CN103500458A - 一种玉米穗行数自动检测方法 - Google Patents
一种玉米穗行数自动检测方法 Download PDFInfo
- Publication number
- CN103500458A CN103500458A CN201310403053.3A CN201310403053A CN103500458A CN 103500458 A CN103500458 A CN 103500458A CN 201310403053 A CN201310403053 A CN 201310403053A CN 103500458 A CN103500458 A CN 103500458A
- Authority
- CN
- China
- Prior art keywords
- corncob
- image
- line number
- edge
- angle
- 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
Images
Abstract
一种玉米穗行数自动检测方法,属图像信息处理技术领域,主要用于玉米室内考种时穗行数的自动检测。其实现方法:
1
、在一定光照条件下,获取玉米穗横断面图像,并将其传送到主控计算机的玉米穗行数自动检测系统;
2
、将彩色图像变换成灰度图像,解决光照不均匀问题以及去噪增强图像视觉效果,对去噪图像进行区域分割,运用八邻域区域生长法对玉米穗的边缘进行检测、提取;
3
、用质心法提取圆心,计算边缘到圆心的距离和角度,在
0
~
2pi
上画出一周半径
-
角度曲线图;
4
、最后对角度半径曲线图进行最小值滤波器滤波,并统计极小值的个数即是玉米穗的行数。本发明旨在解决玉米穗行数中传统人工计数测定准确率差、效率低的固有缺陷。
Description
技术领域 本发明涉及图像信息处理技术领域,特别是涉及一种玉米穗行数自动检测方法,便于实现玉米室内考种时穗行数的统计。
背景技术 玉米是粮食、饲料、工业原料兼用型作物。玉米生产在国家粮食生产和粮食安全中占有极重要的战略地位。研究证明,玉米优良种的推广使玉米增产40%。种子质量直接关系到玉米产量高低及玉米质量和品质的优劣,而推广优良的杂交种需要大量的优质种子。
玉米穗籽粒行数(穗行数)是穗部重要农艺性状之一。不同品种的玉米穗行数有较大差别,生长条件也会影响穗行数,在玉米育种、栽培及新品种DUS测试等科研中准确计数穗行数非常重要。玉米穗行数的传统测定靠人工计数,存在人工计数方法固有的缺陷-----易于疲劳、误差大、效率低。
发明内容 为了克服上述现有技术的不足,本发明提供了一种基于机器视觉的玉米穗行数自动检测方法。本发明所采用的技术方案是:
第一步:玉米穗横断面照片的获取,将玉米穗横断面放在白色背景上,在它上方加上环形电光源,摄像机在环形电光源正中,玉米穗横断面正上进行拍摄获取玉米穗横断面原图;
第二步:先将彩色图像转化为灰度图像;然后可以对图像进行压缩,采用图像缩小因子对图像数据量进行压缩,得到灰度压缩图像,图像缩小因子P属于1,2,4,8中的某一个;
第三步:对幅度压缩图像中玉米穗中心加入电光源,该电光源大小与原图大小一致,中间最亮,四周最暗,呈辐射状,中间值与玉米穗边缘值的差值最大化,形成图像增强对比图;
第四步:采用最大类间方差法求出图像增强对比图的阈值t,利用t对图像进行二值化区域分割,得到图像玉米穗横断面图像分割效果图,把图像分割成很多个区域;
第五步:为了只得到清晰的玉米穗边缘图像,采用八邻域区域生长法对玉米穗横断面图像分割效果图的多个区域进行填充,检测出清晰地玉米穗图像外轮廓边缘检测图,边缘用数值1来表示,其余部分用0来表示;
第六步:确定外轮廓边缘检测示意图的质心,质心的计算方法为:
第七步:计算外轮廓到质心夹角角度和半径,外轮廓边缘检测示意图中边缘点象素坐标到质心的距离不同决定着此边缘象素所处玉米穗的位置,(比如半径处于极大值点说明此处为玉米粒的最顶端,半径处于极小值点说明此处象素处于玉米行的交接处)统计出玉米边缘到圆心距离的极小值点的个数,就相当于统计出了玉米行数;统计整个外轮廓边缘检测示意图中边缘到质心的半径和两点间与直径夹角,按照一个圆周的大小顺序得出角度半径曲线图;
第八步:鉴于玉米穗边缘为多个标准的圆弧,角度半径曲线图会存在一定噪声,为降低检测误差,采用自适应一维最小值滤波器对角度半径图进行滤波,去除角度半径曲线图中的毛刺噪声,得到一维最小值滤波效果图;
第九步:统计一维最小值滤波效果图中极小值的个数即是玉米穗行数,并在检测系统中进行显示。
与现有技术相比,基于机器视觉的玉米穗行数自动检测算法代替人进行玉米穗选种主要有以下优点:(1)可排除人的主观因素的干扰,并对所需指标进行定量描述,可避免因人而异的检测结果,减少检测误差,提高生产率和检测精度;(2)机器视觉的测量速度快、信息量大,可以快速准确地对玉米穗进行检测和鉴别。
附图说明 图1为玉米穗行数自动检测算法流程图;图2---图4为玉米穗横断面预处理效果图:其中,图2玉米穗横断面图,图3为幅度压缩图像,图4为增强对比度图;图5为玉米穗横断面图像分割效果图;图6---图8为玉米穗外轮廓特征提取示意图;其中,图6 为外轮廓边缘检测示意图,图7为角度---半径曲线图,图8 为一维最小值滤波效果图。
具体实施方式 下面结合附图对本发明进一步说明。
参阅图1,本发明所述的玉米穗行数自动检测算法是在获取环形光源光照条件下、工业相机采集到的白色背景上玉米穗横断面照片后,提取玉米横断面图片的边缘特征信息,计算出边缘图像到质心的半径变化曲线,根据半径最小值的个数,自动检测出玉米穗的行数。
更具体地说,整个算法的实现包含下列内容:
1、图像预处理:本算法对图像的预处理主要包括彩色图像转换成灰度图像、边缘增强、对比度增强与图像分割四个步骤,效果如附图2---图4所示。
(1)灰度图像的转换:由于采集到的每一幅图像都是彩色图像,每个图像像素都是由三个分量构成的,而灰度图像的每一个像素点是(0,255)中的一个值构成,因此为了减少处理过程中的数据量,第一步将采集到的图像都转换成灰度图像。
(2)玉米穗边缘图像增强:该算法中最关键的部分是能够准确地将采集到的图像分割成两部分,一是玉米穗横断面外轮廓边缘部分,二是图片背景部分。用边缘检测函数对图像滤波m次(同时m太大或太小都会使误差增大,此算法中m=3),提取图像边缘g,将该滤波图像与原灰度图像进行叠加,得到图3幅度压缩图像。
(3)对比度增强:将灰度图片翻转,使玉米穗主题部分变亮,然后再在图片中心增加一个点光源,使玉米穗部分更加亮,增大玉米穗主体、边缘、背景每两部分的灰度差值,形成图4增强对比度图。
(4)图像分割:采用阈值分割法将图4增强对比度图分割成两部分,形成图5:玉米穗横断面图像分割效果图,而阈值t的选取是用最大类间方差法求解。
2、玉米穗外轮廓边缘检测:通过图像分割,已经把图像分割成很多个区域,其中有我们需要的玉米穗外轮廓边缘,也存在很多内部与外轮廓不相干的区域噪声。现用八邻域区域生长法进行区域聚合,计算分割后玉米穗图像外轮廓的边缘,其工作原理是:分割的图4已是二值图像用0和1来表示,当检测到的是0时就给它赋值为0,当检测到的是1且其周围8联通区域内数值还是1时就给它赋值0,当检测到的是1但其周围的8联通区域内数值有1还有0时就给它赋值为1,这样就将玉米穗外轮廓图像边缘检测出来, 记住外轮廓边缘检测图,并将边缘用数值1来表示,其余部分用0来表示,效果如图6所示。
3、玉米穗外轮廓特征提取:本算法对图像的玉米穗外轮廓特征提取主要包含质心确定、绘制质心到边缘的角度半径图、一维最小值滤波三部分,效果如附图7---8所示。
(1)质心确定:要想正确地从分割后的图像中提取玉米穗主题边缘,必须首先确定玉米穗图片的圆心,本文选择用质心法计算玉米穗的圆心,质心的计算方法为:
(2)绘制质心到边缘的角度半径图:从人工检测的经验可知边缘点象素坐标到质心的距离不同决定着此边缘象素所处玉米穗的位置,比如半径处于极大值点说明此处为玉米粒的最顶端,半径处于极小值点说明此处象素处于玉米行的交接处,所以我们只需要统计出玉米边缘到圆心距离的极小值点的个数,就相当于统计出了玉米行数。
a、两点间距离公式:
b、两点间夹角公式为:
c、将计算出的玉米穗外轮廓边缘到质心的角度和半径,对角度从小到大进行排序,同时对半径进行归一化处理,得到半径关于角度的函数,绘制出图7角度---半径图。
(3)一维最小值滤波:由于玉米穗外轮廓并非规则、标准的圆形,对于角度---半径图,如果直接计算其极大值或极小值点的个数,将可能会出现大的误差,用一维最小值滤波器对图像进行滤波,能有效减少误差,且有效消除图片大小对结果的影响。经过大量调研,发现一个玉米穗行数不会超过30,这样每一行在半径序列里所占长度一定会大于半径总长度/30。利用半径总长度/30为一维最小值滤波器对角度半径图进行依次滤波,得到精确地玉米穗半径最小值截平滤波图。
4、玉米穗行数统计:根据人工行数检测习惯,角度半径变化曲线图中半径的极大值或极小值的个数即玉米穗行数,由于选用的是一维最小值滤波器对半径变化曲线进行滤波处理,所以是读取极小值的个数即是玉米穗行数,直接显示行数统计结果。
采用上述的检测步骤即可实现玉米穗行数的自动检测,下面表1给出在实验室的统计数据:
表1 实验室统计结果
检测图片数 | 检测率 | 平均检测时间 |
500张 | 98.22% | 2.434s |
本发明与现有技术相比,具有实时、高效、客观、准确和无损伤等显著优点。
Claims (1)
1.一种玉米穗行数自动检测方法,其特征在于如下步骤:
第一步:将玉米穗横断面放在白色背景上,在它上方加上环形电光源,摄像机在环形电光源正中,玉米穗横断面正上进行拍摄获取玉米穗横断面原图;
第二步:先将彩色图像转化为灰度图像;然后可以对图像进行压缩,采用图像缩小因子对图像数据量进行压缩,得到灰度压缩图像,图像缩小因子P属于1、2、4、8中的某一个;
第三步:对幅度压缩图像中玉米穗中心加入电光源,该电光源大小与原图大小一致,中间最亮,四周最暗,呈辐射状,中间值与玉米穗边缘值的差值最大化,形成图像增强对比图;
第四步:采用最大类间方差法求出图像增强对比图的阈值t,利用t对图像进行二值化区域分割,得到图像玉米穗横断面图像分割效果图,把图像分割成很多个区域;
第五步:为了只得到清晰的玉米穗边缘图像,采用八邻域区域生长法对玉米穗横断面图像分割效果图的多个区域进行填充,检测出清晰地玉米穗图像外轮廓边缘检测图,边缘用数值1来表示,其余部分用0来表示;
第六步:确定外轮廓边缘检测示意图的质心;
第七步:计算外轮廓到质心夹角角度和半径,外轮廓边缘检测图中边缘点象素坐标到质心的距离不同决定着此边缘象素所处玉米穗的位置,统计出玉米边缘到圆心距离的极小值点的个数,就可统计出了玉米行数;统计整个外轮廓边缘检测示意图中边缘到质心的半径和两点间与直径夹角,按照一个圆周 的大小顺序得出角度---半径曲线图;
第八步:鉴于玉米穗边缘为多个标准的圆弧,角度半径曲线图会存在一定噪声,为降低检测误差,采用自适应一维最小值滤波器对角度半径图进行滤波,去除角度半径曲线图中的毛刺噪声,得到一维最小值滤波效果图;
第九步:统计一维最小值滤波效果图中极小值的个数即是玉米穗行数,并在检测系统中进行显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310403053.3A CN103500458A (zh) | 2013-09-06 | 2013-09-06 | 一种玉米穗行数自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310403053.3A CN103500458A (zh) | 2013-09-06 | 2013-09-06 | 一种玉米穗行数自动检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103500458A true CN103500458A (zh) | 2014-01-08 |
Family
ID=49865661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310403053.3A Pending CN103500458A (zh) | 2013-09-06 | 2013-09-06 | 一种玉米穗行数自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103500458A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881652A (zh) * | 2015-06-01 | 2015-09-02 | 安阳工学院 | 一种基于玉米穗凸性特征的行数自动检测算法 |
CN110751623A (zh) * | 2019-09-06 | 2020-02-04 | 深圳新视智科技术有限公司 | 基于联合特征的缺陷检测方法、装置、设备及存储介质 |
CN114059383A (zh) * | 2021-11-19 | 2022-02-18 | 江苏马克热敏纸品有限公司 | 一种耐晒抑菌热敏纸的制备方法 |
CN115035350A (zh) * | 2022-06-29 | 2022-09-09 | 电子科技大学 | 一种基于边缘检测增强的对空地、地面背景小目标检测方法 |
CN115345880A (zh) * | 2022-10-18 | 2022-11-15 | 浙江托普云农科技股份有限公司 | 基于玉米果穗单侧扫描图的玉米果穗性状估测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110050880A1 (en) * | 2009-08-25 | 2011-03-03 | Frito-Lay North America, Inc. | Method for Real Time Detection of Defects in a Food Product |
CN102750584A (zh) * | 2012-04-18 | 2012-10-24 | 中国农业大学 | 玉米粒在穗计数方法 |
-
2013
- 2013-09-06 CN CN201310403053.3A patent/CN103500458A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110050880A1 (en) * | 2009-08-25 | 2011-03-03 | Frito-Lay North America, Inc. | Method for Real Time Detection of Defects in a Food Product |
CN102750584A (zh) * | 2012-04-18 | 2012-10-24 | 中国农业大学 | 玉米粒在穗计数方法 |
Non-Patent Citations (2)
Title |
---|
吴继华 等: "基于机器视觉的种子品种实时检测系统研究", 《传感技术学报》 * |
韩仲志 等: "计数玉米穗行数的机器视觉研究", 《玉米科学》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881652A (zh) * | 2015-06-01 | 2015-09-02 | 安阳工学院 | 一种基于玉米穗凸性特征的行数自动检测算法 |
CN104881652B (zh) * | 2015-06-01 | 2018-02-27 | 安阳工学院 | 一种基于玉米穗凸性特征的行数自动检测方法 |
CN110751623A (zh) * | 2019-09-06 | 2020-02-04 | 深圳新视智科技术有限公司 | 基于联合特征的缺陷检测方法、装置、设备及存储介质 |
CN114059383A (zh) * | 2021-11-19 | 2022-02-18 | 江苏马克热敏纸品有限公司 | 一种耐晒抑菌热敏纸的制备方法 |
CN115035350A (zh) * | 2022-06-29 | 2022-09-09 | 电子科技大学 | 一种基于边缘检测增强的对空地、地面背景小目标检测方法 |
CN115345880A (zh) * | 2022-10-18 | 2022-11-15 | 浙江托普云农科技股份有限公司 | 基于玉米果穗单侧扫描图的玉米果穗性状估测方法及装置 |
CN115345880B (zh) * | 2022-10-18 | 2023-03-24 | 浙江托普云农科技股份有限公司 | 基于玉米果穗单侧扫描图的玉米果穗性状估测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107316289B (zh) | 基于深度学习和超像素分割的大田稻穗分割方法 | |
CN103500458A (zh) | 一种玉米穗行数自动检测方法 | |
CN103190224B (zh) | 基于计算机视觉技术的玉米果穗考种方法、系统和装置 | |
CN109255757B (zh) | 一种机器视觉自然放置葡萄串果梗区域分割方法 | |
CN104156951B (zh) | 一种针对支气管肺泡灌洗液涂片的白细胞检测方法 | |
Wu et al. | Detection and counting of banana bunches by integrating deep learning and classic image-processing algorithms | |
CN101984916A (zh) | 基于数字图像处理技术的血管管径测量方法 | |
CN105095958A (zh) | 一种蚕茧计数方法 | |
CN103512494B (zh) | 一种植物果实微尺寸变化视觉检测系统及方法 | |
CN102445456A (zh) | 基于dsp机器视觉的鸡蛋品质无损检测装置及检测方法 | |
CN101944231A (zh) | 小麦穗部形态参数提取方法 | |
CN111462058B (zh) | 一种水稻有效穗快速检测方法 | |
CN102072882A (zh) | 一种基于叶片图像特征的植物养分含量指标定量分析方法 | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
CN105447860B (zh) | 一种麦苗计数方法 | |
CN110455201B (zh) | 基于机器视觉的茎秆作物高度测量方法 | |
CN108037123A (zh) | 一种杂交稻钵体盘播种性能参数精密检测方法 | |
CN105405145A (zh) | 一种基于图像分割技术的颗粒数粒方法 | |
CN116912260B (zh) | 基于人工智能的肉鸡养殖健康状态检测方法 | |
CN111369497B (zh) | 一种行走式树上果实连续计数方法及装置 | |
CN104881652B (zh) | 一种基于玉米穗凸性特征的行数自动检测方法 | |
Taujuddin et al. | Detection of plant disease on leaves using blobs detection and statistical analysis | |
CN114088714B (zh) | 一种谷物颗粒表面规则度的检测方法 | |
Xie et al. | Research on recognition methods of pomelo fruit hanging on trees base on machine vision | |
CN113933304A (zh) | 基于视觉的金针菇成熟状态检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20140108 |