一种基于机器视觉的种子计数和尺寸测量方法技术

本发明专利技术的目的是提供一种基于机器视觉的种子计数和尺寸测量方法，该方法包括：获取多个种子图像；使用基于缺陷的粘连种子检测方法检测出粘连的种子的图像；使用基于缺陷计算和交点修正的粘连种子分割算法将粘连的种子图像分割为单个种子图像；根据单个种子图像计算种子个数和每个种子的尺寸信息。本发明专利技术能够批量、精确的检测种子数量和尺寸，解决种子测量难的问题。难的问题。难的问题。

【技术实现步骤摘要】
一种基于机器视觉的种子计数和尺寸测量方法


[0001]本专利技术涉及计算机视觉
，具体涉及一种基于机器视觉的种子计数和尺寸测量方法。

技术介绍

[0002]随着全球经济气候等变化，粮食安全越来越成为国家安全的重要因素，种子是保障粮食安全的重要基础。种子的表型性状的测量是育种研究中的关键环节，而种子尺寸和粒型又是重要的表型性状。对于较小尺寸的种子(如水稻、玉米、小麦等)，精度的要求较高，测量起来难度较大。当前常用的种子识别统计方式有人工测量和仪器测量，人工测量通常使用卡尺进行测量，效率低，耗时费力，而且结果易受主观因素影响，而自动化测量仪器往往价格昂贵、维护成本高，且由于体积大的缘故，难以实现室外考种，仪器也存在卡种问题，考种时容易导致不同株系间混种。基于图像识别或机器视觉的种子尺寸测量的方法，是一种低成本、方便的考种方式，但容易受到图像背景、种子粘连物、摆放方式和光线等因素的影响。

技术实现思路

[0003]本专利技术的目的是提供一种基于机器视觉的种子计数和尺寸测量方法，该方法能够批量、精确的检测种子数量和尺寸，解决种子测量难的问题。
[0004]一种基于机器视觉的种子计数和尺寸测量方法，包括：
[0005]获取多个种子图像；
[0006]使用基于缺陷的粘连种子检测方法检测出粘连的种子的图像；
[0007]使用基于缺陷计算和交点修正的粘连种子分割算法将粘连的种子图像分割为单个种子图像；
[0008]根据单个种子图像计算种子个数和每个种子的尺寸信息。
>[0009]获取多个种子图像之后，还包括对图像进行二值化处理，具体为：
[0010]对于背景光线变化较小的图片采用固定阈值进行二值化，将种子和背景区分，通过调节参数stationaryThreshold优化二值化效果；
[0011]对于光线变化较大的图片采用自适应阈值的局部大津算法进行二值化，将灰度图像转成二值化，可根据分辨率调节domainBlock，保证domainBlock个像素容纳种子的宽，调整偏移值autoThreshold优化二值化效果。
[0012]对图像进行二值化处理之后，还包括对图像进行开运算处理，具体为：
[0013]计算比例尺ruler：获取经过二值化处理的多个种子图像中的所有外轮廓，找到像素值最大的目标，获得比例尺ruler＝输入的标尺真实长度/标尺像素；
[0014]开运算卷积核大小计算公式如下；
[0015]卷积核大小＝kaiKernel/ruler
[0016]其中，ruler为比例尺，kaiKernel为程序设置的开运算核大小。
[0017]交点和缺陷包括：
[0018]定义多个粘连的种子具备的两种特征，包括缺陷特征：种子轮廓上存在凹凸不平的区域，使用线段将该轮廓覆盖，以致凹陷消失，填平的部分就成为缺陷；
[0019]交点特征：多个种子粘连必然会形成两个不同的点，称为交点。
[0020]使用基于缺陷的粘连种子检测方法检测出粘连的种子的图像包括：
[0021]定义缺陷defect＝{start,end,deep,distance}，start为缺陷起点，end为缺陷终点，deep为缺陷最深点，distance为deep到start与end连线的距离，即缺陷距离；
[0022]轮廓为粘连种子的条件：defect_num≥ε
d
，ε
d
一般为2。
[0023]使用基于缺陷计算将粘连的种子图像分割为单个种子图像包括：
[0024]计算缺陷：寻找缺陷距离最大的缺陷最深点defect
N
.deep：
[0025][0026]寻找与点defect
N
.deep最近的缺陷最深点defect
M
.deep,定义0ρ(P1,P2)为点P1和点P2之间的欧氏距离：
[0027][0028]如果0ρ(defect
N
.deep,defect
M
.deep)>0.75
×
width∩area_avg>area*2.5area_avg是平均面积，area是当前扫描到的轮廓面积。
[0029]使用交点修正的粘连种子分割算法将粘连的种子图像分割为单个种子图像包括：
[0030]程序使用给定大小的卷积核进行交点探测，通过两轮过滤获得交点候选点；
[0031]通过卷积核扫描到的像素值矩阵的边缘像素值过滤，获取粘连种子二值化轮廓的点集points，然后以该点集中的每个点point为中心使用kernelSize
×
kernelSize的卷积核扫描得到像素值矩阵A。
[0032]进行第一轮过滤：subsequentPixel>7
÷4×
(kernelSize
‑
1)；
[0033]通过中心对称矩阵进行过滤，以defect
N
.deep为中心的使用kernelSize
×
kernelSize的卷积核扫描得到像素值矩阵B，并对矩阵进行中心对称处理B
′
：
[0034][0035]以轮廓边缘点point为中心使用kernelSize
×
kernelSize的卷积核扫描得到像素值矩阵C，使用如下公式计算像素值矩阵B
′
与C相等的值的个数equalKernel，并且进行第二轮交点过滤。
[0036][0037]其中函数ε
d
是一个与卷积核大小有关的阈值，默认值为
[0038]采用基于欧氏距离的综合过滤机制，满足如下条件则将点point
i
使用point替换：
[0039][0040]经过上述过滤后，得到交点候选点集intersectPoints，然后从交点候选点集中筛选出与点defect
N
.deep欧氏距离最小的点：
[0041][0042]根据单个种子图像计算种子个数和每个种子的尺寸信息包括：
[0043]获取经处理和分割后的种子图像中的所有轮廓，根据轮廓属性并计算种子真实的面积area、、长度length和宽度width；
[0044]判断图像为标尺、正常种子、粘连种子还是分割失败的粘连种子；
[0045]剔除标尺和分割失败的粘连种子图像，计算正常种子和粘连种子的长度、宽度和面积，计算个数和平均值；
[0046]对分割失败的粘连种子进行重新分割和计算。
[0047]判断轮廓为标尺的条件包括：
[0048]length>0.9
×
ruler
len
，其中ruler_len为输入的标尺真实长度。
[0049]判断轮廓为失败切割的粘连种子的条件包括：
[0050本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器视觉的种子计数和尺寸测量方法，其特征在于，包括：获取多个种子图像；使用基于缺陷的粘连种子检测方法检测出粘连的种子的图像；使用基于缺陷计算和交点修正的粘连种子分割算法将粘连的种子图像分割为单个种子图像；根据单个种子图像计算种子个数和每个种子的尺寸信息。2.根据权利要求1所述的一种基于机器视觉的种子计数和尺寸测量方法，其特征在于，所述获取多个种子图像之后，还包括对图像进行二值化处理，具体为：对于背景光线变化较小的图片采用固定阈值进行二值化，将种子和背景区分，通过调节参数stationaryThreshold优化二值化效果；对于光线变化较大的图片采用自适应阈值的局部大津算法进行二值化，将灰度图像转成二值化，可根据分辨率调节domainBlock，保证domainBlock个像素容纳种子的宽，调整偏移值autoThreshold优化二值化效果。3.根据权利要求2所述的一种基于机器视觉的种子计数和尺寸测量方法，其特征在于，所述对图像进行二值化处理之后，还包括对图像进行开运算处理，具体为：计算比例尺ruler：获取经过二值化处理的多个种子图像中的所有外轮廓，找到像素值最大的目标，获得比例尺ruler＝输入的标尺真实长度/标尺像素；开运算卷积核大小计算公式如下；卷积核大小＝kaiKernel/ruler其中，ruler为比例尺，kaiKernel为程序设置的开运算核大小。4.根据权利要求1所述的一种基于机器视觉的种子计数和尺寸测量方法，其特征在于，所述交点和缺陷包括：定义多个粘连的种子具备的两种特征，包括缺陷特征：种子轮廓上存在凹凸不平的区域，使用线段将该轮廓覆盖，以致凹陷消失，填平的部分就成为缺陷；交点特征：多个种子粘连必然会形成两个不同的点，称为交点。5.根据权利要求1所述的一种基于机器视觉的种子计数和尺寸测量方法，其特征在于，所述使用基于缺陷的粘连种子检测方法检测出粘连的种子的图像包括：定义缺陷defect＝{start,end,deep,distance}，start为缺陷起点，end为缺陷终点，deep为缺陷最深点，distance为deep到start与end连线的距离，即缺陷距离；轮廓为粘连种子的条件：defect_num≥ε
d
，ε
d
一般为2。6.根据权利要求1所述的一种基于机器视觉的种子计数和尺寸测量方法，其特征在于，所述使用基于缺陷计算将粘连的种子图像分割为单个种子图像包括：计算缺陷：寻找缺陷距离最大的缺陷最深点defect
N
.deep：寻找与点defect
N
.deep最近的缺陷最深点defect
M
.deep,定义0ρ(P1,P2)为点P1和点P2之间的欧氏距离：
如果0ρ(defect
N
.deep,defect
M
.deep)>0.75
×
width∩area_avg>area*2.5area_avg是平均面积，area是当前扫描到的轮廓面积。7.根据权利要求1所述的一种基于机...

【专利技术属性】
技术研发人员：谢先荣，湛浩然，毛宜军，李建裕，谭习羽，曾婉泳，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：