CN112504977A - 茶叶含水率检测方法及其模型构建方法、介质和设备 - Google Patents

茶叶含水率检测方法及其模型构建方法、介质和设备 Download PDF

Info

Publication number
CN112504977A
CN112504977A CN202011283346.9A CN202011283346A CN112504977A CN 112504977 A CN112504977 A CN 112504977A CN 202011283346 A CN202011283346 A CN 202011283346A CN 112504977 A CN112504977 A CN 112504977A
Authority
CN
China
Prior art keywords
tea
tea leaf
hyperspectral data
regression model
leaf 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
CN202011283346.9A
Other languages
English (en)
Inventor
吴伟斌
林惜才
刘少群
韩重阳
梁荣轩
罗安生
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.)
South China Agricultural University
Original Assignee
South China Agricultural 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 South China Agricultural University filed Critical South China Agricultural University
Priority to CN202011283346.9A priority Critical patent/CN112504977A/zh
Publication of CN112504977A publication Critical patent/CN112504977A/zh
Pending legal-status Critical Current

Links

Images

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
    • G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N5/00—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid
    • G01N5/04—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid by removing a component, e.g. by evaporation, and weighing the remainder
    • G01N5/045—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid by removing a component, e.g. by evaporation, and weighing the remainder for determining moisture content

Landscapes

  • Physics & Mathematics (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)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本实施例公开了茶叶含水率检测方法及其模型构建方法、介质和设备，首先获取作为样本的茶叶叶片的高光谱数据，并且获取其通过干燥法处理得到的含水率；及其与每片茶叶叶片正面、反面的高光谱数据以及每片茶叶叶片含水率的对应关系，分别建立第一回归模型MA、第二回归模型MB、第三回归模型MC、第四回归模型MD；验证第一回归模型MA、第二回归模型MB、第三回归模型MC和第四回归模型MD的准确性，将准确性最高的作为茶叶含水率检测模型。本发明可以简单、快速、准确、无损的检测出茶叶含水率，并且具有重现性好的优点。

Description

茶叶含水率检测方法及其模型构建方法、介质和设备
技术领域
本发明涉及茶叶加工检测技术领域，特别涉及一种茶叶含水率检测方法及其模型构建方法、介质和设备。
背景技术
茶叶含水量的多少和茶叶品质有密切关系，当含水量在6％-7％间，茶叶的品质比较稳定，当含水量超过8％的茶叶易陈化，当茶叶含水量超过12％时茶叶易霉变。因此在茶叶加工完成后，对茶叶的含水率检测非常重要。
目前现有技术中对茶叶含水率的检测包括：
(1)人为触碰并且施加力到茶叶上，根据茶叶声响判定茶叶的含水率。这种方法需要测试人员有非常丰富的经验，由于是靠感官来确定的，获取到的茶叶含水率的准确度会比较低。
(2)通过去干燥法进行测量，具体需要先记录茶叶干燥前质量，对茶叶进行干燥处理后，记录茶叶干燥后的直流，根据茶叶干燥前后的直流计算茶叶干燥前的含税率。这种方式相比前一种，含水率测试的准确度会提高很多，但是需要对茶叶进行干燥处理，处理后的茶叶有可能就不符合相关要求，这是一种对茶叶有损的测试。
发明内容
本发明的第一目的在于克服现有技术的缺点与不足，提供一种茶叶含水率检测模型方法，该方法可以简单、快速、准确、无损的检测出茶叶含水率，并且具有重现性好的优点。
本发明的第二目的在于提供一种茶叶含水率检测模型构建装置。
本发明的第三目的在于提供一种茶叶含水率检测方法。
本发明的第四目的在于提供一种茶叶含水率检测***。
本发明的第五目的在于提供一种存储介质。
本发明的第六目的在于提供一种计算设备。
本发明的第一目的通过下述技术方案实现：一种茶叶含水率检测模型构建方法，包括：
通过高光谱图像采集***采集到作为样本的茶叶叶片的高光谱数据；
获取到每片茶叶叶片样本正反两面的高光谱数据；
针对于每片茶叶叶片样本，获取其通过干燥法处理得到的含水率；
通过各片茶叶叶片样本正面的高光谱数据和各片茶叶叶片样本的含水率，拟合建立第一回归模型MA；
通过各片茶叶叶片样本反面的高光谱数据和各片茶叶叶片样本的含水率，拟合建立第二回归模型MB；
针对各片茶叶叶片样本，通过其正面高光谱数据和反面高光谱数据计算平均高光谱数据，通过各片茶叶叶片样本的平均高光谱数据和各片茶叶叶片样本的含水率，拟合建立第三回归模型MC；
通过各片茶叶叶片样本正面的高光谱数据与各片茶叶叶片样本的含水率、各片茶叶叶片样本反面的高光谱数据与各片茶叶叶片样本的含水率，拟合建立第四回归模型MD；
验证第一回归模型MA、第二回归模型MB、第三回归模型MC和第四回归模型MD的准确性，将准确性最高的作为茶叶含水率检测模型。
优选的，在一定数量的茶叶叶片样本排列置于样品池中时，通过高光谱图像采集***采集高光谱数据；
其中，高光谱图像采集***每次采集到的高光谱数据为一个大小是ax×ay×az的三维矩阵，其中，ax表示高光谱图像采集***中相机水平方向的像素数，ay表示波长363～1025nm所分成的总点数，az表示高光谱图像采集***中相机总共扫描的行数。
更进一步的，从高光谱图像采集***每次采集到的高光谱数据中提取出样品池中每片茶叶叶片样本正面或反面的高光谱数据，其中当茶叶叶片样本正面朝上时，提取的是茶叶叶片样本正面的高光谱数据，当茶叶叶片样本反面朝上时，提取的是茶叶叶片样本反面的高光谱数据，具体如下：
SA、从三维的高光谱数据中选择波长为580nm的光谱图像；
SB、将波长为580nm的光谱图像转换成二值图像，通过二值图像获取到样品池中所排放的每片茶叶叶片的边缘空间位置信息；
SC、根据每片茶叶叶片样本的边缘空间位置信息，在三维高光谱数据中对应提取出每片茶叶叶片样本的高光谱数据；
SD、针对于获取到的每片茶叶叶片样本的高光谱数据做平均值，得到平均光谱数据作为茶叶叶片样本的最终高光谱数据。
优选的，还包括：对高光谱图像采集***采集到的高光谱数据进行黑白板校正处理以及高光谱数据的预处理；
其中：
通过以下公式对高光谱数据进行黑白板校正：
Figure BDA0002781520770000031
式中，I0为白板校正后的高光谱数据，I为原始光谱高光谱图像采集***采集到的原始高光谱数据，IW为白板的平均光谱数据，ID为黑板的平均光谱数据；
通过去中心化、标准正态变换、多元散射校正、应用Savitzky－Golay平滑的一阶导数或应用Savitzky－Golay平滑的二阶导数对校正后高光谱数据进行预处理。
优选的，针对于每片茶叶叶片样本，获取干燥法得到含水率的过程如下：
Sa、首先，把干净无盖的瓶标号，并置于105℃的鼓风干燥机中干燥1.0h；
Sb、用精度为0.001g的AL分析天平测量并记录茶叶叶片样本干燥前片质量，将其放入对应标号的瓶中，并置于105℃的鼓风干燥机中干燥3.0h，待冷却0.5h后记录茶叶质量；
Sc、重复上述步骤Sb多次，若当前次执行步骤Sb后测得的茶叶叶片样本质量与上一次执行步骤Sb后测得的测得的茶叶叶片样本质量差值不超过2mg，则进入步骤Sd；
Sd、通过以下公式计算茶叶叶片样本的含水率
含水率＝(m1－m2)/m1×100％；
m1为茶叶叶片烘干处理之前的质量，m2为最后一次烘干后茶叶叶片样本质量。
本发明的第二目的通过下述技术方案实现：一种茶叶含水率检测模型构建装置，包括：
第一获取模块，用于通过高光谱图像采集***采集到作为样本的茶叶叶片的高光谱数据；获取到每片茶叶叶片样本正反两面的高光谱数据；
第二获取模块，用于针对于每片茶叶叶片样本，获取其通过干燥法处理得到的含水率；
第一回归模型建立模块，用于通过每片茶叶叶片正面的高光谱数据和含水率进行，拟合建立第一回归模型MA；
第二回归模型建立模块，通过各片茶叶叶片样本反面的高光谱数据和各片茶叶叶片样本的含水率，拟合建立第二回归模型MB；
第三回归模型建立模块，用于针对各片茶叶叶片样本，通过其正面高光谱数据和反面高光谱数据计算平均高光谱数据，通过各片茶叶叶片样本的平均高光谱数据和各片茶叶叶片样本的含水率，拟合建立第三回归模型MC；
第四回归模型建立模块，用于通过各片茶叶叶片样本正面的高光谱数据与各片茶叶叶片样本的含水率、各片茶叶叶片样本正面的高光谱数据与各片茶叶叶片样本的含水率，拟合建立第四回归模型MD；
验证模块，用于验证第一回归模型MA、第二回归模型MB、第三回归模型MC和第四回归模型MD的准确性，将准确性最高的作为茶叶含水率检测模型。
本发明的第三目的通过下述技术方案实现：一种茶叶含水率检测方法，包括：
获取本发明第一目的所述茶叶含水率检测模型构建方法获取到的茶叶含水率检测模型；
若茶叶含水率检测模型为第一回归模型MA，则：
针对于待测茶叶叶片，获取该待测茶叶正面的高光谱数据，并且输入到第一回归模型MA，通过第一回归模型MA计算得到待测茶叶的含水率；
若茶叶含水率检测模型为第二回归模型MB，则：
针对于待测茶叶叶片，获取该待测茶叶反面的高光谱数据，并且输入到第二回归模型MB，通过第二回归模型MB计算得到待测茶叶的含水率；
若茶叶含水率检测模型为第三回归模型MC，则：
针对于待测茶叶叶片，获取该待测茶叶正面高光谱数据和反面高光谱数据的平均值，并且输入到第三回归模型MC，通过第三回归模型MC计算得到待测茶叶的含水率；
若茶叶含水率检测模型为第四回归模型MD，则：
针对于待测茶叶叶片，随机获取其正面的高光谱数据或反面的高光谱数据，并且输入到第四回归模型MD，通过第四回归模型MD计算得到待测茶叶的含水率。
本发明的第四目的通过下述技术方案实现：一种茶叶含水率检测***，其包括图像采集设备和上位机；其中：
图像采集设备，用于采集茶叶叶片的高光谱数据；
上位机，用于执行本发明第一目的所述的茶叶含水率检测模型构建方法，和/或用于本发明第三目的所述的茶叶含水率检测方法。
本发明的第五目的通过下述技术方案实现：一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现本发明第一目的所述的茶叶含水率检测模型构建方法，和/或实现本发明第三目的所述的茶叶含水率检测方法。
本发明的第六目的通过下述技术方案实现：一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现本本发明第一目的所述的茶叶含水率检测模型构建方法，和/或实现本发明第三目的所述的茶叶含水率检测方法。
本发明相对于现有技术具有如下的优点及效果：
(1)本发明茶叶含水率检测模型构建方法，首先获取作为样本的茶叶叶片的高光谱数据，并且获取其通过干燥法处理得到的含水率；通过每片茶叶叶片正面的高光谱数据和含水率进行相关性分析，建立第一回归模型MA；通过各片茶叶叶片样本反面的高光谱数据和各片茶叶叶片样本的含水率，拟合建立第二回归模型MB；通过各片茶叶叶片样本正反面平均高光谱数据，和各片茶叶叶片样本的含水率，拟合建立第三回归模型MC；通过各片茶叶叶片样本正面或反面的高光谱数据与各片茶叶叶片样本的含水率、各片茶叶叶片样本反面的高光谱数据与各片茶叶叶片样本的含水率，拟合建立第四回归模型MD；验证第一回归模型MA、第二回归模型MB、第三回归模型MC和第四回归模型MD的准确性，将准确性最高的作为茶叶含水率检测模型。由上述可见，本发明基于茶叶叶片样本高光谱数据和茶叶叶片样本的含水率构建茶叶含水率检测模型，本发明构建得到的模型能够使得在不对茶叶叶片造成损害的情况下，即可检测出茶叶含水率，这是一种结合茶叶叶片高光谱数据和数学公式实现的含水率检测，可以简单、快速、准确、无损的检测出茶叶含水率，并且具有重现性好的优点。
(2)本发明茶叶含水率检测模型构建方法中，通过可以放置多张叶片的样品池，一次能够同时采集多张茶叶叶片的高光谱数据，并且基于一张图片中各茶叶叶片的边缘位置信息，可以从一次获取的光谱数据中提取出每张茶叶叶片样本的高光谱数据，基于本发明上述方法可以更加方便且快速的获取到茶叶叶片样本的高光谱数据，避免了每张叶片获取高光谱数据存在的工作量大的问题。
(3)本发明茶叶含水率检测模型构建方法中，对高光谱图像采集***采集到的高光谱数据进行黑白板校正处理以及高光谱数据的预处理，基于上述校正处理和预处理后的高光谱数据所构建的茶叶含水率检测模型，能够进一步提高茶叶含水率检测的准确度。
(4)本发明茶叶含水率检测模型构建方法中，通过比较茶叶叶片不同面获取到的高光谱数据所构建的模型准确度，从而确定出最佳的茶叶含水率检测模型，能够最大程度的获取到最佳的茶叶含水率检测模型。
附图说明
图1是本发明茶叶含水率检测模型构建方法流程图。
图2是本发明茶叶含水率检测模型构建装置结构框图。
图3是本发明茶叶含水率检测***结构框图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
本实施例公开了一种茶叶含水率检测模型构建方法，通过该方法构建的茶叶含水率检测模型，能够在不损坏茶叶叶片的情况下，快速且准确的检测出茶叶含水率。如图1所示，该方法包括：
S1、随机获取多种茶叶样本，本实施例中，获取的样本可以包括龙井绿茶、碧罗春绿茶、黄山毛峰绿茶、庐山云雾绿茶、太平猴魁绿茶、平水珠绿茶、日照红茶、滇红、沐岚红茶、凤凰单丛共计10份茶叶样品，从每一份样品中随机挑选出50片茶叶叶片，共500片茶叶样品。
S2、选择高光谱图像采集设备。在本实施例中，可以选用VNIR－HIS－B1621型可见-近红外成像***作为高光谱图像采集设备，该设备包括CCD相机、363～1 025nm光谱成像仪、IT 3900 150W卤素光源、移动平台和暗箱等组成。
S3、选取一个用于装载绿茶的样品池，样品池可以是长和宽为10cm的塑料托盘。在本实施例中，设置参考白板，在样品池顶部预先贴上宽度为17mm的白色电气绝缘胶带作为参考白板，每次进行样品扫描时除了能获得样品的光谱信息外，同时也能获得自定义参考白板的信息。
S4、每次将一定数量的茶叶叶片样本排列置于样品池中，具体每次可以在样品池中放置10片茶叶。高光谱图像采集设备中CCD相机使用35n的镜头，在拍摄时，镜头与样品池的距离为33cm，曝光时间为21ms，高光谱图像采集设备移动台的速率为0.792mm/s，图像分辨率为1632*1232。
本实施例中，通过高光谱图像采集***采集发高光谱数据，每次采集到的高光谱数据为一个大小是ax×ay×az的三维矩阵，其中，ax表示高光谱图像采集***中相机水平方向的像素数，ay表示波长363～1 025nm所分成的总点数，az表示高光谱图像采集***中相机总共扫描的行数；在本实施例中ay可以设置为1623，即表示波长363～1 025nm被分成1623个点数。
S5、通过高光谱图像采集***采集到作为样本的茶叶叶片的高光谱数据。在样品池中，将茶叶样品摆放成正面放入样品池中，样品池内茶叶按照5行2列排列，一次光谱扫描可以获得10片茶叶高光谱数据，重复上述过程50次，可以获得500片茶叶叶片样本的高光谱数据，然后将茶叶样品摆放为B面放入样品池中，重复过程，总共可获得1000片茶叶叶片的高光谱数据。
针对于上述每次获取到的10片茶叶高光谱数据，从该高光谱数据将每片茶叶叶片样本正面或反面的高光谱数据提取出来，其中当茶叶叶片样本正面朝上时，提取的是茶叶叶片样本正面的高光谱数据，当茶叶叶片样本反面朝上时，提取的是茶叶叶片样本反面的高光谱数据，具体如下：
SA、从三维的高光谱数据中选择波长为580nm的光谱图像；
SB、将波长为580nm的光谱图像转换成二值图像，通过二值图像获取到样品池中所排放的每片茶叶叶片的边缘空间位置信息；
SC、根据每片茶叶叶片样本的边缘空间位置信息，在三维高光谱数据中对应提取出每片茶叶叶片样本的高光谱数据；
SD、针对于获取到的每片茶叶叶片样本的高光谱数据做平均值，得到平均光谱数据作为茶叶叶片样本的最终高光谱数据。
本实施例中，针对于上述获取到的高光谱数据进行黑白板校正处理以及高光谱数据的预处理，以将预处理后的高光谱数据在后面步骤中使用。
其中：
通过以下公式对高光谱数据进行黑白板校正：
Figure BDA0002781520770000081
式中，I0为白板校正后的高光谱数据，I为原始光谱高光谱图像采集***采集到的原始高光谱数据，IW为白板的平均光谱数据，ID为黑板的平均光谱数据；
通过去中心化Mean、标准正态变换SNV、多元散射校正MSC、应用Savitzky－Golay平滑的一阶导数SAVG1或应用Savitzky－Golay平滑的二阶导数SAVG2对校正后高光谱数据进行预处理。
在本实施例中，经过不同的预处理方法后，新的光谱数据将具有不同的统计特性。如原始光谱经过去中心化处理后，新的光谱数据均值为0；经过SNV预测处理后，新的光谱均值为0，方差为1。MSC预处理有利于消除光谱散射影响。SAVG1或SAVG2预处理，相当于利用差值光谱进行建模。分别比较未做预处理(None)与Mean、SNV、MSC、MSC+Mean、SAVG1+Mean、SAVG1+SNV和SAVG2+SNV预处理方法对茶叶含水量的预测结果。根据校正集均方根误差(RM-SEC)、预测集均方根误差(RMSEP)、校正集相关系数(RC)、预测集相关系数(RP)来评价模型的预测性能。在不同主成分(PC)下，RMSEP值越小，值越大，说明该模型具有更好的预测性能。
S6、针对于每片茶叶叶片样本，获取其通过干燥法处理得到的含水率；本实施例中，针对于每片茶叶叶片样本，获取干燥法得到含水率的过程如下：
Sa、首先，把干净无盖的瓶标号，并置于105℃的鼓风干燥机中干燥1.0h；
Sb、用精度为0.001g的AL分析天平测量并记录茶叶叶片样本干燥前片质量，将其放入对应标号的瓶中，并置于105℃的鼓风干燥机中干燥3.0h，待冷却0.5h后记录茶叶质量；
Sc、重复上述步骤Sb多次，若当前次执行步骤Sb后测得的茶叶叶片样本质量与上一次执行步骤Sb后测得的测得的茶叶叶片样本质量差值不超过2mg，则进入步骤Sd；
Sd、通过以下公式计算茶叶叶片样本的含水率
含水率＝(m1－m2)/m1×100％；
m1为茶叶叶片烘干处理之前的质量，m2为最后一次烘干后茶叶叶片样本质量。
S7、通过每片茶叶叶片正面的高光谱数据和含水率进行，拟合建立第一回归模型MA；
通过各片茶叶叶片样本正面的高光谱数据和各片茶叶叶片样本的含水率，拟合建立第一回归模型MA；
通过各片茶叶叶片样本反面的高光谱数据和各片茶叶叶片样本的含水率，拟合建立第二回归模型MB；
针对各片茶叶叶片样本，通过其正面高光谱数据和反面高光谱数据计算平均高光谱数据，通过各片茶叶叶片样本的平均高光谱数据和各片茶叶叶片样本的含水率，拟合建立第三回归模型MC；
通过各片茶叶叶片样本正面的高光谱数据与各片茶叶叶片样本的含水率、各片茶叶叶片样本反面的高光谱数据与各片茶叶叶片样本的含水率，拟合建立第四回归模型MD；
本实施例中上述第一回归模型MA、第二回归模型MB、第三回归模型MC和第四回归模型MD，可以通过多元线性回归、主成分回归和偏最小二乘回归(PLSR)等进行建模。
S5、验证第一回归模型MA、第二回归模型MB、第三回归模型MC和第四回归模型MD的准确性，将准确性最高的作为茶叶含水率检测模型。在本实施例中，可以通过上述获取到的茶叶叶片样本及已知的含水率检测各模型的准确度，在不同主成分(PC)下，RMSEP值越小，值越大，说明该模型具有更好的预测性能。
本实施例基于茶叶叶片样本高光谱数据和茶叶叶片样本的含水率构建茶叶含水率检测模型，本实施例构建得到的模型能够使得在不对茶叶叶片造成损害的情况下，即可检测出茶叶含水率，这是一种结合茶叶叶片高光谱数据和数学公式实现的含水率检测，可以简单、快速、准确、无损的检测出茶叶含水率，并且具有重现性好的优点。
本领域技术人员可以理解，实现本实施例方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，相应的程序可以存储于计算机可读存储介质中。应当注意，尽管在上述描述中以及附图中以特定顺序描述了本实施例1的方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序，有些步骤也可以同时执行。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
实施例2
本实施例公开了一种茶叶含水率检测模型构建装置，如图2所示，包括第一获取模块、第二获取模块、第一回归模型建立模块、第二回归模型建立模块、第三回归模型建立模块、第四回归模型建立模块和验证模块，各模块的具体功能如下：
第一获取模块，用于通过高光谱图像采集***采集到作为样本的茶叶叶片的高光谱数据。获取到每片茶叶叶片样本正反两面的高光谱数据；
第二获取模块，用于针对于每片茶叶叶片样本，获取其通过干燥法处理得到的含水率；
第一回归模型建立模块，用于通过每片茶叶叶片正面的高光谱数据和含水率进行，拟合建立第一回归模型MA；
第二回归模型建立模块，通过各片茶叶叶片样本反面的高光谱数据和各片茶叶叶片样本的含水率，拟合建立第二回归模型MB；
第三回归模型建立模块，用于针对各片茶叶叶片样本，通过其正面高光谱数据和反面高光谱数据计算平均高光谱数据，通过各片茶叶叶片样本的平均高光谱数据和各片茶叶叶片样本的含水率，拟合建立第三回归模型MC；
第四回归模型建立模块，用于通过各片茶叶叶片样本正面的高光谱数据与各片茶叶叶片样本的含水率、各片茶叶叶片样本正面的高光谱数据与各片茶叶叶片样本的含水率，拟合建立第四回归模型MD；
验证模块，用于验证第一回归模型MA、第二回归模型MB、第三回归模型MC和第四回归模型MD的准确性，将准确性最高的作为茶叶含水率检测模型。
本实施例上述各个模块的具体实现可以参见上述实施例1，在此不再一一赘述。需要说明的是，本实施例提供的装置仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
实施例3
本实施例公开了一种茶叶含水率检测方法，包括：
(1)、获取实施例1茶叶含水率检测模型构建方法获取到的茶叶含水率检测模型。
(2)、若茶叶含水率检测模型为第一回归模型MA，则：
针对于待测茶叶叶片，获取该待测茶叶正面的高光谱数据，并且输入到第一回归模型MA，通过第一回归模型MA计算得到待测茶叶的含水率；
若茶叶含水率检测模型为第二回归模型MB，则：
针对于待测茶叶叶片，获取该待测茶叶反面的高光谱数据，并且输入到第二回归模型MB，通过第二回归模型MB计算得到待测茶叶的含水率；
若茶叶含水率检测模型为第三回归模型MC，则：
针对于待测茶叶叶片，获取该待测茶叶正面高光谱数据和反面高光谱数据的平均值，并且输入到第三回归模型MC，通过第三回归模型MC计算得到待测茶叶的含水率；
若茶叶含水率检测模型为第四回归模型MD，则：
针对于待测茶叶叶片，随机获取其正面的高光谱数据或反面的高光谱数据，并且输入到第四回归模型MD，通过第四回归模型MD计算得到待测茶叶的含水率。
实施例4
本实施例公开了一种茶叶含水率检测***，如图3所示，包括图像采集设备和上位机；其中：
图像采集设备，用于采集作为茶叶叶片的高光谱数据；图像采集设备所选用的型号以及采集高光谱数据的方式可以参见实施例1，此处不再赘述。
上位机，用于执行实施例1所述的茶叶含水率检测模型构建方法，和/或用于执实施例3所述的茶叶含水率检测方法。
其中：
执行实施例1所述的茶叶含水率检测模型构建方法，如下：
通过高光谱图像采集***采集到作为样本的茶叶叶片的高光谱数据；
获取到每片茶叶叶片样本正反两面的高光谱数据；
针对于每片茶叶叶片样本，获取其通过干燥法处理得到的含水率；
通过各片茶叶叶片样本正面的高光谱数据和各片茶叶叶片样本的含水率，拟合建立第一回归模型MA；
通过各片茶叶叶片样本反面的高光谱数据和各片茶叶叶片样本的含水率，拟合建立第二回归模型MB；
针对各片茶叶叶片样本，通过其正面高光谱数据和反面高光谱数据计算平均高光谱数据，通过各片茶叶叶片样本的平均高光谱数据和各片茶叶叶片样本的含水率，拟合建立第三回归模型MC；
通过各片茶叶叶片样本正面的高光谱数据与各片茶叶叶片样本的含水率、各片茶叶叶片样本反面的高光谱数据与各片茶叶叶片样本的含水率，拟合建立第四回归模型MD；
验证第一回归模型MA、第二回归模型MB、第三回归模型MC和第四回归模型MD的准确性，将准确性最高的作为茶叶含水率检测模型。
执行实施例3所述的茶叶含水率检测方法如下：
获取实施例1中茶叶含水率检测模型构建方法获取到的茶叶含水率检测模型；
若茶叶含水率检测模型为第一回归模型MA，则：
针对于待测茶叶叶片，获取该待测茶叶正面的高光谱数据，并且输入到第一回归模型MA，通过第一回归模型MA计算得到待测茶叶的含水率；
若茶叶含水率检测模型为第二回归模型MB，则：
针对于待测茶叶叶片，获取该待测茶叶反面的高光谱数据，并且输入到第二回归模型MB，通过第二回归模型MB计算得到待测茶叶的含水率；
若茶叶含水率检测模型为第三回归模型MC，则：
针对于待测茶叶叶片，获取该待测茶叶正面高光谱数据和反面高光谱数据的平均值，并且输入到第三回归模型MC，通过第三回归模型MC计算得到待测茶叶的含水率；
若茶叶含水率检测模型为第四回归模型MD，则：
针对于待测茶叶叶片，随机获取其正面的高光谱数据或反面的高光谱数据，并且输入到第四回归模型MD，通过第四回归模型MD计算得到待测茶叶的含水率。
在本实施例中，上位机可以是计算机、服务器等设备。
实施例5
本实施例公开了一种存储介质，存储有程序，所述程序被处理器执行时，实现实施例1所述的茶叶含水率检测模型构建方法，和/或实现实施例3所述的茶叶含水率检测方法。
其中：
实现实施例1所述的茶叶含水率检测模型构建方法，如下：
通过高光谱图像采集***采集到作为样本的茶叶叶片的高光谱数据；
获取到每片茶叶叶片样本正反两面的高光谱数据；
针对于每片茶叶叶片样本，获取其通过干燥法处理得到的含水率；
通过各片茶叶叶片样本正面的高光谱数据和各片茶叶叶片样本的含水率，拟合建立第一回归模型MA；
通过各片茶叶叶片样本反面的高光谱数据和各片茶叶叶片样本的含水率，拟合建立第二回归模型MB；
针对各片茶叶叶片样本，通过其正面高光谱数据和反面高光谱数据计算平均高光谱数据，通过各片茶叶叶片样本的平均高光谱数据和各片茶叶叶片样本的含水率，拟合建立第三回归模型MC；
通过各片茶叶叶片样本正面的高光谱数据与各片茶叶叶片样本的含水率、各片茶叶叶片样本反面的高光谱数据与各片茶叶叶片样本的含水率，拟合建立第四回归模型MD；
验证第一回归模型MA、第二回归模型MB、第三回归模型MC和第四回归模型MD的准确性，将准确性最高的作为茶叶含水率检测模型。
实现实施例3所述的茶叶含水率检测方法如下：
获取实施例1中茶叶含水率检测模型构建方法获取到的茶叶含水率检测模型；
若茶叶含水率检测模型为第一回归模型MA，则：
针对于待测茶叶叶片，获取该待测茶叶正面的高光谱数据，并且输入到第一回归模型MA，通过第一回归模型MA计算得到待测茶叶的含水率；
若茶叶含水率检测模型为第二回归模型MB，则：
针对于待测茶叶叶片，获取该待测茶叶反面的高光谱数据，并且输入到第二回归模型MB，通过第二回归模型MB计算得到待测茶叶的含水率；
若茶叶含水率检测模型为第三回归模型MC，则：
针对于待测茶叶叶片，获取该待测茶叶正面高光谱数据和反面高光谱数据的平均值，并且输入到第三回归模型MC，通过第三回归模型MC计算得到待测茶叶的含水率；
若茶叶含水率检测模型为第四回归模型MD，则：
针对于待测茶叶叶片，随机获取其正面的高光谱数据或反面的高光谱数据，并且输入到第四回归模型MD，通过第四回归模型MD计算得到待测茶叶的含水率。
在本实施例中，存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、U盘、移动硬盘等介质。
实施例6
本实施例公开了一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现实施例1任一项所述的茶叶含水率检测模型构建方法，和/或实现实施例3所述的茶叶含水率检测方法。
如下：
其中：
执行实施例1所述的茶叶含水率检测模型构建方法，如下：
通过高光谱图像采集***采集到作为样本的茶叶叶片的高光谱数据；
获取到每片茶叶叶片样本正反两面的高光谱数据；
针对于每片茶叶叶片样本，获取其通过干燥法处理得到的含水率；
通过各片茶叶叶片样本正面的高光谱数据和各片茶叶叶片样本的含水率，拟合建立第一回归模型MA；
通过各片茶叶叶片样本反面的高光谱数据和各片茶叶叶片样本的含水率，拟合建立第二回归模型MB；
针对各片茶叶叶片样本，通过其正面高光谱数据和反面高光谱数据计算平均高光谱数据，通过各片茶叶叶片样本的平均高光谱数据和各片茶叶叶片样本的含水率，拟合建立第三回归模型MC；
通过各片茶叶叶片样本正面的高光谱数据与各片茶叶叶片样本的含水率、各片茶叶叶片样本反面的高光谱数据与各片茶叶叶片样本的含水率，拟合建立第四回归模型MD；
验证第一回归模型MA、第二回归模型MB、第三回归模型MC和第四回归模型MD的准确性，将准确性最高的作为茶叶含水率检测模型。
执行实施例3所述的茶叶含水率检测方法如下：
获取实施例1中茶叶含水率检测模型构建方法获取到的茶叶含水率检测模型；
若茶叶含水率检测模型为第一回归模型MA，则：
针对于待测茶叶叶片，获取该待测茶叶正面的高光谱数据，并且输入到第一回归模型MA，通过第一回归模型MA计算得到待测茶叶的含水率；
若茶叶含水率检测模型为第二回归模型MB，则：
针对于待测茶叶叶片，获取该待测茶叶反面的高光谱数据，并且输入到第二回归模型MB，通过第二回归模型MB计算得到待测茶叶的含水率；
若茶叶含水率检测模型为第三回归模型MC，则：
针对于待测茶叶叶片，获取该待测茶叶正面高光谱数据和反面高光谱数据的平均值，并且输入到第三回归模型MC，通过第三回归模型MC计算得到待测茶叶的含水率；
若茶叶含水率检测模型为第四回归模型MD，则：
针对于待测茶叶叶片，随机获取其正面的高光谱数据或反面的高光谱数据，并且输入到第四回归模型MD，通过第四回归模型MD计算得到待测茶叶的含水率。
本实施例中，计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑等终端设备。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种茶叶含水率检测模型构建方法，其特征在于，包括：
通过高光谱图像采集***采集到作为样本的茶叶叶片的高光谱数据；
获取到每片茶叶叶片样本正反两面的高光谱数据；
针对于每片茶叶叶片样本，获取其通过干燥法处理得到的含水率；
通过各片茶叶叶片样本正面的高光谱数据和各片茶叶叶片样本的含水率，拟合建立第一回归模型MA；
通过各片茶叶叶片样本反面的高光谱数据和各片茶叶叶片样本的含水率，拟合建立第二回归模型MB；
针对各片茶叶叶片样本，通过其正面高光谱数据和反面高光谱数据计算平均高光谱数据，通过各片茶叶叶片样本的平均高光谱数据和各片茶叶叶片样本的含水率，拟合建立第三回归模型MC；
通过各片茶叶叶片样本正面的高光谱数据与各片茶叶叶片样本的含水率、各片茶叶叶片样本反面的高光谱数据与各片茶叶叶片样本的含水率，拟合建立第四回归模型MD；
验证第一回归模型MA、第二回归模型MB、第三回归模型MC和第四回归模型MD的准确性，将准确性最高的作为茶叶含水率检测模型。
2.根据权利要求1所述的茶叶含水率检测模型构建方法，其特征在于，在一定数量的茶叶叶片样本排列置于样品池中时，通过高光谱图像采集***采集高光谱数据；
其中，高光谱图像采集***每次采集到的高光谱数据为一个大小是ax×ay×az的三维矩阵，其中，ax表示高光谱图像采集***中相机水平方向的像素数，ay表示波长363～1025nm所分成的总点数，az表示高光谱图像采集***中相机总共扫描的行数。
3.根据权利要求2所述的茶叶含水率检测模型构建方法，其特征在于，从高光谱图像采集***每次采集到的高光谱数据中提取出样品池中每片茶叶叶片样本正面或反面的高光谱数据，其中当茶叶叶片样本正面朝上时，提取的是茶叶叶片样本正面的高光谱数据，当茶叶叶片样本反面朝上时，提取的是茶叶叶片样本反面的高光谱数据，具体如下：
SA、从三维的高光谱数据中选择波长为580nm的光谱图像；
SB、将波长为580nm的光谱图像转换成二值图像，通过二值图像获取到样品池中所排放的每片茶叶叶片的边缘空间位置信息；
SC、根据每片茶叶叶片样本的边缘空间位置信息，在三维高光谱数据中对应提取出每片茶叶叶片样本的高光谱数据；
SD、针对于获取到的每片茶叶叶片样本的高光谱数据做平均值，得到平均光谱数据作为茶叶叶片样本的最终高光谱数据。
4.根据权利要求1所述的茶叶含水率检测模型构建方法，其特征在于，还包括：对高光谱图像采集***采集到的高光谱数据进行黑白板校正处理以及高光谱数据的预处理；
其中：
通过以下公式对高光谱数据进行黑白板校正：
Figure FDA0002781520760000021
式中，I0为白板校正后的高光谱数据，I为原始光谱高光谱图像采集***采集到的原始高光谱数据，IW为白板的平均光谱数据，ID为黑板的平均光谱数据；
通过去中心化、标准正态变换、多元散射校正、应用Savitzky－Golay平滑的一阶导数或应用Savitzky－Golay平滑的二阶导数对校正后高光谱数据进行预处理。
5.根据权利要求1所述的茶叶含水率检测模型构建方法，其特征在于，针对于每片茶叶叶片样本，获取干燥法得到含水率的过程如下：
Sa、首先，把干净无盖的瓶标号，并置于105℃的鼓风干燥机中干燥1.0h；
Sb、用精度为0.001g的AL分析天平测量并记录茶叶叶片样本干燥前片质量，将其放入对应标号的瓶中，并置于105℃的鼓风干燥机中干燥3.0h，待冷却0.5h后记录茶叶质量；
Sc、重复上述步骤Sb多次，若当前次执行步骤Sb后测得的茶叶叶片样本质量与上一次执行步骤Sb后测得的测得的茶叶叶片样本质量差值不超过2mg，则进入步骤Sd；
Sd、通过以下公式计算茶叶叶片样本的含水率
含水率＝(m1－m2)/m1×100％；
m1为茶叶叶片烘干处理之前的质量，m2为最后一次烘干后茶叶叶片样本质量。
6.一种茶叶含水率检测模型构建装置，其特征在于，包括：
第一获取模块，用于通过高光谱图像采集***采集到作为样本的茶叶叶片的高光谱数据；获取到每片茶叶叶片样本正反两面的高光谱数据；
第二获取模块，用于针对于每片茶叶叶片样本，获取其通过干燥法处理得到的含水率；
第一回归模型建立模块，用于通过每片茶叶叶片正面的高光谱数据和含水率进行，拟合建立第一回归模型MA；
第二回归模型建立模块，通过各片茶叶叶片样本反面的高光谱数据和各片茶叶叶片样本的含水率，拟合建立第二回归模型MB；
第三回归模型建立模块，用于针对各片茶叶叶片样本，通过其正面高光谱数据和反面高光谱数据计算平均高光谱数据，通过各片茶叶叶片样本的平均高光谱数据和各片茶叶叶片样本的含水率，拟合建立第三回归模型MC；
第四回归模型建立模块，用于通过各片茶叶叶片样本正面的高光谱数据与各片茶叶叶片样本的含水率、各片茶叶叶片样本正面的高光谱数据与各片茶叶叶片样本的含水率，拟合建立第四回归模型MD；
验证模块，用于验证第一回归模型MA、第二回归模型MB、第三回归模型MC和第四回归模型MD的准确性，将准确性最高的作为茶叶含水率检测模型。
7.一种茶叶含水率检测方法，其特征在于，包括：
获取权利要求1～4中茶叶含水率检测模型构建方法获取到的茶叶含水率检测模型；
若茶叶含水率检测模型为第一回归模型MA，则：
针对于待测茶叶叶片，获取该待测茶叶正面的高光谱数据，并且输入到第一回归模型MA，通过第一回归模型MA计算得到待测茶叶的含水率；
若茶叶含水率检测模型为第二回归模型MB，则：
针对于待测茶叶叶片，获取该待测茶叶反面的高光谱数据，并且输入到第二回归模型MB，通过第二回归模型MB计算得到待测茶叶的含水率；
若茶叶含水率检测模型为第三回归模型MC，则：
针对于待测茶叶叶片，获取该待测茶叶正面高光谱数据和反面高光谱数据的平均值，并且输入到第三回归模型MC，通过第三回归模型MC计算得到待测茶叶的含水率；
若茶叶含水率检测模型为第四回归模型MD，则：
针对于待测茶叶叶片，随机获取其正面的高光谱数据或反面的高光谱数据，并且输入到第四回归模型MD，通过第四回归模型MD计算得到待测茶叶的含水率。
8.一种茶叶含水率检测***，其特征在于，包括图像采集设备和上位机；其中：
图像采集设备，用于采集茶叶叶片的高光谱数据；
上位机，用于执行权利要求1～4中任一项所述的茶叶含水率检测模型构建方法，和/或用于执行权利要求7所述的茶叶含水率检测方法。
9.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1～4任一项所述的茶叶含水率检测模型构建方法，和/或实现权利要求7所述的茶叶含水率检测方法。
10.一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1～4任一项所述的茶叶含水率检测模型构建方法，和/或实现权利要求7所述的茶叶含水率检测方法。
CN202011283346.9A 2020-11-17 2020-11-17 茶叶含水率检测方法及其模型构建方法、介质和设备 Pending CN112504977A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011283346.9A CN112504977A (zh) 2020-11-17 2020-11-17 茶叶含水率检测方法及其模型构建方法、介质和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011283346.9A CN112504977A (zh) 2020-11-17 2020-11-17 茶叶含水率检测方法及其模型构建方法、介质和设备

Publications (1)

Publication Number Publication Date
CN112504977A true CN112504977A (zh) 2021-03-16

Family

ID=74956429

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011283346.9A Pending CN112504977A (zh) 2020-11-17 2020-11-17 茶叶含水率检测方法及其模型构建方法、介质和设备

Country Status (1)

Country Link
CN (1) CN112504977A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113096747A (zh) * 2021-04-12 2021-07-09 江苏丰尚智能科技有限公司 烘干机出料水分含量预测方法、装置和计算机设备
CN118090648A (zh) * 2024-04-02 2024-05-28 常州建昊建筑鉴定检测有限公司 一种工程材料含水率检测方法及***
WO2024108684A1 (zh) * 2022-11-22 2024-05-30 中国烟草总公司四川省公司 一种雪茄烟晾制阶段含水率预测模型构建方法及***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102721651A (zh) * 2012-06-18 2012-10-10 浙江大学 基于多光谱图像的植物叶片水分含量的检测方法及***
CN103344575A (zh) * 2013-07-01 2013-10-09 江南大学 基于高光谱图像技术的干燥毛豆多品质无损检测方法
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
CN103744777A (zh) * 2013-12-26 2014-04-23 浙江大学 检测方法及使用该检测方法检测茶叶含水量的用途
CN110108648A (zh) * 2019-04-30 2019-08-09 深圳市太赫兹科技创新研究院有限公司 一种陈皮的鉴别方法和鉴别***
CN110320164A (zh) * 2019-06-28 2019-10-11 华南农业大学 一种生菜全氮含量高光谱反演模型的建立方法及其应用
CN110333195A (zh) * 2019-07-15 2019-10-15 北华航天工业学院 植物叶片水分含量检测方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102721651A (zh) * 2012-06-18 2012-10-10 浙江大学 基于多光谱图像的植物叶片水分含量的检测方法及***
CN103344575A (zh) * 2013-07-01 2013-10-09 江南大学 基于高光谱图像技术的干燥毛豆多品质无损检测方法
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
CN103744777A (zh) * 2013-12-26 2014-04-23 浙江大学 检测方法及使用该检测方法检测茶叶含水量的用途
CN110108648A (zh) * 2019-04-30 2019-08-09 深圳市太赫兹科技创新研究院有限公司 一种陈皮的鉴别方法和鉴别***
CN110320164A (zh) * 2019-06-28 2019-10-11 华南农业大学 一种生菜全氮含量高光谱反演模型的建立方法及其应用
CN110333195A (zh) * 2019-07-15 2019-10-15 北华航天工业学院 植物叶片水分含量检测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘震等: "《水土保持监测技术》", 31 July 2004, 中国大地出版社 *
吴伟斌等: "基于高光谱的茶叶含水量检测模型建立与试验研究", 《河南农业大学学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113096747A (zh) * 2021-04-12 2021-07-09 江苏丰尚智能科技有限公司 烘干机出料水分含量预测方法、装置和计算机设备
WO2024108684A1 (zh) * 2022-11-22 2024-05-30 中国烟草总公司四川省公司 一种雪茄烟晾制阶段含水率预测模型构建方法及***
CN118090648A (zh) * 2024-04-02 2024-05-28 常州建昊建筑鉴定检测有限公司 一种工程材料含水率检测方法及***

Similar Documents

Publication Publication Date Title
CN112504977A (zh) 茶叶含水率检测方法及其模型构建方法、介质和设备
CN109815770B (zh) 二维码检测方法、装置及***
EP2511680A2 (en) Optimized orthonormal system and method for reducing dimensionality of hyperspectral Images
CN100357725C (zh) 近红外技术快速检测牛肉嫩度的方法和装置
CN103472031A (zh) 一种基于高光谱成像技术的脐橙糖度检测方法
CN112974303B (zh) 一种基于高光谱的果品品质检测方法、设备及介质
CN111598827A (zh) 外观瑕疵检测方法、电子装置及存储介质
CN115753809A (zh) 一种绝缘子污损检测方法、装置、设备及存储介质
CN111879709A (zh) 湖泊水体光谱反射率检验方法及装置
CN113390799B (zh) 一种烟叶中梗的识别与检测方法
CN117237736A (zh) 一种基于机器视觉和深度学习的大曲质量检测方法
CN117011759A (zh) 钻爆法隧道掌子面围岩多元地质信息解析方法及***
RU2458397C1 (ru) Способ поиска и распознавания объектов на цифровых изображениях
CN114002203A (zh) 一种基于拉曼光谱分析木质成分含量的方法及装置
CN111898314B (zh) 湖泊水体参数检验方法、装置、电子设备及存储介质
CN111669575B (zh) 图像处理效果的测试方法、***、电子设备、介质及终端
CN115239947A (zh) 基于无监督学习的小麦条锈病严重度评估方法及装置
CN115406860A (zh) 一种基于建模对比的黄龙病快速检测装置及方法
CN115376026A (zh) 关键区域定位方法、装置、设备及存储介质
CN115128034A (zh) 一种温湿度协同修正近红外光谱数据的方法
CN115170548A (zh) 基于无监督学习的皮革缺陷自动检测方法及装置
Liu et al. Multispectral LiDAR point cloud highlight removal based on color information
CN112697724A (zh) 基于无人机高光谱田间烟叶氧化钾含量预测方法及***
CN111914741A (zh) 房产证识别方法、装置和设备
CN101354357A (zh) 一种分析树木年轮微密度图像的方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210316

RJ01 Rejection of invention patent application after publication