CN109447945A - 基于机器视觉和图形处理的小麦基本苗快速计数方法 - Google Patents

基于机器视觉和图形处理的小麦基本苗快速计数方法 Download PDF

Info

Publication number
CN109447945A
CN109447945A CN201811108380.5A CN201811108380A CN109447945A CN 109447945 A CN109447945 A CN 109447945A CN 201811108380 A CN201811108380 A CN 201811108380A CN 109447945 A CN109447945 A CN 109447945A
Authority
CN
China
Prior art keywords
wheat
image
pixel
connected region
seedling
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
Application number
CN201811108380.5A
Other languages
English (en)
Other versions
CN109447945B (zh
Inventor
许鑫
乔红波
熊淑萍
张娟娟
冯洋洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan Agricultural University
Original Assignee
Henan Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan Agricultural University filed Critical Henan Agricultural University
Priority to CN201811108380.5A priority Critical patent/CN109447945B/zh
Publication of CN109447945A publication Critical patent/CN109447945A/zh
Application granted granted Critical
Publication of CN109447945B publication Critical patent/CN109447945B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

一种基于机器视觉和图形处理的小麦基本苗快速计数方法，以解决现有的小麦基本苗计数计数效率低的技术问题。包括以下步骤：基本苗图像的获取、图像复原增强、目标计数，在目标计数中，采用连通区域面积对比法对经所述步骤S8处理后的图像处理计数，以获取小麦基本苗数量，这样能够读取并识别小麦苗的遮挡粘连，小麦基本苗数量等于各个连通区域中统计出的小麦苗株数量。通过采用机器视觉和图形处理方法，计数效率高，适宜于大范围的统计小麦种植量或发芽量。

Description

基于机器视觉和图形处理的小麦基本苗快速计数方法
技术领域
本发明属于农业种植信息采集处理技术领域，具体涉及一种基于机器视觉和图形处理的小麦基本苗快速计数方法。
背景技术
小麦是我国重要的粮食作物之一，小麦生产直接关系到国家粮食安全和社会稳定。小麦生产中，小麦基本苗情的调查和计数是确保小麦高产稳产的最基本农艺性状，也是预测小麦产量的重要参数之一。传统小麦基本苗数的确定多采用调查法，即在小麦苗期，通过人工计数的方式获取一定区域内的苗数，并折算为每亩基本苗，常用的方法为以下两种：
第一种方法是：①确定1米长度的双行小麦标本区，计数出平均每米的苗数；②获取小麦的平均行距；③根据公式“每亩基本苗数=每米平均苗数*667/平均行距”计算每亩基本苗数；
第二种方法是：①在试验田中随机选取若干点，每点对应于1m2方格的中心查计方格内苗数；②求该些点苗数的平均值；③根据公式“每亩基本苗数=每平方米平均苗数*667”。
然而采用上述人工计数的方法需要耗费大量的人力，物力和时间，并受天气条件影响，而且数据准确度受人为因素影响很大。不仅如此，在野外进行麦田基本苗计数调查，不仅劳动强度大，而且寒冷的环境对人也是一大考验。
因此，迫切需要一种可以快速、准确的小麦基本苗计数方法来解决上述问题。
发明内容
本发明要解决的技术问题是提供一种基于机器视觉和图形处理的小麦基本苗快速计数方法，以解决现有的小麦基本苗计数需要采用人工计数，计数效率低且劳动强度大、可靠性差的技术问题。
为了解决上述技术问题，本发明可以采用如下的技术方案。
设计一种基于机器视觉和图形处理的小麦基本苗快速计数方法，包括以下步骤：
步骤S1：小麦出苗后1-3叶期，采集小麦苗期图像，具体方式为，以相机镜头垂直于小麦行的走向拍摄，根据成像比例表达式（工作距离：视角=焦距：CCD大小），工作距离对应于拍摄距离，保证拍摄的照片像素尺寸对应为1m（小麦基本苗1m双行）的长度，即保证拍摄入图像的行长正好是1m，拍摄高度1.3m-1.6m，俯摄角度30°～60°；
步骤S2：读入所述步骤S1中采集到的图像，采用绿色通道阈值分割法进行图像处理后，获得纯麦苗图像；
步骤S3：对所述步骤S2中获得的纯麦苗图像进行灰度变换处理；
步骤S4：对所述步骤S3获得的灰度图像进行滤波处理；
步骤S5：依次对所述步骤S4中滤波处理后的图像进行图像二值化处理和非线性滤波处理；
步骤S6：对所述步骤S5中非线性滤波处理后的图像进行连通区域提取，其中，连通区域提取的算法是Canny算子边缘检测方法或Sobel算子边缘检测方法；
步骤S7：依次对所述步骤S6中连通区域提取后的图像进行填补边缘缝隙处理和内部填充处理；
步骤S8：对所述步骤S7中内部填充处理后的图像进行移除干扰处理，以移除图像中的非目标物的畸变点和/或连通区域为0的孤立点，其中，处理方法是，判断图像中的任一点的像素点是否为8连通区域，如果该点是8连通区域，则计算连通区域的面积，如果连通区域的面积＜自适应面积阀值，则删除该连通区域；如果该点不是8连通区域，则将该像素点删除；
步骤S9：采用连通区域面积对比法对经所述步骤S8处理后的图像处理计数，以获取小麦基本苗数量，所述连通区域面积对比法是，统计获取已知的小麦遮挡粘连的株数和连通区域面积范围对照表，将步骤S8获取的连通区域面积与已知的小麦遮挡粘连的株数和连通区域面积范围对照表依次对比，并标记该连通区域面积对应的小麦基本苗株数，统计出各个连通区域中的小麦苗株数量之和，再根据公式“每亩基本苗数=每米平均苗数*667/平均行距”即可计算出每亩基本苗数。
连通区域面积与对应的小麦粘连株数为建模时获取的统计经验值。
优选的，在所述步骤S2中，绿色通道阈值分割法为：从所述步骤S1中采集的图像的第一个像素点开始遍历全部像素，求出每个像素点的三个分量，若像素点的三个RGB分量满足G>B且G>R条件，则该像素点的灰度值保持不变；否则该像素点的值为0。
优选的，在所述步骤S3中，采用MATLAB软件的数字处理工具箱中rgb2gray()函数对所述步骤S2中获得的纯麦苗图像在YUV颜色空间中进行灰度变换处理。
优选的，在所述步骤S4中，同时采用中值滤波算法和高斯滤波算法对所述步骤S3获得的灰度图像进行滤波处理。
优选的，在所述步骤S5中，采用最大类间方差法对所述步骤S4中滤波处理后的图像进行图像二值化处理，以求得阈值T，所有≥阈值T的像素的灰度值调整为255，所有＜阈值T的像素的灰度值调整为0。
优选的，在所述步骤S5中，非线性滤波处理的方法是：先对二值化处理后的图像进行三次膨胀运算，设置三个长分别为9个像素、4个像素、4个像素，角度分别为85度、95度、105度直线型结构元素，扫描图像的每一个像素用结构元素与其覆盖的二值图像做“或”操作；然后进行一次腐蚀运算，创造一个长为1、角度为0度直线型结构元素，扫描图像的每一个像素用结构元素与其覆盖的二值图像做“与”操作。
优选的，在所述步骤S7中，填补边缘缝隙处理的方法是：设置一个长4，宽3.5线型结构元素，扫描图像的每一个像素用结构元素与其覆盖的二值图像做“或”操作；内部填充处理的方法是：逐行扫描图像，遍历存储边缘点坐标的队列，找出一行中的所有边缘点，在对其中两个边缘点之间的像素进行填充之前，首先判断邻近该两个边缘点的、且位于该两个边缘点之间的两个像素的灰度值是否同时等于背景的像素值，如果是，则不进行内部填充处理，如果否，则进行内部填充处理。
与现有技术相比，本发明的有益技术效果是：
1.本发明通过采用机器视觉和图形处理方法，避免人工一个个的计数，效率高，适宜于大范围的统计小麦大田基本数或出苗率。
2.本发明方法不仅可以降低劳动强度，节省人力物力，避免人为的不确定性因素的影响，而且在节约时间和方便取样的同时，能够很好的识别小麦基本苗遮挡黏连时的麦苗数量，准确可靠，不受人为因素影响。
3.本发明能够为小麦的栽培或育种研究减少相当的工作量，为提高研究数据的可信度提供可靠的支持。
附图说明
图1为本发明实施例1的步骤流程参考图。
图2为实施例1中采集到的其中一幅1米双行小麦基本苗图像。
图3对图2进行目标区域切割后的图像。
图4对图3进行阈值分割处理后的图像。
图5对图3进行灰度变换处理后的图像。
图6对图5进行高斯滤波处理后的图像。
图7对图6进行二值化处理后的图像。
图8对图7进行切割处理后的上行图像。
图9对图7进行切割处理后的下行图像。
图10对图8进行开运算处理后的图像。
图11对图9进行开运算处理后的图像。
图12对图10进行移除非目标区域处理后的图像。
图13对图11进行移除非目标区域处理后的图像。
图14对图12进行连通区域标记处理后的图像。
图15对图13进行连通区域标记处理后的图像。
图16对连通区域进行连通区域面积大小分类计数。
图17为实验1采集的小麦基本苗原图。
图18为采用本发明方法对图17进行处理后识别出的小麦基本苗，图中，标记“1”的连通区域对应一株小麦，标记“2”的连通区域对应两株小麦，标记“3”的连通区域对应三株小麦。
图19为实验2采集的小麦基本苗原图。
图20为采用本发明方法对图19进行处理后识别出的小麦基本苗，图中，标记“1”的连通区域对应一株小麦，标记“2”的连通区域对应两株小麦，标记“3”的连通区域对应三株小麦。
图21为实验3采集的小麦基本苗原图。
图22为采用本发明方法对图21进行处理后识别出的小麦基本苗，图中，标记“1”的连通区域对应一株小麦，标记“2”的连通区域对应两株小麦，标记“3”的连通区域对应三株小麦。
图23为实验4采集的小麦基本苗原图。
图24为采用本发明方法对图23进行处理后识别出的小麦基本苗，图中，标记“1”的连通区域对应一株小麦，标记“2”的连通区域对应两株小麦，标记“3”的连通区域对应三株小麦。
图25为实验5采集的小麦基本苗原图。
图26为采用本发明方法对图25进行处理后识别出的小麦基本苗，图中，标记“1”的连通区域对应一株小麦，标记“2”的连通区域对应两株小麦，标记“3”的连通区域对应三株小麦。
具体实施方式
下面结合附图和实施例来说明本发明的具体实施方式，但以下实施例只是用来详细说明本发明，并不以任何方式限制本发明的范围。以下实施例中所涉及的处理方法或步骤，如无特别说明，则均为已知的常规方法或步骤。
实施例一：基于机器视觉和图形处理的小麦基本苗快速计数方法，包括以下步骤，
（一）基本苗图像的获取
小麦基本苗的图像采集时间应在小麦苗期1-3叶期，在小麦苗期的3叶期以后，麦苗在图片上的叶子相互交叉叠加的情况较为严重，这样会影响识别的精度。本实施例中分别选取四块试验田，这四块试验田分别种植有豫麦49、西农509、周麦27、矮抗58这四种河南地区常见的小麦品种，并在小麦1-3叶期间进行图像采集。
为使本发明方法能够低成本的运用于农业生产实践中，图像采集设备的相机分辨率不低于500万像素，本实施例采用带500万像素定制相机，在1.5m拍摄距离下，选用常用8mm定焦镜头，CCD的传感器大小为5.33mm。1.5m的拍摄距离兼具舒适度和符合拍摄时的人体工程学。拍摄时，横持相机，使用自然光模式、固定焦距，以随机选取的试验处理小区内“一米双行麦苗”几乎充满屏幕的拍摄距离最佳。同时，拍照时也要尽量避免出现其它遮挡物及其阴影，否则会影响识别精度。获取的其中一幅基本苗图像见图1。相机镜头垂直于小麦行的走向以俯视45°的角度拍摄。
作为对比，在对比例中，在进行图像采集后，在上述图像采集所选取的相同的试验处理小区内人工计数对应的“一米双行麦苗”，之后再折算为单位面积内的基本苗数。
（二）复原增强
1.图像分割。绿色通道阈值分割法是一种基于颜色特征阈值选取的分割方法。算法描述：图像第一个像素点开始遍历全部像素，求出每个像素点的三个分量（分别是R、G、B，在RGB颜色空间模型中，R代表红色，G代表绿色，B代表蓝色。）若像素点的三个分量满足G>B且G>R条件，即绿色分量大于红色与蓝色分量，则该像素点的灰度值保持不变；否则该像素点的值为0。本实施例采用绿色通道阈值分割法对获取的基本苗图像（图2）进行图像分割，分割效果图如图3所示。绿色通道阈值分割法能够实现图像自动的阈值的确定与分割。
2.灰度变换。加权平均法是基于YUV颜色空间中Y的取值，在YUV颜色空间中，Y的分量表示亮度，即图像的灰度值，根据YUV和RGB颜色空间的变换关系可知Y与R、G、B三种颜色分量对应关系：Y=0.3R+0.59G+0.11B，从人体生理学角度所提出的一种权值（人眼对绿色的敏感最高，对蓝色敏感最低）。本实施例利用MATLAB软件的数字处理工具箱中rgb2gray()函数对图像分割处理后的图像进行灰度变换处理。
3.图像去噪。中值滤波方法是一种非线性平滑技术，它在平滑脉冲噪声方面非常有效，同时它可以保护图像尖锐的边缘，选择适当的点来替代污染点的值，所以处理效果好。本实施例中先采用中值滤波方法对灰度处理后的图像进行滤波处理，然后再采用高斯滤波方法对中值滤波后的图像再次滤波处理，这样能够结合两种滤波方法的优势，中值滤波和高斯滤波的先后顺序不会影响处理结果。
4.图像二值化。图像二值化处理是将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像，二值化后的图像的集合性质只与像素的值0或255的点的位置有关，不再涉及像素的多级值，使处理变得简单，而且数据的处理和压缩量小。处理后的图像只呈现黑、白两种颜色，有利于图像特征提取。最大类间方差法是一种全局阈值法，当阈值为T时，目标与背景两类的类间方差最大。基本原理是设当前景与背景的分割阈值为t时，前景像素点占图像比例为w0，灰度均值为u0，背景像素点占图像比例为w1，灰度均值为u1，则整个图像的均值u=w0*u0+w*u1。从最小灰度值到最大灰度值遍历t，当g(t)=w0*(u0-u)^2+w1*(u1-u)取最大值时，t为分割的最佳阈值。本实施例主要通过采用最大类间方差法求出最佳阈值T，所有大于或等于阈值的像素划分为小麦基本苗，该像素的灰度值为255，否则像素点划分为土壤，其灰度值为0。
5.非线性滤波。通常情况下，当有噪声的图像用阈值二值化后，所得到的边界是很不平滑的，物体区域具有一些错判的孔洞，背景区域散布着一些小的噪声物体。开运算是对一个图像先腐蚀再膨胀处理，可以显著的修正阈值二值化处理后的错判。闭运算是对一个图像先膨胀后腐蚀处理，具有填充物体内细小的空洞、连接邻近物体、在不明显改变物体面积的情况下平滑其边界的作用，能够把同一目标的不同连接区域连接，分离不同目标对象的邻近的连通区域，以便于对目标对象的边缘提取。本实施例中，先对二值化处理后的图像进行3次膨胀运算，创造三个长分别为9个像素、4个像素、4个像素，角度分别为85度、95度、105度直线型结构元素，扫描图像的每一个像素用结构元素与其覆盖的二值图像做“或”操作，如果都为0，结果图像的像素为0；否则为1。然后进行1次腐蚀运算，创造一个长为1，角度为0度直线型结构元素，扫描图像的每一个像素用结构元素与其覆盖的二值图像做“与”操作，如果都为1，结果图像的像素为0；否则为1。
6.连通区域提取。边缘是图像中灰度发生急剧变化像素点的集合，可以基于边缘特征对小麦基本苗图像进行识别。边缘检测目的提取目标的边缘信息特征，一般的方法是采用某种算法来提取图像中对象与背景间的交界线。
本实施例中采用的是canny算子边缘检测方法，它是寻找图像梯度的局部最大值。梯度是用高斯滤波器的导数计算的，Canny方法使用两个阈值来检测强边缘和弱边缘，而且当强边缘和弱边缘相连时，弱边缘才会包含在输出里。因此这种方法较其它方法而言不容易被噪声“填充”且更容易检测出真正的弱边缘。具体的，该算法流程是：首先用2D高斯滤波模板与原始图像进行卷积，以消除噪声；然后用一阶偏导的有限差分来计算梯度的幅值和方向；接着用梯度值进行非极大值抑制；最后用双阈值算法检测和连接边缘。
7.填补边缘缝隙。边缘检测后的图像有些部分目标为完全连接，在进行识别的时候，易一个目标物识别两个甚至更多目标物，因此，需要填补目标物边缘缝隙，方便连通区域统计计数。具体算法是：创造一个长4，宽3.5线型结构元素，扫描图像的每一个像素用结构元素与其覆盖的二值图像做“或”操作，如果都为0，结果图像的像素为0；否则为1。
8.内部填充。在实际应用中，由于某些噪声滤除效果不尽如意，在二值化的图像中会出现空洞，对目标识别造成影响。为了获取目标物内部大小特征，方便目标物筛选，需要填充目标物内部空隙。具体算法是：逐行扫描图像，遍历存储边缘点坐标的队列，找出一行中的所有边缘点，在对边缘点（1）与边缘点（2）之间的像素进行填充之前，首先判断（1）的右边的一个像素和（2）的左边像素的像素灰度值是否同时等于背景的像素值，如果是，那么（1）和（2）之间的像素点不进行填充，反之，则进行填充。
9.移除干扰。移除二值图像中不是目标物的畸变点、连通区域为0的孤立点等过小的结构，根据形状、大小特征对图像进行筛选，利于准确统计连通区域的个数。具体算法是：从图像第一个像素点开始遍历全部像素，访问二值图像每一个点，判断该像素点是否为8连通邻域，如果是，计算连通区域的面积，如果面积小于自适应面积阈值，将该连通区域删除，否则，保留下来；如果不是8连通区域甚至不是任何连通区域，仅仅是一个像素点，采用形态学处理，将这个孤立的像素点去除掉。
（三）目标计数
采用连通区域面积对比法对经所述移除干扰处理后的图像处理计数，以获取小麦基本苗数量，所述连通区域面积对比法是，根据连通区域面积大小自动统计划分连通区域类型，第一类是面积过小不符合要求，计数为0，第二类是连通区域面积正好对应相应的一株小麦苗，计数为1，第三类连通区域面积相对应两株小麦，计数为2，第四类连通区域面积相对应三株小麦苗，计数为3，以此类推，小麦基本苗数量等于各个连通区域中统计出的小麦苗株数量之和。统计连通区域面积大小的不同来划分连通区域类型，
1.是通过算法统计划分面积小于统计最小阈值（如：960），计数为0；
2. 通过算法统计划分连通区域面积大于最小阈值小于2株小麦面积连通区域（如大于960，小于1223），计数为1；
3. 通过算法统计划分连通区域面积相对应两株小麦（如大于1223，小于1552），以此类推，最后把各个连通区域类型中统计的小麦相加即可得到最终结果。
连通区域面积与小麦粘连的株数之间的关系通过移除干扰步骤后的经验数据统计得出，如机器学习算法，并将该经验值应用在近似条件下的目标计数步骤中。
（四）结果对比
基于图像处理技术的基本苗识别与统计实验结果见表1。
表1采用本发明方法与采用人工计数方法获取的小麦基本苗数目的对比
。
通过对表1的分析，可以看出，采用本发明方法获得的小麦基本苗数目与采用人工计数方法获得的小麦基本苗数目误差小，应用准确率都在96%以上。
上面结合附图和实施例对本发明作了详细的说明，但是，所属技术领域的技术人员能够理解，在不脱离本发明宗旨的前提下，还可以对上述实施例中的各个具体参数进行变更，形成多个具体的实施例，均为本发明的常见变化范围，在此不再一一详述。

Claims (9)

1.一种基于机器视觉和图形处理的小麦基本苗快速计数方法，其特征在于，包括以下步骤：
步骤S1：采集小麦苗期图像；
步骤S2：读入所述步骤S1中采集的图像，采用绿色通道阈值分割法进行图像处理后，获得纯麦苗图像；
步骤S3：对所述步骤S2中获得的纯麦苗图像进行灰度变换处理；
步骤S4：对所述步骤S3获得的灰度图像进行滤波处理；
步骤S5：依次对所述步骤S4中所得图像进行图像二值化处理和非线性滤波处理；
步骤S6：对所述步骤S5中所得图像进行连通区域提取，其中，连通区域提取的算法是Canny算子边缘检测方法或Sobel算子边缘检测方法；
步骤S7：依次对所述步骤S6中所得图像进行填补边缘缝隙处理和内部填充处理；
步骤S8：对所述步骤S7中所得图像进行移除干扰处理，以移除图像中的非目标物的畸变点和/或连通区域为0的孤立点，其中，处理方法是，判断图像中的任一点的像素点是否为8连通区域，如果该点是8连通区域，则计算连通区域的面积，如果连通区域的面积＜自适应面积阀值，则删除该连通区域；如果该点不是8连通区域，则将该像素点删除；
步骤S9：采用连通区域面积对比法对经所述步骤S8处理后的图像处理计数，以获取小麦基本苗数量，所述连通区域面积对比法是，统计获取已知的小麦遮挡粘连的株数和连通区域面积范围对照表，将步骤S8获取的连通区域面积与已知的小麦遮挡粘连的株数和连通区域面积范围对照表依次对比，并标记该连通区域面积对应的小麦基本苗株数，小麦基本苗数量等于各个连通区域中统计出的小麦苗株数量之和。
2.如权利要求1所述的基于机器视觉和图形处理的小麦基本苗快速计数方法，其特征在于，在所述步骤S1中，在小麦苗1-3叶期采集小麦苗期图像。
3.如权利要求1所述的基于机器视觉和图形处理的小麦基本苗快速计数方法，其特征在于，在所述步骤S1中，小麦苗期图像的具体采集方式为：以相机镜头垂直于小麦行走向以30°～60°俯视角度进行俯摄，拍摄高度1.3m～1.6m，拍摄距离1.2m～1.7m，摄入图像的小麦行长为1m，行数为2 。
4.如权利要求1所述的基于机器视觉和图形处理的小麦基本苗快速计数方法，其特征在于，在所述步骤S2中，绿色通道阈值分割法为：从所述步骤S1中采集的图像的第一个像素点开始遍历全部像素，求出每个像素点的三个分量，若像素点的三个RGB分量满足G>B且G>R条件，则该像素点的灰度值保持不变；否则该像素点的值为0。
5.如权利要求1所述的基于机器视觉和图形处理的小麦基本苗快速计数方法，其特征在于，在所述步骤S3中，采用MATLAB软件的数字处理工具箱中rgb2gray()函数对所述步骤S2中获得的纯麦苗图像在YUV颜色空间中进行灰度变换处理。
6.如权利要求1所述的基于机器视觉和图形处理的小麦基本苗快速计数方法，其特征在于，在所述步骤S4中，同时采用中值滤波算法和高斯滤波算法对所述步骤S3获得的灰度图像进行滤波处理。
7.如权利要求1所述的基于机器视觉和图形处理的小麦基本苗快速计数方法，其特征在于，在所述步骤S5中，采用最大类间方差法对所述步骤S4中滤波处理后的图像进行图像二值化处理，以求得阈值T，所有≥阈值T的像素的灰度值调整为255，所有＜阈值T的像素的灰度值调整为0。
8.如权利要求1所述的基于机器视觉和图形处理的小麦基本苗快速计数方法，其特征在于，在所述步骤S5中，非线性滤波处理的方法是：先对二值化处理后的图像进行三次膨胀运算，设置三个长分别为9个像素、4个像素、4个像素，角度分别为85度、95度、105度直线型结构元素，扫描图像的每一个像素用结构元素与其覆盖的二值图像做“或”操作；然后进行一次腐蚀运算，创造一个长为1、角度为0度直线型结构元素，扫描图像的每一个像素用结构元素与其覆盖的二值图像做“与”操作。
9.如权利要求1所述的基于机器视觉和图形处理的小麦基本苗快速计数方法，其特征在于，在所述步骤S7中，填补边缘缝隙处理的方法是：设置一个长4，宽3.5线型结构元素，扫描图像的每一个像素用结构元素与其覆盖的二值图像做“或”操作；内部填充处理的方法是：逐行扫描图像，遍历存储边缘点坐标的队列，找出一行中的所有边缘点，在对其中两个边缘点之间的像素进行填充之前，首先判断邻近该两个边缘点的、且位于该两个边缘点之间的两个像素的灰度值是否同时等于背景的像素值，如果是，则不进行内部填充处理，如果否，则进行内部填充处理。
CN201811108380.5A 2018-09-21 2018-09-21 基于机器视觉和图形处理的小麦基本苗快速计数方法 Active CN109447945B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811108380.5A CN109447945B (zh) 2018-09-21 2018-09-21 基于机器视觉和图形处理的小麦基本苗快速计数方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811108380.5A CN109447945B (zh) 2018-09-21 2018-09-21 基于机器视觉和图形处理的小麦基本苗快速计数方法

Publications (2)

Publication Number Publication Date
CN109447945A true CN109447945A (zh) 2019-03-08
CN109447945B CN109447945B (zh) 2021-11-30

Family

ID=65532651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811108380.5A Active CN109447945B (zh) 2018-09-21 2018-09-21 基于机器视觉和图形处理的小麦基本苗快速计数方法

Country Status (1)

Country Link
CN (1) CN109447945B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934186A (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 一种农作物直播成苗率的智慧高效监控方法
CN110264463A (zh) * 2019-06-25 2019-09-20 北京实验工厂有限责任公司 一种基于matlab图像处理的物料清点方法
CN110598619A (zh) * 2019-09-06 2019-12-20 中国农业科学院农业资源与农业区划研究所 一种利用无人机影像进行果树识别和计数的方法和系统
CN110910403A (zh) * 2019-11-16 2020-03-24 厦门梓蔓生物科技有限公司 一种基于图像处理的工业大麻种子计数方法
CN111354075A (zh) * 2020-02-27 2020-06-30 青岛联合创智科技有限公司 一种三维重建中前景降干扰提取方法
CN111795927A (zh) * 2020-06-05 2020-10-20 厦门大学 一种基于图像自动计数的便携式赤潮藻类密度监测装置
CN113269750A (zh) * 2021-05-26 2021-08-17 海南大学 香蕉叶部病害图像检测方法、系统、储存介质及检测设备
CN113298889A (zh) * 2021-05-08 2021-08-24 江苏师范大学 一种基于机器视觉的基本苗统计方法
CN113826496A (zh) * 2021-11-01 2021-12-24 合肥佳富特机器人科技有限责任公司 一种蔬菜嫁接中的自动贴接方法及装置
CN113888397A (zh) * 2021-10-08 2022-01-04 云南省烟草公司昆明市公司 基于无人机遥感和图像处理技术的烟草清塘点株方法
CN114240985A (zh) * 2022-02-25 2022-03-25 天云软件技术有限公司 粮食储量的确定方法、装置、设备、介质和产品

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101430775A (zh) * 2008-11-17 2009-05-13 浙江海洋学院 基于计算机视觉的鱼苗自动计数系统
CN102663397A (zh) * 2012-03-21 2012-09-12 华中科技大学 一种小麦出苗的自动检测方法
CN102676633A (zh) * 2012-03-08 2012-09-19 天津大学 一种菌落自动计数方法
CN103136512A (zh) * 2013-02-04 2013-06-05 重庆市科学技术研究院 一种瞳孔定位方法及系统
US20130343644A1 (en) * 2012-06-20 2013-12-26 Xerox Corporation Method and system for gray content detection in output documents for billing determinations
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
CN103745478A (zh) * 2014-01-24 2014-04-23 山东农业大学 小麦发芽率机器视觉测定方法
CN103955937A (zh) * 2014-05-15 2014-07-30 福州大学 基于数字图像处理微藻自动计数方法
CN105447860A (zh) * 2015-11-18 2016-03-30 扬州大学 一种麦苗计数方法
CN107145876A (zh) * 2017-05-24 2017-09-08 河南农业大学 基于变化向量分析的小麦全蚀病遥感监测方法及其监测模型的构建方法
CN107169940A (zh) * 2015-04-16 2017-09-15 钱芳林 基于电子识别的单株梨树产量获取方法
CN107492094A (zh) * 2017-07-21 2017-12-19 长安大学 一种高压电线绝缘子的无人机视觉检测方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101430775A (zh) * 2008-11-17 2009-05-13 浙江海洋学院 基于计算机视觉的鱼苗自动计数系统
CN102676633A (zh) * 2012-03-08 2012-09-19 天津大学 一种菌落自动计数方法
CN102663397A (zh) * 2012-03-21 2012-09-12 华中科技大学 一种小麦出苗的自动检测方法
US20130343644A1 (en) * 2012-06-20 2013-12-26 Xerox Corporation Method and system for gray content detection in output documents for billing determinations
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
CN103136512A (zh) * 2013-02-04 2013-06-05 重庆市科学技术研究院 一种瞳孔定位方法及系统
CN103745478A (zh) * 2014-01-24 2014-04-23 山东农业大学 小麦发芽率机器视觉测定方法
CN103955937A (zh) * 2014-05-15 2014-07-30 福州大学 基于数字图像处理微藻自动计数方法
CN107169940A (zh) * 2015-04-16 2017-09-15 钱芳林 基于电子识别的单株梨树产量获取方法
CN105447860A (zh) * 2015-11-18 2016-03-30 扬州大学 一种麦苗计数方法
CN107145876A (zh) * 2017-05-24 2017-09-08 河南农业大学 基于变化向量分析的小麦全蚀病遥感监测方法及其监测模型的构建方法
CN107492094A (zh) * 2017-07-21 2017-12-19 长安大学 一种高压电线绝缘子的无人机视觉检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JONATHAN JOHANNES PHILIPPS 等: "Automatic tracking and counting of moving objects", 《3RD IEEE INTERNATIONAL WORK-CONFERENCE ON BIOINSPIRED INTELLIGENCE》 *
丘白晶 等: "《黄瓜蚜虫的图像识别与计数方法》", 《农业机械学报》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934186A (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 一种农作物直播成苗率的智慧高效监控方法
CN110264463A (zh) * 2019-06-25 2019-09-20 北京实验工厂有限责任公司 一种基于matlab图像处理的物料清点方法
CN110598619A (zh) * 2019-09-06 2019-12-20 中国农业科学院农业资源与农业区划研究所 一种利用无人机影像进行果树识别和计数的方法和系统
CN110910403A (zh) * 2019-11-16 2020-03-24 厦门梓蔓生物科技有限公司 一种基于图像处理的工业大麻种子计数方法
CN111354075A (zh) * 2020-02-27 2020-06-30 青岛联合创智科技有限公司 一种三维重建中前景降干扰提取方法
CN111795927A (zh) * 2020-06-05 2020-10-20 厦门大学 一种基于图像自动计数的便携式赤潮藻类密度监测装置
CN113298889A (zh) * 2021-05-08 2021-08-24 江苏师范大学 一种基于机器视觉的基本苗统计方法
CN113269750A (zh) * 2021-05-26 2021-08-17 海南大学 香蕉叶部病害图像检测方法、系统、储存介质及检测设备
CN113888397A (zh) * 2021-10-08 2022-01-04 云南省烟草公司昆明市公司 基于无人机遥感和图像处理技术的烟草清塘点株方法
CN113826496A (zh) * 2021-11-01 2021-12-24 合肥佳富特机器人科技有限责任公司 一种蔬菜嫁接中的自动贴接方法及装置
CN114240985A (zh) * 2022-02-25 2022-03-25 天云软件技术有限公司 粮食储量的确定方法、装置、设备、介质和产品
CN114240985B (zh) * 2022-02-25 2022-05-31 天云软件技术有限公司 粮食储量的确定方法、装置、设备、介质和产品

Also Published As

Publication number Publication date
CN109447945B (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
CN109447945A (zh) 基于机器视觉和图形处理的小麦基本苗快速计数方法
Tong et al. Machine vision techniques for the evaluation of seedling quality based on leaf area
CN111753577B (zh) 自动采摘机器人中的苹果识别与定位方法
Lü et al. Leaf area measurement based on image processing
Nielsen et al. Vision-based 3D peach tree reconstruction for automated blossom thinning
Tong et al. Skewness correction and quality evaluation of plug seedling images based on Canny operator and Hough transform
CN108564124A (zh) 一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法
CN102663397B (zh) 一种小麦出苗的自动检测方法
CN114067207A (zh) 一种基于深度学习和图像处理的蔬菜苗田杂草检测方法
CN105005813A (zh) 虫害分析计数方法及系统
CN104751199A (zh) 一种棉花裂铃期自动检测方法
CN115687850A (zh) 一种农田的灌溉需水量计算方法及装置
CN115861409B (zh) 大豆叶面积测算方法、系统、计算机设备及存储介质
CN110455201A (zh) 基于机器视觉的茎秆作物高度测量方法
Amean et al. Automatic leaf segmentation and overlapping leaf separation using stereo vision
Kaiyan et al. Measurement of plant leaf area based on computer vision
Setyawan et al. Comparison of hsv and lab color spaces for hydroponic monitoring system
CN111008563A (zh) 一种暗光场景种子发芽检测方法、装置及可读存储介质
Smit et al. Vine signal extraction-an application of remote sensing in precision viticulture
CN113269690A (zh) 一种叶片病变区域检测方法及系统
CN104966273B (zh) 适用于光学遥感影像的dcm-htm去雾霾方法
CN114863106B (zh) 一种离心式撒肥颗粒分布检测方法
CN113379620B (zh) 一种光学遥感卫星影像云检测方法
Peng et al. Detecting coffee (Coffea arabica L.) sequential flowering events based on image segmentation
CN106296662A (zh) 田间环境下玉米叶片图像分割方法及装置

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