DE102004063769A1

DE102004063769A1 - Method for automatically and quantitatively determining the amount of seed or grain of required quality comprises recording the seed and grain using an imaging device and further processing

Info

Publication number: DE102004063769A1
Application number: DE102004063769A
Authority: DE
Inventors: Petra Perner
Original assignee: Individual
Current assignee: Individual
Priority date: 2004-12-30
Filing date: 2004-12-30
Publication date: 2006-07-13
Also published as: DE202004021395U1

Abstract

Method for automatically and quantitatively determining the amount of seed or grain of required quality comprises recording the seed and grain using an imaging device, segmenting the images by comparing the original image with an image mask obtained from the original image, determining the characteristic of the seed or grain as objects of the image recording, classifying by comparing with characteristics of the objects with stored characteristics and displaying and/or storing the objects according to quality. An independent claim is also included for a device for carrying out the above method. Preferred Features: The image of the seed or grain is normalized, filtered and/or liberated in an image pre-processing unit.

Description

Die Erfindung betrifft Verfahren und Einrichtungen zur automatischen und quantitativen Erfassung des Anteils von Saatgütern oder Körnerfrüchten bestimmter Qualität, Computer-Programm-Produkte mit einem Programmcode zur Durchführung dieser Verfahren, Computer-Programm-Produkte auf maschinenlesbaren Trägern zur Durchführung dieser Verfahren und digitale Speichermedien, die so mit einem programmierbaren Computersystem zusammenwirken können, dass diese Verfahren ausgeführt werden.The The invention relates to methods and devices for automatic and quantitative recording of the proportion of seed or Certain cereal fruits Quality, Computer program products with a program code for carrying out these methods, Computer program products on machine-readable carriers to carry out this method and digital storage media, so with a programmable Computer system can interact, that these procedures are carried out.

Durch die Druckschrift DE 196 45 068 C1 (Verfahren und Zähleinrichtung zum Auszählen von Teilchen, beispielsweise Saatgut- und Körnerproben oder dergleichen) ist ein Verfahren und eine Zähleinrichtung bekannt, wobei eine schnelle Bestimmung der Anzahl von Teilchen, welche sich auf einer ebenen Aufnahmefläche befinden, mittels einer opto-elektronischen Aufnahmevorrichtung erfolgt. Über einen Steuerrechner wird der Messablauf vorgegeben, des von der Kamera erfassten auf einer Schüttplatte befindlichen Saatgutes ausgezählt und die Zählwerte dargestellt. Grundlage bildet eine Aufnahme eines sogenannten Nullbildes als Aufnahme der Schüttplatte ohne Teilchen. Über eine Kantenhervorhebung oder Kantenfilterung werden einzelne Teilchen erkannt. Aneinanderliegende oder übereinanderliegende Teilchen werden als Gesamtheit erfasst. Über einen Vergleich mit ermittelten Teilchen wird auf die Anzahl dieser Teilchen geschlossen. Eine Vereinzelung durch Segmentieren ist nicht vorgesehen. Ein weiterer Nachteil besteht darin, dass nur die Konturen zur Zählung der auf der Schüttplatte befindlichen Teilchen erfasst werden.Through the publication DE 196 45 068 C1 (Method and counting counter for counting particles, such as seed and grain samples or the like), a method and a counter is known, wherein a rapid determination of the number of particles, which are located on a flat receiving surface, by means of an opto-electronic recording device. Via a control computer, the measuring procedure is predetermined, the number of seeds picked up by the camera on a pouring plate is counted and the counted values are displayed. The basis is a recording of a so-called zero image as a recording of the bulk plate without particles. Edge enhancement or edge filtering detects individual particles. Adjacent or superimposed particles are detected as a whole. By comparison with determined particles, the number of these particles is deduced. Separation by segmentation is not provided. Another disadvantage is that only the contours for counting the particles located on the bulk plate are detected.

Der in den Patentansprüchen 1, 8 und 12 bis 14 angegebenen Erfindung liegt die Aufgabe zugrunde, Verfahren und Einrichtungen zur automatischen und quantitativen Erfassung des Anteils von Saatgütern oder Körnerfrüchten bestimmter Qualität bereitzustellen.Of the in the claims 1, 8 and 12 to 14 specified invention is based on the object Methods and devices for automatic and quantitative Recording the share of seeds or grains more specific quality provide.

Diese Aufgabe wird mit den in den Patentansprüchen 1, 8 und 12 bis 14 aufgeführten Merkmalen gelöst.These The object is achieved with the features listed in the patent claims 1, 8 and 12 to 14.

Die Verfahren und Einrichtungen dienen der automatischen und quantitativen Erfassung des Anteils von Saatgütern oder Körnerfrüchten bestimmter Qualität.The Procedures and facilities are automatic and quantitative Recording the share of seeds or grains of a certain quality.

Vorteilhafterweise kann dadurch insbesondere auch die Qualität von Saatgütern oder Körnerfrüchten durch eine Untersuchung gezogener Proben schnell und einfach festgestellt werden. Das schließt auch Getreide ein. Mit einer Krankheit befallene oder beschädigte Saatgüter oder Körner aber auch Teile davon können automatisch erfasst werden. Qualitätsmängel wie unter anderem verursacht durch aufgesprungene Körner, Körnerauswuchs, seitlich unvollständiger Spelzenschluss, spelzenverletzte Körner, Zwiewuchs, grüne Körner, intakte rote Körner, nichtintakte rote Körner und Flughafer können ermittelt werden. Natürlich werden auch die intakten Körner der Proben festgestellt. Das schließt auch deren Größe mit ein. Dadurch können die Proben quantitativ nach Qualitätskategorien untersucht werden. Damit kann eine objektive Bestimmung des prozentualen Anteils von intakten und mangelhaften Saatgütern oder Körnerfrüchten erfolgen. Die Ermittlung erfolgt sehr schnell, so dass auch Proben angelieferter Getreidemengen zeitnah auf ihre Qualität hin überprüft werden können und die Entscheidung über eine Annahme oder Verweigerung einer Lieferung kurzfristig möglich ist. Für etwaige Ansprüche kann das Ergebnis leicht mit einer Dokumentation versehen werden. Das können das Datum, der Lieferer und eine etwaige Nummer einer Ladung sein.advantageously, This can in particular also the quality of seeds or grains by an investigation drawn samples quickly and easily. That includes too Cereals. Seeds infested or damaged by disease or grains but also parts of it can be automatically detected. Quality defects as caused among others through cracked grains, Körne output growth, laterally incomplete Celery, spelled broken grains, juniper, green grains, intact red grains, non-intact red grains and wild oats can be determined. Naturally also become the intact grains the samples were detected. This includes their size as well. Thereby can the samples are quantitatively analyzed according to quality categories. Thus, an objective determination of the percentage of intact and deficient seeds or grain crops. The determination takes place very fast, so that also samples of delivered grain quantities timely on their quality be checked can and the decision over acceptance or refusal of delivery is possible at short notice. For any claims the result can easily be provided with documentation. The skill the date, the supplier and any number of a cargo.

Die Aufnahme der Körnerfrüchte erfolgt mit mehreren Bildaufnahmegeräten mehrseitig, wobei sich die Saatgüter oder Körnerfrüchte auf oder in einer transparenten Transportvorrichtung befinden. Dadurch können insbesondere auch nur einseitig auftretende und sich darstellende Qualitätsmängel der Körnerfrüchte festgestellt werden. Über eine Bildsegmentierung der Bilder durch jeweiligem Vergleich des Originalbildes mit wenigstens einer aus den Originalbild gewonnenen Bildmaske und/oder einer ähnlichkeitsbasierten Bildsegmentierung durch Vergleich entweder gleicher oder ähnlicher Fälle aus einer Falldatenbank, einer Merkmalsbestimmung der vereinzelten Saatgüter oder Körnerfrüchte als Objekte der Bildaufnahmen je Seite mit Form der Objekte, Farbe der Objekte, Kanten in den Objekten, Textur der Objekte und Position im Objekt, einer Klassifikation der Objekte durch Vergleich der Merkmale der Objekte mit gespeicherten und bekannten als Klassifikatorwissen abgelegten Merkmalen.The Picking up the grains takes place with several imaging devices multilateral, with the seeds or grains or in a transparent transport device. Thereby can in particular, only one-sided and performing Quality defects of Grains found become. about an image segmentation of the images by respective comparison of Original picture with at least one of the original picture Image mask and / or a similarity-based Image segmentation by comparing either the same or similar Cases out a case database, a characterization of individual seeds or Grains as Objects of image captures per page with shape of objects, color of Objects, edges in the objects, texture of the objects and position in the object, a classification of objects by comparing the Characteristics of objects with stored and known as classifier knowledge stored characteristics.

Das Ergebnis der Klassifikation wird vorteilhafterweise als Report tabellarisch angezeigt oder in einem geeigneten Speichermedium gespeichert.The The result of the classification is advantageously tabulated as a report displayed or stored in a suitable storage medium.

Die Einrichtung zeichnet sich weiterhin durch ihre einfache Realisierung mit dem Einsatz bekannter Einrichtungen aus. Die Auswertung basiert auf speziellen Einrichtungen und Abläufen in einem Computer. Ergebnis ist auch die Möglichkeit einer dauerhafte Wissensspeicherung.The Equipment continues to be characterized by its easy realization with the use of known facilities. The evaluation is based on special facilities and processes in a computer. Result is also the possibility a permanent knowledge storage.

Die Verfahren und Einrichtungen stellen jeweils nach oben offene Systeme dar, so dass ständig neue Merkmale in die Erfassung mit aufgenommen oder gegen ältere Merkmale ersetzt werden können.The methods and devices each represent upwardly open systems, so that constantly new features can be included in the collection or replaced with older features.

Die erfindungsgemäßen Verfahren können den Nutzern vorteilhafterweise als Computer-Programm-Produkte mit jeweils einem Programmcode zur Durchführung dieser Verfahren, als Computer-Programm-Produkte auf maschinenlesbaren Trägern zur Durchführung dieser Verfahren und als digitale Speichermedien, die mit einem programmierbaren Computersystem zusammenwirken können, zur Verfügung gestellt werden.The inventive method can the Users advantageously as computer program products, each with a Program code for execution this method, as a computer program products on machine-readable carriers to carry out This method and as digital storage media, with a provided by the programmable computer system become.

Vorteilhafte Ausgestaltungen der Erfindung sind in den Patentansprüchen 2 bis 7 und 9 bis 11 angegeben.advantageous Embodiments of the invention are in the claims 2 to 7 and 9 to 11 indicated.

Das Bild der Saatgüter oder Körnerfrüchte wird nach der Weiterbildung des Patentanspruchs 2 vorteilhafterweise nach der Bildaufnahme in einer Bildvorverarbeitung von Störungen befreit und/oder gefiltert und/oder normiert. Rauschen ist dabei zum Beispiel eine Störung, die durch die Bildvorverarbeitung eliminiert wird. Mit Hilfe eines Kantenfilters kann auch in der Bildvorverarbeitung bereits die Kontur des Objektes ermittelt werden, wobei die Bildvorverarbeitung gleichzeitig zur Bildsegmentierung genutzt werden kann.The Image of seeds or grain crops according to the embodiment of claim 2 advantageously freed from interference after image acquisition in an image preprocessing and / or filtered and / or normalized. Noise is for example a disorder, which is eliminated by the image preprocessing. With help of a Edge filter can already in the image preprocessing already the contour of Object can be determined, with the image preprocessing simultaneously can be used for image segmentation.

Die Weiterbildung des Patentanspruchs 3, wobei nach der Wandlung für jedes der digitalisier ten Bilder der Saatgüter oder Körnerfrüchte eine zweidimensionale Bildmaske erzeugt wird und die Saatgut- oder die Kornfläche mit einem Binärwert und das restliche Bild mit dem anderen Binärwert belegt wird, durch eine morphologische Filterung eine geschlossene Fläche gleicher Farbintensität für die Saatgüter oder Körnerfrüchte in der Bildmaske entsteht und über einen UND-Vergleich des digitalisierten Bildes der Saatgüter oder Körnerfrüchte und der Bildmaske Bilder der Saatgüter oder Körnerfrüchte so entstehen, dass die Bilder der Saatgüter oder Körnerfrüchte die ursprüngliche Farbe und der Hintergrund einen Binärwert enthalten, stellt eine einfache Bildsegmentierung der aufgenommenen Bilder dar. Grundlage dazu sind die Aufnahmen der Bilder mit den Saatgütern oder Körnerfrüchten selbst.The Further development of claim 3, wherein after the conversion for each The digitized images of seeds or grains are a two-dimensional Image mask is generated and the seed or the grain surface with a binary value and the rest of the image is occupied by the other binary value, by a morphological filtering a closed area of the same color intensity for the seeds or Grains in the picture mask is created and over an AND comparison of the digitized image of the seed or Grain fruits and the picture mask pictures of the seeds or grains like that emerge that the images of seeds or grains are the original ones Color and the background contain a binary value represents one simple image segmentation of the recorded images. Basis for this are the shots of the pictures with the seeds or grains themselves.

Die Weiterbildung des Patentanspruchs 4 führt zu einer Akquisition von Formen aus Bildern mit Abbildungen von Saatgütern oder Körnerfrüchten als Objekte und zu einem Lernen von abstrakten Formmodellen von Körnerfrüchten für eine Falldatenbank für ein fallbasiertes Erkennen von Saatgütern oder Körnerfrüchten in den digitalisierten Bildern der Saatgüter oder Körnerfrüchte. Diese zeichnen sich insbesondere dadurch aus, dass semiautomatisch Einzelformen von Saatgütern oder Körnerfrüchten als Objekte in Form von Darstellungen in Bildern erhoben und dass automatisch aus diesen Einzelformen abstrakte Formmodelle in verschiedenen Abstraktionsniveaus gewonnen werden können. Die gelernten abstrakten Formmodelle sind entweder gemittelte Formen aus Gruppen von Objekten oder Mediane als Einzelformen von Gruppen. Der Median ist das Objekt, von dem alle anderen Objekte den geringsten Abstand haben. Der Median stellt damit eine natürliche Form eines Saatgutes oder einer Körnerfrucht dar, während die gemittelte Form ein künstliches nicht vorkommendes Objekt ist.The Further development of patent claim 4 leads to an acquisition of Shapes from pictures with pictures of seeds or grains as objects and to one Learning from abstract form models of grains for a case database for a case-based Recognition of seeds or grains in digitized images of seeds or grains. These stand out in particular characterized in that semiautomatically individual forms of seeds or Grain fruits as Objects in the form of representations in images are collected and that automatically From these individual forms, abstract form models in different levels of abstraction can be won. The learned abstract form models are either averaged forms from groups of objects or medians as individual forms of groups. The median is the object from which all other objects have the smallest distance to have. The median thus represents a natural form of a seed or a grain crop, while the averaged form is not an artificial one occurring object is.

Der besondere Vorteil besteht darin, dass die Kontur oder die Form digital erfasst und in einem Datenfile abgelegt werden können. Mit diesen Daten können folgend Manipulationen ausgeführt werden, wobei zum Beispiel Ähnlichkeitsmaße bestimmbar und die Ähnlichkeit beschreibbar ist.Of the special advantage is that the contour or shape digital captured and stored in a data file. The following can be done with these data Performed manipulations be determined, for example, similarity measures and the similarity is writable.

Damit eignen sich diese Verfahren für das Erstellen von Falldatenbanken mit Formmodellen von Saatgütern oder Körnerfrüchten. Es können vorteilhafterweise Gruppen von Formen von Saatgütern oder Körnerfrüchten automatisch gebildet und die Ähnlichkeiten untereinander hierarchisch dargestellt werden. Aus den Gruppen können weiterhin Modelle auf verschiedenen Abstraktionsebenen erstellt werden.In order to These methods are suitable for the creation of case databases with shape models of seeds or Grain crops. It can advantageously, groups of shapes of seeds or grains are automatically formed and the similarities hierarchically displayed among each other. From the groups can continue Models are created at different abstraction levels.

Grundlage sind digitale Bilder mit Abbildungen der Saatgüter oder Körnerfrüchte mit unterschiedlichen Erscheinungsformen in der Kontur und/oder Textur und/oder Farbe. Durch ein manuelles Abfahren von Konturen und/oder Texturen bildenden Kanten eines Bildes mit einem handführbaren und mit einem Computer verbundenen Eingabegerät oder aus der Berechnung einer dem oder jedem Bild in Form sichtbarer äußerer und/oder innerer Konturen zugeordneten Geometriedarstellung werden diesen Kanten und damit dargestellten Saatgütern oder Körnerfrüchten als Objekte zuordenbare Daten gewonnen. Aus diesen Daten können Formmodelle gewonnen werden, um Wissen über die Objekte akquirieren zu können. Dadurch kann vorteilhafterweise die Falldatenbank erweitert werden.basis are digital pictures with pictures of seeds or grains with different ones Forms of appearance in the contour and / or texture and / or color. By making a manual departure from contours and / or textures Edges of a picture with a hand-held and with a computer connected input device or from the calculation of an external image and / or image visible to the or each image inner contours assigned to this geometry representation Edges and seeds or grains presented as objects Data won. Form models can be obtained from these data to know about to acquire the objects. This advantageously allows the case database to be extended.

Ein weiterer Vorteil besteht darin, dass mit der Anwendung des Verfahrens ständig auch neue Formmodelle von Saatgütern oder Körnerfrüchten als Objekte in digitalen Bildern der Falldatenbank zugeordnet werden können. Damit ist eine Erweiterung der Falldatenbank gegeben. Die Falldatenbanken bilden damit die Grundlage zum automatischen fallbasierten Erkennen und Bestimmen von Saatgütern oder Körnerfrüchten als Objekte in digitalen Bildern mit Objekten. Das ausgewählte Fallbild und das erzeugte Gradientenbild des digitalen Bildes mit Objekten werden in Pyramiden mit Bildebenen überführt. Die einzelnen Bildebenen werden nacheinander miteinander verglichen, wobei mit den höchsten Bildebenen begonnen wird. Die höchsten Bildebenen sind die unschärfsten Bildebenen mit jeweils der geringsten Datenmenge, so dass beginnend mit dem geringsten Rechenaufwand der Vergleich durchgeführt wird. Weiterhin wird das ausgewählte Fallbild mit jedem Objekt des digitalen Bildes mit Objekten sukzessive verglichen. Während des Vergleichs zwischen jedem der Objektbilder und des Fallbildes erfolgt eine Ausrichtung und eine Skalierung und/oder Rotation des Fallbildes, wobei dabei gleichzeitig die Ähnlichkeit berechnet wird.Another advantage is that with the application of the method also new shape models of seeds or grain crops can be assigned as objects in digital images of the case database. This is an extension of the case database. The case databases thus form the basis for automatic case-based recognition and determination of seeds or grain crops as objects in digital images with objects. The selected case image and the generated gradient image of the digital image with objects are transformed into pyramids with image planes. The individual image levels are compared in succession, starting with the highest image levels. The highest image levels are the blurry image planes, each with the smallest amount of data, so that starting with the least amount of computational complexity, the comparison is performed. Furthermore, the selected case image is successively compared with each object of the digital image with objects. During the comparison between each of the object images and the case image, an alignment and a scaling and / or rotation of the case image takes place, whereby at the same time the similarity is calculated.

Der besondere Vorteil besteht darin, dass entweder die Kontur oder die Form digital erfasst und in einem Datenfile abgelegt werden können. Mit diesen Daten können folgend Manipulationen ausgeführt werden, wobei zum Beispiel Ähnlichkeitsmaße bestimmbar und die Ähnlichkeit und/oder die Ähnlichkeit als Grad der Übereinstimmung zwischen Fall- und Objektbild durch das Ähnlichkeitsmaß beschreibbar sind. Mit sinkendem Ähnlichkeitsmaß ist das Objektbild ungleicher vom Fallbild.Of the special advantage is that either the contour or the Form digitally captured and stored in a data file. With this data can following tampering where, for example, similarity measures can be determined and the similarity and / or the similarity as degree of agreement between case and object image can be described by the similarity measure are. With decreasing similarity measure that is Object image unequal from the case image.

Die Berechnung der Ähnlichkeiten basiert auf der Bestimmung von Ähnlichkeitsmaßen. Dabei werden jeweils mindestens ein Fall und ein Objekt miteinander verglichen, wobei diese aufeinander ausgerichtet werden und eine Skalierung und/oder Rotation erfolgt. Gleichzeitig wird die Ähnlichkeit berechnet, wobei nach der Weiterbildung des Patentanspruchs 5 Ähnlichkeitsmaße entweder als Distanz- oder als Ähnlichkeitswerte jeweils zwischen dem Fall und dem Objekt so lange ermittelt werden, bis entweder ein Minimum der Distanzwerte oder ein Maximum der Ähnlichkeitswerte vorhanden ist.The Calculation of similarities based on the determination of similarity measures. It will be at least one case and one object compared to each other, where these are aligned and a scaling and / or rotation. At the same time the similarity calculated according to the embodiment of claim 5 similarity measures either as distance or as similarity values be determined between the case and the object so long, until either a minimum of the distance values or a maximum of the similarity values is available.

Vorteilhafterweise wird über eine Kantendetektion der Objekte des digitalen Bildes nach der Weiterbildung des Patentanspruchs 6 das Gradientenbild erzeugt, wobei große Änderungen sowohl in vertikaler als auch in horizontaler Richtung jeweils Gradienten und homogenen Flächen kein Gradient zugeordnet werden. Ergebnis ist ein Bild mit Kanten der Objekte, während die durch die Kanten der Objekte eingeschlossenen Flächen und die an die Kanten der Objekte angrenzenden Flächen jeweils einfarbig sind. Die Datenmenge des digitalen Bildes ist dadurch wesentlich geringer als bei einem Farbbild des digitalen Bildes. Gleichzeitig verringert sich der Rechenaufwand beim Vergleich jedes Objektes mit einem ausgesuchten Fall durch die Berechnung der Ähnlichkeiten mit der Bestimmung von Ähnlichkeitsmaßen.advantageously, will over an edge detection of the objects of the digital image after the training of claim 6 generates the gradient image, wherein large changes gradients in both the vertical and horizontal directions and homogeneous surfaces no gradient can be assigned. The result is a picture with edges of the objects while the surfaces enclosed by the edges of the objects and the surfaces adjacent to the edges of the objects are each monochrome. The amount of data of the digital image is thus much lower as a color image of the digital image. At the same time reduced the computational effort in the comparison of each object with a selected Case by the calculation of similarities with the determination of similarity measures.

Sowohl aus dem Fall- als auch dem Objektbild wird nach der Weiterbildung des Patentanspruchs 7 jeweils ein Gradientenbild gebildet, die jeweils in eine Bildfolge als eine Pyramide mit Bildebenen überführt und wobei sukzessive die Richtungsvektoren in den Bildebenen jeweils des Fall- und des Objektbildes durch Produktbildung miteinander verglichen werden. Das Prinzip der Pyramiden verringert den Rechenaufwand wesentlich. Die jeweils nachfolgenden Bildebenen der Pyramiden sind Darstellungen mit jeweils einem doppelt so groben Raster. Dazu wird nur jeder zweiter Punkt einer Zeile und nur jede zweite Zeile herausgegriffen und zu einem Neuen Bild als Bildebene zusammengesetzt. Das verwendete Abtasttheorem stellt zugleich sicher, dass das ursprünglich feinere Raster aus dem gröberen Raster exakt rekonstruierbar ist. Bei einem Vergleich des Falles und des Objektes wird vorteilhafterweise mit dem gröbsten Raster der obersten Bildebenen begonnen. Je nach dem Ergebnis des Vergleichs der Ähnlichkeit werden sukzessive Bildebenen mit dem jeweils feineren Raster miteinander verglichen. Der Vergleich kann jederzeit abgebrochen werden, so dass der Rechenaufwand beim Vergleich wesentlich eingeschränkt werden kann.Either from the case as well as the object image is after the training of claim 7 each formed a gradient image, respectively transferred into a sequence of images as a pyramid with image planes and wherein successively the direction vectors in the image planes respectively the case and the object image by product formation with each other be compared. The principle of pyramids reduces the computational effort essential. The respective subsequent image planes of the pyramids are Representations each with a grid twice as large. This will be only every second point of a line and only every second line picked out and assembled into a new image as an image plane. The used At the same time, the sampling theorem ensures that the originally finer Raster from the coarser Raster is exactly reconstructed. When comparing the case and the object advantageously becomes the coarsest grid started on the top level of the picture. Depending on the result of the comparison of similarity become successive image planes with each finer grid with each other compared. The comparison can be aborted at any time, so that the computational effort in the comparison are significantly limited can.

Ein transparentes Band für Saatgüter oder Körnerfrüchte als Bestandteil eines Bandförders als transparente Transportvorrichtung nach der Weiterbildung des Patentanspruchs 9 ermöglicht eine zweiseitige Aufnahme der Saatgüter oder Körnerfrüchte. Zweiseitig ist eine Bildaufnahme von oben über ein erstes Bildaufnahmegerät und von unten über ein zweites Bildaufnahmegerät. Ein derartiger Bandförderer lässt sich einfach realisieren. In Verbindung mit einer gekoppelten Vibrationseinrichtung nach der Weiterbildung des Patentanspruchs 10 werden die Saatgüter oder Körnerfrüchte einfach vereinzelt. Auch teilweise Überlagerungen werden weitestgehend vermieden.One transparent band for seeds or grains as Part of a belt conveyor as a transparent transport device according to the embodiment of Patent claim 9 allows a bilateral uptake of seeds or grains. Two-sided is an image capture from the top over a first image capture device and from the bottom over a second image capture device. Such a belt conveyor let yourself easy to realize. In conjunction with a coupled vibration device according to the embodiment of claim 10, the seeds or Grains easy sporadically. Also partial overlays are largely avoided.

Eine vorteilhafte transparente Tansportvorrichtung für Saatgüter oder Körnerfrüchte ist nach der Weiterbildung des Patentanspruchs 11 ein transparentes Rohr, in das jeweils ein Saatgut oder eine Körnerfrucht nacheinander einführbar sind. Die Saatgüter oder die Körnerfrüchte werden im Rohr transportiert und durch die Bildaufnahmegeräte aufgenommen. Dadurch können mehrere Seiten der Saatgüter oder Körnerfrüchte leicht aufgenommen werden. Dazu sind vorteilhafterweise zwei, drei oder vier Bildaufnahmegeräte um das Rohr platziert.A advantageous transparent Tansportvorrichtung for seeds or grains is according to the development of claim 11, a transparent tube, in each one Seed or a grain fruit can be inserted one after the other are. The seeds or the grains are transported in the tube and picked up by the image pickup devices. Thereby can several pages of seeds or Grains easily be recorded. These are advantageously two, three or four imaging devices placed around the pipe.

Ausführungsbeispiele der Erfindung werden im folgenden unter Einbeziehung der Darstellungen näher beschrieben.embodiments The invention will be described in more detail below with reference to the drawings.

Es zeigen:It demonstrate:

1 eine prinzipielle Darstellung einer Einrichtung zur automatischen und quantitativen Erfassung des Anteils von Getreidekörnern bestimmter Qualität, 1 a schematic representation of a device for automatic and quantitative determination of the proportion of cereal grains of specific quality,

2 verschiedene Merkmale von Getreidekörnern und 2 different characteristics of cereals grains and

3 eine Klassifikation. 3 a classification.

Ein Verfahren und eine Einrichtung zur automatischen Bonitierung von Getreidekörnern 1 als Körnerfrüchte werden nachfolgend in einem ersten Ausführungsbeispiel zusammen näher erläutert. Dabei wird der Anteil von Getreidekörnern 1 bestimmter Qualität sowohl automatisch als auch quantitativ erfasst.A method and apparatus for the automatic grading of cereal grains 1 as grain crops are explained together in more detail in a first embodiment below. This is the proportion of cereal grains 1 certain quality both automatically and quantitatively.

Eine Einrichtung zur automatischen Bonitierung (automatische und quantitative Erfassung des Anteils von Körnerfrüchten bestimmter Qualität) besteht im wesentlichen aus zwei Bildauf nahmegeräten, einem Bandförderer 4 als Transportvorrichtung und einem Computer als Datenverarbeitungseinrichtung, in dem eine Reihenschaltung bestehend aus einer Einrichtung zur Bildsegmentierung 7, einer Einrichtung zur Merkmalsbestimmung 8 und einer Einrichtung zur Klassifikation 9 und einer Anzeigeeinrichtung und/oder einem Speicher als Ergebnisreport 10 für die Anteile entsprechend der Merkmale klassifizierten Objekte nach der Qualität und/oder der Art der Getreidekörner 1 realisiert ist.A device for automatic Bonitierung (automatic and quantitative detection of the proportion of grains of certain quality) consists essentially of two Bildauf receiving devices, a belt conveyor 4 as a transport device and a computer as a data processing device in which a series circuit consisting of a device for image segmentation 7 , a device for determining characteristics 8th and a device for classification 9 and a display device and / or a memory as a result report 10 objects classified according to the characteristics according to the quality and / or type of cereal grains 1 is realized.

Die 1 zeigt eine Einrichtung zur automatischen und quantitativen Erfassung des Anteils von Getreidekörnern 1 bestimmter Qualität in einer prinzipiellen Darstellung.The 1 shows a device for automatic and quantitative detection of the proportion of cereal grains 1 certain quality in a basic representation.

Die Getreidekörner 1 gelangen aus einem Trichter 2 auf den Bandförderer 4, dessen Band 5 aus einem transparenten Material besteht. Der Trichter 2 gewährleistet, dass nur ein bestimmte Anzahl von Getreidekörnern 1 auf das transparente Band 5 gelangt. Zwei Bildaufnahmegeräte als digitale Kameras 3a, 3b sind so beabstandet übereinander angeordnet, dass sich das transparente Band 5 zwischen den Kameras 3a, 3b befindet. Dadurch werden die Getreidekörner 1 von oben mit der einen Kamera 3a und von unten mit der anderen Kamera 3b aufgenommen. Gleichzeitig erfolgt in den Kameras 3a, 3b die Wandlung der Bilddaten in eine digitale Form, so dass digitalisierte Bilder 6a, 6b der Getreidekörner 1 vorhanden sind. Mit der Bewegung des transparenten Bandes 5 werden eine Vielzahl von Getreidekörnern 1 an den Kameras 3a, 3b vorbeigeführt, die nacheinander mit mehreren Bildern die vorbeigeführten Getreidekörner 1 aufnehmen. Die Kameras 3a, 3b sind mit dem Computer zusammengeschaltet, so dass die digitalen Bilddaten der Bilder von oben 6a und von unten 6b in den Computer gelangen.The cereal grains 1 get out of a funnel 2 on the belt conveyor 4 , his band 5 made of a transparent material. The funnel 2 ensures that only a certain number of grains 1 on the transparent band 5 arrives. Two image capture devices as digital cameras 3a . 3b are spaced above each other so that the transparent band 5 between the cameras 3a . 3b located. This will make the grains 1 from above with the one camera 3a and from below with the other camera 3b added. At the same time takes place in the cameras 3a . 3b the conversion of image data into a digital form, allowing digitized images 6a . 6b of cereal grains 1 available. With the movement of the transparent band 5 be a variety of grains 1 at the cameras 3a . 3b passed by one after the other with several pictures of the grain grains passing by 1 take up. The cameras 3a . 3b are connected to the computer, so that the digital image data of the images from above 6a and from below 6b get into the computer.

Die digitalen Bilddaten gelangen zur Einrichtung zur Bildsegmentierung 7, wobei jeweils das digitalisierte Bild 6a, 6b der aufgenommenen Getreidekörner 1 in den Hintergrund und die Getreidekörner 1 aufgeteilt werden. Es entsteht ein Binärbild, wobei dem Hintergrund der Wert „0" und den Getreidekörnern der Wert „1" zugeordnet werden. Das Binärbild wird nachfolgend mit morphologischen Filtern wie Dilation und Erosion bearbeitet, in dessen Resultat für die Getreidekörner geschlossene Flächen gleicher Farbintensität entstehen. Das Binärbild dient zum Ausschneiden der Getreidekörner aus dem ursprünglichen Bild. Dazu werden das Bild und das Binärbild mittels einer UND-Operation miteinander verknüpft, so dass einzelne Bilder der herausgeschnittenen Getreidekörner als Objekte vorhanden sind.The digital image data arrive at the device for image segmentation 7 , where respectively the digitized image 6a . 6b the ingested cereal grains 1 in the background and the cereal grains 1 be split. The result is a binary image, where the value "0" is assigned to the background and the value "1" to the grain kernels. The binary image is subsequently processed with morphological filters such as dilation and erosion, resulting in the result for the cereal grains closed areas of the same color intensity. The binary image is used to cut out the cereal grains from the original image. For this, the image and the binary image are linked together by means of an AND operation, so that individual images of the cut-out cereal grains are present as objects.

Dadurch ist eine Bildsegmentierung der Bilder 6a, 6b durch jeweiligem Vergleich des Originalbildes mit wenigstens einer aus dem Originalbild gewonnenen Bildmaske vorhanden.This is a picture segmentation of the pictures 6a . 6b by comparing the original image with at least one image mask obtained from the original image.

Die einzelnen Bilder 6a, 6b der Getreidekörner werden anschließend in Klassenbilder überführt und Merkmale für die Objekte der einzelnen Klassenbilder und damit einzelne Getreidekörner bestimmt, die die Charakteristiken der in dem jeweiligen Klassenbild sich ausprägenden Objekte beschreiben.The individual pictures 6a . 6b The cereal grains are then converted into class images and characteristics for the objects of the individual class images and thus individual cereal grains are determined, which describe the characteristics of the objects forming in the respective class image.

Merkmale sind die Form der Objekte, die Farbe der Objekte, die Kanten in den Objekten (Struktur), die Textur der Objekte und die Position eines Merkmals im Objekt (Darstellung in der 2).Characteristics are the shape of the objects, the color of the objects, the edges in the objects (structure), the texture of the objects and the position of a feature in the object (representation in the object) 2 ).

Das Getreidekornmuster des Klassenbildes als Merkmal wird mit Merkmalen verglichen, die im Computer als Klassifikatorwissen der Einrichtung zur Klassifikation 9 enthalten sind. Ergebnis ist eine Zuordnung jedes Objektes und damit eine Bestimmung des Getreidekorns hinsichtlich unter anderem der Kriterien aufgesprungenes Getreidekorn, Auswuchs, unvollständiger Spelzenschluss, spelzenverletzt, Zwiewuchs, rote Körner, grüne Körner, halbe Getreidekörner, intakte Getreidekörner und Flughafer. Der Ergebnisreport 10 beinhaltet sowohl die Anzahl der Getreidekörner 1 als auch die prozentualen Anteile der Getreidekörner 1 entsprechend der Merkmale. Vorteilhafterweise erfolgt die Ausgabe des Ergebnisreports 10 tabellarisch (Darstellung in der 3).The cereal grain pattern of the class image as a feature is compared with features used in the computer as classifier knowledge of the classification device 9 are included. The result is an assignment of each object and thus a determination of the grain in terms of, inter alia, the criteria cracked cereal grain, outgrowth, incomplete husk, spelled injured, Zwiewuchs, red grains, green grains, half grains, intact grains and wild oats. The result report 10 includes both the number of cereal grains 1 and the percentage of cereal grains 1 according to the characteristics. Advantageously, the output of the result report 10 tabular (Presentation in the 3 ).

Unbekannte oder unsicher klassifizierte Getreidekörner können in einer Ausführungsform automatisch erkannt und über eine Lerneinheit dem Nutzer und/oder Bedienpersonals angezeigt werden. Dadurch kann eine Klassifikation erfolgen, wobei das neue Kriterium als Merkmal über die Lerneinheit automatisch dem Klassifikatorwissen und damit der Einrichtung zur Klassifikation 9 zu- und eingeordnet werden.Unknown or insecurely classified cereal grains may in one embodiment be automatically detected and displayed to the user and / or operators via a lesson. As a result, a classification can be carried out, wherein the new criterion as a feature on the learning unit automatically the classifier knowledge and thus the device for classification 9 be added and arranged.

Das Klassifikatorwissen der Einrichtung zur Klassifikation 9 kann auch dadurch erstellt werden, dass auf einem Datensichtgerät in Form eines bekannten mit einem oder dem Computer zusammengeschalteten Bildschirmes ein digitales Bild mit wenigstens einem Getreidekorn dargestellt ist. Die Form, die Struktur (Kanten im Objekt), die Textur des Kornes und die Position im Objekt entsprechen den Kriterien, nach dem eine Menge von Getreidekörnern 1 später automatisch klassifiziert werden sollen. Das können natürlich auch die unbekannten oder unsicher klassifizierten Getreidekörner sein.The classifier knowledge of the device for classification 9 can also be created by a digital image with we on a data display device in the form of a known interconnected with a computer or computer screen at least one grain is shown. The shape, the structure (edges in the object), the texture of the grain and the position in the object meet the criteria, according to which a lot of cereal grains 1 be automatically classified later. Of course, this can also be the unknown or insecurely classified cereal grains.

Durch ein manuelles Abfahren von Kanten des digitalen Bildes mit einem handführbaren Eingabegerät im Zusammenhang mit dem Datensichtgerät werden in einer Ausführungsform den abgefahrenen Kanten zuordenbare Daten gewonnen. Kanten sind dabei sichtbare äußere und/oder innere Konturen abgebildeter Getreidekörner 1 als Objekte. Handführbare Eingabegeräte sind bekannte Tastaturen, Mauseinrichtungen, Lichtstifte und/oder Scanner, wobei Daten der Konturpunkte als x-, y-Koordinaten und/oder Grau- oder Farbwerte der Konturpunkte jeweils als Kanten zuordenbare Daten gewonnen werden. Natürlich kann auch eine Kombination bestehend aus einem Stift in Verbindung mit einem Berührungsbildschirm eingesetzt werden. In einer weiteren Ausführungsform können die Daten auch durch Berechnung gewonnen werden, wobei vorgegebene Geometrien den sichtbaren äußeren und/oder inneren Konturen zugeordnet werden. Das sind insbesondere Linien, Kreise oder Ellipsen.By manually traversing edges of the digital image with a hand-held input device in connection with the data display device, data that can be assigned to the worn-out edges is obtained in one embodiment. Edges are visible outer and / or inner contours of milled grains 1 as objects. Handleable input devices are known keyboards, mouse devices, light pens and / or scanners, wherein data of the contour points as x, y coordinates and / or gray or color values of the contour points are respectively obtained as edges assignable data. Of course, a combination consisting of a pen can be used in conjunction with a touch screen. In a further embodiment, the data can also be obtained by calculation, wherein given geometries are assigned to the visible outer and / or inner contours. These are in particular lines, circles or ellipses.

Jedes der durch Kanten bestimmte Getreidekorn als Objekt wird in einem Koordinatensystem skaliert, wobei jeweils der Mittelpunkt des Objektes dem Koordinatenursprung x = 0 und y = 0 entspricht. Die Ähnlichkeit von Getreidekörnern wird jeweils durch aneinander paarweises Ausrichten so bestimmt, bis sich das Ähnlichkeitsmaß nicht mehr ändert. Es wird eine Skalierung und/oder Rotation ausgeführt, wobei gleichzeitig die Ähnlichkeit berechnet wird. Während der Berechnung der Ähnlichkeit werden die Ähnlichkeitsmaße entweder als Distanzwerte oder als Ähnlichkeitswerte jeweils zwischen den Objekten so lange ermittelt, bis entweder ein Minimum der Distanzwerte oder ein Maximum der Ähnlichkeitswerte vorhanden ist. Die Distanz- oder die Ähnlichkeitswerte spannen eine Distanz- oder Ähnlichkeitsmatrix auf. Aus den bestimmten Ähnlichkeitswerten werden Mengen ähnlicher Objekte gebildet und hierarchisch geordnet. Die Hierarchie wird entsprechend entweder festgelegter oder nutzerspezifischer Schwellen geschnitten, so dass Gruppen entstehen. Bei festgelegten Schwellen erfolgt das Schneiden automatisch. Den Gruppen werden die Einzelformen zugeordnet und in den Gruppen jeweils ein Prototyp gewählt. Der Prototyp ist entweder eine aus den Einzelformen der Gruppe gemittelte Form oder der Median der Gruppe der Einzelformen. Der Prototyp der Gruppe wird auf dem Datensichtgerät abgebildet und die Konturpunkte des Prototypen werden als Datenmenge im Computer gespeichert. Dieses Verfahren wird auf weitere digitale Bilder angewandt, so dass eine Falldatenbank mit Formmodellen als Prototypen mit gemittelten Formen von Gruppen von Einzelformen und/oder mit Medianen von Gruppen von Einzel formen entstehen.each the grain grain determined by edges as object becomes in one Coordinate system scales, each of the center of the object to the Coordinate origin x = 0 and y = 0 corresponds. The similarity of cereal grains is determined in each case by pairwise alignment so until the similarity measure is not more changes. A scaling and / or rotation is carried out, at the same time the similarity is calculated. While the calculation of similarity the similarity measures become either as distance values or as similarity values each determined between the objects until either one Minimum of distance values or a maximum of similarity values available is. The distance or similarity values span a distance or similarity matrix on. Out of the determined similarity values Quantities more similar Objects formed and arranged hierarchically. The hierarchy becomes according to either fixed or user-specific thresholds cut so that groups emerge. At fixed thresholds cutting takes place automatically. The groups are assigned the individual forms and one prototype each in the groups. The prototype is either a form averaged from the individual forms of the group or the median the group of individual forms. The prototype of the group will be on the Visual display unit Shown and the contour points of the prototype are called dataset stored in the computer. This procedure is going to be more digital Applied pictures, making a case database with shape models as Prototypes with averaged forms of groups of individual forms and / or arise with medians of groups of individual forms.

In einer weiteren Ausführungsform einer Bildsegmentierung in der Einrichtung zur Bildsegmentierung 7 und Merkmalsbestimmung in der Einrichtung zur Merkmalsbestimmung 8 einer ähnlichkeitsbasierten Bildsegmentierung wird aus der Falldatenbank ein Fallbild mit einer Fallbeschreibung ausgewählt. Das Fallbild ist entweder ein Prototyp einer Gruppe von Einzelfällen oder ein Einzelbild eines Falles. Die Gruppe von Einzelfällen stellen Mengen ähnlicher Einzelfälle mit bestimmten Distanz- oder Ähnlichkeitswerten dar, die hierarchisch geordnet sind. Der ähnlichste Fall bestimmt den Zweig der Hierarchie. Der Prototyp selbst ist entweder eine aus den Einzelformen der Gruppe gemittelte Form oder der Median der Gruppe der Einzelformen. Das Fallbild wird in eine Bildfolge als eine Pyramide mit Bildebenen des Fallbildes gewandelt. Eine Bildfolge als eine Pyramide mit Bildebenen verhindert ein explosionsartiges Anwachsen des Rechenaufwands. Das Fallbild ist durch Anwenden von Glättungsoperationen, wobei alle Wellenzahlen unter der halben Grenzwellenzahl bleiben, und aufgrund des Abtasttheorems nacheinander auf einem doppelt so groben Raster ohne jeglichen Informationsverlust darstellbar. Dabei wird nur jeder zweite Punkt einer Zeile und nur jede zweite Zeile herausgegriffen und zu einem neuen Bild zusammengesetzt, wobei sichergestellt ist, dass das ursprünglich feinere Raster aus dem gröberen Raster exakt rekonstruierbar ist. Die Anwendung der Glättungsoperationen erfolgt iterativ, so dass daraus eine Folge von Bildern resultiert, wobei die Bilder flächenmäßig jeweils um den Faktor vier kleiner werden. Die immer kleiner werdenden Bildebenen ergeben übereinandergeschichtet die Form einer Pyramide.In a further embodiment of an image segmentation in the device for image segmentation 7 and feature determination in the feature determination device 8th In a similarity-based image segmentation, a case image with a case description is selected from the case database. The case image is either a prototype of a group of individual cases or a single image of a case. The group of individual cases represent quantities of similar isolated cases with certain distance or similarity values, which are hierarchically ordered. The most similar case determines the branch of the hierarchy. The prototype itself is either a form averaged from the individual forms of the group or the median of the group of individual forms. The case image is transformed into a sequence of images as a pyramid with image planes of the case image. An image sequence as a pyramid with image planes prevents an explosive increase in the computational effort. The case image can be represented by applying smoothing operations, with all wavenumbers less than half the threshold wavenumber, and, on the basis of the sampling theorem, successively on a screen twice as large without any loss of information. In this case, only every second point of a line and only every other line is picked out and put together to form a new image, whereby it is ensured that the originally finer grid can be exactly reconstructed from the coarser grid. The application of the smoothing operations is iterative, resulting in a sequence of images, the images becoming smaller by a factor of four in terms of area. The ever-smaller image levels result in the form of a pyramid stacked above one another.

Aus dem aktuellen digitalen Bild mit Getreidekörnern 1 als Objekte wird ein Gradientenbild gebildet. Über eine Kantendetektion der Objekte des digitalen Bildes mit Objekten wird das Gradientenbild erzeugt, wobei große Änderungen der Intensität sowohl in vertikaler als auch in horizontaler Richtung jeweils Gradienten und homogenen Flächen kein Gradient zugeordnet werden.From the current digital image with cereal grains 1 as objects, a gradient image is formed. The gradient image is generated by way of an edge detection of the objects of the digital image with objects, whereby large changes in the intensity in both the vertical and in the horizontal direction are assigned to gradients and homogeneous surfaces to no gradient.

Das Gradientenbild wird gleichfalls in eine Bildfolge als eine Pyramide mit Bildebenen überführt.The Gradient image is also in a sequence as a pyramid transferred with image planes.

Das Fallbild wird nachfolgend sukzessive auf jedes Objektbild des Gradientenbildes beginnend mit jeweils den höchsten Bildebenen des Fall- und des Objektbildes verschoben, wobei das Fallbild mit jedem Objektbild des Gradientenbildes verglichen wird. Während des Vergleichs wird das Fallbild auf das Objektbild ausgerichtet, wobei dabei eine Skalierung und/oder Rotation des Fallbildes ausgeführt wird. Während des Vergleichs des Fallbildes mit dem Objektbild wird gleichzeitig die Ähnlichkeit zwischen dem Fall- und Objektbild berechnet. Bei der Berechnung der Ähnlichkeit werden die Ähnlichkeitsmaße entweder als Distanz- oder als Ähnlichkeitswerte jeweils zwischen dem Fall- und dem Objektbild so lange ermittelt, bis entweder ein Minimum der Distanzwerte oder ein Maximum der Ähnlichkeitswerte vorhanden ist. Die Ähnlichkeitsmaße bestimmen den Grad der Übereinstimmung zwischen Fall- und Objektbild, wobei der Grad der Übereinstimmung mit sinkendem Ähnlichkeitsmaß abnimmt und das Objektbild ungleicher vom Fallbild wird.The case image is subsequently successively shifted to each object image of the gradient image beginning with the highest image planes of the case and the object image, wherein the case image is compared with each object image of the gradient image. During the comparison, the case image is aligned with the subject image, with a scale tion and / or rotation of the case is executed. During the comparison of the case image with the object image, the similarity between the case and object image is simultaneously calculated. In the similarity calculation, the similarity measures, either as distance or as similarity values, are respectively determined between the case and the object image until there is either a minimum of the distance values or a maximum of the similarity values. The similarity measures determine the degree of coincidence between the case and the object image, the degree of coincidence decreasing as the degree of similarity decreases and the object image becoming more unequal from the case image.

In einer weiteren Ausführungsform kann dem Fall- und dem Objektbild jeweils ein Gradientenbild gebildet werden. Diese Gradientenbilder werden jeweils in eine Bildfolge als eine Pyramide mit Bildebenen überführt und sukzessive die Richtungsvektoren in den Bildebenen jeweils des Fall- und des Objektbildes durch Produktbildung miteinander verglichen.In a further embodiment In each case, a gradient image can be formed for the case and the object image become. These gradient images are each in an image sequence as a pyramid with image planes and successively the direction vectors in the image planes of the case and the object image by product formation compared to each other.

Für eine Vereinzelung der Getreidekörner 1 auf dem transparenten Band 5 kann dieses mit einer bekannten Vibrationseinrichtung gekoppelt sein, so dass das transparente Band 5 in Schwingungen versetzbar ist. Bekannte Vibrationseinrichtungen sind zum Beispiel bekannte piezoelektrische Elemente oder rotierende Exzenter.For a separation of cereal grains 1 on the transparent band 5 this can be coupled with a known vibration device, so that the transparent band 5 is vibratable. Known vibration devices are, for example, known piezoelectric elements or rotating eccentrics.

Die transparente Transportvorrichtung kann in einer weiteren Ausführungsform auch ein transparentes Rohr für eine nacheinanderfolgende Aufnahme der Getreidekörner sein, wobei der Querschnitt des Rohres größer als der eines Getreidekorns zur losen Aufnahme jeweils eines Getreidekornes ist. Der Transport kann über die Schwerkraft und/oder Druckluft erfolgen. Zur Bildaufnahme können mehrere Bildaufnahmegeräte um das Rohr platziert werden.The transparent transport device can in a further embodiment also a transparent tube for a successive recording of the cereal grains, the cross section of the Pipe larger than that of a cereal grain for picking up a cereal grain each loose is. The transport can over Gravity and / or compressed air take place. For image recording, several Video recording equipment be placed around the pipe.

In einer weiteren Ausführungsform des Ausführungsbeispiels gelangen die Bilder 6a, 6b der Getreidekörner 1 zu einer Einrichtung zur Bildvorverarbeitung, die vor die Einrichtung zur Bildsegmentierung 7 geschalten ist. Darin werden die Bilder 6a, 6b von Rauschen als Störungen eliminiert. Gleichzeitig kann eine Filterung erfolgen, wobei die äußeren Kanten der Getreidekörner 1 über einen Kantenfilter ermittelt werden. Die so ermittelten Kanten können auch für eine Bildsegmentierung genutzt werden oder gleichzeitig die Bildsegmentierung darstellen.In a further embodiment of the embodiment, the images arrive 6a . 6b of cereal grains 1 to an image preprocessing facility preceding the image segmentation facility 7 is switched. In it are the pictures 6a . 6b of noise as interference eliminated. At the same time, filtering can take place, with the outer edges of the cereal grains 1 be determined via an edge filter. The edges determined in this way can also be used for image segmentation or simultaneously represent image segmentation.

Dabei ist die Bildvorverarbeitung gleichzeitig die Bildsegmentierung.there the image preprocessing is the image segmentation at the same time.

Alle Bestandteile des Ausführungsbeispiels können in einer weiteren Ausführungsform vorteilhafterweise mit einer Steuereinrichtung verbunden sein, die gleichzeitig ein Bestandteil des Computers ist. Dadurch können insbesondere auch der Bandförderer 4 und die Bildaufnahmegeräte so gesteuert, dass Doppelaufnahmen von Getreidekörnern 1 vermieden werden.In a further embodiment, all components of the exemplary embodiment may advantageously be connected to a control device which is at the same time a component of the computer. As a result, in particular, the belt conveyor 4 and the imaging devices controlled so that double shots of cereal grains 1 be avoided.

Ein zweites Ausführungsbeispiel ist ein Computer-Programm-Produkt mit einem Programmcode zur Durchführung eines im ersten Ausführungsbeispiel beschriebenen Verfahrens zur automatischen Einstufung der Qualität von Körnerfrüchten, wenn das Programm auf einem Rechner abläuft.One second embodiment is a computer program product with a program code to carry out a in the first embodiment described method for the automatic grading of the quality of grain crops, if the Program runs on a computer.

Ein drittes Ausführungsbeispiel ist ein Computer-Programm-Produkt auf einem maschinenlesbaren Träger zur Durchführung eines im ersten Ausführungsbeispiel beschriebenen Verfahrens zur automatischen Einstufung der Qualität von Körnerfrüchten, wenn das Programm auf einem Rechner abläuft.One third embodiment is a computer program product on a machine readable carrier for execution one in the first embodiment described method for the automatic grading of the quality of grain crops, when the program runs on a computer.

Ein viertes Ausführungsbeispiel ist ein digitales Speichermedium, das so mit einem programmierbaren Computersystem zusammenwirken kann, dass ein im ersten Ausführungsbeispiel beschriebenes Verfahren zur automatischen Einstufung der Qualität von Körnerfrüchten ausgeführt wird.One fourth embodiment is a digital storage medium, so with a programmable Computer system can interact that one in the first embodiment described method for automatically grading the quality of grains is performed.

Claims

Method for automatic and quantitative detection the share of seeds or grains more specific quality with the following steps - one multi-sided recording of on or in a transparent transport device arranged seeds or grains with several imaging devices, - one Image segmentation of the images by respective comparison of the original image with at least one image mask obtained from the original image and / or a similarity-based Image segmentation by comparing either the same or similar Cases out a case database, - one Characterization of the isolated seeds or grains as objects of the image recordings each recorded page with at least one of the features as a form of the objects, as the color of the objects, as edges in the objects, as a texture of the objects and as a position in the object, - one Classification of objects by comparing the features of the objects stored and known as classifier knowledge Characteristics and - one Display and / or storage of the number of according to the characteristics classified objects according to the category of quality and / or the nature of the seed or grains.

A method according to claim 1, characterized in that the image of the seeds or grains in a Bildvorverarbeitung by Störun gene is freed and / or filtered and / or normalized.

Method according to claim 1, characterized that after the conversion for each of the digitized images of the grains is a two-dimensional Image mask is generated, wherein the grain area with a binary value and the rest of the image is occupied by the other binary value that is through a morphological filtering a closed area of the same color intensity for the Grains in the picture mask arises that over an AND comparison of the digitized image of the grains and the image mask images of the grains so arise, that the pictures of the grain fruits the original color and the background is a binary value contain.

Method of acquiring shapes from images with pictures of seeds or grains as Cases and for case-based detection of seeds or grains as objects in digitized Images for the automatic and quantitative recording of the share of seeds or grains more specific quality according to claim 1, characterized - that to one for the Akqusition of forms from pictures with cases and to learn abstract shape models from these cases for a case database with every picture with cases either by manually tracing edges of an image in shape visible outside and / or inner contours with a manageable and a computer-connected input device or from the calculation of a or any image in the form of visible external and / or internal contours assigned geometry representation of these edges and thus assignable cases Data is gained over a shift and scale each case at least two Cases with each other compared, the two cases aligned with each other while maintaining the similarity calculated by determining similarity measures becomes more similar according to the similarity measures Cases made and hierarchically according to the similarity that this hierarchy is defined by a specification of distance or similarity values falls into groups and in each case a prototype is selected in the groups and - that to others for recognizing an object in a digitized image with objects from the case database a case as a case image with a Case description selected is, at the same time a sequence of images as a pyramid with image planes of the case image is generated, a gradient image of the current digital Image and converted into a sequence of images as a pyramid with image planes, successively starting the case image on each object image of the gradient image with the highest Image plane is moved, taking the case image with each object image compared to the gradient image and at the same time the similarity calculated by determination of similarity measures will, and the degree of agreement between case image and object image determined by the similarity measure is.

Method according to claim 4, characterized that from the case database a case image with a case description selected is subsequently or simultaneously a sequence of images as a Pyramid with image planes of the case image is generated, that is a gradient image of the current digital image and in a sequence as a pyramid is transferred with image planes, that the case image successively on each object image of the gradient image starting with the highest Image plane is shifted, with the case image with each object image of the Gradient image is compared, that the case image on the object image is aligned, with a scaling and / or rotation of the case picture executed is doing that while the similarity is calculated, that while the calculation of similarity the similarity measures either as distance or as similarity values be determined between the case image and the object image so long, until either a minimum of the distance values or a maximum of the similarity values exists and that the degree of agreement between case image and object image determined by the similarity measure is that degree of agreement decreases with decreasing similarity measure and the object image becomes more unequal from the case image.

Method according to claim 4, characterized that over an edge detection of the objects of the digitized image the Gradient image is generated that changes in both vertical and vertical Gradients are also assigned in the horizontal direction and that homogeneous surfaces no Gradient is assigned.

Method according to claim 4, characterized that from both the case and the object image in each case a gradient image is formed, that these gradient images each in an image sequence as a pyramid with image planes are transferred and that gradually the direction vectors in the image planes of the case and the Object image are compared by product formation.

Device for the automatic and quantitative detection of the proportion of seeds or grains of certain quality with the method according to claim 1, characterized in that a plurality of image pickup devices are arranged spaced from each other that a transparent transport device for seeds or grains is located between the image pickup devices and that the image pickup devices with a data processing device are connected, wherein in the Da a series circuit consisting of a device for image segmentation ( 7 ) of the images by respectively comparing the original image with at least one image mask obtained from the original image and / or a device for similarity-based image segmentation by comparing either identical or similar cases from a case database and a feature determination device ( 8th ) of the isolated seeds or grains as objects of the image recordings with at least one of the features as a shape of the objects, as a color of the objects, as edges in the objects, as a texture of the objects and as a position in the object and a device for classification ( 9 ) of the objects is implemented by comparing the features of the objects with stored and known features deposited as classifier knowledge and a display device and / or memory for the number of objects classified according to the features according to the category of quality and / or the nature of the seeds or grains ,

Device according to claim 8, characterized in that a transparent band ( 5 ) is located between the image-recording devices as a transparent transport device and that the transparent strip ( 5 ) a component of a belt conveyor ( 4 ).

Device according to claim 9, characterized in that the belt conveyor ( 4 ) is provided with a vibration device so that the transparent band ( 5 ) is set into vibrations.

Device according to claim 8, characterized in that that the transparent transport device is a transparent tube for one successive uptake of seeds or grain crops and that the cross-section of the pipe larger than that of a seed or a grain crop for loose admission of a seed or a grain fruit is.

Computer program product with a program code to carry out the method for the automatic grading of grain quality Claim 1, when the program runs on a computer.

Computer program product on a machine-readable carrier to carry out the method for the automatic grading of grain quality Claim 1, when the program runs on a computer.

A digital storage medium according to claim 1 which is so can interact with a programmable computer system that a method of automatically grading the quality of grains is carried out.