 | 黑龙江八一农垦大学 | 一种水稻浸种催芽过程中工艺节点的检测方法 |
| CN109001154B (zh) * | 2018-06-13 | 2021-04-09 | 湖州师范学院 | 基于激光吸收光谱技术的种子活力高效测量系统 |
| CN109402096B (zh) * | 2018-11-20 | 2021-01-01 | 中国科学院生物物理研究所 | 一种aid酶突变体及其应用 |
| CN110702616B (zh) * | 2019-09-26 | 2022-07-01 | 北京农业智能装备技术研究中心 | 玉米籽粒双表面高光谱检测装置 |
-
2020
- 2020-04-03 CN CN202010259251.7A patent/CN111738287B/zh not_active Expired - Fee Related
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9740949B1 (en) * | 2007-06-14 | 2017-08-22 | Hrl Laboratories, Llc | System and method for detection of objects of interest in imagery |
| CN101881726A (zh) * | 2010-06-18 | 2010-11-10 | 北京农业智能装备技术研究中心 | 植物幼苗综合性状活体无损检测方法 |
| CN102168106A (zh) * | 2010-12-20 | 2011-08-31 | 南京农业大学 | 一种控制植物体内ala合成、促进生长并提高抗逆性的转基因方法 |
| CN105224960A (zh) * | 2015-11-04 | 2016-01-06 | 江南大学 | 基于聚类算法的玉米种子高光谱图像分类识别模型更新方法 |
| CN206369890U (zh) * | 2016-10-17 | 2017-08-01 | 华中农业大学 | 一种多功能图像采集辅助暗箱装置 |
| CN208771920U (zh) * | 2018-08-29 | 2019-04-23 | 南京林业大学 | 一种籽棉分选系统中高光谱成像装置 |
| CN110609011A (zh) * | 2019-09-18 | 2019-12-24 | 北京农业智能装备技术研究中心 | 单籽粒玉米种子淀粉含量近红外高光谱检测方法及系统 |
| CN110904004A (zh) * | 2019-12-05 | 2020-03-24 | 江苏博扬生物制品有限公司 | 一株产海藻糖水解酶的细菌及其选育方法和应用 |
Non-Patent Citations (6)
| Title |
|---|
| Calculation and test of electric polarization force for rice seed dielectric separation;B Zhang et al;《Transactions of the Chinese Society of Agricultural Engineering》;20121031;第96-100页 * |
| Film Sorting Algorithm in Seed Cotton Based on Near-infrared Hyperspectral Image and Deep Learning;Ni, Chao et al;《Transactions of the Chinese Society for Agricultural Machinery》;20191025;第50卷(第12期);第170-179页 * |
| 基于光谱成像技术的小麦种子品质分析研究;刘倩;《中国优秀硕士学位论文全文数据库 农业科技辑》;20180615(第6期);D047-34 * |
| 基于多信息融合马尾松苗木质量检测方法的探究;陈宇;《中国优秀硕士学位论文全文数据库 农业科技辑》;20180415(第4期);D049-160 * |
| 基于高光谱图像的水稻种子活力检测技术研究;李美凌等;《浙江农业学报》;20150428;第27卷(第1期);第1-6页 * |
| 马尾松种子活力测定方法研究;赵海珍等;《种子》;19851231(第6期);正文第22页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111738287A (zh) | 2020-10-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101915738B (zh) | 基于高光谱成像技术的茶树营养信息快速探测方法及装置 | |
| CN102788752B (zh) | 基于光谱技术的农作物内部信息无损检测装置及方法 | |
| CN103278503B (zh) | 一种基于多传感器技术的葡萄水分胁迫诊断方法及系统 | |
| CN107392920B (zh) | 一种基于可见光-太赫兹光的植株健康辨别方法和装置 | |
| CN111380813B (zh) | 一种便携式小麦种子多品质无损检测装置及检测方法 | |
| 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 | |
| CN115728249A (zh) | 一种番茄幼苗的叶绿素含量的预测方法及处理终端 | |
| CN108827907A (zh) | 一种基于近红外光谱对彩棉色度的快速测定方法 | |
| CN115598162B (zh) | 基于堆叠式模型的土壤重金属含量检测方法 | |
| CN116337781A (zh) | 一种基于光谱图像重建的高粱品种识别方法 | |
| CN102788796B (zh) | 基于高光谱图像及荧光图像多信息融合的作物氮营养诊断装置及方法 | |
| CN111738287B (zh) | 一种多模态信息融合的马尾松种子活性检测系统及其检测方法 | |
| CN117315490B (zh) | 一种检测种子发芽率的方法、模型和存储介质及建模方法 | |
| CN110609011A (zh) | 单籽粒玉米种子淀粉含量近红外高光谱检测方法及系统 | |
| CN110596048A (zh) | 一种光谱速测烟草叶片中钾含量的方法 | |
| Chen et al. | Quality detection and variety classification of pecan seeds using hyperspectral imaging technology combined with machine learning | |
| Li et al. | Integrating spectral and image information for prediction of cottonseed vitality | |
| CN113030014A (zh) | 一种手持式柑桔品质无损检测仪及最佳采收期预测方法 | |
| CN111223002A (zh) | 一种玉米区域干物质产量或青储产量评估方法和系统 | |
| CN115843681A (zh) | 一种大白菜耐热品种鉴定及评价方法 | |
| KR20190071204A (ko) | 통합 식물체 재배환경 분석시스템 | |
| CN113933247A (zh) | 一种水果成熟度检测模型的构建方法 | |
| CN211263179U (zh) | 一种林下山参粉末无损鉴别的近红外检测仪 | |
| CN109696139A (zh) | 一种阔叶植物叶片生物量原位测量方法 | |
| CN111043939A (zh) | 用于波叶青牛胆的叶面积校正系数获取方法 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20201002 Assignee: DEHUA TB NEW DECORATION MATERIAL Co.,Ltd. Assignor: NANJING FORESTRY University Contract record no.: X2021980012664 Denomination of invention: A multi-modal information fusion masson pine seed activity detection system and its detection method Granted publication date: 20210326 License type: Common License Record date: 20211119 |
|
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210326 |