CN113791078A - 一种玉米种子内部裂纹批量检测方法及装置 - Google Patents

一种玉米种子内部裂纹批量检测方法及装置 Download PDF

Info

Publication number
CN113791078A
CN113791078A CN202111026195.3A CN202111026195A CN113791078A CN 113791078 A CN113791078 A CN 113791078A CN 202111026195 A CN202111026195 A CN 202111026195A CN 113791078 A CN113791078 A CN 113791078A
Authority
CN
China
Prior art keywords
seed
seeds
batch
corn
detection
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
Application number
CN202111026195.3A
Other languages
English (en)
Other versions
CN113791078B (zh
Inventor
吕程序
张宇卓
毛文华
李佳
董鑫
赵博
方宪法
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chinese Academy of Agricultural Mechanization Sciences
Original Assignee
Chinese Academy of Agricultural Mechanization Sciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chinese Academy of Agricultural Mechanization Sciences filed Critical Chinese Academy of Agricultural Mechanization Sciences
Priority to CN202111026195.3A priority Critical patent/CN113791078B/zh
Publication of CN113791078A publication Critical patent/CN113791078A/zh
Application granted granted Critical
Publication of CN113791078B publication Critical patent/CN113791078B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/286—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q involving mechanical work, e.g. chopping, disintegrating, compacting, homogenising
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/286—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q involving mechanical work, e.g. chopping, disintegrating, compacting, homogenising
    • G01N2001/2873—Cutting or cleaving
    • 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
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8858—Flaw counting
    • 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
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Abstract

一种玉米种子内部裂纹批量检测方法及装置，该方法包括：采集承载种子的整张种板图，用训练好的种子检测模型进行整个种板的定位并画出识别框，对该识别框内的区域进行切片，得到切片后的种板图；对该种板图上所有的玉米种子进行检测定位，并捕捉检测框的位置，对该检测框内的区域再次进行切片，以切分出每粒种子的位置图；对该位置图进行图像增强；以该位置图的图片中轴线为基准，对其进行均等切片，并用该种子检测模型检测每一个切分好的图片中是否存在裂纹；遍历种板上的所有种子，并对检测出的有裂纹种子和正常种子分别计数；以及输出有裂纹种子及正常种子的数目。本发明还提供了采用上述方法进行玉米种子内部裂纹批量检测的装置。

Description

一种玉米种子内部裂纹批量检测方法及装置
技术领域
本发明涉及农林种植维护保障技术，特别是一种基于卷积神经网络(CNN)的可以批量识别玉米种子内部裂纹的玉米种子内部裂纹批量检测方法及装置。
背景技术
玉米营养价值较高，含有较为丰富的蛋白质、脂肪、维生素、微量元素、纤维素等。除了丰富的营养价值外，玉米在抗高血压、防治肝性脑病、防癌、防过敏、抗疲劳、抗氧化等方面也起着积极作用，被誉为长寿食品。玉米对于我国农业经济增长以及养殖饲料供应等起着不可或缺的作用，其用途涉及人们日常饮食、饲料加工及工业加工等。自2012年，玉米成为我国种植面积最大的粮食作物。
玉米的大种植背景，带来的是市场对玉米种子的大需求量以及对种子质量的高要求。然而，从玉米收获到种子销售的各个环节，由于静载、挤压、振动、碰撞、冲击等的作用，使得一些种子存在不同程度损伤。依据损伤出现位置，可以将种子损伤分为外部损伤和内部损伤，其中，外部损伤以表面破损、表面裂纹为主，损伤形式直观，通过肉眼可以识别挑选出来，内部损伤主要以裂纹为主，由于其表面的相对完好，使得内部裂纹难以发现，具有潜在的危害性。相关研究已经表明，内部裂纹的存在，使得玉米种子发芽率低，种子发育差，这对围绕玉米进行生产的各个环节有着不良影响。然而，目前在玉米种子内部裂纹识别上，缺乏相应的有效检测设施，因此，对玉米种子内部裂纹进行识别研究，提供一种可实现批量识别算法的识别系统是本领域亟待解决的技术问题。
发明内容
本发明所要解决的技术问题是针对现有技术的上述缺陷，提供一种玉米种子内部裂纹批量检测方法及装置。
为了实现上述目的，本发明提供了一种玉米种子内部裂纹批量检测方法，其中，包括如下步骤：
S100、采集承载种子的整张种板图，用训练好的种子检测模型进行整个种板的定位并画出识别框，对所述识别框内的区域进行切片，得到切片后的种板图；
S200、对切片后的所述种板图上所有的玉米种子进行检测定位，并捕捉检测框的位置，对所述检测框内的区域再次进行切片，以切分出每粒种子的位置图；
S300、对切分出的每粒种子的位置图进行图像增强，以使种子呈现出完整清晰的轮廓曲线；
S400、以每粒种子的位置图的图片中轴线为基准，对图片进行均等切片，并用所述种子检测模型检测每一个切分好的图片中是否存在裂纹；
S500、遍历种板上的所有种子，并对检测出的有裂纹种子和正常种子分别计数；以及
S600、输出有裂纹种子及正常种子的数目。
上述的玉米种子内部裂纹批量检测方法，其中，还包括：
S700、将被检测框出的裂纹位置投射在单粒种子图上，并进一步投射在原图上，以清晰标注有裂纹种子的位置便于筛选分离。
上述的玉米种子内部裂纹批量检测方法，其中，检测结果采用PC可视化界面输出。
上述的玉米种子内部裂纹批量检测方法，其中，步骤S300中，进一步包括：
S301、对每粒种子的位置图进行灰度直方图处理；
S302、对处理后的每粒种子的位置图进一步运用导向滤波去除图像的干扰噪声；以及
S303、运用反锐化掩膜处理和对比度线性滤波对每粒种子的位置图再次进行图像增强，得到种子的完整清晰的轮廓曲线。
上述的玉米种子内部裂纹批量检测方法，其中，步骤S500中，如果切分的图片都没检测出有裂纹，则判定该粒种子是正常种子并相应计数；若切分的图片有一张或多张存在裂纹，则判定该粒种子是有裂纹种子并相应计数。
上述的玉米种子内部裂纹批量检测方法，其中，所述种子检测模型为Yolov3模型。
上述的玉米种子内部裂纹批量检测方法，其中，所述Yolov3模型的主体网络为EffNet框架，所述Yolov3模型的归一化采用IN。
上述的玉米种子内部裂纹批量检测方法，其中，步骤S400中，还包括用每粒种子的位置图对所述种子检测模型同时训练检测，以进一步提高所述种子检测模型的准确度。
上述的玉米种子内部裂纹批量检测方法，其中，所述Yolov3模型对种板画出的识别框采用CV或PIL捕捉。
为了更好地实现上述目的，本发明还提供了一种玉米种子内部裂纹批量检测装置，其中，采用上述的玉米种子内部裂纹批量检测方法进行玉米种子内部裂纹批量检测。
本发明的技术效果在于：
本发明解决了现有技术玉米种子内部裂纹识别效率低准确率低的问题，基于卷积神经网络(CNN)，改进优化了Yolov3模型，在检测时输入图片后先对整体种板图进行定位切片，对种子进行目标检测选择检验框进行二次切片，通过滤波及反锐化等操作进行图像增强，产生较大的明暗度差异，对种子内部进行多次切片，对每张图片同时训练检测，判断裂纹，再投射原图进行甄别筛选，最后输出检测结果，统计裂纹数目，完成批量检测。
以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。
附图说明
图1为本发明一实施例的玉米种子内部裂纹批量检测方法工作原理图。
具体实施方式
下面结合附图对本发明的结构原理和工作原理作具体的描述：
参见图1，图1为本发明一实施例的玉米种子内部裂纹批量检测方法工作原理图。本发明的玉米种子内部裂纹批量检测方法，包括如下步骤：
步骤S100、采集承载种子的整张种板图，用训练好的种子检测模型进行整个种板的定位并画出识别框，对所述识别框内的区域进行切片，得到切片后的种板图；
步骤S200、对切片后的所述种板图上所有的玉米种子进行检测定位，并捕捉检测框的位置，对所述检测框内的区域再次进行切片，以切分出每粒种子的位置图；
步骤S300、对切分出的每粒种子的位置图进行图像增强，以使种子呈现出完整清晰的轮廓曲线；进一步包括：
步骤S301、对每粒种子的位置图进行灰度直方图处理；
步骤S302、对处理后的每粒种子的位置图进一步运用导向滤波去除图像的干扰噪声；以及
步骤S303、运用反锐化掩膜处理和对比度线性滤波对每粒种子的位置图再次进行图像增强，得到种子的完整清晰的轮廓曲线；
步骤S400、以每粒种子的位置图的图片中轴线为基准，对图片进行均等切片，并用所述种子检测模型检测每一个切分好的图片中是否存在裂纹；还可用每粒种子的位置图对所述种子检测模型同时训练检测，以进一步提高所述种子检测模型的准确度；
步骤S500、遍历种板上的所有种子，并对检测出的有裂纹种子和正常种子分别计数，如果切分的图片都没检测出有裂纹，则判定该粒种子是正常种子并相应计数；若切分的图片有一张或多张存在裂纹，则判定该粒种子是有裂纹种子并相应计数；以及
步骤S600、输出有裂纹种子及正常种子的数目。
本实施例中，还可包括：
S700、将被检测框出的裂纹位置投射在单粒种子图上，并进一步投射在原图上，以清晰标注有裂纹种子的位置便于筛选分离。
其中，检测结果优选采用可视化界面输出。所述Yolov3模型的主体网络优选为EffNet框架，所述Yolov3模型的归一化优选采用IN(Instance Normalization)，即为针对不同的批尺寸进行的归一化。所述Yolov3模型对种板画出的识别框采用CV或PIL(Python自带图形处理工具库)捕捉。
本发明的玉米种子内部裂纹批量检测装置，采用上述的玉米种子内部裂纹批量检测方法进行玉米种子内部裂纹批量检测。将玉米种子排列置于种板中，由于玉米种子内部裂纹存在于种子内部不易识别，需借助光源投射，内部裂纹才能显现出来。所以在采集图片时，对放置玉米种子的种板底下安装了光源板，每一个种子都对应一个光源，通过反复调节光源的电压来保证玉米种子内部裂纹清晰呈现。调整光源，使每个种板孔的种子达到最佳的检测效果，采集多张图片进行预处理。由于玉米种子的内部裂纹极其细微，在对图片进行切分时需保持种子图片的最大像素，这样送入模型训练时可以保证神经网络充分提取图像特征。采集的图片优选为2448*2048像素，利用Opencv去除多余像素，以批量去除种板外的多余像素。再用Opencv对种板图进行切片，最终切分成100*100像素的玉米种子图片。将切分好的图片存放在有裂纹、正常和非裂纹种子的三类数据集中，各5000张图片，对所有图片打上相应类别的标签，将训练集和测试集的图片数量比设为7:3，保证其验证训练效果。
使用基于Pytorch的深度学习框架，优选Python3.7编程语言，在Pycharm搭建改进的Yolov3模型，用Anonconda配置环境添加模型训练及测试的依赖。Pytorch作为一种可塑性较强的动态API，相较于Tensorflow神经网络更易扩充展开，支持GPU加速，更符合训练要求，可在win10或ubuntu18.04操作系统下运行。训练完成后得到模型训练好的权重文件。
将玉米种子排列在种板上，调节光源强度，调试软件打开操作界面。启动玉米种子内部裂纹识别软件，点击开始运行，采集图片进行上述处理识别后，在界面上输出这批次的玉米种子检测结果。
从实验种子选取400粒，分为10组，每组40粒，检测结果表1所示。
表1批量检测玉米种子内部裂纹准确率
Figure BDA0003243562230000051
在对玉米种子进行批量检测时，相机采集的像素往往会大于承载玉米种子容器的实际像素点，所以需要对种子容器进行一个初步定位。本实施里优选Yolov3作为种子的目标检测算法，Yolov3结合了大部分目标检测算法的特点，定位准确率较高，泛化性能较为出色，且训练时充分发挥显卡性能。Yolov3的主体部件采用的DarkNet网络，其是为了在保证减少计算量的同时增加更高的准确率。由于检测玉米种子内部裂纹时，需要配合光源的射入，所以在相机拍摄时，玉米种子容器位置较为明亮，与周围的多余像素产生鲜明对比，所以在玉米种子内部裂纹的识别算法中不需要DarkNet这种层次很深的网络结构，为了满足对于玉米种子进行检测，本实施例对Yolov3进行改良，优选主干网络为EffNet的轻型网络，由于使用空间可分离卷积，能够分离的进行池化和卷积，比起其他的轻型神经网络，图片的特征值能被更好地提取，且训练速度更快，效果最好。Yolov3在归一化时，通常采用BN(Batch Normalization)，即只针对一批次样本归一化，将每个通道的信息单独进行计算处理，当本实施里训练种子检测模型时，由于上述因素，送入网络的批尺寸选择较小值更为合理，但BN归一化对每个通道的信息进行计算处理不符合要求，所以优选为IN归一化计算，不受批尺寸变化的影响。
如图1所示，由于玉米种子内部裂纹在图片上很细微，所以不能在整张图片上做有无裂纹的目标检测，需要采用本发明的玉米种子内部裂纹批量检测方法识别。对机器采集的整张种板图进行输入时，先进行整个种板的定位，训练数据时采用本实施例改进后的Yolov3模型，这样权重文件不大，且能将种板在图片上与其他像素区分开，模型对种板画出的识别框将其用CV或PIL捕捉，将框内的区域进行切片，这样就切出了承载种子的种板图。
然后，输入切片好的种板图，对种板上所有的玉米种子进行检测定位，采集大量的玉米种子数据作为训练样本，模型选择Yolov3模型，对种板上每粒种子进行定位，加载训练后的权重文件，存在玉米种子的位置会被检测出来，同时，捕捉检测框的位置，对框内区域再次进行切片，这样每粒种子的位置图都被切分出。
之后，输入切片好的单张种子图，为了使得图片中的裂纹更加清晰，优选对图片进行灰度直方图的处理。根据实际情况，种子的边缘与裂纹和胚乳整体在灰度处理后，能呈现出明暗差异，为了让效果更加明显，优选运用导向滤波去除图像的干扰噪声，运用反锐化掩膜处理、对比度线性滤波再次进行图像增强，这样使得种子可在图像上呈现出完整清晰的轮廓曲线。图像增强后的种子图片，以图片中轴线为基准，对图片进行均等切片，此时主要检测每一个切分好的图片中是否存在裂纹，每个切片图同时进行训练检测，应用本实施里改良后的Yolov3模型，加快检测效率。并且在训练结果输出后，加入判别机制，如果切分的图都没检测出有裂纹，则判定该粒种子是无裂纹的；若切分的图有一张或者多张存在裂纹，则判定该粒种子是存在裂纹的，这样种板上所有种子都会被检测出是否存在裂纹。
识别任务完成后，将该批次种子做计数，每粒种子在检测完是否存在内部裂纹后，会在相应类别做计数，优选PC可视化界面输出有裂纹种子数目以及正常种子的数目。为了在后续筛选分离出有裂纹的种子，优选在PC可视化界面上输出最开始相机拍摄的承载种子的种板图片，被检测框出的裂纹位置会投射在单粒种子图上，从而进一步投射在未处理的种板图上，输出的图片就会清晰标注有裂纹种子的位置，便于后续筛选分离。
当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (10)

1.一种玉米种子内部裂纹批量检测方法，其特征在于，包括如下步骤：
S100、采集承载种子的整张种板图，用训练好的种子检测模型进行整个种板的定位并画出识别框，对所述识别框内的区域进行切片，得到切片后的种板图；
S200、对切片后的所述种板图上所有的玉米种子进行检测定位，并捕捉检测框的位置，对所述检测框内的区域再次进行切片，以切分出每粒种子的位置图；
S300、对切分出的每粒种子的位置图进行图像增强，以使种子呈现出完整清晰的轮廓曲线；
S400、以每粒种子的位置图的图片中轴线为基准，对图片进行均等切片，并用所述种子检测模型检测每一个切分好的图片中是否存在裂纹；
S500、遍历种板上的所有种子，并对检测出的有裂纹种子和正常种子分别计数；以及
S600、输出有裂纹种子及正常种子的数目。
2.如权利要求1所述的玉米种子内部裂纹批量检测方法，其特征在于，还包括：
S700、将被检测框出的裂纹位置投射在单粒种子图上，并进一步投射在原图上，以清晰标注有裂纹种子的位置便于筛选分离。
3.如权利要求1或2所述的玉米种子内部裂纹批量检测方法，其特征在于，检测结果采用PC可视化界面输出。
4.如权利要求3所述的玉米种子内部裂纹批量检测方法，其特征在于，步骤S300中，进一步包括：
S301、对每粒种子的位置图进行灰度直方图处理；
S302、对处理后的每粒种子的位置图进一步运用导向滤波去除图像的干扰噪声；以及
S303、运用反锐化掩膜处理和对比度线性滤波对每粒种子的位置图再次进行图像增强，得到种子的完整清晰的轮廓曲线。
5.如权利要求4所述的玉米种子内部裂纹批量检测方法，其特征在于，步骤S500中，如果切分的图片都没检测出有裂纹，则判定该粒种子是正常种子并相应计数；若切分的图片有一张或多张存在裂纹，则判定该粒种子是有裂纹种子并相应计数。
6.如权利要求4所述的玉米种子内部裂纹批量检测方法，其特征在于，所述种子检测模型为Yolov3模型。
7.如权利要求6所述的玉米种子内部裂纹批量检测方法，其特征在于，所述Yolov3模型的主体网络为EffNet框架，所述Yolov3模型的归一化采用IN。
8.如权利要求7所述的玉米种子内部裂纹批量检测方法，其特征在于，步骤S400中，还包括用每粒种子的位置图对所述种子检测模型同时训练检测，以进一步提高所述种子检测模型的准确度。
9.如权利要求8所述的玉米种子内部裂纹批量检测方法，其特征在于，所述Yolov3模型对种板画出的识别框采用CV或PIL捕捉。
10.一种玉米种子内部裂纹批量检测装置，其特征在于，采用上述权利要求1-9中任意一项所述的玉米种子内部裂纹批量检测方法进行玉米种子内部裂纹批量检测。
CN202111026195.3A 2021-09-02 2021-09-02 一种玉米种子内部裂纹批量检测方法及装置 Active CN113791078B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111026195.3A CN113791078B (zh) 2021-09-02 2021-09-02 一种玉米种子内部裂纹批量检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111026195.3A CN113791078B (zh) 2021-09-02 2021-09-02 一种玉米种子内部裂纹批量检测方法及装置

Publications (2)

Publication Number Publication Date
CN113791078A true CN113791078A (zh) 2021-12-14
CN113791078B CN113791078B (zh) 2023-06-13

Family

ID=78879505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111026195.3A Active CN113791078B (zh) 2021-09-02 2021-09-02 一种玉米种子内部裂纹批量检测方法及装置

Country Status (1)

Country Link
CN (1) CN113791078B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115775222A (zh) * 2022-07-14 2023-03-10 三峡大学 混凝土图像处理方法、装置、电子设备及存储介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000028541A (ja) * 1998-07-10 2000-01-28 Ishikawajima Harima Heavy Ind Co Ltd コンクリート表面のクラック検出方法
CN102621077A (zh) * 2012-03-30 2012-08-01 江南大学 高光谱反射图像采集系统及基于该系统的玉米种子纯度无损检测方法
CN104658015A (zh) * 2015-01-21 2015-05-27 沈阳理工大学 玉米育种激光自动切片的视觉定位方法
CN109766742A (zh) * 2018-11-20 2019-05-17 安徽农业大学 一种玉米籽裂纹识别方法、装置、系统、设备和存储介质
CN109886997A (zh) * 2019-01-23 2019-06-14 平安科技（深圳）有限公司 基于目标检测的识别框确定方法、装置及终端设备
CN109961441A (zh) * 2019-03-19 2019-07-02 广东省农业科学院水稻研究所 杂交稻种子裂颖率的高效测定方法
CN110231341A (zh) * 2019-04-29 2019-09-13 中国科学院合肥物质科学研究院 一种水稻种子内部裂纹在线检测装置及其检测方法
CN110412045A (zh) * 2019-07-04 2019-11-05 中国农业机械化科学研究院 一种透射式玉米种子内部裂纹快速检测装置与方法
CN111339839A (zh) * 2020-02-10 2020-06-26 广州众聚智能科技有限公司 一种密集型目标检测计量方法
CN111397709A (zh) * 2020-05-18 2020-07-10 扬州大学 一种小麦千粒重快速测量方法
JP6790210B1 (ja) * 2019-10-03 2020-11-25 エヌ・ティ・ティ・コムウェア株式会社 道路損傷判定装置、道路損傷判定方法及び道路損傷判定プログラム
CN112233092A (zh) * 2020-10-16 2021-01-15 广东技术师范大学 一种用于无人机电力巡检智能缺陷检测的深度学习方法
CN112330635A (zh) * 2020-11-06 2021-02-05 中国农业机械化科学研究院 一种基于相关滤波的玉米种子内部裂纹检测方法
CN113095277A (zh) * 2021-04-27 2021-07-09 东南大学 一种基于目标空间分布特征的无人机航拍车辆检测方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000028541A (ja) * 1998-07-10 2000-01-28 Ishikawajima Harima Heavy Ind Co Ltd コンクリート表面のクラック検出方法
CN102621077A (zh) * 2012-03-30 2012-08-01 江南大学 高光谱反射图像采集系统及基于该系统的玉米种子纯度无损检测方法
CN104658015A (zh) * 2015-01-21 2015-05-27 沈阳理工大学 玉米育种激光自动切片的视觉定位方法
CN109766742A (zh) * 2018-11-20 2019-05-17 安徽农业大学 一种玉米籽裂纹识别方法、装置、系统、设备和存储介质
CN109886997A (zh) * 2019-01-23 2019-06-14 平安科技（深圳）有限公司 基于目标检测的识别框确定方法、装置及终端设备
CN109961441A (zh) * 2019-03-19 2019-07-02 广东省农业科学院水稻研究所 杂交稻种子裂颖率的高效测定方法
CN110231341A (zh) * 2019-04-29 2019-09-13 中国科学院合肥物质科学研究院 一种水稻种子内部裂纹在线检测装置及其检测方法
CN110412045A (zh) * 2019-07-04 2019-11-05 中国农业机械化科学研究院 一种透射式玉米种子内部裂纹快速检测装置与方法
JP6790210B1 (ja) * 2019-10-03 2020-11-25 エヌ・ティ・ティ・コムウェア株式会社 道路損傷判定装置、道路損傷判定方法及び道路損傷判定プログラム
CN111339839A (zh) * 2020-02-10 2020-06-26 广州众聚智能科技有限公司 一种密集型目标检测计量方法
CN111397709A (zh) * 2020-05-18 2020-07-10 扬州大学 一种小麦千粒重快速测量方法
CN112233092A (zh) * 2020-10-16 2021-01-15 广东技术师范大学 一种用于无人机电力巡检智能缺陷检测的深度学习方法
CN112330635A (zh) * 2020-11-06 2021-02-05 中国农业机械化科学研究院 一种基于相关滤波的玉米种子内部裂纹检测方法
CN113095277A (zh) * 2021-04-27 2021-07-09 东南大学 一种基于目标空间分布特征的无人机航拍车辆检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
闫彬 等: "基于机器视觉技术检测裂纹玉米种子", 《农机化研究》, vol. 42, no. 5, 31 May 2020 (2020-05-31), pages 181 - 185 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115775222A (zh) * 2022-07-14 2023-03-10 三峡大学 混凝土图像处理方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN113791078B (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
US10747999B2 (en) Methods and systems for pattern characteristic detection
EP3832524A1 (en) System and method for determining damage on crops
KR20200084940A (ko) Cnn 기반 병해 및 손상 과일 분류 장치 및 방법
CN106872473A (zh) 一种基于机器视觉的马铃薯缺陷检测识别系统设计
CN109101891A (zh) 一种融合人工智能的水稻病虫害检测系统及其检测方法
Chen et al. A practical solution for ripe tomato recognition and localisation
CN112990103A (zh) 一种基于机器视觉的串采二次定位方法
Patki et al. Cotton leaf disease detection & classification using multi SVM
CN115861721B (zh) 基于图像数据的畜禽养殖喷雾设备状态识别方法
CN113791078B (zh) 一种玉米种子内部裂纹批量检测方法及装置
Zhang et al. A novel image detection method for internal cracks in corn seeds in an industrial inspection line
CN109934297B (zh) 一种基于深度学习卷积神经网络的水稻考种方法
CN110929787B (zh) 一种基于图像的苹果客观定级系统
JP2022114352A (ja) 人工知能（ａｉ）による推定システム、学習データ生成装置、学習装置、摘果対象物推定装置、学習システム、及び、プログラム
Ignacio et al. A YOLOv5-based deep learning model for in-situ detection and maturity grading of mango
CN116664608A (zh) 基于图像增强的目标检测与定位方法
Dhole et al. Review of leaf unhealthy region detection using image processing techniques
CN110348530B (zh) 用于识别口红色号的方法
JP2022114418A (ja) 人工知能（ａｉ）の学習装置、摘果対象物推定装置、推定システム、及び、プログラム
CN108734703B (zh) 基于机器视觉的抛光砖打印图样检测方法、系统及装置
Kotwaliwale et al. Machine vision for characterisation of some phenomic features of plant parts in distinguishing varieties-a review
CN110298849A (zh) 基于眼底图像的硬性渗出分割方法
CN112132792A (zh) 基于高光谱和深度学习的山核桃内源异物像素级检测方法
CN116758024B (zh) 一种花生种子方向识别方法
CN112704259B (zh) 一种密集烟叶识别的打叶质量评价方法及系统

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