CN107610122A - 一种基于Micro‑CT的单籽粒谷物内部虫害检测方法 - Google Patents
一种基于Micro‑CT的单籽粒谷物内部虫害检测方法 Download PDFInfo
- Publication number
- CN107610122A CN107610122A CN201710916940.9A CN201710916940A CN107610122A CN 107610122 A CN107610122 A CN 107610122A CN 201710916940 A CN201710916940 A CN 201710916940A CN 107610122 A CN107610122 A CN 107610122A
- Authority
- CN
- China
- Prior art keywords
- sample
- image
- seed
- cereal
- micro
- 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
- 235000013339 cereals Nutrition 0.000 title claims abstract description 140
- 241000238631 Hexapoda Species 0.000 title claims abstract description 62
- 238000001514 detection method Methods 0.000 title claims abstract description 61
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 51
- 238000010603 microCT Methods 0.000 claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 7
- 238000003909 pattern recognition Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 239000012141 concentrate Substances 0.000 claims description 2
- 230000002035 prolonged effect Effects 0.000 claims 1
- 230000032683 aging Effects 0.000 abstract description 5
- 238000010276 construction Methods 0.000 abstract 1
- 210000004027 cell Anatomy 0.000 description 28
- 102000002322 Egg Proteins Human genes 0.000 description 14
- 108010000912 Egg Proteins Proteins 0.000 description 14
- 238000003384 imaging method Methods 0.000 description 14
- 210000004681 ovum Anatomy 0.000 description 14
- 241000382353 Pupa Species 0.000 description 5
- 241000209140 Triticum Species 0.000 description 5
- 235000021307 Triticum Nutrition 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 4
- 238000004497 NIR spectroscopy Methods 0.000 description 3
- 238000013170 computed tomography imaging Methods 0.000 description 3
- 230000001418 larval effect Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 241000233866 Fungi Species 0.000 description 1
- 206010036590 Premature baby Diseases 0.000 description 1
- 241000318997 Rhyzopertha dominica Species 0.000 description 1
- 241000254152 Sitophilus oryzae Species 0.000 description 1
- 239000002551 biofuel Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种基于Micro‑CT的单籽粒谷物内部虫害检测方法，依次通过二维CT投影图像的采集、有效扫描区域确定、图像重建、有效重建区域确定、籽粒三维显微CT图像构建、原始数字特征空间形成、优化特征空间形成和籽粒多虫态侵染识别模型的建立，最后利用籽粒多虫态侵染识别模型自动判别出对应谷物籽粒样本是否受到多个虫态害虫的侵染；本发明能够自动判别出谷物籽粒是否受到任意虫态害虫的侵染，而且能够判定处于谷物籽粒任意位置的害虫侵染，并准确统计含虫籽粒的数量，实现谷物籽粒内部多虫态虫害的实时、准确、自动和无损的早期检测，为防治谷物虫害提前了14‑21天的时间，且检测正确率达到95％以上，时效性强，准确度高。
Description
技术领域
本发明涉及单籽粒谷物内部虫害检测技术领域，尤其涉及一种基于Micro-CT的单籽粒谷物内部虫害检测方法。
背景技术
粮食安全关系到国计民生、经济繁荣和社会发展，是我国工业化、城镇化的一个重要前提。然而，近年来灾难性气候频发，生物燃料争粮，全球粮食产量储备下降，粮食安全形势日益严峻，另外，随着人们生活水平的提高，对粮食品质提出了更高的要求。据资料显示，全世界每年储藏期间的粮食至少有5%为害虫所糟蹋，我国因虫害造成的粮食损失更是高达储粮总损失的30%，每年因害虫危害造成的粮食直接经济损失在20亿元以上。害虫防治决策缺乏科学性是造成这种状况的主要原因之一，而害虫防治决策重要的科学依据之一就是谷物害虫的准确检测。只有准确的检测，才能做到有目的的防治，把害虫种群控制在经济损害水平以下。
米象、谷蠹等蛀食性害虫直接危害完整的谷物籽粒，其未成熟幼虫在籽粒内部生长发育，直到成虫才从籽粒内出来。害虫不仅造成谷物的重量损失，其排泄物、尸体、皮壳等还会对谷物产生严重的污染，容易增加真菌的感染，造成谷物品质的下降。在害虫产卵后的几周内不易被肉眼发现，很难从外部可视化检测。因此，谷物籽粒内部害虫不仅危害大，而且检测困难，如何早发现，并准确、自动地检测谷物籽粒内部的害虫至关重要。
目前，谷物籽粒内部害虫检测方法有人工感官检验法、害虫碎片检验法、悬浮法、电导率法和电子鼻法等，但是这些这些方法存在主观性过强、操作复杂繁琐、破坏性强、对检测样本容器的密闭性要求较高等缺点。近年来，逐渐出现了一些新的无损检测方法，例如近红外光谱法、软X射线成像法和近红外高光谱成像法，这些无损检测方法能确定粮粒中害虫所造成的物理和化学变化，可用于单籽粒谷物的自动检测，而且软X射线成像法和近红外高光谱成像法还可对籽粒进行可视化检测。但是，近红外光谱法和近红外高光谱成像法对低龄幼虫及虫卵的检测检测效果不好，且检测时处于籽粒背面时的检测效果也不好，而软X射线成像法获取的是籽粒的二维图像，不能检测含虫卵的籽粒，不能准确判别处于图像边界、腹沟附近等轻微侵染。因此，近红外光谱法、软X射线成像法、近红外高光谱成像法这三种方法的检测效果均无法满足对虫害检测精度的要求。
Micro-CT成像法兼具X射线成像技术、CT成像技术和显微成像技术的优势，可采集微小样本高分辨率的图像信息，能对单个籽粒的内部微结构信息进行立体可视化分析,因此Micro-CT成像法可有效用于谷物籽粒早期虫害侵染的检测。可见，研究开发基于Micro-CT成像的准确、可靠、无损的单籽粒谷物内部早期虫害检测方法是必要而迫切的。
发明内容
本发明的目的是提供一种基于Micro-CT的单籽粒谷物内部虫害检测方法，能够自动判别出谷物籽粒是否受到任意虫态害虫的侵染，而且能够判定处于谷物籽粒任意位置的害虫侵染，并准确统计含虫籽粒的数量，实现谷物籽粒内部多虫态虫害的实时、准确、自动和无损的早期检测，为防治谷物虫害提前了14-21天的时间，且检测正确率达到95％以上，时效性强，准确度高。
本发明采用的技术方案为：
包括以下步骤：
A、 将待检测的谷物籽粒样本放置于定向盒并将定向盒置于样品管中：将待检测的谷物籽粒样本集分为多个样本组，每个样本组中包括多个谷物籽粒样本，将每一个样本组分别放入一个独立的定向盒中，然后将定向盒分别置入不同的样品管中，每个样本组中的谷物籽粒样本均自上而下依次放置在对应的定向盒中，每个样品管中谷物籽粒样本的长轴均为固定朝向，且谷物籽粒样本的长轴与放置样品管的检测台平面相垂直；
B、 根据显微CT系统参数对谷物籽粒样本的投影图像所产生的影响确定图像采集的最佳参数组合，并按照最佳参数组合设定显微CT系统参数；
C、 利用显微CT系统分别对每个样本管中的谷物籽粒样本进行虫害检测；每个样品管的虫害检测过程具体包括以下步骤：
C1：将待检测的样品管置于检测台上，显微CT系统记录下待检测样品管的样品管号和样品识别日期，并对样品管中所盛放的样本组进行二维CT投影图像的采集，然后将采集到的二维CT投影图像传输至图像工作站：所述样品管号为显微CT系统对待检测样品管进行的编号，样品识别日期为显微CT系统记录的待检测样品管的检测日期；
C2：图像工作站针对获取的二维CT投影图像，在进行黑白场图像矫正后，由投影差分均值法自动确定出样本组的有效扫描区域，并针对该有效扫描区域进行滤波处理；
C3：利用锥束重建算法，对步骤C2所得有效扫描区域的投影数据进行图像重建，建立包含样本组所有切片图像的切片集；
C4：判定样品组中每个谷物籽粒样本对应的切片图像在切片集中的区间，根据不同谷物籽粒样本对应的区间，对样品管中的谷物籽粒样本由上到下依次进行编号作为样本编号，并确定每个谷物籽粒样本的有效重建区域：针对经过步骤C3建立的切片集，运用区域生长法将每一个切片图像分割出多个目标，依据每个目标的面积判别出该目标是否为谷物籽粒样本，并根据目标的面积统计出每个谷物籽粒样本对应的切片图像在切片集中的区间，并根据区间内的切片图像确定对应谷物籽粒样本的有效重建区域；
C5：对每个谷物籽粒样本的有效重建区域进行图像预处理，并利用面绘制和体绘制技术构建对应谷物籽粒样本的立体显微CT结构模型，即籽粒三维显微CT图像；所述图像预处理包括图像增强、图像分割和图像融合；
C6：提取步骤C5中所构建籽粒三维显微CT图像中的原始数字图像特征，然后把得到的原始数字图像特征进行归一化处理，形成适于籽粒分类的原始数字特征空间；所述原始数字图像特征包括：基于二值图像的形态学特征、基于灰度图像的基本统计特征、基于图像直方图的变换特征和基于灰度图像的的三维纹理特征；
C7：利用特征降维技术对谷物籽粒的原始数字特征空间进行降维分析，提取累积贡献率高于95％的特征参数信息，形成籽粒的优化特征空间；
C8：针对籽粒的优化特征空间，利用非线性模式识别分类技术，建立籽粒优化后特征参数与籽粒多虫态害虫侵染的关系模型，即籽粒多虫态侵染识别模型；
C9：利用籽粒多虫态侵染识别模型自动判别出对应谷物籽粒样本是否受到多个虫态害虫的侵染；
D、 若样品管中存在受虫害侵染的谷物籽粒样本，记录受虫害侵染的谷物籽粒样的样本信息并统计受虫害侵染的谷物籽粒样本数量：所述样本信息包括谷物籽粒样本的籽粒三维显微CT图像、样品管号、样本编号和识别日期信息。
优选地，步骤C2中采用投影差分均值法自动确定出谷物籽粒的有效扫描区域的具体过程为：
1）将二维CT投影图像在Y轴方向进行投影；
2）对二维CT投影图像中每行的像素灰度值在Y轴进行累加，即将对应于Y轴同一投影点的所有像素灰度值进行累加；
3）求取每行像素灰度累加值的差分D，并除以每行的像素数Ni，记为差分均值E=D/Ni；
4）对差分均值的绝对值由第一行到最后一行进行分析，在第一次和最后一次满足︱E︱＞T时，记录下此时对应的行号，T表示差分均值的临界值；
5）记录下的这两行对应的是样品管的两个边缘，则这两个行号以内的区域即为籽粒的有效扫描区域。
优选地，步骤C3中的锥束重建算法包括Feldkamp算法、Katsevich算法和Sart算法。
优选地，步骤C6中，基于二值图像的形态学特征包括基于二值图像的体积、球形度、复杂度、延伸率和峰度；基于灰度图像的基本统计特征包括籽粒图像灰度值的最大值、最小值和均值；基于图像直方图的变换特征是将籽粒三维显微CT图像的图像直方图的256个灰度级中相邻灰度级出现的概率依次求和，然后提取基于图像直方图的变换特征；基于灰度图像的的三维纹理特征是通过先提切片图像的基于灰度共生矩阵的纹理特征，然后将提取到的切片图像的纹理特征求平均后作为基于特征变换的三维纹理特征，即基于灰度图像的的三维纹理特征，其中纹理特征包括纹理三阶矩、熵、对比度。
优选地，步骤C7中的特征降维技术包括主成分分析、Laplacian特征映射和Fisher判别分析。
优选地，步骤C8中的非线性模式识别分类技术包括神经网络分类器、支持向量机分类器、模糊分类器和极限学习机分类器。
优选地，步骤B中设定的显微CT系统中图像采集的最佳参数组合为：X线球管的扫描电压为45kVp，扫描电流为88μA，分辨率为14.8μm，积分时间为200ms，FOV为15.155mm。
本发明具有以下有益效果：
（1）通过基于Micro-CT的成像技术，可采集谷物籽粒样本的高分辨率的CT图像信息，能对单个籽粒的内部微结构信息进行立体可视化分析，可判定谷物籽粒样本任意位置所受到的害虫侵染，解决了显微成像、X射线成像、CT成像等技术检测带来的对低龄幼虫及虫卵检测效果差和对籽粒背面侵染区域检测效果差等弊端，大大提高了检测的精度；
（2）利用图像分析、图像重建、计算机视觉和模式识别等技术，不仅可以判别成虫造成的明显侵染，又能够自动、准确地判别出籽粒受到害虫的卵、幼虫、蛹等早期虫态造成轻微侵染，将虫害的侵染检测提前到卵期的水平，突破了籽粒内部虫害卵期和幼虫期不能准确检测的瓶颈，为防治谷物虫害提前了14-21天的时间，大大提高了籽粒侵染检测的时效性；
（3）利用Micro-CT成像技术，依据籽粒多虫态害虫侵染识别模型，使籽粒是否受到卵、幼虫、蛹或成虫等多个虫态害虫侵染的检测正确率达到95％以上，实现了对谷物籽粒内部多个虫态虫害的实时、准确、自动和无损的早期检测，为及时采取科学的防治措施提供了全面有力的证据。
附图说明
图1为本发明中检测方法的流程图；
图2为利用本发明中完善麦粒的切片图像；
图3为利用本发明中含虫麦粒的切片图像；
图4是本发明的含虫麦粒的籽粒三维显微CT图像。
具体实施方式
如图1所示，本发明包括以下步骤：
A、 将待检测的谷物籽粒样本放置于定向盒并将定向盒置于样品管中：将待检测的谷物籽粒样本集分为多个样本组，每个样本组中包括多个谷物籽粒样本，将每一个样本组分别放入一个独立的定向盒中，然后将定向盒分别置入不同的样品管中，每个样本组中的谷物籽粒样本均自上而下依次放置在对应的定向盒中，每个样品管中谷物籽粒样本的长轴均为固定朝向，且谷物籽粒样本的长轴与放置样品管的检测台平面相垂直；
B、 根据显微CT系统参数对谷物籽粒样本的投影图像所产生的影响确定图像采集的最佳参数组合，并按照最佳参数组合设定显微CT系统参数；本发明优选采用的最佳参数组合为：X线球管的扫描电压为45kVp，扫描电流为88μA，分辨率为14.8μm，积分时间为200ms，FOV为15.155mm，当调整显微CT系统中的各项参数按照最佳参数组合设定时，可获取更为稳定清晰的谷物籽粒样本的CT投影图像；
C、 利用显微CT系统分别对每个样本管中的谷物籽粒样本进行虫害检测；每个样品管的虫害检测过程具体包括以下步骤：
C1：将待检测的样品管置于检测台上，显微CT系统记录下待检测样品管的样品管号和样品识别日期，并对样品管中所盛放的样本组进行二维CT投影图像的采集，然后将采集到的二维CT投影图像传输至图像工作站：样品管号为显微CT系统对待检测样品管进行的编号，样品识别日期为显微CT系统记录的待检测样品管的检测日期；
C2：图像工作站针对获取的二维CT投影图像，在进行黑白场图像矫正后，由投影差分均值法自动确定出样本组的有效扫描区域，投影差分均值法的阈值T优选设为120，然后针对该有效扫描区域进行滤波处理，提高图像的信噪比；
C3：利用锥束重建算法，对步骤C2所得有效扫描区域的投影数据进行图像重建，建立包含样本组所有切片图像的切片集：锥束重建算法包括Feldkamp算法、Katsevich算法和Sart算法；完善麦粒经过图像重建后的切片图像如图2所示，含虫麦粒经过图像重建后的切片图像如图3所示；
C4：判定样品组中每个谷物籽粒样本对应的切片图像在切片集中的区间，根据不同谷物籽粒样本对应的区间，对样品管中的谷物籽粒样本由上到下依次进行编号，并确定每个谷物籽粒样本的有效重建区域：针对经过步骤C3建立的切片集，运用区域生长法将每一个切片图像分割出多个目标，依据每个目标的面积判别出该目标是否为谷物籽粒样本，并根据目标的面积统计出每个谷物籽粒样本对应的切片图像在切片集中的区间，并根据区间内的切片图像确定对应谷物籽粒样本的有效重建区域；
C5：采用图像预处理包括图像增强、图像分割和图像融合等方法对每个谷物籽粒样本的有效重建区域进行图像预处理，然后利用面绘制和体绘制技术构建如图4所示的对应谷物籽粒样本的立体显微CT结构模型，即籽粒三维显微CT图像；
C6：提取步骤C5中所构建籽粒三维显微CT图像中的原始数字图像特征，然后把得到的原始数字图像特征进行归一化处理，形成适于籽粒分类的原始数字特征空间；所述原始数字图像特征包括：基于二值图像的形态学特征、基于灰度图像的基本统计特征、基于图像直方图的变换特征和基于灰度图像的的三维纹理特征；
其中，基于二值图像的形态学特征包括基于二值图像的体积、球形度、复杂度、延伸率和峰度；基于灰度图像的基本统计特征包括籽粒图像灰度值的最大值、最小值和均值；基于图像直方图的变换特征是将籽粒三维显微CT图像的图像直方图的256个灰度级中相邻灰度级出现的概率依次求和，然后提取基于图像直方图的变换特征；基于灰度图像的的三维纹理特征是通过先提取切片图像的基于灰度共生矩阵的纹理三阶矩、熵、对比度等纹理特征，然后将提取到纹理特征求平均后作为基于特征变换的三维纹理特征，即基于灰度图像的的三维纹理特征；
C7：利用特征降维技术对谷物籽粒的原始数字特征空间进行降维分析，提取累积贡献率高于95％的特征参数信息，形成籽粒的优化特征空间；特征降维技术包括主成分分析、Laplacian特征映射和Fisher判别分析；
C8：针对籽粒的优化特征空间，利用非线性模式识别分类技术，建立籽粒优化后特征参数与籽粒多虫态害虫侵染的关系模型，即籽粒多虫态侵染识别模型；多虫态侵染识别模型能够识别包含害虫的卵、幼虫、蛹和成虫任意虫态籽粒的侵染，将虫害的侵染检测提前到卵期的水平，突破了籽粒内部虫害卵期和幼虫期不能准确检测的瓶颈，为防治谷物虫害提前了14-21天的时间，大大提高了籽粒侵染检测的时效性；非线性模式识别分类技术包括神经网络分类器、支持向量机分类器、模糊分类器和极限学习机分类器；
C9：利用籽粒多虫态侵染识别模型自动判别出对应谷物籽粒样本是否受到多个虫态害虫的侵染；
D、 若样品管中存在受虫害侵染的谷物籽粒样本，记录受虫害侵染的谷物籽粒样的样本信息并统计受虫害侵染的谷物籽粒样本数量：所述样本信息包括谷物籽粒样本的籽粒三维显微CT图像、样品管号、样本编号和识别日期信息。
步骤C2中采用投影差分均值法自动确定出谷物籽粒的有效扫描区域的具体过程为：
1）将二维CT投影图像在Y轴方向进行投影；
2）对二维CT投影图像中每行的像素灰度值在Y轴进行累加，即将对应于Y轴同一投影点的所有像素灰度值进行累加；
3）求取每行像素灰度累加值的差分D，并除以每行的像素数Ni，记为差分均值E=D/Ni；
4）对差分均值的绝对值由第一行到最后一行进行分析，在第一次和最后一次满足︱E︱＞T时，记录下此时对应的行号；T表示差分均值的临界值；
5）记录下的这两行对应的是样品管的两个边缘，则这两个行号以内的区域即为籽粒的有效扫描区域。
本发明通过基于Micro-CT的成像技术，利用图像分析、图像重建、计算机视觉和模式识别等分析方式，不仅可以判别成虫造成的明显侵染，又能够自动、准确地判别出籽粒受到害虫的卵、幼虫、蛹等早期虫态造成轻微侵染，将虫害的侵染检测提前到卵期的水平，突破了籽粒内部虫害卵期和幼虫期不能准确检测的瓶颈，为防治谷物虫害提前了14-21天的时间，大大提高了籽粒侵染检测的时效性，而且利用Micro-CT成像技术，依据籽粒多虫态害虫侵染识别模型，使籽粒是否受到卵、幼虫、蛹或成虫等多个虫态害虫侵染的检测正确率达到95％以上，实现了对谷物籽粒内部多个虫态虫害的实时、准确、自动和无损的早期检测，为及时采取科学的防治措施提供了全面有力的证据。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解，其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。
Claims (7)
1.一种权利要求1所述的基于Micro-CT的单籽粒谷物内部虫害检测方法，其特征在于：包括以下步骤：
A、将待检测的谷物籽粒样本放置于定向盒并将定向盒置于样品管中：将待检测的谷物籽粒样本集分为多个样本组，每个样本组中包括多个谷物籽粒样本，将每一个样本组分别放入一个独立的定向盒中，然后将定向盒分别置入不同的样品管中，每个样本组中的谷物籽粒样本均自上而下依次放置在对应的定向盒中，每个样品管中谷物籽粒样本的长轴均为固定朝向，且谷物籽粒样本的长轴与放置样品管的检测台平面相垂直；
B、根据显微CT系统参数对谷物籽粒样本的投影图像所产生的影响确定图像采集的最佳参数组合，并按照最佳参数组合设定显微CT系统参数；
C、利用显微CT系统分别对每个样本管中的谷物籽粒样本进行虫害检测；每个样品管的虫害检测过程具体包括以下步骤：
C1：将待检测的样品管置于检测台上，显微CT系统记录下待检测样品管的样品管号和样品识别日期，并对样品管中所盛放的样本组进行二维CT投影图像的采集，然后将采集到的二维CT投影图像传输至图像工作站：所述样品管号为显微CT系统对待检测样品管进行的编号，样品识别日期为显微CT系统记录的待检测样品管的检测日期；
C2：图像工作站针对获取的二维CT投影图像，在进行黑白场图像矫正后，由投影差分均值法自动确定出样本组的有效扫描区域，并针对该有效扫描区域进行滤波处理；
C3：利用锥束重建算法，对步骤C2所得有效扫描区域的投影数据进行图像重建，建立包含样本组所有切片图像的切片集；
C4：判定样品组中每个谷物籽粒样本对应的切片图像在切片集中的区间，根据不同谷物籽粒样本对应的区间，对样品管中的谷物籽粒样本由上到下依次进行编号作为样本编号，并确定每个谷物籽粒样本的有效重建区域：针对经过步骤C3建立的切片集，运用区域生长法将每一个切片图像分割出多个目标，依据每个目标的面积判别出该目标是否为谷物籽粒样本，并根据目标的面积统计出每个谷物籽粒样本对应的切片图像在切片集中的区间，并根据区间内的切片图像确定对应谷物籽粒样本的有效重建区域；
C5：对每个谷物籽粒样本的有效重建区域进行图像预处理，并利用面绘制和体绘制技术构建对应谷物籽粒样本的立体显微CT结构模型，即籽粒三维显微CT图像；所述图像预处理包括图像增强、图像分割和图像融合；
C6：提取步骤C5中所构建籽粒三维显微CT图像中的原始数字图像特征，然后把得到的原始数字图像特征进行归一化处理，形成适于籽粒分类的原始数字特征空间；所述原始数字图像特征包括：基于二值图像的形态学特征、基于灰度图像的基本统计特征、基于图像直方图的变换特征和基于灰度图像的的三维纹理特征；
C7：利用特征降维技术对谷物籽粒的原始数字特征空间进行降维分析，提取累积贡献率高于95％的特征参数信息，形成籽粒的优化特征空间；
C8：针对籽粒的优化特征空间，利用非线性模式识别分类技术，建立籽粒优化后特征参数与籽粒多虫态害虫侵染的关系模型，即籽粒多虫态侵染识别模型；
C9：利用籽粒多虫态侵染识别模型自动判别出对应谷物籽粒样本是否受到多个虫态害虫的侵染；
D、若样品管中存在受虫害侵染的谷物籽粒样本，记录受虫害侵染的谷物籽粒样的样本信息并统计受虫害侵染的谷物籽粒样本数量：所述样本信息包括谷物籽粒样本的籽粒三维显微CT图像、样品管号、样本编号和识别日期信息。
2.根据权利要求1所述的基于Micro-CT的单籽粒谷物内部虫害检测方法，其特征在于：所述的步骤C2中采用投影差分均值法自动确定出谷物籽粒的有效扫描区域的具体过程为：
1） 将二维CT投影图像在Y轴方向进行投影；
2） 对二维CT投影图像中每行的像素灰度值在Y轴进行累加，即将对应于Y轴同一投影点的所有像素灰度值进行累加；
3） 求取每行像素灰度累加值的差分D，并除以每行的像素数Ni，记为差分均值E=D/Ni；
4） 对差分均值的绝对值由第一行到最后一行进行分析，在第一次和最后一次满足︱E︱＞T时，记录下此时对应的行号，T表示差分均值的临界值；
5） 记录下的这两行对应的是样品管的两个边缘，则这两个行号以内的区域即为籽粒的有效扫描区域。
3.根据权利要求1所述的基于Micro-CT的单籽粒谷物内部虫害检测方法，其特征在于：所述步骤C3中的锥束重建算法包括Feldkamp算法、Katsevich算法和Sart算法。
4.根据权利要求1所述的基于Micro-CT的单籽粒谷物内部虫害检测方法，其特征在于：所述步骤C6中，基于二值图像的形态学特征包括基于二值图像的体积、球形度、复杂度、延伸率和峰度；基于灰度图像的基本统计特征包括籽粒图像灰度值的最大值、最小值和均值；基于图像直方图的变换特征是将籽粒三维显微CT图像的图像直方图的256个灰度级中相邻灰度级出现的概率依次求和，然后提取基于图像直方图的变换特征；基于灰度图像的的三维纹理特征是通过先提切片图像的基于灰度共生矩阵的纹理特征，然后将提取到的切片图像的纹理特征求平均后作为基于特征变换的三维纹理特征，即基于灰度图像的的三维纹理特征，其中纹理特征包括纹理三阶矩、熵、对比度。
5.根据权利要求1所述的基于Micro-CT的单籽粒谷物内部虫害检测方法，其特征在于：所述步骤C7中的特征降维技术包括主成分分析、Laplacian特征映射和Fisher判别分析。
6.根据权利要求1所述的基于Micro-CT的单籽粒谷物内部虫害检测方法，其特征在于：所述步骤C8中的非线性模式识别分类技术包括神经网络分类器、支持向量机分类器、模糊分类器和极限学习机分类器。
7.根据权利要求1所述的基于Micro-CT的单籽粒谷物内部虫害检测方法，其特征在于：所述步骤B中设定的显微CT系统中图像采集的最佳参数组合为：X线球管的扫描电压为45kVp，扫描电流为88μA，分辨率为14.8μm，积分时间为200ms，FOV为15.155mm。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710916940.9A CN107610122B (zh) | 2017-09-30 | 2017-09-30 | 一种基于Micro-CT的单籽粒谷物内部虫害检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710916940.9A CN107610122B (zh) | 2017-09-30 | 2017-09-30 | 一种基于Micro-CT的单籽粒谷物内部虫害检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107610122A true CN107610122A (zh) | 2018-01-19 |
| CN107610122B CN107610122B (zh) | 2020-07-28 |
Family
ID=61067758
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710916940.9A Expired - Fee Related CN107610122B (zh) | 2017-09-30 | 2017-09-30 | 一种基于Micro-CT的单籽粒谷物内部虫害检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107610122B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108376402A (zh) * | 2018-04-27 | 2018-08-07 | 安徽农业大学 | 一种离线状态下的白粉虱群落生长状态分析装置及方法 |
| CN109884092A (zh) * | 2019-03-12 | 2019-06-14 | 云南农业大学 | 利用螺旋ct无损伤检测蛀蛀果、蛀蛀块茎虫害的方法 |
| CN110398503A (zh) * | 2019-02-27 | 2019-11-01 | 广西壮族自治区农业科学院 | 一种基于几何形态透射测量的植物病虫害检验方法 |
| CN111024737A (zh) * | 2019-12-31 | 2020-04-17 | 湖南农业大学 | 一种基于Micro-CT的水稻垩白三维测定方法 |
| CN113447502A (zh) * | 2021-06-25 | 2021-09-28 | 河南工业大学 | 一种粮食杂质含量的检测方法 |
| CN116468962A (zh) * | 2023-06-20 | 2023-07-21 | 浙江天演维真网络科技股份有限公司 | 害虫识别方法、装置、设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101756707A (zh) * | 2009-12-31 | 2010-06-30 | 苏州和君科技发展有限公司 | 用Micro-CT成像系统对长目标物体进行扫描重建的方法 |
| US20130212928A1 (en) * | 2012-02-17 | 2013-08-22 | Nathaniel L. Cohen | Apparatus for using microwave energy for insect and pest control and methods thereof |
| CN104155312A (zh) * | 2014-08-11 | 2014-11-19 | 华北水利水电大学 | 基于近红外计算机视觉的粮粒内部害虫检测方法和装置 |
| CN104792804A (zh) * | 2015-03-27 | 2015-07-22 | 江苏大学 | 一种基于显微ct技术诊断谷物内部损伤的方法 |
-
2017
- 2017-09-30 CN CN201710916940.9A patent/CN107610122B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101756707A (zh) * | 2009-12-31 | 2010-06-30 | 苏州和君科技发展有限公司 | 用Micro-CT成像系统对长目标物体进行扫描重建的方法 |
| US20130212928A1 (en) * | 2012-02-17 | 2013-08-22 | Nathaniel L. Cohen | Apparatus for using microwave energy for insect and pest control and methods thereof |
| CN104155312A (zh) * | 2014-08-11 | 2014-11-19 | 华北水利水电大学 | 基于近红外计算机视觉的粮粒内部害虫检测方法和装置 |
| CN104792804A (zh) * | 2015-03-27 | 2015-07-22 | 江苏大学 | 一种基于显微ct技术诊断谷物内部损伤的方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108376402A (zh) * | 2018-04-27 | 2018-08-07 | 安徽农业大学 | 一种离线状态下的白粉虱群落生长状态分析装置及方法 |
| CN110398503A (zh) * | 2019-02-27 | 2019-11-01 | 广西壮族自治区农业科学院 | 一种基于几何形态透射测量的植物病虫害检验方法 |
| CN109884092A (zh) * | 2019-03-12 | 2019-06-14 | 云南农业大学 | 利用螺旋ct无损伤检测蛀蛀果、蛀蛀块茎虫害的方法 |
| CN111024737A (zh) * | 2019-12-31 | 2020-04-17 | 湖南农业大学 | 一种基于Micro-CT的水稻垩白三维测定方法 |
| CN113447502A (zh) * | 2021-06-25 | 2021-09-28 | 河南工业大学 | 一种粮食杂质含量的检测方法 |
| CN116468962A (zh) * | 2023-06-20 | 2023-07-21 | 浙江天演维真网络科技股份有限公司 | 害虫识别方法、装置、设备及介质 |
| CN116468962B (zh) * | 2023-06-20 | 2023-10-24 | 浙江天演维真网络科技股份有限公司 | 害虫识别方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107610122B (zh) | 2020-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107610122A (zh) | 一种基于Micro‑CT的单籽粒谷物内部虫害检测方法 | |
| CN106951836B (zh) | 基于先验阈值优化卷积神经网络的作物覆盖度提取方法 | |
| Al Bashish et al. | Detection and classification of leaf diseases using K-means-based segmentation and | |
| WO2023078041A1 (zh) | 基于自适应比例学习的肿瘤组织病理分类系统及方法 | |
| KR20180081104A (ko) | 항공 이미지 획득 및 분석을 위한 방법 | |
| CN112069985B (zh) | 基于深度学习的高分辨率大田图像稻穗检测与计数方法 | |
| CN109255757B (zh) | 一种机器视觉自然放置葡萄串果梗区域分割方法 | |
| CN107437068B (zh) | 基于Gabor方向直方图和猪体毛发模式的猪个体识别方法 | |
| CN104657706B (zh) | 基于图像的高铁线路线杆断裂与联接结构体异常检测方法 | |
| CN116958572B (zh) | 一种果树繁育中叶片病虫害区域分析方法 | |
| Zhihui et al. | Nondestructive detection of infertile hatching eggs based on spectral and imaging information | |
| CN106960199A (zh) | 一种真彩色眼象图白睛区域的完整提取方法 | |
| CN111402231B (zh) | 一种用于肺部ct影像质量的自动评估系统及方法 | |
| CN116167964A (zh) | 基于肿瘤高光谱图像的肿瘤分类方法及系统 | |
| CN110598516A (zh) | 基于随机森林的多方位分层采集组合稻田杂草识别方法 | |
| Ambashtha et al. | Leaf disease detection in crops based on single-hidden layer feed-forward neural network and hierarchal temporary memory | |
| KR101907563B1 (ko) | 초분광 영상을 이용한 유정란 내부 배아 생존유무 판별방법 | |
| Joshi et al. | Detection and classification of plant diseases using soft computing techniques | |
| Warke et al. | Novel approach of classification and detection of rice plant diseases | |
| Kumar et al. | Iot And Machine Learning Based Effective Plant Disease Classification And Detection For Agricultural Applications | |
| Haq et al. | Wheat Rust Disease Classification using Edge-AI | |
| Mubarokhah et al. | Layout classification of red onion disease on onion leaf image using artificial neural network | |
| Chandani et al. | Efficient Plant Disease Prediction based on Convolutional Neural Network using Optimized Proposed Logistic Decision Regression | |
| Shinde et al. | Deep Learning for Tea Leaf Disease Classification: Challenges, Study Gaps, and Emerging Technologies | |
| Dobrinić et al. | A Comparative Analysis of Pixel-Based and Object-Based Approaches Using Multitemporal PlanetScope Imagery for Land Cover Classification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for 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: 20200728 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |