基于深度学习的高精度种子发芽率测定方法、系统及装置制造方法及图纸

本发明专利技术公开一种基于深度学习的高精度种子发芽率测定方法、系统及装置，方法包括：通过深度学习算法检测出采集发芽种子图像中的种子区域信息，分割及二值化处理得到种子的连通域信息，根据种子连通域信息生成表示种子信息的椭圆信息，进一步生成种子二值化图像；分别分割出芽二值化图像及根二值化图像，结合种子二值化图像形成目标二值化图像，分析两两种子之间是否存在粘连，进而得到种子总数量，根据芽端点信息与种子轮廓信息，得到候选发芽种子；进一步分析根部拓扑结构，得到正常发芽种子数量，计算得到种子发芽率。本方法解决了种子放置密度高时存在的种子粘连以及种子特征损失造成的误检、漏检等问题，大大提高种子发芽率检测的准确性。芽率检测的准确性。芽率检测的准确性。

【技术实现步骤摘要】
基于深度学习的高精度种子发芽率测定方法、系统及装置


[0001]本专利技术涉及图像处理
，尤其涉及一种基于深度学习的高精度种子发芽率测定方法、系统及装置。

技术介绍

[0002]种子发芽率是指种子在适宜的光照和温度条件下长成正常幼苗的种子数量与共发芽种子总数的比值，能够在一定程度上反映种子的活力；同时也是种子质量检验的重要指标之一，精确的测定种子发芽率可合理、准确的指导单位面积的播种量，对农业生产具有重要的指导意义。目前发芽率的检测通常是在培养箱中进行，根据不同的作物选择合适的发芽床（穴盘、纸床、沙床）并且设置适宜的温度和光照条件，发芽结束后通过人工统计正常幼苗的数量，但此方法不仅费时费力而且存在不同检验人员间出现计数误差等问题，同时由于发芽盒或培养皿中种子放置密度过高出现种子间相互粘连等现象，以及种子在发芽过程中易存在发霉等问题，造成种子特征信息损失，出现种子误检、漏检等问题。
[0003]随着深度学习技术的快速发展，将深度学习算法应用于种子发芽率的测定可快速准确的计算种子发芽率，实现种子发芽率测定的自动化与智能化，减少人工计数误差，同时可有效减少种子误检、漏检等问题，大大提高了种子发芽率测定的准确率。

技术实现思路

[0004]本专利技术针对现有技术中的缺点，提供了一种基于深度学习的高精度种子发芽率测定方法、系统及装置。
[0005]为了解决上述技术问题，本专利技术通过下述技术方案得以解决：一种基于深度学习的高精度种子发芽率测定方法，包括以下步骤：通过深度学习算法检测原始发芽种子图像的种子区域信息；基于种子区域信息，通过二值化分割和形态学分析，得到各个种子区域的连通域信息，基于连通域信息的最小外接椭圆表示种子信息，进而得到种子二值化图像；对原始发芽种子图像进行处理，分别分割出仅包含芽的芽二值化图像及仅包含根的根二值化图像；基于种子二值化图像、芽二值化图像及根二值化图像，得到目标二值化图像，进而得到仅包含芽的芽轮廓集、仅包含根的根轮廓集及仅包含种子的种子轮廓集；基于种子轮廓集并分析两两种子之间是否存在粘连，进而得到种子总数量，基于芽轮廓集确定芽端位置和芽端数量，根据种子轮廓集与芽端位置，确定候选发芽种子；基于根二值化图像与种子二值化图像，结合候选发芽种子，分析根部拓扑结构，确定正常发芽种子数量；根据种子总数量及正常发芽种子数量，得到种子发芽率。
[0006]作为一种可实施方式，所述通过深度学习算法检测原始发芽种子图像的种子区域信息，包括以下步骤：
所述对原始发芽种子图像数据集中的原始发芽种子图像中种子区域进行标注，标注完成后划分为训练集、测试集和验证集；基于训练集、测试集和验证集对种子检测预训练模型进行训练、测试及验证，得到种子检测模型；基于所述种子检测模型对原始发芽种子图像进行检测，得到种子区域信息。
[0007]作为一种可实施方式，所述基于种子区域信息，通过二值化分割和形态学分析，得到各个种子区域的连通域信息，基于连通域信息的最小外接椭圆表示种子信息，进而得到种子二值化图像，包括以下步骤：基于所述种子区域信息，对种子区域进行裁剪，裁剪后的种子区域图像进行二值化处理，得到二值化种子区域图像；提取二值化种子区域图像中最大连通域的最小外接椭圆，并依次求取所有种子最小外接椭圆；计算所有种子最小外接椭圆的平均面积值，将低于平均面积值的最小外接椭圆扩大，将高于平均面积值的最小外接椭圆缩小，得到处理后的椭圆信息，其中，所述椭圆信息即为种子信息；将椭圆信息依次画至空白图像，得到种子二值化图像。
[0008]作为一种可实施方式，所述对原始发芽种子图像进行处理，分别分割出仅包含芽的芽二值化图像及仅包含根的根二值化图像，包括以下步骤：将原始种子发芽图像从RGB空间图像转化为HSV空间图像，在RGB空间分离得到第一绿色通道图像、第一白色通道图像及第一背景图像，在HSV空间分离得到第二绿色通道图像、第二白色通道图像及第二背景图像；将第一白色通道图像和第二白色通道图像取并集，将第一绿色通道图像和第二绿色通道图像取并集，得到仅包含芽的芽二值化图像和仅包含根的根二值化图像。
[0009]作为一种可实施方式，所述基于种子二值化图像、芽二值化图像及根二值化图像，得到目标二值化图像，进而得到仅包含芽的芽轮廓集、仅包含根的根轮廓集及仅包含种子的种子轮廓集，包括以下步骤：将所述芽二值化图像、根二值化图像、种子二值化图像进行相加，组成目标二值化图像，得到目标二值化图像轮廓集，遍历轮廓集并填充0值，得到单连通域目标图像；分别由芽二值化图像、根二值化图像、种子二值化图像减去单连通域目标图像，得到仅包含芽的芽轮廓集、仅包含根的根轮廓集及仅包含种子的种子轮廓集。
[0010]作为一种可实施方式，基于种子轮廓集并分析两两种子之间是否存在粘连，进而得到种子总数量，包括以下步骤：遍历所述种子轮廓集并计算每一轮廓面积，若轮廓面积都小于平均面积值的1.3倍，则种子轮廓集的总数为种子总数量；若轮廓面积大于平均面积值的1.3倍，则当前种子轮廓内存在粘连种子；提取存在粘连种子的种子轮廓的凹点数量，所述种子轮廓内包含的粘连种子数量为凹点数量的一半；若粘连种子数量为2，以两凹点切割分离种子；若粘连种子数量大于2，计算任意两凹点所构成直线与另外两凹点所构成直线的交点，若交点不位于四个凹点所围成的四边形
内，则分别由两直线所在的凹点切割轮廓分离种子，得到种子总数量。
[0011]作为一种可实施方式，所述基于芽轮廓集确定芽端位置和芽端数量，根据种子轮廓集与芽端位置，确定候选发芽种子，包括以下步骤：基于芽轮廓集，获取芽端位置及芽端数量，根据芽端数量计算出芽数量，进一步通过芽数量确定发芽种子数量，未发芽种子数量等于种子总数量减去发芽种子数量；基于芽端点位置，结合种子轮廓集中各轮廓，通过距离计算以及数据筛选，确定候选发芽种子。
[0012]作为一种可实施方式，基于根二值化图像与种子二值化图像，结合候选发芽种子，分析根部拓扑结构，确定正常发芽种子数量，包括以下步骤：基于所述根二值化图像与种子二值化图像，进行相加得到包含种子与根的第一二值化图像；提取种子最小外接圆圆心以及半径，以最小外接圆圆心为圆心，最小外接圆半径的1.5倍为半径，在第一二值化图像上画边界圆；基于第一二值化图像，分析根部拓扑结构，若有一根由种子发出且穿过边界圆，则判定候选发芽种子为正常发芽种子。
[0013]作为一种可实施方式，所述根据种子总数量及正常发芽种子数量，得到种子发芽率，包括以下步骤：基于种子根部拓扑结构分析后得到正常发芽种子数量；基于正常发芽种子数量及种子总数量，得到种子发芽率。
[0014]作为一种可实施方式，所述二值化分割，包括以下步骤：原始种子发芽图像中灰度级的概率表示如下：其中，n
i
表示灰度级i的像素数量，p
i
为概率；预设自适应二值化处理的二值化阈值为k，则灰度小于k的概率p
a
(k)表示如下：p
a
(k)平均灰度m
a
(k)表示如下：则本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的高精度种子发芽率测定方法，其特征在于，包括以下步骤：通过深度学习算法检测原始发芽种子图像的种子区域信息；基于种子区域信息，通过二值化分割和形态学分析，得到各个种子区域的连通域信息，基于连通域信息的最小外接椭圆表示种子信息，进而得到种子二值化图像；对原始发芽种子图像进行处理，分别分割出仅包含芽的芽二值化图像及仅包含根的根二值化图像；基于种子二值化图像、芽二值化图像及根二值化图像，得到目标二值化图像，进而得到仅包含芽的芽轮廓集、仅包含根的根轮廓集及仅包含种子的种子轮廓集；基于种子轮廓集并分析两两种子之间是否存在粘连，进而得到种子总数量，基于芽轮廓集确定芽端位置和芽端数量，根据种子轮廓集与芽端位置，确定候选发芽种子；基于根二值化图像与种子二值化图像，结合候选发芽种子，分析根部拓扑结构，确定正常发芽种子数量；根据种子总数量及正常发芽种子数量，得到种子发芽率。2.根据权利要求1所述的基于深度学习的高精度种子发芽率测定方法，其特征在于，所述通过深度学习算法检测原始发芽种子图像的种子区域信息，包括以下步骤：所述对原始发芽种子图像数据集中的原始发芽种子图像中种子区域进行标注，标注完成后划分为训练集、测试集和验证集；基于训练集、测试集和验证集对种子检测预训练模型进行训练、测试及验证，得到种子检测模型；基于所述种子检测模型对原始发芽种子图像进行检测，得到种子区域信息。3.根据权利要求1所述的基于深度学习的高精度种子发芽率测定方法，其特征在于，所述基于种子区域信息，通过二值化分割和形态学分析，得到各个种子区域的连通域信息，基于连通域信息的最小外接椭圆表示种子信息，进而得到种子二值化图像，包括以下步骤：基于所述种子区域信息，对种子区域进行裁剪，裁剪后的种子区域图像进行二值化处理，得到二值化种子区域图像；提取二值化种子区域图像中最大连通域的最小外接椭圆，并依次求取所有种子最小外接椭圆；计算所有种子最小外接椭圆的平均面积值，将低于平均面积值的最小外接椭圆扩大，将高于平均面积值的最小外接椭圆缩小，得到处理后的椭圆信息，其中，所述椭圆信息即为种子信息；将椭圆信息依次画至空白图像，得到种子二值化图像。4.根据权利要求1所述的基于深度学习的高精度种子发芽率测定方法，其特征在于，所述对原始发芽种子图像进行处理，分别分割出仅包含芽的芽二值化图像及仅包含根的根二值化图像，包括以下步骤：将原始种子发芽图像从RGB空间图像转化为HSV空间图像，在RGB空间分离得到第一绿色通道图像、第一白色通道图像及第一背景图像，在HSV空间分离得到第二绿色通道图像、第二白色通道图像及第二背景图像；将第一白色通道图像和第二白色通道图像取并集，将第一绿色通道图像和第二绿色通道图像取并集，得到仅包含芽的芽二值化图像和仅包含根的根二值化图像。
5.根据权利要求1所述的基于深度学习的高精度种子发芽率测定方法，其特征在于，所述基于种子二值化图像、芽二值化图像及根二值化图像，得到目标二值化图像，进而得到仅包含芽的芽轮廓集、仅包含根的根轮廓集及仅包含种子的种子轮廓集，包括以下步骤：将所述芽二值化图像、根二值化图像、种子二值化图像进行相加，组成目标二值化图像，得到目标二值化图像轮廓集，遍历轮廓集并填充0值，得到单连通域目标图像；分别由芽二值化图像、根二值化图像、种子二值化图像减去单连通域目标图像，得到仅包含芽的芽轮廓集、仅包含根的根轮廓集及仅包含种子的种子轮廓集。6.根据权利要求1或5所述的基于深度学习的高精度种子发芽率测定方法，其特征在于，基于种子轮廓集并分析两两种子之间是否存在粘连，进而得到种子总数量，包括以下步骤：遍历所述种子轮廓集并计算每一轮廓面积，若轮廓面积都小于平均面积值的1.3倍，则种子轮廓集的总数为种子总数量；若轮廓面积大于平均面积值的1.3倍，则当前种子轮廓内存在粘连种子；提取存在粘连种子的种子轮廓的凹点数量，所述种子轮廓内包含的粘连种子数量为凹点数量的一半；若粘连种子数量为2，以两凹点切割分离种子；若粘连种子数量大于2，计算任意两凹点所构成直线与另外两凹点所构成直线的交点，若交点不位于四个凹点所围成的四边形内，则分别由两直线所在的凹点切割轮廓分离种子，得到种子总数量。7.根据权利要求1所述的基于深度学习的高精度种子发芽率测定方法，其特征在于，所述基于芽轮廓集确定芽端位置和芽端数量，根据种子轮廓集与芽端位置，确定候选发芽种子，包括以下步骤：基于芽轮廓集，获取芽端位置及芽端数量，根据芽端数量计算出芽数量，进一步通过芽数量确定发芽种子数量，未发芽种子数量等于种子总数量减去发芽种子数量；基于芽端点位置，结合种子轮廓集中各轮廓，通过距离计算以及数据筛选，确定候选发芽种子。8.根据权利要求1所述的基于深度学习的高精度种子发芽率测定方法，其特征在于，基于根二值化图像与种子二值化图像，结合候选发芽种子，分析根部拓扑结构，确定正常发芽种子数量，包括以下步骤：基于所述根二值化图像与...

【专利技术属性】
技术研发人员：陈渝阳，徐宏利，周希杰，张煜，赵飞，
申请(专利权)人：浙江托普云农科技股份有限公司，
类型：发明
国别省市：