CN112837271B - 一种甜瓜种质资源性状提取方法及系统 - Google Patents

一种甜瓜种质资源性状提取方法及系统 Download PDF

Info

Publication number
CN112837271B
CN112837271B CN202110032644.9A CN202110032644A CN112837271B CN 112837271 B CN112837271 B CN 112837271B CN 202110032644 A CN202110032644 A CN 202110032644A CN 112837271 B CN112837271 B CN 112837271B
Authority
CN
China
Prior art keywords
fruit
melon
character
point cloud
fruit surface
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
CN202110032644.9A
Other languages
English (en)
Other versions
CN112837271A (zh
Inventor
何勇
陶明珠
冯旭萍
杨睿
张金诺
史永强
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.)
Zhejiang University ZJU
Huanan Industrial Technology Research Institute of Zhejiang University
Original Assignee
Zhejiang University ZJU
Huanan Industrial Technology Research Institute of Zhejiang 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 Zhejiang University ZJU, Huanan Industrial Technology Research Institute of Zhejiang University filed Critical Zhejiang University ZJU
Priority to CN202110032644.9A priority Critical patent/CN112837271B/zh
Publication of CN112837271A publication Critical patent/CN112837271A/zh
Application granted granted Critical
Publication of CN112837271B publication Critical patent/CN112837271B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种甜瓜种质资源性状提取方法及系统。该方法包括获取甜瓜果实的三维点云数据和RGB图像；根据所述三维点云数据重建所述甜瓜果实的三维模型，并根据所述三维模型提取所述甜瓜果实的数值型性状；根据所述RGB图像，基于深度学习，利用类别判定型性状提取模型提取类别判定型性状；根据所述数值型性状和所述类别判定型性状确定甜瓜种质资源性状；本发明所提供的一种甜瓜种质资源性状提取方法及系统，能够快速提取甜瓜种质资源性状，进而确定高通量性状，加快了甜瓜育种进程。

Description

一种甜瓜种质资源性状提取方法及系统
技术领域
本发明涉及作物育种中表型获取领域，特别是涉及一种甜瓜种质资源性状提取方法及系统。
背景技术
在数字农业和基因组学快速发展的今天，尤其是高通量基因测序技术的不断成熟，人们对表型学科相关的需求日益强烈，如：作物表型参数的精准、快速、无损测量技术。
以甜瓜为例，育种专家们常常需要对众多品种的甜瓜进行种质资源的数字化采集工作。目前，多以人工测量(包括目测)和机器视觉技术为主。人工测量，即通过眼睛观测得到如果面皱纹、果皮覆纹形状、果脐形态等这类定性描述的指标，以及借助测量工具测定果实长度、果实宽度等这类定量指标，由此，该种方法耗时费力、测量周期长、测量主观性强，并且对于某些参数的测量往往还需要相关人员具备丰富的经验；而机器视觉技术是借助相机等成像设备，获取测量对象的图像，进而通过应用图像处理技术提取参数，该种方法较前者来说测量效率大大提高，但是基于图像的二维数据，可获取的信息有限，并且图像拍摄的角度不同，得到的参数也不完全相同，同时，相机的畸变更是影响了参数提取的准确性。
现有技术存在甜瓜育种中需要每年对甜瓜种质资源的多种性状进行鉴定和评估，工作量巨大，而且观测效果容易受到人为因素的影响的问题。因此，为了加快甜瓜育种进程，实现甜瓜果实高通量性状的快速准确获取，亟需一种快速描述甜瓜种质资源性状的方法。
发明内容
本发明的目的是提供一种甜瓜种质资源性状提取方法及系统，快速提取甜瓜种质资源性状，进而确定高通量性状，加快了甜瓜育种进程。
为实现上述目的，本发明提供了如下方案：
一种甜瓜种质资源性状提取方法，包括：
获取甜瓜果实的三维点云数据和RGB图像；
根据所述三维点云数据重建所述甜瓜果实的三维模型，并根据所述三维模型提取所述甜瓜果实的数值型性状；所述数值型性状包括：果柄长度、粗度、果脐大小、果实长度、果实宽度和果形指数；
根据所述RGB图像，基于深度学习，利用类别判定型性状提取模型提取类别判定型性状；所述类别判定型性状提取模型以甜瓜果实的RGB图像为输入，以所述甜瓜果实的类别判定型性状为输出；所述类别判定型性状包括：果柄颜色、果实形状、果面绒毛、果面瘤、果面皱纹、果面沟、果面纹颜色、果面棱、果面网纹、果面网纹密度、果面网纹粗度、果面网纹分布、果面裂纹、果皮底色、果皮覆纹颜色、果皮覆纹形状、果皮晕色、果脐形态和果脐形状；
根据所述数值型性状和所述类别判定型性状确定甜瓜种质资源性状；所述甜瓜种质资源性状为所述数值型性状和所述类别判定型性状的总和。
可选的，所述获取甜瓜果实的三维点云数据和RGB图像，之后还包括：
对所述三维点云数据依次进行滤波处理、下采样处理、数据存储处理以及三角化重建处理；
对所述RGB图像依次进行基于最大类间方差法的二值化处理、中值滤波处理、基于二值形态学的孔洞填充处理、制作掩膜处理和色彩校正处理。
可选的，所述根据所述三维点云数据重建所述甜瓜果实的三维模型，并根据所述三维模型提取所述甜瓜果实的数值型性状，具体包括：
根据所述三维模型，基于法线和曲率的变化程度，提取果脐的边缘轮廓和果柄与甜瓜果实的交线；
利用标准件进行校正，确定甜瓜果实的数值型性状；所述标准件为所述甜瓜果实在获取三维点云数据时的参照物。
可选的，所述获取甜瓜果实的三维点云数据和RGB图像，具体包括：
利用手持式三维激光扫描仪获取甜瓜果实的三维点云数据；
利用相机获取甜瓜果实的RGB图像。
一种甜瓜种质资源性状提取系统，包括：
三维点云数据和RGB图像获取模块，用于获取甜瓜果实的三维点云数据和RGB图像；
数值型性状提取模块，用于根据所述三维点云数据重建所述甜瓜果实的三维模型，并根据所述三维模型提取所述甜瓜果实的数值型性状；所述数值型性状包括：果柄长度、粗度、果脐大小、果实长度、果实宽度和果形指数；
类别判定型性状提取模型确定模块，用于根据所述RGB图像，基于深度学习，利用类别判定型性状提取模型提取类别判定型性状；所述类别判定型性状提取模型以甜瓜果实的RGB图像为输入，以所述甜瓜果实的类别判定型性状为输出；所述类别判定型性状包括：果柄颜色、果实形状、果面绒毛、果面瘤、果面皱纹、果面沟、果面纹颜色、果面棱、果面网纹、果面网纹密度、果面网纹粗度、果面网纹分布、果面裂纹、果皮底色、果皮覆纹颜色、果皮覆纹形状、果皮晕色、果脐形态和果脐形状；
甜瓜种质资源性状确定模块，用于根据所述数值型性状和所述类别判定型性状确定甜瓜种质资源性状；所述甜瓜种质资源性状为所述数值型性状和所述类别判定型性状的总和。
可选的，还包括：
三维点云数据预处理模块，用于对所述三维点云数据依次进行滤波处理、下采样处理、数据存储处理以及三角化重建处理；
RGB图像预处理模块，用于对所述RGB图像依次进行基于最大类间方差法的二值化处理、中值滤波处理、基于二值形态学的孔洞填充处理、制作掩膜处理和色彩校正处理。
可选的，所述数值型性状提取模块具体包括：
果脐的边缘轮廓和果柄与甜瓜果实的交线提取单元，用于根据所述三维模型，基于法线和曲率的变化程度，提取果脐的边缘轮廓和果柄与甜瓜果实的交线；
数值型性状提取单元，用于利用标准件进行校正，确定甜瓜果实的数值型性状；所述标准件为所述甜瓜果实在获取三维点云数据时的参照物。
可选的，所述三维点云数据和RGB图像获取模块具体包括：
三维点云数据获取单元，用于利用手持式三维激光扫描仪获取甜瓜果实的三维点云数据；
RGB图像获取单元，用于利用相机获取甜瓜果实的RGB图像。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明所提供的一种甜瓜种质资源性状提取方法及系统，根据所述三维模型提取所述甜瓜果实的数值型性状，利用类别判定型性状提取模型提取类别判定型性状，进而大大简化了甜瓜种质资源性状的获取流程，降低了检测成本，提高了测量效率，可以一次性获取多达25个参数，具备高通量特点，此外还可以在一定程度上保证后绪品质检测结果的准确度，极大方便了育种专家的工作，具有良好的应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的一种甜瓜种质资源性状提取方法流程示意图；
图2为本发明所提供的一种甜瓜种质资源性状提取方法原理示意图；
图3为本发明实施例中测试装置的结构示意图；
图4为本发明所提供的一种甜瓜种质资源性状提取系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种甜瓜种质资源性状提取方法及系统，快速提取甜瓜种质资源性状，进而确定高通量性状，加快了甜瓜育种进程。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的一种甜瓜种质资源性状提取方法流程示意图，图2为本发明所提供的一种甜瓜种质资源性状提取方法原理示意图，如图1和图2所示，本发明所提供的一种甜瓜种质资源性状提取方法，包括：
S101，获取甜瓜果实的三维点云数据和RGB图像。
S101具体包括：
利用手持式三维激光扫描仪获取甜瓜果实的三维点云数据。获取三维点云数据时，需要借助玻璃板辅助完成数据点的采集，以及标准件作为参照物，通过找到并确定标准件基于三维点云模型得到的长度参数与其实际参数之间的比例关系，从而根据这个比例来得到甜瓜果实的真实尺寸
利用相机获取甜瓜果实的RGB图像。获取RGB图像时，为了保证图像背景的统一性，以及尽可能减少环境等外界噪声，需要以黑色植绒布为背景，并借助标准色彩纸以辅助后期的图像处理中基于多项式回归法的颜色校正。
图3为本发明实施例中测试装置的结构示意图，将所述甜瓜果实以自然状态放置于硬度大厚度薄的玻璃桌面之上，选择玻璃材质桌面的原因在于方便甜瓜果实下部(靠近桌面)数据点的采集；接着在玻璃桌面的正反面粘贴与仪器配套使用的标记点，以帮助建立待扫描空间各面的位置关系；在合理布置完标记点之后，使用手持式三维激光扫描仪从多个角度识别读取标记点，从而为后期对象的扫描结果优化提供丰富的参考数据；然后手持仪器沿着甜瓜果实的表面匀速扫描，以保证点云数据的完整性；最后，将扫描完成的甜瓜果实放置于黑色植绒布之上，从正上方拍摄得到RGB图像，同时保证每次采相时的相机高度是相同的。
S101之后还包括：
对所述三维点云数据依次进行滤波处理、下采样处理、数据存储处理以及三角化重建处理。
具体过程如下：1)在软件Geometry Control中先后使用直通滤波、统计学滤波工具除去环境噪声点和局外点；2)通过比较发现，基于法向量采样法的效果最好，能够在尽可能多地减少数据点的数量的同时，保留甜瓜果实的基本特征；3)将三维数据点以八叉树的形式存储，赋予其邻域信息；4)最后基于贪婪投影三角化算法对点云数据进行三角化重建，得到甜瓜果实的三维模型。
对所述RGB图像依次进行基于最大类间方差法的二值化处理、中值滤波处理、基于二值形态学的孔洞填充处理、制作掩膜处理和色彩校正处理。
具体过程如下：1)基于最大类间方差法(OTSU)对图像做二值化处理；2)通过中值滤波去除局外点和噪声点；3)基于二值形态学方法进行孔洞填充；4)根据以上结果，制作掩膜，提取仅含对象的RGB图像，或甜瓜果实，或标准色块图；5)使用标准色块图，基于多项式回归法对RGB图像进行颜色校正，通过比较知，采用项数为10的{R,G,B,RG,RB,GB,R2,G2,B2,1}多项式模型校正的效果最好。
S102，根据所述三维点云数据重建所述甜瓜果实的三维模型，并根据所述三维模型提取所述甜瓜果实的数值型性状；所述数值型性状包括：果柄长度、粗度、果脐大小、果实长度、果实宽度和果形指数。
S102具体包括：
根据所述三维模型，基于法线和曲率的变化程度，提取果脐的边缘轮廓和果柄与甜瓜果实的交线。
利用标准件进行校正，确定甜瓜果实的数值型性状；所述标准件为所述甜瓜果实在获取三维点云数据时的参照物。
S103，根据所述RGB图像，基于深度学习，利用类别判定型性状提取模型提取类别判定型性状；所述类别判定型性状提取模型以甜瓜果实的RGB图像为输入，以所述甜瓜果实的类别判定型性状为输出；所述类别判定型性状包括：果柄颜色、果实形状、果面绒毛、果面瘤、果面皱纹、果面沟、果面纹颜色、果面棱、果面网纹、果面网纹密度、果面网纹粗度、果面网纹分布、果面裂纹、果皮底色、果皮覆纹颜色、果皮覆纹形状、果皮晕色、果脐形态和果脐形状。
类别判定型性状提取模型分为训练和验证两个方面，具体的过程如下：
将获取的RGB图像按比例4：1划分训练集和验证集，然后对训练集中的每一张图像做标签，标签内容包括果柄颜色(1:白；2:浅绿；3:绿；4:深绿；5:黄；6:粉红)、果实形状(1:圆；2:梨；3:卵；4:倒卵；5:椭圆；6:橄榄；7:瓶颈；8:圆柱；9:棒)、果面绒毛(0:无；1:有)、果面瘤(0:无；1:有)、果面皱纹(0:无；1:有)、果面沟(0:无；1:浅；2:深)、果面纹颜色(1:白；2:黄；3:橘；4:褐；5:绿；6:灰)、果面棱(0:无；1:低；2:高)、果面网纹(0:无；1:有)、果面网纹密度(1:稀；2:中；3:密)、果面网纹粗度(1:细；2:中；3:粗)、果面网纹分布(1:少；2:半；3:全)、果面裂纹(0:无；1:稀；2:密)、果皮底色(1:白；2:乳白；3:绿白；4:灰白；5:浅黄；6黄；7:深黄；8:橘；9:浅绿；10:黄绿；11:绿；12:灰绿；13:深绿；14:墨绿；15:黄褐；16:红褐；17:灰褐)、果皮覆纹颜色(0:无；1:绿白；2:灰白；3:浅黄；4:黄；5:深黄；6:橘；7:浅绿；8:黄绿；9:绿；10:灰绿；11:深绿；12:墨绿；13:黄褐；14:红褐；15:灰褐)、果皮覆纹形状(1:斑点；2:斑块；3:斑条；4:条带)、果皮晕色(0:无；1:白；2:黄；3:红)、果脐形态(1:凹；2:平；3:凸)和果脐形状(1:圆；2:多角；3:放射)，共19个甜瓜种质资源数据，基于深度学习，运用卷积神经网络框架训练得到模型参数，接着用验证集对模型参数进行优化，最后得到一个效果最优的模型。利用验证集进行进行验证。
S104，根据所述数值型性状和所述类别判定型性状确定甜瓜种质资源性状；所述甜瓜种质资源性状为所述数值型性状和所述类别判定型性状的总和。
图4为本发明所提供的一种甜瓜种质资源性状提取系统结构示意图，如图4所示，本发明所提供的一种甜瓜种质资源性状提取系统，包括：
三维点云数据和RGB图像获取模块401，用于获取甜瓜果实的三维点云数据和RGB图像。
数值型性状提取模块402，用于根据所述三维点云数据重建所述甜瓜果实的三维模型，并根据所述三维模型提取所述甜瓜果实的数值型性状；所述数值型性状包括：果柄长度、粗度、果脐大小、果实长度、果实宽度和果形指数。
类别判定型性状提取模型确定模块403，用于根据所述RGB图像，基于深度学习，利用类别判定型性状提取模型提取类别判定型性状；所述类别判定型性状提取模型以甜瓜果实的RGB图像为输入，以所述甜瓜果实的类别判定型性状为输出；所述类别判定型性状包括：果柄颜色、果实形状、果面绒毛、果面瘤、果面皱纹、果面沟、果面纹颜色、果面棱、果面网纹、果面网纹密度、果面网纹粗度、果面网纹分布、果面裂纹、果皮底色、果皮覆纹颜色、果皮覆纹形状、果皮晕色、果脐形态和果脐形状。
甜瓜种质资源性状确定模块404，用于根据所述数值型性状和所述类别判定型性状确定甜瓜种质资源性状；所述甜瓜种质资源性状为所述数值型性状和所述类别判定型性状的总和。
本发明所提供的一种甜瓜种质资源性状提取系统，还包括：
三维点云数据预处理模块，用于对所述三维点云数据依次进行滤波处理、下采样处理、数据存储处理以及三角化重建处理。
RGB图像预处理模块，用于对所述RGB图像依次进行基于最大类间方差法的二值化处理、中值滤波处理、基于二值形态学的孔洞填充处理、制作掩膜处理和色彩校正处理。
所述数值型性状提取模块402具体包括：
果脐的边缘轮廓和果柄与甜瓜果实的交线提取单元，用于根据所述三维模型，基于法线和曲率的变化程度，提取果脐的边缘轮廓和果柄与甜瓜果实的交线。
数值型性状提取单元，用于利用标准件进行校正，确定甜瓜果实的数值型性状；所述标准件为所述甜瓜果实在获取三维点云数据时的参照物。
所述三维点云数据和RGB图像获取模块401具体包括：
三维点云数据获取单元，用于利用手持式三维激光扫描仪获取甜瓜果实的三维点云数据。
RGB图像获取单元，用于利用相机获取甜瓜果实的RGB图像。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种甜瓜种质资源性状提取方法，其特征在于，包括：
获取甜瓜果实的三维点云数据和RGB图像；
根据所述三维点云数据重建所述甜瓜果实的三维模型，并根据所述三维模型提取所述甜瓜果实的数值型性状；所述数值型性状包括：果柄长度、粗度、果脐大小、果实长度、果实宽度和果形指数；
根据所述RGB图像，基于深度学习，利用类别判定型性状提取模型提取类别判定型性状；所述类别判定型性状提取模型以甜瓜果实的RGB图像为输入，以所述甜瓜果实的类别判定型性状为输出；所述类别判定型性状包括：果柄颜色、果实形状、果面绒毛、果面瘤、果面皱纹、果面沟、果面纹颜色、果面棱、果面网纹、果面网纹密度、果面网纹粗度、果面网纹分布、果面裂纹、果皮底色、果皮覆纹颜色、果皮覆纹形状、果皮晕色、果脐形态和果脐形状；
根据所述数值型性状和所述类别判定型性状确定甜瓜种质资源性状；所述甜瓜种质资源性状为所述数值型性状和所述类别判定型性状的总和；
所述根据所述三维点云数据重建所述甜瓜果实的三维模型，并根据所述三维模型提取所述甜瓜果实的数值型性状，具体包括：
根据所述三维模型，基于法线和曲率的变化程度，提取果脐的边缘轮廓和果柄与甜瓜果实的交线；
利用标准件进行校正，确定甜瓜果实的数值型性状；所述标准件为所述甜瓜果实在获取三维点云数据时的参照物。
2.根据权利要求1所述的一种甜瓜种质资源性状提取方法，其特征在于，所述获取甜瓜果实的三维点云数据和RGB图像，之后还包括：
对所述三维点云数据依次进行滤波处理、下采样处理、数据存储处理以及三角化重建处理；
对所述RGB图像依次进行基于最大类间方差法的二值化处理、中值滤波处理、基于二值形态学的孔洞填充处理、制作掩膜处理和色彩校正处理。
3.根据权利要求1所述的一种甜瓜种质资源性状提取方法，其特征在于，所述获取甜瓜果实的三维点云数据和RGB图像，具体包括：
利用手持式三维激光扫描仪获取甜瓜果实的三维点云数据；
利用相机获取甜瓜果实的RGB图像。
4.一种甜瓜种质资源性状提取系统，其特征在于，包括：
三维点云数据和RGB图像获取模块，用于获取甜瓜果实的三维点云数据和RGB图像；
数值型性状提取模块，用于根据所述三维点云数据重建所述甜瓜果实的三维模型，并根据所述三维模型提取所述甜瓜果实的数值型性状；所述数值型性状包括：果柄长度、粗度、果脐大小、果实长度、果实宽度和果形指数；
类别判定型性状提取模型确定模块，用于根据所述RGB图像，基于深度学习，利用类别判定型性状提取模型提取类别判定型性状；所述类别判定型性状提取模型以甜瓜果实的RGB图像为输入，以所述甜瓜果实的类别判定型性状为输出；所述类别判定型性状包括：果柄颜色、果实形状、果面绒毛、果面瘤、果面皱纹、果面沟、果面纹颜色、果面棱、果面网纹、果面网纹密度、果面网纹粗度、果面网纹分布、果面裂纹、果皮底色、果皮覆纹颜色、果皮覆纹形状、果皮晕色、果脐形态和果脐形状；
甜瓜种质资源性状确定模块，用于根据所述数值型性状和所述类别判定型性状确定甜瓜种质资源性状；所述甜瓜种质资源性状为所述数值型性状和所述类别判定型性状的总和；
所述数值型性状提取模块具体包括：
果脐的边缘轮廓和果柄与甜瓜果实的交线提取单元，用于根据所述三维模型，基于法线和曲率的变化程度，提取果脐的边缘轮廓和果柄与甜瓜果实的交线；
数值型性状提取单元，用于利用标准件进行校正，确定甜瓜果实的数值型性状；所述标准件为所述甜瓜果实在获取三维点云数据时的参照物。
5.根据权利要求4所述的一种甜瓜种质资源性状提取系统，其特征在于，还包括：
三维点云数据预处理模块，用于对所述三维点云数据依次进行滤波处理、下采样处理、数据存储处理以及三角化重建处理；
RGB图像预处理模块，用于对所述RGB图像依次进行基于最大类间方差法的二值化处理、中值滤波处理、基于二值形态学的孔洞填充处理、制作掩膜处理和色彩校正处理。
6.根据权利要求4所述的一种甜瓜种质资源性状提取系统，其特征在于，所述三维点云数据和RGB图像获取模块具体包括：
三维点云数据获取单元，用于利用手持式三维激光扫描仪获取甜瓜果实的三维点云数据；
RGB图像获取单元，用于 利用相机获取甜瓜果实的RGB图像。
CN202110032644.9A 2021-01-11 2021-01-11 一种甜瓜种质资源性状提取方法及系统 Active CN112837271B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110032644.9A CN112837271B (zh) 2021-01-11 2021-01-11 一种甜瓜种质资源性状提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110032644.9A CN112837271B (zh) 2021-01-11 2021-01-11 一种甜瓜种质资源性状提取方法及系统

Publications (2)

Publication Number Publication Date
CN112837271A CN112837271A (zh) 2021-05-25
CN112837271B true CN112837271B (zh) 2023-11-10

Family

ID=75929566

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110032644.9A Active CN112837271B (zh) 2021-01-11 2021-01-11 一种甜瓜种质资源性状提取方法及系统

Country Status (1)

Country Link
CN (1) CN112837271B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116519688B (zh) * 2023-04-26 2024-05-14 中国科学院植物研究所 一种浆果表型特征高通量获取及自动分析方法和系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0929185A (ja) * 1995-07-17 1997-02-04 Takaaki Satake 果皮表面に固有のネットパターンを有する青果物の等級判定方法
CN103065149A (zh) * 2012-12-21 2013-04-24 上海交通大学 网纹甜瓜果实表型提取与量化方法
CN107481274A (zh) * 2017-08-11 2017-12-15 武汉理工大学 一种三维作物点云的鲁棒性重构方法
CN108802759A (zh) * 2018-06-07 2018-11-13 北京大学 面向植物表型的移动式近感系统及数据获取方法
CN109961445A (zh) * 2019-03-27 2019-07-02 赵杨 一种西瓜花体性状判定方法
CN110866975A (zh) * 2019-04-25 2020-03-06 华中农业大学 基于多目视觉的油菜图像获取装置及三维特征提取方法
CN111932671A (zh) * 2020-08-22 2020-11-13 扆亮海 基于密集点云数据的三维实体模型重建方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0929185A (ja) * 1995-07-17 1997-02-04 Takaaki Satake 果皮表面に固有のネットパターンを有する青果物の等級判定方法
CN103065149A (zh) * 2012-12-21 2013-04-24 上海交通大学 网纹甜瓜果实表型提取与量化方法
CN107481274A (zh) * 2017-08-11 2017-12-15 武汉理工大学 一种三维作物点云的鲁棒性重构方法
CN108802759A (zh) * 2018-06-07 2018-11-13 北京大学 面向植物表型的移动式近感系统及数据获取方法
CN109961445A (zh) * 2019-03-27 2019-07-02 赵杨 一种西瓜花体性状判定方法
CN110866975A (zh) * 2019-04-25 2020-03-06 华中农业大学 基于多目视觉的油菜图像获取装置及三维特征提取方法
CN111932671A (zh) * 2020-08-22 2020-11-13 扆亮海 基于密集点云数据的三维实体模型重建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
82个湖南丝瓜种质资源主要植物学性状分析;李勇奇 等;分子植物育种;全文 *
Strawberry Yield Prediction Based on a Deep neural Network Using High-Resolution Aerial Orthoimages;Yang Chen 等;MDPI;全文 *

Also Published As

Publication number Publication date
CN112837271A (zh) 2021-05-25

Similar Documents

Publication Publication Date Title
Erikson Segmentation of individual tree crowns in colour aerial photographs using region growing supported by fuzzy rules
CN108364280A (zh) 结构裂缝自动化描绘及宽度精准测量方法与设备
CN111667455B (zh) 一种刷具多种缺陷的ai检测方法
Liu et al. A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field
KR100948406B1 (ko) 닭도체의 품질등급 자동 판정 및 중량 산출시스템
CN102855485B (zh) 一种小麦抽穗的自动检测方法
CN110503623A (zh) 一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法
CN110736709A (zh) 一种基于深度卷积神经网络的蓝莓成熟度的无损检测方法
Thipakorn et al. Egg weight prediction and egg size classification using image processing and machine learning
CN105701805A (zh) 一种基于计算机视觉的猪肉肌内脂肪含量无损检测方法
CN111724354B (zh) 一种基于图像处理的多株小麦穗长与小穗数的测量方法
CN112837271B (zh) 一种甜瓜种质资源性状提取方法及系统
CN113989353A (zh) 一种猪只背膘厚度测定方法及系统
CN113362276A (zh) 板材视觉检测方法及系统
CN115099297A (zh) 一种基于改进型YOLO v5模型的大豆植株表型数据统计方法
CN111738984B (zh) 基于分水岭和种子填充的皮肤图像斑点评估方法及系统
CN109829879B (zh) 维管束的检测方法及装置
CN114881984A (zh) 一种大米加工精度的检测方法、装置、电子设备及介质
CN113763384B (zh) 工业质检中的缺陷检测方法、缺陷检测装置
Poelzleitner et al. Automatic inspection of leather surfaces
Surový et al. Importance of automatic threshold for image segmentation for accurate measurement of fine roots of woody plants/Význam automatického prahovania na obrazovú segmentáciu pre presné merania jemných koreňov drevín
CN113439870A (zh) 一种雪茄烟外观分类方法及装置
CN110906887B (zh) 一种服装缝纫平整度检测方法
CN114612415A (zh) 基于深度残差网络与多通道图像融合的表面缺陷分类方法
Wang et al. Study on estimation method of plant leaf area based on image processing technology

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210521

Address after: 310058 Yuhang Tang Road, Xihu District, Hangzhou, Zhejiang 866

Applicant after: ZHEJIANG University

Applicant after: HUANAN INDUSTRIAL TECHNOLOGY RESEARCH INSTITUTE OF ZHEJIANG University

Address before: 310058 Yuhang Tang Road, Xihu District, Hangzhou, Zhejiang 866

Applicant before: ZHEJIANG University

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant