CN111008563A - 一种暗光场景种子发芽检测方法、装置及可读存储介质 - Google Patents
一种暗光场景种子发芽检测方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN111008563A CN111008563A CN201911057612.3A CN201911057612A CN111008563A CN 111008563 A CN111008563 A CN 111008563A CN 201911057612 A CN201911057612 A CN 201911057612A CN 111008563 A CN111008563 A CN 111008563A
- Authority
- CN
- China
- Prior art keywords
- germination
- image
- seed
- state
- original
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C1/00—Apparatus, or methods of use thereof, for testing or treating seed, roots, or the like, prior to sowing or planting
- A01C1/02—Germinating apparatus; Determining germination capacity of seeds or the like
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C1/00—Apparatus, or methods of use thereof, for testing or treating seed, roots, or the like, prior to sowing or planting
- A01C1/02—Germinating apparatus; Determining germination capacity of seeds or the like
- A01C1/025—Testing seeds for determining their viability or germination capacity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P60/00—Technologies relating to agriculture, livestock or agroalimentary industries
- Y02P60/20—Reduction of greenhouse gas [GHG] emissions in agriculture, e.g. CO2
- Y02P60/21—Dinitrogen oxide [N2O], e.g. using aquaponics, hydroponics or efficiency measures
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physiology (AREA)
- Soil Sciences (AREA)
- Environmental Sciences (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种暗光场景种子发芽检测方法、装置及可读存储介质,所述方法包括:获取种子培育箱内种子的原始发芽状态图像;对所述原始发芽状态图像进行预处理,得到原始发芽状态灰度图像;按照预设方法对所述原始发芽状态灰度图像进行处理得到有效发芽状态图像;提取所述有效发芽状态图像中的所有独立边界子图像;按照预设规则判断每一所述独立边界子图像对应的发芽状态;根据每一所述独立边界子图像对应的发芽状态输出所述原始发芽状态图像对应种子的发芽信息。解决了传统的发芽率检测方法存在人力成本较高,观测结果易受检验员的主观因素干扰的问题。
Description
技术领域
本发明涉及农业实验设备控制领域,特别涉及一种暗光场景种子发芽检测方法、装置及可读存储介质。
背景技术
发芽率是种子质量检验的重要指标,只有采用高发芽率的种子用于生产,才能确保农业生产安全和效益。在种子的培养期间,要不断地观测不同种子在不同时间的发芽率,构建发芽曲线,选择最优良的种子。
传统的育种过程从种子放进培养箱开始,一直到种子全部发芽,连续超过7*24小时的时间,每间隔几个小时都需要工作人员从培养箱中取出培养皿,人工计数已发芽的种子数量。因此传统的发芽率检测方法存在人力成本较高,观测结果易受检验员的主观因素干扰。
发明内容
本发明针对现有技术中发芽率检测方法存在人力成本较高,观测结果易受检验员的主观因素干扰,提供一种暗光场景种子发芽检测方法、装置及可读存储介质。
本发明一方面提供了一种暗光场景种子发芽检测方法,所述方法包括以下步骤:
获取种子培育箱内种子的原始发芽状态图像;
对所述原始发芽状态图像进行预处理,得到原始发芽状态灰度图像;
按照预设方法对所述原始发芽状态灰度图像进行处理得到有效发芽状态图像;
提取所述有效发芽状态图像中的所有独立边界子图像;
按照预设规则判断每一所述独立边界子图像对应的发芽状态;
根据每一所述独立边界子图像对应的发芽状态输出所述原始发芽状态图像对应种子的发芽信息。
进一步,所述种子培育箱内种子的原始发芽状态图像通过暗光相机实时采集获得,或者根据种子培育箱内暗光相机拍摄的种子发芽视频中截取图像获得。
进一步,对所述原始发芽状态图像进行预处理,得到原始发芽状态灰度图像,具体包括如下步骤:
采用张正友标定法获取所述种子培育箱内的暗光相机的相机参数矩阵和畸变参数;
根据所述相机参数矩阵和畸变参数对所述原始发芽状态图像进行畸变校正,获得已校正的原始发芽状态图像;
将所述已校正的原始发芽状态图像转化为原始发芽状态灰度图像。
进一步,按照预设方法对所述原始发芽状态灰度图像进行处理得到有效发芽状态图像,具体包括如下步骤:
利用OpenCV提供的自适应阈值分割函数adaptiveThreshold对所述原始发芽状态灰度图像进行自适应阈值处理;
利用预设规格的矩形卷积核对经过自适应阈值处理后的原始发芽状态灰度图像进行预设次数腐蚀操作和预设次数膨胀操作,获得有效发芽状态图像。
进一步,按照预设规则判断每一所述独立边界子图像对应的发芽状态,具体包括如下步骤:
分别对每一所述独立边界子图像进行拟合,获得与每一所述独立边界子图像对应的最小外接圆;
当所述最小外接圆的直径大于用户设定直径时,则将与所述最小外接圆同圆心且半径为所述最小外接圆半径预设倍数的外接圆对应区域标记为种子发芽验证区;
获得所述有效发芽状态图像中与每一所述种子发芽验证区对应的发芽像素点的个数;
根据每一所述种子发芽验证区对应的所述发芽像素点的个数,利用预设阈值公式对应判断每一所述种子发芽验证区对应的发芽状态。
进一步,根据每一所述种子发芽验证区对应的所述发芽像素点的个数,利用预设阈值公式对应判断每一所述种子发芽验证区对应的发芽状态,具体包括如下步骤:
根据公式ThFaya=RateFaya*R*R,分别计算每一所述种子发芽验证区中发芽状态判定变量ThFaya,其中,RateFaya为每一所述种子发芽验证区对应的发芽像素点的个数占所述种子发芽验证区总像素点个数的比例,所述R为预设的待检测种子的平均半径;
分别判断每一所述种子发芽验证区中所述发芽状态判定变量ThFaya与预设判定值的大小关系,当任一发芽状态判定变量ThFaya的值大于预设判定值时,则标记该种子发芽验证区对应的种子已发芽,否则,标记该种子发芽验证区对应的种子未发芽。
进一步,所述预设判定值及所述预设的待检测种子的平均半径均由用户预先输入。
进一步,根据每一所述独立边界子图像对应的发芽状态输出所述原始发芽状态图像对应种子的发芽信息,具体包括如下步骤:
统计每一所述独立边界子图像对应的发芽状态;
根据每一所述独立边界子图像对应的发芽状态获得待检测种子的发芽率;
输出所述发芽率,并生成发芽率记录文件。
本发明第二方面提供了一种暗光场景种子发芽检测装置,所述暗光场景种子发芽检测装置包括:处理器和存储器;
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现如上所述的暗光场景种子发芽检测方法。
本发明第三方面提供了一种可读存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被处理器所执行时,实现如上所述的暗光场景种子发芽检测方法。
本发明提供的暗光场景种子发芽检测方法、装置及可读存储介质的有益效果是:通过在种子培养箱内设置暗光相机,并通过暗光相机采集种子培育箱内的原始发芽状态图像,并对所述原始发芽状态图像进行预处理、处理得到有效发芽状态图像并对提取所述有效发芽状态图像中的所有独立边界子图像后照预设规则判断每一所述独立边界子图像对应的发芽状态,最后根据每一所述独立边界子图像对应的发芽状态输出所述原始发芽状态图像对应种子的发芽信息。在对种子培养箱的发芽信息的判断过程中不需要打开种子培养箱,且全程可自动完成,排除了人为统计的主观因素干扰,解决了传统的发芽率检测方法存在人力成本较高,观测结果易受检验员的主观因素干扰的问题。
附图说明
图1为本发明实施例的暗光场景种子发芽检测方法的第一流程示意图;
图2为本发明实施例的暗光场景种子发芽检测方法的第二流程示意图;
图3为本发明实施例的暗光场景种子发芽检测方法的第三流程示意图;
图4为本发明实施例的暗光场景种子发芽检测方法的第四流程示意图;
图5为本发明实施例的暗光场景种子发芽检测方法的第五流程示意图;
图6为本发明实施例的暗光场景种子发芽检测方法的第六流程示意图;
图7为本发明实施例的暗光场景种子发芽检测方法原始发芽状态图像;
图8为本发明实施例的暗光场景种子发芽检测方法进行自适应阈值处理的结果图像;
图9为本发明实施例的暗光场景种子发芽检测方法经过腐蚀和膨胀操作后的图像;
图10为本发明实施例的暗光场景种子发芽检测方法的发芽验证区独立边界标记图;
图11为本发明实施例的暗光场景种子发芽检测方法的发芽状态标记图。
具体实施方式
以下结合实例对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
本发明针对传统的发芽率检测方法存在人力成本较高,观测结果易受检验员的主观因素干扰,提供一种暗光场景种子发芽检测方法、装置及可读存储介质。
本发明一方面提供了一种暗光场景种子发芽检测方法,请参阅图1,在本发明的第一实施例中所述方法包括以下步骤:
S1,获取种子培育箱内种子的原始发芽状态图像。
本步骤中,所述种子培育箱内种子的原始发芽状态图像通过暗光相机实时采集获得,或者根据种子培育箱内暗光相机拍摄的种子发芽视频中截取图像获得,所述暗光摄像头采集的所述原始发芽状态图像可通过数据线发送至控制电脑主机。所述原始发芽状态图像如图7所示。
S2,对所述原始发芽状态图像进行预处理,得到原始发芽状态灰度图像。
本步骤中,所述原始发芽状态图像为RGB彩色图像,因为彩色图像包含大量的颜色信息,在图像处理时会占用大量的内存空间,并且也会降低系统的运行速度。所以,需要把彩色图像转化为灰度图像,这样不仅节省了内存也提高了系统的运行速度,为后续的图像处理算法的实现打下了基础。所述图像灰度化的方法可以为最大值法、平均值法、加全平均法;本实施例中采用加权平均法:根据重要性及其他指标,将所述原始发芽状态图像三个RGB分量以不同的权值加权平均。由于人眼对绿色的敏感度最高,对蓝色的敏感度最低,在本实施例中,按以下式子对RGB的三个分量进行加权平均能得到较为合理的灰度图像:f(i,j)=0.3B(i,j)+0.59G(i,j)+0.11R(i,j)。其中B(i,j)为(i,j)坐标点处图像的蓝色分量,G(i,j)为(i,j)坐标点处图像的绿色分量,R(i,j)为(i,j)坐标点处图像的红色分量。
S3,按照预设方法对所述原始发芽状态灰度图像进行处理得到有效发芽状态图像。
控制电脑主机获取到所述原始发芽状态图像后进行的预处理的方法包括均值滤波法、高斯滤波法、中值滤波法;所述均值滤波也被称为线性滤波,其主要采用邻域平均法,构建一个模板对图像上的目标像素进行处理,此模板由其周围的邻近像素组成。取以目标像素为中心的周围的N个像素,由此构成一个N像素的模板,再取模板中的全体像素的平均值来代替原来的像素值。所述高斯滤波法是一种线性平滑滤波,是一个对整幅图像进行加权平均的过程,每一个像素点的值都有其本身和其邻域内的其他像素经过加权平均后得到。高斯滤波模板根据像素相对中心远近的不同对该点的影响也不同,在均值滤波的基础上加入了权值系数。所述中值滤波是一种非线性平滑滤波,它将每一像素点的灰度值设置为该点邻域窗口内的所有像素灰度值的中值。其基本原理是把数字图像中一点的值用该点一个邻域中各点值的中值代替。依次使用均值滤波法、高斯滤波法、中值滤波法对原始发芽状态图像进行预处理进行预处理。减小了由于暗光相机距离种子拍摄距离近,在种子培养箱内的光照条件差,导致的获取的图像原始发芽状态图像的噪声。
S4,提取所述有效发芽状态图像中的所有独立边界子图像。
本步骤中,所述独立边界子图像可以利用差分技术分离所述有效发芽状态图像的前景和背景,得到前景图像,对前景图像与高通滤波模板进行卷积运算找出边界轮廓,根据边界轮廓的连续性与封闭性分离出所有独立边界子图像,并进行标记。
S5,按照预设规则判断每一所述独立边界子图像对应的发芽状态。
本步骤中,所述预设规则可以为所述独立边界子图像对应区域的发芽像素点数目与所述独立边界子图像总像素点数目的占比是否超过预设值,也可以为所述独立边界子图像的像素点的数目是否超过预设值等。
S6,根据每一所述独立边界子图像对应的发芽状态输出所述原始发芽状态图像对应种子的发芽信息。
本步骤中,所述发芽信息包括发芽种子数量、未发芽种子数目、发芽率等。控制电脑主机可控制所述发芽信息通过屏幕展示也可以生成发芽信息文件,并驱动打印机,打印所述发芽信息文件。
本发明提供的暗光场景种子发芽检测方法、装置及可读存储介质的有益效果是:通过在种子培养箱内设置暗光相机,并通过暗光相机采集种子培育箱内的原始发芽状态图像,并对所述原始发芽状态图像进行预处理、处理得到有效发芽状态图像并对提取所述有效发芽状态图像中的所有独立边界子图像后判断照预设规则判断每一所述独立边界子图像对应的发芽状态,最后根据根据每一所述独立边界子图像对应的发芽状态输出所述原始发芽状态图像对应种子的发芽信息。在对种子培养箱的发芽信息的判断过程中不需要打开种子培养箱,且全程可自动完成,排除了人为统计的主观因素干扰,解决了传统的发芽率检测方法存在人力成本较高,观测结果易受检验员的主观因素干扰的问题。
具体地,请参阅图2,在本发明的第二实施例中所述对所述原始发芽状态图像进行预处理,得到原始发芽状态灰度图像的步骤S2具体包括:
S21,采用张正友标定法获取所述种子培育箱内的暗光相机的相机参数矩阵和畸变参数。
本步骤中,所述张正友标定法即张正友于1998年在论文:"AFlexible NewTechnique fro Camera Calibration"提出了基于单平面棋盘格的相机标定方法。
S22,根据所述相机参数矩阵和畸变参数对所述原始发芽状态图像进行畸变校正,获得已校正的原始发芽状态图像。
本步骤的具体操作可参照专利201910262696.8具体实施。
S23,将所述已校正的原始发芽状态图像转化为原始发芽状态灰度图像。
本步骤即将已校正的原始发芽状态RGB图像转换为灰度图像即可获得所述原始发芽状态灰度图像。
具体地,请参阅图3,在本发明的第三实施例中,所述按照预设方法对所述原始发芽状态灰度图像进行处理得到有效发芽状态图像的步骤S3具体包括如下步骤:
S31,利用OpenCV提供的自适应阈值分割函数adaptiveThreshold对所述原始发芽状态灰度图像进行自适应阈值处理。所述OpenCV是一个基于BSD许可(开源)发行的跨平台计算机视觉库,可以运行在Linux、Windows、Android和MacOS操作系统上。它轻量级而且高效——由一系列C函数和少量C++类构成,同时提供了Python、Ruby、MATLAB等语言的接口,实现了图像处理和计算机视觉方面的很多通用算法。经过自适应阈值处理后的图像如图8所示,由于本系统所需要全天候使用,不同的时间环境光照不同,有时还会光照不均匀,故采用OpenCV提供的自适应阈值分割函数函数adaptiveThreshold来实现自适应阈值处理。该函数采用局部阈值来分割图像,不会受整体环境光照变化影响分割效果,受光照不均的影响也较小,参考代码如下:
adaptiveThreshold(srcGray,threshold_output,255,CV_ADAPTIVE_THRESH_MEAN_C,CV_THRESH_BINARY,31,10)。
S32,利用预设规格的矩形卷积核对经过自适应阈值处理后的原始发芽状态灰度图像进行预设次数腐蚀操作和预设次数膨胀操作,获得有效发芽状态图像。
从阈值分割结果可知,受浅色芽的影响,种子区域出现了中空区域,影响种子的提取,所以需要用形态学将该区域进行连接获取种子区域,方法如下:
用15*15的矩形卷积核对图像进行腐蚀和膨胀操作:先腐蚀三次,去掉较大颗粒噪声,再膨胀三次,恢复丢失的种子区域,并将由于发芽导致的种子区域断裂进行连接。经过腐蚀和膨胀操作后的图像如图9所示,
具体地,请参阅图4,在本发明的第四实施例中,所述按照预设规则判断每一所述独立边界子图像对应的发芽状态S5具体包括如下步骤:
S51,分别对每一所述独立边界子图像进行拟合,获得与每一所述独立边界子图像对应的最小外接圆;
获取了二值图像之后,提取所有轮廓,并用对每一个轮廓用最小圆形将其包围。当拟合的圆半径在某个范围内时,认为这是一个种子区域,该范围涉及到的上下限阈值需要根据具体场景预设。
S52,当所述最小外接圆的直径大于用户设定直径时,则将与所述最小外接圆同圆心且半径为所述最小外接圆半径预设倍数的外接圆对应区域标记为种子发芽验证区。
获取了种子区域后,为了确保该圆包含了种子和芽的全部区域,将圆的半径扩大1.5倍形成一个新的圆区域,在该区域内分析种子的长度,判断是否发芽。如图10为本发明实施例的暗光场景种子发芽检测方法的发芽验证区独立边界标记图;
S53,获得所述有效发芽状态图像中与每一所述种子发芽验证区对应的发芽像素点的个数;
首先软件自动统计背景的灰度均值,假设为ThBack,在本系统中,要求种子为深色,芽为浅色,背景介于二者之间。
然后在每个新圆区域内进行图像二值化,当某一点的灰度大于ThBack的倍数RateBack时,则认为是芽,填充为白色,否则为黑色,其中参数ThBack为软件自动分析获得,RateBack为预设值,一般选择1.5~1.9之间,参数选择较小,则得到的芽点数更多,否则更少。
S54,根据每一所述种子发芽验证区对应的所述发芽像素点的个数,利用预设阈值公式对应判断每一所述种子发芽验证区对应的发芽状态。
具体地,请参阅图5,在本发明的第五实施例中,所述根据每一所述种子发芽验证区对应的所述发芽像素点的个数,利用预设阈值公式对应判断每一所述种子发芽验证区对应的发芽状态S54具体包括如下步骤:
S541,根据公式ThFaya=RateFaya*R*R,分别计算每一所述种子发芽验证区中发芽状态判定变量ThFaya,其中,RateFaya为每一所述种子发芽验证区对应的发芽像素点的个数占所述种子发芽验证区总像素点个数的比例,所述R为预设的待检测种子的平均半径。
S542,分别判断每一所述种子发芽验证区中所述发芽状态判定变量ThFaya与预设判定值的大小关系,当发芽状态判定变量ThFaya的值大于判定值时,则标记该种子发芽验证区对应的种子已发芽,否则,标记该种子发芽验证区对应的种子未发芽。如图11为本发明实施例的暗光场景种子发芽检测方法的发芽状态标记图,较粗线条的圆圈标记的是已发芽的种子。
具体地,请参阅图6,在本发明的第六实施例中,所述根据每一所述独立边界子图像对应的发芽状态输出所述原始发芽状态图像对应种子的发芽信息S6包括如下步骤:
S61,统计每一所述独立边界子图像对应的发芽状态。
本步骤即统计对应发芽的独立边界子图像的个数和未发芽的独立边界子图像的个数。
S62,根据每一所述独立边界子图像对应的发芽状态获得待检测种子的发芽率。
本步骤中,发芽率即发芽的种子数目除以种子的总数。
S63,输出所述发芽率,并生成发芽率记录文件。
本步骤中,控制电脑主机可控制所述发芽率通过屏幕展示也可以生成发芽率记录文件,并驱动打印机,打印所述发芽率记录文件。
第二方面,为实现上述目的,本发明实施例还提出一种暗光场景种子发芽检测装置,所述暗光场景种子发芽检测装置包括:处理器和存储器;
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现如上所述的暗光场景种子发芽检测方法。
第三方面,为实现上述目的,本发明实施例还提出一种可读存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被处理器所执行时,实现如上所述的暗光场景种子发芽检测方法。
读者应理解,在本说明书的描述中,参考术语“方面”、“可选的实施方式”或“一些实施方式”等的描述意指结合该实施例或示例描述的具体特征、步骤或者特点包含于本发明的至少一个实施例或示例中,术语“第一”和“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”和“第二”等的特征可以明示或者隐含地包括至少一个该特征。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种暗光场景种子发芽检测方法,其特征在于,包括以下步骤:
获取种子培育箱内种子的原始发芽状态图像;
对所述原始发芽状态图像进行预处理,得到原始发芽状态灰度图像;
按照预设方法对所述原始发芽状态灰度图像进行处理得到有效发芽状态图像;
提取所述有效发芽状态图像中的所有独立边界子图像;
按照预设规则判断每一所述独立边界子图像对应的发芽状态;
根据每一所述独立边界子图像对应的发芽状态输出所述原始发芽状态图像对应种子的发芽信息。
2.根据权利要求1所述的暗光场景种子发芽检测方法,其特征在于,所述种子培育箱内种子的原始发芽状态图像通过暗光相机实时采集获得,或者根据种子培育箱内暗光相机拍摄的种子发芽视频中截取图像获得。
3.根据权利要求2所述的暗光场景种子发芽检测方法,其特征在于,对所述原始发芽状态图像进行预处理,得到原始发芽状态灰度图像,具体包括如下步骤:
采用张正友标定法获取所述种子培育箱内的暗光相机的相机参数矩阵和畸变参数;
根据所述相机参数矩阵和畸变参数对所述原始发芽状态图像进行畸变校正,获得已校正的原始发芽状态图像;
将所述已校正的原始发芽状态图像转化为原始发芽状态灰度图像。
4.根据权利要求2所述的暗光场景种子发芽检测方法,其特征在于,按照预设方法对所述原始发芽状态灰度图像进行处理得到有效发芽状态图像,具体包括如下步骤:
利用OpenCV提供的自适应阈值分割函数adaptiveThreshold对所述原始发芽状态灰度图像进行自适应阈值处理;
利用预设规格的矩形卷积核对经过自适应阈值处理后的原始发芽状态灰度图像进行预设次数腐蚀操作和预设次数膨胀操作,获得有效发芽状态图像。
5.根据权利要求4所述的暗光场景种子发芽检测方法,其特征在于,按照预设规则判断每一所述独立边界子图像对应的发芽状态,具体包括如下步骤:
分别对每一所述独立边界子图像进行拟合,获得与每一所述独立边界子图像对应的最小外接圆;
当所述最小外接圆的直径大于用户设定直径时,则将与所述最小外接圆同圆心且半径为所述最小外接圆半径预设倍数的外接圆对应区域标记为种子发芽验证区;
获得所述有效发芽状态图像中与每一所述种子发芽验证区对应的发芽像素点的个数;
根据每一所述种子发芽验证区对应的所述发芽像素点的个数,利用预设阈值公式对应判断每一所述种子发芽验证区对应的发芽状态。
6.根据权利要求5所述的暗光场景种子发芽检测方法,其特征在于,根据每一所述种子发芽验证区对应的所述发芽像素点的个数,利用预设阈值公式对应判断每一所述种子发芽验证区对应的发芽状态,具体包括如下步骤:
根据公式ThFaya=RateFaya*R*R,分别计算每一所述种子发芽验证区中发芽状态判定变量ThFaya,其中,RateFaya为每一所述种子发芽验证区对应的发芽像素点的个数占所述种子发芽验证区总像素点个数的比例,所述R为预设的待检测种子的平均半径;
分别判断每一所述种子发芽验证区中所述发芽状态判定变量ThFaya与预设判定值的大小关系,当任一发芽状态判定变量ThFaya的值大于预设判定值时,则标记该种子发芽验证区对应的种子已发芽,否则,标记该种子发芽验证区对应的种子未发芽。
7.根据权利要求6所述的暗光场景种子发芽检测方法,其特征在于,所述预设判定值及所述预设的待检测种子的平均半径均由用户预先输入。
8.根据权利要求4所述的暗光场景种子发芽检测方法,其特征在于,根据每一所述独立边界子图像对应的发芽状态输出所述原始发芽状态图像对应种子的发芽信息,具体包括如下步骤:
统计每一所述独立边界子图像对应的发芽状态;
根据每一所述独立边界子图像对应的发芽状态获得待检测种子的发芽率;
输出所述发芽率,并生成发芽率记录文件。
9.一种检测装置,其特征在于,所述检测装置包括处理器和存储器;
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现如权利要求1至8任一项所述的暗光场景种子发芽检测方法。
10.一种可读存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被处理器所执行时,实现如权利要求1至8任一项所述的暗光场景种子发芽检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911057612.3A CN111008563B (zh) | 2019-11-01 | 2019-11-01 | 一种暗光场景种子发芽检测方法、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911057612.3A CN111008563B (zh) | 2019-11-01 | 2019-11-01 | 一种暗光场景种子发芽检测方法、装置及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111008563A true CN111008563A (zh) | 2020-04-14 |
CN111008563B CN111008563B (zh) | 2023-05-23 |
Family
ID=70111278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911057612.3A Active CN111008563B (zh) | 2019-11-01 | 2019-11-01 | 一种暗光场景种子发芽检测方法、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111008563B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560833A (zh) * | 2021-03-01 | 2021-03-26 | 广州汇图计算机信息技术有限公司 | 一种基于遥感影像的信息展示系统 |
CN113207359A (zh) * | 2021-06-18 | 2021-08-06 | 深圳市万卉园景观工程有限公司 | 一种提高裸露坡面植被恢复用糖蜜草发芽率的方法 |
CN113826542A (zh) * | 2021-08-16 | 2021-12-24 | 湖南米米梦工场科技股份有限公司 | 一种发芽糙米的生产方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101750051A (zh) * | 2010-01-04 | 2010-06-23 | 中国农业大学 | 一种视觉导航的多作物行检测方法 |
CN102948282A (zh) * | 2012-10-31 | 2013-03-06 | 北京农业信息技术研究中心 | 小麦麦穗发芽程度检测方法 |
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 |
CN107993488A (zh) * | 2017-12-13 | 2018-05-04 | 深圳市航盛电子股份有限公司 | 一种基于鱼眼相机的车位识别方法、系统及介质 |
CN110216082A (zh) * | 2019-05-23 | 2019-09-10 | 上海交通大学 | 荧光标记种子动态识别方法和系统 |
-
2019
- 2019-11-01 CN CN201911057612.3A patent/CN111008563B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101750051A (zh) * | 2010-01-04 | 2010-06-23 | 中国农业大学 | 一种视觉导航的多作物行检测方法 |
CN102948282A (zh) * | 2012-10-31 | 2013-03-06 | 北京农业信息技术研究中心 | 小麦麦穗发芽程度检测方法 |
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 |
CN107993488A (zh) * | 2017-12-13 | 2018-05-04 | 深圳市航盛电子股份有限公司 | 一种基于鱼眼相机的车位识别方法、系统及介质 |
CN110216082A (zh) * | 2019-05-23 | 2019-09-10 | 上海交通大学 | 荧光标记种子动态识别方法和系统 |
Non-Patent Citations (1)
Title |
---|
PAWEEN KHOENKAW: "An image-processing based algorithm for rice seed germination rate evaluation" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560833A (zh) * | 2021-03-01 | 2021-03-26 | 广州汇图计算机信息技术有限公司 | 一种基于遥感影像的信息展示系统 |
CN112560833B (zh) * | 2021-03-01 | 2021-05-11 | 广州汇图计算机信息技术有限公司 | 一种基于遥感影像的信息展示系统 |
CN113207359A (zh) * | 2021-06-18 | 2021-08-06 | 深圳市万卉园景观工程有限公司 | 一种提高裸露坡面植被恢复用糖蜜草发芽率的方法 |
CN113826542A (zh) * | 2021-08-16 | 2021-12-24 | 湖南米米梦工场科技股份有限公司 | 一种发芽糙米的生产方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111008563B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
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 | |
CN111199524B (zh) | 一种针对可调光圈光学系统的图像紫边校正方法 | |
CN109740721B (zh) | 麦穗计数方法及装置 | |
CN109741307B (zh) | 摄像模组的杂光检测方法、杂光检测装置及杂光检测系统 | |
CN115082451B (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
CN106096491B (zh) | 一种眼底彩色照相图像中微动脉瘤自动化识别方法 | |
CN113077486A (zh) | 一种山区植被覆盖率监测方法及系统 | |
CN110610485A (zh) | 一种基于ssim算法的特高压输电线路通道隐患预警方法 | |
CN107545557A (zh) | 粪便图像中的虫卵检测方法和装置 | |
CN113808135B (zh) | 图像亮度异常检测方法、电子设备及存储介质 | |
CN112001920B (zh) | 眼底图像识别方法及装置和设备 | |
CN116843581B (zh) | 一种多场景图的图像增强方法、系统、设备和存储介质 | |
CN116228757B (zh) | 一种基于图像处理算法的深海网箱网衣检测方法 | |
CN110827375B (zh) | 一种基于微光图像的红外图像真彩着色方法及系统 | |
CN108830834B (zh) | 一种爬索机器人视频缺陷信息自动提取方法 | |
CN115294440A (zh) | 输电线路识别方法、装置以及电子设备 | |
CN115272173A (zh) | 锡球缺陷检测方法及其装置、计算机设备、存储介质 | |
CN111105394B (zh) | 一种检测发光小球特征信息的方法及装置 | |
CN114723728A (zh) | 一种手机摄像头玻璃盖板丝印cd纹缺陷检测方法及系统 | |
JP2022102722A (ja) | 情報処理装置およびプログラム | |
CN112183158A (zh) | 一种谷物烹饪设备的谷物种类识别方法和谷物烹饪设备 | |
CN112801112B (zh) | 一种图像二值化处理方法、装置、介质及设备 | |
CN117911409B (zh) | 一种基于机器视觉的手机屏坏线缺陷诊断方法 |
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 |