CN116420465B - 基于机器视觉的种子发芽率测定方法、系统及装置 - Google Patents
基于机器视觉的种子发芽率测定方法、系统及装置 Download PDFInfo
- Publication number
- CN116420465B CN116420465B CN202310705810.6A CN202310705810A CN116420465B CN 116420465 B CN116420465 B CN 116420465B CN 202310705810 A CN202310705810 A CN 202310705810A CN 116420465 B CN116420465 B CN 116420465B
- Authority
- CN
- China
- Prior art keywords
- bud
- image
- root
- seed
- seeds
- 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
- 230000007226 seed germination Effects 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000035784 germination Effects 0.000 claims abstract description 43
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 230000001143 conditioned effect Effects 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims 8
- 230000011218 segmentation Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 206010063385 Intellectualisation Diseases 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 238000005286 illumination Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C1/00—Apparatus, or methods of use thereof, for testing or treating seed, roots, or the like, prior to sowing or planting
- A01C1/02—Germinating apparatus; Determining germination capacity of seeds or the like
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10024—Color 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P60/00—Technologies relating to agriculture, livestock or agroalimentary industries
- Y02P60/20—Reduction of greenhouse gas [GHG] emissions in agriculture, e.g. CO2
- Y02P60/21—Dinitrogen oxide [N2O], e.g. using aquaponics, hydroponics or efficiency measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Soil Sciences (AREA)
- Quality & Reliability (AREA)
- Environmental Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physiology (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于机器视觉的种子发芽率测定方法、系统及装置,方法包括:对原始种子发芽图像进行预处理,分别分割出种子二值化图像、芽二值化图像及根二值化图像;得到根粗均值,得到芽轮廓多边形并构建芽轮廓集与芽轮廓顶点集并形成芽端点坐标点集,形成芽轮廓骨架线点集;根据芽端点坐标点集、芽轮廓骨架线点集判断是否存在断芽;将断芽与断芽进行连接形成新芽,并将新芽与种子进行连接,计算所有芽的芽长、根长度及种子直径;得到种子数量,判断符合种子发芽的数量,进而得到种子发芽率。通过本发明的方法解决了不同检验人员间出现计数误差等问题;能够精确了解到即便视觉断芽也能判断出是否发芽了,能够精确得到种子的发芽率。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种基于机器视觉的种子发芽率测定方法、系统及装置。
背景技术
种子发芽率是指种子在适宜的光照和温度条件下长成正常幼苗的种子数量与供发芽种子总数的比值,能够在一定程度上反映种子的活力;同时也是种子质量检验的重要指标之一,精确的测定种子发芽率可合理、准确的指导单位面积的播种量,对农业生产具有重要的指导意义。目前发芽率的检测通常是在培养箱中进行,根据不同的作物选择合适的发芽床(穴盘、纸床、沙床)并且设置适宜的温度和光照条件,发芽结束后通过人工统计正常幼苗的数量,但此方法不仅费时费力而且存在不同检验人员间出现计数误差等问题。
随着机器视觉技术的快速发展,将机器视觉应用于种子发芽率的测定可快速准确的识别种子发芽率,实现了种子发芽率测定的自动化与智能化,减少了人工计数误差,提高了种子发芽率测定效率。
发明内容
本发明针对现有技术中的缺点,提供了一种基于机器视觉的种子发芽率测定方法、系统及装置。
为了解决上述技术问题,本发明通过下述技术方案得以解决:
一种基于机器视觉的种子发芽率测定方法,包括以下步骤:
对原始种子发芽图像进行预处理,分别分割出仅包含种子、仅包含芽和仅包含根的种子二值化图像、芽二值化图像及根二值化图像;
基于根二值化图像,得到根粗均值,基于芽二值化图像,获取所有连通域最外层轮廓,对所有连通域最外层轮廓进行多边形拟合,得到芽轮廓多边形并构建芽轮廓集与芽轮廓顶点集;
基于芽轮廓集得到芽端点坐标,并形成芽端点坐标点集,基于芽轮廓顶点集得到芽轮廓骨架线,并形成芽轮廓骨架线点集;
基于种子二值化图像、芽二值化图像及根二值化图像,根据芽端点坐标点集、芽轮廓骨架线点集判断是否存在断芽;
若存在,则将断芽与断芽进行连接形成新芽,并将新芽与种子进行连接,计算所有芽的芽长、根长度及种子直径;
根据种子二值化图像得到种子数量,根据各芽长度与根长度判断符合种子发芽的数量,进而得到种子发芽率。
作为一种可实施方式,所述对原始种子发芽图像进行预处理,分别分割出仅包含种子、仅包含芽和仅包含根的种子二值化图像、芽二值化图像及根二值化图像,包括以下步骤:
将原始种子发芽图像从RGB图像转化为HSV空间图像,在RGB空间分离得到第一绿色通道图像、第一白色通道图像及第一背景图像,在HSV空间分离得到第二绿色通道图像、第二白色通道图像及第二背景图像;
将第一白色通道图像和第二白色通道图像取并集,将第一绿色通道图像和第二绿色通道图像取并集,得到仅包含芽的芽二值化图像和仅包含根的根二值化图像;
对原始种子发芽图像进行自适应二值化处理得种子发芽二值化图像;
基于种子发芽二值化图像,依次减去芽二值化图像及根二值化图像,得到仅包含种子的初始种子二值化图像;
对所述初始种子二值化图像进行噪声处理,得到种子二值化图像。
作为一种可实施方式,所述基于根二值化图像得到根粗均值,包括以下步骤:
基于所述根二值化图像,得到根轮廓坐标及根轮廓坐标集;
任取根轮廓坐标集中的一个根轮廓坐标,查找当前所在根轮廓坐标与距离最近的根轮廓坐标;
计算两个根轮廓坐标之间的距离,所述距离即为根宽度;
重复以上步骤,进而得到根宽度的平均值。
作为一种可实施方式,所述获取所有连通域最外层轮廓,对所有连通域最外层轮廓进行多边形拟合,并构建芽轮廓集与芽轮廓顶点集,包括以下步骤:
获取所述芽二值化图像中所有连通域最外层轮廓,对所有连通域最外层轮廓进行多边形拟合,得到芽轮廓多边形;
根据所述芽轮廓多边形构建芽轮廓集与芽轮廓顶点集,其中,以芽轮廓多边形的顶点点集中任意一点为起点,沿芽轮廓多边形寻找下一顶点为终点,得到起点与终点形成的线段矢量角,再以终点为下一个起点,沿芽轮廓多边形寻找下一顶点为终点,得到起点与终点形成的线段矢量角,得到相邻两段矢量角的第一角度差及第二角度差;若第一角度差满足第一预设条件则添加至芽轮廓集中,若第一角度差及第二角度差满足第二预设条件,则添加至芽轮廓顶点集中。
作为一种可实施方式,所述基于芽轮廓顶点集得到芽轮廓骨架线,并形成芽轮廓骨架线点集,包括以下步骤:
取芽轮廓顶点集中任意第一顶点坐标,查询距离第一顶点坐标最近的第二顶点坐标,并查找与第二顶点坐标最近的第三顶点坐标;
若第一顶点坐标与第三顶点坐标为同一个顶点坐标,则计算第一顶点坐标与第三顶点坐标的中点坐标;
依次遍历芽轮廓多边形各个顶点坐标,重复以上步骤,连接得到的所有中点坐标,基于所有中点坐标形成芽轮廓骨架线点集。
作为一种可实施方式,所述则将断芽与断芽进行连接形成新芽,并将新芽与种子进行连接,包括以下步骤:
将断芽进行连接,得到芽连接图像,将芽与种子连接,得到芽与种子连接图像;
将种子二值化图像、根二值化图像和芽连接图像相加得到总图像,并提取总图像的总轮廓得到总轮廓集;
遍历总轮廓集,为每个总轮廓创建全白图像,得到临时图像;
分别将种子二值化图像、根二值化图像和芽连接图像与所述临时图像作差处理,得到仅包含种子的种子图像、仅包含芽的芽图像与仅包含根的根图像。
作为一种可实施方式,所述将断芽进行连接,得到芽连接图像,将芽与种子连接,得到芽与种子连接图像,包括以下步骤:
计算所述芽端点坐标点集中任意两个芽端点之间的芽距离;
若所述芽距离小于1.5倍根平均宽度,则计算两轮廓骨架线与各个芽端点临近两线段倾角,若两线段倾角的角度差小于30度,则将两个芽端点进行连接;
依次遍历所有芽轮廓,得芽与芽的芽连接图像;
获取芽连接图像的端点,若芽端点与种子轮廓点集中种子轮廓点之间最近距离小于1.5倍根平均宽度,则将芽端点与种子轮廓点连接;
依次遍历所有芽端点,得到芽与种子连接图像。
作为一种可实施方式,计算根图像中的根长及种子图像中种子直径,包括以下步骤:
分别获取所有根端点及芽端点,分别各以根端点及芽端点的两端点所在直线对图像进行处理,得对应的新轮廓点集及新骨架点集;
初始化y方向坐标的最大值和最小值,以y方向最小值向下遍历x方向坐标,取x方向最大值与最小值的中点坐标及y值为骨架线一点坐标,得到骨架线长度,所述骨架线长度即为芽或根的长度。
作为一种可实施方式,所述根据种子二值化图像得到种子数量,根据芽长与根长判断符合种子发芽的数量,进而得到种子发芽率,包括以下步骤:
基于所述种子二值化图像,得到种子数量;
根据芽长、根长及种子直径,判断种子是否发芽,得到种子发芽数量;
基于种子发芽数量及种子总数量,得到种子发芽率。
作为一种可实施方式,所述对所述初始种子二值化图像进行噪声处理,得到种子二值化图像,包括以下步骤:
对所述初始种子二值化图像进行微小噪声及边缘平滑处理,得到第一图像;
计算第一图像中所有连通域的最小外接圆平均半径;
对不符合条件的连通域进行处理,得到符合条件的连通域,其中,剔除连通域半径小于0.5倍平均半径的连通域,对连通域半径大于1.5倍平均半径的连通域进行腐蚀处理,将连通域半径小于1.2倍平均半径;
基于符合条件的连通域得到种子二值化图像。
作为一种可实施方式,所述第一白色通道图像的表达式为:
第一绿色通道图像的表达式为:
其中,P(x,y)为分离后图像一点像素值,R、G、B为原始种子发芽图像在RGB空间的各个通道分离值,&代表“与”运算;
第二白色通道图像的表达式为:
第二绿色通道图像的表达式为:
其中,H、S、V为HSV空间图像的各个通道分离值,&代表“与”运算。
作为一种可实施方式,所述自适应二值化处理,包括以下步骤:
原始种子发芽图像中灰度级的概率表示如下:
其中,n i表示灰度级i的像素数量,p i为概率;
预设自适应二值化处理的二值化阈值为k,则灰度小于k的概率p a(k)表示如下:
p a(k)平均灰度m a(k)表示如下:
则灰度大于k的概率p b(k)为:
p b(k)平均灰度m b(k)为:
原始种子发芽图像中平均灰度m g为:
则原始种子发芽图像中灰度级小于像素数量与大于k像素数量间方差为:
当方差达到最大值,则确定自适应二值化阈值k。
一种基于机器视觉的种子发芽率测定系统,包括处理分割模块、轮廓构建模块、点集形成模块、断芽判断模块、处理连接模块及计算判断模块;
所述处理分割模块,用于对原始种子发芽图像进行预处理,分别分割出仅包含种子、仅包含芽和仅包含根的种子二值化图像、芽二值化图像及根二值化图像;
所述轮廓构建模块,基于根二值化图像,得到根粗均值,基于芽二值化图像,获取所有连通域最外层轮廓,对所有连通域最外层轮廓进行多边形拟合,得到芽轮廓多边形并构建芽轮廓集与芽轮廓顶点集;
所述点集形成模块,基于芽轮廓集得到芽端点坐标,并形成芽端点坐标点集,基于芽轮廓顶点集得到芽轮廓骨架线,并形成芽轮廓骨架线点集;
所述断芽判断模块,基于种子二值化图像、芽二值化图像及根二值化图像,根据芽端点坐标点集、芽轮廓骨架线点集判断是否存在断芽;
所述处理连接模块,被设置为:若存在,则将断芽与断芽进行连接形成新芽,并将新芽与种子进行连接,计算所有芽的芽长、根长度及种子直径;
所述计算判断模块,用于根据种子二值化图像得到种子数量,根据各芽长度与根长度判断符合种子发芽的数量,进而得到种子发芽率。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如下所述的方法:
对原始种子发芽图像进行预处理,分别分割出仅包含种子、仅包含芽和仅包含根的种子二值化图像、芽二值化图像及根二值化图像;
基于根二值化图像,得到根粗均值,基于芽二值化图像,获取所有连通域最外层轮廓,对所有连通域最外层轮廓进行多边形拟合,得到芽轮廓多边形并构建芽轮廓集与芽轮廓顶点集;
基于芽轮廓集得到芽端点坐标,并形成芽端点坐标点集,基于芽轮廓顶点集得到芽轮廓骨架线,并形成芽轮廓骨架线点集;
基于种子二值化图像、芽二值化图像及根二值化图像,根据芽端点坐标点集、芽轮廓骨架线点集判断是否存在断芽;
若存在,则将断芽与断芽进行连接形成新芽,并将新芽与种子进行连接,计算所有芽的芽长、根长度及种子直径;
根据种子二值化图像得到种子数量,根据各芽长度与根长度判断符合种子发芽的数量,进而得到种子发芽率。
一种基于机器视觉的种子发芽率测定装置,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如下所述的方法:
对原始种子发芽图像进行预处理,分别分割出仅包含种子、仅包含芽和仅包含根的种子二值化图像、芽二值化图像及根二值化图像;
基于根二值化图像,得到根粗均值,基于芽二值化图像,获取所有连通域最外层轮廓,对所有连通域最外层轮廓进行多边形拟合,得到芽轮廓多边形并构建芽轮廓集与芽轮廓顶点集;
基于芽轮廓集得到芽端点坐标,并形成芽端点坐标点集,基于芽轮廓顶点集得到芽轮廓骨架线,并形成芽轮廓骨架线点集;
基于种子二值化图像、芽二值化图像及根二值化图像,根据芽端点坐标点集、芽轮廓骨架线点集判断是否存在断芽;
若存在,则将断芽与断芽进行连接形成新芽,并将新芽与种子进行连接,计算所有芽的芽长、根长度及种子直径;
根据种子二值化图像得到种子数量,根据各芽长度与根长度判断符合种子发芽的数量,进而得到种子发芽率。
本发明由于采用了以上技术方案,具有显著的技术效果:
通过本发明的方法能解决现有检验人员技术费时费力问题,并且还解决了不同检验人员间出现计数误差等问题;
实现了种子发芽率测定的自动化与智能化,减少了人工计数误差,提高了种子发芽率测定效率;
并且还对存在断芽的种子进行处理,将视觉断芽情况考虑在内,能够精确了解到即便视觉断芽也能判断出是否发芽了,能够精确得到种子的发芽率。
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是本发明采集装置及种子载体示意图;
图2是本发明方法的流程示意图;
图3是本发明系统的整体示意图;
图4是种子二值化图像;
图5是芽二值化图像;
图6是根二值化图像。
具体实施方式
下面结合实施例对本发明做进一步的详细说明,以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例1:
一种基于机器视觉的种子发芽率测定方法,如图2所示,包括以下步骤:
S100、对原始种子发芽图像进行预处理,分别分割出仅包含种子、仅包含芽和仅包含根的种子二值化图像(如图4)、芽二值化图像(如图5)及根二值化图像(如图6);
S200、基于根二值化图像,得到根粗均值,基于芽二值化图像,获取所有连通域最外层轮廓,对所有连通域最外层轮廓进行多边形拟合,得到芽轮廓多边形并构建芽轮廓集与芽轮廓顶点集;
S300、基于芽轮廓集得到芽端点坐标,并形成芽端点坐标点集,基于芽轮廓顶点集得到芽轮廓骨架线,并形成芽轮廓骨架线点集;
S400、基于种子二值化图像、芽二值化图像及根二值化图像,根据芽端点坐标点集、芽轮廓骨架线点集判断是否存在断芽;
S500、若存在,则将断芽与断芽进行连接形成新芽,并将新芽与种子进行连接,计算所有芽的芽长、根长度及种子直径;
S600、根据种子二值化图像得到种子数量,根据各芽长度与根长度判断符合种子发芽的数量,进而得到种子发芽率。
通过本发明的方法能解决现有检验人员技术费时费力问题,并且还解决了不同检验人员间出现计数误差等问题;实现了种子发芽率测定的自动化与智能化,减少了人工计数误差,提高了种子发芽率测定效率;并且还对存在断芽的种子进行处理,将断芽情况考虑在内,能够精确了解到即便断芽了是是否种子也已经发芽了,能够精确得到种子的发芽率。
原始种子发芽图像可以通过相机采集,相机及种子载体等具体布局可以参见附图1所示,得到的就是一幅原始种子发芽图像image_src(在此没有示意图)。
在步骤S100中,所述对原始种子发芽图像进行预处理,分别分割出仅包含种子、仅包含芽和仅包含根的种子二值化图像、芽二值化图像及根二值化图像,包括以下步骤:
S110、将原始种子发芽图像从RGB图像转化为HSV空间图像,在RGB空间分离得到第一绿色通道图像、第一白色通道图像及第一背景图像,在HSV空间分离得到第二绿色通道图像、第二白色通道图像及第二背景图像;
S120、将第一白色通道图像和第二白色通道图像取并集,将第一绿色通道图像和第二绿色通道图像取并集,得到仅包含芽的芽二值化图像和仅包含根的根二值化图像;
S130、对原始种子发芽图像进行自适应二值化处理得种子发芽二值化图像;
S140、基于种子发芽二值化图像,依次减去芽二值化图像及根二值化图像,得到仅包含种子的初始种子二值化图像;
S150、对所述初始种子二值化图像进行噪声处理,得到种子二值化图像。
详细的过程以一幅原始种子发芽图像image_src为例来说明:
首先获取到一幅原始种子发芽图像image_src,对原始种子发芽图像image_src进行预处理分割出仅包含种子的种子二值化图像image_seed;仅包含芽的芽二值化图像image_bud与仅包含根的根二值化图像image_root:
首先,将原始种子发芽图像image_src转化到HSV空间的HSV空间图像image_hsv;
再次,分别在RGB空间和HSV空间分离绿色通道图像RGB_green与HSV_green和白色通道图像RGB_white与HSV_white;
在RGB空间分离白色通道的表达式为:
其中,P(x,y)为分离后图像一点像素值,R、G、B为原始种子发芽图像image_src的各通道分离值,&代表“与”运算。
在RGB空间分离绿色通道的表达式为:
在HSV空间分离白色通道的表达式为:
其中,H、S、V为HSV空间图像image_hsv的各通道分离值,&代表“与”运算。
在HSV空间分离绿色通道的表达式为:
由将两个白色通道图像取并集,将两个绿色通道图像图像取并集,得到仅包含芽的芽二值化图像和仅包含根的根二值化图像;
再次,对原始种子发芽图像image_src进行自适应二值化处理得种子发芽二值化图像image_binary,二值化阈值计算方法如下:
设n i为灰度级i的像素数量,则原始种子发芽图像image_src中灰度级i的概率p i为:
设二值化阈值为k,则灰度小于k的概率p a(k)为:
p a(k)平均灰度m a(k)为:
灰度大于k的概率p b(k)为:
p b(k)平均灰度m b(k)为:
原始种子发芽图像image_src中平均灰度m g为:
则原始种子发芽图像image_src中灰度级小于像素数量与大于k像素数量间方差为:
使方差最大,可得自适应二值化阈值k。
再基于种子发芽二值化图像,依次减去芽二值化图像及根二值化图像,得到仅包含种子的初始种子二值化图像,详细步骤如下:
Step1:提取种子发芽二值化图像image_binary中所有连通域的最小外接圆半径Ri;
Step2:计算最小外接圆半径Ri大小中位数所在连通域像素坐标p(x c,y c);
Step3:在原始种子发芽图像image_src取坐标p(x c,y c)所在连通域外一点R c、G c、B c像素值;
Step4:根据所提取到的R c、G c、B c像素值,在HSV空间分离背景图像得第二背景图像hsv_split;
Step5:由第二背景图像hsv_split与种子发芽二值化图像image_binary取交集得优化后二值化图像major_binary;
Step6:由图像major_binary依次减去图像根二值化图像image_root、图像芽二值化图像image_bud的仅包含种子的图像种子二值化图像image_seed。
对分离出仅包含种子的图像种子二值化图像image_seed进行噪声处理步骤如下:
所述对所述初始种子二值化图像进行噪声处理,得到种子二值化图像,包括以下步骤:
对所述初始种子二值化图像进行微小噪声及边缘平滑处理,得到第一图像;
计算第一图像中所有连通域的最小外接圆平均半径;
对不符合条件的连通域进行处理,得到符合条件的连通域,其中,剔除连通域半径小于0.5倍平均半径的连通域,对连通域半径大于1.5倍平均半径的连通域进行腐蚀处理,将连通域半径小于1.2倍平均半径;
基于符合条件的连通域得到种子二值化图像。
具体为:
对图像种子二值化图像image_seed进行形态学处理,处理微小噪声,对图像边缘平滑处理;
计算形态学处理后图像种子二值化图像image_seed中所有连通域的最小外接圆平均半径R_avg;
清除连通域半径小于0.5*R_avg的连通域;
对连通域半径大于1.5*R_avg,进行腐蚀处理,至该连通域半径小于1.2*R_avg,最终得到种子二值化图像。
一个实施例中,步骤S200中,所述基于根二值化图像得到根粗均值,包括以下步骤:
S210、基于所述根二值化图像,得到根轮廓坐标及根轮廓坐标集;
S220、任取根轮廓坐标集中的一个根轮廓坐标,查找当前所在根轮廓坐标与距离最近的根轮廓坐标;
S230、计算两个根轮廓坐标之间的距离,所述距离即为根宽度;
S240、重S220-S230步骤,进而得到根宽度的平均值。
在执行过程中,结合到具体根二值化图像image_root,则详细步骤如下:
提取根二值化图像image_root的轮廓坐标;
任取根轮廓坐标集中任一点坐标,求当前所在轮廓坐标与所取坐标最近一点坐标;
计算两点间距离,即为根宽度w rooti;
重复以上计算过程,得到根宽度平均值w root。
在步骤S300中,所述获取所有连通域最外层轮廓,对所有连通域最外层轮廓进行多边形拟合,并构建芽轮廓集与芽轮廓顶点集,包括以下步骤:
获取所述芽二值化图像中所有连通域最外层轮廓,对所有连通域最外层轮廓进行多边形拟合,得到芽轮廓多边形;
根据所述芽轮廓多边形构建芽轮廓集与芽轮廓顶点集,其中,以芽轮廓多边形的顶点点集中任意一点为起点,沿芽轮廓多边形寻找下一顶点为终点,得到起点与终点形成的线段矢量角,再以终点为下一个起点,沿芽轮廓多边形寻找下一顶点为终点,得到起点与终点形成的线段矢量角,得到相邻两段矢量角的第一角度差及第二角度差;若第一角度差满足第一预设条件则添加至芽轮廓集中,若第一角度差及第二角度差满足第二预设条件,则添加至芽轮廓顶点集中。
详细的执行过程如下:
提取图像芽二值化图像image_bud中所有连通域最外层轮廓;
对所有连通域最外层轮廓进行多边形拟合;
根据芽轮廓多边形拟合结果构建芽轮廓集{C|c1,c2,c3,...,cn}与每一芽轮廓顶点集{V|v11,v12,v13,...,vnm};
寻找端点算法为矢量角(VA)算法,具体为:
VA(C,V)
E=null
O=null
for i in C
for j in V
a1=A(vij-vi(j+1))-A(vi(j+1)-vi(j+2))
a2=A(vi(j+1)-vi(j+2))-A(vi(j+2)-vi(j+3))
if(90<a1<180)
E.push_back(vi(j+1))
if((0<a1<90&&0<a2<90)&&(0<a1+a2<180))
O.push_back(vi(j+1),vi(j+2))
E.push_back(max_distance(O,E))
extreme_point.push_back(E)
其中,C为芽轮廓集,V为芽轮廓顶点集,首先初始化两个空集E、O,用于存放临时提取的端点集,计算以芽轮廓多边形顶点点集一点为起点,沿轮廓逆时针寻找下一顶点为终点,计算该线段矢量角,再以该线段终点为下一线段起点,沿轮廓逆时针寻找下一顶点为终点,计算线段矢量角,依次计算相邻两段矢量角的角度差a1、a2;若a1满足设置条件将端点添加至点集E,若a1、a2满足设置条件将端点添加至点集O,将点集O中距点集E中最远一点添加至点集E,最后将点集E添加至芽端点坐标点集extreme_point,保存记录芽端点坐标点集extreme_point。
在一个实施例中,所述基于芽轮廓顶点集得到芽轮廓骨架线,并形成芽轮廓骨架线点集,包括以下步骤:
取芽轮廓顶点集中任意第一顶点坐标,查询距离第一顶点坐标最近的第二顶点坐标,并查找与第二顶点坐标最近的第三顶点坐标;
若第一顶点坐标与第三顶点坐标为同一个顶点坐标,则计算第一顶点坐标与第三顶点坐标的中点坐标;
依次遍历芽轮廓多边形各个顶点坐标,重复以上步骤,连接得到的所有中点坐标,基于所有中点坐标形成芽轮廓骨架线点集。
在执行过程中,芽轮廓多边形骨架线算法,表示如下:
取芽轮廓多边形一顶点坐标P ij,求与之最近一点坐标P in,并求P in最近一点坐标P io,若P io与P ij为同一点,计算P in与P i中点坐标Pm ik;
依次遍历芽轮廓多边形各顶点坐标,重复上述步骤,连接各中点坐标Pm ik,将点Pm ik添加至点集skeleton_point得到芽轮廓骨架线点集。
在实验室环境下或者其他情况下,是将种子放置在发芽床(穴盘、纸床、沙床)上,发芽之后再去判断种子的发芽率,那么,采集到的原始种子发芽图像中,种子的芽会被沙子或者基质或者其他材料遮挡住,因此,种子的芽在视觉上会形成“断芽”,因此,在整个发明过程中,一定要考虑到这种情况,也就是说,在计算发芽率的时候必须要考虑到断芽的情况,那么需要对视觉上的断芽进行处理,要先将视觉上的断芽进行连接,连接之后,再将连接好的新芽与种子进行连接,包括以下步骤:
将断芽进行连接,得到芽连接图像,将芽与种子连接,得到芽与种子连接图像;
将种子二值化图像、根二值化图像和芽连接图像相加得到总图像,并提取总图像的总轮廓得到总轮廓集;
遍历总轮廓集,为每个总轮廓创建全白图像,得到临时图像;
分别将种子二值化图像、根二值化图像和芽连接图像与所述临时图像作差处理,得到仅包含种子的种子图像、仅包含芽的芽图像与仅包含根的根图像。
在此实施例中,得到芽与种子连接图像,包括以下步骤:
计算所述芽端点坐标点集中任意两个芽端点之间的芽距离;
若所述芽距离小于1.5倍根平均宽度,则计算两轮廓骨架线与各个芽端点临近两线段倾角,若两线段倾角的角度差小于30度,则将两个芽端点进行连接;
依次遍历所有芽轮廓,得芽与芽的芽连接图像;
获取芽连接图像的端点,若芽端点与种子轮廓点集中种子轮廓点之间最近距离小于1.5倍根平均宽度,则将芽端点与种子轮廓点连接;
依次遍历所有芽端点,得到芽与种子连接图像。
在实际情况中,断芽可能是因为种子在芽的上方,所以需要将芽与芽进行连接,具体如下:
计算芽端点坐标点集extreme_point任意两端点间距离l ep;
若两端点间距离l ep小于1.5*w root,计算两轮廓骨架线与各端点临近两线段倾角,若两线段倾角的角度差小于30度,连接两端点;
依次遍历所有轮廓,得芽与芽连接后的芽连接图像bud_connect;
连接之后,还会将芽与种子连接,具体如下:
Step1:提取芽与芽连接后的芽连接图像bud_connect的端点;
Step2:芽端点与种子轮廓点集seed_point间最近距离l sp小于1.5*w root,连接两点;
Step3:依次遍历所有芽端点,重复Step2,完成的芽与种子连接。
在此实施例中,计算根图像中的根长及种子图像中种子直径,包括以下步骤:
分别获取所有根端点及芽端点,分别各以根端点及芽端点的两端点所在直线对图像进行处理,得对应的新轮廓点集及新骨架点集;
初始化y方向坐标的最大值和最小值,以y方向最小值向下遍历x方向坐标,取x方向最大值与最小值的中点坐标及y值为骨架线一点坐标,得到骨架线长度,所述骨架线长度即为芽或根的长度。
详细过程参见如下:
提取种子根、芽的端点,以两端点所在直线对图像进行摆正处理,重新提取轮廓点集E,骨架所在点集为S;
S=null
y_s=min(E.y)
y_e=max(E.y)
for(i=y_s;i<y_e;i++)
X=null
X=find(E.x(y==i))
x1=min(X)
x2=max(X)
x_o=(x1+x2)/2
y_o=i
S.push_back(Point(x_o, y_o))
X.clear()
bud_length=0
for k in S
if(S[k].x==S[k+1].x||S[k].y==S[k+1].y)
bud_length=bud_length+1
else
bud_length=bud_length+1.414
首先初始化一空集X,取轮廓点集E,y方向坐标的最大值和最小值,然后以y方向最小值向下遍历x方向坐标,取x方向最大值与最小值的中点坐标及y值为芽骨架线一点坐标,并键入骨架线点集S,最后求骨架线长度,即为芽或根的长度。
在一个实施例中,所述根据种子二值化图像得到种子数量,根据芽长与根长判断符合种子发芽的数量,进而得到种子发芽率,包括以下步骤:
基于所述种子二值化图像,得到种子数量;
根据芽长、根长及种子直径,判断种子是否发芽,得到种子发芽数量;
基于种子发芽数量及种子总数量,得到种子发芽率。
种子有没有发芽或者如何被认定为发芽,在本领域中,都是根据国家标准判断中是否发芽,具体情况如下:
禾谷类长籽粒的根长l root达种子直径r diameter,芽长l bud至少达种子直径r diameter的二分之一,则该种子标记为发芽,否则该种子标记为未发芽;
单子叶圆籽粒的根长l root和芽长l bud均达种子直径r diameter;双子叶圆籽粒根长l root达种子直径r diameter,则该种子标记为发芽,否则该种子标记为未发芽。
另外,为了更好的区分种子是否发芽,还可以进行标记,具体如下:
对已发芽种子与未发芽种子以不同特征在原始种子发芽图像image_src中进行标记,以区别发芽与未发芽种子。
实施例2:
一种基于机器视觉的种子发芽率测定系统,如图3所示,包括处理分割模块100、轮廓构建模块200、点集形成模块300、断芽判断模块400、处理连接模块500及计算判断模块600;
所述处理分割模块100,用于对原始种子发芽图像进行预处理,分别分割出仅包含种子、仅包含芽和仅包含根的种子二值化图像、芽二值化图像及根二值化图像;
所述轮廓构建模块200,基于根二值化图像,得到根粗均值,基于芽二值化图像,获取所有连通域最外层轮廓,对所有连通域最外层轮廓进行多边形拟合,得到芽轮廓多边形并构建芽轮廓集与芽轮廓顶点集;
所述点集形成模块300,基于芽轮廓集得到芽端点坐标,并形成芽端点坐标点集,基于芽轮廓顶点集得到芽轮廓骨架线,并形成芽轮廓骨架线点集;
所述断芽判断模块400,基于种子二值化图像、芽二值化图像及根二值化图像,根据芽端点坐标点集、芽轮廓骨架线点集判断是否存在断芽;
所述处理连接模块500,被设置为:若存在,则将断芽与断芽进行连接形成新芽,并将新芽与种子进行连接,计算所有芽的芽长、根长度及种子直径;
所述计算判断模块600,用于根据种子二值化图像得到种子数量,根据各芽长度与根长度判断符合种子发芽的数量,进而得到种子发芽率。
在不脱离本发明的精神和范围的情况下做出的各种变化和变型,所有等同的技术方案也属于本发明的范畴。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同、相似的部分互相参见即可。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
需要说明的是:
说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。
此外,需要说明的是,本说明书中所描述的具体实施例,其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化,均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离本发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (12)
1.一种基于机器视觉的种子发芽率测定方法,其特征在于,包括以下步骤:
对原始种子发芽图像进行预处理,分别分割出仅包含种子、仅包含芽和仅包含根的种子二值化图像、芽二值化图像及根二值化图像;
基于根二值化图像,得到根粗均值,基于芽二值化图像,获取所有连通域最外层轮廓,对所有连通域最外层轮廓进行多边形拟合,得到芽轮廓多边形并构建芽轮廓集与芽轮廓顶点集;
基于芽轮廓集得到芽端点坐标,并形成芽端点坐标点集,基于芽轮廓顶点集得到芽轮廓骨架线,并形成芽轮廓骨架线点集;
基于种子二值化图像、芽二值化图像及根二值化图像,根据芽端点坐标点集、芽轮廓骨架线点集判断是否存在断芽;
若存在,则将断芽与断芽进行连接形成新芽,并将新芽与种子进行连接,计算所有芽的芽长、根长度及种子直径;
根据种子二值化图像得到种子数量,根据各芽长度与根长度判断符合种子发芽的数量,进而得到种子发芽率;
其中,所述则将断芽与断芽进行连接形成新芽,并将新芽与种子进行连接,包括以下步骤:将断芽进行连接,得到芽连接图像,将芽与种子连接,得到芽与种子连接图像;将种子二值化图像、根二值化图像和芽连接图像相加得到总图像,并提取总图像的总轮廓得到总轮廓集;遍历总轮廓集,为每个总轮廓创建全白图像,得到临时图像;分别将种子二值化图像、根二值化图像和芽连接图像与所述临时图像作差处理,得到仅包含种子的种子图像、仅包含芽的芽图像与仅包含根的根图像;
其中,所述将断芽进行连接,得到芽连接图像,将芽与种子连接,得到芽与种子连接图像,包括以下步骤:计算所述芽端点坐标点集中任意两个芽端点之间的芽距离;若所述芽距离小于1.5倍根平均宽度,则计算两轮廓骨架线与各个芽端点临近两线段倾角,若两线段倾角的角度差小于30度,则将两个芽端点进行连接;依次遍历所有芽轮廓,得芽与芽的芽连接图像;获取芽连接图像的端点,若芽端点与种子轮廓点集中种子轮廓点之间最近距离小于1.5倍根平均宽度,则将芽端点与种子轮廓点连接;依次遍历所有芽端点,得到芽与种子连接图像;
其中,计算所有芽的芽长、根长度,包括以下步骤:
分别获取所有根端点及芽端点,分别各以根端点及芽端点的两端点所在直线对图像进行处理,得对应的新轮廓点集及新骨架点集;初始化y方向坐标的最大值和最小值,以y方向最小值向下遍历x方向坐标,取x方向最大值与最小值的中点坐标及y值为骨架线一点坐标,得到骨架线长度,所述骨架线长度即为芽或根的长度。
2.根据权利要求1所述的基于机器视觉的种子发芽率测定方法,其特征在于,所述对原始种子发芽图像进行预处理,分别分割出仅包含种子、仅包含芽和仅包含根的种子二值化图像、芽二值化图像及根二值化图像,包括以下步骤:
将原始种子发芽图像从RGB图像转化为HSV空间图像,在RGB空间分离得到第一绿色通道图像、第一白色通道图像及第一背景图像,在HSV空间分离得到第二绿色通道图像、第二白色通道图像及第二背景图像;
将第一白色通道图像和第二白色通道图像取并集,将第一绿色通道图像和第二绿色通道图像取并集,得到仅包含芽的芽二值化图像和仅包含根的根二值化图像;
对原始种子发芽图像进行自适应二值化处理得种子发芽二值化图像;
基于种子发芽二值化图像,依次减去芽二值化图像及根二值化图像,得到仅包含种子的初始种子二值化图像;
对所述初始种子二值化图像进行噪声处理,得到种子二值化图像。
3.根据权利要求1所述的基于机器视觉的种子发芽率测定方法,其特征在于,所述基于根二值化图像得到根粗均值,包括以下步骤:
基于所述根二值化图像,得到根轮廓坐标及根轮廓坐标集;
任取根轮廓坐标集中的一个根轮廓坐标,查找当前所在根轮廓坐标与距离最近的根轮廓坐标;
计算两个根轮廓坐标之间的距离,所述距离即为根宽度;
重复以上步骤,进而得到根宽度的平均值。
4.根据权利要求1所述的基于机器视觉的种子发芽率测定方法,其特征在于,所述获取所有连通域最外层轮廓,对所有连通域最外层轮廓进行多边形拟合,并构建芽轮廓集与芽轮廓顶点集,包括以下步骤:
获取所述芽二值化图像中所有连通域最外层轮廓,对所有连通域最外层轮廓进行多边形拟合,得到芽轮廓多边形;
根据所述芽轮廓多边形构建芽轮廓集与芽轮廓顶点集,其中,以芽轮廓多边形的顶点点集中任意一点为起点,沿芽轮廓多边形寻找下一顶点为终点,得到起点与终点形成的线段矢量角,再以终点为下一个起点,沿芽轮廓多边形寻找下一顶点为终点,得到起点与终点形成的线段矢量角,得到相邻两段矢量角的第一角度差及第二角度差;若第一角度差满足第一预设条件则添加至芽轮廓集中,若第一角度差及第二角度差满足第二预设条件,则添加至芽轮廓顶点集中。
5.根据权利要求1所述的基于机器视觉的种子发芽率测定方法,其特征在于,所述基于芽轮廓顶点集得到芽轮廓骨架线,并形成芽轮廓骨架线点集,包括以下步骤:
取芽轮廓顶点集中任意第一顶点坐标,查询距离第一顶点坐标最近的第二顶点坐标,并查找与第二顶点坐标最近的第三顶点坐标;
若第一顶点坐标与第三顶点坐标为同一个顶点坐标,则计算第一顶点坐标与第三顶点坐标的中点坐标;
依次遍历芽轮廓多边形各个顶点坐标,重复以上步骤,连接得到的所有中点坐标,基于所有中点坐标形成芽轮廓骨架线点集。
6.根据权利要求1所述的基于机器视觉的种子发芽率测定方法,其特征在于,所述根据种子二值化图像得到种子数量,根据芽长与根长判断符合种子发芽的数量,进而得到种子发芽率,包括以下步骤:
基于所述种子二值化图像,得到种子数量;
根据芽长、根长及种子直径,判断种子是否发芽,得到种子发芽数量;
基于种子发芽数量及种子总数量,得到种子发芽率。
7.根据权利要求2所述的基于机器视觉的种子发芽率测定方法,其特征在于,所述对所述初始种子二值化图像进行噪声处理,得到种子二值化图像,包括以下步骤:
对所述初始种子二值化图像进行微小噪声及边缘平滑处理,得到第一图像;
计算第一图像中所有连通域的最小外接圆平均半径;
对不符合条件的连通域进行处理,得到符合条件的连通域,其中,剔除连通域半径小于0.5倍平均半径的连通域,对连通域半径大于1.5倍平均半径的连通域进行腐蚀处理,将连通域半径小于1.2倍平均半径;
基于符合条件的连通域得到种子二值化图像。
8.根据权利要求2所述的基于机器视觉的种子发芽率测定方法,其特征在于,所述第一白色通道图像的表达式为:
第一绿色通道图像的表达式为:
其中,P(x,y)为分离后图像一点像素值,R、G、B为原始种子发芽图像在RGB空间的各个通道分离值,&代表“与”运算;
第二白色通道图像的表达式为:
第二绿色通道图像的表达式为:
其中,H、S、V为HSV空间图像的各个通道分离值,&代表“与”运算。
9.根据权利要求2所述的基于机器视觉的种子发芽率测定方法,其特征在于,所述自适应二值化处理,包括以下步骤:
原始种子发芽图像中灰度级的概率表示如下:
其中,n i表示灰度级i的像素数量,p i为概率;
预设自适应二值化处理的二值化阈值为k,则灰度小于k的概率p a(k)表示如下:
p a(k)平均灰度m a(k)表示如下:
则灰度大于k的概率p b(k)为:
p b(k)平均灰度m b(k)为:
原始种子发芽图像中平均灰度m g为:
则原始种子发芽图像中灰度级小于像素数量与大于k像素数量间方差为:
当方差达到最大值,则确定自适应二值化阈值k。
10.一种基于机器视觉的种子发芽率测定系统,其特征在于,包括处理分割模块、轮廓构建模块、点集形成模块、断芽判断模块、处理连接模块及计算判断模块;
所述处理分割模块,用于对原始种子发芽图像进行预处理,分别分割出仅包含种子、仅包含芽和仅包含根的种子二值化图像、芽二值化图像及根二值化图像;
所述轮廓构建模块,基于根二值化图像,得到根粗均值,基于芽二值化图像,获取所有连通域最外层轮廓,对所有连通域最外层轮廓进行多边形拟合,得到芽轮廓多边形并构建芽轮廓集与芽轮廓顶点集;
所述点集形成模块,基于芽轮廓集得到芽端点坐标,并形成芽端点坐标点集,基于芽轮廓顶点集得到芽轮廓骨架线,并形成芽轮廓骨架线点集;
所述断芽判断模块,基于种子二值化图像、芽二值化图像及根二值化图像,根据芽端点坐标点集、芽轮廓骨架线点集判断是否存在断芽;
所述处理连接模块,被设置为:若存在,则将断芽与断芽进行连接形成新芽,并将新芽与种子进行连接,计算所有芽的芽长、根长度及种子直径;
所述计算判断模块,用于根据种子二值化图像得到种子数量,根据各芽长度与根长度判断符合种子发芽的数量,进而得到种子发芽率;
其中,所述则将断芽与断芽进行连接形成新芽,并将新芽与种子进行连接,包括以下步骤:将断芽进行连接,得到芽连接图像,将芽与种子连接,得到芽与种子连接图像;将种子二值化图像、根二值化图像和芽连接图像相加得到总图像,并提取总图像的总轮廓得到总轮廓集;遍历总轮廓集,为每个总轮廓创建全白图像,得到临时图像;分别将种子二值化图像、根二值化图像和芽连接图像与所述临时图像作差处理,得到仅包含种子的种子图像、仅包含芽的芽图像与仅包含根的根图像;
其中,所述将断芽进行连接,得到芽连接图像,将芽与种子连接,得到芽与种子连接图像,包括以下步骤:计算所述芽端点坐标点集中任意两个芽端点之间的芽距离;若所述芽距离小于1.5倍根平均宽度,则计算两轮廓骨架线与各个芽端点临近两线段倾角,若两线段倾角的角度差小于30度,则将两个芽端点进行连接;依次遍历所有芽轮廓,得芽与芽的芽连接图像;获取芽连接图像的端点,若芽端点与种子轮廓点集中种子轮廓点之间最近距离小于1.5倍根平均宽度,则将芽端点与种子轮廓点连接;依次遍历所有芽端点,得到芽与种子连接图像;
其中,计算所有芽的芽长、根长度,包括以下步骤:
分别获取所有根端点及芽端点,分别各以根端点及芽端点的两端点所在直线对图像进行处理,得对应的新轮廓点集及新骨架点集;初始化y方向坐标的最大值和最小值,以y方向最小值向下遍历x方向坐标,取x方向最大值与最小值的中点坐标及y值为骨架线一点坐标,得到骨架线长度,所述骨架线长度即为芽或根的长度。
11.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至9任意一项所述的方法。
12.一种基于机器视觉的种子发芽率测定装置,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至9任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310705810.6A CN116420465B (zh) | 2023-06-15 | 2023-06-15 | 基于机器视觉的种子发芽率测定方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310705810.6A CN116420465B (zh) | 2023-06-15 | 2023-06-15 | 基于机器视觉的种子发芽率测定方法、系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116420465A CN116420465A (zh) | 2023-07-14 |
CN116420465B true CN116420465B (zh) | 2023-09-29 |
Family
ID=87092998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310705810.6A Active CN116420465B (zh) | 2023-06-15 | 2023-06-15 | 基于机器视觉的种子发芽率测定方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116420465B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2175111A1 (en) * | 1996-04-26 | 1997-10-27 | Robert Conrad | Method for assessing the quality of a seed lot by determining the vigor rating of a plug flat of seedlings using image analysis |
JP2019113439A (ja) * | 2017-12-25 | 2019-07-11 | 国立大学法人北見工業大学 | 種の方向認識装置及び認識方法、並びに種植機 |
CN112907545A (zh) * | 2021-02-25 | 2021-06-04 | 湖州师范学院 | 基于图像处理的种子芽长与根长检测方法 |
CN113610101A (zh) * | 2021-06-17 | 2021-11-05 | 上海师范大学 | 一种谷粒萌发率测定方法 |
CN114519749A (zh) * | 2022-03-03 | 2022-05-20 | 湖北工程学院 | 基于深度学习的种子发芽试验自动监测系统 |
CN115088416A (zh) * | 2022-07-08 | 2022-09-23 | 南京农业大学 | 农作物种子发芽率检测装置及其图像检测方法 |
-
2023
- 2023-06-15 CN CN202310705810.6A patent/CN116420465B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2175111A1 (en) * | 1996-04-26 | 1997-10-27 | Robert Conrad | Method for assessing the quality of a seed lot by determining the vigor rating of a plug flat of seedlings using image analysis |
JP2019113439A (ja) * | 2017-12-25 | 2019-07-11 | 国立大学法人北見工業大学 | 種の方向認識装置及び認識方法、並びに種植機 |
CN112907545A (zh) * | 2021-02-25 | 2021-06-04 | 湖州师范学院 | 基于图像处理的种子芽长与根长检测方法 |
CN113610101A (zh) * | 2021-06-17 | 2021-11-05 | 上海师范大学 | 一种谷粒萌发率测定方法 |
CN114519749A (zh) * | 2022-03-03 | 2022-05-20 | 湖北工程学院 | 基于深度学习的种子发芽试验自动监测系统 |
CN115088416A (zh) * | 2022-07-08 | 2022-09-23 | 南京农业大学 | 农作物种子发芽率检测装置及其图像检测方法 |
Non-Patent Citations (1)
Title |
---|
穴盘苗发芽率在线视觉检测研究;张帆等;《西南大学学报(自然科学版)》;第43卷(第10期);84-91 * |
Also Published As
Publication number | Publication date |
---|---|
CN116420465A (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103077529B (zh) | 基于图像扫描的植物叶片特征分析系统 | |
CN107507208B (zh) | 一种基于轮廓上曲率估计的图像特征点提取方法 | |
CN115908411B (zh) | 基于视觉检测的混凝土养护质量分析方法 | |
CN108230321A (zh) | 缺陷检测方法及装置 | |
CN103985098B (zh) | 一种证件图像的高光去除方法及系统 | |
CN105160682B (zh) | 图像边缘检测方法及装置 | |
CN110349153B (zh) | 基于多特征融合的图像法烟草含梗率检测方法 | |
CN112907545B (zh) | 基于图像处理的种子芽长与根长检测方法 | |
CN108445009B (zh) | 一种太阳能电池板裂纹检测方法 | |
CN114706358B (zh) | 一种直缝焊管的焊接工艺信息处理方法及系统 | |
CN113077486B (zh) | 一种山区植被覆盖率监测方法及系统 | |
CN111598780B (zh) | 一种适用于机载LiDAR点云的地形自适应插值滤波方法 | |
CN114998198A (zh) | 一种注塑件表面缺陷识别方法 | |
CN111145205B (zh) | 基于红外图像的多猪只场景下猪体温检测方法 | |
CN117152137A (zh) | 基于图像处理的焊管腐蚀状态检测方法 | |
CN113096121A (zh) | 基于交叉断裂力学和图像处理的路面裂缝检测方法和系统 | |
CN117408913B (zh) | 待测物体点云去噪方法、系统及装置 | |
CN116420465B (zh) | 基于机器视觉的种子发芽率测定方法、系统及装置 | |
CN116485801B (zh) | 基于计算机视觉的胶管质量在线检测方法及系统 | |
CN113298838B (zh) | 一种物体轮廓线提取方法及系统 | |
CN117173661B (zh) | 基于计算机视觉的沥青道路质量检测方法 | |
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 | |
CN116453700A (zh) | 一种基于血管特征的多层次递阶结构式分型方法 | |
CN116612139B (zh) | 基于深度学习的高精度种子发芽率测定方法、系统及装置 | |
CN112991327B (zh) | 基于机器视觉的钢格网焊接系统、方法和终端设备 |
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 |