CN114022389B - 一种基于数码相机进行植物叶色等级判别的方法 - Google Patents
一种基于数码相机进行植物叶色等级判别的方法 Download PDFInfo
- Publication number
- CN114022389B CN114022389B CN202111361311.7A CN202111361311A CN114022389B CN 114022389 B CN114022389 B CN 114022389B CN 202111361311 A CN202111361311 A CN 202111361311A CN 114022389 B CN114022389 B CN 114022389B
- Authority
- CN
- China
- Prior art keywords
- color
- image
- leaf
- plant
- digital camera
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims description 14
- 239000004744 fabric Substances 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 7
- 238000010238 partial least squares regression Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 229910003460 diamond Inorganic materials 0.000 claims description 3
- 239000010432 diamond Substances 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000012360 testing method Methods 0.000 abstract description 6
- 241000196324 Embryophyta Species 0.000 description 51
- 239000000049 pigment Substances 0.000 description 8
- 238000011835 investigation Methods 0.000 description 7
- 241000499436 Brassica rapa subsp. pekinensis Species 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 235000010149 Brassica rapa subsp chinensis Nutrition 0.000 description 4
- 235000000536 Brassica rapa subsp pekinensis Nutrition 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 210000000697 sensory organ Anatomy 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 241000037488 Coccoloba pubescens Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Spectrometry And Color Measurement (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于数码相机进行植物叶色等级判别的方法，利用高清数码相机采集植物样本的叶片图像；根据背景差值法对叶片图像进行去背景处理；以叶片图像的中心为圆心，以30°为分割角度，将图像均匀分割为12个区间；分别提取叶片图像每个区间的R、G、B波段色阶值，并计算所有区间的R、G、B三个颜色通道像素色阶平均值；利用偏最小二乘算法构建图像色阶与图像颜色水平值的回归方程，以颜色水平值描述样本颜色；将每幅图像的颜色水平值与测定的标准范围比较，即能判定每个植株颜色的等级，得出植物样本叶色类别。本发明采用图像识别技术区分植物叶色细微差别进行叶色分类，有效避免了人工叶色判别的误差，保证试验数据的科学性和准确性。
Description
技术领域
本发明涉及植物叶色性状检测技术领域，特别是涉及一种基于数码相机进行植物叶色等级判别的方法。
背景技术
植物叶色性状调查目前还是以人工目测为主，同时部分研究采用色素测定、色差仪测定等方式进行叶色判别。人为目测直接利用叶片颜色差异对人视觉的刺激反映进行评判分级，简便易行，方便操作，但受环境的影响较大，同时易受感观器官和测定者主观性限制，难以区分颜色的细微差别，其表述性以及重现性差，准确性不高。由于植物叶色是植物体内色素的动态综合表观体现，色素含量也被用于叶色等级评定，但色素测定一般在实验室内进行，需要对植物叶片进行破坏性取样且过程繁琐，费时费力，并且通过色素含量同样无法区分非色素造成的叶色细微差别，仅适用于在实验室中进行叶色差别较大样本测量。随着现代科技的发展，由于人工目测表述以及重现性差，叶色定量表述即数字表示非常重要，这样人们就可以在任何时间、任何地方将颜色向其他人描述，要达到这个目的便要借助仪器设备，即仪器测色。但在使用上色差仪对被测样品要求严格，对表面平整、色泽一致、大小都有一定的要求,而往往田间植物取样无法满足，这限制了其使用范围。
目前，尚未有可靠、客观、快速、非接触、无损可溯源的植物叶色调查方法。传统的人工测量主观性强，受感官限制；色素含量测定法，不仅测量时间较长，更是无法区分非色素造成的叶色细微差别；色差仪测量限制要求多，使用范围狭窄。因此，在植物功能基因组极速发展的大背景下，急需一种快速无损精准量化植物叶色表型鉴定方法，用于区分植物叶色的细微差别，保证试验数据的科学性和准确性。
发明内容
本发明的目的是提供一种基于数码相机进行植物叶色等级判别的方法，采用图像识别技术区分植物叶色细微差别进行叶色分类，有效避免了人工叶色判别的误差，并且利用数码相机采集图像进行等级判别避免了植株取样破坏损伤，图像可保留方便后续研究的溯源，保证试验数据的科学性和准确性。
为实现上述目的，本发明提供了如下方案：
一种基于数码相机进行植物叶色等级判别的方法，包括以下步骤：
S1，利用高清数码相机采集植物样本的叶片图像；
S2，根据背景差值法对叶片图像进行去背景处理，并对叶片图像进行滤波和去噪处理；
S3，以叶片图像的中心为圆心，以30°为分割角度，将图像均匀分割为12个区间；
S4，利用计算机分别提取叶片图像每个区间的R、G、B波段色阶值，并计算所有区间的R、G、B三个颜色通道像素色阶平均值，作为叶片图像的图像色阶数据；
S5，获得叶片图像的图像色阶数据后，利用偏最小二乘算法构建图像色阶与图像颜色水平值的回归方程，以颜色水平值描述样本颜色；
S6，将每幅图像的颜色水平值与测定的标准范围比较，即能判定每个植株颜色的等级，得出植物样本叶色类别。
进一步的，所述步骤S1中，利用高清数码相机采集植物样本的叶片图像，具体包括：
采集人员手持高清数码相机位于植物样本侧方与太阳光线为90度位置，将高清数码相机置于植物样本的正上方，并在植物样本的下方设置图像采集背景框布，所述图像采集背景框布以图像采集专业植绒背景布为材料，固定于弹性支架，在使用时呈圆形将植株与地面隔开，成为拍照背景。
进一步的，所述步骤S2中，根据背景差值法对叶片图像进行去背景处理，具体包括：基于背景布色阶值为12，≤12为背景值排除，色阶提取将排除背景值。
进一步的，所述步骤S2中，对叶片图像进行滤波和去噪处理，具体为：采用边缘切割、边缘对象识别、填充边缘空隙、菱形边缘平滑、中值滤波和小面积碎片剔除算法进行滤波和去噪处理，之后采用复原算法得到叶片图像的精确图像处理效果。
进一步的，所述步骤S5中，获得叶片图像的图像色阶数据后，利用偏最小二乘法构建图像色阶与图像颜色水平值的回归方程，以颜色水平值描述样本颜色，具体包括：
使用偏最小二乘算法对图像色阶进行拟合分析，确定最适主因子数并建立图像色阶特征与颜色水平变量的PLS回归模型，得到图像颜色水平值L回归方程：
L＝0.871*G+0.123*B+0.01*R
式中，R、G、B分别为叶片图像红色、绿色、蓝色三个颜色通道像素色阶平均值。
进一步的，步骤S6中，所述测定的标准范围，具体为：建立颜色水平等级检索表，颜色水平等级检索表根据实验室叶色标准划分。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于数码相机进行植物叶色等级判别的方法，采用高清数码相机拍照辅助田间叶色调查，区分植物叶色差别进行叶色分类，避免了人为采摘对植物叶片的破坏损伤，图像可保留方便后续研究的溯源；采用图像识别技术进行去背景、滤波和去噪处理，并采集色阶数据区分植物叶色细微差别进行叶色分类，有效避免了人工叶色判别的误差；据样本实际特征，以实验室叶色划分标准，对样本赋予等级变量值，利用PLS回归方法对样本的色阶值与样本对应的等级变量进行回归分析，确定最适主因子数并建立颜色水平与等级变量的PLS回归方程，同时得到颜色水平值(L)检索表，能够直观方便的植物叶色等级进行判别。
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是本发明实施例基于数码相机进行植物叶色等级判别的方法的流程示意图；
图2是本发明实施例利用高清数码相机进行图像采集的示意图；
图3是本发明实施例特制图像采集框布及使用示意图；
图4是本发明实施例背景分割及图像去噪处理前后效果对比图；
图5是本发明实施例植物叶片图像色阶提取图像分割方式示意图；
图6是本发明实施例PLS分析样本颜色水平拟合图；
图7为本发明实施例叶色等级样本示例图；
附图标记说明：1、采集人员；2、高清数码相机；3、图像采集背景框布；4、植物样本；5、弹性支架；6、活动卡扣。
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。
本发明的目的是提供一种基于数码相机进行植物叶色等级判别的方法，采用图像识别技术区分植物叶色细微差别进行叶色分类，有效避免了人工叶色判别的误差，并且利用数码相机采集图像进行等级判别避免了植株取样破坏损伤，图像可保留方便后续研究的溯源，保证试验数据的科学性和准确性。
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。
如图1所示，本发明提供的基于数码相机进行植物叶色等级判别的方法，包括以下步骤：
S1，利用高清数码相机采集植物样本的叶片图像；如图2所示，具体包括：
采集人员1手持高清数码相机2位于植物样本4的侧方与太阳光线为90度位置(即避免采集人员1的影子进入采集区域，影响采集效果)，将高清数码相机2置于植物样本4的正上方，并在植物样本4的下方设置图像采集背景框布3，所述图像采集背景框布3以图像采集专业植绒背景布为材料，如图3所示，固定于弹性支架5，在使用时呈圆形将植株与地面隔开，成为拍照背景，有效提高图像采集质量并减小图像处理难度；图像采集专业植绒背景布的边缘缝合出供弹性支架5传入的孔，所述弹性支架5可以采用钢丝弯折而成，圆形图像采集专业植绒背景布设置有开叉口，方便拼合布置，并可以用活动卡扣6连接；对多个样本，于晴天同一时间段采集需调查植株图像；
S2，根据背景差值法对叶片图像进行去背景处理，并对叶片图像进行滤波和去噪处理；
S3，以叶片图像的中心为圆心，以30°为分割角度，将图像均匀分割为12个区间；传统色阶提取以矩阵方式采集，而由于植株叶形的不规则，容易造成提取色阶空洞缺失，易造成误差，本方法采用扇形划分，避免上述缺点，色阶提取图像分割如图5所示。
S4，利用计算机分别提取叶片图像每个区间的R、G、B波段色阶值，并计算所有区间的R(红色)、G(绿色)、B(蓝色)三个颜色通道像素色阶平均值，作为叶片图像的图像色阶数据；
S5，获得叶片图像的图像色阶数据后，利用偏最小二乘算法构建图像色阶与图像颜色水平值的回归方程，以颜色水平值描述样本颜色；
S6，将每幅图像的颜色水平值与测定的标准范围比较，即能判定每个植株颜色的等级，得出植物样本叶色类别。
其中，所述步骤S2中，根据背景差值法对叶片图像进行去背景处理，具体包括：基于背景布色阶值为12，≤12为背景值排除，色阶提取将排除背景值。
所述步骤S2中，对叶片图像进行滤波和去噪处理，具体为：采用边缘切割、边缘对象识别、填充边缘空隙、菱形边缘平滑、中值滤波和小面积碎片剔除算法进行滤波和去噪处理，之后采用复原算法得到叶片图像的精确图像处理效果，该算法可以有效消除拍摄边角阴影、孔洞、小孔隙、图像背景、叶片阴影等的干扰，图像处理前后对比如图4所示。
所述步骤S5中，获得叶片图像的图像色阶数据后，利用偏最小二乘法构建图像色阶与图像颜色水平值的回归方程，以颜色水平值描述样本颜色，具体包括：
使用偏最小二乘算法对图像色阶进行拟合分析，确定最适主因子数并建立图像色阶特征与颜色水平变量的PLS回归模型，得到图像颜色水平值L回归方程：
L＝0.871*G+0.123*B+0.01*R
式中，R、G、B分别为叶片图像红色、绿色、蓝色三个颜色通道像素色阶平均值。PLS分析包含3个主成分，拟合参数为R2X＝1、R2Y＝0.95、Q2＝0.945。R2X和R2Y越接近1表明模型越稳定，Q2>0.5表明预测率较高，分析通过拟合图6展示。
所述步骤S6，建立颜色水平等级检索表。植株颜色分级时，根据步骤S1-S4获取图像色阶值，并带入步骤S5的回归方程计算图像颜色水平值(L)，根据颜色水平值(L)查找检索表，确定颜色等级。分级检索表根据实验室叶色标准划分，提取样品的叶色参数后根据回归方程所得，检索表及颜色对照如表1所示。
表1大白菜颜色水平等级检索表
在实施例中应用本方法进行大白菜叶色调查分类。在应用本发明的方法进行分级时，定级标准依照实验室颜色调查常用标准，将白菜叶色分为十级，以人工分级为对照。
验证本发明方法准确性，选取某一试验田同一批50颗大白菜进行人工叶色调查，同时依照本方法步骤S1采集大白菜植株数码相机高清图像，返回实验室按照步骤S2-S6于计算机进行处理后对照颜色水平值(L)检索表获取叶色等级。并和人工调查数据对比，统计如表2。
表2分级结果比较
由表2可见，利用本发明的方法可以满足试验叶色调查需求，总体分级正确率98％，能获取有效调查结果。同时对分类错误的1个样本进行分析，由于样本个体生长发育原因，部分叶片颜色发黄，造成识别误差。叶色等级样本示例如图7所示。
本发明提供的基于数码相机进行植物叶色等级判别的方法，采用高清数码相机拍照辅助田间叶色调查，区分植物叶色差别进行叶色分类，避免了人为采摘对植物叶片的破坏损伤，图像可保留方便后续研究的溯源；采用图像识别技术进行去背景、滤波和去噪处理，并采集色阶数据区分植物叶色细微差别进行叶色分类，有效避免了人工叶色判别的误差；据样本实际特征，以实验室叶色划分标准，对样本赋予等级变量值，利用PLS回归方法对样本的色阶值与样本对应的等级变量进行回归分析，确定最适主因子数并建立颜色水平与等级变量的PLS回归方程，同时得到颜色水平值(L)检索表，能够直观方便的植物叶色等级进行判别。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (5)
1.一种基于数码相机进行植物叶色等级判别的方法，其特征在于，包括以下步骤：
S1，利用高清数码相机采集植物样本的叶片图像；
S2，根据背景差值法对叶片图像进行去背景处理，并对叶片图像进行滤波和去噪处理；
S3，以叶片图像的中心为圆心，以30°为分割角度，将图像均匀分割为12个区间；
S4，利用计算机分别提取叶片图像每个区间的R、G、B波段色阶值，并计算所有区间的R、G、B三个颜色通道像素色阶平均值，作为叶片图像的图像色阶数据；
S5，获得叶片图像的图像色阶数据后，利用偏最小二乘算法构建图像色阶与图像颜色水平值的回归方程，以颜色水平值描述样本颜色；
S6，将每幅图像的颜色水平值与测定的标准范围比较，即能判定每个植株颜色的等级，得出植物样本叶色类别；
所述步骤S5中，获得叶片图像的图像色阶数据后，利用偏最小二乘法构建图像色阶与图像颜色水平值的回归方程，以颜色水平值描述样本颜色，具体包括：
使用偏最小二乘算法对图像色阶进行拟合分析，确定最适主因子数并建立图像色阶特征与颜色水平变量的PLS回归模型，得到图像颜色水平值L回归方程：
L＝0.871*G+0.123*B+0.01*R
式中，R、G、B分别为叶片图像红色、绿色、蓝色三个颜色通道像素色阶平均值。
2.根据权利要求1所述的基于数码相机进行植物叶色等级判别的方法，其特征在于，所述步骤S1中，利用高清数码相机采集植物样本的叶片图像，具体包括：
采集人员手持高清数码相机位于植物样本侧方与太阳光线为90度位置，将高清数码相机置于植物样本的正上方，并在植物样本的下方设置图像采集背景框布，所述图像采集背景框布以图像采集专业植绒背景布为材料，固定于弹性支架，在使用时呈圆形将植株与地面隔开，成为拍照背景。
3.根据权利要求2所述的基于数码相机进行植物叶色等级判别的方法，其特征在于，所述步骤S2中，根据背景差值法对叶片图像进行去背景处理，具体包括：基于背景布色阶值为12，≤12为背景值排除，色阶提取将排除背景值。
4.根据权利要求1所述的基于数码相机进行植物叶色等级判别的方法，其特征在于，所述步骤S2中，对叶片图像进行滤波和去噪处理，具体为：采用边缘切割、边缘对象识别、填充边缘空隙、菱形边缘平滑、中值滤波和小面积碎片剔除算法进行滤波和去噪处理，之后采用复原算法得到叶片图像的精确图像处理效果。
5.根据权利要求1所述的基于数码相机进行植物叶色等级判别的方法，其特征在于，步骤S6中，所述测定的标准范围，具体为：建立颜色水平等级检索表，颜色水平等级检索表根据实验室叶色标准划分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111361311.7A CN114022389B (zh) | 2021-11-17 | 2021-11-17 | 一种基于数码相机进行植物叶色等级判别的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111361311.7A CN114022389B (zh) | 2021-11-17 | 2021-11-17 | 一种基于数码相机进行植物叶色等级判别的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114022389A CN114022389A (zh) | 2022-02-08 |
| CN114022389B true CN114022389B (zh) | 2022-08-09 |
Family
ID=80064899
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111361311.7A Active CN114022389B (zh) | 2021-11-17 | 2021-11-17 | 一种基于数码相机进行植物叶色等级判别的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114022389B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104713835A (zh) * | 2015-03-25 | 2015-06-17 | 上海烟草集团有限责任公司 | 一种烟叶颜色在线数值化识别方法 |
| WO2016080011A1 (ja) * | 2014-11-19 | 2016-05-26 | リンク・アイティ株式会社 | デジタル画像の色属性表示装置、方法及びプログラム並びに画像処理装置 |
| WO2019163249A1 (ja) * | 2018-02-26 | 2019-08-29 | マクセルホールディングス株式会社 | 色指標値算出システムおよび色指標値算出方法 |
| CN110415181A (zh) * | 2019-06-12 | 2019-11-05 | 勤耕仁现代农业科技发展(淮安)有限责任公司 | 一种开放环境下烤烟rgb图像智能识别及等级判定方法 |
| CN111466605A (zh) * | 2020-04-23 | 2020-07-31 | 贵州省烟草科学研究院 | 基于rgb值测定烟叶烘烤变黄变褐程度的方法、系统及装置 |
| CN112734688A (zh) * | 2020-12-11 | 2021-04-30 | 江苏大学 | 基于机器视觉的马铃薯褐变检测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108376419B (zh) * | 2017-12-11 | 2020-06-26 | 江苏大学 | 一种盆栽生菜的综合长势监测方法及装置 |
| CN109410232A (zh) * | 2018-09-26 | 2019-03-01 | 漳州市佰佳贸易有限公司 | 基于常规低分辨率摄像头对叶色特征值的提取方法 |
| CN110427798B (zh) * | 2019-06-12 | 2023-07-18 | 勤耕仁现代农业科技发展(淮安)有限责任公司 | 一种青菜智能识别及叶色环境变化预测的方法 |
| CN113570538B (zh) * | 2020-04-28 | 2024-05-17 | 福建省烟草公司龙岩市公司 | 一种叶片rgb图像偏态分布参数信息采集及分析方法 |
-
2021
- 2021-11-17 CN CN202111361311.7A patent/CN114022389B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016080011A1 (ja) * | 2014-11-19 | 2016-05-26 | リンク・アイティ株式会社 | デジタル画像の色属性表示装置、方法及びプログラム並びに画像処理装置 |
| CN104713835A (zh) * | 2015-03-25 | 2015-06-17 | 上海烟草集团有限责任公司 | 一种烟叶颜色在线数值化识别方法 |
| WO2019163249A1 (ja) * | 2018-02-26 | 2019-08-29 | マクセルホールディングス株式会社 | 色指標値算出システムおよび色指標値算出方法 |
| CN110415181A (zh) * | 2019-06-12 | 2019-11-05 | 勤耕仁现代农业科技发展(淮安)有限责任公司 | 一种开放环境下烤烟rgb图像智能识别及等级判定方法 |
| CN111466605A (zh) * | 2020-04-23 | 2020-07-31 | 贵州省烟草科学研究院 | 基于rgb值测定烟叶烘烤变黄变褐程度的方法、系统及装置 |
| CN112734688A (zh) * | 2020-12-11 | 2021-04-30 | 江苏大学 | 基于机器视觉的马铃薯褐变检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于光谱成像的大白菜叶色定量鉴定方法;张东方 等;《河北农业大学学报》;20211011;第44卷(第6期);57-62 * |
| 用冠层叶色偏态分布模式RGB模型预测大豆产量;张佩 等;《农业工程学报》;20210508;第37卷(第9期);120-126 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114022389A (zh) | 2022-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101701916B (zh) | 一种玉米品种快速鉴定、鉴别方法 | |
| AU2020103260A4 (en) | Rice blast grading system and method | |
| CN110781889B (zh) | 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 | |
| CN105466921A (zh) | 一种多样品同时检测的方法 | |
| CN104408473B (zh) | 基于距离度量学习的棉花品级分类方法及装置 | |
| CN102855485B (zh) | 一种小麦抽穗的自动检测方法 | |
| CN108198176A (zh) | 一种基于图像分析烟草成熟度的判别方法 | |
| WO2024021359A1 (zh) | 基于图像脑敏感数据的建成环境主导色测度方法和系统 | |
| CN105067532A (zh) | 一种鉴别油菜菌核病和灰霉病早期病斑的方法 | |
| CN113570538B (zh) | 一种叶片rgb图像偏态分布参数信息采集及分析方法 | |
| CN113129281B (zh) | 一种基于深度学习的小麦茎秆截面参数检测方法 | |
| CN110632068A (zh) | 一种烟叶耐加工性的测量方法 | |
| CN115587988A (zh) | 基于数字图像处理的分辨烟叶成熟度高低的方法 | |
| CN110009609B (zh) | 一种快速检测黄粒米的方法 | |
| Motonaga et al. | A method of making digital fruit color charts for cultivation management and quality control | |
| CN114022389B (zh) | 一种基于数码相机进行植物叶色等级判别的方法 | |
| CN112858311A (zh) | 一种基于机器视觉技术的稻米表型监测系统及方法 | |
| CN110882948B (zh) | 一种柚子品质分类方法与装置 | |
| CN104720813B (zh) | 用于表示肤色的标准色卡的获取方法及其应用 | |
| CN113838123B (zh) | 基于图像处理的烟丝形貌特征的测量方法 | |
| CN114997300A (zh) | 基于监督学习的小麦条锈病严重度评估方法 | |
| CN114609134A (zh) | 基于线性判别的烤烟烟叶田间成熟度手机智能判别方法 | |
| Zhi et al. | Color Chart Development by Computer Vision for Flue-cured Tobacco Leaf. | |
| Wu et al. | Quantification of Tobacco Leaf Appearance Quality Index Based on Computer Vision | |
| CN117451580B (zh) | 拉丝蛋白挤压稳定性分析方法 |
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 |