CN106706559A - 落叶含水率的测量方法、***及服务器 - Google Patents
落叶含水率的测量方法、***及服务器 Download PDFInfo
- Publication number
- CN106706559A CN106706559A CN201710124007.8A CN201710124007A CN106706559A CN 106706559 A CN106706559 A CN 106706559A CN 201710124007 A CN201710124007 A CN 201710124007A CN 106706559 A CN106706559 A CN 106706559A
- Authority
- CN
- China
- Prior art keywords
- data
- fallen leaves
- moisture content
- signal
- energy value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013499 data model Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000013481 data capture Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 7
- 239000002362 mulch Substances 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 206010010904 Convulsion Diseases 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种落叶含水率的测量方法、***及电子设备,落叶含水率的测量方法包括:获取源于探测器所探测的与落叶相关的数据信号,并从所获取的与落叶相关的数据信号中分析出有效的数据信号;根据有效的数据信号计算能量值数据序列,和能量值数据序列的均值;能量值数据序列用于表示与落叶相关的数据信号能量值特征;能量值数据序列的均值用于判断落叶含水率的特征值;利用预先建立的落叶含水率与能量值数据序列的均值对应关系的先验数据模型,以获取与所计算的能量值数据序列的均值对应的落叶含水率。本发明可以在无需人工干预的情况下,适用于各种使用环境和气候环境下,全天时全天候的自动获得准确的落叶层含水率信息。
Description
技术领域
本发明属于林区环境状态监控及林业防火信息领域,涉及一种测量方法与***,特别是涉及一种落叶含水率的测量方法、***及服务器。
背景技术
目前,林区环境状态监控及林业防火信息领域都涉及到一个核心问题,即落叶层的含水率的获取,这直接关系到林区环境的控制及林区的防火等级的判定。***是否能够在各种林区环境及自然环境下,全天时全天候的获得准确的落叶层含水率信息是关键的环节。因此,获得准确的落叶层含水率是林区环境状态监控及林业防火信息领域研究中的关键技术之一。
在进行落叶层含水率判定时,存在环境普适性、准确率高等要求,且不依赖于硬件,在实际使用过程中需要满足可用性强,可自动完成含水率测试,无需人工干预。
为了实现对落叶含水率的测量,可以使用硬件的FDR方法,或使用称重的方法。树叶的密度是不均匀的,且叶片间的缝隙会较大,对于不同的树叶类型其分布情况也是不同的(如阔叶、针叶等),此种情况FDR设备的准确率会大大降低。使用称重的方法是需要人工操作,需要人为的进行样本采集,测量,烘干等等步骤。
但是,现有落叶含水率的测量方法需要人工干预,非自动进行计算落叶含水率,且应用性较弱,落叶含水率准确率低等缺陷。
因此,如何提供一种落叶含水率的测量方法、***及电子设备,以解决现有落叶含水率的测量方法需要人工干预,非自动计算,且应用性较弱,落叶含水率准确率低等种种缺陷,实已成为本领域从业者亟待解决的技术问题。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种落叶含水率的测量方法、***及服务器,用于解决现有技术中落叶含水率的测量方法需要人工干预,非自动计算,且应用性较弱,落叶含水率准确率低的问题。
为实现上述目的及其他相关目的,本发明一方面提供一种落叶含水率的测量方法,所述落叶含水率的测量方法包括以下步骤:获取源于探测器所探测的与落叶相关的数据信号,并从所获取的与落叶相关的数据信号中分析出有效的数据信号;根据所述有效的数据信号计算能量值数据序列,和能量值数据序列的均值;所述能量值数据序列用于表示与落叶相关的数据信号能量值特征;所述能量值数据序列的均值用于判断落叶含水率的特征值;利用预先建立的落叶含水率与能量值数据序列的均值对应关系的先验数据模型,以获取与所计算的能量值数据序列的均值对应的落叶含水率。
于本发明的一实施例中,在所述分析出有效的数据信号的步骤之前,所述落叶含水率的测量方法还包括:对所获取的与落叶相关的数据信号进行滤波处理。
于本发明的一实施例中,所述落叶含水率的测量方法还包括:计算经过滤波处理后的数据信号的用于判断数据信号是否有效的峰度系数,以分析出有效的数据信号。
于本发明的一实施例中,当所述峰度系数小于预设峰值阈值时,表示经过滤波处理后的数据信号为有效的数据信号;当所述峰度系数大于等于预设峰值阈值时,表示经过滤波处理后的数据信号为无效的数据信号。
于本发明的一实施例中,所述获取与能量值数据序列的均值对应的落叶含水率的步骤包括在所述先验数据模型中,查找与能量值数据序列的均值一一对应的落叶含水率。
本发明另一方面提供一种落叶含水率的测量***,所述落叶含水率的测量***包括:数据处理模块,用于获取源于探测器所探测的与落叶相关的数据信号,并从所获取的与落叶相关的数据信号中分析出有效的数据信号;计算模块,用于根据所述有效的数据信号计算能量值数据序列,和能量值数据序列的均值;所述能量值数据序列用于表示与落叶相关的数据信号能量值特征;所述能量值数据序列的均值用于判断落叶含水率的特征值;获取模块,用于利用预先建立的落叶含水率与能量值数据序列的均值对应关系的先验数据模型,以获取与所计算的能量值数据序列的均值对应的落叶含水率。
于本发明的一实施例中,所述数据处理模块包括:数据获取单元,用于获取源于探测器所探测的与落叶相关的数据信号;滤波单元,用于对所获取的与落叶相关的数据信号进行滤波处理;分析单元,用于计算经过滤波处理后的数据信号的、用于判断数据信号是否有效的峰度系数,以分析出有效的数据信号。
于本发明的一实施例中,当所述分析单元计算出的峰度系数小于预设峰值阈值时,表示经过滤波处理后的数据信号为有效的数据信号;当所述分析单元计算出的峰度系数大于等于预设峰值阈值时,表示经过滤波处理后的数据信号为无效的数据信号。
于本发明的一实施例中,所述获取模块用于在所述先验数据模型中,查找与能量值数据序列的均值一一对应的落叶含水率。
本发明又一方面提供一种电子设备,所述电子设备包括所述的落叶含水率的测量***。
如上所述,本发明的落叶含水率的测量方法、***及电子设备,具有以下有益效果:
本发明所述的落叶含水率的测量方法、***及电子设备可以在无需人工干预的情况下,适用于各种使用环境和气候环境下,全天时全天候的自动获得准确的落叶层含水率信息。
附图说明
图1显示为本发明的落叶含水率的测量方法于一实施例中的流程示意图。
图2显示为本发明的落叶含水率的测量***于一实施例中的原理结构示意图。
图3A显示为本发明的电子设备的应用结构示意图。
图3B显示为本发明的电子设备的应用结构示意图。
元件标号说明
1 落叶含水率的测量***
11 数据处理模块
12 计算模块
13 筛选模块
111 数据获取单元
112 滤波单元
113 分析单元
2 电子设备
3 近红外图像探测器
S1~S5 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
实施例一
本实施例提供一种落叶含水率的测量方法,所述落叶含水率的测量方法包括以下步骤:
获取源于探测器所探测的与落叶相关的数据信号,并从所获取的与落叶相关的数据信号中分析出有效的数据信号;
计算有效的数据信号的、用于表示与落叶相关的数据信号能量值特征的能量值数据序列,并计算用于判断落叶含水率的特征值的能量值数据序列的均值;
利于预先建立的落叶含水率与能量值数据序列的均值对应关系的先验数据模型,以获取与能量值数据序列的均值对应的落叶含水率。
以下将结合图示对本实施例所提供的落叶含水率的测量方法进行详细描述。请参阅图1,显示为落叶含水率的测量方法于一实施例中的流程示意图。如图1所示,所述落叶含水率的测量方法包括以下几个步骤:
S1,获取源于探测器所探测的与落叶相关的数据信号。在本实施例中,所述探测器为近红外图像探测器。所述与落叶相关的数据信号为与落叶相关的短时红外数据信号。
S2,对与落叶相关的短时红外数据信号进行滤波处理。在本实施例中,所述滤波处理采用模糊控制滤波处理。在本实施例中,为了去除与落叶相关的短时红外数据信号中干扰噪声及突变点,需对与落叶相关的短时红外数据信号进行模糊控制滤波处理。在本实施例中,假设第i个与落叶相关的短时红外数据信号用X(i)表示,与落叶相关的短时红外数据信号X(i)有n个数据点,则X(i)=S(i)+N(i),其中,S(i)为第i个有用的与落叶相关的短时红外数据信号,N(i)为第i个噪声信号。对有用的与落叶相关的短时红外数据信号进行模糊控制滤波处理,即Y(i)=a*S(i)+(1-a)*S(i-1),S(i)通过模糊控制滤波处理形成S1(i),其中,a∈[0,1],a为模糊控制参数。凡是能够将与落叶相关的短时红外数据信号中干扰噪声及突变点去掉的滤波方法都适用于本发明。
S3,计算经过模糊控制滤波处理后的数据信号的、用于判断数据信号是否有效的峰度系数,以分析出有效的数据信号。在本实施例中,计算所述峰度系数的计算公式为:
其中,K为峰度系数,μ为经过模糊控制滤波处理后的数据信号S1(i)的信号平均值,σ为经过模糊控制滤波处理后的数据信号S1(i)的方差平方值,在本实施例中,当所述峰度系数小于预设峰值阈值时,表示经过模糊控制滤波处理后的数据信号S1(i)足够平坦,则认为该经过模糊控制滤波处理后的数据信号S1(i)为有效信号。当所述峰度系数大于等于预设峰值阈值时,表示经过模糊控制滤波处理后的数据信号S1(i)陡峭,则认为该经过模糊控制滤波处理后的数据信号S1(i)为无效信号。
S4,计算有效的数据信号的、用于表示与落叶相关的数据信号能量值特征的能量值数据序列,并计算用于判断落叶含水率的特征值的能量值数据序列的均值。在本实施例中,通过对有效的数据信号S1(i)使用固定采样点进行局部能量值计算,以获取有效的数据信号的、用于表示与落叶相关的数据信号能量值特征的能量值数据序列M(i),即其中,I(i)为卷积核模板。在本实施例中,在计算出与落叶相关的数据信号能量值特征的能量值数据序列M(i)之后,再计算用于判断落叶含水率的特征值的能量值数据序列的均值EM,即
S5,利于预先建立的落叶含水率与能量值数据序列的均值对应关系的先验数据模型,查找与所计算的能量值数据序列的均值一一对应的落叶含水率,以获取与落叶含水率W。在本实施例中,所述先验数据模型是根据预先采集的落叶制作不同含水率测定的标准数据,所建立的数据模型。
本实施例所述的落叶含水率的测量方法可以在无需人工干预的情况下,适用于各种使用环境和气候环境下,全天时全天候的自动获得准确的落叶层含水率信息。
实施例二
本实施例提供一种落叶含水率的测量***1,请参阅图2,显示为落叶含水率的测量***于一实施例中的原理结构示意图。如图2所示,所述落叶含水率的测量***1包括数据处理模块11、计算模块12、及筛选模块13。
所述数据处理模块11用于获取源于探测器所探测的与落叶相关的数据信号,并从所获取的与落叶相关的数据信号中分析出有效的数据信号。继续参阅图2,所述数据处理模块11包括数据获取单元111、滤波单元112、及分析单元113。
所述数据获取单元111用于获取源于探测器所探测的与落叶相关的数据信号。在本实施例中,所述探测器为近红外图像探测器,所述数据获取单元111从近红外图像探测器获取与落叶相关的数据信号。所述与落叶相关的数据信号为与落叶相关的短时红外数据信号。
与所述数据获取单元111连接的滤波单元112用于对与落叶相关的短时红外数据信号进行滤波处理。在本实施例中,为了去除与落叶相关的短时红外数据信号中干扰噪声及突变点,所述滤波单元112通过模糊控制滤波处理方式对所述与落叶相关的短时红外数据信号进行滤波处理。与所述滤波单元112连接的分析单元113用于计算经过模糊控制滤波处理后的数据信号的、用于判断数据信号是否有效的峰度系数,以分析出有效的数据信号。在本实施例中,预存在所述分析单元113中的计算所述峰度系数的计算公式为:
其中,K为峰度系数,μ为经过模糊控制滤波处理后的数据信号S1(i)的信号平均值,σ为经过模糊控制滤波处理后的数据信号S1(i)的方差平方值,在本实施例中,当所述分析单元113计算出的所述峰度系数小于预设峰值阈值时,表示经过模糊控制滤波处理后的数据信号S1(i)足够平坦,则认为该经过模糊控制滤波处理后的数据信号S1(i)为有效信号。当所述分析单元113计算出的所述峰度系数大于等于预设峰值阈值时,表示经过模糊控制滤波处理后的数据信号S1(i)陡峭,则认为该经过模糊控制滤波处理后的数据信号S1(i)为无效信号。
与所述数据处理模块11连接的计算模块12用于计算有效的数据信号的、用于表示与落叶相关的数据信号能量值特征的能量值数据序列,并计算用于判断落叶含水率的特征值的能量值数据序列的均值。在本实施例中,所述计算模块12通过对有效的数据信号S1(i)使用固定采样点进行局部能量值计算,以获取有效的数据信号的、用于表示与落叶相关的数据信号能量值特征的能量值数据序列M(i),即其中,I(i)为卷积核模板。在本实施例中,所述计算模块12计算出与落叶相关的数据信号能量值特征的能量值数据序列M(i)之后,再计算用于判断落叶含水率的特征值的能量值数据序列的均值EM,即
与所述计算模块12连接的筛选模块13用于利于预先建立的落叶含水率与能量值数据序列的均值对应关系的先验数据模型,查找与所述计算模块12所计算的能量值数据序列的均值一一对应的落叶含水率,以获取与落叶含水率W。
本实施例还提供一种电子设备2,该电子设备2在测量落叶含水率时,需与近红外图像探测器3有线连接或无线连接,以从所述近红外图像探测器获取近红外图像探测器所探测的与落叶相关的数据信号。请参阅图3A和图3B,显示为电子设备的应用结构示意图。如图3所示,所述电子设备2包括上述的落叶含水率的测量***1。
具体地,所述电子设备包括处理器和与所述处理器连接的存储器,所述存储器中预先存储有预先建立的落叶含水率与能量值数据序列的均值对应关系的先验数据模型。该存储器可以包括只读存储器和随机存取存储器,并像处理器提供数据。存储器的一部分还可以包括非易失性随机存取存储器。
所述处理器从近红外图像探测器获取与落叶相关的数据信号,从与落叶相关的数据信号中分析出有效的数据信号,并根据所述有效数据信号计算能量值数据序列,和能量值数据序列的均值,并利用存储在所述存储器中的先验数据模型,查找与能量值数据序列的均值一一对应的落叶含水率,以获取与落叶含水率。
综上所述,本发明所述的落叶含水率的测量方法、***及服务器可以在无需人工干预的情况下,适用于各种使用环境和气候环境下,全天时全天候的自动获得准确的落叶层含水率信息。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种落叶含水率的测量方法,其特征在于,所述落叶含水率的测量方法包括以下步骤:
获取源于探测器所探测的与落叶相关的数据信号,并从所获取的与落叶相关的数据信号中分析出有效的数据信号;
根据所述有效的数据信号计算能量值数据序列,和能量值数据序列的均值;所述能量值数据序列用于表示与落叶相关的数据信号能量值特征;所述能量值数据序列的均值用于判断落叶含水率的特征值;
利用预先建立的落叶含水率与能量值数据序列的均值对应关系的先验数据模型,以获取与所计算的能量值数据序列的均值对应的落叶含水率。
2.根据权利要求1所述的落叶含水率的测量方法,其特征在于:在所述分析出有效的数据信号的步骤之前,所述落叶含水率的测量方法还包括:
对所获取的与落叶相关的数据信号进行滤波处理。
3.根据权利要求2所述的落叶含水率的测量方法,其特征在于:所述落叶含水率的测量方法还包括:
计算经过滤波处理后的数据信号的用于判断数据信号是否有效的峰度系数,以分析出有效的数据信号。
4.根据权利要求3所述的落叶含水率的测量方法,其特征在于:
当所述峰度系数小于预设峰值阈值时,表示经过滤波处理后的数据信号为有效的数据信号;
当所述峰度系数大于等于预设峰值阈值时,表示经过滤波处理后的数据信号为无效的数据信号。
5.根据权利要求3所述的落叶含水率的测量方法,其特征在于:所述获取与能量值数据序列的均值对应的落叶含水率的步骤包括在所述先验数据模型中,查找与能量值数据序列的均值一一对应的落叶含水率。
6.一种落叶含水率的测量***,其特征在于,所述落叶含水率的测量***包括:
数据处理模块,用于获取源于探测器所探测的与落叶相关的数据信号,并从所获取的与落叶相关的数据信号中分析出有效的数据信号;
计算模块,用于根据所述有效的数据信号计算能量值数据序列,和能量值数据序列的均值;所述能量值数据序列用于表示与落叶相关的数据信号能量值特征;所述能量值数据序列的均值用于判断落叶含水率的特征值;
获取模块,用于利用预先建立的落叶含水率与能量值数据序列的均值对应关系的先验数据模型,以获取与所计算的能量值数据序列的均值对应的落叶含水率。
7.根据权利要求6所述的落叶含水率的测量***,其特征在于:所述数据处理模块包括:
数据获取单元,用于获取源于探测器所探测的与落叶相关的数据信号;
滤波单元,用于对所获取的与落叶相关的数据信号进行滤波处理;
分析单元,用于计算经过滤波处理后的数据信号的、用于判断数据信号是否有效的峰度系数,以分析出有效的数据信号。
8.根据权利要求7所述的落叶含水率的测量***,其特征在于:
当所述分析单元计算出的峰度系数小于预设峰值阈值时,表示经过滤波处理后的数据信号为有效的数据信号;
当所述分析单元计算出的峰度系数大于等于预设峰值阈值时,表示经过滤波处理后的数据信号为无效的数据信号。
9.根据权利要求7所述的落叶含水率的测量***,其特征在于:所述获取模块用于在所述先验数据模型中,查找与能量值数据序列的均值一一对应的落叶含水率。
10.一种电子设备,其特征在于,所述电子设备包括如权利要求6-9中任一项所述的落叶含水率的测量***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710124007.8A CN106706559B (zh) | 2017-03-03 | 2017-03-03 | 落叶含水率的测量方法、***及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710124007.8A CN106706559B (zh) | 2017-03-03 | 2017-03-03 | 落叶含水率的测量方法、***及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106706559A true CN106706559A (zh) | 2017-05-24 |
CN106706559B CN106706559B (zh) | 2019-06-18 |
Family
ID=58912092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710124007.8A Active CN106706559B (zh) | 2017-03-03 | 2017-03-03 | 落叶含水率的测量方法、***及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106706559B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107991271A (zh) * | 2017-10-24 | 2018-05-04 | 华南农业大学 | 一种无损检测茶叶含水量的虚拟仪器*** |
CN109916957A (zh) * | 2019-03-08 | 2019-06-21 | 中国科学院上海微***与信息技术研究所 | 一种基于红外信号的落叶含水率测量方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101498679A (zh) * | 2008-01-31 | 2009-08-05 | 黑龙江大学 | 交指电容谷物含水率传感器 |
CN101598714A (zh) * | 2009-03-26 | 2009-12-09 | 安徽农业大学 | 茶鲜叶原料质量的评价方法 |
CN101907564A (zh) * | 2010-06-24 | 2010-12-08 | 江苏大学 | 基于近红外光谱技术的油菜籽品质无损检测方法和装置 |
CN102495005A (zh) * | 2011-11-17 | 2012-06-13 | 江苏大学 | 高光谱图像技术诊断作物水分亏缺的方法 |
CN102507495A (zh) * | 2011-11-23 | 2012-06-20 | 浙江大学 | 基于小波变换的快速无损检测绿茶含水率的方法 |
CN103018196A (zh) * | 2012-12-11 | 2013-04-03 | 江苏大学 | 一种油菜需水信息的快速探测方法 |
-
2017
- 2017-03-03 CN CN201710124007.8A patent/CN106706559B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101498679A (zh) * | 2008-01-31 | 2009-08-05 | 黑龙江大学 | 交指电容谷物含水率传感器 |
CN101598714A (zh) * | 2009-03-26 | 2009-12-09 | 安徽农业大学 | 茶鲜叶原料质量的评价方法 |
CN101907564A (zh) * | 2010-06-24 | 2010-12-08 | 江苏大学 | 基于近红外光谱技术的油菜籽品质无损检测方法和装置 |
CN102495005A (zh) * | 2011-11-17 | 2012-06-13 | 江苏大学 | 高光谱图像技术诊断作物水分亏缺的方法 |
CN102507495A (zh) * | 2011-11-23 | 2012-06-20 | 浙江大学 | 基于小波变换的快速无损检测绿茶含水率的方法 |
CN103018196A (zh) * | 2012-12-11 | 2013-04-03 | 江苏大学 | 一种油菜需水信息的快速探测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107991271A (zh) * | 2017-10-24 | 2018-05-04 | 华南农业大学 | 一种无损检测茶叶含水量的虚拟仪器*** |
CN109916957A (zh) * | 2019-03-08 | 2019-06-21 | 中国科学院上海微***与信息技术研究所 | 一种基于红外信号的落叶含水率测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106706559B (zh) | 2019-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aquino et al. | A new methodology for estimating the grapevine-berry number per cluster using image analysis | |
US20190147283A1 (en) | Deep convolutional neural networks for crack detection from image data | |
CN103761748B (zh) | 异常行为检测方法和装置 | |
CN103530878B (zh) | 一种基于融合策略的边缘提取方法 | |
CN106443701A (zh) | 基于时序水范围遥感影像的洪涝灾前预警方法 | |
CN106846362A (zh) | 一种目标检测跟踪方法和装置 | |
CN106355188A (zh) | 图像检测方法及装置 | |
Mon et al. | Vision based volume estimation method for automatic mango grading system | |
CN106530281A (zh) | 基于边缘特征的无人机图像模糊判断方法及*** | |
Maltamo et al. | Predicting and calibrating tree attributes by means of airborne laser scanning and field measurements | |
CN109580004A (zh) | 一种温度检测方法及装置 | |
CN107578021A (zh) | 基于深度学习网络的行人检测方法、装置及*** | |
CN110533654A (zh) | 零部件的异常检测方法及装置 | |
CN109684976A (zh) | 门状态监测方法、装置、设备和***及存储介质 | |
CN106706559A (zh) | 落叶含水率的测量方法、***及服务器 | |
Dolata et al. | Instance segmentation of root crops and simulation-based learning to estimate their physical dimensions for on-line machine vision yield monitoring | |
CN103090946A (zh) | 果树单树产量测量的方法和*** | |
CN109635717A (zh) | 一种基于深度学习的矿用行人检测方法 | |
CN115619710A (zh) | 基于分步跟踪检测的物品数量统计方法、装置及设备 | |
Sabzchi-Dehkharghani et al. | Recognition of different yield potentials among rain-fed wheat fields before harvest using remote sensing | |
CN112202630A (zh) | 一种基于无监督模型的网路质量异常检测方法及装置 | |
Tian et al. | Detection of early bruises on apples using near‐infrared camera imaging technology combined with adaptive threshold segmentation algorithm | |
Martinez-Sanchez et al. | Skyline variations allow estimating distance to trees on landscape photos using semantic segmentation | |
CN117439827A (zh) | 一种网络流量大数据分析方法 | |
Jaramillo et al. | Low-Cost, Computer Vision-Based, Prebloom Cluster Count Prediction in Vineyards |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |