CN111753903B - 一种基于叶脉拓扑特征的大豆品种识别方法 - Google Patents

一种基于叶脉拓扑特征的大豆品种识别方法 Download PDF

Info

Publication number
CN111753903B
CN111753903B CN202010585957.2A CN202010585957A CN111753903B CN 111753903 B CN111753903 B CN 111753903B CN 202010585957 A CN202010585957 A CN 202010585957A CN 111753903 B CN111753903 B CN 111753903B
Authority
CN
China
Prior art keywords
soybean
vein
image
leaf
topological
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
CN202010585957.2A
Other languages
English (en)
Other versions
CN111753903A (zh
Inventor
袁晓辉
李东野
张衍平
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202010585957.2A priority Critical patent/CN111753903B/zh
Publication of CN111753903A publication Critical patent/CN111753903A/zh
Application granted granted Critical
Publication of CN111753903B publication Critical patent/CN111753903B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2137—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G06T2207/20036—Morphological image processing
    • G06T2207/20041—Distance transform
    • 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
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于叶脉拓扑特征的大豆品种识别方法，涉及大豆育种和计算机视觉技术领域。该方法首先获取高清晰度的大豆叶片图像，并进行增强；然后采用自适应阈值的分割方法对增强后的叶片图像进行二值化，提取叶脉网络；对提取到的叶脉网络进行距离变换，利用持续同调算法对距离变换之后的叶脉网络图像进行分析，提取出大豆叶片的拓扑特征，进而确定大豆叶片的拓扑特征向量；训练卷积神经网络从提取到的拓扑特征中进一步提取特征，并通过分类器实现大豆品种的识别。本发明提供的大豆品种识别方法，实现了大豆品种的分类，对于噪声、光照等都具有很好的鲁棒性；大大提高了分析的效率和准确率，降低了人力和时间成本。

Description

一种基于叶脉拓扑特征的大豆品种识别方法
技术领域
本发明涉及大豆育种和计算机视觉技术领域，尤其涉及一种基于叶脉拓扑特征的大豆品种识别方法。
背景技术
大豆作为动物饲料蛋白和食用油的主要来源，除了作为一种经济作物的用途外，其在改善土壤性质方面也起着至关重要的作用。大豆品种鉴定是大豆育种的基础环节。但是，即使是训练有素的大豆育种家，进行品种识别的准确率仍然很低。并且由于人工识别的方式产生了巨大的人力和时间成本，无法实现大批量、快速的识别，因此，开发一种高通量、准确的大豆品种鉴定方法，对于生物研究、精准农业和环境保护均具有重要意义。
与植物的其他器官相比，叶子具有更普遍和持久的特征，从植物分类学的早期就被用于植物鉴定，并且多数植物的叶子在形状和颜色上存在显著差异。基于此，利用植物叶子图像进行植物识别的过程中，最常用的方法就是利用傅里叶级数、几何不变矩、颜色直方图等特征对叶子的形状和颜色进行表示，通过训练分类器或者设计匹配算法，从已知的植物特征数据库中查找和待识别叶片相似度最高的类别，来实现植物的识别。但是基于形状和颜色的方法只能区分在形状和颜色差异比较大的叶子，例如圆形的叶子和长条形的叶子、没有叶裂的叶子和有叶裂的叶子、绿色的叶子和红色的叶子等，还不能对于形状和颜色差异比较小的叶子进行区分，特别是在叶形的颜色上都非常相近的情况。这种区分方式无法区分同一个物种内的不同品种，例如不同品种的大豆。但是对于同一物种内不同品种的区分，对于培育新的品种，针对性的品种改良都是至关重要的一个步骤。
对于不同品种的大豆而言，叶片在形状和颜色等方面没有明显差异，通过其形状特征进行品种分类非常困难。针对这种情况，目前常用的方法是增加对叶脉网络特征的提取，例如EAGLE算法。该算法通过边沿检测算法实现叶脉网络的提取，并从中选取五个小的叶脉区域，通过提取这些区域内部的局部叶脉信息和各个区块之间的空间位置信息来表示叶脉特征。这个方法的最大特点是增加了叶脉的信息，提高了对不同植物的区分能力，计算速度快。但是该方法对提取到的叶脉网络的准确性无法保证，因此其对于叶脉网络的区分能力有限，仍然无法用于大豆品种的分类。为更准确的提取叶脉信息，有研究采用扫描图像并提出UHMT算法提取叶脉网络采用叶脉网络的中间区块，定义了52种叶脉表型来进行辅助分类。其主要思路是通过扫描的方式提高图像质量，增加叶脉部分的清晰度，然后通过图像处理中“击中/击不中”算法的思想对叶脉网络进行提取，最终对中间区块的叶脉提取形态学表型特征，并利用这些特征进行分类。这种方法考虑了更细致的叶脉表型特征，并且通过使用扫描图像的方式获取了更清晰的图像保证了叶脉网络的提取效果，在一定程度上提高了分类的准确性，但是这种方法丢失了全局的叶脉信息，仍然不能保证对高度相似的大豆品种进行区分。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于叶脉拓扑特征的大豆品种识别方法，实现对大豆品种的区分。
为解决上述技术问题，本发明所采取的技术方案是：一种基于叶脉拓扑特征的大豆品种识别方法，包括以下步骤：
步骤1、采用透射扫描方式获取高清晰度的大豆叶片图像，并对获取的图像进行大豆品种标注，然后使用直方图均衡化方法对大豆叶片图像进行增强；
采用具有透射扫描功能的扫描仪对每张大豆叶片采用600dpi及以上的分辨率获取大豆叶片图像；
步骤2、采用自适应阈值的分割方法对增强后的叶片图像进行二值化，使叶脉所在像素的灰度值设置为255，背景所在的像素灰度值设置为0，进而从增强后的叶片图像中提取完整的叶脉网络；
采用自适应阈值的分割方法，考虑每个像素及窗口内的像素灰度差异，动态调整阈值对增强后的叶脉图像进行二值化，经过增强的叶脉图像中提取完整的叶脉网络；
步骤3、对提取到的叶脉网络进行距离变换，从而突出叶脉的网络结构和宽度；
对步骤2提取的叶脉网络使用跨平台计算机视觉开源库opencv中的距离变换算法对提取到的叶脉网络图像进行距离变换，分别计算每个叶脉像素到图像背景像素的最小距离，从而反映出叶脉的网络结构和宽度；
步骤4、利用持续同调算法对距离变换之后的叶脉网络图像进行分析，提取出大豆叶片的拓扑特征，即两个维度的持久图(Persistence Diagram)，进而确定大豆叶片的拓扑特征向量；
所述确定大豆叶片的拓扑特征向量的具体方法为：
按照持久性的大小对获取的两个维度的持久图中的散点分别进行从大到小排序，并分别取前1000个点的持久性值作为大豆叶片的拓扑特征向量；
步骤5、训练卷积神经网络从提取到的拓扑特征中进一步提取特征，并通过分类器实现大豆品种的识别；
将得到的大豆叶片的拓扑特征向量作为数据集，训练卷积神经网络，从大豆叶片的拓扑特征中进一步提取特征，使用全连接层作为分类器，对大豆品种进行识别；
步骤6、对待识别大豆叶片图像，按照上述步骤2至步骤4得到大豆叶片图像的特征向量，然后将其作为步骤5训练后得到的卷积神经网络的输入，完成对大豆品种的识别。
采用上述技术方案所产生的有益效果在于：本发明提供的一种基于叶脉拓扑特征的大豆品种识别方法，能够根据大豆叶脉网络图像进行不同品种的分类。相对于现有分析技术，本发明方法具有以下几个优点：
(1)实现了大豆品种的分类，目前其他方法都只能进行物种间的分类，本方法实现了大豆品种间的分类；
(2)利用持续同调提取了大豆叶片图像的叶脉网络的全局信息，具有更多信息，更强的区分能力，由于拓扑特征本身的稳定性，本方法对于噪声、光照等都具有很好的鲁棒性；
(3)本方法可以扩展到通道具有清晰叶脉结构的其物种或者品种分类中；
(4)本方法实现了基于叶片扫描图像的全自动分析，减少人工干预，比目前的人工识别的方式，大大提高了分析的效率和准确率，降低了人力和时间成本。
附图说明
图1为本发明实施例提供的一种基于叶脉拓扑特征的大豆品种识别方法的流程图；
图2为本发明实施例提供的卷积神经网络的结构示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
大豆(学名：Glycine max(Linn.)Merr.)通称黄豆。为双子叶植物纲、豆科、大豆属的一年生草本，高30-90厘米。茎粗壮，直立，密被褐色长硬毛。叶通常具3小叶；托叶具脉纹，被黄色柔毛；叶柄长2-20厘米；小叶宽卵形，纸质；总状花序短的少花，长的多花；总花梗通常有5-8朵无柄、紧挤的花；苞片披针形，被糙伏毛；小苞片披针形，被伏贴的刚毛；花萼披针形，花紫色、淡紫色或白色，基部具瓣柄，翼瓣蓖状。荚果肥大，稍弯，下垂，黄绿色，密被褐黄色长毛；种子2-5颗，椭圆形、近球形，种皮光滑，有淡绿、黄、褐和黑色等多样。花期6-7月，果期7-9月。原产中国，中国各地均有栽培，亦广泛栽培于世界各地。大豆是中国重要粮食作物之一，已有五千年栽培历史，古称菽，中国东北为主产区，是一种其种子含有丰富植物蛋白质的作物。
本实施例以100个大豆品种为例，采用本发明的基于叶脉拓扑特征的大豆品种识别方法对这100个大豆品种进行识别。
一种基于叶脉拓扑特征的大豆品种识别方法，如图1所示，包括以下步骤：
步骤1、采用透射扫描方式获取高清晰度的大豆叶片图像，并对获取的图像品种进行标注，然后使用直方图均衡化方法对大豆叶片图像进行增强；
采用具有透射扫描功能的扫描仪对每张大豆叶片采用600dpi及以上的分辨率获取大豆叶片图像，尽可能的保留叶片细节，利用叶脉和叶肉透光性的差异获取更清晰的叶脉网络；
本实施例通过具备透射扫描功能的扫描仪，以大豆叶片正面朝向光源发射面的方式进行图像扫描，获取100个品种的大豆叶片，每个叶片获取50张扫描图像；使用直方图均衡化，对获取到的图片进行增强，扩大叶片灰度的动态范围，增加叶脉和叶肉之间的对比度。
步骤2、采用自适应阈值的分割方法对增强后的叶片图像进行二值化，使叶脉所在像素的灰度值设置为255，背景所在的像素灰度值设置为0，进而从增强后的叶片图像中提取完整的叶脉网络；
采用自适应阈值的分割方法，考虑每个像素及窗口内的像素灰度差异，动态调整阈值对增强后的叶脉图像进行二值化，经过增强的叶脉图像中提取完整的叶脉网络；
图像分割是指将图像分成各具特性的区域并提取出感兴趣目标的过程，它是由图像处理到图像分析的关键步骤，在图像分割的基础上才能对目标特征提取和参数测量。
在图像处理应用中二值化操作是一个很常用的处理方式，较为常用的图像二值化方法有：全局固定阈值、局部自适应阈值和OTSU等。全局固定阈值就是对整幅图像都是用一个统一的阈值来进行二值化；局部自适应阈值则是根据像素的邻域块的像素值分布来确定该像素位置上的二值化阈值。这样做的好处在于每个像素位置处的二值化阈值不是固定不变的，而是由其周围邻域像素的分布来决定的。亮度较高的图像区域的二值化阈值通常会较高，而亮度较低的图像区域的二值化阈值则会相适应地变小。不同亮度、对比度、纹理的局部图像区域将会拥有相对应的局部二值化阈值。
步骤3、对提取到的二值化叶脉网络进行距离变换，从而突出叶脉的网络结构；
OpenCV是一个基于BSD许可(开源)发行的跨平台计算机视觉库，可以运行在Linux、Windows、Android和Mac OS操作系统上；它轻量级而且高效--由一系列C函数和少量C++类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法；
二值图像的距离变换的概念广泛应用于计算机图形学，目标识别及GIS空间分析等领域，其主要为计算目标点与背景点距离的过程，最终将二值图像转换为灰度图像。距离变换按照距离的类型可以分为欧式距离变换(Eudlidean Distance Transfrom)和非欧式距离变换两种，其中，非欧式距离变换又包括棋盘距离变换(Chessboard DistanceTransform)，城市街区距离变换(Cityblock Distance Transform)，倒角距离变换(Chamfer Distance Transform)等；本实施例对步骤2提取的叶脉网络使用跨平台计算机视觉开源库opencv中的距离变换算法对提取到的叶脉网络图像进行距离变换，分别计算每个叶脉像素(灰度值为255)到图像背景像素(灰度值为0)的最小距离，从而反映出叶脉的网络结构和宽度；
步骤4、利用持续同调(Persistent Homology)算法对距离变换之后的叶脉网络图像进行分析，提取出大豆叶片的拓扑特征，即两个维度的持久图(Persistence Diagram)；按照持久性的大小对获取的两个维度的持久图中的散点分别进行从大到小排序，并分别取前1000个点的持久性值作为大豆叶片的拓扑特征向量；
步骤5、训练卷积神经网络从提取到的拓扑特征中进一步提取特征，并通过分类器实现大豆品种的识别；
将得到的大豆叶片的拓扑特征向量作为数据集，训练卷积神经网络，从大豆叶片的拓扑特征中进一步提取特征，使用全连接层作为分类器，对大豆品种进行识别；
本实施例中，训练的卷积神经网络结构如图2所示。
步骤6、对待识别大豆叶片图像，按照上述步骤2至步骤4得到相应的特征向量，然后将其作为步骤5训练后得到的卷积神经网络的输入，完成对大豆品种的识别。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (6)

1.一种基于叶脉拓扑特征的大豆品种识别方法，其特征在于：包括以下步骤：
步骤1、获取高清晰度的大豆叶片图像，并对获取的图像进行大豆品种标注，然后对大豆叶片图像进行增强；
步骤2、采用自适应阈值的分割方法对增强后的叶片图像进行二值化，从增强后的叶片图像中提取完整的叶脉网络；
步骤3、对提取到的叶脉网络进行距离变换，从而突出叶脉的网络结构和宽度；
步骤4、利用持续同调算法对距离变换之后的叶脉网络图像进行分析，提取出大豆叶片的拓扑特征，即叶脉的网络结构和宽度两个维度的持久图，进而确定大豆叶片的拓扑特征向量；
所述确定大豆叶片的拓扑特征向量的具体方法为：
按照持久性的大小对获取的两个维度的持久图中的散点分别进行从大到小排序，并分别取前1000个点的持久性值作为大豆叶片的拓扑特征向量；
步骤5、训练卷积神经网络从提取到的拓扑特征中进一步提取特征，并通过分类器实现大豆品种的识别；
步骤6、对待识别大豆叶片图像，按照上述步骤2至步骤4得到大豆叶片图像的特征向量，然后将其作为步骤5训练后得到的卷积神经网络的输入，完成对大豆品种的识别。
2.根据权利要求1所述的一种基于叶脉拓扑特征的大豆品种识别方法，其特征在于：所述步骤1采用透射扫描方式获取高清晰度的大豆叶片图像，使用直方图均衡化方法对大豆叶片图像进行增强。
3.根据权利要求2所述的一种基于叶脉拓扑特征的大豆品种识别方法，其特征在于：所述步骤1采用具有透射扫描功能的扫描仪对每张大豆叶片采用600dpi及以上的分辨率获取大豆叶片图像。
4.根据权利要求1所述的一种基于叶脉拓扑特征的大豆品种识别方法，其特征在于：所述步骤2采用自适应阈值的分割方法，考虑每个像素及窗口内的像素灰度差异，动态调整阈值对增强后的叶脉图像进行二值化，使叶脉所在像素的灰度值设置为255，背景所在的像素灰度值设置为0，进而从增强后的叶片图像中提取完整的叶脉网络。
5.根据权利要求4所述的一种基于叶脉拓扑特征的大豆品种识别方法，其特征在于：所述步骤3的具体方法为：
对步骤2提取的叶脉网络使用跨平台计算机视觉开源库opencv中的距离变换算法对提取到的叶脉网络图像进行距离变换，分别计算每个叶脉像素到图像背景像素的最小距离，从而反映出叶脉的网络结构和宽度。
6.根据权利要求5所述的一种基于叶脉拓扑特征的大豆品种识别方法，其特征在于：所述步骤6的具体方法为：
将得到的大豆叶片的拓扑特征向量作为数据集，训练卷积神经网络，从大豆叶片的拓扑特征中进一步提取特征，使用全连接层作为分类器，对大豆品种进行识别。
CN202010585957.2A 2020-06-24 2020-06-24 一种基于叶脉拓扑特征的大豆品种识别方法 Active CN111753903B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010585957.2A CN111753903B (zh) 2020-06-24 2020-06-24 一种基于叶脉拓扑特征的大豆品种识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010585957.2A CN111753903B (zh) 2020-06-24 2020-06-24 一种基于叶脉拓扑特征的大豆品种识别方法

Publications (2)

Publication Number Publication Date
CN111753903A CN111753903A (zh) 2020-10-09
CN111753903B true CN111753903B (zh) 2022-07-12

Family

ID=72678472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010585957.2A Active CN111753903B (zh) 2020-06-24 2020-06-24 一种基于叶脉拓扑特征的大豆品种识别方法

Country Status (1)

Country Link
CN (1) CN111753903B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112668406B (zh) * 2020-12-10 2022-07-12 哈尔滨师范大学 一种大豆品种的有效筛选方法
CN114140688B (zh) * 2021-11-23 2022-12-09 武汉理工大学 基于透射扫描图像的叶脉表型提取方法、装置及电子设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101916382B (zh) * 2010-07-30 2012-05-30 广州中医药大学 一种植物叶片的图像识别方法
AU2012350138A1 (en) * 2011-12-05 2014-06-26 Commonwealth Scientific And Industrial Research Organisation Method and system for characterising plant phenotype
CN103839081B (zh) * 2014-02-25 2017-06-16 银河水滴科技（北京）有限公司 一种基于拓扑表达的跨视角步态识别方法
CN110570443B (zh) * 2019-08-15 2021-12-17 武汉理工大学 一种基于结构约束条件生成模型的图像线状目标提取方法

Also Published As

Publication number Publication date
CN111753903A (zh) 2020-10-09

Similar Documents

Publication Publication Date Title
CN109360206B (zh) 基于深度学习的大田稻穗分割方法
Jaisakthi et al. Grape leaf disease identification using machine learning techniques
Anand et al. An application of image processing techniques for detection of diseases on brinjal leaves using k-means clustering method
Kuricheti et al. Computer vision based turmeric leaf disease detection and classification: a step to smart agriculture
CN107316289A (zh) 基于深度学习和超像素分割的大田稻穗分割方法
CN105718945B (zh) 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法
CN109255757B (zh) 一种机器视觉自然放置葡萄串果梗区域分割方法
CN111753903B (zh) 一种基于叶脉拓扑特征的大豆品种识别方法
CN109871900A (zh) 一种基于图像处理的复杂背景下苹果的识别定位方法
Samanta et al. Scab diseases detection of potato using image processing
CN111784764A (zh) 一种茶叶嫩芽识别与定位算法
Saranya et al. Detection of banana leaf and fruit diseases using neural networks
Bukhari et al. Assessing the impact of segmentation on wheat stripe rust disease classification using computer vision and deep learning
CN110176005A (zh) 基于归一化指数和多尺度模型的遥感图像分割方法
Li et al. Performance evaluation of crop segmentation algorithms
Patil Pomegranate fruit diseases detection using image processing techniques: a review
Taujuddin et al. Detection of plant disease on leaves using blobs detection and statistical analysis
Ibaraki et al. Image analysis for plants: basic procedures and techniques
Ashok Kumar et al. A review on crop and weed segmentation based on digital images
Anitha et al. Disease Prediction in Coconut Leaves using Deep Learning
CN110135481B (zh) 一种农作物病变检测方法以及检测装置
Panwar et al. Imaging system for classification of local flora of uttarakhand region
Qiongyan et al. Study on spike detection of cereal plants
Bangun et al. Morphological feature extraction of Jabon’s leaf seedling pathogen using microscopic image
Hung et al. Quantifying color and textural patterns of petals and studying their association with pollinators: using genus Sinningia (GESNERIACEAE) as an example

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