CN108764294B - 基于玉米果穗对称性的行数自动检测方法 - Google Patents
基于玉米果穗对称性的行数自动检测方法 Download PDFInfo
- Publication number
- CN108764294B CN108764294B CN201810399764.0A CN201810399764A CN108764294B CN 108764294 B CN108764294 B CN 108764294B CN 201810399764 A CN201810399764 A CN 201810399764A CN 108764294 B CN108764294 B CN 108764294B
- Authority
- CN
- China
- Prior art keywords
- row
- actual measurement
- theoretical model
- ear
- peaks
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明的玉米穗行数计数的快速自动检测方法主要有三大步骤,首先,根据穗行数为偶数,并且穗横断面具旋转对称性理论,建立行间隙理论模型。其次,采集玉米果穗的正侧面图像,突出显示籽粒行间隙,获取行间隙实测模式。最后,将实测模式与理论模型进行匹配校验,获得二者之间距离最小者对应的理论模型,该理论模型的穗行数即是所求的穗行数。本发明步骤简单、计算量小,检测准确度高。
Description
技术领域
本发明涉及一种基于玉米果穗对称性的行数自动检测方法。
背景技术
玉米果穗上的籽粒行数(简称穗行数)是玉米的重要农艺性状之一。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。
最早,玉米穗行数需要人工计数,容易出现因疲劳或者粗心出差错、效率低等问题。随着自动化系统的进步,出现了自动计数软硬件系统,但是,目前的自动计数方法要么需要要事先折断完整果穗,然后处理横断面图像,要么需要360度图像旋转法进行图像采集和图像合成,操作步骤麻烦。而且,整个过程计算数据量大,步骤繁琐。
发明内容
为了克服上述问题,本发明提供了一种步骤简单、计算量小,检测准确度高的基于玉米果穗对称性的行数自动检测方法。
为了解决上述问题,本发明采用以下技术方案:
一种基于玉米果穗对称性的行数自动检测方法,其特征在于,包括以下步骤:
A、建立籽粒行间隙理论模型,具体步骤如下:
a1、在果穗横断面内以籽粒行间隙位置为顶点,作正N边型;
a2、过正N边形的最低顶点作一条水平线,作为X坐标轴;记正N边形准上半部分(可以被垂直平行光照到的部分)各顶点的垂直投影,即X坐标值为标记点;全部标记点集合MN;定义旋转角等于360°/N,将旋转角作k等分,分别将正N边形依等分角进行微旋转,得到一系列集合MNi,i=1,2,...,k,即为理论模型;
B、获取籽粒行间隙实测模式,具体步骤如下:
b1、采集玉米果穗正侧面的单幅RGB图像g0;
b2、将g0转换为灰度图像,消除背景噪声,获取籽粒间隙为明,籽粒为暗的图像;
b3、从b2获得的图像中截取果穗中段图像;沿籽粒行方向对果穗中段图像的亮度值求和,再对和值进行滑动平均滤波,得籽粒行间隙亮度值分布曲线;
B4、定义b3中籽粒行间隙亮度值分布曲线的峰集合的子集为实测子模式,设实测模式的峰数目为R,理论模型的标记点数目为E,且R>=E;实测子模式的数目等于从R个元素集合中一次取E个元素的组合数目;
C、实测模式与理论模型匹配校验,具体步骤如下:
c1、定义理论模型与实测模式的距离D如下:
式中,XM为理论模型标记点X坐标值;row为实测模式峰点X坐标值;j为实测子模式集合中的元素序号;
c2、遍历所有实测子模式,分别计算其与穗行数N=2、14、16、18、20、22的理论模型的距离,找出每个实测子模式的距离最小值及其对应的理论模型;
c3、取所有实测子模式中距离最小值集合中的最小值及其对应的理论模型,此模型对应的穗行数就是该样品穗的籽粒行数目。
进一步的,从步骤C的理论模型中筛选出候选模型进行匹配校验;只有候选模型进行匹配检测,其它理论模型不参与检测;
所述候选模型为:理论模型的标记点数目大于等于实测模式的核心峰数目,且小于等于峰数目的集合;
所述核心峰为:其相对峰高大于指定阈值的峰;其中相对峰高等于一个峰的高度减去两个邻谷谷底最高者的高度;阈值取相对峰高的均值;
凡是核心峰,必须在所有实测子模式中都出现,只有非核心峰才进行随机组合。
该方法同样适用于穗行数小于12,或者大于22的情形,只需要扩充相应穗行数的理论模型即可。
本发明的有益效果如下:
本发明依据籽粒行在果穗上呈旋转对称分布理论获得的行间隙分布称为理论模型,根据实测模式和理论模型之间的匹配度高低就可以实现穗行数的检测,该方法既克服了人工计数易于疲劳出差错、效率低等缺陷,又省略了横断面图像处理法需要事先折断完整果穗的操作环节,还避免了360度图像旋转法的大数目图像采集和图像合成环节。
本发明提出了实测子模式消除了虚峰的干扰。为了提高匹配检测的速度,需要有效减少组合数目,提出定义了核心峰。
附图说明
图1为穗行数等于12的理论模型的四个示例图;
图2为整个玉米穗籽粒间隙灰度图;
图3为图1中玉米穗中段图;
图4为玉米穗中段籽粒间隙灰度沿穗长方向累加和,即籽粒行间隙亮度值分布曲线。
具体实施方式
本发明的玉米穗行数计数的快速自动检测方法主要有三大步骤。首先,根据穗行数为偶数,并且穗横断面具旋转对称性理论,建立行间隙理论模型。其次,采集玉米果穗的正侧面图像,突出显示籽粒行间隙,获取行间隙实测模式。最后,将实测模式与理论模型进行匹配校验,获得二者之间距离最小者对应的理论模型,该理论模型的穗行数即是所求的穗行数。
具体步骤如下:
A、建立行间隙理论模型
根据玉米生物学知识可知,其果穗的籽粒行数一般是偶数N,取值为集合{12,14,16,18,20,22}中元素之一。当然,该方法同样适用于穗行数小于12,或者大于22的情形,只需要扩充相应穗行数的理论模型即可。而且,在穗横断面上,籽粒行具有旋转对称性,旋转角等于360/N。同理,籽粒行间隙也具有完全相同的旋转对称性,即行间隙位置正对着果穗横断面内接正N边形的顶点。
过最低顶点作一条水平线,作为X坐标轴。记正N边形准上半部分(准上半部分即将玉米果穗平放后被垂直平行光照到的部分)各顶点的垂直投影,即X坐标值为标记点,全部标记点记为集合MN,简称为理论模型。显然,每个X坐标值都对应一条籽粒行间隙。将旋转角作k等分,分别将正N边形依等分点进行微旋转,得到一系列集合MNi,i=1,2,...,k。图1例子中有四个模型(图中数字编号1‐4,下述为子图1‐4)分别是穗行数等于12时,K=1时(未旋转,子图1),K=2时且逆时针旋转15°,子图2),K=4(逆时针旋转7.5°,子图3;顺时针旋转7.5°,子图4)时的理论模型示例,水平线上的点为标记点。
表1是穗行数N=2、14、16、18、20、22对应的理论模型的一部分示例。
表1玉米穗行数基本理论模型
B、获取行间隙实测模式
在玉米果穗反色图像上,沿穗长方向计算籽粒行间隙亮度值的累加和,此和值沿穗粗(即穗径向)方向有明显波动,此波动曲线便是行间隙分布。显然,分布的峰对应着行间隙。因此,峰的数目及其间距就是行间隙在果穗上分布的一种映射。获取行间隙实测模式的主要步骤如下。
b1、采集图像。采集玉米果穗正侧面的单幅RGB图像g0。
b2、分割果穗与背景。将g0转换为灰度图像,接着采用边缘检测算法和内部区域填充法,再消除背景噪声,最终获得清晰的果穗部分。果穗部分用1表示,背景部分用0表示,此二值图像为f1。不妨假设f1中果穗竖直摆放。
获取籽粒间隙为明,籽粒为暗的图像。以f1为掩模,计算g0图像果穗部分的反色图(complement)f2。将f2转换至HSV空间,以f1为掩模,对V分量进行直方图均等化,其结果与f1背景合并为图像f3(即图2中所示)。显然,图像f3是一幅灰度图像。在f3中,籽粒间隙为明亮,籽粒为暗淡。该步骤中获取籽粒间隙为明,籽粒为暗的图像的方法均为现有技术,在这里不再赘述。当然,本方法并不局限于对HSV色彩模型进行直方图均等化,可以采用其它适当方法进行直方图均等化。
b3、获取籽粒行间隙水平分布。自f3中截取果穗中段,其长度为1/4穗长,此为f4图像(即附图3所示)。对f4沿籽粒行方向即竖直方向求和。再对和值进行滑动平均滤波,得籽粒行间隙水平分布。显然,如图4所示,此分布的峰对应着籽粒行间隙,谷对应着籽粒行,称此分布为行间隙实测模式。滤波窗口宽度值一般取奇数,最小不小于3像素,最大不超过floor(果穗粗像素数目/22)。
b4、籽粒的大小和形状及其在果穗上排列既有规则性又有随机性。这种玉米生长的随机性,还有在图像采集过程中产生的噪声,导致行间隙分布的实际模式可能存在虚峰,即没有一个实际行间隙与此峰相对应。虚峰严重干扰根据实际模式与理论模型之间匹配检测。虚峰一般出现在果穗图像两侧边缘附近,并且常常表现为肩峰。
为消除虚峰的干扰,考虑在匹配检测时,使用了实测子模式概念。所谓实测子模式,就是指实测模式峰集合的子集。设实测模式的峰数目为R,理论模型的标记点数目为E,且R>=E。子集的数目等于从R个元素集合中一次取E个元素的组合数目。当R较大,且与E相差较大时,组合数目非常大,影响匹配检测的速度。
为了提高匹配检测的速度,需要有效减少组合数目。为此,本发明提出核心峰的概念。核心峰是指其相对峰高大于指定阈值的峰,其中相对峰高等于一个峰的高度减去两个邻谷谷底最高者的高度。阈值一般取相对峰高的均值。凡是核心峰,规定必须在所有子集中都出现。也就是说,只有非核心峰才进行随机组合。显然,下列等式成立:标记点数=种子峰数目+组合中非种子峰数目。
C、实测模式与理论模型匹配校验
c1、通过线性变换,使理论模型标记点在X轴上取值区间与实测子模式在X轴上取值区间完全重合。
定义理论模型与实测子模式的距离D如下:
式中,XM为理论模型标记点X坐标值;row为实测模式峰点X坐标值;j为集合中的元素序号。
距离数值越小,说明实测子模式与理论模型越接近。距离数值为零时表示实测子模式与理论模型完全匹配。由于存在玉米生长噪声和图像采集噪声,所以,完全匹配情形非常罕见。为了提高检测速度,需要减少匹配检测次数。鉴于实测模式峰数目总是大于等于理论模型的标记点数目的事实,规定符合以下条件的理论模型作为候选模型:理论模型的标记点数目大于等于实测模式的核心峰数目,且小于等于峰数目。只有候选模型进行匹配检测,其它理论模型不参与检测。
c2、对于一个玉米果穗的实测子模式,分别计算其与穗行数N=12、14、16、18、20、22的理论模型的距离。找出该子模式的距离最小值及其对应的理论模型。遍历所有实测子模式,分别找出各实测子模式的距离最小值及其对应的理论模型。
c3、最后,再找出距离最小值中的最小值及其对应的理论模型,此模型对应的穗行数就是该样品穗的籽粒行数目。
Claims (3)
1.一种基于玉米果穗对称性的行数自动检测方法,其特征在于,包括以下步骤:
A、建立籽粒行间隙理论模型,具体步骤如下:
a1、在果穗横断面内以籽粒行间隙位置为顶点,作正N边型;
a2、过正N边形的最低顶点作一条水平线,作为X坐标轴;记正N边形准上半部分各顶点的垂直投影,即X坐标值为标记点;全部标记点集合MN;定义旋转角等于360°/N,将旋转角作k等分,分别将正N边形依等分角进行微旋转,得到一系列集合MNi,i=1,2,...,k,即为理论模型;
B、获取籽粒行间隙实测模式,具体步骤如下:
b1、采集玉米果穗正侧面的单幅RGB图像g0;
b2、将g0转换为灰度图像,消除背景噪声,获取籽粒间隙为明,籽粒为暗的图像;
b3、从b2获得的图像中截取果穗中段图像;沿籽粒行方向对果穗中段图像的亮度值求和,再对和值进行滑动平均滤波,得籽粒行间隙亮度值分布曲线;
b4、定义b3中籽粒行间隙亮度值分布曲线的峰集合的子集为实测子模式,设实测模式的峰数目为R,理论模型的标记点数目为E,且R>=E;实测子模式的数目等于从R个元素集合中一次取E个元素的组合数目;
C、实测模式与理论模型匹配校验,具体步骤如下:
c1、定义理论模型与实测模式的距离D如下:
D=∑j(XM-row)2
式中,XM为理论模型标记点X坐标值;row为实测模式峰点X坐标值;j为实测子模式集合中的元素序号;
c2、遍历所有实测子模式,分别计算其与穗行数N=12、14、16、18、20、22的理论模型的距离,找出每个实测子模式的距离最小值及其对应的理论模型;
c3、取所有实测子模式中距离最小值集合中的最小值及其对应的理论模型,此模型对应的穗行数就是样品穗的籽粒行数目。
2.根据权利要求1所述的基于玉米果穗对称性的行数自动检测方法,其特征在于:从步骤C的理论模型中筛选出候选模型进行匹配校验;只有候选模型进行匹配检测,其它理论模型不参与检测;
所述候选模型为:理论模型的标记点数目大于等于实测模式的核心峰数目,且小于等于峰数目的集合;
所述核心峰为:其相对峰高大于指定阈值的峰;其中相对峰高等于一个峰的高度减去两个邻谷谷底最高者的高度;阈值取相对峰高的均值;
凡是核心峰,必须在所有实测子模式中都出现,只有非核心峰才进行随机组合。
3.根据权利要求1所述的基于玉米果穗对称性的行数自动检测方法,其特征在于:该方法同样适用于穗行数小于12,或者大于22的情形,只需要扩充相应穗行数的理论模型即可。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810399764.0A CN108764294B (zh) | 2018-04-28 | 2018-04-28 | 基于玉米果穗对称性的行数自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810399764.0A CN108764294B (zh) | 2018-04-28 | 2018-04-28 | 基于玉米果穗对称性的行数自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108764294A CN108764294A (zh) | 2018-11-06 |
CN108764294B true CN108764294B (zh) | 2021-04-30 |
Family
ID=64012382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810399764.0A Expired - Fee Related CN108764294B (zh) | 2018-04-28 | 2018-04-28 | 基于玉米果穗对称性的行数自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764294B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381819A (zh) * | 2020-12-07 | 2021-02-19 | 云南省烟草公司昆明市公司 | 基于hsv颜色模型的植保雾滴检测方法 |
CN115345880B (zh) * | 2022-10-18 | 2023-03-24 | 浙江托普云农科技股份有限公司 | 基于玉米果穗单侧扫描图的玉米果穗性状估测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093456A (zh) * | 2012-12-25 | 2013-05-08 | 北京农业信息技术研究中心 | 基于图像的玉米果穗性状指标计算方法 |
CN103190224A (zh) * | 2013-03-26 | 2013-07-10 | 中国农业大学 | 基于计算机视觉技术的玉米果穗考种方法、系统和装置 |
CN104881652A (zh) * | 2015-06-01 | 2015-09-02 | 安阳工学院 | 一种基于玉米穗凸性特征的行数自动检测算法 |
-
2018
- 2018-04-28 CN CN201810399764.0A patent/CN108764294B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093456A (zh) * | 2012-12-25 | 2013-05-08 | 北京农业信息技术研究中心 | 基于图像的玉米果穗性状指标计算方法 |
CN103190224A (zh) * | 2013-03-26 | 2013-07-10 | 中国农业大学 | 基于计算机视觉技术的玉米果穗考种方法、系统和装置 |
CN104881652A (zh) * | 2015-06-01 | 2015-09-02 | 安阳工学院 | 一种基于玉米穗凸性特征的行数自动检测算法 |
Non-Patent Citations (2)
Title |
---|
"Fluorescence imaging spectroscopy(FIS) for comparing spectra from corn ears naturally and artificially infected with aflatoxin producing fungus";Hruska Z,;《Journal of Food Science》;20131231;第78卷(第8期);第313-320页 * |
"基于线阵扫描图像的玉米果穗性状检测技术";柳冠伊;《农业机械学报》;20121231;第44卷(第11期);第276-280页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108764294A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114723701B (zh) | 基于计算机视觉的齿轮缺陷检测方法和系统 | |
CN115018828B (zh) | 一种电子元器件的缺陷检测方法 | |
CN113689428B (zh) | 基于图像处理的机械零件应力腐蚀检测方法及系统 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN108764294B (zh) | 基于玉米果穗对称性的行数自动检测方法 | |
WO2023070593A1 (zh) | 线宽测量方法、装置、计算处理设备、计算机程序及计算机可读介质 | |
CN110793462B (zh) | 基于视觉技术的尼龙齿轮分度圆测量方法 | |
CN116703251B (zh) | 基于人工智能的胶圈生产质量检测方法 | |
CN115600119A (zh) | 适用于风力发电的数据处理方法及系统 | |
CN115049671A (zh) | 基于计算机视觉的布匹表面缺陷检测方法及系统 | |
CN115661143B (zh) | 用于MiniLED晶圆缺陷的快速检测系统 | |
CN109961432A (zh) | 一种滤布破损的检测方法和系统 | |
CN111145205B (zh) | 基于红外图像的多猪只场景下猪体温检测方法 | |
CN116523898A (zh) | 一种基于三维点云的烟草表型性状提取方法 | |
CN117315289B (zh) | 基于图像处理的航空发动机叶片轮廓边缘检测方法 | |
CN117437223A (zh) | 一种高速板对板连接器缺陷智能检测方法 | |
CN105279244B (zh) | 甘蔗种芽分类特征数据库的建立方法 | |
CN105488798B (zh) | 基于点集对比的sar图像相似性度量方法 | |
CN116757972A (zh) | 一种抗光影噪声影响的织物缺陷检测方法 | |
CN104881652B (zh) | 一种基于玉米穗凸性特征的行数自动检测方法 | |
CN115862006A (zh) | 一种面粉磨粉过程中麸星的检测方法 | |
CN104794716B (zh) | 基于图像分形特征的图像质量客观评价方法 | |
CN112950479A (zh) | 一种图像灰度区域拉伸算法 | |
CN110874850A (zh) | 一种面向目标定位的实时单边网格特征配准方法 | |
CN110838101A (zh) | 一种基于边缘特性的图像分割质量评价方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210430 |
|
CF01 | Termination of patent right due to non-payment of annual fee |