CN117274404A - 一种基于图像识别技术的香菇菌袋转色分析方法 - Google Patents
一种基于图像识别技术的香菇菌袋转色分析方法 Download PDFInfo
- Publication number
- CN117274404A CN117274404A CN202311231490.1A CN202311231490A CN117274404A CN 117274404 A CN117274404 A CN 117274404A CN 202311231490 A CN202311231490 A CN 202311231490A CN 117274404 A CN117274404 A CN 117274404A
- Authority
- CN
- China
- Prior art keywords
- image
- fungus bag
- color conversion
- color
- area
- 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
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 67
- 238000004458 analytical method Methods 0.000 title claims abstract description 44
- 240000000599 Lentinula edodes Species 0.000 title claims abstract description 28
- 238000005516 engineering process Methods 0.000 title claims abstract description 17
- 241000233866 Fungi Species 0.000 claims abstract description 79
- 235000001674 Agaricus brunnescens Nutrition 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 238000012937 correction Methods 0.000 claims abstract description 4
- 238000003709 image segmentation Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 32
- 238000012546 transfer Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 2
- 235000001715 Lentinula edodes Nutrition 0.000 abstract description 11
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 230000008859 change Effects 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 229910052602 gypsum Inorganic materials 0.000 description 1
- 239000010440 gypsum Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于图像识别技术的香菇菌袋转色分析方法,该方法包括如下步骤:(1)、获取香菇菌袋图像;(2)、采用基于深度神经网络的yolov5算法来实现菌袋区域图像分割;(3)、图像预处理:获得菌袋区域图像之后,需要对图像进行gamma自动矫正,调整图像的整体亮度,尽量减小光线对于识别精度的影响;(4)、菌袋转色分析:在步骤(3)中得到了菌袋区域的图像之后,对菌袋进行转色分析,得到转色区域,转色面积,转色平均色,以评估香菇的生长状态;(5)、建立菌袋转色面积标准。根据本发明提供的基于图像识别技术的香菇菌袋转色分析方法,可以实现对各个菌袋进行实时的转色分析,建立香菇菌袋转色标准。可以用来指导对香菇生产环境的调控。
Description
技术领域
本发明涉及食用菌种植领域,具体的说涉及一种基于图像识别技术的香菇菌袋转色分析方法。
背景技术
随着人们对食品安全和品质的需求不断提高,香菇的生产和质量控制问题越来越受到关注。目前,香菇生产过程中常采用菌袋培养技术,然而如何准确、快速地判断香菇的生长状态,对于提高生产效率和保证香菇品质至关重要。
目前在香菇种植中,主要通过人工观察菌袋颜色变化来判断香菇生长状态。这种方法虽然简单易行,但存在不少缺陷,例如:人工观察容易受主观因素影响,导致判断结果不够准确;人工观察需要大量时间和劳动力投入,不利于生产效率的提高;对于大规模生产,人工观察难以实现实时监测。
因此,需要一种新的菌袋转色分析方法,以实现对香菇生长状态的实时准确监测。
发明内容
本发明提供了一种基于图像识别技术的香菇菌袋转色分析方法,该方法包括如下步骤:
(1)、获取香菇菌袋图像:使用相机每天对香菇菌袋的正面和背面进行拍摄,并将其保存为数字图像;
(2)、采用基于深度神经网络的yolov5算法来实现菌袋区域图像分割,具体步骤如下:
a.准备数据集:需要准备一批标注好的菌袋图像作为训练数据集,并将其划分为训练集、验证集和测试集;
b.模型训练:使用yolov5网络结构进行训练,通过不断地调整网络参数,使其能够准确地对菌袋进行区域分割;训练过程中,使用交叉熵损失函数和随机梯度下降算法进行优化;
c.菌袋区域分割:在对新的菌袋图像进行分割时,首先使用yolov5模型对图像进行预测,得到菌袋区域的坐标和置信度;然后,根据置信度筛选出置信度高的预测框,并根据坐标信息提取出菌袋区域的图像;
(3)、图像预处理:获得菌袋区域图像之后,需要对图像进行gamma自动矫正,调
整图像的整体亮度,尽量减小光线对于识别精度的影响;具体步骤如下:
a.将图像从RGB色域转成灰度
b.计算图片灰度的均值,mean=1/N·sum
其中N为像素数,sum为灰度图的像素值总和;
c.计算gamma值:gamma=log10(0.5)/log10(mean/255)
其中0.5为目标图像的平均gamma值,mean为灰度图的像素均值;
d.建立gamma映射表:gamma_table=255*(x/255)^gamma,x从0到255
其中x为原始图像RGB通道内的各个像素值;
e.进行查表替换,将原图像的像素点替换为gamma映射表中对应的值;
(4)、菌袋转色分析:在步骤(3)中得到了菌袋区域的图像之后,对菌袋进行转色分析,得到转色区域,转色面积,转色平均色,以评估香菇的生长状态;具体步
骤如下:
a.将RGB转HSV:将菌袋图像从RGB颜色空间转换到HSV颜色空间,以便于后续处理;
b.设置HSV的阈值:根据转色区域与非转色区域的颜色对比,设置合适的HSV阈值,将转色后的区域进行提取;
c.计算转色区域的面积:对于提取出的转色区域,可以计算其面积以得到总的转色面积;
d.计算转色区域的灰度平均值与HSV的平均值:通过计算转色区域的灰度平均值和HSV的平均值,可以获得转色区域的平均颜色;
(5)、建立菌袋转色面积标准:根据步骤(4)可得到各个生长期内每个菌袋转色面积的量化指数,建立菌袋转色面积的标准曲线。
其中获取香菇菌袋图像:首先需要在光线充足的情况下,使用数码相机或手机等设备拍摄菌袋的图像,并将图像传输到计算机上进行处理。
菌袋区域图像分割:菌袋图像中可能存在非菌袋区域,因此需要提取菌袋区域进行分析。通过深度神经网络进行训练的菌袋目标检测模型可以有效的将菌袋从图像中提取出来。
图像预处理:由于图像中可能存在噪点、阴影、颜色偏差等问题,因此需要进行一些预处理操作,例如去噪、平滑、白平衡等。其中,白平衡可以消除光源颜色对图像色彩的影响,使得图像整体呈现出自然的色彩均衡。
菌袋转色分析:对于菌袋区域,首先需要将其转换为HSV色彩空间,然后计算出该区域的颜色特征,例如平均灰度,平均色调、饱和度、亮度等。可以根据不同的需求,选择不同的颜色特征进行分析,例如可以根据平均色调来判断真菌的生长状态,因为真菌的颜色会随着生长状态的不同而发生变化。
结果展示:最后需要将分析结果展示出来,可以将分析结果以图表、报表等形式呈现,并进行统计和分析,以便于用户进行判断和决策。
总的来说,本发明提供的基于图像识别技术的香菇菌袋转色分析方法,图像预处理可以消除图像中的噪点和颜色偏差等问题,区域提取可以选择感兴趣的区域进行分析,色彩分析可以计算出区域的颜色特征,结果展示可以将分析结果以直观的方式进行展示,以便于用户进行判断和决策。整个过程需要综合运用图像处理、计算机视觉、数据分析等多个领域的知识和技术。
根据本发明提供的上述基于图像识别技术的香菇菌袋转色分析方法,可以实现对各个菌袋进行实时的转色分析:根据建立的香菇菌袋转色标准,与每个菌袋的转色面积与生长期进行对比,判断转色面积是否符合标准。并用来指导对香菇生产环境的调控。
本发明提出的一种基于图像识别技术的香菇菌袋转色分析方法,旨在通过相机等设备对不同生长阶段的香菇菌袋进行拍摄,通过预处理、分割、特征提取等步骤,量化分析不同阶段的香菇菌袋转色情况,并建立相应的转色标准,用于香菇栽培过程参数的调整,以提高香菇培育的准确性、稳定性和可重复性。与传统的人工观察、经验判断相比,该方法利用图像识别技术进行自动化分析,具有更高的效率和精度。
本发明所提供的基于图像识别技术的香菇菌袋转色分析方法具有如下创新点:
自动化分析:相比传统的人工观察和经验判断,该方法利用深度神经网络模型自动分割菌袋图像,减少了人工操作的需求。根据实际操作,这种自动化分析可以将分析时间缩短至几秒钟,相比于人工操作的几分钟或更长时间,大大提高了效率。
高准确性和稳定性:通过图像识别技术进行转色区域分析,减少了人为误差的影响。在实际操作中,该方法的准确率可达到90%以上,准确地提取出转色面积。
可重复性验证:由于该方法基于图像识别技术进行自动化分析,不受人为主观因素的影响,可以实现对不同批次、不同操作者的菌袋转色情况进行一致性和可重复性的评估。通过实际操作验证,该方法在不同操作者之间的结果差异较小,具有较好的可重复性
数据统计和分析:该方法可以对菌袋转色情况进行数据统计和分析。通过收集大量样本数据,可以绘制转色率随时间的变化曲线,帮助用户更好地了解香菇的生长规律和发展趋势。同时,还可以通过分析转色区域的面积、灰度平均值和HSV平均值等指标,掌握菌袋生长状态的细节信息。
综上所述,基于图像识别技术的香菇菌袋转色分析方法通过自动化分析、高准确性和稳定性、可靠的转色分析、可重复性验证以及数据统计和分析等方面的优点和有益效果,可以提高香菇培育的管理水平和产量稳定性,并为决策提供科学依据。实际操作和数据验证表明,该方法在提高准确性、稳定性和效率方面具有显著的优势。
附图说明
图1使用标注工具对收集的图片进行菌包区域标注
图2数据泛化后的效果,可将1张图片泛化为6张图片
图3为YOLOV5s训练过程中精度与召回率变动的可视化
图4为菌袋区域提取结果对照图,图a为菌袋原始图片,图b灰色区域即为算法提取的菌袋区域
图5计算出来的gamma映射表
图6进行gamma映射处理前后的对比图
图7为在识别出的菌包区域图片的基础上进行转色分析,所得到的非转色区域图与转色区域图
图8分别为非转色区域与转色区域进行二值化处理之后的结果
图9实施例1所建立的香菇沪香F2的整个栽培周期的转色面积百分比分析标准曲线
具体实施方式
下列实施例仅为对本发明的示例说明,而非对本发明的限制。
香菇菌种:沪香F2(来自上海市农业科学院食用菌研究所)。
沪香F2栽培的环境参数为:25摄氏度,70%湿度,2000ppm二氧化碳,整个生长期85天。
菌包配方:木屑79%,麸皮20%,石膏1%(重量百分比);加水配制成含水量为65%的培养料。菌包尺寸18*35cm,每包填料量为1200g。
模型训练:
a.使用海康威视工业相机MV-CA013-20GC进行图像捕捉
b.使用labelimg进行数据标注,如图1。
c.为提高数据泛化能力,通过:大小平移,随机旋转,模糊处理,亮暗变化,增加噪点,这些手段进行数据增强。如图2,即为数据泛化后的效果,可将1张图片泛化为6张图片。
d.基于Pytorch的深度学习框架,使用YOLOV5s算法,进行模型训练,应同时保证精度与召回率,图3即为YOLOV5s训练过程中精度与召回率变动的可视化。
实施例1
(1)采集生长正常(第60天)的菌袋照片10组,在光线充足的情况下,使用海康威视工业相机MV-CA013-20GC,对香菇菌袋的正面和背面进行拍摄,并将其保存为数字图像。为了保证数据准确性,尽量避免反光。
(2)、采用基于深度神经网络的yolov5算法来实现菌袋区域图像分割,具体步骤如下:
a.准备数据集:需要准备一批标注好的菌袋图像(图4)作为训练数据集,并将其划分为训练集、验证集和测试集;
b.模型训练:使用yolov5网络结构进行训练,通过不断地调整网络参数,使其能够准确地对菌袋进行区域分割;训练过程中,使用交叉熵损失函数和随机梯度下降算法进行优化;
c.菌袋区域分割:在对新的菌袋图像进行分割时,首先使用yolov5模型对图像进行预测,得到菌袋区域的坐标和置信度;然后,根据置信度筛选出置信度高的预测框,并根据坐标信息提取出菌袋区域的图像;如图4即为提取的菌袋区域
(3)、图像预处理:获得菌袋区域图像之后,需要对图像进行gamma自动矫正,调
整图像的整体亮度,尽量减小光线对于识别精度的影响;具体步骤如下:
a.将图像从RGB色域转成灰度
可使用opencv的cvtColor方法进行转换
b.计算图片灰度的均值,mean=1/N·sum
其中N为像素数,sum为灰度图的像素值总和;
可直接使用numpy的mean方法求得,求得图4的mean=130.3
c.计算gamma值:gamma=log10(0.5)/log10(mean/255)
其中0.5为目标图像的平均gamma值,mean为灰度图的像素均值;
Gamma值求得为1.03
d.建立gamma映射表:gamma_table=255*(x/255)^gamma,x从0到255
其中x为原始图像RGB通道内的各个像素值;
上述步骤gamma值为1.03,可求得gamma映射表,如图5
e.进行查表替换,将原图像的像素点替换为gamma映射表中对应的值,替换后的效果对比图如图6.
(4)、菌袋转色分析:在步骤(3)中得到了菌袋区域的图像之后,对菌袋进行转色分析,得到转色区域,转色面积,转色平均色,以评估香菇的生长状态;具体步骤如下:
a.将RGB转HSV:将菌袋图像从RGB颜色空间转换到HSV颜色空间,以便于后续处理;
可使用opencv的方法cvtColor进行转换
b.设置HSV的阈值:根据转色区域与非转色区域的颜色对比,设置合适的HSV阈值,将转色后的区域进行提取;
先使用opencv的方法split,将原图分割为h,s,v三个通道,
再使用opencv的threshold方法将转色区域提取出来,其中h的阈值设置为60,s的阈值设置为30。
再将h二值化的图与s二值化的图进行与运算,得到总的转色区域掩膜图,这里可以使用opencv的bitwise_and方法进行处理,总的转色区域掩膜图如图7所示。
c.计算转色区域的面积:对于提取出的转色区域图8,可以计算其面积以得到总的转色面积;
使用countNonZero统计转色区域与非转色区域的面积.
本实验可得:转色区域的像素点为:66016
非转色区域的像素点为:112408
d.计算转色区域的灰度平均值与HSV的平均值:通过计算转色区域的灰度平均值和HSV的平均值,可以获得转色区域的平均颜色;
利用转色区域的掩膜图,再opencv的mean即可计算出转色区域的平均灰度值。
转色平均灰度:113。
结果可得:转色面积百分比例:37%;转色平均灰度:113。
参照上述步骤,对香菇沪香F2整个生长周期中,每天计算出来的转色面积收集完整,即可统计不同时期的转色面积百分比,即可建立香菇转色面积的标准,图9即为本实施例所建立的香菇菌袋转色面积标准,其表示的为香菇菌袋不同的生长期所对应的转色面积百分比。
当监测到其转色面积比例与标准曲线相差超过5%时,即需要对香菇生产环境条件进行人工干预。
Claims (1)
1.一种基于图像识别技术的香菇菌袋转色分析方法,其特征在于该方法包括如下步骤:
(1)、获取香菇菌袋图像:使用相机每天对香菇菌袋的正面和背面进行拍摄,并将其保存为数字图像;
(2)、采用基于深度神经网络的yolov5算法来实现菌袋区域图像分割,具体步骤如下:
a.准备数据集:需要准备一批标注好的菌袋图像作为训练数据集,并将其划分为训练集、验证集和测试集;
b.模型训练:使用yolov5网络结构进行训练,通过不断地调整网络参数,使其能够准确地对菌袋进行区域分割;训练过程中,使用交叉熵损失函数和随机梯度下降算法进行优化;
c.菌袋区域分割:在对新的菌袋图像进行分割时,首先使用yolov5模型对图像进行预测,得到菌袋区域的坐标和置信度;然后,根据置信度筛选出置信度高的预测框,并根据坐标信息提取出菌袋区域的图像;
(3)、图像预处理:获得菌袋区域图像之后,需要对图像进行gamma自动矫正,调整图像的整体亮度,尽量减小光线对于识别精度的影响;具体步骤如下:
a.将图像从RGB色域转成灰度
b.计算图片灰度的均值,mean=1/N·sum
其中N为像素数,sum为灰度图的像素值总和;
c.计算gamma值:gamma=log10(0.5)/log10(mean/255)
其中0.5为目标图像的平均gamma值,mean为灰度图的像素均值;
d.建立gamma映射表:gamma_table=255*(x/255)^gamma,x从0到255
其中x为原始图像RGB通道内的各个像素值;
e.进行查表替换,将原图像的像素点替换为gamma映射表中对应的值;
(4)、菌袋转色分析:在步骤(3)中得到了菌袋区域的图像之后,对菌袋进行转色分析,得到转色区域,转色面积,转色平均色,以评估香菇的生长状态;具体步骤如下:
a.将RGB转HSV:将菌袋图像从RGB颜色空间转换到HSV颜色空间,以便于后续处理;
b.设置HSV的阈值:根据转色区域与非转色区域的颜色对比,设置合适的HSV阈值,将转色后的区域进行提取;
c.计算转色区域的面积:对于提取出的转色区域,可以计算其面积以得到总的转色面积;
d.计算转色区域的灰度平均值与HSV的平均值:通过计算转色区域的灰度平均值和HSV的平均值,可以获得转色区域的平均颜色;
(5)、建立菌袋转色面积标准:根据步骤(4)可得到各个生长期内每个菌袋转色面积的量化指数,建立菌袋转色面积的标准曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311231490.1A CN117274404A (zh) | 2023-09-22 | 2023-09-22 | 一种基于图像识别技术的香菇菌袋转色分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311231490.1A CN117274404A (zh) | 2023-09-22 | 2023-09-22 | 一种基于图像识别技术的香菇菌袋转色分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117274404A true CN117274404A (zh) | 2023-12-22 |
Family
ID=89219145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311231490.1A Pending CN117274404A (zh) | 2023-09-22 | 2023-09-22 | 一种基于图像识别技术的香菇菌袋转色分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117274404A (zh) |
-
2023
- 2023-09-22 CN CN202311231490.1A patent/CN117274404A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102095539B1 (ko) | 인삼의 영상 이미지 분석을 통한 생육량 측정 방법 | |
CN113192026A (zh) | 一种基于可见光图像的核桃成熟度检测与预测方法 | |
CN111462058B (zh) | 一种水稻有效穗快速检测方法 | |
CN111199192A (zh) | 一种采用平行线取样的田间红提葡萄整体成熟度检测方法 | |
CN111077150A (zh) | 一种基于计算机视觉和神经网络的大便智能分析方法 | |
US20220270206A1 (en) | Devices, systems and methods for digital image analysis | |
CN110009609B (zh) | 一种快速检测黄粒米的方法 | |
CN113518182B (zh) | 一种基于树莓派的黄瓜表型特征测量方法 | |
CN117274994A (zh) | 一种基于图像识别技术的蟹味菇菌盖表型分析方法 | |
WO2022104867A1 (zh) | 目标物的特征检测方法和装置 | |
CN112529838A (zh) | 一种基于图像处理技术的烟叶成熟度在线判别方法 | |
CN117274404A (zh) | 一种基于图像识别技术的香菇菌袋转色分析方法 | |
CN112184627A (zh) | 基于图像处理与神经网络的柑橘保鲜品质检测方法及应用 | |
Ji et al. | Apple color automatic grading method based on machine vision | |
CN106951824A (zh) | 基于无人机遥感影像提取玉米植株叶色的方法及系统 | |
CN116337781A (zh) | 一种基于光谱图像重建的高粱品种识别方法 | |
EP4286939A1 (en) | Imaging condition setting system, imaging condition setting method, and program | |
CN108830834A (zh) | 一种爬索机器人视频缺陷信息自动提取方法 | |
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 | |
JP2013213783A (ja) | 微細藻類成分量測定方法および装置ならびにプログラム | |
Loresco et al. | Growth Stage Identification for Cherry Tomato using Image Processing Techniques | |
Jannah et al. | Tomato Maturity Detection System Using Color Histogram and Nearest Neighbor | |
Balbin et al. | Development of scientific farming in determining the harvest time of NSIC 2010 Rc226 rice grain using image processing algorithms | |
CN106503749B (zh) | 一种鱼子酱的自动分级方法及其系统 | |
Zhi et al. | Color Chart Development by Computer Vision for Flue-cured Tobacco Leaf. |
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 |