CN103808263B - 谷粒粒形参数的高通量检测方法 - Google Patents
谷粒粒形参数的高通量检测方法 Download PDFInfo
- Publication number
- CN103808263B CN103808263B CN201410023721.4A CN201410023721A CN103808263B CN 103808263 B CN103808263 B CN 103808263B CN 201410023721 A CN201410023721 A CN 201410023721A CN 103808263 B CN103808263 B CN 103808263B
- Authority
- CN
- China
- Prior art keywords
- seed
- image
- profile
- ask
- shape parameter
- 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)
- Image Analysis (AREA)
Abstract
本发明公开了一种谷粒粒形参数的高通量检测方法,包括以下步骤,搭建粒形检测平台;检测环境标定;影像采集与图像分割;轮廓提取与特征参数采集;利用粒形参数预设阈值进行粘连籽粒与杂质筛除;分析轮廓内图像,实现高通量颜色及纹理特征检测;输出谷物粒形参数检测结果。该粒形参数检测方法,其检测结果准确可靠,相比人工测量方法而言,极大地提高了检测效率和稳定性。能够满足基因研究中对谷粒粒形参数的检测需求。实现简单,检测高效准确,达到了应用的要求。
Description
技术领域
本发明涉及农作物领域,具体地,涉及一种谷粒粒形参数的高通量检测方法。
背景技术
目前,谷物籽粒的形状和大小是最重要的农业性状之一,它们不仅会影响产量和食用品质,还是市场价格的重要决定因素。因此,诸如遗传学、基因功能分析、分子育种和作物改良等植物学研究领域,均需要定量化评价种子的形态特征。高效,可靠,高通量的谷物粒形表现型测量方法是必需的。
一般来说,谷物籽粒的形态特征主要通过两种方法测量。最简易的是国标GB/T17891-1999中介绍的方法,“随机数取完整无损的精米10粒,平放于测量板上,按照头对头、尾对尾,不重叠、不留隙的方式,紧靠直尺摆成一行,数出长度,求平均即为籽粒长度。同样的,按照同一方向肩靠肩排列,用直尺测量,读出宽度,求其平均即为籽粒宽度”,然后推算其他粒形参数。然而,这种手工方法能够获取的参数非常有限,同时测量的质量受籽粒形态变化以及测量人的主观因素等多种外界条件影响,并不稳定可靠。相比之下,利用数字成像技术获取籽粒的高分辨率图像,继而以此计算获取籽粒形态参数,不仅能够使谷物粒形参数实现自动且高效检测,还能够获取更多更复杂的形态、纹理及颜色参数等。
专利号“CN101275824”中公开了一种大米粒形检测方法。利用扫描仪获取大米籽粒图像,以灰度迭代法分割背景与籽粒,米粒轮廓进行逐点检测获取粒长、粒宽及长宽比。该技术方案中,灰度迭代法为自动分割技术,籽粒分割精度及粒形轮廓精度无法保持稳定,且所获取的粒形参数较少。专利号为“CN101905215A”公开的数字化水稻考种机,着重以风选法分离实粒和空瘪粒,并利用机器视觉获取粒数与长宽等初级形态参数。该发明以甄别空瘪粒为主要目的,机型庞大复杂,所能获取的粒形参数也较少。同时还有一系列玉米果穗装置及方法,均利用机器视觉技术获取玉米果穗形态及穗行数、行粒数等考种参数。上述技术方案均需由光源、专用CCD相机和图像采集卡构成的图像采集装置实现籽粒图像采集和形态分析功能。且分析的粒形参数不够全面。
发明内容
本发明的目的在于,针对上述问题,提出一种谷粒粒形参数的高通量检测方法,以实现检测结果准确可靠且谷粒粒形参数的检测齐全的优点。
为实现上述目的,本发明采用的技术方案是:
一种谷粒粒形参数的高通量检测方法,包括以下步骤,
步骤1、搭建粒形检测平台,
在水平工作台上,固定数码单反相机;
上述数码单反相机的成像平面与工作台平行,并设定数码单反相机的高度;
在水平工作台平面上放置单色背景的托盘,以承载待测籽粒;
将数码单反相机与计算机连接;
开启数码单反相机的实时取景模式,显示相机实时成像信息;
步骤2、检测环境标定;
以直尺作为参照物,放置于托盘内;
控制数码单反相机拍摄参照物影像,并将拍摄的影像回传至计算机;
计算机对拍摄的影像进行处理,即在影像中选择参照物标尺线段并输入实际尺寸,同时设定影像的像素数与实际尺寸的转换系数;
以上述转换系数标定数码单反相机与托盘的位置关系,准确托盘内物体的实际距离;
步骤3、影像采集与图像分割;
将待测籽粒均匀地散布于托盘内,避免大片籽粒相粘连;
开启数码单反相机实时取景模式,显示相机实时成像的籽粒图像;
控制数码单反相机拍摄谷物籽粒图像,实时回传至计算机;
使用计算机对采集的图像进行分割,将采集的谷物籽粒图像转换到HSL色彩空间,调整色调、亮度及饱和度阈值,实时观察分割效果,并设定分割阈值进行背景分割;
步骤4、轮廓提取与特征参数采集;
利用八邻域寻迹算法获取各籽粒轮廓,以籽粒轮廓信息提取籽粒形态特征参数;
步骤5、利用粒形参数预设阈值进行粘连籽粒与杂质筛除;
步骤6、分析轮廓内图像,实现高通量颜色及纹理特征检测;
步骤7、输出谷物粒形参数检测结果。
根据本发明的优选实施例,上述步骤3中的图像分割,可直接载入预设阈值进行分割。
根据本发明的优选实施例,所述步骤4中所述特征参数采集具体包括:
求取籽粒轮廓周长、面积及重心坐标;
获取籽粒周长参数p及面积参数a,
求取复杂度com,,
形状参数sha,,
离散度dis,;
以籽粒轮廓点集求取凸包点集;
以轮廓凸包点集求取籽粒轮廓最小外接圆,获取最小外接圆半径r,
求取圆形度cir,,
紧密度tig,;
以轮廓凸包点集求取籽粒轮廓最小外接矩形,获取最小外接矩形面积;
求取矩形度;
以轮廓凸包点集求取籽粒长宽;
搜索凸包点集,以最长轴为籽粒长度l并将凸包点集分为左右两部分,左、右点集分别求取至最长轴的最大距离和,则籽粒宽度w,w=Wleft+Wright,
继而求取长宽比lwr。
本发明的技术方案具有以下有益效果:
本发明的技术方案,提出的粒形参数检测方法,其检测结果准确可靠,相比人工测量方法而言,极大地提高了检测效率和稳定性。能够满足基因研究中对谷粒粒形参数的检测需求。实现简单,检测高效准确,达到了应用的要求。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明实施例所述的谷粒粒形参数的高通量检测结构示意图;
图2为本发明实施例所述的谷粒粒形参数的高通量检测方法流程图;
图3为图像处理软件的像素距离到实际距离标定对话框示意图;
图4为图像分割阈值设定UI界面示意图;
图5为籽粒轮廓提取与标号结果示意图;
图6为杂点清除设置界面示意图;
图7a至图7d为谷物籽粒形态特征提取效果示意图;
图8a为籽粒样本人工测量值与检测值籽粒长度比较示意图;
图8b为籽粒样本人工测量值与检测值籽粒宽度比较示意图。
结合附图,本发明实施例中附图标记如下:
1-翻拍架;2-数码单反相机;3-相机连接线;4-计算机;5-参照物;6-待测籽粒;7-托盘;。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例一、
一种谷粒粒形参数的高通量检测方法,包括以下步骤,
步骤1、搭建粒形检测平台,如图1所示,
在水平工作台上,借助翻拍架1或三脚架等固定数码单反相机2;
上述数码单反相机2的成像平面与工作台平行,并设定相机的高度;设定的高度以获得较理想的成像为标准。
在水平工作台平面上放置单色背景的托盘7,以承载待测籽粒;托盘7颜色以与籽粒颜色有较大反差为宜;
将数码单反相机2与计算机4通过相机连接线3连接;
开启数码单反相机的实时取景模式,显示相机实时成像信息;
步骤2、检测环境标定;
以直尺作为参照物5,放置于托盘内;
控制数码单反相机拍摄参照物影像,并将拍摄的影像回传至计算机;
计算机对拍摄的影像进行处理,即在影像中选择参照物标尺线段并输入实际尺寸,同时设定影像的像素数与实际尺寸的转换系数;
以上述转换系数标定数码单反相机与托盘的位置关系,准确托盘内物体的实际距离;
步骤3、影像采集与图像分割;
将待测籽粒均匀地散布于托盘内,避免大片籽粒相粘连,以提高籽粒轮廓提取的准确性;
开启数码单反相机实时取景模式,显示相机实时成像的籽粒图像;
控制数码单反相机拍摄谷物籽粒图像,实时回传至计算机;
使用计算机对采集的图像进行分割,将采集的谷物籽粒图像转换到HSL色彩空间,调整色调、亮度及饱和度阈值,实时观察分割效果,并设定分割阈值进行背景分割;
步骤4、轮廓提取与特征参数采集;
利用八邻域寻迹算法获取各籽粒轮廓,以籽粒轮廓信息提取籽粒形态特征参数;
步骤5、利用粒形参数预设阈值进行粘连籽粒与杂质筛除;
步骤6、分析轮廓内图像,实现高通量颜色及纹理特征检测;
步骤7、输出谷物粒形参数检测结果。
根据本发明的优选实施例,上述步骤3中的图像分割,可直接载入预设阈值进行分割。
步骤4所提到特征参数求包括:
(1)求取籽粒轮廓周长、面积及重心坐标;
获取籽粒周长参数p及面积参数a,
求取复杂度com,,
形状参数sha,,
离散度dis,;
(2)以籽粒轮廓点集求取凸包点集;将轮廓点集转化为凸包点集可以极大地减少后续分析过程的计算量。
(3)以轮廓凸包点集求取籽粒轮廓最小外接圆,获取最小外接圆半径r,
求取圆形度cir,,
紧密度tig,;
(4)以轮廓凸包点集求取籽粒轮廓最小外接矩形,获取最小外接矩形面积;
求取矩形度;
(5)以轮廓凸包点集求取籽粒长宽;
搜索凸包点集,以最长轴为籽粒长度l并将凸包点集分为左右两部分,左、右点集分别求取至最长轴的最大距离和,则籽粒宽度w,w=Wleft+Wright,
继而求取长宽比lwr。
为了更好地实现上述方案,各环节计算结果均实时显示于粒形参数检测软件的主界面中,便于控制检测精度。粒形参数检测完成后,将同时保存原始图像、分割结果、轮廓提取及标号结果以及粒形参数检测结果等信息。结果保存后,计算机切换至实时取景模式,等待下次采集的籽粒图像进行分析处理。
实施例二、
1、按照本发明技术方案提供的规范构建拍摄环境,开启计算机内图像处理软件(下文简称软件)并与相机建立连接,软件切换至“实时取景”模式。
2、将标定参照物放置于谷物托盘中,控制相机拍摄参照物图像;参照物图像回传至计算机,软件切换至“分析”模式。
3、选择标定功能,在参照物图像中左键点击标尺起始点;移动鼠标至标尺结束点,再次点击鼠标左键;此时参照物图像中绘制了起始点与结束点像素连线并显示了两点间的像素数。如果不满意本次选取,可以点击右键取消,重新点击距离标定按钮进行新标定;如果满意选取则点击鼠标左键,软件开启距离标定设定UI。
4、在距离标定UI如图3所示,中填写参照物起始点与结束点所代表的实际距离(mm),软件将计算像素到实际尺寸的转换率,点击确定以设定该转换率。最后将参照物取出。
5、开启“实时取景”模式,在谷物托盘放入待测籽粒样本;观察软件主显示区域的实时图像采集结果,如果成像区域内籽粒清晰、粘连少、且无籽粒处于图像采集的边缘,则控制相机进行籽粒图像的采集;图像回传至计算机,软件将切换至“分析”模式,主显示界面呈现所采集的籽粒图像。
6、选择“HSL图像分割”功能,开启HSL色彩空间滤色器UI界面如图4所示。分别设置色相、饱和度和亮度阈值,通过预览窗口观察籽粒目标分割效果,满意后保存阈值并进行图像分割。
7、选择“特征提取”功能,将对分割得到的籽粒目标区域进行标号并获取其轮廓;通过轮廓点集,继而得到籽粒的形态特征参数。边界寻迹结果将叠加到原图显示到主工作区,籽粒的右下角显示区域标号如图5所示,将对应分析结果文件中的每条结果记录。当鼠标移动到籽粒区域时,籽粒区域的边界将高亮显示,点击选定籽粒则显示该籽粒的详细形态参数等。
8、选择“清除杂点”功能,可以根据籽粒的像素信息或形态信息进行阈值筛选如图6所示,排除灰尘、背景亮斑、粘连籽粒等杂点。
9、选择“保存”功能,保存原始图像、分割结果、轮廓提取及标号结果以及粒形参数检测结果等信息。
10、软件切换至“实时取景”模式,等待进行下一组样本检测。
实施例三、
1、利用以标定好的谷物粒形参数检测环境,将样本籽粒散布于谷物托盘中,通过“实时取景”功能观察待测样本,当样本分布符合检测要求时,控制相机采集籽粒图像并回传至计算机,检测软件切换至“分析”模式。
2、选择“参数检测”功能,软件将载入软件保存的转换率和分割阈值,进行图像分割;分割得到的籽粒目标区域进行标号并获取其轮廓,继而获取籽粒的形态特征参数;并根据设定阈值进行杂点筛选。
3、参数检测结果将与采集得到的籽粒图像叠加显示到主工作区,籽粒的右下角显示区域标号,将对应分析结果文件中的每条结果记录。当鼠标移动到籽粒区域时,籽粒区域的边界将高亮显示,点击选定籽粒则显示该籽粒的详细形态参数等,便于对检测准确性进行评估。如果不满意自动检测结果,还可以按照实例二的6-8步骤进行有人工干预的参数检测。
4、选择“保存”功能,保存原始图像、分割结果、轮廓提取及标号结果以及粒形参数检测结果等信息,软件切换至“实时取景”模式,等待进行下一组样本检测。
现代植物基因组学的飞速发展,对籽粒形态特征提取的便捷性和精度性提出了更高的要求。本发明技术方案以现代实验室常备仪器设备为基础,通过操作方法和检测算法的明创新,实现了准确谷物粒形参数的高通量检测方法。本发明技术方案的关键点包括:
利用参照物(如直尺等)对检测人员自己构建的检测环境进行标定,使软件能够准确、可靠的获取相机成像平面内的籽粒实际尺寸。按照本发明制定的规范进行设备组装和检测环境标定方法,能够满足谷物籽粒形态特征检测工作的稳定性要求。
本发明提出利用数码单反相机所提供的控制接口,通过计算机直接控制相机进行谷粒粒形图像的拍摄与粒形参数的检测分析工作。以“实时取景”模式进行采样准备,拍摄籽粒图像并回传至计算机后,切换至“分析”模式,进行图像分割、轮廓提取与标号和粒形参数检测。提高了检测效率。
将拍摄的籽粒图像转换到HSL色彩空间,再根据阈值进行图像分割运算,减弱了光线变化对图像分割精度的影响,使本发明无需额外配置光源环境,在室内条件下即能完成粒形参数的检测工作。同时,图像分割阈值设定提供了良好的交互环境,可实时观测分割效果,提高了籽粒目标的分割精度。分割结果将进行若干次膨胀和腐蚀运算,去除小花柄、细小杂质或籽粒轻微粘连的影响。
通过实现上述两项技术途径,本发明提供的检测方法无需设计制造专用的粒形检测装置,利用实验室环境中常见的仪器设备进行简单的组装,并按照检测标准进行粒形检测,既可实现粒形参数的高通量检测工作。
在特征检测运算中,利用八邻域寻迹算法进行籽粒轮廓提取,提高了轮廓提取的精细度。在形态参数计算过程中,先求取轮廓点集的凸包,继而以凸包点集进行最小外接矩形、最小外接圆以及籽粒长宽等形态参数的计算,可以在不影响结果准确性的前提下,极大地降低运算量、提高运算速度如图7a至图7d所示。其中图7a为籽粒轮廓,图7b为凸包,图7c为最小外接矩形,图7d为最小外接圆。进行上述运算后,不仅能够提供更为准确的长、宽以及长宽比数据,还能提供籽粒面积、周长、圆度、矩形度、紧密度、复杂度、形状参数和离散度等更为复杂的形态指标。本发明可以对成像区域内的所有籽粒进行粒形参数的分析检测并输出,便于对谷物样本进行更细致深入地统计分析。
本发明利用现代实验室中常备的数码单反相机、三脚架、直尺和计算机等仪器设备,构建谷物粒形参数高通量检测环境。能够减少设备投资,提高现有设备的利用率和使用灵活性。
本发明的检测结果与用游标卡尺人工测量结果的比较分析如表1所示,对于长宽结果,两者间具有极显著(P<0.01)的相关关系,且两种方法所取得的结果差异不显著(P>0.05)。本发明的检测结果与人工测量结果间的关系如图8a和图8b所示。
表1、本发明技术方案检测值与人工测量值比较分析结果表:
。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种谷粒粒形参数的高通量检测方法,其特征在于,包括以下步骤,
步骤1、搭建粒形检测平台,
在水平工作台上,固定数码单反相机;
上述数码单反相机的成像平面与工作台平行,并设定数码单反相机的高度;
在水平工作台平面上放置单色背景的托盘,以承载待测籽粒;
将数码单反相机与计算机连接;
开启数码单反相机的实时取景模式,显示相机实时成像信息;
步骤2、检测环境标定;
以直尺作为参照物,放置于托盘内;
控制数码单反相机拍摄参照物影像,并将拍摄的影像回传至计算机;
计算机对拍摄的影像进行处理,即在影像中选择参照物标尺线段并输入实际尺寸,同时设定影像的像素数与实际尺寸的转换系数;
以上述转换系数标定数码单反相机与托盘的位置关系,准确托盘内物体的实际距离;
步骤3、影像采集与图像分割;
将待测籽粒均匀地散布于托盘内,避免大片籽粒相粘连;
开启数码单反相机实时取景模式,显示相机实时成像的籽粒图像;
控制数码单反相机拍摄谷物籽粒图像,实时回传至计算机;
使用计算机对采集的图像进行分割,将采集的谷物籽粒图像转换到HSL色彩空间,调整色调、亮度及饱和度阈值,实时观察分割效果,并设定分割阈值进行背景分割;
步骤4、轮廓提取与特征参数采集;
利用八邻域寻迹算法获取各籽粒轮廓,以籽粒轮廓信息提取籽粒形态特征参数;
步骤5、利用粒形参数预设阈值进行粘连籽粒与杂质筛除;
步骤6、分析轮廓内图像,实现高通量颜色及纹理特征检测;
步骤7、输出谷物粒形参数检测结果;
所述步骤4中所述特征参数采集具体包括:
求取籽粒轮廓周长、面积及重心坐标;
获取籽粒周长参数p及面积参数a,
求取复杂度com,
形状参数sha,
离散度dis,
以籽粒轮廓点集求取凸包点集;
以轮廓凸包点集求取籽粒轮廓最小外接圆,获取最小外接圆半径r,
求取圆形度cir,
紧密度tig,
以轮廓凸包点集求取籽粒轮廓最小外接矩形,获取最小外接矩形面积aext;
求取矩形度
以轮廓凸包点集求取籽粒长宽;
搜索凸包点集,以最长轴为籽粒长度l并将凸包点集分为左右两部分,左、右点集分别求取至最长轴的最大距离Wleft和Wright,则籽粒宽度w,w=Wleft+Wright,
继而求取长宽比lwr
2.根据权利要求1所述的谷粒粒形参数的高通量检测方法,其特征在于,上述步骤3中的图像分割,直接载入预设阈值进行分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410023721.4A CN103808263B (zh) | 2014-01-20 | 2014-01-20 | 谷粒粒形参数的高通量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410023721.4A CN103808263B (zh) | 2014-01-20 | 2014-01-20 | 谷粒粒形参数的高通量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103808263A CN103808263A (zh) | 2014-05-21 |
CN103808263B true CN103808263B (zh) | 2016-05-11 |
Family
ID=50705382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410023721.4A Active CN103808263B (zh) | 2014-01-20 | 2014-01-20 | 谷粒粒形参数的高通量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103808263B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105300309B (zh) * | 2015-10-30 | 2017-10-03 | 山东省农作物种质资源中心 | 豆类籽粒形状观测台及观测方法 |
CN105387787B (zh) * | 2015-10-30 | 2017-12-29 | 山东省农作物种质资源中心 | 豆类种子粒形大小测量仪及测量方法 |
CN106650738B (zh) * | 2016-11-23 | 2019-10-25 | 中国农业大学 | 一种基于凹点匹配的玉米穗部粘连籽粒分割方法及*** |
CN107063090A (zh) * | 2017-04-11 | 2017-08-18 | 福州大学 | 一种水表表芯中玛瑙装配的在线检测方法 |
CN108335310B (zh) * | 2018-01-10 | 2021-06-29 | 华侨大学 | 一种便携式粒形粒度检测方法及*** |
CN109089789B (zh) * | 2018-09-03 | 2020-11-24 | 中国农业科学院棉花研究所 | 一种基于源库关系确定玉米适宜群体容量的方法 |
CN109493335A (zh) * | 2018-11-13 | 2019-03-19 | 上海烟草集团有限责任公司 | 片烟的片型系数表征方法、***、计算机存储介质及设备 |
CN109919248B (zh) * | 2019-03-19 | 2023-04-18 | 广东省农业科学院农业生物基因研究中心 | 一种基于卷积神经网络的水稻考种装置 |
CN109948531B (zh) * | 2019-03-19 | 2023-04-18 | 广东省农业科学院农业生物基因研究中心 | 应用深度学习卷积神经网络提高作物种子发芽率的方法 |
CN109934297B (zh) * | 2019-03-19 | 2023-04-18 | 广东省农业科学院农业生物基因研究中心 | 一种基于深度学习卷积神经网络的水稻考种方法 |
CN110017778B (zh) * | 2019-04-25 | 2021-07-06 | 广州富港万嘉智能科技有限公司 | 瓜果的尺寸测量方法和削皮方法、对应的装置及存储介质 |
CN110782440B (zh) * | 2019-10-22 | 2023-06-16 | 华中农业大学 | 一种作物籽粒性状测量方法 |
CN111598856B (zh) * | 2020-05-08 | 2024-05-10 | 无锡瑞特思普智能科技有限公司 | 基于缺陷导向多点定位神经网络的芯片表面缺陷自动检测方法及*** |
CN113048902A (zh) * | 2021-03-09 | 2021-06-29 | 武汉建筑材料工业设计研究院有限公司 | 一种基于图像处理的板材形变测量设备及方法 |
CN114398978B (zh) * | 2022-01-13 | 2022-10-11 | 深圳市腾盛精密装备股份有限公司 | 一种模板匹配方法、装置、存储介质以及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102288522A (zh) * | 2011-06-30 | 2011-12-21 | 河海大学 | 基于数字图像技术的泥沙颗粒分析装置及分析方法 |
CN102589441A (zh) * | 2012-01-11 | 2012-07-18 | 华中科技大学 | 盆栽水稻表型参数的全自动无损测量***及测量方法 |
CN202485628U (zh) * | 2011-12-15 | 2012-10-10 | 青岛农业大学 | 一种玉米果穗性状测量装置 |
CN103186904A (zh) * | 2011-12-31 | 2013-07-03 | 北京新媒传信科技有限公司 | 图片轮廓提取方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0545138A (ja) * | 1991-08-20 | 1993-02-23 | Mitsubishi Electric Corp | 画像処理装置 |
KR100733977B1 (ko) * | 2006-05-19 | 2007-06-29 | 안경모 | 평판형 범용스캐너와 퍼스컴을 이용한 모래 입도분석시스템 및 그 방법 |
-
2014
- 2014-01-20 CN CN201410023721.4A patent/CN103808263B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102288522A (zh) * | 2011-06-30 | 2011-12-21 | 河海大学 | 基于数字图像技术的泥沙颗粒分析装置及分析方法 |
CN202485628U (zh) * | 2011-12-15 | 2012-10-10 | 青岛农业大学 | 一种玉米果穗性状测量装置 |
CN103186904A (zh) * | 2011-12-31 | 2013-07-03 | 北京新媒传信科技有限公司 | 图片轮廓提取方法及装置 |
CN102589441A (zh) * | 2012-01-11 | 2012-07-18 | 华中科技大学 | 盆栽水稻表型参数的全自动无损测量***及测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103808263A (zh) | 2014-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103808263B (zh) | 谷粒粒形参数的高通量检测方法 | |
He et al. | A novel 3D imaging system for strawberry phenotyping | |
Momin et al. | Machine vision based soybean quality evaluation | |
JP5997185B2 (ja) | 明細書微生物増殖を分析する方法およびソフトウェア | |
JP4997252B2 (ja) | 画像内の照明域を識別する方法 | |
CN109447945B (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
CN110569747A (zh) | 一种利用图像金字塔与Faster-RCNN快速统计大田水稻稻穗数的方法 | |
CN108765433A (zh) | 一种用于提高精度的多叶面积测量方法 | |
Dandrifosse et al. | Imaging wheat canopy through stereo vision: Overcoming the challenges of the laboratory to field transition for morphological features extraction | |
Cointault et al. | In‐field Triticum aestivum ear counting using colour‐texture image analysis | |
CN110781889B (zh) | 一种基于深度学习的蓝莓果实中总糖含量的无损检测方法 | |
CN106468536A (zh) | 一种叶面积测量方法 | |
CN110782440B (zh) | 一种作物籽粒性状测量方法 | |
Constantino et al. | Plant height measurement and tiller segmentation of rice crops using image processing | |
Richner et al. | Root image analysis and interpretation | |
Constantino et al. | Towards an automated plant height measurement and tiller segmentation of rice crops using image processing | |
CN113570538A (zh) | 一种叶片rgb图像偏态分布参数信息采集及分析方法 | |
JP7192279B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
Sreenivas et al. | Processing of satellite image using digital image processing | |
CN116258844A (zh) | 一种棉花叶片表型性状快速精准鉴定方法 | |
CN112529850A (zh) | 一种基于多视角多尺度图片测量苗木尺寸的方法及*** | |
Głąb et al. | Application of image analysis for grass tillering determination | |
Steinecke et al. | A standardized and efficient technique to estimate seed traits in plants with numerous small propagules | |
CN104574341B (zh) | 一种水果糖度的确定方法和装置 | |
Li et al. | Improving the accuracy of cotton seedling emergence rate estimation by fusing UAV-based multispectral vegetation indices |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |