CN103355030B - 检测种子播种密度的方法 - Google Patents

Abstract

本发明提供了一种检测种子播种密度的方法，所述方法包括：获取秧盘图像；对所述秧盘图像进行图像分割，获得种子图像；对所述种子图像进行连通域处理，获得多个连通域；根据所述连通域的面积计算种子播种密度。本发明提供的检测种子播种密度的方法，利用机器视觉的方式，通过分析图像，实现了对种子播种密度的自动检测。

Description

检测种子播种密度的方法

技术领域

本发明涉及农业技术领域，特别是涉及一种检测种子播种密度的方法。

背景技术

自动播种育秧是粮食生产自动化中一个重要步骤，比如水稻的自动播种育秧。目前，自动化播种流水线已经投入使用，可以极大地提高种子的生产效率，节约了人力成本。

发明人发现现有技术中至少存在如下问题：

自动播种机采用机械抛洒的方法将种子（比如水稻种子）播撒在秧盘上，有可能会出现播种不均匀的情况，播种的密度可能也不合理，这会影响种子后续的生长，从而降低粮食的产量，而现有技术中主要通过人工观测估计种子播种密度，还不能自动检测种子播种密度。

发明内容

基于此，有必要针对上述现有技术中不能自动检测种子播种密度的问题，提供了一种检测种子播种密度的方法。

一种检测种子播种密度的方法，所述方法包括：

获取秧盘图像；

对所述秧盘图像进行图像分割，获得种子图像；

对所述种子图像进行连通域处理，获得多个连通域；

根据所述连通域的面积计算种子播种密度。

上述检测种子播种密度的方法，通过对秧盘图像进行图像分割，获得种子图像，进而对种子图像进行连通域处理，获得多个连通域，然后再根据连通域的面积计算播种密度，实现了对种子播种密度的自动检测。

附图说明

图1为一个实施例中检测种子播种密度的方法的流程示意图；

图2为一个实施例中定位秧盘图像中的秧盘区域，去除秧盘区域之外的背景图像的流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，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。

如图1所示，在一个实施例中，提供了一种检测种子播种密度的方法，该方法包括：

步骤102，获取秧盘图像。

秧盘是承载播种的种子的器具，一般为矩形，可以通过安装在秧盘上方的摄像头采集秧盘图像。以水稻播种为例，秧盘置于传送带上随传送带移动，自动播种流水线通过流水作业在秧盘上播种水稻，可以在传送带上方设置摄像头，采集秧盘图像，或者采集视频并从视频中截取秧盘图像。

步骤104，对秧盘图像进行图像分割，获得种子图像。

图像分割就是从图像中分割出目标对象的技术和过程。由于水稻种子颜色和背景（土壤等）颜色不同，因此可以采用图像分割的方法分割出所有的种子。

在一个实施例中，步骤104之前，还包括定位秧盘图像中的秧盘区域，去除秧盘区域之外的背景图像的步骤。由于摄像头难以完全对准秧盘，获取的秧盘图像中除了秧盘区域可能还有背景图像，比如传送带等，需要在秧盘图像中定位秧盘区域，去除秧盘区域之外的背景图像，避免背景图像影响种子播种密度的检测结果。

具体地，如图2所示，在一个实施例中，该定位秧盘图像中的秧盘区域，去除秧盘区域之外的背景图像的步骤包括：

步骤202，对秧盘图像进行边缘检测，得到二值化的边缘图像。

图像边缘表示图像中一个区域的终结和另一个区域的开始，图像中相邻区域之间的像素集合构成了图像的边缘。通过边缘检测可以将图像中不同的区域区分开来。在一个实施例中，可以使用坎尼算子（canny算子，其采用二维高斯函数的任意方向上的一阶方向导数为噪声滤波器，通过与图像卷积进行滤波；然后对滤波后的图像寻找图像梯度的局部最大值，以此来确定图像边缘）对秧盘图像进行边缘检测，得到二值化的边缘图像。

步骤204，使用哈夫变换检测边缘图像中的矩形图形。

哈夫变换是利用图像全局特征将边缘像素连接组成区域封闭边界的一种算法。遍历整个边缘图像，在极坐标系下对(ρ,θ)空间进行累加统计，得到累加统计结果。其中，(ρ,θ)为极坐标系下直线方程的参数，累加统计结果存在C(ρ,θ)中。

寻找累加统计结果的峰值，即大于指定阈值的(ρ_i,θ_i)，设找到的峰值点为H₁＝(ρ₁,θ₁),...,(ρ_m,θ_m)，其中m是峰值点的个数。

扫描所有的峰值点，满足如下条件的点H_i和H_j，将它们配对在一起：

|θ_i-θ_j|＜T_θ，其中，T_θ为第一角度阈值，可以为一个接近0的正值。

$|C({\mathrm{\&rho;}}_i,{\mathrm{\&theta;}}_i)-C({\mathrm{\&rho;}}_j,{\mathrm{\&theta;}}_j)|<T_L\frac{C({\mathrm{\&rho;}}_i,{\mathrm{\&theta;}}_i)+C({\mathrm{\&rho;}}_j,{\mathrm{\&theta;}}_j)}{2}$ ，其中，T_L是某一阈值。

找到所有满足上述条件的点对H_i和H_j后，用P_k(α_k,ξ_k)来表示每对H_i和H_j的峰值点，计算P_k(α_k,ξ_k)，其中

比较所有的P_k(α_k,ξ_k)，满足如下条件的P_i,P_j被认为是矩形：

，其中，T_α是第二角度阈值。

最后得到了矩形的四条边的直线参数(ρ_i,θ_i)_i＝1,2,3,4，获得矩形图形。

步骤206，根据矩形图形定位秧盘图像中的秧盘区域，去除秧盘区域之外的背景图像。

在获得的矩形图形中，根据矩形的包含关系，可以选择面积最大的矩形图形并对应到秧盘图像中，定位秧盘区域，去除秧盘图像中秧盘区域之外的背景图像。

在一个实施例中，步骤104包括：

步骤1），将秧盘图像转化成灰度图像。

步骤2），使用分水岭算法逐个处理灰度图像中的像素，从灰度图像中分割出种子图像。

具体地，步骤2）包括：

梯度计算排序步骤，使用索贝尔算子（Sobel算子，主要用作边缘检测；在技术上，它是一离散性差分算子，用来运算图像亮度函数的梯度之近似值；在图像的任何一点使用此算子，将会产生对应的梯度矢量或是其法矢量）计算灰度图像的梯度，对梯度进行从小到大的排序，相同的梯度为同一个梯度层级。

然后从第一梯度层级开始，按照第一梯度层级处理步骤、先进先出队列处理步骤、第二梯度层级处理步骤的顺序依次处理每个梯度层级，直至所有梯度层级的像素都被处理。

其中，第一梯度层级处理步骤包括：处理当前梯度层级所有的像素，如果其邻域已经被标识属于某一个区域，则将这个像素加入一个先进先出的队列。

先进先出队列处理步骤包括：先进先出队列非空时，弹出第一个元素，扫描该像素的邻域像素，如果其邻域像素的梯度属于同一层（梯度相等），则根据邻域像素的标识来刷新该像素的标识；一直循环到队列为空。

第二梯度层级处理步骤包括：再次扫描当前梯度层级的像素，如果还有像素未被标识，说明它是一个新的极小区域，则当前区域的值（当前区域的值从0开始计数）加1后赋值给该为标识的像素。再从该像素出发继续执行先进先出队列处理步骤，直至没有新的极小区域。

分割完成后，得到二值的种子图像。比如，种子图像中，种子处的像素可以为非0像素（如255），背景像素为0。

步骤106，对种子图像进行连通域处理，获得多个连通域。

通过连通域处理，将种子图像分割成一些不相交的区域（连通域），这些区域内部的像素时连通的，即相邻像素连接在一起没有中断。

在一个实施例中，在步骤106之前，还包括对种子图像进行腐蚀和膨胀处理。腐蚀和膨胀是图像的形态学处理，可以先进行一次腐蚀操作，再进行一次膨胀操作，从而滤除噪声。

步骤108，根据连通域的面积计算种子播种密度。

连通域的总面积可以用来表示种子的播种密度（以像素为单位），可以衡量种子播种的疏密程度。也可以先计算连通域的总面积，然后计算连通域的总面积与单个种子的面积的商，该商即为种子播种密度，表示秧盘内含有的种子的个数。还可以将秧盘区域分成多个子区域，计算子区域内连通域的总面积，再用子区域内连通域的总面积除以单个种子的面积，即可获得该子区域内的种子播种密度，即该子区域内含有的种子的个数。其中，单个种子的面积可以通过预先对种子的成像面积统计、计算（比如求平均值）获得。

在一个实施例中，该检测种子播种密度的方法还包括获取单个种子的面积的步骤，具体地，包括：步骤A，获取连通域的面积，统计各个面积的连通域的个数。步骤B，根据先验种子面积的范围，和各个面积的连通域的个数，获得单个种子的面积。由于种子本身体积有差异，单个种子的面积并不是一个定值，用预先设置的单个种子的面积计算种子播种密度可能会有误差。因此需要根据连通域的面积估计单个种子的面积。可以通过统计各个面积的连通域的个数，形成连通域的面积与连通域的个数的对应关系，然后在先验种子的面积范围内，查找该范围内的各个面积中对应的连通域的个数最多的面积，那么该查找到的面积即可作为单个种子的面积；或者如果在先验种子的面积范围内，几个面积对应的连通域的个数都比较多，可以计算这几个面积的平均值作为单个种子的面积。本实施例中，通过连通域的面积估计单个种子的面积，使得播种密度的检测更为精确。

需要说明的是，由于不同的连通域面积有差别，种子的图像可能重叠在一起，一个连通域内可能包含多于一个的种子，导致连通域的个数与种子的个数没有必然的关系，因此用连通域的个数表示种子的密度误差比较大。

在一个实施例中，步骤B，根据先验种子面积的范围，和各个面积的连通域的个数，获得单个种子的面积包括：根据不同面积的连通域的个数，形成连通域面积分布直方图。在连通域面积分布直方图中，查找先验种子的面积范围内的峰值，该峰值为单个种子的面积。需要说明的是，形成连通域面积分布直方图是计算机的处理过程，并非要输出一个图表。该峰值表示多数种子的面积的大小。

检测获得的种子的播种密度可以输出给农业生产设备，比如自动播种流水线，从而通过该农业生产设备对种子的播种质量作出改进。

本实施中，通过对秧盘图像进行图像分割，获得种子图像，进而对种子图像进行连通域处理，获得多个连通域，然后再根据连通域的面积计算播种密度，利用机器视觉的方式，通过分析图像，实现了对种子播种密度的自动检测，无需人工判断，提高了粮食生产效率，降低了人工成本。

以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (4)

1.一种检测种子播种密度的方法，所述方法包括：

获取秧盘图像；

对所述秧盘图像进行边缘检测，得到二值化的边缘图像；

使用哈夫变换检测所述边缘图像中的矩形图形；

在获得的所述矩形图形中，根据矩形的包含关系，选择面积最大的矩形图形并对应到秧盘图像中，定位秧盘区域，去除秧盘图像中秧盘区域之外的背景图像；

对所述秧盘图像进行图像分割，获得种子图像；

对所述种子图像进行连通域处理，获得多个连通域；

获取所述连通域的面积，统计各个面积的所述连通域的个数；

根据不同面积的连通域的个数，形成连通域面积分布直方图；

在所述连通域面积分布直方图中，查找先验种子面积的范围内的峰值，所述峰值处的面积为单个种子的面积；

根据所述连通域的面积和单个种子的面积计算所述种子播种密度。

2.根据权利要求1所述的方法，其特征在于，所述对所述秧盘图像进行图像分割，获得种子图像，包括：

将所述秧盘图像转化成灰度图像；

使用分水岭算法逐个处理所述灰度图像中的像素，从所述灰度图像中分割出种子图像。

3.根据权利要求1所述的方法，其特征在于，所述对所述种子图像进行连通域处理，获得多个连通域之前，还包括：

对所述种子图像进行腐蚀和膨胀处理。

4.根据权利要求1所述的方法，其特征在于，所述根据所述连通域的面积和单个种子的面积计算所述种子播种密度，包括：

计算所述连通域的总面积；

计算所述连通域的总面积与所述单个种子的面积的商，所述商为所述种子播种密度。