CN113777104A - 一种单粒玉米种子高光谱检测成熟度的方法 - Google Patents
一种单粒玉米种子高光谱检测成熟度的方法 Download PDFInfo
- Publication number
- CN113777104A CN113777104A CN202110973947.0A CN202110973947A CN113777104A CN 113777104 A CN113777104 A CN 113777104A CN 202110973947 A CN202110973947 A CN 202110973947A CN 113777104 A CN113777104 A CN 113777104A
- Authority
- CN
- China
- Prior art keywords
- image
- hyperspectral
- corn seed
- maturity
- corn
- 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.)
- Granted
Links
Images
Classifications
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种单粒玉米种子高光谱检测成熟度的方法,步骤为:1)采集不同成熟度玉米种子作为样本,利用高光谱成像系统采集高光谱图像数据;2)采用主成分分析方法,去除背景;3)对去除背景后的玉米种子高光谱图像进行标准正态变量变换预处理,并将多粒玉米种子排列的图像切割为单粒玉米种子图像;4)对单粒玉米种子高光谱图像再次进行主成分分析,采用最大类间方差法分割图像,乳线以上未成熟度区域和乳线以下成熟区域;5)计算未成熟度区域面积占玉米籽粒整体面积的比例,低于0.3为成熟度高的种子,高于0.3为成熟度低的种子。本发明有效识别成熟度较低的玉米种子,为进一步开发在线分级装备提供了理论依据。
Description
技术领域
本发明涉及玉米种子成熟度检测领域,特别是一种单粒玉米种子高光谱检测成熟度的方法。
背景技术
高光谱图像技术融合了传统成像技术和光谱技术,图像信息能表征大小、形状和颜色等外观信息,光谱信息能反映结构、成分、含量等内部属性。因其具备超多波段、高光谱分辨力和“图谱合一”等一般光谱不具备的优点,能实现对各种样本高效、绿色、高分辨检测。高光谱成像技术最初是在在遥感探测领域应用,由于其具备诸多优点,逐渐被专家应用在农业领域,研究前景瞩目。在对农作物进行解析时,可以根据农作物的光谱信息分析其生理信息,因为其光谱特征是农作物中的分子在不同波段处吸收不同频率的光产生的,由此可以进一步分析其品质特性和生产状况。
近年来随着国外先进的种子播种理念的引入,我国玉米种植模式发生深刻改变,由传统播种采用的“一穴多粒”的播种方法转变为单粒播种技术。此技术对种子质量提出了更高的要求,种子质量直接关系到种子发芽率和玉米产量,成熟度是判别种子质量好坏、影响种子生长的关键因素。玉米种子的成熟需要经历乳熟期、蜡熟期以及完熟期3个阶段。在成熟过程中,玉米种子的外观及形态也会发生变化。在玉米授粉后,随着籽粒不断发育成熟,籽粒内的淀粉含量逐渐增加,并在籽粒冠部逐渐沉积硬化成为固体淀粉层,在固、乳交界处形成“乳线”。随着籽粒的成熟,乳线从籽粒冠部向籽粒基部不断移动,籽粒成熟后乳线消失,籽粒基部的黑色层形成,因此玉米种子的乳线和黑色层是种子成熟的重要标志。
传统的判别玉米种子成熟度方法一般为人工识别,费时费力且主观性强,近年来,为了提高种子检测的快速性,机器视觉技术、近红外光谱分析技术等这类的无损检测技术被应用于该领域。机器视觉技术主要是利用种子外在形态学信息,近红外光谱技术是利用种子中所有有机分子含氢基团的化学特征信息。杨锦忠等利用Image软件分析了玉米种子由扫描仪获得的图像,初步确定了用图像分析玉米籽粒成熟度的可行性。但该方法需人工选择测量部位,不能自动获得成熟度数据。而且无论是机器视觉技术还是近红外光谱分析技术都只能获得种子的单一性状信息,相比较,高光谱图像技术可以提供包含被测对象外在形态学特征,内部结构特征和化学成分特征的所有信息,这些信息为种子成熟度的准确检测提供了充分可靠的信息保证。鉴于此,可以利用高光谱检测技术为单粒玉米种子成熟度判别提供一种快速、准确的鉴别方法。
主成分分析在数学上又称为K-L(Karhunen-Loeve)变换,1901年,卡尔·皮尔逊首次提出,用于降低数据维数,主要是通过对协方差矩阵进行特征分解,把原始数据变换到一个新的坐标系统中,使得任何数据投影的方差最大者排在第一个坐标(称为第一主成分)上,方差次之的排在第二个坐标(第二主成分)上,以此类推。主成分分析目标是在减少数据维数的同时保留对方差贡献最大的特征,也就是说主成分分析通过一种线性组合,用在尽可能的不损失原始信息的前提下来寻求新变量来代替原始变量,达到数据降维的目的,主成分分析因其自身算法特性在高光谱数据降维方面得到更为广泛的应用。
发明内容
本发明的目的就是提供一种单粒玉米种子高光谱检测成熟度的方法,它可以用于单粒玉米种子成熟度的检测。
本发明的目的是通过这样的技术方案实现的,具体步骤如下:
1)样本高光谱采集:采集不同成熟度玉米种子作为样本,利用高光谱成像系统进行高光谱图像信息的采集;
2)图像背景分割:采用主成分分析(Principal Component Analysis,PCA)方法,将背景与样本的像元分离,除去背景像元,得到去除背景后的玉米种子高光谱图像;具体步骤如下:
2-1)对于M×N×B的三维高光谱矩阵,M和N分别为高光谱图像的宽和高,B为高光谱图像维数,即波段数,将三维高光谱矩阵转换为(M×N)×B的二维矩阵,用X=[x1,x2,…,xi,…,xD]表示高光谱图像,其中D=M×N,xi为B维的向量,由同一位置上B个波段的像元值组成;
2-2)将数据矩阵X按列进行中心标准化,为了方便将标准化后的数据矩阵仍然记为X;
2-3)计算高光谱图像X的均值矢量μ和协方差矩阵Σ:
其中,μ=[μ1,μ2,…,μD],Ij(i)表示第i个像元在第j个波段上的像元值;
2-4)求解协方差矩阵Σ的特征值λ和特征向量T:
(λI-Σ)T=0
其中,I为单位矩阵,令λ1,λ2,…,λB为协方差矩阵的特征根,且λ1≧λ2≧…≧λB,其对应的特征向量为T1,T2,…,TB,得正交变换矩阵:
W=[T1,T2,…,TB]
正交变换矩阵满足:
WWT=WTW=1
2-5)高光谱图像线性变换:
Y=WTX
Y为变换后的图像矩阵,图像矩阵中排在前面的几个主成分,即方差贡献率最大的几个主成分。
2-6)以第一主成分为x轴,第二主成分或第三主成分为y轴,绘制二维特征的散点图,图中散点是基于谱相似性聚类的,将散点基于密度进行着色,由于背景与玉米种子成分存在明显差异,各自均有不同的组成结构,所以背景像元与玉米种子像元有明显分开的趋势,从而区分背景像元与玉米种子像元。
3)数据处理:对获得的去除背景后的玉米种子高光谱图像进行标准正态变量变换(Standard Normal Variation,SNV)预处理,并将多粒玉米种子排列的图像切割为单粒玉米种子图像;
4)分割未成熟区域:将步骤3)处理后的高光谱图像再次进行主成分分析,然后采用最大类间方差法分割图像,可分割为两部分,乳线以上未成熟度区域和乳线以下成熟区域;其中:
4-1)对步骤3)获得的单粒玉米种子高光谱图像再次进行PCA,PCA具体步骤同步骤2);
4-2)在PC1图像中能较完整地体现出以乳线为分割的未成熟区域与成熟区域的差异,选择第一主成分图像,进行灰度化处理,采用最大类间方差法对PC1图像中未成熟区域和成熟区域进行分割处理;
4-3)再依次进行填充空洞、腐蚀、和膨胀等图像处理方法得到玉米种子未成熟区域二值图像,计算未成熟区的全部像素点。
5)成熟度确定:将步骤3)单粒种子图像二值化,计算种子面积;计算步骤4)得到的未成熟区域面积;计算未成熟度区域面积占玉米籽粒整体面积的比值,低于0.3为成熟度高的种子,高于0.3为成熟度低的种子。
进一步,步骤1)中样本高光谱采集的具体步骤为:
1-1)将玉米样本含乳线面朝上(胚朝下)排列好,用高光谱成像系统扫描获得玉米种子样本中每个像素点在各波长下的图像信息,得到玉米种子样本的原始高光谱三维图像;
1-2)对样本高光谱图像进行黑白校正,以减少其他无关因素的干扰,具体采用以下方式进行校正:
首先将标准聚四氟乙烯白板放于成像区域,调整曝光时间,采集本标准白板的全白反射标定图像;
然后盖上镜头盖,关闭光源,获取暗场全黑标定图像;
接着采用下式进行黑白校正,获取校正后的高光谱反射图像I:
式中:I0为采集获得的高光谱图像;W为标准白板的全白反射标定图像;B全黑标定图像。
进一步,步骤3)中数据处理中的具体步骤如下:
3-1)对去除背景后的高光谱图像进行标准正态变量处理,以消除散射造成的误差影响,标准正态变量处理是指基于假设每条光谱曲线的反射值存在一定的统计分布(如正态分布),对光谱曲线进行校正。计算方法就是用每个波段下的光谱值减去该条光谱曲线的平均光谱值除以该条光谱曲线的标准偏差,SNV计算公式如下:
式中,xi,corr为校正后的光谱数据;xi为原始数据;ai为光谱曲线平均值;bi为光谱曲线的标准差;
3-2)由于高光谱数据采集过程中得到的每张图像为多个玉米种子样本排列的图像信息,但是在高光谱数据分析过程是面需要的玉米种子图像为单粒玉米种子图像,因此需要将多粒玉米种子样本图像切割为单粒玉米种子图像。通过网格切割,将高光谱成像采集系统得到的高光谱图像切割成大小一致的单粒玉米种子图像。
进一步,步骤4-2)中对灰度图像采用最大类间方差法进行区域分割时,具体步骤为:
4-11)用阈值K将像素分为未成熟和成熟区域,计算这2个区域灰度的类间方差σ,寻找最优阈值K使得σ最大,使类间分离性最佳;
4-12)标记每个独立的区域,计算每个区域的平均灰度值n;
4-13)对于PC1图像中的每一个独立的区域,如果n大于分割阈值K,则认为该区域内所有点均未成熟区域;否则,该区域为成熟区域。
本发明的有效效益是:
用本发明方法检测玉米种子成熟度,结合光谱信息与图像信息进行数据处理,判断准确率高,自动化程度高。
附图说明
本发明的附图说明如下:
图1为本发明的方法流程图;
图2为第一次PCA后生成散点图;
图3为单粒玉米种子PCA后第一主成分图像;
图4为最大类间方差法分割得到的未成熟区域图像。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1所示的一种基于级联PCA的单粒玉米种子高光谱检测成熟度的方法,其特征在于,具体步骤如下:
步骤1,样本高光谱采集:采集不同成熟度玉米种子作为样本,利用高光谱成像系统进行高光谱图像信息的采集;
1-1)将玉米样本含乳线面朝上(胚朝下)排列好,采用芬兰Specim公司的SisuCHEMA高光谱成像系统,相机型号为SWIR。SisuCHEMA高光谱成像系统参数设置如下:波长范围为1000-2500nm;光谱分辨率为10nm;空间分辨率384像素;波段数为284个;帧频40Hz;曝光时间3.80us,扫描方式为线扫描。扫描获得玉米种子样本中每个像素点在284个波长下的图像信息,得到玉米种子样本的原始高光谱三维图像;
1-2)对样本高光谱图像进行黑白校正,以减少其他无关因素的干扰,具体采用以下方式进行校正:
首先将标准聚四氟乙烯白板放于成像区域,调整曝光时间,采集本标准白板的全白反射标定图像;
然后盖上镜头盖,关闭光源,获取暗场全黑标定图像;
接着采用下式进行黑白校正,获取校正后的高光谱反射图像I:
式中:I0为采集获得的高光谱图像;W为标准白板的全白反射标定图像;B全黑标定图像。
步骤2,图像背景分割:采用主成分分析(Principal Component Analysis,PCA)方法,将背景与样本的像元分离,除去背景像元,得到去背景后的玉米种子高光谱图像;
基于PCA主成分分析的高光谱图像降维,其原理是:首先求出原始高光谱图像的协方差矩阵,用解特征方程计算出协方差矩阵的各特征值,将特征值按照从大到小的顺序进行排列,并求出相应的特征向量。对原始图像用特征向量构成的正交变换矩阵进行线性变换,可得到变换后的图像矩阵,基本上前几个波段就代表了原始高光谱图像的主要信息,有效的压缩了数据量,取得了关键信息,大大降低了数据冗余。
2-1)对于M×N×B的三维高光谱矩阵,M和N分别为高光谱图像的宽和高,B为高光谱图像维数,即波段数,将三维高光谱矩阵转换为(M×N)×B的二维矩阵,用X=[x1,x2,…,xi,…,xD]表示高光谱图像,其中D=M×N,xi为B维的向量,由同一位置上B个波段的像元值组成;
2-2)将数据矩阵X按列进行中心标准化,为了方便将标准化后的数据矩阵仍然记为X;
2-3)计算高光谱图像X的均值矢量μ和协方差矩阵Σ:
其中,μ=[μ1,μ2,…,μD],Ij(i)表示第i个像元在第j个波段上的像元值;
2-4)求解协方差矩阵Σ的特征值λ和特征向量T:
(λI-Σ)T=0
其中,I为单位矩阵,令λ1,λ2,…,λB为协方差矩阵的特征根,且λ1≧λ2≧…≧λB,其对应的特征向量为T1,T2,…,TB,得正交变换矩阵:
W=[T1,T2,…,TB]
正交变换矩阵满足:
WWT=WTW=1
2-5)高光谱图像线性变换:
Y=WTX
Y为变换后的图像矩阵,图像矩阵中排在前面的几个主成分,即方差贡献率最大的几个主成分。
2-6)以第一主成分为x轴,第二主成分或第三主成分为y轴,绘制二维特征的散点图,如图2所示,图中散点是基于谱相似性聚类的,将散点基于密度进行着色,由于背景与玉米种子成分存在明显差异,各自均有不同的组成结构,所以背景像元与玉米种子像元有明显分开的趋势,从而区分背景像元与玉米种子像元,图2中椭圆所圈出像素点为背景像素点;
2-7)选中背景像元区域进行删除,得到去除背景后的高光谱图像。
步骤3,数据处理:对获得的去除背景后的玉米种子高光谱图像进行标准正态变量变换(Standard Normal Variation,SNV)预处理,并将多粒玉米种子排列的图像切割为单粒玉米种子图像;
3-1)对去除背景后的高光谱图像进行标准正态变量处理,以消除散射造成的误差影响,标准正态变量处理是指基于假设每条光谱曲线的反射值存在一定的统计分布(如正态分布),对光谱曲线进行校正。计算方法就是用每个波段下的光谱值减去该条光谱曲线的平均光谱值除以该条光谱曲线的标准偏差,SNV计算公式如下:
式中,xi,corr为校正后的光谱数据;xi为原始数据;ai为光谱曲线平均值;bi为光谱曲线的标准差;
3-2)由于高光谱数据采集过程中得到的每张图像为多个玉米种子样本排列的图像信息,但是在高光谱数据分析过程是面需要的玉米种子图像为单粒玉米种子图像,因此需要将多粒玉米种子样本图像切割为单粒玉米种子图像。通过网格切割,将高光谱成像采集系统得到的高光谱图像切割成大小一致的单粒玉米种子图像。
步骤4,分割未成熟区域:将步骤3处理后的高光谱图像再次进行主成分分析,然后采用最大类间方差法分割图像;
4-1)对步骤3)获得的单粒玉米种子高光谱图像再次进行PCA,PCA具体步骤同步骤2);
4-2)在PC1图像中能较完整地体现出以乳线为分割的未成熟区域与成熟区域的差异,选择第一主成分图像,进行灰度化处理,如图3所示,采用最大类间方差法对PC1图像中未成熟区域和成熟区域进行分割处理,最大类间方差法具体步骤为:
(1)用阈值K将像素分为未成熟和成熟区域,计算这2个区域灰度的类间方差σ,寻找最优阈值K使得σ最大,使类间分离性最佳;
(2)标记每个独立的区域,计算每个区域的平均灰度值n;
(3)对于PC1图像中的每一个独立的区域,如果n大于分割阈值K,则认为该区域内所有点均未成熟区域;否则,该区域为成熟区域;
4-3)再依次进行填充空洞、腐蚀、和膨胀等图像处理方法得到玉米种子未成熟区域二值图像,如图4所示,计算未成熟区的全部区域像素点。
步骤5,成熟度确定:将步骤3)单粒种子图像二值化,计算种子面积;计算步骤4)得到的未成熟区域面积;计算未成熟度区域面积占玉米籽粒整体面积的比值,低于0.3为成熟度高的种子,高于0.3为成熟度低的种子。
Claims (4)
1.一种单粒玉米种子高光谱检测成熟度的方法,其步骤包括:
1)样本高光谱采集:采集不同成熟度玉米种子作为样本,利用高光谱成像系统进行高光谱图像信息的采集;
2)图像背景分割:采用主成分分析方法将背景与样本的像元分离,除去背景像元,得到去除背景后的玉米种子高光谱图像;其中:
2-1)对于M×N×B的三维高光谱矩阵,M和N分别为高光谱图像的宽和高,B为高光谱图像维数,即波段数,将三维高光谱矩阵转换为(M×N)×B的二维矩阵,用X=[x1,x2,...,xi,...,xD]表示高光谱图像,其中D=M×N,xi为B维的向量,由同一位置上B个波段的像元值组成;
2-2)将数据矩阵X按列进行中心标准化,为了方便将标准化后的数据矩阵仍然记为X;
2-3)计算高光谱图像X的均值矢量μ和协方差矩阵∑:
其中,μ=[μ1,μ2,...,μD],Ij(i)表示第i个像元在第j个波段上的像元值;
2-4)求解协方差矩阵∑的特征值λ和特征向量T:
(λI-∑)T=0
其中,I为单位矩阵,令λ1,λ2,...,λB为协方差矩阵的特征根,且λ1≥λ2≥…≥λB,其对应的特征向量为T1,T2,...,TB,得正交变换矩阵:
W=[T1,T2,...,TB]
正交变换矩阵满足:
WWT=WTW=1
2-5)高光谱图像线性变换:
Y=WTX
Y为变换后的图像矩阵,图像矩阵中排在前面的几个主成分,即方差贡献率最大的几个主成分。
2-6)以第一主成分为x轴,第二主成分或第三主成分为y轴,绘制二维特征的散点图,图中散点是基于谱相似性聚类的,将散点基于密度进行着色,由于背景与玉米种子成分存在明显差异,各自均有不同的组成结构,所以背景像元与玉米种子像元有明显分开的趋势,从而区分背景像元与玉米种子像元;
3)数据处理:对获得的去除背景后的玉米种子高光谱图像进行标准正态变量变换预处理,并将多粒玉米种子排列的图像切割为单粒玉米种子图像;
4)分割未成熟区域:将步骤3)处理后的高光谱图像再次进行主成分分析,然后采用最大类间方差法分割图像,可分割为两部分,乳线以上未成熟度区域和乳线以下成熟区域;其中:
4-1)对步骤3)获得的单粒玉米种子高光谱图像再次进行主成分分析,具体步骤同步骤2);
4-2)在PC1图像中能较完整地体现出以乳线为分割的未成熟区域与成熟区域的差异,选择第一主成分图像,进行灰度化处理,采用最大类间方差法对PC1图像中未成熟区域和成熟区域进行分割处理;
4-3)再依次进行填充空洞、腐蚀、和膨胀等图像处理方法得到玉米种子未成熟区域二值图像,计算未成熟区的全部像素点;
5)成熟度确定:将步骤3)单粒种子图像二值化,计算种子面积;计算步骤4)得到的未成熟区域面积;计算未成熟度区域面积占玉米籽粒整体面积的比值,低于0.3为成熟度高的种子,高于0.3为成熟度低的种子。
2.如权利要求1所述的单粒玉米种子高光谱检测成熟度的方法,其特征在于:步骤1)中样本高光谱采集的具体步骤为:
1-1)将玉米种子样本含乳线面朝上(胚朝下)排列好,用高光谱成像系统扫描获得玉米种子样本中每个像素点在各波长下的图像信息,得到玉米种子样本的原始高光谱三维图像;
1-2)对样本高光谱图像进行黑白校正,以减少其他无关因素的干扰,具体采用以下方式进行校正:
首先将标准聚四氟乙烯白板放于成像区域,调整曝光时间,采集本标准白板的全白反射标定图像;
然后盖上镜头盖,关闭光源,获取暗场全黑标定图像;
接着采用下式进行黑白校正,获取校正后的高光谱反射图像I:
式中:I0为采集获得的高光谱图像;W为标准白板的全白反射标定图像;B全黑标定图像。
3.如权利要求1所述的单粒玉米种子高光谱检测成熟度的方法,其特征在于,步骤3)数据处理中的具体步骤如下:
3-1)对去除背景后的高光谱图像进行标准正态变量处理,以消除散射造成的误差影响,标准正态变量处理是指基于假设每条光谱曲线的反射值存在一定的统计分布,对光谱曲线进行校正,计算方法就是用每个波段下的光谱值减去该条光谱曲线的平均光谱值除以该条光谱曲线的标准偏差,SNV计算公式如下:
式中,xi,corr为校正后的光谱数据;xi为原始数据;ai为光谱曲线平均值;bi为光谱曲线的标准差;
3-2)由于高光谱数据采集过程中得到的每张图像为多个玉米种子样本排列的图像信息,但是在高光谱数据分析过程是面需要的玉米种子图像为单粒玉米种子图像,因此需要将多粒玉米种子样本图像切割为单粒玉米种子图像。通过网格切割,将高光谱成像采集系统得到的高光谱图像切割成大小一致的单粒玉米种子图像。
4.如权利要求1所述的单粒玉米种子高光谱检测成熟度的方法,其特征在于:所述步骤4)中对灰度图像采用最大类间方差法分割的具体步骤为:
4-11)用阈值K将像素分为未成熟和成熟区域,计算这2个区域灰度的类间方差σ,寻找最优阈值K使得σ最大,使类间分离性最佳;
4-12)标记每个独立的区域,计算每个区域的平均灰度值n;
4-13)对于PC1图像中的每一个独立的区域,如果n大于分割阈值K,则认为该区域内所有点均未成熟区域;否则,该区域为成熟区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110973947.0A CN113777104B (zh) | 2021-08-24 | 2021-08-24 | 一种单粒玉米种子高光谱检测成熟度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110973947.0A CN113777104B (zh) | 2021-08-24 | 2021-08-24 | 一种单粒玉米种子高光谱检测成熟度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113777104A true CN113777104A (zh) | 2021-12-10 |
CN113777104B CN113777104B (zh) | 2023-08-29 |
Family
ID=78839165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110973947.0A Active CN113777104B (zh) | 2021-08-24 | 2021-08-24 | 一种单粒玉米种子高光谱检测成熟度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113777104B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931223A (zh) * | 2016-04-13 | 2016-09-07 | 浙江大学 | 基于波段比方法的高光谱反射图像中玉米胚部的分割方法 |
CN106546541A (zh) * | 2016-10-31 | 2017-03-29 | 浙江大学 | 一种基于高光谱转基因玉米籽粒的识别装置与方法 |
WO2017190542A1 (zh) * | 2016-05-04 | 2017-11-09 | 山东大学 | 一种基于分块的vca端元提取方法 |
WO2017215284A1 (zh) * | 2016-06-14 | 2017-12-21 | 山东大学 | 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法 |
WO2019174572A1 (zh) * | 2018-03-12 | 2019-09-19 | 浙江大学 | 一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法 |
CN113049530A (zh) * | 2021-03-17 | 2021-06-29 | 北京工商大学 | 一种基于近红外高光谱的单粒玉米种子水分含量检测方法 |
-
2021
- 2021-08-24 CN CN202110973947.0A patent/CN113777104B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931223A (zh) * | 2016-04-13 | 2016-09-07 | 浙江大学 | 基于波段比方法的高光谱反射图像中玉米胚部的分割方法 |
WO2017190542A1 (zh) * | 2016-05-04 | 2017-11-09 | 山东大学 | 一种基于分块的vca端元提取方法 |
WO2017215284A1 (zh) * | 2016-06-14 | 2017-12-21 | 山东大学 | 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法 |
CN106546541A (zh) * | 2016-10-31 | 2017-03-29 | 浙江大学 | 一种基于高光谱转基因玉米籽粒的识别装置与方法 |
WO2019174572A1 (zh) * | 2018-03-12 | 2019-09-19 | 浙江大学 | 一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法 |
CN113049530A (zh) * | 2021-03-17 | 2021-06-29 | 北京工商大学 | 一种基于近红外高光谱的单粒玉米种子水分含量检测方法 |
Non-Patent Citations (1)
Title |
---|
杨小玲;由昭红;成芳;: "高光谱成像技术检测玉米种子成熟度", 光谱学与光谱分析, no. 12 * |
Also Published As
Publication number | Publication date |
---|---|
CN113777104B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11454594B2 (en) | Method for identifying frostbite condition of grain seeds using spectral feature wavebands of seed embryo hyperspectral images | |
Bhargava et al. | Fruits and vegetables quality evaluation using computer vision: A review | |
CN109308697B (zh) | 一种基于机器学习算法的树叶病害识别方法 | |
CN102495005B (zh) | 高光谱图像技术诊断作物水分亏缺的方法 | |
Wu et al. | Variety identification of oat seeds using hyperspectral imaging: Investigating the representation ability of deep convolutional neural network | |
CN109255757B (zh) | 一种机器视觉自然放置葡萄串果梗区域分割方法 | |
US20040224301A1 (en) | Methods for classification of somatic embryos | |
US20080052056A1 (en) | Methods for classification of somatic embryos | |
CN112287886B (zh) | 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法 | |
CN113029971B (zh) | 一种作物冠层氮素监测方法及系统 | |
CN109522929A (zh) | 一种基于多源图像融合的自然环境下麦田杂草识别方法 | |
CN112557393B (zh) | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 | |
CN114612794B (zh) | 一种细碎化农业区土地覆被与种植结构的遥感识别方法 | |
CN112903602A (zh) | 基于机器学习和高光谱成像的多种类柑橘病叶识别方法及系统 | |
Liu et al. | Estimating wheat fractional vegetation cover using a density peak k-means algorithm based on hyperspectral image data | |
Raut et al. | Assessment of fruit maturity using digital image processing | |
CN115861817A (zh) | 一种基于主成分分析的高光谱小麦条锈病分类识别方法 | |
CN113570538A (zh) | 一种叶片rgb图像偏态分布参数信息采集及分析方法 | |
CN115661813A (zh) | 基于高光谱成像技术的多粮混杂碎颗粒快速分类检测方法 | |
CN115424006A (zh) | 应用于作物表型参数反演的多源多层次数据融合方法 | |
CN116524224A (zh) | 一种基于机器视觉的烤后烟叶类型检测方法及系统 | |
CN117541835A (zh) | 基于高光谱成像及深度学习的柑橘叶片水分胁迫检测方法及系统 | |
CN113777104B (zh) | 一种单粒玉米种子高光谱检测成熟度的方法 | |
Ji et al. | Apple color automatic grading method based on machine vision | |
Zakiyyah et al. | Characterization and Classification of Citrus reticulata var. Keprok Batu 55 Using Image Processing and Artificial Intelligence |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |