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 - Google Patents
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 Download PDFInfo
- Publication number
- DE102004063769A1 DE102004063769A1 DE102004063769A DE102004063769A DE102004063769A1 DE 102004063769 A1 DE102004063769 A1 DE 102004063769A1 DE 102004063769 A DE102004063769 A DE 102004063769A DE 102004063769 A DE102004063769 A DE 102004063769A DE 102004063769 A1 DE102004063769 A1 DE 102004063769A1
- Authority
- DE
- Germany
- Prior art keywords
- image
- case
- grains
- objects
- similarity
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C7/00—Sowing
- A01C7/08—Broadcast seeders; Seeders depositing seeds in rows
- A01C7/10—Devices for adjusting the seed-box ; Regulation of machines for depositing quantities at intervals
- A01C7/102—Regulating or controlling the seed rate
- A01C7/105—Seed sensors
-
- 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
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30128—Food products
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Soil Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Environmental Sciences (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
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
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:
Ein
Verfahren und eine Einrichtung zur automatischen Bonitierung von
Getreidekörnern
Eine
Einrichtung zur automatischen Bonitierung (automatische und quantitative
Erfassung des Anteils von Körnerfrüchten bestimmter
Qualität)
besteht im wesentlichen aus zwei Bildauf nahmegeräten, einem Bandförderer
Die
Die
Getreidekörner
Die
digitalen Bilddaten gelangen zur Einrichtung zur Bildsegmentierung
Dadurch
ist eine Bildsegmentierung der Bilder
Die
einzelnen Bilder
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
Das
Getreidekornmuster des Klassenbildes als Merkmal wird mit Merkmalen
verglichen, die im Computer als Klassifikatorwissen der Einrichtung
zur Klassifikation
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
Das
Klassifikatorwissen der Einrichtung zur Klassifikation
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
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
Aus
dem aktuellen digitalen Bild mit Getreidekörnern
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
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
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
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 (14)
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE202004021395U DE202004021395U1 (en) | 2004-12-30 | 2004-12-30 | Device for the automatic and quantitative recording of the proportion of seeds or grains of specific quality |
DE102004063769A DE102004063769A1 (en) | 2004-12-30 | 2004-12-30 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102004063769A DE102004063769A1 (en) | 2004-12-30 | 2004-12-30 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102004063769A1 true DE102004063769A1 (en) | 2006-07-13 |
Family
ID=36599384
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102004063769A Withdrawn DE102004063769A1 (en) | 2004-12-30 | 2004-12-30 | 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 |
DE202004021395U Expired - Lifetime DE202004021395U1 (en) | 2004-12-30 | 2004-12-30 | Device for the automatic and quantitative recording of the proportion of seeds or grains of specific quality |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE202004021395U Expired - Lifetime DE202004021395U1 (en) | 2004-12-30 | 2004-12-30 | Device for the automatic and quantitative recording of the proportion of seeds or grains of specific quality |
Country Status (1)
Country | Link |
---|---|
DE (2) | DE102004063769A1 (en) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008150903A1 (en) | 2007-05-31 | 2008-12-11 | Monsanto Technology Llc | Seed sorter |
WO2008150798A1 (en) * | 2007-05-30 | 2008-12-11 | Monsanto Technology Llc | Automated high-throughput seed sampler and methods of sampling, testing and bulking seeds |
US7600642B2 (en) | 2003-09-23 | 2009-10-13 | Monsanto Technology, Llc | High throughput automated seed analysis system |
US7685768B2 (en) | 2004-08-26 | 2010-03-30 | Monsanto Technology Llc | Automated testing of seeds |
US7832143B2 (en) | 2004-08-26 | 2010-11-16 | Monsanto Technology Llc | High throughput methods for sampling seeds |
US7934600B2 (en) | 2002-04-04 | 2011-05-03 | Monsanto Technology Llc | Automated picking, weighing and sorting system for particulate matter |
US7941969B2 (en) | 2004-08-26 | 2011-05-17 | Monsanto Technology Llc | Methods of seed breeding using high throughput nondestructive seed sampling |
US7998669B2 (en) | 2006-03-02 | 2011-08-16 | Monsanto Technology Llc | Automated contamination-free seed sampler and methods of sampling, testing and bulking seeds |
US8028469B2 (en) | 2006-03-02 | 2011-10-04 | Monsanto Technology Llc | Automated high-throughput seed sampler and methods of sampling, testing and bulking seeds |
EP2401906A1 (en) * | 2010-07-01 | 2012-01-04 | CLAAS Selbstfahrende Erntemaschinen GmbH | Device for detecting and determining the composition of bulk material |
CN103026823A (en) * | 2012-12-25 | 2013-04-10 | 北京农业信息技术研究中心 | High-efficiency corn ear seed test method and device based on image |
CN103037987A (en) * | 2010-07-02 | 2013-04-10 | 施特鲁布有限两合公司 | Method for classifying objects contained in seed lots and corresponding use for producing seed |
CN103229614A (en) * | 2013-04-19 | 2013-08-07 | 北京农业信息技术研究中心 | Automatic corn ear test method |
EP2570968A3 (en) * | 2011-09-19 | 2014-01-08 | Deere & Company | Method and assembly for optically evaluating harvested goods in a harvesting machine |
CN103983333A (en) * | 2014-05-18 | 2014-08-13 | 山西省农业科学院小麦研究所 | Method for measuring number of grains per wheat ear |
IT201600082338A1 (en) * | 2016-08-04 | 2018-02-04 | Dinamica Generale S P A | Analysis system for agricultural harvesting machines |
CN112557394A (en) * | 2020-12-14 | 2021-03-26 | 武汉谷丰光电科技有限公司 | Full-automatic corn ear high-flux seed tester |
US11084064B2 (en) | 2006-06-28 | 2021-08-10 | Monsanto Technology Llc | Small object sorting system and method |
EP3764766A4 (en) * | 2018-03-14 | 2022-02-23 | Monsanto Technology LLC | Seed imaging |
CN115413445A (en) * | 2022-08-17 | 2022-12-02 | 北京市农林科学院智能装备技术研究中心 | Seed quality on-line measuring device |
US11605178B2 (en) | 2021-05-21 | 2023-03-14 | Cnh Industrial America Llc | White cap detection device |
EP4198917A1 (en) | 2021-12-17 | 2023-06-21 | Deere & Company | Arrangement and method for visual assessment of crop in a harvester |
US11724287B2 (en) | 2018-06-11 | 2023-08-15 | Monsanto Technology Llc | Seed sorting |
DE102022110185A1 (en) | 2022-04-27 | 2023-11-02 | Deere & Company | Method and arrangement for measuring a grain-specific size on a harvesting machine |
WO2024127128A1 (en) * | 2022-12-13 | 2024-06-20 | Precision Planting Llc | Sensor system to determine seed orientation and seed performance during planting of agricultural fields |
US12048951B2 (en) | 2021-06-25 | 2024-07-30 | Monsanto Technology Llc | Automated systems for use in sorting small objects, and related methods |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3130377B1 (en) | 2021-12-09 | 2024-05-17 | Univ Reims Champagne Ardenne | Method for automatically estimating the quality of an agricultural product |
-
2004
- 2004-12-30 DE DE102004063769A patent/DE102004063769A1/en not_active Withdrawn
- 2004-12-30 DE DE202004021395U patent/DE202004021395U1/en not_active Expired - Lifetime
Cited By (54)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7934600B2 (en) | 2002-04-04 | 2011-05-03 | Monsanto Technology Llc | Automated picking, weighing and sorting system for particulate matter |
US8281935B2 (en) | 2002-04-04 | 2012-10-09 | Monsanto Technology Llc | Automated picking, weighing and sorting system for particulate matter |
US8752712B2 (en) | 2002-04-04 | 2014-06-17 | Monsanto Technology Llc | Automated picking, weighing and sorting system for particulate matter |
US7600642B2 (en) | 2003-09-23 | 2009-10-13 | Monsanto Technology, Llc | High throughput automated seed analysis system |
US11006593B2 (en) | 2004-08-26 | 2021-05-18 | Monsanto Technology Llc | Methods of seed breeding using high throughput nondestructive seed sampling |
US7685768B2 (en) | 2004-08-26 | 2010-03-30 | Monsanto Technology Llc | Automated testing of seeds |
US7941969B2 (en) | 2004-08-26 | 2011-05-17 | Monsanto Technology Llc | Methods of seed breeding using high throughput nondestructive seed sampling |
US9986699B2 (en) | 2004-08-26 | 2018-06-05 | Monsanto Technology Llc | Methods of seed breeding using high throughput nondestructive seed sampling |
US8312672B2 (en) | 2004-08-26 | 2012-11-20 | Monsanto Technology Llc | Methods of seed breeding using high throughput nondestructive seed sampling |
US7832143B2 (en) | 2004-08-26 | 2010-11-16 | Monsanto Technology Llc | High throughput methods for sampling seeds |
US11293840B2 (en) | 2006-03-02 | 2022-04-05 | Monsanto Technology Llc | Automated contamination-free seed sampler and methods of sampling, testing and bulking seeds |
US8245439B2 (en) | 2006-03-02 | 2012-08-21 | Monsanto Technology Llc | Automated high-throughput seed sampler and methods of sampling, testing and bulking seeds |
US11357159B2 (en) | 2006-03-02 | 2022-06-14 | Monsanto Technology Llc | Automated high-throughput seed sampler and methods of sampling, testing and bulking seeds |
US8028469B2 (en) | 2006-03-02 | 2011-10-04 | Monsanto Technology Llc | Automated high-throughput seed sampler and methods of sampling, testing and bulking seeds |
US10542661B2 (en) | 2006-03-02 | 2020-01-28 | Monsanto Technology Llc | Automated high-throughput seed sampler and methods of sampling, testing and bulking seeds |
US10254200B2 (en) | 2006-03-02 | 2019-04-09 | Monsanto Technology Llc | Automated contamination-free seed sampler and methods of sampling, testing and bulking seeds |
US7998669B2 (en) | 2006-03-02 | 2011-08-16 | Monsanto Technology Llc | Automated contamination-free seed sampler and methods of sampling, testing and bulking seeds |
US8443545B2 (en) | 2006-03-02 | 2013-05-21 | Monsanto Technology Llc | Automated high-throughput seed sampler and methods of sampling, testing and bulking seeds |
US9551636B2 (en) | 2006-03-02 | 2017-01-24 | Monsanto Technology Llc | Automated high-throughput seed sampler and methods of sampling, testing and bulking seeds |
US8539713B2 (en) | 2006-03-02 | 2013-09-24 | Monsanto Technology Llc | Automated contamination-free seed sampler and methods of sampling, testing and bulking seeds |
US9027278B2 (en) | 2006-03-02 | 2015-05-12 | Monsanto Technology Llc | Automated contamination-free seed sampler and methods of sampling, testing and bulking seeds |
US8997398B2 (en) | 2006-03-02 | 2015-04-07 | Monsanto Technology Llc | Automated high-throughput seed sampler and methods of sampling, testing and bulking seeds |
US11084064B2 (en) | 2006-06-28 | 2021-08-10 | Monsanto Technology Llc | Small object sorting system and method |
US11897003B2 (en) | 2006-06-28 | 2024-02-13 | Monsanto Technology Llc | Small object sorting system and method |
WO2008150798A1 (en) * | 2007-05-30 | 2008-12-11 | Monsanto Technology Llc | Automated high-throughput seed sampler and methods of sampling, testing and bulking seeds |
US8401271B2 (en) | 2007-05-31 | 2013-03-19 | Monsanto Technology Llc | Seed sorter |
US8189901B2 (en) | 2007-05-31 | 2012-05-29 | Monsanto Technology Llc | Seed sorter |
US8548222B2 (en) | 2007-05-31 | 2013-10-01 | Monsanto Technology Llc | Seed sorter |
WO2008150903A1 (en) | 2007-05-31 | 2008-12-11 | Monsanto Technology Llc | Seed sorter |
US9275265B2 (en) | 2007-05-31 | 2016-03-01 | Monsanto Technology Llc | Seed sorter |
US8965101B2 (en) | 2007-05-31 | 2015-02-24 | Monsanto Technology Llc | Seed sorter |
RU2566989C2 (en) * | 2010-07-01 | 2015-10-27 | КЛААС Зельбстфаренде Эрнтемашинен ГмбХ | Device for registration and determining of bulk material composition |
EP2401906A1 (en) * | 2010-07-01 | 2012-01-04 | CLAAS Selbstfahrende Erntemaschinen GmbH | Device for detecting and determining the composition of bulk material |
CN103037987A (en) * | 2010-07-02 | 2013-04-10 | 施特鲁布有限两合公司 | Method for classifying objects contained in seed lots and corresponding use for producing seed |
US8831292B2 (en) | 2011-09-19 | 2014-09-09 | Deer & Company | Method and apparatus for the optical evaluation of harvested crop in a harvesting machine |
EP2570968A3 (en) * | 2011-09-19 | 2014-01-08 | Deere & Company | Method and assembly for optically evaluating harvested goods in a harvesting machine |
CN103026823A (en) * | 2012-12-25 | 2013-04-10 | 北京农业信息技术研究中心 | High-efficiency corn ear seed test method and device based on image |
CN103229614B (en) * | 2013-04-19 | 2014-07-02 | 北京农业信息技术研究中心 | Automatic corn ear test method |
CN103229614A (en) * | 2013-04-19 | 2013-08-07 | 北京农业信息技术研究中心 | Automatic corn ear test method |
CN103983333A (en) * | 2014-05-18 | 2014-08-13 | 山西省农业科学院小麦研究所 | Method for measuring number of grains per wheat ear |
CN103983333B (en) * | 2014-05-18 | 2016-08-31 | 山西省农业科学院小麦研究所 | A kind of wheat grains per spike assay method |
IT201600082338A1 (en) * | 2016-08-04 | 2018-02-04 | Dinamica Generale S P A | Analysis system for agricultural harvesting machines |
US10455763B2 (en) | 2016-08-04 | 2019-10-29 | Dinamica Generale S.P.A. | Harvest analysis system intended for use in a machine |
US11673166B2 (en) | 2018-03-14 | 2023-06-13 | Monsanto Technology Llc | Seed imaging |
EP3764766A4 (en) * | 2018-03-14 | 2022-02-23 | Monsanto Technology LLC | Seed imaging |
US11724287B2 (en) | 2018-06-11 | 2023-08-15 | Monsanto Technology Llc | Seed sorting |
CN112557394A (en) * | 2020-12-14 | 2021-03-26 | 武汉谷丰光电科技有限公司 | Full-automatic corn ear high-flux seed tester |
US11605178B2 (en) | 2021-05-21 | 2023-03-14 | Cnh Industrial America Llc | White cap detection device |
US12048951B2 (en) | 2021-06-25 | 2024-07-30 | Monsanto Technology Llc | Automated systems for use in sorting small objects, and related methods |
EP4198917A1 (en) | 2021-12-17 | 2023-06-21 | Deere & Company | Arrangement and method for visual assessment of crop in a harvester |
DE102021133626A1 (en) | 2021-12-17 | 2023-06-22 | Deere & Company | Arrangement and method for visual assessment of harvested crops in a harvesting machine |
DE102022110185A1 (en) | 2022-04-27 | 2023-11-02 | Deere & Company | Method and arrangement for measuring a grain-specific size on a harvesting machine |
CN115413445A (en) * | 2022-08-17 | 2022-12-02 | 北京市农林科学院智能装备技术研究中心 | Seed quality on-line measuring device |
WO2024127128A1 (en) * | 2022-12-13 | 2024-06-20 | Precision Planting Llc | Sensor system to determine seed orientation and seed performance during planting of agricultural fields |
Also Published As
Publication number | Publication date |
---|---|
DE202004021395U1 (en) | 2007-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102004063769A1 (en) | 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 | |
DE69329380T2 (en) | Process for segmenting images and classifying image elements for document processing | |
DE69937530T2 (en) | Method for automatically classifying images by events | |
DE60034668T2 (en) | METHOD FOR TEXTURE ANALYSIS OF DIGITAL IMAGES | |
DE69332265T2 (en) | METHOD OF MASK GENERATION | |
DE2855583C2 (en) | Method for determining the grain size distribution of grain mixtures | |
DE102007013971B4 (en) | Method and device for determining a cell contour of a cell | |
EP0425595A1 (en) | Process and arrangement for automatic optical classification of plants. | |
DE112008004057T5 (en) | Detect hidden threats | |
DE69322095T2 (en) | METHOD AND DEVICE FOR IDENTIFYING AN OBJECT BY MEANS OF AN ORDERED SEQUENCE OF LIMIT PIXEL PARAMETERS | |
DE19521346A1 (en) | Image processing and inspection by extracting identification features | |
DE102009023756A1 (en) | Device and method for the proof of origin and authorship of images | |
DE3921257A1 (en) | METHOD AND DEVICE FOR DIGITAL ANALYSIS OF IMAGES RELATING TO STRATIGRAPHIC DATA | |
DE102016100134B4 (en) | Method and device for examining an object using computer vision | |
DE69423607T2 (en) | METHOD FOR CLASSIFYING IMAGES WITH OUTPUT IMAGES | |
DE102021201124A1 (en) | TRAINING IMAGE CLASSIFIER NETWORKS | |
DE202023101026U1 (en) | A combined image processing technique and a supervised learning-based system for the grain size distribution of sandy soils | |
DE102018205561A1 (en) | Device for classifying signals | |
WO2017216124A1 (en) | Sorting device and corresponding sorting method | |
DE19801400A1 (en) | Automatic analysis and classification of Hep-2 cell patterns | |
DE19834718C2 (en) | Digital image processing for a quality control system | |
DE102005034504A1 (en) | Fungal pores detecting and determining method for cereals, involves classifying object according to presence of fungal pores based on comparison of determined characteristic with fungal pores in database, and storing classification results | |
EP1733333B1 (en) | Methods for acquiring shapes from hep-2 cell sections and the case-based recognition of hep-2 cells | |
DE19538004A1 (en) | Procedure for the rough classification of objects | |
DE102004018174B4 (en) | Method of acquiring forms from images with cases and case-based recognition of objects in digital images, computer program product and digital storage medium for carrying out this method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R005 | Application deemed withdrawn due to failure to request examination |
Effective date: 20111231 |