CN109863530A - 确定谷穗的谷粒重量 - Google Patents

Abstract

本发明涉及一种用于确定谷物茎秆的谷穗的所有谷粒的重量的方法。该方法包括在谷穗的主轴梯级视图中提供谷穗的数字图像，其中谷穗位于作为背景的参考卡的前面，并且借助于利用参考卡的比较来确定谷穗的长度。此外，该方法包括借助于模板匹配方法确定谷穗的主轴梯级数量，确定谷穗的谷粒数量，并确定谷穗的所有谷粒的重量。

Description

确定谷穗的谷粒重量

技术领域

本发明一般涉及收获产量的预测，并且特别涉及确定麦田中谷物茎秆的谷穗的所有谷粒的重量。本发明还涉及一种用于确定谷物茎秆的谷穗的所有谷粒的重量的***，以及涉及与其相关的计算机***。

背景技术

既然工业制造中的经典生产区域的自动化已经很好地进行，现在这种趋势在典型农业领域中继续存在。虽然监测技术的使用尚未成为农业生产过程的通用标准，但在该领域也取得了进展。在许多情况下，典型工业4.0技术也可以应用于农业过程和机器。但是，在该情况下，必须考虑至少一个因素：所选技术应易于管理和稳健。此外，所使用的技术必须是经济的，因为全球化导致生产作物的价格压力也在不断增加。

另一方面，现在对于在农场中使用高科技仍然存在保留意见，因为处理这些技术不是该领域的标准知识的一部分。因此，在农业企业中使用的信息技术必须允许简单和直观的操作。

取决于国家，世界上确实有几个地区已经确立了高度复杂的智能农业或数字化农业的主动性，其中一些地区的田地工作也实现了高度自动化。然而，如果可以获得简单形式且大规模地的由图像处理和信息技术支持的分析技术，则可以以相对较少的费用实现相当大的改进。这可以以已经渗透到人口日常生活中的技术形式而最有利地实施。

迄今为止，在预测农业产量方面，特别是在预测麦田产量方面，几乎没有使用定量参数。在大多数情况下，这些仍然是经验值。除了可靠的天气数据外，进一步的分析技术也有助于农民们在其作物产量方面做出高度精确的预测，以便确定最优的收获时间。通过这种方式，生产者可以利用客户购买价格波动-诸如例如农业合作社或工业大宗采购商-以便优化利润。

发明内容

因此，需要在玉米田和其它农业使用的地表中改进产量预测。本文件的主题涉及该目的。

借助于独立权利要求的主题实现本申请的目的。在从属权利要求、本说明书和附图中找到了进一步的示例。

因此，本发明的第一主题是一种用于确定谷物茎秆的谷穗的所有谷粒的重量的方法，其中该方法包括：

-在谷穗的主轴梯级视图中提供谷穗的数字图像，其中，在捕获数字图像时，谷穗位于作为背景的参考卡的前面，

-通过将谷穗的数字图像的图像像素与背景分离并借助于参考卡上的图像标记在谷穗的纵向方向中将谷穗的一端的像素坐标与谷穗的相对端的谷穗的像素坐标进行比较，确定谷穗沿谷穗的纵向轴线的长度，

-借助于模板匹配方法确定谷穗的主轴梯级数量，

-通过将所确定的主轴梯级数量乘以因子来确定谷穗的谷粒数量，以及

-通过将所确定的谷粒数量乘以校准因子来确定谷穗的所有谷粒的重量。

本发明的另一主题是一种计算机程序产品，其包括计算机可读存储介质，在该计算机可读存储介质中存储用于确定谷物茎秆的谷穗的所有谷粒的重量的程序元件，当该程序元件由处理器执行时，使处理器执行根据本发明的方法。

本发明的另一主题是一种用于确定谷物茎秆的谷穗的所有谷粒的重量的***，其中该***包括：

-接收单元，用于在谷穗的主轴梯级视图中接收谷穗的数字图像，其中，数字图像中的谷穗位于作为背景的参考卡的前面，

-测量单元，其适于通过将谷穗的数字图像的图像像素与背景分离并借助于参考卡上的图像标记在谷穗的纵向方向中将谷穗一端的像素坐标与谷穗的相对端的谷穗的像素坐标进行比较，确定谷穗沿谷穗的纵向轴线的长度，

-主轴梯级计算单元，其适于借助于模板匹配方法确定谷穗的主轴梯级数量，

-谷粒数量确定单元，其适于通过将所确定的主轴梯级数量乘以因子来确定谷穗的谷粒数量，以及

-重量确定单元，其适于通过将所确定的谷粒数量乘以校准因子来确定谷穗的所有谷粒的重量。

根据本发明的第一方面，提供了一种用于确定谷物茎秆的谷穗的所有谷粒的重量的方法。该方法包括在谷穗的主轴梯级视图中提供谷穗的数字图像，其中数字图像中的谷穗被描绘在作为背景的参考卡的前面。

该方法进一步包括通过将谷穗的数字图像的图像像素与背景分离并借助于参考卡上的图像标记在谷穗的纵向方向中将谷穗的一端的像素坐标与谷穗的相对端的谷穗的像素坐标进行比较，确定谷穗沿谷穗的纵向轴线的长度，

此外，该方法包括借助于模板匹配方法确定谷穗的主轴梯级数量，通过将所确定的主轴梯级数量乘以因子来确定谷穗的谷粒数量，以及通过将所确定的谷粒数量乘以校准因子来确定谷穗的所有谷粒的重量。

根据本发明的另一方面，提供了一种用于确定谷物茎秆的谷穗的所有谷粒的重量的***。该***包括接收单元，用于在谷穗的主轴梯级视图中接收谷穗的数字图像，其中数字图像中的谷穗位于作为背景的参考卡的前面。

该***进一步包括测量单元，该测量单元适于通过将谷穗的数字图像的图像像素与背景分离来确定谷穗沿谷穗的纵向轴线的长度。此外，测量单元适于借助于参考卡上的图像标记在谷穗的纵向方向中将谷穗一端的像素坐标与谷穗的相对端的谷穗的像素坐标进行比较。

另外，该***包括：

-主轴梯级计算单元，其被配置为使得借助于模板匹配方法确定谷穗的主轴梯级数量，

-谷粒数量确定单元，其被配置为使得通过将所确定的主轴梯级数量乘以因子来确定谷穗的谷粒数量，以及

-重量确定单元，其被配置为使得通过将所确定的谷粒数量乘以校准因子来确定谷穗的所有谷粒的重量。

应该注意，所提出的***可以作为智能手机的一部分来实施。此外，借助于高性能形式的智能手机，这里提出的方法也可以由所述智能手机完全或部分地执行。可替代地，确定谷穗的谷粒总数也可以在专门适于该目的的专用计算机、服务器计算机或任何其它计算机***上执行。

为该目的，实施例可能必须是相应的计算机程序产品的形式。该产品可以包括指令，该指令当在计算机***上执行时，执行所述方法的步骤。

所提出的用于确定谷物茎秆的谷穗的所有谷粒的重量的方法和相应的***具有一系列优点和技术效果：

作为前端，日常使用的物品-诸如智能手机-可用于改善产量预测。使用移动装置(例如带相机的移动电话)足以让农民对其玉米田进行改进的产量预测。为该目的，确定玉米田谷穗的产量潜力作为出发点可能是重要的。谷穗的仅一个或两个数字图像足以让农民对田地产量进行显著改进的预测。以参考卡的形式使用另外的日常物品不会使该方法的管理或接受更复杂。

在该过程中，谷穗可以被拾取或切断并放置在参考卡上，或者谷穗可以保留在茎秆上，并且参考卡可以简单地放置在谷穗后面。参考卡上的刻度与数字图像一起提供清晰和真实的测量标准。

可以由计算机中心提供自动测量谷穗和谷穗的谷粒重量所需的计算能力。该计算机中心可在任何所需位置处操作。农民可以使用计算机，多个农民可以一起操作计算机，或者服务提供者可以接管分析工作并提供所需的计算能力。后一种可能性是进一步有利的，因为该服务可以以云计算服务的形式提供给不同地区或多个国家的大量农民。这也可以更容易地考虑不同地区、全球以及当地的天气影响之间的相似性，或区域已知的虫害、肥料的使用、杀虫剂的使用等。

为该目的，数字图像可以经由移动网络发送到评估计算机。可以执行分析，并且可以将结果无线发送回农民或移动装置。使用传统方法，可以从谷穗的谷粒重量推断到整个田地。

在进一步改进的形式中，并且与移动装置中的高性能计算机***一起，分析也可以直接在现场执行。可以以智能手机应用软件的形式提供所需的计算算法。可替代地，专用计算单元(特殊处理器或特殊硬件)可以附加到移动装置或集成到移动装置中。

此外，将智能手机用于数字图像并非绝对必要-但是有利的。农民还可以使用传统的数码相机并以不同的形式将谷穗的数字图像发送到计算机以进行分析，例如借助于使用已知通信路线(诸如WLAN、蓝牙或其它可比的沟通手段)的有线通信技术或中继站。

谷穗的自然非恒定的主轴梯级的确定以及所确定的主轴梯级数量与每个主轴梯级的谷粒的平均因子的相乘允许简洁地确定每个谷穗的谷粒数量。这为估算田地产量提供了基础。

借助于主轴梯级视图形式的谷穗的数字图像类型-用于确定主轴梯级数的匹配方法，为进一步的处理和确定步骤提供了良好的基础。

在下文中，将描述用于确定谷物茎秆的谷穗的所有谷粒重量的建议方法的进一步实施例。

根据一个示例，该方法还包括确定谷穗的谷粒的1000个谷粒重量。该值-也称为千谷粒重(TGW)-是用于估计农业环境中的产量的常用计算值，并且指示谷物批次的1000个谷粒的重量。它可以从谷穗的谷粒重量和确定的谷穗的谷粒数量来计算。

根据该方法的有利实施例，模板匹配方法可以包括在谷穗的纵向方向中在整个谷穗上由谷穗的平均部分区域组成的所选图像模板的逐像素位移。另外，该方法可以包括在每个位移位置中图像模板与相应覆盖的谷穗部分的的相应相似度因子的相应确定。这允许相对于x-y表示的相似度因子的规则的相对最大值的出现。在表示中，表示的x方向可以是像素数或位置，并且在y方向中，可以绘制相应谷穗部分与模板的相似度值。

所选择的谷穗的部分区域可以占据谷穗平均区域的谷穗的约15-25％。另外，该实施例可以包括从x-y表示确定主轴的数量。由于模板匹配方法是来自图像处理领域的已知方法，因此可以使用传统的程序库函数和模块。在确定主轴梯级期间，使用该匹配方法提供了对照明几何形状的波动的有利准确性和鲁棒性。这是有利的，因为主轴梯级数量对谷穗的谷粒数量具有决定性的影响。谷穗的附加主轴梯级可以与4个附加谷物同义，这可以使谷穗的谷粒总数增加多至10％。因此，主轴梯级数量的最准确检测可以与建议方法的准确性同义。

根据附加特定实施例，从方法中的x-y表示中确定主轴的数量可以包括借助于简单计数确定相似度值的相对最大值的数量。该过程需要很小的计算能力，但与其它方法相比并不是最准确的，因为相似程度朝向谷穗的末端减小，并且因此最大值不如在中央谷穗区域中那样明显。

根据另一实施例，从方法中的x-y表示中确定主轴的数量可以包括从相似度值的相对最大值距彼此的距离确定平均周期长度，并通过将谷穗长度除以周期长度来确定主轴的数量。

与上述实施例相反，当前描述的实施例可以在确定主轴梯级的数量时表现出更高的准确度。原因是x-y表示中的相对最大值可以比前一实施例中更明显。这导致确定谷穗的主轴梯级数量的更高准确性。

根据有利实施例，用于确定谷穗长度的方法可以包括谷穗相对于参考卡的像素位置的变换，使得可以补偿谷穗的数字图像的倾斜透视(perspective)，并且使得谷穗的纵向轴线可以平行于参考卡的一侧。这允许更准确地检测谷穗的长度。而且，这种变换可以完全或部分地补偿由于谷穗的倾斜图像引起的失真。

根据附加有利实施例，用于确定谷穗长度的方法可以包括根据谷穗相对于参考卡的像素变换将谷穗竖立放置，使得谷穗的纵向轴线可以平行于参考卡的一侧。将谷穗竖立放置可以理解为谷穗的某种“拉直”，使得谷穗的中央轴线可以基本上平行于彼此平行的侧边缘取向。为该目的，可以利用所识别的谷穗对象拍摄图像部分并进行形态学图像操作。该过程具有为模板匹配方法提供更好条件的优点，因为在匹配方法中不再需要考虑谷穗的曲率。

根据另一有利实施例，根据BBCH代码，谷穗的发育阶段可以大于或等于60。在谷穗的早期发育阶段中，在确定谷穗的谷粒重量时可能发生主要的不准确性。经验表明，根据BBCH代码，从大于60的发育阶段开始，在确定谷粒重量时可以获得良好的准确性。

根据该方法的附加示例，参考卡的颜色值可以与例如在RGB颜色模型中的谷穗的平均颜色值形成鲜明对比。本领域普通技术人员理解也可以选择另一种颜色模型，因为颜色模型通常可以借助于简单的变换相互转换。这里建议的对比颜色值例如可以是谷穗的基本颜色成分的补色。已发现蓝色或绿蓝色是有利的。以该方式，可以容易地区分背景的像素和位于背景前面的谷穗的像素。

根据该方法的另一实施例，主轴梯级视图可以是谷穗的视图，当谷穗的纵向轴线垂直延伸时，该视图提供最小的视图区域。因此，主轴梯级视图是谷穗的视图，其构成围绕谷穗的纵向轴线旋转90°的花朵视图。以该方式，可以促进该方法的再现性。

该方法的另一有利实施例可以允许捕获要在谷穗的茎秆上或与茎秆分开执行的谷穗的数字图像。以该方式，在捕获谷穗的数字表示之前不必切断或撕掉谷穗。可以在每个位置中执行谷穗与参考卡的数字捕获。如果平行于谷穗的纵向轴线的中间平面平行于参考卡的表面延伸将是有利的。

根据该方法的另一有利实施例，参考卡的图像标记可包括至少两个图像标记。图像标记可包括至少一个刻度。例如，两个图像标记可以由图像拐角标记形成。以该方式，可以借助于图像处理方法以简洁的方式识别参考卡的拐角。

在另一有利的示例中，校准因子可以具有关于以下因子之一的至少一个依赖性：谷穗的类型、谷穗的发育阶段、天气(长期和短期)、地理位置和施肥状态。可以随时考虑进一步影响参数。

此外，实施例可以采用可以从计算机可用或计算机可读介质访问的分配的计算机程序产品的形式。该指令可以使计算机-诸如例如智能手机、服务器或两个的组合执行根据所提出的方法的处理步骤。为了本说明书的目的，计算机可用或计算机可读介质可以是包括用于与指令处理***一起存储、通信、传送或传输程序的元件的任何设备。

附图说明

应该注意，在各种类型的示例的上下文中描述了本发明的各方面。关于过程声明描述了一些示例，而在装置类型声明的上下文中描述了其它示例。然而，本领域普通技术人员将能够从以上和以下描述中理解-除非已经指出偏离-不仅可以将权利要求类型的特征彼此组合，它们还可以构成超出声明类型范围的功能组合。

以上提出的本发明的方面和另外方面源自示例和附图，其在下面进一步详细描述。

这些示例用作可能的实施形式，但不限于此，并且它们参考以下附图：

图1示出了根据本发明的方法的一个实施例的框图，该方法用于确定谷物茎秆的谷穗的谷粒总数。

图2示出了更接近实施的所提出方法的实施例的框图的第一部分。

图3示出了更接近图2的实施的建议方法的实施例的框图的第二部分。

图4示出了谷穗的抽象表示和参考卡以及位于其上的谷穗的示例。

图4a示出了谷穗的图和谷穗的主轴梯级(spindle step)的视图。

图5示出了用于确定谷穗长度的说明图。

图6示出了用于确定主轴梯级数量的互相关函数的示意图。

图7示出了用于确定谷物茎秆的谷穗的谷粒总数的***的框图。

图8示出了与根据图7的***一起的计算机***的示例的框图。

具体实施方式

在本说明书的上下文中，使用以下约定、术语和/或表达：

术语“谷物茎秆”或“谷物茎秆的谷穗”不需要进一步解释。这可以是在农田中发育的普通谷类植物。通常，谷物可以是小麦、黑麦或大麦。

术语“数字图像”描述了通常可以借助于数码相机拍摄的实际场景的数字表示。数字图像或数字图片可以由具有不同颜色值的像素组成，并且从而产生图形整体印象。

术语“谷穗的花朵(flower)视图”描述了谷穗的视图，其中谷粒清晰可见。花朵视图也可以被称为谷穗的谷粒视图，因为在该视图中谷穗的谷粒是最清晰可见的。在该视图中，芒分别主要向左和向右延伸远离谷穗。在该视图中，谷穗的视野区域(view area)是最大的。与花朵视图相比，术语“主轴梯级视图”描述了旋转90°的谷穗的视图，即谷穗的狭窄部分的视图。在该情况下，如果谷穗的纵向轴线垂直延伸，则人们正看着谷穗的较窄侧或谷穗的芒。

在本说明书的上下文中，“参考卡”是扁平对象-例如具有单色的卡-其颜色值与谷穗的颜色值明显不同。与谷穗的典型颜色值互补的颜色，例如蓝色-被发现是有利的。

术语“模板匹配方法”对于本领域普通技术人员而言是已知的，用于确定数字表示的对象的结构的方法。更详细的描述可以在例如S.Kim,J.McNames,"Automatic spikedetection based on adaptive template matching for extracellular neuralrecordings,"Journal of Neuroscience Methods 165,pp.165–174,2007中找到。

术语“发育阶段”或“发育步骤”描述了植物的自然生命周期中的阶段-这里是从播种直到收获的谷物。已经发现使用“BBCH代码”来描述植物的发育阶段是有帮助的。缩写“BBCH”正式代表“Biologische Bundesanstalt，Bundessortenamt和Chemische Industrie[联邦生物研究中心，联邦植物品种办公室和化学工业]”并描述植物的物候发育阶段。代码以00开头，并且以89结束。例如，10至19之间的BBCH代码描述了叶子的早期发育阶段。从BBCH代码60开始，植物的花出现(至多到69)。接下来的10个梯级分别描述了植物的果实发育(70-79)、种子的成熟(80-89)和死亡(90-99-一年生植物)。

图1示出了根据本发明的方法100的示例的框图，该方法用于确定谷物茎秆的谷穗的谷粒总数。该方法首先包括在谷穗的主轴梯级视图中提供谷穗的数字图像102。在捕获数字图像时，谷穗应位于作为背景的参考卡的前面。出于实际原因，参考卡优选地是与玉米穗(黄色)的典型颜色互补的颜色(例如蓝色)。

作为进一步的步骤，该方法包括通过将谷穗的数字图像的图像像素与背景分离来确定谷穗沿谷穗的纵向轴线的长度104。该分离可以有利地借助于颜色直方图过程进行。以该方式，可以将谷穗的相干(coherent)表面与参考卡的背景区分开。另外，该方法在该步骤中包括借助于参考卡上的图像标记比较沿谷穗的纵向方向在谷穗的一端的像素坐标与谷穗的相对端的谷穗的像素坐标106。以该方式，借助于位于参考卡上的刻度，可以容易地确定谷穗的长度。为该目的，仅需要彼此减去相应的y坐标。

如果谷穗的图像在确定其长度之前经受了补偿透视失真和倾斜位置的变换，则是有利的。

此后，在该方法中，可以借助于模板匹配方法执行谷穗的多个主轴梯级的确定108，然后通过将所确定的主轴梯级数量乘以指示每个主轴梯级的谷粒数量并且例如具有值4的因子来确定谷穗的谷粒数量(步骤110)。

在该方法的最后步骤中，通过将所确定的谷粒数量乘以校准因子，对谷穗的所有谷粒数量的重量执行确定112。校准因子可以考虑许多变量影响参数。通过连续地比较由该方法确定的谷粒重量和通过称重确定的谷粒重量，可以在该方法中实施连续且机器支持的学习过程。

此外，这里应当指出用于确定谷物茎秆的谷穗的谷粒总数的方法100的替代形式：根据该实施例，该过程也从制备谷粒的数字图像开始。在该情况下，在花朵视图中的谷穗的图像-即谷穗的谷粒清晰可见的视图在参考卡的前面被捕获。接下来，例如借助于颜色直方图处理通过将谷穗的数字图像的图像像素与背景分离，并借助于参考卡上的图像标记比较谷穗占据的区域，来确定谷穗的花朵视图的区域。图像标记可以是参考卡的刻度，或者构成参考卡上其它图像标记的已知距离。此后，通过将所确定的谷穗区域乘以校准因子来确定谷穗的所有谷粒的重量。已经发现，在花朵视图中谷穗的投影面积与谷穗的谷粒数量之间存在明显的直接相关性。这里使用该现象是为了简单且简洁地确定谷穗的谷粒重量。从大于60 BBHC的发育阶段开始，也可以非常有利地使用该替代方法。然而，它也适用于较低的BBHC。

图2示出了更接近实施的建议方法的实施例的框图的第一部分。首先将谷穗的数字图像208与参考卡一起接收。几何校正202还包括参考卡上的彩色区域的拐角的拐角检测204。此后，执行透视和图像部分的变换206，使得忽略具有位于其上的谷穗的彩色背景之外的区域。

以该方式获得的图像部分210由谷穗检测功能212传递。实际的谷穗检测借助于通过颜色直方图处理的分析214进行，以便彼此区分谷穗和彩色背景的像素(前景/背景分割216)。此后，识别的谷穗对象被掩盖218。在该掩盖的表示中，背景的识别的图像像素可以表示为逻辑“0”。结果220是与背景分离的谷穗的表示。

在随后的处理块中，执行谷穗预处理222。这可以包括照明和对比度优化步骤224。接下来，可以执行谷穗的变换拉直(straighten)和待处理的图像部分的进一步减少(步骤226)。可选的芒移除使得可以识别谷穗的视图(步骤227)。理想情况下，谷穗的视图是主轴梯级视图。谷穗预处理的结果228的进一步处理基于图3进行。

图3示出了更接近实施的建议方法的实施例的框图的第二部分。实际的谷穗分析302在这里进行。为该目的，首先需要几何分析304，其结果是确定309谷穗长度。将谷穗的最上面的像素与所描绘和识别的刻度或参考卡的彩色区域的已知大小进行比较-可选地借助于拐角标记-允许与到在谷穗下端的茎秆基部的下端处的茎秆基部的距离相关联地确定谷穗在纵向方向中的长度，如图5中所示。

在随后的模板匹配方法306中，以此时显示的形式，谷穗228的中间选择区域310在垂直方向中在谷穗上方沿谷穗228的垂直纵向轴线逐像素地位移。确定由模板和图像函数之间的互相关函数308在数学上确定的相应相似度因子。由于谷穗结构的周期性图案，在互相关函数308的过程中出现明显的最大值，其处于彼此的周期性距离处。在图6中示出了这种相关性分析308的结果，其产生周期长度并因此产生主轴梯级距彼此的距离。谷穗长度309与周期长度的比率提供了对主轴梯级数量的一半的准确测量，因为主轴梯级的周期性非常清晰且明显，具有不变的距离。

此后，在以该方式建立的基础上，执行谷粒分析312，确定谷粒的数量316和1000个谷粒重量314。另外，这可以借助于产量公式320对整个田地或其部分区域进行产量计算318。

图4示出了谷穗208的抽象表示和参考卡以及位于其上的谷穗208的彩色区域402的示例(其可以大于区域402；颜色未示出)。彩色区域402包括诸如刻度404的图像标记，以及例如图像拐角标记414。图像拐角标记414可以具有各种特征。

作为谷粒408的延伸，象征性地示出了芒406，其可以取决于谷粒的类型而具有变化的长度。此外，示出了另一块茎秆410，其在仅用于识别下谷穗所提出的方法中是重要的。这里所示的视图-为简单起见-是谷穗的花朵视图。其中谷穗的实际数字成像发生的主轴梯级视图是围绕谷穗的纵向轴线旋转90°的视图。

谷穗208应该以如下方式取向在参考卡的彩色区域402上，使得谷穗208的纵向轴线412尽可能接***行于彩色区域402的侧线取向。谷穗208的典型的弯曲形式可以通过谷穗208的表示的变换来调整，使得谷穗的纵向轴线实际上平行于参考卡的彩色区域402的侧线取向。参考卡通常略大于其上包含的彩色区域402，其颜色例如是蓝色。

当然，谷穗208的实际图像表示相干区域(例如，如图2中所示，220，228)。这里谷穗208的表示类型仅被理解为谷穗208相对于参考卡的取向的表示。

图4a示出了谷穗208的图(左)和谷穗的主轴梯级的视图426(右)。谷穗208的图像清楚地示出了谷穗下部区域中的不同谷粒416、418、420、422和茎秆410。因此，谷穗208的不同主轴梯级424可以以图4a右侧上的谷穗的更抽象的形式识别。

图5示出了用于确定谷穗长度的说明图500。这里，可以看出，谷穗的宽度(y轴)是针对与谷穗有关的每像素线(x轴)绘制的。每个相对最大值或靠近在一起的相对最大值的组-属于相应的主轴梯级。通过计数相对最大值或相对最大值组，可以简单地识别主轴梯级数量。借助于参考卡或通过知道单个像素或像素线的宽度，从大约线60处的谷穗的像素的开始和大约线1710处的谷穗的像素的结束确定谷穗长度502。

图6示出了用于基于模板匹配方法确定主轴梯级数量的互相关函数的说明图600。x轴示出模板(来自谷穗中部的图案)相对于模板相对于整个谷穗的相关值(相似度值)的相应位置。人们可以在图的中心识别出大约525的像素值，参见602/最大值符合(agreement)-实际上相关值为1。在该位置处，模板正好位于其原始位置。基于表示的相对最大值的距离，可以确定周期长度604，其对应于各个主轴梯级距彼此的距离。基于所确定的谷穗长度和平均确定周期长度604，也可以通过分割和舍入来计算主轴梯级数量。

图7示出了用于确定谷物茎秆的谷穗的谷粒总数的***的框图。该***包括接收单元702，用于在谷穗的主轴梯级视图中接收谷穗的数字图像。如果用于确定谷粒总数的***被集成到移动装置中，则接收单元是数字相机。在另一个实施例中，谷穗的数字图像由数码相机捕获并且可选地无线地发送到接收单元702。数字图像中的谷穗记录在作为背景的参考卡的前面。可选地，该***可以包括显示单元704。此外，该***具有测量单元706。它适于通过将谷穗的数字图像的图像像素与背景分离来确定谷穗沿谷穗的纵向轴线的长度。此外，测量单元706适于借助于参考卡上的图像标记在谷穗的纵向方向中将谷穗一端的像素坐标与谷穗的相对端的谷穗的像素坐标进行比较。

另外，该***包括：主轴梯级计算单元708，其适于借助于模板匹配方法确定谷穗的主轴梯级数量；以及谷粒数量确定单元710，其适于通过将所确定的主轴梯级数量乘以因子来确定谷穗的谷粒数量。

最后，还在***中提供重量确定单元712，其适于通过将确定的谷粒数量乘以校准因子来确定谷穗的所有谷粒的重量。

如上所述，该***可以是从数码相机(例如智能手机)接收数字图像的服务器***的一部分。另一方面，如果相应的计算能力可用，则还可以将整个***集成到移动***中，例如集成到智能手机或数码相机中。

本发明的实施例可以与几乎每种类型的计算机一起实施-特别是也可以与智能手机一起实施-独立于用于存储和执行程序代码的平台。图8示出了适于实施与所提出的方法有关的程序代码的计算机***800的示例。

计算机***800仅是合适的计算机***的示例，并且不旨在表示对在此描述的本发明的使用范围或功能的限制。相反：计算机***800适合于实施这里描述的示例的任何特征或任何功能。计算机***800包含可以与许多其它通用或专用计算机***环境和/或配置一起工作的组件。

可适用于与计算机***800一起工作的已知计算机***、环境和/或配置的示例包括但不限于平板计算机、笔记本计算机和/或其它移动计算***和/或智能手机、多处理器***、基于微处理器的***、可编程的消费电子产品或数码相机或PDA(个人数字助理)。

这里在可以由计算机***执行的指令的一般上下文中描述计算机***800。在该情况下，它也可以是由计算机***800执行的程序模块。程序模块通常包括执行指定对象或表示指定抽象数据类型的程序例程、部分程序、对象、组件、处理和/或决策逻辑、数据结构等。

如上所述，计算机***800可以以“通用”计算***的形式实施。计算机***800的组件-不限于此-包括一个或多个处理单元802(CPU)、存储器***804和***总线818，该***总线818将不同的***组件-包括主存储器804与处理器802连接。

计算机***800还包括各种计算机可读介质。这种介质包括可由计算机***800访问的所有介质。这包括易失性和非易失性介质，其可以是可移动的或整体安装的。

主存储器804还可以包括易失性存储器形式的计算机可读介质。例如，这可以是随机存取存储器(RAM)或高速缓冲存储器。计算机***800可以进一步包括可移动和不可移动的存储介质。存储***812例如能够将数据存储在不可移动存储器芯片上。存储介质可以由一个或多个数据接口连接到***总线806。如下面进一步详细描述的，存储器804可以包括至少一个计算机程序产品，其包括多个程序模块(至少一个)，该程序模块被配置或可以配置计算机***，使得本发明的实施例的功能可以被执行。

包括多个程序模块的程序可以存储在例如存储器804中，操作***、一个或多个应用程序、程序模块和/或程序数据也可以存储在存储器804中。

计算机***800可以进一步与多个外部装置通信，诸如键盘808、指向仪器(“鼠标”)810、显示器(未示出)等。这些装置可以例如组合在触敏屏幕812(触摸屏)中以便允许与计算机***800的直观交互。计算机***800还可以包括声学输入/输出装置816。此外，还可以存在另外的连接以便允许与一个或多个其它数据处理装置(调制解调器、网络连接等)通信。而且，这种通信可以经由输入/输出(I/O)接口进行。此外，计算机***800可以经由适配器经由一个或多个网络(诸如LAN(局域网)、WAN(广域网)和/或公共(移动)网络(例如互联网)进行通信。如图所示，网络适配器814可以经由***总线818与计算机***800的其它组件通信。此外，应该注意-尽管未示出-可以结合计算机***800使用其它硬件和/或软件组件。这些包括例如微代码、装置驱动器、冗余处理单元等。

此外，用于确定谷物茎秆的谷穗的所有谷粒的重量的***700可以连接到总线***818。以该方式，用于确定谷穗的所有谷粒的重量的计算机***或***700可以接收数字图像，执行重量的确定并将结果发送回移动装置。在特定实施例中，***700还可以集成到移动计算机***(例如，高性能智能手机)中。

提供本发明的各种实施例的描述是出于说明性目的。这些实施例不旨在限制本发明构思的范围。对于本领域普通技术人员来说，可以进行进一步的修改和变化而不构成与本发明的核心的偏差。

本发明可以实施为***、方法和/或计算机程序产品或其组合。该计算机程序产品可以包括计算机可读存储介质(或简称为“介质”)，该计算机可读存储介质包含计算机可读程序指令，以便使处理器实施本发明的各方面。

该介质可以基于也适用于传输的电子、磁或电磁波、红外光或半导体***。这包括固态存储器、随机存取存储器(RAM)和只读存储器(ROM)。这里描述的计算机可读程序指令可以由潜在的服务提供商经由移动网络连接或固定网络下载到相应的计算机***上。

用于实施本发明的操作的计算机可读程序指令可以包括以一种或多种编程语言的任何所需组合编写的任何类型的机器相关或机器无关指令、微代码、固件、状态设置数据、源代码或目标代码。编程语言可以是C++、Java或类似的现代编程语言或传统的过程编程语言，诸如“C”编程语言或类似的编程语言。计算机可读程序指令可以在计算机***上完全执行。在其它实施例中，电子电路(诸如例如可编程逻辑组件、现场可编程门阵列(PGA)或可编程逻辑阵列(PLA))可以使用计算机可读程序指令中的状态信息来执行指令以个性化电子电路以便执行本发明的各方面。

借助于与本发明的实施例相对应的方法、设备(***)和计算机程序产品的流程图和/或框图，在本文件中提出了本发明的各方面。应当理解，所示的流程图和/或框图中的流程图和/或框图的每个框以及框的组合可以由计算机可读程序指令实施。

可以将这些计算机可读程序指令提供给“通用计算机”或特殊计算机硬件或其它可编程数据处理装置的处理器，以便产生机器，使得由相应处理器执行的指令生成用于实施在相应的流程图和/或框图或其框中所示的功能/动作。这些计算机可读程序指令也可以存储在计算机可读存储介质上，使得它们使计算机或可编程数据处理装置能够借助于相应的处理器执行存储在介质上的指令，使得执行本文件中描述的方法的方面或动作。

Claims (15)

1.一种用于确定谷物茎秆的谷穗的所有谷粒的重量的方法，所述方法包括以下步骤：

-在所述谷穗的主轴梯级视图中提供所述谷穗的数字图像，其中，在捕获所述数字图像时，所述谷穗位于作为背景的参考卡的前面，

-通过将所述谷穗的所述数字图像的图像像素与所述背景分离并借助于所述参考卡上的图像标记在所述谷穗的纵向方向中将所述谷穗的一端的像素坐标与所述谷穗的相对端的所述谷穗的像素坐标进行比较，确定所述谷穗沿所述谷穗的所述纵向轴线的长度，

-借助于模板匹配方法确定所述谷穗的主轴梯级数量，

-通过将所确定的主轴梯级数量乘以因子来确定所述谷穗的谷粒数量，以及

-通过将所确定的谷粒数量乘以校准因子来确定所述谷穗的所有所述谷粒的所述重量。

2.根据权利要求1所述的方法，其中，所述方法还包括确定所述谷穗的所述谷粒的1000个谷粒重量。

3.根据权利要求1或2所述的方法，其中，所述模板匹配方法包括：

-在所述谷穗的纵向方向中在整个谷穗上的包括选择的所述谷穗的平均部分区域的图像模板的逐像素位移，以及所述图像模板与相应覆盖的谷穗部分的相似度因子的相应确定，从而产生x-y表示中的相对最大值，其中，所述x值表示所述图像模板的所述位移，并且所述y值表示所述相似度因子，以及

-从所述x-y表示中确定所述主轴的数量。

4.根据权利要求3所述的方法，其中，从所述x-y表示中确定所述主轴的数量包括：

-基于所述相对最大值距彼此的距离确定平均周期长度，以及

-通过将所述谷穗长度除以所述周期长度来确定所述主轴的数量。

5.根据权利要求3所述的方法，其中，从所述x-y表示中确定所述主轴的数量包括：

-确定所述相对最大值的数量。

6.根据前述权利要求之一所述的方法，其中，用于确定所述谷穗的所述长度的所述方法包括：

-变换所述谷穗的所述像素相对于所述参考卡的位置，使得补偿所述谷穗的所述数字图像的倾斜透视，并使得所述谷穗的所述纵向轴线平行于所述参考卡的一侧。

7.根据前述权利要求中的一项所述的方法，其中，用于确定所述谷穗的所述长度的所述方法包括：

-根据所述谷穗的直立位置相对于所述参考卡变换所述谷穗的像素，使得所述谷穗的所述纵向轴线平行于所述参考卡的所述一侧。

8.根据前述权利要求中的一项所述的方法，其中，根据所述BBCH，所述谷穗的发育阶段大于或等于60。

9.根据前述权利要求中的一项所述的方法，其中，所述参考卡的颜色值与颜色模型，优选地是RGB颜色模型，中的所述谷穗的平均颜色值形成鲜明对比。

10.根据前述权利要求中的一项所述的方法，其中，所述主轴梯级视图是当所述谷穗的纵向轴线在所述视野区域中延伸时提供最小视野区域的所述谷穗的视图。

11.根据前述权利要求中的一项所述的方法，其中，所述谷穗的所述数字图像的捕获在所述谷穗的所述茎秆上或与所述茎秆分开地执行。

12.根据前述权利要求中的一项所述的方法，其中，所述图像标记具有至少两个图像标记，和/或其中，所述图像标记具有至少一个刻度。

13.根据前述权利要求中的一项所述的方法，其中，所述校准因子包括关于从由类型、发育阶段、天气、地理位置和施肥状态组成的组中选择的因子之一的至少一个依赖性。

14.一种用于确定谷物茎秆的谷穗的所有谷粒的重量的***，其中，所述***包括：

-接收单元，用于在所述谷穗的主轴梯级视图中接收所述谷穗的数字图像，其中，所述数字图像中的所述谷穗位于作为背景的参考卡的前面，

-测量单元，其适于通过将所述谷穗的所述数字图像的图像像素与所述背景分离并借助于所述参考卡上的图像标记在所述谷穗的纵向方向中将所述谷穗一端的像素坐标与所述谷穗的相对端的所述谷穗的像素坐标进行比较，确定所述谷穗沿所述谷穗的所述纵向轴线的长度，

-主轴梯级计算单元，其适于借助于模板匹配方法确定所述谷穗的主轴梯级数量，

-谷粒数量确定单元，其适于通过将所确定的主轴梯级数量乘以因子来确定所述谷穗的谷粒数量，以及

-重量确定单元，其适于通过将所确定的谷粒数量乘以校准因子来确定所述谷穗的所有所述谷粒的所述重量。

15.一种计算机程序产品，包括计算机可读存储介质，其中，存储用于确定谷物茎秆的谷穗的所有所述谷粒的重量的程序元件，当所述程序元件由处理器执行时，使所述处理器执行根据权利要求1至13中的一项所述的方法。