CN106898010A - 颗粒拷种的方法及装置 - Google Patents
颗粒拷种的方法及装置 Download PDFInfo
- Publication number
- CN106898010A CN106898010A CN201710117999.1A CN201710117999A CN106898010A CN 106898010 A CN106898010 A CN 106898010A CN 201710117999 A CN201710117999 A CN 201710117999A CN 106898010 A CN106898010 A CN 106898010A
- Authority
- CN
- China
- Prior art keywords
- sample particle
- particle
- grain
- image
- profile
- 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.)
- Pending
Links
Classifications
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20116—Active contour; Active surface; Snakes
-
- 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
- Image Processing (AREA)
Abstract
本发明提供了一种颗粒拷种的方法及装置,涉及种子检测技术领域。该颗粒拷种的方法包括:获取种子颗粒对应的原始图像;根据所述原始图像获取包括种子颗粒的轮廓信息的图像;确定所述包括种子颗粒的轮廓信息的图像中为单粒轮廓的积极样本颗粒以及非单粒轮廓的消极样本颗粒;将所述包括种子颗粒的轮廓信息的图像中的消极样本颗粒切割为积极样本颗粒;根据所有积极样本颗粒的轮廓参数确定所述原始图像对应的种子的信息。该方法简单,无需要求高质量的种子图像,能较好的实现颗粒拷种。
Description
技术领域
本发明涉及种子检测技术领域,具体而言,涉及一种颗粒拷种的方法及装置。
背景技术
在农业中,水稻、小麦、玉米等农作物的种子是人类粮食、牲畜饲料以及工业原料的重要来源。而种子的质量很大程度上决定了这些农作物的收成。因此,拷种成了农业众多实验中重要的一环,尤其是在筛选形状和育种阶段,对种子进行枯燥的数粒和测量占据了农业实验者大量的宝贵时间。随着科技的快速进步,数粒仪的出现使原始的大量人工数粒的落后工作方式被淘汰。早期国内农业相关部门也推广了各种数粒仪器应用于中国农业科研工作者的育种选种过程中,为农业的研究水平提高、效率提升等做了贡献。
目前的数粒仪器主要分为三类:物理式光电数粒仪和软硬件结合式智能数粒仪。物理式广电数粒仪工作原理为:仪器工作由微电脑芯片控制,配以薄膜式按键操作。电磁振动盒使种子逐粒排队送料。落入光电转换槽后形成光电脉动,经放大整形倒相后送入计数电路,以LED数码管显示读数。软硬件结合式智能数粒仪工作原理为:待测种子放置在电磁震动工作台上,经震动后使种子较均匀平铺,为了提高准确率,应尽量避免种子之间重叠。固定在电磁震动工作台上的摄像头在良好的LED光源的光照条件下对平铺后的种子进行图像拍摄,模拟信号的图像数据经图像采集卡进行模数转换成数字图像数据后传递给PC机;在PC机上,基于虚拟仪器软件开发平台及其强大的图像处理功能软件包进行机器视觉数种系统软件开发,数字图像数据通过该软件进行图像处理、分析等操作后得出测量结果,并在显示器上显示出来。
目前的这两种数粒仪器都存在对样品质量要求较高且速度较慢等问题。软硬件结合式智能数粒仪对获取的种子图像的质量要求严格,因此对于图像质量一般的的种子图像不能较好的处理,容易造成误差。
发明内容
有鉴于此,本发明实施例提供了一种颗粒拷种的方法及装置,获取种子图像再经过处理后对图像中的种子进行分类,得到积极样本颗粒以及消极样本颗粒,再对消极样本颗粒进行切割后得到所有积极样本颗粒,从而得到图像中种子的数目以及参数。
为了实现上述目的,本发明采用的技术方案如下:
一种颗粒拷种的方法,所述颗粒拷种的方法包括:获取种子颗粒对应的原始图像;根据所述原始图像获取包括种子颗粒的轮廓信息的图像;确定所述包括种子颗粒的轮廓信息的图像中为单粒轮廓的积极样本颗粒以及非单粒轮廓的消极样本颗粒;将所述包括种子颗粒的轮廓信息的图像中的消极样本颗粒切割为积极样本颗粒;根据所有积极样本颗粒的轮廓参数确定所述原始图像对应的种子的信息。
一种颗粒拷种的装置,所述颗粒拷种的装置包括:图像采集模块、预处理模块、样本划分模块、样本处理模块以及信息统计模块,其中:所述图像采集模块用于获取种子颗粒对应的原始图像;所述预处理模块用于根据所述原始图像获取包括种子颗粒的轮廓信息的图像;所述样本划分模块用于确定所述包括种子颗粒的轮廓信息的图像中为单粒轮廓的积极样本颗粒以及非单粒轮廓的消极样本颗粒;所述样本处理模块用于将所述包括种子颗粒的轮廓信息的图像中的消极样本颗粒切割为积极样本颗粒;所述信息统计模块用于根据所有积极样本颗粒的轮廓参数确定所述原始图像对应的种子的信息。
本发明实施例提供了一种颗粒拷种的方法及装置,该颗粒拷种的方法获取种子颗粒对应图像后,得到种子颗粒的轮廓信息,再根据种子颗粒的轮廓信息将种子颗粒分为积极样本颗粒以及消极样本颗粒,然后对得到的消极样本颗粒进行切割为积极样本颗粒,因此得到所有的积极样本颗粒,最后确定出种子颗粒信息。从而能较好的解决现有技术中对图像质量要求高而无法较好处理一般质量图像的问题。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
图1示出了本发明实施例提供的计算机的结构示意图;
图2示出了本发明第一实施例提供的颗粒拷种的方法的流程图;
图3示出了本发明第一实施例提供的种子颗粒对应的原始图像;
图4示出了本发明第一实施例提供的颗粒拷种的方法的步骤S110的流程图;
图5示出了图3对应的边缘细节二值图;
图6示出了图3对应的内部细节二值图;
图7示出了图3对应的蒙版图像的二值图;
图8示出了图7对应的包括种子颗粒的轮廓信息的图像;
图9示出了本发明第一实施例提供的颗粒拷种的方法的步骤S120的流程图;
图10示出了图8中的积极样本颗粒对应的图像;
图11示出了本发明第一实施例提供的颗粒拷种的方法的步骤S130的流程图;
图12示出了图8中的根据凹点进行切割的消极样本颗粒的图像;
图13示出了图8中的利用拐点组合的切割线进行切割的消极样本颗粒的图像;
图14示出了本发明第二实施例提供的颗粒拷种的装置的功能模块图;
图15示出了本发明第二实施例提供的颗粒拷种的装置的样本划分模块的功能模块图;
图16示出了本发明第二实施例提供的颗粒拷种的装置的样本处理模块的功能模块图;
图17示出了本发明第二实施例提供的颗粒拷种的装置的预处理模块的功能模块图。
具体实施方式
下面将结合本发明实施例中附图,对本发明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发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
如图1所示,是本申请实施例提供的计算机100的方框示意图。所述计算机100包括颗粒拷种的装置200、存储器101、存储控制器102、处理器103、外设接口104、显示单元105及其他。
所述存储器101、存储控制器102、处理器103、外设接口104各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述颗粒拷种的装置200包括至少一个可以软件或固件(firmware)的形式存储于所述存储器101中或固化在所述计算机100的操作系统(operating system,OS)中的软件功能模块。所述处理器103用于执行存储器101中存储的可执行模块,例如所述颗粒拷种的装置200包括的软件功能模块或计算机程序。
其中,存储器101可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器101用于存储程序,所述处理器103在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的计算机100所执行的方法可以应用于处理器103中,或者由处理器103实现。
处理器103可能是一种集成电路芯片,具有信号的处理能力。上述的处理器103可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器103也可以是任何常规的处理器等。
所述外设接口104将各种输入/输出装置耦合至处理器103以及存储器101。在一些实施例中,外设接口104,处理器103以及存储控制器102可以在单个芯片中实现。在其他一些实例中,他们可以分别由独立的芯片实现。
显示单元105在所述计算机100与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中,所述显示单元105可以是液晶显示器或触控显示器。若为触控显示器,其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自触控显示器上一个或多个位置处同时产生的触控操作,并将该感应到的触控操作交由处理器103进行计算和处理。
可以理解的,图1所示的结构仅为示意,计算机100还可以包括比图1中所示更多或更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
第一实施例
本发明第一实施例提供了一种颗粒拷种的方法,通过对种子颗粒对应的图像进行提取种子颗粒的轮廓之后,将种子颗粒分类为积极样本颗粒以及消极样本颗粒,再对消极样本颗粒进行切割后得到所有的积极样本颗粒,从而确定出所有积极样本颗粒的种子颗粒的信息。
请参见图2,该颗粒拷种的方法包括:
步骤S100:获取种子颗粒对应的原始图像。
具体的,对种子颗粒对应的原始图像进行获取可以是获取用户输入的种子颗粒对应的原始图像,也可以是控制成像设备对种子颗粒进行成像,再转换为数字信号传输至计算机100。
在本发明第一实施例中,种子颗粒对应的原始图像的形成可以是:在一块背景板上铺有适量的种子颗粒,优选的,背景板使用深色亚光材料,例如使用专业摄影背景布。并且背景板的颜色与待检测种子颗粒的色差较大,例如,种子颗粒为谷类颗粒时采用黑色背景板,如图3所示。成像设备对背景板上的种子颗粒进行成像,从而获取到种子颗粒对应的原始图像。
步骤S110:根据所述原始图像获取包括种子颗粒的轮廓信息的图像。
具体的,请参见图4,步骤S110包括:
步骤S111:确定所述原始图像对应的蒙版图像的二值图。
在本发明实施例中,确定所述原始图像对应的蒙版图像的二值图包括:
对所述原始图像进行灰度处理,得到灰度图。对原始图像进行灰度处理以便于减少数据量和提高处理速度。
获取到灰度图后,再对所述灰度图进行背景处理,获取到所述原始图像对应的边缘细节二值图,如图5所示为图3对应的边缘细节二值图。并且,对所述灰度图进行自适应二值化处理,获取到所述原始图像对应的内部细节二值图,如图6所示为图3对应的内部细节二值图。
具体的,对所述灰度图进行背景处理可以是:计算所述灰度图中每个像素与目标背景色之间的距离,从而得到颜色距离,再判断颜色距离是否在允许颜色距离之内,从而可以判断出属于背景类的像素点以及非背景类的像素点。在本发明实施例中,可以将属于背景类的像素点置为黑色,将属于非背景类的像素点置为白色,得到所述原始图像对应的边缘细节二值图。当然,获取所述原始图像对应的边缘细节二值图的方法在本发明实施例中并不作为限定。
对所述灰度图进行自适应二值化处理可以是:自适应二值化处理的方法可以是取某个阈值使得前景和背景两类的类间方差最大,然后根据此阈值进行二值分割。当然,具体的自适应二值化处理方法在本发明实施例中并不作为限定,也可以是其它方法。
在获取到所述原始图像对应的边缘细节二值图以及内部细节二值图后,再将边缘细节二值图以及内部细节二值图进行与或运算,从而获取到所述原始图像的蒙版图像的二值图,如图7所示为图3对应的蒙版图像的二值图。
步骤S112:提取所述蒙版图像的二值图中种子颗粒的轮廓,得到包括种子颗粒的轮廓信息的图像。
在本发明实施例中,对所述蒙版图像的二值图中种子颗粒轮廓的提取可以是利用边缘检测算子进行边缘的提取,然后根据种子颗粒的轮廓特点去除杂散的冗余边缘并进行边缘的修补,最终提取出种子颗粒的轮廓线,从而得到包括种子颗粒的轮廓信息的图像,如图8所示为图7对应的包括种子颗粒的轮廓信息的图像,图中种子颗粒的轮廓为白色线条。当然,在本发明实施例中,提取所述蒙版图像的二值图中种子颗粒的轮廓的方法并不作为限定。
步骤S120:确定所述包括种子颗粒的轮廓信息的图像中为单粒轮廓的积极样本颗粒以及非单粒轮廓的消极样本颗粒。
在本发明实施例中,请参见图9,步骤S120包括:
步骤S121:判断是否存在预设判定单粒规则。
在本发明实施例中,预设判定单粒规则为初步对包括种子颗粒的轮廓信息的图像中的种子颗粒进行分类的规则。具体的,预设判定单粒规则可以为种子颗粒的轮廓参数的预设范围,例如,预设判定单粒规则为种子颗粒的预设面积、预设周长以及预设拟圆度等。当然,在本发明实施例中,轮廓参数的预设范围的具体内容并不作为限定,也可以是其他内容,例如预设长度、预设宽度等。
在本发明实施例中,会有存在预设判定单粒规则以及不存在预设判定单粒规则两种情况,如果该次拷种的种子颗粒为拷种过的种子颗粒,则可能为存在预设判定单粒规则的情况。如果该次拷种的种子颗粒为未拷种过的种子颗粒,则为不存在预设判定单粒规则的情况。
步骤S122:若存在预设判定单粒规则,则通过判定单粒规则对所述包括种子颗粒的轮廓信息的图像中的种子颗粒进行划分,得到消极样本颗粒以及积极样本颗粒,若不存在预设判定单粒规则,则根据输入的轮廓信息对种子颗粒进行划分,得到消极样本颗粒以及积极样本颗粒。
在本发明实施例中,积极样本颗粒为单粒的颗粒,消极样本颗粒为非单粒的颗粒,例如噪点、多粒粘连的多个颗粒等。其中,单粒为单个的种子颗粒。
在本发明实施例中,若存在预设判定单粒规则,则可以根据预设判定单粒规则对包括轮廓新的的图像中的种子颗粒进行划分,若满足预设判定单粒规则的,则判定为积极样本颗粒;若不满足预设判定单粒规则,则判定为消极样本颗粒。
若不存在预设判定单粒规则,则根据用户输入的轮廓信息对所述包括种子颗粒的轮廓信息的图像中的种子颗粒进行划分,从而可以得到满足输入的轮廓信息的积极样本颗粒以及不满足输入的轮廓信息的消极样本颗粒。具体的,用户输入的轮廓信息可以是种子颗粒轮廓的长、宽、面积、形度以及拟圆度等信息。当种子颗粒的轮廓满足用户输入的轮廓信息时,则被判定为积极样本颗粒;当种子颗粒的轮廓不满足用户输入的轮廓信息时,则被判定为消极样本颗粒。
请参见图10,图10为对图8所示包括轮廓信息图像进行划分后得到的积极样本颗粒对应的图像。
在本发明实施例中,根据输入的轮廓信息对种子颗粒进行划分之后还包括:分析所述积极样本颗粒,得到预设判定单粒规则。
具体的,在根据用户输入的轮廓信息对所述包括种子颗粒的轮廓信息的图像进行划分后,获取到积极样本颗粒以及消极样本颗粒。再对获取到的积极样本颗粒的轮廓参数进行提取,然后对所有积极样本颗粒的轮廓参数进行分析,得出预设判定单粒规则。具体点,对所有积极样本颗粒的轮廓参数进行分析可以是对积极样本颗粒的轮廓的长度、宽度、面积、周长以及拟圆度等轮廓参数进行统计并计算均值,从而可以将是否满足轮廓参数的均值作为预设判定单粒规则。
在本发明实施例中,通过判定单粒规则对所述包括种子颗粒的轮廓信息的图像中的种子颗粒进行划分之后,还可以包括:分析所述积极样本颗粒,得到新的预设判定单粒规则。根据利用预设判定单粒规则划分得到的积极样本颗粒的轮廓参数,再对轮廓参数进行统计得到轮廓参数均值,并且把轮廓参数均值更新到预设判定单粒规则中,从而可以得到新的预设判定单粒规则。新的预设判定单粒规则与之前的预设判定单粒规则相比较,具有更高的准确度,从而对之后用于同一种种子颗粒的拷种时,能提高划分单粒颗粒的准确性。
步骤S130:将所述包括种子颗粒的轮廓信息的图像中的消极样本颗粒切割为积极样本颗粒。
在本发明实施例中,请参见图11,步骤S130包括:
步骤S131:根据所述消极样本颗粒中的凹点将所述消极样本颗粒分类为积极样本颗粒以及新的消极样本颗粒。
具体的,依次判定所述消极样本颗粒中的凹点的数目,当凹点数目为2时,沿凹点之间的连接线切割该消极样本颗粒的轮廓,得到两个轮廓,再根据预设判定规则判断是否为积极样本颗粒,得到新的积极样本颗粒。从而可以将所述消极样本颗粒分为积极样本颗粒以及新的消极样本颗粒。如图12所示为对应图8中的根据凹点进行切割的消极样本颗粒的图像,图中有多个俩俩粘连种子颗粒,此种情况下俩俩粘连的消极样本颗粒中凹点数目为2,从而根据凹点间的连接线进行切割,将俩俩粘连的消极样本颗粒切割为单粒的积极样本颗粒。
步骤S132:若无法根据所述消极样本颗粒中的凹点对所述消极样本颗粒进行分类,则根据所述新的消极样本颗粒中的拐点得到预设规则下的切割线。
若判定所述消极样本颗粒中的凹点的数目不等于2时,则无法根据所述消极样本颗粒中的凹点对所述消极样本颗粒进行分类,需要根据所述新的消极样本颗粒中的拐点得到预设规则下的切割线。具体的,将所有拐点两两组合为切割线合集,然后根据预设规则,判定切割线合集中满足预设规则的切割线。在本发明实施例中,预设规则可以为:排除切割线不在轮廓内的情况。可能排除情况有:与轮廓重叠,与轮廓相交。从而获取到用于切割所述新的消极样本颗粒的轮廓的切割线。
步骤S133:根据切割线对所述新的消极样本颗粒中的轮廓进行切割使切割后的图像中出现满足所述预设判定单粒规则的积极样本颗粒,重新确定出积极样本颗粒以及消极样本颗粒。
利用获取的切割所述新的消极样本颗粒的轮廓的切割线,对所述新的消极样本颗粒中的轮廓进行切割,然后根据预设判定单粒规则对切割后的轮廓进行判定,若判定出满足预设判定单粒规则,则将满足预设判定单粒规则的轮廓划分为积极样本颗粒。从而确定出较步骤S131时得到的消极样本颗粒,进一步的消极样本颗粒。如图13所示为图8中的利用拐点组合的切割线进行切割的消极样本颗粒的图像,图中按照消极样本颗粒中拐点组成的切割线进行切割,从而使切割后出现单粒的情况。
在本发明实施例中,若按照所有切割线对所述新的消极样本颗粒进行切割轮廓后并按预设判定单粒规则判定后,没有出现判定为积极样本颗粒的情况。则可以标记出该消极样本颗粒,并且提示用户进行判定如何进行切割,并根据切割结果得到积极样本颗粒。如不执行切割,则该消极样本颗粒中的种子颗粒个数可以由轮廓总面积除以积极样本颗粒的平均面积值来确定。
步骤S134:重复根据所述消极样本颗粒中的凹点将所述消极样本颗粒分为积极样本颗粒以及新的消极样本颗粒的步骤至根据切割线对所述消极样本颗粒中的轮廓进行切割的步骤,直至使所述包括种子颗粒的轮廓信息的图像中的消极样本颗粒数目为零或者所述消极样本颗粒无法被切割。
重复步骤S131-步骤S133,最后使所述包括种子颗粒的轮廓信息的图像中的消极样本颗粒数目为零,或者所述消极样本颗粒无法再被切割。从而可以得出所有的积极样本颗粒。
步骤S140:根据所有积极样本颗粒的轮廓参数确定所述原始图像对应的种子的信息。
根据所有的积极样本颗粒,可以得到所述种子颗粒对应的原始图像中的种子颗粒的数目。并且获取到积极样本颗粒的同时可以提取积极样本颗粒的轮廓参数,根据所有积极样本颗粒的轮廓参数可以确定出所述原始图像对应的种子颗粒的信息。例如,可以确定出每粒种子颗粒对应的长度、宽度、面积以及拟圆度等信息。从而根据种子颗粒数目以及种子颗粒的信息可以确定出拷种的结果。
本发明第一实施例提供的颗粒拷种的方法,根据种子颗粒的图像来进行轮廓为单粒颗粒的积极样本颗粒以及除积极样本颗粒以外的消极样本颗粒,再对消极样本颗粒进行切割以及分类,最后得出所有的消极样本颗粒,从而确定出种子颗粒的图像中的种子颗粒的数目以及种子颗粒的轮廓信息,即得到最后的拷种结果。该颗粒拷种的方法简单,可以满足不同场景的需求,不依赖于高质量成像设备,并且采用蒙版图像作分类以及凹点与拐点结合的方式进行切割,保证了拷种信息的真实性,以及对积极样本颗粒进行学习得到预设判定单粒规则使准确性上升。
第二实施例
本发明第二实施例提供了一种颗粒拷种的装置200,请参见图14,该颗粒拷种的装置200包括:图像采集模块210、预处理模块220、样本划分模块230、样本处理模块240以及信息确定模块250,其中:所述图像采集模块210用于获取种子颗粒对应的原始图像;所述预处理模块220用于根据所述原始图像获取包括种子颗粒的轮廓信息的图像;所述样本划分模块230用于确定所述包括种子颗粒的轮廓信息的图像中为单粒轮廓的积极样本颗粒以及非单粒轮廓的消极样本颗粒;所述样本处理模块240用于将所述包括种子颗粒的轮廓信息的图像中的消极样本颗粒切割为积极样本颗粒;所述信息确定模块250用于根据所有积极样本颗粒的轮廓参数确定所述原始图像对应的种子的信息。
在本发明实施例中,请参见图15,所述样本划分模块230包括:规则判断单元231以及划分单元232,其中:所述规则判断单元231用于判断是否存在预设判定单粒规则;所述划分单元232用于若存在预设判定单粒规则,则通过判定单粒规则对所述包括种子颗粒的轮廓信息的图像中的种子颗粒进行划分,得到消极样本颗粒以及积极样本颗粒,若不存在预设判定单粒规则,则根据输入的轮廓信息对种子颗粒进行划分,得到消极样本颗粒以及积极样本颗粒。
在本发明实施例中,请参见图16,所述样本处理模块240包括分类单元241、切割线获取单元242以及切割单元243,其中:所述分类单元241用于根据所述消极样本颗粒中的凹点将所述消极样本颗粒分类为积极样本颗粒以及新的消极样本颗粒;所述切割线获取单元242用于若无法根据所述消极样本颗粒中的凹点对所述消极样本颗粒进行分类,则根据所述新的消极样本颗粒中的拐点得到预设规则下的切割线;所述切割单元243用于根据切割线对所述新的消极样本颗粒中的轮廓进行切割使切割后的图像中出现满足所述预设判定单粒规则的积极样本颗粒,重新确定出积极样本颗粒以及消极样本颗粒。
在本发明实施例中,请参见图17,所述预处理模块220包括:蒙版确定单元221以及轮廓获取单元222,其中:所述蒙版确定单元221用于确定所述原始图像对应的蒙版图像的二值图;所述轮廓获取单元222用于提取所述蒙版图像的二值图中种子颗粒的轮廓,得到包括种子颗粒的轮廓信息的图像。
具体的,所述蒙版确定单元包括:背景处理子单元、二值化处理子单元以及二值图结合子单元,其中:所述背景处理子单元用于对所述原始图像进行背景处理,获取到所述原始图像对应的边缘细节二值图;所述二值化处理子单元用于对所述原始图像进行自适应二值化处理,获取到所述原始图像对应的内部细节二值图;所述二值图结合子单元用于将所述边缘细节二值图以及所述内部细节二值图进行结合,获取到所述原始图像的蒙版。
本发明实施例提供了一种颗粒拷种的方法及装置,该颗粒拷种的方法获取种子颗粒对应图像后,得到种子颗粒的轮廓信息,再根据种子颗粒的轮廓信息将种子颗粒分为积极样本颗粒以及消极样本颗粒,然后对得到的消极样本颗粒进行切割为积极样本颗粒,因此得到所有的积极样本颗粒,最后确定出种子颗粒信息。从而能较好的解决现有技术中对图像质量要求高而无法较好处理一般质量图像的问题。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包括一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二、另一等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包括”或者其任何其他变体意在涵盖非排他性的包括,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本发明的具体实施方式,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,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种颗粒拷种的方法,其特征在于,所述颗粒拷种的方法包括:
获取种子颗粒对应的原始图像;
根据所述原始图像获取包括种子颗粒的轮廓信息的图像;
确定所述包括种子颗粒的轮廓信息的图像中为单粒轮廓的积极样本颗粒以及非单粒轮廓的消极样本颗粒;
将所述包括种子颗粒的轮廓信息的图像中的消极样本颗粒切割为积极样本颗粒;
根据所有积极样本颗粒的轮廓参数确定所述原始图像对应的种子的信息。
2.根据权利要求1所述的方法,其特征在于,所述确定所述包括种子颗粒的轮廓信息的图像中为单粒轮廓的积极样本颗粒以及非单粒轮廓的消极样本颗粒包括:
判断是否存在预设判定单粒规则;
若存在预设判定单粒规则,则通过判定单粒规则对所述包括种子颗粒的轮廓信息的图像中的种子颗粒进行划分,得到消极样本颗粒以及积极样本颗粒,若不存在预设判定单粒规则,则根据输入的轮廓信息对种子颗粒进行划分,得到消极样本颗粒以及积极样本颗粒。
3.根据权利要求2所述的方法,其特征在于,所述根据输入的轮廓信息对种子颗粒进行划分之后还包括:分析所述积极样本颗粒,得到预设判定单粒规则。
4.根据权利要求2或3所述的方法,其特征在于,所述将所述包括种子颗粒的轮廓信息的图像中的消极样本颗粒切割为积极样本颗粒包括:
根据所述消极样本颗粒中的凹点将所述消极样本颗粒分类为积极样本颗粒以及新的消极样本颗粒;
若无法根据所述消极样本颗粒中的凹点对所述消极样本颗粒进行分类,则根据所述新的消极样本颗粒中的拐点得到预设规则下的切割线;
根据切割线对所述新的消极样本颗粒中的轮廓进行切割使切割后的图像中出现满足所述预设判定单粒规则的积极样本颗粒,重新确定出积极样本颗粒以及消极样本颗粒;
重复根据所述消极样本颗粒中的凹点将所述消极样本颗粒分为积极样本颗粒以及新的消极样本颗粒的步骤至根据切割线对所述新的消极样本颗粒中的轮廓进行切割的步骤,直至使所述包括种子颗粒的轮廓信息的图像中的消极样本颗粒数目为零或者所述消极样本颗粒无法被切割。
5.根据权利要求1所述的方法,其特征在于,所述根据所述原始图像获取包括种子颗粒的轮廓信息的图像包括:
确定所述原始图像对应的蒙版图像的二值图;
提取所述蒙版图像的二值图中种子颗粒的轮廓,得到包括种子颗粒的轮廓信息的图像。
6.根据权利要求4所述的方法,其特征在于,所述确定所述原始图像的蒙版图像的二值图包括:
对所述原始图像进行灰度处理,得到灰度图;
对所述灰度图进行背景处理,获取到所述原始图像对应的边缘细节二值图;
对所述灰度图进行自适应二值化处理,获取到所述原始图像对应的内部细节二值图;
将所述边缘细节二值图以及所述内部细节二值图进行结合,获取到所述原始图像的蒙版图像的二值图。
7.一种颗粒拷种的装置,其特征在于,所述颗粒拷种的装置包括:图像采集模块、预处理模块、样本划分模块、样本处理模块以及信息确定模块,其中:
所述图像采集模块用于获取种子颗粒对应的原始图像;
所述预处理模块用于根据所述原始图像获取包括种子颗粒的轮廓信息的图像;
所述样本划分模块用于确定所述包括种子颗粒的轮廓信息的图像中为单粒轮廓的积极样本颗粒以及非单粒轮廓的消极样本颗粒;
所述样本处理模块用于将所述包括种子颗粒的轮廓信息的图像中的消极样本颗粒切割为积极样本颗粒;
所述信息确定模块用于根据所有积极样本颗粒的轮廓参数确定所述原始图像对应的种子的信息。
8.根据权利要求7所述的装置,其特征在于,所述样本划分模块包括:规则判断单元以及划分单元,其中:
所述规则判断单元用于判断是否存在预设判定单粒规则;
所述划分单元用于若存在预设判定单粒规则,则通过判定单粒规则对所述包括种子颗粒的轮廓信息的图像中的种子颗粒进行划分,得到消极样本颗粒以及积极样本颗粒,若不存在预设判定单粒规则,则根据输入的轮廓信息对种子颗粒进行划分,得到消极样本颗粒以及积极样本颗粒。
9.根据权利要求8所述的装置,其特征在于,所述样本处理模块包括分类单元、切割线获取单元以及切割单元,其中:
所述分类单元用于根据所述消极样本颗粒中的凹点将所述消极样本颗粒分类为积极样本颗粒以及新的消极样本颗粒;
所述切割线获取单元用于若无法根据所述消极样本颗粒中的凹点对所述消极样本颗粒进行分类,则根据所述新的消极样本颗粒中的拐点得到预设规则下的切割线;
所述切割单元用于根据切割线对所述新的消极样本颗粒中的轮廓进行切割使切割后的图像中出现满足所述预设判定单粒规则的积极样本颗粒,重新确定出积极样本颗粒以及消极样本颗粒。
10.根据权利要求7所述的装置,其特征在于,所述预处理模块包括:蒙版确定单元以及轮廓获取单元,其中:
所述蒙版确定单元用于确定所述原始图像对应的蒙版图像的二值图;
所述轮廓获取单元用于提取所述蒙版图像的二值图中种子颗粒的轮廓,得到包括种子颗粒的轮廓信息的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710117999.1A CN106898010A (zh) | 2017-03-01 | 2017-03-01 | 颗粒拷种的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710117999.1A CN106898010A (zh) | 2017-03-01 | 2017-03-01 | 颗粒拷种的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106898010A true CN106898010A (zh) | 2017-06-27 |
Family
ID=59184873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710117999.1A Pending CN106898010A (zh) | 2017-03-01 | 2017-03-01 | 颗粒拷种的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106898010A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934297A (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 | 一种基于深度学习卷积神经网络的水稻考种方法 |
CN112819810A (zh) * | 2021-02-24 | 2021-05-18 | 中国地质大学(北京) | 一种沙颗粒磨圆度计算方法 |
CN112819809A (zh) * | 2021-02-24 | 2021-05-18 | 中国地质大学(北京) | 一种岩石中矿物颗粒形态量化方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950421A (zh) * | 2010-09-08 | 2011-01-19 | 北京航空航天大学 | 一种火焰模型可信度的评价方法 |
CN102072883A (zh) * | 2010-07-07 | 2011-05-25 | 北京农业智能装备技术研究中心 | 农作物种子综合品质检测装置及方法 |
CN103226088A (zh) * | 2013-04-08 | 2013-07-31 | 贵州茅台酒股份有限公司 | 一种颗粒物计数方法及其装置 |
CN103308430A (zh) * | 2013-06-03 | 2013-09-18 | 浙江大学 | 一种测量种子千粒重的方法及装置 |
CN105009731A (zh) * | 2015-06-30 | 2015-11-04 | 华中农业大学 | 玉米考种方法及其系统 |
CN106295789A (zh) * | 2015-06-10 | 2017-01-04 | 浙江托普云农科技股份有限公司 | 一种基于图像处理的作物种子计数方法 |
-
2017
- 2017-03-01 CN CN201710117999.1A patent/CN106898010A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102072883A (zh) * | 2010-07-07 | 2011-05-25 | 北京农业智能装备技术研究中心 | 农作物种子综合品质检测装置及方法 |
CN101950421A (zh) * | 2010-09-08 | 2011-01-19 | 北京航空航天大学 | 一种火焰模型可信度的评价方法 |
CN103226088A (zh) * | 2013-04-08 | 2013-07-31 | 贵州茅台酒股份有限公司 | 一种颗粒物计数方法及其装置 |
CN103308430A (zh) * | 2013-06-03 | 2013-09-18 | 浙江大学 | 一种测量种子千粒重的方法及装置 |
CN106295789A (zh) * | 2015-06-10 | 2017-01-04 | 浙江托普云农科技股份有限公司 | 一种基于图像处理的作物种子计数方法 |
CN105009731A (zh) * | 2015-06-30 | 2015-11-04 | 华中农业大学 | 玉米考种方法及其系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934297A (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 | 一种基于深度学习卷积神经网络的水稻考种方法 |
CN112819810A (zh) * | 2021-02-24 | 2021-05-18 | 中国地质大学(北京) | 一种沙颗粒磨圆度计算方法 |
CN112819809A (zh) * | 2021-02-24 | 2021-05-18 | 中国地质大学(北京) | 一种岩石中矿物颗粒形态量化方法 |
CN112819809B (zh) * | 2021-02-24 | 2023-06-16 | 中国地质大学(北京) | 一种岩石中矿物颗粒形态量化方法 |
CN112819810B (zh) * | 2021-02-24 | 2023-06-20 | 中国地质大学(北京) | 一种沙颗粒磨圆度计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Barbedo | A new automatic method for disease symptom segmentation in digital photographs of plant leaves | |
Aquino et al. | A new methodology for estimating the grapevine-berry number per cluster using image analysis | |
CN111553240B (zh) | 一种玉米病害病情分级方法、系统和计算机设备 | |
Wu et al. | Image analysis-based recognition and quantification of grain number per panicle in rice | |
Tan et al. | Segmentation and counting algorithm for touching hybrid rice grains | |
CN109154978A (zh) | 用于检测植物疾病的系统和方法 | |
CN111369523B (zh) | 显微图像中细胞堆叠的检测方法、系统、设备及介质 | |
CN110782440B (zh) | 一种作物籽粒性状测量方法 | |
CN112215790A (zh) | 基于深度学习的ki67指数分析方法 | |
CN106898010A (zh) | 颗粒拷种的方法及装置 | |
US11775908B2 (en) | Neural network-based systems and computer-implemented methods for identifying and/or evaluating one or more food items present in a visual input | |
Borianne et al. | GT-RootS: an integrated software for automated root system measurement from high-throughput phenotyping platform images | |
CN109934297A (zh) | 一种基于深度学习卷积神经网络的水稻考种方法 | |
CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
CN105354405A (zh) | 基于机器学习的免疫组化图像自动化判读系统 | |
CN117173490B (zh) | 基于分离提取的图像数据进行海产品检测分类方法及系统 | |
CN116740473B (zh) | 一种基于机器视觉的渔获物自动分拣方法及系统 | |
Akbar et al. | Tumor localization in tissue microarrays using rotation invariant superpixel pyramids | |
CN117612241A (zh) | 一种青少年近视的预警方法及相关设备 | |
CN116109627B (zh) | 基于迁移学习和小样本学习缺陷检测方法、装置及介质 | |
CN117522773A (zh) | 产品检测方法、电子设备及存储介质 | |
CN115601655A (zh) | 基于卫星遥感的水体信息识别方法、装置和可读介质 | |
CN114627376A (zh) | 一种植被分类方法及装置 | |
Zhang et al. | Research on a rapid identification method for counting universal grain crops | |
Chaugule et al. | A new method using feature extraction for identifying paddy rice species for quality seed selection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170627 |