CN103632157B - 单株小麦穗部籽粒数计数方法 - Google Patents
单株小麦穗部籽粒数计数方法 Download PDFInfo
- Publication number
- CN103632157B CN103632157B CN201210304177.1A CN201210304177A CN103632157B CN 103632157 B CN103632157 B CN 103632157B CN 201210304177 A CN201210304177 A CN 201210304177A CN 103632157 B CN103632157 B CN 103632157B
- Authority
- CN
- China
- Prior art keywords
- wheat
- fringe portion
- kernal number
- area
- 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.)
- Active
Links
Landscapes
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种小麦穗部籽粒数计数方法,该方法包括步骤:S1.利用CCD摄像头采集小麦穗部的正视图,并对采集到的正视图进行预处理;S2.数学形态学分析:采用数学形态学处理中开运算合理地去除结构元素小的部分;对每个空洞进行填充操作,利用面积法将小于面积P的对象全部去杂;S3.小麦穗部特征参数提取:为建立小麦穗部相关特征参数与籽粒数间的相关关系,提取小麦穗部的面积特征和穗轴长度特征;S4.建立数学模型:利用最小二乘法建立小麦穗部面积和穗轴长度特征参数与其籽粒数间数学模型;S5.数学模型检验:对小麦穗部面积特征和长轴特征与其籽粒数之间的相关关系进行验证,确保了这两种模型的实用性。本发明的方法能够通过提取小麦穗部图像面积特征和长轴长度特征,建立穗部图像面积特征和长轴长度特征与其籽粒数之间数学模型,从而能够比较准确迅速客观地计数出小麦穗部籽粒数,与人工比较大大提高穗部籽粒计数的效率。
Description
技术领域
本发明涉及到一种利用数字图像处理技术计数出单株小麦穗部籽粒数的方法。
背景技术
小麦穗部籽粒数就是小麦成熟时穗部所有饱满籽粒的数量。
小麦生产过程中的最终产量始终是农业生产者最关注的事情,实际上为便于小麦的产后加工管理,尽早准确获知小麦产量进行估产始终是生产者和农业管理部门的迫切需要。因此小麦田间产量估测需要准确知道小麦籽粒成熟时在麦穗上具体的籽粒数目。农学育种和栽培专家进行实验室考种时,也希望快速获知小麦穗部籽粒数量,加速小麦育种工作。在通过计数麦穗上的籽粒数基础上,根据此品种的千粒重和其他相关参数,从而可较快和准确地推测大田小麦产量。
现阶段农业测产方法如下:样点面积及调查内容。理论测产时,每点取1平方米,调查亩穗数;在每个样点中随机取20穗,调查穗粒数;千粒重按该品种常年千粒重计算。
理论产量根据以下公式计算:亩产量(公斤/亩)=亩穗数×穗粒数×千粒重×0.85。
由此可知,对小麦穗部籽粒数是理论产量测量重要基本步骤之一,现阶段小麦穗部籽粒数都是通过人工计数方法获得,从而得到小麦的产量,这种方法计数费时,费力,在计数过程中同样存在一定的误差,不同的测产技术人员可能获得不同的结果,主观性影响较大,准确性差等缺点。
因此研制一种快速准确的机器计数小麦穗部籽粒数具有现实意义,而要达到机器计数小麦穗部籽粒数,首先需要确定小麦穗部籽粒数进行自动计数的方法,在准确获得小麦穗部籽粒数的基础上,根据小麦籽粒的千粒重和亩穗数获得小麦的亩产量。小麦穗部籽粒数与麦穗性状特征穗轴长度和穗部面积等特征参数有关,因此本发明通过数字图象处理计数获得小麦穗部籽粒数具有理论依据。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是:提供一种利用数字图像处理技术计数出小麦穗部籽粒数的方法,通过数字图像处理的方法计算出麦穗籽粒所在区域的面积和穗轴长度,建立穗部籽粒区域面积和穗轴长度与其穗部籽粒数目之间的相关关系。
(二)技术方案
为实现上述目的,本发明提供了一种小麦穗部籽粒数的计数方法,该方法包括步骤:
S1.利用CCD摄像头采集小麦穗部的正视图,并对采集到的正视图进行预处理;
S1的具体步骤包括:图像获取,灰度化处理,二值化处理,其中预处理包括灰度化处理和二值化处理两个步骤。
S1.1图像获取主要是利用CCD摄像头采集小麦穗部的正视图,采集小麦穗部图像的装置有,CCD摄像头,载物台,计算机等,光照条件为自然光照。其中载物台台面为白色底板,CCD摄像头通过机架悬挂在载物台上方,从而机架把载物台和CCD摄像头连接成一体。在自然光照下,把单株小麦穗按照正面放置在载物台上,载物台台面为颜色均匀的白色底版,取同一角度CCD摄像头从上部拍照,采集图像时取同一光强、同一角度(垂直)、同一焦距、同一高度。
S1.2灰度化处理:对彩色图像进行灰度化处理,获得麦穗的灰度图像,由灰度图像得到图像的直方图。
S1.3二值化处理:通过直方图确定出背景区域和麦穗区域灰度分布的阈值,采用Otsu方法选择最大化类间方差的阈值,从而把麦穗区域与背景区域分开,获得把麦穗与背景区域完全分开的图像。
S2.数学形态学分析:对预处理后的正视图图像进行数学形态学处理,采用数学形态学分析中开运算处理合理地去除结构元素小的部分;对每个空洞进行填充操作,利用面积法将小于面积P的对象全部去杂;
S2的具体步骤包括:膨胀和腐蚀的组合运算,图像填充和去杂处理
S2.1膨胀和腐蚀的组合运算:图像处理过程中采用了开运算(该运算首先对图像进行腐蚀,然后在对腐蚀后的图像进行膨胀,两次操作使用同样的结构元素)来处理图像。
数学形态学处理后(开运算)的图像中的麦芒或杂点有明显的减少,比结构元素小的部分已合理地去除。
S2.2图像填充和去杂处理:对二值图像进行填充操作。对于二值图像而言,将连接的背景像素0值改为前景像素1值,直到达到对象的边界。填充操作的一个重要的应用是对图像进行填洞操作,对每个洞进行填充操作。同时利用面积法去除多余的对象,将小于面积P的对象全部去杂。此次图像处理过程中是对开运算后的二值图像进行填充、去杂操作。
处理后的图像中清晰、明了。只剩下麦穗部分,即麦芒、杂点等已合理去除,为后续特征参数的提取提供了有利条件。
S3.小麦穗部特征参数提取:小麦穗部图像特征参数是小麦穗部图像基本特性的基础性描述,是建立小麦穗部相关特征参数与籽粒数间的数学模型的理论基础,本发明仅仅对小麦穗部的面积特征和穗轴长度特征进行提取。
S3小麦穗部特征参数提取具体的步骤包括:小麦穗部面积特征参数提取和小麦穗部穗轴长度特征提取
S3.1面积特征参数提取:经填充和去杂的二值图像为仅剩麦穗部分为像素值1的区域,利用图像处理技术计算像素值为1部分的像素数目即为麦穗部分的面积。
S3.2穗轴长度特征提取:麦穗图像穗轴长度是通过连接椭圆上的两个点所能获得的最长线段。
S4.建立数学模型:利用最小二乘法建立小麦穗部特征参数与其籽粒数间数学模型。
S4建立小麦穗部特征参数与其籽粒数间数学模型包括步骤:小麦穗部面积特征参数与实际麦穗上籽粒数之间的数学模型,小麦穗部穗轴长度特征参数与实际麦穗上籽粒数之间的数学模型。
S4.1建立面积特征参数与其籽粒数之间的相关关系:通过最小二乘法建立图像处理计算所获得的面积特征参数与实际麦穗上籽粒数之间的数学模型。
S4.2建立穗轴长度参数与其籽粒数之间的相关关系:通过最小二乘法建立图像处理计算所获得的穗轴长度特征参数与实际麦穗上籽粒数之间的数学模型。
S5.数学模型检验:对小麦穗部面积特征和穗轴长度特征与其籽粒数之间的数学模型进行验证,确保了这两种模型的实用性。
S5小麦穗部籽粒数与其特征之间的相关数学模型验证步骤包括:小麦穗部面积特征与其籽粒数之间的数学模型验证,小麦穗部穗轴长度特征与其籽粒数之间的数学模型验证。
S5.1小麦穗部面积特征参数与籽粒数之间的模型进行检验:以检验样品的籽粒数量作为标准来衡量通过数学模型获得的小麦穗的籽粒数量。以实际获取的验证小麦样品集的籽粒数量作为实际值与通过数学模型获得的小麦穗部籽粒数量预测值之间建立相关关系曲线,并且比较两者差异程度。
S5.2小麦穗穗轴长度特征参数与籽粒数之间的模型进行检验:采用与S5.1中相同的方法对小麦穗穗轴长度与籽粒数之间的模型进行检验。
(三)有益效果
本发明通过对小麦穗部正视图图像灰度化和二值化处理,运用数学形态学方法把麦芒与麦穗分割,从而获得仅有小麦穗部主部图像,从而可以继续利用图像处理方法提取穗部面积特征和穗轴长度特征。通过已提取的小麦穗部面积特征和穗轴长度特征参数建立其与人工计数得到的籽粒数之间的相关数学模型,进一步通过模型验证方法证明所得数学模型精度较高,能够有效地取代人工计数。
附图说明
图1小麦穗籽粒数计数***工作过程
图2采集的小麦穗部正视图图像
图3彩色图像的灰度化处理
图4灰度直方图
图5灰度图向二值化图
图6膨胀和腐蚀的组合运算后的二值图
图7填充和去杂后的图像
具体实施方式
本发明提出的小麦穗部籽粒计数方法,结合附图和实施例详细说明如下。
为快速获取小麦穗部面积特征参数和穗轴长度特征参数,建立面积特征参数和穗轴长度特征参数与其籽粒数之间的相关关系,因此关键点有两个,一个是快速获取小麦穗部面积特征和穗轴长度特征参数,另一个是把这两个特征参数与其穗部籽粒数建立数学模型,从而为快速获取小麦穗部籽粒数建立了基础。
根据图1所示,依照本发明一种快速获取小麦穗部籽粒数计数的方法包括步骤:
S1.利用CCD摄像头采集小麦穗部的正视图,并对采集到的正视图进行预处理;
S1的具体步骤包括:图像获取,灰度化处理,二值化处理
S1.1图像获取:图像获取主要是利用CCD摄像头采集小麦穗部的正视图,采集小麦穗部图像的装置有,CCD摄像头,载物台,计算机等,光照条件为自然光照。其中载物台台面为白色底板,CCD摄像头通过机架悬挂在载物台上方,从而机架把载物台和CCD摄像头连接成一体。在自然光照下,把单株小麦穗按照正面放置在载物台上,载物台台面为颜色均匀的白色底版,取同一角度CCD摄像头从上部拍照,采集图像时取同一光强、同一角度(垂直)、同一焦距、同一高度。根据上述方法获得如图2所示为小麦穗部正视图图像。
小麦穗部正视图像的预处理包括灰度化处理和二值化处理两个步骤。
S1.2灰度化处理:对彩色图像进行灰度化处理,获得麦穗的灰度图像,小麦穗部正视图图像经灰度化处理得到如图3所示图像,从图中可以看出灰度图像有效地保存了麦穗区域的细节,边缘清晰。由灰度图像得到灰度图像的直方图。灰度化图像3的直方图如图4所示。直方图中麦穗区域与背景区域的灰度分布特征区分明显,易于分开。
S1.3二值化处理:通过直方图确定出背景区域和麦穗区域灰度分布的阈值,采用Otsu方法选择最大化类间方差的阈值,从而把麦穗区域与背景区域分开,获得把麦穗与背景区域完全分开的图像。经二值化处理所得二值化图像如图5所示。
S2.数学形态学分析:对预处理后的正视图图像进行数学形态学处理,采用数学形态学分析中开运算处理合理地去除结构元素小的部分;对每个空洞进行填充操作,利用面积法将小于面积P的对象全部去杂;基于数学形态学的边缘信息提取处理优于基于微分运算的边缘提取算法,对噪声敏感性低,同时提取的边缘比较光滑。基于数学形态学的形态滤波器可借助于先验的几何特征信息利用形态学算子有效地滤除噪声,又可以保留图像中的原有信息。
S2的具体步骤包括:膨胀和腐蚀的组合运算,图像填充和去杂
S2.1膨胀和腐蚀的组合运算
图像处理过程中采用了开运算(该运算首先对图像进行腐蚀,然后在对腐蚀后的图像进行膨胀,两次操作使用同样的结构元素)来处理图像。此次处理过程中采用的是圆形结构元素(disk),半径R取7,处理结果如图6所示。
数学形态学处理后(开运算)的图像中的麦芒或杂点有明显的减少,比结构元素小的部分已合理地去除,同时小麦穗部穗梗经过此运算亦去除。
S2.2图像填充和去杂
对二值图像进行填充操作。对于二值图像而言,将连接的背景像素0值改为前景像素1值,直到达到对象的边界。填充操作的一个重要的应用是对图像进行填洞操作,对每个洞进行填充操作。同时利用面积法去除多余的对象,将小于面积P的对象全部去杂。此次图像处理过程中是对开运算后的二值图像进行填充、去杂操作,处理结果如图7所示.
处理后的图像中清晰、明了。只剩下麦穗部分,即麦芒、杂点等已合理去除,为后续特征参数的提取提供了有利条件。
S3.小麦穗部特征参数提取:小麦穗部图像特征参数是小麦穗部图像基本特性的基础性描述,是建立小麦穗部相关特征参数与籽粒数间的数学模型的理论基础,本发明仅仅对小麦穗部的面积特征和穗轴长度特征进行提取。
S3小麦穗部特征参数提取具体的步骤包括:小麦穗部面积特征量计算和小麦穗部穗轴长度特征提取
S3.1面积特征参数提取:经填充和去杂的二值图像为仅剩麦穗部分为像素值1的区域,利用图像处理技术计算像素值为1部分的像素数目即为麦穗部分的面积。计算边界内部像素数作为其图像籽粒部位的面积。
S3.2穗轴长度特征参数提取:麦穗图像穗轴长度是通过连接椭圆上的两个点所能获得的最长线段。
S4.建立数学模型:建立数学模型把小麦穗部图像特性参数与其时间籽粒数之间的相关关系,利用最小二乘法建立小麦穗部特征参数与其籽粒数间数学模型。
S4.1建立面积特征参数与其籽粒数之间的相关关系:通过最小二乘法建立图像处理计算获得的面积特征参数与实际麦穗上籽粒数之间的数学模型。
为了计数麦穗上的籽粒数目,本方法采用识别同一品种麦穗图像的面积大小,建立麦穗籽粒数目与其图像面积之间的关系,采用100株小麦穗头作为建立数学模型的样本。通过此方法建立麦穗图像面积特征参数与小麦穗籽粒数之间的相关线性模型为:y=-1.7871+0.0007x,R=0.9583。
S4.2建立穗轴长度参数与其籽粒数之间的相关关系:通过最小二乘法建立图像处理计算所获得的穗轴长度特征参数与实际麦穗上籽粒数之间的数学模型。
为了计数麦穗上的籽粒数目,本方法采用识别同一品种麦穗图像穗轴长度大小,建立麦穗籽粒数目与其图像穗轴长度之间的关系,采用100株小麦穗头作为建立数学模型的样本。通过此方法建立小麦穗穗轴长度特征参数与其籽粒数量的相关性系数R为0.9474,数学模型表达式为Y=0.1089X-24.958,则说明小麦穗穗轴长度与其籽粒数量有十分显著的线性关系。
S5.数学模型检验:对小麦穗部面积特征和穗轴长度特征与其籽粒数之间的数学模型进行验证,确保了这两种模型的实用性。
S5.1小麦穗部籽粒数与其特征之间的相关数学模型验证步骤包括:小麦穗部面积特征与其籽粒数之间的数学模型验证,小麦穗部穗轴长度特征与其籽粒数之间的数学模型验证。该发明中采用了40个验证样品(超过试验样品的三分之一)对上述数学模型进行检验,40个样品与试验样品属于同一品种,且利用同一种图像采集***,图像处理方法与建立数学模型时采用的方法一致。
S5.1对小麦穗面积与籽粒数之间的模型进行检验
小麦穗部籽粒数实际值与预测值之间的相关系数R为0.9781,接近于1,则说明该模型可以通过数字图像处理来获取小麦穗的籽粒数量。
误差在12%-16%之间的小麦样品只占总验证样品的2.50%(即一个样品),40个验证样品的误差率大部分集中在0-4%、4%-8%、8%-12%,由图可得,误差率在12%以下的小麦样品占总验证样品的97.5%。
S4.2对小麦穗穗轴长度与籽粒数之间的模型进行检验
采用相同的方法对小麦穗穗轴长度与籽粒数之间的模型进行检验。
小麦穗部籽粒数实际值与预测值之间的相关系数R为0.9501,接近于1,则说明该模型可以通过数字图像处理来获取小麦穗的籽粒数量。
误差在12%-16%之间的小麦样品占总验证样品的12.50%(即5个样品),40个验证样品的误差率大部分集中在0-4%、4%-8%、8%-12%,分析可得,误差率在12%以下的小麦样品占总验证样品的87.5%。相对于上一个模型检验出的百分比较低。
从上述两种模型检验结果看出,小麦穗部面积与籽粒数之间的模型检验结果优于小麦穗轴长度与籽粒数之间的模型检验结果。
以上小麦穗部籽粒数计数方法是针对有芒小麦穗部,而对于无芒小麦穗部籽粒数计数方法同样适用。
Claims (4)
1.一种小麦穗部籽粒数计数方法,该方法包括步骤:
S1.对采集到的小麦穗部的正视图图像经图像处理后提取小麦穗部图像籽粒区域面积特征参数和穗轴长度特征参数;
S2.建立麦穗图像面积与小麦穗籽粒数之间的数学模型为:y=-1.7871+0.0007x,麦穗图像面积特征参数与小麦穗籽粒数的相关系数R=0.9583;建立小麦穗穗轴长度特征参数与其籽粒数量的数学模型为y=0.1089x-24.958,小麦穗穗轴长度特征参数与其籽粒数量的相关性系数R=0.9474;
S3.对小麦穗部面积特征和穗轴长度特征与其籽粒数之间的数学模型进行了验证,小麦穗部面积特征数学模型的小麦穗部籽粒数实际值与预测值之间相关系数R为0.9781,误差率在12%以下的小麦样品占总验证样品的97.5%;小麦穗部穗轴长度特征数学模型的小麦穗部籽粒数实际值与预测值之间相关系数R为0.9501,误差率在12%以下的小麦样品占总验证样品的87.5%。
2.根据权利要求1所述的小麦穗部籽粒数计数方法,其特征在于,步骤S1中的所述穗部图像面积特征参数和穗轴长度特征参数提取包括步骤:
S1.1小麦穗部图像面积特征参数提取:对采集到的小麦穗部的正视图图像经图像处理后得到仅有麦穗籽粒部分区域和背景区域的二值图像,计算麦穗籽粒区域像素数目即为麦穗图像的面积特征量;
S1.2穗轴长度特征参数提取:小麦穗部的正视图图像经图像处理后得到仅有麦穗籽粒部分区域和背景区域的二值图像,穗轴长度是通过麦穗籽粒部分区域连接椭圆上的两个点所能获得的最长线段长度。
3.根据权利要求1所述的小麦穗部籽粒数计数方法,其特征在于,步骤S2中的所述建立小麦穗部特性参数与其籽粒数之间的数学模型包括步骤:
S2.1建立小麦穗部图像面积特征参数与籽粒数间的相关数学模型:利用最小二乘法建立图像处理计算获得的面积特征量与实际小麦穗部籽粒数之间的数学模型:y=-1.7871+0.0007x,麦穗图像面积特征参数与小麦穗籽粒数的相关性系数R=0.9583;
S2.2建立小麦穗部图像穗轴长度特征参数与籽粒数间的相关数学模型:利用最小二乘法建立图像处理计算获得的穗轴长度特征量与实际小麦穗部籽粒数之间的数学模型:y=0.1089x-24.958,小麦穗穗轴长度特征参数与其籽粒数量的相关性系数R=0.9474。
4.根据权利要求1所述的小麦穗部籽粒数计数方法,其特征在于,步骤S3中的所述验证数学模型包括步骤:
S3.1对小麦穗部面积与籽粒数之间的模型进行检验:以实际获取验证小麦样品的籽粒数量作为实际值与通过数学模型获得的小麦穗部籽粒数量为预测值之间建立相关关系曲线,并且比较两者差异程度,小麦穗部籽粒数实际值与预测值之间的相关系数R为0.9781,误差率在12%以下的小麦样品占总验证样品的97.5%;
S3.2对小麦穗穗轴长度与籽粒数之间的模型进行检验:对小麦穗穗轴长度与籽粒数之间的模型进行检验,小麦穗部籽粒数实际值与预测值之间的相关系数R为0.9501,误差率在12%以下的小麦样品占总验证样品的87.5%,通过验证确保了这两种模型的实用性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210304177.1A CN103632157B (zh) | 2012-08-24 | 2012-08-24 | 单株小麦穗部籽粒数计数方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210304177.1A CN103632157B (zh) | 2012-08-24 | 2012-08-24 | 单株小麦穗部籽粒数计数方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103632157A CN103632157A (zh) | 2014-03-12 |
CN103632157B true CN103632157B (zh) | 2018-01-05 |
Family
ID=50213185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210304177.1A Active CN103632157B (zh) | 2012-08-24 | 2012-08-24 | 单株小麦穗部籽粒数计数方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103632157B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021369A (zh) * | 2014-04-30 | 2014-09-03 | 南京农业大学 | 基于数字图像处理技术的单株水稻穗部籽粒数计数方法 |
CN105427275B (zh) * | 2015-10-29 | 2017-11-24 | 中国农业大学 | 大田环境麦穗计数方法及装置 |
CN105574853B (zh) * | 2015-12-07 | 2018-05-15 | 中国科学院合肥物质科学研究院 | 一种基于图像识别的麦穗粒数计算的方法及*** |
EP3529771A1 (de) * | 2016-10-19 | 2019-08-28 | BASF Agro Trademarks GmbH | Bestimmung des korngewichtes einer ähre |
CN107064146A (zh) * | 2017-05-15 | 2017-08-18 | 柳州环山科技有限公司 | 一种基于计算机的小麦穗数测量装置 |
CN107590812B (zh) * | 2017-09-01 | 2021-07-02 | 南京农业大学 | 小麦穗部小穗识别计数方法 |
CN109447945B (zh) * | 2018-09-21 | 2021-11-30 | 河南农业大学 | 基于机器视觉和图形处理的小麦基本苗快速计数方法 |
CN113011296A (zh) * | 2021-03-08 | 2021-06-22 | 中国农业科学院农产品加工研究所 | 快速鉴别小麦品种纯度的方法和*** |
CN113470104A (zh) * | 2021-07-21 | 2021-10-01 | 浙江托普云农科技股份有限公司 | 基于灰度值对比的小麦穗粒计数测量方法及*** |
CN113936056A (zh) * | 2021-10-20 | 2022-01-14 | 广东皓行科技有限公司 | 图像识别方法、产量估算方法以及电子设备 |
CN115375694A (zh) * | 2022-10-27 | 2022-11-22 | 浙江托普云农科技股份有限公司 | 便捷式的基于图像识别的水稻整穗测量方法及其应用 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0072237B1 (en) * | 1981-08-11 | 1987-04-29 | De La Rue Systems Limited | Apparatus for scanning a sheet |
JP3478329B2 (ja) * | 1999-10-01 | 2003-12-15 | セイコーエプソン株式会社 | 画像処理装置及び画像処理方法 |
CN101281112A (zh) * | 2008-04-30 | 2008-10-08 | 浙江理工大学 | 一种对网状粘连稻米的图像式自动分析方法 |
BRPI0917276A2 (pt) * | 2008-08-22 | 2015-11-10 | Pionner Hi Bred International Inc | método de alto rendimento para a contagem de cabelos individuais de um ramo de cabelos de um ou mais pés de milho, método para obter uma amostra de cabelos individuais de um ramo de cabelos de um pé de milho, método para contar cabelos individuais de um ramo de cabelos de uma planta de milho, método de seleção de germoplasmas dentre uma série de plantas de milho diferentes e método para selecionar um genótipo da planta com base na quantificação de cabelos |
CN101673414B (zh) * | 2009-10-19 | 2012-04-11 | 北京农业信息技术研究中心 | 一种玉米雌穗三维形态虚拟建模方法 |
CN102072883B (zh) * | 2010-07-07 | 2013-03-13 | 北京农业智能装备技术研究中心 | 农作物种子综合品质检测装置及方法 |
CN101944231B (zh) * | 2010-08-19 | 2012-01-04 | 北京农业智能装备技术研究中心 | 小麦穗部形态参数提取方法 |
-
2012
- 2012-08-24 CN CN201210304177.1A patent/CN103632157B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN103632157A (zh) | 2014-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103632157B (zh) | 单株小麦穗部籽粒数计数方法 | |
CN104021369A (zh) | 基于数字图像处理技术的单株水稻穗部籽粒数计数方法 | |
Tong et al. | Machine vision techniques for the evaluation of seedling quality based on leaf area | |
CN103345617B (zh) | 中药识别的方法及其*** | |
Huang et al. | Rice panicle length measuring system based on dual-camera imaging | |
CN109827957B (zh) | 一种基于计算机视觉的水稻叶片spad值估测方法及*** | |
CN103955938A (zh) | 一种基于移动互联网模式和叶片颜色分析的小麦生长状态诊断方法 | |
CN103630091B (zh) | 一种基于激光与图像处理技术的叶面积测量方法 | |
CN111462058B (zh) | 一种水稻有效穗快速检测方法 | |
CN106340000A (zh) | 骨龄评估方法 | |
CN113920106B (zh) | 一种基于rgb-d相机的玉米长势三维重构及茎粗测量方法 | |
CN102663396B (zh) | 一种水稻乳熟期自动检测的方法 | |
CN111881864A (zh) | 一种智慧农业种植农作物生长全周期全动态监测管理*** | |
CN108037123A (zh) | 一种杂交稻钵体盘播种性能参数精密检测方法 | |
CN112580671A (zh) | 一种基于深度学习的稻穗多发育期自动检测方法及*** | |
CN106023235B (zh) | 一种农作物有效籽粒个数测量的方法 | |
CN114136920A (zh) | 一种基于高光谱的单粒杂交水稻种子种类鉴定方法 | |
CN106172082A (zh) | 用于分析肉禽生长性能自动测量***扰动数据的方法 | |
CN116824405A (zh) | 一种无人机航拍视角下基于改进YOLOv8的青皮核桃目标检测方法 | |
CN116597309A (zh) | 集成萌芽期生长和苗期生理指标鉴选植物抗性品种的方法 | |
CN110619417B (zh) | 基于大田水稻冠层穗部图像特征的理论测产方法 | |
CN110580495A (zh) | 一种梨树叶面积与叶面炭疽病病斑数自动化分析方法 | |
CN109115771A (zh) | 甘蔗工艺成熟期自动观测方法 | |
Aung et al. | Weight estimation of mango from single visible fruit surface using computer vision | |
Betegón-Putze et al. | MyROOT: A novel method and software for the semi-automatic measurement of plant root length |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |