CN104881626B - 果树果实的识别方法 - Google Patents
果树果实的识别方法 Download PDFInfo
- Publication number
- CN104881626B CN104881626B CN201510025173.3A CN201510025173A CN104881626B CN 104881626 B CN104881626 B CN 104881626B CN 201510025173 A CN201510025173 A CN 201510025173A CN 104881626 B CN104881626 B CN 104881626B
- Authority
- CN
- China
- Prior art keywords
- fruit
- image
- tree
- recognition methods
- softwares
- 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 Analysis (AREA)
- Harvesting Machines For Specific Crops (AREA)
Abstract
本发明涉及果实识别方法技术领域，是一种果树果实的识别方法，按下述步骤进行：第一步，采集果树及果实的图像图片；第二步，果树及果实的图像图片经过第一次图像转换后得到彩色图像；第三步，设置果实的图像像素半径的参数值；第四步，将彩色图像处理后得到黑白二值图像；第五步，通过图像处理软件测定黑白二值图像中的果实个数。本发明所述的果树果实的识别方法能够对库尔勒香梨的果实进行识别，减少了果实识别过程中的人工消耗量，首次将图形图像技术应用于库尔勒香梨果实个数的识别，能够快速对大范围的果树的果实个数进行全面和快速的识别，为库尔勒香梨果实产量的估测和果实的采摘提供新的技术支持。
Description
技术领域
本发明涉及果实识别方法技术领域，是一种果树果实的识别方法。
背景技术
库尔勒香梨原产于新疆巴音郭楞蒙古自治州、阿克苏等地，至今已有1300年的栽培历史，为古老地方优良品种。因巴州库尔勒市种植面积最多，其种植面积达2.4万亩，由此得名。库尔勒香梨作为当地具有显著经济效益的经济作物，适时地对该作物进行产量估测，能够为作物经济收益提供有力数据。目前，采用人工识别库尔勒香梨个数，从而对产量进行估测，在人工识别过程中，存在人工消耗量大的问题，并且不能对大范围果树的果实个数进行全面和快速的识别，具有繁冗复杂性、时滞性等缺点，由此，不能快速估测果实产量。
发明内容
本发明提供了一种果树果实的识别方法，克服了上述现有技术之不足，其能有效解决现有人工识别库尔勒香梨过程中存在的人工消耗量大的问题，首次将图形图像技术应用于库尔勒香梨果实个数的识别，能够快速对大范围的果树的果实个数进行全面和快速的识别，为库尔勒香梨果实产量的估测和果实的采摘提供新的技术支持。
本发明的技术方案是通过以下措施来实现的：一种果树果实的识别方法，按下述步骤进行：第一步，采集果树及果实的图像图片；第二步，在图像处理软件中打开果树及果实的图像图片，果树及果实的图像图片经过第一次图像转换后得到图像深度为8位至32位的彩色图像；第三步，在图像处理软件中设置果实的图像像素半径的参数值；第四步，将完成第三步后的彩色图像经过第二次图像转换后得到灰度图像，对灰度图像进行阀值化处理后得到黑白二值图像；第五步，通过图像处理软件测定黑白二值图像中的果实个数。
下面是对上述发明技术方案的进一步优化或/和改进：
上述果树果实的识别方法还可包括果实鲜重的估测，果实鲜重的估测按照表达式W Fe=2N fe·W sf进行估测，其中，W Fe表示果实鲜重的估测值，N fe为果实个数的估测均值，W sf为标准果实的鲜重。
上述图像处理软件可为Image J软件。
上述第一次图像转换可为依序调用Image J软件中的图形、类型和8位彩图；或/和，在第三步中通过依序调用Image J软件中的处理、过滤和最小化，接着在最小化中设置果实的图像像素半径的参数值；或/和，第二次图像转换为依序调用Image J软件中的图形、类型和8位；或/和，阀值化处理为依序调用Image J软件中的图形、调整和阈值化；或/和，在第五步中，在Image J软件中调用颗粒分析测定果实个数。
上述可通过依序调用Image J软件中的处理和发现边缘来提取果实轮廓的边缘；或/和，当果树的图像图片在Image J软件中打开后不清晰时，在第一次图像转换前需要对果树的图像图片进行预处理，预处理包括图像增强或/和图像恢复。
上述图像像素半径可通过下述步骤得到：第一步，获取标准果实的标准果实侧视面积值，将标准果实侧视面积值转换为同等面积的圆形面积值，根据圆的面积公式S sf=πRf 2求得标准果实的真实半径Rf，其中，Ssf表示标准果实侧视面积，Rf表示标准果实的真实半径；第二步，根据公式rf=Rf/lf计算标准果实在图片中的图像半径，其中，rf表示图像半径，lf表示结出标准果实的植株与结出标准果实的植株的图像的比例值，Rf表示标准果实的真实半径；第三步，根据公式Rfo=rf·lfo计算图片图像像素半径，其中，Rfo表示图像像素半径，lfo图像厘米与像素之间的比值，lfo为定值。
上述果树可为果实处于膨果期或成熟期的果树。
本发明所述的果树果实的识别方法能够对库尔勒香梨的果实进行识别，减少了果实识别过程中的人工消耗量，首次将图形图像技术应用于库尔勒香梨果实个数的识别，能够快速对大范围的果树的果实个数进行全面和快速的识别，为库尔勒香梨果实产量的估测和果实的采摘提供新的技术支持。
附图说明
附图1为库尔勒香梨植株B的原始图片示意图。
附图2为库尔勒香梨植株B原始图片调用本发明中Image J软件的颗粒分析命令后的示意图。
附图3为库尔勒香梨植株B原始图片调用本发明中Image J软件的发现边缘命令后的示意图。
具体实施方式
本发明不受下述实施例的限制，可根据本发明的技术方案与实际情况来确定具体的实施方式。
下面结合实施例对本发明作进一步描述：
实施例1：该果树果实的识别方法，按下述步骤进行：第一步，采集果树及果实的图像图片；第二步，在图像处理软件中打开果树及果实的图像图片，果树及果实的图像图片经过第一次图像转换后得到图像深度为8位至32位的彩色图像；第三步，在图像处理软件中设置果实的图像像素半径的参数值；第四步，将完成第三步后的彩色图像经过第二次图像转换后得到灰度图像，对灰度图像进行阀值化处理后得到黑白二值图像；第五步，通过图像处理软件测定黑白二值图像中的果实个数。本发明所述的果树果实的识别方法适用于香梨、苹果、红枣、核桃等果实的识别。根据本实施例所述的果树果实的识别方法对库尔勒香梨植株A和植株B的果实个数进行识别，获得的库尔勒香梨植株A果实个数的识别值（N1/个数）和植株B的果实个数的识别值（N2/个数）如表1所示，库尔勒香梨植株A果实个数的真实值（N3/个数）和植株B的果实个数的真实值（N4/个数）如表1所示。库尔勒香梨植株B的原始图片如图1所示，图1中，黑色部分为库尔勒香梨果树，根据本实施例获得的库尔勒香梨植株B的图片如图2所示，图2中，黑色部分为果实。
实施例2：该果树果实的识别方法，按下述步骤进行：第一步，采集果树及果实的图像图片；第二步，在图像处理软件中打开果树及果实的图像图片，果树及果实的图像图片经过第一次图像转换后得到图像深度为8位或32位的彩色图像；第三步，在图像处理软件中设置果实的图像像素半径的参数值；第四步，将完成第三步后的彩色图像经过第二次图像转换后得到灰度图像，对灰度图像进行阀值化处理后得到黑白二值图像；第五步，通过图像处理软件测定黑白二值图像中的果实个数。
实施例3：该果树果实的识别方法，按下述步骤进行：第一步，采集果树及果实的图像图片；第二步，在图像处理软件中打开果树及果实的图像图片，果树及果实的图像图片经过第一次图像转换后得到图像深度为8位的彩色图像；第三步，在图像处理软件中设置果实的图像像素半径的参数值；第四步，将完成第三步后的彩色图像经过第二次图像转换后得到灰度图像，对灰度图像进行阀值化处理后得到黑白二值图像；第五步，通过图像处理软件测定黑白二值图像中的果实个数。根据本实施例所述的果树果实的识别方法对库尔勒香梨植株A和植株B的果实个数进行识别，获得的库尔勒香梨植株A果实个数识别值（N5/个数）和植株B的果实个数识别值（N6/个数）如表1所示。
实施例4：该果树果实的识别方法，按下述步骤进行：第一步，采集果树及果实的图像图片；第二步，在图像处理软件中打开果树及果实的图像图片，果树及果实的图像图片经过第一次图像转换后得到图像深度为32位的彩色图像；第三步，在图像处理软件中设置果实的图像像素半径的参数值；第四步，将完成第三步后的彩色图像经过第二次图像转换后得到灰度图像，对灰度图像进行阀值化处理后得到黑白二值图像；第五步，通过图像处理软件测定黑白二值图像中的果实个数。根据本实施例所述的果树果实的识别方法对库尔勒香梨植株A和植株B的果实个数进行识别，获得的库尔勒香梨植株A果实个数的识别值（N7/个数）和植株B的果实个数的识别值（N8/个数）如表1所示。
实施例5：与上述实施例的不同之处在于，果树果实的识别方法还包括果实鲜重的估测，果实鲜重的估测按照表达式W Fe=2N fe·W sf进行估测，其中，W Fe表示果实鲜重的估测值，N fe为果实个数的估测均值，W sf为标准果实的鲜重。根据实施例1获得的库尔勒香梨植株A和植株B的果实个数的识别值采用本实施例所述的果树果实的识别方法估测库尔勒香梨植株A和植株B的果实鲜重而得到库尔勒香梨植株A和植株B的果实鲜重估测值，库尔勒香梨植株A的果实鲜重估测值（W1/kg）和植株B的果实鲜重估测值（W2/kg）如表2所示，相对误差=▏W2-W1▏/W1×100%，库尔勒香梨植株A的果实鲜重实际值（W3/kg）和植株B的果实鲜重实际值（W4/kg）如表2所示，相对误差=▏W4-W3▏/W3×100%。
实施例6：与上述实施例的不同之处在于，图像处理软件为Image J软件。本实施例所述的果树果实识别方法应用于裸露在树冠外侧的果实，对于树冠内部的果实识别能力有限。
实施例7：与上述实施例的不同之处在于，第一次图像转换为依序调用Image J软件中的图形（Image）、类型（Type）和8位彩图（8-bit Color）；或/和，在第三步中通过依序调用Image J软件中的处理（Process）、过滤（Filters）和最小化（Minimum），接着在最小化（Minimum）中设置果实的图像像素半径的参数值；或/和，第二次图像转换为依序调用ImageJ软件中的图形（Image）、类型（Type）和8位（8-bit）；或/和，阀值化处理为依序调用Image J软件中的图形（Image）、调整（Adjust）和阈值化（Threshold）；或/和，在第五步中，在ImageJ软件中调用颗粒分析（Analyze particle）测定果实个数。阈值化能够提高灰度图像的黑白对比度直至能够区分图像中果实与图像的其他部分。
实施例8：与上述实施例的不同之处在于，通过依序调用Image J软件中的处理（Process）和发现边缘（Find Edges），能够提取果实轮廓的边缘；或/和，当果树的图像图片在Image J软件中打开后不清晰时，在第一次图像转换前需要对果树的图像图片进行预处理，预处理包括图像增强或/和图像恢复。果实轮廓的边缘的提取能够获知果实分布区域，同时能够便于识别果实。根据本实施例得到库尔勒香梨植株B的的图片如图3所示，在图3中，各个线圈轮廓为果实边缘。
实施例9：与上述实施例的不同之处在于，图像像素半径通过下述步骤得到：第一步，获取标准果实的标准果实侧视面积值，将标准果实侧视面积值转换为同等面积的圆形面积值，根据圆的面积公式S sf=πRf 2求得标准果实的真实半径Rf，其中，Ssf表示标准果实侧视面积，Rf表示标准果实的真实半径；第二步，根据公式rf=Rf/lf计算标准果实在图片中的图像半径，其中，rf表示图像半径，lf表示结出标准果实的植株与结出标准果实的植株的图像的比例值，Rf表示标准果实的真实半径；第三步，根据公式Rfo=rf·lfo计算图片图像像素半径，其中，Rfo表示图像像素半径，lfo图像厘米与像素之间的比值，lfo为定值。
实施例10：与上述实施例的不同之处在于，果树为果实处于膨果期或成熟期的果树。
由表1可知，植株A果实个数的识别值与植株A果实个数的真实值误差在1至6个之间，植株B果实个数的识别值与植株B果实个数的真实值误差在1至6个之间，以上误差在果实识别过程中的允许误差范围内；由表2可知，植株A的果实鲜重估测值与植株A的果实鲜重实际值的相对误差在2.1%至9.1%之间，植株B的果实鲜重估测值与植株B的果实鲜重实际值的相对误差在3.9%至14.1%之间，植株A和植株B的果实鲜重估测的误差为鲜重估测过程中的允许误差，说明本发明所述的果树果实的识别方法具有果实识别能力。
综上所述，根据本发明所述的果树果实的识别方法能够对库尔勒香梨的果实进行识别，减少了果实识别过程中的人工消耗量，首次将图形图像技术应用于库尔勒香梨果实个数的识别，能够快速对大范围的果树的果实个数进行全面和快速的识别，为库尔勒香梨果实产量的估测和果实的采摘提供新的技术支持。
以上技术特征构成了本发明的实施例，其具有较强的适应性和实施效果，可根据实际需要增减非必要的技术特征，来满足不同情况的需求。
表1
| 植株A | 植株A | 植株A | 植株A | 植株B | 植株B | 植株B | 植株B | |
| N1 | N3 | N5 | N7 | N2 | N4 | N6 | N8 | |
| N/个数 | 36至40 | 34至39 | 36 | 40 | 59至66 | 60至71 | 59 | 66 |
表2
| 植株A | 植株A | 植株B | 植株B | |
| W1 | W2 | W3 | W4 | |
| W/kg | 4.6至4.92 | 4.7至5.06 | 11.8至12.9 | 12.28至13.6 |
Claims (11)
1.一种果树果实的识别方法，其特征在于按下述步骤进行：第一步，采集果树及果实的图像图片；第二步，在图像处理软件中打开果树及果实的图像图片，果树及果实的图像图片经过第一次图像转换后得到图像深度为8位至32位的彩色图像；第三步，在图像处理软件中设置果实的图像像素半径的参数值；第四步，将完成第三步后的彩色图像经过第二次图像转换后得到灰度图像，对灰度图像进行阀值化处理后得到黑白二值图像；第五步，通过图像处理软件测定黑白二值图像中的果实个数；其中：所述图像像素半径通过下述步骤得到：第一步，获取标准果实的标准果实侧视面积值，将标准果实侧视面积值转换为同等面积的圆形面积值，根据圆的面积公式Ssf=πRf 2求得标准果实的真实半径Rf，其中，Ssf表示标准果实侧视面积，Rf表示标准果实的真实半径；第二步，根据公式rf=Rf/lf计算标准果实在图片中的图像半径，其中，rf表示图像半径，lf表示结出标准果实的植株与结出标准果实的植株的图像的比例值，Rf表示标准果实的真实半径；第三步，根据公式Rfo=rf·lfo计算图片图像像素半径，其中，Rfo表示图像像素半径，lfo表示厘米与像素之间的比值，lfo为定值。
2.根据权利要求1所述的果树果实的识别方法，其特征在于还包括果实鲜重的估测，果实鲜重的估测按照表达式WFe=2Nfe·Wsf进行估测，其中，WFe表示果实鲜重的估测值，Nfe为果实个数的估测均值，Wsf为标准果实的鲜重。
3.根据权利要求1或2所述的果树果实的识别方法，其特征在于图像处理软件为ImageJ软件。
4.根据权利要求3所述的果树果实的识别方法，其特征在于第一次图像转换为依序调用Image J软件中的图形、类型和8位彩图；或/和，在第三步中通过依序调用Image J软件中的处理、过滤和最小化，接着在最小化中设置果实的图像像素半径的参数值；或/和，第二次图像转换为依序调用Image J软件中的图形、类型和8位；或/和，阀值化处理为依序调用Image J软件中的图形、调整和阈值化；或/和，在第五步中，在Image J软件中调用颗粒分析测定果实个数。
5.根据权利要求3所述的果树果实的识别方法，其特征在于通过依序调用Image J软件中的处理和发现边缘来提取果实轮廓的边缘；或/和，当果树的图像图片在Image J软件中打开后不清晰时，在第一次图像转换前需要对果树的图像图片进行预处理，预处理包括图像增强或/和图像恢复。
6.根据权利要求4所述的果树果实的识别方法，其特征在于通过依序调用Image J软件中的处理和发现边缘来提取果实轮廓的边缘；或/和，当果树的图像图片在Image J软件中打开后不清晰时，在第一次图像转换前需要对果树的图像图片进行预处理，预处理包括图像增强或/和图像恢复。
7.根据权利要求1或2所述的果树果实的识别方法，其特征在于果树为果实处于膨果期或成熟期的果树。
8.根据权利要求3所述的果树果实的识别方法，其特征在于果树为果实处于膨果期或成熟期的果树。
9.根据权利要求4所述的果树果实的识别方法，其特征在于果树为果实处于膨果期或成熟期的果树。
10.根据权利要求5所述的果树果实的识别方法，其特征在于果树为果实处于膨果期或成熟期的果树。
11.根据权利要求6所述的果树果实的识别方法，其特征在于果树为果实处于膨果期或成熟期的果树。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510025173.3A CN104881626B (zh) | 2015-01-19 | 2015-01-19 | 果树果实的识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510025173.3A CN104881626B (zh) | 2015-01-19 | 2015-01-19 | 果树果实的识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104881626A CN104881626A (zh) | 2015-09-02 |
| CN104881626B true CN104881626B (zh) | 2017-12-29 |
Family
ID=53949114
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510025173.3A Active CN104881626B (zh) | 2015-01-19 | 2015-01-19 | 果树果实的识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104881626B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106407962A (zh) * | 2016-11-15 | 2017-02-15 | 融安县植保植检站 | 柑橘大实蝇危害落果率统计系统 |
| CN109658379A (zh) * | 2018-11-09 | 2019-04-19 | 广西慧云信息技术有限公司 | 一种通过图片快速计算柑橘产量的方法 |
| CN109657636A (zh) * | 2018-12-27 | 2019-04-19 | 菏泽学院 | 一种筛选适合城市园林绿化的观赏牡丹种类的方法 |
| CN110570391A (zh) * | 2019-07-24 | 2019-12-13 | 天津科技大学 | 一种基于Image J的喷雾冷冻涂覆效果的图像分析方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103090946A (zh) * | 2013-01-15 | 2013-05-08 | 北京农业信息技术研究中心 | 果树单树产量测量的方法和系统 |
| CN103793686A (zh) * | 2014-01-16 | 2014-05-14 | 中国农业大学 | 一种果树产量早期预测的方法 |
| CN104200193A (zh) * | 2014-08-05 | 2014-12-10 | 北京农业信息技术研究中心 | 一种果树产量估测方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004021765A (ja) * | 2002-06-19 | 2004-01-22 | Pfu Ltd | 画像認識方法 |
-
2015
- 2015-01-19 CN CN201510025173.3A patent/CN104881626B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103090946A (zh) * | 2013-01-15 | 2013-05-08 | 北京农业信息技术研究中心 | 果树单树产量测量的方法和系统 |
| CN103793686A (zh) * | 2014-01-16 | 2014-05-14 | 中国农业大学 | 一种果树产量早期预测的方法 |
| CN104200193A (zh) * | 2014-08-05 | 2014-12-10 | 北京农业信息技术研究中心 | 一种果树产量估测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 库尔勒香梨果实生物量图像解析技术研究;孟亚宾 等;《经济林研究》;20140630;第32卷(第2期);99-104 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104881626A (zh) | 2015-09-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104881626B (zh) | 果树果实的识别方法 | |
| Khirade et al. | Plant disease detection using image processing | |
| Tellaeche et al. | A new vision-based approach to differential spraying in precision agriculture | |
| Bharate et al. | A review on plant disease detection using image processing | |
| Saxena et al. | A survey of image processing techniques for agriculture | |
| Tete et al. | Plant Disease Detection Using Different Algorithms. | |
| CN110610506B (zh) | 一种基于图像处理技术的姬松茸子实体生长参数检测方法 | |
| CN110378435A (zh) | 一种基于卷积神经网络的苹果叶片病害识别的方法 | |
| CN103295191A (zh) | 多尺度视觉自适应图像增强方法及评价方法 | |
| CN105719282B (zh) | 一种果园红色苹果图像果实枝叶区域获取方法 | |
| CN109034268A (zh) | 一种面向信息素诱捕器的红脂大小蠹检测器优化方法 | |
| CN111652754B (zh) | 一种南丰蜜桔智能光谱监测和氮肥定量诊断系统及方法 | |
| Selvi et al. | Weed detection in agricultural fields using deep learning process | |
| CN106157266A (zh) | 一种果园果实图像获取方法 | |
| CN115127617A (zh) | 用于食用菌仿生态种植的智能管控系统 | |
| Khoshroo et al. | Detection of red tomato on plants using image processing techniques. | |
| CN108846307A (zh) | 一种基于波形图像的微震与爆破事件识别方法 | |
| CN109874584A (zh) | 一种基于深度学习卷积神经网络的果树长势监控系统 | |
| Kusumandari et al. | Detection of strawberry plant disease based on leaf spot using color segmentation | |
| CN112131952A (zh) | 基于无人机遥感影像的玉米苗期株数信息提取 | |
| CN113331160B (zh) | 一种烟草专用精准喷药系统 | |
| CN109544572B (zh) | 一种果园图像中近大果实目标的获取方法 | |
| CN107169940B (zh) | 基于电子识别的单株梨树产量获取方法 | |
| CN112801119B (zh) | 一种基于图像识别的梨品种识别方法 | |
| Chiatti et al. | Surgical fine-tuning for Grape Bunch Segmentation under Visual Domain Shifts |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |