CN113011296A - 快速鉴别小麦品种纯度的方法和系统 - Google Patents
快速鉴别小麦品种纯度的方法和系统 Download PDFInfo
- Publication number
- CN113011296A CN113011296A CN202110251724.3A CN202110251724A CN113011296A CN 113011296 A CN113011296 A CN 113011296A CN 202110251724 A CN202110251724 A CN 202110251724A CN 113011296 A CN113011296 A CN 113011296A
- Authority
- CN
- China
- Prior art keywords
- variety
- wheat
- image
- unknown
- grain
- 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
- 241000209140 Triticum Species 0.000 title claims abstract description 269
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 269
- 238000000034 method Methods 0.000 title claims abstract description 67
- 235000013339 cereals Nutrition 0.000 claims abstract description 225
- 238000000605 extraction Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000001962 electrophoresis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 239000000463 material 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
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G7/00—Botany in general
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biodiversity & Conservation Biology (AREA)
- Botany (AREA)
- Ecology (AREA)
- Forests & Forestry (AREA)
- Environmental Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种快速鉴别小麦品种纯度的方法,包括以下步骤:采集已知品种的小麦籽粒图像;提取已知品种小麦籽粒图像的图像信息;在已知品种小麦籽粒图像的图像信息中提取该已知品种小麦籽粒图像特征;根据已知品种小麦籽粒图像特征,建立已知品种小麦籽粒的特征集;采集未知品种的若干颗小麦籽粒的小麦籽粒图像;提取未知品种小麦籽粒图像的图像信息;在未知品种小麦籽粒图像的图像信息中提取每颗未知品种小麦籽粒图像特征;根据每颗未知品种小麦籽粒图像特征与已知品种小麦籽粒的特征集计算判定每颗未知品种小麦籽粒是否属于已知品种。本发明的方法简单、方便、可操作性强,准确率高。
Description
技术领域
本发明涉及农产品的检测研究技术领域。更具体地说,本发明涉及一种快速鉴别小麦品种纯度的方法和系统。
背景技术
小麦是我国第三大粮食作物,其产量丰欠关系国计民生。小麦种子的纯度直接关系到小麦的产量与加工品质,如果小麦种子中混杂掺假,将极大损害国家和农民的利益。因此,小麦品种的鉴别对粮食生产与加工意义重大。
目前,小麦品种鉴别的方法包括:化学鉴定法、形态学鉴定、蛋白质电泳指纹图谱鉴别法、DNA指纹图谱鉴别法、近红外光谱法等。化学鉴定法在大多数情况下只能把种子分成几类,再与其他方法结合使用,而且这类方法应用范围较窄;形态学方法鉴定品种的形态特征非常有限,并且这些性状也只适用于其品种间差异明显的样品鉴定;蛋白质电泳指纹图谱鉴定法、DNA指纹图谱鉴定法鉴别精度高,但所需的时间很长,而且鉴别过程繁琐,对操作人员技术要求较高,成本高,不适宜对样品进行批量分析和无损在线监测;近红外光谱、高光谱鉴别的稳定性还有待提高。目前生产中主要采用形态学鉴定法,主要依靠人的感官从外形、色泽等方面进行综合评价,存在方法繁琐、主观性强、效率低等缺点,增加了小麦品种分类的不确定性。故需一种快速、有效、稳定的小麦品种鉴别方法。
发明内容
本发明的一个目的是解决至少上述问题,并提供至少后面将说明的优点。
本发明还有一个目的是提供一种快速鉴别小麦品种纯度的方法和系统,基于图像识别技术,通过提取样本的特征部位信息进行建模而实现品种纯度判别。该方法简单、方便、可操作性强,具有快速、经济、实用的优点。
为了实现根据本发明的这些目的和其它优点,提供了一种快速鉴别小麦品种纯度的方法,其包括以下步骤:
采集已知品种的小麦籽粒图像;
提取已知品种小麦籽粒图像的图像信息;
在已知品种小麦籽粒图像的图像信息中提取已知品种小麦籽粒图像特征;根据已知品种小麦籽粒图像特征,建立已知品种小麦籽粒的特征集;
采集未知品种的若干颗小麦籽粒的小麦籽粒图像;
提取未知品种小麦籽粒图像的图像信息;
在未知品种小麦籽粒图像的图像信息中提取每颗未知品种小麦籽粒图像特征;
计算每颗未知品种小麦籽粒图像特征与已知品种小麦籽粒的特征集的欧氏距离,若某颗未知品种小麦籽粒图像特征与已知品种小麦籽粒的特征集的欧氏距离小于预设阈值,则认定该未知品种小麦籽粒实际属于该已知品种,否则不属于该已知品种;
计算未知品种的若干颗小麦籽粒中实际属于已知品种的小麦籽粒数量与未知品种小麦籽粒总数量的比值。
优选的是,采集的已知品种的小麦籽粒图像和/或采集的未知品种的若干颗小麦籽粒的小麦籽粒图像的背景颜色为黑色。
优选的是,提取已知品种小麦籽粒图像的图像信息和/或提取未知品种小麦籽粒图像的图像信息的方法为二值化法。
优选的是,在已知品种小麦籽粒图像的图像信息中提取已知品种小麦籽粒图像特征和/或在未知品种小麦籽粒图像的图像信息中提取每颗未知品种小麦籽粒图像特征的方法为深度卷积神经网络法。
本发明还提供一种快速鉴别小麦品种纯度的系统,其包括:
图像采集模块,其用于采集已知品种的小麦籽粒图像和/或采集未知品种的若干颗小麦籽粒的小麦籽粒图像;
图像信息提取模块,其用于提取已知品种小麦籽粒图像的图像信息和/或提取未知品种小麦籽粒图像的图像信息;
图像特征提取模块,其用于在已知品种小麦籽粒图像的图像信息中提取已知品种小麦籽粒图像特征和/或在未知品种小麦籽粒图像的图像信息中提取每颗未知品种小麦籽粒图像特征;
数据库模块,其用于根据已知品种小麦籽粒图像特征,建立已知品种小麦籽粒的特征集;
计算判别模块,其用于每颗未知品种小麦籽粒图像特征与已知品种小麦籽粒的特征集的欧氏距离,若某颗未知品种小麦籽粒图像特征与已知品种小麦籽粒的特征集的欧氏距离小于预设阈值,则认定该颗未知品种小麦籽粒实际属于该已知品种,否则不属于该已知品种;
纯度计算模块,其用于计算未知品种的若干颗小麦籽粒中实际属于已知品种的小麦籽粒数量与未知品种小麦籽粒总数量的比值。
优选的是,还包括:
采样板,所述采样板一面为黑色磨砂面且该面上均匀间隔的布设有若干小麦籽粒嵌入槽,以使所述图像采集模块采集的已知品种的小麦籽粒图像和/或采集的未知品种的若干颗小麦籽粒的小麦籽粒图像的背景颜色为黑色。
优选的是,所述图像信息提取模块提取已知品种小麦籽粒图像的图像信息和/或提取未知品种小麦籽粒图像的图像信息的方法为二值化法。
优选的是,所述图像特征提取模块在已知品种小麦籽粒图像的图像信息中提取已知品种小麦籽粒图像特征和/或在未知品种小麦籽粒图像的图像信息中提取每颗未知品种小麦籽粒图像特征的方法为深度卷积神经网络法。
本发明至少包括以下有益效果:本发明的方法是基于图像识别技术,通过提取样本的特征部位信息采用深度卷积神经网络法进行建模而实现品种纯度判别。该方法简单、方便、可操作性强,准确率高,具有快速、经济、实用的优点。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明的方法流程图;
图2为本发明中采集的已知品种小麦籽粒的小麦籽粒图像;
图3为本发明中采用二值化法处理已知品种小麦籽粒图像后的图像。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
需要说明的是,下述实施方案中所述实验方法,如无特殊说明,均为常规方法,所述试剂和材料,如无特殊说明,均可从商业途径获得;在本发明的描述中,术语“横向”、“纵向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,并不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
由于每当有一批小麦种子提供过来时,种子提供者只知其为某种已知品种的小麦种子,然而实际上该批小麦种子中可能混杂有若干其他品种的小麦籽粒,造成该品种的小麦种子不纯,但具体纯度为多少我们并不清楚,因此,本发明提供一种快速鉴别小麦品种纯度的方法,如图1所示,其包括以下步骤:
S1、采集已知品种的小麦籽粒图像;
这里已知品种是指有准确命名和正式审定的小麦品种,采集该已知品种小麦籽粒图像时,最好选用一批品种纯度在99.9%以上的该已知品种小麦籽粒,一批的量可以为3000~10000颗;
在进行本步骤时,将该已知品种的多颗小麦籽粒摆放于黑色背景板上,这样可以拍摄出黑色背景的小麦籽粒图像,方便后续图像处理。这里黑色背景板可使用采样板,所述采样板一面为黑色磨砂面且该面上均匀间隔的布设有若干小麦籽粒嵌入槽,采集小麦籽粒图像时将采样板固定,使用位置与采样板相对且固定的摄像装置拍摄采样板黑色磨砂面图像即可。这里所述的摄像装置摄像头像素要求在1200万像素以上。
S2、提取已知品种小麦籽粒图像的图像信息;
这里提取已知品种小麦籽粒图像的图像信息的方法可以为二值化法,由于小麦籽粒在图像中的颜色大致为白色,而已知品种小麦籽粒图像的背景颜色为黑色,通过二值化法可快速的找出已知品种小麦籽粒图像中小麦籽粒区域。
S3、在已知品种小麦籽粒图像的图像信息中提取该已知品种小麦籽粒图像特征;
这里在已知品种小麦籽粒图像的图像信息中提取该已知品种小麦籽粒图像特征的方法可以为深度卷积神经网络法;
S4、根据已知品种小麦籽粒图像特征,建立已知品种小麦籽粒的特征集;
S5、采集未知品种的若干颗小麦籽粒的小麦籽粒图像;
这里由于小麦籽粒提供者声称的某种品种小麦籽粒中可能混杂有若干其他品种的小麦籽粒,因此,对于这批小麦籽粒我们其实并不知晓每颗籽粒所属品种,故实际上每颗小麦籽粒均为未知品种。
这里采集未知品种的若干颗小麦籽粒图像与前述采集已知品种的小麦籽粒图像的过程基本相同,这批未知品种的小麦籽粒可以采集100~500颗小麦籽粒图像。
S6、提取未知品种小麦籽粒图像的图像信息;
这里未知品种小麦籽粒图像的图像信息的方法也可以为二值化法
S7、在未知品种小麦籽粒图像的图像信息中提取每颗未知品种小麦籽粒图像特征;
这里在未知品种小麦籽粒图像的图像信息中提取每颗未知品种小麦籽粒图像特征的方法可以为深度卷积神经网络法。
S8、计算每颗未知品种小麦籽粒图像特征与已知品种小麦籽粒的特征集的欧氏距离,若某颗位置品种小麦籽粒图像特征与已知品种小麦籽粒的特征集的欧氏距离小于预设阈值,则认定该颗未知品种小麦籽粒实际属于该已知品种,否则不属于该已知品种;
这里针对不同的已知小麦品种分别对应设置有不同的预设阈值。
本步骤将未知品种小麦籽粒图像中每颗小麦籽粒的图像特征对比已知品种小麦籽粒的特征集,可判别未知品种小麦籽粒图像中每颗小麦籽粒是否属于已知品种,再可统计出实际属于已知品种的小麦籽粒数量和不属于已知品种的小麦籽粒数量。
S9、计算未知品种的若干小麦籽粒中实际属于已知品种的小麦籽粒数量与未知品种小麦籽粒总数量的比值即为未知品种小麦籽粒的纯度,这里纯度结果用百分比表示。
上述方法可先采集一种已知品种的小麦籽粒图像,提取特征集,还可以先采集多种不同品种的小麦籽粒图像,分别提取特征集,只要种子提供者提供的待测定纯度的小麦种子品种在预先采集特征集的多种小麦品种中,则均可测定种子纯度。
下面采用具体案例对上述方法做更进一步的解释说明。
<不同小麦品种籽粒样品的准备>
收集5个小麦品种籽粒样品,具体样品名称为西农511、新麦26、西农979、郑麦366、中麦578,品种纯度99%,进行清理、除杂、晾晒等处理后待用,样品编号依次为1-5。
<采集样品图像>
采集某个品种的小麦籽粒样品图像时,把全属于该小麦品种的籽粒样品放置于黑色磨砂采样板中,小麦籽粒样品的方向和朝向不需要固定,随机放置即可,样品具体放置方式见图2。采集样品图像的仪器为1200万像素的摄像头。
对5个品种的小麦籽粒样品分别采集图像。
<提取样品图像信息>
直接使用二值化的方法将种子区域提取出来,提取结果具体见图3。
<样品图像特征提取>
小麦籽粒样品图像特征提取采用深度卷积神经网络法。编号为1-5的小麦品种籽粒样品每个品种随机取3000个籽粒,每个品种提取其特征后分别建立特征数据库。
<盲样测试>
给编号1-5的样品混杂其他小麦品种籽粒样品,人为组成不同纯度的未知品种样品进行盲样测试。
采集未知样品图像;提取未知样品图像信息;提取未知样品图像特性信息;分别于目标品种进行纯度计算,具体测试结果如表1。从表1中可以看出,预测纯度与实际纯度的误差在±5%之间,预测准确性较高。
表1盲样测试结果
样品编号 | 目标品种编号 | 目标品种 | 实际纯度(%) | 预测纯度(%) | 误差(%) |
1-1 | 1 | 西农511 | 85 | 85 | 0 |
1-2 | 1 | 西农511 | 75 | 77 | -2 |
2-1 | 2 | 新麦26 | 90 | 86 | 4 |
2-2 | 2 | 新麦26 | 80 | 85 | -5 |
3-1 | 3 | 西农979 | 85 | 86 | -1 |
3-2 | 3 | 西农979 | 70 | 71 | -1 |
4-1 | 4 | 郑麦366 | 60 | 65 | -5 |
4-2 | 4 | 郑麦366 | 80 | 83 | -3 |
5-1 | 5 | 中麦578 | 85 | 83 | 2 |
5-2 | 5 | 中麦578 | 75 | 74 | 1 |
本发明还提供一种快速鉴别小麦品种纯度的系统,其包括:
图像采集模块,其用于采集已知品种的小麦籽粒图像和/或采集未知品种的若干颗小麦籽粒的小麦籽粒图像;
图像信息提取模块,其用于提取已知品种小麦籽粒图像的图像信息和/或提取未知品种小麦籽粒图像的图像信息;
图像特征提取模块,其用于在已知品种小麦籽粒图像的图像信息中提取已知品种小麦籽粒图像特征和/或在未知品种小麦籽粒图像的图像信息中提取每颗未知品种小麦籽粒图像特征;
数据库模块,其用于根据已知品种小麦籽粒图像特征,建立已知品种小麦籽粒的特征集;
计算判别模块,其用于每颗未知品种小麦籽粒图像特征与已知品种小麦籽粒的特征集的欧氏距离,若某颗未知品种小麦籽粒图像特征与已知品种小麦籽粒的特征集的欧氏距离小于预设阈值,则认定该颗未知品种小麦籽粒实际属于该已知品种,否则不属于该已知品种;
纯度计算模块,其用于计算未知品种的若干颗小麦籽粒中实际属于已知品种的小麦籽粒数量与未知品种小麦籽粒总数量的比值。
本实施例中的快速鉴别小麦品种纯度的系统采用前述的快速鉴别小麦品种纯度的方法对小麦品种纯度进行鉴别计算。
在另一实施例中,还包括:
采样板,所述采样板一面为黑色磨砂面且该面上均匀间隔的布设有若干小麦籽粒嵌入槽,以使所述图像采集模块采集的已知品种的小麦籽粒图像和/或采集的未知品种的若干颗小麦籽粒的小麦籽粒图像的背景颜色为黑色。
在另一实施例中,所述图像信息提取模块提取已知品种小麦籽粒图像的图像信息和/或提取未知品种小麦籽粒图像的图像信息的方法为二值化法。
在另一实施例中,所述图像特征提取模块在已知品种小麦籽粒图像的图像信息中提取已知品种小麦籽粒图像特征和/或在未知品种小麦籽粒图像的图像信息中提取每颗未知品种小麦籽粒图像特征的方法为深度卷积神经网络法。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (8)
1.快速鉴别小麦品种纯度的方法,其特征在于,包括以下步骤:
采集已知品种的小麦籽粒图像;
提取已知品种小麦籽粒图像的图像信息;
在已知品种小麦籽粒图像的图像信息中提取已知品种小麦籽粒图像特征;根据已知品种小麦籽粒图像特征,建立已知品种小麦籽粒的特征集;
采集未知品种的若干颗小麦籽粒的小麦籽粒图像;
提取未知品种小麦籽粒图像的图像信息;
在未知品种小麦籽粒图像的图像信息中提取每颗未知品种小麦籽粒图像特征;
计算每颗未知品种小麦籽粒图像特征与已知品种小麦籽粒的特征集的欧氏距离,若某颗未知品种小麦籽粒图像特征与已知品种小麦籽粒的特征集的欧氏距离小于预设阈值,则认定该未知品种小麦籽粒实际属于该已知品种,否则不属于该已知品种;
计算未知品种的若干颗小麦籽粒中实际属于已知品种的小麦籽粒数量与未知品种小麦籽粒总数量的比值,该比值即为未知小麦品种纯度。
2.如权利要求1所述的快速鉴别小麦品种纯度的方法,其特征在于,采集的已知品种的小麦籽粒图像和/或采集的未知品种的若干颗小麦籽粒的小麦籽粒图像的背景颜色为黑色。
3.如权利要求2所述的快速鉴别小麦品种纯度的方法,其特征在于,提取已知品种小麦籽粒图像的图像信息和/或提取未知品种小麦籽粒图像的图像信息的方法为二值化法。
4.如权利要求1所述的快速鉴别小麦品种纯度的方法,其特征在于,在已知品种小麦籽粒图像的图像信息中提取已知品种小麦籽粒图像特征和/或在未知品种小麦籽粒图像的图像信息中提取每颗未知品种小麦籽粒图像特征的方法为深度卷积神经网络法。
5.快速鉴别小麦品种纯度的系统,其特征在于,包括:
图像采集模块,其用于采集已知品种的小麦籽粒图像和/或采集未知品种的若干颗小麦籽粒的小麦籽粒图像;
图像信息提取模块,其用于提取已知品种小麦籽粒图像的图像信息和/或提取未知品种小麦籽粒图像的图像信息;
图像特征提取模块,其用于在已知品种小麦籽粒图像的图像信息中提取已知品种小麦籽粒图像特征和/或在未知品种小麦籽粒图像的图像信息中提取每颗未知品种小麦籽粒图像特征;
数据库模块,其用于根据已知品种小麦籽粒图像特征,建立已知品种小麦籽粒的特征集;
计算判别模块,其用于每颗未知品种小麦籽粒图像特征与已知品种小麦籽粒的特征集的欧氏距离,若某颗未知品种小麦籽粒图像特征与已知品种小麦籽粒的特征集的欧氏距离小于预设阈值,则认定该颗未知品种小麦籽粒实际属于该已知品种,否则不属于该已知品种;
纯度计算模块,其用于计算未知品种的若干颗小麦籽粒中实际属于已知品种的小麦籽粒数量与未知品种小麦籽粒总数量的比值。
6.如权利要求5所述的快速鉴别小麦品种纯度的系统,其特征在于,还包括:
采样板,所述采样板一面为黑色磨砂面且该面上均匀间隔的布设有若干小麦籽粒嵌入槽,以使所述图像采集模块采集的已知品种的小麦籽粒图像和/或采集的未知品种的若干颗小麦籽粒的小麦籽粒图像的背景颜色为黑色。
7.如权利要求6所述的快速鉴别小麦品种纯度的系统,其特征在于,所述图像信息提取模块提取已知品种小麦籽粒图像的图像信息和/或提取未知品种小麦籽粒图像的图像信息的方法为二值化法。
8.如权利要求5所述的快速鉴别小麦品种纯度的系统,其特征在于,所述图像特征提取模块在已知品种小麦籽粒图像的图像信息中提取已知品种小麦籽粒图像特征和/或在未知品种小麦籽粒图像的图像信息中提取每颗未知品种小麦籽粒图像特征的方法为深度卷积神经网络法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110251724.3A CN113011296A (zh) | 2021-03-08 | 2021-03-08 | 快速鉴别小麦品种纯度的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110251724.3A CN113011296A (zh) | 2021-03-08 | 2021-03-08 | 快速鉴别小麦品种纯度的方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113011296A true CN113011296A (zh) | 2021-06-22 |
Family
ID=76408625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110251724.3A Pending CN113011296A (zh) | 2021-03-08 | 2021-03-08 | 快速鉴别小麦品种纯度的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011296A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115661551A (zh) * | 2022-12-08 | 2023-01-31 | 中化现代农业有限公司 | 一种基于分裂注意力残差网络的小麦植株识别方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5908708A (en) * | 1997-03-05 | 1999-06-01 | Engelhard Corporation | Aqueous dispersion of a particulate solid having a hydrophobic outer surface and films produced thereby |
CN101701916A (zh) * | 2009-12-01 | 2010-05-05 | 中国农业大学 | 一种玉米品种快速鉴定、鉴别方法 |
CN103268492A (zh) * | 2013-04-19 | 2013-08-28 | 北京农业信息技术研究中心 | 一种玉米籽粒类型识别方法 |
CN103632157A (zh) * | 2012-08-24 | 2014-03-12 | 南京农业大学 | 单株小麦穗部籽粒数计数方法 |
CN103766129A (zh) * | 2014-02-26 | 2014-05-07 | 华中农业大学 | 一种高钼油菜籽粒品种的筛选方法 |
CN207516257U (zh) * | 2017-12-01 | 2018-06-19 | 西北农林科技大学 | 一种基于机器视觉的小麦籽粒图像采集平台 |
CN110782440A (zh) * | 2019-10-22 | 2020-02-11 | 华中农业大学 | 一种作物籽粒性状测量方法 |
CN111272668A (zh) * | 2020-01-22 | 2020-06-12 | 中国农业科学院农产品加工研究所 | 小麦品种鉴别模型的构建方法 |
CN111931700A (zh) * | 2020-09-10 | 2020-11-13 | 华中农业大学 | 一种基于多分类器的玉米品种真伪鉴别方法和鉴别系统 |
-
2021
- 2021-03-08 CN CN202110251724.3A patent/CN113011296A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5908708A (en) * | 1997-03-05 | 1999-06-01 | Engelhard Corporation | Aqueous dispersion of a particulate solid having a hydrophobic outer surface and films produced thereby |
CN101701916A (zh) * | 2009-12-01 | 2010-05-05 | 中国农业大学 | 一种玉米品种快速鉴定、鉴别方法 |
CN103632157A (zh) * | 2012-08-24 | 2014-03-12 | 南京农业大学 | 单株小麦穗部籽粒数计数方法 |
CN103268492A (zh) * | 2013-04-19 | 2013-08-28 | 北京农业信息技术研究中心 | 一种玉米籽粒类型识别方法 |
CN103766129A (zh) * | 2014-02-26 | 2014-05-07 | 华中农业大学 | 一种高钼油菜籽粒品种的筛选方法 |
CN207516257U (zh) * | 2017-12-01 | 2018-06-19 | 西北农林科技大学 | 一种基于机器视觉的小麦籽粒图像采集平台 |
CN110782440A (zh) * | 2019-10-22 | 2020-02-11 | 华中农业大学 | 一种作物籽粒性状测量方法 |
CN111272668A (zh) * | 2020-01-22 | 2020-06-12 | 中国农业科学院农产品加工研究所 | 小麦品种鉴别模型的构建方法 |
CN111931700A (zh) * | 2020-09-10 | 2020-11-13 | 华中农业大学 | 一种基于多分类器的玉米品种真伪鉴别方法和鉴别系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115661551A (zh) * | 2022-12-08 | 2023-01-31 | 中化现代农业有限公司 | 一种基于分裂注意力残差网络的小麦植株识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6253162B1 (en) | Method of identifying features in indexed data | |
CN114627125B (zh) | 一种基于光学手段的不锈钢压片机表面质量评估方法 | |
CN101881726B (zh) | 植物幼苗综合性状活体无损检测方法 | |
CN110082298B (zh) | 一种基于高光谱图像的小麦品种赤霉病综合抗性鉴定方法 | |
CN102184405A (zh) | 图像采集分析方法 | |
CN110490836B (zh) | dPCR微阵列图像信息处理方法 | |
CN114723704A (zh) | 一种基于图像处理的纺织品质量评估方法 | |
Padilla et al. | Portable yellow spot disease identifier on sugarcane leaf via image processing using support vector machine | |
CN102288606A (zh) | 基于机器视觉的花粉活力测定方法 | |
CN115994907B (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
CN116503402B (zh) | 一种粮食并肩杂质含量的检测方法及装置 | |
CN111272668A (zh) | 小麦品种鉴别模型的构建方法 | |
US20040253660A1 (en) | Automated microbiological testing apparatus and method | |
CN113011296A (zh) | 快速鉴别小麦品种纯度的方法和系统 | |
CN111832389A (zh) | 一种骨髓细胞形态学自动检测系统的计数及分析方法 | |
CN113155753A (zh) | 农田表层土壤微塑料检测方法及系统 | |
CN105046229B (zh) | 一种农作物行的识别方法及装置 | |
CN203970354U (zh) | 一种基于移动终端的中医舌象分析系统 | |
WO2003105067A1 (en) | Systems and methods for analyzing target contrast features in images of biological samples | |
CN105527241A (zh) | 无损检测冬虫夏草原草真伪的方法 | |
Sun et al. | Mildew detection in rice grains based on computer vision and the YOLO convolutional neural network | |
CN114549404A (zh) | 一种粮食不完善粒理化质量样本库的建立方法 | |
CN108776821B (zh) | 一种利用植物表型性状筛选抗逆资源的方法 | |
CN105466865A (zh) | 无损检测冬虫夏草子座真伪的方法 | |
CN117611927B (zh) | 一种稻谷互混率检测方法及装置 |
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 |