CN113191295A - 一种基于图像识别的火龙果成熟度识别的方法 - Google Patents
一种基于图像识别的火龙果成熟度识别的方法 Download PDFInfo
- Publication number
- CN113191295A CN113191295A CN202110515368.1A CN202110515368A CN113191295A CN 113191295 A CN113191295 A CN 113191295A CN 202110515368 A CN202110515368 A CN 202110515368A CN 113191295 A CN113191295 A CN 113191295A
- Authority
- CN
- China
- Prior art keywords
- maturity
- dragon fruit
- dragon
- color
- image
- 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
- 244000157072 Hylocereus undatus Species 0.000 title claims abstract description 134
- 235000018481 Hylocereus undatus Nutrition 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 31
- 235000010837 Echinocereus enneacanthus subsp brevispinus Nutrition 0.000 claims description 14
- 235000006850 Echinocereus enneacanthus var dubius Nutrition 0.000 claims description 14
- 239000003086 colorant Substances 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 240000008086 Echinocereus enneacanthus Species 0.000 claims 9
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 244000047855 Acalypha wilkesiana Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于图像识别的火龙果成熟度识别的方法,涉及农业科技技术领域,通过移动终端对火龙果进行拍照;对拍得的照片进行初步识别火龙果,识别出火龙果后,对识别出的火龙果图像中的火龙果进行成熟度判断;将判断出火龙果的成熟度返回至移动终端,通过机器、程序等替代农业人员对火龙果进行成熟度识别,预测采摘时间和火龙果等级分选,减少了人工成本,降低了专业性要求,从而解决了现有需要经验丰富的农业人员才能对火龙果的成熟度判断,对农业人员要求高的缺点。
Description
技术领域
本发明属于农业科技技术领域,尤其涉及一种基于图像识别的火龙果成熟度识别的方法。
背景技术
火龙果成熟度识别是判断果实成熟程度的一种方法,传统的火龙果成熟度识别是靠人工判断,且需要经验丰富的农业人员才能进行判断,且需要现场进行人眼判断,十分麻烦。火龙果成熟度识别对于火龙果何时采摘、等级分选有着重大的用途,因此,需要一种基于图像识别的火龙果成熟度识别是利用手机或拍照摄像头上传的图像,集合图像识别的方法,利用机器进行判断,可以减少人工,实现远程识别,而且精度更高。
发明内容
本发明的目的在于提供一种基于图像识别的火龙果成熟度识别的方法,从而解决了现有需要经验丰富的农业人员才能对火龙果的成熟度判断,对农业人员要求高的缺点。
为实现上述目的,本发明提供了一种基于图像识别的火龙果成熟度识别的方法,包括以下步骤:
通过移动终端对火龙果进行拍照;
对拍得的照片进行初步识别火龙果,识别出火龙果后,对识别出的火龙果图像中的火龙果进行成熟度判断;
将判断出出火龙果的成熟度返回至移动终端。
进一步的,对拍得的照片采用FASTER-RCNN进行初步识别火龙果。
进一步的,对识别出的火龙果图像中的火龙果进行成熟度判断包括以下步骤:
将识别出的火龙果图像的色彩空间从RGB转换成HSV;
从HSV色彩空间中选取同一颜色占整个HSV彩色空间最多的像素;
将选取出的像素的颜色与对比颜色进行对比,得到火龙果成熟度结果。
进一步的,当所述像素的颜色与对比颜色相识度为80%-100%时,则所像素对应的火龙果图像中火龙果的成熟度为所对比颜色对应的成熟度。
进一步的,所述对比颜色包括:深红、淡红以及绿色,所述对比颜色为深红时,则火龙果为成熟;所述对比颜色为淡红时,则火龙果即将成熟;所述对比颜色为绿色时,则火龙果未成熟。
进一步的,将识别出的火龙果图像的色彩空间从RGB转换成HSV后,将HSV彩色空间转换为颜色直方图,通过所述颜色直方图与对比颜色进行对比,得到火龙果成熟度结果。
进一步的,通过移动终端对火龙果拍照,并将拍到的照片传输至服务器;
所述服务器调用图像识别单元对所述照片进行初步识别,识别出火龙果后,对识别出的火龙果进行成熟度判断;
所述服务器将成判断出的火龙果成熟度返回至移动终端。
进一步的,所述移动终端包括手机、平板以及具有无线传输功能的摄像头。
与现有的技术相比,本发明具有如下有益效果:
本发明所提供的基于图像识别的火龙果成熟度识别的方法,通过移动终端对火龙果进行拍照;对拍得的照片进行初步识别火龙果,识别出火龙果后,对识别出的火龙果图像中的火龙果进行成熟度判断;将判断出火龙果的成熟度返回至移动终端,通过机器、程序等替代农业人员对火龙果进行成熟度识别,预测采摘时间和火龙果等级分选,减少了人工成本,降低了专业性要求,从而解决了现有需要经验丰富的农业人员才能对火龙果的成熟度判断,对农业人员要求高的缺点。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一个实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一种基于图像识别的火龙果成熟度识别的方法的流程图;
图2是本发明一种基于图像识别的火龙果成熟度识别装置的结构示意图。
具体实施方式
下面结合本发明实施例中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1示出了本发明所提供的其中一个实施例,基于图像识别的火龙果成熟度识别的方法包括以下步骤:
S1、通过移动终端对火龙果进行拍照,优选地,拍出火龙果的完整侧面图;
S2、对拍得的照片进行初步识别火龙果,识别出火龙果后,对识别出的火龙果图像中的火龙果进行成熟度判断,当识别不出火龙果时,反馈识别不出火龙果信号至移动终端,重新进行拍照;
S2、将判断出火龙果的成熟度返回至移动终端,可根据移动终端显示的判断结果决定是否对火龙果进行采摘。通过机器、程序等替代农业人员对火龙果进行成熟度识别,预测采摘时间和火龙果等级分选,减少了人工成本,降低了专业性要求,从而解决了现有需要经验丰富的农业人员才能对火龙果的成熟度判断,对农业人员要求高的缺点。
其中一个实施例,步骤S2中,对拍得的照片采用YOLOV3或FASTER-RCNN进行初步识别火龙果。
具体的,包括以下步骤:
获取含有火龙果从结果到成熟各个时期的照片和含有各种形态的火龙果照片作为初始照片;
将所述初始照片进行预处理得到数据集,预处理为根据初始照片创建初始照片的txt文件,即为数据集;
将所述数据集文件分为训练数据集文件和测试数据集文件;
对所述数据集进行配置,其中,配置包括对数据集标签(例如:每一行为一个类别)、对数据集配置文件以及对模型配置文件;
利用所述训练集文件对火龙果识别模型进行训练,其中,火龙果识别模型采用Darknet或Faster-RCNN训练检测模型;
通过测试数据集文件对训练后的火龙果识别模型进行测试,当测试结果为能够识别出火龙果后,则停止识别。
其中一个实施例,步骤S2中,对识别出的火龙果图像中的火龙果进行成熟度判断包括以下步骤:
将识别出的火龙果图像的色彩空间从RGB转换成HSV;
从HSV色彩空间中选取同一颜色占整个HSV彩色空间最多的像素;
将选取出的像素的颜色与对比颜色进行对比,得到火龙果成熟度结果。
具体的,当所述像素的颜色与对比颜色相识度为80%-100%时,则所像素对应的火龙果图像中火龙果的成熟度为所对比颜色对应的成熟度。
其中,对比颜色包括:深红、淡红以及绿色,所述对比颜色为深红时,则火龙果为成熟,需立即采摘,适合短途运输;所述对比颜色为淡红时,则火龙果即将成熟,能够采摘,适合长途运输;所述对比颜色为绿色时,则火龙果未成熟,不建议采摘。当然,也可以根据更具体的颜色分类对对比颜色进行划分成熟度划分,例如:5~6成熟、7成熟、8成熟以及9成熟等,可以根据需要进行设置。
其中一个实施例,将识别出的火龙果图像的色彩空间从RGB转换成HSV后,将HSV彩色空间转换为颜色直方图,通过所述颜色直方图与对比颜色进行对比,得到火龙果成熟度结果。
将HSV彩色空间转换为颜色直方图具体包括以下步骤:
获取HSV彩色空间中的H值、S值以及V值;
对H值、S值以及V值进行非均匀量化,得到火龙果图像对应的火龙果的颜色特征向量;
根据颜色特征向量的取值范围绘制果实图像的HSV空间的颜色直方图。
其中,颜色特征向量包括:
设置H值的权重a、S值的权重b以及V值的权重c,具体的,采用a=8,b=3,c=3时,效果是最好的;
根据公式L=a*H+b*S+c*V,生成果实图像的颜色特征向量L。
其中一个实施例,移动终端包括:手机、平板以及具有无线传输功能的摄像头等。
其中一个实施例,为了对识别出的火龙果图像中的火龙果进行成熟度判断更准确,在将识别出的火龙果图像的色彩空间从RGB转换成HSV后,HSV图像进行亮度不均匀的自适应增强。
需要说明的是,本领域技术人员在本发明揭露的技术范围内,可容易想到的其他排序方案也应在本发明的保护范围之内,在此不一一赘述。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
参考图2,本发明实施例提供的基于图像识别的火龙果成熟度识别装置的示意图,为了便于说明,仅示出了与本发明实施例相关的部分。
基于图像识别的火龙果成熟度识别装置包括:
火龙果数据图像采集单元,用于获取含有火龙果的照片,并将该照片传输至服务器;
服务器,用于收到照片后调用图像识别单元;
图像识别单元,用于对服务器接收的照片进行初步识别,识别出火龙果后,对识别出的火龙果进行成熟度判断,并将判断结果返回服务器;
服务器将成判断出的火龙果成熟度返回至火龙果数据图像采集单元。
进一步的,火龙果数据图像采集单元为移动终端,移动终端包括:手机、平板以及具有无线传输功能的摄像头等。
进一步的,图像识别单元采用YOLOV3或FASTER-RCNN对服务器接收的照片进行初步识别火龙果。
进一步的,图像识别单元对识别出的火龙果图像中的火龙果进行成熟度判断包括以下步骤:
将识别出的火龙果图像的色彩空间从RGB转换成HSV;
从HSV色彩空间中选取同一颜色占整个HSV彩色空间最多的像素;
将选取出的像素的颜色与对比颜色进行对比,得到火龙果成熟度结果。
进一步的,当像素的颜色与对比颜色相识度为80%-100%时,则所像素对应的火龙果图像中火龙果的成熟度为所对比颜色对应的成熟度。
进一步的,对比颜色包括:深红、淡红以及绿色,对比颜色为深红时,则火龙果为成熟;所述对比颜色为淡红时,则火龙果即将成熟;对比颜色为绿色时,则火龙果未成熟。
进一步的,将识别出的火龙果图像的色彩空间从RGB转换成HSV后,将HSV彩色空间转换为颜色直方图,通过颜色直方图与对比颜色进行对比,得到火龙果成熟度结果。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述移动终端的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述移动终端中模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所揭露的仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或变型,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于图像识别的火龙果成熟度识别的方法,其特征在于,包括以下步骤:
通过移动终端对火龙果进行拍照;
对拍得的照片进行初步识别火龙果,识别出火龙果后,对识别出的火龙果图像中的火龙果进行成熟度判断;
将判断出的火龙果成熟度返回至移动终端。
2.根据权利要求1所述的基于图像识别的火龙果成熟度识别的方法,其特征在于,对拍得的照片采用FASTER-RCNN进行初步识别火龙果。
3.根据权利要求1所述的基于图像识别的火龙果成熟度识别的方法,其特征在于,对识别出的火龙果图像中的火龙果进行成熟度判断包括以下步骤:
将识别出的火龙果图像的色彩空间从RGB转换成HSV;
从HSV色彩空间中选取同一颜色占整个HSV彩色空间最多的像素;
将选取出的像素的颜色与对比颜色进行对比,得到火龙果成熟度结果。
4.根据权利要求3所述的基于图像识别的火龙果成熟度识别的方法,其特征在于,当所述像素的颜色与对比颜色相识度为80%-100%时,则所像素对应的火龙果图像中火龙果的成熟度为所对比颜色对应的成熟度。
5.根据权利要求3所述的基于图像识别的火龙果成熟度识别的方法,其特征在于,所述对比颜色包括:深红、淡红以及绿色,所述对比颜色为深红时,则火龙果为成熟;所述对比颜色为淡红时,则火龙果即将成熟;所述对比颜色为绿色时,则火龙果未成熟。
6.根据权利要求3所述的基于图像识别的火龙果成熟度识别的方法,其特征在于,将识别出的火龙果图像的色彩空间从RGB转换成HSV后,将HSV彩色空间转换为颜色直方图,通过所述颜色直方图与对比颜色进行对比,得到火龙果成熟度结果。
7.根据权利要求1所述的基于图像识别的火龙果成熟度识别的方法,其特征在于,通过移动终端对火龙果拍照,并将拍到的照片传输至服务器;
所述服务器调用图像识别单元对所述照片进行初步识别,识别出火龙果后,对识别出的火龙果进行成熟度判断;
所述服务器将成判断出的火龙果成熟度返回至移动终端。
8.根据权利要求1所述的基于图像识别的火龙果成熟度识别的方法,其特征在于,所述移动终端包括手机、平板以及具有无线传输功能的摄像头。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110515368.1A CN113191295A (zh) | 2021-05-12 | 2021-05-12 | 一种基于图像识别的火龙果成熟度识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110515368.1A CN113191295A (zh) | 2021-05-12 | 2021-05-12 | 一种基于图像识别的火龙果成熟度识别的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113191295A true CN113191295A (zh) | 2021-07-30 |
Family
ID=76981322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110515368.1A Pending CN113191295A (zh) | 2021-05-12 | 2021-05-12 | 一种基于图像识别的火龙果成熟度识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191295A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114766197A (zh) * | 2022-04-14 | 2022-07-22 | 重庆市农业科学院 | 成熟甘蓝的鉴别方法及甘蓝采摘方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202110131U (zh) * | 2011-05-31 | 2012-01-11 | 河南农业大学 | 烟叶成熟度检测装置 |
CN102323221A (zh) * | 2011-05-31 | 2012-01-18 | 河南农业大学 | 烟叶成熟度检测方法及检测装置 |
CN106454302A (zh) * | 2016-10-12 | 2017-02-22 | 中国农业大学 | 一种果蔬成熟度检测方法及装置 |
CN107944341A (zh) * | 2017-10-27 | 2018-04-20 | 荆门程远电子科技有限公司 | 基于交通监控图像的司机未系安全带自动检测系统 |
CN108279238A (zh) * | 2018-01-30 | 2018-07-13 | 深圳春沐源控股有限公司 | 一种果实成熟度判断方法及装置 |
CN109978822A (zh) * | 2019-02-15 | 2019-07-05 | 仲恺农业工程学院 | 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法 |
CN111476153A (zh) * | 2020-04-07 | 2020-07-31 | 中科汇智(重庆)信息技术合伙企业(有限合伙) | 一种水果成熟度计算方法 |
CN111753577A (zh) * | 2019-03-28 | 2020-10-09 | 天津工业大学 | 自动采摘机器人中的苹果识别与定位方法 |
-
2021
- 2021-05-12 CN CN202110515368.1A patent/CN113191295A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202110131U (zh) * | 2011-05-31 | 2012-01-11 | 河南农业大学 | 烟叶成熟度检测装置 |
CN102323221A (zh) * | 2011-05-31 | 2012-01-18 | 河南农业大学 | 烟叶成熟度检测方法及检测装置 |
CN106454302A (zh) * | 2016-10-12 | 2017-02-22 | 中国农业大学 | 一种果蔬成熟度检测方法及装置 |
CN107944341A (zh) * | 2017-10-27 | 2018-04-20 | 荆门程远电子科技有限公司 | 基于交通监控图像的司机未系安全带自动检测系统 |
CN108279238A (zh) * | 2018-01-30 | 2018-07-13 | 深圳春沐源控股有限公司 | 一种果实成熟度判断方法及装置 |
CN109978822A (zh) * | 2019-02-15 | 2019-07-05 | 仲恺农业工程学院 | 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法 |
CN111753577A (zh) * | 2019-03-28 | 2020-10-09 | 天津工业大学 | 自动采摘机器人中的苹果识别与定位方法 |
CN111476153A (zh) * | 2020-04-07 | 2020-07-31 | 中科汇智(重庆)信息技术合伙企业(有限合伙) | 一种水果成熟度计算方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114766197A (zh) * | 2022-04-14 | 2022-07-22 | 重庆市农业科学院 | 成熟甘蓝的鉴别方法及甘蓝采摘方法 |
CN114766197B (zh) * | 2022-04-14 | 2024-03-12 | 重庆市农业科学院 | 甘蓝采摘方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104063686B (zh) | 作物叶部病害图像交互式诊断系统与方法 | |
CN109116129B (zh) | 终端检测方法、检测设备、系统及存储介质 | |
CN109688351A (zh) | 一种图像信号处理方法、装置及设备 | |
CN109785400B (zh) | 一种剪影图像制作方法、装置、电子设备及存储介质 | |
CN108806638B (zh) | 一种图像的显示方法及其装置 | |
CN105609086A (zh) | 显示界面的亮度调整方法及装置 | |
CN106645180A (zh) | 检查基板玻璃缺陷的方法、现场终端及服务器 | |
CN109726756A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN107704388A (zh) | 用于确定应用的启动时间的方法和装置 | |
CN114120307A (zh) | 显示内容的识别方法、装置、设备和存储介质 | |
CN113191295A (zh) | 一种基于图像识别的火龙果成熟度识别的方法 | |
CN111291778B (zh) | 深度分类模型的训练方法、曝光异常检测方法以及装置 | |
CN111797694B (zh) | 一种车牌检测方法及装置 | |
CN111311500A (zh) | 一种对图像进行颜色还原的方法和装置 | |
CN106960188B (zh) | 天气图像分类方法及装置 | |
CN116258653A (zh) | 一种基于深度学习的微光图像增强方法和系统 | |
CN111080725A (zh) | 一种基于颜色空间转换的图像处理方法、系统及设备 | |
CN115456984A (zh) | 基于二维码高速识别图像识别缺陷检测系统 | |
CN112508891B (zh) | 基于手机的ai智能识别缺陷的磁粉探伤系统及其方法 | |
CN109060831B (zh) | 一种基于底板拟合的自动脏污检测方法 | |
CN114550102A (zh) | 货物堆积检测方法、装置、设备和系统 | |
CN111797922A (zh) | 文本图像分类方法及装置 | |
He et al. | Color fractal structure model for reduced-reference colorful image quality assessment | |
CN109978889A (zh) | 一种图像处理方法、系统、装置、存储介质及黑板装置 | |
CN111222481B (zh) | 识别衣服颜色的方法和装置 |
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 |