CN103808669A - 一种基于高光谱成像技术的苹果虫眼快速无损检测方法 - Google Patents
一种基于高光谱成像技术的苹果虫眼快速无损检测方法 Download PDFInfo
- Publication number
- CN103808669A CN103808669A CN201410035043.3A CN201410035043A CN103808669A CN 103808669 A CN103808669 A CN 103808669A CN 201410035043 A CN201410035043 A CN 201410035043A CN 103808669 A CN103808669 A CN 103808669A
- Authority
- CN
- China
- Prior art keywords
- apple
- image
- worms
- small holes
- holes caused
- 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.)
- Granted
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供的一种基于高光谱成像技术的苹果虫眼快速无损检测方法,是利用高光谱成像***采集苹果图谱信息,分析苹果光谱曲线的特征,并对光谱数据进行主成分分析。同时,根据特征波长确定单波段特征图像,采用最大熵分级阈值分割方法,先后分割提取出苹果和虫眼。然后,依此提取PC1图像的感兴趣区域,对其提取纹理特征和光谱特征。最后采用BP神经网络实现对苹果虫眼的快速、无损检测。检测速度快、操作简单方便、检测结果精度高,而且对苹果没有损伤。
Description
技术领域
[0001] 本发明属于一种无损检测方法,特别是一种快速、无损检测苹果虫眼的方法,具体是通过高光谱成像技术的数据处理来达到快速无损检测的目的。
背景技术
苹果是我国种植规模最大的品种之一。因其富含丰富的维生素营养,是世界四大水果(苹果、葡萄、柑桔和香蕉)之冠。然而,在苹果的生长过程中,经常会受到各种因素的影响而受各种虫害的侵蚀,导致苹果出现虫眼,从而使其丧失了可食性,极大地影响了苹果的品质和销售。由此可见,新鲜苹果的虫眼检测显得尤为重要。传统的检测方法大多是人工操作,耗时耗力,而且效率低,无法满足大规模生产的需求。因此,开发研制一种快速、无损、高效的苹果虫眼检测方法在水果分级领域中具有较好的应用前景。
高光谱成像技术是利用光谱成像设备同时采集目标的光谱信息和图像信息,并结合光谱分析技术(特定敏感波段的选择)、计算机图像处理和机器视觉技术的优点,对目标物进行识别和分析的技术。采集到的高光谱图像是在特定波长范围内由一系列连续的较窄波段图像组成的三维图像数据块。高光谱图像可以同时获取某个特定波长下的图像信息和 x- y 平面内某个特定像素点下的不同波长的光谱信息。在每个波长下 x- y平面内每个像素点的灰度值与其在该波长下的光谱值之间一一对应;在某个特定波长下,感兴趣区域(ROIs) 与正常区域之间的光谱值会存在较大差异。因此,在此波长下的图像中,它们之间的灰度也必然存在着一定的差异,进而对被测物进行判别分析,从而实现被测物在线检测。由此可见高光谱成像技术结合了图像分析与光谱技术两者的优点,并通过合适的数据处理方法寻找到最能准确辨别农产品虫害的特征波长下的图像,从而实现高光谱成像技术对苹果虫眼的快速无损检测。
发明内容
本发明的目的就是解决在水果分级过程中的关键技术问题,提供一种快速、无损、高效的苹果虫眼检测方法。
本发明提供的快速、无损苹果虫眼检测方法,其特征是:利用高光谱成像***采集苹果图谱信息,分析苹果光谱曲线的特征,并对光谱数据进行主成分分析。同时,根据特征波长确定单波段特征图像,对其进行阈值分割,提取苹果和虫眼。然后,依此提取PC1图像的感兴趣区域,对其提取纹理特征和光谱特征。最后采用BP神经网络实现对苹果虫眼的快速、无损检测。
本发明提供的快速、无损苹果虫眼检测方法,包括以下操作步骤:
1. 构建高光谱成像采集***,该***是由高光谱成像光谱仪(ImSpector V10E, Spectral Imaging Ltd, Finland)、一架像素为 1392×1040 的面阵 CCD 相机(IGV-B1410M, IMPERX Incorporated, USA)、一台精密位移控制平台 (IRCP0076-1 COM, 台湾)、一套150W的光纤卤素灯(3900 Illuminatior, Illumination Technologies, Inc.美国)、一个减少环境光影响的暗箱(120×50×140cm)和数据处理机(DELL Vostro 5560D-1528)组成。高光谱摄像头的光谱范围为400—1100nm,光谱分辨率为2.8nm。
2. 利用高光谱成像采集***获取苹果高光谱图像,事先调节物距、光源强度、镜头光圈度数、相机曝光时间、移动平台速度,以确保采集的图像清晰且不失真。最终确定的采集参数为物距260 mm,相机曝光时间68 ms,平台移动速度0.8 mm/s。将待测苹果放置于移动平台上(每次一个),且赤道位对准相机。当平台移动时,通过光谱仪获得苹果空间位置的一条线在整个光谱区域的光谱信息,然后通过平台带动苹果运动,获取苹果在其他位置的光谱信息,直至获得样品完整的光谱信息。
3. 高光谱图像数据校正处理。在与样本采集相同的***条件下,首先扫描标准白色校正板(Spectralon, LabsphereCo., England)得到全白的标定图像W;然后,关闭摄像机快门进行图像采集得到全黑的标定图像 B;最后,按照下面校正公式完成图像标定,采集得到的原始图像 I 变成校正图像 R。
4. 采用主成分分析获取特征图像。主成分分析(PCA)是非常有效的数据降维和特征提取方法。本发明利用PCA 对可见-近红外的苹果高光谱图像数据进行降维,获得各PC图像。通过分析波谱噪声情况,450nm—950nm区间的噪声较少,故选择此区间的波谱作为PCA分析。根据获得的各PC 图像的分析,PC1图像清晰显示苹果虫眼,故确定PC1图像为用于后续分析的图像。
. 分析苹果正常和带有虫眼的高光谱图像的特点,根据虫眼区域与正常区域的光谱曲线的差异,确定547nm为特征波长,此波长下的图像为特征图像。
. 采用最大熵分级阈值分割方法先后分割出苹果和虫眼,首先对PC1图像采用最大熵阈值分割方法分割出苹果与背景形成二值图像,再次采用最大熵阈值分割方法对该二值图像的苹果区域进行分割,提取出虫眼。若没有分割出虫眼说明是正常苹果。若是带有虫眼的苹果,则根据虫眼的位置提取PC1图像虫眼周围80×60像素大小的感兴趣区域图像;若是不带有虫眼的苹果,则提取PC1图像苹果中间部分80×60像素大小的感兴趣区域图像。
. 提取上述感兴趣区域图像的纹理特征,具体包括能量、熵、惯性矩和相关性四个特征,每个特征又包括四个方向0°、45°、 90°和135°的数据,总共16个特征。经过分析得知每个纹理特征不管哪个方向特征值大致相同,经优化选择能量、熵、惯性矩和相关性的0°方向的特征作为检测苹果虫眼的最终纹理特征。
. 采用BP人工神经网络对苹果虫眼进行检测。采用0°方向的能量、熵、惯性矩和相关性4个纹理特征,并融合感兴趣区域图像的光谱特征,即646nm、824nm处的反射率,共六个特征作为其输入量,BP人工神经网络隐层数为1,输入层和隐层传递函数为正切S型传递函数。学习方式为加入趋势动量项的梯度下降的训练函数。输出为1个变量,即是否带有虫眼,输出层传递函数为线性传递函数, 若苹果带有虫眼,输出应为-1,若为正常的苹果,输出应为1。
本发明的积极效果:检测速度快、操作简单方便、检测结果精度高,而且对苹果没有损伤。
具体实施方式
1. 构建高光谱成像采集***采集带有虫眼的苹果图像。该***是由高光谱成像光谱仪(ImSpector V10E, Spectral Imaging Ltd, Finland)、一架像素为 1392×1040 的面阵 CCD 相机(IGV-B1410M, IMPERX Incorporated, USA)、一台精密位移控制平台 (IRCP0076-1 COM, 台湾)、一套150W的光纤卤素灯(3900 Illuminatior, Illumination Technologies, Inc.美国)、一个减少环境光影响的暗箱(120×50×140cm)和数据处理机(DELL Vostro 5560D-1528)等部分组成。高光谱摄像头的光谱范围为400—1100nm,光谱分辨率为2.8nm。
2. 利用高光谱成像采集***获取苹果高光谱图像。首先将待测苹果放置于移动平台上,把有虫眼面的赤道位对准相机。调整苹果上面到镜头的距离为260 mm,相机曝光时间68 ms,平台移动速度0.8 mm/s。然后将苹果从移动平台上拿下,将校正白板放在移动平台上,并保证与苹果同一高度,调整光源强度使最大DN值在3200左右,通过高光谱图像采集软件Spectral Image (Isuzu Optics Corp., Taiwan)采集白板的高光谱图像W。然后,关闭镜头快门进行图像采集得到全黑的标定图像 B。最后将待测苹果放置于移动平台上。当平台移动时,通过光谱仪获得苹果空间位置的一条线在整个光谱区域的光谱信息,然后通过平台带动苹果运动,获取苹果在其他位置的光谱信息,直至获得样品完整的光谱信息。
3. 高光谱图像数据校正处理。结合全白的标定图像W和全黑的标定图像 B及实际样本高光谱图像I,按照下面校正公式完成图像标定,采集得到的原始图像 I 变成校正图像 R。
4. 采用主成分分析(PCA)获取特征图像。本发明利用ENVI4.7软件采用PCA 对可见-近红外的苹果高光谱图像450nm—950nm区间数据进行降维,获取各PC图像。根据获得的各PC 图像的分析,PC1图像清晰显示苹果虫眼,故确定PC1图像为用于后续分析的图像。
. 分析带有虫眼苹果的高光谱图像的特点,根据虫眼区域与正常区域的光谱曲线的差异,确定547nm为特征波长,此波长下的图像为特征图像。
. 利用Matlab软件采用最大熵分级阈值分割方法对上述的特征图像先后分割出苹果和虫眼。首先对PC1图像采用最大熵阈值分割方法分割出苹果与背景形成二值图像,再次采用最大熵阈值分割方法对该二值图像的苹果区域进行分割,提取出虫眼,然后根据虫眼的位置提取PC1图像虫眼周围80×60像素大小的感兴趣区域图像。
. 提取上述感兴趣区域图像的纹理特征,具体包括能量、熵、惯性矩和相关性四个特征,每个特征又包括四个方向0°、45°、 90°和135°的数据,总共16个特征。经过分析得知每个纹理特征不管哪个方向特征值大致相同,经优化选择0°方向的能量、熵、惯性矩和相关性的特征作为检测苹果虫眼的最终纹理特征。
. 采用BP人工神经网络对苹果虫眼进行检测。采用0°的能量、熵、惯性矩和相关性4个特征,并融合感兴趣区域图像的光谱特征,即646nm、824nm处的反射率,共六个特征作为BP人工神经网络输入量。BP人工神经网络隐层数为1,输入层和隐层传递函数为正切S型传递函数。学习方式为加入趋势动量项的梯度下降的训练函数,输出层传递函数为线性传递函数。输出为-1,即表明该苹果带有虫眼,检测结果正确。
Claims (6)
1.一种基于高光谱成像技术的苹果虫眼快速、无损检测方法,其特征是:构建一套高光谱成像采集***,并根据此***采集苹果高光谱图像,然后对采集的高光谱图像数据进行校正处理和分析苹果虫害部分和正常部分的校正后的光谱曲线特征,确定特征波长和特征图像;再对高光谱图像数据进行主成分分析,选取主成分图像;同时,对特征图像采用最大熵分级阈值分割方法先后分割出苹果和虫眼,提取苹果和虫眼,依此提取主成分图像的80×60像素大小的感兴趣区域,对其提取0°方向的能量、熵、惯性矩和相关性的4个纹理特征和646nm、824nm处的反射率2个光谱特征;最后融合这6个特征采用BP神经网络实现对苹果虫眼的快速、无损检测。
2.根据权利要求1所述的基于高光谱成像技术的苹果虫眼快速、无损检测方法,其特征是:构建一套高光谱成像采集***,该***由高光谱成像光谱仪、一架像素为 1392×1040 的面阵 CCD 相机、一台精密位移控制平台、一套150W的光纤卤素灯、一个120×50×140cm暗箱和数据处理机组成。高光谱摄像头的光谱范围为400—1100nm,光谱分辨率为2.8nm。
3.根据权利要求1所述的基于高光谱成像技术的苹果虫眼快速、无损检测方法,其特征是:利用高光谱成像采集***获取苹果高光谱图像,是将待测苹果放置于移动平台上,确定采集参数为物距260 mm,相机曝光时间68 ms,平台移动速度0.8 mm/s,且将有虫眼面的赤道位对准相机。
4.根据权利要求1所述的基于高光谱成像技术的苹果虫眼快速、无损检测方法,其特征是:特征波长为547nm,特征图像为此波长下的图像;采用主成分分析苹果高光谱图像时,将噪声较少450nm~950nm区间的高光谱图像数据,进行主成分分析PCA,并选取PC1图像为用于后续分析的图像。
5.根据权利要求1所述的基于高光谱成像技术的苹果虫眼快速、无损检测方法,其特征是:采用最大熵分级阈值分割方法先后分割出苹果和虫眼,首先对PC1图像采用最大熵阈值分割方法分割出苹果与背景形成二值图像,再次采用最大熵阈值分割方法对该二值图像的苹果区域进行分割,提取出虫眼,并根据虫眼的位置提取PC1图像虫眼周围80×60像素大小的感兴趣区域图像;若是不带有虫眼的苹果,则提取PC1图像苹果中间部分80×60像素大小的感兴趣区域图像。
6.根据权利要求1所述的基于高光谱成像技术的苹果虫眼快速、无损检测方法,其特征是:融合这6个特征采用BP神经网络实现对苹果虫眼的快速、无损检测,即融合感兴趣区域图像的0°方向的能量、熵、惯性矩和相关性的4个纹理特征和646nm、824nm处的反射率2个光谱特征,共六个特征作为BP人工神经网络其输入量,该神经网络设计1个隐层数,学习方式为加入趋势动量项的梯度下降的训练函数,对苹果虫眼进行快速、无损检测,输出为1个变量,即是否带有虫眼,若苹果带有虫眼,输出应为-1,若为正常的苹果,输出应为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410035043.3A CN103808669B (zh) | 2014-01-26 | 2014-01-26 | 一种基于高光谱成像技术的苹果虫眼快速无损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410035043.3A CN103808669B (zh) | 2014-01-26 | 2014-01-26 | 一种基于高光谱成像技术的苹果虫眼快速无损检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103808669A true CN103808669A (zh) | 2014-05-21 |
CN103808669B CN103808669B (zh) | 2016-03-23 |
Family
ID=50705758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410035043.3A Expired - Fee Related CN103808669B (zh) | 2014-01-26 | 2014-01-26 | 一种基于高光谱成像技术的苹果虫眼快速无损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103808669B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104677920A (zh) * | 2015-02-09 | 2015-06-03 | 浙江大学 | 一种基于果面局部灰度突变的水果表面虫眼检测标记方法 |
CN106525732A (zh) * | 2016-10-25 | 2017-03-22 | 沈阳农业大学 | 基于高光谱成像技术的苹果内外品质快速无损检测方法 |
CN106596414A (zh) * | 2016-11-14 | 2017-04-26 | 浙江大学 | 一种桃果实内部硬度空间分布成像的方法 |
CN106679806A (zh) * | 2017-01-19 | 2017-05-17 | 深圳大学 | 一种基于微型光谱仪的光谱检测***及方法 |
CN106679805A (zh) * | 2017-01-19 | 2017-05-17 | 深圳大学 | 一种便携式微型光谱仪 |
CN106768334A (zh) * | 2017-01-19 | 2017-05-31 | 深圳大学 | 一种便携式二维成像微型光谱仪 |
CN107300536A (zh) * | 2017-08-25 | 2017-10-27 | 天津商业大学 | 基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法 |
CN108645814A (zh) * | 2018-06-28 | 2018-10-12 | 浙江理工大学 | 一种用于识别多色织物润湿区域的高光谱图像采集方法 |
CN109001218A (zh) * | 2018-09-03 | 2018-12-14 | 贵阳学院 | 基于高光谱成像技术的苹果表面缺陷快速无损识别方法 |
CN109285167A (zh) * | 2018-09-20 | 2019-01-29 | 西北大学 | 一种基于深度学习的提取彩绘陶器图案方法 |
CN110749555A (zh) * | 2019-10-30 | 2020-02-04 | 宜宾五粮液股份有限公司 | 基于高光谱技术白酒曲块内部发酵状态检测装置及方法 |
CN111815540A (zh) * | 2020-07-22 | 2020-10-23 | 吉林大学 | 一种基于高光谱的冷库果蔬冷害检测方法 |
CN117074353A (zh) * | 2023-08-18 | 2023-11-17 | 广东省农业科学院设施农业研究所 | 一种荔枝果实蒂蛀虫无损检测方法和*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06300684A (ja) * | 1993-04-15 | 1994-10-28 | Horiba Ltd | 分光分析における定量方法 |
CN1948603A (zh) * | 2006-11-10 | 2007-04-18 | 苏州大学 | 一种识别机织物疵点的方法 |
CN102279976A (zh) * | 2011-09-22 | 2011-12-14 | 河南工业大学 | 不同糙米籽粒识别的bp神经网络构建及识别方法 |
CN102495066A (zh) * | 2011-12-05 | 2012-06-13 | 江南大学 | 高光谱透射图像采集***及基于该***的豆荚无损检测方法 |
CN203275285U (zh) * | 2013-04-12 | 2013-11-06 | 浙江大学 | 一种基于高光谱成像的大米品质在线无损检测装置 |
-
2014
- 2014-01-26 CN CN201410035043.3A patent/CN103808669B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06300684A (ja) * | 1993-04-15 | 1994-10-28 | Horiba Ltd | 分光分析における定量方法 |
CN1948603A (zh) * | 2006-11-10 | 2007-04-18 | 苏州大学 | 一种识别机织物疵点的方法 |
CN102279976A (zh) * | 2011-09-22 | 2011-12-14 | 河南工业大学 | 不同糙米籽粒识别的bp神经网络构建及识别方法 |
CN102495066A (zh) * | 2011-12-05 | 2012-06-13 | 江南大学 | 高光谱透射图像采集***及基于该***的豆荚无损检测方法 |
CN203275285U (zh) * | 2013-04-12 | 2013-11-06 | 浙江大学 | 一种基于高光谱成像的大米品质在线无损检测装置 |
Non-Patent Citations (3)
Title |
---|
李江波 等: "基于高光谱成像技术检测脐橙溃疡", 《农业工程学报》 * |
程国首 等: "基于高光谱图像技术预测苹果大小", 《农机化研究》 * |
雷建峰 等: "基于人工神经网络下的图像识别的研究", 《现代电子技术》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104677920B (zh) * | 2015-02-09 | 2017-04-05 | 浙江大学 | 一种基于果面局部灰度突变的水果表面虫眼检测标记方法 |
CN104677920A (zh) * | 2015-02-09 | 2015-06-03 | 浙江大学 | 一种基于果面局部灰度突变的水果表面虫眼检测标记方法 |
CN106525732A (zh) * | 2016-10-25 | 2017-03-22 | 沈阳农业大学 | 基于高光谱成像技术的苹果内外品质快速无损检测方法 |
CN106525732B (zh) * | 2016-10-25 | 2021-08-17 | 沈阳农业大学 | 基于高光谱成像技术的苹果内外品质快速无损检测方法 |
CN106596414B (zh) * | 2016-11-14 | 2019-03-29 | 浙江大学 | 一种桃果实内部硬度空间分布成像的方法 |
CN106596414A (zh) * | 2016-11-14 | 2017-04-26 | 浙江大学 | 一种桃果实内部硬度空间分布成像的方法 |
CN106679806A (zh) * | 2017-01-19 | 2017-05-17 | 深圳大学 | 一种基于微型光谱仪的光谱检测***及方法 |
CN106679805A (zh) * | 2017-01-19 | 2017-05-17 | 深圳大学 | 一种便携式微型光谱仪 |
CN106768334A (zh) * | 2017-01-19 | 2017-05-31 | 深圳大学 | 一种便携式二维成像微型光谱仪 |
CN107300536A (zh) * | 2017-08-25 | 2017-10-27 | 天津商业大学 | 基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法 |
CN107300536B (zh) * | 2017-08-25 | 2020-02-14 | 天津商业大学 | 基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法 |
CN108645814B (zh) * | 2018-06-28 | 2020-12-15 | 浙江理工大学 | 一种用于识别多色织物润湿区域的高光谱图像采集方法 |
CN108645814A (zh) * | 2018-06-28 | 2018-10-12 | 浙江理工大学 | 一种用于识别多色织物润湿区域的高光谱图像采集方法 |
CN109001218A (zh) * | 2018-09-03 | 2018-12-14 | 贵阳学院 | 基于高光谱成像技术的苹果表面缺陷快速无损识别方法 |
CN109285167A (zh) * | 2018-09-20 | 2019-01-29 | 西北大学 | 一种基于深度学习的提取彩绘陶器图案方法 |
CN109285167B (zh) * | 2018-09-20 | 2021-09-17 | 西北大学 | 一种基于深度学习的提取彩绘陶器图案方法 |
CN110749555A (zh) * | 2019-10-30 | 2020-02-04 | 宜宾五粮液股份有限公司 | 基于高光谱技术白酒曲块内部发酵状态检测装置及方法 |
CN110749555B (zh) * | 2019-10-30 | 2022-05-31 | 宜宾五粮液股份有限公司 | 基于高光谱技术白酒曲块内部发酵状态检测装置及方法 |
CN111815540A (zh) * | 2020-07-22 | 2020-10-23 | 吉林大学 | 一种基于高光谱的冷库果蔬冷害检测方法 |
CN117074353A (zh) * | 2023-08-18 | 2023-11-17 | 广东省农业科学院设施农业研究所 | 一种荔枝果实蒂蛀虫无损检测方法和*** |
CN117074353B (zh) * | 2023-08-18 | 2024-05-03 | 广东省农业科学院设施农业研究所 | 一种荔枝果实蒂蛀虫无损检测方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN103808669B (zh) | 2016-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103808669B (zh) | 一种基于高光谱成像技术的苹果虫眼快速无损检测方法 | |
Zhao et al. | Real-time recognition system of soybean seed full-surface defects based on deep learning | |
US11454594B2 (en) | Method for identifying frostbite condition of grain seeds using spectral feature wavebands of seed embryo hyperspectral images | |
CN106525732B (zh) | 基于高光谱成像技术的苹果内外品质快速无损检测方法 | |
Kolhar et al. | Plant trait estimation and classification studies in plant phenotyping using machine vision–A review | |
Barbedo | A review on the main challenges in automatic plant disease identification based on visible range images | |
Wang et al. | Outdoor color rating of sweet cherries using computer vision | |
KR20200084940A (ko) | Cnn 기반 병해 및 손상 과일 분류 장치 및 방법 | |
CN112016392B (zh) | 一种基于高光谱图像的大豆虫害程度的小样本检测方法 | |
Wspanialy et al. | Early powdery mildew detection system for application in greenhouse automation | |
Hu et al. | A method of citrus epidermis defects detection based on an improved YOLOv5 | |
CN109115719A (zh) | 一种基于高光谱成像技术的柑橘黄龙病波段融合快速检测方法 | |
CN109001218A (zh) | 基于高光谱成像技术的苹果表面缺陷快速无损识别方法 | |
KR102448123B1 (ko) | 농산물 신선도 예측 방법 및 장치 | |
CN113077450B (zh) | 基于深度卷积神经网络的樱桃分级检测方法及*** | |
CN113222959B (zh) | 一种基于高光谱图像卷积神经网络的鲜枣虫眼检测方法 | |
Yuan et al. | Detection of early bruise in apple using near-infrared camera imaging technology combined with deep learning | |
Zhihui et al. | Nondestructive detection of infertile hatching eggs based on spectral and imaging information | |
CN109883967A (zh) | 一种基于信息融合的中华绒螯蟹品质等级判别方法 | |
CN111340019A (zh) | 基于Faster R-CNN的粮仓害虫检测方法 | |
CN114419311B (zh) | 一种基于多源信息的百香果成熟度无损检测方法及装置 | |
CN110929787B (zh) | 一种基于图像的苹果客观定级*** | |
CN115984543A (zh) | 一种基于红外与可见光图像的目标检测算法 | |
Zhang et al. | A novel image detection method for internal cracks in corn seeds in an industrial inspection line | |
Ni et al. | Convolution neural network based automatic corn kernel qualification |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160323 Termination date: 20170126 |