CN105574853A - 一种基于图像识别的麦穗粒数计算的方法及系统 - Google Patents
一种基于图像识别的麦穗粒数计算的方法及系统 Download PDFInfo
- Publication number
- CN105574853A CN105574853A CN201510908234.0A CN201510908234A CN105574853A CN 105574853 A CN105574853 A CN 105574853A CN 201510908234 A CN201510908234 A CN 201510908234A CN 105574853 A CN105574853 A CN 105574853A
- Authority
- CN
- China
- Prior art keywords
- wheat
- image
- grain number
- number per
- per spike
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像识别的麦穗粒数计算的方法,包括以下步骤:S1、获取麦田图像,并对麦田图像进行灰度处理;S2、根据麦田图像截取麦穗图像,并将麦穗图像竖直排列,每一个麦穗图像仅包含一棵麦穗;S3、设置经验阈值;S4、计算麦穗图像的纹理特征,并根据经验阈值对麦穗图像进行分割,获得分割图像,分割图像中,麦穗粒与背景区别显示;S5、根据分割图像统计麦穗粒数。本发明根据实时获取的图像截取的麦穗图像,然后自动计算麦穗的粒数,为小麦产量估计提供了一种更快速的、智能的方法,有利于更精确地对小麦的产量进行估计,更清楚的了解小麦生长情况。
Description
技术领域
本发明涉及智能农业技术领域,尤其涉及一种基于图像识别的麦穗粒数计算的方法及系统。
背景技术
随着农业物联网技术的快速发展,农业物联网育种技术,作为一个重要发展方向受到广泛重视,影响了国民经济的发展和人民群众的正常生活。在育种技术中小麦是一种最为关键的作物,所以小麦的产量作为衡量小麦品种的优劣的重要技术指标而显得十分重要。
图像处理的方法,作为自动的、快速的一种处理方法,在十分广泛的领域得到应用,农业物联网要对培育田的数据进行实时监测,所以图像处理的方法必然是其最为重要的一种方法。
但是,常规的做法仅限于监控,没能更好的发挥获取的图像数据的作用,本文采取图像处理技术提出一种智能的计算麦穗粒数的方法,以期用于小麦产量的估计上。
发明内容
基于背景技术存在的技术问题,本发明提出了一种基于图像识别的麦穗粒数计算的方法及系统。
本发明提出的一种基于图像识别的麦穗粒数计算的方法,包括以下步骤:
S1、获取麦田图像,并对麦田图像进行灰度处理;
S2、根据麦田图像截取麦穗图像,并将麦穗图像竖直排列,每一个麦穗图像仅包含一棵麦穗;
S3、设置经验阈值;
S4、计算麦穗图像的纹理特征,并根据经验阈值对麦穗图像进行分割,获得分割图像,分割图像中,麦穗粒与背景区别显示;
S5、根据分割图像统计麦穗粒数。
优选地,步骤S1中,麦田图像由多个麦田区域图像拼接而成。
优选地,步骤S2包括以下分步骤:
S21、根据麦田图像截取麦穗图像,每一个麦穗图像仅包含一棵麦穗;
S22、对非竖直排列的麦穗图像进行旋转;
S23、将所有麦穗图像竖直排列。
优选地,步骤S21中,手动从麦田图像截取麦穗图像。
优选地,步骤S4具体包括以下分步骤:
S41、根据麦穗图像获取分形维图;
S42、将分形维图的每个像素分别与经验阈值比较,并根据比较结果和麦穗图像获得分割图像。
优选地,步骤S42具体为:将分形维图的每个像素分别与经验阈值比较,大于经验阈值,则保留麦穗图像中对应的像素的原灰度值,小于经验阈值,则将麦穗图像对应的像素置零。
优选地,经验阈值可在区间[2,3]上取值。
优选地,步骤S5包括以下分步骤:
S51、遍历分割图像的列,选取可靠列;可靠列中,当列波形在预设平均值处水平截取时可得到至少S个波宽不小于W的凸起波峰;优选地,S=5,W=10mm;
S52、统计各可靠列中凸起波峰宽度的总和,并获取可靠列中波峰宽度的中值,总和除以中值获得对应的列粒数估计值;
S53、集合所有可靠列的列粒数估计值形成粒数估计向量;
S54、求取列粒数估计向量的平均值作为单侧麦穗粒数;
S55、单侧麦穗粒数乘以4获得麦穗粒数。
优选地,步骤S54具体为:去掉粒数估计向量中的最大值和最小值,求取列粒数估计向量的平均值作为单侧麦穗粒数。
一种基于图像识别的麦穗粒数计算系统,包括:网络摄像头、视频监控模块和麦穗粒数计算模块;其中,网络摄像头用于拍摄麦田图像,视频监控模块与网络摄像头连接,其获取麦田图像,且可调整网络摄像头拍摄姿态;麦穗粒数计算模块连接视频监控模块,其根据麦田图像截取麦穗图像,并对麦穗图像进行竖直排列,然后对麦穗图像进行处理,生成麦穗粒与背景区别显示的分割图像,并根据分割图像统计麦穗粒数。
本发明提供的基于图像识别的麦穗粒数计算的方法和系统中,可通过网络摄像头或者其他方式,远程获取麦田图像,根据麦田图像截取麦穗图像,并将麦穗图像竖直排列,每一个麦穗图像仅包含一棵麦穗,然后计算麦穗图像的纹理特征,并根据经验阈值对麦穗图像进行分割,获得分割图像,分割图像中,麦穗粒与背景区别显示,最后根据分割图对麦穗粒数进行统计。
本发明根据实时获取的图像截取的麦穗图像,然后自动计算麦穗的粒数,为小麦产量估计提供了一种更快速的、智能的方法,有利于更精确地对小麦的产量进行估计,更清楚的了解小麦生长情况。
附图说明
图1为本发明提出的一种基于图像识别的麦穗粒数计算的方法流程图;
图2为分割图示意图;
图3为列数据波形示意图。
具体实施方式
参照图1,本发明提出的一种基于图像识别的麦穗粒数计算的方法,包括以下步骤:
S1、获取麦田图像,并对麦田图像进行灰度处理。麦田图像可由多个麦田区域图像拼接而成,例如通过在麦田设置多个网络摄像头获取麦田区域图像,然后根据坐标或其他标示对麦田区域图像进行拼接,获得麦田图像。
S21、根据麦田图像截取麦穗图像,每一个麦穗图像仅包含一棵麦穗。
S22、对非竖直排列的麦穗图像进行旋转,使得非竖直排列的麦穗图像竖直排列。
S23、将所有麦穗图像竖直排列。
本实施方式中,可先行截取麦穗图像,即对麦田图像进行分解,然后仅将非竖直排列的麦穗图像进行旋转,使得其竖直排列。本实施方式中,还可通过旋转麦田图像,直接截取竖直排列的麦穗图像,从而直接使获得的麦穗图像全部竖直排列。本实施方式中,麦穗图像的截取,可手动进行,例如手动选取矩形截图工具从麦田图像截取麦穗图像,具体实施时,还可以设置自动截图工具,例如根据麦穗边界色彩的变化,直接截取麦穗图像。
S3、设置经验阈值。经验阈值可在区间[2,3]上取值。
S41、根据麦穗图像获取分形维图。例如,通过盒子维算法对麦穗图像进行分形纹理计算,从而获得分形维图。
S42、将分形维图的每个像素分别与经验阈值比较,并根据比较结果和麦穗图像获得分割图像。具体的,当分形维图的像素大于经验阈值,则保留麦穗图像中对应的像素的原灰度值,当分形维图的像素小于经验阈值,则将麦穗图像对应的像素置零。如此,通过对背景像素置零,可将麦穗粒与背景区别显示,使得分割图中,麦穗粒突出显示。
S51、遍历分割图像的列,选取可靠列。可靠列中,当列波形在预设平均值处水平截取时可得到至少S个波宽不小于W的凸起波峰。本实施方式中,S=5,W=10WW;具体实施时,也可根据需要对S、W进行取值,例如S在区间【2,10】上取任意正整数,W可根据麦穗品种颗粒大小取值,例如小颗粒麦穗则取值2WW,大颗粒麦穗则取值10WW。
S52、统计各可靠列中凸起波峰宽度的总和,并获取可靠列中波峰宽度的中值,总和除以中值获得对应的列粒数估计值。本实施方式中,由于前期将麦穗图像竖直排列,故而,任意一个麦穗粒都可看做一个凸起的波峰。
S53、集合所有可靠列的列粒数估计值形成粒数估计向量。
S54、求取列粒数估计向量的平均值作为单侧麦穗粒数;本实施方式中,为了减小计算误差,去掉粒数估计向量中的最大值和最小值,求取列粒数估计向量的平均值作为单侧麦穗粒数。
S55、单侧麦穗粒数乘以4获得麦穗粒数。
以下结合一个具体的实施例对步骤S51到S55做进一步解释。
图2所示为一个实际的分割图,其数据是一个矩阵形式,对其取一个列数据转化为向量,可得到如下所示组数:
[123,54,154,66,85,154,4,145,65,165,4,254,254,74,54,108,114,33,223,10,188]
其图形如图3所示,图3中,水平方向位置就是1、2、3……,竖直方向就是数组中的对应位置的数值。
图3中以直线连接各个散点形成一个波,直线1就是这组数预设平均值处的截取线,然后双箭头表示的就是截取得到的波宽L,记录所有截取到的波宽并求和获得M,再求出去掉最大最小波宽后数据的中值(m),然后这一列数据估计麦穗粒数就是:n=M/m,然后用所有列估计的n再进行更准确的估计麦穗粒数。图3中,UsableArray:表示取的列数为19;Count:表示估计得粒数为6.3571个;Val:表示截取水平线为24.2492。
本发明提供的基于图像识别的麦穗粒数计算系统包括:网络摄像头、视频监控模块和麦穗粒数计算模块。
网络摄像头安装在麦田中,其用于拍摄麦田图像。视频监控模块与网络摄像头连接,其获取网络摄像头拍摄的麦田图像。且本实施方式中,可通过视频监控模块调整网络摄像头拍摄姿态,实现对网络摄像头的远程操作。
麦穗粒数计算模块连接视频监控模块,其根据麦田图像截取麦穗图像,并对麦穗图像进行竖直排列,然后对麦穗图像进行处理。具体地,麦穗粒数计算模块内预设经验阈值,其对麦穗图像进行纹理特征计算获得分形维图,然后结合分形维图和经验阈值对麦穗图像进行处理,生成麦穗粒与背景区别显示的分割图像,并根据分割图像统计麦穗粒数。本实施方式提供的基于图像识别的麦穗粒数计算系统根据分割图像统计麦穗粒数的具体实施方式可参照步骤S51至S55。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于图像识别的麦穗粒数计算的方法,其特征在于,包括以下步骤:
S1、获取麦田图像,并对麦田图像进行灰度处理;
S2、根据麦田图像截取麦穗图像,并将麦穗图像竖直排列,每一个麦穗图像仅包含一棵麦穗;
S3、设置经验阈值;
S4、计算麦穗图像的纹理特征,并根据经验阈值对麦穗图像进行分割,获得分割图像,分割图像中,麦穗粒与背景区别显示;
S5、根据分割图像统计麦穗粒数。
2.如权利要求1所述的基于图像识别的麦穗粒数计算的方法,其特征在于,步骤S1中,麦田图像由多个麦田区域图像拼接而成。
3.如权利要求1所述的基于图像识别的麦穗粒数计算的方法,其特征在于,步骤S2包括以下分步骤:
S21、根据麦田图像截取麦穗图像,每一个麦穗图像仅包含一棵麦穗;
S22、对非竖直排列的麦穗图像进行旋转;
S23、将所有麦穗图像竖直排列。
4.如权利要求3所述的基于图像识别的麦穗粒数计算的方法,其特征在于,步骤S21中,手动从麦田图像截取麦穗图像。
5.如权利要求1所述的基于图像识别的麦穗粒数计算的方法,其特征在于,步骤S4具体包括以下分步骤:
S41、根据麦穗图像获取分形维图;
S42、将分形维图的每个像素分别与经验阈值比较,并根据比较结果和麦穗图像获得分割图像。
6.如权利要求5所述的基于图像识别的麦穗粒数计算的方法,其特征在于,步骤S42具体为:将分形维图的每个像素分别与经验阈值比较,大于经验阈值,则保留麦穗图像中对应的像素的原灰度值,小于经验阈值,则将麦穗图像对应的像素置零。
7.如权利要求1所述的基于图像识别的麦穗粒数计算的方法,其特征在于,经验阈值可在区间[2,3]上取值。
8.如权利要求1所述的基于图像识别的麦穗粒数计算的方法,其特征在于,步骤S5包括以下分步骤:
S51、遍历分割图像的列,选取可靠列;可靠列中,当列波形在预设平均值处水平截取时可得到至少S个波宽不小于W的凸起波峰;优选地,S=5,W=10mm;
S52、统计各可靠列中凸起波峰宽度的总和,并获取可靠列中波峰宽度的中值,总和除以中值获得对应的列粒数估计值;
S53、集合所有可靠列的列粒数估计值形成粒数估计向量;
S54、求取列粒数估计向量的平均值作为单侧麦穗粒数;
S55、单侧麦穗粒数乘以4获得麦穗粒数。
9.如权利要求8所述的基于图像识别的麦穗粒数计算的方法,其特征在于,步骤S54具体为:去掉粒数估计向量中的最大值和最小值,求取列粒数估计向量的平均值作为单侧麦穗粒数。
10.一种基于图像识别的麦穗粒数计算系统,其特征在于,包括:网络摄像头、视频监控模块和麦穗粒数计算模块;其中,网络摄像头用于拍摄麦田图像,视频监控模块与网络摄像头连接,其获取麦田图像,且可调整网络摄像头拍摄姿态;麦穗粒数计算模块连接视频监控模块,其根据麦田图像截取麦穗图像,并对麦穗图像进行竖直排列,然后对麦穗图像进行处理,生成麦穗粒与背景区别显示的分割图像,并根据分割图像统计麦穗粒数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510908234.0A CN105574853B (zh) | 2015-12-07 | 2015-12-07 | 一种基于图像识别的麦穗粒数计算的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510908234.0A CN105574853B (zh) | 2015-12-07 | 2015-12-07 | 一种基于图像识别的麦穗粒数计算的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105574853A true CN105574853A (zh) | 2016-05-11 |
CN105574853B CN105574853B (zh) | 2018-05-15 |
Family
ID=55884944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510908234.0A Expired - Fee Related CN105574853B (zh) | 2015-12-07 | 2015-12-07 | 一种基于图像识别的麦穗粒数计算的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105574853B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023235A (zh) * | 2016-06-15 | 2016-10-12 | 哈尔滨师范大学 | 一种农作物有效籽粒个数测量的方法 |
CN109863530A (zh) * | 2016-10-19 | 2019-06-07 | 巴斯夫农化商标有限公司 | 确定谷穗的谷粒重量 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140023243A1 (en) * | 2012-07-23 | 2014-01-23 | Dow Agrosciences Llc | Kernel counter |
CN103632157A (zh) * | 2012-08-24 | 2014-03-12 | 南京农业大学 | 单株小麦穗部籽粒数计数方法 |
CN103810522A (zh) * | 2014-01-08 | 2014-05-21 | 中国农业大学 | 一种玉米果穗籽粒计数方法和装置 |
CN105115469A (zh) * | 2015-07-29 | 2015-12-02 | 华中农业大学 | 水稻稻穗表型参数自动测量和穗重预测方法 |
-
2015
- 2015-12-07 CN CN201510908234.0A patent/CN105574853B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140023243A1 (en) * | 2012-07-23 | 2014-01-23 | Dow Agrosciences Llc | Kernel counter |
CN103632157A (zh) * | 2012-08-24 | 2014-03-12 | 南京农业大学 | 单株小麦穗部籽粒数计数方法 |
CN103810522A (zh) * | 2014-01-08 | 2014-05-21 | 中国农业大学 | 一种玉米果穗籽粒计数方法和装置 |
CN105115469A (zh) * | 2015-07-29 | 2015-12-02 | 华中农业大学 | 水稻稻穗表型参数自动测量和穗重预测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023235A (zh) * | 2016-06-15 | 2016-10-12 | 哈尔滨师范大学 | 一种农作物有效籽粒个数测量的方法 |
CN106023235B (zh) * | 2016-06-15 | 2018-09-18 | 哈尔滨师范大学 | 一种农作物有效籽粒个数测量的方法 |
CN109863530A (zh) * | 2016-10-19 | 2019-06-07 | 巴斯夫农化商标有限公司 | 确定谷穗的谷粒重量 |
Also Published As
Publication number | Publication date |
---|---|
CN105574853B (zh) | 2018-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN110148093B (zh) | 一种基于暗通道先验的图像去雾改进方法 | |
CN104200193A (zh) | 一种果树产量估测方法及装置 | |
WO2021139197A1 (zh) | 一种图像处理方法及装置 | |
CN104361330A (zh) | 一种玉米精准施药系统的作物行识别方法 | |
CN114066842A (zh) | 穗头数统计方法、系统、装置及存储介质 | |
CN108323389A (zh) | 水稻插秧机的插秧秧苗株距与穴秧苗数的检测方法和装置 | |
CN112614147A (zh) | 一种基于rgb影像的作物苗期植株密度估算的方法及系统 | |
CN111639575A (zh) | 除草耕深调节方法、装置、系统、计算机设备及存储介质 | |
CN115661650A (zh) | 一种基于物联网数据监测的农场管理系统 | |
CN112734083A (zh) | 一种基于机器视觉的水稻收割机路径规划控制系统 | |
CN105574853A (zh) | 一种基于图像识别的麦穗粒数计算的方法及系统 | |
CN115687850A (zh) | 一种农田的灌溉需水量计算方法及装置 | |
CN112115988A (zh) | 一种麦穗计数方法、装置及自行走小车 | |
CN117079270A (zh) | 一种基于机器视觉智能识别和定位蘑菇的采摘方法与装置 | |
CN117197595A (zh) | 基于边缘计算的果树生育期识别方法、装置及管理平台 | |
KR102040562B1 (ko) | 영상정보를 활용한 시정거리 추정 방법 | |
CN107527367A (zh) | 一种基于双目相机的棉花识别及定位方法 | |
CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 | |
CN116778550A (zh) | 施工区域的人员追踪方法、装置、设备以及存储介质 | |
CN113989509B (zh) | 基于图像识别的农作物虫害检测方法、检测系统及设备 | |
Habib et al. | Wavelet frequency transformation for specific weeds recognition | |
CN112418112A (zh) | 一种果园病虫害监测预警方法及系统 | |
Chen et al. | Measurement of the distance from grain divider to harvesting boundary based on dynamic regions of interest |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180515 Termination date: 20191207 |