CN115187788A - 一种基于机器视觉的农作物种子自动计数方法 - Google Patents
一种基于机器视觉的农作物种子自动计数方法 Download PDFInfo
- Publication number
- CN115187788A CN115187788A CN202210558202.2A CN202210558202A CN115187788A CN 115187788 A CN115187788 A CN 115187788A CN 202210558202 A CN202210558202 A CN 202210558202A CN 115187788 A CN115187788 A CN 115187788A
- Authority
- CN
- China
- Prior art keywords
- image
- seed
- seeds
- size
- pixel
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器视觉的农作物种子自动计数方法,用于机器视觉农业生产场景下的种子自动计数,为农作物千粒重称量、农业生产场景下种子计数提供技术手段。包括如下步骤:步骤1.种子图像预处理;步骤2.种子图像分割;步骤3.种子轮廓检测和步骤4种子自动计数;其中:步骤1对输入图像进行灰度转换以及高斯模糊降噪处理;步骤2使用改进的自适应阈值边缘检测算子对图像进行处理得到一个二值图像;步骤3通过边界跟踪算法,提取分割种子轮廓,并对叠加在一起的种子进行处理以识别单个种子与多个种子;步骤4用正态分布函数拟合轮廓尺寸分布,以预定置信区间内轮廓样本的平均尺寸作为标准种子尺寸来计算种子数。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种基于机器视觉的农作物种子自动计数方法。
背景技术
农作物种子计数及重量计量是衡量种子质量的关键指标,计算农作物种子颗粒的千粒重指标时,对农作物种子颗粒精确计数直接影响着最终计量的准确性。人工计数耗费人力且效率低、准确性差。目前市面上已有多种自动化的农作物种子计数方法,主要以光电管计数技术为主,但同样存在成本高、精度差的问题。
为此,本发明提出了一种基于机器视觉的农作物种子自动计数方法,在统计农作物种子的颗粒数目时,计数精度较高,抗干扰能力强,耗时非常短,在农业生产现代化领域有着较高的实用价值。
发明内容
为实现本发明之目的,采用以下技术方案予以实现:
一种基于机器视觉的农作物种子自动计数方法,包括如下步骤:步骤1.图像预处理;步骤2.图像分割;步骤3.种子轮廓检测与种子叠加处理,和步骤4.种子自动计数;其中:步骤1对输入图像进行灰度转换以及高斯模糊降噪处理;步骤2使用改进的自适应阈值边缘检测算子对图像进行处理得到一个二值图像;步骤3通过边界跟踪算法,提取分割轮廓,并识别出多个种子颗粒叠加的部分;步骤4用正态分布函数拟合轮廓尺寸分布,以预定置信区间内轮廓样本的平均尺寸作为标准种子尺寸来计算种子数。
所述的基于机器视觉的种子计数方法,其中:步骤1图像预处理包括:
(1)将输入的BGR通道图像转化为灰度图像;
(2)使用二维高斯滤波消除图像高斯噪声,将灰度图像的所有5×5像素矩阵与5×5的高斯核进行卷积,得到噪声消除后的灰度图像,其中,二维高斯核表示为:
其中σ是分布的标准差,x和y是位置索引。
所述的基于机器视觉的种子计数方法,其中:σ=1.4,高斯滤波器的内核如公式所示。
所述的基于机器视觉的种子计数方法,其中:步骤2使用自适应阈值的多级边缘检测算法检测图像边缘信息包括:
(1)输入步骤1预处理后的灰度图像,通过拉普拉斯算子计算出该图像中每个像素点的梯度大小和梯度方向,拉普拉斯算子的公式如下:
梯度值计算公式为:
梯度方向为:
3×3的拉普拉斯模板窗口表示为:
(2)进行非极大值抑制,将当前像素的边缘强度与像素在正梯度和负梯度方向上的边缘强度进行比较,如果当前像素的边缘强度最大;保留边缘强度的值,如果不是,则抑制该值:
pgrad=max{agrad,bgrad,pgrad}
其中a和b是边上某一像素p正负梯度方向上相邻的两个像素点;
(3)自适应双阈值检测,首先通过最大梯度值像素的梯度差分值确定高阈值比率,G(i)max为最大梯度值像素,diff(i)为图像像素梯度差分直方图中,梯度值为i处的像素个数差分值,表示直方图中i比i-1梯度幅值处多出的像素数量,高阈值比率的计算公式为:
通过输入的灰度图像中最大灰度值和高阈值比率得到高阈值:
THh=max(img)*THhRatio
通过高阈值计算低阈值:
THl=THh/3
得到自适应高低阈值后,将图像中的像素梯度值逐一与阈值进行比较:如果梯度值高于高阈值,则将该像素设为1,如低于低阈值,则设为0;如果梯度值介于高低阈值之间,则寻找相邻像素,如果存在像素梯度值高于高阈值,则设为1,否则设为0。由此得到一个由0、1组成的二值图像,1即为轮廓。
所述的基于机器视觉的种子计数方法,其中:轮廓检测单元,使用边界跟踪算法,包括:
(1)输入由图像分割单元处理后得到的一个二值图像,从左到右,从上到下依次扫描网格中的像素,找到第一个之前未被扫描过的黑色像素;
(2)以该黑色像素为起始点,围绕顺时针方向扫描周边相邻像素,如果扫描出新的黑色像素,则将该像素设置为新的起始点,继续扫描周边相邻像素;如果周边没有黑像素,则放弃当前的起始点,回到步骤1;
(3)当新的起始点和一开始的起始点重合,说明轮廓已经连通,将轮廓数加1,计算轮廓中的像素数量得到该轮廓尺寸,再重复步骤1-3,如此直到输入图像中所有黑色像素都遍历完成。
所述的基于机器视觉的种子计数方法,其中:步骤4包括:
(1)计算种子标准尺寸:对轮廓尺寸数据进行正态分布拟合,一维正态分布的概率密度函数为:
其中,μ为一个位置参数、σ为尺度参数、x为样本值,即轮廓尺寸;
(2)将95%置信区间内的轮廓样本的平均尺寸作为种子标准尺寸:
其中,avgsize为种子标准尺寸,splsize为样本种子尺寸,95%interval为二维正态分布95%的置信区间;
(3)将所有轮廓尺寸与种子标准尺寸相除,得到轮廓内所包含的种子数量:
附图说明
附图1是本发明种子计数***功能示意图;
附图2是本发明图像预处理单元工作的流程图;
附图3是本发明图像分割单元工作的流程图;
附图4是本发明图像轮廓检测单元工作的流程图;
附图5是本发明计数单元工作的流程图。
具体实施方式
下面结合附图1-5,对本发明的具体实施方式进行详细说明:
根据图1所示,本发明为基于机器视觉的农作物种子自动计数方法,输入为一张纯色背景下的农作物种子彩色图像,输出为图像中包含的种子数量。用于实现该方法的***包括图像预处理单元,图像分割单元、轮廓检测单元和计数单元。
其中:图像预处理单元,用于对输入的原始图像进行灰度转换,之后使用高斯模糊去除噪声;图像分割单元,使用自适应阈值的边缘检测算子对图像进行处理得到一个二值图像,0值为背景,1值为检测出的边缘;轮廓检测单元,通过边界跟踪算法,逐个扫描像素点,提取分割轮廓,计算轮廓数量和轮廓尺寸;计数单元用于根据轮廓数量和轮廓尺寸,计算得到种子数量。
图2是图像预处理单元工作流程图。此单元的功能是对图像进行初步的处理,得到一个经过去噪的灰度图像,以便对轮廓进行分割。实现方法如下:
1.首先将原始图像分为B,G,R三通道,B代表蓝色通道,G代表绿色通道,R代表红色通道。
2.将彩色图像转化为灰度图像,转换公式为:
gray=R*0.299+G*0.258+B*0.114 (1)
其中,gray表示像素的灰度值,R/G/B分别表示像素的红绿黄三通道颜色值。
3.然后对灰度图像进行二维高斯滤波。高斯滤波是机器学习中最常用的预处理方式之一,它的主要目的是消除图像中的噪点,输出过滤后的图像数据。
高斯滤波采用“核卷积”技术,此滤波器的工作原理是获取像素并计算像素的模糊值(类似于平均值,但中间有更多偏差)。将5×5的滤波器和5×5的像素矩阵做卷积运算,靠近中心像素的像素将被放大,而那些位于矩阵边缘的像素将被模糊。
二维高斯滤波器如式(2)所示:
其中σ是分布的标准差,x和y是像素的位置索引。σ的值控制高斯分布平均值周围的方差,该值决定了像素周围模糊效果的范围。σ=1.4的高斯滤波器的内核如等式(3)所示。
图3是图像分割单元工作流程图,使用自适应阈值的多级边缘检测算法分割图像。
边缘是指灰度值变化较大的像素点的集合,在图像中,用梯度来表示灰度值的变化程度和方向。
自适应阈值边缘检测算法具体内容包括:
1.计算图像的梯度大小和方向。
输入上一单元(图像预处理单元)得到的灰度图像,创建3×3的图像计算内核窗口,将该内核分别与拉普拉斯模板水平与垂直方向3×3窗口算子卷积,求得像素的水平和垂直方向梯度偏导数Gx和Gy,将Gx和Gy的平方和开方得到梯度大小。
拉普拉斯算子的公式如下:
梯度值计算公式为:
梯度方向的计算公式为:
3×3的拉普拉斯模板窗口如(7)所示,该算子可以使图像中一个较暗的区域中的一个亮点变得更亮,使图像中的各灰度值得到保留的同时,使灰度突变处的对比度得到增强,最终结果是在保留图像背景的前提下,突显出图像中小的细节信息,从而更好地获取边缘信息。
其中,Kgx,Kgy分别为像素水平和垂直方向的拉普拉斯模板窗口。
2.非极大值抑制
此步骤的目的是将梯度大小图像中的“模糊”边缘转换为“锐利”边缘。基本上,这是通过保留梯度图像中的所有局部极大值,并删除所有其他内容来实现的。其具体步骤为:
(1)首先将梯度方向θ四舍五入至最接近的45°的整数倍数方向。即,如果梯度方向为40°,可考虑在0°和45°之间做选择,由于45°和40°更接近,所以将其四舍五入至45°。
(2)将当前像素的梯度大小G与像素在正梯度和负梯度方向上的边缘强度,即梯度大小进行比较。即,如果梯度方向为北(θ=90°),则将当前像素与南北方向相邻的两个像素进行比较。
(3)如果当前像素的梯度大小最大,则保留当前像素梯度大小的值。如果不是,则抑制(即删除)该值:
pgrad=max{agrad,bgrad,pgrad} (8)
其中a和b是边上某一像素p正负梯度方向上相邻的两个像素点。
3.自适应双阈值检测
上一步得到的非最大抑制的结果并不完美,某些边缘实际上可能不是边缘,并且图像中存在一些噪点,因此需要通过双阈值检测来解决这个问题。
一般的做法是,选取特定的一高一低两个阈值THh和THl:
(1)如果某一像素的梯度值高于高阈值,则保留。
(2)如果某一像素的梯度值低于低阈值,则舍弃。
(3)如果某一像素的梯度值介于高低阈值之间,则从该像素的8邻域的寻找像素梯度值,如果存在像素梯度值高于高阈值,则保留,如果没有,则舍弃。
但是这种方法针对不同的图像需要设定不同的双阈值,而每次调节阈值极其麻烦,所以设定一个自适应阈值可以极大提高程序效率。
在实际测试中发现阈值比率而不是特定值并乘以图像中的最大像素值会对最后的结果更有帮助,因此本发明并没有直接计算自适应阈值,而是先得到一个自适应高阈值比率,将其与图像中最大灰度值像素相乘,得到高阈值THh。
高阈值THh的计算公式如下:
THh=max(img)*THhRatio (9)
其中,max(img)为图像中最大灰度值,THhRatio为高阈值比率。
高阈值和低阈值一般成倍数关系,所以再将高阈值THh除以3即可得到低阈值THl:
THl=THh/3 (10)
自适应高阈值比率是由图像中最大梯度值像素的梯度差分值零点决定的。如果最大梯度值像素的梯度差分值为0,且上一处像素和下一处像素的梯度差分值异号,则选择上一处像素和下一处像素的梯度差分值之比作为自适应高阈值比率。否则从剩下的像素中继续寻找满足条件的最大梯度值像素并计算比率。
自适应高阈值比率计算公式如下:
其中diff(i)为图像像素梯度差分直方图中,梯度值为i处的像素个数差分值,表示直方图中i比i-1梯度幅值处多出的像素数量。G(i)max为最大梯度值像素。
这样得到自适应高低阈值后,将图像中的像素梯度值逐一与阈值进行比较:如果梯度值高于高阈值,则将该像素设为1,如低于低阈值,则设为0;如果梯度值介于高低阈值之间,则寻找相邻像素,如果存在像素梯度值高于高阈值,则设为1,否则设为0。由此得到一个由0、1组成的二值图像,1即为轮廓。
图4是轮廓检测单元工作流程图。
该单元输入上一单元(图像分割单元)得到二值轮廓图像,输出图像中所有的轮廓数和每个轮廓的尺寸信息。
轮廓检测是一种应用于数字图像以提取其边界的技术。轮廓像素通常是代表图案的像素总数的一小部分,当在轮廓上而不是在整个图案上运行特征提取算法时,计算量大大减少。由于轮廓与原始模式共享许多特征,在轮廓上而不是在原始模式上执行特征提取过程时,效率会更高。
边界跟踪是轮廓检测的常用方法之一,用于区域已分出(二值或已标注),但边界未知的情况。边界跟踪的实现方法为:
1.输入由图像分割单元处理后得到的一个二值图像,从左到右,从上到下依次扫描网格中的像素,找到第一个之前未被扫描过的黑色像素。
2.以该黑色像素为起始点,围绕顺时针方向扫描周边相邻像素。如果扫描出新的黑色像素,则将该像素设置为新的起始点,继续扫描周边相邻像素;如果周边没有黑像素,则放弃当前的起始点,回到步骤1。
3.当新的起始点和一开始的起始点重合,说明轮廓已经连通,将轮廓数加1,计算轮廓中的像素数量得到该轮廓尺寸。再重复步骤1-3,如此直到输入图像中所有黑色像素都遍历完成。
图5是计数单元工作流程图。
这一单元通过上一单元输出的轮廓数量和轮廓尺寸,对图像中的种子进行计数,具体步骤为:
1.计算种子标准尺寸。首先使用正态分布函数拟合上一单元得到的轮廓尺寸,这样可以得到轮廓尺寸的集中区间。正态分布是应用最广泛的一种连续型分布,一维正态分布的概率密度函数为:
其中,μ为一个位置参数、σ为尺度参数、x为样本值,即轮廓尺寸。
选取置信度为95%的置信区间内的轮廓数据样本作为实际样本,因为在该区间以外的点我们可以将其视作“小概率事件”,即在现实中几乎不可能发生的事件,这样就可以避免异常点的干扰,这里的异常点是指尺寸过小(噪音点)或尺寸过大(成片大连通域)的轮廓。通过求得实际样本平均尺寸,可以得到一粒种子的标准尺寸。
种子标准尺寸的计算公式为:
其中,avgsize为种子标准尺寸,splsize为样本种子尺寸,95%interval为二维正态分布95%的置信区间。
2.计算种子数量。将每一个轮廓的尺寸与种子尺寸相除,结果向上取整,得到轮廓中所包含的种子数,将每一个轮廓的种子数累加起来,即可计算出图像中的种子总数量,将其显示在分割后的图像中。
计算n个轮廓中种子数量的公式为:
总体来说,本发明基于自适应阈值边缘分割机器视觉方法对种子图像进行检测,使用自适应阈值的边缘检测和边界跟踪算法,通过降噪处理与双阈值的合理设置,在保留原始图像轮廓信息的同时,又能减少其他噪声信息的干扰,在此基础上,通过轮廓尺寸与标准种子尺寸的比较,计算轮廓中所包含的种子数量。与通过深度学习进行目标检测的方式相比,该方法不需要浪费大量时间进行训练图像的人工标注和模型训练,同时运行效率也比深度学习的方法高得多,能够更好地满足即时计算的要求,更重要的一点是,由于需要大规模标注样本进行模型训练,目前深度学习对于小目标检测的准确度还很低,因此本方法可以在更快的时间内更精确地计算出图像中的种子数量;与人工、光电管以及称重这几种计数方式相比,本方法只需要通过图像即可得到种子数量,节省了大量成本,技术精度完全可以是满足实际要求,也更为方便快捷,有利于将该方法向农业从业者和研究人员推广。
Claims (2)
1.一种基于机器视觉的农作物种子自动计数方法,包括如下步骤:步骤1.图像预处理;步骤2.图像分割;步骤3.种子轮廓检测,和步骤4.种子自动计数;其特征在于:步骤1对输入图像进行灰度转换以及高斯模糊降噪处理;步骤2使用改进的自适应阈值边缘检测算子对图像进行处理得到一个二值图像;步骤3通过边界跟踪算法,提取分割轮廓,并识别出多个种子颗粒叠加的部分;步骤4用正态分布函数拟合轮廓尺寸分布,以预定置信区间内轮廓样本的平均尺寸作为标准种子尺寸来计算种子数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210558202.2A CN115187788A (zh) | 2022-05-21 | 2022-05-21 | 一种基于机器视觉的农作物种子自动计数方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210558202.2A CN115187788A (zh) | 2022-05-21 | 2022-05-21 | 一种基于机器视觉的农作物种子自动计数方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115187788A true CN115187788A (zh) | 2022-10-14 |
Family
ID=83514251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210558202.2A Pending CN115187788A (zh) | 2022-05-21 | 2022-05-21 | 一种基于机器视觉的农作物种子自动计数方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115187788A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197072A (zh) * | 2023-09-07 | 2023-12-08 | 石家庄铁道大学 | 基于机器视觉的物体自动计数方法 |
-
2022
- 2022-05-21 CN CN202210558202.2A patent/CN115187788A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197072A (zh) * | 2023-09-07 | 2023-12-08 | 石家庄铁道大学 | 基于机器视觉的物体自动计数方法 |
CN117197072B (zh) * | 2023-09-07 | 2024-04-05 | 石家庄铁道大学 | 基于机器视觉的物体自动计数方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及*** | |
CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及*** | |
CN111340824B (zh) | 一种基于数据挖掘的图像特征分割方法 | |
CN109035273B (zh) | 一种免疫层析试纸卡的图像信号快速分割方法 | |
CN112750106B (zh) | 一种基于非完备标记的深度学习的核染色细胞计数方法、计算机设备、存储介质 | |
CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
CN112614062B (zh) | 菌落计数方法、装置及计算机存储介质 | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
CN110309806B (zh) | 一种基于视频图像处理的手势识别***及其方法 | |
CN114549981A (zh) | 一种基于深度学习的智能巡检指针式仪表识别及读数方法 | |
CN111882561A (zh) | 一种癌细胞识别诊断*** | |
CN114882040B (zh) | 一种基于模板匹配的污水处理检测方法 | |
CN114037691A (zh) | 一种基于图像处理的碳纤维板裂纹检测方法 | |
Srinivas et al. | Remote sensing image segmentation using OTSU algorithm | |
CN113344810A (zh) | 基于动态数据分布的图像增强方法 | |
CN112017109A (zh) | 一种在线铁谱视频图像气泡的消除方法 | |
CN115187788A (zh) | 一种基于机器视觉的农作物种子自动计数方法 | |
CN113850792A (zh) | 一种基于计算机视觉的细胞分类计数方法及*** | |
CN111815542B (zh) | 一种树木年轮图像髓心定位、年轮测量方法 | |
CN117496532A (zh) | 基于0cr的智慧识别工具 | |
CN113052234A (zh) | 一种基于图像特征和深度学习技术的玉石分类方法 | |
Zhao et al. | An effective binarization method for disturbed camera-captured document images | |
CN112184696A (zh) | 一种细胞核和细胞器计数及其面积计算方法与*** | |
Tabatabaei et al. | A novel method for binarization of badly illuminated document images | |
Khan et al. | Shadow removal from digital images using multi-channel binarization and shadow matting |
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 |