CN107507192A - 一种水稻剑叶夹角在体测量便携装置及在体测量方法 - Google Patents
一种水稻剑叶夹角在体测量便携装置及在体测量方法 Download PDFInfo
- Publication number
- CN107507192A CN107507192A CN201710644409.0A CN201710644409A CN107507192A CN 107507192 A CN107507192 A CN 107507192A CN 201710644409 A CN201710644409 A CN 201710644409A CN 107507192 A CN107507192 A CN 107507192A
- Authority
- CN
- China
- Prior art keywords
- rice
- image
- spike
- sword
- leave
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/26—Measuring arrangements characterised by the use of optical techniques for measuring angles or tapers; for testing the alignment of axes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种水稻剑叶夹角在体测量便携装置,包括:底板、侧板、挡板、肋板、托板、横梁、侧护板、底护板以及图像处理上位机;侧板与底板间存在缝隙,用于固定水稻样本;底板为不透明亚克力板,使用时水稻样本紧靠于底板,底板为样本图片提供白色背景;托板、横梁、侧护板、底护板用于固定上位机;肋板用于加强机械结构强度;挡板用于使用时挡开其他水稻,保证成像视野中只存在目标水稻样本。同时提供了一种水稻剑叶夹角在体测量方法。本发明实现了自动测量多股分岔稻穗角度,弥补现有方法的缺陷。本发明提出的基于自定义聚类的主轴识别算法,基于统计学信息,精度高,鲁棒性强,极大降低了样本局限性,增加了夹角测量仪装置的实用性。
Description
技术领域
本发明涉及水稻剑叶角度在体测量技术领域,具体地,涉及一种水稻剑叶夹角在体测量便携装置及在体测量方法。
背景技术
水稻剑叶角度是指水稻植株主茎(稻穗)与剑叶之间的夹角,是构成水稻株型的的主要因素之一。
在体测量是指农业测量中在不损害植株的情况下直接在现场获取结果的测量方式。
现有的水稻剑叶角度在体测量仪器,例如浙江托普仪器公司研发的建业剑叶夹角测量仪,仅能够粗糙测量剑叶夹角,无法满足现代农业在水稻育种、株型研究、生产实践中对水稻剑叶夹角参数的准确、高效要求。
经过检索发现:路文超等在《农业机械学报》,2015,(11):296-301.发表的《基于Android手机的水稻剑叶角测量***[J].》上,公开了一种开发图像处理算法并做出app。该算法统计了所有谷粒的边缘方向并聚类,但边缘信息受谷粒种类、光照等因素影响,且***误差不可预知。
现有的水稻剑叶角度在体测量仪,通常采用如下几种原理:
1、使用骨架提取算法描述主茎,该算法的时间复杂度为nm+nlogn,效率较低,且弯曲、饱满或分岔的稻穗提取结果较差,图1、图2所示;
2、统计所有谷粒的边缘方向并聚类,但边缘信息受谷粒种类、光照等因素影响,且***误差不可预知;
3、采用霍夫变换最终得到轴线,这种方法提取穗叶方向受叶柄方向等噪声干扰,且对直线度不高的穗叶效果非常差。
针对主茎往往被稻穗遮挡的问题,现有方法思路局限于几何方法,通过穗叶轮廓预测轴线(骨架提取同样是从轮廓点逐层剥离像素),一方面实际样本形态发散产生噪声,算法鲁棒性不强;另一方面轮廓内部信息被丢弃,预测结果是对穗叶方向的粗糙近似,***误差大。此外,现有方法只能得到单一角度,然而对于分岔的多股稻穗,无法准确描述样本,如图3所示。以上原因导致现有算法只能处理弯曲程度小、发散程度低、稻穗不分岔的理想样本,存在局限性。
通过分析现有算法,可以得出四个主要技术难点:
①增强算法鲁棒性,提出新的轴线预测方案,准确描述稻穗与剑叶轴线位置;
②对图像进行准确分割,避免稻穗、剑叶、叶柄互相造成干扰;
③区别分岔稻穗并分别计算夹角;
④提高算法速度。
综上所述,现有技术存在如下技术问题亟待解决:
①目前相似方案均采用手机APP的模式,未开发出专用设备,使用时需要用手持一张纸当背景,在实际应用中非结构化、不恒定的外部条件(如水稻未紧靠在背景纸上,背景纸与手机无法完全垂直,不同背景纸导致样本图像不同)会对样本采集造成较大影响,导致图像处理结果出现误差;
②现有方法(算法)速度慢;
③现有方法(算法)对轴线拟合粗糙,只能应用于直线度较高的理想样本;
④现有方法(算法)只能得到一个角度,无法处理分岔稻穗;
⑤现有方法(算法)不能实现图像分割,造成稻穗、剑叶、叶柄互相造成干扰,导致算法精度差,误差大;
⑥现有方法(算法)鲁棒性不强,不稳定,不能处理过于年轻的/过于成熟的/过于饱满的/过于稀疏的/过于发散的/拍摄环境恶劣的样本。
目前没有发现同本发明类似技术的说明或报道,也尚未收集到国内外类似的资料。
发明内容
针对现有技术中存在的上述不足,为了在水稻育种、株型研究、生产实践中准确、高效在体测量水稻剑叶夹角参数,本发明依托上海市农业委员会项目上海科技兴农“作物分子育种的技术创新研究(沪农种字(2015)第20号)”,提出一种水稻剑叶夹角在体测量方法,并基于此方法设计了在体测量便携装置。
本发明是通过以下技术方案实现的。
根据本发明的一个方面,提供了一种水稻剑叶夹角在体测量便携装置,包括:底板、侧板、挡板、肋板、托板、横梁、侧护板、底护板以及图像处理上位机;
其中:底板与侧板粘接(优选为使用无影胶)并相对固定,侧板与底板间存在缝隙,用于固定水稻样本;底板优选为不透明亚克力板(例如白色),使用时水稻样本紧靠于底板,底板为样本图片提供背景(例如白色)。
挡板与侧板粘接(优选为使用无影胶)并相对固定,挡板用于使用时挡开其他水稻,保证成像视野中只存在目标水稻样本。
托板、横梁、侧护板、底护板相互粘接(优选为使用无影胶)并相对固定,构成上位机固定装置,用于固定图像处理上位机;护板上有用于紧固图像处理上位机的紧固装置,优选为相适配的螺纹孔及螺栓,使用螺栓紧固图像处理上位机,图像处理上位机用于拍摄样本图像并进行图像处理,最终输出夹角检测结果(例如在屏幕上显示)。
肋板使用无影胶分别与托板和侧板粘接,用于加强机械结构强度。
优选地,所述图像处理上位机包括如下模块:
-图像采集模块:用于采集水稻剑叶夹角的图像样本,并发送至图像预处理模块;
-图像预处理模块:用于对图像采集模块采集到的图像样本进行预处理后得到图像样本的黑白图像,并发送至图像分割模块;
-图像分割模块:用于处理预处理后的黑白图像,找出剑叶节点并根据剑叶节点将样本图像分为三部分:剑叶,稻穗,叶柄,并将剑叶和稻穗图像发送给图像聚类模块;
-图像聚类模块:用于处理图像分割模块获得的剑叶图像和稻穗图像,使用聚类算法分别获得剑叶和稻穗类中心点,并发送至图像拟合模块;
-图像拟合模块:用于处理剑叶和稻穗的类中心点,分别拟合出剑叶和稻穗的轴线并最终求出水稻剑叶夹角。
优选地,所述底板、侧板、挡板、肋板、托板、横梁、侧护板和/或底护板分别采用亚克力材质。
根据本发明的另一个方面,提供了一种水稻剑叶夹角在体测量方法,包括如下步骤:
步骤S1,采集水稻剑叶夹角的图像样本;
步骤S2,对步骤S1采集到的图像样本进行图像预处理,剔除多余的背景并获得图像样本的黑白图像;
步骤S3,根据步骤S2中得到的黑白图像,通过节点搜索算法找到稻穗与剑叶的分岔点,即剑叶节点,并以剑叶节点为依据分割出稻穗和剑叶部分的样本图像;
步骤S4,根据步骤S3中得到的样本图像,判断稻穗股数:
-若只有一股稻穗,则执行步骤S6;
-若存在多股稻穗,则执行步骤S5;
步骤S5,对样本图像进行旋正、裁剪后,执行步骤S6;
步骤S6,自定义聚类,并分别寻找稻穗和剑叶的类中心;并根据得到的类中心拟合得到稻穗和剑叶的轴线,并计算夹角。
优选地,步骤S2中,所述图像预处理包括如下任一个或任多个过程:
图像缩放;
图像灰度化;
图像去噪;
图像二值化。
优选地,步骤S3中,所述节点搜索算法采用基于三向距离场的最优化算法,具体包括如下步骤:
步骤S31,判断是否存在符合要求的三大背景区域;
步骤S32,若不存在,则裁除样本图像中最顶端像素高度的图像并再次判断;若存在,则对背景区域进行区域连通标记;
步骤S33,根据面积大小对背景区域排序,找到面积最大的三片区域;
步骤S34,提取三大区域的轮廓点;
步骤S35,对每一个前景像素点,计算该点到三大区域轮廓点最短距离的平方和,作为三向距离;
优选地,步骤S6中,采用基于自定义聚类的主轴识别算法,具体包括如下步骤:
步骤A,样本分割:
根据剑叶节点位置,将样本图像分为三部分;
步骤B,单股穗叶主轴识别:
步骤B1,在样本图像中随机分配k个初始类中心;
步骤B2,对每个前景像素点,分别计算它到k个初始类中心的欧氏距离,并将其归到距离最短的类中心所在的类;
步骤B3,对于每个类中心和所有同类的像素点,计算类内所有像素点的平均坐标并作为新的类中心坐标;
步骤B4,迭代步骤B2~步骤B3过程,当类中心不再变化时,迭代结束;
步骤B5,根据得到的类中心和步骤3得到的剑叶节点,从剑叶节点出发拟合直线,作为稻穗和剑叶的轴线,并计算夹角,得到稻穗整体倾角;
步骤C,分岔稻穗主轴识别:
步骤C1,根据步骤B5得到的稻穗整体倾角,将稻穗图片旋正;
步骤C2,为保持多股稻穗的一致性,将旋正后的稻穗图片从多股稻穗间隔最大处裁剪;
步骤C3,对裁剪后的稻穗图片进行自定义聚类获取类中心:
-初始类中心在纵向等间距排列,在横向分布在稻穗边缘;
-在迭代过程中,不允许类中心的纵向坐标发生变化;
步骤C4:根据得到的类中心和步骤3得到的剑叶节点,从剑叶节点出发拟合直线,作为稻穗和剑叶的轴线,并计算夹角。
与现有技术相比,本发明具有如下的有益效果:
1、开发出专用装置,该装置便于携带,方便操作,使拍摄环境结构化,标准化,避免了现有方案(纯手机APP)使用过程中水稻未紧靠在背景纸上、背景纸与手机无法完全垂直、不同背景纸导致样本图像不同等问题,便于获得理想的样本,减少测量误差。
2、本发明识别速度快,操作快捷方便,有利于高通量在体测量剑叶夹角,提高工作效率。
3、本发明能对轴线实现精确拟合,对样本局限性较低。
4、本发明实现了自动测量多股分岔稻穗角度,弥补现有方法的缺陷。
5、本发明通过自主开发的基于三向距离场的分叉点识别算法进行图像分割,避免了稻穗、剑叶、叶柄的互相干扰,提高了测量结果的精度。
6、本发明提出的基于自定义聚类的主轴识别算法,基于统计学信息,精度高,鲁棒性强,极大降低了样本局限性,增加了夹角测量仪装置的实用性。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为现有算法中初步处理的水稻样本示意图;
图2为现有算法中骨架提取结果示意图;
图3为现有算法中得到的散岔稻穗样本示意图;
图4为本发明水稻剑叶夹角在体测量便携装置结构示意图;
图中:1为侧板,2为横梁,3为侧护板,4为托板,5为底护板,6为下侧板,7为上侧板,8为挡板,9为底板;
图5为本发明水稻剑叶夹角在体测量方法流程图;
图6为本发明空白区域标记示意图;
图7为本发明三向距离场示意图;
图8为本发明剑叶节点标记示意图;
图9为样本分割示意图;
图10为稻穗聚类结果示意图;
图11为剑叶聚类结果示意图;
图12为分叉稻穗主轴识别过程示意图,其中,(a)为分叉稻穗示意图,(b)为稻穗旋正示意图,(c)为裁剪图像示意图,(d)为初始类中心示意图,(e)为聚类结果示意图;
图13为单股穗叶拟合结果示意图;
图14为分叉穗叶拟合结果示意图。
具体实施方式
下面对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
实施例1
本实施例提供了一种水稻剑叶夹角在体测量便携装置,出于装置便携性考虑,为了减轻重量,装置由亚克力板搭接组成,装配图如图4所示,装配部件如下:
1-侧板、2-横梁、3-侧护板、4-托板、5-底护板、6-下侧板、7-上侧板、8-挡板、9-底板(可以设置为白色)以及图像处理上位机(例如小米pad)
其中:底板与侧板使用无影胶粘接并相对固定,侧板与底板间存在缝隙,用于固定水稻样本;底板为白色不透明亚克力板,使用时水稻样本紧靠于底板,底板为样本图片提供白色背景。
挡板与侧板使用无影胶粘接并相对固定,挡板用于使用时挡开其他水稻,保证成像视野中只存在目标水稻样本。
托板、横梁、侧护板、底护板使用无影胶粘接并相对固定,构成上位机固定装置,用于固定图像处理上位机。护板上有螺纹孔,使用螺栓紧固上位机,上位机用于拍摄样本图像并进行图像处理,最终在屏幕上输出夹角检测结果。
肋板使用无影胶与托板、侧板粘接,用于加强机械结构强度。
进一步地,所述图像处理上位机包括如下模块:
-图像采集模块:用于采集水稻剑叶夹角的图像样本,并发送至图像预处理模块;
-图像预处理模块:用于对图像采集模块采集到的图像样本进行预处理后得到图像样本的黑白图像,并发送至图像分割模块;
-图像分割模块:用于处理预处理后的黑白样本图像,找出剑叶节点并根据剑叶节点将样本图像分为三部分:剑叶,稻穗,叶柄,并将剑叶和稻穗图像发送给图像聚类模块;
-图像聚类模块:用于处理图像分割模块获得的剑叶图像和稻穗图像,使用聚类算法分别获得剑叶和稻穗类中心点,并发送至图像拟合模块;
-图像拟合模块:用于处理剑叶和稻穗的类中心点,分别拟合出剑叶和稻穗的轴线并最终求出水稻剑叶夹角。
进一步地,所述底板、侧板、挡板、肋板、托板、侧护板、底护板和/或横梁分别采用亚克力材质。
测量时:
①握把手板上的把手,使图像处理上位机所在平面垂直地面;
②动滑块,使待测水稻处于侧板与底板之间;
③动滑块,使待测水稻被侧板轻轻压在底板上;
④图像处理上位机拍摄图片获取样本,并通过内置图像处理模块得到水稻夹角。
实施例2
本实施例提供了一种水稻剑叶夹角在体测量方法。
在体测量方法流程如下:①采集水稻剑叶夹角图像样本;②对样本图像进行缩放、灰度化、去噪、二值化等预处理,剔除多余的背景并获得样本的黑白图像;③通过节点搜索算法找到稻穗与剑叶的分岔点,并以此为依据分割出稻穗和剑叶部分的样本图像;④测量者判断稻穗股数。若只有一股,则运行⑥;若存在多股稻穗,则运行⑤;⑤稻穗图像旋正,裁剪;⑥自定义聚类分别寻找稻穗和剑叶的类中心;⑦根据类中心拟合得到稻穗和剑叶的轴线,并计算夹角。
具体为:
如图5所示,本实施例提供的水稻剑叶夹角在体测量方法,包括如下步骤:
步骤S1,采集水稻剑叶夹角的图像样本;
步骤S2,对步骤S1采集到的图像样本进行图像预处理,剔除多余的背景并获得图像样本的黑白图像;
步骤S3,根据步骤S2中得到的黑白图像,通过节点搜索算法找到稻穗与剑叶的分岔点,并以此为依据分割出稻穗和剑叶部分的样本图像;
步骤S4,根据步骤S3中得到的样本图像,判断稻穗股数:
一若只有一股稻穗,则执行步骤S6;
-若存在多股稻穗,则执行步骤S5;
步骤S5,对样本图像进行旋正、裁剪后,执行步骤S6;
步骤S6,自定义聚类,并分别寻找稻穗和剑叶的类中心;并根据得到的类中心拟合得到稻穗和剑叶的轴线,并计算夹角。
进一步地,步骤S2中,所述图像预处理包括如下任一个或任多个过程:
图像缩放;
图像灰度化;
图像去噪;
图像二值化。
进一步地,步骤S3中,所述节点搜索算法采用基于三向距离场的优化算法,具体包括如下步骤:
步骤S31,判断是否存在符合要求的三大背景区域;
步骤S32,若不存在,则裁除样本图像中最顶端5像素高度的图像并再次判断;③若存在,则对背景区域进行区域连通标记;
步骤S33,根据面积大小对背景区域排序,找到面积最大的三片区域;
步骤S34,提取三大区域的轮廓点;
步骤S35,对每一个前景像素点,计算该点到三大区域轮廓点最短距离的平方和,作为三向距离;
基于三向距离场的剑叶节点最优化算法,其算法原理阐述如下:
获取样本图像后,首先对样本图像进行缩放、灰度化、去噪、二值化等预处理,剔除多余的背景并获得样本的黑白二值化图像,然后进行剑叶节点搜索。
稻株的叶、分蘖都是从茎的节点抽出的,其中剑叶节(Flag leaf node)是着生剑叶的部位,找到剑叶节对于样本图像的分割具有重要意义。在水稻样本中,整个背景被水稻分割成3个大片空白区域I,II,III和若干小块区域,如图6所示,我们将3个大片空白区域外一点到这3个区域的欧氏距离之和称为三向距离。而在所有前景(水稻部分)像素点中,剑叶节点(即剑叶根部与稻穗的分岔点)的三向距离最短。因此我们计算出样本的三向距离场,可视化场强如图7所示(图中场强取对数以增强对比度),并将最优点标记为剑叶节点,如图8所示。该算法利用距离场准确搜索分岔点,具有普遍意义,优化后可应用于一般植株的关键参数测量、三维建模等。场强计算公式如式1,2所示,其中为前景像素中坐标为(i,j)的像素点到面积排序为k的区域Rk的最短距离,分别为Rk中像素点的横、纵坐标,I(i,j)为场强。实际算法中为提升运算速度,对Rk提取边缘轮廓点而非所有区域内像素点进行计算。
若稻穗未触及图像边界,则只存在2个大面积背景区域。此时程序将背景区域按面积从大到小排列,若第三大背景区域面积占图像总面积小于阈值,则自动对图片进行适当裁剪。
进一步地,步骤S6中,采用基于自定义聚类的主轴识别算法,具体包括如下步骤:
步骤A,样本分割:
根据剑叶节点位置,将样本图像分为三部分;
步骤B,单股穗叶主轴识别:
步骤B1,在样本图像中随机分配k个初始类中心;
步骤B2,对每个前景像素点,分别计算它到k个初始类中心的欧氏距离,并将其归到距离最短的类中心所在的类;
步骤B3,对于每个类中心和所有同类的像素点,计算类内所有像素点的平均坐标并作为新的类中心坐标;
步骤B4,迭代步骤B2~步骤B3过程,当类中心不再变化时,迭代结束;
步骤B5,根据得到的类中心和步骤3得到的剑叶节点,从剑叶节点出发拟合直线,作为稻穗和剑叶的轴线,并计算夹角。
步骤C,分岔稻穗主轴识别:
步骤C1,根据步骤B5得到的稻穗整体倾角,将稻穗图片旋正;
步骤C2,为保持多股稻穗的一致性,将旋正后的稻穗图片从多股稻穗间隔最大处裁剪;
步骤C3,对裁剪后的稻穗图片进行自定义聚类获取类中心:①初始类中心在纵向等间距排列,横向分布在稻穗边缘②在迭代过程中,不允许类中心的纵坐标发生变化。
步骤C4:根据得到的类中心和步骤3得到的剑叶节点,从剑叶节点出发拟合直线,作为稻穗和剑叶的轴线,并计算夹角。
根据步骤B5得到的类中心和步骤3得到的剑叶节点,从剑叶节点出发拟合直线,作为稻穗和剑叶的轴线,并计算夹角。
基于自定义聚类的主轴识别算法,其算法原理阐述如下:
1样本分割
根据剑叶节点位置,整个样本图像被分为三部分:左上(①),右上(②)和下(③),如图9所示。
2单股穗叶主轴识别
要对样本轴线进行拟合,首先要获得稻穗与剑叶图像的类中心。对于单股稻穗与剑叶,本实施例通过聚类方法分别寻找类中心。实现流程如下:①在样本图像中随机分配k个初始类中心;②对每个前景像素点,分别计算它到k个初始类中心的欧氏距离,并将其归到距离最短的类中心所在的类;③对于每个类中心和所有同类的像素点,计算类内所有像素点的平均坐标并作为新的类中心坐标;④迭代②~③过程,当类中心不再变化时,迭代结束。该过程的结果是得到k个最优类中心,使所有前景像素点到各自类中心的欧氏距离(即均方差)之和最小,其目的是将几千个前景像素点简化为k个类中心,大大减少数据量,便于下一步直线拟合。聚类结果如图10、图11所示,可以看出该方法对发散严重的稻穗也能得到较好聚类结果。
3分岔稻穗主轴识别
如图12(a)所示,当测量者认为样本剑叶节点处产生多股分岔稻穗,用单一角度无法准确描述水稻性状时,执行以下步骤。
首先,根据单股稻穗主轴识别得到的稻穗整体倾角,将稻穗图片旋正,如图12(b)所示。
第二步,为保持多股稻穗的一致性,将旋正后的稻穗图片从多股稻穗间隔最大处裁剪,如图12(c)所示。
由于K-means对初始类中心敏感,容易收敛于局部最优解[15],此时若采用普通聚类方法,类中心自由迭代,最终将收敛于两股稻穗的夹缝中,因此第三步需要对聚类的过程重新定义。在自定义聚类过程中,主要添加了对类中心的限制:①初始类中心不再随机分布,而是在纵向等间距排列,横向分布在稻穗边缘,如图12(d)所示;②在迭代过程中,不允许类中心的纵坐标发生变化。该方法适用于各种植株分岔形状的夹角测量,聚类的结果如图12(e)所示,可以看出,自定义聚类的结果可以很好地代表多股稻穗。
4直线拟合
最后,根据前两步得到的类中心和搜索算法得到的剑叶节点,从剑叶节点出发拟合直线,作为稻穗和剑叶的轴线,并计算夹角。自定义类中心拟合的直线需经过一定的坐标反变换得到。如图13和图14所示,该方法对剑叶和发散严重、分岔的稻穗均能自动、准确地提取轴线。
本实施例实现了自动测量多股分岔稻穗角度,弥补现有方法的缺陷。本实施例提出的基于自定义聚类的主轴识别算法,基于统计学信息,精度高,鲁棒性强,极大降低了样本局限性,增加了夹角测量仪装置的实用性。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (8)
1.一种水稻剑叶夹角在体测量便携装置,其特征在于,包括:底板、侧板、挡板、肋板、托板、横梁、侧护板、底护板以及图像处理上位机;其中:
所述底板与侧板之间粘接并相对固定;
所述侧板与底板之间设有缝隙,用于固定水稻样本;
所述底板在工作状态下紧靠水稻样本,用于为样本图片提供背景;
所述挡板与侧板之间粘接并相对固定,其中,挡板在工作状态下用于挡开其他水稻,以保证成像视野中只存在目标水稻样本;
所述托板、侧护板、底护板以及横梁之间彼此相互粘接并相对固定,构成上位机固定装置,用于固定图像处理上位机;
所述护板上设有用于紧固图像处理上位机的紧固装置,所述图像处理上位机用于拍摄水稻样本图像并进行图像处理,最终输出夹角检测结果;
所述肋板分别与托板和侧板粘接,用于加强机械结构强度。
2.根据权利要求1所述的水稻剑叶夹角在体测量便携装置,其特征在于,所述图像处理上位机包括如下模块:
-图像采集模块:用于采集水稻剑叶夹角的图像样本,并发送至图像预处理模块;
-图像预处理模块:用于对图像采集模块采集到的图像样本进行预处理,得到图像样本的黑白图像,并发送至图像分割模块;
-图像分割模块:用于处理预处理后的黑白图像,找出剑叶节点并根据剑叶节点将样本图像分为三部分:剑叶,稻穗,叶柄,并将剑叶和稻穗图像发送给图像聚类模块;
-图像聚类模块:用于处理图像分割模块获得的剑叶图像和稻穗图像,使用聚类算法分别获得剑叶和稻穗类中心点,并发送至图像拟合模块;
-图像拟合模块:用于处理剑叶和稻穗的类中心点,分别拟合出剑叶和稻穗的轴线并最终求出水稻剑叶夹角。
3.根据权利要求1或2所述的水稻剑叶夹角在体测量便携装置,其特征在于,所述底板、侧板、挡板、肋板、托板、侧护板、底护板和/或横梁分别采用亚克力材质。
4.根据权利要求3所述的水稻剑叶夹角在体测量便携装置,其特征在于,所述底板采用不透明亚克力板;和/或
所述紧固装置采用相互适配的螺纹孔及螺栓。
5.一种水稻剑叶夹角在体测量方法,其特征在于,包括如下步骤:
步骤S1,采集水稻剑叶夹角的图像样本;
步骤S2,对步骤S1采集到的图像样本进行图像预处理,剔除多余的背景并获得图像样本的黑白图像;
步骤S3,根据步骤S2中得到的黑白图像,通过节点搜索算法找到稻穗与剑叶的分岔点,即剑叶节点,并以剑叶节点为依据分割出稻穗和剑叶部分的样本图像;
步骤S4,根据步骤S3中得到的样本图像,判断稻穗股数:
-若只有一股稻穗,则执行步骤S6;
-若存在多股稻穗,则执行步骤S5;
步骤S5,对样本图像进行旋正、裁剪后,执行步骤S6;
步骤S6,自定义聚类,并分别寻找稻穗和剑叶的类中心;并根据得到的类中心拟合得到稻穗和剑叶的轴线,并计算夹角。
6.根据权利要求5所述的水稻剑叶夹角在体测量方法,其特征在于,步骤S2中,所述图像预处理包括如下任一个或任多个过程:
图像缩放;
图像灰度化;
图像去噪;
图像二值化。
7.根据权利要求5所述的水稻剑叶夹角在体测量方法,其特征在于,步骤S3中,所述节点搜索算法采用基于三向距离场的优化算法,具体包括如下步骤:
步骤S31,判断是否存在符合要求的三大背景区域;
步骤S32,若不存在,则裁除样本图像中最顶端像素高度的图像并再次判断;若存在,则对背景区域进行区域连通标记;
步骤S33,根据面积大小对背景区域排序,找到面积最大的三片区域;
步骤S34,提取三大区域的轮廓点;
步骤S35,对每一个前景像素点,计算该点到三大区域轮廓点最短距离的平方和,作为三向距离。
8.根据权利要求5所述的水稻剑叶夹角在体测量方法,其特征在于,步骤S6中,采用基于自定义聚类的主轴识别算法,具体包括如下步骤:
步骤A,样本分割:
根据剑叶节点位置,将样本图像分为三部分;
步骤B,单股穗叶主轴识别:
步骤B1,在样本图像中随机分配k个初始类中心;
步骤B2,对每个前景像素点,分别计算它到k个初始类中心的欧氏距离,并将其归到距离最短的类中心所在的类;
步骤B3,对于每个类中心和所有同类的像素点,计算类内所有像素点的平均坐标并作为新的类中心坐标;
步骤B4,迭代步骤B2~步骤B3过程,当类中心不再变化时,迭代结束;
步骤B5,根据得到的类中心和步骤3得到的剑叶节点,从剑叶节点出发拟合直线,作为稻穗和剑叶的轴线,并计算夹角,得到稻穗整体倾角;
步骤C,分岔稻穗主轴识别:
步骤C1,根据步骤B5得到的稻穗整体倾角,将稻穗图片旋正;
步骤C2,为保持多股稻穗的一致性,将旋正后的稻穗图片从多股稻穗间隔最大处裁剪;
步骤C3,对裁剪后的稻穗图片进行自定义聚类获取类中心:
-初始类中心在纵向等间距排列,在横向分布在稻穗边缘;
-在迭代过程中,不允许类中心的纵向坐标发生变化;
步骤C4:根据得到的类中心和步骤3得到的剑叶节点,从剑叶节点出发拟合直线,作为稻穗和剑叶的轴线,并计算夹角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710644409.0A CN107507192B (zh) | 2017-07-31 | 2017-07-31 | 一种水稻剑叶夹角在体测量便携装置及在体测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710644409.0A CN107507192B (zh) | 2017-07-31 | 2017-07-31 | 一种水稻剑叶夹角在体测量便携装置及在体测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107507192A true CN107507192A (zh) | 2017-12-22 |
CN107507192B CN107507192B (zh) | 2021-05-25 |
Family
ID=60689973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710644409.0A Active CN107507192B (zh) | 2017-07-31 | 2017-07-31 | 一种水稻剑叶夹角在体测量便携装置及在体测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107507192B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111895916A (zh) * | 2020-07-14 | 2020-11-06 | 华南农业大学 | 水稻穗长测量装置及测量方法 |
CN113628185A (zh) * | 2021-08-09 | 2021-11-09 | 海南青峰生物科技有限公司 | 基于5g通讯及图像识别处理的水稻株高测量方法及装置 |
CN114002194A (zh) * | 2021-10-22 | 2022-02-01 | 安徽袁粮水稻产业有限公司 | 一种改良型水稻植株光合能力的鉴定方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101929843A (zh) * | 2010-04-09 | 2010-12-29 | 华中科技大学 | 水稻穗长的自动测量装置及测量方法 |
CN103673931A (zh) * | 2013-12-02 | 2014-03-26 | 北京农业信息技术研究中心 | 一种测量水稻剑叶角度的方法、装置及*** |
-
2017
- 2017-07-31 CN CN201710644409.0A patent/CN107507192B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101929843A (zh) * | 2010-04-09 | 2010-12-29 | 华中科技大学 | 水稻穗长的自动测量装置及测量方法 |
CN103673931A (zh) * | 2013-12-02 | 2014-03-26 | 北京农业信息技术研究中心 | 一种测量水稻剑叶角度的方法、装置及*** |
Non-Patent Citations (2)
Title |
---|
杨红云 等: "基于图像视觉的水稻茎叶夹角测量研究", 《科技通报》 * |
路文超 等: "基于Android 手机的水稻剑叶角测量***", 《农业机械学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111895916A (zh) * | 2020-07-14 | 2020-11-06 | 华南农业大学 | 水稻穗长测量装置及测量方法 |
CN111895916B (zh) * | 2020-07-14 | 2021-09-24 | 华南农业大学 | 水稻穗长测量装置及测量方法 |
CN113628185A (zh) * | 2021-08-09 | 2021-11-09 | 海南青峰生物科技有限公司 | 基于5g通讯及图像识别处理的水稻株高测量方法及装置 |
CN113628185B (zh) * | 2021-08-09 | 2024-02-13 | 海南青峰生物科技有限公司 | 基于5g通讯及图像识别处理的水稻株高测量方法及装置 |
CN114002194A (zh) * | 2021-10-22 | 2022-02-01 | 安徽袁粮水稻产业有限公司 | 一种改良型水稻植株光合能力的鉴定方法 |
CN114002194B (zh) * | 2021-10-22 | 2023-07-21 | 安徽袁粮水稻产业有限公司 | 一种改良型水稻植株光合能力的鉴定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107507192B (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alsmadi et al. | Fish recognition based on robust features extraction from size and shape measurements using neural network | |
Bao et al. | Field-based architectural traits characterisation of maize plant using time-of-flight 3D imaging | |
CN106384126B (zh) | 基于轮廓曲率特征点和支持向量机的服装款式识别方法 | |
CN111062915A (zh) | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 | |
CN101499168B (zh) | 基于脊线跟踪与海森矩阵的结构光光条中心提取方法 | |
CN104298990B (zh) | 一种基于骨架图的快速图形匹配与识别的方法 | |
Qian et al. | Calculation method of surface shape feature of rice seed based on point cloud | |
CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
CN103530590A (zh) | Dpm二维码识别*** | |
CN105574527A (zh) | 一种基于局部特征学习的快速物体检测方法 | |
CN107507192A (zh) | 一种水稻剑叶夹角在体测量便携装置及在体测量方法 | |
CN108230307B (zh) | 一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法 | |
CN107657220A (zh) | 一种基于hog特征和svm的白带霉菌自动检测方法 | |
CN115239625B (zh) | 顶盖焊点云缺陷检测方法、装置、设备及存储介质 | |
Lei et al. | An improved object detection method for mitosis detection | |
CN106886754B (zh) | 一种基于三角面片的三维场景下的物体识别方法及*** | |
Iqbal et al. | Automated Meter Reading Detection Using Inception with Single Shot Multi-Box Detector. | |
CN105184775B (zh) | 基于特征向量定向的椭球形水果尺寸快速检测方法 | |
Akbar et al. | Tumor localization in tissue microarrays using rotation invariant superpixel pyramids | |
CN102201060A (zh) | 一种基于形状语义的非参数轮廓跟踪评价方法 | |
CN109918783B (zh) | 一种智能化的制衣设计*** | |
CN104655041A (zh) | 一种附加约束条件的工业零件轮廓线多特征提取方法 | |
CN105869170A (zh) | 一种工件表面纹理图像的识别分类方法 | |
Zou et al. | Sketch-based shape retrieval using pyramid-of-parts | |
Mao et al. | An automatic detection and online quality inspection method for workpiece surface cracks based on machine vision |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |