CN118072175A - 一种基于颜色识别的饲草种子的高效清选方法及系统 - Google Patents
一种基于颜色识别的饲草种子的高效清选方法及系统 Download PDFInfo
- Publication number
- CN118072175A CN118072175A CN202410273296.8A CN202410273296A CN118072175A CN 118072175 A CN118072175 A CN 118072175A CN 202410273296 A CN202410273296 A CN 202410273296A CN 118072175 A CN118072175 A CN 118072175A
- Authority
- CN
- China
- Prior art keywords
- color
- image
- region
- segmented
- target
- 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
- 238000004140 cleaning Methods 0.000 title claims abstract description 92
- 239000004459 forage Substances 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 51
- 244000025254 Cannabis sativa Species 0.000 title claims abstract description 32
- 239000013598 vector Substances 0.000 claims abstract description 149
- 230000011218 segmentation Effects 0.000 claims abstract description 51
- 238000007621 cluster analysis Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 238000000926 separation method Methods 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 30
- 230000006870 function Effects 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 108010068977 Golgi membrane glycoproteins Proteins 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及种子识别清选领域，提出了一种基于颜色识别的饲草种子的高效清选方法及系统，所述方法包括：获取待清选饲草种子的样本图像，并对其进行预处理以得到预处理图像，对预处理图像进行区域分割，提取分割颜色区域，并计算其颜色特征向量，通过聚类分析得到相似颜色区域，并将其统一归类为统一类别，从统一类别中提取目标向量，并利用向量距离计算相似颜色区域和目标向量的颜色相似度，根据颜色相似度，对分割颜色区域进行深度分类，得到深度类别，根据深度类别对样本图像进行清洁标记，获得待清洁的饲草种子。本发明可以提高饲草种子的清洗效率。
Description
技术领域
本发明涉及种子识别清选领域，尤其涉及一种基于颜色识别的饲草种子的高效清选方法及系统。
背景技术
饲草种子的清选是提高畜牧业生产效益的重要环节之一，可以去除杂草种子、病虫害种子、落叶、土壤颗粒等杂质，确保种子的纯度；同时，清选还可以去除破损、变形或低发芽率的种子，提高种子的发芽率和出苗率。
目前，常用的饲草种子清选方法主要依赖于人工目视检查或传统的物理筛选方法，人工目视检查需要操作人员具备对种子的识别能力和经验，而物理筛选则需要合适的筛网和筛子，同时需要掌握正确的筛选技巧，并且存在着效率低、误差大和无法适应不同品种种子的缺点，导致饲草种子的清选效率不佳，因此，需要一种基于颜色识别的饲草种子的高效清选方法及系统，以提高饲草种子的清洗效率。
发明内容
本发明提供一种基于颜色识别的饲草种子的高效清选方法及系统，其主要目的在于提高饲草种子的清洗效率。
为实现上述目的，本发明提供的一种基于颜色识别的饲草种子的高效清选方法，包括：
获取待清选饲草种子对应的样本图像，对所述样本图像进行图像预处理，得到预处理图像；
将所述预处理图像进行区域分割，得到所述预处理图像对应的分割颜色区域，提取所述分割颜色区域中的颜色特征，基于所述颜色特征，计算所述分割颜色区域对应的颜色特征向量；
对所述颜色特征向量进行聚类分析，得到所述颜色特征向量对应的相似颜色区域，将所述相似颜色区域进行统一归类，得到所述相似颜色区域对应的统一类别；
提取所述统一类别中对应的目标向量，识别所述目标向量中的向量距离，基于所述向量距离，计算所述相似颜色区域和所述目标向量的颜色相似度；
基于所述颜色相似度，对所述分割颜色区域进行深度分类，得到所述分割颜色区域对应的深度类别，基于所述深度类别，对所述样本图像进行清洁标记，得到所述待清选饲草种子对应的清洁种子。
可选地，所述对所述样本图像进行图像预处理，得到预处理图像，包括：
对所述样本图像进行图像去噪，得到去噪图像；
对所述去噪图像进行图像增强，得到增强图像；
对所述增强图像进行边缘检测，得到图像边缘参数；
基于所述图像边缘参数，对所述平滑图像进行图像分割，得到分割区域图像；
对所述分割区域图像进行尺寸调整，得到调整图像；
对所述调整图像进行标准化处理，得到所述样本图像对应的预处理图像。
可选地，所述将所述预处理图像进行区域分割，得到所述预处理图像对应的分割颜色区域，包括：
将所述预处理图像转换为灰度图像；
对所述灰度图像进行阈值分割，得到二值区域；
对所述二值区域进行轮廓提取，得到轮廓特征；
基于所述轮廓特征，对所述预处理图像进行区域分割，得到分割区域；
对所述分割区域进行颜色标记，得到所述预处理图像对应的分割颜色区域。
可选地，所述基于所述颜色特征，计算所述分割颜色区域对应的颜色特征向量，包括：
利用下述公式计算所述分割颜色区域对应的颜色特征向量：
其中，H表示所述分割颜色区域对应的颜色直方图特征向量，B表示所述颜色直方图对应的颜色箱总数，P表示分割颜色区域中的像素总数，Ii,j表示第i个颜色箱中像素j的数量，M表示所述分割颜色区域对应的主要颜色特征向量，K表示主要颜色数量，nK表示所述分割颜色区域中属于第k个主要颜色的像素数量，D表示所述分割颜色区域对应的颜色特征向量，c表示颜色通道数量，μC表示分割颜色区域中第c个颜色通道的均值向量。
可选地，所述对所述颜色特征向量进行聚类分析，得到所述颜色特征向量对应的相似颜色区域，包括：
识别所述颜色特征向量对应的向量数据集；
对所述向量数据集进行标准化处理，得到标准数据集；
查询所述颜色特征向量对应的颜色需求；
基于所述颜色需求，对所述标准数据集进行聚类分析，得到聚类数据簇；确定所述聚类数据簇对应的相似颜色区域。
可选地，所述将所述相似颜色区域进行统一归类，得到所述相似颜色区域对应的统一类别，包括：
识别所述相似颜色区域对应的颜色簇，提取所述颜色簇中的代表色；
基于所述代表色，对所述相似颜色区域进行标识符标记，得到颜色标识符；
对所述颜色标识符进行统一归类，得到所述相似颜色区域对应的统一类别。
可选地，所述基于所述向量距离，计算所述相似颜色区域和所述目标向量的颜色相似度，包括：
利用下述公式计算所述相似颜色区域和所述目标向量的颜色相似度：
其中，SD表示所述相似颜色区域和所述目标向量的颜色相似度，N表示所述相似颜色区域的数量，j表示所述相似颜色区域中的某个元素的索引，a和b表示所述相似颜色区域和所述目标向量中的元素范围，Syi[j]表示所述相似颜色区域对应第i个颜色区域中第j个元素的值，Bl[j]表示所述目标向量中第j个元素的值，l表示所述相似颜色区域对应的变量指数，Syi[k]表示所述相似颜色区域对应第i个颜色区域中第k个元素的值，k表示所述颜色区域和所述目标向量中元素的索引。
可选地，所述基于所述颜色相似度，对所述分割颜色区域进行深度分类，得到所述分割颜色区域对应的深度类别，包括：
查询所述颜色相似度对应的颜色参数；
基于所述颜色参数，提取所述分割颜色区域中的分割区域特征；
识别所述分割区域特征对应的类别数目；
基于所述类别数目，对所述分割颜色区域进行深度分类，得到得到所述分割颜色区域对应的深度类别。
可选地，所述基于所述深度类别，对所述样本图像进行清洁标记，得到所述待清选饲草种子对应的清洁种子，包括：
基于所述深度类别，对所述样本图像进行目标检测，得到样本目标；
对所述样本目标进行目标分割，得到分离目标；
提取所述分离目标中的目标特征；
基于所述目标特征，生成所述样本图像对应的清洁标签；
基于所述清洁标签，对所述样本图像进行清洁标记，得到所述待清选饲草种子对应的清洁种子。
为了解决上述问题，本发明还提供一种基于颜色识别的饲草种子的高效清选系统，所述系统包括：
预处理模块，用于获取待清选饲草种子对应的样本图像，对所述样本图像进行图像预处理，得到预处理图像；
向量计算模块，用于将所述预处理图像进行区域分割，得到所述预处理图像对应的分割颜色区域，提取所述分割颜色区域中的颜色特征，基于所述颜色特征，计算所述分割颜色区域对应的颜色特征向量；
区域统一模块，用于对所述颜色特征向量进行聚类分析，得到所述颜色特征向量对应的相似颜色区域，将所述相似颜色区域进行统一归类，得到所述相似颜色区域对应的统一类别；
相似度计算模块，用于提取所述统一类别中对应的目标向量，识别所述目标向量中的向量距离，基于所述向量距离，计算所述相似颜色区域和所述目标向量的颜色相似度；
清洁标记模块，用于基于所述颜色相似度，对所述分割颜色区域进行深度分类，得到所述分割颜色区域对应的深度类别，基于所述深度类别，对所述样本图像进行清洁标记，得到所述待清选饲草种子对应的清洁种子。
本发明通过获取待清选饲草种子对应的样本图像，可以提高工作效率、保证数据的准确性和一致性，便于重复运行和数据分析，同时还可以用于效果评估和优化改进，本发明通过将所述预处理图像进行区域分割，得到所述预处理图像对应的分割颜色区域，有助于更好地理解和利用图像数据，并且可以根据具体需求进行定制化开发，提高后续算法的效果和适应性，本发明通过对所述颜色特征向量进行聚类分析，得到所述颜色特征向量对应的相似颜色区域，可以使得相似颜色的区域在可视化上更加紧凑和易于理解，可以使用不同的颜色来表示每个聚类簇，从而更好地展示颜色模式和分布，从而简化后续的数据处理任务，本发明通过提取所述统一类别中对应的目标向量，可以提供更大的灵活性、控制力和适应性，帮助后续根据特定需求和数据特点获得高质量的目标向量，并支持更深入的分析和决策，本发明基于所述深度类别，对所述样本图像进行清洁标记，得到所述待清选饲草种子对应的清洁种子，可以提高饲草种子的质量，减少杂质和病虫害传播，降低种植风险，节约资源，从而提高饲草种子的品质。因此，本发明提出的一种基于颜色识别的饲草种子的高效清选方法及系统，能够提高饲草种子的清洗效率。
附图说明
图1为本发明一实施例提供的一种基于颜色识别的饲草种子的高效清选方法的流程示意图；
图2为本发明一实施例提供的一种基于颜色识别的饲草种子的高效清选系统的模块示意图；
图3为本发明一实施例提供的一种基于颜色识别的饲草种子的高效清选方法的电子设备的内部结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于颜色识别的饲草种子的高效清选方法。所述一种基于颜色识别的饲草种子的高效清选方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述一种基于颜色识别的饲草种子的高效清选方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的一种基于颜色识别的饲草种子的高效清选方法的流程示意图。在本实施例中，所述一种基于颜色识别的饲草种子的高效清选方法包括：
S1、获取待清选饲草种子对应的样本图像，对所述样本图像进行图像预处理，得到预处理图像。
本发明通过获取待清选饲草种子对应的样本图像，可以提高工作效率、保证数据的准确性和一致性，便于重复运行和数据分析，同时还可以用于效果评估和优化改进。
其中，所述待清选饲草种子是指需要进行清理和筛选的用于饲养动物的草种子；所述样本图像是指用于识别、分类或分析待清选饲草种子的图像样本，可选地，所述样本图像可以通过图像处理工具实现获得，如：Adobe Photoshop、GIMP、OpenCV等工具。
本发明通过对所述样本图像进行图像预处理，得到预处理图像，可以提升图像质量、突出特征、减小数据尺寸、去除干扰，并标准化数据，为后续的图像分析、分类、检测等任务提供更好的输入。
其中，所述预处理图像是指经过一系列图像处理操作后得到的新图像。
作为本发明的一个实施例，所述对所述样本图像进行图像预处理，得到预处理图像，包括：对所述样本图像进行图像去噪，得到去噪图像；对所述去噪图像进行图像增强，得到增强图像；对所述增强图像进行边缘检测，得到图像边缘参数；基于所述图像边缘参数，对所述平滑图像进行图像分割，得到分割区域图像；对所述分割区域图像进行尺寸调整，得到调整图像；对所述调整图像进行标准化处理，得到所述样本图像对应的预处理图像。
其中，所述去噪图像是指经过降噪算法处理后得到的图像，其目的是减少或消除图像中的噪声，使图像更加清晰和易于分析；所述增强图像是指对去噪图像进行增强算法处理后得到的图像，其目的是提高图像的视觉质量、清晰度、对比度或其他特定属性，以使图像更适合于人眼感知或计算机分析；所述图像边缘参数是指通过边缘检测算法获取的物体边缘信息，其目的是在识别图像中明显的灰度变化区域，即物体与背景之间的边界或过渡区域；所述分割区域图像是指基于图像边缘参数进行分割后得到的图像，其目的是将图像分割成不同的区域或对象；所述所述调整图像是指对分割区域图像进行尺寸调整后得到的图像，其目的是相对于分割区域图像的尺寸进行调整，从而改变分割区域图像的大小或比例。
详细地，所述图像去噪可以通过图像去噪算法实现获得，如：均值滤波、高斯滤波等去噪算法；所述图像增强可以通过图像增强算法实现获得，如：直方图均衡化、Retinex算法等图像增强算法；所述图像分割可以通过图像分割算法实现获得，如：阈值分割、分水岭算法等图像分割算法；所述尺寸调整可以通过图像缩放算法实现获得，如：双线性插值算法；所述标准化处理可以通过白化处理方法实现获得，如：PCA、ZCA等处理方法。
S2、将所述预处理图像进行区域分割，得到所述预处理图像对应的分割颜色区域，提取所述分割颜色区域中的颜色特征，基于所述颜色特征，计算所述分割颜色区域对应的颜色特征向量。
本发明通过将所述预处理图像进行区域分割，得到所述预处理图像对应的分割颜色区域，有助于更好地理解和利用图像数据，并且可以根据具体需求进行定制化开发，提高后续算法的效果和适应性。
其中，所述分割颜色区域是指预处理图像按照颜色标记后划分为不同的区域或子图像。
作为本发明的一个实施例，所述将所述预处理图像进行区域分割，得到所述预处理图像对应的分割颜色区域，包括：将所述预处理图像转换为灰度图像；对所述灰度图像进行阈值分割，得到二值区域；对所述二值区域进行轮廓提取，得到轮廓特征；基于所述轮廓特征，对所述预处理图像进行区域分割，得到分割区域；对所述分割区域进行颜色标记，得到所述预处理图像对应的分割颜色区域。
其中，所述灰度图像是指将所述预处理图像为只包含灰度值而没有颜色信息的图像；所述二值区域是指通过对所述灰度图像进行阈值分割得到的图像区域；所述轮廓特征是指从所述二值区域提取出的物体或目标的边界信息；所述分割区域是指基于轮廓特征对预处理图像进行区域分割后得到的结果。
进一步地，所述阈值分割可以通过阈值分割方法实现获得，如：大津阈值法、自适应阈值法等方法；所述轮廓提取可以通过轮廓分割算法实现获得，如：分水岭变换、区域生长等算法；所述区域分割可以通过区域分割算法实现获得，如：Felzenszwalb、SLIC等算法；所述颜色标记可以通过inRange()实现获得。
本发明通过提取所述分割颜色区域中的颜色特征，可以将颜色特征与形状分析、纹理分析等结合，实现更全面的图像分析和理解。
其中，所述颜色特征是指从图像或分割颜色区域中提取出来的与颜色相关的信息，可选地，所述颜色特征可以通过特征提取算法实现获得，如：PCA、LDA等算法。
作为本发明的一个实施例，所述基于所述颜色特征，计算所述分割颜色区域对应的颜色特征向量，包括：
利用下述公式计算所述分割颜色区域对应的颜色特征向量：
其中，H表示所述分割颜色区域对应的颜色直方图特征向量，B表示所述颜色直方图对应的颜色箱总数，P表示分割颜色区域中的像素总数，Ii,j表示第i个颜色箱中像素j的数量，M表示所述分割颜色区域对应的主要颜色特征向量，K表示主要颜色数量，nK表示所述分割颜色区域中属于第k个主要颜色的像素数量，D表示所述分割颜色区域对应的颜色特征向量，c表示颜色通道数量，μC表示分割颜色区域中第c个颜色通道的均值向量。
S3、对所述颜色特征向量进行聚类分析，得到所述颜色特征向量对应的相似颜色区域，将所述相似颜色区域进行统一归类，得到所述相似颜色区域对应的统一类别。
本发明通过对所述颜色特征向量进行聚类分析，得到所述颜色特征向量对应的相似颜色区域，可以使得相似颜色的区域在可视化上更加紧凑和易于理解，可以使用不同的颜色来表示每个聚类簇，从而更好地展示颜色模式和分布，从而简化后续的数据处理任务。
其中，所述相似颜色区域是指在聚类分析中，具有相似颜色特征的像素或区域归为同一类别或簇。
作为本发明的一个实施例，所述对所述颜色特征向量进行聚类分析，得到所述颜色特征向量对应的相似颜色区域，包括：识别所述颜色特征向量对应的向量数据集；对所述向量数据集进行标准化处理，得到标准数据集；查询所述颜色特征向量对应的颜色需求；基于所述颜色需求，对所述标准数据集进行聚类分析，得到聚类数据簇；确定所述聚类数据簇对应的相似颜色区域。
其中，所述向量数据集是指包含颜色特征向量的数据集；所述标准数据集是指经过标准化处理后的颜色特征向量数据集；所述颜色需求是指根据具体需求或目标所查询的关于颜色特征向量的要求；所述聚类数据簇是指通过聚类分析得到的颜色特征向量的聚类簇。
进一步地，所述向量数据集可以通过编程语言实现获得，如：Python、Java等语言；所述标准化处理可以通过数据处理库实现获得，如：Scikit-learn、TensorFlow等处理库；所述颜色需求可以通过可视化工具实现获得，如：调色生成器、颜色选择器等工具；所述聚类分析可以通过聚类算法实现获得，如：K-means、DBSCAN等算法。
本发明通过将所述相似颜色区域进行统一归类，得到所述相似颜色区域对应的统一类别，可以简化数据集、提取特征、压缩数据、支持数据分析和挖掘，并提高信息检索和检测的效果。
其中，所述统一类别是指将相似颜色区域归为同一类别或标签。
作为本发明的一个实施例，所述将所述相似颜色区域进行统一归类，得到所述相似颜色区域对应的统一类别，包括：识别所述相似颜色区域对应的颜色簇；提取所述颜色簇中的代表色；基于所述代表色，对所述相似颜色区域进行标识符标记，得到颜色标识符；对所述颜色标识符进行统一归类，得到所述相似颜色区域对应的统一类别。
其中，所述颜色簇是指具有相似颜色特征的区域集合；所述代表色是指从颜色簇中提取出的代表性颜色；所述颜色标识符是指对相似颜色区域进行标记，用于表示它们所属的颜色类别。
进一步地，所述颜色簇可以通过JavaScript库中的Color Thief实现获得；所述代表色可以通过颜色提取算法实现获得，如：PCA、DCE等算法；所述颜色标识符可以通过标注工具实现获得，如：LabelImg、RectLabel、VGG等工具。
S4、提取所述统一类别中对应的目标向量，识别所述目标向量中的向量距离，基于所述向量距离，计算所述相似颜色区域和所述目标向量的颜色相似度。
本发明通过提取所述统一类别中对应的目标向量，可以提供更大的灵活性、控制力和适应性，帮助后续根据特定需求和数据特点获得高质量的目标向量，并支持更深入的分析和决策。
其中，所述目标向量是指用于表示所述统一类别对应特征信息的数值向量，可选地，所述目标向量可以通过深度学习模型实现获得，如：CNN、RNN等模型。
本发明通过识别所述目标向量中的向量距离，能够提供后续更大的灵活性、可定制性和解释性，能够满足特定任务需求，并有助于改善模型的性能和结果质量。
其中，所述向量距离是指衡量两个向量之间的相似性或差异性的度量标准，可选地，所述向量距离可以通过向量距离算法实现获得，如：欧式距离、曼哈顿距离等算法。
作为本发明的一个实施例，所述基于所述向量距离，计算所述相似颜色区域和所述目标向量的颜色相似度，包括：
利用下述公式计算所述相似颜色区域和所述目标向量的颜色相似度：
其中，SD表示所述相似颜色区域和所述目标向量的颜色相似度，N表示所述相似颜色区域的数量，j表示所述相似颜色区域中的某个元素的索引，a和b表示所述相似颜色区域和所述目标向量中的元素范围，Syi[j]表示所述相似颜色区域对应第i个颜色区域中第j个元素的值，Bl[j]表示所述目标向量中第j个元素的值，l表示所述相似颜色区域对应的变量指数，Syi[k]表示所述相似颜色区域对应第i个颜色区域中第k个元素的值，k表示所述颜色区域和所述目标向量中元素的索引。
S5、基于所述颜色相似度，对所述分割颜色区域进行深度分类，得到所述分割颜色区域对应的深度类别，基于所述深度类别，对所述样本图像进行清洁标记，得到所述待清选饲草种子对应的清洁种子。
本发明基于所述颜色相似度，对所述分割颜色区域进行深度分类，得到所述分割颜色区域对应的深度类别，可以提供更加细粒度的图像理解和处理能力，从而提高后续分类的准确性以及相关任务的效率和结果质量。
其中，所述深度类别是指将分割颜色区域根据相似度划分为不同的类别，每个类别都有一个标识或数字表示。
作为本发明的一个实施例，所述基于所述颜色相似度，对所述分割颜色区域进行深度分类，得到所述分割颜色区域对应的深度类别，包括：查询所述颜色相似度对应的颜色参数；基于所述颜色参数，提取所述分割颜色区域中的分割区域特征；识别所述分割区域特征对应的类别数目；基于所述类别数目，对所述分割颜色区域进行深度分类，得到得到所述分割颜色区域对应的深度类别。
其中，所述颜色参数是指用于描述颜色的数值或特征，例如RGB值、HSV值、色度直方图等；所述分割区域特征是指用于描述分割区域的特征，可以包括形状特征、纹理特征以及其他可提取的特征；所述类别数目是指根据实际需求确定的深度类别的数量。
进一步地，所述颜色参数可以通过颜色参数提取工具实现获得，如：OpenCV、MATLAB等工具；所述分割区域特征可以通过Mask R-CNN算法实现获得；所述深度分类可以通过集成学习算法实现获得，如：随机森林、梯度提升树等集成学习算法。
本发明基于所述深度类别，对所述样本图像进行清洁标记，得到所述待清选饲草种子对应的清洁种子，可以提高饲草种子的质量，减少杂质和病虫害传播，降低种植风险，节约资源，从而提高饲草种子的品质。
其中，所述清洁种子是指经过清洁标记后，被判定为待清选饲草种子的种子。
作为本发明的一个实施例，所述基于所述深度类别，对所述样本图像进行清洁标记，得到所述待清选饲草种子对应的清洁种子，包括：基于所述深度类别，对所述样本图像进行目标检测，得到样本目标；对所述样本目标进行目标分割，得到分离目标；提取所述分离目标中的目标特征；基于所述目标特征，生成所述样本图像对应的清洁标签；基于所述清洁标签，对所述样本图像进行清洁标记，得到所述待清选饲草种子对应的清洁种子。
其中，所述样本目标是指在图像中所要检测的特定物体或目标；所述分离目标是指将样本目标从背景中分离出来，得到单独的目标区域；所述目标特征是指从分离目标中提取出的用于描述目标特点的特征向量或特征集合；所述清洁标签是指使用目标特征生成的对样本图像进行分类的标签。
进一步地，所述目标检测可以通过目标检测算法实现获得，如：Haar特征级联、HOG特征+SVM分类器、Cascade-RCNN等算法；所述目标分割可以通过分割算法实现获得，如：Otsu、GrabCut、FCN等算法；所述目标特征可以通过脚本编程语言实现获得，如：NumPy、Pandas、Scikit-learn等语言；所述清洁标签可以通过数据标注工具实现获得，如：Labelbox、RectLabel等工具；所述清洁标记可以通过标记工具实现获得，如：Snorkel、LightTag等工具。
本发明通过获取待清选饲草种子对应的样本图像，可以提高工作效率、保证数据的准确性和一致性，便于重复运行和数据分析，同时还可以用于效果评估和优化改进，本发明通过将所述预处理图像进行区域分割，得到所述预处理图像对应的分割颜色区域，有助于更好地理解和利用图像数据，并且可以根据具体需求进行定制化开发，提高后续算法的效果和适应性，本发明通过对所述颜色特征向量进行聚类分析，得到所述颜色特征向量对应的相似颜色区域，可以使得相似颜色的区域在可视化上更加紧凑和易于理解，可以使用不同的颜色来表示每个聚类簇，从而更好地展示颜色模式和分布，从而简化后续的数据处理任务，本发明通过提取所述统一类别中对应的目标向量，可以提供更大的灵活性、控制力和适应性，帮助后续根据特定需求和数据特点获得高质量的目标向量，并支持更深入的分析和决策，本发明基于所述深度类别，对所述样本图像进行清洁标记，得到所述待清选饲草种子对应的清洁种子，可以提高饲草种子的质量，减少杂质和病虫害传播，降低种植风险，节约资源，从而提高饲草种子的品质。因此，本发明提出的一种基于颜色识别的饲草种子的高效清选方法及系统，能够提高饲草种子的清洗效率。
如图2所示，是本发明一实施例提供的一种基于颜色识别的饲草种子的高效清选系统的功能模块图。
本发明所述一种基于颜色识别的饲草种子的高效清选系统200可以安装于电子设备中。根据实现的功能，所述一种基于颜色识别的饲草种子的高效清选系统200可以包括预处理模块201、向量计算模块202、区域统一模块203、相似度计算模块204以及清洁标记模块205。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述预处理模块201，用于获取待清选饲草种子对应的样本图像，对所述样本图像进行图像预处理，得到预处理图像；
所述向量计算模块202，用于将所述预处理图像进行区域分割，得到所述预处理图像对应的分割颜色区域，提取所述分割颜色区域中的颜色特征，基于所述颜色特征，计算所述分割颜色区域对应的颜色特征向量；
所述区域统一模块203，用于对所述颜色特征向量进行聚类分析，得到所述颜色特征向量对应的相似颜色区域，将所述相似颜色区域进行统一归类，得到所述相似颜色区域对应的统一类别；
所述相似度计算模块204，用于提取所述统一类别中对应的目标向量，识别所述目标向量中的向量距离，基于所述向量距离，计算所述相似颜色区域和所述目标向量的颜色相似度；
所述清洁标记模块205，用于基于所述颜色相似度，对所述分割颜色区域进行深度分类，得到所述分割颜色区域对应的深度类别，基于所述深度类别，对所述样本图像进行清洁标记，得到所述待清选饲草种子对应的清洁种子。
详细地，本发明实施例中所述一种基于颜色识别的饲草种子的高效清选系统200中所述的各模块在使用时采用与附图中所述的一种基于颜色识别的饲草种子的高效清选方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图3所示，是本发明实现一种基于颜色识别的饲草种子的高效清选方法的电子设备的结构示意图。
所述电子设备可以包括处理器30、存储器31、通信总线32以及通信接口33，还可以包括存储在所述存储器31中并可在所述处理器30上运行的计算机程序，如基于人工智能的工程安全监管程序。
其中，所述处理器30在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器30是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块(例如执行基于人工智能的工程安全监管程序等)，以及调用存储在所述存储器31内的数据，以执行电子设备的各种功能和处理数据。
所述存储器31至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器31在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器31在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器31还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器31不仅可以用于存储安装于电子设备的应用软件及各类数据，例如数据库配置化连接程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线32可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器31以及至少一个处理器30等之间的连接通信。
所述通信接口33用于上述电子设备3与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，所述用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器30逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利发明范围上并不受此结构的限制。
所述电子设备中的所述存储器31存储的数据库配置化连接程序是多个计算机程序的组合，在所述处理器30中运行时，可以实现：
获取待清选饲草种子对应的样本图像，对所述样本图像进行图像预处理，得到预处理图像；
将所述预处理图像进行区域分割，得到所述预处理图像对应的分割颜色区域，提取所述分割颜色区域中的颜色特征，基于所述颜色特征，计算所述分割颜色区域对应的颜色特征向量；
对所述颜色特征向量进行聚类分析，得到所述颜色特征向量对应的相似颜色区域，将所述相似颜色区域进行统一归类，得到所述相似颜色区域对应的统一类别；
提取所述统一类别中对应的目标向量，识别所述目标向量中的向量距离，基于所述向量距离，计算所述相似颜色区域和所述目标向量的颜色相似度；
基于所述颜色相似度，对所述分割颜色区域进行深度分类，得到所述分割颜色区域对应的深度类别，基于所述深度类别，对所述样本图像进行清洁标记，得到所述待清选饲草种子对应的清洁种子。
具体地，所述处理器30对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取待清选饲草种子对应的样本图像，对所述样本图像进行图像预处理，得到预处理图像；
将所述预处理图像进行区域分割，得到所述预处理图像对应的分割颜色区域，提取所述分割颜色区域中的颜色特征，基于所述颜色特征，计算所述分割颜色区域对应的颜色特征向量；
对所述颜色特征向量进行聚类分析，得到所述颜色特征向量对应的相似颜色区域，将所述相似颜色区域进行统一归类，得到所述相似颜色区域对应的统一类别；
提取所述统一类别中对应的目标向量，识别所述目标向量中的向量距离，基于所述向量距离，计算所述相似颜色区域和所述目标向量的颜色相似度；
基于所述颜色相似度，对所述分割颜色区域进行深度分类，得到所述分割颜色区域对应的深度类别，基于所述深度类别，对所述样本图像进行清洁标记，得到所述待清选饲草种子对应的清洁种子。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于颜色识别的饲草种子的高效清选方法，其特征在于，所述方法包括：
获取待清选饲草种子对应的样本图像，对所述样本图像进行图像预处理，得到预处理图像；
将所述预处理图像进行区域分割，得到所述预处理图像对应的分割颜色区域，提取所述分割颜色区域中的颜色特征，基于所述颜色特征，计算所述分割颜色区域对应的颜色特征向量；
对所述颜色特征向量进行聚类分析，得到所述颜色特征向量对应的相似颜色区域，将所述相似颜色区域进行统一归类，得到所述相似颜色区域对应的统一类别；
提取所述统一类别中对应的目标向量，识别所述目标向量中的向量距离，基于所述向量距离，计算所述相似颜色区域和所述目标向量的颜色相似度；
基于所述颜色相似度，对所述分割颜色区域进行深度分类，得到所述分割颜色区域对应的深度类别，基于所述深度类别，对所述样本图像进行清洁标记，得到所述待清选饲草种子对应的清洁种子。
2.如权利要求1所述的一种基于颜色识别的饲草种子的高效清选方法，其特征在于，所述对所述样本图像进行图像预处理，得到预处理图像，包括：
对所述样本图像进行图像去噪，得到去噪图像；
对所述去噪图像进行图像增强，得到增强图像；
对所述增强图像进行边缘检测，得到图像边缘参数；
基于所述图像边缘参数，对所述平滑图像进行图像分割，得到分割区域图像；
对所述分割区域图像进行尺寸调整，得到调整图像；
对所述调整图像进行标准化处理，得到所述样本图像对应的预处理图像。
3.如权利要求1所述的一种基于颜色识别的饲草种子的高效清选方法，其特征在于，所述将所述预处理图像进行区域分割，得到所述预处理图像对应的分割颜色区域，包括：
将所述预处理图像转换为灰度图像；
对所述灰度图像进行阈值分割，得到二值区域；
对所述二值区域进行轮廓提取，得到轮廓特征；
基于所述轮廓特征，对所述预处理图像进行区域分割，得到分割区域；
对所述分割区域进行颜色标记，得到所述预处理图像对应的分割颜色区域。
4.如权利要求1所述的一种基于颜色识别的饲草种子的高效清选方法，其特征在于，所述基于所述颜色特征，计算所述分割颜色区域对应的颜色特征向量，包括：
利用下述公式计算所述分割颜色区域对应的颜色特征向量：
其中，H表示所述分割颜色区域对应的颜色直方图特征向量，B表示所述颜色直方图对应的颜色箱总数，P表示分割颜色区域中的像素总数，Ii,j表示第i个颜色箱中像素j的数量，M表示所述分割颜色区域对应的主要颜色特征向量，K表示主要颜色数量，nk表示所述分割颜色区域中属于第k个主要颜色的像素数量，D表示所述分割颜色区域对应的颜色特征向量，c表示颜色通道数量，μc表示分割颜色区域中第c个颜色通道的均值向量。
5.如权利要求1所述的一种基于颜色识别的饲草种子的高效清选方法，其特征在于，所述对所述颜色特征向量进行聚类分析，得到所述颜色特征向量对应的相似颜色区域，包括：
识别所述颜色特征向量对应的向量数据集；
对所述向量数据集进行标准化处理，得到标准数据集；
查询所述颜色特征向量对应的颜色需求；
基于所述颜色需求，对所述标准数据集进行聚类分析，得到聚类数据簇；确定所述聚类数据簇对应的相似颜色区域。
6.如权利要求1所述的一种基于颜色识别的饲草种子的高效清选方法，其特征在于，所述将所述相似颜色区域进行统一归类，得到所述相似颜色区域对应的统一类别，包括：
识别所述相似颜色区域对应的颜色簇，提取所述颜色簇中的代表色；
基于所述代表色，对所述相似颜色区域进行标识符标记，得到颜色标识符；
对所述颜色标识符进行统一归类，得到所述相似颜色区域对应的统一类别。
7.如权利要求1所述的一种基于颜色识别的饲草种子的高效清选方法，其特征在于，所述基于所述向量距离，计算所述相似颜色区域和所述目标向量的颜色相似度，包括：
利用下述公式计算所述相似颜色区域和所述目标向量的颜色相似度：
其中，SD表示所述相似颜色区域和所述目标向量的颜色相似度，N表示所述相似颜色区域的数量，j表示所述相似颜色区域中的某个元素的索引，a和b表示所述相似颜色区域和所述目标向量中的元素范围，Syi[j]表示所述相似颜色区域对应第i个颜色区域中第j个元素的值，Bl[j]表示所述目标向量中第j个元素的值，l表示所述相似颜色区域对应的变量指数，Syi[k]表示所述相似颜色区域对应第i个颜色区域中第k个元素的值，k表示所述颜色区域和所述目标向量中元素的索引。
8.如权利要求1所述的一种基于颜色识别的饲草种子的高效清选方法，其特征在于，所述基于所述颜色相似度，对所述分割颜色区域进行深度分类，得到所述分割颜色区域对应的深度类别，包括：
查询所述颜色相似度对应的颜色参数；
基于所述颜色参数，提取所述分割颜色区域中的分割区域特征；
识别所述分割区域特征对应的类别数目；
基于所述类别数目，对所述分割颜色区域进行深度分类，得到得到所述分割颜色区域对应的深度类别。
9.如权利要求1所述的一种基于颜色识别的饲草种子的高效清选方法，其特征在于，所述基于所述深度类别，对所述样本图像进行清洁标记，得到所述待清选饲草种子对应的清洁种子，包括：
基于所述深度类别，对所述样本图像进行目标检测，得到样本目标；
对所述样本目标进行目标分割，得到分离目标；
提取所述分离目标中的目标特征；
基于所述目标特征，生成所述样本图像对应的清洁标签；
基于所述清洁标签，对所述样本图像进行清洁标记，得到所述待清选饲草种子对应的清洁种子。
10.一种基于颜色识别的饲草种子的高效清选系统，其特征在于，用于执行如权利要求1-9中任意一项所述的一种基于颜色识别的饲草种子的高效清选方法，所述系统包括：
预处理模块，用于获取待清选饲草种子对应的样本图像，对所述样本图像进行图像预处理，得到预处理图像；
向量计算模块，用于将所述预处理图像进行区域分割，得到所述预处理图像对应的分割颜色区域，提取所述分割颜色区域中的颜色特征，基于所述颜色特征，计算所述分割颜色区域对应的颜色特征向量；
区域统一模块，用于对所述颜色特征向量进行聚类分析，得到所述颜色特征向量对应的相似颜色区域，将所述相似颜色区域进行统一归类，得到所述相似颜色区域对应的统一类别；
相似度计算模块，用于提取所述统一类别中对应的目标向量，识别所述目标向量中的向量距离，基于所述向量距离，计算所述相似颜色区域和所述目标向量的颜色相似度；
清洁标记模块，用于基于所述颜色相似度，对所述分割颜色区域进行深度分类，得到所述分割颜色区域对应的深度类别，基于所述深度类别，对所述样本图像进行清洁标记，得到所述待清选饲草种子对应的清洁种子。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410273296.8A CN118072175A (zh) | 2024-04-07 | 2024-04-07 | 一种基于颜色识别的饲草种子的高效清选方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410273296.8A CN118072175A (zh) | 2024-04-07 | 2024-04-07 | 一种基于颜色识别的饲草种子的高效清选方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118072175A true CN118072175A (zh) | 2024-05-24 |
Family
ID=91098817
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410273296.8A Pending CN118072175A (zh) | 2024-04-07 | 2024-04-07 | 一种基于颜色识别的饲草种子的高效清选方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118072175A (zh) |
-
2024
- 2024-04-07 CN CN202410273296.8A patent/CN118072175A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3455782B1 (en) | System and method for detecting plant diseases | |
| CN105930815B (zh) | 一种水下生物检测方法和系统 | |
| Sadeghi-Tehran et al. | Multi-feature machine learning model for automatic segmentation of green fractional vegetation cover for high-throughput field phenotyping | |
| Pérez et al. | Image classification for detection of winter grapevine buds in natural conditions using scale-invariant features transform, bag of features and support vector machines | |
| Lauguico et al. | A comparative analysis of machine learning algorithms modeled from machine vision-based lettuce growth stage classification in smart aquaponics | |
| CN109145964B (zh) | 一种实现图像颜色聚类的方法和系统 | |
| Lu et al. | Robust plant segmentation of color images based on image contrast optimization | |
| US11880981B2 (en) | Method and system for leaf age estimation based on morphological features extracted from segmented leaves | |
| Costa et al. | A computer vision system for oocyte counting using images captured by smartphone | |
| Srunitha et al. | Mango leaf unhealthy region detection and classification | |
| Sabri et al. | Palm oil fresh fruit bunch ripeness grading identification using color features | |
| Trivedi et al. | Hue based plant leaves disease detection and classification using machine learning approach | |
| CN116416523A (zh) | 一种基于机器学习的水稻生长阶段的识别系统和方法 | |
| Bandara et al. | Detection and classification of rice plant diseases using image processing techniques | |
| CN118072175A (zh) | 一种基于颜色识别的饲草种子的高效清选方法及系统 | |
| CN113255722A (zh) | 图像标注方法及装置 | |
| Na et al. | Extraction of salient objects based on image clustering and saliency | |
| Dhanyaa et al. | A review of plant disease detection techniques using artificial intelligence | |
| Godse et al. | Detecting jute plant disease using image processing and machine learning | |
| CN116956097B (zh) | 基于K-means的专家画像分析方法及系统 | |
| Xu et al. | Study on classification of maize disease image based on fast k-nearest neighbor support | |
| Khan et al. | An intelligent and fast system for detection of grape diseases in RGB, grayscale, YCbCr, HSV and L* a* b* color spaces | |
| JP7328915B2 (ja) | 画像分類装置及び方法 | |
| CN110689960B (zh) | 一种乳腺癌的智能判别方法、装置、设备及存储介质 | |
| Kanagaraju et al. | Disease Detection and Analysis in Fruits Using Image Processing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |