CN116612139B - 基于深度学习的高精度种子发芽率测定方法、系统及装置 - Google Patents
基于深度学习的高精度种子发芽率测定方法、系统及装置 Download PDFInfo
- Publication number
- CN116612139B CN116612139B CN202310895317.5A CN202310895317A CN116612139B CN 116612139 B CN116612139 B CN 116612139B CN 202310895317 A CN202310895317 A CN 202310895317A CN 116612139 B CN116612139 B CN 116612139B
- Authority
- CN
- China
- Prior art keywords
- seed
- seeds
- image
- bud
- binarization
- 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 57
- 238000013135 deep learning Methods 0.000 title claims abstract description 50
- 230000007226 seed germination Effects 0.000 title claims abstract description 46
- 230000035784 germination Effects 0.000 claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 25
- 238000005520 cutting process Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 12
- 230000000877 morphologic effect Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000000926 separation method Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 4
- 206010063385 Intellectualisation Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification 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
- 239000004020 conductor Substances 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- A01C1/025—Testing seeds for determining their viability or germination capacity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physiology (AREA)
- Geometry (AREA)
- Soil Sciences (AREA)
- Environmental Sciences (AREA)
- Pretreatment Of Seeds And Plants (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于深度学习的高精度种子发芽率测定方法、系统及装置,方法包括:通过深度学习算法检测出采集发芽种子图像中的种子区域信息,分割及二值化处理得到种子的连通域信息,根据种子连通域信息生成表示种子信息的椭圆信息,进一步生成种子二值化图像;分别分割出芽二值化图像及根二值化图像,结合种子二值化图像形成目标二值化图像,分析两两种子之间是否存在粘连,进而得到种子总数量,根据芽端点信息与种子轮廓信息,得到候选发芽种子;进一步分析根部拓扑结构,得到正常发芽种子数量,计算得到种子发芽率。本方法解决了种子放置密度高时存在的种子粘连以及种子特征损失造成的误检、漏检等问题,大大提高种子发芽率检测的准确性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于深度学习的高精度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共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,同时由于发芽盒或培养皿中种子放置密度过高出现种子间相互粘连等现象,以及种子在发芽过程中易存在发霉等问题,造成种子特征信息损失,出现种子误检、漏检等问题。
随着深度学习技术的快速发展,将深度学习算法应用于种子发芽率的测定可快速准确的计算种子发芽率,实现种子发芽率测定的自动化与智能化,减少人工计数误差,同时可有效减少种子误检、漏检等问题,大大提高了种子发芽率测定的准确率。
发明内容
本发明针对现有技术中的缺点,提供了一种基于深度学习的高精度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:
一种基于深度学习的高精度种子发芽率测定方法,包括以下步骤:
通过深度学习算法检测原始发芽种子图像的种子区域信息;
基于种子区域信息,通过二值化分割和形态学分析,得到各个种子区域的连通域信息,基于连通域信息的最小外接椭圆表示种子信息,进而得到种子二值化图像;
对原始发芽种子图像进行处理,分别分割出仅包含芽的芽二值化图像及仅包含根的根二值化图像;
基于种子二值化图像、芽二值化图像及根二值化图像,得到目标二值化图像,进而得到仅包含芽的芽轮廓集、仅包含根的根轮廓集及仅包含种子的种子轮廓集;
基于种子轮廓集并分析两两种子之间是否存在粘连,进而得到种子总数量,基于芽轮廓集确定芽端位置和芽端数量,根据种子轮廓集与芽端位置,确定候选发芽种子;
基于根二值化图像与种子二值化图像,结合候选发芽种子,分析根部拓扑结构,确定正常发芽种子数量;
根据种子总数量及正常发芽种子数量,得到种子发芽率。
作为一种可实施方式,所述通过深度学习算法检测原始发芽种子图像的种子区域信息,包括以下步骤:
所述对原始发芽种子图像数据集中的原始发芽种子图像中种子区域进行标注,标注完成后划分为训练集、测试集和验证集;
基于训练集、测试集和验证集对种子检测预训练模型进行训练、测试及验证,得到种子检测模型;
基于所述种子检测模型对原始发芽种子图像进行检测,得到种子区域信息。
作为一种可实施方式,所述基于种子区域信息,通过二值化分割和形态学分析,得到各个种子区域的连通域信息,基于连通域信息的最小外接椭圆表示种子信息,进而得到种子二值化图像,包括以下步骤:
基于所述种子区域信息,对种子区域进行裁剪,裁剪后的种子区域图像进行二值化处理,得到二值化种子区域图像;
提取二值化种子区域图像中最大连通域的最小外接椭圆,并依次求取所有种子最小外接椭圆;
计算所有种子最小外接椭圆的平均面积值,将低于平均面积值的最小外接椭圆扩大,将高于平均面积值的最小外接椭圆缩小,得到处理后的椭圆信息,其中,所述椭圆信息即为种子信息;
将椭圆信息依次画至空白图像,得到种子二值化图像。
作为一种可实施方式,所述对原始发芽种子图像进行处理,分别分割出仅包含芽的芽二值化图像及仅包含根的根二值化图像,包括以下步骤:
将原始种子发芽图像从RGB空间图像转化为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。
作为一种可实施方式,所述基于种子二值化图像、芽二值化图像及根二值化图像,得到目标二值化图像,进而得到仅包含芽的芽轮廓集、仅包含根的根轮廓集及仅包含种子的种子轮廓集,包括以下步骤:
将所述芽二值化图像、根二值化图像、种子二值化图像进行相加,组成目标二值化图像,得到目标二值化图像轮廓集,遍历轮廓集并填充0值,得到单连通域目标图像;
分别由芽二值化图像、根二值化图像、种子二值化图像减去单连通域目标图像,得到仅包含芽的芽轮廓集、仅包含根的根轮廓集及仅包含种子的种子轮廓集。
作为一种可实施方式,基于种子轮廓集并分析两两种子之间是否存在粘连,进而得到种子总数量,包括以下步骤:
遍历所述种子轮廓集并计算每一轮廓面积,若轮廓面积都小于平均面积值的1.3倍,则种子轮廓集的总数为种子总数量;
若轮廓面积大于平均面积值的1.3倍,则当前种子轮廓内存在粘连种子;
提取存在粘连种子的种子轮廓的凹点数量,所述种子轮廓内包含的粘连种子数量为凹点数量的一半;
若粘连种子数量为2,以两凹点切割分离种子;若粘连种子数量大于2,计算任意两凹点所构成直线与另外两凹点所构成直线的交点,若交点不位于四个凹点所围成的四边形内,则分别由两直线所在的凹点切割轮廓分离种子,得到种子总数量。
作为一种可实施方式,所述基于芽轮廓集确定芽端位置和芽端数量,根据种子轮廓集与芽端位置,确定候选发芽种子,包括以下步骤:
基于芽轮廓集,获取芽端位置及芽端数量,根据芽端数量计算出芽数量,进一步通过芽数量确定发芽种子数量,未发芽种子数量等于种子总数量减去发芽种子数量;
基于芽端点位置,结合种子轮廓集中各轮廓,通过距离计算以及数据筛选,确定候选发芽种子。
作为一种可实施方式,基于根二值化图像与种子二值化图像,结合候选发芽种子,分析根部拓扑结构,确定正常发芽种子数量,包括以下步骤:
基于所述根二值化图像与种子二值化图像,进行相加得到包含种子与根的第一二值化图像;
提取种子最小外接圆圆心以及半径,以最小外接圆圆心为圆心,最小外接圆半径的1.5倍为半径,在第一二值化图像上画边界圆;
基于第一二值化图像,分析根部拓扑结构,若有一根由种子发出且穿过边界圆,则判定候选发芽种子为正常发芽种子。
作为一种可实施方式,所述根据种子总数量及正常发芽种子数量,得到种子发芽率,包括以下步骤:
基于种子根部拓扑结构分析后得到正常发芽种子数量;
基于正常发芽种子数量及种子总数量,得到种子发芽率。
作为一种可实施方式,所述二值化分割,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。
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)为分离后图像在某一点的像素值,R、G、B为原始种子发芽图像在RGB空间的各个通道分离值,符号&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空间突显的各个通道分离值,&代表“与”运算。
一种基于深度学习的高精度种子发芽率测定系统,包括深度学习检测模块、种子区域裁剪处理模块、图像分离模块、轮廓集获取模块、分析判断确定模块、判定正常发芽种子模块以及计算判断模块;
所述深度学习检测模块,用于通过深度学习算法检测原始发芽种子图像的种子区域信息;
所述种子区域裁剪处理模块,基于种子区域信息,通过二值化分割和形态学分析,得到各个种子区域的连通域信息,基于连通域信息的最小外接椭圆表示种子信息,进而得到种子二值化图像;
所述图像分离模块,对原始发芽种子图像进行处理,分别分割出仅包含芽的芽二值化图像及仅包含根的根二值化图像;
所述轮廓集获取模块,基于种子二值化图像、芽二值化图像及根二值化图像,得到目标二值化图像,进而得到仅包含芽的芽轮廓集、仅包含根的根轮廓集及仅包含种子的种子轮廓集;
所述分析判断确定模块,基于种子轮廓集并分析两两种子之间是否存在粘连,进而得到种子总数量,基于芽轮廓集确定芽端位置和芽端数量,根据种子轮廓集与芽端位置,确定候选发芽种子;
所述确定正常发芽种子模块,基于根二值化图像与种子二值化图像,结合候选发芽种子,分析根部拓扑结构,确定正常发芽种子数量;
所述计算判断模块,根据种子总数量及正常发芽种子数量,得到种子发芽率。
作为一种可实施方式,还包括粘连种子判断模块,所述粘连种子判断模块被设置为:
遍历所述种子轮廓集并计算每一轮廓面积,若轮廓面积大于平均面积值的1.3倍,则当前种子轮廓内存在粘连种子;
提取存在粘连种子的种子轮廓的凹点数量,所述种子轮廓内包含的粘连种子数量为凹点数量的一半;
若粘连种子数量为2,以两凹点切割分离种子;若粘连种子数量大于2,计算任意两凹点所构成直线与另外两凹点所构成直线的交点,若交点不位于四个凹点所围成的四边形内,则分别由两直线所在的凹点切割轮廓分离种子,进而得到种子总数量。
作为一种可实施方式,所述分析判断确定模块,被设置为:
遍历所述种子轮廓集并计算每一轮廓面积,若轮廓面积都小于平均面积值的1.3倍,则种子轮廓集的总数为种子总数量;
若轮廓面积大于平均面积值的1.3倍,则当前种子轮廓内存在粘连种子;
提取存在粘连种子的种子轮廓的凹点数量,所述种子轮廓内包含的粘连种子数量为凹点数量的一半;
若粘连种子数量为2,以两凹点切割分离种子;若粘连种子数量大于2,计算任意两凹点所构成直线与另外两凹点所构成直线的交点,若交点不位于四个凹点所围成的四边形内,则分别由两直线所在的凹点切割轮廓分离种子,进而得到种子总数量。
作为一种可实施方式,所述分析判断确定模块,被设置为:
基于芽轮廓集,获取芽端位置及芽端数量,根据芽端数量计算出芽数量,进一步通过芽数量确定发芽种子数量,未发芽种子数量等于种子总数量减去发芽种子数量;
基于芽端点位置,结合种子轮廓集中各轮廓,通过距离计算以及数据筛选,确定候选发芽种子。
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的方法:
通过深度学习算法检测原始发芽种子图像的种子区域信息;
基于种子区域信息,通过二值化分割和形态学分析,得到各个种子区域的连通域信息,基于连通域信息的最小外接椭圆表示种子信息,进而得到种子二值化图像;
对原始发芽种子图像进行处理,分别分割出仅包含芽的芽二值化图像及仅包含根的根二值化图像;
基于种子二值化图像、芽二值化图像及根二值化图像,得到目标二值化图像,进而得到仅包含芽的芽轮廓集、仅包含根的根轮廓集及仅包含种子的种子轮廓集;
基于种子轮廓集并分析两两种子之间是否存在粘连,进而得到种子总数量,基于芽轮廓集确定芽端位置和芽端数量,根据种子轮廓集与芽端位置,确定候选发芽种子;
基于根二值化图像与种子二值化图像,结合候选发芽种子,分析根部拓扑结构,确定正常发芽种子数量;
根据种子总数量及正常发芽种子数量,得到种子发芽率。
一种基于深度学习的高精度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的方法:
通过深度学习算法检测原始发芽种子图像的种子区域信息;
基于种子区域信息,通过二值化分割和形态学分析,得到各个种子区域的连通域信息,基于连通域信息的最小外接椭圆表示种子信息,进而得到种子二值化图像;
对原始发芽种子图像进行处理,分别分割出仅包含芽的芽二值化图像及仅包含根的根二值化图像;
基于种子二值化图像、芽二值化图像及根二值化图像,得到目标二值化图像,进而得到仅包含芽的芽轮廓集、仅包含根的根轮廓集及仅包含种子的种子轮廓集;
基于种子轮廓集并分析两两种子之间是否存在粘连,进而得到种子总数量,基于芽轮廓集确定芽端位置和芽端数量,根据种子轮廓集与芽端位置,确定候选发芽种子;
基于根二值化图像与种子二值化图像,结合候选发芽种子,分析根部拓扑结构,确定正常发芽种子数量;
根据种子总数量及正常发芽种子数量,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,同时还解决了不同检验人员间出现计数误差等问题;
并且考虑到发芽盒或培养皿中种子放置密度高存在种子间相互粘连、种子在发芽过程中易存在发霉,而损失种子特征信息等现象,解决了此类现象导致的误检、漏检问题;
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。
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是本发明采集原始发芽种子图像示意图;
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是种子二值化图像的示意图;
图5是芽二值化图像的示意图;
图6是根二值化图像的示意图;
图7是仅包含种子与根二值化图像的示意图;
图8是包括种子、芽与根二值化图像的示意图。
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:
一种基于深度学习的高精度种子发芽率测定方法,如图2所示,包括以下步骤:
S100、通过深度学习算法检测原始发芽种子图像(如图1)的种子区域信息;
S200、基于种子区域信息,通过二值化分割和形态学分析,得到各个种子区域的连通域信息,基于连通域信息的最小外接椭圆表示种子信息,进而得到种子二值化图像(如图4);
S300、对原始发芽种子图像进行处理,分别分割出仅包含芽的芽二值化图像(如图5)及仅包含根的根二值化图像(如图6);
S400、基于种子二值化图像、芽二值化图像及根二值化图像,得到目标二值化图像(如图8),进而得到仅包含芽的芽轮廓集、仅包含根的根轮廓集及仅包含种子的种子轮廓集;
S500、基于种子轮廓集并分析两两种子之间是否存在粘连,进而得到种子总数量,基于芽轮廓集确定芽端位置和芽端数量,根据种子轮廓集与芽端位置,确定候选发芽种子;
S600、基于根二值化图像与种子二值化图像(如图7),结合候选发芽种子,分析根部拓扑结构,确定正常发芽种子数量;
S700、根据种子总数量及正常发芽种子数量,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及费时费力等问题;实现了种子发芽率测定的自动化与智能化,提高了种子发芽率测定效率;并且还对种子放置密度高存在粘连种子、发芽过程中的发霉种子等问题考虑在内,在种子特征损失的情况下,解决漏检、误检等问题,提高种子发芽率检测精度。
将培养种子发芽的培养皿或发芽盒放置于白色背景纸上,通过相机等设备进行图像采集,采集得到一副原始发芽种子图像image_src。
在步骤S100中,通过深度学习算法检测原始发芽种子图像的种子区域信息,包括以下步骤:
S110:基于采集到的原始发芽种子图像,使用标注软件对原始发芽种子图像中的种子区域进行标注,标注完成的数据集按照7:2:1的比例划分为训练集、测试集和验证集;
S120:使用深度学习框架搭建深度学习网络;
S130:将S110中划分的数据集输入深度学习网络中,使用数据预处理模块对数据进行在线数据增强,得到更丰富的数据集样本;
S140:基于S130预处理增强后的数据集样本,输入深度学习网络进行训练,选择最优的训练模型作为种子检测模型;
S150:基于S140所述得到的种子检测模型,对发芽种子图像进行检测,得到种子区域信息。
一个实施例中,步骤S200中,所述基于种子区域信息,通过二值化分割和形态学分析,得到各个种子区域的连通域信息,基于连通域信息的最小外接椭圆表示种子信息,进而得到种子二值化图像,包括以下步骤:
S210:基于所述S100得到的种子区域信息,对种子区域进行裁剪,得到裁剪后图像image_cut,将裁剪后图像image_cut进行自适应二值化处理,得到二值化图像image_binary;
自适应二值化阈值计算方法如下:
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。
S220:提取二值化图像image_binary中最大连通域,并计算最大连通域的最小外接椭圆面积,具体为:
提取二值化图像image_binary中所有轮廓集contours_cut,取面积最大轮廓为最大连通域,若最大连通域的最小外接椭圆短轴长小于两个像素,则将短轴长扩大至2个像素,若所述最小外接椭圆长轴长度以短轴长扩大比例,扩大同样比例。
S230:重复S210、S220步骤,得到所有最小外接椭圆面积;
S240:计算所有最小外接椭圆的平均面积ellipse-avg;
S250:遍历所有种子的最小外接椭圆,将最小外接椭圆面积低于ellipse-avg的扩大至ellipse-avg,将最小外接椭圆面积高于ellipse-avg的缩放至ellipse-avg的1.2倍;
S260:基于S250处理后的最小外接椭圆,更新并记录所有最小外接椭圆的长轴长、短轴长、面积、坐标及姿态信息,来表示种子信息;
S270:基于表示种子信息的最小外接椭圆信息,构建空白图像,将种子信息依次画至空白图像,得到种子二值化图像seed_binary。
在步骤S300中,对原始发芽种子图像image_src进行处理,分别分割出仅包含芽的芽二值化图像bud_binary及仅包含根的根二值化图像root_binary,包括以下步骤:
S310:将原始种子发芽图像image_src从RGB空间图像转化为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;
S320: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。
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,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;
其次,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:
在RGB空间分离绿色通道图像的表达式为:
其中,为分离后突显在某一点的像素值,P、G、B为原始种子发芽图像在RGB空间的各个通道奋力直,符号&代表“与”运算;
在HSV空间分离白色通道的表达式为:
在HSV空间分离绿色通道的表达式为:
其中,H、S、V为HSV空间突显的各个通道分离值,&代表“与”运算。
在步骤S400中,基于S200得到的种子二值化图像、S300得到的芽二值化图像及根二值化图像,得到目标二值化图像,进而得到仅包含芽的芽轮廓集、仅包含根的根轮廓集及仅包含种子的种子轮廓集,包括以下步骤:
S410:将种子二值化图像seed_binary、芽二值化图像bud_binary及根二值化图像root_binary相加得到目标二值化图像image_binary,并提取目标二值化图像image_binary的所有轮廓contours;
S420:遍历轮廓contours,以其中一个轮廓contour为例,创建像素值为255的空白图像mask_image,将轮廓contour所在区域填充0,最终得到图像image_copy;
S430:分别由种子二值化图像seed_binary、芽二值化图像bud_binary和根二值化图像root_binary减去图像image_copy,得到仅包含种子图像single_domain_seed、仅包含芽图像single_domain_bud及仅包含根图像single_domain_root;
S440:提取仅包含种子图像single_domain_seed的种子轮廓集contours_seed、仅包含芽图像single_domain_bud的芽轮廓集contours_bud及仅包含根图像single_root_seed的根轮廓集contours_root。
在实际情况中,在摆放种子时,可能会存在几个种子叠加的情况,拍出来的照片看上去就像种子粘连在一起,因此可以将此情况称之为:粘连种子或者种子粘连,为了获取到更精准的种子总数量,需要分析是否存在粘连种子,因此在步骤S500中,基于种子轮廓集并分析两两种子之间是否存在粘连,进而得到种子总数量,包括以下步骤:
遍历所述种子轮廓集并计算每一轮廓面积,若轮廓面积都小于平均面积值的1.3倍,则种子轮廓集的总数为种子总数量;
若轮廓面积大于平均面积值的1.3倍,则当前种子轮廓内存在粘连种子;
提取存在粘连种子的种子轮廓的凹点数量,所述种子轮廓内包含的粘连种子数量为凹点数量的一半;
若粘连种子数量为2,以两凹点切割分离种子;若粘连种子数量大于2,计算任意两凹点所构成直线与另外两凹点所构成直线的交点,若交点不位于四个凹点所围成的四边形内,则分别由两直线所在的凹点切割轮廓分离种子,得到种子总数量。
首先计算出每个轮廓中的种子数量,再将每个轮廓中的种子数量进行累加,即为种子总数量。即:基于种子轮廓集contours_seed中轮廓contour_seed计算轮廓中种子数量,若出现粘连种子,则执行种子分离步骤,以此循环,最终得到种子轮廓集中所有种子数量。
基于所述凹点数量dent_num及位置关系切割分离粘连种子具体方法为:
遍历种子轮廓集contours_seed,计算每一轮廓contour面积,若轮廓面积大于1.3倍ellipse-avg,提取该轮廓内凹点数量dent_num,轮廓内粘连种子数量为凹点数量的一半,计算出contour内包含种子数量seed_num。
基于所述凹点数量及位置关系切割分离粘连种子步骤为:
seed_num=dent_num/2;
if(seed_num==2)
{以两凹点为界切割轮廓分离种子};
if(seed_num>2)
{设凹点坐标点集为dent_point={(x1,y1),(x2,y2),(x3,y3),(x4,y4)...};
for(((x1,y1),(x2,y2),(x3,y3),(x4,y4)) in dent_point)
{x_cross=((y3-y1)*(x2-x1)*(x4-x3)+x1*(y2-y1)*(x4-x3)-x3*(y4-y3)*(x2-x1))/((y2-y1)*(x4-x3)-(y4-y3)*(x2-x1));
y_cross=y1+(x_cross-x1)*(y2-y1)/(x2-x1);
if ((x_cross>= x1&x_cross<= x2) | (x_cross>= x2&x_cross<= x1))
{if ((y_cross>= y1&y_cross<= y2) | (y_cross>= y2&y_cross<= y1))
以点(x1,y1)、(x2,y2)为界及以点(x3,y3)、(x4,y4)为界切割轮廓分离种子}}}}
其中,dent_point为凹点坐标集,(x_cross,y_cross)为任意两凹点构成直线间的交点。
在步骤S500中,所述基于芽轮廓集确定芽端位置和芽端数量,根据种子轮廓集与芽端位置,确定候选发芽种子,包括以下步骤:
基于芽轮廓集,获取芽端位置及芽端数量,根据芽端数量计算出芽数量,进一步通过芽数量确定发芽种子数量,未发芽种子数量等于种子总数量减去发芽种子数量;
基于芽端点位置,结合种子轮廓集中各轮廓,通过距离计算以及数据筛选,确定候选发芽种子。
结合种子轮廓集contours_seed与芽轮廓集contours_bud,分配芽归属以及候选发芽种子,以上过程详见以下步骤:
Step1:基于种子轮廓集contours_seed中轮廓contour_seed计算轮廓中种子数量,若种子数量seed_num为0,则图像single_domain_seed中不包含种子,若种子数量seed_num为1,则图像single_domain_seed中包含1粒种子,基于芽轮廓集获取芽轮廓数量若等于0,则种子没有发芽,否则种子属于候选发芽种子;
Step2:若所述种子数量seed_num大于1,基于芽轮廓集contours_bud,获取所有芽端点及芽端点数量extreme_num,以芽端点数量extreme_num除以2得到图像single_domain_bud中芽数量bud_num,未发芽种子数量等于seed_num减去bud_num;
Step3:基于种子轮廓集contours_seed,计算所有芽端点与contours_seed中各轮廓的最小距离dist,组成最小距离集合D,对距离集合进行排序,前bud_num个数据为筛选数据,确定候选发芽种子。
在步骤S600中,基于根二值化图像root_binary与种子二值化图像seed_binary,分析根部拓扑结构,判定正常发芽种子数量,包括以下步骤:
S610:将根二值化图像root_binary与种子二值化图像seed_binary相加得到仅包含根与种子的二值化图像root_seed_binary;
S620:在图像root_seed_binary上以种子最小外接圆为圆心,半径的1.5倍为半径,作外接圆C;
S630:分析根部拓扑结构,若有一根由种子出发,且穿过所述边界圆C,则所述候选种子为正常发芽种子。
在步骤S700中,根据判定的正常发芽种子数量与种子总数量,计算出种子发芽率,包括以下步骤:根据种子总数量及正常发芽种子数量,得到种子发芽率,即正常发芽种子数量除以种子总数量*100%则为种子发芽率。
实施例2:
一种基于深度学习的高精度种子发芽率测定系统,如图3所示,包括深度学习检测模块100、种子区域裁剪处理模块200、图像分离模块300、轮廓集获取模块400、分析判断确定模块500、判定正常发芽种子模块600及计算判断模块700;
所述深度学习检测模块100,通过深度学习算法检测原始发芽种子图像的种子区域信息;
所述种子区域裁剪处理模块200,基于种子区域信息,通过二值化分割和形态学分析,得到各个种子区域的连通域信息,基于连通域信息的最小外接椭圆表示种子信息,进而得到种子二值化图像;
所述图像分离模块300,对原始发芽种子图像进行处理,分别分割出仅包含芽的芽二值化图像及仅包含根的根二值化图像;
所述轮廓集获取模块400,基于种子二值化图像、芽二值化图像及根二值化图像,得到目标二值化图像,进而得到仅包含芽的芽轮廓集、仅包含根的根轮廓集及仅包含种子的种子轮廓集;
所述分析判断确定模块500,基于种子轮廓集并分析两两种子之间是否存在粘连,进而得到种子总数量,基于芽轮廓集确定芽端位置和芽端数量,根据种子轮廓集与芽端位置,确定候选发芽种子;
所述判定正常发芽种子模块600,基于根二值化图像与种子二值化图像,结合候选发芽种子,分析根部拓扑结构,确定正常发芽种子数量;
所述计算判断模块700,根据种子总数量及正常发芽种子数量,得到种子发芽率。
在一个实施例中,所述分析判断确定模块500,被设置为:
遍历所述种子轮廓集并计算每一轮廓面积,若轮廓面积都小于平均面积值的1.3倍,则种子轮廓集的总数为种子总数量;
若轮廓面积大于平均面积值的1.3倍,则当前种子轮廓内存在粘连种子;
提取存在粘连种子的种子轮廓的凹点数量,所述种子轮廓内包含的粘连种子数量为凹点数量的一半;
若粘连种子数量为2,以两凹点切割分离种子;若粘连种子数量大于2,计算任意两凹点所构成直线与另外两凹点所构成直线的交点,若交点不位于四个凹点所围成的四边形内,则分别由两直线所在的凹点切割轮廓分离种子,进而得到种子总数量。
另外,所述分析判断确定模块500,还被设置为:
基于芽轮廓集,获取芽端位置及芽端数量,根据芽端数量计算出芽数量,进一步通过芽数量确定发芽种子数量,未发芽种子数量等于种子总数量减去发芽种子数量;
基于芽端点位置,结合种子轮廓集中各轮廓,通过距离计算以及数据筛选,确定候选发芽种子。
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 (16)
1.一种基于深度学习的高精度种子发芽率测定方法,其特征在于,包括以下步骤:
通过深度学习算法检测原始发芽种子图像的种子区域信息;
基于种子区域信息,通过二值化分割和形态学分析,得到各个种子区域的连通域信息,基于连通域信息的最小外接椭圆表示种子信息,进而得到种子二值化图像;
对原始发芽种子图像进行处理,分别分割出仅包含芽的芽二值化图像及仅包含根的根二值化图像;
基于种子二值化图像、芽二值化图像及根二值化图像,得到目标二值化图像,进而得到仅包含芽的芽轮廓集、仅包含根的根轮廓集及仅包含种子的种子轮廓集;
基于种子轮廓集并分析两两种子之间是否存在粘连,进而得到种子总数量,基于芽轮廓集确定芽端位置和芽端数量,根据种子轮廓集与芽端位置,确定候选发芽种子;
基于根二值化图像与种子二值化图像,结合候选发芽种子,分析根部拓扑结构,确定正常发芽种子数量;
根据种子总数量及正常发芽种子数量,得到种子发芽率。
2.根据权利要求1所述的基于深度学习的高精度种子发芽率测定方法,其特征在于,所述通过深度学习算法检测原始发芽种子图像的种子区域信息,包括以下步骤:
所述对原始发芽种子图像数据集中的原始发芽种子图像中种子区域进行标注,标注完成后划分为训练集、测试集和验证集;
基于训练集、测试集和验证集对种子检测预训练模型进行训练、测试及验证,得到种子检测模型;
基于所述种子检测模型对原始发芽种子图像进行检测,得到种子区域信息。
3.根据权利要求1所述的基于深度学习的高精度种子发芽率测定方法,其特征在于,所述基于种子区域信息,通过二值化分割和形态学分析,得到各个种子区域的连通域信息,基于连通域信息的最小外接椭圆表示种子信息,进而得到种子二值化图像,包括以下步骤:
基于所述种子区域信息,对种子区域进行裁剪,裁剪后的种子区域图像进行二值化处理,得到二值化种子区域图像;
提取二值化种子区域图像中最大连通域的最小外接椭圆,并依次求取所有种子最小外接椭圆;
计算所有种子最小外接椭圆的平均面积值,将低于平均面积值的最小外接椭圆扩大,将高于平均面积值的最小外接椭圆缩小,得到处理后的椭圆信息,其中,所述椭圆信息即为种子信息;
将椭圆信息依次画至空白图像,得到种子二值化图像。
4.根据权利要求1所述的基于深度学习的高精度种子发芽率测定方法,其特征在于,所述对原始发芽种子图像进行处理,分别分割出仅包含芽的芽二值化图像及仅包含根的根二值化图像,包括以下步骤:
将原始种子发芽图像从RGB空间图像转化为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。
5.根据权利要求1所述的基于深度学习的高精度种子发芽率测定方法,其特征在于,所述基于种子二值化图像、芽二值化图像及根二值化图像,得到目标二值化图像,进而得到仅包含芽的芽轮廓集、仅包含根的根轮廓集及仅包含种子的种子轮廓集,包括以下步骤:
将所述芽二值化图像、根二值化图像、种子二值化图像进行相加,组成目标二值化图像,得到目标二值化图像轮廓集,遍历轮廓集并填充0值,得到单连通域目标图像;
分别由芽二值化图像、根二值化图像、种子二值化图像减去单连通域目标图像,得到仅包含芽的芽轮廓集、仅包含根的根轮廓集及仅包含种子的种子轮廓集。
6.根据权利要求1或5所述的基于深度学习的高精度种子发芽率测定方法,其特征在于,基于种子轮廓集并分析两两种子之间是否存在粘连,进而得到种子总数量,包括以下步骤:
遍历所述种子轮廓集并计算每一轮廓面积,若轮廓面积都小于平均面积值的1.3倍,则种子轮廓集的总数为种子总数量;
若轮廓面积大于平均面积值的1.3倍,则当前种子轮廓内存在粘连种子;
提取存在粘连种子的种子轮廓的凹点数量,所述种子轮廓内包含的粘连种子数量为凹点数量的一半;
若粘连种子数量为2,以两凹点切割分离种子;若粘连种子数量大于2,计算任意两凹点所构成直线与另外两凹点所构成直线的交点,若交点不位于四个凹点所围成的四边形内,则分别由两直线所在的凹点切割轮廓分离种子,得到种子总数量。
7.根据权利要求1所述的基于深度学习的高精度种子发芽率测定方法,其特征在于,所述基于芽轮廓集确定芽端位置和芽端数量,根据种子轮廓集与芽端位置,确定候选发芽种子,包括以下步骤:
基于芽轮廓集,获取芽端位置及芽端数量,根据芽端数量计算出芽数量,进一步通过芽数量确定发芽种子数量,未发芽种子数量等于种子总数量减去发芽种子数量;
基于芽端点位置,结合种子轮廓集中各轮廓,通过距离计算以及数据筛选,确定候选发芽种子。
8.根据权利要求1所述的基于深度学习的高精度种子发芽率测定方法,其特征在于,基于根二值化图像与种子二值化图像,结合候选发芽种子,分析根部拓扑结构,确定正常发芽种子数量,包括以下步骤:
基于所述根二值化图像与种子二值化图像,进行相加得到包含种子与根的第一二值化图像;
提取种子最小外接圆圆心以及半径,以最小外接圆圆心为圆心,最小外接圆半径的1.5倍为半径,在第一二值化图像上画边界圆;
基于第一二值化图像,分析根部拓扑结构,若有一根由种子发出且穿过边界圆,则判定候选发芽种子为正常发芽种子。
9.根据权利要求1所述的基于深度学习的高精度种子发芽率测定方法,其特征在于,所述根据种子总数量及正常发芽种子数量,得到种子发芽率,包括以下步骤:
基于种子根部拓扑结构分析后得到正常发芽种子数量;
基于正常发芽种子数量及种子总数量,得到种子发芽率。
10.根据权利要求3所述的基于深度学习的高精度种子发芽率测定方法,其特征在于,所述二值化分割,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。
11.根据权利要求4所述的基于深度学习的高精度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)为分离后图像在某一点的像素值,R、G、B为原始种子发芽图像在RGB空间的各个通道分离值,符号&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空间突显的各个通道分离值,&代表“与”运算。
12.一种基于深度学习的高精度种子发芽率测定系统,其特征在于,包括深度学习检测模块、种子区域裁剪处理模块、图像分离模块、轮廓集获取模块、分析判断确定模块、判定正常发芽种子模块以及计算判断模块;
所述深度学习检测模块,用于通过深度学习算法检测原始发芽种子图像的种子区域信息;
所述种子区域裁剪处理模块,基于种子区域信息,通过二值化分割和形态学分析,得到各个种子区域的连通域信息,基于连通域信息的最小外接椭圆表示种子信息,进而得到种子二值化图像;
所述图像分离模块,对原始发芽种子图像进行处理,分别分割出仅包含芽的芽二值化图像及仅包含根的根二值化图像;
所述轮廓集获取模块,基于种子二值化图像、芽二值化图像及根二值化图像,得到目标二值化图像,进而得到仅包含芽的芽轮廓集、仅包含根的根轮廓集及仅包含种子的种子轮廓集;
所述分析判断确定模块,基于种子轮廓集并分析两两种子之间是否存在粘连,进而得到种子总数量,基于芽轮廓集确定芽端位置和芽端数量,根据种子轮廓集与芽端位置,确定候选发芽种子;
所述确定正常发芽种子模块,基于根二值化图像与种子二值化图像,结合候选发芽种子,分析根部拓扑结构,确定正常发芽种子数量;
所述计算判断模块,根据种子总数量及正常发芽种子数量,得到种子发芽率。
13.根据权利要求12所述的基于深度学习的高精度种子发芽率测定系统,其特征在于,所述分析判断确定模块,被设置为:
遍历所述种子轮廓集并计算每一轮廓面积,若轮廓面积都小于平均面积值的1.3倍,则种子轮廓集的总数为种子总数量;
若轮廓面积大于平均面积值的1.3倍,则当前种子轮廓内存在粘连种子;
提取存在粘连种子的种子轮廓的凹点数量,所述种子轮廓内包含的粘连种子数量为凹点数量的一半;
若粘连种子数量为2,以两凹点切割分离种子;若粘连种子数量大于2,计算任意两凹点所构成直线与另外两凹点所构成直线的交点,若交点不位于四个凹点所围成的四边形内,则分别由两直线所在的凹点切割轮廓分离种子,进而得到种子总数量。
14.根据权利要求12所述的基于深度学习的高精度种子发芽率测定系统,其特征在于,所述分析判断确定模块,被设置为:
基于芽轮廓集,获取芽端位置及芽端数量,根据芽端数量计算出芽数量,进一步通过芽数量确定发芽种子数量,未发芽种子数量等于种子总数量减去发芽种子数量;
基于芽端点位置,结合种子轮廓集中各轮廓,通过距离计算以及数据筛选,确定候选发芽种子。
15.一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11任意一项所述的方法。
16.一种基于深度学习的高精度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11任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310895317.5A CN116612139B (zh) | 2023-07-20 | 2023-07-20 | 基于深度学习的高精度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 |
---|---|---|---|
CN202310895317.5A CN116612139B (zh) | 2023-07-20 | 2023-07-20 | 基于深度学习的高精度种子发芽率测定方法、系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116612139A CN116612139A (zh) | 2023-08-18 |
CN116612139B true CN116612139B (zh) | 2023-09-29 |
Family
ID=87680512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310895317.5A Active CN116612139B (zh) | 2023-07-20 | 2023-07-20 | 基于深度学习的高精度种子发芽率测定方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116612139B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745478A (zh) * | 2014-01-24 | 2014-04-23 | 山东农业大学 | 小麦发芽率机器视觉测定方法 |
CN106447669A (zh) * | 2016-04-08 | 2017-02-22 | 潍坊学院 | 基于圆形蒙版面积比率判别的粘连颗粒图像凹点分割方法 |
GB202010984D0 (en) * | 2020-07-16 | 2020-09-02 | Croda Int Plc | Computer implemented method for assessing the growth of germinative growths from germinative units |
CN113673396A (zh) * | 2021-08-10 | 2021-11-19 | 佛山市海天(高明)调味食品有限公司 | 一种孢子发芽率计算方法、装置及存储介质 |
KR20220082952A (ko) * | 2020-12-10 | 2022-06-20 | 주식회사 보로 | 작물 이미지 빅데이터를 이용한 영농 자동화 시스템 |
CN115512232A (zh) * | 2022-11-24 | 2022-12-23 | 浙江托普云农科技股份有限公司 | 一种农作物种子发芽情况识别模型、构建方法及其应用 |
-
2023
- 2023-07-20 CN CN202310895317.5A patent/CN116612139B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745478A (zh) * | 2014-01-24 | 2014-04-23 | 山东农业大学 | 小麦发芽率机器视觉测定方法 |
CN106447669A (zh) * | 2016-04-08 | 2017-02-22 | 潍坊学院 | 基于圆形蒙版面积比率判别的粘连颗粒图像凹点分割方法 |
GB202010984D0 (en) * | 2020-07-16 | 2020-09-02 | Croda Int Plc | Computer implemented method for assessing the growth of germinative growths from germinative units |
KR20220082952A (ko) * | 2020-12-10 | 2022-06-20 | 주식회사 보로 | 작물 이미지 빅데이터를 이용한 영농 자동화 시스템 |
CN113673396A (zh) * | 2021-08-10 | 2021-11-19 | 佛山市海天(高明)调味食品有限公司 | 一种孢子发芽率计算方法、装置及存储介质 |
CN115512232A (zh) * | 2022-11-24 | 2022-12-23 | 浙江托普云农科技股份有限公司 | 一种农作物种子发芽情况识别模型、构建方法及其应用 |
Non-Patent Citations (3)
Title |
---|
光谱及成像技术在种子活力检验中的应用研究进展;段洁利;王韬隐;付函;赵文锋;李婧娴;;现代农业装备(第02期);全文 * |
基于图像的酵母菌出芽率分析方法;吕丹凤;杨翠荣;庞全;;计算机系统应用(第12期);全文 * |
基于图谱特征的番茄种子活力检测与分级;彭彦昆;赵芳;白京;郑晓春;王文秀;孙群;;农业机械学报(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116612139A (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field | |
CN111950330A (zh) | 一种基于目标检测的指针式仪表示数检测方法 | |
CN103745478B (zh) | 小麦发芽率机器视觉测定方法 | |
CN110807496A (zh) | 一种密集目标检测方法 | |
CN110751606B (zh) | 一种基于神经网络算法的泡沫图像处理方法及系统 | |
CN108052886A (zh) | 一种小麦条锈病菌夏孢子自动统计计数方法 | |
CN111145205B (zh) | 基于红外图像的多猪只场景下猪体温检测方法 | |
CN113344956A (zh) | 基于无人机航摄三维建模的地物轮廓提取分类方法 | |
CN116310882B (zh) | 基于高分辨率遥感影像的林业信息识别方法 | |
CN112686264A (zh) | 数字式仪表读数方法、装置、计算机设备和存储介质 | |
CN110991437B (zh) | 字符识别方法及其装置、字符识别模型的训练方法及其装置 | |
CN114359288A (zh) | 基于人工智能的医学影像脑动脉瘤检测和定位方法 | |
CN115908142A (zh) | 一种基于视觉识别的接触网微小部件验损方法 | |
CN117115148B (zh) | 基于5g技术的芯片表面缺陷智能识别方法 | |
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 | |
CN111815542B (zh) | 一种树木年轮图像髓心定位、年轮测量方法 | |
CN113326925A (zh) | 基于密度图回归的卷积神经网络的花量统计方法、系统、设备及介质 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN115880683A (zh) | 一种基于深度学习的城市内涝积水智能水位检测方法 | |
CN116416523A (zh) | 一种基于机器学习的水稻生长阶段的识别系统和方法 | |
CN116403223A (zh) | 一种基于机器学习的指针式仪表读数识别方法和系统 | |
CN115082444A (zh) | 一种基于图像处理的铜管焊缝缺陷检测方法及系统 | |
CN113807129A (zh) | 一种作物区域识别方法、装置、计算机设备和存储介质 | |
CN115310505A (zh) | 一种用于互感器二次回路接线端子的自动识别方法及系统 | |
CN116420465B (zh) | 基于机器视觉的种子发芽率测定方法、系统及装置 |
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 |