CN111932551B - 一种水稻插秧机的漏插率检测方法 - Google Patents
一种水稻插秧机的漏插率检测方法 Download PDFInfo
- Publication number
- CN111932551B CN111932551B CN202010666644.XA CN202010666644A CN111932551B CN 111932551 B CN111932551 B CN 111932551B CN 202010666644 A CN202010666644 A CN 202010666644A CN 111932551 B CN111932551 B CN 111932551B
- Authority
- CN
- China
- Prior art keywords
- image
- seedling
- target area
- missing
- optimized
- 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
Links
Images
Classifications
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- 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
- G06T7/187—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
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Abstract
本发明公开一种水稻插秧机的漏插率检测方法,包括以下步骤:(1)图像采集模块对秧田彩色图像进行采集,并传送至图像处理分析模块;(2)图像处理分析模块对秧田彩色图像进行处理,得到优化的秧苗二值图像,获取秧苗连通区域;(3)利用像素投影法累加优化后的秧苗二值图像每行及每列的白色像素值,确定所期望目标区域的左右边界及上下边界,将优化后的秧苗二值图像切分为多个目标区域单元;(4)图像处理分析模块连续处理多幅图像后,统计空白目标区域单元数量以及所有目标区域单元数量;(5)计算空白目标区域单元数量占所有目标区域单元数量的比例,得到漏插率。本发明实现对水稻插秧机漏插率的精准检测,检测效果好、速度快及成本低。
Description
技术领域
本发明涉及一种农业检测方法,具体涉及一种水稻插秧机的漏插率检测方法。
背景技术
杂交水稻是一种优质高产的水稻,在中国乃至东南亚地区已得到广泛应用。水稻栽培学认为均匀的冠层整齐度能够促使水肥光热等生态因素合理分配,从而获得更高的收获产量。杂交稻强调少本壮苗,以充分发挥杂交稻个体生产潜力,优化种群结构和提高水稻种群质量。由于强大的分蘖能力,现有的杂交水稻栽植时一般要求每穴栽植2-3株幼苗,而超级杂交稻则要求每穴栽植1-2株幼苗。插秧机插秧时,取秧量的大小直接影响到漏插率的高低,因此,调查田间水稻秧苗漏插率,有利于快速调整播秧机的取秧量,以确保播秧机更好的运作;同时,水稻秧苗漏插率的调查,是评价水稻种子质量、插秧机移栽质量、农田墒情环境等提供重要的参考指标。但是,传统的漏插率检查均通过田间人工调查方式获取,这种调查方式不但劳动强度大、耗费时间长,而且人为误差不可避免。
发明内容
本发明目的在于克服现有技术的不足,提供一种水稻插秧机的漏插率检测方法,该方法能实时且精准地检测出秧苗的漏插率,并且检测效果好、速度快以及成本低。
本发明的目的通过以下技术方案实现:
一种水稻插秧机的漏插率检测方法,其特征在于,包括以下步骤:
(1)通过含有摄像头的图像采集模块对秧田彩色图像进行采集,并将秧田彩色图像传送至图像处理分析模块中;
(2)图像处理分析模块开始对所采集的秧田彩色图像进行处理,依次经过图像颜色空间转换、灰度化及二值化、面积滤波以及形态学开运算,同时过滤图像上的干扰点,得到优化的秧苗二值图像;对优化的秧苗二值图像进行边界扫描,获取秧苗连通区域;
(3)利用像素投影法累加优化后的秧苗二值图像每行及每列的白色像素值,确定所期望目标区域的左右边界及上下边界,并根据左右边界和上下边界,将优化后的秧苗二值图像切分为多个目标区域单元;
(4)图像处理分析模块连续处理多幅秧田彩色图像后,统计漏插秧苗的空白目标区域单元数量以及所有目标区域单元数量;
(5)计算空白目标区域单元数量占所有目标区域单元数量的比例,得到漏插率。
本发明的一个优选方案,在步骤(2)中,图像颜色空间转换的具体过程如下:由RGB图像转换为Lab颜色模型,并仅针对Lab颜色模型中的a分量设置阈值,同时对Lab颜色模型图像和掩膜图像进行与操作,实现从原始的秧田彩色图像中分割出秧苗图像;所述秧苗图像经过灰度化及二值化、面积滤波以及形态学开运算,同时过滤图像上的干扰点,得到所述优化的秧苗二值图像。本优选方案实现从原始秧田彩色图像中分割出秧苗图像,可有效克服水面反光、倒影等因素的影响。
优选地,所述掩膜图像通过以下公式获得:
式中,BW(u,v)表示掩膜图像的像素位置,u表示掩膜图像的像素行坐标,v表示掩膜图像的像素列坐标,MAX表示最大阈值,MIN表示最小阈值,αvalue表示Lab颜色模型图像中每个像素的分量值。
本发明的一个优选方案,在步骤(3)中,目标区域和目标区域单元的获取具体如下:
S1:针对所述秧苗连通区域,利用像素投影法累加每行及每列的白色像素值,得到像素的水平投影轮廓图和垂直投影轮廓图;
S2:对于水平投影轮廓,建立row×1的列向量,列向量的每个元素为每行白色像素值之和,通过以下公式计算:
Cw=255×Kw
式中,w=1,...,v,Kw为第w行白色像素的个数,Cw为第w行白色像素值之和;
S3:从第一个开始依次检测列向量中的元素,当检测到的元素首次非零时,对应该非零的行像素坐标被视为上边界,标记为start_pos;
S4:继续向下检查列向量的元素,当检测到的元素首次为零时,对应该零的行像素坐标被视为下边界,标记为end_pos;
S5:依次有序地检测剩余元素,直到列向量中的所有元素被检查完毕。
S6:计算上边界与下边界之间的差,并获得每组start_pos和end_pos之间的白色像素值之和的最大值;
S7:采用像素值定量限制的方法,排除影响目标区域提取的白色像素,从而确定所期望目标区域的上边界与下边界,建立目标函数如下:
式中,regional表示像素值定量限制后所期望目标区域的上下边界,α表示目标区域上下边界之间每个白色像素和的最大值,β表示目标区域上下边界所对应的像素行坐标的差值,M和N分别表示对应的像素限制值;
S8:对于垂直投影轮廓,重复上述步骤S2-步骤S7,获得所期望的目标区域左右边界;
S9:根据所确定的目标区域的上下边界和左右边界,将优化的秧苗二值图像切分为多个目标区域单元。
本发明的一个优选方案,在步骤(5)中,所述漏插率的计算公式如下:
式中,Rs表示漏插率,N’表示空白目标区域单元的数量,N表示全部目标区域单元的数量。
本发明与现有技术相比具有以下有益效果:
1、本发明在对图像进行颜色空间转换时,将秧田RGB图像转换为Lab颜色空间图像,只针对a分量设置阈值,这样能更加精准地从原始图像中分割出秧苗图像,有效克服水面反光、倒影等因素的影响,从而进一步提高图像的处理质量,更利于后续漏插率的计算。
2、本发明通过连续处理分析一定数量的秧田图像并统计出漏插率,准确可靠、检测效果好、速度快以及成本低,克服了人工田间调查方式人力成本投入高、劳动强度大、易受人为误差影响等缺点。
附图说明
图1为本发明的水稻插秧机的漏插率检测方法的工作原理流程框图。
图2为本发明的水稻插秧机的漏插率检测方法中所采集的秧田RGB图像(实际检测过程中,所采集的秧田RGB图像为彩色的,其中的秧苗为绿色,泥土为棕色)。
图3为本发明的水稻插秧机的漏插率检测方法中秧苗与背景分割后的图像。
图4为本发明的水稻插秧机的漏插率检测方法中的秧苗二值图像。
图5为本发明的水稻插秧机的漏插率检测方法中经优化的秧苗二值图像。
图6为针对图5经优化的秧苗二值图像的水平投影轮廓图。
图7为针对图5经优化的秧苗二值图像的垂直投影轮廓图。
图8为获得的多个目标区域单元。
具体实施方式
下面结合实施例和附图对本发明作进一步描述,但本发明的实施方式不仅限于此。
参见图1-图8,本实施例的水稻插秧机的漏插率检测方法,包括以下步骤:
(1)通过含有摄像头的图像采集模块对秧田彩色图像进行采集,并将秧田彩色图像传送至图像处理分析模块中。所采集的彩色图像参见图1(实际检测过程中,所采集的秧田RGB图像为彩色的,其中的秧苗为绿色,泥土为棕色)。
(2)图像处理分析模块开始对所采集的秧田彩色图像进行处理,依次经过图像颜色空间转换、灰度化及二值化、面积滤波以及形态学开运算,同时过滤图像上的干扰点,得到优化的秧苗二值图像;对优化的秧苗二值图像进行边界扫描,获取秧苗连通区域。其中,图像颜色空间转换的具体过程如下:由RGB图像转换为Lab颜色模型,并仅针对Lab颜色模型中的a分量设置阈值,同时对Lab颜色模型图像和掩膜图像进行与操作,实现从原始的秧田彩色图像中分割出秧苗图像(参见图3);所述秧苗图像经过灰度化及二值化、面积滤波以及形态学开运算,同时过滤图像上的干扰点,得到所述优化的秧苗二值图像(参见图4和图5)。所述掩膜图像通过以下公式获得:
式中,BW(u,v)表示掩膜图像的像素位置,u表示掩膜图像的像素行坐标,v表示掩膜图像的像素列坐标,MAX表示最大阈值,MIN表示最小阈值,αvalue表示Lab颜色模型图像中每个像素的分量值。本步骤通过将秧田RGB图像转换为Lab颜色空间图像,只针对a分量设置阈值,能精准地从原始图像中分割出秧苗图像,有效克服水面反光、倒影等因素的影响,从而进一步提高图像的处理质量,更利于后续漏插率的计算。
(3)利用像素投影法累加优化后的秧苗二值图像每行及每列的白色像素值,确定目标区域的左右边界及上下边界,并根据左右边界和上下边界,将优化后的秧苗二值图像切分为多个目标区域单元。目标区域和目标区域单元的获取具体如下:
S1:针对所述秧苗连通区域,利用像素投影法累加每行及每列的白色像素值,得到像素的水平投影轮廓图和垂直投影轮廓图(参见图6和图7);
S2:对于水平投影轮廓,建立row×1的列向量,列向量的每个元素为每行白色像素值之和,通过以下公式计算:
Cw=255×Kw
式中,w=1,...,v,Kw为第w行白色像素的个数,Cw为第w行白色像素值之和。
S3:从第一个开始依次检测列向量中的元素,当检测到的元素首次非零时,对应该非零的行像素坐标被视为上边界,标记为start_pos;
S4:继续向下检查列向量的元素,当检测到的元素首次为零时,对应该零的行像素坐标被视为下边界,标记为end_pos;
S5:依次有序地检测剩余元素,直到列向量中的所有元素被检查完毕。
S6:计算上边界与下边界之间的差,并获得每组start_pos和end_pos之间的白色像素值之和的最大值;
S7:采用像素值定量限制的方法,排除影响目标区域提取的白色像素,从而确定所期望目标区域的上边界与下边界,建立目标函数如下:
式中,regionul表示像素值定量限制后所期望目标区域的上下边界,α表示目标区域上下边界之间每个白色像素和的最大值,β表示目标区域上下边界所对应的像素行坐标的差值,M和N分别表示对应的像素限制值;
S8:对于垂直投影轮廓,重复上述步骤S2-步骤S7,获得所期望的目标区域左右边界;
S9:根据所确定的目标区域的上下边界和左右边界,将优化的秧苗二值图像切分为多个目标区域单元(参见图8)。
(4)图像处理分析模块连续处理多幅秧田彩色图像后,统计漏插秧苗的空白目标区域单元数量以及所有目标区域单元数量。
(5)计算空白目标区域单元数量占所有目标区域单元数量的比例,得到漏插率。所述漏插率的计算公式如下:
式中,Rs表示漏插率,N’表示空白目标区域单元的数量,N表示全部目标区域单元的数量。
本实施例的水稻插秧机的漏插率检测方法中的秧田彩色图像采集及后期的处理分析均在移栽性能检测装置上完成的,移栽性能检测装置具体设置安装在水稻插秧机的后方;其中,移栽性能检测装置包括图像采集模块和图像处理分析模块,所述图像采集模块包括用于拍摄秧田图像的自动对焦高清摄像头;其中,当启动检测装置时,所述摄像头垂直拍摄秧田图像,并通过V4L2接口将秧田图像传送至图像处理分析模块中,所述图像处理分析模块对所拍摄采集的秧田图像进行处理分析。采用V4L2接口,能有效保证秧田图像能实时地传送到图像处理分析模块中进行及时的处理分析,从而有利于提高图像处理的效率和质量。具体地,当前一幅图像处理后,后一幅所处理的图像为插秧机当前状态下所拍摄的图像。另外,移栽性能检测装置还包括显示器,该显示器用于显示最终的漏插率结果数据。本实施例中的漏插率结果数据通过显示器(LED数码管显示屏或者其他可视化GUI界面)显示,供插秧机驾驶员参考,以便相应地调整取秧量,提高插秧质量。
优选地,本实施例的漏插率检测方法可用于含Linux操作系统及开源跨平台视觉库OpenCV开发出的水稻插秧机移栽性能检测系统中。现有的检测装置大都以台式电脑或者笔记本电脑作为操作平台,操作繁琐且占据空间大,实用性不高。而在移栽性能检测系统中应用本实施例的漏插率检测方法,有利于实现水稻插秧机移栽秧苗时对秧苗漏插率进行自动检测,有效解决在空间有限的插秧机上融合/安装检测装置的问题,并且操作方便,适用性强。
上述为本发明较佳的实施方式,但本发明的实施方式并不受上述内容的限制,其他的任何未背离本发明的精神实质与原理下所做的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (4)
1.一种水稻插秧机的漏插率检测方法,其特征在于,包括以下步骤:
(1)通过含有摄像头的图像采集模块对秧田彩色图像进行采集,并将秧田彩色图像传送至图像处理分析模块中;
(2)图像处理分析模块开始对所采集的秧田彩色图像进行处理,依次经过图像颜色空间转换、灰度化及二值化、面积滤波以及形态学开运算,同时过滤图像上的干扰点,得到优化的秧苗二值图像;对优化的秧苗二值图像进行边界扫描,获取秧苗连通区域;
(3)利用像素投影法累加优化后的秧苗二值图像每行及每列的白色像素值,确定所期望目标区域的左右边界及上下边界,并根据左右边界和上下边界,将优化后的秧苗二值图像切分为多个目标区域单元;
目标区域和目标区域单元的获取具体如下:
S1:针对所述秧苗连通区域,利用像素投影法累加每行及每列的白色像素值,得到像素的水平投影轮廓图和垂直投影轮廓图;
S2:对于水平投影轮廓,建立row×1的列向量,列向量的每个元素为每行白色像素值之和;
S3:从第一个开始依次检测列向量中的元素,当检测到的元素首次非零时,对应该非零的行像素坐标被视为上边界,标记为start_pos;
S4:继续向下检查列向量的元素,当检测到的元素首次为零时,对应该零的行像素坐标被视为下边界,标记为end_pos;
S5:依次有序地检测剩余元素,直到列向量中的所有元素被检查完毕;
S6:计算上边界与下边界之间的差,并获得每组start_pos和end_pos之间的白色像素值之和的最大值;
S7:采用像素值定量限制的方法,排除影响目标区域提取的白色像素,从而确定所期望目标区域的上边界与下边界;
S8:对于垂直投影轮廓,重复上述步骤S2-步骤S7,获得所期望的目标区域左右边界;
S9:根据所确定的目标区域的上下边界和左右边界,将优化的秧苗二值图像切分为多个目标区域单元;
(4)图像处理分析模块连续处理多幅秧田彩色图像后,统计漏插秧苗的空白目标区域单元数量以及所有目标区域单元数量;
(5)计算空白目标区域单元数量占所有目标区域单元数量的比例,得到漏插率。
2.根据权利要求1所述的水稻插秧机的漏插率检测方法,其特征在于,在步骤(2)中,图像颜色空间转换的具体过程如下:由RGB图像转换为Lab颜色模型,并仅针对Lab颜色模型中的a分量设置阈值,同时对Lab颜色模型图像和掩膜图像进行与操作,实现从原始的秧田彩色图像中分割出秧苗图像;所述秧苗图像经过灰度化及二值化、面积滤波以及形态学开运算,同时过滤图像上的干扰点,得到所述优化的秧苗二值图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010666644.XA CN111932551B (zh) | 2020-07-10 | 2020-07-10 | 一种水稻插秧机的漏插率检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010666644.XA CN111932551B (zh) | 2020-07-10 | 2020-07-10 | 一种水稻插秧机的漏插率检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111932551A CN111932551A (zh) | 2020-11-13 |
CN111932551B true CN111932551B (zh) | 2023-06-23 |
Family
ID=73312398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010666644.XA Active CN111932551B (zh) | 2020-07-10 | 2020-07-10 | 一种水稻插秧机的漏插率检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111932551B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI809993B (zh) * | 2022-07-25 | 2023-07-21 | 達擎股份有限公司 | 應用影像辨識的自動補秧載具與方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392430A (zh) * | 2014-10-22 | 2015-03-04 | 华南农业大学 | 基于机器视觉的超级杂交稻穴播量的检测方法及装置 |
CN108037123A (zh) * | 2017-10-11 | 2018-05-15 | 华南农业大学 | 一种杂交稻钵体盘播种性能参数精密检测方法 |
-
2020
- 2020-07-10 CN CN202010666644.XA patent/CN111932551B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392430A (zh) * | 2014-10-22 | 2015-03-04 | 华南农业大学 | 基于机器视觉的超级杂交稻穴播量的检测方法及装置 |
CN108037123A (zh) * | 2017-10-11 | 2018-05-15 | 华南农业大学 | 一种杂交稻钵体盘播种性能参数精密检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111932551A (zh) | 2020-11-13 |
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 | |
Bucksch et al. | Image-based high-throughput field phenotyping of crop roots | |
Tong et al. | Machine vision techniques for the evaluation of seedling quality based on leaf area | |
CN102855485B (zh) | 一种小麦抽穗的自动检测方法 | |
CN103190224B (zh) | 基于计算机视觉技术的玉米果穗考种方法、系统和装置 | |
CN102663397B (zh) | 一种小麦出苗的自动检测方法 | |
CN111462058B (zh) | 一种水稻有效穗快速检测方法 | |
Huang et al. | Rice panicle length measuring system based on dual-camera imaging | |
CN103745478A (zh) | 小麦发芽率机器视觉测定方法 | |
CN116188465B (zh) | 基于图像处理技术的作物生长状态检测方法 | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
KR102095539B1 (ko) | 인삼의 영상 이미지 분석을 통한 생육량 측정 방법 | |
CN107505325A (zh) | 冬枣果实的全方位品质检测方法 | |
Li et al. | An automatic approach for detecting seedlings per hill of machine-transplanted hybrid rice utilizing machine vision | |
CN111932551B (zh) | 一种水稻插秧机的漏插率检测方法 | |
CN110455201B (zh) | 基于机器视觉的茎秆作物高度测量方法 | |
CN110610438A (zh) | 一种农作物冠层叶柄夹角计算方法及系统 | |
CN112184696A (zh) | 一种细胞核和细胞器计数及其面积计算方法与系统 | |
CN115620151B (zh) | 物候期识别方法、装置、电子设备和存储介质 | |
CN115565698B (zh) | 一种人工智能评估供肾质量的方法及系统 | |
CN111144379B (zh) | 基于图像技术的小鼠视动反应自动识别方法 | |
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 | |
CN112150481A (zh) | 一种白粉病图像分割方法 | |
CN116052141B (zh) | 作物生育期的识别方法、装置、设备及介质 | |
CN116453003B (zh) | 一种基于无人机监测智能识别水稻生长势的方法和系统 |
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 |