CN108734205A - 一种针对不同品种小麦种子的单粒定点识别技术 - Google Patents

一种针对不同品种小麦种子的单粒定点识别技术 Download PDF

Info

Publication number
CN108734205A
CN108734205A CN201810435100.5A CN201810435100A CN108734205A CN 108734205 A CN108734205 A CN 108734205A CN 201810435100 A CN201810435100 A CN 201810435100A CN 108734205 A CN108734205 A CN 108734205A
Authority
CN
China
Prior art keywords
data
seed
wheat seed
wheat
sample
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
Application number
CN201810435100.5A
Other languages
English (en)
Inventor
刘晶晶
史铁
王晓楠
房海瑞
门洪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeast Electric Power University
Original Assignee
Northeast Dianli University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeast Dianli University filed Critical Northeast Dianli University
Priority to CN201810435100.5A priority Critical patent/CN108734205A/zh
Publication of CN108734205A publication Critical patent/CN108734205A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种针对不同品种小麦种子的单粒定点识别技术，包括如下步骤：获取待鉴定小麦种子的高光谱图像数据，采用黑白校正方法对高光谱图像进行校正后，进行主成分变换；选择整粒小麦种子作为感兴趣区域，提取相关区域的平均光谱作为该粒样本的光谱数据；采用S‑G平滑法对光谱数据进行平滑处理；使用Kennard‑Stone方法将样本光谱数据按照3∶2的比率划分为训练集和预测集，采用连续投影算法选取适于不同杂交品种小麦种子鉴别的最优波段；构建支持向量机模型；将最优波段输入建立的SVM模型中，将预测结果用不同颜色表示，完成混合种子的定点识别。本发明实现了不同杂交品种的小麦籽粒的在线检测，并实现了单粒的定点识别。

Description

一种针对不同品种小麦种子的单粒定点识别技术
技术领域
本发明涉及种子识别领域，具体涉及一种针对不同品种小麦种子的单粒定点识别技术。
背景技术
种子的纯度是衡量种子品质的重要指标。所谓小麦的纯度就是测试种子批次中包含的预期种子的比例。随着杂交技术的广泛应用，小麦种子品种不断增多，品种间的相似性逐渐增加，主观感知难以区分。在储存和运输过程中，不同的小麦种子可能混合在一起，降低种子的纯度，影响杂交后代的性状。并且不法商人将其他品种的种子或不合格的种子混入合格的种子中，造成作物减产，严重损害种植者的利益。传统的种子纯度检测方法主要有形态鉴定，种子鉴定，理化分析，蛋白质电泳等，但这些方法大多需要专业人员和专业设备，往往需要很长时间，对种子样本具有破坏性。因此，市场上迫切需要快速方便地鉴定小麦品种的方法。
为了提高种子检测的快速性，20世纪90年代以来，机器视觉等技术在种子纯度检测中的应用得到了广泛的研究。计算机视觉技术是一种取代人类视觉感官的新技术，它可以通过建立种子形态特征(大小，颜色，形状等)的数学模型，对种子品种进行客观分类。由于所收集的特征信息的充分性，可靠性和有效性直接影响分类的准确性。所以数据采集是整个实验过程中最重要的部分。然而，机器视觉只能获得种子样品的单一性状。高光谱成像(HIS) ***结合了机器视觉和光谱学，可以获取待分析种子的空间和光谱信息。与单一的机器视觉技术或光谱分析技术相比，HSI技术提供的信息包括被测物体的外部形态特征，内部物理特征和化学成分。
发明内容
为解决上述问题，本发明提供了一种针对不同品种小麦种子的单粒定点识别技术。
为实现上述目的，本发明采取的技术方案为：
一种针对不同品种小麦种子的单粒定点识别技术，包括如下步骤：
S1、高光谱图像数据的获取
S11、利用高光谱分选仪获取待鉴定小麦种子的高光谱图像数据，并通过以下公式采用黑白校正方法对高光谱图像进行校正，以消除噪声的影响：
式中，Rd-黑板的漫反射图像；Rw-白板的漫反射图像；Rs-样本原始的漫反射光谱图像；R-校正后的漫反射光谱图；
S12、对校正后的高光谱数据进行主成分变换，对第四主成分图(PC-4)进行二值化处理得到小麦种子的二值图，作为掩膜模板，其中，目标区域像素值为1，其余全为0；
S13、选择整粒小麦种子作为感兴趣区域，利用以下公式获取样本所有掩膜后的图像，即除目标样本外其余区域全是0。
BR＝OR×Mask (2)
其中：BR为掩膜后得到的图像；OR为校正后的高光谱图像；Mask为样本第四主成分图二值化；
S2、光谱数据的预处理
采用S-G平滑法对光谱数据进行平滑处理，其中平滑窗口大小为7；
S3、最佳波段的选择
使用Kennard-Stone方法，根据3∶2比率在卷积平滑处理后的光谱数据集中选择相应的光谱数据分别作为训练集和验证集，采用连续投影算法(SPA)对原始数据集进行数据降维处理选取适于不同杂交品种小麦种子鉴别的最优波段；
S4、鉴定模型的建立
利用上述获取的特征波段信息和Kennard-Stone方法划分出训练集和验证集建立支持向量机(SVM)分类模型；
S5、混合种子定点识别
将所得的最优波段输入建立的SVM模型中，将预测结果用不同颜色表示，完成混合种子的定点识别。
优选地，所述步骤S2中选择430nm到980nm光谱区间数据信息。
本发明实现了不同杂交品种的小麦籽粒的在线检测，并实现了单粒的定点识别。
附图说明
图1为本发明实施例中的样本摆放方式。
图2为本发明实施例中的掩膜模板。
图3为本发明实施例中的特征波长选取图。
图4为本发明实施例中的可视化混合样本。
具体实施方式
为了使本发明的目的及优点更加清楚明白，以下结合实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例
样本的选择和高光谱图像数据获取
本实施例中使用的杂交小麦种子样品(见表1)广泛种植在中国东北三省。其中依据属性六种杂交小麦种子分别属于两大属性，即东农冬麦1号(冬小麦)，东农冬麦2号(冬小麦)，克春4号(春小麦)，克旱16号(春小麦)，垦九10号(春小麦)和龙福麦21号(春小麦)。其中每个品种的样本选择100粒，总共600粒待测样本。利用高光谱分选仪获取六种杂交小麦种子的高光谱图像数据，每次获取样本的小麦种子的排列方式如图1所示，每排8粒，一次5排。高光谱图像采集过程中，由于各种客观条件限制，所采集到高光谱成像数据包含各种噪声，如卤素灯光源光强分布不均匀，CCD相机硬件中存在电子噪声以及样本个体差异造成光照不均等。这些噪声信息会影响高光谱图像的质量，进而影响高光谱图像定性或定量分析模型的精度和稳定性。因此有必要对高光谱图像进行校正，以消除噪声的影响。研究采用黑白校正方法，公式为
式中，Rd-黑板的漫反射图像；Rw-白板的漫反射图像；Rs-样本原始的漫反射光谱图像； R-校正后的漫反射光谱图。
传统提取特定区域的光谱数据时主要通过人为划定，耗时耗力不具有客观性，很难包含完整信息。本实施例在光谱提取方面首先对校正后的高光谱数据进行主成分变换，由于第四主成分图(PC-4)最能区分背景和目标。故对PC-4进行二值化处理得到小麦种子的二值图(目标区域像素值为1，其余全为0)，如图2所示，作为掩膜模板。依据我们的目的选择整粒小麦种子作为感兴趣区域，利用公式(2)，获取样本所有掩膜后的图像，即除目标样本外其余区域全是0。利用ENVI4.7提取相关区域的平均光谱作为该粒样本的光谱数据。因此，六种杂交小麦种子共获得600组光谱数据，其数据矩阵为600*520。
BR＝OR×Mask (2)
其中：BR为掩膜后得到的图像；OR为校正后的高光谱图像；Mask为样本第四主成分图二值化。
表1 样品信息
光谱数据的预处理
对所获得的光谱数据进行平滑处理可以有效消除由于样本表面不均匀，仪器噪声和随机误差等原因造成的高频噪声，有利于提高信噪比。除此之外，在选择最佳波长之前对数据进行预处理还可以突出所研究样本之间的差异。Savitzky-Golay卷积平滑法(S-G平滑)，是利用多项式最小二乘拟合的滤波方法，可看作是带权重的平滑平均法，更加强中心点的作用。对于光谱x在波长m处经平滑后的平均值为公式(3)。因此对原始数据(600*520维度的数据集) 采用S-G平滑法(其中平滑窗口大小为7)，对光谱进行平滑。并且由于CCD相机的光谱灵敏度在400nm和1000nm波长附近具有较低的信噪比。故而，选择430nm到980nm光谱区间数据信息用于进一步的数据分析。经卷积平滑和剔除信噪比较低的波段后的得到的数据集为600*470。也就是说每种样本由470个波段来表征，选取470波段作为后期数据处理的光谱数据。
其中，H为归一化因子，可根据最小二乘原理，用多项式拟合求取平滑系数hi，每一波长处的吸光度与平滑因子相乘的目的是尽量减小平滑掉有用信息。
最佳波段的选择
为了正确识别上述六种杂交小麦种子类别，使用Kennard-Stone方法，根据3∶2比率选择其中的360组光谱数据作为训练集，并且使用240组光谱数据作为验证集。由于所获得的小麦种子高光谱图像数据波段数目较多，在线检测时所获得的波段越多，实时性越差。选择最优波段有益于降低模型的复杂度，提高运行速度。因此通过数学方法选择适于不同杂交品种小麦种子鉴别的最优波段进行进一步分析。连续投影算法(SPA)是最佳波段选择的前向选择方法。它可以最小化变量之间的共线性。在此对原始数据集采用连续投影算法(SPA)对原始数据集进行数据降维处理，获得600*12维的特征数据集。所选中的波长如图3所示，涉及的具体波长为：450.12nm，504.97nm，535.69nm，554.21nm，711.01nm，751.86nm，808.51nm，831.84nm， 877.47nm，919.49nm，952.52nm，993.72nm。
鉴定模型的建立
利用光谱原始数据集(600*520)、卷积平滑处理后的光谱数据集(600*470)和在卷积平滑基础上进行SPA优化筛选后的数据集(600*12)分别作为输入建立支持向量机分类模型。结果如表2所示。通过比较未处理的全波段数据，SG处理后，SG处理+SPA后的分类精度，发现SG预处理+SPA特征波段选择的正确识别率更好。
表2 支持向量机分类结果
实验所用的六种不同的杂交小麦依据样本属性可以分为春小麦和冬小麦。各品种所属类型见表1。我们对不同属性的杂交小麦种子分别建立SVM分类模型。其中每种小麦籽粒的样本个数为100粒。其类间分类准确率如表3所示，类间的分类准确率较高。
表3 不同属性间分类结果
混合种子定点识别
利用北京卓立汉光仪器有限公司提供的Gaia Sorter“盖亚”高光谱分选仪采集混合的小麦种子样本的高光谱图像数据。利用ENVI 4.7软件并结合数字图像处理技术提取高光谱图像中平均光谱数据，输入建立的S-G+SPA+SVM模型中，将预测结果用不同颜色表示。此例是模拟掺杂现象，本实施例的混合方式为：在东农冬麦1号中掺杂克春4品种，一次数据获取 5排8列共40粒样本，其中由左向右前6列为东农冬麦1号样本共30粒，后两列为克春4样本共10粒。对本次混合鉴定所得结果如图3所示，左侧代表东农冬麦1号，右侧代表克春4。由次可见建立的S-G+SPA+SVM模型对在东农冬麦1号中掺杂克春4样本的识别率高达100％。因此可以通过利用高光谱分选仪获得样本的平均光谱数据结合S-G+SPA+SVM模型得到可视化鉴别图，可以很好的实现掺杂小麦种子中的杂质定点识别。
结论
利用可见-近红外高光谱成像技术可以实现对混合不同品种的小麦种子的单粒定点识别。利用基于可见-近红外(380-1038nm)高光谱分选仪收集6个品种(东农冬麦1号、东农冬麦 2号、克春4、克旱16、垦九10号和龙福麦21号)杂交小麦种子的高光谱图像数据。使用 Kennard-Stone方法，根据3∶2比率选择其中的360组光谱数据作为训练集，并且使用240组光谱数据作为验证集。在分析杂交小麦种子光谱数据后，用S-G卷积平滑法对光谱数据进行预处理，刨除由于仪器开始和结束时不稳定造成的光谱噪声信号比较大的波段，选取470波段作为后期数据处理的光谱数据。再次通过连续投影算法(SPA)选取12个特征波段作为输入，并结合支持向量机(SVM)模型对校准集进行预测，六种混合分类正确率可以达到84.58％，类间两两分类正确率最高可以达到100％。并通过模拟在东农冬麦1号中掺杂克春4品种小麦，结果可以表明利用可见-近红外高光谱成像技术结合数字图像处理技术可以实现对混合不同品种的小麦种子的单粒定点识别。可以为快速方便地鉴定小麦品种提供帮助。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (2)

1.一种针对不同品种小麦种子的单粒定点识别技术，其特征在于，包括如下步骤：
S1、高光谱图像数据的获取
S11、利用高光谱分选仪获取待鉴定小麦种子的高光谱图像数据，并通过以下公式采用黑白校正方法对高光谱图像进行校正，以消除噪声的影响：
式中，Rd-黑板的漫反射图像；Rw-白板的漫反射图像；Rs-样本原始的漫反射光谱图像；R-校正后的漫反射光谱图；
S12、对校正后的高光谱数据进行主成分变换，对第四主成分图(PC-4)进行二值化处理得到小麦种子的二值图，作为掩膜模板，其中，目标区域像素值为1，其余全为0；
S13、选择整粒小麦种子作为感兴趣区域，利用以下公式获取样本所有掩膜后的图像，即除目标样本外其余区域全是0；
BR＝OR×Mask (2)
其中：BR为掩膜后得到的图像；OR为校正后的高光谱图像；Mask为样本第四主成分图二值化；
S2、光谱数据的预处理
采用S-G平滑法对光谱数据进行平滑处理，其中平滑窗口大小为7；
S3、最佳波段的选择
使用Kennard-Stone方法，根据3∶2比率在卷积平滑处理后的光谱数据集中选择相应的光谱数据分别作为训练集和验证集，采用连续投影算法(SPA)对原始数据集进行数据降维处理选取适于不同杂交品种小麦种子鉴别的最优波段；
S4、鉴定模型的建立
利用上述获取的特征波段信息和Kennard-Stone方法划分出训练集和验证集建立支持向量机(SVM)分类模型；
S5、混合种子定点识别
将所得的最优波段输入建立的SVM模型中，将预测结果用不同颜色表示，完成混合种子的定点识别。
2.根据权利要求1所述的一种针对不同品种小麦种子的单粒定点识别技术，其特征在于，所述步骤S2中选择430nm到980nm光谱区间数据信息。
CN201810435100.5A 2018-04-28 2018-04-28 一种针对不同品种小麦种子的单粒定点识别技术 Pending CN108734205A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810435100.5A CN108734205A (zh) 2018-04-28 2018-04-28 一种针对不同品种小麦种子的单粒定点识别技术

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810435100.5A CN108734205A (zh) 2018-04-28 2018-04-28 一种针对不同品种小麦种子的单粒定点识别技术

Publications (1)

Publication Number Publication Date
CN108734205A true CN108734205A (zh) 2018-11-02

Family

ID=63938119

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810435100.5A Pending CN108734205A (zh) 2018-04-28 2018-04-28 一种针对不同品种小麦种子的单粒定点识别技术

Country Status (1)

Country Link
CN (1) CN108734205A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109657653A (zh) * 2019-01-21 2019-04-19 安徽大学 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法
CN110095436A (zh) * 2019-05-30 2019-08-06 江南大学 苹果轻微损伤分类方法
CN110763698A (zh) * 2019-10-12 2020-02-07 仲恺农业工程学院 一种基于特征波长的高光谱柑橘叶片病害识别方法
CN110837823A (zh) * 2019-12-17 2020-02-25 华南农业大学 种子品种鉴定模型的生成方法、鉴定方法及装置
CN111144502A (zh) * 2019-12-30 2020-05-12 中国科学院长春光学精密机械与物理研究所 高光谱图像分类方法及其装置
CN111272668A (zh) * 2020-01-22 2020-06-12 中国农业科学院农产品加工研究所 小麦品种鉴别模型的构建方法
CN112052363A (zh) * 2020-09-02 2020-12-08 安阳工学院 谷物识别方法及***
CN112147083A (zh) * 2020-10-14 2020-12-29 武汉轻工大学 种子纯度检测方法、检测装置及计算机可读存储介质
CN114136920A (zh) * 2021-12-02 2022-03-04 华南农业大学 一种基于高光谱的单粒杂交水稻种子种类鉴定方法
WO2023115682A1 (zh) * 2021-12-24 2023-06-29 湖南大学 自适应随机块卷积核网络的高光谱中药材鉴别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103344602A (zh) * 2013-07-04 2013-10-09 中国科学院合肥物质科学研究院 一种基于近红外光谱的水稻种质真伪无损检测方法
CN103822879A (zh) * 2014-02-24 2014-05-28 西北农林科技大学 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法
CN106290238A (zh) * 2016-08-09 2017-01-04 西北农林科技大学 一种基于高光谱成像的苹果品种快速鉴别方法
CN106295498A (zh) * 2016-07-20 2017-01-04 湖南大学 光学遥感图像目标区域检测装置与方法
CN107527326A (zh) * 2017-08-17 2017-12-29 安徽农业大学 一种基于高光谱成像的小麦赤霉病诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103344602A (zh) * 2013-07-04 2013-10-09 中国科学院合肥物质科学研究院 一种基于近红外光谱的水稻种质真伪无损检测方法
CN103822879A (zh) * 2014-02-24 2014-05-28 西北农林科技大学 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法
CN106295498A (zh) * 2016-07-20 2017-01-04 湖南大学 光学遥感图像目标区域检测装置与方法
CN106290238A (zh) * 2016-08-09 2017-01-04 西北农林科技大学 一种基于高光谱成像的苹果品种快速鉴别方法
CN107527326A (zh) * 2017-08-17 2017-12-29 安徽农业大学 一种基于高光谱成像的小麦赤霉病诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘晶晶,刘付龙,史铁,孙超,张晋宝,门洪: "高光谱图像技术检测苹果外部损伤", 《中国食品学报》 *
孙俊: "《光谱技术在农作物/农产品信息无损检测中的应用》", 30 June 2017 *
赵明富，刘自迪，邹雪，吴亮，张峰，龙洁: "基于高光谱成像技术对马铃薯外部缺陷的识别", 《激光杂志》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109657653B (zh) * 2019-01-21 2022-10-04 安徽大学 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法
CN109657653A (zh) * 2019-01-21 2019-04-19 安徽大学 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法
CN110095436A (zh) * 2019-05-30 2019-08-06 江南大学 苹果轻微损伤分类方法
CN110763698A (zh) * 2019-10-12 2020-02-07 仲恺农业工程学院 一种基于特征波长的高光谱柑橘叶片病害识别方法
CN110837823A (zh) * 2019-12-17 2020-02-25 华南农业大学 种子品种鉴定模型的生成方法、鉴定方法及装置
CN111144502A (zh) * 2019-12-30 2020-05-12 中国科学院长春光学精密机械与物理研究所 高光谱图像分类方法及其装置
CN111144502B (zh) * 2019-12-30 2023-02-10 中国科学院长春光学精密机械与物理研究所 高光谱图像分类方法及其装置
CN111272668A (zh) * 2020-01-22 2020-06-12 中国农业科学院农产品加工研究所 小麦品种鉴别模型的构建方法
CN112052363A (zh) * 2020-09-02 2020-12-08 安阳工学院 谷物识别方法及***
CN112147083A (zh) * 2020-10-14 2020-12-29 武汉轻工大学 种子纯度检测方法、检测装置及计算机可读存储介质
CN112147083B (zh) * 2020-10-14 2023-07-11 武汉轻工大学 种子纯度检测方法、检测装置及计算机可读存储介质
CN114136920A (zh) * 2021-12-02 2022-03-04 华南农业大学 一种基于高光谱的单粒杂交水稻种子种类鉴定方法
WO2023115682A1 (zh) * 2021-12-24 2023-06-29 湖南大学 自适应随机块卷积核网络的高光谱中药材鉴别方法

Similar Documents

Publication Publication Date Title
CN108734205A (zh) 一种针对不同品种小麦种子的单粒定点识别技术
CN110763698B (zh) 一种基于特征波长的高光谱柑橘叶片病害识别方法
Gao et al. Application of hyperspectral imaging technology to discriminate different geographical origins of Jatropha curcas L. seeds
US11682203B2 (en) Feature extraction method, model training method, detection method of fruit spectrum
CN110596280B (zh) 基于高光谱图像和光谱信息融合的小麦呕吐毒素污染水平快速检测方法
CN105067532B (zh) 一种鉴别油菜菌核病和灰霉病早期病斑的方法
CN112699756B (zh) 一种基于高光谱图像的茶叶原产地识别方法和***
CN111443043B (zh) 一种基于高光谱图像的核桃仁品质检测方法
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
CN107679569A (zh) 基于自适应超图算法的拉曼光谱物质自动识别方法
WO2024021359A1 (zh) 基于图像脑敏感数据的建成环境主导色测度方法和***
CN102706813A (zh) 基于高光谱图像的草地早熟禾品种识别方法
CN113570538A (zh) 一种叶片rgb图像偏态分布参数信息采集及分析方法
CN115494008A (zh) 近红外光谱仪与机器视觉结合的烟叶质量检测方法及***
CN117132843B (zh) 野山参、林下山参、园参原位鉴别方法、***及相关设备
Sola-Guirado et al. A smart system for the automatic evaluation of green olives visual quality in the field
CN110533102A (zh) 基于模糊推理的单类分类方法以及分类器
CN104990891B (zh) 一种种子近红外光谱和光谱图像定性分析模型建立方法
CN107271394A (zh) 一种模糊Kohonen鉴别聚类网络的茶叶红外光谱分类方法
CN109685099A (zh) 一种光谱波段优选模糊聚类的苹果品种辨别方法
CN115494009A (zh) 一种烟叶成熟度的智能判别方法及***
CN114689526A (zh) 一种香蕉枯萎病无损检测方法、装置及检测设备
CN114778457A (zh) 一种谷物中黄曲霉毒素b1含量检测方法及装置
CN113390799A (zh) 一种烟叶中梗的识别与检测方法
Friska et al. Random Forest (RF) based identification of rice powder mixture using terahertz spectroscopy

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181102