CN115410040A - 一种基于ai技术的稻谷种子籽粒饱满度分级检测方法 - Google Patents
一种基于ai技术的稻谷种子籽粒饱满度分级检测方法 Download PDFInfo
- Publication number
- CN115410040A CN115410040A CN202211033424.9A CN202211033424A CN115410040A CN 115410040 A CN115410040 A CN 115410040A CN 202211033424 A CN202211033424 A CN 202211033424A CN 115410040 A CN115410040 A CN 115410040A
- Authority
- CN
- China
- Prior art keywords
- rice
- plumpness
- rice seed
- seeds
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B03—SEPARATION OF SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS; MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
- B03B—SEPARATING SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS
- B03B5/00—Washing granular, powdered or lumpy materials; Wet separating
- B03B5/28—Washing granular, powdered or lumpy materials; Wet separating by sink-float separation
- B03B5/30—Washing granular, powdered or lumpy materials; Wet separating by sink-float separation using heavy liquids or suspensions
- B03B5/44—Application of particular media therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Pretreatment Of Seeds And Plants (AREA)
Abstract
本发明公开了一种基于AI技术的稻谷种子籽粒饱满度分级检测方法,涉及谷物检测技术领域。本发明包括如下步骤:采集大量不同饱满度的多角度稻谷种子图片建立数学模型;在生产线下方采用强光进行照射,并在生产线上方利用高清相机采集流水线上稻谷种子的图片;将稻谷种子图像从RGB颜色空间转换到HSI颜色空间,提取稻种轮廓图像及透光度;Harris角点检测方法在稻种轮廓图像中将缺陷的稻种轮廓标记出来;筛选出轮廓有缺陷的稻种再将稻种不同透光图片导入到数字模型中进行饱满度提取。本发明通过建立稻谷种子图片建立数学模型,对采集的稻谷种植进行处理,根据稻谷种子的透光程度判断稻谷种子的饱满度,增加了稻种的检测效率,提高了种子的发芽率和产量。
Description
技术领域
本发明属于谷物检测技术领域,特别是涉及一种基于AI技术的稻谷种子籽粒饱满度分级检测方法。
背景技术
我国是稻谷种植生产和消费大国,稻谷在国民食品消费结构中具有举足轻重的作用。随着生活水平的不断提高,人们对稻谷品质的需求和安全要求日益提高,而稻谷种子的质量高低对稻谷的种植生产有着重要的意义,因此稻谷种子进行快速检测分选具有非常重要的现实意义。
而稻谷种子籽粒的饱满度是种子潜在的萌发与出苗能力的表现,在籽粒发育过程中不断形成,主要由胚的生长潜力决定。正常性种子籽粒发育始于受精卵,中间经历形态建成,储藏物积累,最后止于成熟脱水。
因此,种子籽粒的清选是种子加工的核心,种子清选是种子加工的核心,其目的是按种子的物理特性除去种子中的夹杂物质,把发芽率高、种子活力旺盛的种子从不良种子及一般种子中分离出来,用以农业生产。
目前,就种子籽粒质量标准而言,我国农作物种子籽粒质量标准要求常规稻种子发芽率不低于85%,杂交稻种子发芽率不低于80%,这一标准远低于种子行业发展水平,难以满足现代农业发展需求。低质量标准的种子籽粒会造成生产浪费、田间管理难以实现精细化等问题。
发明内容
本发明的目的在于提供一种基于AI技术的稻谷种子籽粒饱满度分级检测方法,通过建立稻谷种子图片建立数学模型,来识别稻谷种子的透光程度判断稻谷种子的饱满度,解决了现有的稻种种植筛选不准确导致种植发芽率低、产量不佳的问题。
为解决上述技术问题,本发明是通过以下技术方案实现的:
本发明为一种基于AI技术的稻谷种子籽粒饱满度分级检测方法,包括如下步骤:
步骤S1:采集大量不同饱满度的多角度稻谷种子图片建立数学模型;
步骤S2:在稻谷生产线上用漂浮法去除部分饱满度劣质的稻种和杂质;
步骤S3:将通过漂浮法的稻谷种子沥干水份后平铺在生产线上;
步骤S4:在生产线下方采用强光进行照射,并在生产线上方利用高清相机采集流水线上稻谷种子的图片;
步骤S5:对采集的流水线上的稻谷种子进行预处理;
步骤S6:将稻谷种子图像从RGB颜色空间转换到HSI颜色空间,提取稻种轮廓图像及透光度;
步骤S7:Harris角点检测方法在稻种轮廓图像中将缺陷的稻种轮廓标记出来;
步骤S8:筛选出轮廓有缺陷的稻种后,并将稻种不同透光图片导入到数字模型中进行饱满度提取;
步骤S9:确定稻种的饱满度等级并进行分级筛选;
将稻种的饱满度等级分为五个等级:劣等、不足、一般、优秀和特等,将筛选出不同等级的稻种进行分类包装,并在包装袋上粘贴当前饱满度等级。
作为一种优选的技术方案,所述步骤S1中,采集大量不同饱满度的多个角度稻谷种子图片包括:不同等级饱满程度稻谷种子的合格图片作为训练的正样本和不同等级饱满程度稻谷种子的缺陷照片作为训练的负样本并在负样本图片内标记缺陷标签;所述缺陷标签包括稻种缺失、稻种破损、稻种发芽、稻种霉变、稻种病变、稻种生虫和稻种劣质。
作为一种优选的技术方案,所述步骤S2中,稻谷生产线上搭建清洗池,根据稻种饱满度分级需求,先调配适当浓度的盐水注入清洗池内,再将待分级的稻种种子倒入清洗池中,将漂浮在盐水上层的稻种种子以及杂物清除后,将剩余稻谷种子平铺在生产线上。
作为一种优选的技术方案,所述步骤S3中,在流水线上搭建采集平台,当平铺的稻种种子路过采集平台的摄像头时,由下方采用强光进行照射放入同时,PLC控制器向高清相机发送操作指令,控制高清相机对稻种种子进行图像采集。
作为一种优选的技术方案,所述步骤S5中,稻谷种子进行预处理的流程如下:
步骤S51:对采集的稻谷种子图像进行形态学重建增强处理;
步骤S52:对重建后图像的边缘轮廓信息使用指数增强函数对饱满度图像进行图像增强处理;
步骤S53:图像增强后,将稻种种子区域和背景区域分开。
作为一种优选的技术方案,所述步骤S6中,对采集的稻谷种子图像从RGB颜色空间转换到HSI颜色空间,分别对色调和饱满度进行分割,得到色调分量和饱满度分量的单通道图像。
作为一种优选的技术方案,所述稻谷种子图像从RGB颜色空间转换到HSI颜色空间的公式如下:
式中,R、G、B分别为图像中一个像素的红色、绿色、蓝色分量,H、S、I分别为图像中一个像素的色调、饱满度和亮度分量。
作为一种优选的技术方案,所述步骤S7中,Harris角点检测公式如下:
式中,E表示图像强度变化值能量函数,u表示窗函数在水平方向上的位置,v表示窗函数在垂直方向上的位移,w(x,y)是在(x,y)处的窗函数,等同于一个掩膜,I(x,y)是在点(x,y)处的图像强度,I(x+u,y+v)表示点为以后的图像强度。
作为一种优选的技术方案,所述步骤S8中,饱满度提取前先进行粗提取;所述粗提取的步骤如下:得到的特征点通过欧氏距离进行特征匹配,对所有的匹配点进行相似度的范围压缩,提出指点范围外的匹配对,提出的匹配对中绝大部分为错误匹配对;然后再利用基于改进的自适应RANSAC算法对特征点匹配对进行进一步的提纯,剔除掉错误的特征匹配对,符合RANSAC算法的数学模型的匹配对视为正确的,不符合模型的匹配判定为错误匹配。
本发明具有以下有益效果:
(1)本发明通过建立稻谷种子图片建立数学模型,对采集的稻谷种植进行处理,根据稻谷种子的透光程度判断稻谷种子的饱满度,增加了稻种的检测效率,提高了种子的发芽率和产量。
(2)本发明通过在稻谷生产线上搭建清洗池,根据稻种饱满度分级需求,调配适当浓度的盐水来将待分级的稻种种子倒入盐水中,将漂浮在盐水上层的稻种种子以及杂物清除后,将剩余稻谷种子平铺在生产线上,提前筛选出部分不合格的稻种,提高了筛选效率,降低了系统运算量。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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为本发明的一种基于AI技术的稻谷种子籽粒饱满度分级检测方法流程图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1所示,本发明为一种基于AI技术的稻谷种子籽粒饱满度分级检测方法,包括如下步骤:
步骤S1:采集大量不同饱满度的多角度稻谷种子图片建立数学模型;
采集大量不同饱满度的多个角度稻谷种子图片包括:不同等级饱满程度稻谷种子的合格图片作为训练的正样本和不同等级饱满程度稻谷种子的缺陷照片作为训练的负样本并在负样本图片内标记缺陷标签;所述缺陷标签包括稻种缺失、稻种破损、稻种发芽、稻种霉变、稻种病变、稻种生虫和稻种劣质。
步骤S2:在稻谷生产线上用漂浮法去除部分饱满度劣质的稻种和杂质;
步骤S2中,稻谷生产线上搭建清洗池,根据稻种饱满度分级需求,先调配适当浓度的盐水注入清洗池内,再将待分级的稻种种子倒入清洗池中,将漂浮在盐水上层的稻种种子以及杂物清除后,将剩余稻谷种子平铺在生产线上;为了提高稻谷种子的成活率,将上面的干瘪的种子和杂物取出后,用密漏将水中剩余的种子捞出,由于种子上带有生理盐水,不利于种植的发芽;因此,在捞出后需要先经过大量清水冲洗,把种子上的盐分冲洗干净再放入到生产线上;若种子不用做育种,还可以将冲洗后的种子进行烘干处理。
步骤S3:将通过漂浮法的稻谷种子沥干水份后平铺在生产线上;
步骤S3中,在流水线上搭建采集平台,当平铺的稻种种子路过采集平台的摄像头时,由下方采用强光进行照射放入同时,PLC控制器向高清相机发送操作指令,控制高清相机对稻种种子进行图像采集。
步骤S4:在生产线下方采用强光进行照射,并在生产线上方利用高清相机采集流水线上稻谷种子的图片;生产线采用透明传送带进行传输,在强光的作用下,高清相机拍摄的种子图片因为强光的作用,饱满程度不同的种子呈现的透光程度也并不相同,越饱满的种子透光率越差,照片拍摄出来的阴影颜色也就越深。
步骤S5:对采集的流水线上的稻谷种子进行预处理;
稻谷种子进行预处理的流程如下:
步骤S51:对采集的稻谷种子图像进行形态学重建增强处理;
步骤S52:对重建后图像的边缘轮廓信息使用指数增强函数对饱满度图像进行图像增强处理;
步骤S53:图像增强后,将稻种种子区域和背景区域分开。
步骤S6:将稻谷种子图像从RGB颜色空间转换到HSI颜色空间,提取稻种轮廓图像及透光度;
对采集的稻谷种子图像从RGB颜色空间转换到HSI颜色空间,分别对色调和饱满度进行分割,得到色调分量和饱满度分量的单通道图像;
稻谷种子图像从RGB颜色空间转换到HSI颜色空间的公式如下:
式中,R、G、B分别为图像中一个像素的红色、绿色、蓝色分量,H、S、I分别为图像中一个像素的色调、饱满度和亮度分量。
步骤S7:Harris角点检测方法在稻种轮廓图像中将缺陷的稻种轮廓标记出来;
Harris角点检测公式如下:
式中,E表示图像强度变化值能量函数,u表示窗函数在水平方向上的位置,v表示窗函数在垂直方向上的位移,w(x,y)是在(x,y)处的窗函数,等同于一个掩膜,I(x,y)是在点(x,y)处的图像强度,I(x+u,y+v)表示点为以后的图像强度。
步骤S8:筛选出轮廓有缺陷的稻种后,并将稻种不同透光图片导入到数字模型中进行饱满度提取;
饱满度提取前先进行粗提取;所述粗提取的步骤如下:得到的特征点通过欧氏距离进行特征匹配,对所有的匹配点进行相似度的范围压缩,提出指点范围外的匹配对,提出的匹配对中绝大部分为错误匹配对;然后再利用基于改进的自适应RANSAC算法对特征点匹配对进行进一步的提纯,剔除掉错误的特征匹配对,符合RANSAC算法的数学模型的匹配对视为正确的,不符合模型的匹配判定为错误匹配。
步骤S9:确定稻种的饱满度等级并进行分级筛选。
值得注意的是,上述系统实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
另外,本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,相应的程序可以存储于一计算机可读取存储介质中。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (9)
1.一种基于AI技术的稻谷种子籽粒饱满度分级检测方法,其特征在于,包括如下步骤:
步骤S1:采集大量不同饱满度的多角度稻谷种子图片建立数学模型;
步骤S2:在稻谷生产线上用漂浮法去除部分饱满度劣质的稻种和杂质;
步骤S3:将通过漂浮法的稻谷种子沥干水份后平铺在生产线上;
步骤S4:在生产线下方采用强光进行照射,并在生产线上方利用高清相机采集流水线上稻谷种子的图片;
步骤S5:对采集的流水线上的稻谷种子进行预处理;
步骤S6:将稻谷种子图像从RGB颜色空间转换到HSI颜色空间,提取稻种轮廓图像及透光度;
步骤S7:Harris角点检测方法在稻种轮廓图像中将缺陷的稻种轮廓标记出来;
步骤S8:筛选出轮廓有缺陷的稻种后,并将稻种不同透光图片导入到数字模型中进行饱满度提取;
步骤S9:确定稻种的饱满度等级并进行分级筛选。
2.根据权利要求1所述的一种基于AI技术的稻谷种子籽粒饱满度分级检测方法,其特征在于,所述步骤S1中,采集大量不同饱满度的多个角度稻谷种子图片包括:不同等级饱满程度稻谷种子的合格图片作为训练的正样本和不同等级饱满程度稻谷种子的缺陷照片作为训练的负样本并在负样本图片内标记缺陷标签;所述缺陷标签包括稻种缺失、稻种破损、稻种发芽、稻种霉变、稻种病变、稻种生虫和稻种劣质。
3.根据权利要求1所述的一种基于AI技术的稻谷种子籽粒饱满度分级检测方法,其特征在于,所述步骤S2中,稻谷生产线上搭建清洗池,根据稻种饱满度分级需求,先调配适当浓度的盐水注入清洗池内,再将待分级的稻种种子倒入清洗池中,将漂浮在盐水上层的稻种种子以及杂物清除后,将剩余稻谷种子平铺在生产线上。
4.根据权利要求1所述的一种基于AI技术的稻谷种子籽粒饱满度分级检测方法,其特征在于,所述步骤S3中,在流水线上搭建采集平台,当平铺的稻种种子路过采集平台的摄像头时,由下方采用强光进行照射放入同时,PLC控制器向高清相机发送操作指令,控制高清相机对稻种种子进行图像采集。
5.根据权利要求1所述的一种基于AI技术的稻谷种子籽粒饱满度分级检测方法,其特征在于,所述步骤S5中,稻谷种子进行预处理的流程如下:
步骤S51:对采集的稻谷种子图像进行形态学重建增强处理;
步骤S52:对重建后图像的边缘轮廓信息使用指数增强函数对饱满度图像进行图像增强处理;
步骤S53:图像增强后,将稻种种子区域和背景区域分开。
6.根据权利要求1所述的一种基于AI技术的稻谷种子籽粒饱满度分级检测方法,其特征在于,所述步骤S6中,对采集的稻谷种子图像从RGB颜色空间转换到HSI颜色空间,分别对色调和饱满度进行分割,得到色调分量和饱满度分量的单通道图像。
9.根据权利要求1所述的一种基于AI技术的稻谷种子籽粒饱满度分级检测方法,其特征在于,所述步骤S8中,饱满度提取前先进行粗提取;所述粗提取的步骤如下:得到的特征点通过欧氏距离进行特征匹配,对所有的匹配点进行相似度的范围压缩,提出指点范围外的匹配对,提出的匹配对中绝大部分为错误匹配对;然后再利用基于改进的自适应RANSAC算法对特征点匹配对进行进一步的提纯,剔除掉错误的特征匹配对,符合RANSAC算法的数学模型的匹配对视为正确的,不符合模型的匹配判定为错误匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211033424.9A CN115410040A (zh) | 2022-08-26 | 2022-08-26 | 一种基于ai技术的稻谷种子籽粒饱满度分级检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211033424.9A CN115410040A (zh) | 2022-08-26 | 2022-08-26 | 一种基于ai技术的稻谷种子籽粒饱满度分级检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115410040A true CN115410040A (zh) | 2022-11-29 |
Family
ID=84161341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211033424.9A Pending CN115410040A (zh) | 2022-08-26 | 2022-08-26 | 一种基于ai技术的稻谷种子籽粒饱满度分级检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115410040A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116721342A (zh) * | 2023-06-05 | 2023-09-08 | 淮阴工学院 | 一种基于深度学习的杂交稻种质量识别装置 |
CN117392114A (zh) * | 2023-11-27 | 2024-01-12 | 湖南新域节能科技有限公司 | 一种基于图像处理的槟榔等级检测方法 |
-
2022
- 2022-08-26 CN CN202211033424.9A patent/CN115410040A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116721342A (zh) * | 2023-06-05 | 2023-09-08 | 淮阴工学院 | 一种基于深度学习的杂交稻种质量识别装置 |
CN117392114A (zh) * | 2023-11-27 | 2024-01-12 | 湖南新域节能科技有限公司 | 一种基于图像处理的槟榔等级检测方法 |
CN117392114B (zh) * | 2023-11-27 | 2024-03-08 | 湖南新域节能科技有限公司 | 一种基于图像处理的槟榔等级检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115410040A (zh) | 一种基于ai技术的稻谷种子籽粒饱满度分级检测方法 | |
CN110276386A (zh) | 一种基于机器视觉的苹果分级方法及系统 | |
CN108564124A (zh) | 一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法 | |
CN110472575B (zh) | 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 | |
CN103076288B (zh) | 一种基于计算机视觉的鱼肉自动分级装置和方法 | |
CN106651872A (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN109269951A (zh) | 基于图像的浮选尾煤灰分、浓度、粗颗粒含量检测方法 | |
CN104732229B (zh) | 一种用于宫颈涂片图像中重叠细胞的分割方法 | |
CN106932408B (zh) | 一种基于图像处理的方格蔟污染蚕茧检测方法 | |
CN110687121B (zh) | 一种陶瓦智能在线检测与自动分级方法和系统 | |
Shah et al. | Macro-nutrient deficiency identification in plants using image processing and machine learning | |
CN111259925B (zh) | 基于k均值聚类和宽度突变算法的田间麦穗计数方法 | |
CN108492296A (zh) | 基于超像素分割的小麦麦穗智能计数系统及方法 | |
CN110232670A (zh) | 一种基于高低频分离的图像视觉效果增强的方法 | |
CN110310238A (zh) | 一种基于重用原始信息的压缩奖惩神经网络的单幅图像去雨方法 | |
Pandey et al. | Non-destructive quality grading of mango (Mangifera Indica L) based on CIELab colour model and size | |
CN115862004A (zh) | 一种玉米果穗表面缺陷检测方法及装置 | |
Mahirah et al. | Monitoring harvested paddy during combine harvesting using a machine vision-Double lighting system | |
CN115266732A (zh) | 基于机器视觉的碳纤维丝束缺陷检测方法 | |
CN106023223A (zh) | 柑橘果实大小描述及分级方法 | |
CN107239761B (zh) | 基于骨架角点检测的果树拉枝效果评价方法 | |
Pandit et al. | Vision system for automatic counting of silkworm eggs | |
CN117456358A (zh) | 一种基于YOLOv5神经网络的植物病虫害检测方法 | |
CN107169940B (zh) | 基于电子识别的单株梨树产量获取方法 | |
CN111401121A (zh) | 一种基于超像素特征提取实现柑橘分割方法 |
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 |