CN102279976A - 不同糙米籽粒识别的bp神经网络构建及识别方法 - Google Patents
不同糙米籽粒识别的bp神经网络构建及识别方法 Download PDFInfo
- Publication number
- CN102279976A CN102279976A CN201110283093XA CN201110283093A CN102279976A CN 102279976 A CN102279976 A CN 102279976A CN 201110283093X A CN201110283093X A CN 201110283093XA CN 201110283093 A CN201110283093 A CN 201110283093A CN 102279976 A CN102279976 A CN 102279976A
- Authority
- CN
- China
- Prior art keywords
- grains
- neural network
- brown rice
- image
- different
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了不同糙米籽粒识别的BP神经网络构建及识别方法，采用如下技术方案：包含如下步骤：1)获取图像：2)图像预处理：3)提取不同糙米籽粒图像特征信息：4)主成分分析对图像特征信息降维；5)设计BP神经网络结构：6)训练神经网络，采用上述任一所述的构建方法构建出来的BP网络神经进行不同糙米籽粒识别。本发明所提出的方法，通过黑色为背景获取不同类型糙米籽粒图像，利用图像处理技术得到其特征信息，并利用主成分分析对特征信息降维，最后利用BP神经网络对不同类型的糙米籽粒进行识别。本方法能够客观、准确、快速的识别不同类型籽粒，克服传统的人工检测的弊端。
Description
技术领域
本发明涉及一种基于计算机图像处理技术结合BP神经网络检测糙米籽粒类型的方法。属于计算机自动识别领域。
背景技术
糙米作为储藏原料和碾米原料，其品质直接影响大米的食用也营养价值，进而影响其经济价值和粮食安全。不完善粒、未熟粒、死米等是糙米中难以避免的组成成分，他们不仅影响其后大米的加工品质同时对大米蒸煮品质也会造成影响。糙米籽粒的类型和含量受大米品种和生长环境等影响较大。目前我国对糙米籽粒类型检测主要是通过人工目测，该方法主观性强、劳动强度大、误差大，不利于快速准确对糙米籽粒分类。
发明内容
本发明为解决快速、准确识别不同类型糙米籽粒的检测问题，提出一种以计算机图像处理技术为基础利用BP神经网络识别不同类型糙米籽粒。
采用如下技术方案：包含如下步骤：
●1)获取图像：将不同类型糙米籽粒置于图像采集系统中，获取RGB图像。以黑色材料为背景，米粒分开不接触；
●2)图像预处理：消除背景噪音的影响，然后对图像阈值分割；
●3)提取不同糙米籽粒图像特征信息：通过图像处理软件提取各籽粒的颜色、形态和纹理特征值；
●4)主成分分析对图像特征信息降维；
●5)设计BP神经网络结构：设计BP神经网络的输入层、隐含层、输出层节点数；
●6)训练神经网络：通过不同类型糙米籽粒进行神经网络的训练。
本发明的进一步技术方案在于：步骤2)具体是将RGB图像转化为灰度图像，中值滤波后使用Ostu自适应阈值确定分割阈值，对灰度图像进行二值化处理，最后对二值图像进行形态学开操作，提取形态特征信息，包括长轴、短轴、长宽比、周长、面积、周长2/面积；
本发明的进一步技术方案在于：步骤3)提取原始图像R、G、B、H、S、I各分量图像，并对其进行中值滤波。提取R、G、B、H、S、I和中值滤波后灰度图像的纹理特征，包括平均值、平均对比度、平滑度、三阶矩、一致性、熵。本发明的进一步技术方案在于：步骤6)中所述不同类型糙米籽是指完善粒、青完善粒、垩白粒、青垩白粒、白未熟粒、青未熟粒、白死米、青死米、生芽粒、虫蚀粒、异色粒。
本发明的进一步技术方案在于：步骤5)具体为：选取三层神经网络。对主成分分析得到的主成分进行归一化处理，得到输入向量，归一化处理使网络输入向量范围为[0，1]。输出向量的设计按照糙米籽粒种类设计为向量形式。综合考虑输入向量和目标向量，构建网络结构。输出向量采用如下形式输出：
完善粒：(1，0，0，0，0，0，0，0，0，0，0)；
青完善粒：(0，1，0，0，0，0，0，0，0，0，0)；
垩白粒：(0，0，1，0，0，0，0，0，0，0，0)；
青垩白粒：(0，0，0，1，0，0，0，0，0，0，0)；
未熟粒：(0，0，0，0，1，0，0，0，0，0，0)；
青未熟粒：(0，0，0，0，0，1，0，0，0，0，0)；
死米：(0，0，0，0，0，0，1，0，0，0，0)；
青死米：(0，0，0，0，0，0，0，1，0，0，0)；
生芽粒：(0，0，0，0，0，0，0，0，1，0，0)；
虫蚀粒：(0，0，0，0，0，0，0，0，0，1，0)；
异色粒：(0，0，0，0，0，0，0，0，0，0，1)；
根据系统输入输出数据特点，确定BP神经网络的输入层和输出层节点数。隐含层节点数按照公式n2＝2×n1+1选取。其中n2为隐含层神经元个数，n1为输入神经元个数。隐含层神经元的传递函数采用S型正切函数tansig，输出层神经元传递函数采用S型对数函数logsig。
本发明的进一步技术特征在于：步骤6)中所述不同类型糙米籽优选100粒。
不同糙米籽粒识别的BP网络神经构建及识别方法，其特征在于：采用上述任一所述的构建方法构建出来的BP神经网络进行不同糙米籽粒识别。
本发明所提出的方法，通过黑色为背景获取不同类型糙米籽粒图像，利用图像处理技术得到其特征信息，并利用主成分分析对特征信息降维，最后利用BP神经网络对不同类型的糙米籽粒进行识别。本方法能够客观、准确、快速的识别不同类型籽粒，克服传统的人工检测的弊端。
具体实施方式
下面通过具体的实例对本发明方法进行说明。
以下对本发明的具体实施方式进行说明：本发明实施例所述方法的详细步骤说明如下：
首先，选取150粒糙米分别置于扫描仪上，以黑色材料为背景，米粒分开不接触，采用分辨率300dpi扫描获取图像，图片以tif格式储存。
然后，进行预处理和图像分割。先将RGB图像转化为灰度图形，然后中值滤波再使用Ostu自适应阈值确定分割阈值，对灰度图像进行二值化处理最后对二值图像进行形态学开操作，并对二值图像标记。
提取形态学开操作后米粒的形态特征，形态特征包括长轴、短轴、长宽比、周长、面积、周长2/面积。
提取原始图像R、G、B、H、S、I各分量图像，并对其中值滤波，提取滤波后R、G、B、H、S、I纹理特征和灰度图像Gray纹理特征，包括平均值、平均对比度、平滑度、三阶矩、一致性、熵。
将提取出来的特征信息进行主成分分析降维。
然后设计BP神经网络结构，选取三层神经网络。对主成分分析得到的主成分进行归一化处理，得到输入向量，归一化处理使网络输入向量范围为[0，1]。输出向量的设计按照糙米籽粒种类设计为向量形式。综合考虑输入向量和目标向量，构建网络结构。输出向量采用如下形式输出：
完善粒：(1，0，0，0，0，0，0，0，0，0，0)；
青完善粒：(0，1，0，0，0，0，0，0，0，0，0)；
垩白粒：(0，0，1，0，0，0，0，0，0，0，0)；
青垩白粒：(0，0，0，1，0，0，0，0，0，0，0)；
未熟粒：(0，0，0，0，1，0，0，0，0，0，0)；
青未熟粒：(0，0，0，0，0，1，0，0，0，0，0)；
死米：(0，0，0，0，0，0，1，0，0，0，0)；
青死米：(0，0，0，0，0，0，0，1，0，0，0)；
生芽粒：(0，0，0，0，0，0，0，0，1，0，0)；
虫蚀粒：(0，0，0，0，0，0，0，0，0，1，0)；
异色粒：(0，0，0，0，0，0，0，0，0，0，1)；
根据系统输入输出数据特点，确定BP神经网络的输入层和输出层节点数。隐含层节点数按照公式n2＝2×n1+1选取。其中n2为隐含层神经元个数，n1为输入神经元个数。隐含层神经元的传递函数采用S型正切函数tansig，输出层神经元传递函数采用S型对数函数logsig。
接着进行网络训练，BP神经网络用训练数据训练BP神经网络。11种糙米籽粒的每种籽粒均有150组主成分信号，从中随机选取100组作为训练数据训练网络，50组数据作为测试数据测试网络分类能力。
最后用训练好的神经网络对测试数据所属籽粒类别进行分类。使用网络训练中随机选取的50×11组测试数据测试网络分类能力。对于输出结果进行四舍五入处理。
最后所应说明的是：以上实施例仅用以说明而非限制本发明的技术方案，尽管参照上述实施例对本发明进行了详细说明，本领域的普通技术人员应当理解：依然可以对本发明进行修改或者等同替换，而不脱离本发明精神和范围的任何修改或局部替换，其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.不同糙米籽粒识别的BP神经网络构建及识别方法，其特征在于：
1)获取图像：将不同类型糙米籽粒置于图像采集系统中，获取RGB图像。以黑包材料为背景，米粒分开不接触；
2)图像预处理：消除背景噪音的影响，然后对图像阈值分割；
3)提取不同糙米籽粒图像特征信息：通过图像处理软件提取各籽粒的颜色、形态和纹理特征值；
4)主成分分析对图像特征信息降维；
5)设计BP神经网络结构：设计BP神经网络的输入层、隐含层、输出层节点数；
6)训练神经网络：通过不同类型糙米籽粒进行神经网络的训练。
2.如权利要求1所述的不同糙米籽粒识别的BP神经网络构建及识别方法，其特征在于：步骤2)具体是将RGB图像转化为灰度图像，中值滤波后使用Ostu自适应阈值确定分割阈值，对灰度图像进行二值化处理，最后对二值图像进行形态学开操作，并标记二值图像，提取形态特征信息，包括长轴、短轴、长宽比、周长、面积、周长2/面积。
3.如权利要求1所述的不同糙米籽粒识别的BP神经网络构建及识别方法，其特征在于：步骤3)提取原始图像R、G、B、H、S、I各分量图像，并对其进行中值滤波。提取R、G、B、H、S、I和中值滤波后灰度图像的纹理特征，包括平均值、平均对比度、平滑度、三阶矩、一致性、熵。
4.如权利要求1所述的不同糙米籽粒识别的BP神经网络构建及识别方法，其特征在于：步骤6)中所述不同类型糙米籽是指完善粒、青完善粒、垩白粒、青垩 白粒、白未熟粒、青未熟粒、白死米、青死米、生芽粒、虫蚀粒、异色粒。
5.如权利要求1或者4所述的不同糙米籽粒识别的BP神经网络构建及识别方法，其特征在于：步骤5)具体为：选取三层神经网络。对主成分分析得到的主成分进行归一化处理，得到输入向量，归一化处理使网络输入向量范围为[0，1]。输出向量的设计按照糙米籽粒种类设计为向量形式。综合考虑输入向量和目标向量，构建网络结构。输出向量采用如下形式输出：
完善粒：(1，0，0，0，0，0，0，0，0，0，0)；
青完善粒：(0，1，0，0，0，0，0，0，0，0，0)；
垩白粒：(0，0，1，0，0，0，0，0，0，0，0)；
青垩白粒：(0，0，0，1，0，0，0，0，0，0，0)；
未熟粒：(0，0，0，0，1，0，0，0，0，0，0)；
青未熟粒：(0，0，0，0，0，1，0，0，0，0，0)；
死米：(0，0，0，0，0，0，1，0，0，0，0)；
青死米：(0，0，0，0，0，0，0，1，0，0，0)；
生芽粒：(0，0，0，0，0，0，0，0，1，0，0)；
虫蚀粒：(0，0，0，0，0，0，0，0，0，1，0)；
异色粒：(0，0，0，0，0，0，0，0，0，0，1)；
根据系统输入输出数据特点，确定BP神经网络的输入层和输出层节点数。隐含层节点数按照公式n2＝2×n1+1选取。其中n2为隐含层神经元个数，n1为输入神经元个数。隐含层神经元的传递函数采用S型正切函数tansig，输出层神经元传递函数采用S型对数函数logsig。
6.如权利要求1所述的不同糙米籽粒识别的BP神经网络构建及识别方法，其特征在于：步骤6)中所述不同类型糙米籽优选100粒。
7.不同糙米籽粒识别的BP神经网络构建及识别方法，其特征在于：采用权利要求1-6任一所述的构建方法构建出来的BP神经网络进行不同糙米籽粒识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201110283093XA CN102279976A (zh) | 2011-09-22 | 2011-09-22 | 不同糙米籽粒识别的bp神经网络构建及识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201110283093XA CN102279976A (zh) | 2011-09-22 | 2011-09-22 | 不同糙米籽粒识别的bp神经网络构建及识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN102279976A true CN102279976A (zh) | 2011-12-14 |
Family
ID=45105404
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201110283093XA Pending CN102279976A (zh) | 2011-09-22 | 2011-09-22 | 不同糙米籽粒识别的bp神经网络构建及识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102279976A (zh) |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102662039A (zh) * | 2012-04-17 | 2012-09-12 | 戴会超 | 一种基于bp神经网络的水体溶解氧饱和度预测方法 |
| CN103268492A (zh) * | 2013-04-19 | 2013-08-28 | 北京农业信息技术研究中心 | 一种玉米籽粒类型识别方法 |
| CN103808669A (zh) * | 2014-01-26 | 2014-05-21 | 沈阳农业大学 | 一种基于高光谱成像技术的苹果虫眼快速无损检测方法 |
| CN105059507A (zh) * | 2015-08-02 | 2015-11-18 | 安琳 | 潜水器 |
| CN105424598A (zh) * | 2014-11-29 | 2016-03-23 | 巫立斌 | 一种基于图像识别的机动车尾气检测方法 |
| CN106408086A (zh) * | 2016-09-12 | 2017-02-15 | 上海影城有限公司 | 用于图像优化的深度学习神经网络处理方法及系统 |
| CN106841212A (zh) * | 2016-12-30 | 2017-06-13 | 湖南大学 | 一种基于局部pca和bp神经网络的瓶口缺陷检测方法 |
| CN106874930A (zh) * | 2016-12-29 | 2017-06-20 | 中国农业大学 | 一种籽粒分类方法及装置 |
| CN106950253A (zh) * | 2017-03-31 | 2017-07-14 | 河南工业大学 | 一种粮食虫蚀粒早期检测方法及装置 |
