CN116434126A - 农作物的微振动速度检测方法及装置 - Google Patents
农作物的微振动速度检测方法及装置 Download PDFInfo
- Publication number
- CN116434126A CN116434126A CN202310697972.XA CN202310697972A CN116434126A CN 116434126 A CN116434126 A CN 116434126A CN 202310697972 A CN202310697972 A CN 202310697972A CN 116434126 A CN116434126 A CN 116434126A
- Authority
- CN
- China
- Prior art keywords
- image
- crops
- crop
- micro
- frame
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 58
- 239000012535 impurity Substances 0.000 claims abstract description 12
- 238000012512 characterization method Methods 0.000 claims abstract description 6
- 241000209140 Triticum Species 0.000 claims description 39
- 235000021307 Triticum Nutrition 0.000 claims description 39
- 238000001514 detection method Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 16
- 241000196324 Embryophyta Species 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 244000038559 crop plants Species 0.000 claims 2
- 238000005259 measurement Methods 0.000 abstract description 26
- 238000005516 engineering process Methods 0.000 abstract description 11
- 230000008859 change Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 230000003628 erosive effect Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000005202 decontamination Methods 0.000 description 1
- 230000003588 decontaminative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 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
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Processing (AREA)
Abstract
本发明涉及测量技术领域，特别涉及一种农作物的微振动速度检测方法及装置，其中，方法包括：获取待测农作物的视频数据；基于视频数据的色块区别，勾勒出待测农作物的边框，得到初始处理图像，并对初始处理图像进行二值化和除杂处理，得到保留待测农作物的运动主体的最终图像；分析最终图像中各边框像素点的速度，得到速度分层表征的输出图像，并分析输出图像中的特征速度值，生成随帧数变化的图线，以计算农作物的至少一个相关数据，得到农作物的微振动速度结果。由此，解决了相关技术中，无法兼顾样品的完整性与测量的高效性和准确性，成本较高，难以直观地获得所需的测量结果的技术问题。
Description
技术领域
本发明涉及测量技术领域，特别涉及一种农作物的微振动速度检测方法及装置。
背景技术
振动是自然界中普遍存在的运动现象，物体的位置振动，特别是小幅振动，可以相当好的反映物体的物理学参数，而对小幅振动的周期测量是振动参数测量的重要环节。小麦是我国主要粮食作物之一，小麦产量对国家粮食安全具有重大意义，但是受气候等因素影响，小麦在生长中后期易发生倒伏，使得小麦减产15%至40%；因此，选育抗倒伏能力强的小麦十分重要。
相关技术中，在对小麦抗倒伏能力测量时，小麦倒伏后的复位速度则成为了主要的测试项，其中，测试方法可以包括力学实验测量、图像识别技术测量、雷达技术测量等。
其中，力学实验测量需要采样，对于不便于采样的情况，比如采样将有损物品完整性，或样本数过多的情况，比如一个群体的平均周期，力学采样显然是不适用的；
以yolo算法为代表的图像识别技术，可以首先识别图像中的每一个物体，在不同帧之间建立物体上位置的一一对应，再利用位置和帧数关系得到物体速度，它的缺点在于计算量大，且需要一定水平的训练，在针对不同的目标可能需要不同的图像识别训练，泛用性差，程序复杂，处理了很多冗余信息，得到速度和周期不够直接；
雷达技术测量成本价高且达到高精度需要雷达阵列，而就小型单元雷达来说，数据处理难度高，信息输出不够直接，且不在可见光波段，即雷达无法做到直观的同时输出一个连续体不同位置的速度情况，难以做到速度可视化，并且对于有一定空间分布的群体，波长较长的雷达难以回避相位重叠的问题。
综上所述，相关技术中，无法兼顾样品的完整性与测量的高效性和准确性，成本较高，难以直观地获得所需的测量结果，有待改进。
发明内容
本发明提供一种农作物的微振动速度检测方法及装置，以解决相关技术中，无法兼顾样品的完整性与测量的高效性和准确性，成本较高，难以直观地获得所需的测量结果的技术问题。
本发明第一方面实施例提供一种农作物的微振动速度检测方法，包括以下步骤：获取待测农作物的视频数据；基于所述视频数据的色块区别，勾勒出所述待测农作物的边框，得到初始处理图像，并对所述初始处理图像进行二值化和除杂处理，得到保留所述待测农作物的运动主体的最终图像；以及分析所述最终图像中各边框像素点的速度，得到速度分层表征的输出图像，并分析所述输出图像中的特征速度值，生成随帧数变化的图线，以计算所述农作物的至少一个相关数据，得到所述农作物的微振动速度结果。
可选地，在本发明的一个实施例中，所述至少一个相关数据包括无量纲数。
可选地，在本发明的一个实施例中，所述无量纲数的计算公式为：
其中，
为所述无量纲数，g为重力加速度，l为小麦株高，T为振动周期，C为固定常数。
可选地，在本发明的一个实施例中，所述对所述初始处理图像进行二值化和除杂处理，包括：基于所述处理图像的彩色对应的权重，转化为灰度图；根据所述灰度图识别所述农作物的物体边缘，得到新的处理图像；对所述新的处理图像进行二值化处理。
可选地，在本发明的一个实施例中，所述分析所述最终图像中各边框像素点的速度，得到速度分层表征的输出图像，包括：将不同帧的边框像素点作差并取绝对值；根据所述绝对值计算目标帧中边框像素点的速度。
本发明第二方面实施例提供一种农作物的微振动速度检测装置，包括：获取模块，用于获取待测农作物的视频数据；处理模块，用于基于所述视频数据的色块区别，勾勒出所述待测农作物的边框，得到初始处理图像，并对所述初始处理图像进行二值化和除杂处理，得到保留所述待测农作物的运动主体的最终图像；以及计算模块，用于分析所述最终图像中各边框像素点的速度，得到速度分层表征的输出图像，并分析所述输出图像中的特征速度值，生成随帧数变化的图线，以计算所述农作物的至少一个相关数据，得到所述农作物的微振动速度结果。
可选地，在本发明的一个实施例中，所述至少一个相关数据包括无量纲数。
可选地，在本发明的一个实施例中，所述无量纲数的计算公式为：
其中，
为所述无量纲数，g为重力加速度，l为小麦株高，T为振动周期，C为固定常数。
可选地，在本发明的一个实施例中，所述处理模块包括：转化单元，用于基于所述处理图像的彩色对应的权重，转化为灰度图；识别单元，用于根据所述灰度图识别所述农作物的物体边缘，得到新的处理图像；处理单元，用于对所述新的处理图像进行二值化处理。
可选地，在本发明的一个实施例中，所述计算模块包括：取值单元，用于将不同帧的边框像素点作差并取绝对值；计算单元，用于根据所述绝对值计算目标帧中边框像素点的速度。
本发明第三方面实施例提供一种电子设备，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计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的农作物的微振动速度检测方法。
本发明第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，该程序被处理器执行时实现如上的农作物的微振动速度检测方法。
本发明实施例可以基于待测农作物视频数据的色块区别，得到初始处理图像，并在处理后，得到保留待测农作物的运动主体的最终图像，分析最终图像中各边框像素点的速度，得到速度分层表征的输出图像，从而得到特征速度值，生成随帧数变化的图线，以计算农作物的至少一个相关数据，得到农作物的微振动速度结果，无需破坏样品的完整性，可以在不经过图像对应点判别的情况下直接输出每一点的速度，提高了容错率，能够输出二维图像中任何一帧任何一点的速度坐标，提高了速度探测的维度，同时对输入视频的每帧每个像素点进行速度识别、分层、标记，并可根据需求有针对性的进行所需数据的输出，简化算法的复杂程度，使之可以在更低的计算机配置要求下，不经机器学习即可进行速度分析。由此，解决了相关技术中，无法兼顾样品的完整性与测量的高效性和准确性，成本较高，难以直观地获得所需的测量结果的技术问题。
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
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明实施例提供的一种农作物的微振动速度检测方法的流程图；
图2为根据本发明一个实施例的农作物的微振动速度检测方法的流程图；
图3为根据本发明实施例提供的一种农作物的微振动速度检测装置的结构示意图；
图4为根据本发明实施例提供的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的农作物的微振动速度检测方法及装置。针对上述背景技术中心提到的相关技术中，无法兼顾样品的完整性与测量的高效性和准确性，成本较高，难以直观地获得所需的测量结果的技术问题，本发明提供了一种农作物的微振动速度检测方法，在该方法中，可以基于待测农作物视频数据的色块区别，得到初始处理图像，并在处理后，得到保留待测农作物的运动主体的最终图像，分析最终图像中各边框像素点的速度，得到速度分层表征的输出图像，从而得到特征速度值，生成随帧数变化的图线，以计算农作物的至少一个相关数据，得到农作物的微振动速度结果，无需破坏样品的完整性，可以在不经过图像对应点判别的情况下直接输出每一点的速度，提高了容错率，能够输出二维图像中任何一帧任何一点的速度坐标，提高了速度探测的维度，同时对输入视频的每帧每个像素点进行速度识别、分层、标记，并可根据需求有针对性的进行所需数据的输出，简化算法的复杂程度，使之可以在更低的计算机配置要求下，不经机器学习即可进行速度分析。由此，解决了相关技术中，无法兼顾样品的完整性与测量的高效性和准确性，成本较高，难以直观地获得所需的测量结果的技术问题。
具体而言，图1为本发明实施例所提供的一种农作物的微振动速度检测方法的流程示意图。
如图1所示，该农作物的微振动速度检测方法包括以下步骤：
在步骤S101中，获取待测农作物的视频数据。
在实际执行过程中，本发明实施例可以通过预设环境检测机器车，采集预设环境检测机器车拂过待测田地的过程中的农作物的视频数据，以获取待测农作物的视频数据。
本发明实施例可以在图像识别技术的基础上，在小麦倒伏之前，通过拂动小麦，采集小麦整个测试过程的视频数据，进而基于视频数据进行小麦的抗倒伏测量，无需采样，实现机械化，成本低廉，零件可替换性高，数据处理速度快，简单易行。
举例而言，预设环境检测机器车可以包括：行进模块、支撑模块和检测模块，行进模块具有行进轮；支撑模块可伸缩地设置在行进模块上；检测模块设置在支撑模块上，用于收集环境信息，其中，通过支撑模块伸缩可改变检测模块的位置。在应用过程中，本发明实施例可以通过将支撑模块设置在行进模块上，基于支撑模块的伸缩，可使检测模块活动到待采集的位置，且可以改变支撑模块的高度，从而使得检测模块可以活动到不同高度的位置，提高了环境检测机器车的检测范围；且整体结构紧凑，可以在地面环境复杂的麦田无障碍前行，实现采集预设环境检测机器车拂过待测田地的过程中的农作物的视频数据。
需要注意的是，本发明实施例采集的视频数据包括拂动小麦开始至小麦停止的全过程，在采集过程中，可以通过如减震垫等方式，保证视频数据采集过程中的清晰度、稳定性。
在步骤S102中，基于视频数据的色块区别，勾勒出待测农作物的边框，得到初始处理图像，并对初始处理图像进行二值化和除杂处理，得到保留待测农作物的运动主体的最终图像。
作为一种可能实现的方式，本发明实施例可以基于视频数据的色块区别，勾勒出待测农作物的边框，确定待测农作物的主体，得到初始处理图像，并将初始处理图像进行二值化，将其从彩色图像转变为黑白色，并进行反色膨胀的等效侵蚀和再膨胀，实现图像的除杂处理，以得到保留待测农作物的运动主体的最终图像，从而便于检测农作物的微振动速度。
其中，图像侵蚀除杂的工作原理可以如下所示：
本发明实施例可以将图像进行矩阵表示：
矩阵进行c1核卷积，以达到如下效果（亮：值为1；暗：值为0）：
c1=zeros(3,3)，
c1(2:3,2)=1，
如果Ax亮，则将Bx也变亮；如果By亮，则将Cy也变亮；如果Cz亮，则将Dz也变亮。
从而实现对单独亮点的除杂，本发明实施例还可以通过调整卷积核，达到其它效果。
举例而言，本发明实施例可以假设矩阵：
，该矩阵经c1核卷积之后，可以成为：
即反色（01互换）后，如果某个亮的像素点正下方一个像素点为暗像素点，则该暗像素点：1、是反色前的亮点；2、是孤立的噪点，或者是上边缘点。
本发明实施例可以转换该像素点，以达到除噪目的。
此外，以麦子为例，由于麦子的茎秆在图像中呈现上下的走势，且十分细长，因此，本发明实施例可以采用上下侵蚀除杂而不采用左右侵蚀，以保证对主要部分影响较小。
可选地，在本发明的一个实施例中，对初始处理图像进行二值化和除杂处理，包括：基于处理图像的彩色对应的权重，转化为灰度图；根据灰度图识别农作物的物体边缘，得到新的处理图像；对新的处理图像进行二值化处理。
举例而言，本发明实施例可以首先把一张彩色rgb图，通过对rgb赋予不同的权重求和转化成灰度图，其中，本发明实施例可以针对不同的情况和特征颜色进行不同的权重赋予，以取得更好的灰度效果。
其次，本发明实施例可以利用矩阵卷积函数和定义的算子，在灰度图中针对灰度取梯度，其中，定义等价于一个梯度算子，能够筛出色彩变化较大的位置，即是一个物体的边缘。
然后，本发明实施例可以对新的图做二值化处理，以上几步，色彩变化大的地方成为白色，变化小的地方成为黑色。其中，本发明实施例可以对于不同的颜色（比如绿色的未成熟麦子和黄色的成熟麦子），自动选择一个合适的二值化临界值，而当临界值的自动选择偏小以至于出现无意义的杂斑时，可以手动调整临界值参数。
在步骤S103中，分析最终图像中各边框像素点的速度，得到速度分层表征的输出图像，并分析输出图像中的特征速度值，生成随帧数变化的图线，以计算农作物的至少一个相关数据，得到农作物的微振动速度结果。
进一步地，本发明实施例可以分析最终图像中各边框像素点的速度得到速度分层表征的输出图像，通过分析输出图像中的特征速度值，生成随帧数变化的图线，以计算农作物的至少一个相关数据，得到农作物的微振动速度结果，便于后续应用于测算农作物的抗倒伏能力。
可选地，在本发明的一个实施例中，分析最终图像中各边框像素点的速度，得到速度分层表征的输出图像，包括：将不同帧的边框像素点作差并取绝对值；根据绝对值计算目标帧中边框像素点的速度。
在实际执行过程中，分析最终图像中各边框像素点的速度的过程可以包括：本发明实施例可以将两个不同帧（A，B）作差取绝对值，再与A点乘，得到A有B无的部分，以A，B1，B2，B3（A后一帧，两帧，三帧）为例，计算A中某个像素点的速度（像素速度，单位：像素/帧），其中，由于图形的变化是连续的，且连续若干帧间的速度认为不变：
A3=|A-B3|
A，
A2=|A-B2|
A3，
A1=|A-B1|
A2，
若A2=1，A1=0（意为A2中某个像素点是亮的，但A1中变暗，以下类推），说明这个像素点在过了1帧后还在原位，但过了两帧后不在原位，因此速度介于1/2~1像素/帧之间。同理A3=1，A2=0，则介于1/3~1/2之间。
可选地，在本发明的一个实施例中，至少一个相关数据包括无量纲数。
在一些实施例中，本发明实施例可以通过分析得到包含表征农作物抗倒伏性的多种相关数据，其中，最为主要的相关数据为无量纲数。
可选地，在本发明的一个实施例中，无量纲数的计算公式为：
其中，
为无量纲数，g为重力加速度，l为小麦株高，T为振动周期，C为固定常数。
以小麦为例，在不同品种小麦的同一生长时期时，
值越大，代表该小麦品种的抗倒伏性越差，本发明实施例通过大量数据分析，可以得到/>
值以0.001为界区分若干样本的是否抗倒伏性，并且不抗倒伏/>
值约为抗倒伏/>
值的1.5倍。本发明实施例可以利用MATLAB进行编程，以实现对不同时刻小麦回弹时各个点的速度进行分析并输出，并根据实际实验进行倒伏与抗倒伏的相关筛选，并通过分析小麦的振动速度曲线，可以得到速度—帧数图线，进而得到周期，用以计算无量纲数/>
，经实际检验，取样的倒伏小麦和抗倒伏小麦的/>
值有明显区别。
结合图2所示，以一个实施例对本发明实施例的农作物的微振动速度检测方法的工作原理进行详细阐述。如图2所示，本发明实施例可以包括以下步骤：
步骤S201：获得视频输入。在实际执行过程中，本发明实施例可以通过预设环境检测机器车，采集预设环境检测机器车拂过待测田地的过程中的农作物的视频数据，以获取待测农作物的视频数据。
步骤S202：根据色块区别勾勒出物体的边框。本发明实施例可以基于视频数据的色块区别，勾勒出待测农作物的边框，确定待测农作物的主体，得到初始处理图像。
步骤S203：将图像二值化。本发明实施例可以首先把一张彩色rgb图，通过对rgb赋予不同的权重求和转化成灰度图，其中，本发明实施例可以针对不同的情况和特征颜色进行不同的权重赋予，以取得更好的灰度效果。
其次，本发明实施例可以利用矩阵卷积函数和定义的算子，在灰度图中针对灰度取梯度，其中，定义等价于一个梯度算子，能够筛出色彩变化较大的位置，即是一个物体的边缘。
然后，本发明实施例可以对新的图做二值化处理，以上几步，色彩变化大的地方成为白色，变化小的地方成为黑色。其中，本发明实施例可以对于不同的颜色（比如绿色的未成熟麦子和黄色的成熟麦子），自动选择一个合适的二值化临界值，而当临界值的自动选择偏小以至于出现无意义的杂斑时，可以手动调整临界值参数。
步骤S204：对图像进行除杂，保留运动的主体部分。本发明实施例可以对图像进行反色膨胀的等效侵蚀和再膨胀，实现图像的除杂处理。
步骤S205：分析图像中各边框像素点的速度。分析最终图像中各边框像素点的速度的过程可以包括：本发明实施例可以将两个不同帧（A，B）作差取绝对值，再与A点乘，得到A有B无的部分，以A，B1，B2，B3（A后一帧，两帧，三帧）为例，计算A中某个像素点的速度（像素速度，单位：像素/帧），其中，由于图形的变化是连续的，且连续若干帧间的速度认为不变：
A3=|A-B3|
A，
A2=|A-B2|
A3，
A1=|A-B1|
A2，
若A2=1，A1=0（意为A2中某个像素点是亮的，但A1中变暗，以下类推），说明这个像素点在过了1帧后还在原位，但过了两帧后不在原位，因此速度介于1/2~1像素/帧之间。同理A3=1，A2=0，则介于1/3~1/2之间。
步骤S206：分层表征速度，输出图像。
步骤S207：分析输出图像中的特征速度值，制成随帧数变化的图线。
步骤S208：分析图线，得到前述无量纲量
。
根据本发明实施例提出的农作物的微振动速度检测方法，可以基于待测农作物视频数据的色块区别，得到初始处理图像，并在处理后，得到保留待测农作物的运动主体的最终图像，分析最终图像中各边框像素点的速度，得到速度分层表征的输出图像，从而得到特征速度值，生成随帧数变化的图线，以计算农作物的至少一个相关数据，得到农作物的微振动速度结果，无需破坏样品的完整性，可以在不经过图像对应点判别的情况下直接输出每一点的速度，提高了容错率，能够输出二维图像中任何一帧任何一点的速度坐标，提高了速度探测的维度，同时对输入视频的每帧每个像素点进行速度识别、分层、标记，并可根据需求有针对性的进行所需数据的输出，简化算法的复杂程度，使之可以在更低的计算机配置要求下，不经机器学习即可进行速度分析。由此，解决了相关技术中，无法兼顾样品的完整性与测量的高效性和准确性，成本较高，难以直观地获得所需的测量结果的技术问题。
其次参照附图描述根据本发明实施例提出的农作物的微振动速度检测装置。
图3是本发明实施例的农作物的微振动速度检测装置的方框示意图。
如图3所示，该农作物的微振动速度检测装置10包括：获取模块100、处理模块200和计算模块300。
具体地，获取模块100，用于获取待测农作物的视频数据。
处理模块200，用于基于视频数据的色块区别，勾勒出待测农作物的边框，得到初始处理图像，并对初始处理图像进行二值化和除杂处理，得到保留待测农作物的运动主体的最终图像。
计算模块300，用于分析最终图像中各边框像素点的速度，得到速度分层表征的输出图像，并分析输出图像中的特征速度值，生成随帧数变化的图线，以计算农作物的至少一个相关数据，得到农作物的微振动速度结果。
可选地，在本发明的一个实施例中，至少一个相关数据包括无量纲数。
可选地，在本发明的一个实施例中，无量纲数的计算公式为：
其中，
为无量纲数，g为重力加速度，l为小麦株高，T为振动周期，C为固定常数。
可选地，在本发明的一个实施例中，处理模块200包括：转化单元、识别单元和处理单元。
其中，转化单元，用于基于处理图像的彩色对应的权重，转化为灰度图。
识别单元，用于根据灰度图识别农作物的物体边缘，得到新的处理图像。
处理单元，用于对新的处理图像进行二值化处理。
可选地，在本发明的一个实施例中，计算模块300包括：取值单元和计算单元。
其中，取值单元，用于将不同帧的边框像素点作差并取绝对值。
计算单元，用于根据绝对值计算目标帧中边框像素点的速度。
需要说明的是，前述对农作物的微振动速度检测方法实施例的解释说明也适用于该实施例的农作物的微振动速度检测装置，此处不再赘述。
根据本发明实施例提出的农作物的微振动速度检测装置，可以基于待测农作物视频数据的色块区别，得到初始处理图像，并在处理后，得到保留待测农作物的运动主体的最终图像，分析最终图像中各边框像素点的速度，得到速度分层表征的输出图像，从而得到特征速度值，生成随帧数变化的图线，以计算农作物的至少一个相关数据，得到农作物的微振动速度结果，无需破坏样品的完整性，可以在不经过图像对应点判别的情况下直接输出每一点的速度，提高了容错率，能够输出二维图像中任何一帧任何一点的速度坐标，提高了速度探测的维度，同时对输入视频的每帧每个像素点进行速度识别、分层、标记，并可根据需求有针对性的进行所需数据的输出，简化算法的复杂程度，使之可以在更低的计算机配置要求下，不经机器学习即可进行速度分析。由此，解决了相关技术中，无法兼顾样品的完整性与测量的高效性和准确性，成本较高，难以直观地获得所需的测量结果的技术问题。
图4为本发明实施例提供的电子设备的结构示意图。该电子设备可以包括：
存储器401、处理器402及存储在存储器401上并可在处理器402上运行的计算机程序。
处理器402执行程序时实现上述实施例中提供的农作物的微振动速度检测方法。
进一步地，电子设备还包括：
通信接口403，用于存储器401和处理器402之间的通信。
存储器401，用于存放可在处理器402上运行的计算机程序。
存储器401可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。
如果存储器401、处理器402和通信接口403独立实现，则通信接口403、存储器401和处理器402可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构（Industry Standard Architecture，简称为ISA）总线、外部设备互连（PeripheralComponent，简称为PCI）总线或扩展工业标准体系结构（Extended Industry StandardArchitecture，简称为EISA）总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选地，在具体实现上，如果存储器401、处理器402及通信接口403，集成在一块芯片上实现，则存储器401、处理器402及通信接口403可以通过内部接口完成相互间的通信。
处理器402可能是一个中央处理器（Central Processing Unit，简称为CPU），或者是特定集成电路（Application Specific Integrated Circuit，简称为ASIC），或者是被配置成实施本发明实施例的一个或多个集成电路。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的农作物的微振动速度检测方法。
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必须针对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一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
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，“N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。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
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N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，N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。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。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。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 (10)
1.一种农作物的微振动速度检测方法，其特征在于，包括以下步骤：
获取待测农作物的视频数据；
基于所述视频数据的色块区别，勾勒出所述待测农作物的边框，得到初始处理图像，并对所述初始处理图像进行二值化和除杂处理，得到保留所述待测农作物的运动主体的最终图像；以及
分析所述最终图像中各边框像素点的速度，得到速度分层表征的输出图像，并分析所述输出图像中的特征速度值，生成随帧数变化的图线，以计算所述农作物的至少一个相关数据，得到所述农作物的微振动速度结果。
2.根据权利要求1所述的农作物的微振动速度检测方法，其特征在于，所述至少一个相关数据包括无量纲数。
3.根据权利要求2所述的农作物的微振动速度检测方法，其特征在于，所述无量纲数的计算公式为：
其中，
为所述无量纲数，g为重力加速度，l为小麦株高，T为振动周期，C为固定常数。
4.根据权利要求1所述的农作物的微振动速度检测方法，其特征在于，所述对所述初始处理图像进行二值化和除杂处理，包括：
基于所述处理图像的彩色对应的权重，转化为灰度图；
根据所述灰度图识别所述农作物的物体边缘，得到新的处理图像；
对所述新的处理图像进行二值化处理。
5.根据权利要求1所述的农作物的微振动速度检测方法，其特征在于，所述分析所述最终图像中各边框像素点的速度，得到速度分层表征的输出图像，包括：
将不同帧的边框像素点作差并取绝对值；
根据所述绝对值计算目标帧中边框像素点的速度。
6.一种农作物的微振动速度检测装置，其特征在于，包括：
获取模块，用于获取待测农作物的视频数据；
处理模块，用于基于所述视频数据的色块区别，勾勒出所述待测农作物的边框，得到初始处理图像，并对所述初始处理图像进行二值化和除杂处理，得到保留所述待测农作物的运动主体的最终图像；以及
计算模块，用于分析所述最终图像中各边框像素点的速度，得到速度分层表征的输出图像，并分析所述输出图像中的特征速度值，生成随帧数变化的图线，以计算所述农作物的至少一个相关数据，得到所述农作物的微振动速度结果。
7.根据权利要求6所述的农作物的微振动速度检测装置，其特征在于，所述处理模块包括：
转化单元，用于基于所述处理图像的彩色对应的权重，转化为灰度图；
识别单元，用于根据所述灰度图识别所述农作物的物体边缘，得到新的处理图像；
处理单元，用于对所述新的处理图像进行二值化处理。
8.根据权利要求6所述的农作物的微振动速度检测装置，其特征在于，所述计算模块包括：
取值单元，用于将不同帧的边框像素点作差并取绝对值；
计算单元，用于根据所述绝对值计算目标帧中边框像素点的速度。
9.一种电子设备，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计算机程序，所述处理器执行所述程序，以实现如权利要求1-5任一项所述的农作物的微振动速度检测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-5任一项所述的农作物的微振动速度检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310697972.XA CN116434126B (zh) | 2023-06-13 | 2023-06-13 | 农作物的微振动速度检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310697972.XA CN116434126B (zh) | 2023-06-13 | 2023-06-13 | 农作物的微振动速度检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116434126A true CN116434126A (zh) | 2023-07-14 |
| CN116434126B CN116434126B (zh) | 2023-09-19 |
Family
ID=87089431
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310697972.XA Active CN116434126B (zh) | 2023-06-13 | 2023-06-13 | 农作物的微振动速度检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116434126B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103208126A (zh) * | 2013-04-17 | 2013-07-17 | 同济大学 | 一种自然环境下运动物体监测方法 |
| CN103218830A (zh) * | 2013-04-07 | 2013-07-24 | 北京航空航天大学 | 基于形心跟踪和改进GVF Snake的视频对象轮廓提取方法 |
| CN106204640A (zh) * | 2016-06-29 | 2016-12-07 | 长沙慧联智能科技有限公司 | 一种运动目标检测系统及方法 |
| US20190253673A1 (en) * | 2015-01-11 | 2019-08-15 | A.A.A Taranis Visual Ltd | Systems and methods for agricultural monitoring |
| CN111583357A (zh) * | 2020-05-20 | 2020-08-25 | 重庆工程学院 | 一种基于matlab系统的物体运动图像捕捉合成方法 |
| CN113673375A (zh) * | 2021-08-03 | 2021-11-19 | 武汉宇磐科技有限公司 | 一种用于农业机械的视觉智能感知方法、装置及电子设备 |
| CN115272187A (zh) * | 2022-06-27 | 2022-11-01 | 江苏大学 | 一种基于车载动态视场帧间关联性的田间稻麦倒伏全局评估方法 |
-
2023
- 2023-06-13 CN CN202310697972.XA patent/CN116434126B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103218830A (zh) * | 2013-04-07 | 2013-07-24 | 北京航空航天大学 | 基于形心跟踪和改进GVF Snake的视频对象轮廓提取方法 |
| CN103208126A (zh) * | 2013-04-17 | 2013-07-17 | 同济大学 | 一种自然环境下运动物体监测方法 |
| US20190253673A1 (en) * | 2015-01-11 | 2019-08-15 | A.A.A Taranis Visual Ltd | Systems and methods for agricultural monitoring |
| CN106204640A (zh) * | 2016-06-29 | 2016-12-07 | 长沙慧联智能科技有限公司 | 一种运动目标检测系统及方法 |
| CN111583357A (zh) * | 2020-05-20 | 2020-08-25 | 重庆工程学院 | 一种基于matlab系统的物体运动图像捕捉合成方法 |
| CN113673375A (zh) * | 2021-08-03 | 2021-11-19 | 武汉宇磐科技有限公司 | 一种用于农业机械的视觉智能感知方法、装置及电子设备 |
| CN115272187A (zh) * | 2022-06-27 | 2022-11-01 | 江苏大学 | 一种基于车载动态视场帧间关联性的田间稻麦倒伏全局评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 韩宇 等: "基于拉曼光谱的大豆细菌性病害标志物研究", 《光谱学与光谱分析》, vol. 42, no. 2 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116434126B (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mertens et al. | Dirt detection on brown eggs by means of color computer vision | |
| US5933519A (en) | Cytological slide scoring apparatus | |
| JP3581149B2 (ja) | 境界ピクセル・パラメータの規則正しいシーケンスを用いた物体を識別するための方法及び装置 | |
| US7933441B2 (en) | Method of inspection for inner defects of an object and apparatus for same | |
| CN112699876B (zh) | 一种用于集气站多类型仪表自动读数方法 | |
| JP6757758B2 (ja) | 検査機器と車両の画像を分割する方法 | |
| JPH03163674A (ja) | ノイズ除去方法とそのための装置 | |
| CN104657706B (zh) | 基于图像的高铁线路线杆断裂与联接结构体异常检测方法 | |
| US4378495A (en) | Method and apparatus for setup of inspection devices for glass bottles | |
| US4210419A (en) | Automated quantitative muscle biopsy analysis system | |
| JPS63503332A (ja) | 検査装置 | |
| JP3298185B2 (ja) | 眼科装置 | |
| Szczypiński et al. | Computer vision algorithm for barley kernel identification, orientation estimation and surface structure assessment | |
| Jaffar et al. | Photogrammetric grading of oil palm fresh fruit bunches | |
| CN110782440A (zh) | 一种作物籽粒性状测量方法 | |
| US9557299B2 (en) | Adaptive data collection for local states of a material | |
| CN110583217A (zh) | 一种谷物收获机清选损失率检测装置及检测方法 | |
| JP2007155724A5 (zh) | ||
| CN116434126B (zh) | 农作物的微振动速度检测方法及装置 | |
| Sidnal et al. | Grading and quality testing of food grains using neural network | |
| CN112767396B (zh) | 缺陷的检测方法、装置和计算机可读存储介质 | |
| US4467350A (en) | Method and apparatus for rapidly extracting significant data from a sparse object | |
| JP2018169390A (ja) | 染色体異常判定装置 | |
| CN111539939A (zh) | 一种基于机器视觉的缺陷检测方法及装置 | |
| CN114419037B (zh) | 工件缺陷检测方法和装置 |
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 |