[go: up one dir, main page]

CN115115609A - 一种植物叶片正面表型性状的图像分析方法及系统 - Google Patents

一种植物叶片正面表型性状的图像分析方法及系统 Download PDF

Info

Publication number
CN115115609A
CN115115609A CN202210854864.4A CN202210854864A CN115115609A CN 115115609 A CN115115609 A CN 115115609A CN 202210854864 A CN202210854864 A CN 202210854864A CN 115115609 A CN115115609 A CN 115115609A
Authority
CN
China
Prior art keywords
color
image
plant
phenotypic traits
plant leaves
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.)
Granted
Application number
CN202210854864.4A
Other languages
English (en)
Other versions
CN115115609B (zh
Inventor
杨坤
韩冀皖
付深造
任君
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.)
Institute of Vegetables and Flowers Chinese Academy of Agricultural Sciences
Original Assignee
Institute of Vegetables and Flowers Chinese Academy of Agricultural Sciences
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 Institute of Vegetables and Flowers Chinese Academy of Agricultural Sciences filed Critical Institute of Vegetables and Flowers Chinese Academy of Agricultural Sciences
Priority to CN202210854864.4A priority Critical patent/CN115115609B/zh
Publication of CN115115609A publication Critical patent/CN115115609A/zh
Application granted granted Critical
Publication of CN115115609B publication Critical patent/CN115115609B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种植物叶片正面表型性状的图像分析方法，所述方法包括：获取植物叶片与标准比色卡并排放置的图像；识别图像中标准比色卡上的标准色块；通过标准比色卡上的标准色块校正图像的色彩；基于校正色彩后的图像，对图像中的植物叶片进行色彩分析，得到与植物叶片的色彩相关的表型性状；获取一定数量的植物叶片正面图像并标记后作为样本，根据样本进行植物叶片与表达状态类别相关的表型性状分类，得到与性状类别相关的表型性状。本发明通过携带标准色块的标准比色卡来获取植物叶片正面表型性状，通过识别标准比色卡上的标准色块对图像进行统一色彩校正，使图像的背景统一，且植物叶片具有统一的色彩，提高色彩和类别分析的准确度。

Description

一种植物叶片正面表型性状的图像分析方法及系统
技术领域
本发明属于植物新品种测试技术领域，具体涉及一种植物叶片正面表型性状的图像分析方法及系统。
背景技术
植物新品种测试是对申请保护的植物新品种进行特异性(Distinctness)、一致性(Uniformity)和稳定性(Stability)的栽培鉴定试验或室内分析测试的过程(简称DUS测试)，DUS测试一般根据对应植物的DUS测试指南进行，DUS测试指南中需要测试的性状较多，传统的测试性状大多依赖田间试验和人工记录获得，花费的人工多，工作量较大。近年来图像分析方法逐渐被引入DUS测试中，但拍摄的植物图像中包含的丰富颜色和类别信息并未被高效利用，部分基于图像分析出的表型性状也存在性状表达状态描述不准、误差大的问题。
发明内容
有鉴于此，本发明提出了一种植物叶片正面表型性状的图像分析方法及系统，用于解决基于图像分析出的颜色和类别相关的测试性状误差过大的问题。
本发明第一方面，公开一种植物叶片正面表型性状的图像分析方法，所述方法包括：
获取植物叶片与标准比色卡并排放置的图像；
识别图像中标准比色卡上的标准色块；
通过标准比色卡上的标准色块校正图像的色彩；
基于校正色彩后的图像，对图像中的植物叶片进行色彩分析，得到与植物叶片的色彩相关的表型性状；
获取一定数量的植物叶片正面图像并标记后作为样本，根据样本进行植物叶片与表达状态类别相关的表型性状分类，得到与性状类别相关的表型性状。
在以上技术方案的基础上，优选的，所述标准色块包括：黑色、深灰色、浅灰色、白色、红色、绿色、蓝色和黄色，每个标准色块形状固定且设有固定的RGB值。在以上技术方案的基础上，优选的，所述识别图像中标准比色卡上的标准色块具体包括：
对图像进行背景分离，保留标准比色卡区域的色彩；
识别标准比色卡上每个标准色块的实际位置及平均RGB值。
在以上技术方案的基础上，优选的，所述通过标准比色卡上的标准色块校正图像的色彩具体包括：
将每个标准色块的平均RGB值与每个标准色块设定的RGB值进行比较，计算两者差值；
根据两者差值确定每个RGB分量的校正值；
根据每个RGB分量的校正值对图像中每个像素RGB分量进行色彩校正。
在以上技术方案的基础上，优选的，所述基于校正色彩后的图像，对图像中的植物叶片进行色彩分析，得到与植物叶片的色彩相关的表型性状具体包括：
植物种类对应的DUS测试指南中与植物叶片外表面的色彩相关的表型性状标准；
根据图像中植物叶片的色彩校正结果和植物种类对应的DUS测试指南中与植物叶片外表面的色彩相关的表型性状标准进行色彩分析，得到植物叶片正面与色彩相关的表型性状。
在以上技术方案的基础上，优选的，所述方法还包括：
获取一定数量的植物叶片正面图像并标记后作为样本，根据样本进行植物叶片与表达状态类别相关的表型性状分类，得到与性状类别相关的表型性状，具体包括：
获取一定数量的、与所述植物叶片同种类、同一生育阶段的叶片正面图像作为样本；
确定出与植物叶片正面的性状类别相关的表型性状及对应的表达状态类别，对样本进行表达状态类别标记；
基于样本类别标记结果，通过模板匹配或机器学习的方式对植物叶片的每个与性状类别相关的表型性状进行表达状态类别分类，得到植物叶片正面与性状类别相关的表型性状。
在以上技术方案的基础上，优选的，所述植物叶片为黄瓜叶片；
与几何尺寸相关的表型性状包括：长度和边缘缺刻深度；
与色彩相关的表型性状包括：绿色程度；
与类别相关的表型性状包括：形状、先端形状。
本发明第二方面，公开一种植物叶片正面表型性状的图像分析系统，所述系统包括：
图像获取模块：用于获取植物叶片与标准比色卡并排放置的图像；
图像识别模块：用于识别图像中标准比色卡上的标准色块；
色彩校正模块：用于通过标准比色卡上的标准色块校正图像的色彩；
色彩分析模块：用于基于校正色彩后的图像，对图像中的植物叶片进行色彩分析，得到与植物叶片的色彩相关的表型性状；
类别分析模块：用于获取一定数量的植物叶片正面图像并标记后作为样本，根据样本进行植物叶片与表达状态类别相关的表型性状分类，得到与性状类别相关的表型性状。
本发明第三方面，公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如本发明第一方面所述的方法。
本发明第四方面，公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使计算机实现如本发明第一方面所述的方法。
本发明相对于现有技术具有以下有益效果：
1)本发明通过携带标准色块的标准比色卡来获取植物叶片正面表型性状，通过识别标准比色卡上的标准色块对图像进行统一色彩校正，使图像的背景统一，且植物叶片具有统一的色彩，提高色彩分析的准确度；
2)本发明可根据一张植物叶片图像识别出与植物叶片颜色相关的表型性状，避免植物叶片颜色性状模糊，提高DUS测试性状获取的效率；
3)本发明通过获取一定数量的植物叶片正面图像并标记后作为样本，根据样本进行植物叶片与表达状态类别相关的表型性状分类，通过模板匹配或机器学习的方式得到与性状类别相关的表型性状，提高DUS测试性状获取的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的植物叶片正面表型性状的图像分析方法流程图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
请参阅图1，本发明提出一种植物叶片正面表型性状的图像分析方法，所述方法包括：
S1、获取植物叶片与标准比色卡并排放置的图像。
将植物叶片与标准比色卡并排放置，调节拍摄背景、灯光、物体摆放和相机参数，然后用相机拍摄一张包含植物叶片与标准比色卡的图像。
本发明所使用的标准比色卡上印制有多个标准色块，比如依次印制有黑色、深灰色、浅灰色、白色、红色、绿色、蓝色和黄色的标准色块，每个标准色块在印制时设定有固定的RGB值，每个标准色块有固定形状，比如圆形、方形等。
S2、识别图像中标准比色卡上的刻度和标准色块。
步骤S2具体包括如下分步骤：
S21、对图像进行背景分离，保留标准比色卡区域的色彩。
S22、识别标准比色卡上每个标准色块的实际位置及平均RGB值。
标准比色卡上每个标准色块有固定形状，比如当标准色块为圆形时，可根据其圆形形状及其对应的固定RGB值确定标准比色卡上每个标准色块的实际位置，然后获取图像上每个标准色块的平均RGB值。
S3、通过标准比色卡上的标准色块校正图像的色彩。
步骤S3具体包括如下分步骤：
S31、将每个标准色块的平均RGB值与每个标准色块设定的RGB值进行比较，计算两者差值；
S32、根据两者差值确定每个RGB分量的校正值；
S33、根据每个RGB分量的校正值对图像中每个像素RGB分量进行色彩校正。
本发明通过携带标准色块的标准比色卡来获取植物叶片正面表型性状，通过识别标准比色卡上的标准色块对图像进行统一色彩校正，使图像的背景统一，且植物叶片具有统一的色彩，为后续色彩分析提供良好基础，有利于提高色彩分析的准确度。
S4、基于校正色彩后的图像，对图像中的植物叶片进行色彩分析，得到与植物叶片的色彩相关的表型性状。
步骤S4具体包括如下分步骤：
S41、获取植物种类对应的DUS测试指南中与植物叶片外表面的色彩相关的表型性状标准；
S42、根据图像中植物叶片的色彩校正结果和植物种类对应的DUS测试指南中与植物叶片外表面的色彩相关的表型性状标准进行色彩分析，得到植物叶片正面与色彩相关的表型性状。
具体的，可通过颜色拾取、比对、统计、分类等分析手段进行色彩分析，得到与色彩相关的表型性状。
S5、获取一定数量的植物叶片正面图像并标记后作为样本，根据样本进行植物叶片与表达状态类别相关的表型性状分类，得到与性状类别相关的表型性状。
步骤S5具体包括：
S51、获取一定数量的、与所述植物叶片同种类、同一生育阶段的叶片正面图像作为样本；
S52、确定出与植物叶片正面的性状类别相关的表型性状及对应的表达状态类别，对样本进行表达状态类别标记；
S53、基于样本类别标记结果，通过模板匹配或机器学习的方式对植物叶片的每个与性状类别相关的表型性状进行表达状态类别分类，得到植物叶片正面与性状类别相关的表型性状。
本发明通过获取一定数量的植物叶片正面图像并标记后作为样本，根据样本进行植物叶片与表达状态类别相关的表型性状分类，通过模板匹配或机器学习的方式得到与性状类别相关的表型性状，提高DUS测试性状获取的准确度。
下面以植物叶片为黄瓜叶片为例，进一步说明本发明的实施方式。
《NY/T 2235-2012植物新品种特异性、一致性和稳定性测试指南黄瓜》中关于黄瓜瓜条外表面的表型性状包括：长度、边缘缺刻深度、绿色程度、形状、先端形状。
其中，与色彩相关的表型性状包括：绿色程度；与类别相关的表型性状包括：形状、先端形状。
按照步骤S1将黄瓜叶片与标准比色卡并排放置，拍摄一张图像，然后通过步骤S2识别图像中标准色块，通过步骤S3进行色彩校正，通过步骤S4进行色彩分析，还可以通过步骤S5进行类别分析，得到植物叶片的DUS测试性状。
本发明可根据一张植物叶片图像识别出多种与植物叶片的颜色、类别相关的表型性状，提高DUS测试性状获取的效率；
与上述方法实施例相对应，本发明还公开一种植物叶片正面表型性状的图像分析系统，所述系统包括：
图像获取模块：用于获取植物叶片与标准比色卡并排放置的图像；
图像识别模块：用于识别图像中标准比色卡上的标准色块；
色彩校正模块：用于通过标准比色卡上的标准色块校正图像的色彩；
色彩分析模块：用于基于校正色彩后的图像，对图像中的植物叶片进行色彩分析，得到与植物叶片的色彩相关的表型性状；
类别分析模块：用于获取一定数量的植物叶片正面图像并标记后作为样本，根据样本进行植物叶片与表达状态类别相关的表型性状分类，得到与性状类别相关的表型性状。
以上系统实施例和方法实施例是一一对应的，系统实施例简述之处请参阅方法实施例即可。
本发明还公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现本发明前述的方法。
本发明还公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现本发明实施例所述方法的全部或部分步骤。所述存储介质包括：U盘、移动硬盘、只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的系统实施例仅仅是示意性的，其中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，即可以分布到多个网络单元上。本领域普通技术人员在不付出创造性的劳动的情况下，可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，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 (10)

1.一种植物叶片正面表型性状的图像分析方法，其特征在于，所述方法包括：
获取植物叶片与标准比色卡并排放置的图像；
识别图像中标准比色卡上标准色块；
通过标准比色卡上的标准色块校正图像的色彩；
基于校正色彩后的图像，对图像中的植物叶片进行色彩分析，得到与植物叶片的色彩相关的表型性状；
获取一定数量的植物叶片正面图像并标记后作为样本，根据样本进行植物叶片与表达状态类别相关的表型性状分类，得到与性状类别相关的表型性状。
2.根据权利要求1所述的植物叶片正面表型性状的图像分析方法，其特征在于，所述标准色块包括：黑色、深灰色、浅灰色、白色、红色、绿色、蓝色和黄色，每个标准色块形状固定且设有固定的RGB值。
3.根据权利要求2所述的植物叶片正面表型性状的图像分析方法，其特征在于，所述识别图像中标准比色卡上标准色块具体包括：
对图像进行背景分离，保留标准比色卡区域的色彩；
识别标准比色卡上每个标准色块的实际位置及平均RGB值。
4.根据权利要求3所述的植物叶片正面表型性状的图像分析方法，其特征在于，所述通过标准比色卡上的标准色块校正图像的色彩具体包括：
将每个标准色块的平均RGB值与每个标准色块固定的RGB值进行比较，计算两者差值；
根据两者差值确定每个RGB分量的校正值；
根据每个RGB分量的校正值对图像中每个像素RGB分量进行色彩校正。
5.根据权利要求4所述的植物叶片正面表型性状的图像分析方法，其特征在于，所述基于校正色彩后的图像，对图像中的植物叶片进行色彩分析，得到与植物叶片的色彩相关的表型性状具体包括：
植物种类对应的DUS测试指南中与植物叶片外表面的色彩相关的表型性状标准；
根据图像中植物叶片的色彩校正结果和植物种类对应的DUS测试指南中与植物叶片外表面的色彩相关的表型性状标准进行色彩分析，得到植物叶片正面与色彩相关的表型性状。
6.根据权利要求1所述的植物叶片正面表型性状的图像分析方法，其特征在于，所述获取一定数量的植物叶片正面图像并标记后作为样本，根据样本进行植物叶片与表达状态类别相关的表型性状分类，得到与性状类别相关的表型性状，具体包括：
获取一定数量的、与所述植物叶片同种类、同一生育阶段的叶片正面图像作为样本；
确定出与植物叶片正面的性状类别相关的表型性状及对应的表达状态类别，对样本进行表达状态类别标记；
基于样本类别标记结果，通过模板匹配或机器学习的方式对植物叶片的每个与性状类别相关的表型性状进行表达状态类别分类，得到植物叶片正面与性状类别相关的表型性状。
7.根据权利要求6所述的植物叶片正面表型性状的图像分析方法，其特征在于，所述植物叶片为黄瓜叶片；
与色彩相关的表型性状包括：绿色程度；
与类别相关的表型性状包括：形状、先端形状。
8.一种植物叶片正面表型性状的图像分析系统，其特征在于，所述系统包括：
图像获取模块：用于获取植物叶片与标准比色卡并排放置的图像；
图像识别模块：用于识别图像中标准比色卡上的标准色块；
色彩校正模块：用于通过标准比色卡上的标准色块校正图像的色彩；
色彩分析模块：用于基于校正色彩后的图像，对图像中的植物叶片进行色彩分析，得到与植物叶片的色彩相关的表型性状；
类别分析模块：用于获取一定数量的植物叶片正面图像并标记后作为样本，根据样本进行植物叶片与表达状态类别相关的表型性状分类，得到与性状类别相关的表型性状。
9.一种电子设备，其特征在于，包括：至少一个处理器、至少一个存储器、通信接口和总线；
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如权利要求1～7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机指令，所述计算机指令使计算机实现如权利要求1～7任一项所述的方法。
CN202210854864.4A 2022-07-18 2022-07-18 一种植物叶片正面表型性状的图像分析方法及系统 Active CN115115609B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210854864.4A CN115115609B (zh) 2022-07-18 2022-07-18 一种植物叶片正面表型性状的图像分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210854864.4A CN115115609B (zh) 2022-07-18 2022-07-18 一种植物叶片正面表型性状的图像分析方法及系统

Publications (2)

Publication Number Publication Date
CN115115609A true CN115115609A (zh) 2022-09-27
CN115115609B CN115115609B (zh) 2024-07-16

Family

ID=83334746

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210854864.4A Active CN115115609B (zh) 2022-07-18 2022-07-18 一种植物叶片正面表型性状的图像分析方法及系统

Country Status (1)

Country Link
CN (1) CN115115609B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117372790A (zh) * 2023-12-08 2024-01-09 浙江托普云农科技股份有限公司 植物叶片形状分类的方法、系统及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101398898A (zh) * 2008-10-20 2009-04-01 中国科学院合肥物质科学研究院 基于流形学习的植物叶片识别方法
CN104132897A (zh) * 2014-08-16 2014-11-05 西北农林科技大学 一种基于手持设备的植物叶片含氮量测量方法和装置
CN110458882A (zh) * 2019-08-17 2019-11-15 陈�峰 一种基于计算机视觉的植物果实表型测定方法
CN111508037A (zh) * 2020-04-14 2020-08-07 宿迁学院 一种彩叶多肉植物叶色等级评价方法
CN112507890A (zh) * 2020-12-14 2021-03-16 南京林业大学 一种基于svm分类器的竹子叶片分类识别方法
CN113132693A (zh) * 2019-12-31 2021-07-16 长沙云知检信息科技有限公司 一种色彩校正方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101398898A (zh) * 2008-10-20 2009-04-01 中国科学院合肥物质科学研究院 基于流形学习的植物叶片识别方法
CN104132897A (zh) * 2014-08-16 2014-11-05 西北农林科技大学 一种基于手持设备的植物叶片含氮量测量方法和装置
CN110458882A (zh) * 2019-08-17 2019-11-15 陈�峰 一种基于计算机视觉的植物果实表型测定方法
CN113132693A (zh) * 2019-12-31 2021-07-16 长沙云知检信息科技有限公司 一种色彩校正方法
CN111508037A (zh) * 2020-04-14 2020-08-07 宿迁学院 一种彩叶多肉植物叶色等级评价方法
CN112507890A (zh) * 2020-12-14 2021-03-16 南京林业大学 一种基于svm分类器的竹子叶片分类识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117372790A (zh) * 2023-12-08 2024-01-09 浙江托普云农科技股份有限公司 植物叶片形状分类的方法、系统及装置
CN117372790B (zh) * 2023-12-08 2024-03-08 浙江托普云农科技股份有限公司 植物叶片形状分类的方法、系统及装置

Also Published As

Publication number Publication date
CN115115609B (zh) 2024-07-16

Similar Documents

Publication Publication Date Title
CN111462058B (zh) 一种水稻有效穗快速检测方法
CN110189383B (zh) 基于机器学习的中医舌色苔色定量分析方法
Patki et al. Cotton leaf disease detection & classification using multi SVM
CN108009567B (zh) 一种结合图像颜色及hog和svm的粪便性状的自动辨别方法
CN114066848A (zh) 一种fpca外观缺陷视觉检测系统
CN115115609A (zh) 一种植物叶片正面表型性状的图像分析方法及系统
CN115546536B (zh) 一种象牙制品识别方法及系统
CN116310549A (zh) 一种进口大豆中的入侵植物种子检测方法
CN110009609B (zh) 一种快速检测黄粒米的方法
CN113592789A (zh) 暗光图像识别方法、装置、设备及存储介质
CN115147659A (zh) 一种植物果实外表面dus测试性状的图像分析方法及系统
CN113132693B (zh) 一种色彩校正方法
CN117305426A (zh) 一种葡萄种质资源的鉴定方法及其应用
CN116797824A (zh) 一种基于视觉系统的鸡蛋活性自动检测方法及系统
CN112651305B (zh) 一种微生物种类的鉴别方法
CN116258844A (zh) 一种棉花叶片表型性状快速精准鉴定方法
CN114022389B (zh) 一种基于数码相机进行植物叶色等级判别的方法
CN112364844B (zh) 一种基于计算机视觉技术的数据采集方法及系统
CN106482643B (zh) 鸡冠大小和颜色测定板及测定方法
CN103592304A (zh) 梗物分析系统及其分析方法
CN111563536B (zh) 一种基于机器学习的竹条颜色自适应分类方法
CN108734703B (zh) 基于机器视觉的抛光砖打印图样检测方法、系统及装置
CN106503749B (zh) 一种鱼子酱的自动分级方法及其系统
CN115131667A (zh) 一种基于图像分析的植物性状检测方法及系统
CN115346213B (zh) 基于植物染色图像的木质素和纤维素的检测方法及系统

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
GR01 Patent grant
GR01 Patent grant