CN109738442A - 一种基于大视野x射线可见光配准成像的水稻稻穗性状全自动提取系统 - Google Patents

一种基于大视野x射线可见光配准成像的水稻稻穗性状全自动提取系统 Download PDF

Info

Publication number
CN109738442A
CN109738442A CN201910034601.7A CN201910034601A CN109738442A CN 109738442 A CN109738442 A CN 109738442A CN 201910034601 A CN201910034601 A CN 201910034601A CN 109738442 A CN109738442 A CN 109738442A
Authority
CN
China
Prior art keywords
rice
spike
image
ray
imaging
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
Application number
CN201910034601.7A
Other languages
English (en)
Inventor
黄成龙
杨万能
段凌凤
冯慧
刘立豪
骆树康
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.)
Huazhong Agricultural University
Original Assignee
Huazhong 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 Huazhong Agricultural University filed Critical Huazhong Agricultural University
Priority to CN201910034601.7A priority Critical patent/CN109738442A/zh
Publication of CN109738442A publication Critical patent/CN109738442A/zh
Pending legal-status Critical Current

Links

Abstract

本发明涉及一种机器视觉检测技术,具体涉及一种基于大视野X射线/可见光配准成像的水稻稻穗性状全自动提取系统,通过大视野X射线/可见光配准成像系统同步获取稻穗反射光表图像及透射光图像,使用图像配准融合、结合图形分析算法得到稻穗产量性状的数学表征。鉴于作物表型检测平台发展的重要性,传统有损稻穗产量测量上脱粒难、实粒瘪粒区分难的缺点,以及成像视野的局限性,本发明研究设计了一种基于大视野X射线/可见光配准成像的水稻稻穗性状全自动提取系统,在不经过脱粒、不经过分离实粒瘪粒的情况下即可快速、准确获取稻穗产量性状,为双模式成像在稻穗产量性状无损解析中的应用提供了一条可行途径,并且通过大视野二维移动平台获取完整稻穗的图像,解决成像视野的问题,获取完整清晰的图像。

Description

一种基于大视野X射线可见光配准成像的水稻稻穗性状全自 动提取系统
技术领域
本发明属于机器视觉检测技术,具体涉及一种基于大视野X射线/可见光配准成像的水稻稻穗性状全自动提取系统,即通过可见光及X-ray同时得到稻穗反射光表面图像与透射光穗颈节和穗粒内部图像信息,并将两幅图像配准融合、结合图形分析算法得到稻穗产量性状的数学表征,包括有效穗、穗粒数、结实率、千粒重、穗长、一次枝梗数、一次枝梗平均长度、二次枝梗数、及着粒密度。
背景技术
稻作为世界三大粮食作物之一是世界半数以上人口的主粮,我国是水稻最主要的生产和消费国家,水稻产量研究直接关系到我国粮食安全和农业发展。稻穗产量性状获取对水稻育种以及相关功能基因解析具有重要意义,性状获取的准确度将直接影响水稻育种和基因解析的结果。构成水稻产量的四大要素有:有效穗,穗粒数,结实率及千粒重,此外,穗长、一次枝梗数、一次枝梗平均长度、二次枝梗数,也是产量相关的重要农艺学性状。
传统的稻穗产量测量方式主要依靠人工,分为穗长测量、脱粒处理、谷粒参数测量三个步骤。这一操作方式中的过程繁琐、效率低,脱粒过程易造成误差等缺陷已经成为制约水稻研究的瓶颈因素。
双模式成像是机器视觉领域常用的技术手段,通过不同信息图像融合分析为实际问题提供一条有效的解决途径,广泛应用于工业、农业、医学领域。科研人员在稻穗无损检测方面进行了大量研究,但目前尚没有针对稻穗结实率、千粒重的关键产量性状的报道,并且,普遍采用的单一成像方式很难获取稻穗穗粒内部灌浆程度信息,无法有效区分稻穗上的实粒、瘪粒。本发明将填补稻穗产量性状无损解析的空白,为双模式成像在稻穗产量性状无损解析中的应用提供了可行途径;而且稻穗长度通常大于X射线探测器的视野,不能对水稻稻穗完整地成像。因此,研发大视野的水稻稻穗成像系统很有必要。
发明内容
鉴于传统有损稻穗产量测量上脱粒难、实粒瘪粒区分难的缺点,以及成像视野的局限性,本发明的目的在于提供一种基于大视野X射线/可见光配准成像的水稻稻穗性状全自动提取系统,该系统通过X射线/可见光配准成像同时获取局部稻穗反射光表面图像信息及稻穗透射光穗颈节和穗粒内部图像信息,且通过大视野二维移动平台获取完整稻穗的图像,上位机将两幅图像配准融合、结合图形分析算法得到稻穗产量性状的数学表征,包括稻穗有效穗、穗粒数、结实率、千粒重、穗长、一次枝梗数、一次枝梗平均长度、二次枝梗数等性状。
附图说明
图1基于大视野X射线/可见光配准成像的水稻稻穗性状全自动提取系统示意图
图2大视野二维移动平台示意图
图3本发明工作流程图
图4本发明图像处理流程图
图5稻穗性状提取结构示意图
图6图像裁剪示意图
图中:铅防暗室(1)、PC工作站(2)、LED光源(3)、可见光高分辨率相机(4)、微焦斑X射线源(5)、平移台(6)、稻穗放置台(7)、X射线平板探测器(8)、控制柜(9)。
1.铅防暗室:防止X射线外漏。
2.PC工作站:分别连接所述LED光源、可见光高分辨相机、微焦斑射线源、平移台,以及发出控制命令,接受可见光高分辨相机和平板探测器采集的面阵列图像,并进行图像处理,显示和储存测量结果。
3.LED光源:提供可见光成像所需光照强度。
4.可见光高分辨相机:获取反射光RGB面阵列图像,该图像包含稻穗的颜色、纹理、形态等表面信息。
5.微焦斑X射线源:系统中采用的是低剂量的X射线源,用于提供可调节电压、电流稳定的X射线束。它主要由真空玻璃棺、阴极和阳极等部分组成。阴极灯丝在加热后发射电子,然后在高压电场作用下高速向阳靶面轰击,产生X射线。
6.平移台:调整稻穗放置台位置,使稻穗位于相机视野中合适位置,获取完整的水稻稻穗图像。
7.稻穗放置台:采用均匀透明的亚克力板(对X射线衰减小),用于平铺稻穗。
8.X射线平板探测器:用来采集面阵列吸收图像。经微焦斑射线发出的X射线穿透检测样品到达平板探测器,平板探测器上的闪烁层发出与接收X射线成正比例关系的电子,这些电子被下层的硅光电二级管阵列采集,并转换成电荷,再转换成像素值。
9.控制柜:控制设备安装处。
具体实施方式
本基于大视野X射线/可见光配准成像的水稻稻穗性状全自动提取系统主要由大视野X射线/可见光双模式成像模块、图像数据分析模块和控制模块组成。
(1)大视野X射线/可见光双模式成像模块。
基于大视野X射线/可见光双模式成像模块实现水稻稻穗完整X射线-可见光图像同步采集与配准:
a.采用RGB可见光相机获取反射光图像,该图像包含稻穗的颜色、纹理、形态等表面信息;
b.选用合适的X射线能量使稻穗上实粒与瘪粒之间达到最佳成像对比度,通过X射线透射成像获取稻穗的吸收图像,该图像反映稻穗内部结构信息;
c.通过大视野二维移动平台上下左右四个方向单独移动对稻穗的局部进行双模式分块成像,直到获取完整的稻穗图像,两种成像过程采用同步采集控制模式,以保证两幅图像的同步采集;
d.通过实物标定,得到可见光图像与X射线图像之间的映射关系,获取配准模型。
(2)图像数据分析模块
图像数据分析模块用于处理RGB可见光图像及X射线透射图像。如图3所示具体方法包括:
a1.可见光图像产量相关特征提取
穗粒特征提取:对RGB可见光图像进行预处理去掉背景及噪声,采用OTSU自动阈值分割得到稻穗二值图像。采用开操作使得穗粒与穗枝之间断开,利用椭圆检测将单颗谷粒标识出来同时对黏连谷粒采用分水岭分割得到单颗谷粒标识图像;
稻穗枝梗特征提取:将稻穗二值图像减去谷粒区域得到枝梗分支区域,采用并行细化算法处理得到稻穗分支的单像素骨架。
a2.X射线图像产量相关特征提取
首先对X射线透射图像进行预处理去除背景及噪声,然后采用OTSU自动阈值分割得到稻穗二值化图像,对图像进行霍夫变换(用于直线检测)识别稻穗穗梗。
穗颈节特征提取:对穗梗掩膜处理然后进行局部区域的自动阈值分割得到穗颈节区域。
米粒图像特征提取:将剩余区域通过椭圆检测识别单颗米粒区域而对黏连米粒采用分水岭分割算法得到单颗米粒对应的二值图像。
b.图像配准融合:
首先进行位置定标,将一元钱硬币放置于两套成像系统视野的中央、四周获取5组图像对;然后计算可见光相机、X射线图像中硬币的中心点坐标,基于该坐标对利用最小二乘法计算仿形映射(y=ax+b)中参数值;最后基于该映射关系,将X射线产量相关图像特征,映射到稻穗可见光特征图像上,得到能反映稻穗外部轮廓和内部结构的产量特征融合图像。
c.产量性状表征
基于上述图像处理得到的具有丰富产量特征的稻穗融合图像,采用如下稻穗产量性状表征方式如图3所示:
总粒数计算:基于可见光图像处理结果,对稻穗谷粒分割图像进行连通区域标记,连通区域的个数即为稻穗总穗粒数。
结实率计算:基于X-ray/RGB融合图像,计算单颗穗粒的可见光图像投影面积和X-ray米粒部分投影面积,将谷粒的X-ray投影面积比上可见光图像面积得到谷粒的灌浆程度,比值大于1/3即为实粒,反之即为瘪粒,统计所有灌浆程度大于1/3的穗粒数即为实粒数,然后将实粒数比上总粒数即可得到稻穗的结实率。
有效穗判别:根据计算得到实粒数,实粒数大于5即为有效穗。
千粒重:首先选用100组密度差异较大的谷粒,进行定标实验,获取X射线图像粒子平均灰度值和谷粒单位面积重量信息(重量由分析天平获取,面积通过图像计算获得),再利用最小二乘法拟合得到X射线灰度值与谷粒单位面积重量之间的数学模型,基于该数学模型对单颗谷粒进行单位面积重量累加求和得到单颗谷粒的重量,最后将灌浆程度较高的稻穗谷粒筛选出来,进行重量求和换算得到千粒重。
穗长计算:首先将X-ray图像穗颈节位置映射到可见光图像上,然后根据可见光图像稻穗的骨架路径,搜索从穗颈节位置到穗顶部的穗长主路径,再对该段主路径进行重采样计算其相邻点的欧式距离和,即为穗长。
一次枝梗数、一次枝梗平均长度、二次枝梗数计算:根据稻穗骨架结构,从骨架端点至节点这一段即为二次枝梗,从穗梗节点至分支末端即为一次枝梗,搜索一次枝梗像素点个数取平均即为一次枝梗平均长度。
着粒密度:用粒数除以穗长(单位cm)然后乘以10即为稻穗着粒密度。
(3)控制模块;运动控制卡与伺服驱动器相连,用于控制大视野二维移动平台工作,运动控制卡同时与上位机相连,通过USB实现通讯;上位机分别与图像采集卡和可见光高分辨相机,微焦斑X射线源和X射线平板探测器相连,基于运动控制卡反馈的信号,同时控制可见光高分辨相机和微焦斑X射线源采集可见光图像与X射线透射图像,并将获取的图像进行拼接、配准,显示以及测量结果的存储。
方案实施例子:操作人员将稻穗用透明胶固定至平移载物台,再使用鼠标在计算机的显示屏上点击“开始测量”,此时计算机分别控制可见光相机拍摄可见光图像,微焦斑X射线源和平板探测器获取X射线透射图像;获取的图像传输至工作站后,计算机与运动控制卡通信,运动控制卡控制平移台上下左右运动,每隔200mm停止一次,计算机再分别控制可见光相机拍摄可见光图像,微焦斑X射线源和平板探测器获取X射线透射图像,计算机自动控制以上步骤,直到整株稻穗成像完毕;计算机显示处理裁剪后的图像,并进行图像处理提取稻穗性状。

Claims (4)

1.一种基于大视野X射线/可见光配准成像的水稻稻穗性状全自动提取系统,包括大视野X射线/可见光配准成像模块、图像数据分析模块和控制模块。大视野X射线/可见光配准成像模块包括,(1)大视野稻穗二维精密运动平台、(2)高分辨可见光成像装置、(3)微型X-ray平板成像装置;图像数据分析模块包括采用图像分析算法分割穗粒与穗枝,基于图像配准获取稻穗的总粒数、充实度、结实率、有效穗、千粒重、穗长、一次枝梗数、一次枝梗平均长度、二次枝梗数以及着粒密度性状信息;控制模块包括基于运动控制卡和上位机LabVIEW控制,实现水稻稻穗大视野双模式成像和参数测量的智能控制。
2.根据权利要求1所述的大视野X射线/可见光配准成像模块,其特征在于:将稻穗平铺于载物台,首先通过高分辨可见光相机获取稻穗的RGB图像,然后通过大视野二维精密运动平台上下左右四个方向移动对稻穗局部进行X射线透射成像,再基于运动信息拼接获取完整的X-ray稻穗图像,最后利用x射线/可见光图像上的特征点建立配准关系。该成像装置相比现有的扫描仪和传统的x射线成像,具有更大的视野,获取更丰富的信息。
3.根据权利要求1所述的图像数据分析模块,其特征在于:利用OpenCV图像库和图像配准关系对X射线/可见光稻穗图像进行分割,并提取分割后的图像特征,计算总粒数、充实度、结实率、有效穗、千粒重、穗长、一次枝梗数、一次枝梗平均长度、二次枝梗数以及着粒密度性状信息。该图像数据分析模块相比现有的稻穗参数测量方法具有更好的品种适应性和数据精确性。
4.根据权利要求1所述的控制模块,其特征在于:上位机通过USB借口与运动控制卡通信,运动控制卡与伺服驱动器相连,用于控制大视野二维精密运动平台。上位机同时与图像采集卡和X射线平板探测器相连,基于运动控制卡反馈的信号,控制高分辨可见光相机成像和X-ray投射图像成像;然后将获取的图像进行拼接、配准,并输入图像数据分析模块,最后将结果保存。
CN201910034601.7A 2019-01-05 2019-01-05 一种基于大视野x射线可见光配准成像的水稻稻穗性状全自动提取系统 Pending CN109738442A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910034601.7A CN109738442A (zh) 2019-01-05 2019-01-05 一种基于大视野x射线可见光配准成像的水稻稻穗性状全自动提取系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910034601.7A CN109738442A (zh) 2019-01-05 2019-01-05 一种基于大视野x射线可见光配准成像的水稻稻穗性状全自动提取系统

Publications (1)

Publication Number Publication Date
CN109738442A true CN109738442A (zh) 2019-05-10

Family

ID=66364848

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910034601.7A Pending CN109738442A (zh) 2019-01-05 2019-01-05 一种基于大视野x射线可见光配准成像的水稻稻穗性状全自动提取系统

Country Status (1)

Country Link
CN (1) CN109738442A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111895916A (zh) * 2020-07-14 2020-11-06 华南农业大学 水稻穗长测量装置及测量方法
CN111895916B (zh) * 2020-07-14 2021-09-24 华南农业大学 水稻穗长测量装置及测量方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101929843A (zh) * 2010-04-09 2010-12-29 华中科技大学 水稻穗长的自动测量装置及测量方法
CN102589441A (zh) * 2012-01-11 2012-07-18 华中科技大学 盆栽水稻表型参数的全自动无损测量系统及测量方法
CN203965351U (zh) * 2014-06-06 2014-11-26 清华大学 可见光成像辅助定位局部ct扫描系统
CN105115469A (zh) * 2015-07-29 2015-12-02 华中农业大学 水稻稻穗表型参数自动测量和穗重预测方法
JP2016170150A (ja) * 2015-03-16 2016-09-23 株式会社イシダ 検査装置
CN207408272U (zh) * 2017-08-10 2018-05-25 武汉谷丰光电科技有限公司 基于线阵列相机和x射线双模式成像的水稻粒型参数测量装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101929843A (zh) * 2010-04-09 2010-12-29 华中科技大学 水稻穗长的自动测量装置及测量方法
CN102589441A (zh) * 2012-01-11 2012-07-18 华中科技大学 盆栽水稻表型参数的全自动无损测量系统及测量方法
CN203965351U (zh) * 2014-06-06 2014-11-26 清华大学 可见光成像辅助定位局部ct扫描系统
JP2016170150A (ja) * 2015-03-16 2016-09-23 株式会社イシダ 検査装置
CN105115469A (zh) * 2015-07-29 2015-12-02 华中农业大学 水稻稻穗表型参数自动测量和穗重预测方法
CN207408272U (zh) * 2017-08-10 2018-05-25 武汉谷丰光电科技有限公司 基于线阵列相机和x射线双模式成像的水稻粒型参数测量装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LINGFENG DUAN.ET AL: ""Fast discrimination and counting of filled/unfilled rice spikelets based on bi-modal imaging"", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》 *
刘松平: "《先进复合材料无损检测技术》", 30 September 2017, 航空工业出版社 *
韩龙植: "《水稻种质资源描述规范和数据标准》", 30 April 2006, 中国农业出版社 *
黄成龙: ""基于X-ray透射成像的稻穗米粒粒型及谷粒饱满度测量"", 《中国农业科技导报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111895916A (zh) * 2020-07-14 2020-11-06 华南农业大学 水稻穗长测量装置及测量方法
CN111895916B (zh) * 2020-07-14 2021-09-24 华南农业大学 水稻穗长测量装置及测量方法

Similar Documents

Publication Publication Date Title
Meyer et al. An electronic image plant growth measurement system
US7853046B2 (en) Imaging system and method for body condition evaluation
EP1428016B1 (en) Method of quantitative video-microscopy and associated system and computer software program product
CN103196917A (zh) 基于ccd线阵相机的在线卷板材表面瑕疵检测系统及其检测方法
CN107092905B (zh) 一种电力巡检机器人的待识别仪器定位方法
CN109580630A (zh) 一种机械零部件缺陷的视觉检测方法
CN108592788A (zh) 一种面向喷涂生产线的3d智能相机系统与工件在线测量方法
CN101561249B (zh) 手术刀片配合尺寸自动检测方法
CN105510364A (zh) 基于x射线的工业部件缺陷的无损检测系统及其检测方法
CN104257396A (zh) 基于ct的宽幅面动态三维人体扫描系统
Liu et al. A detection and recognition system of pointer meters in substations based on computer vision
CN101929843B (zh) 水稻穗长的自动测量装置及测量方法
CN104198325A (zh) 基于计算机视觉的烟丝中梗丝比例测定方法
CN109557090A (zh) X射线-可见光双模式成像无损提取水稻稻穗性状
CN108647677A (zh) 基于视觉计算的电表外观和性能智能检测方法及装置
CN102217944A (zh) 应用数字x线图像进行骨密度测量的方法
IL280010D0 (en) Classification of multi-mode defects in semiconductor testing
CN109738442A (zh) 一种基于大视野x射线可见光配准成像的水稻稻穗性状全自动提取系统
RU2540254C2 (ru) Способ и устройство для планирования сканирования с использованием ультрафиолетового излучения
CN104034729A (zh) 用于电路板分选的五维成像系统及其成像方法
CN110490826B (zh) 一种照相机中雾滴样本图像处理方法
CN111398138A (zh) 一种干式血液细胞分析装置的光学检测系统及方法
CN210530832U (zh) 一种针对盾构机进行盾尾间隙测量装置
CN109816697B (zh) 一种无人模型车建立地图的系统及方法
CN109602430A (zh) 骨科射线成像机

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