CN110782440B - 一种作物籽粒性状测量方法 - Google Patents

一种作物籽粒性状测量方法 Download PDF

Info

Publication number
CN110782440B
CN110782440B CN201911004805.2A CN201911004805A CN110782440B CN 110782440 B CN110782440 B CN 110782440B CN 201911004805 A CN201911004805 A CN 201911004805A CN 110782440 B CN110782440 B CN 110782440B
Authority
CN
China
Prior art keywords
image
connected domain
grain
pixel
length
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
Application number
CN201911004805.2A
Other languages
English (en)
Other versions
CN110782440A (zh
Inventor
贺文闯
靳德明
陈菜金
董西龙
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 CN201911004805.2A priority Critical patent/CN110782440B/zh
Publication of CN110782440A publication Critical patent/CN110782440A/zh
Application granted granted Critical
Publication of CN110782440B publication Critical patent/CN110782440B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/20036—Morphological image processing
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20152—Watershed segmentation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种作物籽粒性状测量方法。该方法可快速批量的测算作物籽粒的长度、宽度、粒数和千粒重，包括下列步骤：1.利用电脑、usb摄像头、发光台、不透明箱体组装构建作物籽粒的测量平台；2.试样称重，置于发光台上撒布铺平；3.编写程序，依次完成建立数据文件、获取空白图像、进行长度校准、获取籽粒图像、录入样品名称与重量、进行图像处理与分割、连通域的判定与纠错、输出测量数据等工作；录入样品名称与重量后的图像分析与数据输出均由程序自动完成，仅需数秒即可；测量结果直接输出为办公和统计软件识别的格式，用于进一步整理统计。本发明具有低成本、易操作、快速准确、实用性强、极易维护的优点。

Description

一种作物籽粒性状测量方法
技术领域
本发明属于作物遗传育种、作物栽培学领域，更具体涉及一种作物籽粒性状测量方法。
背景技术
籽粒性状是作物籽粒产量和品质的重要影响因素，是农业生产和科研工作不可或缺的产量、品质的评价指标。以水稻为例，粒型对水稻粒重具有显著影响，籽粒长宽比是稻米品质鉴定标准中的重要指标，穗粒数和千粒重(百粒重)则均为水稻产量构成因素的组成，对产量具有决定性影响。因此作物籽粒性状的考察一直是考种工作的重要组成部分。
目前作物的常规考种步骤，如水稻、玉米、大豆等仍然以人工操作为主。其中粒长、粒宽的测定方法主要分为游标卡尺法和排列法，游标卡尺法即为利用游标卡尺对随机挑选的10粒以上的种子分别测量其长度和宽度，排列法即为将随机挑选出的籽粒分别纵向和横向相连直线紧密排列，分别测其横向排列总长度和纵向排列总长度，最后分别除以粒数获得平均粒长和粒宽。穗粒数仍然以人工数粒为主要方法，粒重的测定原理基本一致，均为人工数取大量固定数量籽粒后称重获得，水稻、小麦等中小粒作物一般为千粒重，而玉米、大豆等大粒作物主要使用百粒重作为粒重衡量指标。
穗粒数与千粒重(百粒重)重要步骤为籽粒计数，人工计数的费时费力和因人而异的随机误差一直是这两个性状检测工作的限制步骤。为了解决这些困难，也有研究人员提出了量杯法和称重法。其中量杯法为使用具有体积刻度、合适内径大小的量杯或注射器等，将籽粒倒入至某一确定刻度即为相应粒数；但此方法误差较大，且粒型稍有变化则需重做标记。称重法则相对精确，其操作方法为先随机取样部分籽粒，称重并人工数粒计数，重复3次以计算该籽粒样品粒数与重量的线性关系，最后称取总重，换算出总粒数。
同时，当前亦出现了电子数粒设备，如电子数粒仪，计数误差随粒型变化可在0.4％-1.5％范围浮动，但其数粒速度甚至低于人工速度；近年来华中科技大学研发了全自动考种仪“CN101933436B”，籽粒性状测量速度较快，但其计数误差高于电子数粒仪，且存在造价极其昂贵，普通生产和科研单位难以负担的问题。
此外，亦有科研人员提出基于图像处理的籽粒计数方法，但其成像系统对环境光线仍然敏感，影响测量精度且不利于实地操作；作为核心应用的图像分析算法存在缺陷，极易导致籽粒图像变形而无法测量长宽性状、不能连续识别图片难以快速应用于批量测定。
综上所述，目前的籽粒性状考察方法存在以下问题：1.费工费时，面对大批量样品十分吃力。以水稻为例，人工计数一般为3-5分钟/1000粒，粒长和粒宽测量一般用时5分钟/样品，则全部性状测量记录用时15-20分钟/样品，面对成百上千的样品显得效率低下。2.人工计数误差较大，长时间重复枯燥的数粒操作容易导致不同程度的误差；现有基于图像处理的计数算法存在缺陷无法测量其他性状。3.现有考种仪器昂贵，构造复杂，难以维护。如全自动数粒仪价格保守预计在数十万元以上。
而本方法提供的籽粒性状测量平台则具有以下优点：1.快速高效。计数和粒长宽测定均可在数秒内自动完成，效率远远高于普通方法；成像系统采用不透明箱体构建独立的暗环境，完全适应各种外界环境，简便易操作；要求背景光源无频闪，保证了成像质量。2.测量准确，误差易控制。在满足既定条件的前提下，本方法对粒数的测量准确率可高达100％；相对于现有籽粒计数图像处理算法，本方法所采用的分割与纠错算法可以相当程度上克服籽粒粘连对图像分割的影响，对于满足条件的样品可以完全兼容籽粒粘连的情况，只需保证籽粒不重叠即可，具有极大的实用性和可操作性；对单粒长宽的测定精度可与排列法相当，但由于本方法的可测籽粒数远大于排列法故总体精度仍然高于排列法。3.成本低，构造简单容易维护。本方法构建的测量平台硬件组成均为日常可见的数码用品，除电脑(日常用品，无须额外配置)外造价不过数百元，且均容易更换或者替换。
发明内容
本方法旨在提供一种作物籽粒性状测量方法，通过日常可见的数码或办公用品组建成像平台，利用Matlab软件强大的图像分析和命令编译功能自动完成对籽粒图像的精确分割和相关性状的准确测定，最终实现快速、简单、高效、准确的测定作物籽粒性状的目标。
为了实现上述目的，本发明采用以下方法：
一种作物籽粒性状测量方法，其具体步骤是：
步骤1.在空白标准观片灯台面上放置标准长度为Lmm的卡片，并用摄像头拍摄获得校准图像，利用计算机读取校准图片中所述卡片得像素长度Lpx，并计算得到长度校准参数L＝Lmm/Lpx存储备用；
步骤2.将空白的标准观片灯台面上的卡片取走，并用摄像头拍摄获得空白图像；
步骤3.将籽粒样品称重记录得到重量G，然后置于标准观片灯台面上撒布平铺，使至少一半以上的所述籽粒间隔隔开不粘连；
步骤4.从摄像头获取步骤3的籽粒平铺图像；
步骤5.计算机读取籽粒平铺图像与步骤2的空白图像相减，再经图像调整、灰度处理、中值滤波得到清晰的灰度籽粒图像，对所述的灰度籽粒图像进行二值化处理，并通过图像开操作和小连通域去除操作，断开连通域间的细小连接，消除图像中的杂质和噪点，得优化图像；
步骤6.对所述优化图像进行反向距离变换；
步骤7.为了尽力避免步骤9对图像的过度分割，使用imextendedmin函数和imimposemin函数对距离变换结果强制设置局部最小值，得调整后的距离变换图像；
步骤8.应用分水岭算法对步骤7调整后的距离变换图像进行图像分割，得分割后的二值图像；
步骤9.对分割后的二值图像进行连通域检测，获取所有连通域形态特征数据，包括连通域面积Si、连通域最小凸多边形像素面积Sdi、连通域中心位置特征，对所有连通域面积依次排序，选取排序居中的任一连通域的连通域面积作为纠错参数SJ，计算每个连通域的Si与SJ的取整比值作为各连通域的籽粒值ni，对ni求和得到样品总粒数GrainTotalNum，计算每个连通域的Si与Sdi的比值作为可测量值，若可任一连通域的可测量值大于阈值0.9且ni等于1，则将该连通域记录于可测量连通域图像中，若否，则将该连通域记录于不可测量连通域图像中；
步骤10.对可测量连通域图像进行连通域检测，获得所有可测量连通域形态特征参数，包括形态学长轴像素长度、形态学短轴像素长度，根据可测量连通域形态特征参数求得形态学长轴像素长度平均值GrainLpx、形态学短轴像素长度平均值GrainWpx；
步骤11.根据步骤9采集的样品总粒数GrainTotalNum、步骤1得到的长度校准参数L＝Lmm/Lpx、步骤3的重量G、步骤10的GrainLpx和GrainWpx，求粒长平均值＝GrainLpx×L，粒宽平均值＝GrainWpx×L，样品千粒重＝G/GrainTotalNum×1000。
进一步地，所述步骤6具体为：先对所述优化图像进行取反操作，然后对取反后的图像进行欧式距离变换。
进一步地，所述步骤7具体为：先使用imextendedmin函数检测距离变换结果中的局部最小值区域，然后使用imimposemin函数将获得的局部最小值区域在距离变换结果中进行标记，获得调整后的距离变换图像。
本发明的优点
本发明具有以下优点和效果：
1.快速高效。计数和粒长宽测定均可在数秒内自动完成，效率远远高于普通方法；成像系统采用不透明箱体构建独立的暗环境，完全适应各种外界环境，简便易操作；要求背景光源无频闪，保证了成像质量。
2.测量准确，误差易控制。在满足既定条件的前提下，本方法对粒数的测量准确率可达100％；相对于现有籽粒计数图像处理算法，本方法所采用的分割与纠错算法可以相当程度上克服籽粒粘连对图像分割的影响，对于满足条件的样品可以完全兼容籽粒粘连的情况，只需保证籽粒不重叠即可，具有极大的实用性和可操作性；籽粒图像的区域分割对籽粒的形状影响极小，对单粒长宽的测定精度可与排列法相当，但由于本方法的可测粒数远大于排列法故总体精度仍然高于排列法。
3.成本低，构造简单容易维护。本方法构建的测量平台硬件组成均为日常可见的数码用品，除电脑(日常用品，无须额外配置)外造价不过数百元，且均容易更换或者替换。
附图说明
图1：为本发明的作物籽粒性状测量平台硬件组装完成的示意图；
其中1为电脑，2为摄像头，3为不透明箱体，4为活动门，5为发光台，6为标准长度卡片；
图2：为本发明的作物籽粒性状测量平台的测量流程；
图3：为本发明的籽粒性状测量方法中长度校准时获取的图像；
图4：为本发明的籽粒性状测量方法中空白图像；
图5：为本发明的籽粒性状测量方法中原始籽粒图像；
图6：为本发明的籽粒性状测量方法中样品信息输入对话框，包括样品名称与重量；
图7：为本发明的籽粒性状测量方法中籽粒图像预处理过程示意图；
其中：左上：背景扣除后图像右上：图像调整后图像
左下：灰度处理后图像右下：中值滤波后图像；
图8：为本发明的籽粒性状测量方法中二值图像及其优化示意图；
其中：左图：二值化后图像右图：优化处理后图像；
图9：为本发明的籽粒性状测量方法中距离变换与分水岭分割示意图；
其中：左图：距离变换后图像右图：优化的分水岭分割后图像；
图10：为本发明的籽粒性状测量方法中连通域判定结果图；
可见籽粒数量判定结果准确率达到100％；
其中：红色的·表示连通域判定为1，包含1个籽粒；红色的数字表示连通域判定结果大于1，数字即为其包含的籽粒个数；
图11：为本发明的籽粒性状测量方法中3个样品的测量结果图；
可见对同一材料的多次抽样测量重复性好，误差极小；
其中：上图：数据输出为文本格式下图：文本数据导入至Microsoft Excel2010；
图12：为本发明的籽粒性状测量方法中4个样品的原始籽粒图像与连通域判定结果图；
可见大豆籽粒的粘连完全不影响图像分割的准确性，而小麦与水稻籽粒图像在连通域判定纠错后亦可达到100％的准确率；
其中：第一行图像：左图，大豆1样品原始籽粒图像；右图，大豆1籽粒图像连通域判定结果；
第二行图像：左图，大豆2样品原始籽粒图像；右图，大豆2籽粒图像连通域判定结果；
第三行图像：左图，小麦样品原始籽粒图像；右图，小麦籽粒图像连通域判定结果；
第四行图像：左图，水稻样品原始籽粒图像；右图，水稻籽粒图像连通域判定结果。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应当理解，这些实施例仅用于说明本发明而不用于限制本发明要求保护的范围，下列实施例中未注明的具体实验条件和方法，通常按照常规考种方法进行。具体步骤如下：
实施例1:
一种水稻籽粒性状测量方法，其步骤是：
1.成像平台的构建
将合适大小的不透明纸箱3的底面去掉，罩于LED观片灯台面5上；然后将usb摄像头2固定于不透明纸箱3的顶部，镜头对准下方观片灯台面5，其usb接口直接连接电脑1；不透明纸箱3一侧剪开一部分作为活动门4用于放置和取出待测样品。
2.开启测量平台
在观片灯台面5上处于摄像头2视野边缘的区域放置100mm长度的卡片6；打开观片灯台面背景光源。
3.基于Matlab软件编写建立处理程序，进行初始参数设置：
1)进行长度校准；获取图像(附图3)，对图像中的100mm卡片6两端利用鼠标进行标记，获取卡片的像素长度Lpx＝532，自动计算长度校准参数L＝Lmm/Lpx＝100/532＝0.18797。
2)获取空白图像：从摄像头直接获取未放入任何籽粒的空白观片灯台面图像(附图4)。
3)对话框询问用户数据文件名称：使用指定的文件名建立数据文件，用于后续实验数据的保存。
4.样品的准备与放置
将籽粒样品称重记录，然后置于观片灯台面5上撒布铺平，不能重叠或遮掩。在撒布铺平时应保证籽粒间避免粘连，其具体标准为如果样品籽粒的粘连长度可能会等于或者大于最小籽粒的宽度(如籼稻谷粒)，则应使至少一半以上的籽粒各自分离(附图5)。
5.基于Matlab软件编写处理程序，开始测量：
1)获取籽粒图像：从摄像头获取籽粒图像(附图5)。
2)录入样品名称与重量：对话框询问用户输入本次图像中样品的名称“Sample1、重量G＝10.97”(附图6)。
3)图像预处理、分割与纠错：进行图像预处理、距离变换与分水岭分割、连通域检测与纠错等工作。
(1)图像预处理：通过与背景图像相减、图像调整、灰度处理、中值滤波等处理方法对获取的籽粒图像进行初步调整，得到更清晰的灰度籽粒图像(附图7)；进一步对获得的灰度籽粒图像进行二值化处理，并使用imopen函数和bwareaopen函数通过形态学开操作和小连通域去除(阈值参数设置120)操作，断开连通域间的细小连接，消除图像中的杂质和噪点(附图8)。
具体地，https://ww2.mathworks.cn/help/images/ref/imopen.html记载了Matlab环境下imopen函数的功能。其功能是对灰度图像执行形态学开运算，即是用同样的结构元素先对图像进行腐蚀操作后进行膨胀操作，可使对象的轮廓变得光滑，断开狭窄的连接和消除细的突出物。腐蚀就是使用算法，将图像的边缘腐蚀掉，作用就是将目标的边缘的“毛刺”踢除掉。膨胀就是使用算法，对图像的边缘进行扩张，作用就是对目标的边缘或者是内部的坑进行填补。
https://ww2.mathworks.cn/help/images/ref/bwareaopen.html记载了Matlab环境下bwareaopen函数的功能，其功能是删除二值图像中面积小于P的连通域对象，此处的面积阈值参数P设为120。
(2)距离变换与图像分割：对经过优化的二值图像进行反向距离变换；为了避免后续应用分水岭算法的过分割，在图像分割之前，预先使用imextendedmin函数和imimposemin函数，对距离变换结果强制设置最小值(此处，最小距离差异设为3)，并在距离变换结果中进行标记；使用watershed函数，应用分水岭算法对调整后的距离变换图像进行图像分割(附图9)。
对经过优化的二值图像进行反向距离变换，是指先对所述优化图像进行取反操作，然后对取反后的图像进行欧式距离变换。欧式距离变换，是指在对图像进行距离变换时，计算每个像素点与最近的非零像素点之间的欧式几何距离。
https://ww2.mathworks.cn/help/images/ref/imextendedmin.html记载了Matlab环境下imextendedmin函数的功能。其功能为，找出灰度图像的局部最小区域，其中局部最小区域的定义为，当某个区域内的像素值和外部边界上的邻域像素值之间的差异均大于阈值h时，则认为该区域为局部最小区域。此处阈值h设为3。该函数的返回值为和原图像大小相同的二值图像BW，BW中极小值元素对应1，即为找出的局部最小区域，其他元素对应0。
https://ww2.mathworks.cn/help/images/ref/imimposemin.html记载了Matlab环境下imimposemin函数的功能。其功能是修改距离变换的结果，让滤波后的区域不会出现局部最小区域，这个操作叫做“强制最小(minima imposition)”，用来在图像中对专门的极小值区域进行标记。
https://ww2.mathworks.cn/help/images/ref/watershed.html记载了Matlab环境下watershed函数的功能，该函数实现的分水岭算法是基于“标记”的分割算法，用于解决传统的分水岭算法过度分割的问题。
(3)连通域检测与纠错：对分割后的二值图像进行连通域检测，并获取所有连通域形态特征数据，包括连通域面积Si、连通域最小凸多边形像素面积Sdi、连通域中心位置特征；通过连通域面积Si排序，选取排序居中的连通域的连通域面积作为纠错参数SJ，此处纠错参数为388；利用纠错参数对连通域进行判断，是否单一籽粒或多个粘连籽粒，并对粘连籽粒数量进行判别，其判别标准为每个连通域面积除以纠错参数，四舍五入取整即为籽粒数量；进一步对每个连通域的像素面积占其最小凸多边形像素面积比例进行判断，以比例大于0.9且为单一籽粒的连通域作为可测量连通域，用于籽粒长度和宽度的测量(附图10)。可见，经过纠错后，所有连通域的籽粒数量判断准确率为100％。
连通域检测还包括：利用凸壳法，对每个连通域的最小凸多边形进行检测，并计算其相应的像素面积。所采用的凸壳检测算法，其基本原理是，S01.先找到连通域内相距最远的两个像素点，将连接该两个像素点的线段视为向量；S02.在其外侧(或任一侧)找到距离最远的像素点并连接成为三角形；S03.忽略步骤S02得到三角形内的像素点，在步骤S01内所有剩余像素点中找到距离该三角形任一边最远的像素点，并与该边连接成为三角形；S04.递归重复上述操作S03，直到所有像素点均被使用过为止(即，剩余像素点个数为零)，而获得的所有最远距离点(包括初始的两个像素点)相连，即为最小凸多边形。https://wenku.baidu.com/view/2c1a1df285868762caaedd3383c4bb4cf7ecb78c.html对该算法进行了介绍。
4)测量结果的输出保存：对所有连通域判别获得籽粒数量求和即为样品总粒数GrainTotalNum＝449，对所有可测量连通域的形态学长轴和短轴像素长度分别取平均值(GrainLpx＝43.46和GrianWpx＝12.24)，经过单位换算即为粒长平均值和粒宽平均值，其换算公式为：粒长平均值(mm)＝GrainLpx×L＝43.46×0.18797＝8.17，粒宽平均值(mm)＝GrainWpx×L＝12.24×0.18797＝2.30；通过计算获得样品千粒重，其计算公式为：样品千粒重(g)＝G/GrainTotalNum×1000＝10.97/449×1000＝24.43；将获得的测量结果按格式输出至已建立的指定数据文件，数据间以‘，’分隔，输出结果为如下格式：
SampleName,Weight(g),TotalGrainNum,GrainL(mm),GrainW(mm),1000W(g)
Sample1,10.97,449,8.17,2.30,24.43
6.重复4到5的步骤，即可继续测量多个样品(附图11)。
实施例2:
一种简易快速的大豆、小麦、水稻籽粒性状测量方法，其步骤是：
1.成像测量平台的组装、初始设置与实施例1中步骤1到步骤3完全相同；
2.样品的准备与放置：
将籽粒样品称重记录，然后置于操作台上撒布铺平，不能重叠或遮掩。
在撒布铺平时应保证籽粒间尽量避免粘连，其具体标准为如果样品籽粒的粘连长度可能会等于或者大于最小籽粒的宽度(如小麦等)，则应使至少一半以上的籽粒各自分离；如果样品籽粒的粘连长度不会超过最小籽粒的宽度(如大豆)，则所有籽粒的粘连均不影响测量结果。
3.基于Matlab软件编写处理程序，进行测量。其具体步骤与实施例1中步骤5一致，但样品名称、样品重量、小连通域去除参数、纠错参数、总粒数、粒长与粒宽相关数据等均与测试样品相对应(附图12)。
4.重复步骤3到步骤4，所使用各样品相关参数及获得的测量结果如下：
表1实施例2所测样品的有关参数与测量结果
Figure BDA0002242415080000121
Figure BDA0002242415080000131

Claims (1)

1.一种作物籽粒性状测量方法，其特征在于，其步骤是：
步骤1.在空白标准观片灯台面上放置标准长度为Lmm的卡片，并用摄像头拍摄获得校准图像，利用计算机读取校准图片中所述卡片得像素长度Lpx，并计算得到长度校准参数 L=Lmm / Lpx存储备用；
步骤2.将空白的标准观片灯台面上的卡片取走，并用摄像头拍摄获得空白图像；
步骤3.将籽粒样品称重记录得到重量G，然后置于标准观片灯台面上撒布平铺，使至少一半以上的所述籽粒间隔隔开不粘连；
步骤4.从摄像头获取步骤3的籽粒平铺图像；
步骤5.计算机读取籽粒平铺图像与步骤2的空白图像相减，再经图像调整、灰度处理、中值滤波得到清晰的灰度籽粒图像，对所述的灰度籽粒图像进行二值化处理，并通过图像开操作和小连通域去除操作，断开连通域间的细小连接，消除图像中的杂质和噪点，得优化图像；
步骤6. 对所述优化图像进行取反操作，然后对图像进行距离变换时，计算每个像素点与最近的非零像素点之间的欧式几何距离；
步骤7. 为了尽力避免步骤9对图像的过度分割，使用imextendedmin函数和imimposemin函数对距离变换结果强制设置局部最小值，得调整后的距离变换图像；imextendedmin函数的功能为，当某个区域内的像素值和外部边界上的邻域像素值之间的差异均大于阈值h时，则认为该区域为局部最小区域，此处阈值h设为3，该函数的返回值为和原图像大小相同的二值图像BW，BW中极小值元素对应1，即为找出的局部最小区域，其他元素对应0；某个区域指距离变换结果；imimposemin函数的功能是修改距离变换的结果，让滤波后的区域不会出现局部最小区域；
步骤8.应用分水岭算法对步骤7调整后的距离变换图像进行图像分割，得分割后的二值图像；
步骤9.对分割后的二值图像进行连通域检测，获取所有连通域形态特征数据，包括连通域面积Si、连通域最小凸多边形像素面积Sdi、连通域中心位置特征，对所有连通域面积依次排序，选取排序居中的任一连通域的连通域面积作为纠错参数SJ，计算每个连通域的Si与SJ的取整比值作为各连通域的籽粒值ni，对ni求和得到样品总粒数GrainTotalNum，计算每个连通域的Si与Sdi的比值作为可测量值，若可任一连通域的可测量值大于阈值0.9且ni等于1，则将该连通域记录于可测量连通域图像中，若否，则将该连通域记录于不可测量连通域图像中；
步骤10.对可测量连通域图像进行连通域检测，获得所有可测量连通域形态特征参数，包括形态学长轴像素长度、形态学短轴像素长度，根据可测量连通域形态特征参数求得形态学长轴像素长度平均值GrainLpx、形态学短轴像素长度平均值GrainWpx；
步骤11.根据步骤9采集的样品总粒数GrainTotalNum、步骤1得到的长度校准参数 L=Lmm / Lpx、步骤3的重量G、步骤10的GrainLpx和GrainWpx，求粒长平均值= GrainLpx×L，粒宽平均值= GrainWpx×L，样品千粒重=G/GrainTotalNum×1000；
所述连通域最小凸多边形像素面积Sdi采样凸壳算法进行最小凸边形检测，然后计算像素面积，凸壳检测算法包括，S01.先找到连通域内相距最远的两个像素点，将连接该两个像素点的线段视为向量;S02.在其任一侧找到距离最远的像素点并连接成为三角形;S03.忽略步骤S02得到三角形内的像素点，在步骤S01内所有剩余像素点中找到距离该三角形任一边最远的像素点，并与该边连接成为三角形；S04.递归重复上述操作S03，直到所有像素点均被使用过为止， 获得的所有最远距离点相连得 最小凸多边形。
CN201911004805.2A 2019-10-22 2019-10-22 一种作物籽粒性状测量方法 Active CN110782440B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911004805.2A CN110782440B (zh) 2019-10-22 2019-10-22 一种作物籽粒性状测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911004805.2A CN110782440B (zh) 2019-10-22 2019-10-22 一种作物籽粒性状测量方法

Publications (2)

Publication Number Publication Date
CN110782440A CN110782440A (zh) 2020-02-11
CN110782440B true CN110782440B (zh) 2023-06-16

Family

ID=69384376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911004805.2A Active CN110782440B (zh) 2019-10-22 2019-10-22 一种作物籽粒性状测量方法

Country Status (1)

Country Link
CN (1) CN110782440B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111397709A (zh) * 2020-05-18 2020-07-10 扬州大学 一种小麦千粒重快速测量方法
CN113011296B (zh) * 2021-03-08 2024-09-24 中国农业科学院农产品加工研究所 快速鉴别小麦品种纯度的方法和系统
CN113112541A (zh) * 2021-04-28 2021-07-13 西南大学 基于图像处理的蚕蛹蛹体位姿测算方法及系统
CN113393460B (zh) * 2021-08-16 2021-11-30 湖南磐钴传动科技有限公司 基于图像处理的烟丝质量参数检测方法及系统
CN115457030B (zh) * 2022-10-27 2023-03-24 浙江托普云农科技股份有限公司 基于图像技术的作物茎粗测量方法、装置及其应用
CN117670865B (zh) * 2023-12-29 2024-07-26 海南大学 一种基于数字图像处理的固液两相流颗粒识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106855951A (zh) * 2016-12-16 2017-06-16 陕西科技大学 一种基于计算机视觉的粮种品质检测方法
CN107633503A (zh) * 2017-08-01 2018-01-26 南京航空航天大学 一种自动检测谷粒中残留秸秆的图像处理方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101281112A (zh) * 2008-04-30 2008-10-08 浙江理工大学 一种对网状粘连稻米的图像式自动分析方法
CN101339118A (zh) * 2008-08-08 2009-01-07 华中科技大学 谷粒参数自动测量装置及方法
CN103808263B (zh) * 2014-01-20 2016-05-11 北京派得伟业科技发展有限公司 谷粒粒形参数的高通量检测方法
CN104392460B (zh) * 2014-12-12 2015-11-04 山东大学 一种基于胞核标记分水岭变换的粘连白细胞分割方法
CN106296644A (zh) * 2015-06-10 2017-01-04 浙江托普云农科技股份有限公司 一种基于图像处理的玉米籽粒考种分析方法
CN108460780A (zh) * 2018-02-28 2018-08-28 哈尔滨工程大学 一种基于背景骨架特征的粘连米粒图像分割方法
CN108629776B (zh) * 2018-05-16 2022-02-08 郑州大学 矿岩粒度检测系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106855951A (zh) * 2016-12-16 2017-06-16 陕西科技大学 一种基于计算机视觉的粮种品质检测方法
CN107633503A (zh) * 2017-08-01 2018-01-26 南京航空航天大学 一种自动检测谷粒中残留秸秆的图像处理方法

Also Published As

Publication number Publication date
CN110782440A (zh) 2020-02-11

Similar Documents

Publication Publication Date Title
CN110782440B (zh) 一种作物籽粒性状测量方法
Liu et al. A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field
CN112818988B (zh) 一种指针式仪表自动识别读数方法及系统
CN103808263B (zh) 谷粒粒形参数的高通量检测方法
Yu et al. An image analysis pipeline for automated classification of imaging light conditions and for quantification of wheat canopy cover time series in field phenotyping
CN111879735B (zh) 一种基于图像的大米外观品质检测方法
CN104363815A (zh) 图像处理装置、图像处理方法以及图像处理程序
CN112215790A (zh) 基于深度学习的ki67指数分析方法
CN105678734B (zh) 一种图像匹配系统的异源测试图像标定方法
Li et al. SPM-IS: An auto-algorithm to acquire a mature soybean phenotype based on instance segmentation
CN106340000A (zh) 骨龄评估方法
CN113109240B (zh) 一种计算机实施的粮食不完善粒测定方法和系统
CN111724355A (zh) 一种鲍鱼体型参数的图像测量方法
Richner et al. Root image analysis and interpretation
CN104812288A (zh) 图像处理装置、图像处理方法和图像处理程序
JPH08504522A (ja) 境界ピクセル・パラメータの規則正しいシーケンスを用いた物体を識別するための方法及び装置
Sharma et al. Image processing techniques to estimate weight and morphological parameters for selected wheat refractions
CN102855485A (zh) 一种小麦抽穗的自动检测方法
CN202267464U (zh) 一种基于手机的快速检测叶片面积的装置
Zhihong et al. Smartphone-based visual measurement and portable instrumentation for crop seed phenotyping
Zhou et al. Recognizing black point in wheat kernels and determining its extent using multidimensional feature extraction and a naive Bayes classifier
Olivoto et al. Measuring plant disease severity in R: introducing and evaluating the pliman package
US20080304710A1 (en) Method and apparatus for processing image of at least one seedling
Zhao et al. A backlight and deep learning based method for calculating the number of seeds per silique
Humphries et al. Identification of plant parts using color and geometric image data

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