CN114136920A - 一种基于高光谱的单粒杂交水稻种子种类鉴定方法 - Google Patents
一种基于高光谱的单粒杂交水稻种子种类鉴定方法 Download PDFInfo
- Publication number
- CN114136920A CN114136920A CN202111456023.XA CN202111456023A CN114136920A CN 114136920 A CN114136920 A CN 114136920A CN 202111456023 A CN202111456023 A CN 202111456023A CN 114136920 A CN114136920 A CN 114136920A
- Authority
- CN
- China
- Prior art keywords
- hyperspectral
- hybrid rice
- seed
- rice seed
- image
- 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.)
- Pending
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 193
- 235000009566 rice Nutrition 0.000 title claims abstract description 193
- 238000000034 method Methods 0.000 title claims abstract description 82
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 192
- 230000003595 spectral effect Effects 0.000 claims abstract description 57
- 229910052736 halogen Inorganic materials 0.000 claims abstract description 46
- 150000002367 halogens Chemical class 0.000 claims abstract description 46
- 238000002310 reflectometry Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 50
- 238000005516 engineering process Methods 0.000 claims description 27
- 241000894007 species Species 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000009499 grossing Methods 0.000 claims description 19
- 238000000701 chemical imaging Methods 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 230000001678 irradiating effect Effects 0.000 claims description 8
- 238000013145 classification model Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 2
- 235000013339 cereals Nutrition 0.000 abstract description 10
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 5
- 238000005520 cutting process Methods 0.000 abstract description 2
- 238000012706 support-vector machine Methods 0.000 description 23
- 238000012360 testing method Methods 0.000 description 23
- 230000011218 segmentation Effects 0.000 description 17
- 238000000513 principal component analysis Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 5
- 238000010845 search algorithm Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000009659 non-destructive testing Methods 0.000 description 3
- 241000353135 Psenopsis anomala Species 0.000 description 2
- 229920002472 Starch Polymers 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004817 gas chromatography Methods 0.000 description 2
- 238000004128 high performance liquid chromatography Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003711 image thresholding Methods 0.000 description 2
- 238000002329 infrared spectrum Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 235000019698 starch Nutrition 0.000 description 2
- 239000008107 starch Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 241000270295 Serpentes Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000010397 one-hybrid screening Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000000447 pesticide residue Substances 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (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
本发明公开了一种基于高光谱的单粒杂交水稻种子种类鉴定方法，涉及对于关键粮食农作物品种真实性检测技术领域，具体为一种基于高光谱的单粒杂交水稻种子种类鉴定方法，包括以下步骤：S110、基于卤素灯光源波长下采集多类不同品种的杂交水稻种子样本的高光谱图像。本发明通过切割提取水稻种子单粒图像，通过完整图像计算获得每类单粒种子样品的平均光谱反射率，进行一步提高采集数据的可信度与准确度，通过利用训练好的种子种类鉴定模型可以自动对已经提取好的杂交水稻种子的平均光谱信息进行种类的判定，同时可以快速的对需要判别的多类的杂交水稻种子的种类进行鉴定，同时使得整个过程更加快速便捷，并且实现无损判别。
Description
技术领域
本发明涉及对于关键粮食农作物品种真实性检测技术领域，具体为一种基于高光谱的单粒杂交水稻种子种类鉴定方法。
背景技术
水稻是我国重要的粮食农作物之一，作为全球近乎50%的人口的主要粮食。在我国水稻的种植面积大约占据全球种植面积的20%左右，总的种植产量位居世界第一。而杂交水稻是由我国自行研究发展的粮食增产技术，杂交水稻产量占国内水稻总产量的50%以上，并且随着育种技术的不断创新和发展, 使我国杂交水稻的发展一直领跑于世界。因此，杂交水稻产量与质量对世界的农业粮食安全具有十分重要的意义，故通过杂交技术培育出更加优质的水稻品种是水稻育种行业的长期的目标。种子品种的真实性是影响杂交水稻产量和质量的关键，杂交水稻品种的真实性越高，越有助于发挥其品种的优良的遗传特性，为农户带来更高的收益。目前由于科学技术的发展，市面上的杂交水稻的种子的品种越来越多，水稻种子之间性状十分相似的原因，为了谋取利益，市场上以次充好的现象层出不穷。并且生产过程中客观产生的种子品类混杂,或人为因素造成的种子掺杂使假,都会严重影响杂交水稻种植的产量和质量,也是国家种子法规定所不被容许的。此外，杂交水稻种子在种植、收获等环节也容易发生的和亲本、或者和其他品种水稻的混杂现象，使得种子纯度下降，给相关制种农户和种子企业利益带来损害。解决上述问题的关键在于开发准确快速的杂交水稻品种种类鉴定方法，确保能够及时有效地检测甚至筛选出不符合要求的品种。
针对传统的杂交水稻种子的种类鉴定检测，常采用高效液相色谱法和气相色谱法等化学方法通过检测内部品质来识别种子品种，例如蛋白质，淀粉和香气，与田间鉴定法等。田间鉴定法是被大多数农户所认可的一种鉴定方法，但该方法耗费的时间周期长、操作繁琐、季节性影响比较大。而高效液相色谱法和气相色谱法等化学方法虽然结果较为准确、重复性好，但成本较高、消耗试剂，且需要专业人员操作。这些方法具有种子损坏，耗时且成本高的缺点，以及只能应用于少量样品,迫切需要一种简便快捷且有效的新的检测技术。
高光谱图像技术是一种结合机器视觉和光谱技术的新兴快速无损检测技术，能够同时获取样品的图像信息和光谱信息，并且随着高光谱成像技术快速的发展和其应用成本的逐年降低。而水稻种子内部主要成分为淀粉、蛋白质、脂肪等物质，其品种间的差异也主要表现在上述成分的分布和含量的差异之中，而基于高光谱图像技术可以很好将这些对象反映出来，同样有着不少的研究证明了利用高光谱技术可以有效对某一物质进行有效的检测与分类。彭丽君等人在水稻种子鉴别的近红外光谱快速无损分析中，利用双相关系数法(BiCC)，并将方法与移动窗口(MW)和判别式偏最小二乘法(DPLS)等算法结合实现了对群体水稻的近红外品种判别。贾群等人采用近红外光谱和支持向量机（SVM）算法对采集四种不同玉米种子进行品种识别，其准确率达到97.5％。李翠玲等人提出荧光反射法检测甜瓜种子证明了鉴定甜瓜种子的可能性与非破坏性技术结合适当的机器学习算法。由上述研究种，高光谱成像技术已被广泛应用于可以检测和监测农业生产获得样品的内部和外部信息快速而无损的。之前已经过验证研究表明高光谱成像技术是一种有效的方法物生长信息检测方法成熟度和产量，追踪病虫害，检测土壤养分，肉和农药残留。现在，该技术还用于识别种子品种并检测种子的活力，成分和纯度。通过上述的研究与讨论，表明基于高光谱成像技术的杂交水稻种子的品种鉴定方法是具有可行性的。
本发明提供了一种基于高光谱成像技术的杂交水稻种子品种鉴定模型的生成方法、鉴定方法，以提高对于杂交水稻种子品种鉴定的速度、便捷性以及准确性。
发明内容
针对现有技术的不足，本发明提供了一种基于高光谱的单粒杂交水稻种子种类鉴定方法，解决了上述背景技术中提出的问题。
为实现以上目的，本发明通过以下技术方案予以实现：一种基于高光谱的单粒杂交水稻种子种类鉴定方法，包括以下步骤：
S110、基于卤素灯光源波长下采集多类不同品种的杂交水稻种子样本的高光谱图像；
S120、提取每类品种的单粒杂交水稻种子在卤素灯光源波长下采集的高光谱图像中的完整种子图像；
S130、计算每类每粒水稻种子的单位像素下种子的平均光谱反射率；
S140、根据在基于近红外高光谱成像技术下获得的在卤素灯光源下每类杂交水稻种子的单位像素平均的光谱反射率与相应的杂交水稻种子品种的信息生成相应的训练样本；
S150、获得采集杂交水稻种子样品对应的训练样本对初始的分类模型进行训练，得到各所述基于高光谱的杂交水稻种子样品的真实性的判别模型。
可选的，所述步骤S110中，进一步的包括以下步骤：
在设定光源波长范围内，将以设定波长间隔采集每个品种下每粒水稻种子样品的高光谱图像信息，可以无损、快速获得每类杂交水稻种子的光谱信息。
可选的，所述步骤S120中，进一步的包括以下步骤：
在卤素灯光源波长下对多类多粒杂交水稻种子的样品进行拍摄图像，得到完整清晰的高光谱图像。
可选的，所述步骤S120中，进一步的包括以下步骤：
在卤素灯光源下采集的杂交水稻种子高光谱图像中选取其中一个波长下种子图像清晰的图像，利用最大二值牛津算法从选取的高光谱图像中分割提取出各粒样品种子的种子的图像；
利用最大二值牛津算法将获得采集的高光谱图像中卤素灯源下近红外光源波长范围内的高光谱图像。
可选的，所述采用的高光谱拍摄相机为近红外镜头故拍摄的光源的波长范围为800mn～1700mn。
可选的，所述步骤S130中，进一步的包括以下步骤：
分别在卤素灯光源下采集标准白板的高光谱图像，并采集相应的黑帧的图像；
通过计算在同一个光源波长上采集得到的水稻种子的高光谱图像减去所得到的黑帧图像最后获得高光谱和相应光源下得到采集到标准白板得高光谱图像减去采集得黑帧得图像得到得高光谱图像中相应得像素点位置得灰度值得比值，最终获得经过校正得高光谱图像的每类每粒杂交水稻种子的完整图像的各个的像素点下的光谱反射率；
分别对采集每粒所述的样本杂交水稻种子完整单粒种子下所有像素点的光谱反射率计算平均值，最终获得采集每类杂交水稻种子每粒样品下在单位像素的平均光谱反射率。
可选的，所述步骤S140中，进一步的包括以下步骤：
对由多类每粒水稻种子样本对应的在卤素灯光源下采集的单位像素平均光谱反射率构建一个经过校正的原始的光谱曲线并对采集好的曲线进行平滑与多元散射预处理，得到每类杂交水稻种子在近红外高光谱相机下的单位像素下平均高光谱反射率分别经过平滑预处理与多元散射预处理的处理结果；
最后根据获得每类每粒杂交水稻种子分别经过平滑预处理与多元散射预处理方法得到的结果与其相应类别的品种信息生产一个训练样本。
一种基于高光谱的单粒杂交水稻种子种类鉴定方法，利用种类鉴定模型对所采集的多类杂交水稻种子的品种的进行鉴别。
一种基于高光谱的单粒杂交水稻种子种类鉴定设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述方法的步骤。
一种基于高光谱的单粒杂交水稻种子种类鉴定设备，还包括：
两个卤素灯光源，架设在近红外高光谱相机的镜头周围，用于提供均匀照射杂交水稻种子的光源；
高光谱相机，用于在所述的卤素灯光源照射所述多类杂交水稻种子的情况下拍摄所述每一类杂交水稻种子的高光谱图像。
本发明提供了一种基于高光谱的单粒杂交水稻种子种类鉴定方法，具备以下有益效果：
本发明通过切割提取水稻种子单粒图像，通过完整图像计算获得每类单粒种子样品的平均光谱反射率，进行一步提高采集数据的可信度与准确度了，通过利用训练好的种子种类鉴定模型可以自动对已经提取好的杂交水稻种子的平均光谱信息进行种类的判定，不要耗费大量的人力物力和较高的技术门槛的技术知识要求，同时可以快速的对需要判别的多类的杂交水稻种子的种类进行鉴定，同时使得整个过程更加快速便捷，并且实现无损判别。
附图说明
图1为本发明一实施例的一种基于高光谱的杂交水稻种子种类鉴定模型的生成方法流程示意图；
图2为本发明一实施例的基于高光谱的杂交水稻种子种类鉴定模型所用装置的结构示意图；
图3为本发明一实施例的不同种类杂交水稻种子高光谱图像示意图；
图4为本发明一实施例的每类单粒杂交水稻种子的平均光谱示意图；
图5为本发明一实施例的每类杂交水稻种子的平均光谱平滑求一阶导数处理后的示意图；
图6为本发明一实施例的SVM模型基于光谱的一阶导数根据不同波长选择算法的训练集和测试集的准确率的示意图。
图中：1、高光谱相机；2、LED环形光源；3、调节手柄；4、连接件；5、计算机；6、载物台。
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。
图1是本发明一实施例的关于一种基于高光谱的杂交水稻种子的种类鉴定模型的生成方法流程示意图。如图1所示，一些实施例的一种基于高光谱的杂交水稻种子的种类鉴定模型的生成方法，可包括以下步骤S110至步骤S150。
下面将对步骤S110至步骤S150的具体实施方式进行详细说明。
步骤S110、基于卤素灯光源下采集多类多粒杂交水稻种子的高光谱图像。
在该步骤S110中，在卤素灯光源下采用近红外镜头进行拍摄，以固定的波长间隔采集多类多粒的杂交水稻种子的高光谱图像；通过近红外高光谱技术对多类杂交水稻种子样品进行拍摄，获得相应波长范围的一张高光谱图像。另外，杂交水稻种子的品种可以包括荃两优0861、优华占、晶两优1212、两优821、两优887、两优898、两优8601、荃两优1606、荃两优1822、荃两优851等多种杂交水稻品种。另外，近红外的波长范围为900nm~1700nm，所述的多个波长范围下的波长是指卤素灯光源下经过近红外镜头的滤波器过滤后获得的所采集的样品的近红外光谱信息。
具体所述，采集的高光谱图像是光谱分辨率在10-2λ数量级范围内的光谱图像；通过高光谱图像成像采集装置在基于卤素灯光源下采集多类多粒的杂交水稻种子的高光谱图像。其中，高光谱成像装置采用的是近红外高光谱成像装置，其中包括：高光谱相机、卤素灯光源、支架与载物台等。
在采用的卤素灯光源下对采集的多类多粒杂交水稻种子的样品进行拍摄，通过近红外高光谱技术在固定波长间隔采最终获得杂交水稻种子的高光谱图像；采用近红外的镜头下波长范围在900nm~1700nm，所采用的设定波长间隔约为3.4nm。因此，通过近红外高光谱成像技术分别可以在对下获得在对应波长下种子样品的光谱反射率值，一共获得256波长的光谱反射率值。
在其他实施例中，在卤素灯光源下，并且设定波长间隔波长在近红外波长范围下采集多类多粒杂交水稻种子的高光谱图像；
在卤素灯光源下对采集的每类杂交水稻种子下每一粒种子样品进行拍摄高光谱图像。具体地，在基于近红外波长范围下900nm~1700nm，并且在高光谱图像其中包含波长拍摄间隔约为3.4nm采集共256个波长下光谱反射率的灰度值。
步骤S120、提取各粒不同杂交水稻种子样品在卤素灯光源下采集的高光谱图像中的种子完整的单粒杂交水稻种子图像。
在该步骤S120中，提取各粒不同杂交水稻种子样品在卤素灯光源下采集的高光谱图像中的种子完整的单粒杂交水稻种子图像，包括：
在基于卤素灯光源拍摄下的高光谱图像中选取其中种子形状最为清晰图像，利用阈值分割方法从选取的高光谱图像中分割提取各个杂交水稻种子的完整图像；
利用阈值分割算法将提取出的各类每粒杂交水稻种子到其它的近红外波长下成像范围下，得到在近红外高光谱相机下拍摄的高光谱图像中的各类各粒水稻种子样品的完整图像。
其中，该拍摄种子的高光谱图像是其中一个光源波长下拍摄的高光谱图像，清晰程度能够满足提取种子轮廓的要求即可，例如可以是最清晰的一个高光谱图像。
对提取清晰的高光谱图像进行阈值分割方法提取单粒水稻种子的完整图像，再通过将该分割获得完整清晰的图像到其他波长下的成像得到种子在完整高光谱图像中的单粒种子图像。
提取完整单粒杂交水稻种子方法可以为Snake算法、阈值分割法及小波变换等；本方法中主要通过阈值分割方法对采集好的杂交水稻种子样品的高光谱图像的每个单粒种子的完整清晰的图像；阈值分割法是一种基于区域的图像分割技术，原理是把图像像素点分为若干类；图像阈值化分割是一种传统的最常用的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术；它特别适用于目标和背景占据不同灰度级范围的图像；它不仅可以极大的压缩数据量，而且也大大简化了分析和处理步骤，因此在很多情况下，是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程；图像阈值化的目的是要按照灰度级，对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域不具有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。
阈值分割的优点是计算简单、运算效率较高、速度快；在重视运算效率的应用场合(如用于硬件实现)，它得到了广泛应用；图像的阈值分割已被应用于很多的领域，例如，在红外技术应用中，红外无损检测中红外热图像的分割，红外成像跟踪系统中目标的分割；在遥感应用中，合成孔径雷达图像中目标的分割等；在医学应用中，血液细胞图像的分割，磁共振图像的分割；在农业工程应用中，水果品质无损检测过程中水果图像与背景的分割。在工业生产应用中，机器视觉运用于产品质量检测等。
步骤S130、计算各类杂交水稻种子样品的各种子的单位像素平均光谱反射率。
在该步骤S30中，具体地，可以在卤素灯光源下通过近红外高光谱相机下采集标准白板的高光谱图像并采集相应的黑帧高光谱图像；通过获得在基于卤素灯光源下获得杂交水稻种子的高光谱图像减去所述的黑帧高光谱图像后得到高光谱图像和相应采集的标准白板的高光谱图像减去所述黑帧高光谱图像后得到高光谱图像对应位置像素点位置的灰度值之比，得到各类杂交水稻种子的各粒水稻种子完整清晰的图像内的各个像素点的光谱反射率；并且分别对每类每粒杂交水稻种子完整图像内所有像素点的光谱反射率计算获得平均值，最终获得各类杂交水稻种子的每个完整清晰图像内的单位像素平均光谱反射率。
反射率I的计算公式可以表示为其中
，Rraw表示杂交水稻种子光谱，Rblack表示黑帧高光谱图像的光谱，Rwhite表示标准白板的光谱图像。
其中，可以通过使用开运算和闭运算来实现提取单个种子的完整轮廓区域；开放式操作可以去除噪音，消除小物体；在细点分离物体中；平滑较大对象的边界的同时不会显着改变对象区域。关闭操作消除小孔（黑色区域）；平滑的物体轮廓；窄桥（连接）间断、沟壑；填充轮廓线中断。
具体地，在基于卤素灯光源下，通过近红外高光谱相机拍摄底板的高光谱图像；所述底板与需要采集的各类的杂交水稻种子样品的高光谱图像放置样本种子所用的底板为同种底板，即所采用的底板的可为黑板等。
通过近红外高光谱成像技术，获得在近红外波长范围内下每一类下杂交水稻种子的高光谱图像并且在对应的高光谱图像中的每粒水稻种子的完整清晰区域内的每一个像素点对应一个像素灰度值；在近红外波长范围下，获取所述的像素点处放置杂交水稻种子样品的底板图像的像素灰度值；
根据该像素点处杂交水稻种子的像素灰度值减去采集黑帧的像素灰度值与采集标准白板的像素灰度值减去黑帧的灰度值的比值作为该像素点处的反射率。
在分别对采集的每类每粒所述杂交水稻种子的完整清晰的图像内所有像素点的光谱反射率计算平均值。得到各类下每粒的水稻种子的单位像素的平均光谱反射率；计算所述的获得每类每个杂交水稻种子的反射率值的平均值即为一粒杂交水稻种子的平均反射率。步骤S140：根据每类每粒杂交水稻种子在卤素灯光源下近红外波长范围内的单位像素平均光谱反射率和相应的品种信息生成一个训练样本。
在该步骤S140中，根据在卤素灯光源下采集好的杂交水稻种子的单位像素平均光谱反射率与其对应的样品的品种信息生成一个训练样本，具体地，可包括：
对每类每粒水稻种子样品在卤素灯光源下获得单位像素下平均光谱反射率构成的曲线进行平滑与多元散射处理，最终计算处理得到每粒杂交水稻种子样品在近红外波长范围下的单位像素光谱平均反射率经过平滑与多元散射处理后的结果；并且根据经过平滑与多元散射预处理的光谱反射率结果与其相应的杂交水稻种子的品种信息生成一个训练样本。
将获得的训练样本分割为训练集与测试集，并且对处理好的训练样本进行归一化处理，使得训练样本中数据的分布范围在0~1之间，并且将训练样本按照一定的比例互进行划分，训练集与测试集的比例可以为8：2，或者其比例值也可以为6：4等，需注意训练集样本数据量需要大于测试集。
利用多项式平滑算法对采集每一类杂交水稻种子样品采集获得单位像素的平均光谱反射率所构建的原始反射率曲线进行平滑预处理，并且对经过平滑预处理的曲线进行多元散射预处理，其中多项式平滑算法采用的参数窗口大小为5，项数为3。并且对已经平滑预处理好的光谱反射率曲线再次进行多元散射预处理。
根据采集每类不同品种的杂交水稻种子在近红外波长范围下的单位像素平均光谱反射率经过平滑与多元散射预处理的光谱数据，对该数据结果进行归一化处理，生成一个相应的训练样本；利用每类每粒采集处理在近红外波长范围下获得的平均光谱反射该率，最终形成多个特征数据或特征向量数据；并且为每粒杂交水稻种子的特征数据增加相应数据标签，形成一个训练样本；多类多粒杂交水稻种子样品下得到多个数据样本形成一个训练集样本。
步骤S150：获得采集杂交水稻种子样品对应的训练样本对初始的分类模型进行训练，得到各所述基于高光谱的杂交水稻种子样品的真实性的判别模型。
该步骤S150，具体地，可包括步骤：
S151、分别搭建支持向量机 (Support VectorMachine ,SVM)判别模型与1维卷积神经网络（1D-CNN）判别模型；
S152、利用采集处理训练样本对SVM模型训练并通过网格搜索算法调优获得最好的判别结果，并且基于1D-CNN模型进行训练判别模型；
S153、根据训练好的模型，对训练样本进行分类，对训练获得判别模型进行评估；
S154、得到训练好的关于杂交水稻种子种类鉴定模型。
在上述步骤中，支持向量机分类模型是一类按监督学习方式对数据进行二元分类的广义线性分类器，是通过寻找一个超平面对样本进行分割，分割的原则是使间隔最大化，最终转化成一个凸二次规划问题来求解；1D-CNN 模型常应用于传感器数据的时间序列分析（比如陀螺仪或加速度计数据）；同样也可以很好地用于分析具有固定长度周期的信号数据（比如音频信号）等1维数据的分析，故将其应用于光谱数据的分类模型的构建。
在该步骤S152中，网格搜索算法是通过将各个参数可能的取值进行排列组合，列出所有可能的组合结果后，生成“网格”，然后将各组合用于SVM分类模型中训练，并使用交叉验证对表现进行评估，在拟合函数尝试了所有的参数组合后，返回一个合适的分类器，自动调整至最佳参数组合，最终获得最优参数值。
在一些实施例中，所述设定高光谱拍摄波长范围包括900nm～1700nm。
在采集杂交水稻种子的高光谱图像对所采集的水稻种子样品的内部物质的成分含量进行识别、判断。一般植物对光谱敏感范围波长在900nm-1700nm，因为在该波长范围下时植物机进行光合作用的有效能量区域，故使用卤素灯光源进行照射需要采集杂交水稻种子样品上，采用近红外高光谱成像技术进行拍摄图像，其拍摄范围设定波长为900nm-1700nm。
根据本发明实施例的另一方面，提供了一种基于高光谱的杂交水稻种子种类鉴定方法，利用上述实施例所述的方法鉴定得到。
根据本发明实施例的另一方面，提供一种基于高光谱的杂交水稻种子种类鉴定方法生成的简易装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例所述方法的步骤。
具体地，操作人员可以通过系统软件程序控制采集杂交水稻种子拍摄时的曝光时间、分辨率的大小、像素的大小；上述过程使得采集得到高光谱图像更加清晰可见，不会产生视觉误差以及时间延迟。
在一些实施例中，各实施例所述的鉴定装置还可包括：
采用两个卤素灯光源，架设在高光谱相机的镜头周围，用于提供近似太阳光的照射并均匀照射样品种子的；
所述高光谱相机，采用近红外相机镜头用于在卤素灯光源照射杂交水稻种子样品下拍摄所述样品的高光谱图像。
其中，采集杂交水稻种子高光谱图像时照射样本的光反射到高光谱相机的镜头，并且在镜头收集经过狭缝增强准确直接照射到分光元件，并且基于分光元件在垂直方向按光谱进行色散。最终成像在图像传感器上，获得采集杂交水稻种子的高光谱图像。
参见图2所示，一种基于高光谱的杂交水稻种子的种类的鉴定所用的装置，具体地，可包括1、卤素灯光源2、光谱相机与微型计算机3、载物平台4、电动移动平台5、黑箱6、显示器等。
其中，高光谱相机中可包括CCD（电荷耦合器件）镜头、滤波器与相应的连接器件而组合成的高光谱相机，滤波器可以用于针对相应的波长范围下拍摄样品的成像，CDD镜头可以将获得的成像记录下来。在连接高光谱相机处可以进行手动的对相机高度的调节，进行观察找到高光谱相机对应采集样品的合适高度调焦，保证拍摄样品的高光谱图像清晰完整。而计算机可以用来控制高光谱相机的拍摄和设定相应的拍摄参数，并对拍摄得高光谱图像进行处理。
通过使用卤素灯光源进行照射每一类多粒得杂交水稻种子，并且通过近红外高光谱相机采集这些杂交水稻种子样品的高光谱图像，通过两周的卤素灯光源对杂交水稻种子样品进行全覆盖的照射，减少单个光源下照射不充分和存在阴影部分的问题；使用卤素灯光源对称式对杂交水稻种子样品进行照射能够更加均匀的提供光照，使得拍摄的高光谱图像亮度均匀，从而避免因为光照强度不一致造成光谱误差。
为使本领域技术人员更好地了解本发明，下面将以具体实施例说明本发明的实施方式。
在一具体实施例中，生成一种基于高光谱的杂交水稻种子种类鉴定方法，包括步骤：
(1)利用近红外高光谱成像装置和对不同品种的杂交水稻种子拍摄高光谱图像；
(2)根据阈值分割算法对每组图像的种子进行分割，获得每个单粒杂交水稻种子的完整图像信息，并相应提取该样品的平均光谱数据；
(3)根据多项式平滑算法对光谱数据进行平滑预处理，再对平滑后的光谱数据进行多元散射预处理，并将处理后的光谱数据集按照一定比例划分为训练集和测试集；
(4)对训练集和测试集进行归一化处理；
(5)搭建支持向量机(Support Vector Machine ,SVM)判别模型与1维卷积神经网络判别模型；
(6)利用训练集对SVM模型与1D-CNN模型进行训练，并且针对SVM模型根据网格搜索算法获得分类结果最好的参数；
(7)根据训练好的模型，对测试集进行分类，对判别模型进行评估；
(8)得到训练好的SVM判别模型与1D-CNN判别模型。
其中，步骤(1)中分别对多粒同一品种杂交水稻种子进行高光谱图像采集，将不同品种
的杂交水稻种子分成多组；基于近红外高光谱成像装置中用的滤波器的波长范围为900—1700nm，波长拍摄间隔约为3.4nm；所得杂交水稻种子高光谱图像如图3所示；步骤(2)中，分割提取单粒杂交水稻种子样品在高光谱图像中的完整清晰图像；计算各所述样品种子的各种子在完整图像内的单位像素平均光谱反射率；其中，各类杂交水稻种子的平均光谱如图4所示；步骤（3）中训练集与测试集的杂交水稻种子的品种为已知的品种；步骤（4）对采集的数据进行归一化处理，使得训练集与测试集的光谱数据范围在0-1之间；其中，获得各类杂交水稻种子的经过平滑与多元散射预处理的平均光谱曲线如图5所示；步骤(6)中，网格搜索算法是通过将各个参数可能的取值进行排列组合，列出所有可能的组合结果后，生成“网格”，然后将各组合用于SVM(支持向量机)分类模型中训练，并使用交叉验证对表现进行评估。在拟合函数尝试了所有的参数组合后，返回一个合适的分类器，自动调整至最佳参数组合，最终获得参数值，建立最优的SVM的判别模型,并且基于pytorch框架构建1维卷积神经网络1D-CNN的判别模型。
图6是本发明一实施例中基于SVM模型与1D-CNN判别模型并且在基于光谱数据的平滑与多元散射预处理并结合主成分分析法（PCA）算法下的训练集与测试集的准确率的示意图，参见图6，采用主成分分析法(PCA)对光谱数据进行聚类分析时，SVM的鉴定模型的训练集准确率train_acc和测试集准确率test_acc如图6中的SVM_PCA条形图所示；采用全波段时，SVM鉴定模型训练集准确率train_acc和测试集准确率test_acc如图6中的SVM_FULL条形图所示。相对于1D-CNN鉴定模型在基于PCA方法下的训练集准确率train_acc和测试集准确率test_acc如图6中的1D-CNN_PCA条形图所示;并且基于全波段时，1D-CNN判别模型训练集准确率train_acc和测试集准确率test_acc如图6中的1D-CNN_Full条形图所示；通过对比可以看出，在基于全波长下鉴定模型的训练集与测试集均获得较好的准确率，并且基于深度学习方法构建1D-CNN比SVM模型获得更高的准确率。
具体地，包括以下步骤：
1）将杂交水稻种子在高光谱拍摄装置的按照5X5平铺在载物台上，并调整位置使得其在成像中心；
2）调整高光谱相机的高度，使其拍摄的图像完整清晰；
3）调整分辨率并开始采集数据；
4）根据阈值分割方法对采集杂交水稻种子图像进行分割，根据分割图像的位置信息采集opencv方法进行开闭运算，并求算在该位置信息的完整面积的平均光谱反射率作为在近红外波长范围下的平均反射率；
5）预处理光谱数据集：由于光谱数据可能存在噪声和数据发散的问题，根据SG平滑预处理算法（多项式平滑算法，(Savitzky-Golay）与MSC多元散射预处理方法，对数据进行预处理，其中SG算法的参数窗口为5，项数为3；
6）分割数据集：基于机器学习种的sklearn库种的数据分割算法将光谱数据集按7：3随机分割为训练集与测试集，并对数据进行归一化处理；
7）根据机器学习方法搭建SVM的鉴定模型，并利用网格搜索算法对参数进行调优，获得最优模型，并基于深度学习方法通过pytorch框架搭建了基于1D-CNN的杂交水稻种子种类的鉴定模型；
8）利用训练集对模型进行训练，获得最优模型；
9）针对训练获得的模型，通过测试集进行性能验证；
10）最后根据上述步骤中得到效果最好模型的参数对测试集进行分类，验证模型的性能。
综上所述可知，本发明实施例的基于高光谱的杂交水稻种子种类鉴定方法，通过采用卤素灯光源的光源装置采集每一类多粒杂交水稻种子的高光谱图像；并且各粒水稻种子在相应光源下的采集高光谱图的每粒种子完整清晰的图像；计算出各个杂交水稻种子在图像内的单位像素下平均光谱反射率；根据采集的每粒的杂交水稻种子在近红外波长范围下的平均光谱反射率和相对应的品种信息生成一个训练样本；利用采集提取的所述样品的对应的训练样本对初始鉴定模型进行训练，最终得到关于杂交水稻种子种类的鉴定模型。通过训练好的模型，能够快速简便、无损的针对杂交水稻种子种类进行鉴定，并且鉴定结果具有很高的准确性；若参考本方法对设备进行小型化设计和进一步的成本降低，能够为种植杂交水稻的农户带来快速无损的杂交水稻种子种类的鉴定，尤其对于一些比较的特殊的杂交水稻种子的种类。
以上，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于高光谱的单粒杂交水稻种子种类鉴定方法，包括以下步骤：
S110、基于卤素灯光源波长下采集多类不同品种的杂交水稻种子样本的高光谱图像；
S120、提取每类品种的单粒杂交水稻种子在卤素灯光源波长下采集的高光谱图像中的完整种子图像；
S130、计算每类每粒水稻种子的单位像素下种子的平均光谱反射率；
S140、根据在基于近红外高光谱成像技术下获得的在卤素灯光源下每类杂交水稻种子的单位像素平均的光谱反射率与相应的杂交水稻种子品种的信息生成相应的训练样本；
S150、获得采集杂交水稻种子样品对应的训练样本对初始的分类模型进行训练，得到各所述基于高光谱的杂交水稻种子样品的真实性的判别模型。
2.根据权利要求1所述的一种基于高光谱的单粒杂交水稻种子种类鉴定方法，其特征在于，所述步骤S110中，进一步的包括以下步骤：
在设定光源波长范围内，将以设定波长间隔采集每个品种下每粒水稻种子样品的高光谱图像信息，可以无损、快速获得每类杂交水稻种子的光谱信息。
3.根据权利要求1所述的一种基于高光谱的单粒杂交水稻种子种类鉴定方法，其特征在于，所述步骤S120中，进一步的包括以下步骤：
在卤素灯光源波长下对多类多粒杂交水稻种子的样品进行拍摄图像，得到完整清晰的高光谱图像。
4.如权利要求3所述的一种基于高光谱的单粒杂交水稻种子种类鉴定方法，其特征在于，所述步骤S120中，进一步的包括以下步骤：
在卤素灯光源下采集的杂交水稻种子高光谱图像中选取其中一个波长下种子图像清晰的图像，利用最大二值牛津算法从选取的高光谱图像中分割提取出各粒样品种子的种子的图像；
利用最大二值牛津算法将获得采集的高光谱图像中卤素灯源下近红外光源波长范围内的高光谱图像。
5.如权利要求2所述的一种基于高光谱的单粒杂交水稻种子种类鉴定方法，其特征在于，采用的高光谱拍摄相机为近红外镜头故拍摄的光源的波长范围为800mn～1700mn。
6.根据权利要求1所述的一种基于高光谱的单粒杂交水稻种子种类鉴定方法，其特征在于，所述步骤S130中，进一步的包括以下步骤：
分别在卤素灯光源下采集标准白板的高光谱图像，并采集相应的黑帧的图像；
通过计算在同一个光源波长上采集得到的水稻种子的高光谱图像减去所得到的黑帧图像最后获得高光谱和相应光源下得到采集到标准白板得高光谱图像减去采集得黑帧得图像得到得高光谱图像中相应得像素点位置得灰度值得比值，最终获得经过校正得高光谱图像的每类每粒杂交水稻种子的完整图像的各个的像素点下的光谱反射率；
分别对采集每粒所述的样本杂交水稻种子完整单粒种子下所有像素点的光谱反射率计算平均值，最终获得采集每类杂交水稻种子每粒样品下在单位像素的平均光谱反射率。
7.根据权利要求1所述的一种基于高光谱的单粒杂交水稻种子种类鉴定方法，其特征在于，所述步骤S140中，进一步的包括以下步骤：
对由多类每粒水稻种子样本对应的在卤素灯光源下采集的单位像素平均光谱反射率构建一个经过校正的原始的光谱曲线并对采集好的曲线进行平滑与多元散射预处理 ，得到每类杂交水稻种子在近红外高光谱相机下的单位像素下平均高光谱反射率分别经过平滑预处理与多元散射预处理的处理结果；
最后根据获得每类每粒杂交水稻种子分别经过平滑预处理与多元散射预处理方法得到的结果与其相应类别的品种信息生产一个训练样本。
8.一种基于高光谱的单粒杂交水稻种子种类鉴定方法，其特征在于，利用如权利要求1至7中任意一项所述的种类鉴定模型对所采集的多类杂交水稻种子的品种的进行鉴别。
9.一种基于如权利要求1-8任一项所述的高光谱的单粒杂交水稻种子种类鉴定方法所采用的设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述方法的步骤。
10.如权利要求9所述的一种基于高光谱的单粒杂交水稻种子种类鉴定设备，其特征在于，还包括：
两个卤素灯光源，架设在近红外高光谱相机的镜头周围，用于提供均匀照射杂交水稻种子的光源；
高光谱相机，用于在所述的卤素灯光源照射所述多类杂交水稻种子的情况下拍摄所述每一类杂交水稻种子的高光谱图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111456023.XA CN114136920A (zh) | 2021-12-02 | 2021-12-02 | 一种基于高光谱的单粒杂交水稻种子种类鉴定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111456023.XA CN114136920A (zh) | 2021-12-02 | 2021-12-02 | 一种基于高光谱的单粒杂交水稻种子种类鉴定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114136920A true CN114136920A (zh) | 2022-03-04 |
Family
ID=80386870
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111456023.XA Pending CN114136920A (zh) | 2021-12-02 | 2021-12-02 | 一种基于高光谱的单粒杂交水稻种子种类鉴定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114136920A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114724027A (zh) * | 2022-03-25 | 2022-07-08 | 清华大学 | 基于机器视觉的固态酿造颗粒状原料掺杂鉴别方法 |
| CN115165772A (zh) * | 2022-07-25 | 2022-10-11 | 江苏大学 | 一种基于高光谱下籽粒含杂率检测装置及其检测方法 |
| CN115266607A (zh) * | 2022-07-25 | 2022-11-01 | 福建农林大学 | 基于显微高光谱图像秀珍菇菌种退化无损检测方法 |
| CN115728236A (zh) * | 2022-11-21 | 2023-03-03 | 山东大学 | 一种高光谱图像采集与处理系统及其工作方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016150130A1 (zh) * | 2015-03-25 | 2016-09-29 | 山东翰能高科科技有限公司 | 一种基于近红外光谱的杂交种纯度鉴别方法 |
| CN108613989A (zh) * | 2018-04-24 | 2018-10-02 | 南京财经大学 | 一种稻谷不完善粒的检测方法 |
| CN108734205A (zh) * | 2018-04-28 | 2018-11-02 | 东北电力大学 | 一种针对不同品种小麦种子的单粒定点识别技术 |
| CN109916838A (zh) * | 2019-03-29 | 2019-06-21 | 浙江省农业科学院 | 一种基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法 |
| CN110837823A (zh) * | 2019-12-17 | 2020-02-25 | 华南农业大学 | 种子品种鉴定模型的生成方法、鉴定方法及装置 |
| US20200150051A1 (en) * | 2018-03-12 | 2020-05-14 | Zhejiang University | Method for identifying frostbite condition of grain seeds using spectral feature wavebands of seed embryo hyperspectral images |
| CN112816441A (zh) * | 2020-12-23 | 2021-05-18 | 华南农业大学 | 一种设施园艺作物生长状况检测方法及装置 |
-
2021
- 2021-12-02 CN CN202111456023.XA patent/CN114136920A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016150130A1 (zh) * | 2015-03-25 | 2016-09-29 | 山东翰能高科科技有限公司 | 一种基于近红外光谱的杂交种纯度鉴别方法 |
| US20200150051A1 (en) * | 2018-03-12 | 2020-05-14 | Zhejiang University | Method for identifying frostbite condition of grain seeds using spectral feature wavebands of seed embryo hyperspectral images |
| CN108613989A (zh) * | 2018-04-24 | 2018-10-02 | 南京财经大学 | 一种稻谷不完善粒的检测方法 |
| CN108734205A (zh) * | 2018-04-28 | 2018-11-02 | 东北电力大学 | 一种针对不同品种小麦种子的单粒定点识别技术 |
| CN109916838A (zh) * | 2019-03-29 | 2019-06-21 | 浙江省农业科学院 | 一种基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法 |
| CN110837823A (zh) * | 2019-12-17 | 2020-02-25 | 华南农业大学 | 种子品种鉴定模型的生成方法、鉴定方法及装置 |
| CN112816441A (zh) * | 2020-12-23 | 2021-05-18 | 华南农业大学 | 一种设施园艺作物生长状况检测方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| ZHENGJUN QIU ET AL.: "Variety Identification of Single Rice Seed Using Hyperspectral Imaging Combined with Convolutional Neural Network", 《APPLIED SCIENCES》, vol. 8, no. 2, pages 1 - 12 * |
| 王超鹏 等: "基于高光谱成像技术与CARS算法的玉米种子含水率检测", 《激光与光电子学进展》, vol. 53, no. 12, pages 123001 - 1 * |
| 程术希 等: "高光谱与机器学习相结合的大白菜种子品种鉴别研究", 《光谱学与光谱分析》, vol. 34, no. 9, pages 2519 - 2522 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114724027A (zh) * | 2022-03-25 | 2022-07-08 | 清华大学 | 基于机器视觉的固态酿造颗粒状原料掺杂鉴别方法 |
| CN115165772A (zh) * | 2022-07-25 | 2022-10-11 | 江苏大学 | 一种基于高光谱下籽粒含杂率检测装置及其检测方法 |
| CN115266607A (zh) * | 2022-07-25 | 2022-11-01 | 福建农林大学 | 基于显微高光谱图像秀珍菇菌种退化无损检测方法 |
| CN115728236A (zh) * | 2022-11-21 | 2023-03-03 | 山东大学 | 一种高光谱图像采集与处理系统及其工作方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kolhar et al. | Plant trait estimation and classification studies in plant phenotyping using machine vision–A review | |
| Lu et al. | Hyperspectral imaging technology for quality and safety evaluation of horticultural products: A review and celebration of the past 20-year progress | |
| Bhargava et al. | Fruits and vegetables quality evaluation using computer vision: A review | |
| Perez-Sanz et al. | Plant phenomics: An overview of image acquisition technologies and image data analysis algorithms | |
| ElMasry et al. | Image analysis operations applied to hyperspectral images for non-invasive sensing of food quality–a comprehensive review | |
| US11454594B2 (en) | Method for identifying frostbite condition of grain seeds using spectral feature wavebands of seed embryo hyperspectral images | |
| Mahendran et al. | Application of computer vision technique on sorting and grading of fruits and vegetables | |
| Pang et al. | Rapid vitality estimation and prediction of corn seeds based on spectra and images using deep learning and hyperspectral imaging techniques | |
| CN114136920A (zh) | 一种基于高光谱的单粒杂交水稻种子种类鉴定方法 | |
| Bock et al. | Plant disease severity estimated visually, by digital photography and image analysis, and by hyperspectral imaging | |
| Xing et al. | Combination of chemometric tools and image processing for bruise detection on apples | |
| Stajnko et al. | Modelling apple fruit yield using image analysis for fruit colour, shape and texture | |
| CN106525732B (zh) | 基于高光谱成像技术的苹果内外品质快速无损检测方法 | |
| US20150289557A1 (en) | Blending of agricultural products via hyperspectral imaging and analysis | |
| US20060160065A1 (en) | Method for classifying plant embryos using Raman spectroscopy | |
| Zhang et al. | High-throughput corn ear screening method based on two-pathway convolutional neural network | |
| Mongkolchart et al. | The measurement of brown planthopper by image processing | |
| CN116297236A (zh) | 一种基于高光谱的单粒玉米种子活力鉴别方法及装置 | |
| Gao et al. | Differentiation of storage time of wheat seed based on near infrared hyperspectral imaging | |
| Bu et al. | ResNet incorporating the fusion data of RGB & hyperspectral images improves classification accuracy of vegetable soybean freshness | |
| Ghanghas et al. | Image Processing Technology, Imaging Techniques, and Their Application in the Food Processing Sector | |
| He et al. | Model updating of hyperspectral imaging data for variety discrimination of maize seeds harvested in different years by clustering algorithm | |
| CN110837823A (zh) | 种子品种鉴定模型的生成方法、鉴定方法及装置 | |
| Malik et al. | Predicting gypsum tofu quality from soybean seeds using hyperspectral imaging and machine learning | |
| Ahmed et al. | Multiclass classification on soybean and weed species using a novel customized greenhouse robotic and hyperspectral combination system |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220304 |