CN105300895B - 一种利用特征点切线夹角预警马铃薯发芽缺陷的方法 - Google Patents
一种利用特征点切线夹角预警马铃薯发芽缺陷的方法 Download PDFInfo
- Publication number
- CN105300895B CN105300895B CN201510747071.2A CN201510747071A CN105300895B CN 105300895 B CN105300895 B CN 105300895B CN 201510747071 A CN201510747071 A CN 201510747071A CN 105300895 B CN105300895 B CN 105300895B
- Authority
- CN
- China
- Prior art keywords
- early warning
- potato
- value
- point
- warning time
- 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
- 244000061456 Solanum tuberosum Species 0.000 title claims abstract description 130
- 235000002595 Solanum tuberosum Nutrition 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000007547 defect Effects 0.000 title claims abstract description 15
- 238000001228 spectrum Methods 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000009795 derivation Methods 0.000 claims abstract 2
- 235000012015 potatoes Nutrition 0.000 claims description 48
- 230000035784 germination Effects 0.000 claims description 41
- 230000003595 spectral effect Effects 0.000 claims description 21
- 101100221616 Halobacterium salinarum (strain ATCC 29341 / DSM 671 / R1) cosB gene Proteins 0.000 claims description 16
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 239000011087 paperboard Substances 0.000 claims 2
- 238000001514 detection method Methods 0.000 abstract description 10
- 238000004611 spectroscopical analysis Methods 0.000 abstract 2
- 238000004088 simulation Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 235000013339 cereals Nutrition 0.000 description 4
- 238000000701 chemical imaging Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- 208000034656 Contusions Diseases 0.000 description 1
- 208000001034 Frostbite Diseases 0.000 description 1
- 244000141359 Malus pumila Species 0.000 description 1
- 206010039509 Scab Diseases 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- RXVGBQCEAQZMLW-UHFFFAOYSA-N alpha-solanine Natural products CC1CCC2C(C)C3C(CC4C5CC=C6CC(CCC6(C)C5CCC34C)OC7OC(CO)C(O)C(OC8OC(CO)C(O)C(O)C8O)C7OC9OC(CO)C(O)C(O)C9O)N2C1 RXVGBQCEAQZMLW-UHFFFAOYSA-N 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- ZGVSETXHNHBTRK-OTYSSXIJSA-N solanine Chemical compound O([C@H]1[C@@H](O)[C@@H](CO)O[C@H]([C@@H]1O[C@@H]1[C@@H]([C@H](O)[C@@H](O)[C@H](C)O1)O)O[C@@H]1CC2=CC[C@H]3[C@@H]4C[C@@H]5N6C[C@@H](C)CC[C@@H]6[C@H]([C@@H]5[C@@]4(C)CC[C@@H]3[C@@]2(C)CC1)C)[C@@H]1O[C@H](CO)[C@@H](O)[C@H](O)[C@H]1O ZGVSETXHNHBTRK-OTYSSXIJSA-N 0.000 description 1
- 229940031352 solanine Drugs 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种利用特征点切线夹角预警马铃薯发芽缺陷的方法。在相同条件下采集多个样本马铃薯的高光谱图像,记录预警时间,选取马铃薯的感兴趣区域,按照预警时间的不同天数对光谱数据进行分类,均值滤波后截取光谱数据,构建光谱拟合函数,求导得到一阶导数图,将极小值点、极大值点及其切线交点形成的夹角余弦值作为特征值,进行判别分析得到判别系数和判别常数,将被测马铃薯重复上述步骤得到相应的特征值,并对其进行判别分析获得预警结果,实现对马铃薯发芽的预警。本发明利用两个波段实现马铃薯发芽预警,提高检测效率,减少流通过程马铃薯发芽造成的损失。
Description
技术领域
本发明涉及一种果蔬缺陷检测方法,尤其是涉及一种利用特征点切线夹角预警马铃薯发芽缺陷的方法。
背景技术
马铃薯作为世界上的四大粮食作物之一,在全世界范围内广泛种植。马铃薯营养价值极高,在国外有着“第二面包”和“地下苹果”的美誉,粮食、蔬菜、水果中所包含的大部分营养,马铃薯基本都有。同时,马铃薯适合种植的地域很广,土壤水分和肥力的要求不高,增产潜力巨大,被***粮农组织专家认定为在未来世界出现粮食危机时,可以拯救人类的粮食作物。
马铃薯在收获、存储、运输等过程中,极易发生各种机械损伤、病菌侵染、发芽发绿等缺陷,严重影响马铃薯品质,给薯农和消费者带来经济损失。马铃薯国标检测指标之一为无冻伤、黑心、发芽、绿薯等缺陷。同时,发芽的马铃薯有毒(龙葵素(Solanine)),意外食用会对人身安全造成威胁。
开展马铃薯发芽检测的研究,是为了防止贮藏或运输过程的不当而引起的发芽商品流入市场,同时也为马铃薯的品质检验和分级的自动化做好铺垫。
目前,国内外对于马铃薯外部品质的检测已取得不少成果。目前针对马铃薯表面缺陷的检测主要集中在机械损伤、孔洞、疮痂、表面碰伤、发芽发绿等,其中在马铃薯发芽检测方面,郑冠楠等采用G通道的灰度值差值法检测发芽的马铃薯,根据实验结果,当芽体点总数>10时,可基本判定图像中存在发芽体。
对于发芽马铃薯的检测,可以利用RGB彩色机器视觉***配合相应算法完成,目前国内对于该方向的检测已能达到较高准确率。但这种依靠马铃薯表面的颜色特征进行发芽检测的方法无法用于马铃薯发芽时间的预测。
发明内容
为了解决背景技术中存在的问题,本发明的目的在于提供了一种利用特征点切线夹角预警马铃薯发芽缺陷的方法,根据感兴趣区域3个波段的光谱值所构成的特征角的余弦值来对该区域进行分类,实现马铃薯发芽预警。
本发明解决其技术问题所采用的技术方案是:
1)在相同条件下采集多个样本马铃薯的高光谱图像:
所述步骤1)具体采用以下方式采集高光谱图像:以黑色卡纸为背景,将至少150个马铃薯分别采用泡沫胶固定在卡纸上,置于暗箱中每天采集高光谱图像,连续采集5天。
2)记录马铃薯从开始采集高光谱图像到发芽为止的天数作为预警时间,选取马铃薯的发芽部位作为感兴趣区域,提取其光谱数据,按照预警时间的不同天数对光谱数据进行分类;具体实施可以马铃薯发芽日期为第0天,之前k天逆推为发芽前k天,则k天即为预警时间;
所述步骤2)中,马铃薯的感兴趣区域选取采用以下方式:找到并记录发芽马铃薯的芽眼位置中心(S,T),建立以芽眼位置(S,T)为中心、以九个像素点为边长的发芽部位区域作为数据处理的感兴趣区域。
3)对感兴趣区域的全部波段数据进行3×3均值滤波,截取感兴趣区域所在600-750nm波段的离散光谱数据。
所述步骤3)中具体采用以下公式的光谱拟合函数对光谱数据进行拟合,并利用Matlab中nlinfit函数求解:
其中,横坐标x为波长值,纵坐标f(x)为光谱均一化值,n表示累加参数,j表示累加参数的计算序数。
具体实施中,利用评价拟合程度的均方根误差RMSE确定n的值为5。
4)构建光谱拟合函数,对不同预警时间的光谱拟合函数f(χ)进行求导,得到感兴趣区域的一阶导数图,一阶导数图以波长值为横坐标、以光谱均一化值为纵坐标,从中选取距离波长680nm最近的极小值点A和极大值点C,分别在极小值点A和极大值点C处作切线,两条切线的交点为交点B,计算由极小值点A、极大值点C和交点B形成的夹角∠ABC的余弦值作为特征值cosB;
所述特征值cosB具体采用以下方式计算:将极小值点A、极大值点C和交点B的坐标分别标记为(λA,RA)、(λB,RB)和(λC,RC),其中,λA、λB和λC分别为极小值点A、极大值点C和交点B对应的波长值,RA、RB和RC分别为极小值点A、极大值点C和交点B对应的光谱均一化值,根据三个点的坐标采用余弦定理计算夹角∠ABC。
5)对不同预警时间的感兴趣区域的特征值cosB分别进行判别分析,分别得到各自的判别系数pk和判别常数qk;
所述的步骤5)中具体利用费歇尔判别系数判别方法表示的以下公式对特征值cosB进行判别分析:
F0=p0×X+q0
F1=p1×X+q1
F2=p2×X+q2
F3=p3×X+q3
F4=p4×X+q4
其中,F0为第0天预警时间样本马铃薯的得分值,F1为第1天预警时间样本马铃薯的得分值,F2为第2天预警时间样本马铃薯的得分值,F3为第3天预警时间样本马铃薯的得分值,F4为第4天预警时间样本马铃薯的得分值。X表示所有预警时间下特征值cos B的集合,pk为第k天预警时间样本马铃薯的特征值cos B对应的判别系数集合,qk为判别常数;
6)将被测马铃薯重复上述步骤1)~4)得到相应的特征值cosB,并对其进行判别分析获得预警结果,实现对马铃薯发芽的预警。
所述步骤6)中特征值cos B的判别分析结果具体采用以下方式:
将被测马铃薯提取得到的所有特征值cos B代入以下公式中获得各个预警时间下的得分值Fks,Fks值中最大值所对应的k即为预警时间:
F0s=p0×Xs+q0
F1s=p1×Xs+q1
F2s=p2×Xs+q2
F3s=p3×Xs+q3
F4s=p4×Xs+q4
其中,F0s为第0天预警时间被测马铃薯的得分值,F1s为第1天预警时间被测马铃薯的得分值,F2s为第2天预警时间被测马铃薯的得分值,F3s为第3天预警时间被测马铃薯的得分值,F4s为第4天预警时间被测马铃薯的得分值,Xs表示被测马铃薯的拟合参数集合;
本发明方法是利用高光谱成像技术连续观测马铃薯表面芽眼,记录芽眼情况至发芽为止。记马铃薯发芽日期为第0天,之前k天逆推为发芽前k天,k即为预警时间,统计并归类各个芽眼的预警时间。提取每个马铃薯芽眼部位边长为9个像素点的正方形区域的光谱数据,均值滤波后,对该区域的600-750nm波段的光谱进行均值归一化、函数拟合后,得出不同预警时间下马铃薯芽眼部位的光谱曲线图。利用曲线一阶导数为极值下的波段值λA、λC,以其导数值求出切线交点B(λB,RB),计算马铃薯各个芽眼在相应波段下切线夹角的余弦值,以此作为变量构建判别函数,实现马铃薯发芽的预警。
本发明的有益效果是:
本发明能获得马铃薯的发芽的预警信息,对马铃薯的发芽情况进行预警,实现了马铃薯发芽预警,提高检测效率,减少流通过程马铃薯发芽造成的损失。
附图说明
图1是本发明方法的实现流程图。
图2是马铃薯固定情况实物图。
图3是实施例马铃薯芽眼部位感兴趣区域的提取情况。
图4是实施例600-750nm波段马铃薯芽眼部位预警时间为1(day1)的光谱曲线拟合图。
图5是实施例600-750nm波段马铃薯芽眼部位预警时间为1(day1)的光谱曲线一阶导数图。
图6是实施例马铃薯芽眼部位预警时间为1(day1)的特征角示意图∠B。
图7是实施例600-750nm波段马铃薯芽眼部位发芽当天(day0)的光谱曲线图。
图8是实施例600-750nm波段马铃薯芽眼部位发芽当天(day0)的光谱曲线一阶导数图。
图9是实施例马铃薯芽眼部位发芽当天(day0)的特征角示意图∠B。
图10是实施例马铃薯芽眼部位预警时间为2(day2)的特征角示意图∠B。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
本发明的实施例如下:
如图1所示,首先,将马铃薯固定于黑色卡纸上(图2所示),置于室温下,遮光存储,每天采集其高光谱图像。调试高光谱成像***,匹配其物距、光照强度、相机曝光时间、扫描面积、扫描速度等参数,以能采集出清晰、不变形的图像为准,扫描马铃薯高光谱图像。记录芽眼情况至发芽为止。记录马铃薯从开始采集高光谱图像到发芽为止的天数作为预警时间,选取马铃薯的发芽部位作为感兴趣区域,提取其光谱数据,按照预警时间的不同天数对光谱数据进行分类。提取每个马铃薯芽眼部位边长为9个像素点的正方形区域的光谱数据,均值滤波后,对该区域的600-750nm波段的光谱进行均值归一化、函数拟合后,得出不同预警时间下马铃薯芽眼部位的光谱曲线图。利用曲线一阶导数为极值下的波段值λA、λC,求出切线夹角B的波段值λB,计算马铃薯各个芽眼在相应波段下特征角的余弦值,以此作为变量构建判别分析,实现马铃薯发芽的预警。
马铃薯芽眼部位感兴趣区域如图3所示,主要操作流程如下:记录发芽马铃薯的芽眼位置(S,T),以(S,T)为中心,9个像素点为边长的区域作为数据处理的感兴趣区域,定义为发芽部位。提取发芽部位的光谱数据,按照发芽情况归类光谱数据。在不同预警时间下,所统计的芽眼部位的个数如表1所示。day0代表发芽当天,day1-day4代表预警时间为1-4天。
表1 不同发芽情况下所统计芽眼部位的个数
图4为600-750nm波段马铃薯预警时间为1的光谱数据拟合曲线图。在本发明中,采用的拟合函数格式如下:
样本数量为117个芽眼部位,光谱离散值由117个样本光谱数据的均值归一化得到。
图5所示为600-750nm波段马铃薯芽眼部位预警时间为1(day1)的光谱曲线一阶导数图。选取距离波长680nm最近的极小值点A(667.92,0.038489),极大值点C(688.16,0.380951),作为本发明中的特征点。
图6所示为马铃薯芽眼部位预警时间为1(day1)的特征角示意图∠B。在本发明中,特征点A(667.92,0.038489),特征点C(688.16,0.380951),利用一阶导数值求出夹角位置B(678.03,0.048108)。确定了λA、λB、λC等波长值后,利用第i个马铃薯样本(667.92,RAi),B(678.03,RBi),C(688.16,RCi)算出其特征值cos B。(i=1,2,3…117)
图7所示为600-750nm波段马铃薯芽眼部位发芽当天(day0)的光谱曲线图。样本数量为118个芽眼部位,曲线由118个样本光谱数据的均值归一化得到。
图8所示为600-750nm波段马铃薯芽眼部位发芽当天(day0)的光谱曲线一阶导数图。选取距离波长680nm最近的两个极值点A(667.92,0.038489),C(688.16,0.380951),作为本发明中的特征点。
图9所示为马铃薯芽眼部位发芽当天(day0)的特征角示意图∠B。在本发明中,A(667.92,0.099426),B(678.03,0.107984),C(688.16,0.419124)。确定了λA、λB、λC等波长值后,利用第i个马铃薯样本(667.92,RAi),B(678.03,RBi),C(688.16,RCi)算出其特征值cosB。(i=1,2,3…118)
图10所示为马铃薯芽眼部位预警时间为2(day2)的特征角示意图∠B。在本发明中,A(667.92,0.103862),B(678.03,0.111303),C(688.16,0.420053)。确定了λA、λB、λC等波长值后,利用第i个马铃薯样本(667.92,RAi),B(678.03,RBi),C(688.16,RCi)算出其特征值cos B。(i=1,2,3…110)
判别分析:利用SPSS提供的费歇尔判别系数判别方法对不同预警时间的感兴趣区域的特征值cos B进行分类。通过处理结果中的费歇尔判别函数系数表,如表2所示,建立判别函数。
表2 费歇尔判别函数系数表
由此计算公式如下:
F0=-66.898X-23.540
F1=-94.664X-45.523
F2=-92.748X-43.764
F3=-95.004X-45.839
F4=-90.524X-41.766
马铃薯发芽情况预警:利用得到的判别函数进行预警。将新样本的特征点切线夹角的余弦值作为变量代入判别函数,计算得到各类得分Fks,取得分最大类为预警类。经检验,取发芽当天118个样本,预警时间为1的117个样本,预警结果如表3所示,对其中86.0%的样本进行了正确分类。
表3 马铃薯预警结果
可见,本发明针对于的单一特征值的分类效果完善了改进,结合其他特征值,对于预警马铃薯发芽能取得更好的结果。
Claims (6)
1.一种利用特征点切线夹角预警马铃薯发芽缺陷的方法,其特征在于该方法的步骤如下:
1)在相同条件下采集多个样本马铃薯的高光谱图像:
2)记录马铃薯从开始采集高光谱图像到发芽为止的天数作为预警时间,选取马铃薯的发芽部位作为感兴趣区域,提取其光谱数据,按照预警时间的不同天数对光谱数据进行分类;
3)对感兴趣区域的全部波段数据进行3×3均值滤波,截取感兴趣区域所在600-750nm波段的离散光谱数据;
4)构建光谱拟合函数,对不同预警时间的光谱拟合函数f(x)进行求导,得到感兴趣区域的一阶导数图,一阶导数图以波长值为横坐标、以光谱均一化值为纵坐标,从中选取距离波长680nm最近的极小值点A和极大值点C,分别在极小值点A和极大值点C处作切线,两条切线的交点为交点B,计算由极小值点A、极大值点C和交点B形成的夹角∠ABC的余弦值作为特征值cosB;
所述步骤4)中具体采用以下公式的光谱拟合函数对光谱数据进行拟合:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>5</mn>
</mrow>
</munderover>
<msub>
<mi>a</mi>
<mi>j</mi>
</msub>
<mo>&times;</mo>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mo>&times;</mo>
<mi>x</mi>
<mo>+</mo>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中,横坐标x为波长值,纵坐标f(x)为光谱均一化值,n表示累加参数,j表示累加参数的计算序数;
5)对不同预警时间的感兴趣区域的特征值cosB分别进行判别分析,分别得到各自的判别系数pk和判别常数qk;
6)将被测马铃薯重复上述步骤1)~4)得到所有特征值cosB,并对其进行判别分析获得预警结果,实现对马铃薯发芽的预警。
2.根据权利要求1所述的一种利用特征点切线夹角预警马铃薯发芽缺陷的方法,其特征在于:所述步骤1)具体采用以下方式采集高光谱图像:以黑色卡纸为背景,将至少150个马铃薯分别固定在卡纸上,置于暗箱中每天采集高光谱图像,连续采集5天。
3.根据权利要求1所述的一种利用特征点切线夹角预警马铃薯发芽缺陷的方法,其特征在于:所述步骤2)中,马铃薯的感兴趣区域选取采用以下方式:找到并记录发芽马铃薯的芽眼位置(S,T),建立以芽眼位置(S,T)为中心、以九个像素点为边长的发芽部位区域作为感兴趣区域。
4.根据权利要求1所述的一种利用特征点切线夹角预警马铃薯发芽缺陷的方法,其特征在于:所述的步骤5)中具体利用费歇尔判别系数判别方法表示的以下公式对特征值cosB进行判别分析:
F0=p0×X+q0
F1=p1×X+q1
F2=p2×X+q2
F3=p3×X+q3
F4=p4×X+q4
其中,F0为第0天预警时间样本马铃薯的得分值,F1为第1天预警时间样本马铃薯的得分值,F2为第2天预警时间样本马铃薯的得分值,F3为第3天预警时间样本马铃薯的得分值,F4为第4天预警时间样本马铃薯的得分值,X表示所有预警时间下特征值cosB的集合,pk为第k天预警时间样本马铃薯的特征值cosB对应的判别系数集合,qk为判别常数。
5.根据权利要求1所述的一种利用特征点切线夹角预警马铃薯发芽缺陷的方法,其特征在于:所述步骤6)中所有特征值cosB的判别分析结果具体采用以下方式:将被测马铃薯提取得到的所有特征值cosB代入以下公式中获得各个预警时间下的得分值Fks,Fks值中最大值所对应的k即为预警时间:
F0s=p0×Xs+q0
F1s=p1×Xs+q1
F2s=p2×Xs+q2
F3s=p3×Xs+q3
F4s=p4×Xs+q4
其中,F0s为第0天预警时间被测马铃薯的得分值,F1s为第1天预警时间被测马铃薯的得分值,F2s为第2天预警时间被测马铃薯的得分值,F3s为第3天预警时间被测马铃薯的得分值,F4s为第4天预警时间被测马铃薯的得分值,Xs表示被测马铃薯的拟合参数集合。
6.根据权利要求1所述的一种利用特征点切线夹角预警马铃薯发芽缺陷的方法,其特征在于:所述步骤4)中特征值cosB具体采用以下方式计算:将极小值点A、极大值点C和交点B的坐标分别标记为(λA,RA)、(λB,RB)和(λC,RC),其中,λA、λB和λC分别为极小值点A、极大值点C和交点B对应的波长值,RA、RB和RC分别为极小值点A、极大值点C和交点B对应的光谱均一化值,根据三个点的坐标采用以下公式表示的余弦定理计算夹角∠ABC:
<mrow>
<mi>cos</mi>
<mi> </mi>
<mi>B</mi>
<mo>=</mo>
<mfrac>
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>&lambda;</mi>
<mi>B</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>R</mi>
<mi>B</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mi>A</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>&lambda;</mi>
<mi>C</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&lambda;</mi>
<mi>A</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>&lambda;</mi>
<mi>B</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&lambda;</mi>
<mi>B</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>&lambda;</mi>
<mi>C</mi>
</msub>
<mo>+</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>R</mi>
<mi>A</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>R</mi>
<mi>C</mi>
</msub>
<mo>-</mo>
<msub>
<mi>R</mi>
<mi>A</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>R</mi>
<mi>B</mi>
</msub>
<mo>-</mo>
<msub>
<mi>R</mi>
<mi>B</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>R</mi>
<mi>C</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
<mrow>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mi>C</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&lambda;</mi>
<mi>B</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>R</mi>
<mi>C</mi>
</msub>
<mo>-</mo>
<msub>
<mi>R</mi>
<mi>B</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>&times;</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mi>B</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&lambda;</mi>
<mi>A</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>R</mi>
<mi>B</mi>
</msub>
<mo>-</mo>
<msub>
<mi>R</mi>
<mi>A</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
</mfrac>
<mo>.</mo>
</mrow>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510747071.2A CN105300895B (zh) | 2015-11-05 | 2015-11-05 | 一种利用特征点切线夹角预警马铃薯发芽缺陷的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510747071.2A CN105300895B (zh) | 2015-11-05 | 2015-11-05 | 一种利用特征点切线夹角预警马铃薯发芽缺陷的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105300895A CN105300895A (zh) | 2016-02-03 |
CN105300895B true CN105300895B (zh) | 2017-12-26 |
Family
ID=55198407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510747071.2A Active CN105300895B (zh) | 2015-11-05 | 2015-11-05 | 一种利用特征点切线夹角预警马铃薯发芽缺陷的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105300895B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451585B (zh) * | 2017-06-21 | 2023-04-18 | 浙江大学 | 基于激光成像的马铃薯图像识别装置和方法 |
CN109493287B (zh) * | 2018-10-10 | 2022-03-15 | 浙江大学 | 一种基于深度学习的定量光谱数据分析处理方法 |
CN110047064B (zh) * | 2019-03-27 | 2021-03-19 | 中国农业机械化科学研究院 | 一种马铃薯疮痂检测方法 |
CN112710661B (zh) * | 2020-12-25 | 2022-07-22 | 河北北方学院 | 一种马铃薯育种监测分析方法及*** |
CN114820619B (zh) * | 2022-06-29 | 2022-11-15 | 深圳市信润富联数字科技有限公司 | 块茎类植物分选方法、***、计算机设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6091843A (en) * | 1998-09-03 | 2000-07-18 | Greenvision Systems Ltd. | Method of calibration and real-time analysis of particulates |
CN102313699A (zh) * | 2011-05-26 | 2012-01-11 | 北京农业信息技术研究中心 | 作物冠层叶片的全氮含量估算方法 |
CN102612892A (zh) * | 2012-03-02 | 2012-08-01 | 北京农业信息技术研究中心 | 小麦麦穗发芽情况识别方法 |
CN103336946A (zh) * | 2013-06-17 | 2013-10-02 | 浙江大学 | 一种基于双目立体视觉的成簇状番茄识别方法 |
CN103630498A (zh) * | 2013-11-12 | 2014-03-12 | 浙江大学 | 基于高光谱成像技术的脐橙表面农药残留量的检测方法 |
CN204269559U (zh) * | 2014-11-17 | 2015-04-15 | 浙江大学 | 一种椭球形水果全表面高光谱图像在线采集装置 |
CN104597052A (zh) * | 2015-02-09 | 2015-05-06 | 淮阴工学院 | 基于多特征融合的马铃薯高速无损分级检测方法及*** |
CN105004737A (zh) * | 2015-07-14 | 2015-10-28 | 浙江大学 | 基于自适应改进型梯度信息的水果表面缺陷检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2459558A1 (en) * | 2001-09-17 | 2003-03-27 | Her Majesty The Queen In Right Of Canada As Represented By The Minister Of Agriculture And Agri-Food | Method for identifying and quantifying characteristics of seeds and other small objects |
JP4239955B2 (ja) * | 2004-11-19 | 2009-03-18 | コニカミノルタセンシング株式会社 | マルチアングル測色計、照明装置及び受光装置 |
JP5021293B2 (ja) * | 2006-12-29 | 2012-09-05 | 株式会社パスコ | 作物の生育状況分析方法、作物の生育状況分析装置及び作物の生育状況分析プログラム |
JP2013169156A (ja) * | 2012-02-18 | 2013-09-02 | Mie Univ | 色彩画像撮像・外観特徴解析システム |
-
2015
- 2015-11-05 CN CN201510747071.2A patent/CN105300895B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6091843A (en) * | 1998-09-03 | 2000-07-18 | Greenvision Systems Ltd. | Method of calibration and real-time analysis of particulates |
CN102313699A (zh) * | 2011-05-26 | 2012-01-11 | 北京农业信息技术研究中心 | 作物冠层叶片的全氮含量估算方法 |
CN102612892A (zh) * | 2012-03-02 | 2012-08-01 | 北京农业信息技术研究中心 | 小麦麦穗发芽情况识别方法 |
CN103336946A (zh) * | 2013-06-17 | 2013-10-02 | 浙江大学 | 一种基于双目立体视觉的成簇状番茄识别方法 |
CN103630498A (zh) * | 2013-11-12 | 2014-03-12 | 浙江大学 | 基于高光谱成像技术的脐橙表面农药残留量的检测方法 |
CN204269559U (zh) * | 2014-11-17 | 2015-04-15 | 浙江大学 | 一种椭球形水果全表面高光谱图像在线采集装置 |
CN104597052A (zh) * | 2015-02-09 | 2015-05-06 | 淮阴工学院 | 基于多特征融合的马铃薯高速无损分级检测方法及*** |
CN105004737A (zh) * | 2015-07-14 | 2015-10-28 | 浙江大学 | 基于自适应改进型梯度信息的水果表面缺陷检测方法 |
Non-Patent Citations (9)
Title |
---|
Automatic detection of common surface defects on oranges using combined lighting transform and image ratio methods;Jiangbo Li.et al;《Postharvest Biology and Technology》;20131231;第82卷;第59-69页 * |
Detection of common defects on oranges using hyperspectral reflectance imaging;Jiangbo Li.et al;《Computers and Electronics in Agriculture》;20110529;第78卷;第38-48页 * |
GERMINATION OF SEEDS AS INFLUENCED BY MATRIC POTENTIAL AND BY AREA OF CONTACT BETWEEN SEED AND SOIL WATER;N. COLLIS-GEORGE.et al;《Soil Research》;19661231;第4卷(第2期);第145-164页 * |
The application of machine vision to food and agriculture: a review;E R Davies.et al;《The Imaging Science Journal》;20130718;第197-217页 * |
基于高光谱图像和光谱信息融合的马铃薯多指标检测方法;金瑞等;《农业工程学报》;20150831;第31卷(第16期);第258-263页 * |
基于高光谱成像技术检测脐橙溃疡;李江波等;《农业工程学报》;20100831;第26卷(第8期);第222-228页 * |
基于高光谱成像技术的马铃薯外部缺陷检测;周竹等;《农业工程学报》;20121130;第28卷(第21期);第221-228页 * |
基于高光谱漫透射成像整体检测番茄可溶性固形物含量;张若宇等;《农业工程学报》;20131231;第29卷(第23期);第247-252页 * |
高光谱图像技术结合图像处理方法检测马铃薯外部缺陷;苏文浩等;《浙江大学学报(农业与生命科学版)》;20131205;第40卷(第2期);第188-196页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105300895A (zh) | 2016-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105300895B (zh) | 一种利用特征点切线夹角预警马铃薯发芽缺陷的方法 | |
Mahendran et al. | Application of computer vision technique on sorting and grading of fruits and vegetables | |
Dey et al. | Image processing based leaf rot disease, detection of betel vine (Piper BetleL.) | |
US20200141877A1 (en) | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle | |
Cubero et al. | Advances in machine vision applications for automatic inspection and quality evaluation of fruits and vegetables | |
Stajnko et al. | Estimation of number and diameter of apple fruits in an orchard during the growing season by thermal imaging | |
Ganiron | Size properties of mangoes using image analysis | |
CN102612892B (zh) | 小麦麦穗发芽情况识别方法 | |
CN105426585B (zh) | 一种基于正弦函数拟合法的马铃薯发芽预警方法 | |
CN112287886B (zh) | 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法 | |
Barbedo | A review on the combination of deep learning techniques with proximal hyperspectral images in agriculture | |
CN105067532A (zh) | 一种鉴别油菜菌核病和灰霉病早期病斑的方法 | |
Choi et al. | Applying convolutional neural networks to assess the external quality of strawberries | |
CN115170958A (zh) | 采用多光谱图像傅里叶变换的大豆冠层萎蔫度计算方法 | |
CN114199880A (zh) | 一种基于边缘计算的柑橘病虫害实时检测方法 | |
Torres et al. | Setting up a methodology to distinguish between green oranges and leaves using hyperspectral imaging | |
CN105424622B (zh) | 一种利用特征三角形面积预警马铃薯发芽的方法 | |
Ghorai et al. | Image processing based detection of diseases and nutrient deficiencies in plants | |
Zhao et al. | Early detection of aphid (Myzus persicae) infestation on Chinese cabbage by hyperspectral imaging and feature extraction | |
Gaikwad et al. | Multi-spectral imaging for fruits and vegetables | |
Xu et al. | A deep learning model for rapid classification of tea coal disease | |
Singh et al. | A novel algorithm for segmentation of diseased apple leaf images | |
Mahmud et al. | Detection of strawberry powdery mildew disease in leaf using image texture and supervised classifiers | |
Mohamed et al. | Strawberry ripeness calibrated 2D colour lookup table for field-deployable computer vision | |
Ali et al. | Potential use of digital photographic technique to examine wild blueberry ripening in relation to time of harvest |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |