CN114219956A - 用于精米米种检测的数据库模型构建方法和装置及精米米种检测方法 - Google Patents

用于精米米种检测的数据库模型构建方法和装置及精米米种检测方法 Download PDF

Info

Publication number
CN114219956A
CN114219956A CN202111171101.1A CN202111171101A CN114219956A CN 114219956 A CN114219956 A CN 114219956A CN 202111171101 A CN202111171101 A CN 202111171101A CN 114219956 A CN114219956 A CN 114219956A
Authority
CN
China
Prior art keywords
polished rice
image
spectrum
database model
seed 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.)
Pending
Application number
CN202111171101.1A
Other languages
English (en)
Inventor
杨森
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.)
Northeast Forestry University
Original Assignee
Northeast Forestry University
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 Northeast Forestry University filed Critical Northeast Forestry University
Priority to CN202111171101.1A priority Critical patent/CN114219956A/zh
Publication of CN114219956A publication Critical patent/CN114219956A/zh
Pending legal-status Critical Current

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

用于精米米种检测的数据库模型构建方法和装置及精米米种检测方法，涉及食品检测领域，针对现有技术研究中主要存在的对于精米的品种分类，机器视觉方法尚未被探索、机器视觉法与近红外光谱法的融合应用尚未被探索的问题，本申请提供的技术方案为：采集精米米粒样本图像；将精米米粒研磨成粉，采集光谱；将精米米粒品种编号与所述的图像和光谱匹配；构建检测模型，基于该模型采用建模融合方法将多参数机器视觉方法和红外光谱法相结合，提出了精米米种检测方法，对被测米粒进行图像采集，将被磨成粉的被测米粒用光谱仪进行光谱采集，将光谱数据和多图像参数输入到建立的模型中，输出得到大米品种。适用于多品种大样本的大米品种分类应用中。

Description

用于精米米种检测的数据库模型构建方法和装置及精米米种 检测方法
技术领域
涉及食品检测领域，具体涉及用于精米米种检测的数据库模型构建方法和装置及精米米种检测方法。
背景技术
大米因其良好的口感和营养价值而成为亚洲各国最重要的谷类作物。然而错误地标明大米产地或掺假行为给不法商贩带来不公平的经济优势，同时也破坏了消费者对生产者的信誉。
大米品种检测方法包括拉曼光谱、高光谱、无机元素分析、近红外光谱、太赫兹光谱等方法。
2021-07-01杨森发表的文献《Development of an integrated variety andappearance quality measurement system for milled rice》中提出了一种将单参数的机器视觉(MV)与红外光谱 (NIS)在流程上进行融合(NIS-MV)的精米米种检测方法；但是在该方法中，NIS是主体， MV是辅助，MV只用了一个参数，目的在于NIS出现误判时，通过图像特征纠正这个错误，其中MV和NIS实质上是独立工作，没有相互之间的组合；并且由于是纠错，所以只有当 NIS把一个品种分类成与其外形差异很大的品种时才能实现有效纠错，也正是因为这种纠错原理，使得NIS-MV方法的适用范围很窄，精度低，效率低。
发明内容
针对现有技术研究中主要存在的对于精米的品种分类，机器视觉方法尚未被探索、机器视觉法与近红外光谱法的融合应用尚未被探索的问题，本申请采用的技术手段为：
提供了用于精米米种检测的数据库模型构建方法，所述的方法包括：
采集精米米粒样本图像的步骤；
将精米米粒研磨成粉，采集光谱的步骤；
将精米米粒品种编号与所述的图像和光谱匹配的步骤。
进一步，所述的采集精米米粒样本图像的步骤中还包括：采集多图像参数的步骤；所述的多图像参数包括：形态、纹理和颜色。
进一步，所述的采集精米米粒样本图像的步骤还包括：对采集的图像进行预处理的步骤；所述的预处理包括：灰度变换、中值滤波、开放操作和图像融合。
基于同一发明构思，本申请还提供了用于精米米种检测的数据库模型构建装置，所述的装置包括：
用于采集精米米粒样本图像的图像采集模块；
用于将精米米粒研磨成粉的研磨模块；
用于采集所述的磨成粉的精米的光谱的光谱采集模块；
用于将精米米粒品种编号与所述的图像和光谱匹配的匹配模块。
进一步，所述的图像采集模块还包括：用于采集多图像参数的参数采集子模块；所述的多图像参数包括：形态、纹理和颜色。
进一步，所述的图像采集模块还包括：用于对采集的图像进行预处理的预处理模块；所述的预处理包括：灰度变换、中值滤波、开放操作和图像融合。
基于同一发明构思，本申请还提供一种储存介质，所述的储存介质中储存有计算机程序，当外部处理器运行该储存介质中储存的程序时，所述的外部处理器执行用于精米米种检测的数据库模型构建方法。
基于同一发明构思，本申请还提供一种计算机设备，包括处理器和储存器，所述的储存器储存有计算机程序，当所述的处理器运行所述的储存器中储存的程序时，所述的处理器执行所述的用于精米米种检测的数据库模型构建方法。
精米米种检测的方法，其特征在于，所述方法包括：
通过机器视觉系统采集精米米粒样本图像的图像采集步骤；
将精米米粒样本研磨成粉的研磨步骤；
通过红外光谱仪采集所述的磨成粉的精米的光谱的光谱采集步骤；
采用精米米种检测的数据库模型对所述的图像采集步骤采集的图像和所述光谱采集步骤采集的光谱进行匹配，并输出与其匹配的精米米种编号的步骤；
所述的米种检测的数据库模型的构建方法为：根据权利要求1-3中任意一项所述的用于精米米种检测的数据库模型构建方法。
根据权利要求9所述的精米米种检测的方法，其特征在于，所述研磨步骤具体为：将精米米粒样本研磨成的粉的粒径在100-140目之间。
本申请的有益之处在于：
本申请采用建模融合方法代替现有技术中的流程融合方法，将多参数机器视觉方法和红外光谱法相结合，提出了精米米种检测方法和装置。具体的：
1.本申请的第一主题，开拓性地将多参数机器视觉方法采集的图像与红外光谱法采集的光谱和大米品种相结合，构建了一个精米米种数据库模型，将多参数机器视觉方法结合红外光谱法用于精米米种检测领域进行实施，为精米米种检测领域的研究提供了一个新的技术方向。
2.在现有技术研究中，还存在：本领域技术人员没有将机器视觉方法或机器视觉法与近红外光谱法的融合应用于精米的品种分类的问题。
本申请的第二主题(NIS-MMV)，是基于第一主题构建的模型的基础上提供了精米米种检测的方法，解决了现有技术中本领域技术人员没有将机器视觉方法或机器视觉法与近红外光谱法的融合应用于精米的品种分类的问题，并且对比背景技术中提到的2021-07-01杨森发表的文献《Development of an integrated variety and appearance qualitymeasurement system for milled rice》中提出了一种将单参数的机器视觉(MV)与红外光谱(NIS)在流程上进行融合(NIS-MV)的精米米种检测方法，本申请的第二主题的优势在于：
2.1检测原理不同，文献中的NIS-MV方法是以传统的NIS方法为基础的，图像法只用了一个参数，目的就是在NIS出现误判时，通过图像特征把这个结果纠正过来，以此达到分类精度提升。由于是纠错，所以只有当光谱建模把一个品种分类成与其外形差异很大的品种时才能实现有效纠错，例如光谱把长粒米判断为圆粒米，但是图像可以看出他是长粒米，所以光谱模型输出的圆粒米类型肯定是不对的。也正是因为这种纠错原理，使得文献中的 NIS-MV方法的适用范围很窄。
而本申请的第二主题提供的方法中NIS和MV都是主体，在建立融合模型时，由于图像参数类型的增多，其作用也增大。由于采用融合模型，多图像参数可以引入更多的大米品种差异性特征，因此本申请提供的NIS-MMV方法相比于传统的NIS方法，在提升性能方面的适用范围很宽。
2.2检测步骤不同，文献中的NIS-MV方法相比于本申请提供的NIS-MMV方法多了的步骤在于：
文献中的NIS-MV方法中，光谱模型的输出参数需记录第一可能和第二可能品种，在后续流程中通过图像对应关系确定输出第一还是第二可能品种；
而本申请提供的NIS-MMV方法融合模型输出直接就是最终结果。
2.3检测种类更多，即如果在建模过程中增加大米品种，文献中的NIS-MV方法的检测精度可能会减低，二本申请提供的NIS-MMV方法在使用光谱法提取精米品种差异性特征的基础上，又使用图像法增加了多种图像参数提取出了更多的精米品种差异性特征，进而相比于传统的NIS方法和文献中的NIS-MV方法提高了分类精度；检测精度的降幅几乎没有。
本申请的第一主题适用于检测精米米种的过程中对于模型构建的应用中。
本申请的第二主题适用于多品种大样本的大米品种分类应用中。
附图说明
图1为实施方式十一中提到的训练集光谱；
其中横坐标Wavenumber表示波数，(cm-1)为红外常用波数，光谱学中波长单位，纵坐标Transmittance为透射比；
其中，WC表示五常，XS表示响水，YS表示银水，YG表示越光，ML表示茉莉，SM 表示思淼；
图2为实施方式一中提到的全特征建模数据的柱形图；
其中，图2中横坐标的参数在实施方式一中有详细说明。
具体实施方式
下面结合附图对本申请进行进一步解释说明：
实施方式一、参见图2说明本实施方式，本实施方式提供了用于精米米种检测的数据库模型构建方法，所述的方法包括：
采集精米米粒样本图像的步骤；
将精米米粒研磨成粉，采集光谱的步骤；
将精米米粒品种编号与所述的图像和光谱匹配的步骤。其中，使用近红外光谱法采集训练集的光谱，截取4331-5102cm-1的光谱区域；采用PLS方法建立品种分类模型。
建模过程中，首先是MMV部分，对米粒样本先进行图像采集，计算多图像参数；然后是NIS部分，将米粒样本磨成粉，进行光谱采集。
最后，将多图像参数和光谱数据作为输入参数，大米品种编号作为输出参数进行融合建模。
实施方式二、本实施方式是对实施方式一中提供的用于精米米种加测的数据库模型构建方法的进一步限定，所述的采集精米米粒样本图像的步骤中还包括：采集多图像参数的步骤；所述的多图像参数包括：形态、纹理和颜色。
其中，选用的机器视觉参数如下：
形态学参数包括米粒区域像素数S1、米粒周长C1、米粒长度L1、米粒宽度D1、米粒长宽比K、米粒圆度R、米粒紧致度CO、米粒特征SF1＝L1/S1、米粒特征SF2＝S1/L12、米粒长轴长度L、米粒短轴长度D、凸面面积TA。
纹理参数包括对比度CS、同质性HT、相关CL、能量EG。
色彩参数包括RGB图像的颜色通道均值(R-mean、G-mean、B-mean)、RGB图像的颜色通道一阶矩(R-std、G-std、B-std)、YCbCr图像的颜色通道均值(Y-mean、Cb-mean、Cr-mean)、 YCbCr图像的颜色通道一阶矩(Y-std、Cb-std、Cr-std)、HSV图像的颜色通道均值(H-mean、 C-mean、V-mean)、HSV图像的颜色通道一阶矩(H-std、C-std、V-std)。
实施方式三、本实施方式是对实施方式一提供的用于精米米种检测的数据库模型构建方法的进一步限定，所述的采集精米米粒样本图像的步骤还包括：对采集的图像进行预处理的步骤；所述的预处理包括：灰度变换、中值滤波、开放操作和图像融合。
其中，采用SNV进行光谱预处理。
实施方式四、参见图2说明本实施方式，本实施方式提供了用于精米米种检测的数据库模型构建装置，所述的装置包括：
用于采集精米米粒样本图像的图像采集模块；
用于将精米米粒研磨成粉的研磨模块；
用于采集所述的磨成粉的精米的光谱的光谱采集模块；
用于将精米米粒品种编号与所述的图像和光谱匹配的匹配模块。
实施方式五、本实施方式是对实施方式四提供的用于精米米中检测的数据库模型构建装置的进一步限定，所述的图像采集模块还包括：用于采集多图像参数的参数采集子模块；所述的多图像参数包括：形态、纹理和颜色。
实施方式六、本实施方式是对实施方式四提供的用于精米米种检测的数据库模型构建装置的进一步限定，所述的图像采集模块还包括：用于对采集的图像进行预处理的预处理模块；所述的预处理包括：灰度变换、中值滤波、开放操作和图像融合。
实施方式七，本实施方式提供了一种储存介质，所述的储存介质中储存有计算机程序，当外部处理器运行该储存介质中储存的程序时，所述的外部处理器执行实施方式一、二或三提供的用于精米米种检测的数据库模型构建方法。
实施方式八、本实施方式提供了一种计算机设备，包括处理器和储存器，所述的储存器储存有计算机程序，当所述的处理器运行所述的储存器中储存的程序时，所述的处理器执行实施方式一、二或三提供的用于精米米种检测的数据库模型构建方法。
实施方式九、本实施方式提供了精米米种检测的方法，所述方法包括：
通过机器视觉系统采集精米米粒样本图像的图像采集步骤；
将精米米粒样本研磨成粉的研磨步骤；
通过红外光谱仪采集所述的磨成粉的精米的光谱的光谱采集步骤；
采用精米米种检测的数据库模型对所述的图像采集步骤采集的图像和所述光谱采集步骤采集的光谱进行匹配，并输出与其匹配的精米米种编号的步骤；
所述的米种检测的数据库模型的构建方法为实施方式一至三中任意一项提供的用于精米米种检测的数据库模型构建方法。
测量过程中，MV部分对被测米粒进行图像采集，计算多图像参数。
NIS部分将被磨成粉的被测米粒，用光谱仪进行光谱采集，然后进行光谱预处理，得到光谱数据。
将光谱数据和多图像参数作为输入参数，输入到已建立的融合模型中，根据模型输出结果得到大米品种。
实施方式十、本实施方式是对实施方式九提供的提供了精米米种检测的方法的进一步限定，所述研磨步骤具体为：将精米米粒样本研磨成的粉的粒径在100-140目之间。
实施方式十一、参见图1-2说明本实施方式，本实施方式对实施方式七提供的精米米种检测的方法提供了具体的实施例，具体为：
选用480个精米粒进行品种分类。480个样品中包括五常大米(80个，黑龙江)、响水大米(80个，黑龙江)、银水大米(80个，黑龙江)、越光稻大米(80个，日本)、茉莉大米(80个，泰国)、和丝苗大米(80个，江苏)。所有的大米样品均为2019年产。
步骤1、将6个种类的大米分种类进行多图像参数检测，即采用VAQMS测量图像，利用MATLAB程序编写算法获取形态学参数、纹理参数和颜色参数，如表1所示。
表1国家、品种与物理参数的对应关系
Figure RE-GDA0003497017260000061
Figure RE-GDA0003497017260000071
步骤2、近红外分析样品的制备步骤如下:首先，将研磨机(E4,HERO,中国)打开1分钟使其平稳运行；第二步，将30g大米加入磨粉机研磨1分钟；第三步，近红外光谱分析前，米粉在室温平衡条件下保存。将样本分配为训练集和测试集，训练集光谱如图2所示。
步骤3、采用PLS方法进行多输入单输出建模，不同分类方法的准确率如表2所示。从表2可以看出，NIS-MMV建模法比传统的NIS法(传统方法)以及NIS-MV融合法(背景技术中提到的方法)取得了更好的结果，对于各品种的分类精度均提高了5％。多图像参数相比于单图像参数可以更好的提取精米品种差异性特征。
表2不同分类方法的品种分类精度
Figure RE-GDA0003497017260000072

Claims (10)

1.用于精米米种检测的数据库模型构建方法，其特征在于，所述的方法包括：
采集精米米粒样本图像的步骤；
将精米米粒研磨成粉，采集光谱的步骤；
将精米米粒品种编号与所述的图像和光谱匹配的步骤。
2.根据权利要求1所述的用于精米米种检测的数据库模型构建方法，其特征在于，所述的采集精米米粒样本图像的步骤中还包括：采集多图像参数的步骤；所述的多图像参数包括：形态、纹理和颜色。
3.根据权利要求1所述的用于精米米种检测的数据库模型构建方法，其特征在于，所述的采集精米米粒样本图像的步骤还包括：对采集的图像进行预处理的步骤；所述的预处理包括：灰度变换、中值滤波、开放操作和图像融合。
4.用于精米米种检测的数据库模型构建装置，其特征在于，所述的装置包括：
用于采集精米米粒样本图像的图像采集模块；
用于将精米米粒研磨成粉的研磨模块；
用于采集所述的磨成粉的精米的光谱的光谱采集模块；
用于将精米米粒品种编号与所述的图像和光谱匹配的匹配模块。
5.根据权利要求4所述的用于精米米种检测的数据库模型构建装置，其特征在于，所述的图像采集模块还包括：用于采集多图像参数的参数采集子模块；所述的多图像参数包括：形态、纹理和颜色。
6.根据权利要求4所述的用于精米米种检测的数据库模型构建装置，其特征在于，所述的图像采集模块还包括：用于对采集的图像进行预处理的预处理模块；所述的预处理包括：灰度变换、中值滤波、开放操作和图像融合。
7.一种储存介质，其特征在于，所述的储存介质中储存有计算机程序，当外部处理器运行该储存介质中储存的程序时，所述的外部处理器执行权利要求1-3任意一项所述的用于精米米种检测的数据库模型构建方法。
8.一种计算机设备，包括处理器和储存器，其特征在于，所述的储存器储存有计算机程序，当所述的处理器运行所述的储存器中储存的程序时，所述的处理器执行权利要求1-3任意一项所述的用于精米米种检测的数据库模型构建方法。
9.精米米种检测的方法，其特征在于，所述方法包括：
通过机器视觉系统采集精米米粒样本图像的图像采集步骤；
将精米米粒样本研磨成粉的研磨步骤；
通过红外光谱仪采集所述的磨成粉的精米的光谱的光谱采集步骤；
采用精米米种检测的数据库模型对所述的图像采集步骤采集的图像和所述光谱采集步骤采集的光谱进行匹配，并输出与其匹配的精米米种编号的步骤；
所述的米种检测的数据库模型的构建方法为：根据权利要求1-3中任意一项所述的用于精米米种检测的数据库模型构建方法。
10.根据权利要求9所述的精米米种检测的方法，其特征在于，所述研磨步骤具体为：将精米米粒样本研磨成的粉的粒径在100-140目之间。
CN202111171101.1A 2021-10-08 2021-10-08 用于精米米种检测的数据库模型构建方法和装置及精米米种检测方法 Pending CN114219956A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111171101.1A CN114219956A (zh) 2021-10-08 2021-10-08 用于精米米种检测的数据库模型构建方法和装置及精米米种检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111171101.1A CN114219956A (zh) 2021-10-08 2021-10-08 用于精米米种检测的数据库模型构建方法和装置及精米米种检测方法

Publications (1)

Publication Number Publication Date
CN114219956A true CN114219956A (zh) 2022-03-22

Family

ID=80696066

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111171101.1A Pending CN114219956A (zh) 2021-10-08 2021-10-08 用于精米米种检测的数据库模型构建方法和装置及精米米种检测方法

Country Status (1)

Country Link
CN (1) CN114219956A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101419166A (zh) * 2008-11-18 2009-04-29 江苏大学 基于近红外光谱和机器视觉技术的茶叶品质无损检测方法及装置
CN101701916A (zh) * 2009-12-01 2010-05-05 中国农业大学 一种玉米品种快速鉴定、鉴别方法
CN105021562A (zh) * 2015-07-06 2015-11-04 黑龙江八一农垦大学 一种大米产地溯源方法及其应用
CN105975966A (zh) * 2016-04-21 2016-09-28 南京农业大学 一种稻谷霉变无损检测的方法
CN108663339A (zh) * 2018-05-15 2018-10-16 南京财经大学 基于光谱和图像信息融合的霉变玉米在线检测方法
CN110197178A (zh) * 2019-06-27 2019-09-03 安徽大学 一种图谱特征融合深度网络的大米种类快速鉴别检测装置及其检测方法
CN111272668A (zh) * 2020-01-22 2020-06-12 中国农业科学院农产品加工研究所 小麦品种鉴别模型的构建方法
CN112485216A (zh) * 2020-11-20 2021-03-12 华中农业大学 一种多源信息融合的泰国茉莉香米掺伪鉴别方法
US20210174149A1 (en) * 2018-11-20 2021-06-10 Xidian University Feature fusion and dense connection-based method for infrared plane object detection

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101419166A (zh) * 2008-11-18 2009-04-29 江苏大学 基于近红外光谱和机器视觉技术的茶叶品质无损检测方法及装置
CN101701916A (zh) * 2009-12-01 2010-05-05 中国农业大学 一种玉米品种快速鉴定、鉴别方法
CN105021562A (zh) * 2015-07-06 2015-11-04 黑龙江八一农垦大学 一种大米产地溯源方法及其应用
CN105975966A (zh) * 2016-04-21 2016-09-28 南京农业大学 一种稻谷霉变无损检测的方法
CN108663339A (zh) * 2018-05-15 2018-10-16 南京财经大学 基于光谱和图像信息融合的霉变玉米在线检测方法
US20210174149A1 (en) * 2018-11-20 2021-06-10 Xidian University Feature fusion and dense connection-based method for infrared plane object detection
CN110197178A (zh) * 2019-06-27 2019-09-03 安徽大学 一种图谱特征融合深度网络的大米种类快速鉴别检测装置及其检测方法
CN111272668A (zh) * 2020-01-22 2020-06-12 中国农业科学院农产品加工研究所 小麦品种鉴别模型的构建方法
CN112485216A (zh) * 2020-11-20 2021-03-12 华中农业大学 一种多源信息融合的泰国茉莉香米掺伪鉴别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李昂: "基于跨媒体特征融合的黑龙江省大米产地分类研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑, no. 12, 15 December 2020 (2020-12-15), pages 1 - 52 *
李昂: "基于跨媒体特征融合的黑龙江省大米产地分类研究", 工程科技Ⅰ辑, no. 12, 31 December 2020 (2020-12-31), pages 1 - 50 *

Similar Documents

Publication Publication Date Title
Bauriegel et al. Early detection of Fusarium infection in wheat using hyper-spectral imaging
Cogdill et al. Single-kernel maize analysis by near-infrared hyperspectral imaging
CN101881726B (zh) 植物幼苗综合性状活体无损检测方法
Bai et al. Rapid and nondestructive detection of sorghum adulteration using optimization algorithms and hyperspectral imaging
Jiang et al. Rapid and non-destructive detection of natural mildew degree of postharvest Camellia oleifera fruit based on hyperspectral imaging
Bai et al. Application of near-infrared hyperspectral imaging to identify a variety of silage maize seeds and common maize seeds
CN107679569A (zh) 基于自适应超图算法的拉曼光谱物质自动识别方法
Weng et al. Feasibility of authenticating mutton geographical origin and breed via hyperspectral imaging with effective variables of multiple features
CN109883967A (zh) 一种基于信息融合的中华绒螯蟹品质等级判别方法
Xie et al. Modeling for mung bean variety classification using visible and near-infrared hyperspectral imaging
Xu et al. Deep learning classifiers for near infrared spectral imaging: a tutorial
Zhang et al. Leaf water content determination of oilseed rape using near-infrared hyperspectral imaging with deep learning regression methods
Shi et al. Application of spectral features for separating homochromatic foreign matter from mixed congee
CN114219956A (zh) 用于精米米种检测的数据库模型构建方法和装置及精米米种检测方法
Desai et al. Detection and classification of fruit disease: a review
Xu et al. Hyperspectral imaging with machine learning for non-destructive classification of Astragalus membranaceus var. mongholicus, Astragalus membranaceus, and similar seeds
Zhu et al. Quality assessment of crop seeds by near-infrared hyperspectral imaging
Liu et al. Paddy variety identification using hyperspectral imagery under non-ideal illumination conditions
CN107403181B (zh) 基于广式腊肠高光谱图像的瘦肉与肥肉自适应分离的方法
Gourav Rice Grain Quality Determination Using OTSU's Thresholding Method
Long et al. A review of artificial intelligence methods for seed quality inspection based on spectral imaging and analysis
Mendoza et al. Optical sensing technologies for nondestructive quality assessment in dry beans
Luo et al. Identification of muskmelon seed variety using hyperspectral imaging technology combined with machine learning
Mao et al. Weed detection based on the optimized segmentation line of crop and weed
Malik et al. Predicting gypsum tofu quality from soybean seeds using hyperspectral imaging and machine learning

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