CN103745478A - 小麦发芽率机器视觉测定方法 - Google Patents
小麦发芽率机器视觉测定方法 Download PDFInfo
- Publication number
- CN103745478A CN103745478A CN201410033064.1A CN201410033064A CN103745478A CN 103745478 A CN103745478 A CN 103745478A CN 201410033064 A CN201410033064 A CN 201410033064A CN 103745478 A CN103745478 A CN 103745478A
- Authority
- CN
- China
- Prior art keywords
- wheat
- image
- wheat seeding
- gray
- germination rate
- 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
Links
Images
Landscapes
- Pretreatment Of Seeds And Plants (AREA)
Abstract
本发明涉及一种小麦发芽率机器视觉测定方法,首先对野外标准区域麦苗图像进行多次采集,提取所得麦苗图像B、G、R三通道数值等参数,限制参数范围,得到麦苗分割图像;其次对输出的分割图像进行轮廓检测,绘制出所有麦苗的轮廓图像并输出,依次计算每个麦苗轮廓图像中麦苗的面积和周长;对所有可识别麦苗着色并编号;最后通过对所得到的麦苗个数信息进行数据统计分析,进行小麦发芽率的评定。该方法能够快速、准确计算小麦发芽率,并提高田间实验工作效率,实现麦苗发芽率自动化处理过程。
Description
技术领域
本发明涉及图像处理方法领域,特别涉及一种小麦发芽率机器视觉测定方法,属于遗传育种领域。
背景技术
小麦发芽率是指在正常条件下小麦萌发的能力,是评估小麦种子活性的依据之一。小麦种活力测定和比较可以为遗传育种工作提供借鉴,小麦种活力测定结果的准确性是保证麦苗质量的重要途径。植物种子的活力因植物种不同而有所差异,大多数植物的种子活力除受遗传因子影响外,环境因素如取材前后及保存过程的温度、湿度等因素也有很大的影响。种子活力测定是植物生殖生物学研究中、育种工作中、不育系鉴定中经常测定指标。小麦发芽率的测定按其测定原理分为:仪器法、砖块测定法、土壤测定法、湿毛巾测定法、卫生纸测定法、保温瓶测定法、细沙测定法等。这些方法都是在一定的环境下选取两组相同数量的小麦进行培养,一定时间后计算小麦的发芽率。目前,各种方法都经常应用,但应用范围仅限于实验室而且费时费力。
随着计算机技术在农产品品质检验过程中的应用日益广泛,探讨运用机器视觉及图像处理技术,快速准确地识别麦苗色彩特征,实现小麦发芽率测定的自动化和智能化,无疑是减少人为因素影响、提高测定效率的新途径。因此,将小麦发芽率机器视觉测定方法应用到实际生产过程中,对实现小麦发芽率检测的技术水平具有重要意义,有利于提高小麦发芽率测定的准确性和时效性,促进我国遗传育种工作的发展。
发明内容
将小麦发芽率机器视觉测定方法应用到田间实验过程中,能够快速、准确计算小麦发芽率,并提高田间实验工作效率,实现麦苗发芽率自动化处理过程。为了满足上述要求,本发明提供了一种小麦发芽率机器视觉测定方法。
一种小麦发芽率机器视觉测定方法,其特征在于包括以下步骤:
S1:采用工业CCD相机进行野外标准区域麦苗图像采集,得到24位R、G、B色彩空间的真彩色原始麦苗图像;
S2:读入原始麦苗图像;
S3:分别研究图像中麦苗目标与背景的R、G、B三个色彩通道的数值分布特点,得到麦苗目标区别于背景的R、G、B多段阈值;红色分量R<100,绿色分量G>120,蓝色分量B<100。
S4:创建一幅与原始麦苗图像尺寸相同的空白图像,利用S3中得到的R、G、B多段阈值将麦苗绘制到创建的空白图像中,得到纯麦苗图像;
S5:对纯麦苗图像进行形态学腐蚀运算操作,并在图像的上下左右四个边分别绘制2像素宽度的纯白色连接线,对断苗杂边进行切除平滑处理;
S6:对经过S5步骤处理得到的图像分别进行灰度化和二值化处理;
所述步骤S6具体包括以下步骤进行灰度化和二值化:
S6.1:计算每个像素R、G、B三通道的加权平均值,即为灰度值;
S6.2:将S6.1中的灰度值同时赋值给对应像素的R、G、B三通道,得到与每个像素R、G、B相等的灰度图像;
S6.3:分析灰度图像的直方图,选取灰度图像直方图中的低谷点处的值作为灰度值,将小于此灰度值的像素点赋值0变成黑色,将大于此灰度值的像素点赋值255变成白色,得到二值图像;
S7:创建一个动态内存寄存器;利用遍历的方法对步骤S6处理后的图像进行轮廓检测,找到图像中的所有轮廓,并将所有轮廓随机存放到动态内存寄存器中;
S8:计算所有轮廓中每一个轮廓的面积,限定面积阈值范围,面积阈值范围分别是小面积阈值范围为大于1000小于3000,大面积阈值范围为大于3000小于1000000;
S9:分别将所有轮廓中符合小面积阈值范围的轮廓绘制到与其外接矩形相同大小的空白图像中,得到单个麦苗目标,并计数;
S10:再分别将所有轮廓中符合大面积阈值范围的轮廓,进行处理,再得到单个麦苗目标,并计数;
所述步骤S10通过以下处理步骤得到面积较大轮廓中的单个麦苗目标:
S10.1:对轮廓较大面积的图像再重新进行灰度化、二值化处理;
S10.2:对S10.1中得到的图像进行先腐蚀后膨胀的形态学运算操作;
S10.3:再次创建动态内存寄存器,对S10.2得到的图像进行轮廓检测,并将每一个轮廓绘制到与其外接矩形相同大小的空白图像中;
S10.4:根据步骤S8的范围限定面积阈值,得到单个麦苗目标;
S11:将步骤S10得到的单个麦苗目标数目与S9中得到的麦苗目标数目进行统计,得到麦苗的总数量;
S12:将麦苗总数量与起初试验播种小麦数量进行求商运算,得到小麦发芽率。
本发明提供的小麦发芽率测定方法基于机器视觉,首先在田间标准区域进行小麦种子投放播种,记录投放数量,待小麦发芽初期,麦苗较短、麦苗间基本无相互交叉时进行多次图像采集,对麦苗目标及背景图像的R、G、B三通道色彩分别进行研究,得到能区别麦苗与背景图像的R、G、B范围,确定出麦苗目标图像的R、G、B三通道色彩范围,得到麦苗图像;创建大小与麦苗目标外接矩形相同、数量上与麦苗目标数量相等的空白图像;其次对所得到的麦田图像进行麦苗颜色特征的筛选,将符合特征的小麦图像对应标记到一张空白图像上,并获取每一个麦苗的图像轮廓生成相应的图像文件;再对每一个麦苗轮廓进行面积周长检测,分离不同大小麦苗生成相应的各个麦苗的子图像并保存;最后对每张子图像的麦苗进行着色并逐个标记,得到相应的麦苗个数,再对所得到的小麦个数进行数据统计分析,从而得到小麦发芽率以及相关数据。
通过该方法,能随机对野外标准区域大量的小麦种子进行测定,可以提高发芽率测定的准确性,方便、稳定。通过调整各个模块的参数,可以适用于不同条件下的小麦发芽率评定,减小由于外界因素变化而引起的评定误差。
附图说明
图1是小麦发芽率机器视觉测定方法硬件设备示意图。
图2是本发明小麦发芽率机器视觉测定方法流程图
具体实施方式
以下实施方式用于说明本发明,但不用来限制本发明的范围。
如图1所示,本发明共包括4个方面:①野外麦苗图像采集系统;②麦苗图像分析研究;③单个麦苗图像目标的分割与提取;④麦苗数量的统计及发芽率计算。
1、野外麦苗图像采集系统
使用工业CCD相机对野外标准区域麦苗图像进行采集,将采集得到的24位RGB图像读入计算机并保存。本实施例采用的野外标准区域是面积为0.25平方米的方形区域,试验初期随机投放500粒小麦种子,待到小麦发芽初期,苗长3-5cm时进行图像采集。
2、麦苗图像分析研究
主要是对野外标准区域采集的麦苗图像运用c++配置opencv进行处理,分别研究采集得到麦苗图像的R、G、B三个通道,得到麦苗目标图像能够区别于背景土壤的R、G、B三通道多段阈值范围组合,本实施例中采用的范围组合是通过分析三通道的数值分布特性得到的,分别为红色分量R<100,绿色分量G>120,蓝色分量B<100。
3、单个麦苗图像目标的分割与提取
利用分析研究得到的R、G、B三通道多段阈值范围组合,对图像中的麦苗的特征进行检测,将条件符合的图像的像素点对应的重新标记到一张新的空白图像上;再对新得到的图像进行边界画2像素宽度的白线处理,将图像的杂边切除,防止断苗对实验的影响;对图像进行灰度化与二值化处理以获得麦苗目标为黑色,背景为白色的图像二值图像,找到二值图像中的所有轮廓,创建动态内存存储器,将所有轮廓一一存放到动态内存寄存器中;计算麦苗轮廓面积,通过面积阈值范围首先得到小面积麦苗,即对符合面积阈值限定的每个麦苗轮廓图像绘制到与其外接矩形相同大小的空白图像中,得到单个麦苗目标,并计数;然后通过限定面积阈值范围得到大面积麦苗图像,并对大面积麦苗图像进行形态学腐蚀、膨胀处理,分割出大面积轮廓中的所有麦苗子图像,依次将所获得的单个麦苗子图像,并计数。本实施例通过两次面积阈值限定,首先限定出小面积单个麦苗计数,然后限定出大面积麦苗图像,并对大面积麦苗图像进行进一步处理,得到麦苗子图像计数,从而实现麦苗图像的精确分割。本实施例通过对所有麦苗轮廓的面积进行计算,单独分析每个小麦苗的轮廓图像面积,限定的面积阈值范围是小面积阈值范围大于1000小于3000,根据小面积阈值范围进一步将交叉覆盖的大面积阈值范围限定为大于3000小于1000000。在处理面积阈值范围大于3000小于1000000的大面积麦苗图像时,通过腐蚀膨胀运算将一些交叉覆盖的麦苗分离成单个麦苗,并再次运用小面积阈值范围将大于1000小于3000的单个麦苗绘制出,并计数。
4、麦苗数量的统计及发芽率计算
分别统计小面积麦苗分割出的单个小麦苗图像的数量和大面积轮廓中分割出的麦苗子图像数量,求和获得麦苗数量;将麦苗数量与试验初期投放小麦种子的数量做求百分比运算,得到小麦的发芽率。本例中通过小面积直接分割出的小麦苗数量为174个,通过对大面积轮廓进一步处理分割出的麦苗子图像数量为290个,总计464个;计算发芽率=464/500=92.8%。另外,本次试验同时通过人工对0.25平方米区域的麦苗数进行了统计计数,发芽麦苗的实际数量为470个,实际发芽率为94%,本发明方法误差为1.2%,完全满足要求。
在不脱离本发明的精神和范围的情况下做出的各种变化和变型、所有等同的技术方案也属于本发明的范畴。
Claims (1)
1.一种小麦发芽率机器视觉测定方法,其特征在于包括以下步骤:
S1:采用工业CCD相机进行野外标准区域麦苗图像采集,得到24位R、G、B色彩空间的真彩色原始麦苗图像;
S2:读入原始麦苗图像;
S3:分别研究图像中麦苗目标与背景的R、G、B三个色彩通道的数值分布特点,得到麦苗目标区别于背景的R、G、B多段阈值;红色分量R<100,绿色分量G>120,蓝色分量B<100;
S4:创建一幅与原始麦苗图像尺寸相同的空白图像,利用步骤S3中得到的R、G、B多段阈值将麦苗绘制到创建的空白图像中,得到纯麦苗图像;
S5:对纯麦苗图像进行形态学腐蚀运算操作,并在图像的上下左右四个边分别绘制2像素宽度的纯白色连接线,对断苗杂边进行切除平滑处理;
S6:对经过步骤S5处理得到的图像分别进行灰度化和二值化处理;
所述步骤S6具体包括以下步骤进行灰度化和二值化:
S6.1:计算每个像素R、G、B三通道的加权平均值,即为灰度值;
S6.2:将S6.1中的灰度值同时赋值给对应像素的R、G、B三通道,得到每个像素R、G、B相等的灰度图像;
S6.3:分析灰度图像的直方图,选取灰度图像直方图中的低谷点处的值作为灰度值,将小于此灰度值的像素点赋值0变成黑色,将大于此灰度值的像素点赋值255变成白色,得到二值图像;
S7:创建一个动态内存寄存器;利用遍历的方法对步骤S6处理后的图像进行轮廓检测,找到图像中的所有轮廓,并将所有轮廓随机存放到动态内存寄存器中;
S8:计算所有轮廓中每一个轮廓的面积,限定面积阈值范围,面积阈值范围分别是小面积阈值范围为大于1000小于3000,大面积阈值范围为大于3000小于1000000;
S9:分别将全部轮廓中符合小面积阈值范围的轮廓绘制到与其外接矩形相同大小的空白图像中,得到单个麦苗目标,并计数;
S10:再分别将全部轮廓中符合大面积阈值范围的轮廓,进行处理,再得到单个麦苗目标,并计数;
所述步骤S10具体包括以下步骤得到面积较大轮廓中的单个麦苗目标:
S10.1:对轮廓较大面积的图像再重新进行灰度化、二值化处理;
S10.2:对S10.1中得到的图像进行先腐蚀后膨胀的形态学运算操作;
S10.3:再次创建动态内存寄存器,对S10.2得到的图像进行轮廓检测,并将每一个轮廓绘制到与其外接矩形相同大小的空白图像中;
S10.4:根据步骤S8的范围限定面积阈值,得到单个麦苗目标;
S11:将步骤S10得到的单个麦苗目标数目与S9中得到的麦苗目标数目进行统计,得到麦苗的总数量;
S12:将麦苗总数量与起初试验播种小麦数量进行求商运算,得到小麦发芽率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410033064.1A CN103745478B (zh) | 2014-01-24 | 2014-01-24 | 小麦发芽率机器视觉测定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410033064.1A CN103745478B (zh) | 2014-01-24 | 2014-01-24 | 小麦发芽率机器视觉测定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103745478A true CN103745478A (zh) | 2014-04-23 |
CN103745478B CN103745478B (zh) | 2016-06-08 |
Family
ID=50502493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410033064.1A Active CN103745478B (zh) | 2014-01-24 | 2014-01-24 | 小麦发芽率机器视觉测定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103745478B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106576499A (zh) * | 2016-11-30 | 2017-04-26 | 深圳前海弘稼科技有限公司 | 植物发芽的提示方法、提示装置、种植监控终端和服务器 |
CN107121397A (zh) * | 2017-03-28 | 2017-09-01 | 江苏天丰种业有限公司 | 小麦发芽率削胚快速检测方法 |
CN107274384A (zh) * | 2017-05-17 | 2017-10-20 | 扬州大学 | 一种小麦出苗均匀度测定方法 |
CN107818565A (zh) * | 2017-11-23 | 2018-03-20 | 扬州大学 | 一种小麦一至三叶期麦苗数量调查方法 |
CN108875747A (zh) * | 2018-06-15 | 2018-11-23 | 四川大学 | 一种基于机器视觉的小麦不完善粒识别方法 |
CN109447945A (zh) * | 2018-09-21 | 2019-03-08 | 河南农业大学 | 基于机器视觉和图形处理的小麦基本苗快速计数方法 |
CN109934186A (zh) * | 2019-03-19 | 2019-06-25 | 广东省农业科学院农业生物基因研究中心 | 一种农作物直播成苗率的智慧高效监控方法 |
CN110189348A (zh) * | 2019-05-29 | 2019-08-30 | 北京达佳互联信息技术有限公司 | 头像处理方法、装置、计算机设备及存储介质 |
CN110717899A (zh) * | 2019-09-25 | 2020-01-21 | 武汉易视维科技有限公司 | 一种透明滤棒爆珠缺陷在线视觉检测方法 |
CN111008563A (zh) * | 2019-11-01 | 2020-04-14 | 湖北工程学院 | 一种暗光场景种子发芽检测方法、装置及可读存储介质 |
CN115512232A (zh) * | 2022-11-24 | 2022-12-23 | 浙江托普云农科技股份有限公司 | 一种农作物种子发芽情况识别模型、构建方法及其应用 |
CN116612139A (zh) * | 2023-07-20 | 2023-08-18 | 浙江托普云农科技股份有限公司 | 基于深度学习的高精度种子发芽率测定方法、系统及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040066196A1 (en) * | 2001-12-04 | 2004-04-08 | Hirotaka Kaneda | Method of evaluating green malt qualities by electron spin resonance spectrometry and method of evaluating malt qualities |
CN102948282A (zh) * | 2012-10-31 | 2013-03-06 | 北京农业信息技术研究中心 | 小麦麦穗发芽程度检测方法 |
-
2014
- 2014-01-24 CN CN201410033064.1A patent/CN103745478B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040066196A1 (en) * | 2001-12-04 | 2004-04-08 | Hirotaka Kaneda | Method of evaluating green malt qualities by electron spin resonance spectrometry and method of evaluating malt qualities |
CN102948282A (zh) * | 2012-10-31 | 2013-03-06 | 北京农业信息技术研究中心 | 小麦麦穗发芽程度检测方法 |
Non-Patent Citations (2)
Title |
---|
XIA XU等: "The Analysis of Wheat Appearance Quality Based on Digital Image Processing", 《2010 2ND CONFERENCE ON ENVIRONMENTAL SCIENCE AND INFORMATION APPLICATION TECHNOLOGY》 * |
闫小梅等: "基于颜色特征的玉米种子纯度识别", 《农业工程学报》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106576499A (zh) * | 2016-11-30 | 2017-04-26 | 深圳前海弘稼科技有限公司 | 植物发芽的提示方法、提示装置、种植监控终端和服务器 |
CN107121397A (zh) * | 2017-03-28 | 2017-09-01 | 江苏天丰种业有限公司 | 小麦发芽率削胚快速检测方法 |
CN107121397B (zh) * | 2017-03-28 | 2019-06-11 | 江苏天丰种业有限公司 | 小麦发芽率削胚快速检测方法 |
CN107274384B (zh) * | 2017-05-17 | 2020-09-22 | 扬州大学 | 一种小麦出苗均匀度测定方法 |
CN107274384A (zh) * | 2017-05-17 | 2017-10-20 | 扬州大学 | 一种小麦出苗均匀度测定方法 |
CN107818565A (zh) * | 2017-11-23 | 2018-03-20 | 扬州大学 | 一种小麦一至三叶期麦苗数量调查方法 |
CN107818565B (zh) * | 2017-11-23 | 2021-05-18 | 扬州大学 | 一种小麦一至三叶期麦苗数量调查方法 |
CN108875747A (zh) * | 2018-06-15 | 2018-11-23 | 四川大学 | 一种基于机器视觉的小麦不完善粒识别方法 |
CN108875747B (zh) * | 2018-06-15 | 2021-10-15 | 四川大学 | 一种基于机器视觉的小麦不完善粒识别方法 |
CN109447945B (zh) * | 2018-09-21 | 2021-11-30 | 河南农业大学 | 基于机器视觉和图形处理的小麦基本苗快速计数方法 |
CN109447945A (zh) * | 2018-09-21 | 2019-03-08 | 河南农业大学 | 基于机器视觉和图形处理的小麦基本苗快速计数方法 |
CN109934186A (zh) * | 2019-03-19 | 2019-06-25 | 广东省农业科学院农业生物基因研究中心 | 一种农作物直播成苗率的智慧高效监控方法 |
CN110189348B (zh) * | 2019-05-29 | 2020-12-25 | 北京达佳互联信息技术有限公司 | 头像处理方法、装置、计算机设备及存储介质 |
CN110189348A (zh) * | 2019-05-29 | 2019-08-30 | 北京达佳互联信息技术有限公司 | 头像处理方法、装置、计算机设备及存储介质 |
CN110717899A (zh) * | 2019-09-25 | 2020-01-21 | 武汉易视维科技有限公司 | 一种透明滤棒爆珠缺陷在线视觉检测方法 |
CN111008563A (zh) * | 2019-11-01 | 2020-04-14 | 湖北工程学院 | 一种暗光场景种子发芽检测方法、装置及可读存储介质 |
CN111008563B (zh) * | 2019-11-01 | 2023-05-23 | 湖北工程学院 | 一种暗光场景种子发芽检测方法、装置及可读存储介质 |
CN115512232A (zh) * | 2022-11-24 | 2022-12-23 | 浙江托普云农科技股份有限公司 | 一种农作物种子发芽情况识别模型、构建方法及其应用 |
CN116612139A (zh) * | 2023-07-20 | 2023-08-18 | 浙江托普云农科技股份有限公司 | 基于深度学习的高精度种子发芽率测定方法、系统及装置 |
CN116612139B (zh) * | 2023-07-20 | 2023-09-29 | 浙江托普云农科技股份有限公司 | 基于深度学习的高精度种子发芽率测定方法、系统及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103745478B (zh) | 2016-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103745478B (zh) | 小麦发芽率机器视觉测定方法 | |
CN102288606B (zh) | 基于机器视觉的花粉活力测定方法 | |
CN109447945B (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
Dell’Aquila | Digital imaging information technology applied to seed germination testing. A review | |
CN106855951A (zh) | 一种基于计算机视觉的粮种品质检测方法 | |
CN102663397B (zh) | 一种小麦出苗的自动检测方法 | |
CN103632157B (zh) | 单株小麦穗部籽粒数计数方法 | |
CN102855485B (zh) | 一种小麦抽穗的自动检测方法 | |
CN104021369A (zh) | 基于数字图像处理技术的单株水稻穗部籽粒数计数方法 | |
CN106503695A (zh) | 一种基于航拍图像的烟草植株识别与计数方法 | |
CN105466921A (zh) | 一种多样品同时检测的方法 | |
CN112907545A (zh) | 基于图像处理的种子芽长与根长检测方法 | |
CN116941380A (zh) | 基于多光谱图像分析的水稻种子活力检测方法 | |
CN110610438B (zh) | 一种农作物冠层叶柄夹角计算方法及系统 | |
CN109827957A (zh) | 一种基于计算机视觉的水稻叶片spad值估测方法及系统 | |
CN107256421B (zh) | 一种稻麦籽粒快速计数方法 | |
CN108037123A (zh) | 一种杂交稻钵体盘播种性能参数精密检测方法 | |
Zhang et al. | An automated bacterial colony counting system | |
CN106023235B (zh) | 一种农作物有效籽粒个数测量的方法 | |
Neilsen et al. | Extending watershed segmentation algorithms for high throughput phenotyping | |
CN110580495A (zh) | 一种梨树叶面积与叶面炭疽病病斑数自动化分析方法 | |
CN102288776A (zh) | 玉米植株生长速率测量装置及方法 | |
Taujuddin et al. | Detection of plant disease on leaves using blobs detection and statistical analysis | |
CN102360428B (zh) | 一种玉米三叶期与七叶期的自动检测方法 | |
CN105046229B (zh) | 一种农作物行的识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |