CN114049390A - 一种基于机器视觉的小麦麦苗种植密度测量装置及方法 - Google Patents

一种基于机器视觉的小麦麦苗种植密度测量装置及方法 Download PDF

Info

Publication number
CN114049390A
CN114049390A CN202111319708.XA CN202111319708A CN114049390A CN 114049390 A CN114049390 A CN 114049390A CN 202111319708 A CN202111319708 A CN 202111319708A CN 114049390 A CN114049390 A CN 114049390A
Authority
CN
China
Prior art keywords
wheat
image
wheat seedling
planting density
points
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
Application number
CN202111319708.XA
Other languages
English (en)
Inventor
刘哲
任义烽
姚国年
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.)
Xijing University
Original Assignee
Xijing 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 Xijing University filed Critical Xijing University
Priority to CN202111319708.XA priority Critical patent/CN114049390A/zh
Publication of CN114049390A publication Critical patent/CN114049390A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)

Abstract

本发明属于自动化机器视觉测量和智慧农业技术领域，尤其涉及一种基于机器视觉的可移动式小麦麦苗种植密度测量装置，移动式平台顶部左侧固定连接有第一工业相机，移动式平台顶部中间固定连接有第三工业相机，移动式平台顶部右侧固定连接有第二工业相机，第一工业相机、第二工业相机和第三工业相机输出端电性连接有计算机。该基于机器视觉的小麦麦苗种植密度测量装置及方法，通过特征点的提取，检测尺度空间的极值，确定特征点的主方向，计算特征点的描述信息，特征点的匹配，麦苗图像拼接，麦苗图像中麦苗的提取，麦苗计数，麦苗种植密度计算能够进一步实现测量效率高和误差小的目的，同时达到了小麦种植密度的自动化和高精度测量的目的。

Description

一种基于机器视觉的小麦麦苗种植密度测量装置及方法
技术领域
本发明涉及自动化机器视觉测量和智慧农业技术领域，具体为一种基于机器视觉的小麦麦苗种植密度测量装置及方法。
背景技术
小麦种植密度的高低对于小麦的生长和产量起到了至关重要的作用，一般当小麦种植密度过大时，往往会造成一系列不利的影响，例如小麦与小麦之间出现争抢养分的情况，导致小麦弱苗的情况发生。植株行间密度过大还会造成通风透光能力变差，空气湿度大，容易滋生病虫害。为了吸收更多的光照，小麦的植株都会生长得比较高，导致秸秆细长，在遇到大风天气后会出现大面积的倒伏等情况发生。当小麦种植密度过小时，往往会造成小麦出苗率低进而影响小麦的产量。由此可见，对小麦种植密度的测量显得尤为重要。目前，小麦种植密度测量方法有两种，一种是通过人工计数完成，另一种是通过拍照运用图像处理方法进行估测，这两种方法都存在效率低、测量误差大的问题。
发明内容
本发明的目的在于提供一种基于机器视觉的小麦麦苗种植密度测量方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于机器视觉的可移动式小麦麦苗种植密度测量装置，包括移动式平台，所述移动式平台顶部左侧固定连接有第一工业相机，所述移动式平台顶部中间固定连接有第三工业相机，所述移动式平台顶部右侧固定连接有第二工业相机，所述第一工业相机、第二工业相机和第三工业相机输出端电性连接有计算机。
优选的，所述第一工业相机、第二工业相机和第三工业相机均为海康MV-CE050-30GM工业相机，所述第一工业相机、第二工业相机和第三工业相机均搭配有海康MVL-HF2524M-10MP工业镜头。
优选的，所述第一工业相机、第二工业相机和第三工业相机均为海康MV-CE050-30GM工业相机，所述第一工业相机、第二工业相机和第三工业相机均搭配有海康MVL-HF2524M-10MP工业镜头。
优选的，所述计算机为ThinkServerRD640服务器。
本发明要解决的另一技术问题提供一种基于机器视觉的小麦麦苗种植密度测量方法，以解决上述背景技术中提出的问题；
为实现上述目的，本实发明提供如下技术方案：包括以下步骤：
S1、麦苗图像特征点的提取
三个工业相机同时采集麦苗图像，得到互重叠的三幅麦苗图像相将三幅图像进行拼接，在进行图像拼接时，首先要对三幅麦苗图像的特征点进行提取，为了使拼接具有良好的鲁棒性、实时性和高精度，采用SURF算法完成图像序列特征点的提取。
S2、麦苗图像特征点的匹配
使用SURF的匹配算法，即找出与特征点描述符A欧式距离最近和次近的两个邻居特征点描述符B和C，然后计算A与B以及A与C两组描述符之间欧式距离的比值r，如果比值r小于规定阈值规则视为匹配成功，(A，B)点对则为图像序列中的一对匹配点，否则匹配失败，最后在匹配完成后使用RANSAC进行误匹配点的筛选。
S3、麦苗图像拼接
采用RANSAC算法对图像变换矩阵H进行求解与精炼，首先随机地选择两个点，这两个点确定了一条直线，并且称在这条直线的一定范围内的点为这条直线的支撑，然后，这样的随机选择重复数次，具有最大支撑集的直线被确认为是样本点集的拟合，在拟合的误差距离范围内的点被认为是内点，它们构成一致集，反之则为外点，根据图像间变换矩阵H，可以对相应图像进行变换以确定图像间的重叠区域，并将待融和图像映射到一幅新的空白图像中形成拼接图。
S4、麦苗图像中麦苗的提取
选取小麦一叶期图像，此时田间杂草较少，图像主要由麦苗、土地和麦秆组成，根据麦苗颜色特征，其颜色以绿色为主，根据我们大量实验，麦苗超级绿色特征明显高于图像的其它部分，于是将麦苗图像颜色先转换为超级绿色，然后应用最大熵对图像进行分割，提取出麦苗。
S5、麦苗计数
对分割出来麦苗图像，分别计算出麦苗面积s、麦苗轮廓周长l、麦苗图像占比r，麦苗面积s和麦苗轮廓l都用像素值表示，麦苗图像占比r表示麦苗图像像素值与图像所有像素值的比值。
S6、麦苗种植密度计算
可移动式小麦麦苗种植密度测量装置采集的麦苗图像对应的土地面积是0.25平方米，根据得到图像中的麦苗数，可以计算出每亩小麦的种植密度为，
B＝666.7×4×d
已知，1亩地＝666.7平方米
在实际估测小麦种植密度时，用移动式小麦麦苗种植密度测量装置进行次抽样采集，计算出所有采集图像对应的小麦种植密度之和，进行平均后作为最终的小麦种植密度估测值。
优选的，所述步骤1中，SURF特征点提取主要包含以下三个步骤：
(1)、检测尺度空间的极值
将每个像素点与其三维邻域的26个点进行大小比较，若这个点是极值，则保留用作初步特征点，采用三维线性插值法(根据8个点的像素值得到一个点的像素值)得到亚像素级的特征点，去掉小于一定阈值的点，留下特征最强的点集。
(2)、确定特征点的主方向
为保证旋转不变性，不统计其梯度直方图，只统计特征点领域内的Harr小波特征，计算半径为6σ(经验值)的圆形区域内，统计60°扇形内特征点的Harr矢量之和，遍历圆形区域，选择最长harr矢量方向为主方向。
(3)、计算特征点的描述信息
在特征点周围取一个长方形矢量框，边长20σ，方向即特征点主方向，分16份，每份统计25个像素的水平、垂直方向(相对于主方向)的haar小波特征(Σdx，Σ|dx|，Σdy，Σ|dy|)，即每个特征点是64维向量。
优选的，所述步骤S5中，获取的麦苗图像是RGB图像，首先将麦苗图像各颜色分量进行归一化：
Figure BDA0003345120040000041
则超级绿色superG定义为：
superG＝2r-g-b
于是，用超级绿色superG值代替图像每个像素的RGB值，从而RGB麦苗图像转化为了灰度图像，即，
R＝G＝B＝superG。
优选的，所述灰度图像中，设灰度值为i的概率为pi，假设阈值为T，则灰度值在[0,T]之间的为土地和麦秆，灰度值在[T+1,255]之间的为麦苗，对于麦苗图像中属于土地和麦秆部分的信息熵HB计算如下：
Figure BDA0003345120040000042
其中，
Figure BDA0003345120040000043
对于麦苗图像中属于麦苗部分的信息熵HF计算如下：
Figure BDA0003345120040000051
其中，
Figure BDA0003345120040000052
遍历穷举阈值T(0-255)，得到使得HB+HT最大的阈值T，该阈值就是通过最大熵方法得到的灰度图像分割点，根据该阈值T，通过图像二值化，就能提取出麦苗。
优选的，所述步骤S5中，计算麦苗面积s、麦苗轮廓周长l、麦苗图像占比r，首先，建立训练数据集，通过可移动式小麦麦苗种植密度测量装置采集500副麦苗图像，对500幅麦苗图像利用上文所述方法依次提取出图像中的麦苗，再依次计算出每幅图像所对应的麦苗面积s、麦苗轮廓周长l、麦苗图像占比r，
同时通过人工统计出500幅麦苗图像所对应的准确麦苗数d，建立如下的多元线性回归模型：
di＝w0+w1si+w2li+w3ri i＝1,2,…,500。
优选的，所述di＝w0+w1si+w2li+w3ri和i＝1,2,…,500写成矢量的形式，得到式：
D＝w0+w1S+w2L+w3R
其中，
Figure BDA0003345120040000053
进一步，对D＝w0+w1S+w2L+w3R做如下变换，得到：
D＝WAT
其中，W＝[w0 w1 w3 w4]，A＝[1D S R]，AT是A的转置，
于是，将训练数据代入式D＝WAT，运用正规方程可得到多元线性回归方程di＝w0+w1si+w2li+w3ri和i＝1,2,…,500参数W的解，
W＝DA(ATA)-1
通过训练得到麦苗数与麦苗面积s、麦苗轮廓周长l、麦苗图像占比r的多元线性回归方程后，就可以计算出新的麦苗图像中麦苗数。
与现有技术相比，本发明的有益效果是：
1、该基于机器视觉的小麦麦苗种植密度测量装置及方法，第一工业相机2、第二工业相机3和第三工业相机5的镜头距移动式平台底部高度为0.23m，移动式平台顶部均匀布设个三工业相机，可以完全覆盖移动式平台底部0.222m2的面积，能够完成麦苗图像的实时采集，同时计算机1主要负责三个工业相机采集麦苗图像的处理和麦苗种植密度的测量，解决现有方法中存在的测量效率低和误差大的缺陷，以便实现小麦种植密度的自动化和高精度测量。
2、该基于机器视觉的小麦麦苗种植密度测量装置及方法，通过麦苗图像特征点的提取，检测尺度空间的极值，确定特征点的主方向，计算特征点的描述信息，麦苗图像特征点的匹配，麦苗图像拼接，麦苗图像中麦苗的提取，麦苗计数，麦苗种植密度计算能够进一步实现测量效率高和误差小的目的，同时达到了小麦种植密度的自动化和高精度测量的目的。
附图说明
图1是本发明实施例提供的可移动式小麦麦苗种植密度测量装置示意图；
图2是本发明实施例流程图；
图3是本发明实施例提供的麦苗图像(第1行)、提取的麦苗图像(第2行)、麦苗的轮廓图像(第3行)。
图中：1、计算机；2、第一工业相机；3、第二工业相机；4、移动式平台；5、第三工业相机。
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。
请参阅图1-3，本发明提供一种技术方案：一种基于机器视觉的小麦麦苗种植密度测量装置，包括移动式平台4，移动式平台4顶部左侧固定连接有第一工业相机2，移动式平台4顶部中间固定连接有第三工业相机5，移动式平台4顶部右侧固定连接有第二工业相机3，第一工业相机2、第二工业相机3和第三工业相机5输出端电性连接有计算机1，第一工业相机2、第二工业相机3和第三工业相机5均为海康MV-CE050-30GM工业相机，第一工业相机2、第二工业相机3和第三工业相机5均搭配有海康MVL-HF2524M-10MP工业镜头，计算机1为ThinkServerRD640服务器。
移动式平台4是长方体结构，高0.35m，长1m，宽0.25m，平台四周面板使用不透光的轻薄不锈钢材料，平台顶层面板采用透明玻璃，底层不加装任何材质面板，便于采集麦苗图像，3台工业相机均匀安装在平台顶部中央位置，计算机处理器固定安装在平台顶层面板上部，移动式平台采用人工助推或电动助推方式进行移动。
本发明为解决的另一技术问题提供一种基于机器视觉的小麦麦苗种植密度测量方法，包括以下步骤：
S1、麦苗图像特征点的提取
三个工业相机同时采集麦苗图像，得到互重叠的三幅麦苗图像相将三幅图像进行拼接，在进行图像拼接时，首先要对三幅麦苗图像的特征点进行提取，为了使拼接具有良好的鲁棒性、实时性和高精度，采用SURF算法完成图像序列特征点的提取。
SURF特征点提取主要包含以下三个步骤：
(1)、检测尺度空间的极值
将每个像素点与其三维邻域的26个点进行大小比较，若这个点是极值，则保留用作初步特征点，采用三维线性插值法(根据8个点的像素值得到一个点的像素值)得到亚像素级的特征点，去掉小于一定阈值的点，留下特征最强的点集。
(2)、确定特征点的主方向
为保证旋转不变性，不统计其梯度直方图，只统计特征点领域内的Harr小波特征，计算半径为6σ(经验值)的圆形区域内，统计60°扇形内特征点的Harr矢量之和，遍历圆形区域，选择最长harr矢量方向为主方向。
(3)、计算特征点的描述信息
在特征点周围取一个长方形矢量框，边长20σ，方向即特征点主方向，分16份，每份统计25个像素的水平、垂直方向(相对于主方向)的haar小波特征(Σdx，Σ|dx|，Σdy，Σ|dy|)，即每个特征点是64维向量。
S2、麦苗图像特征点的匹配
使用SURF的匹配算法，即找出与特征点描述符A欧式距离最近和次近的两个邻居特征点描述符B和C，然后计算A与B以及A与C两组描述符之间欧式距离的比值r，如果比值r小于规定阈值规则视为匹配成功，(A，B)点对则为图像序列中的一对匹配点，否则匹配失败，最后在匹配完成后使用RANSAC进行误匹配点的筛选。
S3、麦苗图像拼接
采用RANSAC算法对图像变换矩阵H进行求解与精炼，首先随机地选择两个点，这两个点确定了一条直线，并且称在这条直线的一定范围内的点为这条直线的支撑，然后，这样的随机选择重复数次，具有最大支撑集的直线被确认为是样本点集的拟合，在拟合的误差距离范围内的点被认为是内点，它们构成一致集，反之则为外点，根据图像间变换矩阵H，可以对相应图像进行变换以确定图像间的重叠区域，并将待融和图像映射到一幅新的空白图像中形成拼接图。
S4、麦苗图像中麦苗的提取
选取小麦一叶期图像，此时田间杂草较少，图像主要由麦苗、土地和麦秆组成，根据麦苗颜色特征，其颜色以绿色为主，根据我们大量实验，麦苗超级绿色特征明显高于图像的其它部分，于是将麦苗图像颜色先转换为超级绿色，然后应用最大熵对图像进行分割，提取出麦苗。
获取的麦苗图像是RGB图像，首先将麦苗图像各颜色分量进行归一化：
Figure BDA0003345120040000091
则超级绿色superG定义为：
superG＝2r-g-b
于是，用超级绿色superG值代替图像每个像素的RGB值，从而RGB麦苗图像转化为了灰度图像，即，
R＝G＝B＝superG
灰度图像中，设灰度值为i的概率为pi，假设阈值为T，则灰度值在[0,T]之间的为土地和麦秆，灰度值在[T+1,255]之间的为麦苗，对于麦苗图像中属于土地和麦秆部分的信息熵HB计算如下：
Figure BDA0003345120040000092
其中，
Figure BDA0003345120040000093
对于麦苗图像中属于麦苗部分的信息熵HF计算如下：
Figure BDA0003345120040000094
其中，
Figure BDA0003345120040000101
遍历穷举阈值T(0-255)，得到使得HB+HT最大的阈值T，该阈值就是通过最大熵方法得到的灰度图像分割点。根据该阈值T，通过图像二值化，就能提取出麦苗。
S5、麦苗计数
对分割出来麦苗图像，分别计算出麦苗面积s、麦苗轮廓周长l、麦苗图像占比r，麦苗面积s和麦苗轮廓l都用像素值表示，麦苗图像占比r表示麦苗图像像素值与图像所有像素值的比值。
计算麦苗面积s、麦苗轮廓周长l、麦苗图像占比r，首先，建立训练数据集，通过可移动式小麦麦苗种植密度测量装置采集500副麦苗图像，对500幅麦苗图像利用上文方法依次提取出图像中的麦苗，再依次计算出每幅图像所对应的麦苗面积s、麦苗轮廓周长l、麦苗图像占比r，
同时通过人工统计出500幅麦苗图像所对应的准确麦苗数d，建立如下的多元线性回归模型：
di＝w0+w1si+w2li+w3ri i＝1,2,…,500
di＝w0+w1si+w2li+w3ri和i＝1,2,…,500写成矢量的形式，得到式：
D＝w0+w1S+w2L+w3R
其中，
Figure BDA0003345120040000102
进一步，对D＝w0+w1S+w2L+w3R做如下变换，得到：
D＝WAT
其中，W＝[w0 w1 w3 w4]，A＝[1D S R]，AT是A的转置，
于是，将训练数据代入式D＝WAT，运用正规方程可得到多元线性回归方程di＝w0+w1si+w2li+w3ri和i＝1,2,…,500参数W的解，
W＝DA(ATA)-1
通过训练得到麦苗数与麦苗面积s、麦苗轮廓周长l、麦苗图像占比r的多元线性回归方程后，就可以计算出新的麦苗图像中麦苗数。
S6、麦苗种植密度计算
可移动式小麦麦苗种植密度测量装置采集的麦苗图像对应的土地面积是0.25平方米，根据得到图像中的麦苗数，可以计算出每亩小麦的种植密度为，
B＝666.7×4×d
已知，1亩地＝666.7平方米
在实际估测小麦种植密度时，用移动式小麦麦苗种植密度测量装置进行次抽样采集，计算出所有采集图像对应的小麦种植密度之和，进行平均后作为最终的小麦种植密度估测值。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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 (9)

1.一种基于机器视觉的小麦麦苗种植密度测量装置，包括移动式平台(4)，其特征在于：所述移动式平台(4)顶部左侧固定连接有第一工业相机(2)，所述移动式平台(4)顶部中间固定连接有第三工业相机(5)，所述移动式平台(4)顶部右侧固定连接有第二工业相机(3)，所述第一工业相机(2)、第二工业相机(3)和第三工业相机(5)输出端电性连接有计算机(1)。
2.根据权利要求1所述的一种基于机器视觉的小麦麦苗种植密度测量装置，其特征在于：所述第一工业相机(2)、第二工业相机(3)和第三工业相机(5)均为海康MV-CE050-30GM工业相机，所述第一工业相机(2)、第二工业相机(3)和第三工业相机(5)均搭配有海康MVL-HF2524M-10MP工业镜头。
3.根据权利要求1所述的一种基于机器视觉的小麦麦苗种植密度测量装置，其特征在于：所述计算机(1)为ThinkServerRD640服务器。
4.一种基于机器视觉的小麦麦苗种植密度测量方法，其特征在于，包括以下步骤：
S1、麦苗图像特征点的提取
三个工业相机同时采集麦苗图像，得到互重叠的三幅麦苗图像相将三幅图像进行拼接，在进行图像拼接时，首先要对三幅麦苗图像的特征点进行提取，为了使拼接具有良好的鲁棒性、实时性和高精度，采用SURF算法完成图像序列特征点的提取。
S2、麦苗图像特征点的匹配
使用SURF的匹配算法，即找出与特征点描述符A欧式距离最近和次近的两个邻居特征点描述符B和C，然后计算A与B以及A与C两组描述符之间欧式距离的比值r，如果比值r小于规定阈值规则视为匹配成功，(A，B)点对则为图像序列中的一对匹配点，否则匹配失败，最后在匹配完成后使用RANSAC进行误匹配点的筛选。
S3、麦苗图像拼接
采用RANSAC算法对图像变换矩阵H进行求解与精炼，首先随机地选择两个点，这两个点确定了一条直线，并且称在这条直线的一定范围内的点为这条直线的支撑，然后，这样的随机选择重复数次，具有最大支撑集的直线被确认为是样本点集的拟合，在拟合的误差距离范围内的点被认为是内点，它们构成一致集，反之则为外点，根据图像间变换矩阵H，可以对相应图像进行变换以确定图像间的重叠区域，并将待融和图像映射到一幅新的空白图像中形成拼接图。
S4、麦苗图像中麦苗的提取
选取小麦一叶期图像，此时田间杂草较少，图像主要由麦苗、土地和麦秆组成，根据麦苗颜色特征，其颜色以绿色为主，根据我们大量实验，麦苗超级绿色特征明显高于图像的其它部分，于是将麦苗图像颜色先转换为超级绿色，然后应用最大熵对图像进行分割，提取出麦苗。
S5、麦苗计数
对分割出来麦苗图像，分别计算出麦苗面积s、麦苗轮廓周长l、麦苗图像占比r，麦苗面积s和麦苗轮廓l都用像素值表示，麦苗图像占比r表示麦苗图像像素值与图像所有像素值的比值。
S6、麦苗种植密度计算
可移动式小麦麦苗种植密度测量装置采集的麦苗图像对应的土地面积是0.25平方米，根据得到图像中的麦苗数，可以计算出每亩小麦的种植密度为，
B＝666.7×4×d
已知，1亩地＝666.7平方米
在实际估测小麦种植密度时，用移动式小麦麦苗种植密度测量装置进行次抽样采集，计算出所有采集图像对应的小麦种植密度之和，进行平均后作为最终的小麦种植密度估测值。
5.根据权利要求4所述的一种基于机器视觉的小麦麦苗种植密度测量方法，其特征在于：所述步骤1中，SURF特征点提取主要包含以下三个步骤：
(1)、检测尺度空间的极值
将每个像素点与其三维邻域的26个点进行大小比较，若这个点是极值，则保留用作初步特征点，采用三维线性插值法(根据8个点的像素值得到一个点的像素值)得到亚像素级的特征点，去掉小于一定阈值的点，留下特征最强的点集。
(2)、确定特征点的主方向
为保证旋转不变性，不统计其梯度直方图，只统计特征点领域内的Harr小波特征，计算半径为6σ(经验值)的圆形区域内，统计60°扇形内特征点的Harr矢量之和，遍历圆形区域，选择最长harr矢量方向为主方向。
(3)、计算特征点的描述信息
在特征点周围取一个长方形矢量框，边长20σ，方向即特征点主方向，分16份，每份统计25个像素的水平、垂直方向(相对于主方向)的haar小波特征(Σdx，Σ|dx|，Σdy，Σ|dy|)，即每个特征点是64维向量。
6.根据权利要求4所述的一种基于机器视觉的小麦麦苗种植密度测量方法，其特征在于：所述步骤S4中，获取的麦苗图像是RGB图像，首先将麦苗图像各颜色分量进行归一化：
Figure FDA0003345120030000031
则超级绿色superG定义为：
superG＝2r-g-b
于是，用超级绿色superG值代替图像每个像素的RGB值，从而RGB麦苗图像转化为了灰度图像，即，
R＝G＝B＝superG。
7.根据权利要求6所述的一种基于机器视觉的小麦麦苗种植密度测量方法，其特征在于：所述灰度图像中，设灰度值为i的概率为pi，假设阈值为T，则灰度值在[0,T]之间的为土地和麦秆，灰度值在[T+1,255]之间的为麦苗，对于麦苗图像中属于土地和麦秆部分的信息熵HB计算如下：
Figure FDA0003345120030000041
其中，
Figure FDA0003345120030000042
对于麦苗图像中属于麦苗部分的信息熵HF计算如下：
Figure FDA0003345120030000043
其中，
Figure FDA0003345120030000044
遍历穷举阈值T(0-255)，得到使得HB+HT最大的阈值T，该阈值就是通过最大熵方法得到的灰度图像分割点，根据该阈值T，通过图像二值化，就能提取出麦苗。
8.根据权利要求1所述的一种基于机器视觉的小麦麦苗种植密度测量方法，其特征在于：所述步骤S5中，计算麦苗面积s、麦苗轮廓周长l、麦苗图像占比r，首先，建立训练数据集，通过可移动式小麦麦苗种植密度测量装置采集500副麦苗图像，对500幅麦苗图像利用上文所述方法依次提取出图像中的麦苗，再依次计算出每幅图像所对应的麦苗面积s、麦苗轮廓周长l、麦苗图像占比r，
同时通过人工统计出500幅麦苗图像所对应的准确麦苗数d，建立如下的多元线性回归模型：
di＝w0+w1si+w2li+w3ri i＝1,2,…,500。
9.根据权利要求8所述的一种基于机器视觉的小麦麦苗种植密度测量方法，其特征在于：所述di＝w0+w1si+w2li+w3ri和i＝1,2,…,500写成矢量的形式，得到式：
D＝w0+w1S+w2L+w3R
其中，
Figure FDA0003345120030000051
进一步，对D＝w0+w1S+w2L+w3R做如下变换，得到：
D＝WAT
其中，W＝[w0 w1 w3 w4]，A＝[1 D S R]，AT是A的转置，
于是，将训练数据代入式D＝WAT，运用正规方程可得到多元线性回归方程di＝w0+w1si+w2li+w3ri和i＝1,2,…,500参数W的解，
W＝DA(ATA)-1
通过训练得到麦苗数与麦苗面积s、麦苗轮廓周长l、麦苗图像占比r的多元线性回归方程后，就可以计算出新的麦苗图像中麦苗数。
CN202111319708.XA 2021-11-09 2021-11-09 一种基于机器视觉的小麦麦苗种植密度测量装置及方法 Pending CN114049390A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111319708.XA CN114049390A (zh) 2021-11-09 2021-11-09 一种基于机器视觉的小麦麦苗种植密度测量装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111319708.XA CN114049390A (zh) 2021-11-09 2021-11-09 一种基于机器视觉的小麦麦苗种植密度测量装置及方法

Publications (1)

Publication Number Publication Date
CN114049390A true CN114049390A (zh) 2022-02-15

Family

ID=80207586

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111319708.XA Pending CN114049390A (zh) 2021-11-09 2021-11-09 一种基于机器视觉的小麦麦苗种植密度测量装置及方法

Country Status (1)

Country Link
CN (1) CN114049390A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114627013A (zh) * 2022-03-11 2022-06-14 江阴嘉欧新材料有限公司 水管桥接密度测量系统及方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114627013A (zh) * 2022-03-11 2022-06-14 江阴嘉欧新材料有限公司 水管桥接密度测量系统及方法

Similar Documents

Publication Publication Date Title
CN109146948B (zh) 基于视觉的作物长势表型参数量化与产量相关性分析方法
CN111753577B (zh) 自动采摘机器人中的苹果识别与定位方法
Lü et al. Leaf area measurement based on image processing
CN108133471B (zh) 一种基于人工蜂群算法的机器人导航路径提取方法及装置
CN108765433A (zh) 一种用于提高精度的多叶面积测量方法
CN115272187A (zh) 一种基于车载动态视场帧间关联性的田间稻麦倒伏全局评估方法
CN110969654A (zh) 基于收割机的玉米高通量表型测量的方法及装置、收割机
CN111429490A (zh) 一种基于标定球的农林作物三维点云配准方法
CN114239756B (zh) 一种虫害检测方法及系统
CN115131346B (zh) 基于人工智能的发酵罐加工工序检测方法及系统
CN114708208A (zh) 一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法
CN112700488A (zh) 基于图像拼接的活体长叶片叶面积分析方法、系统及装置
CN110610438B (zh) 一种农作物冠层叶柄夹角计算方法及系统
He et al. Visual detection of rice rows based on Bayesian decision theory and robust regression least squares method
CN109118484A (zh) 一种基于机器视觉的获取植被覆盖度和叶面积指数的方法
CN115861409A (zh) 大豆叶面积测算方法、系统、计算机设备及存储介质
He et al. A calculation method of phenotypic traits of soybean pods based on image processing technology
CN114049390A (zh) 一种基于机器视觉的小麦麦苗种植密度测量装置及方法
CN109166127B (zh) 一种可穿戴式植物表型感知系统
Zhong et al. Identification and depth localization of clustered pod pepper based on improved Faster R-CNN
CN116052141B (zh) 作物生育期的识别方法、装置、设备及介质
CN111627059A (zh) 一种棉花叶片中心点位置定位方法
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
CN114266975B (zh) 无人机遥感图像的荔枝果实检测与计数方法
CN116258844A (zh) 一种棉花叶片表型性状快速精准鉴定方法

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