CN104881652A - 一种基于玉米穗凸性特征的行数自动检测算法 - Google Patents
一种基于玉米穗凸性特征的行数自动检测算法 Download PDFInfo
- Publication number
- CN104881652A CN104881652A CN201510291734.4A CN201510291734A CN104881652A CN 104881652 A CN104881652 A CN 104881652A CN 201510291734 A CN201510291734 A CN 201510291734A CN 104881652 A CN104881652 A CN 104881652A
- Authority
- CN
- China
- Prior art keywords
- image
- corncob
- corn
- corrosion
- row number
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
一种利用玉米截面特殊的凸性图像特征、基于机器视觉的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。其实现方法是:第一步:玉米穗横断面照片的获取;第二步:对图像f1进行图像分割;第三步:对图像f2进行腐蚀;第四步:图像f3所示玉米穗横断面腐蚀图像中存在明显的凹陷,使用该图像的凸性特征,对该图求凸形;第五步:使用图像f4减去图像f3,得到两图的差异部分,即玉米穗横断面原始图像中的籽粒间隙图像f5;第六步:腐蚀后计数,得到最终的计数结果即是玉米穗的行数。本发明旨在解决玉米穗行数中传统人工计数易于疲劳、准确率差、效率低的固有缺陷,以提高现有自动检测技术的速度和准确度。
Description
技术领域
本发明涉及图像信息处理技术领域,特别是涉及一种基于玉米穗凸性特征的行数自动检测算法,便于实现玉米室内考种时穗行数的统计,并提高检测速度和精度。
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。
在现有的基于机器视觉的玉米穗行数自动检测过程中,利用先求出玉米穗横断面的质心坐标;再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,绘制出角度---半径图;统计角度---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。这种方法计算量大且易有误差。
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玉米穗凸性特征的行数自动检测算法。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黑色背景上,在它上方加上环形光源,摄像机在环形光源正中、玉米穗横断面正上进行拍摄获取原图图像f1。
第二步:对图像f1进行图像分割。用边缘检测函数和内部区域填充法,检测出清晰地玉米穗图像边缘,边缘及内部用白色来表示,其余部分用黑色来表示,得到玉米穗横断面特征图像f2。
第三步:对图像f2进行腐蚀。使用一个半径为100圆形结构元素去扫描图像中的每一个像素,用结构元素与其覆盖的二值图像做“与”操作,从而腐蚀图像f2中前景色区域的边缘,使得前景图像区域变小,背景区域被放大,具有收缩图像的作用。腐蚀之后,图像边界向内收缩,得到玉米穗横断面腐蚀图像f3。
第四步:图像f3所示玉米穗横断面腐蚀图像中存在明显的凹陷,使用该图像的凸性特征,对该图求凸形。求玉米穗横断面凸形图像属于二维平面的凸包问题,本算法采用二维Quick Hull算法获取图像f3中不等于黑色的像素点集的凸包,落在凸包及其内部的像素点赋值为白色,使凸包边界和内部显示白色,其余点的值保持不变,得到玉米穗横断面凸形图像f4。
第五步:使用图像f4减去图像f3,得到两图的差异部分,即玉米穗横断面原始图像中的籽粒间隙图像f5。
第六步:腐蚀后计数。采用第三步中的腐蚀算法,对图像f5进行腐蚀运算,以去除细小噪声,避免图像各部分的黏连,得到籽粒间隙腐蚀图像f6;采用8联通邻域法方法,对图像f6进行连通域处理,得到图像f7,并同时统计像素点的值不等于0的联通单元的个数;统计得到的f7中联通单元的个数即是玉米穗籽粒行数,并在检测系统中进行显示。
与现有技术相比,基于玉米穗凸性特征的行数自动检测算法主要有以下优点:(1)计算量小,执行速度快;(2)正确率高,可以准确地对玉米穗行数进行检测。根据到玉米截面特殊的外形,利用凸性的图像特征,设计使用本算法来进行处理,可提高玉米穗行数自动检测的速度和准确度。
附图说明
图1为玉米穗行数自动检测算法流程图;
图2为玉米穗横断面原始图像;
图3玉米穗横断面轮廓特征图像;
图4为玉米穗横断面腐蚀图像;
图5 为玉米穗横断面凸形图像;
图6为籽粒间隙图像;
图7为籽粒间隙腐蚀图像;
图8为籽粒间隙腐蚀图像连通域处理图。
具体实施方式
下面结合附图对本发明进一步说明。
参阅附图1,本发明所述的玉米穗行数自动检测算法是在环形光源光照条件下、采用工业相机采集到的黑色背景上玉米穗横断面原始图像后,对原始图像进行灰度转换、图像压缩、增强对比度等图像预处理依据,依据图像的轮廓特征对预处理之后图像进行合理阈值、滤波去除噪声,获得玉米穗截面的轮廓特征图像,对玉米轮廓特征图像进行腐蚀、并求出其凸形图像,使凸形图像减去玉米穗横断面腐蚀图像得到籽粒间隙图像,对经过进一步腐蚀和连通域处理的籽粒间隙图像进行计数,得到最终的计数结果即是玉米穗的行数。
更具体地说,整个算法的实现包含下列内容:
1、图像分割:本算法属于图像的预处理,主要包括原始图像的获取、图像边缘阀值分割和滤波去噪三个步骤,处理效果如附图2、附图3所示。
(1)阈值分割:采用阈值分割法将图像f1分割成背景和玉米穗图像主体两部分,而阈值t的选取是用最大类间方差法求解。
(2)内部图像填充:通过图像分割,已经把图像分割成很多个区域,现用8联通邻域法进行玉米穗截面轮廓内部填充,得到玉米轮廓及内部填充特征图像f2。
2、图像腐蚀:本算法对玉米分割图像f2进行腐蚀,腐蚀图像中前景色区域的边缘,使得前景图像区域变小,背景区域被放大,具有收缩图像的作用。腐蚀的计算方法为:
(1)定义结构元素。由数值为1或0组成的矩阵,在每个像素位置与二值图像对应的区域进行特定的逻辑运算。运算结果为输出图像相应的像素。运算效果取决于结构元素的大小内容以及逻辑运算的性质。由于玉米穗截面轮廓为弧形,所以本算法使用一个圆形的结构元素对图像进行腐蚀。
(2)腐蚀算法。使用一个半径为100圆形结构元素去扫描图像中的每一个像素,用结构元素与其覆盖的二值图像做“与”操作,如果都为1,这图像的该像素为1,否则为0。腐蚀之后,图像边界向内收缩,得到玉米穗横断面腐蚀图像f3,如附图4所示。
3、获取凸形。图像f3所示玉米穗横断面腐蚀图像中存在明显的凹陷,使用该图像的凸性特征,对该图求凸形,即连接指图像内部任意两点的直线均落在图像内部。求玉米穗横断面凸形图像属于二维平面的凸包问题,具体算法为:
(1)用“凸包算法”变换玉米穗横断面形状。凸包的定义为:平面的一个子集S被称为是“凸”的,当且进当对于任意两点p、q∈S,线段 都完全属于S。凸包问题可以描述为:给定一个点集P,求最小点集S,使得S构成的形状能包含P。本算法采用二维Quick Hull算法,该算法继承了快速排序分治的思想,是一个递归过程算法。该算法具有极小的常数、实现方便,在凸包上的点很密集时仍然适用,在凸包上点集随机分布时效率也很高。具体步骤如下:
① 在玉米穗横断面腐蚀图像不等于0的像素点集S中选取2个极点n1和n2,这两个极点必然在凸包上。
② 使用①中选取的两个极点n1、n2生成1条直线L,采用遍历法判断点集S中每个点落在直线L哪一侧,从而将点集S分成2个子集S1和S2。
在直线L的一侧点集S1中选取离直线距离最远的点p,分别连接p和n1、p和n2,生成新的2条直线L1和L2。点p、n1和n2组成一个三角形,三角形区域内的像素点不可能为凸包上的点,在后续计算过程中可舍去。
④ 对极点p和n1、直线L1重复步骤②和③,对极点p和n2、直线L2重复步骤②和③,直至遍历子集S1中所有点。
⑤对直线L的另一侧点集S2做类似步骤③和④的工作。
⑥ 每计算取得的最远点为最终凸包的顶点,任两个最远点之间的连线为凸包的边。
⑦ 理论上该算法的复杂度为O(KlogN),其中,N为玉米穗横断面腐蚀图像中不等于0的像素点数,K为凸包的顶点数。
(2)将附图4中落在凸包及其内部的像素点赋为白色,其余点的值保持不变,得到玉米穗横断面凸形图像f4,如附图5所示。
4、计算籽粒间隙图像。使用图像f4减去图像f3,得到两图的差异部分,也就是玉米穗横断面原始图像中的籽粒间隙图像f5,如附图6所示。
5、腐蚀后计数。具体过程如下:
(1)继续采用腐蚀算法,设置圆形结构元素的半径为5,对附图5进行腐蚀运算,以去除细小噪声,避免图像各部分的黏连,得到籽粒间隙腐蚀图像f6,见附图7。
(2)采用步骤1(3)中的方法,对图像f9进行连通域处理、并同时计数:
① 采用E(i)标记第i个不连通的玉米籽粒区域单元;
② 当检测到的图像点是0时就对该点赋值为0,当检测到的是255且其周围8联通区域内有数值不等于0时,令i=i+1,并对该点赋值n(i);
③ 重复步骤②,且当时,赋值。
④ 检测遍历所有像素点,结束,判断,否则i=i -1,重复③。
⑤这样就将將像素有相连的区域合并成一个单元,相邻单元的颜色不同,即籽粒间隙腐蚀图像连通域处理图f7,如附图8所示。且计算结束时i的值即是玉米穗籽粒行数,输出i作为行数统计结果。
采用上述的检测步骤1至5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
本发明与现有技术相比,具有实时、高效、客观、准确、高效和无损伤等显著优点。
Claims (1)
1.一种基于玉米穗凸性特征的玉米穗行数自动检测算法,有如下步骤:
第一步:玉米穗横断面照片的获取
将玉米穗横断面放在黑色背景上,在它上方加上环形光源,摄像机在环形光源正中、玉米穗横断面正上进行拍摄获取原图图像f1;
其特征在于,
第二步:对图像f1进行图像分割
将图像f1转换为灰度图像,以减少处理过程中的数据量;之后用边缘检测函数和内部区域填充法,检测出清晰地玉米穗图像边缘,边缘及内部用白色来表示,其余部分用黑色来表示,得到玉米穗横断面特征图像f2;
第三步:对图像f2进行腐蚀
使用一个半径为100圆形结构元素去扫描图像中的每一个像素,用结构元素与其覆盖的二值图像做“与”操作,从而腐蚀图像f2中前景色区域的边缘,使得前景图像区域变小,背景区域被放大,具有收缩图像的作用;腐蚀之后,图像边界向内收缩,得到玉米穗横断面腐蚀图像f3;
第四步:图像f3所示玉米穗横断面腐蚀图像中存在明显的凹陷,使用该图像的凸性特征,对该图求凸形;求玉米穗横断面凸形图像属于二维平面的凸包问题,本算法采用二维Quick Hull算法获取图像f3中不等于黑色的像素点集的凸包,落在凸包及其内部的像素点赋值为白色,使凸包边界和内部显示白色,其余点的值保持不变,得到玉米穗横断面凸形图像f4;
第五步:使用图像f4减去图像f3,得到两图的差异部分,即玉米穗横断面原始图像中的籽粒间隙图像f5;
第六步:腐蚀后计数
采用第三步中的腐蚀算法,对图像f5进行腐蚀运算,以去除细小噪声,避免图像各部分的黏连,得到籽粒间隙腐蚀图像f6;采用8联通邻域法方法,对图像f6进行连通域处理,得到图像f7,并同时统计像素点的值不等于0的联通单元的个数;统计得到的f7中联通单元的个数即是玉米穗籽粒行数,并在检测系统中进行显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510291734.4A CN104881652B (zh) | 2015-06-01 | 2015-06-01 | 一种基于玉米穗凸性特征的行数自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510291734.4A CN104881652B (zh) | 2015-06-01 | 2015-06-01 | 一种基于玉米穗凸性特征的行数自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104881652A true CN104881652A (zh) | 2015-09-02 |
CN104881652B CN104881652B (zh) | 2018-02-27 |
Family
ID=53949139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510291734.4A Expired - Fee Related CN104881652B (zh) | 2015-06-01 | 2015-06-01 | 一种基于玉米穗凸性特征的行数自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104881652B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654173A (zh) * | 2016-01-06 | 2016-06-08 | 大连海洋大学 | 工业螺母区域标定与个数检测方法 |
CN108764294A (zh) * | 2018-04-28 | 2018-11-06 | 青岛农业大学 | 基于玉米果穗对称性的行数自动检测方法 |
CN112734689A (zh) * | 2020-12-16 | 2021-04-30 | 广州大学 | 垫片质量检测方法、系统、装置和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8391565B2 (en) * | 2010-05-24 | 2013-03-05 | Board Of Trustees Of The University Of Arkansas | System and method of determining nitrogen levels from a digital image |
CN103500458A (zh) * | 2013-09-06 | 2014-01-08 | 李静 | 一种玉米穗行数自动检测方法 |
-
2015
- 2015-06-01 CN CN201510291734.4A patent/CN104881652B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8391565B2 (en) * | 2010-05-24 | 2013-03-05 | Board Of Trustees Of The University Of Arkansas | System and method of determining nitrogen levels from a digital image |
CN103500458A (zh) * | 2013-09-06 | 2014-01-08 | 李静 | 一种玉米穗行数自动检测方法 |
Non-Patent Citations (3)
Title |
---|
LIU JIA.ETC: "Recognition of Corn Acreage in Jilin Province Based on Mixed Pixels Decomposition", 《 AGRO-GEOINFORMATICS (AGRO-GEOINFORMATICS)》 * |
李永锋等: "基于数学形态学的粘连大米籽粒分割研究", 《农业网络信息》 * |
李静等: "基于机器视觉的玉米穗行数自动检测算法设计", 《电子产品世界》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654173A (zh) * | 2016-01-06 | 2016-06-08 | 大连海洋大学 | 工业螺母区域标定与个数检测方法 |
CN105654173B (zh) * | 2016-01-06 | 2018-04-17 | 大连海洋大学 | 工业螺母区域标定与个数检测方法 |
CN108764294A (zh) * | 2018-04-28 | 2018-11-06 | 青岛农业大学 | 基于玉米果穗对称性的行数自动检测方法 |
CN108764294B (zh) * | 2018-04-28 | 2021-04-30 | 青岛农业大学 | 基于玉米果穗对称性的行数自动检测方法 |
CN112734689A (zh) * | 2020-12-16 | 2021-04-30 | 广州大学 | 垫片质量检测方法、系统、装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104881652B (zh) | 2018-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114723701A (zh) | 基于计算机视觉的齿轮缺陷检测方法和系统 | |
CN101226108B (zh) | 一种雾滴分布均匀度的检测方法 | |
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 | |
CN109255757B (zh) | 一种机器视觉自然放置葡萄串果梗区域分割方法 | |
CN103020970B (zh) | 玉米果穗图像籽粒分割方法 | |
CN107478657A (zh) | 基于机器视觉的不锈钢表面缺陷检测方法 | |
CN104156951B (zh) | 一种针对支气管肺泡灌洗液涂片的白细胞检测方法 | |
CN108960011B (zh) | 部分遮挡的柑橘果实图像识别方法 | |
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 | |
CN110288561A (zh) | 基于频率域滤波增强的耐火砖表面划痕识别方法 | |
CN110687121B (zh) | 一种陶瓦智能在线检测与自动分级方法和系统 | |
CN103426164A (zh) | 基于Opencv图像分析的扇贝尺寸计算方法和扇贝分拣系统 | |
Feng et al. | A separating method of adjacent apples based on machine vision and chain code information | |
CN105865329A (zh) | 基于视觉的成捆圆钢端面中心坐标的获取系统和方法 | |
CN102930547A (zh) | 风力传送条件下棉花异性纤维图像在线分割方法及系统 | |
CN102393902A (zh) | 基于h_s二维直方图和区域颜色匹配的车辆颜色检测方法 | |
CN117392469B (zh) | 基于机器视觉的钙钛矿电池表面涂膜检测方法及系统 | |
CN112884880B (zh) | 一种基于线激光的蜜柚三维建模装置和方法 | |
CN104881652A (zh) | 一种基于玉米穗凸性特征的行数自动检测算法 | |
CN115266732B (zh) | 基于机器视觉的碳纤维丝束缺陷检测方法 | |
CN106872473A (zh) | 一种基于机器视觉的马铃薯缺陷检测识别系统设计 | |
CN107742285B (zh) | 在机砂轮磨削层厚度检测方法 | |
CN104992448B (zh) | 机器人防损伤采摘葡萄的自动定位方法 | |
CN103177244B (zh) | 水下显微图像中快速检测目标生物的方法 | |
CN103500458A (zh) | 一种玉米穗行数自动检测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180227 Termination date: 20190601 |
|
CF01 | Termination of patent right due to non-payment of annual fee |