RU2388203C2 - Устройство для определения однородности партии семян - Google Patents
Устройство для определения однородности партии семян Download PDFInfo
- Publication number
- RU2388203C2 RU2388203C2 RU2007130533/13A RU2007130533A RU2388203C2 RU 2388203 C2 RU2388203 C2 RU 2388203C2 RU 2007130533/13 A RU2007130533/13 A RU 2007130533/13A RU 2007130533 A RU2007130533 A RU 2007130533A RU 2388203 C2 RU2388203 C2 RU 2388203C2
- Authority
- RU
- Russia
- Prior art keywords
- color
- seeds
- seed
- camera
- size
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title abstract description 5
- 238000000034 method Methods 0.000 claims abstract description 19
- 235000019646 color tone Nutrition 0.000 claims abstract 8
- 238000010191 image analysis Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 20
- 238000012545 processing Methods 0.000 description 15
- 241000209140 Triticum Species 0.000 description 5
- 235000021307 Triticum Nutrition 0.000 description 5
- 238000002360 preparation method Methods 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 239000000575 pesticide Substances 0.000 description 4
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 3
- 241000018646 Pinus brutia Species 0.000 description 3
- 235000011613 Pinus brutia Nutrition 0.000 description 3
- 240000008042 Zea mays Species 0.000 description 3
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 3
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 3
- 235000005822 corn Nutrition 0.000 description 3
- 235000007319 Avena orientalis Nutrition 0.000 description 2
- 244000075850 Avena orientalis Species 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 2
- 235000010469 Glycine max Nutrition 0.000 description 2
- 240000005979 Hordeum vulgare Species 0.000 description 2
- 235000007340 Hordeum vulgare Nutrition 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 235000007238 Secale cereale Nutrition 0.000 description 2
- 244000082988 Secale cereale Species 0.000 description 2
- 235000019714 Triticale Nutrition 0.000 description 2
- 239000000975 dye Substances 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000228158 x Triticosecale Species 0.000 description 2
- 241001133760 Acoelorraphe Species 0.000 description 1
- 241000219195 Arabidopsis thaliana Species 0.000 description 1
- 244000105624 Arachis hypogaea Species 0.000 description 1
- 241000219310 Beta vulgaris subsp. vulgaris Species 0.000 description 1
- 235000011299 Brassica oleracea var botrytis Nutrition 0.000 description 1
- 235000017647 Brassica oleracea var italica Nutrition 0.000 description 1
- 240000003259 Brassica oleracea var. botrytis Species 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 244000241235 Citrullus lanatus Species 0.000 description 1
- 235000012828 Citrullus lanatus var citroides Nutrition 0.000 description 1
- 244000060011 Cocos nucifera Species 0.000 description 1
- 235000013162 Cocos nucifera Nutrition 0.000 description 1
- 240000007154 Coffea arabica Species 0.000 description 1
- 235000007460 Coffea arabica Nutrition 0.000 description 1
- 241000219112 Cucumis Species 0.000 description 1
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 1
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000009849 Cucumis sativus Nutrition 0.000 description 1
- 235000014466 Douglas bleu Nutrition 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 244000004281 Eucalyptus maculata Species 0.000 description 1
- 240000009088 Fragaria x ananassa Species 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 241000219146 Gossypium Species 0.000 description 1
- 244000020551 Helianthus annuus Species 0.000 description 1
- 235000003222 Helianthus annuus Nutrition 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 235000004431 Linum usitatissimum Nutrition 0.000 description 1
- 240000006240 Linum usitatissimum Species 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 241000220225 Malus Species 0.000 description 1
- 235000011430 Malus pumila Nutrition 0.000 description 1
- 235000015103 Malus silvestris Nutrition 0.000 description 1
- 240000004658 Medicago sativa Species 0.000 description 1
- 235000017587 Medicago sativa ssp. sativa Nutrition 0.000 description 1
- 240000005561 Musa balbisiana Species 0.000 description 1
- 235000018290 Musa x paradisiaca Nutrition 0.000 description 1
- 244000061176 Nicotiana tabacum Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 240000007817 Olea europaea Species 0.000 description 1
- 235000002725 Olea europaea Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 240000003889 Piper guineense Species 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 235000010582 Pisum sativum Nutrition 0.000 description 1
- 240000004713 Pisum sativum Species 0.000 description 1
- 241000219000 Populus Species 0.000 description 1
- 240000001416 Pseudotsuga menziesii Species 0.000 description 1
- 235000005386 Pseudotsuga menziesii var menziesii Nutrition 0.000 description 1
- 240000000111 Saccharum officinarum Species 0.000 description 1
- 235000007201 Saccharum officinarum Nutrition 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 240000003829 Sorghum propinquum Species 0.000 description 1
- 235000011684 Sorghum saccharatum Nutrition 0.000 description 1
- 235000021536 Sugar beet Nutrition 0.000 description 1
- 244000269722 Thea sinensis Species 0.000 description 1
- 235000006468 Thea sinensis Nutrition 0.000 description 1
- 241000219793 Trifolium Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- FJJCIZWZNKZHII-UHFFFAOYSA-N [4,6-bis(cyanoamino)-1,3,5-triazin-2-yl]cyanamide Chemical compound N#CNC1=NC(NC#N)=NC(NC#N)=N1 FJJCIZWZNKZHII-UHFFFAOYSA-N 0.000 description 1
- 230000002528 anti-freeze Effects 0.000 description 1
- 235000019438 castor oil Nutrition 0.000 description 1
- 239000004359 castor oil Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 235000020971 citrus fruits Nutrition 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000417 fungicide Substances 0.000 description 1
- ZEMPKEQAKRGZGQ-XOQCFJPHSA-N glycerol triricinoleate Natural products CCCCCC[C@@H](O)CC=CCCCCCCCC(=O)OC[C@@H](COC(=O)CCCCCCCC=CC[C@@H](O)CCCCCC)OC(=O)CCCCCCCC=CC[C@H](O)CCCCCC ZEMPKEQAKRGZGQ-XOQCFJPHSA-N 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000002917 insecticide Substances 0.000 description 1
- 235000021374 legumes Nutrition 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 235000020232 peanut Nutrition 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000361 pesticidal effect Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 235000021012 strawberries Nutrition 0.000 description 1
- 239000004094 surface-active agent Substances 0.000 description 1
- YLJREFDVOIBQDA-UHFFFAOYSA-N tacrine Chemical compound C1=CC=C2C(N)=C(CCCC3)C3=NC2=C1 YLJREFDVOIBQDA-UHFFFAOYSA-N 0.000 description 1
- 229960001685 tacrine Drugs 0.000 description 1
- 239000002562 thickening agent Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Pretreatment Of Seeds And Plants (AREA)
- Spectrometry And Color Measurement (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
Изобретение относится к сельскому хозяйству, а именно к определению однородности характеристик цвета, размера и формы партии семян. В изобретении представлены способ и устройство для определения средствами неразрушающего анализа однородности характеристик цвета, размера и формы партии семян по цветовому тону, а при необходимости - и по насыщению, цветовой модели HSI (цветовой тон, размер и интенсивность). Использование изобретения позволит определить однородность партии семян. 2 н. и 8 з.п. ф-лы, 9 ил.
Description
Настоящее изобретение относится к способу и устройству для определения однородности характеристик цвета, размера и формы партии семян растения.
Для защиты семян от вредителей, таких как грибки и насекомые, семена часто обрабатывают, или протравливают, пестицидами (в форме препаратов). Размер, цветовое распределение и форма подвергнутого обработке семени растения может оказывать влияние на его качество. Оценку эффективности такой обработки часто проводят визуально или с помощью химического анализа.
Химический анализ является разрушающим методом исследования (предусматривающим приготовление образцов вручную, извлечение химикатов из обработанного семени) и его проведение может занимать от одного до нескольких дней, причем зачастую в лаборатории, удаленной от места нахождения семян.
Недостатком визуального анализа может быть субъективная интерпретация, что обычно становится причиной несоответствий и противоречивости выводов.
Известны способы и устройства для определения цвета, размера и формы семени, однако такие способы и устройства предполагают применение спектрометров, что связано с высокими расходами.
Теперь специалисты получают в свое распоряжение способ и устройство, преодолевающие трудности визуального анализа. Действительно, предлагаемые в изобретении способ и устройство позволяют сравнивать между собой разные методы обработки (протравливания) семян, разные типы пестицидных препаратов и разные настройки параметров оборудования, таких как степень разбавления и пропускная способность в случае применения протравливателей для обработки семян в непрерывном режиме, настройки параметров при использовании протравителей семян в порционных протравливателях, скорость вращения вращающегося дна, степень распыления состава, качество семян в партии, затраты времени на нанесение продукта и перемешивание.
Особое преимущество настоящего изобретения состоит в том, что оно осуществимо на установке по обработке семян без использования спектрометрии, а получение результатов происходит быстро по сравнению с отправкой образцов для анализа в удаленную лабораторию. Далее, предлагаемый в изобретении анализ проводится путем исследования отдельных семян, которые после анализа не разрушаются. Более того, аналитическая аппаратура после ее настройки может применяться в переносном исполнении и позволяет проводить анализ в автоматизированном режиме при невысоких требованиях к квалификации работающего с ней оператора.
Соответственно, одним объектом настоящего изобретения является способ определения однородности характеристик цвета, размера и формы партии семян, включающий следующие операции:
(а) каждое семя помещают в заданную зону, имеющую цвет с длиной волны, отличной от длины волны, характеризующей цвет семени;
(б) приводят каждую заданную зону в положение, обеспечивающее возможность ее съемки с получением ее цифрового изображения в цвете;
(в) освещают заданную зону видимым светом во время получения ее цифрового изображения;
(г) снимают камерой заданную зону с получением ее цифрового изображения,
(д) полученные изображения обрабатывают с получением значений цветового тона, а при необходимости - и насыщенности, цветовой модели HSI (цветовой оттенок, насыщенность и интенсивность, сокр. от англ. "Hue, Saturation, Intensity") для распознавания объектов, расположенных в пределах заданной зоны, предпочтительно дискретных объектов, выполняемого в каждой заданной зоне путем сегментирования;
(е) для каждого объекта определяют размер, форму и цвет на основе цветового тона, а при необходимости - и насыщенности, цветовой модели HSI путем выделения признаков;
(ж) в отношении каждого объекта определяют, соответствует ли он заданному для семян диапазону размеров или диапазону цвета или диапазону форм;
(з) для каждого объекта, соответствующего критериям, используемым на стадии (ж), определяют фактические размер, форму, цветовое распределение и цвет на основе цветового тона, а при необходимости - и насыщенности, и
(и) выводят отчет относительно цвета, цветового распределения, фактического размера и формы семян в партии с обеспечением показателя однородности партии.
Другим объектом изобретения является устройство для определения однородности характеристик цвета, размера и формы партии семян, содержащее:
а) средство для приведения цветной заданной зоны в положение, обеспечивающее возможность ее съемки с получением цифрового изображения,
б) источник видимого света для освещения заданной зоны,
в) камеру для получения цифровых изображений в цвете, и
г) процессор, выполненный с возможностью перевода изображений в значения цветового тона, а при необходимости - и насыщенности, цветовой модели HSI (цветовой оттенок, насыщенность и интенсивность) для распознавания объектов, расположенных в пределах заданной зоны, предпочтительно дискретных объектов, выполняемого в каждой заданной зоне путем сегментирования с возможностью определения для каждого объекта размера, формы и цвета, предпочтительно на основе цветового тона, а при необходимости - и насыщенности, цветовой модели HSI путем выделения признаков с возможностью определения соответствия каждого объекта заданному для семян диапазону размеров, или диапазону цвета, или диапазону форм, с возможностью определения для каждого объекта, прошедшего проверку на соответствие указанным критериям, фактических размера, формы, цветового распределения и цвета, предпочтительно на основе цветового тона, а при необходимости - и насыщенности, и с возможностью вывода отчета относительно цвета, цветового распределения, фактического размера и формы семян в партии с обеспечением показателя однородности партии.
Описание чертежей
Осуществление изобретения поясняется ниже со ссылкой на следующие чертежи, на которых показано:
на фиг.1 - изображение устройства, выполненного в соответствии с настоящим изобретением,
на фиг.2 - блок-схема выполнения анализа изображения и вычислительных операций при осуществлении настоящего изобретения в одном из его вариантов,
на фиг.3 - изображение источника видимого света,
на фиг.4 - схематическое представление процесса анализа изображения, выполняемого в соответствии с настоящим изобретением для обнаружения заданной зоны (автоматическое обнаружение объекта).
на фиг.5 - изображение снятого камерой семени, предназначенное для обработки,
на фиг.6 - отчет относительно однородности партии семян по цвету (фиг.6а), размеру (фиг.6б) и форме (фиг.6в).
на фиг.7 - отчет о сравнении разных видов обработки семян пшеницы по цвету (на основе цветового оттенка).
Ниже следует подробное описание осуществления изобретения.
Применяемые при обработке семян препараты или составы содержат наряду с пестицидами (например, инсектицидами и фунгицидами) поверхностно-активные вещества, загустители, антифриз и красители. В результате использования красителей (или пигментов) обработанные семена приобретают определенную окраску. Поэтому цвет обработанного семени и его однородность (равномерность) может служить показателем качества обработки. Кроме того, количество приставшего к семени красителя является показателем сцепления пестицида с семенем (количество пестицида на семя), что позволяет использовать настоящее изобретение и для получения такого показателя.
Кроме того, некоторые виды обработки семян предусматривают придание семени определенной формы с помощью таких материалов, как наполнители, для обеспечения наличия у каждого семени стандартной формы и размеров, и настоящее изобретение также подходит для определения однородности и эффективности подобных видов обработки семян.
Осуществление настоящего изобретения возможно в отношении любых видов семян. В предпочтительном варианте осуществления изобретения исследуемые семена выбирают из группы, состоящей из семян люцерны, яблони, бананового дерева, ячменя, бобовых, капусты брокколи, клещевины, цитрусовых, клевера, кокосовой пальмы, кофейного дерева, кукурузы, хлопка, огурцов, дугласовой пихты, эвкалипта, сосны ладанной, льна, дыни, арбуза, овса, оливкового дерева, пальмового дерева, гороха, арахиса, перца, тополя, сосны лучистой, рапса, риса, ржи, сорго, сосны болотной, сои, клубники, сахарной свеклы, сахарного тростника, подсолнечника, амбрового дерева, чайного растения, табака, помидора, тритикале, дерна, пшеницы и резуховидки Таля (Arabidopsis thaliana).
В более предпочтительном варианте осуществления изобретения исследуемые семена выбирают из группы, состоящей из семян хлопка, кукурузы, сои, рапса, риса, ячменя, ржи, овса, тритикале и пшеницы.
В еще более предпочтительном варианте осуществления изобретения исследуемыми семенами являются семена кукурузы или пшеницы.
Для специалиста понятно, что перед осуществлением настоящего изобретения следует выполнить некоторые операции по калибровке, например фотометрическую и геометрическую калибровку, чтобы обеспечить возможность сравнения результатов разных измерений, в частности потому, что изобретение основано на колориметрическом анализе. В частности, для получения нормализованных результатов измерений цвета фотометрическая калибровка требует установки баланса белого и задания диапазона интенсивности примерно на уровне 80% от максимальной чувствительности датчика. Кроме того, расстояние между пикселями (элементами изображения) нужно соотнести с реальным расстоянием в миллиметрах для того, например, чтобы выводить в отчете абсолютные результаты измерения размеров.
Кроме того, применяемая камера должна иметь конструкцию, не имеющую возможности обработки изображения, чтобы процессор выполнял анализ изображения на основе реальных данных, собранных (или захваченных) камерой.
Настоящее изобретение осуществляется на длинах волн электромагнитного излучения, видимых глазом человека (видимый свет), т.е. в диапазоне от 380 до 780 нм, предпочтительно от 400 до 700 нм.
Важно, чтобы цвет семян и цвет заданной зоны находились в цветовой модели HSI в разных сегментах, что позволяет распознать семя при выполнении процессором анализа изображения.
Преимущество обработки изображения семени с использованием цветовой модели HSI заключается в том, что при этом достигается лучшее сегментирование. Например, при использовании модели HSI была установлена эффективность исследования окрашенных в красный цвет семян, расположенных в заданной зоне зеленого цвета.
Заданная зона - это участок поверхности, на который помещаются окрашенные семена и который обеспечивает подходящий фон для проведения анализа изображения с целью распознавания семени. Размер заданной зоны должен быть таким, чтобы семя умещалось в пределах этой зоны.
Количество семян в партии определяется числом, достаточным для суждения о том, является ли анализ однородности представительным (репрезентативным) в отношении конкретного вида обработки семян. Как правило, необходимо иметь в распоряжении по меньшей мере 30 семян, в этом случае оператор вводит соответствующее число в процессор на начальной стадии осуществления изобретения с тем, чтобы процессор знал, что после обнаружения 30 семян дальнейший анализ не требуется.
Средствами приведения или доставки семян в положение съемки могут выступать любые средства, подходящие либо для перемещения камеры относительно семян, расположенных в заданной зоне, которая остается неподвижной, либо для перемещения семян, расположенных в заданной зоне, к камере, которая неподвижна. Это перемещение может производиться вручную или выполняться автоматически. В любом случае важно не разрушать семена во время такого перемещения. В предпочтительном варианте осуществления изобретения камера расположена неподвижно, а семена подаются к ней.
Получением цифрового изображения можно управлять вручную, когда семя оказалось в поле зрения камеры, либо этот процесс может быть автоматизированным, например, может инициироваться электронным датчиком или посредством анализа изображения.
Источник света в предпочтительном варианте осуществления изобретения включен постоянно, а интенсивность и направление подсветки должны быть такими, чтобы камера снимала семя с получением плоскостного (двумерного) изображения. Кроме того, источник света должен быть расположен таким образом, чтобы свет от него не попадал в камеру напрямую, а только после отражения (см. фиг.3) от семени (излучаемый свет). Во избежание любых сомнений в камеру не должен попадать какой-либо проходящий свет, т.е. свет, исходящий непосредственно от источника света.
Можно использовать любой источник света, обеспечивающий подсветку в широком диапазоне, покрывающем длины волн между 380 и 780 нм, предпочтительно от 400 до 700 нм. Примерами такого источника света являются светоизлучающие диоды (СИД) и тепловые источники света. Такие источники света производятся, например, компанией Volpi AG, находящейся по адресу: Визенштрассе 33, 8952 Шлирен, Швейцария, и компанией RVSI/NER, находящейся по адресу: 15 Твин Бридж Роуд, Уир, штат Нью-Хэмпшир, 03281, США. В предпочтительном варианте осуществления изобретения источник располагается на расстоянии от заданной зоны таким образом, чтобы обеспечить непрерывное освещение заданной зоны и устранить влияние любого внешнего света.
В качестве примера подходящей камеры можно назвать камеру с единственным цветным линейным или двумерным датчиком, или матрицей, на основе приборов с зарядовой связью (ПЗС-датчиком). Также для осуществления изобретения подходит камера с тремя ПЗС-датчиками или камера с черно-белым ПЗС-датчиком и тремя цветофильтрами (красный, зеленый и синий). Такие камеры на основе ПЗС можно приобрести у локальных дистрибьюторов продукции по обработке изображений форм Sony, Jai, Basler. На фиг.5 представлено изображение, полученное камерой с двумерным ПЗС-датчиком.
В одном из вариантов осуществления изобретения для получения более резкого изображения семени используется телецентрическая оптика.
Процессором, используемым согласно настоящему изобретению для выполнения анализа изображения, может быть любое подходящее устройство для обработки данных, такое как компьютер, которое имеет возможность подключения к камере, например, с помощью шины FireWire (высокоскоростная последовательная локальная шина) или шины PCI (шина для межсоединения периферийных компонентов). Для представления результатов можно использовать также еще один процессор, но в предпочтительном варианте осуществления изобретения анализ изображения и вывод отчета выполняется одним и тем же процессором.
Настоящее изобретение предполагает, что свет, излучаемый семенем, не рассеивается.
В случае, если получение изображений автоматизировано посредством анализа изображения, что является предпочтительным вариантом осуществления настоящего изобретения, ПЗС-камера работает, снимая или "захватывая", объект каждую 1/30 секунды и посылая данные изображения в процессор, где выполняется анализ изображения на предмет того, содержит ли изображение всю заданную зону. Эта часть процесса осуществления изобретения известна как автоматическое обнаружение (см. фиг.4). Если анализируемое изображение не является заданной зоной или является только частью заданной зоны, то это изображение исключается из дальнейшего анализа. Автоматическое обнаружение обычно выполняется с помощью цветовой модели RGB на основании распознавания оператором цвета заданной зоны и анализа цвета семени перед началом осуществления изобретения, а затем процессором анализируется интересующая область (на основе числа пикселей, соответствующего размеру заданной зоны) для проверки соответствия параметров цвета для заданной зоны и семени. Как правило, цвет заданной зоны контрастирует с фоном средства для приведения каждой заданной зоны в положение съемки, например, подходящим цветом является белый фон при зеленой заданной зоне.
Как только окажется, что полученное при съемке изображение будет содержать всю заданную зону, что может быть определено вручную или автоматически, RGB-модель изображения преобразуется в цветовой тон, а при необходимости - и насыщенность, цветовой модели HSI (стадия цветового преобразования). Алгоритмы таких преобразований известны. Основные положения такого анализа можно найти в следующих источниках "Fundamentals of Digital Image Processing", автор Anil К Jain, изд-во Prentice Hall, 1989; "Basic Binary Image Processing", авторы Alan С Bovik и Mita D Desai; "Handbook of Image и Video Proceeding", авторы A. Bovik и J. Gibson, изд-во Academic Press, San Diego 2000; "Image Processing, Analysis и Machine Vision", авторы M. Sonka, V. Hlavac и R. Boyle, изд-во International Thomson Publishing, Pacific Grave CA 1998; "Digital Image Processing", авторы R.C. Gonzales и R.E. Woods, изд-во Addison Wesley 1993 и "Digitale Bildverarbeitung", автор В. Jähne, изд-во Springer Verlag, Berlin Heidelberg 1997. Кроме того, в таких организациях, как компания Matrox Electronics Systems Ltd, находящаяся по адресу: 1055 бульв. Сен-Режи, Доваль Квебек, Канада Н9Р 2Т4, и компания Cognex Corporation, находящаяся по адресу: Уан Вижн Драйв, Нейтик, штат Массачусетс 01760-2059, США, можно получить библиотеки для выполнения таких преобразований.
После этого изображение сегментируют, используя уровень цветового тона (включая пороговую обработку и анализ больших двоичных объектов). Пороговые значения для пороговой обработки зависят от цвета заданной зоны. Затем двоичное изображение анализируют методом анализа больших двоичных объектов. Анализ больших двоичных объектов в предпочтительном варианте осуществления изобретения проводят с использованием топологии с четырьмя соседними пикселями. Выбор алгоритмов, используемых для такого анализа, должен быть понятен специалисту.
Объект или несколько объектов, выявленные в результате выполнения части анализа больших двоичных объектов и не являющиеся семенами, исключаются, в частности, если объекты не соответствуют диапазону размеров или форм семени, например, по расстоянию в пикселях между наиболее широко разнесенными точками в пределах объекта, или по площади объекта, а также если объекты соприкасаются с границей заданной зоны.
Во время анализа больших двоичных объектов процессор распознает семя, основываясь на указанных оператором диапазонах размеров и/или форм семян в партии. Если распознанный на изображении объект оказался больше или меньше указанных для семян диапазонов или интервалов значений, этот объект не рассматривается в качестве семени для выделения его признаков. В другом варианте из объекта сначала выделяют признаки, а затем на этой стадии может быть выполнена проверка того, является ли объект семенем.
Оставшийся объект или объекты считаются семенем (семенами).
В том случае, если при осуществлении настоящего изобретения на одну заданную зону распознано более одного объекта (семени), соответствующего характеристикам семени по размеру и форме, эти объекты рассматриваются в окончательном отчете как семена, взятые в соответствующем количестве. Однако предпочтительно, чтобы на одну заданную зону приходилось по одному семени.
Кроме того, если в одной и той же заданной зоне присутствует более одного семени и они соприкасаются друг с другом, их можно исключить путем анализа больших двоичных объектов или разделить и включить в состав партии с помощью специальных алгоритмов, например алгоритмов разделения больших двоичных объектов, например алгоритма Watershed.
В предпочтительном варианте осуществления изобретения для гарантированного распознавания семени и его отделения от заданной зоны (или фона) семя должно располагаться в пределах заданной зоны и не должно соприкасаться с границей заданной зоны, чтобы на стадии (д) осуществления предлагаемого в изобретении способа можно было распознать дискретные объекты.
После того как на изображении распознан один или несколько объектов, размер и форму объекта(-ов) или семени (семян) можно определить путем соответствующего анализа. Размер можно определить, например, исходя из площади объекта или наибольшего расстояния между двумя точками внутри объекта с переводом этих значений в реальные, выражаемые соответственно квадратными миллиметрами или миллиметрами (на основе первоначальной геометрической калибровки) и можно определить также характеристику формы (например, на основе отношения радиуса окружности, описывающей наибольший отрезок между двумя точками в области семени, к радиусу окружности, описывающей наименьший отрезок между двумя точками в области семени).
Цвет и цветовое распределение объекта (семени) определяют, например, вычислением среднего значения и стандартного отклонения на уровне цветового тона, а при необходимости - и насыщенности. В одном варианте осуществления изобретения для повышения качества измерения цвета обычно исключают от одного до пяти пикселей от границы объекта, что зависит от уровня разрешения. При использовании более высоких статистических моментов, таких как асимметрия (третий порядок) и эксцесс (четвертый порядок), можно также получить дополнительное цветовое распределение.
В случае, если семя имеет красный цвет, среднее значение и цветовое распределение вычисляют после сдвига индивидуального значения цветового тона для каждого пикселя, чтобы избежать влияния свойства модуля пространства цветового тона.
Количество заданных зон вводится в процессор в начале осуществления изобретения, благодаря чему по завершении анализа изображения в соответствующем количестве заданных зон процессор сообщает об этом оператору, чтобы избежать повторения анализа изображения в одной и той же заданной зоне (или на одном и том же семени). Если необходимо проанализировать дополнительные семена, оператор меняет семена в заданных зонах и продолжает измерения.
После того как снято и проанализировано требуемое количество семян или заданных зон, процессор останавливает процесс получения изображений и вычисляет статистические данные, например среднее значение, стандартное отклонение, минимальное и максимальное значения цвета, цветового распределения, размера и формы партии семян. Эти данные могут быть представлены в виде одномерной гистограммы (см. фиг.6) или двумерного графика (цвет и цветовое распределение). Аналогичным образом можно также получить характеристики каждого семени в отдельности.
Полученная гистограмма представляет собой непосредственный показатель однородности партии: чем уже график, тем более равномерно проведена обработка.
Преимущество настоящего изобретения состоит в том, что оно делает возможным качественное сравнение одной партии семян с другой. Например, на фиг.7 показана характеристика цвета для разных видов обработки пшеницы и разных типов препаратов.
Полученные данные можно также представить в любой форме, которая позволила бы специалисту оценить однородность партии семян.
При осуществлении настоящего изобретения также используется двумерное цветовое подпространство цветовой модели RGB (независимо от интенсивности). В этом подпространстве центр тяжести и стандартное отклонение цветового распределения семени вычисляются как значения цвета в количественном выражении.
Настоящее изобретение позволяет определять и другие характеристики семени, такие как текстура его поверхности.
Особым достоинством настоящего изобретения является то, что оператор может выбрать партию семян для анализа изображения, обеспечить точную калибровку, ввести тип семян (например, диапазон размеров семян и/или цвет), ввести количество семян в партии, запустить предлагаемый в изобретении процесс, оставить его, занявшись выполнением других своих обязанностей, и вскоре после этого вернуться для изучения результатов.
Claims (10)
1. Способ определения однородности характеристик цвета, размера и формы партии семян, включающий следующие операции:
(а) каждое семя помещают в заданную зону, имеющую цвет с длиной волны, отличной от длины волны, характеризующей цвет семени,
(б) приводят каждую заданную зону в положение, обеспечивающее возможность ее съемки с получением ее цифрового изображения в цвете,
(в) освещают заданную зону видимым светом во время получения ее цифрового изображения,
(г) снимают камерой заданную зону с получением ее цифрового изображения,
(д) полученные изображения обрабатывают с получением значений цветового тона, а при необходимости - и насыщенности, цветовой модели HSI (цветовой оттенок, насыщенность и интенсивность) для распознавания объектов, расположенных в пределах заданной зоны, предпочтительно дискретных объектов, выполняемого в каждой заданной зоне путем сегментирования,
(е) для каждого объекта определяют размер, форму и цвет на основе цветового тона, а при необходимости - и насыщенности, цветовой модели HSI путем выделения признаков,
(ж) в отношении каждого объекта определяют, соответствует ли он заданному для семян диапазону размеров, или диапазону цвета, или диапазону форм,
(з) для каждого объекта, соответствующего критериям, используемым на стадии (ж), определяют фактические размер, форму, цветовое распределение и цвет на основе цветового тона, а при необходимости - и насыщенности, и
(и) выводят отчет относительно цвета, цветового распределения, фактического размера и формы семян в партии с обеспечением показателя однородности партии.
(а) каждое семя помещают в заданную зону, имеющую цвет с длиной волны, отличной от длины волны, характеризующей цвет семени,
(б) приводят каждую заданную зону в положение, обеспечивающее возможность ее съемки с получением ее цифрового изображения в цвете,
(в) освещают заданную зону видимым светом во время получения ее цифрового изображения,
(г) снимают камерой заданную зону с получением ее цифрового изображения,
(д) полученные изображения обрабатывают с получением значений цветового тона, а при необходимости - и насыщенности, цветовой модели HSI (цветовой оттенок, насыщенность и интенсивность) для распознавания объектов, расположенных в пределах заданной зоны, предпочтительно дискретных объектов, выполняемого в каждой заданной зоне путем сегментирования,
(е) для каждого объекта определяют размер, форму и цвет на основе цветового тона, а при необходимости - и насыщенности, цветовой модели HSI путем выделения признаков,
(ж) в отношении каждого объекта определяют, соответствует ли он заданному для семян диапазону размеров, или диапазону цвета, или диапазону форм,
(з) для каждого объекта, соответствующего критериям, используемым на стадии (ж), определяют фактические размер, форму, цветовое распределение и цвет на основе цветового тона, а при необходимости - и насыщенности, и
(и) выводят отчет относительно цвета, цветового распределения, фактического размера и формы семян в партии с обеспечением показателя однородности партии.
2. Способ по п.1, в котором заданная зона находится на средстве для перемещения каждого семени относительно камеры в положение, обеспечивающее возможность съемки заданной зоны с получением ее цифрового изображения на стадии (г).
3. Способ по п.1 или 2, в котором камера является камерой на приборах с зарядовой связью (ПЗС).
4. Способ по п.1 или 2, в котором получение цифрового изображения всей заданной зоны инициируют посредством анализа изображения.
5. Способ по п.3, в котором получение цифрового изображения всей заданной зоны инициируют посредством анализа изображения.
6. Устройство для определения однородности характеристик цвета, размера и формы партии семян, содержащее:
а) средство для приведения цветной заданной зоны в положение, обеспечивающее возможность ее съемки с получением цифрового изображения,
б) источник видимого света для освещения заданной зоны,
в) камеру для получения цифровых изображений в цвете, и
г) процессор, выполненный с возможностью перевода изображений в значения цветового тона, а при необходимости - и насыщенности, цветовой модели HSI (цветовой оттенок, насыщенность и интенсивность) для распознавания объектов, расположенных в пределах заданной зоны, предпочтительно дискретных объектов, выполняемого в каждой заданной зоне путем сегментирования, с возможностью определения для каждого объекта размера, формы и цвета, предпочтительно на основе цветового тона, а при необходимости - и насыщенности, цветовой модели HSI путем выделения признаков, с возможностью определения соответствия каждого объекта заданному для семян диапазону размеров, или диапазону цвета, или диапазону форм, с возможностью определения для каждого объекта, прошедшего проверку на соответствие указанным критериям, фактических размера, формы, цветового распределения и цвета, предпочтительно на основе цветового тона, а при необходимости - и насыщенности, и с возможностью вывода отчета относительно цвета, цветового распределения, фактического размера и формы семян в партии с обеспечением показателя однородности партии.
а) средство для приведения цветной заданной зоны в положение, обеспечивающее возможность ее съемки с получением цифрового изображения,
б) источник видимого света для освещения заданной зоны,
в) камеру для получения цифровых изображений в цвете, и
г) процессор, выполненный с возможностью перевода изображений в значения цветового тона, а при необходимости - и насыщенности, цветовой модели HSI (цветовой оттенок, насыщенность и интенсивность) для распознавания объектов, расположенных в пределах заданной зоны, предпочтительно дискретных объектов, выполняемого в каждой заданной зоне путем сегментирования, с возможностью определения для каждого объекта размера, формы и цвета, предпочтительно на основе цветового тона, а при необходимости - и насыщенности, цветовой модели HSI путем выделения признаков, с возможностью определения соответствия каждого объекта заданному для семян диапазону размеров, или диапазону цвета, или диапазону форм, с возможностью определения для каждого объекта, прошедшего проверку на соответствие указанным критериям, фактических размера, формы, цветового распределения и цвета, предпочтительно на основе цветового тона, а при необходимости - и насыщенности, и с возможностью вывода отчета относительно цвета, цветового распределения, фактического размера и формы семян в партии с обеспечением показателя однородности партии.
7. Устройство по п.6, в котором камера установлена неподвижно.
8. Устройство по п.6 или 7, в котором камера является камерой на приборах с зарядовой связью (ПЗС).
9. Устройство по п.6 или 7, в котором процессор также выполнен с возможностью распознавания всей заданной зоны.
10. Устройство по п.8, в котором процессор также выполнен с возможностью распознавания всей заданной зоны.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP05000328 | 2005-01-10 | ||
EP05000328.4 | 2005-01-10 |
Publications (2)
Publication Number | Publication Date |
---|---|
RU2007130533A RU2007130533A (ru) | 2009-02-20 |
RU2388203C2 true RU2388203C2 (ru) | 2010-05-10 |
Family
ID=34933230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2007130533/13A RU2388203C2 (ru) | 2005-01-10 | 2006-01-09 | Устройство для определения однородности партии семян |
Country Status (11)
Country | Link |
---|---|
US (1) | US20110150289A1 (ru) |
EP (1) | EP1845768B1 (ru) |
JP (1) | JP2008527976A (ru) |
CN (1) | CN101102664A (ru) |
AT (1) | ATE534276T1 (ru) |
AU (1) | AU2006204506B2 (ru) |
BR (1) | BRPI0606728A2 (ru) |
CA (1) | CA2592746C (ru) |
RU (1) | RU2388203C2 (ru) |
UA (1) | UA91353C2 (ru) |
WO (1) | WO2006072590A1 (ru) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2682280C2 (ru) * | 2013-12-24 | 2019-03-19 | Квс Зат Зе | Способ классификации посевного материала |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8253054B2 (en) | 2010-02-17 | 2012-08-28 | Dow Agrosciences, Llc. | Apparatus and method for sorting plant material |
EP2674746A1 (de) * | 2012-06-13 | 2013-12-18 | Bayer CropScience AG | Vorrichtung und Verfahren zur optischen Qualitätskontrolle der Beschichtung bzw. Befleckung eines körnigen Substrats |
CN103048274A (zh) * | 2012-11-29 | 2013-04-17 | 浙江省农业科学院 | 一种确定油菜种子颜色和大小的方法 |
CN104166295A (zh) * | 2014-08-22 | 2014-11-26 | 镇江瑞繁农艺有限公司 | 一种蔬菜瓜果考种拍照装置 |
CN105300309B (zh) * | 2015-10-30 | 2017-10-03 | 山东省农作物种质资源中心 | 豆类籽粒形状观测台及观测方法 |
CN105300994B (zh) * | 2015-10-30 | 2018-07-20 | 山东省农业科学院农业资源与环境研究所 | 花生形态判别装置及判别方法 |
CN105387787B (zh) * | 2015-10-30 | 2017-12-29 | 山东省农作物种质资源中心 | 豆类种子粒形大小测量仪及测量方法 |
CN106370132A (zh) * | 2016-10-28 | 2017-02-01 | 中国农业科学院棉花研究所 | 一种获取种子图像的装置及其获取方法 |
EP3527972A1 (en) * | 2018-02-19 | 2019-08-21 | Roche Diabetes Care GmbH | Method and devices for performing an analytical measurement |
WO2020075793A1 (ja) * | 2018-10-12 | 2020-04-16 | 広島県 | 鑑別装置、情報処理装置、プログラム、教師データおよび鑑別方法 |
CN111844530B (zh) * | 2020-07-10 | 2022-04-15 | 苏州普福斯信息科技有限公司 | 可再生资源回收选料方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3811035C1 (en) * | 1988-03-31 | 1989-05-11 | Gerhard 3209 Schellerten De Hillebrand | Method of sorting cereals and machine for carrying out this method |
FR2637368B1 (fr) * | 1988-09-09 | 1990-12-07 | Bertin & Cie | Procede de determination de la couleur d'un objet, en particulier d'une prothese dentaire |
EP0801886A1 (de) * | 1996-04-19 | 1997-10-22 | Novartis AG | Bestimmung der Beladung von mit einem farbigen Beizmittel behandeltem Saatgut |
DE19845883B4 (de) * | 1997-10-15 | 2007-06-06 | LemnaTec GmbH Labor für elektronische und maschinelle Naturanalytik | Verfahren zur Bestimmung der Phytotoxizität einer Testsubstanz |
NL1009006C2 (nl) * | 1998-04-27 | 1999-10-28 | Cpro Dlo | Werkwijze voor het bepalen van de kwaliteit van voorgekiemde, kiemende en gekiemde zaden en inrichting voor het analyseren en inrichting voor het scheiden van voorgekiemde, kiemende en gekiemde zaden. |
JP2000023508A (ja) * | 1998-07-08 | 2000-01-25 | Bio Oriented Technol Res Advancement Inst | 整列播種機における胚位置判別方法 |
US6546117B1 (en) * | 1999-06-10 | 2003-04-08 | University Of Washington | Video object segmentation using active contour modelling with global relaxation |
US6329319B1 (en) * | 1999-08-25 | 2001-12-11 | National Starch And Chemical Investment Holding Corporation | Seed coating compositions for low temperature applications |
JP4723750B2 (ja) * | 2001-04-23 | 2011-07-13 | アグリテクノ矢崎株式会社 | ゲル被覆種子検査装置 |
-
2006
- 2006-01-09 WO PCT/EP2006/000099 patent/WO2006072590A1/en active Application Filing
- 2006-01-09 US US11/813,312 patent/US20110150289A1/en not_active Abandoned
- 2006-01-09 CN CNA2006800020460A patent/CN101102664A/zh active Pending
- 2006-01-09 AU AU2006204506A patent/AU2006204506B2/en not_active Ceased
- 2006-01-09 JP JP2007549865A patent/JP2008527976A/ja active Pending
- 2006-01-09 CA CA2592746A patent/CA2592746C/en not_active Expired - Fee Related
- 2006-01-09 RU RU2007130533/13A patent/RU2388203C2/ru not_active IP Right Cessation
- 2006-01-09 BR BRPI0606728-0A patent/BRPI0606728A2/pt not_active Application Discontinuation
- 2006-01-09 AT AT06700843T patent/ATE534276T1/de active
- 2006-01-09 UA UAA200709130A patent/UA91353C2/ru unknown
- 2006-01-09 EP EP06700843A patent/EP1845768B1/en not_active Not-in-force
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2682280C2 (ru) * | 2013-12-24 | 2019-03-19 | Квс Зат Зе | Способ классификации посевного материала |
Also Published As
Publication number | Publication date |
---|---|
AU2006204506B2 (en) | 2012-05-24 |
EP1845768A1 (en) | 2007-10-24 |
JP2008527976A (ja) | 2008-07-31 |
EP1845768B1 (en) | 2011-11-23 |
ATE534276T1 (de) | 2011-12-15 |
CA2592746A1 (en) | 2006-07-13 |
CN101102664A (zh) | 2008-01-09 |
WO2006072590A1 (en) | 2006-07-13 |
RU2007130533A (ru) | 2009-02-20 |
AU2006204506A1 (en) | 2006-07-13 |
US20110150289A1 (en) | 2011-06-23 |
UA91353C2 (ru) | 2010-07-26 |
BRPI0606728A2 (pt) | 2009-07-14 |
CA2592746C (en) | 2010-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2388203C2 (ru) | Устройство для определения однородности партии семян | |
Xing et al. | Detecting bruises on ‘Golden Delicious’ apples using hyperspectral imaging with multiple wavebands | |
Lu et al. | Hyperspectral imaging technology for quality and safety evaluation of horticultural products: A review and celebration of the past 20-year progress | |
Chen et al. | Machine vision technology for agricultural applications | |
Li et al. | Fast detection and visualization of early decay in citrus using Vis-NIR hyperspectral imaging | |
Wu et al. | Application of long-wave near infrared hyperspectral imaging for measurement of color distribution in salmon fillet | |
Li et al. | Detection of common defects on oranges using hyperspectral reflectance imaging | |
Lee et al. | Hyperspectral near-infrared imaging for the detection of physical damages of pear | |
Li et al. | Multispectral detection of skin defects of bi-colored peaches based on vis–NIR hyperspectral imaging | |
Patil et al. | Leaf disease severity measurement using image processing | |
Kim et al. | Multispectral detection of fecal contamination on apples based on hyperspectral imagery: Part I. Application of visible and near–infrared reflectance imaging | |
ElMasry et al. | Early detection of apple bruises on different background colors using hyperspectral imaging | |
Wang et al. | Detection of external insect infestations in jujube fruit using hyperspectral reflectance imaging | |
CA2685158C (en) | Simultaneous acquisition of fluorescence and reflectance imaging techniques with a single imaging device | |
Gómez-Sanchís et al. | Development of a hyperspectral computer vision system based on two liquid crystal tuneable filters for fruit inspection. Application to detect citrus fruits decay | |
Liu et al. | Discriminating and elimination of damaged soybean seeds based on image characteristics | |
Zhang et al. | Detection of common defects on mandarins by using visible and near infrared hyperspectral imaging | |
Li et al. | Development of algorithms for detecting citrus canker based on hyperspectral reflectance imaging | |
Soares et al. | Classification of individual cotton seeds with respect to variety using near-infrared hyperspectral imaging | |
Torres et al. | Setting up a methodology to distinguish between green oranges and leaves using hyperspectral imaging | |
Shao et al. | Determination of damaged wheat kernels with hyperspectral imaging analysis | |
TWI656334B (zh) | 蘭花病蟲害高光譜成像早期偵測系統 | |
US20220252568A1 (en) | Means and methods for scoring vegetables and fruits | |
Mo et al. | Discrimination methods for biological contaminants in fresh-cut lettuce based on VNIR and NIR hyperspectral imaging | |
Xing et al. | Wavelength selection for surface defects detection on tomatoes by means of a hyperspectral imaging system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20130110 |