CN108427971A - 基于移动终端的烟叶评级的方法及*** - Google Patents
基于移动终端的烟叶评级的方法及*** Download PDFInfo
- Publication number
- CN108427971A CN108427971A CN201810354436.9A CN201810354436A CN108427971A CN 108427971 A CN108427971 A CN 108427971A CN 201810354436 A CN201810354436 A CN 201810354436A CN 108427971 A CN108427971 A CN 108427971A
- Authority
- CN
- China
- Prior art keywords
- tobacco leaf
- image
- mobile terminal
- grading
- image data
- 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.)
- Pending
Links
- 241000208125 Nicotiana Species 0.000 title claims abstract description 118
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 abstract description 10
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 235000019504 cigarettes Nutrition 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 210000000697 sensory organ Anatomy 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000015541 sensory perception of touch Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于移动终端的烟叶评级的方法及***，该方法包括获取青烟叶与干烟叶图像数据；对图像数据进行预处理；获取预处理后的图像数据的图像特征；对提取的图像特征进行评级；获取评级结果。本发明通过获取烟叶图像，将图像进行预处理后分类评级，在网络条件良好的条件下将图像输送的云端，进行极高效的分类与评级，高效的在嘈杂的现实条件下实现准确的烟叶分类，全自动的数据链条***打通生产线移动端以及云端机器学***要求灵活，操作简单，实现极高精度的分类烟叶，具有高普适性，分类效率准确率高，对硬件***性能要求低，操作简单，节省大量人力资源。
Description
技术领域
本发明涉及烟叶评级技术领域，更具体地说是指基于移动终端的干烟叶评级以及青烟叶成熟度评级的方法及***。
背景技术
烟叶作物在我国农业生产中占有重要地位。烟叶作物的收购中，评级***对农民和商家的利益具有重要意义。长期以来，不论是国内还是国外，烟叶质量的检测和分级都是参照各地区颁布的烟叶分级标准和标准的烟叶样本，依靠人的视觉和触觉感官来进行判断分级的。因此，每到收购烟叶之前，全国各烟区都要成立学习班，收集大量的、标准的烟叶样本作为培训材料，用来培训收购站的烟叶分级人员，这样的分级方式需要消耗和费损大量的人力、物力和财力，而目效率也很低下。更重要的方面是，人类的感官判断带有强烈的主观性和模糊性，影响着对烟叶分级的细致性和变化性的判断，使检验和分级的结果存在着较大的差异。
目前我国烟叶评级制度及实施主要依靠于专家的现场监测，具有效率低，成本高，主观性强等明显缺陷,并且，专家分级对人工要求很高。专家的培养需要严格的培训机制，业务能力的合格需要长时间的实际经验。
近年来，随着人工智能在农业应用中的兴起，有少数基于自动化智能设备和算法的技术与***在农业应用中找到了价值。然而，已有的自动烟叶分级***具有很多的局限性，导致其在现实应用中效果达不到预期标准，因此仍然需要大量的人力进行复查,现有的自动分类***主要是基于传统的监督学习和海量计算的分类***，此类***有明显的局限性：对硬件设备要求高，传统的机器学习算法需要大量的计算达到满意的精度，因此传统分类***多存在于实验室可控的监测环境下，而现实中烟叶的评级需要在工业现场进行快速分类,精度低，传统的机器学习和图像处理算法，需要严格控制的监测环境条件，难以在实际的嘈杂的厂房中达到最优的性能，需要大量人力物力完成对严格监测条件的达成，例如人工将烟叶从厂房运输到实验室，极大的降低了生产效率。
因此，有必要设计一种新的烟叶评级方法，实现极高精度的分类烟叶，具有高普适性，分类效率准确率高，对硬件***性能要求低，操作简单，节省大量人力资源。
发明内容
本发明的目的在于克服现有技术的缺陷，提供基于移动终端的烟叶评级的方法及***。
为实现上述目的，本发明采用以下技术方案：基于移动终端的烟叶评级的方法，所述方法包括：
获取青烟叶与干烟叶图像数据；
对图像数据进行预处理；
获取预处理后的图像数据的图像特征；
对提取的图像特征进行评级；
获取评级结果。
其进一步技术方案为：对图像数据进行预处理的步骤，包括以下具体步骤：
调整图像的相关参数，生成归一化的图像样本；
将图像样本内的烟叶进行定位与分割。
其进一步技术方案为：调整图像的相关参数，生成归一化的图像样本的步骤，所述相关参数包括光照条件、拍摄角度、比例以及烟叶的位置中至少一个。
其进一步技术方案为：获取预处理后的图像数据的图像特征的步骤，包括以下具体步骤：
获取烟叶有效特征；
对有效特征进行分类，形成各个烟叶的图像特征。
其进一步技术方案为：获取烟叶有效特征的步骤中，所述有效特征包括获取烟叶的纹理特征、长度、颜色以及残伤度中至少一个。
本发明还提供了基于移动终端的烟叶评级的***，包括图像获取单元、预处理单元、特征获取单元、评级单元以及结果获取单元；
所述图像获取单元，用于获取青烟叶与干烟叶图像数据；
所述预处理单元，用于对图像数据进行预处理；
所述特征获取单元，用于获取预处理后的图像数据的图像特征；
所述评级单元，用于对提取的图像特征进行评级；
所述结果获取单元，用于获取评级结果。
其进一步技术方案为：所述预处理单元包括归一化模块以及定位分割模块；
所述归一化模块，用于调整图像的相关参数，生成归一化的图像样本；
所述定位分割模块，用于将图像样本内的烟叶进行定位与分割。
其进一步技术方案为：所述特征获取单元包括有效特征获取模块以及分类模块；
所述有效特征获取模块，用于获取烟叶有效特征；
所述分类模块，用于对有效特征进行分类，形成各个烟叶的图像特征。
本发明与现有技术相比的有益效果是：本发明的基于移动终端的烟叶评级的方法，通过获取烟叶图像，将图像进行预处理后分类评级，在网络条件良好的条件下将图像输送的云端，进行极高效的分类与评级，高效的在嘈杂的现实条件下实现准确的烟叶分类，全自动的数据链条***打通生产线移动端以及云端机器学***要求灵活，操作简单，实现极高精度的分类烟叶，具有高普适性，分类效率准确率高，对硬件***性能要求低，操作简单，节省大量人力资源。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
图1为本发明具体实施例提供的基于移动终端的烟叶评级的方法的流程图一；
图2为本发明具体实施例提供的基于移动终端的烟叶评级的方法的流程图二；
图3为本发明具体实施例提供的对图像数据进行预处理的流程图；
图4为本发明具体实施例提供的获取预处理后的图像数据的图像特征的流程图一；
图5为本发明具体实施例提供的获取预处理后的图像数据的图像特征的流程图二；
图6为本发明具体实施例提供的基于移动终端的烟叶评级的***的结构框图；
图7为本发明具体实施例提供的预处理单元的结构框图；
图8为本发明具体实施例提供的特征获取单元的结构框图。
具体实施方式
为了更充分理解本发明的技术内容，下面结合具体实施例对本发明的技术方案进一步介绍和说明，但不局限于此。
如图1～8所示的具体实施例，本实施例提供的基于移动终端的烟叶评级的方法，可以运用在对干烟叶评级以及青烟叶成熟度评级过程中，实现极高精度的分类烟叶，具有高普适性，分类效率准确率高，对硬件***性能要求低，操作简单，节省大量人力资源。
如图1所示，本实施例提供了基于移动终端的烟叶评级的方法，该方法包括：
S1、获取青烟叶与干烟叶图像数据；
S2、对图像数据进行预处理；
S3、获取预处理后的图像数据的图像特征；
S4、对提取的图像特征进行评级；
S5、获取评级结果。
对于上述的S1步骤，具体地，采用摄像机从烟叶评级现场处获取青烟叶与干烟叶图像数据，作为基于机器学习评级***的输入数据。
更进一步地，在某些实施例中，上述的S2步骤，对图像数据进行预处理的步骤，包括以下具体步骤：
S21、调整图像的相关参数，生成归一化的图像样本；
S22、将图像样本内的烟叶进行定位与分割。
对于上述的S21步骤，调整图像的相关参数，生成归一化的图像样本的步骤，所述相关参数包括光照条件、拍摄角度、比例以及烟叶的位置中至少一个。
对于上述的S22步骤，具体是，通过基于超像素和有监督学习的图像分割算法将烟叶进行分割，从而有效降低实际拍摄条件下可能带来的噪音，极大的增加在实际应用阶段的准确率。
另外，在某些实施例中，上述的S3步骤，获取预处理后的图像数据的图像特征的步骤，包括以下具体步骤：
S31、获取烟叶有效特征；
S32、对有效特征进行分类，形成各个烟叶的图像特征。
其中，对于上述的S31步骤，获取烟叶有效特征的步骤中，所述有效特征包括获取烟叶的纹理特征、长度、颜色以及残伤度中至少一个。
基于移动端的进行有效特征提取与分类，由于移动端的计算能力限制，图像的预处理以及特征提取模块基于轻量级的图像特征以及基于支持向量机的分类器，在使用极少计算资源的条件下提供高精度分类，且具体通过基于深度学习的网络服务云端分布式计算的极高精度分类***，能够在网络状态良好的情况下通过网络传输得到图像数据进行极高精度的分类。高效地在网络条件限制的情况下实现高精度的烟叶分类，全自动的数据链条***打通移动端以及云端机器学习***，在网络条件良好的条件下进行极高精度的分类，具有高普适性，分类效率准确率高，对硬件***性能要求低，操作简单，节省大量人力资源的特点。
对于上述的S32步骤，在分割出的烟叶上进行运算量要求较低的有效特征提取，以及在特征向量上进行的快速分类，具体地，通过移动端处理器提取包括烟叶的纹理特征，长度，颜色，残伤度等；再通过基于有监督学习和支持向量机的有参模型，有效进行模型大小控制和预测准确性；在网络条件良好的条件下将图像输送的云端，进行极高效的分类与评级；通过对网络状态与硬件计算能力的评估，进行移动端或云端的分类决策。
另外，对于上述的S32步骤，采用基于支持向量机的分类器，在使用极少计算资源的条件下提供高精度分类，具体地，采用(xi,yi)为一组训练数据，其中xi为烟叶图像在特征空间的向量表示，yi为烟叶的正确评级标注，n为分类模型训练数据总量，b为分类模型的截距参数。通过对此目标函数的优化，得到支持向量机模型w，用于测试数据的预测。
优选地，在一些示例中，***通过当前网络状况以及移动端的计算能力决定是否进行基于移动端的分类，或将图像传输到基于云端的复杂分类***进行。
具体地，当纹理特征、长度、颜色以及残伤度越符合条件，则等级越高，比如同等纹理特征、长度、颜色，残伤度越低则等级越高等。
上述的基于移动终端的烟叶评级的方法，通过获取烟叶图像，将图像进行预处理后分类评级，在网络条件良好的条件下将图像输送的云端，进行极高效的分类与评级，高效的在嘈杂的现实条件下实现准确的烟叶分类，全自动的数据链条***打通生产线移动端以及云端机器学***要求灵活，操作简单，实现极高精度的分类烟叶，具有高普适性，分类效率准确率高，对硬件***性能要求低，操作简单，节省大量人力资源。
如图6所示，本实施例还提供了基于移动终端的烟叶评级的***，其特征在于，包括图像获取单元1、预处理单元2、特征获取单元3、评级单元4以及结果获取单元5。
图像获取单元1，用于获取青烟叶与干烟叶图像数据。
预处理单元2，用于对图像数据进行预处理。
特征获取单元3，用于获取预处理后的图像数据的图像特征。
评级单元4，用于对提取的图像特征进行评级。
结果获取单元5，用于获取评级结果。
对图像获取单元1而言，具体地，采用摄像机从烟叶评级现场处获取青烟叶与干烟叶图像数据，作为基于机器学习评级***的输入数据。
更进一步地，在某些实施例中，预处理单元2包括归一化模块21以及定位分割模块22。
归一化模块21，用于调整图像的相关参数，生成归一化的图像样本。所述相关参数包括光照条件、拍摄角度、比例以及烟叶的位置中至少一个。
定位分割模块22，用于将图像样本内的烟叶进行定位与分割。具体是，通过基于超像素和有监督学习的图像分割算法将烟叶进行分割，从而有效降低实际拍摄条件下可能带来的噪音，极大的增加在实际应用阶段的准确率。
另外，在某些实施例中，上述的特征获取单元3包括有效特征获取模块31以及分类模块32。
有效特征获取模块31，用于获取烟叶有效特征。所述有效特征包括获取烟叶的纹理特征、长度、颜色以及残伤度中至少一个。
分类模块32，用于对有效特征进行分类，形成各个烟叶的图像特征。
基于移动端的进行有效特征提取与分类，由于移动端的计算能力限制，图像的预处理以及特征提取模块基于轻量级的图像特征以及基于支持向量机的分类器，在使用极少计算资源的条件下提供高精度分类，且具体通过基于深度学习的网络服务云端分布式计算的极高精度分类***，能够在网络状态良好的情况下通过网络传输得到图像数据进行极高精度的分类。高效地在网络条件限制的情况下实现高精度的烟叶分类，全自动的数据链条***打通移动端以及云端机器学习***，在网络条件良好的条件下进行极高精度的分类，具有高普适性，分类效率准确率高，对硬件***性能要求低，操作简单，节省大量人力资源的特点。
对于上述的分类模块32，在分割出的烟叶上进行运算量要求较低的有效特征提取，以及在特征向量上进行的快速分类，具体地，通过移动端处理器提取包括烟叶的纹理特征，长度，颜色，残伤度等；再通过基于有监督学习和支持向量机的有参模型，有效进行模型大小控制和预测准确性；在网络条件良好的条件下将图像输送的云端，进行极高效的分类与评级；通过对网络状态与硬件计算能力的评估，进行移动端或云端的分类决策。
另外，对于上述的分类模块32，采用基于支持向量机的分类器，在使用极少计算资源的条件下提供高精度分类，具体地，采用(xi,yi)为一组训练数据，其中xi为烟叶图像在特征空间的向量表示，yi为烟叶的正确评级标注，n为分类模型训练数据总量，b为分类模型的截距参数。通过对此目标函数的优化，得到支持向量机模型w，用于测试数据的预测。
优选地，在一些示例中，***通过当前网络状况以及移动端的计算能力决定是否进行基于移动端的分类，或将图像传输到基于云端的复杂分类***进行。
具体地，当纹理特征、长度、颜色以及残伤度越符合条件，则等级越高，比如同等纹理特征、长度、颜色，残伤度越低则等级越高等。
另外，本实施例还提供了基于移动终端的烟叶评级的***，其包括：一个或多个处理器，存储器，以及，一个或多个程序，该一个或多个程序存储于存储器中，且被配置为可被所述处理器读取执行，所述一个或多个程序包括可用于执行以下步骤的指令：
获取青烟叶与干烟叶图像数据；
对图像数据进行预处理；
获取预处理后的图像数据的图像特征；
对提取的图像特征进行评级；
获取评级结果。
该处理器执行时还包括上述方法实施例中记载的任何应用的基于账户视角切换的信息推送方法的部分或全部步骤。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明的各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器中，即计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
上述的基于移动终端的烟叶评级的***，通过获取烟叶图像，将图像进行预处理后分类评级，在网络条件良好的条件下将图像输送的云端，进行极高效的分类与评级，高效的在嘈杂的现实条件下实现准确的烟叶分类，全自动的数据链条***打通生产线移动端以及云端机器学***要求灵活，操作简单，实现极高精度的分类烟叶，具有高普适性，分类效率准确率高，对硬件***性能要求低，操作简单，节省大量人力资源。
上述仅以实施例来进一步说明本发明的技术内容，以便于读者更容易理解，但不代表本发明的实施方式仅限于此，任何依本发明所做的技术延伸或再创造，均受本发明的保护。本发明的保护范围以权利要求书为准。
Claims (8)
1.基于移动终端的烟叶评级的方法，其特征在于，所述方法包括：
获取青烟叶与干烟叶图像数据；
对图像数据进行预处理；
获取预处理后的图像数据的图像特征；
对提取的图像特征进行评级；
获取评级结果。
2.根据权利要求1所述的基于移动终端的烟叶评级的方法，其特征在于，对图像数据进行预处理的步骤，包括以下具体步骤：
调整图像的相关参数，生成归一化的图像样本；
将图像样本内的烟叶进行定位与分割。
3.根据权利要求2所述的基于移动终端的烟叶评级的方法，其特征在于，调整图像的相关参数，生成归一化的图像样本的步骤，所述相关参数包括光照条件、拍摄角度、比例以及烟叶的位置中至少一个。
4.根据权利要求1至3任一项所述的基于移动终端的烟叶评级的方法，其特征在于，获取预处理后的图像数据的图像特征的步骤，包括以下具体步骤：
获取烟叶有效特征；
对有效特征进行分类，形成各个烟叶的图像特征。
5.根据权利要求4所述的基于移动终端的烟叶评级的方法，其特征在于，获取烟叶有效特征中，所述有效特征包括获取烟叶的纹理特征、长度、颜色以及残伤度中至少一个。
6.基于移动终端的烟叶评级的***，其特征在于，包括图像获取单元、预处理单元、特征获取单元、评级单元以及结果获取单元；
所述图像获取单元，用于获取青烟叶与干烟叶图像数据；
所述预处理单元，用于对图像数据进行预处理；
所述特征获取单元，用于获取预处理后的图像数据的图像特征；
所述评级单元，用于对提取的图像特征进行评级；
所述结果获取单元，用于获取评级结果。
7.根据权利要求6所述的基于移动终端的烟叶评级的***，其特征在于，所述预处理单元包括归一化模块以及定位分割模块；
所述归一化模块，用于调整图像的相关参数，生成归一化的图像样本；
所述定位分割模块，用于将图像样本内的烟叶进行定位与分割。
8.根据权利要求7所述的基于移动终端的烟叶评级的***，其特征在于，所述特征获取单元包括有效特征获取模块以及分类模块；
所述有效特征获取模块，用于获取烟叶有效特征；
所述分类模块，用于对有效特征进行分类，形成各个烟叶的图像特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810354436.9A CN108427971A (zh) | 2018-04-19 | 2018-04-19 | 基于移动终端的烟叶评级的方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810354436.9A CN108427971A (zh) | 2018-04-19 | 2018-04-19 | 基于移动终端的烟叶评级的方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108427971A true CN108427971A (zh) | 2018-08-21 |
Family
ID=63161404
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810354436.9A Pending CN108427971A (zh) | 2018-04-19 | 2018-04-19 | 基于移动终端的烟叶评级的方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108427971A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109887055A (zh) * | 2019-02-27 | 2019-06-14 | 云南省烟草公司昆明市公司 | 一种仿真烟叶图像的生成方法和装置 |
| CN110111263A (zh) * | 2019-03-29 | 2019-08-09 | 中国地质大学（武汉） | 一种基于图像处理的烤烟种植指导*** |
| CN110414422A (zh) * | 2019-07-25 | 2019-11-05 | 秒针信息技术有限公司 | 食品品质的检测方法及装置 |
| CN110633684A (zh) * | 2019-09-20 | 2019-12-31 | 南京邮电大学 | 一种基于深度学习的烟叶收购定级***及定级方法 |
| CN110895804A (zh) * | 2018-09-10 | 2020-03-20 | 上海市农业科学院 | 模糊边缘病斑提取方法和装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4018674A (en) * | 1972-02-24 | 1977-04-19 | Morris Bennie A | Apparatus for automatically grading leaf tobacco |
| CN103323455A (zh) * | 2013-04-24 | 2013-09-25 | 南京文采科技有限责任公司 | 基于反射、透视和显微图像的烟叶分级方法 |
| CN103743486A (zh) * | 2014-01-02 | 2014-04-23 | 上海大学 | 一种基于海量烟叶数据的自动定级***和方法 |
| CN107016413A (zh) * | 2017-03-31 | 2017-08-04 | 征图新视（江苏）科技有限公司 | 一种基于深度学习算法的烟叶在线分级方法 |
-
2018
- 2018-04-19 CN CN201810354436.9A patent/CN108427971A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4018674A (en) * | 1972-02-24 | 1977-04-19 | Morris Bennie A | Apparatus for automatically grading leaf tobacco |
| CN103323455A (zh) * | 2013-04-24 | 2013-09-25 | 南京文采科技有限责任公司 | 基于反射、透视和显微图像的烟叶分级方法 |
| CN103743486A (zh) * | 2014-01-02 | 2014-04-23 | 上海大学 | 一种基于海量烟叶数据的自动定级***和方法 |
| CN107016413A (zh) * | 2017-03-31 | 2017-08-04 | 征图新视（江苏）科技有限公司 | 一种基于深度学习算法的烟叶在线分级方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李雪君等: "融合时空多特征表示的无监督视频分割算法", 计算机应用, no. 11, 30 November 2017 (2017-11-30), pages 3137 - 3138 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110895804A (zh) * | 2018-09-10 | 2020-03-20 | 上海市农业科学院 | 模糊边缘病斑提取方法和装置 |
| CN109887055A (zh) * | 2019-02-27 | 2019-06-14 | 云南省烟草公司昆明市公司 | 一种仿真烟叶图像的生成方法和装置 |
| CN110111263A (zh) * | 2019-03-29 | 2019-08-09 | 中国地质大学（武汉） | 一种基于图像处理的烤烟种植指导*** |
| CN110111263B (zh) * | 2019-03-29 | 2021-08-27 | 中国地质大学（武汉） | 一种基于图像处理的烤烟种植指导*** |
| CN110414422A (zh) * | 2019-07-25 | 2019-11-05 | 秒针信息技术有限公司 | 食品品质的检测方法及装置 |
| CN110633684A (zh) * | 2019-09-20 | 2019-12-31 | 南京邮电大学 | 一种基于深度学习的烟叶收购定级***及定级方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108427971A (zh) | 基于移动终端的烟叶评级的方法及*** | |
| Xu et al. | Light-YOLOv3: fast method for detecting green mangoes in complex scenes using picking robots | |
| CN111079639B (zh) | 垃圾图像分类模型构建的方法、装置、设备及存储介质 | |
| Rachmadi et al. | Vehicle color recognition using convolutional neural network | |
| CN110378235A (zh) | 一种模糊人脸图像识别方法、装置及终端设备 | |
| CN110222686B (zh) | 物体检测方法、装置、计算机设备和存储介质 | |
| CN108898620A (zh) | 基于多重孪生神经网络与区域神经网络的目标跟踪方法 | |
| Bianco et al. | Predicting image aesthetics with deep learning | |
| CN110245697B (zh) | 一种表面脏污检测方法、终端设备及存储介质 | |
| Reddy et al. | Optimized convolutional neural network model for plant species identification from leaf images using computer vision | |
| CN110069959A (zh) | 一种人脸检测方法、装置及用户设备 | |
| CN111222545B (zh) | 基于线性规划增量学习的图像分类方法 | |
| CN113283404B (zh) | 行人属性识别方法、装置、电子设备及存储介质 | |
| CN113469233B (zh) | 基于深度学习的烟叶自动定级方法及*** | |
| CN105320970A (zh) | 一种马铃薯病害诊断装置、诊断***及诊断方法 | |
| CN107918767A (zh) | 目标检测方法、装置、电子设备及计算机可读介质 | |
| Zhao et al. | Automatic blur region segmentation approach using image matting | |
| CN111340019A (zh) | 基于Faster R-CNN的粮仓害虫检测方法 | |
| Usha Nandini et al. | Efficient shadow detection by using PSO segmentation and region-based boundary detection technique | |
| JP6871658B2 (ja) | 反復分類に基づく水域識別方法及び装置 | |
| CN110458027A (zh) | 一种基于大理石花纹的生鲜肉分级方法、***及装置 | |
| AU2017208235A1 (en) | Relative position encoding based networks for action recognition | |
| Ubbens et al. | Autocount: Unsupervised segmentation and counting of organs in field images | |
| Chupraphawan et al. | Deep convolutional neural network with edge feature for image denoising | |
| CN108537266A (zh) | 一种深度卷积网络的织物纹理疵点分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |