CN115147423B - 基于改进的链码法的棉花顶检测方法 - Google Patents
基于改进的链码法的棉花顶检测方法 Download PDFInfo
- Publication number
- CN115147423B CN115147423B CN202211081163.8A CN202211081163A CN115147423B CN 115147423 B CN115147423 B CN 115147423B CN 202211081163 A CN202211081163 A CN 202211081163A CN 115147423 B CN115147423 B CN 115147423B
- Authority
- CN
- China
- Prior art keywords
- cotton plant
- chain code
- window
- boundary point
- boundary
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 241001115843 Digitaria californica Species 0.000 title claims abstract description 25
- 235000019005 Digitaria californica Nutrition 0.000 title claims abstract description 24
- 240000002024 Gossypium herbaceum Species 0.000 claims abstract description 115
- 235000004341 Gossypium herbaceum Nutrition 0.000 claims abstract description 115
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 244000304921 Charybdis maritima Species 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 238000013500 data storage Methods 0.000 abstract 1
- 229920000742 Cotton Polymers 0.000 description 14
- 241000219146 Gossypium Species 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge 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
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理领域,具体涉及一种基于改进的链码法的棉花顶检测方法。包括:采集棉花株顶轮廓二值图像;获取棉花株顶轮廓中每一个边界点的链码方向;以第一个边界点为中心设置窗口,获取下一个边界点的链码方向,判断每次窗口步长增加后下一边界点的链码方向与该边界点是否相同,若相同,将方向相同的连续边界点的链码合并;若不同,以不同的边界点设置窗口,遍历所有边界点的链码;计算棉花株顶的几何特征,将几何特征输入神经网络进行训练,检测棉花株顶图像中的棉花株顶轮廓区域。本发明利用动态窗口压缩链码长度,大大减少了数据存储,从而在优化计算结果的同时保证对叶的特征提取更精确。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种基于改进的链码法的棉花顶检测方法。
背景技术
棉花是我国非常重要的农作物之一,是农业生产的四类基础农产品,国内每年棉花的消耗量和进口量均非常庞大,基于精确农业技术的前提下,棉花的种植和管理技术也实现了高度自动化控制,棉花不同于其他植物,它有独特的生长特性即有无限生长的特点,为控制株高和后期无效果枝的生长,打顶是一项有效的措施,研究和生产实践证明,通过摘除顶心,能控制主茎的生长。
目前,棉花打顶技术有人工打顶、化学封顶和机械打顶等3种方法。人工打顶掐掉顶芽及部分幼嫩叶片,费工费时,劳动效率低,制约了棉花生产轻简化、规模化、精准化和机械化作业;自动化去顶技术因为棉花顶的形状不规则、枝叶娇嫩,易损毁等特性,难以得到应用,现有的棉花打顶设备在进行打顶工作时,经常会对棉花植株的其他枝叶造成损伤,会影响棉花产量和经济收益,所以还需要针对精准打顶进行深入研究。
因此,本发明提出了一种基于改进的链码法的棉花顶检测方法,通过对传统的链码法进行优化获取棉花株顶轮廓,并利用神经网络检测棉花株顶的两叶一芽轮廓区域。
发明内容
本发明提供一种基于改进的链码法的棉花顶检测方法,以解决现有的问题,包括:
采集棉花株顶轮廓图像;获取棉花株顶轮廓中每一个边界点的链码方向;以第一个边界点为中心设置窗口,获取下一个边界点的链码方向,判断每次窗口步长增加后下一边界点的链码方向与该边界点是否相同,若相同,将方向相同的连续边界点的链码合并;若不同,保留该不同边界点的链码,以不同的边界点为新的中心设置窗口,重复遍历所有边界点的链码;计算棉花株顶的几何特征,将几何特征输入神经网络进行训练,检测棉花株顶图像中的棉花株顶轮廓区域。
根据本发明提出的技术手段,通过对图像进行预处理,将棉花株顶两叶一芽的轮廓图像进行合并,克服了传统链码法只能跟踪一部分轮廓的局限性,同时利用动态窗口压缩链码长度,大大减少了数据的存储量,从而在优化计算结果的同时保证对棉花株顶轮廓的特征提取更精确,能够大大提高自动化棉花打顶的精确度。
本发明采用如下技术方案,一种基于改进的链码法的棉花顶检测方法,包括:
S1.采集棉花株顶灰度图像并二值化,将所述棉花株顶二值图像中两叶一芽轮廓区域进行合并,得到棉花株顶轮廓二值图像。
S2.利用链码法对棉花株顶轮廓二值图像进行编码,得到棉花株顶轮廓每一个边界点的链码。
S3.以棉花株顶轮廓中的第一个边界点为中心设置初始窗口,获取该初始窗口中下一个边界点的链码方向,若窗口中下一边界点的链码方向与该边界点的链码方向相同,增加初始窗口步长;若下一边界点的链码方向与该边界点的链码方向不同,以不同的边界点为新的中心利用初始窗口再次进行遍历,直至将所有边界点的链码遍历完成;得到遍历过程中所有窗口的步长及每个窗口中所包含的链码。
S4. 将获得的每一个窗口中所包含的链码进行合并得到遍历后棉花株顶轮廓中新的边界点链码。
S5.利用得到的棉花株顶轮廓中新的边界点链码及每个窗口的步长获取棉花株顶轮廓区域的几何特征。
S6.将所述棉花株顶轮廓区域的几何特征作为神经网络的输入,将棉花株顶轮廓区域标记图像作为输出对神经网络进行训练,利用训练好的神经网络对棉花株顶图像中的棉花株顶轮廓区域进行检测。
进一步的,一种基于改进的链码法的棉花顶检测方法,将所述棉花株顶二值图像中两叶一芽轮廓区域进行合并的方法为:
获取棉花株顶灰度图像中两叶一芽轮廓区域的最小外接矩形,将两叶一芽轮廓区域的最小外接矩形中所有像素点标记为1,获取芽的最小外接矩形左侧中点坐标F(x,y),和右侧中点坐标J(x,y);
获取左叶最小外接矩形的左侧中点坐标G(x,y),获取右叶最小外接矩形的右侧中点坐标H(x,y);
进一步的,一种基于改进的链码法的棉花顶检测方法,以棉花株顶轮廓中的第一个边界点为中心设置初始窗口,获取该初始窗口中下一个边界点的链码方向的方法为:
以绵花株顶轮廓的第一个边界点为窗口中心建立窗口,所述窗口大小为(n+2i)x(n+2i),其中,n为窗口的初始大小,i为窗口步长;顺时针遍历该窗口的八邻域,获取邻域中下一个边界点的链码方向。
进一步的,一种基于改进的链码法的棉花顶检测方法,将获得的每一个窗口中所包含的链码进行合并的方法为:
获取同一窗口中每次增加窗口步长后遍历得到的所有链码方向相同的边界点,将所有边界点的链码合并,根据合并后的链码表示该窗口中所有边界点的链码。
进一步的,一种基于改进的链码法的棉花顶检测方法,得到遍历后棉花株顶轮廓中新的边界点链码后,还包括:
获取遍历后得到的棉花株顶轮廓中所有边界点的坐标,计算两两相邻边界点的距离,根据两两相邻边界点的距离取值范围筛选离散点;
进一步的,一种基于改进的链码法的棉花顶检测方法,计算棉花株顶的几何特征的方法为:
所述棉花株顶的几何特征包括棉花株顶的矩形度、叶形比以及圆形度;
根据棉花株顶轮廓所有边界点的链码及对应边界点的窗口步长计算棉花株顶轮廓的周长和面积,根据棉花株顶轮廓最小外接矩形的坐标计算叶片的高度和宽度;
根据棉花株顶轮廓的周长、面积、叶片的高度以及宽度计算得到棉花株顶的几何特征。
进一步的,一种基于改进的链码法的棉花顶检测方法,对神经网络进行训练的方法为:
将得到的棉花株顶矩形度、叶形比和圆形度作为向量信号输入BP模型神经网络,设置BP模型神经网络的信号节点识别参数,将棉花株顶轮廓人工标注图像作为输出训练神经网络,利用训练好的神经网络对棉花顶株图像进行特征识别,当确定目标棉花顶后进行矩形框标定,得到棉花株顶轮廓区域。
