CN109470639A - 基于可见光和近红外高光谱成像的桑螟幼虫及其对桑叶损害的快速识别方法 - Google Patents
基于可见光和近红外高光谱成像的桑螟幼虫及其对桑叶损害的快速识别方法 Download PDFInfo
- Publication number
- CN109470639A CN109470639A CN201811317670.0A CN201811317670A CN109470639A CN 109470639 A CN109470639 A CN 109470639A CN 201811317670 A CN201811317670 A CN 201811317670A CN 109470639 A CN109470639 A CN 109470639A
- Authority
- CN
- China
- Prior art keywords
- larva
- mulberry leaf
- diaphania
- damage
- image
- 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
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
- G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
-
- 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
- G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
- G01N2021/3155—Measuring in two spectral ranges, e.g. UV and visible
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
本发明公开了一种基于可见光和近红外高光谱成像的桑螟幼虫及其对桑叶损害的快速识别方法,采摘健康、具有幼虫损伤和具有幼虫的三种桑叶,采集可见光和近红外高光谱数据,图像校正后识别样品的ROI,分别获得叶脉、健康叶肉、轻微损伤叶肉和严重损伤叶肉以及幼虫的五类ROI;建立偏最小二乘判别分析和最小二乘支持向量机模型。连续投影算法,信息变量消除,UVE‑SPA和竞争自适应重加权采样用于变量选择;并选取的最佳模型是基于可见范围数据的UVE‑SPA‑LS‑SVM模型,其具有97.30%的正确预测率值。本发明可以实现快速和非破坏性地区分桑螟幼虫及其对桑叶的损害程度,为蚕农提供优质的桑叶,提高蚕的产量和蚕丝的质量,在农业检测植物病虫害上具有重要的推广价值。
Description
技术领域
本发明涉及桑螟幼虫及桑叶损伤的快速识别方法领域,具体涉及一种基于可见光和近红外高光谱成像的桑螟幼虫及其对桑叶损害的快速识别方法。
背景技术
中国的蚕桑生产已有几千年的历史,已形成一个具有一定经济价值的完整产业。作为蚕桑最重要的生产材料之一,桑叶是蚕的唯一饲料来源。桑叶的产量和品质直接制约了蚕桑的发展。2017年,中国桑园总面积达到788.73万hm2,比2000年的632.5万hm2增加了24.7%。在过去十年中,尽管桑树种植面积有所增加,但桑叶的产量因害虫而遭受巨大损失。桑螟是一种寄生虫,是桑树常见的重要害虫之一,桑螟啃食叶子并对桑叶的生产构成巨大威胁。桑螟的***也会严重影响桑叶的质量,对蚕茧和桑蚕的产生构成严重威胁。桑树害虫的防治是当前桑树田间管理的重点。蚕桑业需要开发一种快速无损的桑螟检测技术,从而为蚕提供优质的桑叶作为饲料。
目视检测是有害生物检测的常用方法。然而,人工观察是费力的,昂贵的和乏味的。此外,由于幼虫很小并且它们的颜色与桑叶的颜色非常相似,因此在基于肉眼的害虫检测中容易出错。另一方面,计算机视觉技术可以以低成本的方式衡量识别害虫及其损害的客观结果。与目视检测不同,图像检测不受人为因素的干扰,因此可以减少主观因素造成的干扰。然而,由于它主要检测可见光谱范围内的单色或彩色图像,计算机视觉技术无法区分具有相似颜色的样本。桑螟和桑叶的颜色相似,因此很难通过目视观察或计算机视觉技术来区分害虫和叶子。
作为计算机视觉技术的延伸,高光谱成像(HSI)被广泛用于各种食品和农产品的质量检测以及植物病虫害检测。HSI可以同时获得样本的光谱和空间信息,并形成三维的(3-D)数据立方体。因此,HSI可以使用光谱信息来区分害虫和叶子,并通过立方体中包含的空间信息来定位害虫的空间位置。然而,到目前为止,基于HSI技术,对于快速检测桑螟及其对桑叶的损害的报道很少。
本发明利用可见光和近红外(Vis-NIR)高光谱反射成像技术来区分桑螟幼虫和桑叶,并以快速和客观的方式识别桑螟对桑叶的损害。实验在可见光和近红外(400-1700nm)光谱范围内测量高光谱图像,并提取桑螟幼虫和桑叶的特征光谱,之后通过多变量分析建立健康叶片与损伤叶片、健康叶片和桑螟幼虫、损伤叶片和桑螟幼虫、及所有样品之间的分类模型,确定对分类最有用的几个重要波长,最后是分别对在400-1000nm和 900-1700nm范围内工作的两个高光谱成像***进行比较。这项实验的成功结果非常有利于为蚕农提供优质的桑叶,从而提高蚕的产量,提高蚕丝的质量。
发明内容
本发明提供一种基于可见光和近红外高光谱成像的桑螟幼虫及其对桑叶损害的快速识别方法,可在对桑树的管理中,实现为蚕农提供优质的桑叶,从而提高蚕的产量,提高蚕丝的质量。
一种基于可见光和近红外高光谱成像的桑螟幼虫及其对桑叶损害的快速识别方法,包括如下步骤:
步骤1,采摘桑叶作为待测样本,获得每片叶子的可见光和近红外高光谱;
从当地桑园采摘桑叶,然后选择除桑螟幼虫损伤外没有其他缺陷的叶子;获得三种叶子,即健康叶片,具有幼虫损伤的叶子和具有幼虫的叶子;
步骤2,将步骤1获得的原始图像校正为高光谱图像,并对校正后高光谱图像进行识别样品的ROI,获得叶脉、健康叶肉、轻微损伤叶肉和严重损伤叶肉以及幼虫的五类ROI;
桑叶样本放置在传送带上并逐行在镜头下移动,获得每片叶子的可见光(400-1000nm)范围数据和NIR(900-1700nm)范围数据;在完成数据收集之后,获得包含光谱(λ)和空间(x,y)信息的3-D数据立方体。
步骤3,将步骤2中获得的每个ROI都是作为样本,计算每个ROI 中所有像素的平均值以获得该ROI的代表性光谱,如图2中(a)和(b) 所示,将每个样本的代表性光谱组合成光谱矩阵X,使用不同自然数来表示上述五类ROI,并将所有样本的类别编号组合成列向量Y;
矩阵的每列是变量并代表一个波长。矩阵的每一行代表一个样本。
本技术方案中个,有五类ROI,即叶脉,健康叶肉,轻微损伤叶肉,严重损害叶肉和桑螟幼虫,使用主成分分析(PCA)判别分析五类的可分性,结果如图3所示。使用自然数1,2,3,4,5来表示上述五个类别。
步骤4,使用全变量以及多变量分析建立矩阵X和向量Y之间的定性分析模型;
步骤5,重新采集桑叶,获取桑叶的高光谱图,经步骤2和步骤3处理后,带入步骤4所建模型中,进行桑螟幼虫及其对桑叶损害的快速识别。
本技术方案中,手动在ENVI v4.6软件的感兴趣区域(ROI)功能中对步骤3获得的校正后图像进行识别样品的ROI,获得叶脉、健康叶肉、轻微损伤叶肉和严重损伤叶肉以及幼虫的五类ROI。
作为优选的,步骤1及步骤5中挑选在相同的种植环境且长势良好的桑树上的叶位一致、除桑螟幼虫损伤外没有其他缺陷的桑叶。即尽可能选择相同叶位,树龄一致,长势近似,大小近似的叶片。
作为优选的,步骤2中,使用基于白色和暗图像参考将原始图像校正为高光谱图像。步骤2中,在收集数据时黑盒子被关闭,以避免外部光线的影响。在可见光范围数据通过光谱仪用Si检测器(ImSpectorV10E, Spectral Imaging Ltd.,Oulu,Finland)测量。NIR范围数据通过光谱仪用 InGaAs检测器(ImSpectorN17E,Spectral Imaging Ltd.,Oulu,Finland) 测量。测量所有片叶子的高光谱图像。
步骤2中,收集的原始图像信号是信号强度,而不是样品的反射光谱;因此,使用基于白色和暗图像参考将原始图像校正为高光谱图像,校正后结果如图1中(a)和(b)所示;
作为优选的,白色参考用聚四氟乙烯白板,具有接近99%的反射率。为了捕捉暗图像,关闭灯并用不透明的盖子盖住镜头。进一步优选的,暗图像和白图像的数据采集过程与样本的图像采集过程一致。
步骤2中可见光高光谱图像中ROI中的像素点对于叶脉通常为100 至400,对于健康叶肉为4000和12,000,对于轻微损伤叶肉为400和2000,对于严重损害叶肉为1200和4800,对于桑螟幼虫为200和800。另一方面,近红外高光谱图像中ROI的像素点一般在叶脉为25到100之间,健康叶肉为1000和3000,轻度损伤叶肉为100和500,严重损害叶肉为300和1200,桑螟幼虫为50和200。
作为优选的,步骤4中,针对全变量分析用偏最小二乘判别分析 PLS-DA,最小二乘支持向量机LS-SVM和线性判别分析LDA算法分别建立了用于鉴定五类样本的定性分析模型。
作为优选的,步骤4中,针对多变量分析分别使用连续投影算法SPA,非信息变量消除UVE,UVE-SPA和竞争自适应重加权抽样CARS方法选择可以区分昆虫和叶片损害的波长,之后建立五类样本的定性分析模型。
作为优选的,将所有样本随机分成一组校准(四分之三样本)和另一个独立的预测集(四分之一样本)。
本发明获取叶脉,健康叶肉,轻微损伤叶肉,严重损害叶肉和桑螟幼虫高光谱图;对高光谱图进行校正处理;对校正处理后的图进行识别样品的ROI;计算一个ROI中所有像素的平均值以获得该ROI(样本)的代表性光谱,将每个样品的代表性光谱组合成光谱矩阵(X);分为五类ROI,即叶脉,健康叶肉,轻微损伤叶肉,严重损害叶肉和桑螟幼虫,使用不同自然数来表示上述五个类别,将所有样品的类别编号组合成列向量(Y);使用全变量以及多变量分析建立矩阵X和向量Y之间的定性分析模型,根据模型结果分析基于可见光和近红外高光谱成像的桑螟幼虫及其对桑叶损害的快速识别方法的可行性与精确度。
附图说明
图1为波长为660nm(a)和1250nm(b)时叶脉、健康叶肉、轻微损伤叶肉、严重损伤叶肉以及桑螟幼虫的高光谱图;其中,(a)为波长660nm的高光谱图;(b)为波长为1250nm的高光谱图;
图2为2400-1000nm(a)以及900-1700nm(b)波长范围内叶脉、健康叶 肉、轻微损伤叶肉、严重损伤叶肉以及桑螟幼虫的代表性光谱图;其中, (a)为波长在2400-1000nm代表性光谱图,(b)为波长在900-1700nm的代表 性光谱图;
图3为五类ROI使用主成分分析(PCA)分析图;
图4为基于可见光和近红外范围数据的矩阵,用于识别五类样品(叶脉,健康叶肉,轻微损伤,严重损伤和桑螟幼虫)的分类模型的结果图;
具体实施方式
下面结合实施例和附图来详细说明本发明,但本发明并不仅限于此。
本实施例中,基于可见光和近红外高光谱成像的桑螟幼虫及其对桑叶损害的快速识别方法,包括以下步骤:
(1)样本制备:从当地桑园采摘相同叶位,树龄一致,长势近似,大小近似的桑叶,然后选择除桑螟幼虫损伤外没有其他缺陷的叶子。获得三种叶子(120片叶子),即健康叶片(35片叶子),具有幼虫损伤的叶子 (70片叶子)和具有幼虫的叶子(15片叶子)。
(2)数据采集:高光谱成像***由两部分组成。一个是光谱采集单元,它位于一个大的黑盒子里。光谱采集单元有两个摄像头,两个成像摄谱仪和两个可调150瓦石英卤钨灯。两个光谱仪分别测量400-1000nm(可见光范围)和900-1700nm(NIR范围)的高光谱图像。在收集数据时黑盒子被关闭,以避免外部光线的影响。另一部分是控制单元,它有一个输送带,一个步进电机和一台电脑。在数据采集期间,将桑叶放置在传送带上并逐行在镜头下移动。获得每片叶子的可见光范围数据(400-1000nm) 和NIR范围数据(900-1700nm)。可见光范围数据通过光谱仪用Si检测器(ImSpectorV10E,Spectral Imaging Ltd.,Oulu,Finland)测量。NIR范围数据通过光谱仪用InGaAs检测器(ImSpectorN17E,SpectralImaging Ltd., Oulu,Finland)测量。测量了所有120片叶子的高光谱图像。
(3)图像校正:在完成数据收集之后,获得包含光谱(λ)和空间(x, y)信息的3-D数据立方体。收集的原始图像信号是信号强度,而不是样品的反射光谱。因此,使用基于白色和暗图像参考的以下等式将原始图像校正为高光谱图像。
其中IR是原始高光谱图像,ID是反射率接近0的暗图像,IW是白色图像,其基于聚四氟乙烯白板测量并且具有接近99%的反射率。为了捕捉暗图像,关闭灯并用不透明的盖子盖住镜头。暗参考也可以消除原始数据中的暗电流。暗图像和白图像的数据采集过程与样本的图像采集过程一致。校正后的图像用于后续计算,包括光谱提取,变量选择和模型建立。
(4)数据分析:手动在ENVI v4.6软件的感兴趣区域(ROI)功能中对校正后图像进行识别样品的ROI,获得叶脉、健康叶肉、轻微损伤叶肉和严重损伤叶肉以及幼虫的五类ROI。每个ROI都是一个样本,计算一个 ROI中所有像素的平均值以获得该ROI(样本)的代表性光谱。将每个样品的代表性光谱组合成光谱矩阵(X),矩阵的每列是变量并代表一个波长。矩阵的每一行代表一个样本。有五类ROI,即叶脉,健康叶肉,轻微损伤叶肉,严重损害叶肉和桑螟幼虫,使用主成分分析(PCA)判别分析五类的可分性,结果如图3所示。使用自然数1,2,3,4,5来表示上述五个类别,将所有样品的类别编号组合成列向量(Y)。本实施例中,矩阵(X) 的列可见光范围数据有428个变量,近红外范围数据有256个变量。
使用全变量以及多变量分析建立矩阵X和向量Y之间的定量关系模型。将所有样本随机分成一组校准(四分之三样本)和另一个独立的预测集(四分之一样本)。针对全变量用偏最小二乘判别分析(PLS-DA),最小二乘支持向量机(LS-SVM)和线性判别分析(LDA)算法分别建立了用于鉴定五类样品的分类模型。针对多变量分别使用连续投影算法(SPA),非信息变量消除(UVE),UVE-SPA和竞争自适应重加权抽样(CARS) 方法选择可以区分昆虫和叶片损害的波长,之后建立五类样品的分类模型。
其结果可见图4。根据模型结果对比,所有的模型都能在一定程度上实现识别五类ROI,其中用于识别所有五个ROI的最佳模型是基于可见范围数据的UVE-SPA-LS-SVM模型,其具有97.30%的正确预测率(CRP) 值。说明采用可见光和近红外高光谱成像能较准确的识别鉴定出桑螟幼虫及其对桑叶损害,在农业检测植物病虫害上具有重要的推广价值。
以上所述仅为本发明的较佳实施举例,并不用于限制本发明,凡在本发明精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于可见光和近红外高光谱成像的桑螟幼虫及其对桑叶损害的快速识别方法,其特征在于,包括如下步骤:
步骤1,采摘桑叶作为待测样本,获得每片叶子的可见光和近红外高光谱;所述的桑叶包括健康叶片、具有幼虫损伤的叶片和具有幼虫的叶片。
步骤2,将步骤1获得的原始图像校正为高光谱图像,并对校正后高光谱图像进行识别样品的ROI,获得叶脉、健康叶肉、轻微损伤叶肉和严重损伤叶肉以及幼虫的五类ROI;
步骤3,将步骤2中获得的每个ROI都是作为样本,计算每个ROI中所有像素的平均值以获得该ROI的代表性光谱,将每个样本的代表性光谱组合成光谱矩阵X,使用不同自然数来表示上述五类ROI,并将所有样本的类别编号组合成列向量Y;
步骤4,使用全变量以及多变量分析建立矩阵X和向量Y之间的定性分析模型;
步骤5,重新采集桑叶,获取桑叶的高光谱图,经步骤2和步骤3处理后,带入步骤4所建模型中,进行桑螟幼虫及其对桑叶损害的快速识别。
2.如权利要求1所述的基于可见光和近红外高光谱成像的桑螟幼虫及其对桑叶损害的快速识别方法,其特征在于,步骤1及步骤5中挑选在相同的种植环境且长势良好的桑树上的叶位一致、除桑螟幼虫损伤外没有其他缺陷的桑叶。
3.如权利要求1所述的基于可见光和近红外高光谱成像的桑螟幼虫及其对桑叶损害的快速识别方法,其特征在于,步骤2中,使用基于白色和暗图像参考将原始图像校正为高光谱图像。
4.如权利要求3所述的基于可见光和近红外高光谱成像的桑螟幼虫及其对桑叶损害的快速识别方法,其特征在于,白色参考用聚四氟乙烯白板,具有接近99%的反射率。
5.如权利要求4所述的基于可见光和近红外高光谱成像的桑螟幼虫及其对桑叶损害的快速识别方法,其特征在于,暗图像和白图像的数据采集过程与样本的图像采集过程一致。
6.如权利要求1所述的基于可见光和近红外高光谱成像的桑螟幼虫及其对桑叶损害的快速识别方法,其特征在于,步骤4中,针对全变量分析用偏最小二乘判别分析PLS-DA,最小二乘支持向量机LS-SVM和线性判别分析LDA算法分别建立了用于鉴定五类样本的定性分析模型。
7.如权利要求6所述的基于可见光和近红外高光谱成像的桑螟幼虫及其对桑叶损害的快速识别方法,其特征在于,步骤4中,针对多变量分析分别使用连续投影算法SPA,非信息变量消除UVE,UVE-SPA和竞争自适应重加权抽样CARS方法选择可以区分昆虫和叶片损害的波长,并建立五类样本的定性分析模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811317670.0A CN109470639A (zh) | 2018-11-07 | 2018-11-07 | 基于可见光和近红外高光谱成像的桑螟幼虫及其对桑叶损害的快速识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811317670.0A CN109470639A (zh) | 2018-11-07 | 2018-11-07 | 基于可见光和近红外高光谱成像的桑螟幼虫及其对桑叶损害的快速识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109470639A true CN109470639A (zh) | 2019-03-15 |
Family
ID=65666838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811317670.0A Pending CN109470639A (zh) | 2018-11-07 | 2018-11-07 | 基于可见光和近红外高光谱成像的桑螟幼虫及其对桑叶损害的快速识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109470639A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668404A (zh) * | 2020-12-10 | 2021-04-16 | 哈尔滨师范大学 | 一种大豆病虫害的有效鉴定方法 |
CN114332621A (zh) * | 2021-12-30 | 2022-04-12 | 华智生物技术有限公司 | 一种基于多模型特征融合的病虫害识别方法及*** |
CN116973317A (zh) * | 2023-06-13 | 2023-10-31 | 河北农业大学 | 一种基于高光谱成像技术的植物对小菜蛾抗性鉴定的方法 |
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 |
---|---|---|---|---|
WO2012136874A1 (es) * | 2011-04-06 | 2012-10-11 | Universitat Autonoma De Barcelona | Procedimiento de caracterización y clasificación de cálculos renales |
CN103134758A (zh) * | 2013-01-29 | 2013-06-05 | 华南农业大学 | 基于多尺度高光谱图像处理的稻叶瘟病抗性鉴定分级方法 |
CN103389255A (zh) * | 2013-08-05 | 2013-11-13 | 浙江大学 | 基于近红外高光谱纹理特征建模的预测茶叶含水率的方法 |
CN106769894A (zh) * | 2016-12-09 | 2017-05-31 | 江苏大学 | 一种基于高光谱成像的腊肉腌制过程中盐分分布检测方法 |
CN108444924A (zh) * | 2018-03-07 | 2018-08-24 | 安徽农业大学 | 一种应用高光谱图像技术判别茶叶贮藏期的方法 |
-
2018
- 2018-11-07 CN CN201811317670.0A patent/CN109470639A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012136874A1 (es) * | 2011-04-06 | 2012-10-11 | Universitat Autonoma De Barcelona | Procedimiento de caracterización y clasificación de cálculos renales |
CN103134758A (zh) * | 2013-01-29 | 2013-06-05 | 华南农业大学 | 基于多尺度高光谱图像处理的稻叶瘟病抗性鉴定分级方法 |
CN103389255A (zh) * | 2013-08-05 | 2013-11-13 | 浙江大学 | 基于近红外高光谱纹理特征建模的预测茶叶含水率的方法 |
CN106769894A (zh) * | 2016-12-09 | 2017-05-31 | 江苏大学 | 一种基于高光谱成像的腊肉腌制过程中盐分分布检测方法 |
CN108444924A (zh) * | 2018-03-07 | 2018-08-24 | 安徽农业大学 | 一种应用高光谱图像技术判别茶叶贮藏期的方法 |
Non-Patent Citations (3)
Title |
---|
LINGXIA HUANG ET AL.: "Potential of Visible and Near-Infrared Hyperspectral Imaging for Detection of Diaphania pyloalis Larvae and Damage on Mulberry Leaves", 《SENSORS》 * |
冯雷等: "基于高光谱成像技术的茄子叶片灰霉病早期检测", 《浙江大学学报(农业与生命科学版)》 * |
胡耀华等: "高光谱技术诊断马铃薯叶片晚疫病的研究", 《光谱学与光谱分析》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668404A (zh) * | 2020-12-10 | 2021-04-16 | 哈尔滨师范大学 | 一种大豆病虫害的有效鉴定方法 |
CN114332621A (zh) * | 2021-12-30 | 2022-04-12 | 华智生物技术有限公司 | 一种基于多模型特征融合的病虫害识别方法及*** |
CN114332621B (zh) * | 2021-12-30 | 2023-06-13 | 华智生物技术有限公司 | 一种基于多模型特征融合的病虫害识别方法及*** |
CN116973317A (zh) * | 2023-06-13 | 2023-10-31 | 河北农业大学 | 一种基于高光谱成像技术的植物对小菜蛾抗性鉴定的方法 |
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*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mahendran et al. | Application of computer vision technique on sorting and grading of fruits and vegetables | |
Wu et al. | Detection of common defects on jujube using Vis-NIR and NIR hyperspectral imaging | |
CN109470639A (zh) | 基于可见光和近红外高光谱成像的桑螟幼虫及其对桑叶损害的快速识别方法 | |
Saldaña et al. | Computer vision applied to the inspection and quality control of fruits and vegetables | |
ElMasry et al. | Image analysis operations applied to hyperspectral images for non-invasive sensing of food quality–a comprehensive review | |
Zhang et al. | Principles, developments and applications of computer vision for external quality inspection of fruits and vegetables: A review | |
Xing et al. | Detecting bruises on ‘Golden Delicious’ apples using hyperspectral imaging with multiple wavebands | |
Baranowski et al. | Detection of early bruises in apples using hyperspectral data and thermal imaging | |
Bock et al. | Plant disease severity estimated visually, by digital photography and image analysis, and by hyperspectral imaging | |
Bauriegel et al. | Early detection of Fusarium infection in wheat using hyper-spectral imaging | |
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 | |
Bensaeed et al. | Oil palm fruit grading using a hyperspectral device and machine learning algorithm | |
Pinto et al. | Classification of Hass avocado (persea americana mill) in terms of its ripening via hyperspectral images | |
CN210465246U (zh) | 小麦感染赤霉病等级及病粒率高光谱无损检测装置的光谱采集装置 | |
Ortaç et al. | A hyperspectral imaging based control system for quality assessment of dried figs | |
Saputro et al. | Banana (Musa sp.) maturity prediction system based on chlorophyll content using visible-NIR imaging | |
Srivastava et al. | Detection of insect damaged rice grains using visible and near infrared hyperspectral imaging technique | |
Rafiq et al. | Application of computer vision system in food processing | |
Torres et al. | Setting up a methodology to distinguish between green oranges and leaves using hyperspectral imaging | |
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 | |
Sola-Guirado et al. | A smart system for the automatic evaluation of green olives visual quality in the field | |
Aredo et al. | Predicting of the Quality Attributes of Orange Fruit Using Hyperspec-tral Images | |
Gaikwad et al. | Multi-spectral imaging for fruits and vegetables | |
Xie et al. | Modeling for mung bean variety classification using visible and near-infrared hyperspectral imaging | |
TWI656334B (zh) | 蘭花病蟲害高光譜成像早期偵測系統 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190315 |