CN113963239A - 一种智能化检测油茶果实成熟度的方法 - Google Patents
一种智能化检测油茶果实成熟度的方法 Download PDFInfo
- Publication number
- CN113963239A CN113963239A CN202111584319.XA CN202111584319A CN113963239A CN 113963239 A CN113963239 A CN 113963239A CN 202111584319 A CN202111584319 A CN 202111584319A CN 113963239 A CN113963239 A CN 113963239A
- Authority
- CN
- China
- Prior art keywords
- maturity
- fruit
- camellia oleifera
- internal quality
- quality parameters
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种智能化检测油茶果实成熟度的方法,包括:测定油茶果实表达成熟度的内部品质参数和外部表型特征,并进行提取,得到不同品种之间外部表型特征的关键参数成熟度的表达差异;基于不同品种的成熟度的表达差异,分别建立从内部品质到外部表型特征的动态映射模型;以动态映射模型作为训练样本,建立从内部品质参数到外部表型特征的油茶果实成熟度量化标准和量化检测模型,并阐明成熟度量化表征机理。本发明通过人工智能深度学习中深度卷积神经网络技术构建油茶果实从内部品质参数到外部表型特征的动态映射,实现油茶果实成熟度的量化表征,进而揭示油茶果实成熟度量化表征机理。
Description
技术领域
本发明涉及智能农业技术领域,特别是涉及一种智能化检测油茶果实成熟度的方法。
背景技术
油茶(Camellia oleifera Abel)作为我国特有的重要木本食用油料树种,具有极高的营养价值和保健功能,对于保障国家粮油安全和解决国家耕地资源刚性短缺以及助推乡村振兴战略中发挥重要作用。2020年全国油茶种植面积达6800万亩,茶油产量62.7万吨,油茶产业总产值达1160亿元。油茶种植面积虽然不断扩大,但是平均亩产量却并没有显著提高,与《全国油茶产业发展规划(2009-2020年)》预期目标存在较大差距。抛开油茶良种苗木培育方面的问题,分析最主要的原因就是油茶大多种在山高坡陡地区,耕种收没有专业机械,采收成本较高。应该着力加强农机农艺融合,实现油料生产全程机械化,可以调高油料作物单产、含油率,降低生产成本,改善油料品质,实现节本增效。
近年来,人工智能技术日新月异得到迅速发展,人类生活方式也正在发生快速的转变。2021年以色列的Tevel公司发布最新产品信息:一款人工智能驱动的完全自主智能采收苹果和橙子的无人机。这是人工智能技术在农林业中应用落地,快速转化为产品进入行业应用。从技术发展的角度以及人口老龄化劳动力不足的现状,依托林业实现智能化采收是技术必然的发展趋势。实现油茶果实的智能化采收,一个关键的问题就是揭示油茶果实成熟度量化表征的机理,从理论上指导准确自动的成熟度量化检测;为了达到准确检测的目的,成熟度检测必须考虑油茶果实内部的品质参数,如何将需要实验室测定的油茶果实内部品质参数利用显性的油茶果实外部表型特征建立关联是本领域研究人员关注的热点问题。且综合油茶和成熟度检测相关的研究发现,油茶机械化采摘技术的研究正在进行中;油茶智能化采摘相关的研究鲜有涉及。成熟度检测的研究大多采用外部表型特征,结合人工智能技术考虑从内部品质参数到外部表型特征的油茶成熟度相关研究至今鲜有报道。
发明内容
本发明的目的是利用人工智能技术,建立油茶果实从内部品质参数到外部表型特征的成熟度量化检测标准和量化检测模型,阐明油茶果实由内部品质参数映射到外部表型特征的成熟度量化表征机理,实现油茶的智能化采摘。
为实现上述目的,本发明提供了如下方案:
一种智能化检测油茶果实成熟度的方法,包括:
测定油茶果实表达成熟度的内部品质参数和外部表型特征,并进行提取,得到不同品种之间外部表型特征的关键参数成熟度的表达差异;
基于不同品种的所述成熟度的表达差异,分别建立从内部品质到外部表型特征的动态映射模型;
以所述动态映射模型作为训练样本,建立从内部品质参数到外部表型特征的油茶果实成熟度量化标准和量化检测模型,并阐明成熟度量化表征机理。
优选的,通过人工智能中模拟人脑认知机制的多元素长短时记忆网络模型挖掘所述油茶果实表达成熟度的内部品质参数,并对所述内部品质参数进行提取,得到关键内部品质参数,解析所述关键内部品质参数表达成熟度的差异。
优选的,所述内部品质参数包括油茶果实的水分、总灰分、粗脂肪、总氮、水浸出物、还原糖、总糖、多酚、可溶性蛋白质、总黄酮、皂素、淀粉和粗纤维;其中,所述关键内部品质参数包括粗脂肪、总糖和可溶性蛋白质。
优选的,通过手机、相机或者无人机获取油茶果实的可见光图像,利用计算机视觉技术中的颜色矩、灰度共生矩阵法、自适应阈值分割和区域生长法测定油茶果实图像数据中的所述外部表型特征。
优选的,所述外部表型特征包括油茶果实的横径、纵径、果形指数、果皮颜色和纹理、单果籽数、单果质量、果皮厚度。
优选的,实地测量油茶果实的所述横径、纵径、果形指数、果皮颜色、单果质量、果皮厚度外部表性特征,对比利用计算机提取和所述实地测量的结果,校准计算机视觉提取的算法;通过深度神经网络量化油茶果实成熟期外部表型特征动态变化的规律,提取表征油茶果实成熟程度的关键外部表型特征;其中,所述关键外部表型特征包括果皮颜色和果形指数。
优选的,解析所述关键内部品质参数之间、所述关键外部表型特征之间以及所述关键内部品质参数到所述关键外部表型特征之间的多元耦合关系,基于所述多元耦合关系与深度卷积神网络,分别建立不同油茶品种从内部品质参数到外部表型特征的动态映射关系模型。
优选的,以构建的所述动态映射关系模型作为训练样本,利用根据人工智能深度学习的RSDNet和ASNet显著性目标检测算法,得到针对所述内部品质参数到外部表型特征的油茶果实成熟度量化标准,通过模拟人脑的深度学习网络,构建从内部品质参数到外部表型特征的油茶果实成熟度量化检测模型,阐明所述成熟度量化表征机理。
优选的,所述构建从内部品质参数到外部表型特征的油茶果实成熟度量化检测模型的过程包括:
划分所述可见光图像中油茶果实的成熟度等级并标记,搭建不同品种油茶果实成熟度检测数据集;
通过搭建的所述油茶果实成熟度检测数据集训练RSDNet和ASNet显著性目标检测算法,进行反复迭代,获得成熟期油茶果实成熟度量化检测模型;
对比所述油茶果实成熟度量化检测模型的检测结果和人类专家给出的结果,分析误差针对性改进,得到最优量化检测模型;
最后,通过数学统计分析方法分析油茶果实成熟度的所述最优量化检测模型的工作原理以及与油茶果实的所述关键内部品质参数、关键外部表型特征的内在联系,解析油茶果实成熟度量化表征机理。
本发明的有益效果为:
本发明在油茶果实成熟度检测的过程中加入油茶果实的内部品质参数,通过人工智能深度学习中深度卷积神经网络技术构建油茶果实从内部品质参数到外部表型特征的动态映射,实现油茶果实成熟度的量化表征,进而揭示油茶果实成熟度量化表征机理。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例方法流程图;
图2为本发明实施例中油茶果实内部品质参数测量方法和参照标准;
图3为本发明实施例中模拟人脑认知机制的多元素长短时记忆网络模型示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例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做出创造性劳动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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提供一种智能化检测油茶果实成熟度的方法,如附图1所示。
(1)确定实验基地和油茶品种以及采集图像和制备样品;
本发明实施例确定湖南省邵东县黄草坪国有油茶林场、湖南大三湘茶油股份有限公司和江西省德义源生态农业发展有限公司为实验基地,本实施例选取华硕、湘林210、赣石83-4和长林53品种为研究对象。在油茶果实成熟期,每天按照五点取样法挑选不同的油茶树,划分上、中、下三层分别选取2颗油茶果实样品;利用手机、相机或者无人机采集油茶果实样本的可见光图像,制备油茶果实样品,带回实验室以供测定内部品质参数和外部表型特征所用,每个品种每天制备至少30份样品,每份样品拍摄至少10幅各个角度的图像。共获得10余个主栽品种的480GB图像和视频数据,初步搭建油茶果实成熟度图像数据集,为训练深度神经网络模型做出充分的数据准备。
(2)测定油茶果实内部品质参数;
油茶果实内部品质参数主要包括水分、总灰分、粗脂肪、总氮、水浸出物、还原糖、总糖和多酚等13种,依照有关国家标准制定各参数的测量方案如图2所示。
油茶果实内部总糖、可溶性蛋白质、总黄酮和皂素的测量分别采用苯酚-硫酸法、考马斯亮兰G-250染料法、亚硝酸钠-硝酸铝法和香草醛-硫酸法,具体操作流程如下:
苯酚-硫酸法测量总糖含量的步骤如下:分别精密吸取葡萄糖溶液(100ug/ml)0.1、0.2、0.4、0.6、0.8、1.0ml于试管中,用蒸馏水补加至足1.0ml,再加入6%苯酚溶液0.5ml,浓硫酸2.5ml,震荡摇匀,静置20分钟。以蒸馏水为空白对照490nm处测定吸光度,并绘制标准曲线。按照同样方法测定样品吸光值,回代标准曲线,计算样品中总糖含量。
考马斯亮兰G-250染料法测定可溶性蛋白质含量的步骤如下:精确配置2、5、10、20、40、60、80ug/ml的BSA标准品溶液。取1ml的标准品,加入考马斯亮蓝G-250试剂(考马斯亮蓝G-250试剂:称取100mg考马斯亮蓝G-250,溶于50ml95%乙醇中,加入100ml85%(w/v)的磷酸,用蒸馏水定容到1000ml,滤纸过滤制得。)5ml混匀(振荡程度尽量一致),放置3分钟,在595nm下测定,绘制标准曲线。按照同样方法测定样品吸光值,回代到标准曲线,测定样品中可溶性蛋白含量。
亚硝酸钠-硝酸铝法测定总黄酮含量:1)标准曲线制作:准确吸取0、0.4、0.8、1.2、1.6、2.0ml芦丁标准溶液(0.5mg/ml),加入10ml容量瓶或试管中,用60%乙醇溶液补足2.0ml,加入5%亚硝酸钠溶液0.5ml,摇匀,放置6分钟,加入4%氢氧化钠溶液4.0ml,摇匀,加入60%乙醇溶液定容至10ml,摇匀后放置15分钟,在510nm处测定吸光值,并绘制标准曲线。2)样品测定:精确称取油茶果实样品粉末0.6~0.8g,放置于100ml圆底烧瓶内,加入60ml60%乙醇溶液,置于水浴锅上,在70℃条件下回流提取60分钟。取出反应容器,冷却后过滤,收集滤液定容至100ml,此溶液为测试液。吸取测试液1.0ml(根据Abs值进行调整),放入10ml容量瓶或试管中,用60%乙醇溶液补足2.0ml,此后操作步骤按照标准曲线制作方法进行,测得吸光值后回代到标准曲线计算每毫升中黄酮含量。样品中总黄酮含量计算如公式(1):
香草醛-硫酸法测定皂素含量:1)标准曲线制作:精确称取茶皂素标准品10mg,用甲醇溶解后定容至10ml,配置成1mg/ml的茶皂素储备液。取5ml浓度为1mg/ml的茶皂素储备液,定容至10ml,得到浓度为0.5mg/ml的茶皂素标准溶液。分别取茶皂素标准溶液0.1、0.2、0.3、0.4、0.5ml,分别用甲醇补足至0.5ml,精确加入8%香草醛溶液0.5ml,于冰浴中加入77%硫酸溶液4ml(垂直加入),振荡均匀,于60℃加热15分钟,取出冰浴中放置10分钟,以实际空白为参比溶液,用1cm比色皿在波长550nm处测定吸光值,并绘制标准曲线。2)样品测定:称取1.5g油茶果实样品放入索式提取器中,用50ml甲醇回流4小时,每5~8分钟回流一次,提取液冷却后用甲醇定容至50ml容量瓶中。取定容后的溶液3ml用甲醇稀释,定容至25ml,此溶液作为测试液,测定按照标准曲线制作方法进行,测得的样品吸光值代入标准曲线,计算样品中皂素含量。
(3)测量和挖掘油茶果实外部表型特征;
测量油茶果实外部表型特征即为在油茶果实成熟期,每天利用游标卡尺工具实地测量油茶果实的横径、纵径、果皮颜色、单果质量和果皮厚度等外部表性特征。
挖掘油茶果实外部表型特征即为利用计算机视觉技术通过处理油茶果实的图像自动提取油茶果实横径、纵径、果形指数、果皮颜色和纹理以及单果籽数等表型特征。首先,对手机、相机或者无人机拍摄的油茶果图像进行预处理,采用中值滤波、全变分滤波和局部均值滤波等方法去除图像噪声;然后采用形态学滤波和高通滤波等图像锐化技术增强图像边缘的清晰度,消除滤波导致的图像边界和轮廓模糊问题,有利于分割和边缘提取油茶果实;采用自适应阈值分割获取油茶果实区域,通过颜色矩和颜色直方图等方法提取油茶果实的颜色特征;通过灰度共生矩阵法和局部二值模式等方法提取油茶果实的纹理特征;通过几何数学解析方法提取油茶果实的横径和纵径;最后,比较计算机视觉技术自动获取和手动测量的油茶果实外部表型特征,不断调整和校准计算机视觉技术提取算法,做到准确提取油茶果实外部表型特征。
(4)提取油茶果实成熟期关键内部品质参数和关键外部表型特征;
分别统计各个内部品质参数和外部表型特征在油茶果实成熟期随时间变化的规律,绘制相应参数的变化曲线;利用模拟人脑认知机制的多元素长短期记忆网络,如附图3所示,模拟各个内部品质参数和外部表型特征在油茶果实成熟期随时间变化的动态过程,提取表达油茶果实成熟程度最为有效的关键内部品质参数和关键外部表型特征;在提取关键参数的过程中,同时也可以利用遗传算法、支持向量机、主成分分析、因子分析和聚类分析等方法,与深度神经网络的方法进行比较,择优使用。通过提取出来的关键内部品质参数和关键外部表型特征,可以利用计算机设计算法快速的对油茶果实进行品种识别,这也可以解决一个生产实际中遇到的技术问题。最后,对关键内部品质参数和关键外部表型特征,运用数学统计方法定性比较和定量分析对油茶果实成熟程度表达能力差异的原因。
(5)建立油茶果实内部品质参数到外部表型特征的动态映射模型;
采用机器学习中多元相关分析的方法,针对不同油茶品种已经提取出来的关键内部品质参数和关键外部表型特征进行量化分析;解析关键内部品质参数之间、关键外部表型特征之间以及关键内部品质参数到关键外部表型特征之间的多元耦合关系;利用深度学习中的深度卷积神经网络,油茶果实成熟过程中,分别建立不同品种从内部品质参数到外部表型特征的动态映射关系模型。
(6)建立从内部品质参数到外部表型特征的油茶果实成熟度量化标准和量化监测模型,并阐明成熟度量化表征机理;
以构建的油茶果实内部品质参数到外部表型特征的动态映射模型作为训练样本,利用根据人工智能深度学习的RSDNet和ASNet等显著性目标检测算法,学习出针对内部品质参数到外部表型特征的油茶果实成熟度量化标准,利用模拟人脑的深度学习网络推演出从内部品质参数到外部表型特征的油茶果实成熟度量化检测模型,阐明成熟度量化表征机理。
具体步骤:首先,以构建的主栽油茶品种成熟度量化标准根据品种划分图像中油茶果实的成熟度等级并标记,搭建不同品种油茶果实成熟度检测数据集;然后,使用搭建的主栽品种油茶果实成熟度检测数据集训练RSDNet和ASNet等显著性目标检测算法,反复迭代获得成熟期油茶果实成熟度量化检测模型;第三,对比油茶果实成熟度量化检测模型的检测结果和人类专家给出的结果,分析误差针对性改进,得到最优量化检测模型。最后,运用数学统计分析方法分析油茶果实成熟度的最优量化检测模型工作原理以及与油茶果实的关键内部品质参数、关键外部表型特征的内在联系,解析油茶果实成熟度量化表征机理。
本发明在油茶果实成熟度检测的过程中加入油茶果实的内部品质参数,通过人工智能深度学习中深度卷积神经网络技术构建油茶果实从内部品质参数到外部表型特征的动态映射,实现油茶果实成熟度的量化表征,进而揭示油茶果实成熟度量化表征机理。
上所述的实施例仅是对本发明优选方式进行的描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (9)
1.一种智能化检测油茶果实成熟度的方法,其特征在于,包括:
测定油茶果实表达成熟度的内部品质参数和外部表型特征,并进行提取,得到不同品种之间外部表型特征的关键参数成熟度的表达差异;
基于不同品种的所述成熟度的表达差异,分别建立从内部品质到外部表型特征的动态映射模型;
以所述动态映射模型作为训练样本,建立从内部品质参数到外部表型特征的油茶果实成熟度量化标准和量化检测模型,并阐明成熟度量化表征机理。
2.根据权利要求1所述的智能化检测油茶果实成熟度的方法,其特征在于,通过人工智能中模拟人脑认知机制的多元素长短时记忆网络模型挖掘所述油茶果实表达成熟度的内部品质参数,并对所述内部品质参数进行提取,得到关键内部品质参数,解析所述关键内部品质参数表达成熟度的差异。
3.根据权利要求2所述的智能化检测油茶果实成熟度的方法,其特征在于,所述内部品质参数包括油茶果实的水分、总灰分、粗脂肪、总氮、水浸出物、还原糖、总糖、多酚、可溶性蛋白质、总黄酮、皂素、淀粉和粗纤维;其中,所述关键内部品质参数包括粗脂肪、总糖和可溶性蛋白质。
4.根据权利要求1所述的智能化检测油茶果实成熟度的方法,其特征在于,通过手机、相机或者无人机获取油茶果实的可见光图像,利用计算机视觉技术中的颜色矩、灰度共生矩阵法、自适应阈值分割和区域生长法测定油茶果实图像数据中的所述外部表型特征。
5.根据权利要求4所述的智能化检测油茶果实成熟度的方法,其特征在于,所述外部表型特征包括油茶果实的横径、纵径、果形指数、果皮颜色和纹理、单果籽数、单果质量和果皮厚度。
6.根据权利要求5所述的智能化检测油茶果实成熟度的方法,其特征在于,实地测量油茶果实的所述横径、纵径、果形指数、果皮颜色、单果质量、果皮厚度外部表性特征,对比利用计算机提取和所述实地测量的结果,校准计算机视觉提取的算法;通过深度神经网络量化油茶果实成熟期外部表型特征动态变化的规律,提取表征油茶果实成熟程度的关键外部表型特征;其中,所述关键外部表型特征包括果皮颜色和果形指数。
7.根据权利要求6所述的智能化检测油茶果实成熟度的方法,其特征在于,解析所述关键内部品质参数之间、所述关键外部表型特征之间以及所述关键内部品质参数到所述关键外部表型特征之间的多元耦合关系,基于所述多元耦合关系与深度卷积神网络,分别建立不同油茶品种从内部品质参数到外部表型特征的动态映射关系模型。
8.根据权利要求7所述的智能化检测油茶果实成熟度的方法,其特征在于,以构建的所述动态映射关系模型作为训练样本,利用根据人工智能深度学习的RSDNet和ASNet显著性目标检测算法,得到针对所述内部品质参数到外部表型特征的油茶果实成熟度量化标准,通过模拟人脑的深度学习网络,构建从内部品质参数到外部表型特征的油茶果实成熟度量化检测模型,阐明所述成熟度量化表征机理。
9.根据权利要求8所述的智能化检测油茶果实成熟度的方法,其特征在于,所述构建从内部品质参数到外部表型特征的油茶果实成熟度量化检测模型的过程包括:
划分所述可见光图像中油茶果实的成熟度等级并标记,搭建不同品种油茶果实成熟度检测数据集;
通过搭建的所述油茶果实成熟度检测数据集训练RSDNet和ASNet显著性目标检测算法,进行反复迭代,获得成熟期油茶果实成熟度量化检测模型;
对比所述油茶果实成熟度量化检测模型的检测结果和人类专家给出的结果,分析误差针对性改进,得到最优量化检测模型;
最后,通过数学统计分析方法分析油茶果实成熟度的所述最优量化检测模型的工作原理以及与油茶果实的所述关键内部品质参数、关键外部表型特征的内在联系,解析油茶果实成熟度量化表征机理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111584319.XA CN113963239B (zh) | 2021-12-23 | 2021-12-23 | 一种智能化检测油茶果实成熟度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111584319.XA CN113963239B (zh) | 2021-12-23 | 2021-12-23 | 一种智能化检测油茶果实成熟度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113963239A true CN113963239A (zh) | 2022-01-21 |
CN113963239B CN113963239B (zh) | 2022-03-29 |
Family
ID=79473598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111584319.XA Active CN113963239B (zh) | 2021-12-23 | 2021-12-23 | 一种智能化检测油茶果实成熟度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113963239B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115331216A (zh) * | 2022-08-11 | 2022-11-11 | 北京林业大学 | 核桃果实成熟度聚类识别方法、装置及系统和存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107238638A (zh) * | 2017-06-28 | 2017-10-10 | 四川理工学院 | 基于大曲各成分理化指标与产酒量和酒质联系的测定方法 |
CN107609111A (zh) * | 2017-09-13 | 2018-01-19 | 福建省农业科学院果树研究所 | 一种枇杷果实品种鉴别、品质分级和成熟度判定的检索方法 |
CN108956545A (zh) * | 2018-06-15 | 2018-12-07 | 北京农业智能装备技术研究中心 | 一种水果内部品质无损检测模型建立方法及系统 |
CN110472575A (zh) * | 2019-08-15 | 2019-11-19 | 中国农业大学 | 一种基于深度学习和计算机视觉的串番茄成熟度检测方法 |
CN110736709A (zh) * | 2019-10-26 | 2020-01-31 | 苏州大学 | 一种基于深度卷积神经网络的蓝莓成熟度的无损检测方法 |
CN110781889A (zh) * | 2019-10-26 | 2020-02-11 | 苏州大学 | 一种基于深度学习的蓝莓果实中总糖含量的无损检测方法 |
CN111462044A (zh) * | 2020-03-05 | 2020-07-28 | 浙江省农业科学院 | 基于深度学习模型的温室草莓检测与成熟度评价方法 |
US20210224609A1 (en) * | 2019-03-07 | 2021-07-22 | Institute Of Automation, Chinese Academy Of Sciences | Method, system and device for multi-label object detection based on an object detection network |
CN113192026A (zh) * | 2021-04-28 | 2021-07-30 | 北京林业大学 | 一种基于可见光图像的核桃成熟度检测与预测方法 |
-
2021
- 2021-12-23 CN CN202111584319.XA patent/CN113963239B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107238638A (zh) * | 2017-06-28 | 2017-10-10 | 四川理工学院 | 基于大曲各成分理化指标与产酒量和酒质联系的测定方法 |
CN107609111A (zh) * | 2017-09-13 | 2018-01-19 | 福建省农业科学院果树研究所 | 一种枇杷果实品种鉴别、品质分级和成熟度判定的检索方法 |
CN108956545A (zh) * | 2018-06-15 | 2018-12-07 | 北京农业智能装备技术研究中心 | 一种水果内部品质无损检测模型建立方法及系统 |
US20210224609A1 (en) * | 2019-03-07 | 2021-07-22 | Institute Of Automation, Chinese Academy Of Sciences | Method, system and device for multi-label object detection based on an object detection network |
CN110472575A (zh) * | 2019-08-15 | 2019-11-19 | 中国农业大学 | 一种基于深度学习和计算机视觉的串番茄成熟度检测方法 |
CN110736709A (zh) * | 2019-10-26 | 2020-01-31 | 苏州大学 | 一种基于深度卷积神经网络的蓝莓成熟度的无损检测方法 |
CN110781889A (zh) * | 2019-10-26 | 2020-02-11 | 苏州大学 | 一种基于深度学习的蓝莓果实中总糖含量的无损检测方法 |
CN111462044A (zh) * | 2020-03-05 | 2020-07-28 | 浙江省农业科学院 | 基于深度学习模型的温室草莓检测与成熟度评价方法 |
CN113192026A (zh) * | 2021-04-28 | 2021-07-30 | 北京林业大学 | 一种基于可见光图像的核桃成熟度检测与预测方法 |
Non-Patent Citations (2)
Title |
---|
刘坤 等: "果实检验中灵武长枣成熟度图像分级仿真", 《计算机仿真》 * |
魏亦榕: "基于有机氮营养的温室网纹甜瓜果实品质形成模型研究", 《中国优秀博硕士学位论文全文数据库(硕士)农业科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115331216A (zh) * | 2022-08-11 | 2022-11-11 | 北京林业大学 | 核桃果实成熟度聚类识别方法、装置及系统和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113963239B (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948596B (zh) | 一种基于植被指数模型进行水稻识别和种植面积提取的方法 | |
Fukuda et al. | Selected morphological and agronomic descriptors for the characterization of cassava | |
CN108519339B (zh) | 一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法 | |
Pickett | Composition of developing peanut seed | |
CN113963239B (zh) | 一种智能化检测油茶果实成熟度的方法 | |
Chang et al. | Quantifying muskmelon fruit attributes with A-TEP-based model and machine vision measurement | |
CN112836623A (zh) | 设施番茄农事决策辅助方法及装置 | |
CN109258371B (zh) | 一种开花期红掌耐寒性的评价方法 | |
CN113780845A (zh) | 一种基于多准则决策的甘薯种质资源评价方法 | |
CN105467078B (zh) | 小麦旗叶衰老特征检测方法 | |
CN106680390A (zh) | 一种茶树氮素营养的诊断方法 | |
CN114092839A (zh) | 基于无人机遥感的大豆收获期成熟度的判断方法 | |
Viana et al. | Genetic diversity in yellow passion fruit populations | |
CN104126347B (zh) | 一种种子成熟度的检测方法及成熟种子的采摘方法 | |
He et al. | A binocular stereovision system for transplant growth variables analysis | |
Berghetti et al. | Growth and physiological attributes of Cordia trichotoma seedlings in response to fertilization with phosphorus and potassium. | |
CN116524225A (zh) | 一种基于多源遥感数据的作物分类方法及系统 | |
Bărăscu et al. | Preliminary research regarding the grafting interstock and soil maintenance influence on fruit quality for Pinova Variety | |
Zuffo et al. | Fruit biometry and physiological quality of Veitchia merrilli (Becc) HE Moore palm in relation to fruit maturation stage | |
CN114047139A (zh) | 表征叶片不同氮浓度的标准曲线色卡及其制备方法和应用 | |
CN103125371B (zh) | 一种作物抗旱突变体田间快速辅助筛选的方法 | |
CN107389594B (zh) | 一种基于太赫兹光的主茎秆顶芽识别定位方法和装置 | |
Bărăscu et al. | Effects of grafting combinations on the fruit quality for the Pinova apple tree. | |
CN115508314B (zh) | 一种基于冠层组分光谱分离的土壤影响消除与小麦叶片叶绿素含量高精度估算方法 | |
Perla et al. | A Critical Implementation Strategy Proposed for Continuous Monitoring of Minerals in the Soil and to Identify the Diseases of Banana Plant Using Support Vector Machine. |
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 |