CN114119613B - 基于图像处理的花生选种方法 - Google Patents
基于图像处理的花生选种方法 Download PDFInfo
- Publication number
- CN114119613B CN114119613B CN202210090563.9A CN202210090563A CN114119613B CN 114119613 B CN114119613 B CN 114119613B CN 202210090563 A CN202210090563 A CN 202210090563A CN 114119613 B CN114119613 B CN 114119613B
- Authority
- CN
- China
- Prior art keywords
- target
- abnormal degree
- abnormal
- degree
- target image
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于图像处理的花生选种方法,属于花生批量选种技术领域。方法包括以下步骤:将各目标图像中各灰度值对应的异常程度进行排序,得到各目标图像对应的异常程度序列;依次判断异常程度序列中的各异常程度是否大于预设异常程度阈值,若是,将对应的异常程度剔除;将每次剔除之后的异常程度序列记为各目标图像对应的异常程度子序列;根据各异常程度子序列,得到各目标图像对应的各异常程度子序列对应的平均异常程度;根据各目标图像对应的灰度直方图,得到各目标图像对应的各异常程度子序列对应的目标概率;根据平均异常程度和目标概率,得到目标批次对应的花生种子。本发明能够提高花生选种的效率。
Description
技术领域
本发明涉及花生批量选种技术领域,具体涉及基于图像处理的花生选种方法。
背景技术
花生种子挑选是花生种植环节中最重要的一环,好的花生种子是花生丰产增收的基础,因此选好花生种子的质量至关重要。
现有的花生选种的方法一般是对花生种子进行单独质量检测,这种选种方式虽然能保证花生种子的质量,但是会耗费大量的资源,浪费大量的时间,因此这种花生选种的方式效率较低。
发明内容
本发明提供基于图像处理的花生选种方法,用于解决现有花生选种效率低的问题,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了基于图像处理的花生选种方法包括以下步骤:
获取各批次花生对应的目标图像,所述各批次花生包含多粒花生种子;
根据各目标图像对应的灰度直方图,得到各目标图像中各灰度值对应的异常程度;
将所述各目标图像中各灰度值对应的异常程度进行排序,得到各目标图像对应的异常程度序列;依次判断所述异常程度序列中的各异常程度是否大于预设异常程度阈值,若是,将对应的异常程度剔除;将每次剔除之后的异常程度序列记为各目标图像对应的异常程度子序列;
根据各异常程度子序列,得到各目标图像对应的各异常程度子序列对应的平均异常程度;根据各目标图像对应的灰度直方图,得到各目标图像对应的各异常程度子序列对应的目标概率;
根据所述平均异常程度和所述目标概率,得到各目标图像对应的目标异常程度序列;
根据任意两个所述目标异常程度序列之间的差异,得到目标批次对应的花生种子。
有益效果:本发明将各目标图像对应的各异常程度子序列作为得到各目标图像对应的各异常程度子序列对应的平均异常程度的依据;将各目标图像对应的灰度直方图作为得到各目标图像对应的各异常程度子序列对应的目标概率的依据;将各目标图像对应的各异常程度子序列对应的平均异常程度和目标概率作为得到各目标图像对应的目标异常程度序列的依据;将任意两个目标异常程度序列之间的差异作为得到目标批次对应的花生种子的依据;本发明为一种批量选种的方法相较于对花生种子进行单独质量检测挑选种子的方式能够提高花生选种的效率。
优选的,根据各目标图像对应的灰度直方图,得到各目标图像中各灰度值对应的异常程度的方法,包括:
根据各目标图像对应的灰度直方图,统计得到各目标图像对应的灰度直方图中的各灰度值和对应的灰度直方图中最大纵坐标对应的灰度值;
根据所述灰度直方图中最大纵坐标对应的灰度值与对应的灰度直方图中各灰度值之间的差异,得到各目标图像对应的灰度直方图中各灰度值对应的异常程度;
根据所述各目标图像对应的灰度直方图中各灰度值对应的异常程度,得到各目标图像中各灰度值对应的异常程度。
优选的,根据如下公式计算各目标图像对应的灰度直方图中各灰度值对应的异常程度:
其中,A i,j 为第i个目标图像对应的灰度直方图中第j个灰度值对应的异常程度,H为第i个目标图像对应的灰度直方图中最大纵坐标对应的灰度值,h i 为第i个目标图像对应的灰度直方图中的第j个灰度值,relu()为线性整流函数。
优选的,根据各异常程度子序列,得到各目标图像对应的各异常程度子序列对应的平均异常程度的方法,包括:
根据所述各目标图像对应的灰度直方图,统计所述灰度直方图中各灰度值对应的纵坐标;
根据所述各灰度值对应的纵坐标,得到所述各异常程度子序列中各异常程度对应的灰度值在对应的目标图像中出现的概率;
根据所述各异常程度子序列中各异常程度对应的灰度值在对应的目标图像中出现的概率和对应的各异常程度子序列中的各异常程度,得到各目标图像对应的各异常程度子序列对应的平均异常程度。
优选的,根据如下公式计算各目标图像对应的各异常程度子序列对应的平均异常程度:
其中,为第i个目标图像对应的第n个异常程度子序列对应的平均异常程度,为第i个目标图像对应的第n个异常程度子序列中第个异常程度对应的灰度值在对应的目标图像中出现的概率,为第i个目标图像对应的第n个异常程度子序列中的第个异常程度,C为第i个目标图像对应的第n个异常程度子序列中异常程度的数量。
优选的,根据各目标图像对应的灰度直方图,得到各目标图像对应的各异常程度子序列对应的目标概率的方法,包括:
计算所述各目标图像对应的各异常程度子序列中的各异常程度对应的灰度值在对应的目标图像中出现的概率之和;
计算1与所述概率之和之间的差值,将所述差值记为各目标图像对应的各异常程度子序列对应的目标概率。
优选的,根据所述平均异常程度和所述目标概率,得到各目标图像对应的目标异常程度序列的方法,包括:
以所述平均异常程度为纵坐标轴,以所述目标概率为横坐标轴,构建得到目标坐标系和目标坐标系中的各标准目标概率;
根据所述目标坐标系、平均异常程度和目标概率,确定各目标图像对应的各异常程度子序列对应的平均异常程度和目标概率在所述目标坐标系中的坐标位置,并利用样条插值法拟合得到各目标图像对应的关系曲线;
根据所述关系曲线,得到各目标图像对应的关系曲线上标准目标概率对应的平均异常程度;将所述各目标图像对应的关系曲线上标准目标概率对应的平均异常程度记为各目标图像对应的关系曲线上标准目标概率对应的目标平均异常程度;
根据所述各目标图像对应的关系曲线上标准目标概率的顺序和对应的各目标平均异常程度,构建得到各目标图像对应的目标异常程度序列。
优选的,根据任意两个所述目标异常程度序列之间的差异,得到目标批次对应的花生种子的方法,包括:
根据任意两个所述目标异常程度序列之间的差异,得到对应的任意两个目标图像对应的目标异常程度序列中相同标准目标概率对应的目标异常程度之间的差异指标;
根据所述差异指标,得到任意两个目标图像之间的优越程度;
根据所述优越程度,对所述各批次进行筛选,得到目标批次对应的花生种子。
优选的,根据如下公式计算任意两个目标图像对应的目标异常程度序列中相同标准目标概率对应的目标异常程度之间的差异指标:
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和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明基于图像处理的花生选种方法的流程图。
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、完整的描述,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,基于本发明实施例,本领域普通技术人员所获得的所有其它实施例,都属于本发明实施例保护的范围。
除非另有定义,本文所使用的所有的技术和科学技术语与属于本发明的技术人员通常理解的含义相同。
本实施例提供了基于图像处理的花生选种方法,详细说明如下:
如图1所示,该基于图像处理的花生批量选种方法,包括以下步骤:
步骤S001,获取各批次花生对应的目标图像,所述各批次花生包含多粒花生种子。
本实施例中,将数量相近的多个批次的花生种子放置在检测平台上,检测平台的背景色为白色,将相机布置在检测平台的上方,利用相机对各批次的花生种子进行图像采集,相机一次只采集一个批次花生种子的图像,一个批次包含多粒花生种子;根据上述图像采集的方式得到各批次花生种子对应的图像。
本实施例中,对得到的各批次花生种子对应的图像进行灰度化处理,利用大津自适应阈值算法得到灰度化处理后的各图像上花生种子与检测平台背景色之间最优的分割阈值;由于检测台的背景色为白色,对应的灰度值更高,因此对灰度化处理后的各图像进行二值化处理,得到灰度化处理后的各图像对应的二值化遮罩图像;所述二值化处理是将灰度化处理后的各图像上大于对应分割阈值的像素点标记为0,小于对应分割阈值的像素点标记为1;将各二值化遮罩图像与对应的灰度化处理后的各图像进行相乘操作,得到灰度化处理后的各图像上仅含有花生种子区域,将灰度化处理后的各图像上仅含有花生种子区域记为各批次花生种子对应的目标图像。
本实施例中,大津自适应阈值算法为现有技术,因此本实施例不做具体描述。
步骤S002,根据各目标图像对应的灰度直方图,得到各目标图像中各灰度值对应的异常程度。
本实施例中,当花生种子出现霉变等异常时,花生种子的颜色会加深,比较趋近于黑色,所以出现霉变等异常的花生种子区域的灰度值较小;并且各批次花生种子中出现霉变等异常的花生种子的数量较少;因此本实施例通过对各批次花生种子对应的目标图像上的灰度值进行分析,得到各目标图像中各灰度值对应的异常程度,将得到的各目标图像中各灰度值对应的异常程度作为后续得到各目标图像对应的异常程度序列的基础。
本实施例中,根据各目标图像中各像素点的灰度值,得到各目标图像对应的灰度直方图;根据各目标图像对应的灰度直方图,统计得到各目标图像对应的灰度直方图中的各灰度值和各目标图像对应的灰度直方图中最大纵坐标对应的灰度值;根据各目标图像对应的灰度直方图中最大纵坐标对应的灰度值与对应的灰度直方图中各灰度值之间的差值,得到各目标图像对应的灰度直方图中各灰度值对应的异常程度;根据如下公式计算各目标图像对应的灰度直方图中各灰度值对应的异常程度:
其中,A i,j 为第i个目标图像对应的灰度直方图中第j个灰度值对应的异常程度,为第i个目标图像对应的灰度直方图中最大纵坐标对应的灰度值,h i 为第i个目标图像对应的灰度直方图中的第j个灰度值,relu()为线性整流函数;当relu()里面的值小于或者等于0时, A i,j 的值为0,当relu()里面的值大于0时,A i,j 的值为;本实施例中A i,j 的值越大,表明第i个目标图像对应的灰度直方图中第j个灰度值越异常。
本实施例中,通过上述过程得到各目标图像对应的灰度直方图中各灰度值对应的异常程度,将各目标图像对应的灰度直方图中各灰度值对应的异常程度记为各目标图像中各灰度值对应的异常程度。
步骤S003,将所述各目标图像中各灰度值对应的异常程度进行排序,得到各目标图像对应的异常程度序列;依次判断所述异常程度序列中的各异常程度是否大于预设异常程度阈值,若是,将对应的异常程度剔除;将每次剔除之后的异常程度序列记为各目标图像对应的异常程度子序列。
本实施例中,通过分析各目标图像中各灰度值对应的异常程度与预设异常程度阈值的关系,依次对各目标图像中不符合要求的各灰度值进行剔除,并将各目标图像中依次剔除之后剩余的各灰度值对应的异常程度作为后续分析计算各目标图像对应的平均异常程度序列的基础。
本实施例中,将上述得到的各目标图像中各灰度值对应的异常程度按照从大到小的顺序进行排序,根据排序的结果,构建得到各目标图像对应的异常程度序列;依次判断各目标图像对应的异常程度序列中的各异常程度是否大于预设异常程度阈值,若是,将对应的异常程度剔除;将每次剔除之后的各目标图像对应的异常程度序列记为各目标图像对应的异常程度子序列;具体过程为:判断某个目标图像对应的异常程度序列中的第一个异常程度是否大于预设程度阈值,若是,对该异常程度序列进行第一次剔除,即将该异常程度序列中的第1个异常程度剔除,并将第一次剔除之后的异常程度序列记为该目标图像对应的第一异常程度子序列;之后继续判断该目标图像对应的异常程度序列中的第二个异常程度是否大于预设程度阈值,若是,在第一次剔除的基础上继续对该异常程度序列进行第二次剔除,即也将该异常程度序列中的第2个异常程度剔除,将第二次剔除之后的异常程度序列记为该目标图像对应的第二异常程度子序列;依次类推,可以得到每次剔除之后该目标图像对应的异常程度子序列,即剔除一次得到一个该目标图像对应的异常程度子序列。
本实施例中,根据实际情况对预设异常程度阈值进行设置;本实施例中,根据上述过程中得到的每次剔除之后各目标图像对应的异常程度子序列,得到各目标图像对应的各异常程度子序列。
步骤S004,根据各异常程度子序列,得到各目标图像对应的各异常程度子序列对应的平均异常程度;根据各目标图像对应的灰度直方图,得到各目标图像对应的各异常程度子序列对应的目标概率。
本实施例中,通过对各目标图像对应的各异常程度子序列进行分析,得到各目标图像对应的各异常程度子序列对应的平均异常程度;之后通过对各目标图像对应的灰度直方图进行分析,得到各目标图像对应的各异常程度子序列对应的目标概率;将得到的平均异常程度和目标概率作为后续分析计算各目标图像对应的目标异常程度序列的基础。
(a)根据各目标图像对应的各异常程度子序列,得到各目标图像对应的各异常程度子序列对应的平均异常程度的具体过程为:
本实施例中,根据各目标图像对应的灰度直方图,统计得到各目标图像对应的灰度直方图中的各灰度值对应的纵坐标;根据各目标图像对应的灰度直方图中的各灰度值对应的纵坐标,得到各目标图像对应的各异常程度子序列中各异常程度对应的灰度值在对应的目标图像中出现的概率;根据各目标图像对应的各异常程度子序列中各异常程度对应的灰度值在对应的目标图像出现的概率和对应的各异常程度子序列中的各异常程度,得到各目标图像对应的各异常程度子序列对应的平均异常程度;根据如下公式计算各目标图像对应的各异常程度子序列对应的平均异常程度:
其中,为第i个目标图像对应的第n个异常程度子序列对应的平均异常程度,为第i个目标图像对应的第n个异常程度子序列中第个异常程度对应的灰度值在对应的目标图像中出现的概率,为第i个目标图像对应的第n个异常程度子序列中的第个异常程度,C为第i个目标图像对应的第n个异常程度子序列中异常程度的数量。
(b)根据各目标图像对应的灰度直方图,得到各目标图像对应的各异常程度子序列对应的目标概率的具体过程为:
本实施例中,计算各目标图像对应的各异常程度子序列中的各异常程度对应的灰度值在对应的目标图像中出现的概率之和;之后计算1与各目标图像对应的各异常程度子序列中的各异常程度对应的灰度值在对应的目标图像中出现的概率之和之间的差值;将所述差值记为各目标图像对应的各异常程度子序列对应的目标概率。
步骤S005,根据所述平均异常程度和所述目标概率,得到各目标图像对应的目标异常程度序列。
本实施例中,通过对各目标图像对应的各异常程度子序列对应的平均异常程度和对应的异常程度子序列对应的目标概率进行分析,得到各目标图像对应的目标异常程度序列;将得到的各目标图像对应的目标异常程度序列作为后续对各批次进行筛选的基础。
本实施例中,以平均异常程度为纵坐标轴,以目标概率为横坐标轴,构建得到目标坐标系,并确定目标坐标系上的各标准目标概率;所述标准目标概率为目标坐标系上设定的横坐标值;之后找到各目标图像对应的各异常程度子序列对应的平均异常程度和目标概率在目标坐标系中的坐标位置,并利用样条插值法得到各目标图像对应的关系曲线;根据各目标图像对应的关系曲线,得到各目标图像对应的关系曲线上标准目标概率对应的平均异常程度,将各目标图像对应的关系曲线上标准目标概率对应的平均异常程度记为各目标图像对应的关系曲线上标准目标概率对应的目标平均异常程度。本实施例中,将目标坐标系上标准目标概率的个数设置为10个,分别为[0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9、1];例如,根据第i个目标图像对应的关系曲线,得到第i个目标图像对应的关系曲线上标准目标概率对应的目标平均异常程度,[(0.1,),…,(1,)],其中,0.1为第i个目标图像对应的关系曲线上的第1个标准目标概率,为第i个目标图像对应的关系曲线上第1个标准目标概率对应的目标平均异常程度; 1为第个目标图像对应的关系曲线上第10个标准目标概率,为第i个目标图像对应的关系曲线上第10个标准目标概率对应的目标平均异常程度。
作为其它的实施方式,也可以在目标坐标系上设置不同数量或者不同数值的标准目标概率,例如可以将目标坐标系上标准目标概率的数量设置为5,分别为0.2、0.4、0.6、0.8、1。
本实施例中,通过上述过程可以得到各目标图像对应的各目标平均异常程度;根据各目标图像对应的关系曲线上标准目标概率的顺序和对应的各目标平均异常程度,构建得到各目标图像对应的目标异常程度序列。
步骤S006,根据任意两个所述目标异常程度序列之间的差异,得到目标批次对应的花生种子。
本实施例中,对任意两个目标图像对应的目标异常程度序列进行分析,根据分析的结果对各批次进行筛选,得到目标批次对应的花生种子。
本实施例中,根据任意两个目标图像对应的目标异常程度序列中相同标准目标概率对应的目标异常程度之间的差异,得到该任意两个目标图像对应的目标异常程度序列中相同标准目标概率对应的目标异常程度之间差异指标;例如根据第i个目标图像对应的目标异常程度序列中第r个目标异常程度与第t个目标图像对应的目标异常程度序列中第r个目标异常程度之间的差异,得到第i个目标图像对应的目标异常程度序列中第r个目标异常程度与第t个目标图像对应的目标异常程度序列中第r个目标异常程度之间的差异指标;根据如下公式计算第i个目标图像对应的目标异常程度序列中第r个目标异常程度与第t个目标图像对应的目标异常程度序列中第r个目标异常程度之间的差异指标:
其中,为第i个目标图像对应的目标异常程度序列中第r个目标异常程度与第t个目标图像对应的目标异常程度序列中第r个目标异常程度之间的差异指标,为第i个目标图像对应的目标异常程度序列中第r个目标异常程度,为第t个目标图像对应的目标异常程度序列中第r个目标异常程度。
本实施例中,根据第i个目标图像对应的目标异常程度序列中第r个目标异常程度与第t个目标图像对应的目标异常程度序列中第r个目标异常程度之间的差异指标,得到第i个目标图像相较于第t个目标图像的优越程度;根据如下公式计算第i个目标图像相较于第t个目标图像的优越程度:
本实施例中,通过上述过程可以得到任意两个目标图像之间的优越程度,根据任意两个目标图像之间的优越程度,得到最优越的目标图像对应的批次的花生种子,将最优越的目标图像对应的批次的花生种子记为目标批次对应的花生种子。
本实施例中,上述得到的目标批次对应的花生种子中也可能会存在少量的质量较差的异常种子,之后可利用现有的质量检测方法从目标批次对应的花生种子中将质量较差的异常种子挑选出来,挑选出来之后剩余的目标批次中花生种子的质量符合作为花生种子的质量;因为目标批次已经是各批次中的最优批次,因此也可以直接选取目标批次对应的花生种子。
本实施例中,可以利用花生种子单独质量检测的方式从目标批次对应的花生种子中将质量较差的异常种子挑选出来。
有益效果:本实施例将各目标图像对应的各异常程度子序列作为得到各目标图像对应的各异常程度子序列对应的平均异常程度的依据;将各目标图像对应的灰度直方图作为得到各目标图像对应的各异常程度子序列对应的目标概率的依据;将各目标图像对应的各异常程度子序列对应的平均异常程度和目标概率作为得到各目标图像对应的目标异常程度序列的依据;将任意两个目标异常程度序列之间的差异作为得到目标批次对应的花生种子的依据;本实施为一种批量选种的方法相较于对花生种子进行单独质量检测挑选种子的方式能够提高花生选种的效率。
需要说明的是,上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣,在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。
Claims (4)
1.基于图像处理的花生选种方法,其特征在于,该方法包括如下步骤:
获取各批次花生对应的目标图像,所述各批次花生包含多粒花生种子;
根据各目标图像对应的灰度直方图,得到各目标图像中各灰度值对应的异常程度;
将所述各目标图像中各灰度值对应的异常程度进行排序,得到各目标图像对应的异常程度序列;依次判断所述异常程度序列中的各异常程度是否大于预设异常程度阈值,若是,将对应的异常程度剔除;将每次剔除之后的异常程度序列记为各目标图像对应的异常程度子序列;
根据各异常程度子序列,得到各目标图像对应的各异常程度子序列对应的平均异常程度;根据各目标图像对应的灰度直方图,得到各目标图像对应的各异常程度子序列对应的目标概率;
根据所述平均异常程度和所述目标概率,得到各目标图像对应的目标异常程度序列;
根据任意两个所述目标异常程度序列之间的差异,得到目标批次对应的花生种子;
所述根据各目标图像对应的灰度直方图,得到各目标图像中各灰度值对应的异常程度的方法,包括:
根据各目标图像对应的灰度直方图,统计得到各目标图像对应的灰度直方图中的各灰度值和对应的灰度直方图中最大纵坐标对应的灰度值;
根据所述灰度直方图中最大纵坐标对应的灰度值与对应的灰度直方图中各灰度值之间的差异,得到各目标图像对应的灰度直方图中各灰度值对应的异常程度;
根据所述各目标图像对应的灰度直方图中各灰度值对应的异常程度,得到各目标图像中各灰度值对应的异常程度;
所述根据各异常程度子序列,得到各目标图像对应的各异常程度子序列对应的平均异常程度的方法,包括:
根据所述各目标图像对应的灰度直方图,统计所述灰度直方图中各灰度值对应的纵坐标;
根据所述各灰度值对应的纵坐标,得到所述各异常程度子序列中各异常程度对应的灰度值在对应的目标图像中出现的概率;
根据所述各异常程度子序列中各异常程度对应的灰度值在对应的目标图像中出现的概率和对应的各异常程度子序列中的各异常程度,得到各目标图像对应的各异常程度子序列对应的平均异常程度;
所述根据各目标图像对应的灰度直方图,得到各目标图像对应的各异常程度子序列对应的目标概率的方法,包括:
计算所述各目标图像对应的各异常程度子序列中的各异常程度对应的灰度值在对应的目标图像中出现的概率之和;
计算1与所述概率之和之间的差值,将所述差值记为各目标图像对应的各异常程度子序列对应的目标概率;
所述根据所述平均异常程度和所述目标概率,得到各目标图像对应的目标异常程度序列的方法,包括:
以所述平均异常程度为纵坐标轴,以所述目标概率为横坐标轴,构建得到目标坐标系和目标坐标系中的各标准目标概率;
根据所述目标坐标系、平均异常程度和目标概率,确定各目标图像对应的各异常程度子序列对应的平均异常程度和目标概率在所述目标坐标系中的坐标位置,并利用样条插值法拟合得到各目标图像对应的关系曲线;
根据所述关系曲线,得到各目标图像对应的关系曲线上标准目标概率对应的平均异常程度;将所述各目标图像对应的关系曲线上标准目标概率对应的平均异常程度记为各目标图像对应的关系曲线上标准目标概率对应的目标平均异常程度;
根据所述各目标图像对应的关系曲线上标准目标概率的顺序和对应的各目标平均异常程度,构建得到各目标图像对应的目标异常程度序列;
所述根据任意两个所述目标异常程度序列之间的差异,得到目标批次对应的花生种子的方法,包括:
根据任意两个所述目标异常程度序列之间的差异,得到对应的任意两个目标图像对应的目标异常程度序列中相同标准目标概率对应的目标异常程度之间的差异指标;
根据所述差异指标,得到任意两个目标图像之间的优越程度;
根据所述优越程度,对所述各批次进行筛选,得到目标批次对应的花生种子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210090563.9A CN114119613B (zh) | 2022-01-26 | 2022-01-26 | 基于图像处理的花生选种方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210090563.9A CN114119613B (zh) | 2022-01-26 | 2022-01-26 | 基于图像处理的花生选种方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114119613A CN114119613A (zh) | 2022-03-01 |
CN114119613B true CN114119613B (zh) | 2022-04-22 |
Family
ID=80361411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210090563.9A Active CN114119613B (zh) | 2022-01-26 | 2022-01-26 | 基于图像处理的花生选种方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114119613B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114937077A (zh) * | 2022-04-22 | 2022-08-23 | 南通荣华包装材料有限公司 | 一种花生种子筛选方法 |
CN115205319B (zh) * | 2022-09-19 | 2023-01-10 | 山东省金春雨种业科技有限公司 | 用于选种过程中的种子特征提取及分类方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169580A (zh) * | 2011-04-08 | 2011-08-31 | 中国船舶重工集团公司第七○二研究所 | 利用图像统计特征的自适应图像处理方法 |
CN113808135A (zh) * | 2021-11-19 | 2021-12-17 | 北京的卢深视科技有限公司 | 图像亮度异常检测方法、电子设备及存储介质 |
CN113935998A (zh) * | 2021-12-16 | 2022-01-14 | 武汉帕克橡塑制品有限公司 | 一种基于机器视觉的橡塑件花斑检测方法 |
CN113934190A (zh) * | 2021-12-17 | 2022-01-14 | 武汉春田纸品包装有限公司 | 一种基于机器视觉的瓦楞纸板生产质量调控方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011039918A (ja) * | 2009-08-17 | 2011-02-24 | Sony Corp | 画像処理装置、および画像処理方法、並びにプログラム |
CN109726364B (zh) * | 2018-07-06 | 2023-01-10 | 平安科技(深圳)有限公司 | 用电量异常检测方法、装置、终端及计算机可读存储介质 |
CN113688890A (zh) * | 2021-08-13 | 2021-11-23 | 上海商汤智能科技有限公司 | 异常检测方法、装置、电子设备及计算机可读存储介质 |
-
2022
- 2022-01-26 CN CN202210090563.9A patent/CN114119613B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169580A (zh) * | 2011-04-08 | 2011-08-31 | 中国船舶重工集团公司第七○二研究所 | 利用图像统计特征的自适应图像处理方法 |
CN113808135A (zh) * | 2021-11-19 | 2021-12-17 | 北京的卢深视科技有限公司 | 图像亮度异常检测方法、电子设备及存储介质 |
CN113935998A (zh) * | 2021-12-16 | 2022-01-14 | 武汉帕克橡塑制品有限公司 | 一种基于机器视觉的橡塑件花斑检测方法 |
CN113934190A (zh) * | 2021-12-17 | 2022-01-14 | 武汉春田纸品包装有限公司 | 一种基于机器视觉的瓦楞纸板生产质量调控方法 |
Non-Patent Citations (2)
Title |
---|
The Analysis of Digital Mammograms Using HOG and GLCM Features;Krishna Chaitanya Tatikonda,and etc;《2018 9th International Conference on Computing, Communication and Networking Technologies (ICCCNT)》;20181018;第1-7页 * |
基于机器视觉的花生完善性检测研究;王雪晴等;《鄂州大学学报》;20200331;第27卷(第2期);第98-100页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114119613A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114119613B (zh) | 基于图像处理的花生选种方法 | |
CN109636824B (zh) | 一种基于图像识别技术的多目标计数方法 | |
CN115994907B (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
CN115035518B (zh) | 细胞核图像中荧光染色信号点的识别方法和装置 | |
CN111047577B (zh) | 一种畸形尿红细胞分类统计方法与系统 | |
CN105320970A (zh) | 一种马铃薯病害诊断装置、诊断系统及诊断方法 | |
CN111292347B (zh) | 一种基于图像处理技术的显微图像炭疽孢子密度计算方法 | |
CN116309599A (zh) | 基于污水前置处理的水质视觉监测方法 | |
CN117745715B (zh) | 基于人工智能的大口径望远镜镜片缺陷检测方法 | |
CN114937006A (zh) | 一种基于图像增强的锤头精细化缺陷检测方法 | |
CN116977230B (zh) | 一种扫描电子显微镜图像优化增强方法 | |
CN110288540B (zh) | 一种碳纤维导线x射线图像在线成像标准化方法 | |
CN110929740A (zh) | 一种基于lgbm模型的舌质舌苔分离方法 | |
CN116206208A (zh) | 一种基于人工智能的林业病虫害快速分析系统 | |
CN115862121A (zh) | 基于多媒体资源库的人脸快速匹配方法 | |
CN111667509B (zh) | 目标与背景颜色相似下的运动目标自动跟踪方法及系统 | |
CN112613521B (zh) | 基于数据转换的多层次数据分析系统及方法 | |
CN110348452B (zh) | 一种图像二值化处理方法及其系统 | |
CN111368625B (zh) | 一种基于级联优化的行人目标检测方法 | |
CN114554188A (zh) | 基于图像传感器像素阵列的手机摄像头检测方法及装置 | |
CN106682617A (zh) | 一种基于频谱段信息的图像清晰与模糊判别特征提取方法 | |
CN113537410A (zh) | 一种通用的深度学习正样本自动均衡方法 | |
CN117974633A (zh) | 基于图像处理的番茄病虫害智能检测方法 | |
CN116597318B (zh) | 基于遥感影像的灌区耕地精准提取方法、设备及存储介质 | |
CN117522867B (zh) | 基于图像特征的显示屏异常颜色检测方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Method of peanut seed selection based on image processing Effective date of registration: 20221123 Granted publication date: 20220422 Pledgee: Bank of China Limited Sishui sub branch Pledgor: Shandong Huifeng peanut food Limited by Share Ltd. Registration number: Y2022980023288 |