CN112529838A - 一种基于图像处理技术的烟叶成熟度在线判别方法 - Google Patents

一种基于图像处理技术的烟叶成熟度在线判别方法 Download PDF

Info

Publication number
CN112529838A
CN112529838A CN202011222005.0A CN202011222005A CN112529838A CN 112529838 A CN112529838 A CN 112529838A CN 202011222005 A CN202011222005 A CN 202011222005A CN 112529838 A CN112529838 A CN 112529838A
Authority
CN
China
Prior art keywords
tobacco
maturity
image
processing technology
tobacco leaves
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
Application number
CN202011222005.0A
Other languages
English (en)
Inventor
陈颐
陈辉
蔺忠龙
邹聪明
杨睿
姜永雷
何聪莲
赵高坤
苏家恩
胡彬彬
宾俊
丁梦娇
范志勇
李文标
胡小东
王文伦
汪华国
王涛
冀新威
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.)
Yunnan Academy of Tobacco Agricultural Sciences
Original Assignee
Yunnan Academy of Tobacco Agricultural Sciences
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 Yunnan Academy of Tobacco Agricultural Sciences filed Critical Yunnan Academy of Tobacco Agricultural Sciences
Priority to CN202011222005.0A priority Critical patent/CN112529838A/zh
Publication of CN112529838A publication Critical patent/CN112529838A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • 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
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T7/13—Edge detection
    • 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
    • G06T2207/10—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]
    • 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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像处理技术的烟叶成熟度在线判别方法，包括以下步骤：1）对成熟期烟株的下部/中部/上部不同成熟度的烟叶进行图像采集；2）对采集的图像在线进行预处理以对图像进行滤波降噪及边缘、轮廓提取；3）对预处理后的图像在线进行特征值提取；4）利用这些特征值的均值和标准差作为支持向量机的输入建立网络端多分类模型，并最终确定烟叶成熟度等级。本发明方法能够实现在采摘之前在线识别烟叶成熟度，不需要（携带）昂贵的设备，只需使用手机或相机对烟叶进行图像采集，即可在线对图像进行成熟度分析判定，对用户的专业能力要求不高；本发明保证了在每片叶子在采收之前的成熟度结果准确预判，提高了效率，节约了劳动资源。

