CN116343199A - 小麦黑胚粒识别方法、装置、电子设备和可读存储介质 - Google Patents
小麦黑胚粒识别方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN116343199A CN116343199A CN202310599750.4A CN202310599750A CN116343199A CN 116343199 A CN116343199 A CN 116343199A CN 202310599750 A CN202310599750 A CN 202310599750A CN 116343199 A CN116343199 A CN 116343199A
- Authority
- CN
- China
- Prior art keywords
- area
- wheat
- image
- region
- lesion
- 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.)
- Granted
Links
- 241000209140 Triticum Species 0.000 title claims abstract description 343
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 343
- 235000013339 cereals Nutrition 0.000 title claims abstract description 211
- 210000001161 mammalian embryo Anatomy 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000003902 lesion Effects 0.000 claims abstract description 146
- 239000002245 particle Substances 0.000 claims abstract description 114
- 230000036285 pathological change Effects 0.000 claims abstract description 40
- 231100000915 pathological change Toxicity 0.000 claims abstract description 40
- 230000011218 segmentation Effects 0.000 claims description 81
- 238000001914 filtration Methods 0.000 claims description 42
- 238000012545 processing Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 201000010099 disease Diseases 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 241000223602 Alternaria alternata Species 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 238000002845 discoloration Methods 0.000 description 3
- 235000013312 flour Nutrition 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 210000002257 embryonic structure Anatomy 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- LCGLNKUTAGEVQW-UHFFFAOYSA-N Dimethyl ether Chemical compound COC LCGLNKUTAGEVQW-UHFFFAOYSA-N 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 description 1
- 206010027146 Melanoderma Diseases 0.000 description 1
- 206010039509 Scab Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000003053 toxin Substances 0.000 description 1
- 231100000765 toxin Toxicity 0.000 description 1
- 108700012359 toxins Proteins 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种小麦黑胚粒识别方法、装置、电子设备和可读存储介质，其中，方法包括：获取小麦颗粒的第一图像和第二图像，其中，第一图像为对小麦颗粒的正面进行拍摄得到的，第二图像为对小麦颗粒的反面进行拍摄得到的；从第一图像中确定小麦颗粒的第一病变区域，并从第二图像中确定小麦颗粒的第二病变区域；计算第一病变区域的第一面积和第二病变区域的第二面积；若第一面积和/或第二面积满足预设条件，则确定小麦颗粒为黑胚粒。由此，可以根据小麦颗粒正反面的病变区域面积，确定小麦颗粒的病变程度，进而根据小麦颗粒的病变程度判断小麦颗粒是否为黑胚粒，从而降低了误判率，提高了小麦黑胚粒的识别准确度。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种小麦黑胚粒识别方法、装置、电子设备和可读存储介质。
背景技术
小麦黑胚病又名小麦籽粒黑点病、穗霉污病、假黑胚病。该病由Bolly于1913年首次报道，此后国内外对其进行大量的研究，明确其在世界上的大多数产麦国均有发生。
小麦黑胚病可导致小麦种子发芽势明显降低，出苗率也受到一定影响。同时，黑胚病对小麦面粉质量也有不利影响，造成面粉颜色发暗，出粉率降低。同时，一些研究发现，黑胚病的病原菌链格孢可以产生致病毒素交链孢酚和交链孢酚单甲醚，能够引起食管癌变，对人类健康也有很大威胁。近年我国实行了新的小麦商品粮收购标准，将黑胚病粒与破碎粒、虫伤粒、赤霉病粒等一起作为不完善粒。不完善粒率超过6%就达不到商品小麦的收购要求，必须降级处理。因此研发小麦黑胚粒的快速检测方法非常有必要。
相关技术中，可以通过用于图像分类的深度学习网络如Resnet（Residual NeuralNetwork）残差神经网络，Vgg（Visual Geometry Group）卷积网络，Mobilnet网络等分类模型对小麦黑胚粒进行检测。但是，小麦黑胚粒的定义为胚部呈深褐色或黑色、伤及胚或胚乳的籽粒，并且深褐色或黑色斑块可能发生在籽粒的任何部位。由于褐色和黑色特征相较于正常小麦颗粒的黄色主特征非常明显，因此上述分类模型很容易过拟合，上述分类模型会认定表面有任何褐色或者黑色特征的小麦就是黑胚粒，将表面有轻微褐色或变色不是很明显的籽粒也判定成黑胚粒，从而导致误判率较高。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的第一个目的在于提出一种小麦黑胚粒识别方法，可以根据小麦颗粒正反面的病变区域面积，确定小麦颗粒的病变程度，进而根据小麦颗粒的病变程度判断小麦颗粒是否为黑胚粒，从而降低了误判率，提高了小麦黑胚粒的识别准确度。
本发明的第二个目的在于提出一种小麦黑胚粒识别装置。
本发明的第三个目的在于提出一种电子设备。
本发明的第四个目的在于提出一种计算机可读存储介质。
为达到上述目的，本发明第一方面实施例提出了一种小麦黑胚粒识别方法，方法包括：获取小麦颗粒的第一图像和第二图像，其中，第一图像为对小麦颗粒的正面进行拍摄得到的，第二图像为对小麦颗粒的反面进行拍摄得到的；从第一图像中确定小麦颗粒的第一病变区域，并从第二图像中确定小麦颗粒的第二病变区域；计算第一病变区域的第一面积和第二病变区域的第二面积；若第一面积和/或第二面积满足预设条件，则确定小麦颗粒为黑胚粒。
根据本发明实施例的小麦黑胚粒识别方法，通过获取小麦颗粒的第一图像和第二图像，其中，第一图像为对小麦颗粒的正面进行拍摄得到的，第二图像为对小麦颗粒的反面进行拍摄得到的；从第一图像中确定小麦颗粒的第一病变区域，并从第二图像中确定小麦颗粒的第二病变区域；计算第一病变区域的第一面积和第二病变区域的第二面积；若第一面积和/或第二面积满足预设条件，则确定小麦颗粒为黑胚粒。由此，可以根据小麦颗粒正反面的病变区域面积，确定小麦颗粒的病变程度，进而根据小麦颗粒的病变程度判断小麦颗粒是否为黑胚粒，从而降低了误判率，提高了小麦黑胚粒的识别准确度。
根据本发明的一个实施例，从第一图像中确定小麦颗粒的第一病变区域，并从第二图像中确定小麦颗粒的第二病变区域，包括：从第一图像中确定包括小麦颗粒的第一区域，并从第二图像中确定包括小麦颗粒的第二区域；从第一区域中确定第一病变区域，并从第二区域中确定第二病变区域。
根据本发明的一个实施例，从第一图像中确定包括小麦颗粒的第一区域，并从第二图像中确定包括小麦颗粒的第二区域，包括：分别对第一图像和第二图像进行二值化处理，得到第一图像对应的第一mask图像和第二图像对应的第二mask图像；分别通过第一mask图像和第二mask图像，对第一图像和第二图像进行麦粒主体分割，得到第一区域和第二区域。
根据本发明的一个实施例，在得到第一区域和第二区域之后，方法还包括：分别对第一区域和第二区域进行灰度化处理，得到灰度化后的第一区域和灰度化后的第二区域；分别对灰度化后的第一区域和灰度化后的第二区域进行滤波处理，得到滤波后的第一区域和滤波后的第二区域；分别对滤波后的第一区域和滤波后的第二区域进行过度曝光过滤处理，得到更新后的第一区域和第二区域。
根据本发明的一个实施例，分别对第一区域和第二区域进行灰度化处理，得到灰度化后的第一区域和灰度化后的第二区域，包括：将第一区域和第二区域中每个像素点的R值，作为每个像素点的像素值，以得到灰度化后的第一区域和灰度化后的第二区域。
根据本发明的一个实施例，从第一区域中确定第一病变区域，并从第二区域中确定第二病变区域，包括：根据第一区域的像素均值和预设分割偏向系数，计算第一分割阈值，并根据第二区域的像素均值和预设分割偏向系数，计算第二分割阈值，其中，预设分割偏向系数用于表征小麦颗粒的病变程度；基于第一分割阈值，从第一区域中确定第一病变区域，并基于第二分割阈值，从第二区域中确定第二病变区域。
根据本发明的一个实施例，若第一面积和/或第二面积满足预设条件，则确定小麦颗粒为黑胚粒，包括：若第一面积和/或第二面积大于第一预设阈值，则确定小麦颗粒为黑胚粒。
根据本发明的一个实施例，若第一面积和/或第二面积满足预设条件，则确定小麦颗粒为黑胚粒，包括：若第一面积和第二面积中较小的面积大于第二预设阈值、且第一面积和第二面积的和大于第三预设阈值，则确定小麦颗粒为黑胚粒。
上述目的，本发明第二方面实施例提出了一种小麦黑胚粒识别装置，装置包括：获取模块，用于获取小麦颗粒的第一图像和第二图像，其中，第一图像为对小麦颗粒的正面进行拍摄得到的，第二图像为对小麦颗粒的反面进行拍摄得到的；第一确定模块，用于从第一图像中确定小麦颗粒的第一病变区域，并从第二图像中确定小麦颗粒的第二病变区域；计算模块，用于计算第一病变区域的第一面积和第二病变区域的第二面积；第二确定模块，用于若第一面积和/或第二面积满足预设条件，则确定小麦颗粒为黑胚粒。
根据本发明实施例的小麦黑胚粒识别装置，通过获取模块，获取小麦颗粒的第一图像和第二图像，其中，第一图像为对小麦颗粒的正面进行拍摄得到的，第二图像为对小麦颗粒的反面进行拍摄得到的；通过第一确定模块，从第一图像中确定小麦颗粒的第一病变区域，并从第二图像中确定小麦颗粒的第二病变区域；通过计算模块，计算第一病变区域的第一面积和第二病变区域的第二面积；通过第二确定模块，若第一面积和/或第二面积满足预设条件，则确定小麦颗粒为黑胚粒。由此，可以根据小麦颗粒正反面的病变区域面积，确定小麦颗粒的病变程度，进而根据小麦颗粒的病变程度判断小麦颗粒是否为黑胚粒，从而降低了误判率，提高了小麦黑胚粒的识别准确度。
为达到上述目的，本发明第三方面实施例提出一种电子设备，包括：存储器，用于存储程序；处理器，用于通过执行存储器存储的程序以实现第一方面实施例的小麦黑胚粒识别方法。
上述电子设备中，通过获取小麦颗粒的第一图像和第二图像，其中，第一图像为对小麦颗粒的正面进行拍摄得到的，第二图像为对小麦颗粒的反面进行拍摄得到的；从第一图像中确定小麦颗粒的第一病变区域，并从第二图像中确定小麦颗粒的第二病变区域；计算第一病变区域的第一面积和第二病变区域的第二面积；若第一面积和/或第二面积满足预设条件，则确定小麦颗粒为黑胚粒。由此，可以根据小麦颗粒正反面的病变区域面积，确定小麦颗粒的病变程度，进而根据小麦颗粒的病变程度判断小麦颗粒是否为黑胚粒，从而降低了误判率，提高了小麦黑胚粒的识别准确度。
为达到上述目的，本发明第四方面实施例提出一种计算机可读存储介质，介质上存储有程序，程序能够被处理器执行以实现第一方面实施例的小麦黑胚粒识别方法。
上述计算机可读存储介质中，通过获取小麦颗粒的第一图像和第二图像，其中，第一图像为对小麦颗粒的正面进行拍摄得到的，第二图像为对小麦颗粒的反面进行拍摄得到的；从第一图像中确定小麦颗粒的第一病变区域，并从第二图像中确定小麦颗粒的第二病变区域；计算第一病变区域的第一面积和第二病变区域的第二面积；若第一面积和/或第二面积满足预设条件，则确定小麦颗粒为黑胚粒。由此，可以根据小麦颗粒正反面的病变区域面积，确定小麦颗粒的病变程度，进而根据小麦颗粒的病变程度判断小麦颗粒是否为黑胚粒，从而降低了误判率，提高了小麦黑胚粒的识别准确度。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1为本发明实施例提供的一种小麦黑胚粒识别方法的实施例一的流程示意图；
图2为本发明实施例提供的一种第一图像、第二图像、第一mask图像和第二mask图像的示意图；
图3为本发明实施例提供的一种分割麦粒主体的示意图；
图4为本发明实施例提供的一种图像预处理方法的流程示意图；
图5为本发明实施例提供的一种不同预设分割偏向系数的分割效果示意图；
图6为本发明实施例提供的一种病变区域和非病变区域的分割示意图；
图7为本发明实施例提供的一种小麦黑胚粒识别方法的实施例二的流程示意图；
图8为本发明实施例提供的一种小麦黑胚粒识别装置的结构示意图；
图9为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例提出的小麦黑胚粒识别方法、装置、电子设备和可读存储介质。
在本申请中，参考图1所示，图1为本发明实施例提供的一种小麦黑胚粒识别方法的实施例一的流程示意图，本发明实施例的执行主体可以为任意具有处理能力的设备，本实施例提供的小麦黑胚粒识别方法可以包括以下步骤：
S101，获取小麦颗粒的第一图像和第二图像，其中，第一图像为对小麦颗粒的正面进行拍摄得到的，第二图像为对小麦颗粒的反面进行拍摄得到的。
具体地，为了提高小麦颗粒的检测效率，可以基于多颗小麦连续的方式，通过图像采集设备拍摄多颗小麦的正面（例如通过摄像头拍摄平铺的200颗左右的小麦颗粒），得到包括多颗小麦的正面图像，并且，通过图像采集设备拍摄多颗小麦的反面，得到包括多颗小麦的反面图像。为了便于对每颗小麦进行精确识别，可以从包括多颗小麦的正面图像中确定包括单颗小麦的第一图像，并从包括多颗小麦的反面图像中确定包括单颗小麦的第二图像。具体实现时，拍摄得到的第一图像和第二图像可以是带有颜色的图像，并且由于小麦颗粒是黄色的，因此第一图像和第二图像中的小麦颗粒部分可以为黄色。
具体地，第一图像可以是包括单颗小麦和较少其他粘连小麦颗粒的正面图像。为了减少其他粘连小麦颗粒的干扰，可以从包括单颗小麦和较少其他粘连小麦颗粒的第一图像中提取单颗小麦，得到只包括单颗小麦的正面图像，将该只包括单颗小麦的正面图像作为第一图像。其中，只包括单颗小麦的正面图像可以包括单颗小麦的区域和背景区域，只包括单颗小麦的正面图像也可以只包括单颗小麦的区域而不包括背景区域。同理，第二图像可以是包括小麦颗粒和较少其他粘连小麦的反面图像，第二图像也可以是只包括小麦颗粒的反面图像。
S102，从第一图像中确定小麦颗粒的第一病变区域，并从第二图像中确定小麦颗粒的第二病变区域。
具体地，由于小麦颗粒的病变区域与小麦颗粒的正常区域具有不同的特征，因此可以基于该不同特征，从第一图像中确定小麦颗粒的第一病变区域，并从第二图像中确定小麦颗粒的第二病变区域。
S103，计算第一病变区域的第一面积和第二病变区域的第二面积。
具体地，可以根据第一病变区域的尺寸信息，计算得到第一病变区域的第一面积，同理，可以根据第二病变区域的尺寸信息，计算得到第二病变区域的第二面积。
具体地，可以通过病变区域内像素总个数sumpixel病变和单个像素的尺寸信息，计算得到病变区域的面积。其中，单个像素的尺寸信息可以为图片像素转换成实际物理尺寸的系数（即单个像素的实际物理面积S），该转换系数可以根据图像采集环境进行设置。具体实现时，通过计算病变区域内像素总个数sumpixel病变与单个像素的实际物理面积S的乘积，就可以得到病变区域的面积。
或者，由于单个像素的实际面积较小，且为了便于数据的观察分析，单个像素的尺寸信息可以为单个像素的实际物理面积S与预设放大系数的乘积。例如，单个像素的实际物理面积S为0.000625平方毫米，预设放大系数为1000，那么单个像素的等效面积为0.625平方毫米。
S104，若第一面积和/或第二面积满足预设条件，则确定小麦颗粒为黑胚粒。
具体地，可以根据不同地区的气候特征和粮情对预设条件进行设置。如果小麦颗粒正面的病变区域面积和/或小麦颗粒反面的病变区域面积满足预设条件，那么可以确定小麦颗粒的病变程度符合小麦黑胚粒的要求，因此将该小麦颗粒确定为黑胚粒。
举例说明，单面病变区域面积小于2平方毫米的小麦颗粒不是黑胚粒；或者；双面均有病变区域的小麦颗粒是黑胚粒；或者，双面病变区域面积累计超过4平方毫米的小麦颗粒是黑胚粒；或者，单面病变区域面积大于3平方毫米的小麦颗粒是黑胚粒等。
本发明实施例提供的小麦黑胚粒识别方法，通过获取小麦颗粒的第一图像和第二图像，其中，第一图像为对小麦颗粒的正面进行拍摄得到的，第二图像为对小麦颗粒的反面进行拍摄得到的；从第一图像中确定小麦颗粒的第一病变区域，并从第二图像中确定小麦颗粒的第二病变区域；计算第一病变区域的第一面积和第二病变区域的第二面积；若第一面积和/或第二面积满足预设条件，则确定小麦颗粒为黑胚粒。由此，可以根据小麦颗粒正反面的病变区域面积，确定小麦颗粒的病变程度，进而根据小麦颗粒的病变程度判断小麦颗粒是否为黑胚粒，从而降低了误判率，提高了小麦黑胚粒的识别准确度。
在一些实施例中，上述若第一面积和/或第二面积满足预设条件，则确定小麦颗粒为黑胚粒，可以包括：若第一面积和/或第二面积大于第一预设阈值，则确定小麦颗粒为黑胚粒。
具体地，若小麦颗粒正面病变区域的第一面积S1大于第一预设阈值，则可以确定小麦颗粒为黑胚粒；若小麦颗粒反面病变区域的第二面积S2大于第一预设阈值，则可以确定小麦颗粒为黑胚粒；若第一面积S1和第二面积S2均大于第一预设阈值，则可以确定小麦颗粒为黑胚粒。
在本发明实施例中，可以将至少一个面的病变区域面积大于第一预设阈值的小麦颗粒直接确定为黑胚粒，从而提高了小麦黑胚粒的识别速度。
在一些实施例中，若第一面积和/或第二面积满足预设条件，则确定小麦颗粒为黑胚粒，包括：若第一面积和第二面积中较小的面积大于第二预设阈值、且第一面积和第二面积的和大于第三预设阈值，则确定小麦颗粒为黑胚粒。
具体地，若小麦颗粒正面病变区域的第一面积S1和小麦颗粒反面病变区域的第二面积S2中较小的面积（假设为S1）大于第二预设阈值、并且该第一面积S1和该第二面积S2的和（S1+S2）大于第三预设阈值，则可以确定小麦颗粒为黑胚粒。
在本发明实施例中，可以将正反面的最小病变区域面积大于第二预设阈值且正反面的病变区域面积之和大于第三预设阈值的小麦颗粒直接确定为黑胚粒，从而提高了小麦黑胚粒的识别速度。
在一些实施例中，上述从第一图像中确定小麦颗粒的第一病变区域，并从第二图像中确定小麦颗粒的第二病变区域，可以包括：从第一图像中确定包括小麦颗粒的第一区域，并从第二图像中确定包括小麦颗粒的第二区域；从第一区域中确定第一病变区域，并从第二区域中确定第二病变区域。
具体地，在对包括多颗小麦的图像进行切割得到包括单颗小麦的图像后，包括单颗小麦的图像中可能会存在较少其他粘连小麦颗粒，这些粘连的小麦颗粒可能会干扰该单颗小麦主体的识别。为了减少其他粘连小麦颗粒的干扰，可以从包括单颗小麦和较少其他粘连小麦颗粒的第一图像中去除其他粘连小麦颗粒，得到只包括小麦颗粒的第一区域。其中，只包括小麦颗粒的第一区域可以包括单颗小麦的区域和背景区域，只包括小麦颗粒的第一区域也可以只包括单颗小麦的区域而不包括背景区域。同理，只包括小麦颗粒的第二区域可以包括单颗小麦的区域和背景区域，只包括小麦颗粒的第二区域也可以只包括单颗小麦的区域而不包括背景区域。然后，从只包括小麦颗粒而不包括其他粘连小麦颗粒的第一区域中确定该单颗小麦的第一病变区域，并从只包括小麦颗粒而不包括其他粘连小麦颗粒的第二区域中确定该单颗小麦的第二病变区域。在本申请中，可以以包括单颗小麦的区域和背景区域的第一区域、包括单颗小麦的区域和背景区域的第二区域为例进行说明。
在本发明实施例中，通过从第一图像中确定包括小麦颗粒的第一区域，并从第二图像中确定包括小麦颗粒的第二区域；从第一区域中确定第一病变区域，并从第二区域中确定第二病变区域。由此，可以从第一图像中去除其他粘连小麦颗粒，得到只包括小麦颗粒的第一区域，并从第二图像中去除其他粘连小麦颗粒，得到只包括小麦颗粒的第二区域，有利于提高后续的黑胚粒识别的准确度。
在一些实施例中，上述从第一图像中确定包括小麦颗粒的第一区域，并从第二图像中确定包括小麦颗粒的第二区域，可以包括：分别对第一图像和第二图像进行二值化处理，得到第一图像对应的第一mask图像和第二图像对应的第二mask图像；分别通过第一mask图像和第二mask图像，对第一图像和第二图像进行麦粒主体分割，得到第一区域和第二区域。
具体地，为了避免相邻的粘连小麦颗粒的干扰，可以通过mask图像分割出单颗小麦主体。具体实现时，可以分别对图2左侧的第一图像和第二图像进行二值化处理，得到右侧的第一图像对应的第一mask图像和第二图像对应的第二mask图像。
具体地，可以通过下述公式（1）对第一图像和第二图像进行麦粒主体分割，下述以对第一图像进行麦粒主体分割为例进行说明，对第二图像进行麦粒主体分割同理可得：
其中，g（x，y）为分割后得到的第一区域图像，f（x，y）为第一图像，n（x，y）为第一mask图像。
使用上述公式（1）进行麦粒主体分割的图像处理过程可以如图3所示，将第一mask图像和第二mask图像取反，使用取反后的mask图像与第一图像和第二图像相加，判断相加后的图像的像素值，像素值小于255时置不变，大于等于255时置0，从而得到去除了其他粘连小麦颗粒的第一区域图像和去除了其他粘连小麦颗粒的第二区域图像。
在本发明实施例中，可以通过mask图像分割出单颗小麦主体，减少了其他粘连小麦颗粒的干扰，从而有利于提高后续的黑胚粒识别的准确度。
图4为本发明实施例提供的一种图像预处理方法的流程示意图，参考图4所示，本实施例提供的图像预处理方法可以包括以下步骤：
S401，分别对第一图像和第二图像进行二值化处理，得到第一图像对应的第一mask图像和第二图像对应的第二mask图像。
S402，分别通过第一mask图像和第二mask图像，对第一图像和第二图像进行麦粒主体分割，得到第一区域和第二区域。
S403，分别对第一区域和第二区域进行灰度化处理，得到灰度化后的第一区域和灰度化后的第二区域。
具体地，可以通过现有的灰度化算法分别对第一区域和第二区域进行灰度化处理，得到灰度化后的第一区域和灰度化后的第二区域。例如，根据人眼对于R、B、G三种颜色的敏感度，按照预设权值进行加权得到灰度化后的第一区域和灰度化后的第二区域。
具体地，还可以将第一区域和第二区域中每个像素点的R值，作为每个像素点的像素值，以得到灰度化后的第一区域和灰度化后的第二区域。这样设置的原因是：大多数小麦颗粒都为卡其色也就是偏黄色，由于在RGB图像中R通道贡献了大部分黄色，R通道的灰度图若有变色区域，能与正常颜色的区别更大，因此通过将每个像素点的R值作为每个像素点的像素值而得到的灰度图，更加便于后期的图像处理操作。
S404，分别对灰度化后的第一区域和灰度化后的第二区域进行滤波处理，得到滤波后的第一区域和滤波后的第二区域。
具体地，为了防止细微噪点对图像的干扰，可以采用图像滤波算法过滤灰度化后的第一区域图像和灰度化后的第二区域图像。具体实现时，图像滤波算法可以为中值滤波算法、均值滤波算法等。例如，该滤波算法可以为中值滤波算法。该中值滤波算法的原理为：在图像x（n1，n2）中，以任一像素为中心设置一个确定的邻域A，邻域A的边长为2N+1（N=0，1，2…）。将邻域A内各像素的灰度值按大小顺序排列，取位于中间位置的那个值（中值）作为该像素点的输出值，遍历整幅图像就可完成整个滤波过程。其中，该邻域A可以为3乘3、5乘5、7乘7的奇数矩形区域，比如在本实施中可以采用7乘7邻域。
S405，分别对滤波后的第一区域和滤波后的第二区域进行过度曝光过滤处理，得到更新后的第一区域和第二区域。
具体地，在实际图像采集小麦图像的过程中发现，表面比较光滑的白麦容易出现局部过度曝光的现象，出现过度曝光的区域内的像数值偏高，基本上都是大于200的像数值，而未出现过度曝光的区域内的像素值很难高于200，若不将这些出现过度曝光的区域内的像素值过滤，会严重影响后续小麦黑胚粒的识别。因此可以采用200作为过度曝光区域处理的阈值，将过度曝光区域内的像素值全部置0变成背景。
具体地，可以通过下述公式（2）分别对滤波后的第一区域和滤波后的第二区域进行过度曝光过滤处理，下述以对滤波后的第一区域进行过度曝光过滤处理为例进行说明，对滤波后的第二区域进行过度曝光过滤处理同理可得：
其中，dst（x，y）为进行过度曝光过滤处理的第一区域图像，src（x，y）为滤波后的第一区域图像。
通过上述处理，更新后的第一区域图像中包括单颗小麦主体和背景，背景的像素值为零。
在本发明实施例中，通过分别对第一区域和第二区域进行灰度化处理，得到灰度化后的第一区域和灰度化后的第二区域；分别对灰度化后的第一区域和灰度化后的第二区域进行滤波处理，得到滤波后的第一区域和滤波后的第二区域；分别对滤波后的第一区域和滤波后的第二区域进行过度曝光过滤处理，得到更新后的第一区域和第二区域。由此，可以通过图像滤波算法，减少了细微噪点对图像的干扰；通过经验值过滤的方式，将过度曝光区域进行屏蔽，从而有利于提高后续的黑胚粒识别的准确度。
在上述实施例的基础上，上述从第一区域中确定第一病变区域，并从第二区域中确定第二病变区域，可以包括：根据第一区域的像素均值和预设分割偏向系数，计算第一分割阈值，并根据第二区域的像素均值和预设分割偏向系数，计算第二分割阈值，其中，预设分割偏向系数用于表征小麦颗粒的病变程度；基于第一分割阈值，从第一区域中确定第一病变区域，并基于第二分割阈值，从第二区域中确定第二病变区域。
具体地，由于背景区域会拉低像素均值而导致出现漏分割的问题，因此如果第一区域包括单颗小麦的区域而不包括背景区域，那么可以将第一区域内总像素值与第一区域内像素个数的商值，作为第一区域的像素均值；或者，在第一区域包括单颗小麦的区域和背景区域时，可以统计背景区域内像素个数，并将第一区域内总像素值，与，第一区域内像素个数和背景区域内像素个数的差值，之间的商值，作为第一区域的像素均值。同理也可以得到第二区域的像素均值。
相关技术中，阈值分割法是图像分割中的常用方法，它利用图像中要提取的目标与背景在灰度上的差异，通过设置阈值来把像素级分成若干类，从而实现目标与背景的分离。目前阈值的设定有手动阈值和自动阈值，手动设定阈值有一定的专业性，调试人员需要有一定的图像处理知识储备才能熟练使用，还需要根据小麦颗粒的品种设定不同的阈值，操作专业性要求太高、太复杂；自动阈值目前可以解决大部分问题，但是对于边界不是很清晰的病变小麦颗粒存在一定的误判，存在过度分割和漏分割的问题。因此，在本实施例中，可以在上述自动阈值的基础上，引入预设分割偏向系数，将预设分割偏向系数和上述计算得到的像素均值之间的乘积作为分割阈值，其中，该预设分割偏向系数可以用于表征小麦颗粒的病变程度。
具体地，可以通过下述公式（3）得到第一分割阈值，同理可得到第二分割阈值，本实施例以得到第一分割阈值为例进行说明：
其中，thre为第一分割阈值，M、N为第一区域图像的长、宽，xij为第一区域图像内任意像素点，sumpixel0为第一区域图像中像素值为0（即背景）的总个数，α为开放给调试人员的预设分割偏向系数。
具体实现时，调试人员可以根据分割需求，自行设置预设分割偏向系数，例如，预设分割偏向系数可以为0.6、0.85和1.1。如图5所示，当预设分割偏向系数为0.6时，只能分割出变色特别严重的区域；当预设分割偏向系数为0.85时，较严重变色和普通变色都被分割出来；当预设分割偏向系数为1.1时，非常轻微的变色都被分割成病变区域。
具体地，在确定第一分割阈值后，若只对第一区域图像进行提取R通道处理，可以基于该分割阈值对提取R通道后的灰度图像进行二值化处理，以实现小麦颗粒第一区域内的病变区域和正常区域（非病变区域）的分割。
或者，在确定第一分割阈值后，若对第一区域图像进行提取R通道处理和滤波处理，可以基于该第一分割阈值对滤波处理后的灰度图像进行二值化处理，以实现小麦颗粒第一区域内的病变区域和非病变区域的分割。
或者，在确定第一分割阈值后，若对第一区域图像进行提取R通道处理、滤波处理和过度曝光过滤处理，可以基于该第一分割阈值对过度曝光过滤处理后的灰度图像进行二值化处理，以实现小麦颗粒第一区域内的病变区域和非病变区域的分割。
如图6所示，图6以对第一区域图像和第二区域图像进行提取R通道处理，得到R通道的灰度图像，对R通道的灰度图进行中值滤波处理，得到中值滤波处理后的灰度图像，并基于第一分割阈值、第二分割阈值分别对中值滤波处理后的灰度图像进行二值化处理为例进行说明。基于第一分割阈值和第二分割阈值，通过下述公式（4）对中值滤波处理后的灰度图像进行二值化处理（分割处理），可以得到分割后的病变区域的轮廓图像（图中白色部分为病变区域，此时该病变区域的面积可以通过病变区域内像素值为255的像素总个数sumpixel255和单个像素的尺寸信息计算得到），并基于病变区域的轮廓，在第一区域图像和第二区域图像中绘制出病变区域（图中小麦颗粒中使用白色的线段绘制的区域即为病变区域），从而实现病变区域和非病变区域的分割。
公式（4）为：
其中，w（x，y）为滤波处理后的灰度图像，u（x，y）为二值化后的图像（病变区域的轮廓图像）。
具体地，在得到病变区域和非病变区域分割后的图像时，调试人员可以查看分割效果，若分割效果与调试人员的预期不同，调试人员可以调整预设分割偏向系数，重新对病变区域和非病变区域进行分割。
在本发明实施例中，通过根据第一区域的像素均值和预设分割偏向系数，计算第一分割阈值，并根据第二区域的像素均值和预设分割偏向系数，计算第二分割阈值，其中，预设分割偏向系数用于表征小麦颗粒的病变程度；基于第一分割阈值，从第一区域中确定第一病变区域，并基于第二分割阈值，从第二区域中确定第二病变区域。由此，调试人员可以根据分割需求，自行设置预设分割偏向系数，从而得到不同变色程度的病变区域。
作为一个具体示例，图7为本发明实施例提供的一种小麦黑胚粒识别方法的实施例二的流程示意图，如图7所示，本实施例提供的小麦黑胚粒识别方法可以包括以下步骤：
S701，确定小麦颗粒的第一图像、第二图像、第一图像对应的第一mask图像和第二图像对应的第二mask图像。
其中，第一图像为对小麦颗粒的正面进行拍摄得到的，第二图像为对小麦颗粒的反面进行拍摄得到的。
S702，分别通过第一mask图像和第二mask图像，对第一图像和第二图像进行麦粒主体分割，得到包括单颗小麦区域和背景区域的第一区域图像和包括单颗小麦区域和背景区域的第二区域图像。
S703，分别提取第一区域图像和第二区域图像的R通道，得到灰度化后的第一区域图像和灰度化后的第二区域图像。
S704，通过中值滤波算法，分别对灰度化后的第一区域图像和灰度化后的第二区域图像进行滤波处理，得到滤波后的第一区域图像和滤波后的第二区域图像。
S705，分别对滤波后的第一区域图像和滤波后的第二区域图像进行过度曝光过滤处理，得到更新后的第一区域图像和第二区域图像。
S706，根据更新后的第一区域图像的像素均值和预设分割偏向系数，计算第一分割阈值，并根据更新后的第二区域图像的像素均值和预设分割偏向系数，计算第二分割阈值。
其中，预设分割偏向系数用于表征小麦颗粒的病变程度。第一区域图像的像素均值为第一区域图像内总像素值，与，第一区域图像内像素个数和背景区域内像素个数的差值，之间的商值。
S707，基于第一分割阈值，从更新后的第一区域图像中确定第一病变区域，并基于第二分割阈值，从更新后的第二区域图像中确定第二病变区域。
S708，计算第一病变区域的第一面积和第二病变区域的第二面积。
S709，若第一面积和第二面积中较小的面积大于第二预设阈值、且第一面积和第二面积的和大于第三预设阈值，则确定小麦颗粒为黑胚粒。
在本发明实施例中，可以根据小麦颗粒正反面的病变区域面积，确定小麦颗粒的病变程度，进而根据小麦颗粒的病变程度判断小麦颗粒是否为黑胚粒，从而降低了误判率，提高了小麦黑胚粒的识别准确度。
图8为本发明实施例提供的一种小麦黑胚粒识别装置的结构示意图。如图8所示，该小麦黑胚粒识别装置80可以包括：获取模块810、第一确定模块820、计算模块830和第二确定模块840。
获取模块810，可以用于获取小麦颗粒的第一图像和第二图像，其中，第一图像为对小麦颗粒的正面进行拍摄得到的，第二图像为对小麦颗粒的反面进行拍摄得到的；第一确定模块820，可以用于从第一图像中确定小麦颗粒的第一病变区域，并从第二图像中确定小麦颗粒的第二病变区域；计算模块830，可以用于计算第一病变区域的第一面积和第二病变区域的第二面积；第二确定模块840，可以用于若第一面积和/或第二面积满足预设条件，则确定小麦颗粒为黑胚粒。
本发明实施例提供的小麦黑胚粒识别装置，通过获取模块，获取小麦颗粒的第一图像和第二图像，其中，第一图像为对小麦颗粒的正面进行拍摄得到的，第二图像为对小麦颗粒的反面进行拍摄得到的；通过第一确定模块，从第一图像中确定小麦颗粒的第一病变区域，并从第二图像中确定小麦颗粒的第二病变区域；通过计算模块，计算第一病变区域的第一面积和第二病变区域的第二面积；通过第二确定模块，若第一面积和/或第二面积满足预设条件，则确定小麦颗粒为黑胚粒。由此，可以根据小麦颗粒正反面的病变区域面积，确定小麦颗粒的病变程度，进而根据小麦颗粒的病变程度判断小麦颗粒是否为黑胚粒，从而降低了误判率，提高了小麦黑胚粒的识别准确度。
另外，相应于上述实施例所提供的小麦黑胚粒识别方法，本发明实施例还提供了一种电子设备，如图9所示，该电子设备90可以包括：存储器910、处理器920及存储在存储器910上并可在处理器920上运行的程序，处理器920执行程序时，实现本发明实施例提供的小麦黑胚粒识别方法的所有步骤。
在上述电子设备中，通过获取小麦颗粒的第一图像和第二图像，其中，第一图像为对小麦颗粒的正面进行拍摄得到的，第二图像为对小麦颗粒的反面进行拍摄得到的；从第一图像中确定小麦颗粒的第一病变区域，并从第二图像中确定小麦颗粒的第二病变区域；计算第一病变区域的第一面积和第二病变区域的第二面积；若第一面积和/或第二面积满足预设条件，则确定小麦颗粒为黑胚粒。由此，可以根据小麦颗粒正反面的病变区域面积，确定小麦颗粒的病变程度，进而根据小麦颗粒的病变程度判断小麦颗粒是否为黑胚粒，从而降低了误判率，提高了小麦黑胚粒的识别准确度。
另外，相应于上述实施例所提供的小麦黑胚粒识别方法，本发明实施例还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现本发明实施例的小麦黑胚粒识别方法的所有步骤。
在上述计算机可读存储介质中，通过获取小麦颗粒的第一图像和第二图像，其中，第一图像为对小麦颗粒的正面进行拍摄得到的，第二图像为对小麦颗粒的反面进行拍摄得到的；从第一图像中确定小麦颗粒的第一病变区域，并从第二图像中确定小麦颗粒的第二病变区域；计算第一病变区域的第一面积和第二病变区域的第二面积；若第一面积和/或第二面积满足预设条件，则确定小麦颗粒为黑胚粒。由此，可以根据小麦颗粒正反面的病变区域面积，确定小麦颗粒的病变程度，进而根据小麦颗粒的病变程度判断小麦颗粒是否为黑胚粒，从而降低了误判率，提高了小麦黑胚粒的识别准确度。
需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (11)
1.一种小麦黑胚粒识别方法，其特征在于，所述方法包括：
获取小麦颗粒的第一图像和第二图像，其中，所述第一图像为对所述小麦颗粒的正面进行拍摄得到的，所述第二图像为对所述小麦颗粒的反面进行拍摄得到的；
从所述第一图像中确定所述小麦颗粒的第一病变区域，并从所述第二图像中确定所述小麦颗粒的第二病变区域；
计算所述第一病变区域的第一面积和所述第二病变区域的第二面积；
若所述第一面积和/或所述第二面积满足预设条件，则确定所述小麦颗粒为黑胚粒。
2.根据权利要求1所述的小麦黑胚粒识别方法，其特征在于，所述从所述第一图像中确定所述小麦颗粒的第一病变区域，并从所述第二图像中确定所述小麦颗粒的第二病变区域，包括：
从所述第一图像中确定包括所述小麦颗粒的第一区域，并从所述第二图像中确定包括所述小麦颗粒的第二区域；
从所述第一区域中确定所述第一病变区域，并从所述第二区域中确定所述第二病变区域。
3.根据权利要求2所述的小麦黑胚粒识别方法，其特征在于，所述从所述第一图像中确定包括所述小麦颗粒的第一区域，并从所述第二图像中确定包括所述小麦颗粒的第二区域，包括：
分别对所述第一图像和所述第二图像进行二值化处理，得到所述第一图像对应的第一mask图像和所述第二图像对应的第二mask图像；
分别通过所述第一mask图像和所述第二mask图像，对所述第一图像和所述第二图像进行麦粒主体分割，得到所述第一区域和所述第二区域。
4.根据权利要求3所述的小麦黑胚粒识别方法，其特征在于，在所述得到所述第一区域和所述第二区域之后，所述方法还包括：
分别对所述第一区域和所述第二区域进行灰度化处理，得到灰度化后的第一区域和灰度化后的第二区域；
分别对灰度化后的第一区域和灰度化后的第二区域进行滤波处理，得到滤波后的第一区域和滤波后的第二区域；
分别对滤波后的第一区域和滤波后的第二区域进行过度曝光过滤处理，得到更新后的第一区域和第二区域。
5.根据权利要求4所述的小麦黑胚粒识别方法，其特征在于，所述分别对所述第一区域和所述第二区域进行灰度化处理，得到灰度化后的第一区域和灰度化后的第二区域，包括：
将所述第一区域和所述第二区域中每个像素点的R值，作为每个像素点的像素值，以得到灰度化后的第一区域和灰度化后的第二区域。
6.根据权利要求2-5任一项所述的小麦黑胚粒识别方法，其特征在于，所述从所述第一区域中确定所述第一病变区域，并从所述第二区域中确定所述第二病变区域，包括：
根据所述第一区域的像素均值和预设分割偏向系数，计算第一分割阈值，并根据所述第二区域的像素均值和预设分割偏向系数，计算第二分割阈值，其中，所述预设分割偏向系数用于表征所述小麦颗粒的病变程度；
基于所述第一分割阈值，从所述第一区域中确定所述第一病变区域，并基于所述第二分割阈值，从所述第二区域中确定所述第二病变区域。
7.根据权利要求1-5任一项所述的小麦黑胚粒识别方法，其特征在于，所述若所述第一面积和/或所述第二面积满足预设条件，则确定所述小麦颗粒为黑胚粒，包括：
若所述第一面积和/或所述第二面积大于第一预设阈值，则确定所述小麦颗粒为黑胚粒。
8.根据权利要求1-5任一项所述的小麦黑胚粒识别方法，其特征在于，所述若所述第一面积和/或所述第二面积满足预设条件，则确定所述小麦颗粒为黑胚粒，包括：
若所述第一面积和所述第二面积中较小的面积大于第二预设阈值、且所述第一面积和所述第二面积的和大于第三预设阈值，则确定所述小麦颗粒为黑胚粒。
9.一种小麦黑胚粒识别装置，其特征在于，所述装置包括：
获取模块，用于获取小麦颗粒的第一图像和第二图像，其中，所述第一图像为对所述小麦颗粒的正面进行拍摄得到的，所述第二图像为对所述小麦颗粒的反面进行拍摄得到的；
第一确定模块，用于从所述第一图像中确定所述小麦颗粒的第一病变区域，并从所述第二图像中确定所述小麦颗粒的第二病变区域；
计算模块，用于计算所述第一病变区域的第一面积和所述第二病变区域的第二面积；
第二确定模块，用于若所述第一面积和/或所述第二面积满足预设条件，则确定所述小麦颗粒为黑胚粒。
10.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序，所述处理器执行所述程序时，实现根据权利要求1-8任一项所述的方法。
11.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时实现根据权利要求1-8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310599750.4A CN116343199B (zh) | 2023-05-25 | 2023-05-25 | 小麦黑胚粒识别方法、装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310599750.4A CN116343199B (zh) | 2023-05-25 | 2023-05-25 | 小麦黑胚粒识别方法、装置、电子设备和可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116343199A true CN116343199A (zh) | 2023-06-27 |
| CN116343199B CN116343199B (zh) | 2023-09-19 |
Family
ID=86893292
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310599750.4A Active CN116343199B (zh) | 2023-05-25 | 2023-05-25 | 小麦黑胚粒识别方法、装置、电子设备和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116343199B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004120127A (ja) * | 2002-09-24 | 2004-04-15 | Seiko Epson Corp | 画像レイアウト装置及び画像レイアウトプログラム、並びに画像レイアウト方法 |
| WO2007068056A1 (en) * | 2005-12-14 | 2007-06-21 | Grains Research And Development Corporation | Stain assessment for cereal grains |
| CN108875747A (zh) * | 2018-06-15 | 2018-11-23 | 四川大学 | 一种基于机器视觉的小麦不完善粒识别方法 |
| CN112396061A (zh) * | 2020-11-25 | 2021-02-23 | 福州大学 | 基于目标灰度倾向加权的Otsu目标检测方法 |
| CN114066887A (zh) * | 2022-01-11 | 2022-02-18 | 安徽高哲信息技术有限公司 | 大米垩白区域检测方法、装置、设备及存储介质 |
| CN114332122A (zh) * | 2021-12-30 | 2022-04-12 | 福州大学 | 基于注意力机制分割并回归的细胞计数方法 |
-
2023
- 2023-05-25 CN CN202310599750.4A patent/CN116343199B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004120127A (ja) * | 2002-09-24 | 2004-04-15 | Seiko Epson Corp | 画像レイアウト装置及び画像レイアウトプログラム、並びに画像レイアウト方法 |
| WO2007068056A1 (en) * | 2005-12-14 | 2007-06-21 | Grains Research And Development Corporation | Stain assessment for cereal grains |
| CN108875747A (zh) * | 2018-06-15 | 2018-11-23 | 四川大学 | 一种基于机器视觉的小麦不完善粒识别方法 |
| CN112396061A (zh) * | 2020-11-25 | 2021-02-23 | 福州大学 | 基于目标灰度倾向加权的Otsu目标检测方法 |
| CN114332122A (zh) * | 2021-12-30 | 2022-04-12 | 福州大学 | 基于注意力机制分割并回归的细胞计数方法 |
| CN114066887A (zh) * | 2022-01-11 | 2022-02-18 | 安徽高哲信息技术有限公司 | 大米垩白区域检测方法、装置、设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| ANTHONY CARDARELLI等: "《Nondestructive quantification of internal damage in rough rice caused by insects and fungus》", 《PRECISION AGRICULTURE AND BIOLOGICAL QUALITY》, pages 2 - 3 * |
| XIAODONG ZHANG等: "《A marker-based watershed method for X-ray image segmentation》", 《COMPUTER METHOD AND PROGRAMS IN BIOMEDICINE》 * |
| 王超 等: "《快速自动模糊C均值聚类彩色图像分割算法》", 《激光与光电子学进展》, vol. 59, no. 22 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116343199B (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zotin et al. | Edge detection in MRI brain tumor images based on fuzzy C-means clustering | |
| CN115661135B (zh) | 一种心脑血管造影的病灶区域分割方法 | |
| Xu et al. | A novel method for blood vessel detection from retinal images | |
| CN110120056B (zh) | 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法 | |
| CN101853333B (zh) | 医疗机器人导航定位图像中的标记拾取方法 | |
| Shah et al. | Unsupervised method for retinal vessel segmentation based on gabor wavelet and multiscale line detector | |
| US8737703B2 (en) | Systems and methods for detecting retinal abnormalities | |
| EP2948897B1 (en) | Method and systems for cell-level fish dot counting | |
| CN108186051B (zh) | 一种从超声图像中自动测量胎儿双顶径长度的图像处理方法及处理系统 | |
| WO2008115405A2 (en) | A method of image quality assessment to procuce standardized imaging data | |
| CN107123115B (zh) | 一种基于图像处理的谷物收割清选损失实时在线检测方法 | |
| CN112819773B (zh) | 一种超声图像定量评估系统 | |
| CN115311309A (zh) | 一种用于核磁共振图像的病灶识别提取方法与系统 | |
| CN113781455B (zh) | 宫颈细胞图像异常检测方法、装置、设备及介质 | |
| CN108765448B (zh) | 一种基于改进tv-l1模型的虾苗计数分析方法 | |
| Hamad et al. | Brain's tumor edge detection on low contrast medical images | |
| Achakanalli et al. | Statistical analysis of skin cancer image–a case study | |
| Sheba et al. | Objective quality assessment of image enhancement methods in digital mammography–a comparative study | |
| Lazar et al. | Retinal microaneurysm detection based on intensity profile analysis | |
| CN113484867B (zh) | 一种基于成像声呐封闭空间下鱼群密度探测方法 | |
| CN113450305A (zh) | 医疗图像的处理方法、系统、设备及可读存储介质 | |
| CN116343199B (zh) | 小麦黑胚粒识别方法、装置、电子设备和可读存储介质 | |
| Algailani et al. | Detection of sickle cell disease based on an improved Watershed segmentation | |
| CN114494157A (zh) | 胎儿心脏四腔心超声切面图像质量自动评测方法 | |
| CN116993764B (zh) | 一种胃部ct智能分割提取方法 |
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 |