| CN108363970A (zh) * | 2018-02-02 | 2018-08-03 | 鲁东大学 | 一种鱼种类的识别方法和系统 |
| CN109029252A (zh) * | 2018-06-20 | 2018-12-18 | Oppo广东移动通信有限公司 | 物体检测方法、装置、存储介质及电子设备 |
| CN109239504A (zh) * | 2018-08-03 | 2019-01-18 | 同济大学 | 一种旋转式转换开关触点通断角度时序波形的测试方法 |
| CN109444141A (zh) * | 2018-12-24 | 2019-03-08 | 安徽高哲信息技术有限公司 | 一种基于深度学习的粮食籽粒检测与计数的方法及装置 |
| WO2019127400A1 (zh) * | 2017-12-29 | 2019-07-04 | 美的集团股份有限公司 | 一种谷物识别方法、装置和计算机存储介质 |
| CN110930352A (zh) * | 2019-02-25 | 2020-03-27 | 研祥智能科技股份有限公司 | 物体色差缺陷检测方法、装置、计算机设备及存储介质 |
| CN111047003A (zh) * | 2018-10-15 | 2020-04-21 | 武汉大学 | 一种用于大米烹饪的智能识别系统与方法 |
| CN111435427A (zh) * | 2019-01-14 | 2020-07-21 | 珠海格力电器股份有限公司 | 识别大米的方法、装置和烹饪器具 |
| CN111435541A (zh) * | 2019-01-14 | 2020-07-21 | 珠海格力电器股份有限公司 | 获取米粒的垩白度的方法、装置和烹饪器具 |
| CN113158994A (zh) * | 2021-05-21 | 2021-07-23 | 河南科技大学 | 一种用于小麦正常粒识别的方法 |
| CN113421244A (zh) * | 2021-06-24 | 2021-09-21 | 国网江苏省电力有限公司电力科学研究院 | 不同电极材料的电弧故障识别方法、系统、设备及存储介质 |
| CN114066887A (zh) * | 2022-01-11 | 2022-02-18 | 安徽高哲信息技术有限公司 | 大米垩白区域检测方法、装置、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101701916A (zh) * | 2009-12-01 | 2010-05-05 | 中国农业大学 | 一种玉米品种快速鉴定、鉴别方法 |
| CN101957313A (zh) * | 2010-09-21 | 2011-01-26 | 吉林大学 | 鲜玉米果穗质量的计算机视觉检测分级方法及装置 |
-
2011
- 2011-09-22 CN CN201110283093XA patent/CN102279976A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101701916A (zh) * | 2009-12-01 | 2010-05-05 | 中国农业大学 | 一种玉米品种快速鉴定、鉴别方法 |
| CN101957313A (zh) * | 2010-09-21 | 2011-01-26 | 吉林大学 | 鲜玉米果穗质量的计算机视觉检测分级方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| 万鹏,孙瑜,孙永海: "基于计算机视觉的大米粒形识别方法", 《吉林大学学报(工学版)》 * |
| 尚艳芬,侯彩云,常国华: "基于图像识别的黄粒米自动检测研究", 《农业工程学报》 * |
| 林文浩: "稻米品质综合评价的人工神经网络方法", 《福建农林大学学报(自然科学版)》 * |
Cited By (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102662039A (zh) * | 2012-04-17 | 2012-09-12 | 戴会超 | 一种基于bp神经网络的水体溶解氧饱和度预测方法 |
| CN103268492B (zh) * | 2013-04-19 | 2016-03-30 | 北京农业信息技术研究中心 | 一种玉米籽粒类型识别方法 |
| CN103268492A (zh) * | 2013-04-19 | 2013-08-28 | 北京农业信息技术研究中心 | 一种玉米籽粒类型识别方法 |
| CN103808669A (zh) * | 2014-01-26 | 2014-05-21 | 沈阳农业大学 | 一种基于高光谱成像技术的苹果虫眼快速无损检测方法 |
| CN103808669B (zh) * | 2014-01-26 | 2016-03-23 | 沈阳农业大学 | 一种基于高光谱成像技术的苹果虫眼快速无损检测方法 |
| CN105424598A (zh) * | 2014-11-29 | 2016-03-23 | 巫立斌 | 一种基于图像识别的机动车尾气检测方法 |
| CN105059507A (zh) * | 2015-08-02 | 2015-11-18 | 安琳 | 潜水器 |
| CN106408086A (zh) * | 2016-09-12 | 2017-02-15 | 上海影城有限公司 | 用于图像优化的深度学习神经网络处理方法及系统 |
| CN106874930A (zh) * | 2016-12-29 | 2017-06-20 | 中国农业大学 | 一种籽粒分类方法及装置 |
| CN106841212A (zh) * | 2016-12-30 | 2017-06-13 | 湖南大学 | 一种基于局部pca和bp神经网络的瓶口缺陷检测方法 |
| CN106841212B (zh) * | 2016-12-30 | 2019-06-21 | 湖南大学 | 一种基于局部pca和bp神经网络的瓶口缺陷检测方法 |
| CN106950253A (zh) * | 2017-03-31 | 2017-07-14 | 河南工业大学 | 一种粮食虫蚀粒早期检测方法及装置 |
| WO2019127400A1 (zh) * | 2017-12-29 | 2019-07-04 | 美的集团股份有限公司 | 一种谷物识别方法、装置和计算机存储介质 |
| CN108363970A (zh) * | 2018-02-02 | 2018-08-03 | 鲁东大学 | 一种鱼种类的识别方法和系统 |
| CN109029252B (zh) * | 2018-06-20 | 2020-12-01 | Oppo广东移动通信有限公司 | 物体检测方法、装置、存储介质及电子设备 |
| CN109029252A (zh) * | 2018-06-20 | 2018-12-18 | Oppo广东移动通信有限公司 | 物体检测方法、装置、存储介质及电子设备 |
| CN109239504A (zh) * | 2018-08-03 | 2019-01-18 | 同济大学 | 一种旋转式转换开关触点通断角度时序波形的测试方法 |
| CN111047003A (zh) * | 2018-10-15 | 2020-04-21 | 武汉大学 | 一种用于大米烹饪的智能识别系统与方法 |
| CN109444141A (zh) * | 2018-12-24 | 2019-03-08 | 安徽高哲信息技术有限公司 | 一种基于深度学习的粮食籽粒检测与计数的方法及装置 |
| CN109444141B (zh) * | 2018-12-24 | 2021-07-02 | 安徽高哲信息技术有限公司 | 一种基于深度学习的粮食籽粒检测与计数的方法及装置 |
| CN111435427A (zh) * | 2019-01-14 | 2020-07-21 | 珠海格力电器股份有限公司 | 识别大米的方法、装置和烹饪器具 |
| CN111435541A (zh) * | 2019-01-14 | 2020-07-21 | 珠海格力电器股份有限公司 | 获取米粒的垩白度的方法、装置和烹饪器具 |
| CN111435427B (zh) * | 2019-01-14 | 2024-08-13 | 珠海格力电器股份有限公司 | 识别大米的方法、装置和烹饪器具 |
| CN110930352A (zh) * | 2019-02-25 | 2020-03-27 | 研祥智能科技股份有限公司 | 物体色差缺陷检测方法、装置、计算机设备及存储介质 |
| CN110930352B (zh) * | 2019-02-25 | 2024-02-13 | 研祥智慧物联科技有限公司 | 物体色差缺陷检测方法、装置、计算机设备及存储介质 |
| CN113158994A (zh) * | 2021-05-21 | 2021-07-23 | 河南科技大学 | 一种用于小麦正常粒识别的方法 |
| CN113421244A (zh) * | 2021-06-24 | 2021-09-21 | 国网江苏省电力有限公司电力科学研究院 | 不同电极材料的电弧故障识别方法、系统、设备及存储介质 |
| CN114066887A (zh) * | 2022-01-11 | 2022-02-18 | 安徽高哲信息技术有限公司 | 大米垩白区域检测方法、装置、设备及存储介质 |
| CN114066887B (zh) * | 2022-01-11 | 2022-04-22 | 安徽高哲信息技术有限公司 | 大米垩白区域检测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102279976A (zh) | 不同糙米籽粒识别的bp神经网络构建及识别方法 | |
| Zareiforoush et al. | Potential applications of computer vision in quality inspection of rice: a review | |
| Haidar et al. | Image-based date fruit classification | |
| CN104680524B (zh) | 一种叶类蔬菜病害诊断方法 | |
| CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
| Donis-González et al. | Assessment of chestnut (Castanea spp.) slice quality using color images | |
| CN108613989A (zh) | 一种稻谷不完善粒的检测方法 | |
| CN101701916A (zh) | 一种玉米品种快速鉴定、鉴别方法 | |
| CN108956604A (zh) | 一种基于高光谱图像技术识别中华绒螯蟹品质的方法 | |
| CN103528967B (zh) | 基于高光谱图像的过熟蓝靛果果实识别方法 | |
| CN113420614A (zh) | 一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法 | |
| CN116524224A (zh) | 一种基于机器视觉的烤后烟叶类型检测方法及系统 | |
| CN110243805A (zh) | 基于拉曼高光谱成像技术的鱼刺检测方法 | |
| CN107403181A (zh) | 基于广式腊肠高光谱图像的瘦肉与肥肉自适应分离的方法 | |
| Hassoon | Classification and diseases identification of mango based on artificial intelligence: A review | |
| CN112132792B (zh) | 基于高光谱和深度学习的山核桃内源异物像素级检测方法 | |
| CN112816487A (zh) | 一种基于机器视觉的皮蛋内部品质无损检测方法 | |
| Ji et al. | Apple color automatic grading method based on machine vision | |
| CN108537267A (zh) | 一种基于显著性检验的玉米穗自动识别方法 | |
| CN118366151A (zh) | 一种基于图像的冬笋检测分级方法 | |
| CN107220972A (zh) | 一种基于红外图像的禽蛋品质鉴别方法 | |
| CN110390359A (zh) | 一种西藏青稞叶片病变的识别方法 | |
| Carrillo et al. | Artificial vision to assure coffee-Excelso beans quality | |
| CN110633720A (zh) | 一种玉米病害识别方法 | |
| Hanibah et al. | Determination of physical rice composition using image processing technique |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| ASS | Succession or assignment of patent right |
Free format text: FORMER OWNER: ZHOU XIANQING ZHANG YURONG BAI GUOWEI |
|
| C41 | Transfer of patent application or patent right or utility model | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20111116 Address after: 450052 College of Cereals, Oils and foodstuffs, Henan University of Technology, 140 South Songshan Road, Zhengzhou, Henan Applicant after: Henan Industry University Address before: 450052 College of Cereals, Oils and foodstuffs, Henan University of Technology, 140 South Songshan Road, Zhengzhou, Henan Applicant before: Henan Industry University Co-applicant before: Zhou Xianqing Co-applicant before: Zhang Yurong Co-applicant before: Bai Guowei |
|
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20111214 |