CN110579174A - 一种基于机器视觉的梨果柄长度的测量方法 - Google Patents
一种基于机器视觉的梨果柄长度的测量方法 Download PDFInfo
- Publication number
- CN110579174A CN110579174A CN201911018892.7A CN201911018892A CN110579174A CN 110579174 A CN110579174 A CN 110579174A CN 201911018892 A CN201911018892 A CN 201911018892A CN 110579174 A CN110579174 A CN 110579174A
- Authority
- CN
- China
- Prior art keywords
- image
- pear
- stalk
- point
- gray
- 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
Links
- 235000014443 Pyrus communis Nutrition 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 46
- 240000001987 Pyrus communis Species 0.000 title 1
- 235000013399 edible fruits Nutrition 0.000 claims description 48
- 239000010755 BS 2869 Class G Substances 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 9
- 239000004576 sand Substances 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 241000220324 Pyrus Species 0.000 abstract description 65
- 238000005259 measurement Methods 0.000 abstract description 13
- 238000011160 research Methods 0.000 abstract description 9
- 244000088401 Pyrus pyrifolia Species 0.000 abstract 1
- 235000001630 Pyrus pyrifolia var culta Nutrition 0.000 abstract 1
- 235000011572 Pyrus ussuriensis Nutrition 0.000 abstract 1
- 238000005452 bending Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000001035 drying Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/03—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness by measuring coordinates of points
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G06T5/70—
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提出了一种基于机器视觉的梨果柄长度的测量方法,通过照相设备直接采集整体梨表面图像,经过预处理、人工选取等操作得到果柄图像,基于机器视觉处理图像,遍历果柄图像中的像素点,提取图像中的多个特征点,利用特征点自动计算梨果柄长度。本发明计算量小、计算速度快,不需要过多人工参与,测量成本更低,测量效率更高,测量精度更好,适用于大规模果柄测量,对我国梨种质研究有着深远的意义。
Description
技术领域
本发明属于梨种质资源测量技术领域,尤其涉及一种基于机器视觉的梨果柄长度的测量方法。
背景技术
梨是我国第三大水果,其种植面积和产量均为世界之最,作为世界上最大的梨生产和消费国家,也是梨种质资源最丰富的国家,我国的科研人员已对梨资源进行了大量研究。表型多样性是生物多样性的重要研究内容,其主要研究种群在其分布区域内的各种环境中的表型变异,研究分析梨种质资源表型多样性有助于了解梨种质资源性状遗传发育机理,有利于梨种质资源评价挖掘及特色多样化品种的培育,同时研究梨种质资源表型多样性也可以为梨种质资源描述的规范化和标准化提供数据基础和理论依据,促进梨种质资源的高效利用。
在表型特征中,果实的变异是遗传变异的最主要特征之一,主要包括果实纵横经、单果重、果实形状、底色、盖色、果锈、果点、果梗、萼片、果柄等外在品质,以及果心大小、硬度、质地、可溶性固形物含量、石细胞、汁液、风味、香气等内在品质。
果柄尺寸的测量是果实外观品质的重要性状之一,受到测量设备的限制,目前果柄的长度、角度等信息主要通过人工测量,由于人工测量成本较高,工作量较大,且存在较大误差,所以梨规范标准中有关梨果柄的描述仅限于“果柄偏转角度大或小,无具体值,果柄直径尺寸值只能取三个点测量,测量精度低,不能计算平均值,果柄长度值无法准确计算”等文字,梨果柄目前的测量方法和描述规范不足以开展性状遗传多样性及变异系数的研究。
发明内容
针对目前梨果柄长度需要人工测量、成本高、测量精度低的问题,本发明提出了一种基于机器视觉的梨果柄长度的测量方法,利用照相设备采集梨表面图像,基于机器视觉处理图像,提取图像中的多个特征点,根据特征点自动计算梨果柄长度,计算量小、计算速度快,不需要过多人工参与,测量成本更低,测量精度更高。
为解决上述技术问题,本发明采用了如下技术手段:
一种基于机器视觉的梨果柄长度的测量方法,包括以下步骤:
S1、采集整体梨表面图像,并对所述梨表面图像进行预处理,依次包括灰度值处理、二值化处理和去噪处理;
S2、从预处理后的图像中选取梨果柄图像,计算所述梨果柄图像中果柄的最高点Pmax和最低点Pmin的像素坐标;
S3、根据最高点Pmax和最低点Pmin,提取特征点集合,根据特征点集合计算实际果柄长度并由尺寸标准板进行标定。
进一步的,本发明的基于机器视觉的梨果柄长度的测量方法,所述步骤S1具体包括:
S11、采集梨表面图像,对梨表面图像作灰度值处理,以蓝色为取值通道提取像素点的灰度值,得到灰度值图像;
S12、采用迭代聚类法对所述灰度值图像进行二值化处理,将灰度值图像像素分为目标类和背景类,目标类包括梨果柄图像,背景类包括除梨果柄外的其他图像,得到二值化图像;
S13、采用中值滤波法去除二值化图像中的噪点,得到去噪后的图像。
进一步的,本发明的基于机器视觉的梨果柄长度的测量方法,所述步骤S12具体包括:
(1)取灰度值图像的平均灰度值作为阈值T=T0,T0的计算公式如下:
其中,hs表示灰度值图像中第s个像素点的灰度值,s=1,2,…,t,所述灰度值图像中共有t个像素点;
(2)将灰度值图像中灰度值小于阈值T的像素点归入类G1,将灰度值大于阈值T的像素点归入类G2,分别计算类G1和类G2的平均灰度值f1和f2;
(3)更新阈值,令阈值
(4)重复步骤(2)、(3),直到本次迭代中的阈值T与上一次迭代中的阈值T的差值ΔT小于等于预设置的阈值A,停止迭代;
(5)利用停止迭代时的阈值T将灰度值图像中的像素点分为类G1和G2,令类G1中所有像素点的灰度值为0,类G2中所有像素点的灰度值为255,得到二值化图像。
进一步的,本发明的基于机器视觉的梨果柄长度的测量方法,所述步骤S13具体包括:
从二值化图像中任意选取一个像素点qs,像素点qs的灰度值为hs,以像素点qs为中心点,取其邻域像素点qr的灰度值hr,根据灰度值的大小为像素点qs与其邻域像素点qr排序,得到有序序列Q,取有序序列Q的中位的像素点的灰度值作为中心点qs的灰度值;
重复上述操作,直到处理完二值化图像中的所有像素点,得到去噪后的图像。
进一步的,本发明的基于机器视觉的梨果柄长度的测量方法,所述邻域为正方形区域,所述正方形区域的取值范围为[15×15]~[23×23]。
进一步的,本发明的基于机器视觉的梨果柄长度的测量方法,所述步骤S2具体包括:
S21、从预处理后的图像中去除无用区域的图像,选取仅包含梨果柄区域的梨果柄图像,所述果柄图像共有m行、n列像素;
S22、以梨果柄图像的左下角为坐标原点建立直角坐标系,像素点P的坐标为(j,i),遍历果柄图像中所有的像素点,计算果柄最高点Pmax和最低点Pmin的像素坐标,最高点Pmax的坐标为(jmax,imax),最低点Pmin的坐标为(jmin,imin),最高点Pmax为梨果柄上纵坐标最高的点,最低点Pmin为梨果柄上纵坐标最低的点,具体计算如下:
其中,Hi表示果柄图像中第i行像素的灰度值之和,hi,j表示果柄图像中第i行、第j列像素点的灰度值,Hi+1表示果柄图像中第i+1行像素的灰度值之和,hi+1,j表示果柄图像中第i+1行、第j列像素点的灰度值,Hi-1表示果柄图像中第i-1行像素的灰度值之和,hi-1,j表示果柄图像中第i-1行、第j列像素点的灰度值, 表示第imax行、第j-1列像素点的灰度值,表示第imax行、第j列像素点的灰度值,表示第imax行、第j+1列像素点的灰度值, 表示第imin行、第j-1列像素点的灰度值,表示第imin行、第j列像素点的灰度值,表示第imin行、第j+1列像素点的灰度值,i=0,1,…,m,j=0,1,…,n。
进一步的,本发明的基于机器视觉的梨果柄长度的测量方法,所述步骤S3具体包括:
S31、根据Pmax和Pmin提取果柄上的L个特征点,L为正整数,且相邻两个特征点的纵坐标之差满足:
其中,round(·)为四舍五入取整函数;
S32、特征点集合为P={Pk|k=0,1,…,L-1},其中,P0=Pmin,PL-1=Pmax,特征点Pk的坐标为(ik,jk):
ik=imin+kD (7)
其中,表示第ik行、第j-1列像素点的灰度值,表示第ik行、第j列像素点的灰度值,表示第ik行、第j+1列像素点的灰度值;
S33、依次连接特征点集合P中的特征点,形成L-1个线段,计算L-1个线段长度之和作为梨果柄长度Z:
S34、利用尺寸标准板对图像进行尺寸标定,将梨果柄长度Z由等值的像素转换成毫米尺寸,得到实际梨果柄长度。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
本发明在前期预处理时已去除大量无用数据,且后续的计算过程简单,因此本发明的方法计算量较小,对硬件设备要求较低,同时计算速度快,与现有的人工测量方法相比,测量效率极高,可在短时间内测量大量梨样本的果柄长度。同时考虑到果柄自然弯曲的特性,本发明提取大量特征点来计算果柄长度,测量的精度远高于人工测量,同时因为整个测量过程自动化程度很高,不需要过多的人工操作,尤其适合需要测量较多样本的情况,可以大大降低测量成本。
附图说明
图1为本发明的基于机器视觉的梨果柄长度的测量方法流程图。
图2为本发明实施例的灰度值图像。
图3为本发明实施例的预处理后的果柄图像。
图4为本发明实施例的尺寸标准板的示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
一种基于机器视觉的梨果柄长度的测量方法,如图1所示,包括以下步骤:
S1、采集整体梨表面图像,并对所述梨表面图像进行预处理,依次包括灰度值处理、二值化处理和去噪处理;
S2、从预处理后的图像中选取梨果柄图像,计算所述梨果柄图像中果柄的最高点Pmax和最低点Pmin的像素坐标;
S3、根据最高点Pmax和最低点Pmin,提取特征点集合,根据特征点集合计算实际果柄长度并由尺寸标准板进行标定。
实施例1
本发明提出了一种基于机器视觉的梨果柄长度的测量方法,具体包括以下步骤:
S1、采集梨表面图像,并对所述梨表面图像进行预处理。具体操作如下:
S11、选取一种有代表性的梨作为实验样本,将梨放置在水平平台上,在距离平台一定距离外利用专业照相设备采集梨表面图像,采集到的梨表面图像是包括梨果实和梨果柄在内的彩色图像,为了减少后期计算量,同时去除彩色图像带来的信号干扰,对梨表面图像作灰度值处理,由于果柄的颜色一般较深,在RGB中更偏向蓝色,所以以蓝色为取值通道提取梨表面图像中每个像素点的灰度值,得到灰度值图像,如图2所示。
S12、基于迭代聚类法给灰度值图像进行二值化处理,得到二值化图像,迭代聚类法可以按照图像中像素灰度特征的接近程度将图像分割为多个类,本发明方法中主要把图像分为目标和背景两类,目标类包括果柄图像,背景类包括除果柄外的其他图像。步骤S12的具体操作步骤如下:
(1)由于本发明方法只分两类,所以需要同一个用来分割的阈值,首先需要初始化阈值,取灰度值图像的平均灰度值作为阈值T=T0,T0的计算公式如下:
其中,灰度值图像中共有t个像素点,hs表示灰度值图像中第s个像素点的灰度值,s=1,2,…,t。
(2)将灰度值图像中灰度值小于阈值T的像素点归入类G1,将灰度值大于阈值T的像素点归入类G2,假设类G1中共有a个像素点,类G2中共有c个像素点,a+c=t,分别计算类G1和G2的平均灰度值f1和f2:
其中,hb表示类G1中第b个像素点的灰度值,hd表示类G2中第d个像素点的灰度值。
(3)更新阈值T,令阈值
(4)重复步骤(2)、(3),直到本次迭代中的阈值T与上一次迭代中的阈值T的差值ΔT小于等于设置的阈值A,停止迭代。此处的阈值A是一个经验值,一般是根据具体样本反复实验得到的。差值ΔT=|Te-Te-1|,其中,Te表示第e次迭代后的阈值,Te-1表示第e-1次迭代后的阈值。
(5)利用停止迭代时的阈值T将灰度值图像中的像素点重新分为类G1和G2,令类G1中所有像素点的灰度值为0,类G2中所有像素点的灰度值为255,得到二值化图像。
S13、二值化处理后,由于果柄上存在色差、图像中存在阴影等,二值化图像中仍会存在大量的、较小的噪声区域,需要进一步去除这一部分区域。本发明方法基于中值滤波法来去除二值化图像中的噪点,从二值化图像中任意选取一个像素点qs,像素点qs的灰度值为hs,以像素点qs为中心点,取其邻域像素点qr的灰度值hr,根据灰度值的大小为像素点qs与其邻域像素点qr排序,得到有序序列Q,有序序列Q的顺序可以是由小到大或由大到小,然后选取位于有序序列Q的中间位置处的像素点的灰度值作为中心点qs的灰度值。
本发明中的邻域像素一般是选取中心点周围矩形范围内的像素,且像素点个数为奇数,为了方便计算,本发明方法中的邻域选取正方形区域,经过大量的实验,正方形区域的取值范围为[15×15]~[23×23],即选取边长为15个像素的正方形区域或边长为23个像素的正方形区域。重复上述操作,直到处理完二值化图像中的所有像素点,得到去噪后的图像。
S2、从预处理后的图像中选取果柄图像,计算所述果柄图像中果柄的最高点Pmax和最低点Pmin的像素坐标。具体操作如下:
S21、由于预处理是对采集到的梨表面图像进行的,所以去燥后的图像中包含大量无用的像素点,比如原本是果实本体部分的图像,为了减少后续的计算量,提高测量速度和精度,需要从预处理后的图像(即去燥后的图像)中手动去除无用区域的图像,选取包含果柄区域的果柄图像,也就是把实际上的果柄区域图像截取出来进行后续的计算,图3就是本发明实施例中预处理后的果柄图像,可以看出果柄部分的像素点为白点,即灰度值为255,背景区域的像素点为黑点,即灰度值为0,假设该果柄图像共有m行、n列像素。
S22、以果柄图像的左下角为坐标原点建立直角坐标系,j为横坐标,i为纵坐标,像素点P的坐标为(j,i)。遍历果柄图像中所有的像素点,计算果柄最高点Pmax和最低点Pmin的像素坐标,最高点Pmax的坐标为(jmax,imax),最低点Pmin的坐标为(jmin,imin),最高点Pmax一般取果柄上纵坐标最高的点,当纵坐标最高处不是单一的一个像素点,而存在多个果柄像素点时,选取这些像素点的中值坐标作为最高点的横坐标,同理,选取果柄的最低点Pmin,具体计算公式如下:
其中,Hi表示果柄图像中第i行像素的灰度值之和,hi,j表示果柄图像中第i行、第j列像素点的灰度值,Hi+1表示果柄图像中第i+1行像素的灰度值之和,hi+1,j表示果柄图像中第i+1行、第j列像素点的灰度值,Hi-1表示果柄图像中第i-1行像素的灰度值之和,hi-1,j表示果柄图像中第i-1行、第j列像素点的灰度值,int()为取整函数, 表示第imax行、第j-1列像素点的灰度值,表示第imax行、第j列像素点的灰度值,表示第imax行、第j+1列像素点的灰度值, 表示第imin行、第j-1列像素点的灰度值,表示第imin行、第j列像素点的灰度值,表示第imin行、第j+1列像素点的灰度值,i=0,1,…,m,j=0,1,…,n。
S3、根据Pmax和Pmin提取特征点集合,并根据所述特征点集合计算果柄长度,具体操作如下:
S31、果柄一般为自然弯曲的形状,为了尽可能提高果柄长度的测量精度,需要根据Pmax和Pmin提取果柄上的L个特征点,特征点的数量可以根据果柄最高点与最低点的纵坐标之差来选取,理论上纵坐标之差越大需要提取的特征点数量越多。提取的相邻两个特征点的纵坐标之差为:
其中,round()为四舍五入取整函数。
S32、特征点集合为P={Pk|k=0,1,…,L-1},其中,P0=Pmin,PL-1=Pmax,特征点Pk的坐标为(ik,jk):
ik=imin+kD (20)
其中,表示第ik行、第j-1列像素点的灰度值,表示第ik行、第j列像素点的灰度值,表示第ik行、第j+1列像素点的灰度值。
S33、将特征点集合P中的特征点依次连接起来,形成L-1个线段,计算L-1个线段的长度和作为果柄长度Z:
S34、步骤S33计算出的长度Z是根据像素值计算的,本发明方法还需要利用尺寸标准板为图像进行尺寸标定,一方面可以去除图像采集后出现的形变,另一方面可以将果柄长度Z由等值的像素转换成毫米尺寸,得到梨样本的实际果柄长度。本发明中采用的尺寸标准版如图4所示,标准板规格为7×7个原点,标准板中圆的直径为6.25mm,两圆之间的间距为12.5mm。
本发明的方法通过专业设备直接采集梨表面图像,通过预处理、人工选取等操作得到果柄图像,然后遍历果柄图像中的像素点,提取果柄特征点,最终利用提取的特征点计算果柄长度。因为前期预处理时就已经去除大量无用数据,所以本发明方法的计算量较小,对硬件设备要求较低,同时计算速度很快,与现有的人工测量方法相比,本发明方法测量效率极高,可以在短时间内测量大量梨样本的果柄长度。考虑到果柄自然弯曲的特性,本发明提取大量特征点来计算果柄长度,测量的精度远高于人工测量,同时因为整个测量过程自动化程度很高,不需要过多的人工操作,尤其适合需要测量较多样本的情况,可以大大降低测量成本。本发明方法可以为梨种质表型数据研究提供很好的数据保障,对我国梨种质研究有着深远的意义。
上面结合附图对本发明的实施方式作了详细地说明,但是本发明并不局限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (7)
1.一种基于机器视觉的梨果柄长度的测量方法,其特征在于,包括以下步骤:
S1、采集整体梨表面图像,并对所述梨表面图像进行预处理,依次包括灰度值处理、二值化处理和去噪处理;
S2、从预处理后的图像中选取梨果柄图像,计算所述梨果柄图像中果柄的最高点Pmax和最低点Pmin的像素坐标;
S3、根据最高点Pmax和最低点Pmin,提取特征点集合,根据特征点集合计算实际果柄长度并由尺寸标准板进行标定。
2.根据权利要求1所述的基于机器视觉的梨果柄长度的测量方法,其特征在于,所述步骤S1具体包括:
S11、采集梨表面图像,对梨表面图像作灰度值处理,以蓝色为取值通道提取像素点的灰度值,得到灰度值图像;
S12、采用迭代聚类法对所述灰度值图像进行二值化处理,将灰度值图像像素分为目标类和背景类,目标类包括梨果柄图像,背景类包括除梨果柄外的其他图像,得到二值化图像;
S13、采用中值滤波法去除二值化图像中的噪点,得到去噪后的图像。
3.根据权利要求2所述的基于机器视觉的梨果柄长度的测量方法,其特征在于,所述步骤S12具体包括:
(1)取灰度值图像的平均灰度值作为阈值T=T0,T0的计算公式如下:
其中,hs表示灰度值图像中第s个像素点的灰度值,s=1,2,…,t,所述灰度值图像中共有t个像素点;
(2)将灰度值图像中灰度值小于阈值T的像素点归入类G1,将灰度值大于阈值T的像素点归入类G2,分别计算类G1和类G2的平均灰度值f1和f2;
(3)更新阈值,令阈值
(4)重复步骤(2)、(3),直到本次迭代中的阈值T与上一次迭代中的阈值T的差值ΔT小于等于预设置的阈值A,停止迭代;
(5)利用停止迭代时的阈值T将灰度值图像中的像素点分为类G1和G2,令类G1中所有像素点的灰度值为0,类G2中所有像素点的灰度值为255,得到二值化图像。
4.根据权利要求2所述的基于机器视觉的梨果柄长度的测量方法,其特征在于,所述步骤S13具体包括:
从二值化图像中任意选取一个像素点qs,像素点qs的灰度值为hs,以像素点qs为中心点,取其邻域像素点qr的灰度值hr,根据灰度值的大小为像素点qs与其邻域像素点qr排序,得到有序序列Q,取有序序列Q的中位的像素点的灰度值作为中心点qs的灰度值;
重复上述操作,直到处理完二值化图像中的所有像素点,得到去噪后的图像。
5.根据权利要求4所述的基于机器视觉的梨果柄长度的测量方法,其特征在于,所述邻域为正方形区域,所述正方形区域的取值范围为[15×15]~[23×23]。
6.根据权利要求1所述的基于机器视觉的梨果柄长度的测量方法,其特征在于,所述步骤S2具体包括:
S21、从预处理后的图像中去除无用区域的图像,选取仅包含梨果柄区域的梨果柄图像,所述果柄图像共有m行、n列像素;
S22、以梨果柄图像的左下角为坐标原点建立直角坐标系,像素点P的坐标为(j,i),遍历果柄图像中所有的像素点,计算果柄最高点Pmax和最低点Pmin的像素坐标,最高点Pmax的坐标为(jmax,imax),最低点Pmin的坐标为(jmin,imin),最高点Pmax为梨果柄上纵坐标最高的点,最低点Pmin为梨果柄上纵坐标最低的点,具体计算如下:
其中,Hi表示果柄图像中第i行像素的灰度值之和,hi,j表示果柄图像中第i行、第j列像素点的灰度值,Hi+1表示果柄图像中第i+1行像素的灰度值之和,hi+1,j表示果柄图像中第i+1行、第j列像素点的灰度值,Hi-1表示果柄图像中第i-1行像素的灰度值之和,hi-1,j表示果柄图像中第i-1行、第j列像素点的灰度值, 表示第imax行、第j-1列像素点的灰度值,表示第imax行、第j列像素点的灰度值,表示第imax行、第j+1列像素点的灰度值, 表示第imin行、第j-1列像素点的灰度值,表示第imin行、第j列像素点的灰度值,表示第imin行、第j+1列像素点的灰度值,i=0,1,…,m,j=0,1,…,n。
7.根据权利要求1所述的基于机器视觉的梨果柄长度的测量方法,其特征在于,所述步骤S3具体包括:
S31、根据Pmax和Pmin提取果柄上的L个特征点,L为正整数,且相邻两个特征点的纵坐标之差满足:
其中,round(·)为四舍五入取整函数;
S32、特征点集合为P={Pk|k=0,1,…,L-1},其中,P0=Pmin,PL-1=Pmax,特征点Pk的坐标为(ik,jk):
ik=imin+kD
其中,表示第ik行、第j-1列像素点的灰度值,表示第ik行、第j列像素点的灰度值,表示第ik行、第j+1列像素点的灰度值;
S33、依次连接特征点集合P中的特征点,形成L-1个线段,计算L-1个线段长度之和作为梨果柄长度Z:
S34、利用尺寸标准板对图像进行尺寸标定,将梨果柄长度Z由等值的像素转换成毫米尺寸,得到实际梨果柄长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911018892.7A CN110579174A (zh) | 2019-10-24 | 2019-10-24 | 一种基于机器视觉的梨果柄长度的测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911018892.7A CN110579174A (zh) | 2019-10-24 | 2019-10-24 | 一种基于机器视觉的梨果柄长度的测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110579174A true CN110579174A (zh) | 2019-12-17 |
Family
ID=68815360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911018892.7A Pending CN110579174A (zh) | 2019-10-24 | 2019-10-24 | 一种基于机器视觉的梨果柄长度的测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110579174A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11194013A (ja) * | 1998-01-05 | 1999-07-21 | Kubota Corp | 果菜類の計測装置 |
CN101477692A (zh) * | 2009-02-13 | 2009-07-08 | 阿里巴巴集团控股有限公司 | 图像特征提取方法及装置 |
CN202024730U (zh) * | 2011-03-18 | 2011-11-02 | 青岛农业大学 | 一种梨果外观品质检测装置 |
CN103033134A (zh) * | 2013-01-07 | 2013-04-10 | 上海理工大学 | 针对破损光纤几何参数的检测系统及方法 |
CN103834796A (zh) * | 2012-11-23 | 2014-06-04 | 宝山钢铁股份有限公司 | 一种在线识别炉内带钢跑偏的方法 |
CN105043253A (zh) * | 2015-06-18 | 2015-11-11 | 中国计量学院 | 基于面结构光技术货车侧防护栏安装尺寸测量系统及方法 |
CN105091756A (zh) * | 2015-08-31 | 2015-11-25 | 中国烟草总公司广东省公司 | 一种烟叶分级中烟叶长度的检测方法 |
CN106767426A (zh) * | 2016-11-15 | 2017-05-31 | 四川农业大学 | 水稻株叶型测定方法及其装置 |
CN107389703A (zh) * | 2017-06-29 | 2017-11-24 | 北京长征高科技有限公司 | 一种打叶指标在线光电检测装置及检测方法 |
CN208956192U (zh) * | 2018-12-26 | 2019-06-07 | 南京熙岳智能科技有限公司 | 水果果柄表型数据采集装置 |
-
2019
- 2019-10-24 CN CN201911018892.7A patent/CN110579174A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11194013A (ja) * | 1998-01-05 | 1999-07-21 | Kubota Corp | 果菜類の計測装置 |
CN101477692A (zh) * | 2009-02-13 | 2009-07-08 | 阿里巴巴集团控股有限公司 | 图像特征提取方法及装置 |
CN202024730U (zh) * | 2011-03-18 | 2011-11-02 | 青岛农业大学 | 一种梨果外观品质检测装置 |
CN103834796A (zh) * | 2012-11-23 | 2014-06-04 | 宝山钢铁股份有限公司 | 一种在线识别炉内带钢跑偏的方法 |
CN103033134A (zh) * | 2013-01-07 | 2013-04-10 | 上海理工大学 | 针对破损光纤几何参数的检测系统及方法 |
CN105043253A (zh) * | 2015-06-18 | 2015-11-11 | 中国计量学院 | 基于面结构光技术货车侧防护栏安装尺寸测量系统及方法 |
CN105091756A (zh) * | 2015-08-31 | 2015-11-25 | 中国烟草总公司广东省公司 | 一种烟叶分级中烟叶长度的检测方法 |
CN106767426A (zh) * | 2016-11-15 | 2017-05-31 | 四川农业大学 | 水稻株叶型测定方法及其装置 |
CN107389703A (zh) * | 2017-06-29 | 2017-11-24 | 北京长征高科技有限公司 | 一种打叶指标在线光电检测装置及检测方法 |
CN208956192U (zh) * | 2018-12-26 | 2019-06-07 | 南京熙岳智能科技有限公司 | 水果果柄表型数据采集装置 |
Non-Patent Citations (2)
Title |
---|
戴美松等: "基于图像处理技术梨果实尺寸测定系统的研发与应用", 《园艺学报》 * |
陈朝阳: "《影像测量仪技术基础》", 31 March 2010 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zapotoczny et al. | Application of image analysis for the varietal classification of barley:: Morphological features | |
CN109447945B (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
CN109255757B (zh) | 一种机器视觉自然放置葡萄串果梗区域分割方法 | |
CN108960011B (zh) | 部分遮挡的柑橘果实图像识别方法 | |
CN109800619B (zh) | 成熟期柑橘果实图像识别方法 | |
CN103528967B (zh) | 基于高光谱图像的过熟蓝靛果果实识别方法 | |
CN112907545A (zh) | 基于图像处理的种子芽长与根长检测方法 | |
CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
CN113838081A (zh) | 一种基于机器视觉判别烤烟烟叶颜色均匀度的方法和装置 | |
CN109308464A (zh) | 一种基于数码相机图像的水稻穗子识别方法 | |
CN113570538A (zh) | 一种叶片rgb图像偏态分布参数信息采集及分析方法 | |
Ji et al. | Apple color automatic grading method based on machine vision | |
CN110579174A (zh) | 一种基于机器视觉的梨果柄长度的测量方法 | |
CN110118735B (zh) | 一种检测香梨公母的高光谱成像检测方法及装置 | |
CN113610187B (zh) | 基于图像技术的木材纹理提取及分类方法 | |
CN111932551B (zh) | 一种水稻插秧机的漏插率检测方法 | |
CN115661187A (zh) | 用于中药制剂分析的图像增强方法 | |
CN110580495A (zh) | 一种梨树叶面积与叶面炭疽病病斑数自动化分析方法 | |
Kociołek et al. | Preprocessing of barley grain images for defect identification | |
CN112150481B (zh) | 一种白粉病图像分割方法 | |
CN114881984A (zh) | 一种大米加工精度的检测方法、装置、电子设备及介质 | |
CN114332626A (zh) | 一种基于视觉分析的水稻产量预测方法 | |
CN114612794A (zh) | 一种细碎化农业区土地覆被与种植结构的遥感识别方法 | |
CN110428401B (zh) | 一种梨种质资源表型果点数据的测量与分析方法 | |
CN104794716B (zh) | 基于图像分形特征的图像质量客观评价方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191217 |