CN114398974A - 一种基于多特征描述的茶叶品质审评方法 - Google Patents
一种基于多特征描述的茶叶品质审评方法 Download PDFInfo
- Publication number
- CN114398974A CN114398974A CN202210027021.7A CN202210027021A CN114398974A CN 114398974 A CN114398974 A CN 114398974A CN 202210027021 A CN202210027021 A CN 202210027021A CN 114398974 A CN114398974 A CN 114398974A
- Authority
- CN
- China
- Prior art keywords
- tea
- image
- feature
- soup
- depth
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 7
- 241001122767 Theaceae Species 0.000 claims abstract description 182
- 235000014347 soups Nutrition 0.000 claims abstract description 50
- 238000011156 evaluation Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000002372 labelling Methods 0.000 claims abstract description 8
- 238000009835 boiling Methods 0.000 claims description 2
- 238000002791 soaking Methods 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000005303 weighing Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 3
- 238000005516 engineering process Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000001953 sensory effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012843 least square support vector machine Methods 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
- 230000008447 perception Effects 0.000 description 1
- 238000007434 physicochemical evaluation Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多特征描述的茶叶品质审评方法,其步骤包括:1)获取所选茶叶的茶叶图像及对应茶汤图像,并对所述茶叶图像、茶汤图像分别进行标注;2)利用标注后的茶叶图像、茶汤图像分别训练一个深度特征提取器;3)分别提取所述样本集中每一茶叶图像的颜色特征和纹理特征、每一茶汤图像的颜色特征和纹理特征;4)将同一茶叶的茶叶图像的深度特征、颜色特征、纹理特征和对应茶汤图像的深度特征、颜色特征、纹理特征作为一个训练样本,训练分类器;5)对于一待评审茶叶,将该待评审茶叶的茶叶图像及对应茶汤图像的深度特征、颜色特征、纹理特征输入训练后的分类器,得到待评审茶叶的茶叶品质。本发明使茶叶审评更加便捷、准确、科学。
Description
技术领域
本发明属于互联网技术领域,具体涉及一种基于多种特征描述的茶叶品质智能审评方法,主要用于茶叶品质的检验和评判。
背景技术
茶作为一种健康的饮品,发展极其迅速,而茶叶品质的判断是一个有门槛的任务,需要对茶叶、茶汤、气味等因素进行综合性的观察。因此,一个更加便捷、准确、科学的茶叶品质审评技术值得进一步探索。茶叶审评技术可以很好的应用在茶品质判断、品茶等场景,并与人工判断相互验证,促进茶行业的发展。当前,茶叶审评主要包含感官审评、理化审评以及现代化智能审评。感官审评受主观和客观因素的影响,往往很难精确评价茶叶品质。理化审评又需要复杂的流程和较长的等待时间,并不能高效、全面的评判茶叶品质状况。现代化智能审评是指利用计算机技术或者传感仪器对茶叶信息进行监督,进而识别出茶叶品质。其中现代化智能审评中有一种基于计算机视觉识别技术的审评方法,其根据茶叶信息进行非线性处理,最终精准的评判茶叶品质。并且利用计算机视觉技术可以使得茶叶审评更加的便捷、准确、科学。
目前基于计算机视觉技术的茶叶审评方法逐渐引起大家的关注。Wang等人利用广义特征值最接近支持向量机方法建立茶叶品种鉴别系统,最终的识别率为97.7%。Laddi等人通过提取茶叶图像的颜色特征、纹理特征,并利用计算机视觉技术快速评价茶叶品质。刘鹏等人采用中值滤波及拉普拉斯算子对碧螺春绿图像进行分析得到了色调均值、色调标准差、绿体均值、平均灰度级、饱和度均值、红体均值、饱和度标准差、亮度均值、一致性等9个特征属性,最终结果与感官审评特征描述相一致。余洪等人采用主成分分析方法对提取的茶叶图像的颜色和纹理特征进行降维处理,然后建立最小二乘支持向量机茶叶品质评价模型。
但是当前基于计算机视觉技术的茶叶审评方法并没有很好的结合深度学习方法。利用深度学习挖掘茶叶深层次信息,可以使茶叶审评更加精准。另外,茶叶审评需要从外形、汤色、香气、滋味、叶底等因素对茶叶品质综合分析和评价,仅单一维度的特征描述并不能进行精准茶叶审评。因此,结合多类型、多维度的特征进行综合判断,可以让茶叶审评过程更加科学、全面。
发明内容
基于现有技术存在的技术问题,本发明设计了一种针对茶叶的品质审评方法。首先为了对茶叶品质进行更准确、科学的审评,本发明结合茶叶图像和其对应的茶汤图像去考虑结果。其次,为了获取茶的多个维度信息,本发明从茶叶和茶汤图像中分别获取深度特征、颜色特征和纹理特征。然后根据茶叶和茶汤图像的不同维度特征共同评估最终的茶叶品质。
一种茶叶审评技术包含以下步骤:
1)获取茶叶图像和茶汤图像,并对数据进行标注。
2)训练深度特征提取器。利用标注后的茶叶图像和茶汤图像分别训练一个深度特征提取器,用来获取茶叶和茶汤的深度特征描述。
3)分别提取茶叶和茶汤图像的颜色特征。
4)分别提取茶叶和茶汤图像的纹理特征。
5)根据步骤2)3)4)中获取的特征集合训练SVM分类器。同一茶叶图像和其对应茶汤图像的深度特征、纹理特征、颜色特征为一个训练样本。
与现有技术相比,本发明的积极效果如下:
茶叶审评是对茶叶信息的综合判断,仅依靠对茶叶的观察是不够的,还需要对茶汤进行观察。因此,本发明结合茶叶和茶汤图像,多角度的获取信息,信息来源更加广,能挖掘更多的信息。本发明仅需要计算机对图像信息进行处理,并不需要其他的专业仪器进行特征提取,本发明更具便捷性。另外,仅依靠一种维度的特征是很难准确判断出茶叶品质的,因此本发明从茶叶和茶汤图像中分别提取3个维度的特征,即涉及颜色、纹理以及深度特征,不仅包含浅层特征,也包含可以很好表示茶叶高维信息的深度特征,挖掘的信息更加全面;特别是其中所包含的深度特征可以很好的诠释茶叶的信息,最终根据特征集合进行茶叶审评。本发明多角度、多维度对茶叶相关信息进行考虑,很好的考虑到茶叶审评的特点,使茶叶审评更加便捷、准确、科学。
附图说明
图1是本发明进行茶叶审评的整体实现流程图;
图2是本发明所构建的深度特征提取网络模型;
(a)茶叶图像特征提取器,(b)茶汤图像特征提取器;
图3是本发明所采用纹理特征提取过程中的局部二值模式(LBP)计算方式。
具体实施方式
为了使本技术领域的人员更好的理解本发明的技术方案,使本发明的特点和目的更加易懂。下面将结合想应的附图进行清楚的、具体的实施方式描述。
本发明主要针对茶叶审评提出了一种新的方法。在本发明中,首先获取茶叶图像和其对应的茶汤图像。然后从茶叶和茶汤图像中分别获取3种类型的特征,分别为深度特征表示茶叶的高维综合信息,颜色特征表示茶叶的色泽信息,以及纹理特征表示茶叶形状纹理。最后,根据得到的特征集合进行SVM分类训练,判断出茶叶的品质。本发明不仅很好的利用深度学习的特征学习能力,也结合了茶叶审评的特点。本发明很好的考虑茶叶审评技术的特点,充分考虑茶叶、茶汤的多角度特征,使茶叶审评技术更加合理和准确。
本发明,为了实现对茶叶的审评,采用了5个重要步骤,分别为:数据的处理和获取、深度特征获取、颜色特征获取、纹理特征获取、训练SVM分类器。
如图1所示,整个技术流程示意图,包括:
步骤100,对数据进行处理并且生成数据集。选取茶叶茶样,对茶叶进行拍照,获取茶叶图像。称取5克茶叶置于标准审评杯中,加入沸水,加盖侵泡5分钟,然后由上垂直向杯底拍照,获取对应茶汤图像。获取图像时,相应让多位茶叶审评员对茶叶进行评审,并确定茶叶品质,进行数据标注,标注信息即为茶叶对应的品质。每一张茶叶图像和其对应的茶汤图像作为一个数据样本。重复上述步骤,获取足够多的茶叶、茶汤图像对。最终按照7:3的比例,划分训练集和测试集。
步骤200,训练两个深度特征提取器,分别用来提取茶叶和茶汤图像特征。具体如图2所示,采用的基础网络结构为经典的深度网络VGG-16。首先需要对网络进行训练,训练好的网络才能进行更好的特征提取,所使用的数据为步骤100中产生的图像。最终训练好的网络当作深度特征提取器。具体来说:
步骤201,对于输入的上述标注图像,首先将其大小调整为224×224。把标注的茶叶图像输入记作Xl,标注的茶汤图像输入记作Xs。将Xl输入到茶叶深度特征提取器(GL)中,将Xs输入到茶汤深度特征提取器(GS)中,此时深度特征提取器还未被训练,不能用于最终的深度特征提取。使用的数据集为步骤100处获得。
步骤202,对输入图像进行特征提取,主要采用卷积、池化、全连接等对输入进行特征提取。
步骤203,对提取到的特征进行Softmax分类,并利用交叉熵损失函数优化整个VGG-16网络,即深度特征提取器。网络收敛后停止训练。此时,茶叶深度特征提取器(GL)和茶汤深度特征提取器(GS)具备了对茶叶深度信息的提取。将茶叶图像和茶汤图像放进GL和GS中进行深度特征提取,如下所示:
FL=GL(Xl)
FS=GS(Xs)
其中FL表示茶叶深度特征,FS表示茶汤深度特征。深度特征更能描述茶的高维信息,是对综合信息的一种描述。
步骤300,对茶叶和茶汤图像分别进行HSV颜色特征提取。一般来说,RGB是常用的图像处理颜色模型,但是RGB颜色空间与人眼的感知差异较大。将RGB颜色空间转化为HSV颜色空间,更加符合人的感官。其中,H代表色调、S代表饱和度、V代表亮度。本发明基于HSV颜色空间进行颜色特征提取。按照一般的做法,也是按照人的视觉分辨能力,本发明把色调H空间分成8份,饱和度S和亮度V空间各分成3份。如下所示:
按照以上量化级,把三个颜色分量合成1个一维特征矢量,过程如下:
P=HKsKv+SKv+V
其中Ks和Kv是S和V的量化级数。即:
P=9H+3S+V
用P表示每个像素的颜色值。然后根据颜色值构造直方图,表示每一种颜色值的频次。直方图向量即为相应的颜色直方图特征。茶叶图像提取到的颜色特征记作CL,茶汤图像提取到的颜色特征记作CS。
步骤400,对茶叶和茶汤图像分别进行纹理特征提取。考虑到局部二值模式(LBP)旋转不变性和灰度不变性等显著的优点,本发明采用LBP算子进行纹理特征提取。首先,将图像划分为16×16的小区域。对小区域的每一个像素,将其灰度值与周围其它8个像素进行比较,若周围像素值灰度值不小于中心像素,则该像素点的位置被标记为1,否则为0。过程如下:
其中,(xi,yi)表示中心像素,ti表示中心像素灰度值,tn表示周围像素灰度值。w表示一个函数,定义如下:
这样,3×3邻域内的8个点可产生8位二进制数,即得到该中心像素点的LBP值,如图3所示。然后计算每个小区域的直方图,即统计十进制LBP出现的频次,并进行归一化处理。将每个小区域的直方图特征拼接成一个特征向量,即纹理特征。茶叶图像提取到的纹理特征记作VL,茶汤图像提取到的纹理特征记作VS。
步骤500,根据提取到的特征集进行SVM多分类。一般来说SVM应用于二分类,通过与各类别特征样本对比,找到最优分类超平面,实现二分类任务。本发明采用一般的做法,把多分类转换为二分类任务,即本类别与其他类别。有多少个类别,执行多少次二分类任务,从而实现多分类任务。在本步骤之前,已经分别获取了茶叶和茶汤图像三个维度共6种特征。因此每个茶叶样本可以被特征F描述,F=[FL,FS,CL,CS,VL,VS]。FL,FS,CL,CS,VL,VS表示茶叶样本不同方面特征。根据降维处理后的特征样本训练SVM分类器。训练好的SVM分类器,可以根据样本输入识别出茶叶品质信息。
最后所应说明的是,以上实施案例仅用以说明本发明的技术方案而非限制,尽管使用事例对本发明进行了详细说明,本领域的技术人员应当理解,可对本发明的技术方案进行修改或者等价替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种基于多特征描述的茶叶品质审评方法,其步骤包括:
1)获取所选茶叶的茶叶图像及对应茶汤图像,并对所述茶叶图像、茶汤图像分别进行标注;
2)利用标注后的茶叶图像训练一个深度特征提取器,用来获取样本集中每一茶叶图像的深度特征;利用标注后的茶汤图像训练一个深度特征提取器,用来获取所述样本集中每一茶汤图像的深度特征;
3)分别提取所述样本集中每一茶叶图像的颜色特征和纹理特征、每一茶汤图像的颜色特征和纹理特征;
4)将同一茶叶的茶叶图像的深度特征、颜色特征、纹理特征和对应茶汤图像的深度特征、颜色特征、纹理特征作为一个训练样本,训练分类器;
5)对于一待评审茶叶,将该待评审茶叶的茶叶图像及对应茶汤图像的深度特征、颜色特征、纹理特征输入训练后的分类器,得到该待评审茶叶的茶叶品质。
2.根据权利要求1所述的方法,其特征在于,对所述茶叶图像、茶汤图像进行标注的标注信息为茶叶品质信息。
3.根据权利要求2所述的方法,其特征在于,利用标注后的茶叶图像或茶汤图像训练深度网络VGG-16,得到所述深度特征提取器。
4.根据权利要求1或2或3所述的方法,其特征在于,利用HSV颜色特征提取器提取茶叶图像或茶汤图像的颜色特征和纹理特征。
5.根据权利要求1或2或3所述的方法,其特征在于,采用LBP算子提取茶叶图像或茶汤图像的纹理特征。
6.根据权利要求1或2或3所述的方法,其特征在于,获取所述茶汤图像的方法为:称取5克茶叶置于标准审评杯中,加入沸水,加盖侵泡5分钟,然后由上垂直向杯底拍照,获取所述茶汤图像。
7.根据权利要求1所述的方法,其特征在于,所述分类器为SVM分类器。
8.一种服务器,其特征在于,包括存储器和处理器,所述存储器存储计算机程序,所述计算机程序被配置为由所述处理器执行,所述计算机程序包括用于执行权利要求1至7任一所述方法中各步骤的指令。
9.一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,所述计算机程序被处理器执行时实现权利要求1至7任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210027021.7A CN114398974A (zh) | 2022-01-11 | 2022-01-11 | 一种基于多特征描述的茶叶品质审评方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210027021.7A CN114398974A (zh) | 2022-01-11 | 2022-01-11 | 一种基于多特征描述的茶叶品质审评方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114398974A true CN114398974A (zh) | 2022-04-26 |
Family
ID=81231386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210027021.7A Pending CN114398974A (zh) | 2022-01-11 | 2022-01-11 | 一种基于多特征描述的茶叶品质审评方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114398974A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101692053A (zh) * | 2009-10-09 | 2010-04-07 | 江苏大学 | 基于多传感信息融合的名优茶品质仪器智能化审评方法 |
CN102589470A (zh) * | 2012-02-14 | 2012-07-18 | 大闽食品(漳州)有限公司 | 一种基于模糊神经网络的茶叶外观品质的量化方法 |
CN108287161A (zh) * | 2017-01-09 | 2018-07-17 | 中国计量大学 | 一种智能茶叶感官审评方法及系统 |
CN109815923A (zh) * | 2019-01-30 | 2019-05-28 | 华侨大学 | 基于lbp特征与深度学习的金针菇菇头分选识别方法 |
CN110956212A (zh) * | 2019-11-29 | 2020-04-03 | 长沙理工大学 | 一种基于视觉特征融合的打叶质量检测方法 |
CN112613520A (zh) * | 2020-12-28 | 2021-04-06 | 张悟移 | 一种基于卷积神经网络的普洱生茶、老茶和熟茶判定方法 |
-
2022
- 2022-01-11 CN CN202210027021.7A patent/CN114398974A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101692053A (zh) * | 2009-10-09 | 2010-04-07 | 江苏大学 | 基于多传感信息融合的名优茶品质仪器智能化审评方法 |
CN102589470A (zh) * | 2012-02-14 | 2012-07-18 | 大闽食品(漳州)有限公司 | 一种基于模糊神经网络的茶叶外观品质的量化方法 |
CN108287161A (zh) * | 2017-01-09 | 2018-07-17 | 中国计量大学 | 一种智能茶叶感官审评方法及系统 |
CN109815923A (zh) * | 2019-01-30 | 2019-05-28 | 华侨大学 | 基于lbp特征与深度学习的金针菇菇头分选识别方法 |
CN110956212A (zh) * | 2019-11-29 | 2020-04-03 | 长沙理工大学 | 一种基于视觉特征融合的打叶质量检测方法 |
CN112613520A (zh) * | 2020-12-28 | 2021-04-06 | 张悟移 | 一种基于卷积神经网络的普洱生茶、老茶和熟茶判定方法 |
Non-Patent Citations (1)
Title |
---|
解洪胜: "《基于支持向量机的图像检索若干问题》", 31 October 2013 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109154978B (zh) | 用于检测植物疾病的系统和方法 | |
CN110008969B (zh) | 图像显著性区域的检测方法和装置 | |
CN107194937B (zh) | 一种开放环境下中医舌象图像分割方法 | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
WO2016150240A1 (zh) | 身份认证方法和装置 | |
CN111125416A (zh) | 一种基于多特征融合的图像检索方法 | |
CN108875623B (zh) | 一种基于图像特征融合对比技术的人脸识别方法 | |
CN112907595B (zh) | 一种表面缺陷检测方法及装置 | |
WO2019204577A1 (en) | System and method for multimedia analytic processing and display | |
CN108921172B (zh) | 基于支持向量机的图像处理装置及方法 | |
Lodh et al. | Flower recognition system based on color and GIST features | |
CN115272838A (zh) | 基于信息融合技术的海洋浮游生物自动识别方法及系统 | |
CN111008647A (zh) | 一种样本提取及基于空洞卷积与残差链接的图像分类方法 | |
CN108877030B (zh) | 图像处理方法、装置、终端和计算机可读存储介质 | |
CN109299295B (zh) | 蓝印花布图像数据库搜索方法 | |
CN109165551B (zh) | 一种自适应加权融合显著性结构张量和lbp特征的表情识别方法 | |
CN114398974A (zh) | 一种基于多特征描述的茶叶品质审评方法 | |
DE112019004112T5 (de) | System und verfahren zur analyse mikroskopischer bilddaten und zur erzeugung eines annotierten datensatzes zum training der klassifikatoren | |
CN113158745B (zh) | 一种基于多特征算子的乱码文档图片识别方法及系统 | |
CN112465753B (zh) | 花粉颗粒检测方法、装置及电子设备 | |
CN112070771B (zh) | 基于hs通道的自适应阈值分割方法、装置和存储介质 | |
CN107798325B (zh) | 卡片识别方法和设备、计算机存储介质 | |
JP2010033221A (ja) | 肌色検出装置および方法並びにプログラム | |
Dhiman | REVIEWING ROLE OF IMAGE ENHANCEMENT IN PADDY LEAF DISEASE DETECTION | |
CN108334884A (zh) | 一种基于机器学习的手写文档检索方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220426 |
|
RJ01 | Rejection of invention patent application after publication |