本发明的有益效果是:根据本发明提出的技术手段,通过对图像进行预处理,将棉花株顶两叶一芽的轮廓图像进行合并,克服了传统链码法只能跟踪一部分轮廓的局限性,同时利用动态窗口压缩链码长度,大大减少了数据的存储量,从而在优化计算结果的同时保证对棉花株顶轮廓的特征提取更精确,能够大大提高自动化棉花打顶的精确度。
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,下面将对实施例或现有技术描述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为本发明实施例的一种基于改进的链码法的棉花顶检测方法结构示意图;
图2为图1中利用链码法对棉花株顶轮廓进行编码的方法结构示意图。
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。
如图1所示,给出了本发明实施例的一种基于改进的链码法的棉花顶检测方法结构示意,包括:
S1. 采集棉花株顶灰度图像并二值化,将所述棉花株顶二值图像中两叶一芽轮廓区域进行合并,得到棉花株顶轮廓二值图像。
本发明通过固定在可移动打顶机上的相机获取棉花株顶两叶一芽的彩色图片,对得到的彩色图选用加权平均法进行灰度处理。
由于室外环境的光影变化或者拍摄设备的设置等外界条件影响,导致在进行图像采集、发送以及图像转换时,采集的棉花顶样本图像不可避免的会被光照不均、硬件抖动或电磁波噪声等因素干扰,本方案采用高斯滤波来对图像进行降噪处理,在过滤掉白噪声的同时较完整的保留边缘轮廓信息。
经过高斯滤波处理后的棉花图像清晰度不强,所以要进行图像增强,即对图像上表示的有效信息进行综合增强,改善具体图像的视觉可观性和整体视觉效果,提高具体图像的视觉清晰度。
本方案采用灰度增强变换对处理后的图像进行增强,并采用自适应阈值分割法中的最大类间方差阈值分割,对处理后的图片进行前后景分割,进而对图像进行二值化。
采集棉花株顶灰度图像并进行图像预处理的方法为:
获取棉花株顶灰度图像中两叶一芽轮廓区域的最小外接矩形,将两叶一芽轮廓区域的最小外接矩形中所有像素点标记为1,获取芽的最小外接矩形左侧中点坐标F(x,y),和右侧中点坐标J(x,y);
获取左叶最小外接矩形的左侧中点坐标G(x,y),获取右叶最小外接矩形的右侧中点坐标H(x,y);
S2.利用链码法对棉花株顶轮廓二值图像进行编码,得到棉花株顶轮廓每一个边界点的链码。
链码法的具体的施行步骤如图2所示,具体为:
S21.定位边界起点,按先从左到右,再从上到下逐像素探测的方法搜寻到第一个边界点,找到第一个边界点,记录链码,因为一直是从左往右,因此第一个边界点的链码为0。
S22.确定探测始点,原则上探测始点只要设为当前边界点8邻点中的被跟踪对象区域外部点即可,具体过程是:由当前边界点指向上一个边界点构成一个矢量方向,再由此方向顺时针旋转45度,得到的当前边界点的8邻点中的点即为第一个外部点,由此点开始,按顺时针方向探测8邻域。
S23.确定下一边界点,对该边界点重复第二步,以轮廓初始点为起点,从探测始点开始顺时针检测,找到下一边界点,找到下一边界点后将进入该点的链码值存入链码表,并将该边界点置为当前边界点,重复第二步,第三步,直到回到轮廓初始点。
S3. 以棉花株顶轮廓中的第一个边界点为中心设置初始窗口,获取该初始窗口中下一个边界点的链码方向,若窗口中下一边界点的链码方向与该边界点的链码方向相同,增加初始窗口步长;若下一边界点的链码方向与该边界点的链码方向不同,以不同的边界点为新的中心利用初始窗口再次进行遍历,直至将所有边界点的链码遍历完成;得到遍历过程中所有窗口的步长及每个窗口中所包含的链码。
判断每次窗口步长增加后的窗口中下一边界点的链码方向与该边界点的链码方向是否相同,若相同,将每次增加窗口步长后链码方向相同的连续边界点的链码合并;获取所有链码合并后边界点的窗口步长。
以棉花株顶轮廓的第一个边界点为中心设置窗口进行遍历的方法为:
以绵花株顶轮廓的第一个边界点为窗口中心建立窗口,所述窗口大小为(n+2i)x(n+2i),其中,n为窗口的初始大小,i为窗口步长,初始值为1;顺时针遍历该窗口的八邻域,获取邻域中下一个边界点的链码方向,由于本发明采用8邻域链码法,所以n的初始值为3。
若进入新探测到的边界点的链码方向与进入上一边界点的链码方向相同,则链码表中不存入新的链码方向,链码长度保持不变;动态扩大窗口步长,即i=i+1=2,新的窗口大小为(3+2i)x(3+2i)=7x7,此时,以(n+i)x(n+i)即5x5窗口作为新的网格,将网格拟化为一个中心点,顺时针探索网格周围邻域,若链码方向仍不变,则重复上述步骤。
若新探测到的边界点的链码方向与进入上一边界点的链码方向不同,记录此时步长i的取值,并将i重新置为1;记录新的链码方向,更新链码表长度,得到新的链码串;将该点坐标存入新的边界轮廓坐标集合P1{…},其中P1{…}中的第一个值默认为第一个边界点的坐标,以新探测到的边界点为新的中心点,执行链码法。
S4. 将获得的每一个窗口中所包含的链码进行合并得到遍历后棉花株顶轮廓中新的边界点链码。
将每次增加窗口步长后链码方向相同的连续边界点的链码合并的方法为:
获取每次增加窗口步长后遍历得到的所有链码方向相同的边界点,将所有边界点的链码合并,利用合并后的链码表示所有边界点的链码。
获取遍历后得到的棉花株顶轮廓中所有边界点的链码方向后,还包括:
获取遍历后得到的棉花株顶轮廓中所有边界点的坐标作为边界轮廓坐标集合P1{…},计算两两相邻边界点的距离,根据两两相邻边界点的距离取值范围筛选离散点;
S5. 利用得到的棉花株顶轮廓中新的边界点链码及每个窗口的步长获取棉花株顶轮廓区域的几何特征。
计算棉花株顶的几何特征的方法为:
所述棉花株顶的几何特征包括棉花株顶的矩形度、叶形比以及圆形度;
根据棉花株顶轮廓所有边界点的链码及对应边界点的窗口步长计算棉花株顶轮廓的周长和面积,根据棉花株顶轮廓最小外接矩形的坐标计算叶片的高度和宽度;
计算高度和宽度的方法为:对图像进行链码化后,求(x,y)方向上最小外接矩形的方法即为找到链码中的Xmax,Xmin, Ymax, Ymin。 那么点(Xmin,Ymin) 和(Xmax, Ymax)分别就是矩形的左上和右下角,从而计算出叶片的高度和宽度。
根据棉花株顶轮廓的周长、面积、叶片的高度以及宽度计算得到棉花株顶的几何特征。
S6.将所述棉花株顶轮廓区域的几何特征作为神经网络的输入,将棉花株顶轮廓区域标记图像作为输出对神经网络进行训练,利用训练好的神经网络对棉花株顶图像中的棉花株顶轮廓区域进行检测。
将所述棉花株顶的几何特征输入神经网络进行训练的方法为:
将得到的棉花株顶矩形度、叶形比和圆形度作为向量信号输入BP模型神经网络,设置BP模型神经网络的信号节点识别参数对棉花顶株特征图像中的信号节点进行特征识别,当确定目标棉花顶后进行矩形框标定。
借助于BP神经网络进行训练时,本发明的训练样本是采集的棉株顶样本图像集,基于标准BP神经网络识别实验共有500张训练样本,其中随机选取的训练样本为400张和选取的测试样本为100张。
根据本发明提出的技术手段,通过对图像进行预处理,将棉花株顶两叶一芽的轮廓图像进行合并,克服了传统链码法只能跟踪一部分轮廓的局限性,同时利用动态窗口压缩链码长度,大大减少了数据的存储量,从而在优化计算结果的同时保证对棉花株顶轮廓的特征提取更精确,能够大大提高自动化棉花打顶的精确度。
以上所述仅为本发明的较佳实施例而已,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 (6)
1.一种基于改进的链码法的棉花顶检测方法,其特征在于,包括:
S1.采集棉花株顶灰度图像并二值化,将所述棉花株顶二值图像中两叶一芽轮廓区域进行合并,得到棉花株顶轮廓二值图像;将棉花株顶二值图像中两叶一芽轮廓区域进行合并的方法为:
获取棉花株顶灰度图像中两叶一芽轮廓区域的最小外接矩形,将两叶一芽轮廓区域的最小外接矩形中所有像素点标记为1,获取芽的最小外接矩形左侧中点坐标F(x,y),和右侧中点坐标J(x,y);
获取左叶最小外接矩形的左侧中点坐标G(x,y),获取右叶最小外接矩形的右侧中点坐标H(x,y);
S2.利用链码法对棉花株顶轮廓二值图像进行编码,得到棉花株顶轮廓每一个边界点的链码;链码法的具体的施行步骤具体为:
S21.定位边界起点,按先从左到右,再从上到下逐像素探测的方法搜寻到第一个边界点,找到第一个边界点,记录链码,因为一直是从左往右,因此第一个边界点的链码为0;
S22.确定探测始点,由当前边界点指向上一个边界点构成一个矢量方向,再由此方向顺时针旋转45度,得到的当前边界点的8邻点中的点即为探测始点;
S23.从探测始点开始顺时针检测,找到下一边界点,找到下一边界点后将进入该点的链码值存入链码表,并将该边界点置为当前边界点;重复步骤S22-S23,直到回到第一个边界点;
S3.以棉花株顶轮廓中的第一个边界点为中心设置初始窗口,获取该初始窗口中下一个边界点的链码方向,若窗口中下一边界点的链码方向与该边界点的链码方向相同,增加初始窗口步长;若下一边界点的链码方向与该边界点的链码方向不同,以不同的边界点为新的中心利用初始窗口再次进行遍历,直至将所有边界点的链码遍历完成;得到遍历过程中所有窗口的步长及每个窗口中所包含的链码;
S4. 将获得的每一个窗口中所包含的链码进行合并得到遍历后棉花株顶轮廓中新的边界点链码;
S5.利用得到的棉花株顶轮廓中新的边界点链码及每个窗口的步长获取棉花株顶轮廓区域的几何特征;
S6.将所述棉花株顶轮廓区域的几何特征作为神经网络的输入,将棉花株顶轮廓区域标记图像作为输出对神经网络进行训练,利用训练好的神经网络对棉花株顶图像中的棉花株顶轮廓区域进行检测。
2.根据权利要求1所述的一种基于改进的链码法的棉花顶检测方法,其特征在于,以棉花株顶轮廓中的第一个边界点为中心设置初始窗口,获取该初始窗口中下一个边界点的链码方向的方法为:
以绵花株顶轮廓的第一个边界点为窗口中心建立窗口,所述窗口大小为(n+2i)x(n+2i),其中,n为窗口的初始大小,i为窗口步长;顺时针遍历该窗口的八邻域,获取邻域中下一个边界点的链码方向。
3.根据权利要求2所述的一种基于改进的链码法的棉花顶检测方法,其特征在于,将获得的每一个窗口中所包含的链码进行合并的方法为:
获取同一窗口中每次增加窗口步长后遍历得到的所有链码方向相同的边界点,将所有边界点的链码合并,根据合并后的链码表示该窗口中所有边界点的链码。
5.根据权利要求1所述的一种基于改进的链码法的棉花顶检测方法,其特征在于,计算棉花株顶的几何特征的方法为:
所述棉花株顶的几何特征包括棉花株顶的矩形度、叶形比以及圆形度;
根据棉花株顶轮廓所有边界点的链码及对应边界点的窗口步长计算棉花株顶轮廓的周长和面积,根据棉花株顶轮廓最小外接矩形的坐标计算叶片的高度和宽度;
根据棉花株顶轮廓的周长、面积、叶片的高度以及宽度计算得到棉花株顶的几何特征。
6.根据权利要求5所述的一种基于改进的链码法的棉花顶检测方法,其特征在于,对神经网络进行训练的方法为:
将得到的棉花株顶矩形度、叶形比和圆形度作为向量信号输入BP模型神经网络,设置BP模型神经网络的信号节点识别参数,将棉花株顶轮廓人工标注图像作为输出训练神经网络,利用训练好的神经网络对棉花顶株图像进行特征识别,当确定目标棉花顶后进行矩形框标定,得到棉花株顶轮廓区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211081163.8A CN115147423B (zh) | 2022-09-06 | 2022-09-06 | 基于改进的链码法的棉花顶检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211081163.8A CN115147423B (zh) | 2022-09-06 | 2022-09-06 | 基于改进的链码法的棉花顶检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115147423A CN115147423A (zh) | 2022-10-04 |
CN115147423B true CN115147423B (zh) | 2022-11-22 |
Family
ID=83416304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211081163.8A Active CN115147423B (zh) | 2022-09-06 | 2022-09-06 | 基于改进的链码法的棉花顶检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115147423B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117853494B (zh) * | 2024-03-08 | 2024-06-14 | 山东中泰药业有限公司 | 一种药物颗粒生产过程视觉检测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6937765B2 (en) * | 2003-03-14 | 2005-08-30 | The Regents Of The University Of California | Method for contour extraction for object representation |
US8929664B2 (en) * | 2012-05-30 | 2015-01-06 | Analog Devices, Inc. | Shape detection using chain code states |
CN103116747B (zh) * | 2013-03-11 | 2016-06-08 | 山东农业大学 | 自动识别玉米茎叶图像的方法和系统 |
CN104949981A (zh) * | 2014-03-24 | 2015-09-30 | 华中科技大学 | 一种棉花五真叶期自动检测方法及系统 |
CN114067298A (zh) * | 2021-11-18 | 2022-02-18 | 石河子大学 | 一种基于Faster R-CNN的棉花顶尖识别方法 |
-
2022
- 2022-09-06 CN CN202211081163.8A patent/CN115147423B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115147423A (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
CN109711325B (zh) | 一种芒果采摘点识别方法 | |
CN109255757B (zh) | 一种机器视觉自然放置葡萄串果梗区域分割方法 | |
CN109886155B (zh) | 基于深度学习的单株水稻检测定位方法、系统、设备及介质 | |
CN109345554A (zh) | 一种基于rgb-d相机的粘连蘑菇视觉原位测量方法 | |
CN105184824A (zh) | 基于图像传感网的智能农业驱鸟系统和方法 | |
CN115147423B (zh) | 基于改进的链码法的棉花顶检测方法 | |
CN111798470B (zh) | 一种应用于智能农业的农作物图像实体分割方法及系统 | |
CN114067206B (zh) | 一种基于深度图像的球形果实识别定位方法 | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
CN115115627B (zh) | 基于数据处理的土壤盐碱地监测方法 | |
CN108133471A (zh) | 一种自然光照条件下基于人工蜂群算法的农业移动机器人导航路径提取方法及装置 | |
CN114841961A (zh) | 基于图像增强和改进YOLOv5的小麦赤霉病检测方法 | |
CN116363505A (zh) | 一种基于采摘机器人视觉系统的目标采摘方法 | |
CN110956178B (zh) | 一种基于图像相似度计算的植物生长测量方法、系统及电子设备 | |
CN116052141B (zh) | 作物生育期的识别方法、装置、设备及介质 | |
AHM et al. | A deep convolutional neural network based image processing framework for monitoring the growth of soybean crops | |
CN117456523A (zh) | 作物种类识别方法、装置、电子设备及介质 | |
Yang et al. | Research on a Segmentation and Location Algorithm Based on Mask RCNN for Agaricus Bisporus | |
CN112215184A (zh) | 一种基于三维激光扫描仪的油茶果树产量检测方法 | |
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 | |
Zhang et al. | A novel lightweight model HGCA-YOLO: Application to recognition of invisible spears for white asparagus robotic harvesting | |
CN111860038B (zh) | 一种农作物前端识别装置及方法 | |
CN112419356A (zh) | 一种大棚中小树种植生长检测和记录方法及其装置 | |
CN110135481B (zh) | 一种农作物病变检测方法以及检测装置 |
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 |