CN112584757A - 用于植物的实时分类的系统、方法和计算机产品 - Google Patents
用于植物的实时分类的系统、方法和计算机产品 Download PDFInfo
- Publication number
- CN112584757A CN112584757A CN201980051879.3A CN201980051879A CN112584757A CN 112584757 A CN112584757 A CN 112584757A CN 201980051879 A CN201980051879 A CN 201980051879A CN 112584757 A CN112584757 A CN 112584757A
- Authority
- CN
- China
- Prior art keywords
- thermal
- plant
- tissue
- temperature
- location
- 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
- 238000000034 method Methods 0.000 title claims abstract description 123
- 238000012545 processing Methods 0.000 claims abstract description 53
- 238000001931 thermography Methods 0.000 claims description 90
- 238000010438 heat treatment Methods 0.000 claims description 77
- 230000006399 behavior Effects 0.000 claims description 48
- 230000008859 change Effects 0.000 claims description 47
- 238000001816 cooling Methods 0.000 claims description 41
- 238000004590 computer program Methods 0.000 claims description 40
- 238000010801 machine learning Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 16
- 238000002604 ultrasonography Methods 0.000 claims description 9
- 239000004065 semiconductor Substances 0.000 claims description 8
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 claims description 7
- 229910052753 mercury Inorganic materials 0.000 claims description 7
- 238000011282 treatment Methods 0.000 claims description 6
- 241000196324 Embryophyta Species 0.000 description 350
- 244000061456 Solanum tuberosum Species 0.000 description 53
- 235000002595 Solanum tuberosum Nutrition 0.000 description 53
- 201000010099 disease Diseases 0.000 description 34
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 34
- 235000012015 potatoes Nutrition 0.000 description 33
- 238000003384 imaging method Methods 0.000 description 29
- 230000008569 process Effects 0.000 description 28
- 230000012010 growth Effects 0.000 description 23
- 238000009826 distribution Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 13
- 230000005855 radiation Effects 0.000 description 13
- 230000036541 health Effects 0.000 description 12
- 230000014509 gene expression Effects 0.000 description 11
- 230000004044 response Effects 0.000 description 11
- 238000012546 transfer Methods 0.000 description 11
- 239000013598 vector Substances 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 9
- 238000009792 diffusion process Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000005286 illumination Methods 0.000 description 7
- 238000013145 classification model Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 241000220225 Malus Species 0.000 description 4
- 206010039509 Scab Diseases 0.000 description 4
- 230000004075 alteration Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000007635 classification algorithm Methods 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 4
- 230000002950 deficient Effects 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 208000015181 infectious disease Diseases 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000003094 perturbing effect Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000002826 coolant Substances 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 238000011065 in-situ storage Methods 0.000 description 3
- 230000035800 maturation Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000036962 time dependent Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000002679 ablation Methods 0.000 description 2
- 238000000540 analysis of variance Methods 0.000 description 2
- 235000021016 apples Nutrition 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 235000014443 Pyrus communis Nutrition 0.000 description 1
- 125000002015 acyclic group Chemical group 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 239000012809 cooling fluid Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000004879 dioscorea Nutrition 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 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
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000002277 temperature effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000000699 topical effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C2501/00—Sorting according to a characteristic or feature of the articles or material to be sorted
- B07C2501/009—Sorting of fruit
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37591—Plant characteristics
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/49—Nc machine tool, till multiple
- G05B2219/49219—Compensation temperature, thermal displacement
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Manufacturing & Machinery (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Radiation Pyrometers (AREA)
- Cultivation Of Plants (AREA)
Abstract
一种方法包括:接收植物的热数据序列,其中,所述序列在所述组织受到热扰动时在所述组织的至少一个位置处被采样,处理所述热数据以导出与每个所述组织位置相关联的热值,至少部分地基于所述处理,导出所述植物上的至少一个位置处的至少一个热变量,计算与每个所述组织位置相关联的所有所述热变量的方差值,并基于所述方差值超过预定阈值的至少一个位置来确定所述植物的状态。本公开还包括用于植物的实时分类的系统和计算机产品。
Description
相关申请的交叉引用
本申请要求在2018年6月12日提交的题为“用于农产品的实时分类的系统、方法和计算机产品(A SYSTEM,METHOD AND COMPUTER PRODUCT FOR REAL TIME SORTING OFAGRICULTURAL PRODUCTS)”的美国临时专利申请号62/683,851的优先权的权益。
本申请涉及同一发明人的,以PCT公开号WO2015/159284公开的题为“使用主动热成像的癌症检测、诊断和治疗指导的装置和方法(A DEVICE AND METHOD FOR CANCERDETECTION,DIAGNOSIS AND TREATMENT GUIDANCE USING ACTIVE THERMAL IMAGING)”的国际专利申请号PCT/IL2015/050392。以上申请的内容全部通过引用并入,如同在本文中以其全部内容完整地阐述一样。
技术领域
在本发明的一些实施例中,本发明涉及热系统和方法,并且更具体地但不排他地涉及用于实时分类植物的热系统和方法。
背景技术
热成像法为通过传感器(例如,热像仪)检测从对象发出的热辐射诸如红外辐射的领域,该传感器将感测到的热辐射转换为图像(热像图)。热像图允许观察从被成像对象上方各个区域发出的热辐射的差异。
在没有外部热干预的情况下,从对象发出的热辐射(被动热成像法)可以高于或低于背景发出的热辐射。被动热成像法有很多应用,诸如针对背景的人员监视和医学诊断(特别是热学)。
与被动热成像法不同,能量源可以主动加热对象(主动热成像法)以在对象和背景之间产生热反差。主动热成像法用于被检查对象与周围环境保持平衡的情况。
直到近年来,植物都是通过手工分类的。现代分类系统通常包括彩色白图像相机以及计算机软件和硬件,以基于颜色、重量、大小以及内部和外部质量对植物进行分类或分级。
相关领域的前述示例和与其相关的限制旨在进行说明而不是排他性的。通过阅读说明书和研究附图,相关领域的其他限制对于本领域技术人员将变得显而易见。
发明内容
结合系统、工具和方法来描述和说明以下实施例及其方面,这些系统、工具和方法旨在为示例性和说明性的,而不是限制范围。
根据本发明的一些实施例的一个方面,提供了一种方法,该方法包括:接收植物的热数据序列,该序列在组织受到热扰动时在组织的至少一个位置处被采样,处理热数据以导出与每个组织位置相关联的热值,至少部分地基于该处理,导出该植物上的至少一个位置处的至少一个热变量,计算与每个位置相关联的所有热变量的方差值,并基于方差值超过预定阈值的至少一个位置来确定植物的状态。
根据一些实施例,导出包括至少部分地基于至少一个热变量来计算每个组织位置的一组热特征。在一些实施例中,从热成像、红外(IR)传感器、水银温度计、电阻温度计、热敏电阻、热电偶、基于半导体的温度传感器、高温计、气体温度计、激光温度计和超声波中的至少一者接收热数据。根据一些实施例,通过热成像接收热数据,并且其中,该位置包括图像的像素或体素。根据一些实施例,至少一个热变量进一步包括环境温度和热源温度中的至少一者。
根据一些实施例,热扰动包括以下至少一项:主动地实现组织的至少一部分中的温度从初始温度到最终温度的变化,主动地实现组织的至少一部分中的温度在指定的时间段内的变化,被动地允许组织的至少一部分中的温度从初始温度到最终温度的变化,并且被动地允许组织的至少一部分中的温度在指定的时间段内的变化。根据一些实施例,该方法包括基于至少一些热数据和热变量来提取一组特征,该特征从特征集合中选择,这些特征集合包括:代表变量的各种导出值的特征,代表变量中的噪声的特征,基于衰变方程的特征,基于傅立叶级数的特征以及基于特征方差的相关特征。
根据一些实施例,该方法进一步包括至少部分地基于使至少一个热变量与和多个植物状态相关联的热变量的预定义值相关来确定与每个位置相关联的植物的状态并且该相关进一步包括使所述特征相关。根据一些实施例,导出、计算和确定由在训练阶段在训练集上训练的机器学习分类器执行,该训练集包括:a)多个热数据序列,当组织受到热扰动时,每个热数据序列在组织的至少一个位置处被采样;b)与至少一个位置的状态或类型相关联的标签。根据一些实施例,进一步包括在推断阶段,将受过训练的机器学习分类器应用于在组织受到热扰动时在组织的一个位置处采样的至少一个目标热数据序列,以确定组织位置的状态或类型。
根据本发明的一些实施例的一个方面,提供了一种计算机程序产品,该计算机程序产品包括非暂时性计算机可读存储介质,该介质具有以其实现的程序代码,该程序代码可由至少一个硬件处理器执行以接收植物的热数据的序列,该序列在组织受到热扰动时在该组织的至少一个位置处被采样,处理热数据以导出与每个组织位置相关联关的热值,至少部分地基于该处理,导出该植物上的至少一个位置处的至少一个热变量,计算与每个位置相关联的所有热变量的方差值,并基于方差值超过预定阈值的至少一个位置来确定植物的状态。
根据一些实施例,至少一个热变量指示植物的状态。在一些实施例中,从热成像、红外(IR)传感器、水银温度计、电阻温度计、热敏电阻、热电偶、基于半导体的温度传感器、高温计、气体温度计、激光温度计和超声波中的至少一者接收热数据。根据一些实施例,通过热成像接收热数据,并且其中,该位置包括像素或体素。在一些实施例中,热扰动的组织包括主动或被动地实现组织的至少一部分上的温度从初始温度到最终温度的变化。
根据一些实施例,热扰动的组织包括在至少一个预定时间段内对组织的至少一部分进行温度改变。在一些实施例中,至少一个与组织相关的热变量包括影响植物细胞的热行为的至少一个固有植物热参数。根据一些实施例,程序被配置为基于至少一些热数据和热变量来计算一组特征。在一些实施例中,特征从特征集合中选择,这些特征集合包括:代表变量的各种导出值的特征,代表变量中的噪声的特征,基于衰变方程的特征,基于傅立叶级数的特征以及基于特征方差的相关特征。
在一些实施例中,确定该位置处的植物的状态进一步基于具有相应的一组特征的位置。在一些实施例中,导出包括至少部分地基于至少一个热变量来计算每个组织位置的一组热特征。
根据本发明的一些实施例的一个方面,提供了一种系统,包括:热传感器,该热传感器被配置为在组织受到热扰动时从组织上的至少一个位置处采样热数据的序列,以及处理器,该处理器被配置为:接收植物的热数据的序列,该序列在组织受到热扰动时在该组织的至少一个位置处被采样,处理热数据以导出与每个组织位置相关联的热值,至少部分地基于该处理,导出该植物上的至少一个位置处的至少一个热变量,计算与每个位置相关联的所有热变量的方差值,并基于方差值超过预定阈值的至少一个位置来确定植物的状态。
在一些实施例中,该系统包括指向植物表面并且被配置为主动加热或冷却组织的加热或冷却源。在一些实施例中,至少一个热变量指示植物的状态或类型。在一些实施例中,从热成像、红外(IR)传感器、水银温度计、电阻温度计、热敏电阻、热电偶、基于半导体的温度传感器、高温计、气体温度计、激光温度计和超声波中的至少一者接收热数据。在一些实施例中,通过热成像接收热数据,并且其中,该位置包括像素或体素。
在一些实施例中,热扰动的植物包括主动或被动地实现组织的至少一部分上的温度从初始温度到最终温度的变化。在一些实施例中,热扰动组织包括在至少一个预定时间段内对植物的至少一部分进行温度改变。在一些实施例中,至少一个与植物相关的热变量包括影响植物细胞的热行为的至少一个固有植物热参数。在一些实施例中,该系统包括基于至少一些热数据和热变量来计算一组特征。在一些实施例中,特征从特征集合中选择,这些特征集合包括:代表变量的各种导出值的特征,代表变量中的噪声的特征,基于衰变方程的特征,基于傅立叶级数的特征以及基于特征方差的相关特征。
在一些实施例中,系统处理器被配置为进一步基于具有相应的一组特征的位置来确定该位置处的植物的状态。
除了上述示例性方面和实施例之外,通过参考附图并通过研究以下详细描述,其他方面和实施例将变得显而易见。
附图说明
在附图中示出了示例性实施例。在附图中示出的部件和特征的尺寸通常是为了表示的方便和清楚而选择的,并且不一定按比例示出。这些附图在下面列出。
图1为根据本发明的一些实施例的用于实时植物的热成像系统的简化图;
图2为根据本发明的一些实施例的用于实时植物的热成像系统的简化图;
图3为根据本发明的一些实施例的用于实时植物的热成像系统的简化图;
图4为根据本发明的一些实施例的用于实时植物的热成像系统的简化图;
图5A和5B为根据本发明的一些实施例的与加热的植物的生物热行为相关联的热曲线的曲线图;
图6为根据本发明的一些实施例的与加热的植物的生物热行为相关联的热曲线的曲线图;
图7为根据本发明的一些实施例的与加热的植物的生物热行为相关联的热曲线的曲线图;
图8A、8B和8C为根据本发明的一些实施例的峰值温度点的曲线分析;
图9为示出根据本发明的一些实施例的热成像系统处理器的操作的示例性简化流程图;
图10A、10B和10C为根据本发明的一些实施例的在移动或暂停的分类路径上的马铃薯块茎的示例性屏幕热图像;
图11A、11B和11C为根据本发明的一些实施例的比较健康马铃薯和非健康马铃薯的热图像;
图12A为农产品的一部分上的热分布的简化平面图;以及
图12B为根据本发明的一些实施例的在植物的该部分内的植物热行为的热图;
图13为根据本发明的一些实施例的在植物的一部分上的热分布的简化平面图;
图14为示出根据本发明的一些实施例的热成像系统处理器的操作的示例性简化流程图;
图15A和15B为根据本发明的一些实施例的与加热的植物的生物热行为相关联的热曲线的曲线图;
图16为根据本发明的一些实施例的与加热的植物的生物热行为相关联的热曲线的曲线图;以及
图17A和17B为根据本发明的一些实施例的植物的一部分内部的热分布的简化截面图。
具体实施方式
在本发明的一些实施例中,本发明涉及热成像系统和方法,并且更具体地但不排他地涉及用于实时分类植物的热成像系统和方法。
根据本发明的一些实施例的一个方面,提供了一种用于植物的实时分类的方法。如本文所用,术语“植物”是指任何已知类型的植物,包括植物生长的产物,诸如水果、蔬菜、种子和花。
尽管可以通过许多感测装置(例如,红外(IR)传感器,水银温度计,电阻温度计,热敏电阻,热电偶,基于半导体的温度传感器,高温计,气体温度计,激光温度计和超声波)来采样植物的热数据,但为了清晰和简单起见,通过示例而非限制的方式,在下文中,基于从热成像接收到的数据计算出的热特性,证明了对植物上一个或多个位置的状态的确定。
在一些实施例中,该方法包括基于农产品的至少一部分的状态对植物进行实时分类。在一些实施例中,该方法包括植物的实时分类。
根据本发明的一些实施例的一个方面,提供了一种用于至少部分地基于从一个或多个热图像计算出的热特性原位热成像识别一个或多个植物组织区域的健康状态的方法。在一些实施例中,该方法包括至少部分地基于从热成像计算出的热特性,对一个或多个植物组织区域的状态进行原位热成像确定。
根据本发明的一些实施例的一个方面,提供了一种用于区分健康和非健康植物组织的方法。在一些实施例中,至少部分地基于植物组织的温度变化,根据原位的植物组织状态确定区别。例如,在预定的第一时间段(例如从t0到t1)内,从基本温度实现植物组织的至少一部分的至少一个表面的温度变化(例如,加热),然后在第二时间段(例如从t1到t2)内,允许植物组织的温度被动返回(例如,冷却)到基本温度。如本文所用,术语“非健康状态”是指使植物不适于销售的植物组织的任何状态,例如患病和/或有瑕疵的植物。
在一些实施例中,在组合的第一时间段和第二时间段(t0到t2)期间,使用一个或多个合适的热成像装置,例如红外(IR)、近红外(NIR)、短波红外(SWIR)和/或另一成像装置,获得植物组织的至少一个表面的热图像序列,例如视频流。在一些实施例中,可以在时间段t1到t2的至少一部分期间获得附加图像和/或图像流。在一些实施例中,附加图像可以包括红绿蓝(RGB)图像,单色图像,紫外线(UV)图像,多光谱图像和/或高光谱图像。
在一些实施例中,图像数据被处理以提取与每个图像中的像素中的至少一个像素相关联的一个或多个值。在一些实施例中,可以在所有时段t0到t2的一部分上的时间点和/或作为时间序列提取值中的至少一个值。
在一些实施例中,可以将一个或多个值转换成一个或多个特征矢量,包括一个或多个时间相关的特征矢量。
在一些实施例中,可以将多个特征矢量与预定特征或与植物组织状态例如健康状态相关联的特征矢量进行比较。在一些实施例中,可以至少部分地基于该比较来确定植物组织的一个或多个区域的状态。
在一些实施例中,每个像素的一个或多个特征矢量被聚类为一个或多个聚类,指示这些聚类为被成像植物组织的植物组织状态(例如健康与非健康)的区域。在一些实施例中,被成像植物组织的健康状态与非健康状态之间的区别基于从单个像素获得的值。
在一些实施例中,本公开提供了指示热成像植物组织的一个或多个区域的状态的输出。在一些实施例中,该输出可以包括图像,该图像至少部分地基于与每个区域相关联的所识别的植物组织状态的包括一个或多个区域的图形表示。例如,在一些实施例中,可以标定每个区域的边界,和/或可以使用一种或多种颜色方案来呈现该区域的部分或全部。在一些实施例中,一个或多个区域可以包括与单个成像像素相对应的植物组织区域。在一些实施例中,图形表示可以被生成为热图像、RGB图像和/或另一和/或不同类型的图像。在一些实施例中,所识别的植物组织状态的边界被映射在植物组织状态分布图上。在一些实施例中,所识别的植物组织状态的边界以诸如例如直方图之类的图的形式被映射。
在一些实施例中,可以在包括与多个植物组织相关联的特征矢量集的数据集上训练机器学习分类器,其中,可以用存在于植物组织的几个区域中的一个或多个植物组织状态来标记训练数据集。在一些实施例中,本公开的训练分类器然后可以被应用于来自目标农产品的目标特征集,以确定目标植物组织中一个或多个生理或病理参数的存在。
在一些实施例中,主动改变植物组织的温度包括在成像时间段的至少一部分期间主动加热或主动冷却植物组织的一部分。
在一些实施例中,对获得的图像的每个像素执行处理。在一些实施例中,该处理包括为每个像素提取多个像素级值,其表示生理或病理参数的量化。
在一些实施例中,一种用于植物的实时分类的方法包括:接收植物的热数据序列,其中,该序列在组织受到热扰动时在组织的至少一个位置处被采样,处理热数据以导出与每个组织位置相关联的热值,至少部分地基于该处理,导出该植物上的至少一个位置处的至少一个热变量,计算与每个位置相关联的所有热变量的方差值,并基于方差值超过预定阈值的至少一个位置来确定植物的状态。
在一些实施例中,该方法包括至少部分地基于至少一个热变量来计算每个组织位置的一组热特征。在一些实施例中,该方法包括计算与每个位置相关联的所有热特征集合的方差值,并且基于方差值超过预定阈值的至少一个位置来确定植物的状态。
在一些实施例中,一种用于处理所获得的热图像的连续帧以用于基于植物组织状态的植物的实时分类的方法包括:在植物组织的至少一部分的时间段内获取热图像的序列。在一些实施例中,针对每个像素和/或测量点,从热图像中提取像素值,生成表示该段时间内植物组织细胞热特性的特征矢量,将具有相似特征的像素聚类并将像素聚类反映到被成像农产品中的相应区域上。在一些实施例中,该方法包括基于将该特征与植物组织状态的已知特征集进行比较来确定至少一个区域的植物组织状态。在一些实施例中,该方法包括生成输出,例如,一个或多个区域中植物组织状态的图形表示。在一些实施例中,该方法包括使用受过训练的机器学习分类器来分类每个区域中植物组织的状态。
在一些实施例中,该方法包括生成表示生理或病理参数在成像视场(FOV)内的植物组织的一部分上的分布的图。在一些实施例中,该方法包括处理像素级值的图上的分布,并识别值的聚类,每个聚类在同一像素值范围内并且将所识别的值与特定植物组织类型相关联。在一些实施例中,热图像中共享相同数值的像素聚类与特定植物组织细胞类型的相应聚类相关联。
在一些实施例中,像素级值的分布处理基于所计算的像素级值之间的方差的计算。
在一些实施例中,所生成的输出,例如,一个或多个区域中植物组织状态的图形表示,提供有关与农产品的完整性或健康状态相关联的一个或多个生理参数的信息。在一些实施例中,在农产品运动期间获得热图像帧。在一些实施例中,在不停止农产品运动的情况下获得热图像帧。
根据本发明的一些实施例,该方法包括在一段时间内改变植物的温度。在一些实施例中,该方法包括主动改变农产品的温度。在一些实施例中,该方法包括在成像时间段之前改变植物的温度。在一些实施例中,植物温度的主动改变包括在成像时间段的至少一部分期间主动加热或主动冷却植物。在一些实施例中,植物温度的主动改变包括在成像时间段的至少一部分之前和/或期间主动加热或主动冷却植物。在一些实施例中,植物温度的主动改变包括在成像时间段的至少一部分之前和/或期间,主动冷却然后主动加热植物。在一些实施例中,植物温度的主动改变包括在成像时间段的至少一部分之前和/或期间,主动加热然后主动冷却植物。在一些实施例中,主动改变植物的温度包括在成像时间段的至少一部分期间(例如,t0-t1)主动加热,随后在成像时间段的至少一部分期间(例如,t1-t2)主动冷却植物。在一些实施例中,主动冷却的成像时间段(例如,t1-t2)紧随主动加热的成像时间段(例如,t0-t1)。
根据本发明的一些实施例,获得热图像帧的一个或多个时间或时间段(持续时间)包括主动温度改变前时间段、在主动温度改变期间的时间段和后温度改变时间段。在一些实施例中,在植物温度达到峰值的时间获得一个或多个热图像帧。在一些实施例中,在植物在所生成的输出中表现出随时间快速变化的时间处获得一个或多个热图像帧,该输出指示快速图像变化(RIC)的点。
在一些实施例中,热图像帧被叠加在与热图像帧同时获得的一个或多个数字白色图像帧上。
根据本发明的一些实施例的一个方面,该方法包括获得在3D相机的FOV内的植物的3D图像,以及处理从所述3D图像接收到的3D数字数据。在一些实施例中,获得的3D数字数据包括关于被成像植物的热成像仪的FOV内的一种或多种植物的数量、大小和位置的信息。
根据本发明的一些实施例的一个方面,提供了一种用于区分健康和非健康(非健康和/或瘀伤)植物的方法。在一些实施例中,该方法包括获得从农产品发出的热图案的视场(FOV)内的植物的热图像。在一些实施例中,该方法包括在设定的时间段内主动改变植物的至少一部分的温度。在一些实施例中,该方法包括主动加热或主动冷却农产品的至少一部分。在一些实施例中,该方法包括在设定的时间段内获得热图像(帧)。在一些实施例中,该方法包括处理热图像的连续帧,并提取关于在设定的时间段内热图案的一个或多个变化的信息。
在一些实施例中,对获得的图像内的每个植物执行处理。在一些实施例中,该方法包括基于所生成的表示在一段时间内的植物组织细胞热特性的特征矢量,为每个植物生成表示在设定的时间段内植物的热图像变化的图。在一些实施例中,该方法包括对来自一种或多种植物的曲线进行比较处理,并识别具有与农产品的健康状态相关联的相似曲线图案的植物组。
在一些实施例中,该方法包括主动加热植物并允许植物被动冷却。在一些实施例中,在主动加热和被动冷却时段的期间获得的成像帧的处理(如本文中其他地方更详细地说明的)由具有生长部分、峰值和衰变部分的曲线表示。在一些实施例中,热成像系统包括处理器和计算机程序产品,该计算机程序产品被配置为仅对所得曲线的生长部分执行比较处理。在一些实施例中,仅对所得曲线的衰变部分执行比较处理。在一些实施例中,处理器的计算机程序产品被配置为仅在所得曲线的生长部分和衰变部分的交汇点处对曲线峰值温度执行比较处理。
可替代地,并且可选地,在一些实施例中,该方法包括主动冷却植物并允许植物被动地预热。在一些实施例中,在主动冷却和被动预热时段的期间获得的成像帧的处理由具有衰变部分、谷点(最小点)和生长部分的曲线表示。在一些实施例中,热成像系统包括处理器和计算机程序产品,该计算机程序产品被配置为仅对所得曲线的生长部分执行比较处理。在一些实施例中,仅对所得曲线的衰变部分执行比较处理。在一些实施例中,处理器的计算机程序产品被配置为仅在所得曲线的生长部分和衰变部分的交汇点处对曲线谷(最低温度)执行比较处理。
在一些实施例中,该方法包括逐步主动地加热或冷却农产品的一部分。在一些实施例中,该方法包括在设定的时间段内获得热图像(帧)。在一些实施例中,该方法包括处理在每个主动加热或冷却增量期间获得的图像的连续帧,以及提取与一个或多个与农产品的健康状态相关联的生理参数中的加热增量内的变化有关的信息。
根据本发明的一些实施例的一个方面,提供了一种用于区分健康和非健康植物的方法。在一些实施例中,该方法包括主动加热农产品。在一些实施例中,加热植物包括向农产品施加加热能量(例如,红外光)。
在一些实施例中,该方法包括处理在一段时间内获得的图像的连续帧,并提取关于在设定的时间段期间被加热植物的热扩散速率的信息。在一些实施例中,处理在设定的时间段内获得的图像的连续帧包括将与植物中的热扩散速率有关的信息与和农产品的健康状态相关联的一个或多个参数相关联。在一些实施例中,该方法包括识别在与农产品的健康状态相关联的给定范围内共享扩散率的像素组。
根据本发明的一些实施例的一个方面,提供了一种用于区分健康和非健康植物的方法。在一些实施例中,该方法包括将植物加热第一预定时间段(例如,t0-t1)。在一些实施例中,在加热之后立即主动地冷却植物达第二预定时间段(例如,t1-t2)。在一些实施例中,冷却植物包括向农产品施加冷却能量(例如,喷雾或接触冷却剂)。在一些实施例中,该方法包括在设定的时间段内获得在FOV内的植物的至少一部分的热图像。
在一些实施例中,该方法包括处理在一段时间内获得的热图像(帧)的连续帧,以及提取关于在预定时间段期间在植物的表面上和/或植物内的热扩散速率的信息。在一些实施例中,处理在预定时间段内获得的图像的连续帧包括将关于植物中的热扩散速率的信息与农产品的病害相关联。在一些实施例中,该方法包括识别在与农产品的健康状态相关联的给定范围内共享扩散率的植物组。
根据本发明的一些实施例的一个方面,提供了一种用于区分健康和非健康植物的方法。在一些实施例中,该方法包括加热农产品。在一些实施例中,加热植物包括将加热能量(例如,红外光)施加到农产品内的预定深度。在一些实施例中,该方法包括在设定的时间段内在植物表面与预定深度之间的各种深度处获得植物部分的热图像。
可替代地,并且可选地,在一些实施例中,用于区分健康植物和非健康植物的方法包括通过主动冷却农产品来加热植物。在一些实施例中,冷却植物包括将冷却能量(例如,喷雾或接触冷却剂)施加到农产品内的预定深度。在一些实施例中,该方法包括在设定的时间段内在植物表面与预定深度之间的各种深度处获得植物的该部分的热图像(帧)。
在一些实施例中,该方法包括处理在一段时间内在任何特定深度处获得的热图像的连续帧,并在设定的时间段期间提取关于在特定深度处遍及整个植物层的热扩散速率的信息。在一些实施例中,处理在设定的时间段内获得的图像的连续帧包括将与植物内的热扩散速率有关的信息与农产品的健康状态相关联。在一些实施例中,该方法包括识别在与农产品的健康状态相关联的给定范围内共享扩散率的体素组。
根据本发明的一些实施例的一个方面,提供了一种计算机程序产品,该计算机程序产品包括具有以其实现的程序代码的非暂时性计算机可读存储介质,该程序代码可由至少一个硬件处理器执行以分析视场(FOV)内植物的至少一部分的一个或多个热图像(帧)的热图案。
在一些实施例中,计算机程序产品可执行以根据从获得的图像的每个像素接收到的信息来计算热参数(例如,温度)。在一些实施例中,程序产品可执行以使用所计算的热参数进一步计算与农产品的生理参数相关联的数值。在一些实施例中,程序产品可执行以基于与农产品的生理参数相关联的所计算的数值来生成图。在一些实施例中,程序产品可执行以指示像素组,该像素组具有在与农产品的健康状态相关联的给定参数范围内与参数相关联的数值。
根据本发明的一些实施例的一个方面,提供了一种计算机程序产品,该计算机程序产品包括具有以其实现的程序代码的非暂时性计算机可读存储介质,该计算机程序产品可由至少一个硬件处理器执行以分析视场(FOV)内植物的一部分的热图像的热图案。
在一些实施例中,计算机程序产品可执行以分析热图案寄存器并计算在设定的时间段内从至少一个像素接收到的热参数(例如,温度)的变化。在一些实施例中,程序产品可执行以根据在设定的时间段内拍摄的多个图像像素帧计算热参数的变化。在一些实施例中,程序产品可执行以使用识别出的热参数来计算与农产品的健康状态相关联的数值。
在一些实施例中,程序产品可执行以基于所计算的与在设定的时间段内植物的生理参数的变化相关联的数值来生成曲线。在一些实施例中,程序产品可执行以指示具有相似曲线的像素组,该相似曲线指示在与特定植物病害类型相关联的给定范围内与参数相关联的数值的变化。
系统
现在参考图1。该图为用于实时植物的热成像系统的简化图。在一些实施例中,用于实时植物的热成像系统100包括热成像仪108,该热成像仪108在移动的分类路径106上对一个或多个主动加热或冷却的植物104成像。在图1所描绘的示例性实施例中,分类路径106包括传送带,然而在一些实施例中,分类路径106包括分类表、分类机或任何其他分类构造。在一些实施例中,热成像仪108在移动而不停止(例如,不停止分类线路或传送带)的分类路径上对一个或多个植物104成像。在一些实施例中,热成像仪108与处理器110通信。热成像系统100处理器110被配置为处理和分析由热成像仪108获得的热图像,并在例如显示器112上生成输出。
如图1所示,用于实时植物的热成像系统100包括指向要分析的植物104的加热/冷却源102。
在一些实施例中,主动加热可包括选自包括辐射、对流和传导的一组加热方法的一种或多种加热方法。热源102可以为例如任何合适的热源,例如美国圣何塞CA 95134的LED 公司制造的高辐射通量密度400nm紫罗兰色LED发射器LZP-D0UB00-00U5,或任何红外(IR)、射频(RF)、超声波(US),农产品上的流体流、加热管或其他载体等。
在一些实施例中,可以例如通过蒸发(例如,酒精喷雾)、局部冷却剂喷雾(氮气)、农产品上的冷却流体流、冷却管或其他载体、制冷等来施加主动冷却。
在一些实施例中并且如图1所示,系统100数字热成像仪108对从植物104发出的热辐射150成像。在一些实施例中,成像仪108为视频热成像仪,该视频热成像仪被配置为在设定的时间段内在热成像仪108的视场(FOV)155内生成从植物104获得的热图像的连续帧。在一些实施例中,热成像仪108包括数字显微镜热成像仪108。在一些实施例中,热成像仪108可以为任何合适的数字成像仪,诸如例如,美国新罕布什尔州03801的朴茨茅斯的公司的PI 450热红外摄像机。在一些实施例中,系统100包括可见光相机。在一些实施例中,数字成像仪108包括任何合适的热传感器,例如MRI、超声、热电偶或任何其他测量温度的传感器。
在一些实施例中并且如图1所示,系统100包括3D成像仪118,其被配置为对成像仪108的FOV 155内的植物成像并且将该3D图像数据传送到处理器110。在一些实施例中,获得的3D数字数据包括关于热成像仪108的FOV155内的植物的数量、大小和位置的信息。如本文中更详细地说明的,处理器110被配置为当处理从热成像仪118获得的被成像植物的热图像数据时,将从3D成像仪118获得的数据(例如,植物的FOV内的位置变化或FOV内的植物的相对大小)考虑在内,例如,以归一化从被成像植物的热成像仪118获得的热图像数据。
在一些实施例中,并且如本文其他地方更详细地说明的,系统100包括照明源114,该照明源将由处理器110识别为非健康(非健康和/或有瑕疵)的植物分开。在一些实施例中,并且如本文其他地方更详细地说明的,系统100包括消融能量源116,以物理地标记非健康的(非健康的和/或有瑕疵的)农产品。在一些实施例中,照明源114和消融能量源116从单个源(例如,激光)生成。
在一些实施例中,通过对分类路径106的表面155进行成像来校准成像仪108。在一些实施例中,表面155被裸露成像。在一些实施例中,表面155由具有已知热特性的材料制成,在这种情况下,根据查找表在线或离线地校准成像仪108。
在一些实施例中,并且如图2所示,图2为用于实时植物的热成像系统的简化图,系统100包括一个或多个成像阶段。在一些实施例中,一个或多个成像阶段实时地发生在沿着分类路径的不同位置处。在一些实施例中,一个或多个成像阶段发生在沿着分类路径的一个位置处。主动温度改变前时间(例如,加热前)阶段I,主动的温度改变(例如,主动加热)阶段II和后温度改变(例如,加热)时间阶段III。在图2所描绘的实施例中,植物104在阶段II被加热并且在阶段III允许被动地冷却。
在一些实施例中,一个或多个植物在被分类路径106沿箭头250所示的方向运送时经过阶段1、2和3。
在一些实施例中,一个或多个阶段I、II和/或III包括一个或多个3D成像仪118。处理器110被配置为在阶段I、II和/或III时从3D成像仪118获得3D图像数据并对其进行分析,并且当处理从热成像仪118获得的被成像植物的热图像数据时,考虑从3D成像仪118获得的数据,例如,在阶段之间的过渡期间,关于在分类路径106上的植物的运动(滚动)和位置变化的数据。
在一些实施例中,并且如图3所示,图3为用于实时植物的热成像系统的简化图,系统100包括一个或多个成像阶段。主动的温度改变前时间(例如,加热前)阶段I,主动的温度改变(例如,主动加热)阶段II和主动的温度改变(例如,主动冷却)时间阶段III。在一些实施例中,阶段III在主动加热停止之后立即或马上开始,并且可以提供例如加热后的主动或被动冷却。在一些实施例中,阶段III在到达最高温度(峰值点)之后立即开始。在图3所描绘的实施例中,植物104在阶段II被加热并且在阶段III被主动冷却。
现在参考图4,图4为用于在一个或多个阶段实时植物的热成像系统的简化图,系统100的热成像仪108和/或3D成像仪118被配置为与分类路径106同时移动并且以与分类路径106的速度对应的速度移动。在图4所描绘的示例性实施例中,处于阶段II的成像仪108/118与分类路径106同时移动,同时获得一个或多个图像或对植物104进行连续成像。如将在本文中更详细地说明的,这允许处理器110及时识别温度效应点(TEP),在该温度效应点,在热图像中出现瑕疵和表面缺陷。
从单个像素获得的热图像(帧)的处理
为了简化说明,下面的示例涉及IR数字成像仪。然而,如本文其他地方所说明的,可以使用任何其他合适的热成像仪。
在一些实施例中,数字热成像仪108包括一个或多个像素阵列。像素阵列对从被成像植物104发出的IR辐射作出反应。一个或多个像素对从在像素的FOVp内的被成像植物104的相应段(Sp)发出的IR辐射作出反应。在一些实施例中,热源102被配置为在设定的时间段内逐渐主动地加热植物104,在此之后停止主动加热并且允许植物进行被动冷却,在此期间植物温度返回到开始主动加热之前的温度。在整个加热和冷却时间段内,热成像仪108获得植物104的热成像的连续帧序列。
在一些实施例中,对获得的热图像的序列中的每个连续的热帧标记时间戳,因此在一段时间内获得的两个或更多个帧的序列提供了有关农产品的记录热参数的变化的信息。在一些实施例中,系统100处理器110被配置为分析记录的热参数并映射农产品的热变化行为。在一些实施例中,并且如本文其他地方更详细地说明的,处理器110被配置为基于被成像的农产品的热行为图来定义植物病害类型。
在一些实施例中,冷却源122被配置为在设定的时间段内主动冷却植物104,在该时间段之后,主动冷却被停止,并且允许植物被动地预热,在此期间植物温度返回到开始主动冷却之前的温度。在整个冷却和预热时间段内,热成像仪108获得植物104的热图像的连续帧序列。
再次参考图2中描绘的示例性实施例,在阶段II将植物104主动加热,并在阶段III允许其被动地冷却。可替代地,并且可选地,并且如图3所描绘的示例性实施例中所示,植物104在阶段II被主动加热,并且在阶段III被主动冷却。
在一些实施例中,对获得的热图像的序列中的每个连续的热帧标记时间戳,因此在一段时间内获得的两个或更多个帧的序列提供了有关农产品的记录热参数的变化的信息。在一些实施例中,系统100包括处理器110,该处理器110被配置为分析所记录的热参数并映射农产品的热行为。在一些实施例中,并且如本文其他地方更详细地说明的,处理器110被配置为基于被成像的农产品的热行为图来定义被成像的植物的植物类型。
在一些实施例中,热成像系统100处理器110包括非暂时性计算机可读存储介质,该非暂时性计算机可读存储介质具有以其实现的程序产品。该程序产品可由热成像系统100处理器110执行,以分析例如比较和映射植物部分的热图像的连续的带时间戳的帧之间的每个像素的差异。
热成像系统100处理器110被配置为根据每个帧的时间戳处理从针对FOVp的每个连续帧的每个像素接收到的电子信号,并生成指示在设定的时间段内从植物104的每个段Sp发出的IR辐射的变化的曲线图。
在一些实施例中,热成像系统100处理器110使用一种或多种算法,算法使用各种数学表达式来将获得的结果近似为从成像仪像素接收到的信号,并生成被成像的植物类型的精确映射。例如,这些数学表达式包括以下数学表达式,该数学表达式基于Pennes的生物热传递方程式:
T(t)=a+bect+dt
其中,(dt)可以通过时间进行归一化,变量(a)、(b)、(c)和(d)为从Pennes的生物传热方程导出的变量,该方程是广泛接受的生物植物的温度分布方程。变量(a)、(b)、(c)和(d)在本文中出于清楚和简单起见通过示例而非限制性的方式使用,并且可以包括任何数量的变量或变量的组合,并且可以为任何类型。例如,变量(a)、(b)、(c)和(d)可以为影响植物组织的热行为的外部参数中的至少任何一种,例如环境温度,外部热源以及环境和对象之间的时间相关的热梯度和/或影响植物组织的热行为的固有植物参数(热参数),例如植物密度,热容,导热因子,传热系数和传热表面积(m2)。
在一些实施例中,可以至少部分地基于变量(例如,变量a,b,c和d)来计算多个特征,包括但不限于代表变量的各种导数值的特征,表示变量中噪声的特征,基于衰变方程的特征,基于傅立叶级数的特征以及基于特征方差的相关特征。
以下为基于Pennes方程导出的示例,该方程表示为:
在一些实施例中,采用以下假设:
a)横向贡献和/或热量生成可以忽略不计(代谢时间标度为1分钟[1]),因此得到以下表达式:
其中C为面积,(h)为传热系数,Tc为核心温度,以及
c)我们假设f(t)随时间缓慢变化。
根据公开的假设:
其中
Sid M.Becker的“Analytical Bioheat Transfer:Solution Development ofthe Pennes'Model(分析性生物传热:Pennes模型的解决方案开发)”第4章中的方程式(4.65)在极限4αt=l2;l->0下与该公式一致。
我们将T(t)表示为短时间的指数(例如,t可介于0到40秒之间,10到30秒之间,15到25秒之间或其间的任何秒数)。
在另一示例中并且在一些实施例中,变量(a)可以表示从被成像植物的主动加热/冷却到被动冷却或预热的转换点的初始条件,并且与时间无关。在一些实施例中,变量(b)和/或(c)表示植物生理参数的组合,诸如,例如密度(ρ)、比热(C)和热导率(K)。
如本文其他地方更详细地说明的,在一些实施例中,提取的变量(a)、(b)、(c)、(d)和其他贡献变量,一个或多个热图像的同一变量组或多个变量组连同一个数学表达式或多个数学表达式的组合由处理器110的计算机程序产品使用数据挖掘过程进行分析,例如从而对数据交叉引用、执行数据清理,以及生成图形式的指示和/或识别被成像植物区域内的各种植物病害类型的输出。
在一些实施例中,以下表达式用于没有内部热源(例如,完全成熟)的植物:
1.T(t)=a+be-ct
其中:
Ti为躯体的初始温度。
T∞为环境温度。
通常,在成熟之前采集植物,并在从田间到消费者的途中继续进行成熟生理过程。成熟过程会生成热量。在一些实施例中,以下表达式用于具有内部热源的植物:
1.T(t)=a+be-ct-dt
其中,(h)为对流因子(例如,热量从植物组织到空气的传递),因此取决于环境温度。
在一些实施例中,在处理期间,处理器110的计算机程序产品将基于每个获得的图像的生成的输出图与黄金标准进行比较,并选择以调整处理过程(例如,通过改变选择的变量,选择的数学计算组合),生成或不生成输出图。
图5A、5B、6、7、8A、8B、10A-10C、12B、15A、15B和16中的曲线图表示温度(T℃)随时间(t)的变化,以每秒图像帧数(FPS)表示。例如,在以25FPS的速率获得图像的情况下,每25帧代表一秒。
现在参考图5A和5B,图5A和5B为根据本发明的一些实施例的与加热的植物的生物热行为相关联的热曲线的曲线图。在图5A和5B所描绘的示例性实施例中,曲线500显示出指示健康块茎的热行为的热曲线,在这种情况下,为在主动加热(生长部分502)达到温度峰值506并允许被动地冷却(衰变部分504)期间的马铃薯。
尽管本文描述的示例涉及马铃薯,但是在一些实施例中,该方法包括对单一种类或类型的植物(例如马铃薯或苹果或橘子)进行实时分类。在一些实施例中,该方法包括对相同种类或类型和不同品种(马铃薯和山药,格兰尼史密斯苹果和红色美味苹果)的植物进行实时分类。在一些实施例中,该方法包括对各种种类或类型的混合物(例如,苹果和马铃薯,橘子和梨)的植物进行实时分类。
在一些实施例中,曲线500显示出基于在设定的时间段(t0至t1)内从植物104的每个成像Sp发出的IR辐射,植物的温度(T)相对于植物的区段(Sp)内的基本温度(Tb)的变化。在一些实施例中,曲线500表示响应于在设定的时间段(t0至t1)内的加热的植物的生物热行为,并且曲线500包括响应于加热的生长部分502,在冷却时间段(t1至t2)期间的衰变部分504和生长部分502与衰变部分504的交汇点(t1)处的峰值温度506。
如本文其他地方更详细地说明的,设定的时间段(t0至tn)不需要一定反映加热时段然后是冷却时段,并且可以细分为包括各种温度变化形态的时间段。
如同一发明人的国际专利申请号PCT/IL2015/050392中所述,各种类型的植物表现出由特定生长部分502、特定衰变部分504和特定曲线峰值温度506中的一个或多个表达的特定生物热行为。在一些实施例中,热成像系统100在整个时间段(t0至t2)内对植物成像,并根据每一帧的时间戳处理针对FOVp的每个连续帧从像素接收到的电子信号,并生成专门针对被成像农产品的生长部分502。类似地,在一些实施例中,热成像系统100根据每一帧的时间戳处理针对FOVp的每个连续帧从像素接收到的电子信号,并生成专门针对被成像农产品的衰变部分504。因此,热成像系统100可以组合特定生长部分502和衰变部分504,计算曲线部分502和504的交汇点,并生成表示峰值温度506在所生成的曲线500上的位置的数值。
如本文其他地方所公开的,在一些实施例中,经由系统100实施的方法包括在成像时间段(例如,t0至t1)的至少一部分期间主动改变植物的温度。在一些实施例中,获得的帧提供关于在成像时间段内植物生理参数的变化的信息。在一些实施例中,主动改变植物的温度包括在成像时间段的至少一部分期间主动加热或主动冷却植物的一部分。
在一些实施例中,如本文其他地方所说明的,可以从主动加热和主动冷却期间提取数据,从而提高处理器110的计算机程序产品输出的图的准确性。
为了简化说明,下面的示例仅涉及包括加热的方法实施例。然而,所有公开的方法实施例可以以相同的方式实现,以主动冷却代替主动加热。图5B示出了阶段编号I、II和III,在阶段编号I、II和III处获得了与被加热的植物的生物热行为相关联的热曲线的相应区段。
在图5B中的曲线500所描绘的示例性实施例中,阶段I包括没有温度变化生效的主动的温度变化/改变(加热)前时间段(稳态),阶段II包括由生长曲线部分502直到峰值506显示出的主动温度变化(加热)的时间段以及阶段III包括由热曲线500的衰变部分504表示的后温度变化(被动冷却)时间段。在一些实施例中,阶段III在植物温度峰值506之后立即开始。在一些实施例中,在植物温度达到峰值506的时间获得一个或多个热图像帧。在一些实施例中,在植物表现出快速温度变化的时间段处(快速图像变化(RIC)的点)获得一个或多个热图像帧。
现在参考图6,图6为根据本发明的一些实施例的与加热的植物的生物热行为相关联的热曲线的曲线图。在图6所描绘的示例性实施例中,曲线500显示出指示在主动加热(生长部分502)达到温度峰值506并允许被动地冷却(衰变部分504)期间的健康马铃薯的热行为的热曲线。
在一些实施例中,由热成像系统100处理器110生成的曲线600为块茎的热标记(在这种情况下为马铃薯,受马铃薯粉痂病(海绵状地下孢子菌(Wallr.)Lagerh.,f.sp.地下Tomlinson)感染)。通过比较图7中所示的热曲线500和600,可以很容易地理解健康马铃薯的热曲线(图5A和5B)和受感染的马铃薯(图6)之间的差异,图7为与根据本发明的一些实施例的与加热的植物的生物热行为相关联的热曲线图。
如图7所描绘的示例性实施例中所示,健康马铃薯(500)和受感染马铃薯(600)的热曲线重叠并绘制在相同的T/t坐标系上,以强调曲线图案的差异。例如,受感染马铃薯的基本温度(Tb’)低于健康马铃薯的基本温度(Tb)。然而,受感染马铃薯的峰值温度(506')高于健康马铃薯的峰值温度(506)。
还应注意,受感染马铃薯的热曲线(502')的生长部分比更早到达峰值温度506'的健康马铃薯(502)的热曲线的生长部分更陡(即,该马铃薯升温更快)。
通过比较沿每个样品的热图的生长部分或衰变部分在一个或多个温度下的到达时间,也可以注意到差异。例如,如图7所示,曲线500和600的衰变部分上的X标记在约31摄氏度的温度下的到达时间。被感染马铃薯的冷却速度比健康马铃薯的冷却速度更快,被感染马铃薯从T(0)到31摄氏度约为28秒(帧700),而健康马铃薯从T(0)到31摄氏度约为36秒(帧900)。因此,可以为健康植物建立热标记,并且与建立的健康标记的任何差异可以由处理器110标识为“非健康”(非健康和/或有瑕疵的)农产品。
此外,可以为多种农业病害建立热标记,并编译查找表,以便处理器110不仅生成区分“健康”或“非健康”(非健康和/或有瑕疵)植物(例如,马铃薯)的二元输出,而且也识别并指出使农产品患病的病害类型。
因此,热成像系统100可以将热行为曲线500和例如600识别为特定于不同的植物病害(例如,马铃薯粉痂病),因此可以用于指示所检查的农产品中是否存在不同的植物病害。
如本文其他地方所公开的,该差异沿整个热行为曲线呈现,因此能够仅处理曲线的部分,诸如能够仅处理生长部分502,能够仅处理衰变部分504,能够仅处理峰值温度506位置或其任何组合。
现在参考图8A、8B和8C,统称为图8,图8为根据本发明的一些实施例的通过在相同的T/t坐标系上绘制进行比较的峰值温度点506/406的图形处理。峰值温度点506和506′分别从热行为曲线500/600导出,并且峰值温度点406和406′为本文描述的曲线峰的示例,仅出于说明目的。如图8所示的示例性曲线图中所示,峰值温度506和506'之间的差异以温度和/或到达峰值温度的时间表示。然而,峰值温度406和406'之间的差异仅以温度表示,但峰值温度406和406'被显示为同时到达。热成像系统100处理器110被配置为识别峰值温度506/506'和406/406'的坐标中的差异,从而用于指示所检查的农产品中存在不同类型的植物病害。
在一些实施例中,如图8C所示,图8C为从两个像素P1和P2获得并通过在相同的T/t坐标系上绘制而比较的一对热行为曲线500和600的示例性实施例的部分750(在图7中示出),处理器110的计算机程序产品被配置为不仅比较以温度和/或到达峰值温度的时间表示的峰值温度506和506'之间的差异,而且还分析达到峰值的至少一部分的曲线(即,生长部分的曲线)和/或峰值之后的一部分的曲线(例如,衰变部分的曲线)的形状。
如本文其他地方所说明的,基于峰形处理,处理器110的计算机程序产品被配置为在生成的输出图上识别特定于在像素的FOVp内成像的植物病害类型的热标记,例如,通过识别特定于病害类型的热行为图案。
参考图5A-5B、6和7,在一些实施例中,热成像系统100处理器110从成像仪108的多个像素收集数据并且将计算结果分组,例如响应于加热的生长部分502,冷却期间的衰变部分504,在生长部分502和衰变部分504的交汇点处的峰值温度506和季节性噪声,并在显示紧密或相似轮廓的组之间定义截止线。
在一些实施例中,并且如图8B所示,图8B为通过在相同的T/t坐标系上绘制而比较的多个峰值温度点(例如506/406),该多个峰值温度点由热成像系统100处理器110分组并标识为早期峰值组(802-1、802-2、802-3和802-4),该早期峰值组在例如1000帧以下(例如,每秒25帧的成像速率并在四秒钟内成像1000帧)达到峰值,并如本文其他地方所述,基于热成像系统100处理器110生成的查找表标识为包含正常植物,以及后期峰值组(804-1、804-2、804-3和804-4),该后期峰值组在例如仅仅80秒内达到峰值,并基于查找表将其标识为包含非健康的农产品。
可替代地,并且可选地,在一些实施例中,处理器110的计算机程序产品被配置为将以温度和/或到达峰值温度的时间表示的峰值温度506和506'之间的差异与已知参考(例如,查找表)进行比较。
如图5A-5B、6和7所示,在一些实施例中,诸如峰值温度点506/506′的峰值温度点也可以被识别为特定植物病害类型的热标记。
在一些实施例中,并且如本文中其他地方所公开的,由热成像系统100处理器110生成并且例如在图5A-5B、6和7中示出的曲线图基于Pennes的生物热方程,其中变量(a)、(b)、(c)和(d)可以为以下变量中的至少任何一个,变量包括环境温度,外部热源,植物密度,热容量,导热系数,传热系数,传热表面积(m3),对象表面和内部的温度以及环境和对象之间随时间变化的热梯度。
植物病害类型表征
在一些实施例中,成像仪108的像素的热传感器阵列对植物104成像。在一些实施例中,植物104被预热。热传感器阵列中的每个像素都对像素FOVp中聚焦在其上的红外能量产生反应,并产生电子信号。热成像系统100处理器110从每个像素接收信号,并且对其进行数学计算,以创建对象上的表观温度梯度的图。在一些实施例中,为每个温度值分配不同的颜色。所得的颜色矩阵作为植物104的热图(温度分布图像)发送到热成像系统100处理器110的内存,并发送到系统显示器。
以下为上述用于区分植物病害类型的方法的示例。现在参考图9,图9为示出根据本发明的一些实施例的热成像系统100处理器110的操作的示例性简化流程图。如图9所示,在902处,热成像系统100处理器110被配置为基于从成像仪108像素阵列的一个或多个像素接收到的像素级值,从成像仪108获取来自植物104上的一个或多个位置的热像素级值的序列。在一些实施例中,并且如本文其他地方所说明的,热成像系统100处理器110在904处为每个像素值提取至少热变量(a)、(b)、(c)和(d)中的一个或多个。在一些实施例中,并且如本文其他地方所说明的,热变量(a)、(b)、(c)和(d)表示影响植物组织的热行为的植物组织参数(热参数)。在一些实施例中,热成像系统100处理器110例如以列表的形式在显示器112上显示至少变量(a)、(b)、(c)和(d)的计算值。
在906处,处理器110被配置为计算与每个位置相关联的所有热变量的方差值,并且在908处基于所计算的方差来确定植物健康状态。
可替代地,并且可选地,在910处,基于在906处提取的一个或多个变量,热成像系统100处理器110为每个像素生成特征。处理器110被配置为在912处基于至少变量(a)、(b)、(c)和(d)中的一个或多个变量从成像仪108的FOV内的多个像素的每个像素编译特征的一个或多个集合(集合(Fa),集合(Fb),集合(Fc)和集合(Fd)),并在914处为成像仪108的FOV内的至少变量(a)、(b)、(c)和(d)的在912处编译的特征集合(VFa,VFb,VFc和VFd)中的每个特征集合生成方差图。
如本文其他地方所说明的,来自一个或多个热图像的提取的热变量(a)、(b)、(c)、(d)和其他贡献变量,同一变量组或多个变量组连同一个数学表达式或多个数学表达式的组合由处理器110的计算机程序产品使用数据挖掘过程进行分析,例如从而对数据交叉引用、执行数据清理,以及生成图形式的指示和/或识别被成像植物成像区域内的各种植物健康状态和/或病害类型的输出。
在一些实施例中,在914处,成像仪108的FOV内的至少变量(a)、(b)、(c)和(d)的在912处编译的集合(VFa,VFb,VFc和VFd)的每个集合的方差图在916处按顺序显示在例如显示器112上,或者在918处以任何组合(例如,彼此叠加的一个或多个方差图)显示,或者在920处以任何组合并在成像仪108FOV的RGB图像上叠加,以根据基于预定金标准基准的查找表来识别非健康(非健康和/或有瑕疵)的植物,这提高了热图像处理过程的准确性。
在一些实施例中并且可选地并且如图9所示,热成像系统100处理器110在916处计算一个或多个数据集,例如,在908处生成的方差数据集(VFa,VFb,VFc和VFd)的横截面点,并在922处识别共享接近或相似的计算的横截面点的多个像素。在924处,热成像系统100处理器110生成与所识别的像素的位置相对应的图,从该图获得的值的处理导致最接近由预定金标准基准所定义的值的横截面点,并且在926处,热成像系统100处理器110可选地将在924处生成的图叠加在成像仪108FOV的RGB图像上,并且在928处将非健康和/或有瑕疵的植物104标定或识别给分类器。
在一些实施例中,由热成像系统100处理器110识别的一个或多个数据集(例如方差数据集(Va,Vb,Vc和Vd))的横截面点对应于方差数据集(Va,Vb,Vc和Vd)的重叠图中的同余区域。在一些实施例中,并且如本文其他地方所说明的,系统100包括照明植物114并标定非健康农产品的照明源114。可替代地,或附加地和可选地,在一些实施例中,系统100包括消融能量源116,以标记非健康的农产品。
现在参考图10A、10B和10C,统称为图10,其中图10A-10C分别描绘了根据本发明的一些实施例的在系统100显示器112上显示的移动或暂停的分类路径106上的马铃薯块茎1006的示例性屏幕热图像1000/1002/1004和成对的热图。
如图10所示,屏幕图像1002包括热图1025。在一些实施例中,系统100显示器112包括像素FOVp指示符1025,指示符1025勾勒了要检查的关注区域。在一些实施例中,处理器110形成指示健康和/或非健康植物的一个或多个指示符1004。在图10中,例如,像素FOVp指示符1025由表示移动或暂停的分类路径106上植物104的关注区域的框表示。在一些实施例中,指示符1025例如由操纵杆、计算机鼠标或类似的控制装置控制。在图10所示的示例性实施例中,像素FOVp指示符1025放置在包括一个或多个植物(马铃薯块茎)104的分类路径106的一段上。
图10示出了由处理器110的计算机程序产品基于所提取的变量(a)、(b)、(c)、(d)和其他贡献变量而生成的输出图,采用了本文中其他地方描述并用于如图10所示的生成的输出图的一种或多种数学表达式的组合。
在一些实施例中,一种用于实时植物的方法包括在预定的第一时间段(t0至t1)内从基本温度(Tb)主动改变植物的至少一部分的温度,随后停止实现温度改变并允许植物的温度在第二时间段(t1至t2)内被动返回至基本温度,同时在所述第一时间段和第二时间段(t0至t2)期间获得成像的农产品的多个数字热图像。
在图10所描绘的示例性实施例中,已经从三个时间点获得了马铃薯104的热图像:
在热曲线1050上所示的峰值温度点1056(t1)处或之后不久获得热图像1002。主动温度变化在峰值温度1056(t1)或稍早些时候终止。在曲线1050的衰变部分1054上超过峰值温度点1056(t1)的几秒(t2)处获得了热图像1004,并且在曲线1050的衰变部分1054下方距离(t2)约几秒(t3)处获得了热图像1006。在一些实施例中,例如,(t1)可以在距初始加热(t0)的10秒处,(t2)在距(t1)的10到50秒之间,而(t3)在距(t2)的50秒上。在一些实施例中,从一个或多个热图像1002/1004/1006获得的至少三个温度测量点足以外推热图1050的至少一部分。
在图10所描绘的示例性实施例中,热成像系统100处理器110在显示器112上显示由处理器110的计算机程序产品生成的输出图。在一些实施例中,所生成的输出图示出了至少变量(a)、(b)、(c)和(d)的计算出的值的方差,如本文其他地方更详细地说明的。附加地或可替代地,在一些实施例中,处理器110的计算机程序产品在例如(t1)、(t2)和(t3)处接收由成像仪108获得的热图像1002/1004/1006中包含的数据并从热图像数据外推热图1050。
在一些实施例中,并且如图10所示,处理器110的计算机程序产品被配置为通过例如显示指示符1025在显示器112上标定健康和/或非健康植物(马铃薯)104的热图像1002/1004/1006。在图10所描绘的示例性实施例中,指示符1025在成像仪108的FOV内标定并勾勒出健康的马铃薯。在一些实施例中,并且如本文其他地方所描述的,系统100包括照明源114,该照明源114被配置为对非健康的植物(例如马铃薯)进行标定。
在一些实施例中,植物的实时分类方法包括处理包含在与农产品的一个或多个生理参数相关联的多个图像中的热数据,将该数据与和一个或多个植物病害类型相关联的预定标记数据的数据库进行比较,并生成指示植物病害类型的识别和/或已感染该病害或有瑕疵的已识别植物的标定的输出。
在一些实施例中,识别植物病害类型包括以下一项或多项:跟踪热图像中包含的热数据中的一段时间内的变化,识别所述变化中的图案,以及将变化图案分类或分组为分类或组。接下来,将分类的图案与植物病害类型的标记图案进行比较,将每个分类与植物病害类型的预定标记图案的数据库相关联,并识别感染了病害类型的植物和/或将获得的热图像中的区域与所识别的植物病害类型相关联。
现在参考图11A、11B和11C,它们统称为图11,图11为根据本发明的一些实施例的比较健康马铃薯和非健康马铃薯的热图像。在图11中描绘的示例性实施例中,系统100显示器112的屏幕图像1100显示成像仪108FOV的帧,其显示沿着热曲线(例如,分别在图7中示出的曲线500和600)连续拍摄的健康和非健康马铃薯的热图像,该热图像表示健康和非健康马铃薯在设定的时间段内(例如,t0至t3)响应于主动加热和被动冷却的生物热行为。
在一些实施例中,屏幕图像数据表示由热成像系统100处理器110针对预定变量(a)、(b)、(c)和(d)计算的数值,如本文其他地方所述。在一些实施例中,热成像系统100处理器110被配置为列出成像仪108FOV中的每个预定变量(a)、(b)、(c)和(d)的计算数值之间的方差,以针对成像仪FOV内的预定变量(a)、(b)、(c)和(d)的每个隔离值显示生成的方差图,如本文其他地方所述。
在一些实施例中,并且如本文其他地方所说明的,将成像仪FOV内的预定变量(a)、(b)、(c)和(d)的每个隔离值的生成的方差图或其任何组合叠加在成像仪FOV内的预定变量(a)、(b)、(c)和(d)的每个隔离值的生成的方差图的RGB图像上,以便成像仪FOV内的预定变量(a)、(b)、(c)和(d)的每个隔离值的生成的方差图内的区域肉眼可识别。
在一些实施例中,本公开可以实现机器学习算法和/或技术,例如用于确定组织状态。在一些实施例中,在训练阶段,本公开的示例性机器学习分类器可以被配置为接收、获得和/或以其他方式已经接收或获得包括多个组织热参数、特征和/或关于多个受试者的变量的数据集。在一些实施例中,这些热参数、特征和/或变量与本文其他地方充分详细描述的那些相同或基本相似。
在一些实施例中,预处理阶段可以包括数据准备。数据准备可以包括清理数据、转换数据和/或选择记录的子集。在一些实施例中,数据准备可以包括对数据执行预处理操作。例如,可以执行插补算法以生成缺失数据的值。可以执行上采样和/或预测秩变换(例如,用于变量选择)以适应数据中的类不平衡和非正态性。在一些实施例中,执行插补算法包括内插或估计缺失数据的值,诸如通过生成具有缺失数据的临床参数的可用数据的分布,并基于该分布内插缺失数据的值。
在一些实施例中,时间处理步骤可以被配置为使用例如傅立叶变换、多项式调整、衰变方程和/或各种统计工具来生成一个或多个参数、特征和/或变量的时间相关表示。在一些实施例中,时间处理步骤可以包括在时间段序列上自动和/或手动地组合从受试者获取的多个测量值,以确定和/或创建至少一个可以表示多个测量值随时间和/或时间序列变量变化的图案的组合参数和/或特征。
在一些实施例中,特征提取步骤可以被配置为例如基于数据集中的现有特征之间的关系来生成附加特征,并将附加特征添加到数据集中。
在一些实施例中,可以执行变量选择以例如从所获得的参数的集合中识别最相关的变量和预测因子。在一些实施例中,变量和/或变量选择可以包括执行被监督的机器学习算法,诸如基于约束的算法,基于约束的结构学习算法和/或基于约束的本地发现学习算法。在一些实施例中,可执行变量选择以识别训练数据中相对于训练数据中的其余变量具有期望的预测能力的变量的子集,从而使得能够使用基于所选择的变量生成的模型来进行更有效和准确的预测。在一些实施例中,使用机器学习算法来执行变量选择,例如,方差分析(ANOVA),诸如XGBoost的增效合集,生长收缩(“gs”),增量关联马尔可夫毯(“iamb”),快速增量关联(“快速,iamb”),最大-最小父与子(“mmpc”)或半交错的Hiton-PC(“si.hiton.pc”)算法。然而,此类机器学习算法的各种其他实现方式可以用于执行变量选择和本文所述的其他处理。在一些实施例中,变量选择可以搜索较小维度的变量集,该变量集寻求表示完整的变量集的基础分布,这试图增加对来自同一分布的其他数据集的通用性。
在一些实施例中,可以通过去除高度相关的变量来执行变量选择。可以使用几种算法来搜索具有排名预测因子的输入数据集,以找到最能代表与感染性并发症结果相关的所有变量的基础分布的精简变量集。变量选择过滤器算法可用于选择精简变量集。例如,在一些实施例中,最大最小父子(mmpc)和/或内iamb算法中的一个或多个算法可用于将相应的贝叶斯网络的节点选择为精简变量集。
在一些实施例中,执行变量选择以在训练数据中搜索用作贝叶斯网络的节点的变量的子集。贝叶斯网络(例如,信念网络,贝叶斯信念网络)为使用有向无环图表示一组变量及其条件依赖性的概率模型。例如,在诊断预测的背景下,变量选择可用于从训练数据中选择变量以用作贝叶斯网络的节点;如果给定针对特定受试者的节点的值,则可以生成该受试者的诊断预测。
在一些实施例中,至少部分地基于收集的参数和如上所述执行的变量选择过程来创建用于本公开的机器学习分类模型的训练数据集。在一些实施例中,训练数据集包括与受试者中的各种组织状态相关联的参数、特征和/或变量集。可以针对多个受试者中的每个受试者接收并存储参数的值。训练数据集可以将多个参数、特征和/或变量的值与多个受试者中的每个受试者的相应组织状态相关联。在一些实施例中,参数、特征和/或变量集可以用相应的组织状态标记。
在一些实施例中,在训练数据集上训练本公开的机器学习分类器以生成分类模型。例如,机器学习分类器可以对模型参数的每个子集执行分类算法(例如,二元分类算法)以生成组织状态的预测。在一些实施例中,分类算法包括但不限于线性判别分析(lDA),分类和回归树(CART),最近邻(KNN),支持矢量机(SVM),高斯支持矢量机(GSVM),逻辑回归(GLM),随机森林(RF),广义线性模型(GLMNET)和/或朴素贝叶斯(NB)。在一些实施例中,分类可以被定义为概括要应用于新数据的已知结构的任务。分类算法可以包括线性判别分析,分类和回归树/决策树学习/随机森林建模,最近邻,支持矢量机,逻辑回归,广义线性模型,朴素贝叶斯分类和神经网络等。在一些实施例中,本公开的受过训练的机器学习分类模型可以包括例如聚类分析,回归(例如线性和非线性),分类,决策分析和/或时间序列分析等。在一些实施例中,在生成随机森林模型之前执行变量选择的情况下,基于来自变量选择的精简变量集来采样训练数据(与基于所有变量的采样相反)。
在一些实施例中,在训练阶段之后,本公开的受过训练的机器学习分类器可以被配置为例如通过第一评估来实施验证过程,该第一评估可以包括例如交叉验证。交叉验证可以被配置为将训练集随机地划分为例如十种折叠。然后,十种折叠验证可以运行十次,例如,使用九种不同折叠的训练集进行机器学习建模,再使用第十折叠进行验证。可以通过统计测量值的计算来评估结果,例如,针对十种不同的评估折叠的接收器工作特性曲线下面积(AUROC)的平均值和置信区间。在一些实施例中,第二评估可以包括在验证集上对机器学习模型的评估,例如,针对可以包括原始数据10%的验证的第十折叠。在一些实施例中,第三评估可以包括统计分析,例如,包括例如使用自举技术,通过偏斜数据的中值和四分位间距(IQR)来呈现种群特性,以及对于正态分布数据以具有标准差的平均值来呈现。在一些实施例中,机器学习模型的交叉验证过程可以实现统计方法,该统计方法被配置为在有限的数据样本上估计机器学习模型的技能,例如,以便当机器学习模型用于对在训练机器学习模型时未使用的数据进行预测时估计期望机器学习模型如何执行。在一些实施例中,机器学习模型的交叉验证过程可以包括将给定的数据样本分成多个组和/或折叠,例如十个组和/或折叠。
在一些实施例中,可以在推断阶段将本公开的受过训练的机器学习分类器应用于组织的接收到的热视频流,生成关于组织内区域的状态的一个或多个预测。
在一些实施例中,可采用非监督分类模型,例如,使用非监督分类模型从组织的热图像流中以非监督方式提取参数、特征和/或变量。在一些实施例中,然后可以将这样提取的参数、特征和/或变量用作上述受过训练的机器学习分类器的输入。
例如,在一些实施例中,图11所示的并且可选地显示在系统100显示器112上的热图像由处理器110遵循如本文其他地方所说明的处理来生成:从成像仪118获得的热图像中提取原始数据,并且由处理器110从要显示的各种所得图像选择,被确定为最具代表性和诊断性的图像。
在一些实施例中,在主动加热和被动时间段期间连续拍摄如图11所示的热图像。可替代地,并且可选地,在主动加热和被动时间段期间,由视频热成像仪连续拍摄如图11所示的热图像。
示例1
在图11中描绘的示例性实施例中,将健康马铃薯的热图像与同时拍摄的非健康马铃薯的热图像进行比较。图像1102/1104和1106描绘了被马铃薯粉痂病(海绵状地下孢子菌(Wallr.)Lagerh.,f.sp.地下Tomlinson)。图像1152/1154和1156描绘了健康的马铃薯。
在预热阶段I获取了图10A的图像1102/1152。在阶段II的开始在开始加热(t0)几秒钟后(例如3到5秒之间),获取图10B的图像1104/1154,在植物温度达到峰值506和停止(例如,通过热源102)加热之后立即在阶段III获取图10C的图像1106/1156。
如图11A所示,马铃薯、健康马铃薯(图像1152)和非健康马铃薯(图像1102)在环境温度下看起来相同,并且也可能用肉眼看出来。一旦在阶段II开始加热,立即就会注意到区域1108中的淡橙色和深紫色边缘1110所显示的热图像1154(健康马铃薯)和1104(受感染的马铃薯)之间存在差异。图10B的图像1154(健康马铃薯)也描绘了相似的深紫色边缘,然而较亮的区域1158保持紫色。
如图10C的图像1106和1156所示,一旦达到温度峰值(例如峰值506)并且停止(例如通过热源102)加热(阶段III),就会注意到明显的差异。健康马铃薯的热图像1156表现出几乎完全丧失了紫色,而大多数马铃薯表现出了亮黄色。与图像1156不同,展示非健康马铃薯的图像1106显示马铃薯保持了区域1108中的大部分紫色和深紫色边缘1110。
如本文其他地方所说明的,在一些实施例中,处理器110的计算机程序产品被配置为在显示器112上标定诸如图10A-10C中所描绘的那些的热图像,并标定和/或勾勒出成像仪108的FOV内的健康马铃薯和/或非健康马铃薯。在一些实施例中,并且如本文其他地方所描述的,系统100包括照明源114,该照明源114被配置为对非健康的植物(例如马铃薯)进行标定。
在一些实施例中,植物的实时分类方法包括处理包含在与农产品的一个或多个生理参数相关联的热图像中的热数据,将该数据与和一个或多个植物病害类型相关联的预定标记数据的数据库进行比较,并生成指示植物病害类型的识别和/或已感染该病害类型的已识别植物的标定的输出。在该示例中,处理器110的计算机程序产品将热行为图案(热图或图像随时间的变化)识别为马铃薯粉痂病的标记热图或图像,并将该诊断显示在诸如例如显示器112的输出上。
当观察主动加热和被动冷却的马铃薯的视频热图像时,本发明人惊讶地注意到立即发现瑕疵的快速图像变化点(RIC)。RIC点仅在主动加热(t0)开始几秒钟后出现。在一些实施例中,RIC发生在距主动加热(t0)开始的2到10秒之间。在一些实施例中,RIC发生在距主动加热开始的3到8秒之间。在一些实施例中,RIC发生在距主动加热(t0)开始的4到6秒之间。
识别RIC点的潜在优势在于,可以迅速(在程序开始的几秒钟之内)去除具有不可接受瑕疵的植物,从而减少了为识别非健康植物而需要获取和分析的图像数量。
热施加技术
矢量加热
如本文中所使用的,术语“矢量加热”涉及沿着可以遵循任何图案并且不一定沿着直线的路径的加热。
现在参考图12A,图12A为根据本发明的一些实施例的在植物的一部分上的热分布的平面简化视图,而图12B为根据本发明的一些实施例的在植物的一部分内的植物热行为的热图。
如在图12A中描绘的示例性实施例中所示,沿着布置在植物1204的一侧的管线1202加热植物。为了说明清楚起见,忽略了从管线1202在远离可疑异常植物的方向上的热分布。
在一些实施例中,热成像系统100被配置为在设定的时间段(t)内获得成像仪108的FOV的多个热图像,并且分析多个图像的连续帧以提取关于在设定的时间段内植物组织的热参数的变化的信息。
在一些实施例中,热成像系统100比较在成像仪108的FOV内沿由箭头1206指示的方向在从热施加时间(t0)测量的一个或多个时间段(例如,t1,t2,t3,t4)内通过植物组织的热扩散速度。在一些实施例中,沿着平行于加热管线1202的管线(例如,L1,L2,L3和L4)进行在时间段(t1)、(t2)、(t3)和(t4)的温度测量。
如图12A所描绘的实施例中所示,在一段时间(t3)期间,由管线1202生成的热量分布在成像仪108的FOV内的大部分植物104上是一致的。然而,用虚线圆划出的区域1270内的测量结果显示,与在区域1270任一侧上包括描绘的区域1250和1260的植物104的大部分表面相比,热量通过植物的一个或多个区域在一个或多个区域内的扩散较慢。热成像系统100热成像系统100处理器110识别通过区域1270内部的植物组织的扩散速度的差异与区域1207内的植物和周围植物相关联的一个或多个生理/热参数的差异相关联并将区域1270标记为被怀疑是异常的(例如,非健康的),例如,包含瑕疵或感染。
另外,并且可选地,在一些实施例中,并且如本文其他地方更详细地说明的,热成像系统100处理器110被配置为分析成像仪108的FOV内的植物的热图。如图12B中所描绘的示例性实施例中所示,图12B为根据本发明的一些实施例的与加热的植物的生物热行为相关联的热曲线的曲线图,曲线1255/1265表示区域1270内的植物表面上的可疑区域,例如区域1250和/或区域1260的热曲线,其中,曲线1275表示从农产品的表面的区域1270获得的热曲线。热成像系统100处理器110显示的图显示,植物组织的整体热行为,即对区域1270内加热的响应比植物组织的热行为,即对区域1270周围的区域,例如,区域1250/1260内加热的响应更慢。例如,这通过响应于加热的曲线1275的浅生长部分1272相对于曲线1255/1265的较陡的生长部分1252/1262来指示。另外,并且可选地,曲线1275比曲线1255/126晚到达峰值温度1276,这表明区域1270内植物的热行为较慢。类似于浅生长部分1272,相对于曲线1255/1265的衰变部分1254/1264,衰变部分1274在由浅曲线指示的区域1270内表现出植物的较慢的热行为。
在一些实施例中,并且如本文其他地方更详细地说明的,热成像系统热成像系统100处理器110被配置为通过处理来分析沿热行为曲线1275和1255/1265显示的所有差异,并且将曲线图作为整体进行比较,或仅处理曲线的某些部分,诸如仅生长部分1272和1252/1262,仅衰变部分1274和1254/1264,仅通过峰值温度1276和1256/1266位置或其任意组合,并生成从热行为曲线1275和1255/1265之间的差异得出的热标记,该热标记通过到峰值温度并从其下降的热行为曲线的形状呈现,并且识别与热标记相关联的特定植物病害类型(例如,如本文其他地方公开的实施例1所示)。在一些实施例中,热成像系统100处理器110处理从像素阵列的至少一部分接收到的信息,如本文中更详细地说明的,并且使用该信息来指示被检查植物中是否存在不同植物病害类型(例如,正常植物相对于非健康的农产品)。
在一些实施例中,可以通过沿着布置在植物1204的一侧上的一条或多条管线1202加热植物104的表面来提高植物病害类型识别的准确性和特异性。
随机点加热
现在参考图13,图13为根据本发明的一些实施例的在植物的一部分上的热分布的曲线图和简化平面图。在一些实施例中并且如图13所示,热源102加热植物104的随机大小的部分1302。在一些实施例中,例如通过在相等的时间段期间施加相同水平的热量(例如焦耳),来同时且均匀地加热随机大小的部分1302,并且通过热成像系统100成像仪108以给定时间间隔拍摄连续的热图像。
在一些实施例中,并且如本文其他地方所说明的,热成像系统100处理器110处理所获得的图像以识别和标定植物区段1312。例如,在一些实施例中,处理器110被配置为分析和识别达到植物104的大部分(Mc%)在相同温度被成像的温度均匀性(tu)终点的时间。在一些实施例中,植物104的大部分(Mc%)由在成像仪108的FOV内的植物104的面积的百分比定义,例如(Mc%)超过50%,在50%-99%、60%-90%和70%-80%之间。在一些实施例中,处理器110在识别非健康或有瑕疵的植物段1312的端点(tu)处生成热图1350。
图13中描绘的示例性曲线示出了沿着植物104上的任意线Q-Q的(tu)处的温度水平的曲线1304。如图13中所示,曲线1304沿线Q-Q显示植物的大致均匀的温度,除了温度较低的在L1和L2之间的长度之外。在一些实施例中,植物沿着线Q-Q的部分L1-L2达到的较低温度可以指示该植物包括热曲线的较慢的生长部分,如本文中其他地方详细说明的,从而识别出非健康或有瑕疵的农产品。在一些实施例中,并且如本文中其他地方所述,热成像仪100处理器110处理由线QQ的L1-L2部分表示的非健康或有瑕疵的植物的连续热图像,并分析热图的生长部分并识别植物病害感染或瑕疵的类型。
如图14所示,图14为示出根据本发明的一些实施例的热成像系统100处理器110的操作的示例性简化流程图,处理器110被配置为在1402处在一段时间内(从(t0)到(tu))从成像仪108获得热图像,并在1404处识别在(tu)处具有比植物104的大部分(Mc%)低的温度的植物组织组(例如,植物表面区段1412)。在1406处,处理器在成像仪108的FOV内生成植物104的热图,以识别或标定出非健康或有瑕疵的植物区段1412。在一些实施例中,在1407处,处理器110识别非健康和/或有瑕疵的植物,并且在1409处,将非健康和/或有瑕疵的植物指示给分类器。在一些实施例中,并且可选地,在1408处,处理器110将在1406处生成的图叠加在植物104的RGB图像上,并且在1410处标定植物112上的非健康或有瑕疵的区域。
在一些实施例中且在1412处,处理器110被配置为分析在1404处识别出的植物组织的热曲线的生长部分,并且在1414处识别出感染至少在(tu)处具有比大部分(Mc%)植物104低的温度的区段1412的植物病害类型。
脉冲热施加
在一些实施例中,并且如图14A和14B所示,图14A和14B为根据本发明的一些实施例的与加热的植物的生物热行为相关联的热曲线的曲线图,植物104在一段时间内通过多个热脉冲来加热。在一些实施例中,例如通过在加热脉冲之间的相等间隔处的相等时间段内施加相同水平的热量(例如焦耳)来连续且均匀地施加热脉冲。热成像系统100处理器110被配置为从成像仪108获得多个连续的热图像,并且响应于加热脉冲来分析植物104的植物的热行为。
在一些实施例中,如图15A和15B所示并且在本文中其他地方更详细地说明,不同类型的植物响应于施加的脉冲热而表现出不同的热行为,这由与热行为相关联的热图的变化来表示。在一个示例中,如图15A所示,从在一段时间暴露于脉冲热中并由热成像系统处理器110分析的被成像植物获得的热参数表现出包括一个或多个生长部分1504的曲线1502,每个生长部分1504后跟一个或多个衰变部分1506和多个温度峰值点1508。
在一些实施例中,处理器110被配置为对曲线1502执行顶部处理,并基于该处理来识别特定于在像素的FOVp内成像的植物类型的热标记,例如,通过响应于在给定时间(例如t1,t2,t3和t4)的连续热脉冲识别例如连续曲线的P1、P2、P3和P4的温度峰值,并处理峰之间的关系(例如,峰之间的时间间隔,例如i1,i2,i3和i4)或所计算的峰的生长线性回归1550。
在一些实施例中,热成像系统100处理器110被配置为响应于连续的热脉冲,仅在热曲线,例如图15B中所示的示例性曲线的选定部分,例如生长部分、衰变部分和/或在生长部分与衰变部分的交汇点处的峰值温度上执行比较处理,图15B展示在曲线1512、1514和1516的t1和t1'之间的生长衰变时段d1、t2和t2'之间的d2和t3和t3'之间的d3。在一些实施例中,处理器110被配置为基于该处理来识别特定于在像素的FOVp内成像的植物类型的热标记,例如通过识别特定于植物病害类型的热行为图案。
部分加热
在一些实施例中并且如图16所示,图16为根据本发明的一些实施例的与加热的植物的生物热行为相关联的热曲线的曲线图,其中植物104被部分地加热。在一些实施例中,通过以预定间隔(例如,长度相等或变化)设定的多个脉冲(例如,相同热量水平或焦耳)施加热量,并且热成像系统100成像仪108在获得的热曲线1600的整个生长部分1602上获得连续的热图像。
在图16所描绘的示例性实施例中,在三个时间点-tP1、tP2和tP3处施加三个热脉冲,从而产生曲线1600的阶梯状生长部分1602,其具有三个部分ΔT1、ΔT2和ΔT3。部分加热的潜在优势在于,该处理是在生长部分1602的部分上进行的,而不是在整个生长部分1600上进行的,从而提高了异常植物组织识别的分辨率和准确性。在一些实施例中,植物病害类型之间的差异以部分ΔT1、ΔT2和ΔT3的仅一部分内的差异表示,从而提供了农产品类型标记图案的更高分辨率并提高了植物类型识别的准确性和特异性。
3D加热
现在参考图17A和17B,图17A和17B为根据本发明的一些实施例的植物的一部分内部的热分布的简化截面图。在一些实施例中,使用三维加热系统,诸如沿着在用箭头1775指示的从表面到更深植物的方向上布置在怀疑异常的植物1706一侧的管线1750以不同的频率施加的超声波、激光、IR或RF辐射,沿着平面1704加热植物104下方的一定体积的植物1702。
如图17A和17B所示,植物104下面的部分1702内部的热分布沿管线1708发生。为了说明清楚,忽略了来自平面1704的在远离可疑植物区段1706的方向的热分布。
在一些实施例中,成像系统100处理器110被配置为沿着相对于植物104处于不同空间取向的一个或多个平面同时或连续地处理和分析由3D热成像系统,例如MRI、CT扫描仪、超声收发器、RF收发器或类似物拍摄的多个热图像。在图17所示的示例性实施例中,沿着相对于植物104在空间上平行(平面1708)和/或垂直定向(平面1710)的多个平面同时或连续地拍摄由3D热成像系统拍摄的多个热图像。
如图17B所示,并且在一些实施例中,热成像系统100处理器110被配置为编译从沿多个平面1708和/或平面1710拍摄的热图像获得的热行为数据,并且如本文中其他地方更详细地说明的那样,提取关于与在一个或多个获得的热图像中被识别为异常植物组织1706的植物相关联的一个或多个生理热参数的信息,并且生成可疑异常植物1706的至少三维轮廓。
在一些实施例中,通过热成像系统100处理器110获得的数据的至少一部分的双重性和从获得的图像获得的数据之间的比较提高了在植物104下面的植物内部的植物病害类型识别以及位置的准确性和特异性。在一些实施例中,热成像系统100处理器110被配置为将可疑异常植物1706的3D轮廓叠加到植物104的表面下面的植物的RGB 3D图像上,以协助分类器清楚且准确地识别出农产品内的可疑区域904的边界。
在整个申请中,本发明的各种实施例可以以范围格式呈现。应当理解,范围格式的描述仅是为了方便和简洁,而不应被解释为对本发明的范围的不灵活的限制。因此,应该认为范围的描述已经具体公开了所有可能的子范围以及该范围内的各个数值。例如,对范围从诸如1到6的描述应视为已明确公开了子范围,诸如从1到3、从1到4、从1到5、从2到4、从2到6、从3到6等,以及该范围内的单个数字,例如1、2、3、4、5和6。无论范围的广度如何,这都适用。
只要本文指出数值范围,就意味着包括指明范围内的任何引用数字(分数或整数)。短语“在第一指明数字和第二指明数字之间的一个或多个范围”和从“第一指明数字”到“第二指明数字”的“一个或多个范围”在本文中可互换使用,并且旨在包括第一和第二指明数字以及它们之间的所有小数和整数。
在本申请的说明书和权利要求书中,词语“包含”、“包括”和“具有”中的每者及其形式不必限于与该词语相关联的列表中的成员。另外,在本申请与通过引用并入的任何文献之间存在不一致的地方,特此以本申请为准。
本文公开的方法和计算机程序产品可以自动构造(即,无需人工干预)给定正在考虑的主题(TUC)的相关权利要求和支持证据的列表。因此,例如,一个人可以提取有说服力的主张,以支持他或她的观点,并为另一方在讨论TUC时可能提出的反诉做好准备。
本发明可以为一种系统、一种方法和/或一种计算机程序产品。该计算机程序产品可以包括计算机可读存储介质,其上具有用于使处理器执行本发明的各方面的计算机可读程序指令。
计算机可读存储介质可以为有形装置,其可以保留和存储可供指令执行装置使用的指令。计算机可读存储介质可以为例如但不限于电子存储装置、磁存储装置、光存储装置、电磁存储装置、半导体存储装置或前述的任何合适组合。计算机可读存储介质的更具体示例的非详尽列表包括以下各项:便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式光盘只读存储器(CD-ROM)、数字通用盘(DVD)、记忆棒、软盘、机械编码装置(诸如在其上记录有指令的凹槽中的穿孔卡或凸起结构)以及前述的任何合适的组合。本文使用的计算机可读存储介质不应被解释为瞬态信号本身,诸如无线电波或其他自由传播的电磁波,通过波导或其他传输介质(例如,穿过光纤电缆的光脉冲)传播的电磁波,或通过导线传输的电信号。
本文描述的计算机可读程序指令可以经由网络(例如,因特网、局域网、广域网和/或无线网络)从计算机可读存储介质下载到相应的计算/处理装置、或下载到外部计算机或下载到外部存储装置。网络可以包括铜传输电缆、光传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理装置中的网络适配器卡或网络接口从网络接收计算机可读程序指令,并转发计算机可读程序指令以用于存储在相应计算/处理装置内的计算机可读存储介质中。
用于执行本发明的操作的计算机可读程序指令可以为汇编程序指令,指令集架构(ISA)指令,机器指令,机器相关指令,微代码,固件指令,状态设置数据或用一种或多种编程语言(包括面向对象的编程语言,诸如Smalltalk,C++等)和常规程序编程语言(诸如“C”编程语言或类似编程语言)的任意组合编写的源代码或对象代码。计算机可读程序指令可以完全在用户的计算机上、部分在用户的计算机上、作为独立的软件包、部分地在用户的计算机上、部分地在远程计算机上或完全在远程计算机或服务器上执行。在后一种情况下,远程计算机可以通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接到用户的计算机,或者可以连接到外部计算机(例如,使用互联网服务提供商通过互联网)。在一些实施例中,包括例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)的电子电路可以通过利用计算机可读程序指令的状态信息来执行计算机可读程序指令以用于使电子电路个性化,以便执行本发明的各方面。
本文参考根据本发明的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各方面。应当理解,流程图图示和/或框图的每个框以及流程图图示和/或框图中的框的组合可以由计算机可读程序指令实现。
这些计算机可读程序指令可以被提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器以产生机器,使得指令经由计算机的处理器或其他可编程数据处理装置执行,创建用于实现流程图和/或框图块中指定的功能/动作的装置。这些计算机可读程序指令还可以存储在计算机可读存储介质中,该计算机可读程序指令可以指示计算机、可编程数据处理装置和/或其他装置以特定方式起作用,使得具有存储在其中的指令的计算机可读存储介质包括一种具有实现流程图和/或框图框中指定的功能/动作的各方面的指令的制品。
计算机可读程序指令还可以加载到计算机、其他可编程数据处理装置或其他装置上,以使得在计算机、其他可编程装置或其他装置上执行一系列操作步骤,以产生计算机实现的过程,使得在计算机、其他可编程装置或其他装置上执行的指令实现在流程图和/或框图框中指定的功能/动作。
附图中的流程图和框图示出了根据本发明的各种实施例的系统、方法和计算机程序产品的可能实施方式的架构、功能和操作。在这方面,流程图或框图中的每个框可以表示模块、段或指令的部分,其包括用于实现指定的逻辑功能的一个或多个可执行指令。在一些替代实施方式中,框中提到的功能可以不按图中所提的顺序发生。例如,连续示出的两个框实际上可以基本上同时执行,或者这些框有时可以以相反的顺序执行,这取决于所涉及的功能。还需指出,框图和/或流程图的每个框以及框图和/或流程图中的框的组合可以由执行特定功能或动作的或执行专用硬件和计算机指令的组合的基于专用硬件的系统来实现。
已经出于说明的目的给出了对本发明的各种实施例的描述,但是并不旨在穷举或限制于所公开的实施例。在不脱离所描述的实施例的范围和精神的情况下,许多修改和变化对于本领域普通技术人员来说是显而易见的。选择本文使用的术语是为了最好地说明各实施例的原理、实际应用或对市场中发现的技术的技术改进,或者使本领域普通技术人员能够理解本文公开的各实施例。
Claims (33)
1.一种方法,包括:
接收植物的热数据序列,其中,在组织受到热扰动时,在所述组织的至少一个位置处对所述序列采样;
处理所述热数据以导出与每个所述组织位置相关联的热值;
至少部分地基于所述处理,在所述植物上的至少一个位置处导出至少一个热变量;
计算与每个所述位置相关联的所有所述热变量的方差值;以及
基于所述方差值超过预定阈值的至少一个位置来确定所述植物的状态。
2.根据权利要求1所述的方法,其中,所述导出包括至少部分地基于所述至少一个热变量来计算每个所述组织位置的一组热特征。
3.根据权利要求1至2中的任一项所述的方法,其中,所述热数据从热成像、红外即IR传感器、水银温度计、电阻温度计、热敏电阻、热电偶、基于半导体的温度传感器、高温计、气体温度计、激光温度计和超声波中的至少一者接收。
4.根据权利要求1至2中的任一项所述的方法,其中,通过热成像接收所述热数据,并且其中,所述位置包括图像的像素或体素。
5.根据前述权利要求中的任一项所述的方法,其中,所述至少一个热变量进一步包括环境温度和热源温度中的至少一者。
6.根据前述权利要求中的任一项所述的方法,其中,所述热扰动包括以下至少一项:主动地实现所述组织的至少一部分中的温度从初始温度到最终温度的变化,主动地实现所述组织的至少一部分中的温度在指定的时间段内的变化,被动地允许所述组织的至少一部分中的温度从初始温度到最终温度的变化,并且被动地允许所述组织的至少一部分中的温度在指定的时间段内的变化。
7.根据前述权利要求中的任一项所述的方法,包括基于至少一些所述热数据和所述热变量来提取一组特征,其中,所述特征从特征集合中选择,这些特征集合包括:代表所述变量的各种导出值的特征,代表所述变量中的噪声的特征,基于衰变方程的特征,基于傅立叶级数的特征以及基于所述特征的方差的相关特征。
8.根据前述权利要求中的任一项所述的方法,进一步包括至少部分地基于使至少一个热变量与和多个植物状态相关联的所述热变量的预定义值相关来确定与每个所述位置相关联的所述植物的状态。
9.根据权利要求7和8中的任一项所述的方法,其中,所述相关进一步包括使所述特征相关。
10.根据前述权利要求中的任一项所述的方法,其中,所述导出、计算和确定由在训练阶段在训练集上训练的机器学习分类器执行,所述训练集包括:
a)多个热数据序列,每个所述热数据序列在组织受到热扰动时在所述组织的至少一个位置处被采样;以及
b)与所述至少一个位置的状态或类型相关联的标签。
11.根据权利要求10所述的方法,进一步包括在推断阶段,将所述受过训练的机器学习分类器应用于在组织受到热扰动时在所述组织的一个位置处被采样的至少一个目标热数据序列,以确定所述组织位置的状态或类型。
12.一种计算机程序产品,包括具有以其实现的程序代码的非暂时性计算机可读存储介质,所述程序代码可由至少一个硬件处理器执行以:
接收植物的热数据序列,其中,在组织受到热扰动时,在所述组织的至少一个位置处对所述序列采样;
处理所述热数据以导出与每个所述组织位置相关联的热值;
至少部分地基于所述处理,在所述植物上的至少一个位置处导出至少一个热变量;
计算与每个所述位置相关联的所有所述热变量的方差值;以及
基于所述方差值超过预定阈值的至少一个位置来确定所述植物的状态。
13.根据权利要求12所述的计算机程序产品,其中,所述至少一个热变量指示所述植物的状态。
14.根据权利要求12和13中的任一项所述的计算机程序产品,其中,所述热数据从热成像、红外即IR传感器、水银温度计、电阻温度计、热敏电阻、热电偶、基于半导体的温度传感器、高温计、气体温度计、激光温度计和超声波中的至少一者接收。
15.根据权利要求12至14中的任一项所述的计算机程序产品,其中,通过热成像接收所述热数据,并且其中,所述位置包括像素或体素。
16.根据权利要求12至15中的任一项所述的计算机程序产品,其中,所述热扰动的组织包括主动或被动地实现所述组织的至少一部分上的温度从初始温度到最终温度的变化。
17.根据权利要求12至16中的任一项所述的计算机程序产品,其中,所述热扰动的组织包括在至少一个预定的时间段内实现所述组织的至少一部分上的温度变化。
18.根据权利要求12至17中的任一项所述的计算机程序产品,其中,所述至少一个与组织相关的热变量包括影响所述植物细胞的热行为的至少一个固有植物热参数。
19.根据权利要求12至18中的任一项所述的计算机程序产品,包括基于至少一些所述热数据和热变量来计算一组特征。
20.根据权利要求19所述的计算机程序产品,其中,所述特征从特征集合中选择,这些特征集合包括:代表所述变量的各种导出值的特征,代表所述变量中的噪声的特征,基于衰变方程的特征,基于傅立叶级数的特征以及基于所述特征的方差的相关特征。
21.根据权利要求19至20中的任一项所述的计算机程序产品,其中,所述确定在所述位置处的所述植物的所述状态进一步基于具有相应的一组特征的所述位置。
22.根据权利要求19至21中的任一项所述的计算机程序产品,其中,所述导出包括至少部分地基于所述至少一个热变量来计算每个所述组织位置的一组热特征。
23.一种系统,包括:
热传感器,所述热传感器被配置为在组织受到热扰动时从所述组织上的至少一个位置处对热数据序列采样;以及
处理器,所述处理器被配置为:
接收植物的热数据序列,其中,在所述组织受到热扰动时,在所述组织的至少一个位置对所述序列采样;
处理所述热数据以导出与每个所述组织位置相关联的热值;
至少部分地基于所述处理,在所述植物上的至少一个位置处导出至少一个热变量;
计算与每个所述位置相关联的所有所述热变量的方差值;以及
基于所述方差值超过预定阈值的至少一个位置来确定所述植物的状态。
24.根据权利要求23所述的系统,其中,所述系统包括至少指向所述植物的所述表面并且被配置为主动加热或冷却所述植物的加热或冷却源。
25.根据权利要求23至24中的任一项所述的系统,其中,所述至少一个热变量指示所述植物的状态或类型。
26.根据权利要求23至25中的任一项所述的系统,其中,所述热数据从热成像、红外即IR传感器、水银温度计、电阻温度计、热敏电阻、热电偶、基于半导体的温度传感器、高温计、气体温度计、激光温度计和超声波中的至少一者接收。
27.根据权利要求23至26中的任一项所述的系统,其中,通过热成像接收所述热数据,并且其中,所述位置包括像素或体素。
28.根据权利要求23至27中的任一项所述的系统,其中,所述热扰动的植物包括主动或被动地实现所述组织的至少一部分上的温度从初始温度到最终温度的变化。
29.根据权利要求23至28中的任一项所述的系统,其中,所述热扰动的组织包括在至少一个预定的时间段内实现所述组织的至少一部分上的温度变化。
30.根据权利要求23至29中的任一项所述的系统,其中,所述至少一个与植物相关的热变量包括影响所述植物细胞的热行为的至少一个固有植物热参数。
31.根据权利要求23至30中的任一项所述的系统,包括基于至少一些所述热数据和热变量来计算一组特征。
32.根据权利要求31所述的系统,其中,所述特征从特征集合中选择,这些特征集合包括:代表所述变量的各种导出值的特征,代表所述变量中的噪声的特征,基于衰变方程的特征,基于傅立叶级数的特征以及基于所述特征的方差的相关特征。
33.根据权利要求31至32中的任一项所述的系统,其中,所述确定在所述位置处的所述植物的状态进一步基于具有相应的一组特征的所述位置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862683851P | 2018-06-12 | 2018-06-12 | |
US62/683,851 | 2018-06-12 | ||
PCT/IL2019/050666 WO2019239411A2 (en) | 2018-06-12 | 2019-06-12 | A system, method and computer product for real time sorting of plants |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112584757A true CN112584757A (zh) | 2021-03-30 |
Family
ID=68841839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980051879.3A Pending CN112584757A (zh) | 2018-06-12 | 2019-06-12 | 用于植物的实时分类的系统、方法和计算机产品 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20210245201A1 (zh) |
EP (1) | EP3806723A4 (zh) |
CN (1) | CN112584757A (zh) |
WO (1) | WO2019239411A2 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210245201A1 (en) * | 2018-06-12 | 2021-08-12 | H.T.B Agri Ltd. | A system, method and computer product for real time sorting of plants |
CN113426693A (zh) * | 2021-07-26 | 2021-09-24 | 四川农业大学 | 一种果实多级筛分装置及筛分方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210142285A1 (en) * | 2019-11-07 | 2021-05-13 | Claas Kgaa Mbh | Method and system for automatically preparing documentation |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101247754A (zh) * | 2005-07-19 | 2008-08-20 | 尼尔鲁斯工程股份公司 | 体内组织分类方法 |
US20110297848A1 (en) * | 2009-01-30 | 2011-12-08 | Haidekker Mark A | Non-invasive methods and apparatus for detecting insect-induced damage in a plant |
US8078262B2 (en) * | 2001-04-16 | 2011-12-13 | The Johns Hopkins University | Method for imaging and spectroscopy of tumors and determination of the efficacy of anti-tumor drug therapies |
US20170027450A1 (en) * | 2014-04-13 | 2017-02-02 | H.T Bioimaging Ltd. | A device and method for cancer detection, diagnosis and treatment guidance using active thermal imaging |
US20180014734A1 (en) * | 2014-08-11 | 2018-01-18 | The Board Of Trustees Of The University Of Illinois | Epidermal Devices for Analysis of Temperature and Thermal Transport Characteristics |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9527115B2 (en) * | 2010-03-13 | 2016-12-27 | Carnegie Mellon University | Computer vision and machine learning software for grading and sorting plants |
ES2423847A1 (es) * | 2012-02-21 | 2013-09-24 | Universidad De Sevilla | Procedimiento para separación por diferencia de temperatura entre frutos con hueso y frutos sin hueso |
WO2016056009A1 (en) * | 2014-10-07 | 2016-04-14 | The State Of Israel, Ministry Of Agriculture & Rural Development, Agricultural Research Organization (Aro) (Volcani Center). | Grading peanuts by thermal imaging |
FR3028116B1 (fr) * | 2014-11-04 | 2016-12-09 | Commissariat Energie Atomique | Procede et systeme d'inspection d'une centrale solaire photovoltaique |
CN112584757A (zh) * | 2018-06-12 | 2021-03-30 | H.T.B农业公司 | 用于植物的实时分类的系统、方法和计算机产品 |
-
2019
- 2019-06-12 CN CN201980051879.3A patent/CN112584757A/zh active Pending
- 2019-06-12 US US17/252,005 patent/US20210245201A1/en active Pending
- 2019-06-12 EP EP19819216.3A patent/EP3806723A4/en active Pending
- 2019-06-12 WO PCT/IL2019/050666 patent/WO2019239411A2/en unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8078262B2 (en) * | 2001-04-16 | 2011-12-13 | The Johns Hopkins University | Method for imaging and spectroscopy of tumors and determination of the efficacy of anti-tumor drug therapies |
CN101247754A (zh) * | 2005-07-19 | 2008-08-20 | 尼尔鲁斯工程股份公司 | 体内组织分类方法 |
US20110297848A1 (en) * | 2009-01-30 | 2011-12-08 | Haidekker Mark A | Non-invasive methods and apparatus for detecting insect-induced damage in a plant |
US20170027450A1 (en) * | 2014-04-13 | 2017-02-02 | H.T Bioimaging Ltd. | A device and method for cancer detection, diagnosis and treatment guidance using active thermal imaging |
US20180014734A1 (en) * | 2014-08-11 | 2018-01-18 | The Board Of Trustees Of The University Of Illinois | Epidermal Devices for Analysis of Temperature and Thermal Transport Characteristics |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210245201A1 (en) * | 2018-06-12 | 2021-08-12 | H.T.B Agri Ltd. | A system, method and computer product for real time sorting of plants |
CN113426693A (zh) * | 2021-07-26 | 2021-09-24 | 四川农业大学 | 一种果实多级筛分装置及筛分方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3806723A2 (en) | 2021-04-21 |
WO2019239411A2 (en) | 2019-12-19 |
WO2019239411A3 (en) | 2020-08-13 |
EP3806723A4 (en) | 2022-02-23 |
US20210245201A1 (en) | 2021-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zeng et al. | Detection and classification of bruises of pears based on thermal images | |
CN112584757A (zh) | 用于植物的实时分类的系统、方法和计算机产品 | |
Silva et al. | Hybrid analysis for indicating patients with breast cancer using temperature time series | |
Adebayo et al. | Application and potential of backscattering imaging techniques in agricultural and food processing–A review | |
Araújo et al. | Interval symbolic feature extraction for thermography breast cancer detection | |
Raza et al. | Automatic detection of regions in spinach canopies responding to soil moisture deficit using combined visible and thermal imagery | |
Mollazade et al. | Principles and applications of light backscattering imaging in quality evaluation of agro-food products: a review | |
Wang et al. | Outdoor color rating of sweet cherries using computer vision | |
JP7459000B2 (ja) | 組織状態を区別するためのシステムおよびこれを制御する方法 | |
Ali et al. | Quality prediction of different pineapple (Ananas comosus) varieties during storage using infrared thermal imaging technique | |
Dong et al. | Bruise detection and classification in jujube using thermal imaging and DenseNet | |
Jeyaraj et al. | Computer-assisted real-time rice variety learning using deep learning network | |
Silva et al. | A computational method for breast abnormality detection using thermographs | |
Yogesh et al. | Fruit defect prediction model (fdpm) based on three-level validation | |
CN109870419A (zh) | 一种采用航空高光谱数据预测黑土氮磷钾含量的方法 | |
Pugazhendi et al. | Analysis of mango fruit surface temperature using thermal imaging and deep learning | |
Eid et al. | A proposed automated system to classify diabetic foot from thermography | |
Hernández et al. | Automatic segmentation based on deep learning techniques for diabetic foot monitoring through multimodal images | |
Verdú et al. | Laser scattering imaging combined with CNNs to model the textural variability in a vegetable food tissue | |
Moshou et al. | Multisensor fusion of remote sensing data for crop disease detection | |
EP2133822A1 (en) | A method of stem taper, volume and product breakout prediction | |
Toureau et al. | Automatic detection of symmetry in dermoscopic images based on shape and texture | |
Ballester et al. | Assessing the performance of convolutional neural networks on classifying disorders in apple tree leaves | |
Shipko et al. | Edge detection in hyperspectral images | |
Xie et al. | Prediction of tomato freshness using infrared thermal imaging and transient step heating |
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 |