Description

一种基于图像处理技术的烟叶成熟度在线判别方法
技术领域
本发明属于烟叶外观质量评价技术领域，具体涉及一种基于图像处理技术的烟叶成熟度在线判别方法。
背景技术
烟叶成熟度是指烟叶成熟的程度，它包含两个方面：一是指在充足的营养条件下，烟叶生长发育达到成熟的程度，即田间鲜叶成熟度。二是指采收成熟的烟叶，经过调制后达到成熟的程度。烟叶成熟时，其外观特征和生理特性，表现出不同的特点，这是判断烟叶成熟度与否的标准，通常划分为欠熟、假熟、适熟、完熟、过熟。目前，国内外在烟叶成熟采收时所采用的方法不尽相同。日本采用比色卡比色的方法；津巴布韦根据烟叶成熟时彩色图片颜色、烤房试验及抽屉试验的量化指标来判断烤烟成熟度；美国则通过提前1周采摘烟叶样品进行化学成分分析，以此来判断烟叶是否成熟；也曾有人提出用烤烟叶片电导率诊断法来判断烟叶成熟度。在国内烤烟生产上，主要采用叶片外观特征结合叶龄的方法，如根据不同成熟度烟叶的外观特征，茎叶夹角、适熟烟叶采收叶龄来判别烤烟的成熟度。但运用传统的目测(触摸)方法过于笼统和抽象，在应用时存在经验性、主观性及含糊性问题，无统一判断标准，在实际操作中也很难掌握。近几年，随着光电技术的发展，色差计、光谱仪等设备被用于烟叶成熟度数据的采集，使用光谱技术结合化学计量学方法来量化研究烟叶成熟度的应用不断被报道。但这种操作不断需要(携带)昂贵的设备、对用户的专业能力要求也大大提高且缺乏时效性，同时检测时会对烟叶造成一定的损伤，从而导致该类技术无法广泛推广。
针对目前国内外的烟叶成熟度检测技术尚无一种田间快速、便捷、实用性强的技术方法，因此研究一种快速、便捷的烟叶成熟度在线判别方法是极其重要的。
发明内容
本发明的第一目的在于提供一种基于图像处理技术的烟叶成熟度在线判别方法，包括以下步骤：
1)对成熟期烟株的下部/中部/上部不同成熟度的烟叶进行图像采集并上传至网络数据库；
2)对采集的图像在线进行预处理以对图像进行滤波降噪及边缘、轮廓提取；
3)对预处理后的图像在线进行特征值提取；
4)利用这些特征值的均值和标准差作为支持向量机的输入建立网络端多分类模型，并最终确定烟叶成熟度等级。
本发明的有益效果：
1)本发明根据不同品种烟叶的外观形状通过对烟叶图像进行去噪、边缘提取、背景扣除后，结合烟叶特征提取(主要依据颜色特征)结果，利用已建立的多分类模型，快速判别烟叶成熟度结果，整个识别过程老法新用、巧妙的结合图像预处理的多种方法，实现了在线判别烟叶成熟度，大大提高了识别效率和准确度。本发明方法包含了烟叶的图像预处理(一维小波变换+自适应模糊聚类)、特征值提取(灰度共生矩阵+RGB范围限定)、网络端多分类模型建立(支撑向量机)巧妙的应用于本发明研究的3个烟草品种烟叶，结果识别精度高，各算法之间及相互独立又相辅相成，除SVM方法需要输入参数外，其他算法无需参数输入，大大提高了分析结果的客观性，且SVM方法参数经过大量样本优化而得，其可在相应参数±5％的偏差范围内适当调整，提高了分析结果的准确度。
2)本发明方法能够实现在采摘之前在线识别烟叶成熟度，不需要(携带)昂贵的设备，只需使用手机或相机对烟叶进行图像采集，即可在线对图像进行成熟度分析判定，对用户的专业能力要求不高；本发明保证了在每片叶子在采收之前的成熟度结果准确预判，而不是采摘之后的质量理化分析，不仅能提高效率，节约劳动资源，而且克服了人工采收成熟判别不清晰的缺点；
3)本发明烟叶成熟度在线判别方法，在烟叶生产收购工作中，延续了烟叶“提质增效”工程，确保烤烟产业健康、稳定、持续发展。同时给收购工作中在对等级质量把关方面做了很好的示范作用，解决了依靠定级员经验、人工分级烟叶的主观性，大力消除工业企业和商业企业存在定级眼光不一致的问题，为烟叶采收创造了良好的环境。
4)本发明烟叶成熟度在线判别方法，突破了地域和品种的限制，个性化分类模型，高效实现了整块田野烟叶成熟度随机抽查采收。始终把烟农利益放在心上，杜绝了“人情烟、面子烟”，做到公平、公正收购烟叶，稳定烟叶收购等级。
具体实施方式
下面结合实施例对本发明作进一步的说明，但不以任何方式对本发明加以限制，基于本发明教导所作的任何变换或替换，均属于本发明的保护范围。
本发明一种基于图像处理技术的烟叶成熟度在线判别方法，包括以下步骤：
1)对成熟期烟株的下部/中部/上部不同成熟度的烟叶进行图像采集并上传至网络数据库；
2)对采集的图像在线进行预处理以对图像进行滤波降噪及边缘、轮廓提取；
3)对预处理后的图像在线进行特征值提取；
4)利用这些特征值的均值和标准差作为支持向量机的输入建立网络端多分类模型，并最终确定烟叶成熟度等级。以特征值均值和标准差进行建模可以有效的剔除异常烟叶对建模的影响。
所述图像的预处理采用小波变换方法对烟叶图像滤波降噪，采用自适应模糊C-均值聚类算法进行烟叶边缘以及轮廓提取。
所述步骤3中，采用灰度共生矩阵进行特征值提取。
所述特征值为烟叶图像的RGB、HSV以及纹理特征，所述纹理的特征包括纹理的纹理惯性、纹理能量、纹理熵和纹理相关性。
在采用灰度共生矩阵建模计算时，考虑到烟叶成熟的实际特征(深绿→浅绿→黄绿→浅黄→深黄)，在建模计算时，通过限定RGB取值范围[0/100/0→···→128/128/0]，剔除提取后的异常值，使模型预测结果更稳健。
惯性(CON)的计算公式如下：
Figure BDA0002762378460000041
能量(ASM)的计算公式如下：
Figure BDA0002762378460000042
熵(ENT)的计算公式如下：
Figure BDA0002762378460000043
相关性的计算公式如下：
Figure BDA0002762378460000044
所述烟叶为无病害烟叶。
采集的烟叶的图像像素不小于600*800。
所述支持向量机的决策函数采用的参数为(c_svc，linear,rho 17.363,-39.238,-68.126,-83.344,-191.902,34.962,probA-1.06,-0.865,-0.840,-0.752,-0.974,-0.953；probB-0.096,-0.366,-0.218,-0.0278,0.003,-0.020)，所述参数可在±5％的偏差范围内调整。
本发明SVM多分类模型策略是：首先选择一非线性映射Ψ把n维样本向量从原空间映射到特征空间，在此高维特征空间中构造最优线性决策函数，在构造最优决策函数时，利用了结构风险最小化原则，同时引入了间隔的概念，并巧妙地运用原空间的核函数取代了高维特征空间的点积运算，避免了复杂运算。在本模型中，对于五分类问题选择一对一法进行分类，即对任意两个类别之间构造一个决策函数。在这种情况下，五分类问题就有10个决策函数。同时，支持向量即为构造决策函数时所依赖的向量，并且每一类均有自己的支持向量，且个数不一定相同。综合以上情况，列出建模后每个模型的：支持向量总个数、每个类中支持向量个数、每个类的具体支持向量，以及决策函数中常数项b。
本发明采样间接法实现多分类，主要通过组合多个二分类器实现对多分类器的构造，常见的构造方法有“一对一”和“一对多”两种。
其中“一对一”方法需要对n类训练数据两两组合，构建n(n-1)/2个支持向量机，每个支持向量机训练两种不同类别的数据，最后分类的时候采取“投票”的方式决定分类结果。
“一对多”方法对n分类问题构建n个支持向量机，每个支持向量机负责区分本类数据和非本类数据。该分类器为每个类构造一个支持向量机，第k个支持向量机在第k类和其余n-1个类之间构造一个超平面，最后结果由输出离分界面距离wx+b最大的那个支持向量机决定。
训练时依次把某个类别的样本归为一类(如欠熟),其他剩余的样本归为另一类(假熟、成熟、过熟)，这样k个类别的样本就构造出了k个SVM。分类时将未知样本分类为具有最大分类函数值的那类。
本研究包括四类样本(也就是4个Label)，他们是M1,M2,M3,M4。于是在抽取训练集的时候，分别抽取
(1)M1所对应的向量作为正集，M2,M3,M4所对应的向量作为负集；
(2)M2所对应的向量作为正集，M1,M3,M4所对应的向量作为负集；
(3)M3所对应的向量作为正集，M1,M2,M4所对应的向量作为负集；
(4)M4所对应的向量作为正集，M1,M2,M3所对应的向量作为负集；
使用这四个训练集分别进行训练，然后得到四个训练结果文件。在测试的时候，把对应的测试向量分别利用这四个训练结果文件进行测试。最后每个测试都有一个结果f1(x),f2(x),f3(x),f4(x)。于是最终的结果便是这四个值中最大的一个作为分类结果。
本支持向量机SVM参数设置及参数范围如下：采样C_SVC类型，线性核函数，param.cache_size＝100；param.eps＝0.00001；param.C＝1.9；param.probability＝1；
实施例1
在玉溪江川区九溪镇进行田间烟叶成熟度测定实验，所测定的烟草品种为K326。
在烟叶进入成熟期后，随机采收包含各个部位各个成熟度的无病害烟叶80片，将采收的烟叶进行编码并张贴标签；打开手机拍照功能，将烟叶平放在地上拍照，拍照完毕后，补全烟叶基本信息(地理位置、品种、部位等)，其中烟叶图像图像像素在600*800及以上；将烟叶图像上传到网络数据库，进行在线分析处理：首先采用小波变换方法对烟叶图像滤波降噪后，采用自适应模糊C-均值聚类算法进行烟叶边缘以及轮廓提取，再通过灰度共生矩阵对烟叶图像的RGB、HSV、纹理的惯性、能量、熵和相关性等特征值进行提取，以上述特征值的均值及方差作为终值。将这20个值将上述输入至支持向量机多分类模型中，确定烟叶的成熟度。
实验结果如表1所示。结果显示：与烤烟分级专家的判别结果比较，本方法对烟叶成熟度的判别准确率高达88％。
表1实施例1中各烟叶样品的检测结果
Figure BDA0002762378460000061
Figure BDA0002762378460000071
Figure BDA0002762378460000081
Figure BDA0002762378460000082
Figure BDA0002762378460000091
Figure BDA0002762378460000101

Claims (9)

1.一种基于图像处理技术的烟叶成熟度在线判别方法，其特征在于，包括以下步骤：
1）对成熟期烟株的下部/中部/上部不同成熟度的烟叶进行图像采集并上传至网络数据库；
2）对采集的图像在线进行预处理以对图像进行滤波降噪及边缘、轮廓提取；
3）对预处理后的图像在线进行特征值提取；
4）利用这些特征值的均值和标准差作为支持向量机的输入建立网络端多分类模型，并最终确定烟叶成熟度等级。
2.根据权利要求1所述的基于图像处理技术的烟叶成熟度在线判别方法，其特征在于，所述图像的预处理采用小波变换方法对烟叶图像滤波降噪，采用自适应模糊C⁃均值聚类算法进行烟叶边缘以及轮廓提取。
3.根据权利要求1所述的基于图像处理技术的烟叶成熟度在线判别方法，其特征在于，所述步骤3中，采用灰度共生矩阵进行特征值提取。
4.根据权利要求1或2所述的基于图像处理技术的烟叶成熟度在线判别方法，其特征在于，所述特征值为烟叶图像的RGB、HSV以及纹理特征，所述纹理的特征包括纹理的惯性、能量、熵和相关性。
5.根据权利要求4所述的基于图像处理技术的烟叶成熟度在线判别方法，其特征在于，在采用灰度共生矩阵建模计算时，RGB的取值范围限定为[0/100/0→···→128/128/0]，剔除提取后的异常值。
6.根据权利要求1所述的基于图像处理技术的烟叶成熟度在线判别方法，其特征在于，所述烟叶为无病害烟叶。
7.根据权利要求1所述的基于图像处理技术的烟叶成熟度在线判别方法，其特征在于，采集的烟叶的图像像素不小于600*800。
8.根据权利要求1所述的基于图像处理技术的烟叶成熟度在线判别方法，其特征在于，所述支持向量机的决策函数采用的参数为（c_svc，linear, rho 17.363, -39.238, -68.126, -83.344, -191.902, 34.962, probA -1.06, -0.865, -0.840, -0.752, -0.974, -0.953; probB -0.096, -0.366, -0.218, -0.0278, 0.003, -0.020），所述参数可在±5%的偏差范围内调整。
9.权利要求1所述烟叶成熟度在线判别方法的应用，其特征在于，所述方法应用于烤烟品种K326、红花大金元、云烟87烟叶成熟度的判别。
CN202011222005.0A 2020-11-05 2020-11-05 一种基于图像处理技术的烟叶成熟度在线判别方法 Pending CN112529838A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011222005.0A CN112529838A (zh) 2020-11-05 2020-11-05 一种基于图像处理技术的烟叶成熟度在线判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011222005.0A CN112529838A (zh) 2020-11-05 2020-11-05 一种基于图像处理技术的烟叶成熟度在线判别方法

Publications (1)

Publication Number Publication Date
CN112529838A true CN112529838A (zh) 2021-03-19

Family

ID=74980719

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011222005.0A Pending CN112529838A (zh) 2020-11-05 2020-11-05 一种基于图像处理技术的烟叶成熟度在线判别方法

Country Status (1)

Country Link
CN (1) CN112529838A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114609135A (zh) * 2022-02-24 2022-06-10 河南中烟工业有限责任公司 基于bp神经网络的烤烟烟叶田间成熟度手机智能判别方法
CN114609134A (zh) * 2022-02-24 2022-06-10 河南中烟工业有限责任公司 基于线性判别的烤烟烟叶田间成熟度手机智能判别方法
CN116597238A (zh) * 2023-07-18 2023-08-15 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) 一种大田环境下鲜烟叶成熟度判别方法、介质及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102590211A (zh) * 2011-01-11 2012-07-18 郑州大学 利用光谱和图像特征进行烟叶分级的方法
CN108198176A (zh) * 2017-12-29 2018-06-22 贵州省烟草公司毕节市公司 一种基于图像分析烟草成熟度的判别方法
CN110705655A (zh) * 2019-11-05 2020-01-17 云南省烟草农业科学研究院 一种基于光谱和机器视觉耦合的烟叶分类方法
CN111274860A (zh) * 2019-11-08 2020-06-12 杭州安脉盛智能技术有限公司 一种基于机器视觉的在线自动烟叶等级分选的识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102590211A (zh) * 2011-01-11 2012-07-18 郑州大学 利用光谱和图像特征进行烟叶分级的方法
CN108198176A (zh) * 2017-12-29 2018-06-22 贵州省烟草公司毕节市公司 一种基于图像分析烟草成熟度的判别方法
CN110705655A (zh) * 2019-11-05 2020-01-17 云南省烟草农业科学研究院 一种基于光谱和机器视觉耦合的烟叶分类方法
CN111274860A (zh) * 2019-11-08 2020-06-12 杭州安脉盛智能技术有限公司 一种基于机器视觉的在线自动烟叶等级分选的识别方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114609135A (zh) * 2022-02-24 2022-06-10 河南中烟工业有限责任公司 基于bp神经网络的烤烟烟叶田间成熟度手机智能判别方法
CN114609134A (zh) * 2022-02-24 2022-06-10 河南中烟工业有限责任公司 基于线性判别的烤烟烟叶田间成熟度手机智能判别方法
CN116597238A (zh) * 2023-07-18 2023-08-15 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) 一种大田环境下鲜烟叶成熟度判别方法、介质及系统
CN116597238B (zh) * 2023-07-18 2023-09-19 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) 一种大田环境下鲜烟叶成熟度判别方法、介质及系统

Similar Documents

Publication Publication Date Title
Liu et al. A detection method for apple fruits based on color and shape features
Pinto et al. Classification of Green coffee bean images basec on defect types using convolutional neural network (CNN)
CN112529838A (zh) 一种基于图像处理技术的烟叶成熟度在线判别方法
Tripathi et al. Recent machine learning based approaches for disease detection and classification of agricultural products
CN110705655A (zh) 一种基于光谱和机器视觉耦合的烟叶分类方法
CN107464035A (zh) 中药材质量评定方法及系统
CN114862858B (zh) 基于集成学习的雪茄烟采收成熟度识别方法及系统
CN108311411A (zh) 一种冬虫夏草智能化分拣系统及其使用方法
CN108198176A (zh) 一种基于图像分析烟草成熟度的判别方法
Ji et al. In-field automatic detection of maize tassels using computer vision
Militante Fruit grading of garcinia binucao (Batuan) using image processing
CN111199192A (zh) 一种采用平行线取样的田间红提葡萄整体成熟度检测方法
Font et al. An image processing method for in-line nectarine variety verification based on the comparison of skin feature histogram vectors
CN116524224A (zh) 一种基于机器视觉的烤后烟叶类型检测方法及系统
CN103528967A (zh) 基于高光谱图像的过熟蓝靛果果实识别方法
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
CN112560896A (zh) 一种基于图像处理的水果品质筛选分类系统
Lin et al. Identification of pumpkin powdery mildew based on image processing PCA and machine learning
CN115587988A (zh) 基于数字图像处理的分辨烟叶成熟度高低的方法
CN114858984A (zh) 厚皮甜瓜种质资源商品性数据采集装置及采集与分析方法
Bhargava et al. Machine learning & computer vision-based optimum black tea fermentation detection
CN115601690B (zh) 一种基于智慧农业的食用菌环境检测方法
CN117152609A (zh) 一种农作物外形特征检测系统
CN115170542B (zh) 一种基于glcm特征提取的马铃薯早晚疫病分类模型构建方法
CN110118735B (zh) 一种检测香梨公母的高光谱成像检测方法及装置

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