CN104197866B - 玉米籽粒剖面角质与粉质百分比的定量测定方法 - Google Patents
玉米籽粒剖面角质与粉质百分比的定量测定方法 Download PDFInfo
- Publication number
- CN104197866B CN104197866B CN201410362765.XA CN201410362765A CN104197866B CN 104197866 B CN104197866 B CN 104197866B CN 201410362765 A CN201410362765 A CN 201410362765A CN 104197866 B CN104197866 B CN 104197866B
- Authority
- CN
- China
- Prior art keywords
- corn seed
- image
- section
- cutin
- corn
- 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.)
- Active
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种玉米籽粒剖面角质与粉质百分比的机器视觉定量测定方法,搭建机器视觉采集系统后,进行尺寸标定图像的采集,计算获得单位像素所代表的实际尺寸;其次将玉米种子剖面向上镶嵌在玉米种子剖面图像采集板上;再使用机器视觉采集系统进行玉米种子剖面图像采集,采用多段阈值分割技术,对玉米种子剖面图像不同区域进行分割,得到每张图像的角质、粉质区域子图像,并提取统计各区域的像素点个数;最后计算获得玉米种子剖面角质、粉质区域的实际面积,并求出其百分比。本方法采用机器视觉测试的方式直接测定玉米籽粒剖面的角质面积百分率,准确性高,易于操作,可以批量检测,具有较强的应用价值。
Description
技术领域
本发明涉及种子质量图像检测领域,具体为一种玉米籽粒剖面角质与粉质百分比的视觉定量测定方法。
背景技术
玉米角质率是玉米重要的籽粒品质参数,对玉米种子和粮食的加工品质和商品品质具有重要影响。
玉米角质率的测定方法,目前还没有统一的标准。最常用的方法是手工检测,可参考小麦角质率的检测方法GB1351-1999,存在较大的人为误差。
2004年,Corinda Erasmus和John RN Taylor曾经试图建立了一套快速无损影像分析技术,用于检测玉米籽粒的角质率,但是受玉米颜色、胚的大小和种子厚度的限制,不具备通用性。
还有许多研究直接采用统计学的方法,通过检测与角质率相关的其他性状而间接检测角质率,本身就存在一定的误差。
发明内容
本发明针对现有技术的不足,提供一种玉米籽粒剖面角质与粉质百分比的定量测定方法,与现有技术相比,本方法采用机器视觉测试的方式直接测定玉米籽粒剖面的角质面积百分率,准确性高,易于操作,可以批量检测,具有较强的应用价值。
为达到以上目的,本发明所采用的技术方案是:
一种玉米籽粒剖面角质与粉质百分比的机器视觉定量测定方法,包括以下步骤:
S1:搭建机器视觉采集系统;
S2:采集尺寸标定图像,将采集得到的图像输入计算机,计算获得单位像素所代表的实际尺寸;
S3:将玉米种子纵剖,得到玉米种子剖面;
S4:将玉米种子镶嵌在玉米种子剖面图像采集板上,将玉米种子剖面向上以剔除不同玉米种子形状对剖面的影响;
S5:使用机器视觉采集系统进行玉米种子剖面图像采集,将采集的到的图像输入计算机,得到原始玉米种子剖面图像;
S6:在采集到的原始玉米种子剖面图像基础上,采用多段阈值分割技术,对玉米种子剖面图像不同区域进行分割,得到每张图像的角质、粉质区域子图像,并提取统计各区域的像素点个数;
S7:基于s2所得到的单位像素所代表的实际尺寸,计算获得玉米种子剖面角质、粉质区域的实际面积,并求出其百分比。
进一步的,所述的步骤s6中,通过以下步骤对原始玉米种子剖面图像进行多段阈值分割操作:
S6.1:对原始玉米种子剖面图像进行灰度处理得到灰度图像;
S6.2:分析所得灰度图像中的角质区域和粉质区域,分别得到两区域的阈值范围;
S6.3:根据分析得到的角质区域阈值范围,设定好阈值上限和下限,做一次阈值分割,得到单独的角质区域图像;
S6.4:根据分析得到的粉质区域阈值范围,设定好阈值上限和下限,做二次阈值分割,得到单独的粉质区域图像;
S6.5:分别对角质区域和粉质区域图像进行轮廓像素面积计算处理,所得到的各区域轮廓像素面积即为各区域的像素点个数。
进一步的,采用工业CCD相机与四面无影光源相结合的方法搭建机器视觉采集系统。
进一步的,将玉米种子镶嵌在以黑色橡皮泥构成的玉米种子剖面图像采集板上。
本发明的工作原理以及有益效果表现在:
本发明提供一种玉米籽粒剖面角质与粉质百分比的机器视觉定量测定方法,首先进行尺寸标定图像的采集,计算获得单位像素所代表的实际尺寸;其次将玉米种子镶嵌在玉米种子剖面图像采集板上,将玉米种子剖面向上以剔除不同玉米种子形状对剖面的影响;再使用机器视觉采集系统进行玉米种子剖面图像采集,采用多段阈值分割技术,对玉米种子剖面图像不同区域进行分割,得到每张图像的角质、粉质区域子图像,并提取统计各区域的像素点个数;最后计算获得玉米种子剖面角质、粉质区域的实际面积,并求出其百分比。
通过该方法,能够提高图像采集处理,尺寸特征提取的速度和精度,可以更好的实现玉米籽粒剖面角质与粉质百分比的机器视觉测定。通过调整各个模块的参数,可以适用于不同条件下(调整CCD镜头参数可以处理不同外形大小品种的玉米种子;调整采集种盘可以采集不同剖面大小的玉米种子等)的玉米籽粒剖面角质与粉质百分比机器视觉定量测定,减小由于外界因素变化而引起的误差。
附图说明
图1是像素单位面积标定图像(10mm*10mm标准图像);
图2是原始采集图像;
图3是部分分割图像;
图4单粒图像;
图5切除胚部图像;
图6角质图像。
具体实施方式
下面未述及的相关技术内容均可采用或借鉴现有技术。
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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例,都应当属于本申请保护的范围。
一种玉米籽粒剖面角质与粉质百分比的定量测定方法,首先搭建器视觉采集系统,本实施例采用工业CCD相机与四面无影光源相结合的方法搭建机器视觉采集系统,以消除玉米种子成像过程中产生的自身阴影,防止其影响分割精度。
具体方法共包括5个步骤:①尺寸标定图像采集;②排布玉米种子;③玉米种子剖面图像采集预处理;④玉米种子剖面图像特征测定;⑤计算剖面角质、粉质区域实际面积。
1、尺寸标定图像采集
使用10mm*10mm标准尺寸图像作为标定图像,图1所示,将采集的到的24位RGB图像输入计算机,计算获得单位像素所代表的实际尺寸。
2、纵剖并排布玉米种子
使用玉米种子切割器将玉米种子沿玉米籽粒胚的中心轴线将种子一分为二,得到玉米种子剖面,将玉米种子镶嵌在以黑色橡皮泥(固定种子并形成反差,便于图像处理)构成的玉米种子剖面图像采集板上,并将玉米种子剖面向上,调整种子断面平行于图像采集板,尽量减小因成像角度带来的误差以及投影对测量的影响。
3、玉米种子剖面图像采集
使用机器视觉采集系统进行玉米种子剖面图像采集,将采集的到的24位RGB图像输入计算机,得到原始玉米种子剖面图像,图2所示。
4、玉米种子剖面图像特征测定
在采集到的原始玉米种子剖面图像基础上,采用多段阈值分割技术,对玉米种子剖面图像不同区域进行分割,得到每张图像的角质、粉质区域子图像,并提取统计各区域的像素点个数,具体如下:
A、对原始玉米种子剖面图像进行灰度处理得到灰度图像,背景分割得到如图3所示,获取纵剖种子单粒图像,如图4所示;
B、分析所得灰度图像中的角质区域和粉质区域,分别得到两区域的阈值范围,并切除胚部(去除胚部对以后分割的影响),便于下一步的分割计算;
C、根据分析得到的角质区域阈值范围,设定好阈值上限和下限,做一次阈值分割,得到单独的角质区域图像,图6所示;
D、根据分析得到的粉质区域阈值范围,设定好阈值上限和下限,做二次阈值分割,得到单独的粉质区域图像,如图5所示白色区域;
E、分别对角质区域和粉质区域图像进行轮廓像素面积计算处理,所得到的各区域轮廓像素面积即为各区域的像素点个数;
5、计算剖面角质、粉质区域实际面积
基于尺寸标定图像所得到的单位像素所代表的实际尺寸,计算获得玉米种子剖面角质、粉质区域的实际面积,并求出其百分比。
选取20粒不同品种玉米种子,采用现有人工测量技术(不规则图形面积测量的画线法,即从上到下在图形内画一些等距的平行线,然后测量每根线的长度。(线的长度和)乘以平行线之间的距离=面积。)和本方案技术进行比对;得到测试结果如下表1所示:
表1不同玉米种子百分率测试
从测试表格可以看出,采用本方案测试出的百分率要优于人工测试法,可以精确到每像素0.002mm2。该方案方便可行,适用性高,测试速度快:测试时间为3~10min/百粒,精度高等特点。
用于检测的15份玉米自交系材料(果穗比较均匀一致)的角质面积百分率的测定结果如表2所示。
每份自交系的3个重复选自同一份材料的3个果穗,每个果穗均取果穗中部的籽粒20粒(不同的果穗的不同籽粒的角质面积百分率本身就存在一定的差异),按上述方法进行检测。结果显示,15份材料的3个重复的变异系数在2.0以下,角质面积百分率的测定结果重复性较好。
表2玉米角质面积百分率
以上所述仅是本申请的优选实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (1)
1.一种玉米籽粒剖面角质与粉质百分比的机器视觉定量测定方法,其特征在于包括以下步骤:
S1:采用工业CCD相机与四面无影光源相结合的方法搭建机器视觉采集系统;
S2:采集尺寸标定图像,将采集得到的图像输入计算机,计算获得单位像素所代表的实际尺寸;
S3:使用玉米种子切割器将玉米种子沿玉米籽粒胚的中心轴线将玉米种子纵剖,得到玉米种子剖面;
S4:将玉米种子镶嵌在以黑色橡皮泥构成的玉米种子剖面图像采集板上,并将玉米种子剖面向上,调整种子断面平行于图像采集板,以剔除不同玉米种子形状对剖面的影响;
S5:使用机器视觉采集系统进行玉米种子剖面图像采集,将采集的到的图像输入计算机,得到原始玉米种子剖面图像;
S6:在采集到的原始玉米种子剖面图像基础上,采用多段阈值分割技术,对玉米种子剖面图像不同区域进行分割,得到每张图像的角质、粉质区域子图像,并提取统计各区域的像素点个数:
S6.1:对原始玉米种子剖面图像进行灰度处理得到灰度图像;
S6.2:分析所得灰度图像中的角质区域和粉质区域,分别得到角质区域和粉质区域的阈值范围;
S6.3:根据分析得到的角质区域阈值范围,设定好阈值上限和下限,做一次阈值分割,得到单独的角质区域图像;
S6.4:根据分析得到的粉质区域阈值范围,设定好阈值上限和下限,做二次阈值分割,得到单独的粉质区域图像;
S6.5:分别对角质区域和粉质区域图像进行轮廓像素面积计算处理,所得到的各区域轮廓像素面积即为各区域的像素点个数;
S7:基于s2所得到的单位像素所代表的实际尺寸,计算获得玉米种子剖面角质、粉质区域的实际面积,并求出其百分比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410362765.XA CN104197866B (zh) | 2014-07-28 | 2014-07-28 | 玉米籽粒剖面角质与粉质百分比的定量测定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410362765.XA CN104197866B (zh) | 2014-07-28 | 2014-07-28 | 玉米籽粒剖面角质与粉质百分比的定量测定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104197866A CN104197866A (zh) | 2014-12-10 |
CN104197866B true CN104197866B (zh) | 2017-01-11 |
Family
ID=52083194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410362765.XA Active CN104197866B (zh) | 2014-07-28 | 2014-07-28 | 玉米籽粒剖面角质与粉质百分比的定量测定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104197866B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109459106B (zh) * | 2019-01-02 | 2020-04-03 | 山东农业大学 | 一种玉米籽粒内部组分体积测量方法及系统 |
CN110345886A (zh) * | 2019-07-30 | 2019-10-18 | 中国海洋大学 | 一种植物胚表面积测量装置及方法 |
CN110619297B (zh) * | 2019-09-10 | 2024-05-14 | 中国科学院东北地理与农业生态研究所 | 一种豆类植物子实图像批量采集识别方法及装置 |
CN111579427B (zh) * | 2020-05-22 | 2021-09-07 | 山东农业大学 | 一种玉米籽粒内部组分密度测量方法及系统 |
CN113063704B (zh) * | 2020-12-04 | 2022-03-11 | 湖北沛丰生物科技股份有限公司 | 颗粒饱满程度解析平台及方法 |
CN113518182B (zh) * | 2021-06-30 | 2022-11-25 | 天津市农业科学院 | 一种基于树莓派的黄瓜表型特征测量方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101555661A (zh) * | 2009-04-14 | 2009-10-14 | 山东农业大学 | 基于机器视觉技术的棉花异性纤维重量计量方法及系统 |
CN102288606A (zh) * | 2011-05-06 | 2011-12-21 | 山东农业大学 | 基于机器视觉的花粉活力测定方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5982500A (en) * | 1995-05-07 | 1999-11-09 | Platsch; Hans Georg | Device for measuring the surface of a print product |
JP2012013580A (ja) * | 2010-07-01 | 2012-01-19 | Central Res Inst Of Electric Power Ind | 粒子及び液滴の形状・径と温度との同時計測システム並びにそのプログラム |
-
2014
- 2014-07-28 CN CN201410362765.XA patent/CN104197866B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101555661A (zh) * | 2009-04-14 | 2009-10-14 | 山东农业大学 | 基于机器视觉技术的棉花异性纤维重量计量方法及系统 |
CN102288606A (zh) * | 2011-05-06 | 2011-12-21 | 山东农业大学 | 基于机器视觉的花粉活力测定方法 |
Non-Patent Citations (2)
Title |
---|
基于数字图像处理的玉米种子质量分级方法研究;郑敏江;《中国优秀硕士论文全文数据库》;20090930;7-27页 * |
采用全景技术的机器视觉测量玉米果穗考种指标;王传宇等;《农业工程学报》;20131231;第29卷(第24期);155-162页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104197866A (zh) | 2014-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104197866B (zh) | 玉米籽粒剖面角质与粉质百分比的定量测定方法 | |
Igathinathane et al. | Major orthogonal dimensions measurement of food grains by machine vision using ImageJ | |
Wang et al. | Size estimation of sweet onions using consumer-grade RGB-depth sensor | |
Laddi et al. | Classification of tea grains based upon image texture feature analysis under different illumination conditions | |
CN103674864B (zh) | 一种基于高光谱成像技术的鱼水分含量分布检测方法 | |
CN103808263B (zh) | 谷粒粒形参数的高通量检测方法 | |
CN101907453B (zh) | 基于机器视觉的块状农产品尺寸在线测量方法与装置 | |
CN104256882A (zh) | 基于计算机视觉的烟丝中再造烟叶比例测定方法 | |
CN101210876A (zh) | 基于可见/近红外多光谱成像的水稻养分信息测量方法 | |
CN104198324A (zh) | 基于计算机视觉的烟丝中叶丝比例测定方法 | |
CN102800096B (zh) | 一种摄像机参数的鲁棒性估计算法 | |
CN104198325A (zh) | 基于计算机视觉的烟丝中梗丝比例测定方法 | |
CN110174065B (zh) | 基于正交双目机器视觉的水果大小无损检测方法 | |
CN103229614B (zh) | 玉米果穗自动考种方法 | |
Rattanaphongphak et al. | Design of machine vision system for sugarcane buds or rings detection | |
CN103063576A (zh) | 激光显微镜下定量分析钢中夹杂物的方法 | |
CN102855485B (zh) | 一种小麦抽穗的自动检测方法 | |
CN207516257U (zh) | 一种基于机器视觉的小麦籽粒图像采集平台 | |
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 | |
CN102565044B (zh) | 基于图像处理的农药残留速测卡检测方法 | |
Tian et al. | The detection system for greenhouse tomato disease degree based on android platform | |
Patel et al. | Development and an application of computer vision system for nondestructive physical characterization of mangoes | |
CN106023235B (zh) | 一种农作物有效籽粒个数测量的方法 | |
CN104749126A (zh) | 基于近红外高光谱图像分析的小麦硬度预测方法 | |
Dengyu et al. | Phenotype-based robotic screening platform for leafy plant breeding |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |