CN108230307B - 一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法 - Google Patents
一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法 Download PDFInfo
- Publication number
- CN108230307B CN108230307B CN201711479933.3A CN201711479933A CN108230307B CN 108230307 B CN108230307 B CN 108230307B CN 201711479933 A CN201711479933 A CN 201711479933A CN 108230307 B CN108230307 B CN 108230307B
- Authority
- CN
- China
- Prior art keywords
- contour
- image
- corn kernel
- corn
- polar
- 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
- 240000008042 Zea mays Species 0.000 title claims abstract description 124
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 124
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 123
- 235000005822 corn Nutrition 0.000 title claims abstract description 123
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000003709 image segmentation Methods 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 abstract description 3
- 235000013339 cereals Nutrition 0.000 description 15
- 238000012360 testing method Methods 0.000 description 13
- 239000008187 granular material Substances 0.000 description 9
- 238000003306 harvesting Methods 0.000 description 6
- 238000002790 cross-validation Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 210000001161 mammalian embryo Anatomy 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 235000009973 maize Nutrition 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法。获取玉米籽粒图像，依次进行灰度变换、滤波、图像分割和边缘提取后，计算玉米籽粒轮廓质心作为极点建立极坐标系，构建轮廓信息序列，再进行等角度采样和归一化处理构建轮廓特征向量；用样本玉米籽粒图像的轮廓特征向量与是否为玉米破碎粒标签一起输入BP神经网络进行训练，以训练好的BP神经网络对待测玉米籽粒图像进行检测。本发明能够适应非理想环境和玉米籽粒颜色引入的误差，为玉米粒收破碎粒检测提供了一种有效方法。
Description
技术领域
本发明涉及一种玉米破碎粒检测方法及图像采集装置，尤其是涉及了一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法。
背景技术
机械粒收是玉米收获技术的发展趋势，是玉米实现全程机械化的关键。玉米机械收获水平逐年提高，但穗收比例远高于粒收。“GB/T 21962-2008”玉米收获机械技术条件中规定玉米粒收籽粒破碎率应不高于5.0％，籽粒破碎率高是目前制约我国玉米粒收技术发展和推广的重要因素。因此，及时获取玉米粒收破碎率状况，调整机械作业参数，使在保证机械作业效率的前提下将籽粒破碎率降至最低尤为必要。而利用机器视觉系统采集玉米籽粒图像和实现玉米破碎粒检测是代替人工方式的较好选择。
“GB1353-2009”玉米质量指标中规定玉米籽粒损伤达本颗粒体积1/5(含)以上的颗粒为破碎粒。玉米破碎粒检测主要涉及到形状特征、颜色特征、纹理特征这三个方面的内容。诸多学者提取了面积、周长、长短轴等多个经典形状特征参数进行检测(Liao K,Paulson M Ret.al.Corn kernel breakage classification by machine vision usinga neural network classifier.Transactions of the ASABE,1993；印杨松.机器视觉技术在玉米并肩杂、不完善粒检测中的应用研究.浙江大学,2011；万鹏等.基于计算机视觉的玉米粒形检测方法.中国粮油学报,2011)。近年来，深度学习提供了玉米破碎粒检测的一种新思路(魏英姿等.深度学习玉米籽粒完整性识别的深度学习方法.沈阳理工大学学报,2016)。此外，为更好地定位和检测玉米籽粒，玉米正形的研究也受到关注(王侨等.基于机器视觉的玉米种粒定向定位摆放装置研制.农业工程学报,2017)。
但在玉米粒收破碎粒检测中，这些方法并不适合。由于物距或玉米空间姿态的不一致，玉米籽粒面积、周长的测量会受到较大影响，面积、周长特征将不再可靠。由于玉米破碎部位和破碎程度存在差异，玉米外形不规则程度高，采用MER方法或轮廓曲率分析法检测到的长轴(主轴)与实际检测结果存在差异，而现有的玉米正形方法多用于玉米种子产业，仅针对完整籽粒进行研究，无法解决上述长轴(主轴)检测误差问题，因此，长短轴特征也可能引入较大的误差。颜色特征方法需要严格保证物距和光源的相互适应，玉米籽粒颜色的不一致也会引入误差。深度学习方法将各单籽粒图像处理成等规格灰度图像输入卷积神经网络进行训练和检测，但是数据规模、数据质量等方面的要求大大增加了训练成本。
发明内容
为了解决背景技术中存在的问题，本发明通过分析玉米籽粒的轮廓特征，提出了一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法，并通过试验验证了该方法的可靠性。
如图2所示，本发明解决其技术问题所采用的技术方案是：
1)获取玉米籽粒图像，以图像的左上角点为原点，以图像水平向右方向为x轴正方向，以图像竖直向下方向为y轴正方向，建立直角坐标系。
2)对玉米籽粒图像依次进行分段灰度变换、滤波、图像分割和轮廓提取，绘制轮廓图像E。
3)扫描轮廓图像E，构建直角坐标系下长度为ns的玉米籽粒轮廓信息序列S；
4)计算轮廓质心O的坐标(xo,yo)：
5)建立极坐标系，将直角坐标系下的玉米籽粒轮廓信息序列S转换为极坐标系下的玉米籽粒轮廓信息序列Sp；
6)根据极坐标系下的玉米籽粒轮廓信息序列Sp构建长度为360/Δθ的轮廓质心距离序列R，对轮廓质心距离序列R进行归一化处理得到轮廓特征向量F；
7)采集已知是否为玉米破碎粒的样本玉米籽粒图像，重复步骤1)至步骤6)获得轮廓特征向量F，然后将N个样本玉米籽粒图像的轮廓特征向量F与是否为玉米破碎粒标签一起输入到BP神经网络中进行训练；
然后采集待测玉米籽粒图像，重复步骤1)至步骤6)获得轮廓特征向量F，将轮廓特征向量F输入到训练好的BP神经网络中获得是否为玉米破碎粒的检测结果。
本发明具体实施给N个样本添加标签，用BP神经网络方法进行训练和测试后通过基于k折交叉验证对所建立的BP神经网络进行检验，以k次分类准确率的平均值作为分类器的评价标准，利用该值调节BP神经网络的参数，优化BP神经网络，进而实现玉米破碎粒的有效检测。
所述的玉米籽粒图像为正面拍摄的玉米籽粒胚面朝上或朝下的bmp格式灰度图像。
具体实施中可将玉米籽粒放置在载物台上，玉米籽粒的胚面朝上或朝下，相机镜头朝下进行拍摄获得，图像中包含一粒玉米籽粒。
所述步骤2)具体是：
2.1)利用大津法对玉米籽粒图像处理获得初始阈值T，T已被归一化到范围[0,1]内；
2.2)将灰度区间[0,T]缩小1/3后作为感兴趣灰度区间，即构建以T/2为区间中心的感兴趣灰度区间[T/6,5T/6]；
2.3)将玉米籽粒图像的像素灰度值f(xi,yi)按以下公式进行分段灰度变换，使得感兴趣灰度区间[T/6,5T/6]被拓展到[0,1]以及f(xi,yi)被归一化到范围[0,1]内，得到变换后图像的像素灰度值为g(xi,yi)：
其中，f(xi,yi)表示玉米籽粒图像中像素点(xi,yi)的灰度值，g(xi,yi)表示分段线性变换后的玉米籽粒图像中像素点(xi,yi)的灰度值，γ表示曲线形状参数，γ指定f(xi,yi)和g(xi,yi)关系的曲线形状；
2.4)然后依次进行滤波、图像分割处理获得二值图像I，对二值图像I进行轮廓提取并绘制获得轮廓图像E。
所述步骤3)具体是：
3.1)扫描轮廓图像E，以轮廓上任意一个轮廓点A0作为起始点，将其坐标存为玉米籽粒轮廓信息序列S的第一个元素；
3.2)从起始点开始，沿顺时针方向搜索起始点的8邻域内的轮廓点作为下一轮廓点，并将搜索到下一轮廓点坐标存入玉米籽粒轮廓信息序列S的末尾；
3.4)以下一轮廓点作为起始点，重复上述步骤3.2)不断处理直到搜索回到步骤3.1)的轮廓点A0，则完成玉米籽粒轮廓信息序列S的构建。
所述步骤4)具体按以下公式计算轮廓质心O的坐标(xo,yo)：
其中，(xj,yj)表示玉米籽粒轮廓信息序列S中的轮廓点的横纵坐标，j＝1,2…ns，ns为玉米籽粒轮廓信息序列S中的轮廓点总数，j为玉米籽粒轮廓信息序列S中的轮廓点序数。
所述步骤5)具体是：以轮廓质心O为极点，x轴正半轴为极轴的正方向，建立极坐标系，然后按以下公式将玉米籽粒轮廓信息序列S中的各个轮廓点在直角坐标系下的坐标(xj,yj)转换为极坐标系下的极坐标(rj,θj)，获得极坐标系下的玉米籽粒轮廓信息序列Sp：
rj 2＝(xj-xo)2+(yj-yo)2
其中，rj为极径，θj为极角，用角度制表示，区间为[0°,360°]。
所述步骤6)具体是：
6.1)极坐标系下的玉米籽粒轮廓信息序列Sp中，以任意一个极角作为起始角度θ0，并将其存为轮廓质心距离序列R的第一个元素；
6.2)搜索极角和起始角度θ0之间的差值|θj-θ0|最小的轮廓点，将该轮廓点的极径rj存入轮廓质心距离序列R的末尾；
6.3)然后依次增加极角的角度Δθ；
6.4)重复上述步骤6.2)～6.3)不断处理直至搜索完整一圈圆周，则完成轮廓质心距离序列R的构建；
6.5)然后按以下公式对轮廓质心距离序列R中每个轮廓点的极径进行归一化处理，形成得到轮廓特征向量F：
rj′＝(lmax-lmin)×(rj-rmin)/(rmax-rmin)+lmin
其中，rmax和rmin分别是轮廓质心距离序列R中所有轮廓点极径的最大值和最小值，[lmin,lmax]是极径映射范围，lmax＝1，lmin＝-1，rj′是归一化后的轮廓点的极径。
作为优选，所述步骤7)中设置为：N＝687，k＝10，BP神经网络参数设置为输入层36，隐藏层23，输出层2，最大训练次数1000，期望误差0.001，学习率0.01。
本发明具有的有益的效果是：
本发明方法利用了轮廓特征，尤其是归一化轮廓质心距离的特征，该特征提取速度快，与尺度、亮度变化无关，且具有一定的旋转适应性，避免了实际应用中物距、光照以及玉米籽粒颜色引入的误差；利用神经网络的容错能力，较好地完成玉米破碎粒检测工作，为玉米粒收破碎粒检测提供了一种有效方法。
附图说明
图1是本发明的图像采集装置结构原理示意图；
图2是本发明的软件流程图；
图3是本发明构建轮廓特征向量的流程图；
图4是本发明实施例原始图像；
图5是本发明实施例二值图像I；
图6是本发明实施例轮廓图像E；
图7是本发明实施例轮廓采样结果；
表1是本发明的k折交叉验证的训练集分类准确率；
表2是本发明的k折交叉验证的测试集分类准确率；
图1中：1、工业相机，2、光源，3、载物台，4、计算机。
具体实施方式
下面结合附图和实施例对本发明做进一步说明。
如图1所示，本发明玉米破碎粒检测具体实施采用的图像采集装置包括工业相机1，光源2，载物台3和计算机4。工业相机1和光源2从上至下依次安装在载物台3上，计算机4与工业相机1通过电缆相连接。
本例中工业相机1的分辨率为2592×1944pixels，配置焦距为25mm的Computar镜头，技术参数还包括：焦距25mm，靶面尺寸2/3″，相对孔径1:1.4，采用手动光圈。光源2采用VT-LT2-LR13296W型LED环形光源，配置VT-LT2-24PNAC-4型控制器，主要参数如下：输入电压24V，功率11W，色温7000K，亮度调节范围0～100％。
如图2所示，本发明实施例以图4所示的一幅玉米籽粒的正面拍摄图像为原始图像进行处理，下面对照图3至图7，说明具体步骤：
1)对图4所示的原始图像以左上点为原点，以图像水平向右方向为x轴正方向，以图像竖直向下方向为y轴正方向，建立直角坐标系，像素点坐标以(xi,yi)形式表示，i＝1,2…n，n为像素点总数，i为像素点序数。
2)采用MATLAB软件对图4所示的玉米籽粒图像处理获得初始阈值T；将灰度区间[0,T]缩小1/3后作为感兴趣灰度区间，即构建以T/2为区间中心的感兴趣灰度区间[T/6,5T/6]；将玉米籽粒图像的像素灰度值f(xi,yi)按以下公式进行分段灰度变换，得到变换后图像的像素灰度值为g(xi,yi)：
然后依次进行滤波、图像分割处理获得如图5所示的二值图像I，对二值图像I进行轮廓提取并绘制如图6所示的轮廓图像E。
3)扫描轮廓图像E，构建直角坐标系下长度为ns的玉米籽粒轮廓信息序列S；
3.1)扫描轮廓图像E，以轮廓上任意一个轮廓点A0作为起始点，将其坐标存为玉米籽粒轮廓信息序列S的第一个元素；
3.2)从起始点开始，沿顺时针方向搜索起始点的8邻域内的轮廓点作为下一轮廓点，并将搜索到下一轮廓点坐标存入玉米籽粒轮廓信息序列S的末尾；
3.4)以下一轮廓点作为起始点，重复上述步骤3.2)不断处理直到搜索回到步骤3.1)的轮廓点A0，则完成玉米籽粒轮廓信息序列S的构建。
4)对于轮廓信息序列S，轮廓点坐标以(xj,yj)形式表示，j＝1,2…ns，ns为轮廓点总数，j为轮廓信息序列S中的轮廓点序数，按以下公式计算其质心O的坐标(xo,yo)：
5)以轮廓质心O为极点，x轴正半轴为极轴的正方向，建立极坐标系，然后按以下公式将玉米籽粒轮廓信息序列S中的各个轮廓点在直角坐标系下的坐标(xj,yj)转换为极坐标系下的极坐标(rj,θj)，获得极坐标系下的玉米籽粒轮廓信息序列Sp：
rj 2＝(xj-xo)2+(yj-yo)2
6)如图3所示，根据极坐标系下的玉米籽粒轮廓信息序列Sp构建长度为360/Δθ的轮廓质心距离序列R，对轮廓质心距离序列R进行归一化处理得到轮廓特征向量F：
6.1)极坐标系下的玉米籽粒轮廓信息序列Sp中，以任意一个极角作为起始角度θ0，并将其存为轮廓质心距离序列R的第一个元素；
6.2)搜索极角和起始角度θ0之间的差值|θj-θ0|最小的轮廓点，将该轮廓点的极径rj存入轮廓质心距离序列R的末尾；
6.3)然后依次增加极角的角度Δθ；
6.4)重复上述步骤6.2)～6.3)不断处理直至搜索完整一圈圆周，则完成轮廓质心距离序列R的构建，得到如图7所示的轮廓采样结果；
6.5)然后按以下公式对轮廓质心距离序列R中每个轮廓点的极径进行归一化处理，得到轮廓特征向量F：
rj′＝(lmax-lmin)×(rj-rmin)/(rmax-rmin)+lmin
本例中θ0＝90°，Δθ＝10°，轮廓特征向量F为1×36的行向量。
7)对于N个样本玉米籽粒图像，重复步骤1)至步骤6)，获得各自的轮廓特征向量F。为了充分利用样本对该特征效果进行测试，用“1”代表完整粒，“0”代表破碎粒，正确地给N个样本添加标签，随后分为k组，每次将k-1组作为训练集投入BP神经网络进行训练剩下的1组作为测试集进行试验，每次试验都会得出相应的准确率，k次分类准确率的平均值作为分类器的评价指标，利用该值调节BP神经网络的参数，实现玉米破碎粒的有效检测。
本例中N＝687，k＝10，BP神经网络参数设置为输入层36，隐藏层23，输出层2，最大训练次数1000，期望误差0.001，学习率0.01。
如下表1和表2所示，本例中训练集和测试集的平均准确率均在90％以上，两者差值在3％左右；训练集每次分类的准确率均高于测试集，不存在明显过拟合和欠拟合情况。
表1
| 完整粒 | 破碎粒 | 平均 |
| 99.1％ | 93.0％ | 97.0％ |
表2
| 完整粒 | 破碎粒 | 平均 |
| 97.3％ | 88.2％ | 94.2％ |
本例中训练集每次分类的完整粒准确率和破碎粒准确率大体上分别高于测试集的完整粒准确率和破碎粒准确率；个别次测试集的完整粒准确率或破碎粒准确率高于训练集，这种情况是样本分布不均所致，即训练集样本表征的情况多且分散，而测试集样本恰好包含于训练集样本表征的情况中且属于较易被识别的情况，与方法本身无关。
Claims (5)
1.一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法，其特征在于该方法的步骤如下：
1)获取玉米籽粒图像，以图像的左上角点为原点，以图像水平向右方向为x轴正方向，以图像竖直向下方向为y轴正方向，建立直角坐标系；
2)对玉米籽粒图像依次进行分段灰度变换、滤波、图像分割和轮廓提取，绘制轮廓图像E；
所述步骤2)具体是：
2.1)利用大津法对玉米籽粒图像处理获得初始阈值T；
2.2)构建以T/2为区间中心的感兴趣灰度区间[T/6，5T/6]；
2.3)将玉米籽粒图像的像素灰度值f(xi，yi)按以下公式进行分段灰度变换，得到变换后图像的像素灰度值为g(xi，yi)：
其中，f(xi，yi)表示玉米籽粒图像中像素点(xi，yi)的灰度值，g(xi，yi)表示分段灰度变换后的玉米籽粒图像中像素点(xi，yi)的灰度值，γ表示曲线形状参数，γ指定f(xi，yi)和g(xi，yi)关系的曲线形状；
2.4)然后依次进行滤波、图像分割处理获得二值图像I，对二值图像I进行轮廓提取并绘制获得轮廓图像E；
3)扫描轮廓图像E，构建直角坐标系下长度为ns的玉米籽粒轮廓信息序列S；
4)计算轮廓质心O的坐标(xo，yo)；
5)建立极坐标系，将直角坐标系下的玉米籽粒轮廓信息序列S转换为极坐标系下的玉米籽粒轮廓信息序列Sp；
6)根据极坐标系下的玉米籽粒轮廓信息序列Sp构建长度为360/Δθ的轮廓质心距离序列R，对轮廓质心距离序列R进行归一化处理得到轮廓特征向量F；
所述步骤6)具体是：
6.1)极坐标系下的玉米籽粒轮廓信息序列Sp中，以任意一个极角作为起始角度θ0，并将其存为轮廓质心距离序列R的第一个元素；
6.2)搜索极角和起始角度θ0之间的差值|θj-θ0|最小的轮廓点，将该轮廓点的极径rj存入轮廓质心距离序列R的末尾；
6.3)然后依次增加极角的角度Δθ；
6.4)重复上述步骤6.2)～6.3)不断处理直至搜索完整一圈圆周，则完成轮廓质心距离序列R的构建；
6.5)然后按以下公式对轮廓质心距离序列R中每个轮廓点的极径进行归一化处理，得到轮廓特征向量F：
rj′＝(lmax-lmin)×(rj-rmin)/(rmax-rmin)+lmin
其中，rmax和rmin分别是轮廓质心距离序列R中所有轮廓点极径的最大值和最小值，[lmin，lmax]是极径映射范围，lmax＝1，lmin＝-1，rj′是归一化后的轮廓点的极径；
7)采集已知是否为玉米破碎粒的样本玉米籽粒图像，重复步骤1)至步骤6)获得轮廓特征向量F，然后将N个样本玉米籽粒图像的轮廓特征向量F与图像是否为玉米破碎粒的标签一起输入到BP神经网络中进行训练；
然后采集待测玉米籽粒图像，重复步骤1)至步骤6)获得轮廓特征向量F，将轮廓特征向量F输入到训练好的BP神经网络中获得是否为玉米破碎粒的检测结果。
2.根据权利要求1所述的一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法，其特征在于：所述的玉米籽粒图像为玉米籽粒的胚面或胚乳面的正面拍摄图像。
3.根据权利要求1所述的一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法，其特征在于：所述步骤3)具体是：
3.1)扫描轮廓图像E，以轮廓上任意一个轮廓点A0作为起始点，将其坐标存为玉米籽粒轮廓信息序列S的第一个元素；
3.2)从起始点开始，沿顺时针方向搜索起始点的8邻域内的轮廓点作为下一轮廓点，并将搜索到下一轮廓点坐标存入玉米籽粒轮廓信息序列S的末尾；
3.4)以下一轮廓点作为起始点，重复上述步骤3.2)不断处理直到搜索回到步骤3.1)的轮廓点A0，则完成玉米籽粒轮廓信息序列S的构建。
4.根据权利要求1所述的一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法，其特征在于：所述步骤4)具体按以下公式计算轮廓质心O的坐标(xo，yo)：
其中，(xj，yj)表示玉米籽粒轮廓信息序列S中的轮廓点的横纵坐标，j＝1,2…ns，ns为玉米籽粒轮廓信息序列S中的轮廓点总数，j为玉米籽粒轮廓信息序列S中的轮廓点序数。
5.根据权利要求1所述的一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法，其特征在于：所述步骤5)具体是：以轮廓质心O为极点，x轴正半轴为极轴的正方向，建立极坐标系，然后按以下公式将玉米籽粒轮廓信息序列S中的各个轮廓点在直角坐标系下的坐标(xj，yj)转换为极坐标系下的极坐标(rj，θj)，获得极坐标系下的玉米籽粒轮廓信息序列Sp：
rj 2＝(xj-xo)2+(yj-yo)2
其中，rj为极径，θj为极角，用角度制表示，区间为[0°，360°]。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711479933.3A CN108230307B (zh) | 2017-12-29 | 2017-12-29 | 一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711479933.3A CN108230307B (zh) | 2017-12-29 | 2017-12-29 | 一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108230307A CN108230307A (zh) | 2018-06-29 |
| CN108230307B true CN108230307B (zh) | 2022-01-14 |
Family
ID=62647189
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711479933.3A Active CN108230307B (zh) | 2017-12-29 | 2017-12-29 | 一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108230307B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109766742B (zh) * | 2018-11-20 | 2022-12-06 | 安徽农业大学 | 一种玉米籽裂纹识别方法、装置、系统、设备和存储介质 |
| CN109886984B (zh) * | 2019-01-22 | 2021-01-08 | 浙江大学 | 利用前后景灰度差和深度学习网络的图像精确分割方法 |
| CN109949323B (zh) * | 2019-03-19 | 2022-12-20 | 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作物种子净度判断方法 |
| CN110569857B (zh) * | 2019-07-28 | 2022-05-06 | 景德镇陶瓷大学 | 一种基于质心距离计算的图像轮廓角点检测方法 |
| CN112101108B (zh) * | 2020-08-11 | 2024-06-18 | 东南大学 | 一种基于图形极点位置特征的左右转交通标志识别方法 |
| CN116503402B (zh) * | 2023-06-26 | 2023-09-08 | 中储粮成都储藏研究院有限公司 | 一种粮食并肩杂质含量的检测方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103743750A (zh) * | 2014-01-14 | 2014-04-23 | 中国科学院自动化研究所 | 一种大口径光学元件表面损伤分布图的生成方法 |
| CN106483135A (zh) * | 2016-10-12 | 2017-03-08 | 河北农业大学 | 基于机器视觉的复杂背景下玉米粒检测识别装置及方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1753506A (zh) * | 2005-10-07 | 2006-03-29 | 南京大学 | Cmos图像实时增强预处理实现方法 |
| US20080317355A1 (en) * | 2007-06-21 | 2008-12-25 | Trw Automotive U.S. Llc | Method and apparatus for determining characteristics of an object from a contour image |
| US8537171B2 (en) * | 2011-05-13 | 2013-09-17 | Samsung Display Co., Ltd. | Piecewise non-causal compression and subsequent decompression of quantized data for processing of decompressed data in higher precision processing space |
| CN104484653A (zh) * | 2014-12-16 | 2015-04-01 | 郑州大河智信科技股份公司 | 一种基于图像识别技术的坏玉米粒检测方法 |
| CN107516311A (zh) * | 2017-08-08 | 2017-12-26 | 中国科学技术大学 | 一种基于gpu嵌入式平台的玉米破损率检测方法 |
-
2017
- 2017-12-29 CN CN201711479933.3A patent/CN108230307B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103743750A (zh) * | 2014-01-14 | 2014-04-23 | 中国科学院自动化研究所 | 一种大口径光学元件表面损伤分布图的生成方法 |
| CN106483135A (zh) * | 2016-10-12 | 2017-03-08 | 河北农业大学 | 基于机器视觉的复杂背景下玉米粒检测识别装置及方法 |
Non-Patent Citations (4)
| Title |
|---|
| Corn Kernel Breakage Classification by Machine Vision Using a Neural Network Classifier;K. Liao等;《Transactions of the ASABE (American Society of Agricultural and Biological Engineers)》;19930131;第36卷(第6期);第1949-1953页 * |
| Plant Leaf Recognition using Shape based Features and Neural Network classifiers;Jyotismita Chaki等;《(IJACSA) International Journal of Advanced Computer Science and Applications》;20111231;第2卷(第10期);第411-471页 * |
| 人体视觉分析中特征提取与分类算法的研究;王双梅;《中国优秀博硕士学位论文全文数据库（硕士） 信息科技辑》;20051115(第07期);第I138-609页 * |
| 基于计算机视觉的玉米粒形检测方法;万鹏等;《中国粮油学报》;20110531;第26卷(第5期);第107-110页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108230307A (zh) | 2018-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108230307B (zh) | 一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法 | |
| CN109101924B (zh) | 一种基于机器学习的路面交通标志识别方法 | |
| CN104866862B (zh) | 一种带钢表面面积型缺陷识别分类的方法 | |
| WO2021062904A1 (zh) | 基于病理图像的tmb分类方法、系统及tmb分析装置 | |
| CN107437243B (zh) | 基于x光图像的轮胎杂质检测方法及装置 | |
| CN112699876B (zh) | 一种用于集气站多类型仪表自动读数方法 | |
| CN109859181A (zh) | 一种pcb焊点缺陷检测方法 | |
| CN106909941A (zh) | 基于机器视觉的多表字符识别系统及方法 | |
| CN104198497B (zh) | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 | |
| CN111861103B (zh) | 一种基于多特征与多分类器的鲜茶叶分类方法 | |
| CN102680414B (zh) | 基于机器视觉的红提葡萄自动分级装置及其方法 | |
| CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
| CN108668637A (zh) | 一种机器视觉自然放置葡萄串抓取点定位方法 | |
| CN105931225B (zh) | 一种基于实时图像检测技术分析晶体生长形状和尺寸分布的方法 | |
| CN109684938A (zh) | 一种基于作物冠层航拍俯视图的甘蔗株数自动识别方法 | |
| CN102324032A (zh) | 一种基于极坐标系下灰度共生矩阵的纹理特征提取方法 | |
| CN109886277A (zh) | 一种基于轮廓分析的茶鲜叶识别方法 | |
| CN104990892A (zh) | 种子的光谱图像无损鉴别模型建立方法及种子鉴别方法 | |
| Güneş et al. | Determination of the varieties and characteristics of wheat seeds grown in Turkey using image processing techniques | |
| CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
| Wang et al. | Segmentation of corn leaf disease based on fully convolution neural network | |
| CN112036384A (zh) | 精子头部形态识别方法、装置及设备 | |
| Zhang et al. | A novel image detection method for internal cracks in corn seeds in an industrial inspection line | |
| CN107944453A (zh) | 基于Hu不变矩和支持向量机SVM的高压套管检测方法 | |
| CN114863106A (zh) | 一种离心式撒肥颗粒分布检测方法 |
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 |