CN113935963B - 一种荔枝种胚发育程度的图像识别检测方法及系统 - Google Patents
一种荔枝种胚发育程度的图像识别检测方法及系统 Download PDFInfo
- Publication number
- CN113935963B CN113935963B CN202111172800.8A CN202111172800A CN113935963B CN 113935963 B CN113935963 B CN 113935963B CN 202111172800 A CN202111172800 A CN 202111172800A CN 113935963 B CN113935963 B CN 113935963B
- Authority
- CN
- China
- Prior art keywords
- embryo
- point
- line segment
- ovule
- litchi
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 230000013020 embryo development Effects 0.000 title claims abstract description 24
- 241001629511 Litchi Species 0.000 title claims abstract 26
- 210000001161 mammalian embryo Anatomy 0.000 claims abstract description 228
- 206010000210 abortion Diseases 0.000 claims abstract description 78
- 231100000176 abortion Toxicity 0.000 claims abstract description 77
- 238000005070 sampling Methods 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 20
- 210000002257 embryonic structure Anatomy 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 230000035772 mutation Effects 0.000 claims description 38
- 238000011161 development Methods 0.000 claims description 13
- 230000018109 developmental process Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 239000011324 bead Substances 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 244000183278 Nephelium litchi Species 0.000 description 90
- 210000004940 nucleus Anatomy 0.000 description 43
- 235000013399 edible fruits Nutrition 0.000 description 10
- 239000011049 pearl Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 240000007594 Oryza sativa Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 230000034303 cell budding Effects 0.000 description 2
- 230000005089 fruit drop Effects 0.000 description 2
- 238000009396 hybridization Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 244000144730 Amygdalus persica Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 244000141359 Malus pumila Species 0.000 description 1
- 235000006040 Prunus persica var persica Nutrition 0.000 description 1
- 241000220324 Pyrus Species 0.000 description 1
- 238000011529 RT qPCR Methods 0.000 description 1
- 241001093760 Sapindaceae Species 0.000 description 1
- 241000219094 Vitaceae Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000004883 flower formation Effects 0.000 description 1
- 230000005078 fruit development Effects 0.000 description 1
- 235000021021 grapes Nutrition 0.000 description 1
- 210000002231 macronucleus Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 235000021017 pears Nutrition 0.000 description 1
- 230000008844 regulatory mechanism Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G06T3/04—
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
Abstract
本发明公开了一种荔枝种胚发育程度的图像识别检测方法，步骤包括使用工业线阵相机扫描荔枝种胚切面，获得种胚彩色图，对种胚彩色图进行预处理，包括降噪，边缘识别和灰度化，得到种胚灰度图，识别种胚灰度图获得败育系数，根据多个取样周期的败育系数判断荔枝种胚败育的关键时期。本发明实现了以统一的标准识别荔枝败育情况，明确不同荔枝品种胚败育发生的关键时期及败育表现对后期QRT‑PCR检测候选基因表达及的取样时期具有非常重要的指导作用。
Description
技术领域
本发明涉及荔枝种胚识别技术领域，具体涉及一种荔枝种胚发育程度的图像识别检测方法及系统。
背景技术
荔枝（Litchi Chinensis Sonn.）属于无患子科（Sapindaceae）荔枝属（LitchiSonnerat），是我国南方最重要的亚热带经济水果之一，原产于我国，2018年全国荔枝种植面积约为54.2万公顷，产量约为301万吨，是中国特色水果，在，种植面积排在苹果、柑橘、梨、葡萄和桃之后，属于大宗果树。但产量不稳定，亩产低，究其原因是荔枝成花不稳定和果实发育过程生理落果严重导致的单产低且不稳，而且目前荔枝产业存在品种结构不合理和成熟期高度集中等问题。
针对以上问题，利用杂交技术改进荔枝品种是常用手段，但杂交过程费时费力且果实获得不易，获得的杂交种子败育率高，比如如三月红和妃子笑半败育/败育种子比例可达90％以上。败育的种子表现为体积比正常种子小2/3，无光泽，外皮皱褶，出芽率低而且出芽慢，因此需要大量育种，筛选出有用的种胚，目前依靠人工筛选，人工筛选依赖经验，而且无法形成统一标准，由于受视力、颜色辨别力、疲劳度等因素的影响，检测结果既不客观又不精确，由于败育种胚的发育速度不一，同一个种类的种胚需要多次观察和筛选，加重了育种人员的负担。
随着农业现代化以及新技术的飞速发展，图像识别技术在农业育种领域的应用变得广泛，采用机器图像识别荔枝种胚发育程度成为可能，荔枝种胚在发育的时候体积会发生变化，通过识别种胚图像可以获得荔枝种胚的发育程度，从而明确不同荔枝品种胚败育发生的关键时期及败育表现对后期qRT-PCR检测候选基因表达及的取样时期具有非常重要的指导作用。
荔枝种子的发育情况分为3种，正常大核型，其胚胎发育正常，成熟果实一般具有发育完好的种子，即大核。败育型，其胚胎发育受阻，成熟果实种子败育，即焦核。部分败育型，同一棵树或同一果穗所结的果，其胚胎发育部分正常，部分败育。荔枝胚胎发育的状况，不仅影响果实的食用品质，也与着果率和产量密切相关，直接涉及到荔枝生产的经济效益。
与大核型荔枝品种相比，“焦核”荔枝具有果实品质优、加工性能好和经济价值高等优点，但同时存在易落果，产量低等问题，导致“焦核”型荔枝难以大面积推广种植。要从根本上解决以上问题，首先要明确荔枝“焦核”产生的机制及内在的分子调控机理。
发明内容
本发明的目的在于提出一种荔枝种胚发育程度的图像识别检测方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
为实现上述技术目的，本发明技术方案如下：
在荔枝不同阶段收集种胚，利用机器视觉系统采集荔枝种胚图像，分析荔枝种胚轮廓边缘曲率变化特征，通过连续边缘像素点到胚心的距离的二次微分判断荔枝种胚的败育情况。
一种荔枝种胚发育程度的图像识别检测方法，所述方法包括以下步骤：
步骤1，使用工业线阵相机扫描荔枝种胚切面，获得种胚彩色图；
步骤2，对种胚彩色图进行预处理，包括降噪，边缘识别和灰度化，得到种胚灰度图；
步骤3，识别种胚灰度图获得败育系数；
步骤4，根据多个取样周期的败育系数判断荔枝种胚败育的关键时期。
进一步地，步骤1中，使用工业线阵相机扫描荔枝种胚切面，获得种胚彩色图的子步骤为：
选取一种早期败育型的荔枝品种，在盛花期挂牌套袋，15天后开始取样，每5天为一个周期作为取样周期，获得荔枝种胚，把荔枝种胚从中间纵剖获得荔枝种胚切面，利用工业线阵相机扫描荔枝种胚切面获得种胚彩色图像，每个取样周期均获取P个种胚彩色图像。
在一个实施例里，选取的荔枝品种为糯米糍荔枝，和/或红珍珠荔枝。
进一步地，步骤2中，对种胚彩色图进行预处理，包括降噪，边缘识别和灰度化，得到种胚灰度图的子步骤为：
对种胚彩色图进行降噪，灰度化，得到种胚灰度图；
每个取样周期的种胚灰度图的数量为P。
在一个实施例里，P的值为100。
进一步地，步骤3中，识别种胚灰度图获得败育系数的子步骤为：
初始化胚珠区域集合AZ，胚核区域集合AC，长度集合L，宽度集合W，设置i为初始值为1的变量，设置p为初始值1的变量；
根据数据库里的标准胚芽图像，获得当前荔枝品种的胚珠区域的平均灰度值G1，当前荔枝品种的胚珠区域为人工在标准胚芽图像上标注的ROI区域；标准胚芽图像为历年人工筛选的典型胚芽图像。
在一个实施例里，G1的取值为96，灰度值的取值范围为[0,255]。
步骤3.1，筛选第p个种胚灰度图的中灰度值为[G1-c,G1+c]的区域，为胚珠区域AZ_i，所述胚珠区域为符合灰度值为[G1-c,G1+c]的图像区域，如果有多个图像区域符合上述灰度值范围，取最大的一个区域作为胚珠区域AZ_i；
其中，c为胚珠区域灰度阈值；
如果胚珠区域的大小小于褐化阈值，则当前种胚在当前取样阶段不存在败育现象，此时如果p＜P，将p的值增加1，重新开始步骤3.1，如果p＝P跳转步骤3.4；
如果胚珠区域AZ_i的大小大于褐化阈值，跳转步骤3.2，其中，褐化阈值为种胚灰度图的图像大小的比例；
步骤3.2，根据当前种胚灰度图获取当前胚核的宽度Wi和长度Li，具体为：
步骤3.2.1，以当前种胚灰度图中种胚与背景的边界为基准线，所述种胚与背景的边界不包括种胚与当前种胚灰度图边缘重合点，基准线上的各个点依次向胚珠区域的几何中心点构建线段，检测各个线段上的第一突变点，由各个第一突变点到胚珠区域的几何中心点的线段的集合构成胚核线段集合GL；
如果当前种胚灰度图中的种胚与种胚灰度图的其中一个边缘或多个边缘有重合，即种胚不完全被种胚灰度图包含，跳转步骤3.2.2；
否则跳转步骤3.2.3；
其中检测各个线段上的第一突变点的方法为：
以当前选定的基准线上的点为起始点，胚珠的几何中心为终点，以起始点和终点构建线段，线段的点记为集合Gp；集合Gp中的点的灰度的最大值Gpmax，灰度的最小值Gpmin，计算突变阈值：
ΔG=abs(abs(G1-Mean(Gp))-(Gpmax-Gpmin))；
Gp(j)为集合Gp第j个点，初始化变量j的值为1，j∈[1，N]，N为集合Gp的大小，abs()为取绝对值操作，以每次遍历j值递增1的顺序依次遍历集合Gp，如果abs(Gp(j)-Gp(j+1))≥ΔG则第j+1个点为第一突变点，如果没有找到第一突变点或者j+1溢出则以当前起始点为第一突变点，其中，j+1溢出的意义为变量j的值大于N；
步骤3.2.2，以重合的边缘的重合部分的线段作为重合边缘，如果重合边缘的两个端点到胚珠区域的几何中心点的距离不相等则取重合边缘的两个端点中距离到胚珠区域的几何中心点的距离最大的端点作为边缘起始点，如果重合边缘的两个端点到胚珠区域的几何中心点的距离相等则以重合边缘的任意一个端点作为边缘起始点；
以边缘起始点与胚珠区域的几何中心点之间的线段作为线段E，如果线段E的长度大于或等于胚核线段集合GL中所有线段长度中的最大值，则以从边缘起始点到胚珠区域的几何中心点的方向作为第一方向，以胚核线段集合GL中所有线段长度中的最大值作为第一距离，以胚珠区域的几何中心点为线段起点，以第一方向上从线段起点开始第一距离的点为线段终点，取线段起点到线段终点之间的线段为线段F，将线段F加入胚核线段集合GL；
如果线段E的长度小于胚核线段集合GL中所有线段长度中的最大值，而且线段E上的点中有第一突变点，则以线段E上第一突变点到胚珠区域的几何中心点构成的线段加入胚核线段集合GL；
如果线段E的长度小于胚核线段集合GL中所有线段长度中的最大值，而且线段E上的点中没有第二突变点，则以边缘起始点与胚珠区域的几何中心点构建线段加入胚核线段集合GL；
通过步骤3.2.2将所有重合边缘构建胚核线段集合GL后跳转步骤3.2.3；
其中，第二突变点的判断方法为：
以当前种胚灰度图中种胚与背景的边界为基准线，所述种胚与背景的边界不包括种胚与当前种胚灰度图边缘重合点；
以当前选定的基准线上的点为起始点，胚珠的几何中心为终点，以起始点和终点构建线段，线段的点记为集合Hp；集合Hp中的点的灰度的最大值Gpmax，灰度的最小值Gpmin，计算突变阈值：
ΔG=abs(abs(G1-Mean(Hp))-(Hpmax-Hpmin))；
Hp(k)为集合Hp第k个点，初始化变量k的值为1，j∈[1，K]，K为集合Hp的大小，abs()为取绝对值操作，以每次遍历k值递增1的顺序依次遍历集合Hp，如果abs(Hp(k)-Hp(k+1))≥ΔG则以第k+1个点为第二突变点，如果没有找到第二突变点或者k+1溢出则以当前起始点为第二突变点，其中，k+1溢出的意义为变量k的值大于K；
步骤3.2.3，以胚核线段集合GL中长度最大的线段为核长线段，令核长线段的长度为L'，则令Li的长度为2L'，作边缘起始点到核长线段的垂线为宽度基准线，取宽度基准线与核长线段的夹角为第一夹角；核长线段分别与胚核线段集合GL中各个线段的夹角构成GL夹角集合，计算第一夹角与GL夹角集合的各个夹角的角度差，取角度差最小的夹角所对应的胚核线段集合GL中的线段为长度基准线，长度基准线的长度为W', 则令Wi的长度为2W',将 Li和Wi分别加入长度集合L和宽度集合W；跳转步骤3.3；
步骤3.3，从胚核线段集合GL中所有线段上的所有的端点中如果存在胚珠区域的几何中心点则去除掉胚珠区域的几何中心点从而得到筛选出的线段的端点，以各个筛选出的线段的端点作为胚核区域点集合；依次连接胚核区域点集合中的各个点构成的封闭区域作为胚核区域ACi；将胚核区域ACi加入胚核区域集合AC中，ACi表示集合AC中第i个胚核区域，将胚珠区域AZ_i加入胚珠区域集合AZ，AZ_i表示集合AZ中第i个胚珠区域，如果p<P，令p的值增加1，令i的值增加1并跳转步骤3.1；如果p=P跳转步骤3.4；
步骤3.4，如果胚珠区域集合AZ和胚核区域集合AC都为非空，计算败育系数LC:
式中，LC为当前取样周期荔枝种胚的败育系数，a为序号变量，A2为第二面积和，A2的计算方法为选定胚核区域的面积和，取宽度集合W中宽度最大的宽度对应的种胚灰度图的胚核区域为选定的胚核区域，A1为第一面积和，A1的计算方法为选定胚珠区域的面积和，取长度集合L中长度最大的长度对应的种胚灰度图的胚珠区域为选定的胚珠区域，SACa为胚核区域集合AC中第a个元素的面积，即第a个胚核区域的面积，SAZ_a为胚珠区域集合AZ中第a个元素的面积，即第a个胚珠的面积，La为长度集合L中第a个元素的值，Wa为宽度集合W中第a个元素的值，函数exp()为以自然常数e为底的指数函数，i为当前的胚珠区域集合AZ的大小；
输出败育系数。
进一步地，步骤4中，根据多个取样周期的败育系数判断荔枝种胚败育的关键时期的子步骤为：
获得不同取样周期的败育系数，获取败育系数的转折点，转折点相邻的2个取样周期为荔枝种胚败育的关键时期；其中，转折点指败育系数最大值所对应的取样周期，转折点相邻指取样周期前后的两个取样周期，如果最后一个或第一个取样周期的败育系数最大则转折点为败育系数最大值所对应的取样周期。
一种荔枝种胚发育程度的图像识别检测系统，所述系统包括：
图像采集模块：用于采集荔枝种胚的图像，传输至数据处理模块；
数据处理模块：用于执行一种荔枝种胚发育程度的图像识别方法，获得败育系数和荔枝种胚败育的关键时期；
结果输出模块：输出荔枝种胚败育的关键时期。
第三方面，本公开提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开第一方面提供的所述方法的步骤。
第四方面，本公开提供一种电子设备，包括：存储器，其上存储有计算机程序；处理器，用于执行所述存储器中的所述计算机程序，以实现本公开提供的所述方法的步骤。
与现有技术相比，本发明具有以下有益的技术效果：
以统一的标准识别荔枝败育情况，明确不同荔枝品种胚败育发生的关键时期及败育表现对后期QRT-PCR检测候选基因表达及的取样时期具有非常重要的指导作用。
附图说明
为了使本领域的技术人员更好地理解本发明的技术方案，下面通过对结合附图所示出的实施方式进行详细说明，本发明的上述以及其他特征将更加明显，本发明附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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，在附图中：
图1为本发明提供的一种荔枝种胚发育程度的图像识别检测方法的流程图；
图2为本发明一个实施例的一种荔枝种胚发育程度的图像识别检测系统结构示意框图；
图3为4种典型的败育型荔枝糯米糍和红珍珠，以及大核型荔枝野生荔枝10号和黑叶，在不同取样阶段的种胚灰度图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清晰，以下结合附图及实施例，对本发明进行进一步详尽说明。此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
同样应理解，以下实施例只用于对本发明进行进一步说明，不能理解为对本发明保护范围的限制，本领域的技术人员根据本发明上述内容做出的一些非本质的改进和调整均属于本发明的保护范围。下述示例具体的工艺参数等也仅是合适范围内的一个示例，即本领域技术人员可以通过本文的说明做合适的范围内选择，而并非要限定于下文示例的具体数值。
以下示例性地说明本发明提供的一种荔枝种胚发育程度的图像识别检测方法。
如图1所示为一种荔枝种胚发育程度的图像识别检测方法的流程图，下面结合图1来阐述根据本发明的实施方式的一种荔枝种胚发育程度的图像识别检测方法，所述方法包括以下步骤：
步骤1，使用工业线阵相机扫描荔枝种胚切面，获得种胚彩色图；
步骤2，对种胚彩色图进行预处理，包括降噪，边缘识别和灰度化，得到种胚灰度图；
步骤3，识别种胚灰度图获得败育系数；
步骤4，根据多个取样周期的败育系数判断荔枝种胚败育的关键时期。
进一步地，步骤1中，使用工业线阵相机扫描荔枝种胚切面，获得种胚彩色图的子步骤为：
选取一种早期败育型的荔枝品种，在盛花期挂牌套袋，15天后开始取样，每5天为一个周期作为取样周期，获得荔枝种胚，把荔枝种胚从中间纵剖获得荔枝种胚切面，利用工业线阵相机扫描荔枝种胚切面获得种胚彩色图像，每个取样周期均获取P个种胚彩色图像。
在一个实施例里，选取的荔枝品种为糯米糍荔枝，和/或红珍珠荔枝；
如图3所示，为4种典型的败育型荔枝糯米糍和红珍珠，以及大核型荔枝野生荔枝10号和黑叶，在不同取样阶段的种胚灰度图。
进一步地，步骤2中，对种胚彩色图进行预处理，包括降噪，边缘识别和灰度化，得到种胚灰度图的子步骤为：
对种胚彩色图进行降噪，灰度化，得到种胚灰度图；
每个取样周期的种胚灰度图的数量为P。
在一个实施例里，P的值为100。
进一步地，步骤3中，识别种胚灰度图获得败育系数的子步骤为：
初始化胚珠区域集合AZ，胚核区域集合AC，长度集合L，宽度集合W，设置i为初始值为1的变量，设置p为初始值1的变量；
根据数据库里的标准胚芽图像，获得当前荔枝品种的胚珠区域的平均灰度值G1，当前荔枝品种的胚珠区域为人工在标准胚芽图像上标注的ROI区域；标准胚芽图像为历年人工筛选的典型胚芽图像。
在一个实施例里，G1的取值为96，灰度值的取值范围为[0,255]。
步骤3.1，筛选第p个种胚灰度图的中灰度值为[G1-c,G1+c]的区域，为胚珠区域AZ_i，所述胚珠区域为符合灰度值为[G1-c,G1+c]的图像区域，如果有多个图像区域符合上述灰度值范围，取最大的一个区域作为胚珠区域AZ_i；
其中，c为胚珠区域灰度阈值；
如果胚珠区域的大小小于褐化阈值，则当前种胚在当前取样阶段不存在败育现象，此时如果p＜P，将p的值增加1，重新开始步骤3.1，如果p＝P跳转步骤3.4；
如果胚珠区域AZ_i的大小大于褐化阈值，跳转步骤3.2，优选地，褐化阈值为种胚灰度图的图像大小的比例的30%到50%；
步骤3.2，根据当前种胚灰度图获取当前胚核的宽度Wi和长度Li，具体为：
步骤3.2.1，以当前种胚灰度图中种胚与背景的边界为基准线，所述种胚与背景的边界不包括种胚与当前种胚灰度图边缘重合点，基准线上的各个点依次向胚珠区域的几何中心点构建线段，检测各个线段上的第一突变点，由各个第一突变点到胚珠区域的几何中心点的线段的集合构成胚核线段集合GL；
如果当前种胚灰度图中的种胚与种胚灰度图的其中一个边缘或多个边缘有重合，即种胚不完全被种胚灰度图包含，跳转步骤3.2.2；
否则跳转步骤3.2.3；
其中检测各个线段上的第一突变点的方法为：
以当前选定的基准线上的点为起始点，胚珠的几何中心为终点，以起始点和终点构建线段，线段的点记为集合Gp；集合Gp中的点的灰度的最大值Gpmax，灰度的最小值Gpmin，计算突变阈值：
ΔG=abs(abs(G1-Mean(Gp))-(Gpmax-Gpmin))；
Gp(j)为集合Gp第j个点，初始化变量j的值为1，j∈[1，N]，N为集合Gp的大小，abs()为取绝对值操作，以每次遍历j值递增1的顺序依次遍历集合Gp，如果abs(Gp(j)-Gp(j+1))≥ΔG则第j+1个点为第一突变点，如果没有找到第一突变点或者j+1溢出则以当前起始点为第一突变点，其中，j+1溢出的意义为变量j的值大于N；
步骤3.2.2，以重合的边缘的重合部分的线段作为重合边缘，如果重合边缘的两个端点到胚珠区域的几何中心点的距离不相等则取重合边缘的两个端点中距离到胚珠区域的几何中心点的距离最大的端点作为边缘起始点，如果重合边缘的两个端点到胚珠区域的几何中心点的距离相等则以重合边缘的任意一个端点作为边缘起始点；
以边缘起始点与胚珠区域的几何中心点之间的线段作为线段E，如果线段E的长度大于或等于胚核线段集合GL中所有线段长度中的最大值，则以从边缘起始点到胚珠区域的几何中心点的方向作为第一方向，以胚核线段集合GL中所有线段长度中的最大值作为第一距离，以胚珠区域的几何中心点为线段起点，以第一方向上从线段起点开始第一距离的点为线段终点，取线段起点到线段终点之间的线段为线段F，将线段F加入胚核线段集合GL；
如果线段E的长度小于胚核线段集合GL中所有线段长度中的最大值，而且线段E上的点中有第一突变点，则以线段E上第一突变点到胚珠区域的几何中心点构成的线段加入胚核线段集合GL；
如果线段E的长度小于胚核线段集合GL中所有线段长度中的最大值，而且线段E上的点中没有第二突变点，则以边缘起始点与胚珠区域的几何中心点构建线段加入胚核线段集合GL；
通过步骤3.2.2将所有重合边缘构建胚核线段集合GL后跳转步骤3.2.3；
其中，第二突变点的判断方法为：
以当前种胚灰度图中种胚与背景的边界为基准线，所述种胚与背景的边界不包括种胚与当前种胚灰度图边缘重合点；
以当前选定的基准线上的点为起始点，胚珠的几何中心为终点，以起始点和终点构建线段，线段的点记为集合Hp；集合Hp中的点的灰度的最大值Gpmax，灰度的最小值Gpmin，计算突变阈值：
ΔG=abs(abs(G1-Mean(Hp))-(Hpmax-Hpmin))；
Hp(k)为集合Hp第k个点，初始化变量k的值为1，j∈[1，K]，K为集合Hp的大小，abs()为取绝对值操作，以每次遍历k值递增1的顺序依次遍历集合Hp，如果abs(Hp(k)-Hp(k+1))≥ΔG则以第k+1个点为第二突变点，如果没有找到第二突变点或者k+1溢出则以当前起始点为第二突变点，其中，k+1溢出的意义为变量k的值大于K；
步骤3.2.3，以胚核线段集合GL中长度最大的线段为核长线段，令核长线段的长度为L'，则令Li的长度为2L'，作边缘起始点到核长线段的垂线为宽度基准线，取宽度基准线与核长线段的夹角为第一夹角；核长线段分别与胚核线段集合GL中各个线段的夹角构成GL夹角集合，计算第一夹角与GL夹角集合的各个夹角的角度差，取角度差最小的夹角所对应的胚核线段集合GL中的线段为长度基准线，长度基准线的长度为W', 则令Wi的长度为2W',将 Li和Wi分别加入长度集合L和宽度集合W；跳转步骤3.3；
步骤3.3，从胚核线段集合GL中所有线段上的所有的端点中如果存在胚珠区域的几何中心点则去除掉胚珠区域的几何中心点从而得到筛选出的线段的端点，以各个筛选出的线段的端点作为胚核区域点集合；依次连接胚核区域点集合中的各个点构成的封闭区域作为胚核区域ACi；将胚核区域ACi加入胚核区域集合AC中，ACi表示集合AC中第i个胚核区域，将胚珠区域AZ_i加入胚珠区域集合AZ，AZ_i表示集合AZ中第i个胚珠区域，如果p<P，令p的值增加1，令i的值增加1并跳转步骤3.1；如果p=P跳转步骤3.4；
步骤3.4，如果胚珠区域集合AZ和胚核区域集合AC都为非空，计算败育系数LC:
式中，LC为当前取样周期荔枝种胚的败育系数，a为序号变量，A2为第二面积和，A2的计算方法为选定胚核区域的面积和，取宽度集合W中宽度最大的宽度对应的种胚灰度图的胚核区域为选定的胚核区域，A1为第一面积和，A1的计算方法为选定胚珠区域的面积和，取长度集合L中长度最大的长度对应的种胚灰度图的胚珠区域为选定的胚珠区域，SACa为胚核区域集合AC中第a个元素的面积，即第a个胚核区域的面积，SAZ_a为胚珠区域集合AZ中第a个元素的面积，即第a个胚珠的面积，La为长度集合L中第a个元素的值，Wa为宽度集合W中第a个元素的值，函数exp()为以自然常数e为底的指数函数，i为当前的胚珠区域集合AZ的大小；
输出败育系数。
进一步地，步骤4中，根据多个取样周期的败育系数判断荔枝种胚败育的关键时期的子步骤为：
获得不同取样周期的败育系数，获取败育系数的转折点，转折点相邻的2个取样周期为荔枝种胚败育的关键时期；其中，转折点指败育系数最大值所对应的取样周期，转折点相邻指取样周期前后的两个取样周期，如果最后一个或第一个取样周期的败育系数最大则转折点为败育系数最大值所对应的取样周期。
如图2所示是本发明一个实施例的一种荔枝种胚发育程度的图像识别检测系统结构示意框图。
一种荔枝种胚发育程度的图像识别检测系统，所述系统包括：
图像采集模块：用于采集荔枝种胚的图像，传输至数据处理模块；
数据处理模块：用于执行一种荔枝种胚发育程度的图像识别方法，获得败育系数和荔枝种胚败育的关键时期；
结果输出模块：输出荔枝种胚败育的关键时期。
所述基于一种荔枝种胚发育程度的图像识别检测系统可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种荔枝种胚发育程度的图像识别检测系统，可运行的系统可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种荔枝种胚发育程度的图像识别检测系统的示例，并不构成对一种荔枝种胚发育程度的图像识别检测系统的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种荔枝种胚发育程度的图像识别检测系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种荔枝种胚发育程度的图像识别检测系统运行系统的控制中心，利用各种接口和线路连接整个一种荔枝种胚发育程度的图像识别检测系统可运行系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种荔枝种胚发育程度的图像识别检测系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
Claims (6)
1.一种荔枝种胚发育程度的图像识别检测方法，其特征在于，所述方法包括以下步骤：
步骤1，使用工业线阵相机扫描荔枝种胚切面，获得种胚彩色图；
步骤2，对种胚彩色图进行预处理，包括降噪，边缘识别和灰度化，得到种胚灰度图；
步骤3，识别种胚灰度图获得败育系数；
步骤4，根据多个取样周期的败育系数判断荔枝种胚败育的关键时期；
其中，步骤2中，对种胚彩色图进行预处理，包括降噪，灰度化，得到种胚灰度图的子步骤为：对种胚彩色图进行降噪，灰度化，得到种胚灰度图；每个取样周期的种胚灰度图的数量为P；
步骤3中，识别种胚灰度图获得败育系数的子步骤为：
初始化胚珠区域集合AZ，胚核区域集合AC，长度集合L，宽度集合W，设置i为初始值为1的变量，设置p为初始值1的变量；
根据数据库里的标准胚芽图像，获得当前荔枝品种的胚珠区域的平均灰度值G1，当前荔枝品种的胚珠区域为人工在标准胚芽图像上标注的ROI区域；标准胚芽图像为历年人工筛选的典型胚芽图像；
步骤3.1，筛选第p个种胚灰度图的中灰度值为[G1-c,G1+c]的区域，为胚珠区域AZ_i，所述胚珠区域为符合灰度值为[G1-c,G1+c]的图像区域，如果有多个图像区域符合上述灰度值范围，取最大的一个区域作为胚珠区域AZ_i；
其中，c为胚珠区域灰度阈值；
如果胚珠区域的大小小于褐化阈值，则当前种胚在当前取样阶段不存在败育现象，此时如果p＜P，将p的值增加1，重新开始步骤3.1，如果p＝P跳转步骤3.4；
如果胚珠区域AZ_i的大小大于褐化阈值，跳转步骤3.2；
步骤3.2，根据当前种胚灰度图获取当前胚核的宽度Wi和长度Li，具体为：
步骤3.2.1，以当前种胚灰度图中种胚与背景的边界为基准线，所述种胚与背景的边界不包括种胚与当前种胚灰度图边缘重合点，基准线上的各个点依次向胚珠区域的几何中心点构建线段，检测各个线段上的第一突变点，由各个第一突变点到胚珠区域的几何中心点的线段的集合构成胚核线段集合GL；
如果当前种胚灰度图中的种胚与种胚灰度图的其中一个边缘或多个边缘有重合，即种胚不完全被种胚灰度图包含，跳转步骤3.2.2；
否则跳转步骤3.2.3；
其中检测各个线段上的第一突变点的方法为：
以当前选定的基准线上的点为起始点，胚珠的几何中心为终点，以起始点和终点构建线段，线段的点记为集合Gp；集合Gp中的点的灰度的最大值Gpmax，灰度的最小值Gpmin，计算突变阈值：
ΔG＝abs(abs(G1-Mean(Gp))-(Gpmax-Gpmin))；
Gp(j)为集合Gp第j个点，初始化变量j的值为1，j∈[1，N]，N为集合Gp的大小，abs()为取绝对值操作，以每次遍历j值递增1的顺序依次遍历集合Gp，如果abs(Gp(j)-Gp(j+1))≥ΔG则第j+1个点为第一突变点，如果没有找到第一突变点或者j+1溢出则以当前起始点为第一突变点，其中，j+1溢出的意义为变量j的值大于N；
步骤3.2.2，以重合的边缘的重合部分的线段作为重合边缘，如果重合边缘的两个端点到胚珠区域的几何中心点的距离不相等则取重合边缘的两个端点中距离到胚珠区域的几何中心点的距离最大的端点作为边缘起始点，如果重合边缘的两个端点到胚珠区域的几何中心点的距离相等则以重合边缘的任意一个端点作为边缘起始点；
以边缘起始点与胚珠区域的几何中心点之间的线段作为线段E，如果线段E的长度大于或等于胚核线段集合GL中所有线段长度中的最大值，则以从边缘起始点到胚珠区域的几何中心点的方向作为第一方向，以胚核线段集合GL中所有线段长度中的最大值作为第一距离，以胚珠区域的几何中心点为线段起点，以第一方向上从线段起点开始第一距离的点为线段终点，取线段起点到线段终点之间的线段为线段F，将线段F加入胚核线段集合GL；
如果线段E的长度小于胚核线段集合GL中所有线段长度中的最大值，而且线段E上的点中有第一突变点，则以线段E上第一突变点到胚珠区域的几何中心点构成的线段加入胚核线段集合GL；
如果线段E的长度小于胚核线段集合GL中所有线段长度中的最大值，而且线段E上的点中没有第二突变点，则以边缘起始点与胚珠区域的几何中心点构建线段加入胚核线段集合GL；
通过步骤3.2.2将所有重合边缘构建胚核线段集合GL后跳转步骤3.2.3；
其中，第二突变点的判断方法为：
以当前种胚灰度图中种胚与背景的边界为基准线，所述种胚与背景的边界不包括种胚与当前种胚灰度图边缘重合点；
以当前选定的基准线上的点为起始点，胚珠的几何中心为终点，以起始点和终点构建线段，线段的点记为集合Hp；集合Hp中的点的灰度的最大值Gpmax，灰度的最小值Gpmin，计算突变阈值：
ΔG＝abs(abs(G1-Mean(Hp))-(Hpmax-Hpmin))；
Hp(k)为集合Hp第k个点，初始化变量k的值为1，j∈[1，K]，K为集合Hp的大小，abs()为取绝对值操作，以每次遍历k值递增1的顺序依次遍历集合Hp，如果abs(Hp(k)-Hp(k+1))≥ΔG则以第k+1个点为第二突变点，如果没有找到第二突变点或者k+1溢出则以当前起始点为第二突变点，其中，k+1溢出的意义为变量k的值大于K；
步骤3.2.3，以胚核线段集合GL中长度最大的线段为核长线段，令核长线段的长度为L'，则令Li的长度为2L'，作边缘起始点到核长线段的垂线为宽度基准线，取宽度基准线与核长线段的夹角为第一夹角；核长线段分别与胚核线段集合GL中各个线段的夹角构成GL夹角集合，计算第一夹角与GL夹角集合的各个夹角的角度差，取角度差最小的夹角所对应的胚核线段集合GL中的线段为长度基准线，长度基准线的长度为W',则令Wi的长度为2W',将Li和Wi分别加入长度集合L和宽度集合W；跳转步骤3.3；
步骤3.3，从胚核线段集合GL中所有线段上的所有的端点中如果存在胚珠区域的几何中心点则去除掉胚珠区域的几何中心点从而得到筛选出的线段的端点，以各个筛选出的线段的端点作为胚核区域点集合；依次连接胚核区域点集合中的各个点构成的封闭区域作为胚核区域ACi；将胚核区域ACi加入胚核区域集合AC中，ACi表示集合AC中第i个胚核区域，将胚珠区域AZ_i加入胚珠区域集合AZ，AZ_i表示集合AZ中第i个胚珠区域，如果p<P，令p的值增加1，令i的值增加1并跳转步骤3.1；如果p＝P跳转步骤3.4；
步骤3.4，如果胚珠区域集合AZ和胚核区域集合AC都为非空，计算败育系数LC:
式中，LC为当前取样周期荔枝种胚的败育系数，a为序号变量，A2为第二面积和，A2的计算方法为选定胚核区域的面积和，取宽度集合W中宽度最大的宽度对应的种胚灰度图的胚核区域为选定的胚核区域，A1为第一面积和，A1的计算方法为选定胚珠区域的面积和，取长度集合L中长度最大的长度对应的种胚灰度图的胚珠区域为选定的胚珠区域，SACa为胚核区域集合AC中第a个元素的面积，即第a个胚核区域的面积，SAZ_a为胚珠区域集合AZ中第a个元素的面积，即第a个胚珠的面积，La为长度集合L中第a个元素的值，Wa为宽度集合W中第a个元素的值，函数exp()为以自然常数e为底的指数函数，i为当前的胚珠区域集合AZ的大小；输出败育系数。
2.根据权利要求1所述的一种荔枝种胚发育程度的图像识别检测方法，其特征在于，步骤1中，使用工业线阵相机扫描荔枝种胚切面，获得种胚彩色图的子步骤为：
选取一种早期败育型的荔枝品种，在盛花期挂牌套袋，15天后开始取样，每5天为一个周期作为取样周期，获得荔枝种胚，把荔枝种胚从中间纵剖获得荔枝种胚切面，利用工业线阵相机扫描荔枝种胚切面获得种胚彩色图像，每个取样周期均获取P个种胚彩色图像。
3.根据权利要求1所述的一种荔枝种胚发育程度的图像识别检测方法，其特征在于，步骤4中，根据多个取样周期的败育系数判断荔枝种胚败育的关键时期的子步骤为：
获得不同取样周期的败育系数，获取败育系数的转折点，转折点相邻的2个取样周期为荔枝种胚败育的关键时期；其中，转折点指败育系数最大值所对应的取样周期，转折点相邻指取样周期前后的两个取样周期，如果最后一个或第一个取样周期的败育系数最大则转折点为败育系数最大值所对应的取样周期。
4.一种荔枝种胚发育程度的图像识别检测系统，其特征在于，所述系统包括：
图像采集模块：用于采集荔枝种胚的图像，传输至数据处理模块；
数据处理模块：用于执行权利要求1到3中的任意一项方法，获得败育系数和荔枝种胚败育的关键时期；
结果输出模块：输出荔枝种胚败育的关键时期。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-3中的任意一项方法的步骤。
6.一种电子设备，其特征在于，包括：存储器，其上存储有计算机程序；处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-3中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111172800.8A CN113935963B (zh) | 2021-10-08 | 2021-10-08 | 一种荔枝种胚发育程度的图像识别检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111172800.8A CN113935963B (zh) | 2021-10-08 | 2021-10-08 | 一种荔枝种胚发育程度的图像识别检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113935963A CN113935963A (zh) | 2022-01-14 |
| CN113935963B true CN113935963B (zh) | 2022-05-13 |
Family
ID=79278432
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111172800.8A Active CN113935963B (zh) | 2021-10-08 | 2021-10-08 | 一种荔枝种胚发育程度的图像识别检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113935963B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114937077A (zh) * | 2022-04-22 | 2022-08-23 | 南通荣华包装材料有限公司 | 一种花生种子筛选方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111950436A (zh) * | 2020-08-07 | 2020-11-17 | 中国农业大学 | 一种玉米果穗表型测量方法及系统 |
| CN112005882A (zh) * | 2020-08-17 | 2020-12-01 | 三峡植物园管理处(宜昌市林业科学研究所、宜昌市国有金银岗试验林场管理处) | 一种软枣猕猴桃远缘杂交胚胎挽救的方法 |
| CN112730162A (zh) * | 2020-12-22 | 2021-04-30 | 厦门大学 | 适用于城市群空气污染暴露评估的花粉败育快速批检测法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10186029B2 (en) * | 2014-09-26 | 2019-01-22 | Wisconsin Alumni Research Foundation | Object characterization |
| CN105284620B (zh) * | 2015-11-09 | 2017-10-13 | 上海市农业科学院 | 一种特早熟桃杂交胚挽救成苗的方法 |
| FR3067824B1 (fr) * | 2017-06-14 | 2019-07-19 | Shakti | Procede et dispositif d'imagerie d'un vegetal |
| CN107926202B (zh) * | 2017-12-04 | 2020-10-30 | 广东省农业科学院果树研究所 | 一种促进荔枝半败育种子萌发的方法 |
| CN110066848B (zh) * | 2019-04-30 | 2022-06-07 | 临沂大学 | 一种外源aba处理对番茄花粉成熟的细胞学影响的探究方法 |
-
2021
- 2021-10-08 CN CN202111172800.8A patent/CN113935963B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111950436A (zh) * | 2020-08-07 | 2020-11-17 | 中国农业大学 | 一种玉米果穗表型测量方法及系统 |
| CN112005882A (zh) * | 2020-08-17 | 2020-12-01 | 三峡植物园管理处(宜昌市林业科学研究所、宜昌市国有金银岗试验林场管理处) | 一种软枣猕猴桃远缘杂交胚胎挽救的方法 |
| CN112730162A (zh) * | 2020-12-22 | 2021-04-30 | 厦门大学 | 适用于城市群空气污染暴露评估的花粉败育快速批检测法 |
Non-Patent Citations (3)
| Title |
|---|
| "Genome-wide transcriptome analysis reveals the molecular mechanism of high temperature-induced floral abortion in Litchi chinensis";Hao Liu 等;《BMC Genomics 》;20190211;第20卷;第1-15页 * |
| "杜鹃花属植物杂交不亲和与败育分布研究";庄平;《广西植物》;20180131;第38卷(第12期);第1581-1587页 * |
| "桂味’荔枝种胚败育的表现及其机理初探";谢丹容;《中国优秀硕士学位论文全文数据库 农业科技辑》;20170315(第3期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113935963A (zh) | 2022-01-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Palacios et al. | Automated grapevine flower detection and quantification method based on computer vision and deep learning from on-the-go imaging using a mobile sensing platform under field conditions | |
| Wu et al. | Image analysis-based recognition and quantification of grain number per panicle in rice | |
| CN106845497B (zh) | 基于多特征融合的玉米前期图像旱情识别方法 | |
| CN113466232B (zh) | 一种基于计算机图像的脆化鱼肉快速检测方法及系统 | |
| Zheng et al. | Research on tomato detection in natural environment based on RC-YOLOv4 | |
| CN111507319A (zh) | 一种基于深度融合卷积网络模型的农作物病害识别方法 | |
| CN113935963B (zh) | 一种荔枝种胚发育程度的图像识别检测方法及系统 | |
| CN110874835B (zh) | 作物叶部病害抗性鉴定方法、系统、电子设备及存储介质 | |
| CN111860537A (zh) | 基于深度学习的绿色柑橘识别方法、设备及装置 | |
| CN110866547B (zh) | 基于多特征和随机森林的中药饮片自动分类系统及方法 | |
| US11880981B2 (en) | Method and system for leaf age estimation based on morphological features extracted from segmented leaves | |
| CN111291686A (zh) | 农作物根果表型参数的提取与根果表型判别方法及系统 | |
| CN114596274A (zh) | 基于改进Cascade RCNN网络的自然背景柑橘黄龙病检测方法 | |
| CN110660070A (zh) | 一种水稻叶脉图像提取方法和装置 | |
| CN113313692A (zh) | 一种基于航拍可见光图像的香蕉幼株自动识别与计数方法 | |
| CN114677606B (zh) | 基于注意力机制和双分支网络的柑橘细粒度病害识别方法 | |
| Ji et al. | Apple color automatic grading method based on machine vision | |
| CN111539293A (zh) | 一种果树病害诊断方法及系统 | |
| CN110853052A (zh) | 一种基于深度学习的土家织锦图案图元的分割方法 | |
| CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
| Phan et al. | Classification of Tomato Fruit Using Yolov5 and Convolutional Neural Network Models. Plants 2023, 12, 790 | |
| CN113344008A (zh) | 基于深度学习的茎秆组织解剖学特征参数高通量提取方法 | |
| CN112365532A (zh) | 高精度樱桃尺寸分级方法 | |
| CN116597318B (zh) | 基于遥感影像的灌区耕地精准提取方法、设备及存储介质 | |
| Wang et al. | Estimation of paddy rice maturity using digital imaging |
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 |