CN115457030B - 基于图像技术的作物茎粗测量方法、装置及其应用 - Google Patents
基于图像技术的作物茎粗测量方法、装置及其应用 Download PDFInfo
- Publication number
- CN115457030B CN115457030B CN202211322790.6A CN202211322790A CN115457030B CN 115457030 B CN115457030 B CN 115457030B CN 202211322790 A CN202211322790 A CN 202211322790A CN 115457030 B CN115457030 B CN 115457030B
- Authority
- CN
- China
- Prior art keywords
- graph
- stem thickness
- image
- crop
- carrying
- 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 49
- 238000005516 engineering process Methods 0.000 title claims abstract description 26
- 230000011218 segmentation Effects 0.000 claims abstract description 52
- 230000009466 transformation Effects 0.000 claims abstract description 36
- 238000012937 correction Methods 0.000 claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000000844 transformation Methods 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000005259 measurement Methods 0.000 description 13
- 238000000691 measurement method Methods 0.000 description 9
- 241000196324 Embryophyta Species 0.000 description 7
- 240000008042 Zea mays Species 0.000 description 4
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 4
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 4
- 235000005822 corn Nutrition 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 240000007594 Oryza sativa Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 241001464837 Viridiplantae Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001360 synchronised effect 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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/08—Measuring arrangements characterised by the use of optical techniques for measuring diameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请提出了一种基于图像技术的作物茎粗测量方法及其应用，包括以下步骤：S100、获取作物茎粗图像，对作物茎粗图像进行标定物检测和方向判断处理，得到矫正图及对应的比例尺；S200、对矫正图分别进行阴影检测以及不同的颜色空间变换并融合为最终分割图；S300、对最终分割图进行轮廓分析和直线分析，识别茎秆边缘的相交点，得到待测茎粗参数。本申请具有高效、便携、准确的优点。
Description
技术领域
本申请涉及植物表型测量技术领域，特别是一种涉及基于图像技术的作物茎粗测量方法、装置及其应用。
背景技术
在作物的育种、理想株型选择上，作物在发育生长过程中植物株型上会表现出各种各样的性状，如研究表明，水稻的剑叶及茎秆的角度与水稻产量密切相关；玉米的理想株型是紧凑型的，紧凑型的判断需要综合多种参数进行评价。
因此，合理的个体株型能够提高农田作物种群的光能截获能力，同时能够改善种群内竞争关系，为提高群体产量提供可能。目前，越来越多相关研究者投入表型和基因的关系，对株型分析的效率提出了新要求，传统的人工测量方法已不能满足目前育种和科研市场对相关分析的要求，因此，高效、便捷、准确获取作物相关参数的测量设备的开发是亟待解决的问题。
目前已有的可测量茎粗的设备，有的是机械式的，有的是一体的，需要搭载昂贵的摄像装置以获取更多参数，或者无法测量用户指定位置的茎秆粗度。如CN202111267625公开的一种基于RGB-D相机的玉米长势三维重构及茎粗测量方法，借助深度相机通过离线和在线方式进行三维重构，存在的问题使不能实时便捷地获取参数，也不能针对性地测量指定位置的茎粗；又如CN202111354251公开的玉米株型参数测量方法、系统、装置及存储介质，该专利中所提及的装置，虽可测量茎粗，但只能适用于玉米作物，不能应用于其他作物。所以，有的实际操作较繁琐，有的对拍摄环境要求比较高同时不具有便捷性，影响到室外、活体的测量使用。
因此，亟待一种高效、便携、准确的基于图像技术的作物茎粗测量方法及其应用，以解决现有技术存在的问题。
发明内容
本申请实施例提供了一种基于图像技术的作物茎粗测量方法及其应用，针对目前技术存在的操作繁琐、不具有便捷性等问题。
本发明核心技术主要是先对作物茎粗图像进行矫正，再对图像进行不同颜色空间分割及阴影检测，最后进行轮廓分析和直线分析，识别茎秆边缘的相交点，得到待测茎粗参数。
第一方面，本申请提供了一种基于图像技术的作物茎粗测量方法，所述方法包括以下步骤：
S100、获取作物茎粗图像，对作物茎粗图像进行标定物检测和方向判断处理，得到矫正图及对应的比例尺；
S200、对矫正图分别进行阴影检测以及不同的颜色空间变换并融合为最终分割图；
S300、对最终分割图进行轮廓分析和直线分析，识别茎秆边缘的相交点，得到待测茎粗参数。
进一步地，步骤S100的具体步骤为：
S110、借助背景板和设于该背景板上的标定物对作物茎粗图像进行标定物识别，获取标定物位置；
S120、根据标定物位置对作物茎粗图像进行矫正并获取比例尺，得到矫正图及对应的比例尺。
进一步地，步骤S200中，具体步骤为：
S210、对矫正图进行不同的颜色空间变换并分割融合得到二值图，同时对矫正图进行阴影检测得到阴影分割图；
S220、对阴影分割图和二值图做减法运算，以消除阴影得到最终分割图。
进一步地，步骤S300的具体步骤为：
S310、取最终分割图中最大的连通域，得到连通图；
S320、根据连通图确定待测茎粗引导点；
S330、确定感兴趣区域以及所测茎秆轮廓的直线方程；
S340、根据待测茎粗引导点和所测茎秆轮廓的直线方程确定茎秆边缘的相交点，根据比例尺和相交点之间的欧氏距离计算待测茎粗。
进一步地，步骤S320中，具体步骤为：
S321、对连通图进行距离变换，得到距离变换图；
S322、计算两个标定物之间的连线对应的直线方程及该连线上的所有像素点集合；
S323、获取距离变换图在像素点集合上的最大值以及对应像素点，该像素点即为待测茎粗引导点。
进一步地，步骤S330中，具体步骤为：
S331、在最终分割图上裁剪以待测茎粗引导点为中心，根据距离变换图在像素点集合上的最大值设置矩形区域；
S332、获取矩形区域的所有连通域，并按照像素点数目对所有连通域进行排序；
S333、取排序中像素点数目最多的两个连通域分别作为第一直线方程和第二直线方程。
进一步地，步骤S340中，具体步骤为：
S341、计算待测茎粗引导点到第一直线方程的垂足及对应的垂线；
S342、计算垂线与第二直线方程的交点，该交点和垂足作为茎秆边缘的相交点；
S343、将交点和垂足之间的欧氏距离经比例尺变换后得到待测茎粗。
第二方面，本申请提供了一种基于图像技术的作物茎粗测量装置，包括：
矫正模块，用于获取作物茎粗图像，对作物茎粗图像进行标定物检测和方向判断处理，得到矫正图及对应的比例尺；
分割模块，用于对矫正图分别进行阴影检测以及不同的颜色空间变换并融合为最终分割图；
分析模块，用于对最终分割图进行轮廓分析和直线分析，识别茎秆边缘的相交点，得到待测茎粗参数；
输出模块，用于输出作物茎粗参数。
第三方面，本申请提供了一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行上述的基于图像技术的作物茎粗测量方法。
第四方面，本申请提供了一种可读存储介质，可读存储介质中存储有计算机程序，计算机程序包括用于控制过程以执行过程的程序代码，过程包括根据上述的基于图像技术的作物茎粗测量方法。
本发明的主要贡献和创新点如下：1、与现有技术相比，本申请借助在特定背景板上获取作物茎粗图像，将图像进行标定物检测及方向判断处理，得到矫正图及比例尺，从而显著方便了后续进行图像分析处理，也不需要借助传统的机械式方式来进行调整，从而显著降低了操作繁琐程度，同时也不仅限于一种作物，可适用于绝大多数的作物，适用范围广；
2、与现有技术相比，本申请的背景板方便携带，且只需要借助该背景板拍摄后并矫正该图像，后续的图像处理即可精确得到作物茎粗参数，对于拍摄环境的要求更低，而且也不影响室外、活体的测量使用，同时也不需要进行三维重构，能够实时获取参数。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的基于图像技术的作物茎粗测量方法的流程；
图2是本发明实施例分割效果示意图；
图3是本发明中所测夹角效果示意图；
图4是根据本申请实施例的电子装置的硬件结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。
目前已有的夹角测量类型有机械式的、图像处理技术方面的，有的实际操作较繁琐，有的对拍摄环境要求比较高同时不具有便捷性，影响到室外、活体的测量使用。
基于此，本发明基于图像技术来解决现有技术存在的问题。
实施例一
本申请旨在提出基于图像技术的作物茎粗测量方法，通过对采集的图像进行图像处理，获得分割图，将轮廓信息、直线信息进行融合分析，借助轮廓提取、直线检测拟合等，得到作物茎秆的茎粗参数及对应的测量位置信息。直接对作物茎秆图像信息进行处理和分析，实现了作物茎粗测量的自动化，提高了作物茎粗测量的效率和准确性。
具体地，本申请实施例提供了一种基于图像技术的作物茎粗测量方法，具体地，参考图1，所述方法包括以下步骤：
S100、获取作物茎粗图像，对作物茎粗图像进行标定物检测和方向判断处理，得到矫正图及对应的比例尺；
S110、借助背景板和设于该背景板上的标定物对作物茎粗图像进行标定物识别，获取标定物位置；
其中，在作物茎粗测量时，拍照装置放置的灵活性，使得所关注的测量的角度在采集的图像上朝向可能会发生改变，这时需要借助背景板上标定物的位置进行矫正。
因此本实施例中采用的为两个间隔固定距离的两个圆，圆的颜色设置为黑色。本实施例对标定物的形式不作具体限定。对标定圆的具体检测步骤为：首先，RGB彩色图像转换为灰度图，在灰度图上采用局部阈值分割法获得二值图，像素值大于0的为前景，值为0的为背景，进而利用轮廓查找法获取前景中的所有连通域，对每个连通域进行特征计算，如面积A、最小外接圆半径r；计算连通域与对应最小外接圆的吻合程度，以此度量该连通域的圆度，采用公式1如下：
ratio=A/(r*π2)（1）
当ratio大于阈值时，则该连通域为候选圆。最后在多个候选圆中，按面积从小到大排序，选定两面积之比最接近1的两候选圆确定为最后的检测圆（标定圆）。然后根据所述两检测圆的位置方向进行矫正，所述两检测圆的圆心连线在图像上的位置有四种情况：上边、下边、左边、右边，如果处于上边，则需要对图像做上下翻转，如果处于左边和右边，则需要先做90度旋转及上下翻转。经此操作，保证两个圆在图像的下方，便于后续茎秆引导点的定位、对应的茎秆两边缘的查找确定、以及与边缘的相交点确定、茎粗计算等。
S120、根据标定物位置对作物茎粗图像进行矫正，得到矫正图及比例尺；
其中，对采集到的原始图像进行预处理，通过标定圆检测方法，获取标定圆位置，判断标定圆与整个图像的位置关系，进行矫正得到矫正图，同时根据标定圆本申请已知的尺寸能够得到比例尺，此为现有技术，这里不再对其进行赘述。该操作为后续的所测夹角定位及夹角关联边确定相关技术的执行提供了便利，保证测量的稳定、可靠。
S200、对矫正图分别进行阴影检测以及不同的颜色空间变换并融合为最终分割图；
S210、对矫正图进行不同的颜色空间变换并分割融合得到二值图，同时对矫正图进行阴影检测得到阴影分割图；
其中，为了获得该二值图，首先，对彩色RGB图像RGBImage进行两种方式的颜色空间变换，第一种，采用专利CN201510522019，一种基于图像处理的叶片面积测量方法中的空间映射方法，即利用颜色和亮色特征定义颜色空间变换；第二种是捕获绿色特征，变换公式为2*G-R-B，即超绿特征。此这两种颜色空间变换可以增强作物位置的灰度值，弱化背景板位置的灰度值，便于后续的分割算法设计，第二种超绿特征空间变换是第一种颜色空间变换的一种补充，进一步有益于凸显绿色植物的对比度。
而分割算法采用大津阈值法，又称类间方差阈值分割法，该方法可自动获取分割阈值。针对此两种空间变换后的灰度图，分别采用此分割法得到二值图tBin11和tBin12，同时做逻辑与运算，得到新的二值图tBin1。
其中，在图像采集中，由于室外强光影响、所测部位具有一定厚度、拍摄角度等各种原因，会出现不同程度的阴影，进而为分割带来一定影响，所以，需要设计阴影检测去除算法，消除阴影的干扰，具体的步骤为：
步骤a、RGB图像的归一化，对R、G、B通道每个像素分别实施如下公式2的归一化，得到归一化图像NImage；
步骤b、分别选择RGBImage（RGB图像）和NImage（归一化图像）的B通道做大津阈值法分割，得到SegImage1和SegImage2，并对SegImage1分割图取反，即255-SegImage1，记为SegImage3；
步骤c、阴影检测二值图ShadowImg为SegImage2和SegImage3的逻辑与运算结果图，两者对应像素值都为非0时，ShadowImg对应像素为非0，其他情况为0；
S220、对阴影分割图和二值图做减法运算，以消除阴影得到最终分割图；
在本实施例中，具体为对分割二值图tBin1和阴影检测二值图ShadowImg做减法运算，以消除阴影影响，得到最后分割图tBin，参见图2。
S300、对最终分割图进行轮廓分析和直线分析，识别茎秆边缘的相交点，得到待测茎粗参数；
S310、取最终分割图中最大的连通域，得到连通图；
其中，本实施例采用的规则为两标定圆圆心连线经过的连通域集合中，保留连通域面积最大的，这里对该规则不做具体限定，可以选取面积最大或者宽度最大的连通域最为最大连通域。
S320、根据连通图确定待测茎粗引导点；
其中，在拍摄的茎粗图像中，对象可能是某个作物的茎秆、叶柄等局部器官，图像中展示的通常为某一段，用户期望测量的部分置于两标定圆指示的范围内，为此，需要确定待测茎粗引导点，进而确定测量的感兴趣区域；
其中，具体步骤为：
S321、对连通图进行距离变换，得到距离变换图distMap；
其中，距离变换计算每个非零像素点到最近的零值像素点的距离，距离越远则值越大；距离变换反映每个像素点到边缘的远近情况，值越大，距离变换图对应点越亮；
S322、计算两个标定物之间的连线对应的直线方程及该连线上的所有像素点集合；
S323、获取距离变换图在像素点集合上的最大值以及对应像素点，该像素点即为待测茎粗引导点；
其中，计算两标定圆圆心的连线
对应的直线方程及该线段
上的所有像
素点集{p1,p2,..,pN}，遍历寻找距离变换图distMap上在点集{p1,p2,..,pN}处的最大值
maxValue以及对应像素点popt∈{p1,p2,..,pN}，这里popt即为待测茎粗引导点，用于计算待
测茎粗在该标记处对应的茎秆直径，保证茎粗测量的稳定性、准确。
在本实施例中，在理想情况下，即分割理想，同时，所测量位置茎秆边缘光滑、粗细均匀，上述计算的值maxValue的2倍可作为待测茎粗的测量值。
S330、确定感兴趣区域以及所测茎秆轮廓的直线方程；
其中，具体步骤为：
S331、在最终分割图上裁剪以待测茎粗引导点为中心，根据距离变换图在像素点集合上的最大值设置矩形区域；
其中，为了捕获所述引导点popt在茎秆边缘对应的轮廓，需要定位感兴趣区域，这里在最后分割图tBin上裁剪以popt为中心，边长为2*maxValue*pScale的矩形区域，记为roiImage；
其中，pScale确定所述感兴趣区域的大小，设置太小不能捕获有效的点集合，设置太大会引入更多噪声。这里设定为1.2，本实施例对该值pScale不做具体限定。
S332、获取矩形区域的所有连通域，并按照像素点数目对所有连通域进行排序；
其中，采用轮廓查找法获取roiImage上的所有连通域，并对这些连通域按照像素点数目从大到小排序，前两个一般为我们考虑的茎秆两侧的边缘像素点集合；
S333、取排序中像素点数目最多的两个连通域分别作为第一直线方程和第二直线方程；
其中，分别对两个的像素点集合进行直线分析，并得到拟合直线，点集合的直线拟合有多种方法，如最小二乘拟合、鲁棒最小二乘、ransac拟合等；
本实施例采用ransac直线拟合，ransac（RANdom Sample Consensus）是从一组包含异常点的观测数据集中，通过迭代方式寻找满足一定比例数据的模型，并且概率足够高。实际上，连通域内对应点集存在一定程度的异常点或野点，本实施例采用ransac对集合点拟合直线，由此得到firstLine（第一直线方程）和secondLine（第二直线方程）；
S340、根据待测茎粗引导点和所测茎秆轮廓的直线方程确定茎秆边缘的相交点，根据比例尺和相交点之间的欧氏距离计算待测茎粗；
S341、计算待测茎粗引导点popt到第一直线方程firstLine的垂足pverticalp及对应的垂线；
S342、计算垂线与第二直线方程secondLine的交点pintersectp，该交点pintersectp和垂足pverticalp作为茎秆边缘的相交点；
S343、将交点和垂足之间的欧氏距离经比例尺变换后得到待测茎粗。
点pverticalp和pintersectp为确定的茎秆边缘的相交点，此两点的欧氏距离经比例尺变换，即可得到待测量的茎粗。
实施例二
基于相同的构思，本申请还提出了一种基于图像技术的作物茎粗测量装置，包括：
矫正模块，用于获取作物茎粗图像，对作物茎粗图像进行标定物检测和方向判断处理，得到矫正图及对应的比例尺；
分割模块，用于对矫正图分别进行阴影检测以及不同的颜色空间变换并融合为最终分割图；
分析模块，用于对最终分割图进行轮廓分析和直线分析，识别茎秆边缘的相交点，得到待测茎粗参数；
输出模块，用于输出作物茎粗参数。
实施例三
本实施例还提供了一种电子装置，参考图4，包括存储器404和处理器402，该存储器404中存储有计算机程序，该处理器402被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
具体地，上述处理器402可以包括中央处理器（CPU），或者特定集成电路（ApplicationSpecificIntegratedCircuit，简称为ASIC），或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制，存储器404可包括硬盘驱动器（HardDiskDrive，简称为HDD）、软盘驱动器、固态驱动器（SolidStateDrive，简称为SSD）、闪存、光盘、磁光盘、磁带或通用串行总线（UniversalSerialBus，简称为USB）驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器404可包括可移除或不可移除（或固定）的介质。在合适的情况下，存储器404可在数据处理装置的内部或外部。在特定实施例中，存储器404是非易失性（Non-Volatile）存储器。在特定实施例中，存储器404包括只读存储器（Read-OnlyMemory，简称为ROM）和随机存取存储器（RandomAccessMemory，简称为RAM）。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM（ProgrammableRead-OnlyMemory，简称为PROM）、可擦除PROM（ErasableProgrammableRead-OnlyMemory，简称为EPROM）、电可擦除PROM（ElectricallyErasableProgrammableRead-OnlyMemory，简称为EEPROM）、电可改写ROM（ElectricallyAlterableRead-OnlyMemory，简称为EAROM）或闪存（FLASH）或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器（StaticRandom-AccessMemory，简称为SRAM）或动态随机存取存储器（DynamicRandomAccessMemory，简称为DRAM），其中，DRAM可以是快速页模式动态随机存取存储器404（FastPageModeDynamicRandomAccessMemory，简称为FPMDRAM）、扩展数据输出动态随机存取存储器（ExtendedDateOutDynamicRandomAccessMemory，简称为EDODRAM）、同步动态随机存取内存（SynchronousDynamicRandom-AccessMemory，简称SDRAM）等。
存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器402所执行的可能的计算机程序指令。
处理器402通过读取并执行存储器404中存储的计算机程序指令，以实现上述实施例中的任意一种基于图像技术的作物茎粗测量方法。
可选地，上述电子装置还可以包括传输设备406以及输入输出设备408，其中，该传输设备406和上述处理器402连接，该输入输出设备408和上述处理器402连接。
传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中，传输设备包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备406可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
输入输出设备408用于输入或输出信息。在本实施例中，输入的信息可以是拍摄的作物茎粗图像等，输出的信息可以是作物茎粗数据。
实施例四
本实施例还提供了一种可读存储介质，可读存储介质中存储有计算机程序，计算机程序包括用于控制过程以执行过程的程序代码，过程包括根据实施例一的基于图像技术的作物茎粗测量方法。
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
通常，各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现，而其他方面可以以可以由控制器、微处理器或其他计算设备执行的固件或软件来实现，但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示，但是应当理解，作为非限制性示例，本文中描述的这些框、装置、系统、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。
本发明的实施例可以由计算机软件来实现，该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行，或者由硬件来实现，或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中，并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外，在这一点上，应当注意，如图中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质、以及诸如例如DVD及其数据变体、CD等光学介质上。物理介质是非瞬态介质。
本领域的技术人员应该明白，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以作出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (6)
1.一种基于图像技术的作物茎粗测量方法，其特征在于，包括以下步骤：
S100、获取作物茎粗图像，对所述作物茎粗图像进行标定物检测和方向判断处理，得到矫正图及对应的比例尺；
S200、对所述矫正图分别进行阴影检测以及不同的颜色空间变换并融合为最终分割图；
S300、对所述最终分割图进行轮廓分析和直线分析，识别茎秆边缘的相交点，得到待测茎粗参数；
其中，S300步骤具体为：
S310、取所述最终分割图中最大的连通域，得到连通图；
S321、对所述连通图进行距离变换，得到距离变换图；
S322、计算两个所述标定物之间的连线对应的直线方程及该连线上的所有像素点集合；
S323、获取所述距离变换图在像素点集合上的最大值以及对应像素点，该像素点即为待测茎粗引导点；
S331、在所述最终分割图上裁剪以所述待测茎粗引导点为中心，根据所述距离变换图在像素点集合上的最大值设置矩形区域，以该矩形区域作为感兴趣区域；
S332、获取所述矩形区域的所有连通域，并按照像素点数目对所有连通域进行排序；
S333、取排序中像素点数目最多的两个连通域分别作为第一直线方程和第二直线方程；
S341、计算所述待测茎粗引导点到所述第一直线方程的垂足及对应的垂线；
S342、计算所述垂线与所述第二直线方程的交点，该交点和垂足作为茎秆边缘的相交点；
S343、将所述交点和所述垂足之间的欧氏距离经所述比例尺变换后得到待测茎粗。
2.如权利要求1所述的一种基于图像技术的作物茎粗测量方法，其特征在于，步骤S100的具体步骤为：
S110、借助背景板和设于该背景板上的标定物对所述作物茎粗图像进行标定物识别，获取标定物位置；
S120、根据所述标定物位置对所述作物茎粗图像进行矫正并获取比例尺，得到所述矫正图及对应的比例尺。
3.如权利要求1所述的一种基于图像技术的作物茎粗测量方法，其特征在于，步骤S200中，具体步骤为：
S210、对所述矫正图进行不同的颜色空间变换并分割融合得到二值图，同时对所述矫正图进行阴影检测得到阴影分割图；
S220、对所述阴影分割图和所述二值图做减法运算，以消除阴影得到所述最终分割图。
4.一种基于图像技术的作物茎粗测量装置，其特征在于，包括：
矫正模块，用于获取作物茎粗图像，对作物茎粗图像进行标定物检测和方向判断处理，得到矫正图及对应的比例尺；
分割模块，用于对矫正图分别进行阴影检测以及不同的颜色空间变换并融合为最终分割图；
分析模块，用于对最终分割图进行轮廓分析和直线分析，识别茎秆边缘的相交点，得到待测茎粗参数；
其中，分析模块通过以下步骤得到待测茎粗参数：
取最终分割图中最大的连通域，得到连通图；
对连通图进行距离变换，得到距离变换图；
计算两个标定物之间的连线对应的直线方程及该连线上的所有像素点集合；
获取距离变换图在像素点集合上的最大值以及对应像素点，该像素点即为待测茎粗引导点；
在最终分割图上裁剪以待测茎粗引导点为中心，根据距离变换图在像素点集合上的最大值设置矩形区域，以该矩形区域作为感兴趣区域；
获取矩形区域的所有连通域，并按照像素点数目对所有连通域进行排序；
取排序中像素点数目最多的两个连通域分别作为第一直线方程和第二直线方程；
计算待测茎粗引导点到第一直线方程的垂足及对应的垂线；
计算垂线与第二直线方程的交点，该交点和垂足作为茎秆边缘的相交点；
将交点和垂足之间的欧氏距离经比例尺变换后得到待测茎粗；
输出模块，用于输出作物茎粗参数。
5.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至3任一项所述的基于图像技术的作物茎粗测量方法。
6.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括根据权利要求1至3任一项所述的基于图像技术的作物茎粗测量方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211322790.6A CN115457030B (zh) | 2022-10-27 | 2022-10-27 | 基于图像技术的作物茎粗测量方法、装置及其应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211322790.6A CN115457030B (zh) | 2022-10-27 | 2022-10-27 | 基于图像技术的作物茎粗测量方法、装置及其应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115457030A CN115457030A (zh) | 2022-12-09 |
| CN115457030B true CN115457030B (zh) | 2023-03-24 |
Family
ID=84311444
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211322790.6A Active CN115457030B (zh) | 2022-10-27 | 2022-10-27 | 基于图像技术的作物茎粗测量方法、装置及其应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115457030B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113920106A (zh) * | 2021-10-29 | 2022-01-11 | 吉林农业大学 | 一种基于rgb-d相机的玉米长势三维重构及茎粗测量方法 |
| EP3961568A1 (en) * | 2020-08-25 | 2022-03-02 | Korea Institute of Science and Technology | Crop growth measurement system based on crop images, and method thereof |
| CN114913359A (zh) * | 2022-05-30 | 2022-08-16 | 长安大学 | 一种大田玉米高通量叶夹角和叶倾角分布提取方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100536653C (zh) * | 2005-07-15 | 2009-09-09 | 南京航空航天大学 | 基于计算机视觉的作物需水信息检测新方法 |
| CN108376419B (zh) * | 2017-12-11 | 2020-06-26 | 江苏大学 | 一种盆栽生菜的综合长势监测方法及装置 |
| CN110782440B (zh) * | 2019-10-22 | 2023-06-16 | 华中农业大学 | 一种作物籽粒性状测量方法 |
| CN114170148A (zh) * | 2021-11-12 | 2022-03-11 | 浙江托普云农科技股份有限公司 | 玉米株型参数测量方法、系统、装置及存储介质 |
-
2022
- 2022-10-27 CN CN202211322790.6A patent/CN115457030B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3961568A1 (en) * | 2020-08-25 | 2022-03-02 | Korea Institute of Science and Technology | Crop growth measurement system based on crop images, and method thereof |
| CN113920106A (zh) * | 2021-10-29 | 2022-01-11 | 吉林农业大学 | 一种基于rgb-d相机的玉米长势三维重构及茎粗测量方法 |
| CN114913359A (zh) * | 2022-05-30 | 2022-08-16 | 长安大学 | 一种大田玉米高通量叶夹角和叶倾角分布提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115457030A (zh) | 2022-12-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11275941B2 (en) | Crop models and biometrics | |
| Liu et al. | A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field | |
| CN109903282B (zh) | 一种细胞计数方法、系统、装置和存储介质 | |
| CN112672691B (zh) | 一种超声成像方法及设备 | |
| CN116363520B (zh) | 一种城市绿地规划用景观生态检测系统 | |
| CN115512232B (zh) | 一种农作物种子发芽情况识别模型、构建方法及其应用 | |
| CN111222539B (zh) | 基于多源多时相遥感影像优化和扩充监督分类样本的方法 | |
| CN114332534B (zh) | 一种高光谱图像小样本分类方法 | |
| CN109902641B (zh) | 基于语义对齐的人脸关键点检测方法、系统、装置 | |
| CN110610438A (zh) | 一种农作物冠层叶柄夹角计算方法及系统 | |
| Harandi et al. | How to make sense of 3D representations for plant phenotyping: a compendium of processing and analysis techniques | |
| CN115457030B (zh) | 基于图像技术的作物茎粗测量方法、装置及其应用 | |
| CN114022771A (zh) | 一种基于深度学习的玉米苗期田间分布信息统计方法 | |
| Saeed et al. | Cotton plant part 3D segmentation and architectural trait extraction using point voxel convolutional neural networks | |
| CN109726679B (zh) | 一种遥感分类误差空间分布制图方法 | |
| CN116863341A (zh) | 基于时间序列卫星遥感影像的作物分类和识别方法和系统 | |
| CN116994126A (zh) | 基于冠层反射率光谱的作物叶面积指数获取方法及装置 | |
| CN116310802A (zh) | 一种基于多尺度融合模型的宅基地变化监测方法和装置 | |
| CN115375694A (zh) | 便捷式的基于图像识别的水稻整穗测量方法及其应用 | |
| CN115393352A (zh) | 基于图像识别的作物夹角测量方法及其应用 | |
| CN115546621B (zh) | 一种作物长势分析方法、装置及应用 | |
| Saeed et al. | 3D Annotation and deep learning for cotton plant part segmentation and architectural trait extraction | |
| CN110674453A (zh) | 一种获取棉花叶片丛聚指数的数字图像方法及系统 | |
| CN116052141B (zh) | 作物生育期的识别方法、装置、设备及介质 | |
| CN114612717B (zh) | Ai模型训练标签生成方法、训练方法、使用方法及设备 |
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 |