王康,梁秀英,曾優(yōu),楊萬能
?
玉米籽粒大小特征檢測方法研究
王康,梁秀英*,曾優(yōu),楊萬能
(華中農(nóng)業(yè)大學工學院,湖北武漢430070)
提出一種自動獲取玉米籽粒大小特征和總粒數(shù)的方法:通過振動給料機實現(xiàn)玉米籽粒快速喂料,利用輸送帶和線陣相機的無偏差匹配,準確獲取玉米籽粒圖像,對籽粒圖像進行二值化、除雜、篩選、粘連籽粒分割等處理,測量玉米籽粒的粒長、粒寬和籽粒總粒數(shù)。研究了圖像處理過程中不同閾值、不同粘連籽粒處理方法對測量結(jié)果的影響。對100個樣品進行的試驗結(jié)果表明:閾值數(shù)設定為24、采用平均面積法時,測量的誤差最小,測量結(jié)果與人工測量值相比較,玉米籽??偭?shù)、粒長、粒寬的相關(guān)系數(shù)分別為0.999 3、0.900 0、0.930 0,平均相對誤差分別為0.26%、3.85%、3.63%。
玉米籽粒;大小特征;二值化;圖像處理
玉米的粒長、粒寬、圓度、周長、面積和總籽粒數(shù)是優(yōu)質(zhì)玉米種粒選育的重要參考指標[1]。傳統(tǒng)的玉米形狀參數(shù)的測量速度慢、成本高、主觀誤差較大。利用機器視覺和數(shù)字圖像處理技術(shù)獲取玉米籽粒圖像,通過對圖像的處理,自動測量玉米籽粒的形狀參數(shù),則高效快速,精度相對較高,而且節(jié)約成本[2–3]。
臧晶等[4]采用改進的Otsu算法對玉米圖像進行分割,統(tǒng)計圖像中的玉米籽粒數(shù)量;張云鶴等[5]用機器視覺技術(shù)研究開發(fā)的種子自動數(shù)粒儀,該系統(tǒng)基于美國NI 公司的軟件開發(fā)平臺LabVIEW 7.1 和圖像處理軟件包IMAQ VISION 及IMAQ PCI– 1411圖像采集卡進行軟硬件的開發(fā)。張亞秋等[6]提出基于逐步改變閾值的分水嶺變換方法,來減少圖像中籽粒過分割情況,但是過程較繁瑣,籽粒過分割率仍然較高;T.T ANABATA等[7]基于C++語言編程處理谷粒的形狀參數(shù),但處理速度較低,且對谷粒數(shù)量有所限制。
筆者提出一種自動獲取玉米籽粒大小特征和總粒數(shù)的方法:通過振動給料機實現(xiàn)玉米籽粒快速喂料,利用速度一定的輸送帶和線陣相機的無偏差匹配,實現(xiàn)玉米籽粒圖像的準確獲取,再對圖像作二值化、除雜、篩選、粘連籽粒分割等處理,測量出圖像中玉米籽粒的形狀參數(shù),包括玉米籽粒的總粒數(shù)、平均粒長、平均粒寬。在圖像處理過程中,比較了分水嶺處理法、腐蝕邊緣法、平均面積法分割圖像中的粘連籽粒的處理時間和處理精度。現(xiàn)將結(jié)果報道如下。
圖像的采集設備包括計算機、振動給料機、線陣相機、輸送帶、可編程邏輯控制器(PLC)、伺服電機及驅(qū)動器、線陣光源。如圖1所示。
1 振動給料機;2 線陣相機;3 計算機;4 線陣光源;5 伺服電動機;6 可編程控制器;7 傳送帶。
線陣相機的型號SG–11–02K40–00–R,分辨率為2048×1(達爾薩公司,加拿大);振動給料機為GZV3;線陣光源為LSL–494–40–W,480 mm(H) × 30 mm(V);歐姆龍可編程邏輯控制器;計算機內(nèi)存3.5 G,主頻3.5 GHz。振動給料機快速喂料,玉米籽粒由輸送帶輸送至線陣光源區(qū),線陣相機拍照,得到圖片,通過USB線傳送到計算機,再由LabVIEW軟件[8–10]對圖像進行處理。
2.1技術(shù)路線
圖像處理的技術(shù)路線如圖2所示。首先,應用LabVIEW將采集的玉米籽粒原始圖像轉(zhuǎn)化為二值圖像。因為小顆粒雜質(zhì)的投影面積遠小于玉米籽粒的平均面積,故采用面積差異的方法(面積法)去除圖像中的小顆粒雜質(zhì)。第二步,通過面積大小的不同,將粘連籽粒和非粘連籽粒加以區(qū)分。第三步,分別計算圖像中顆粒的等效矩形長寬之比(等效矩形邊比),利用等效矩形邊比的差異去除大顆粒雜質(zhì)。對于粘連籽粒,采用分水嶺處理法、腐蝕邊緣法、平均面積法3種分割方法進行分割。考慮到玉米籽粒粘連數(shù)量一般較少,形狀大小隨機,這些粘連籽粒分割后測量其長度、寬度的精度并不高,故將非粘連籽粒的平均粒長、平均粒寬作為整幅圖像中所有玉米籽粒平均的形狀參數(shù),圖像中玉米籽粒總粒數(shù)即為粘連籽粒分割后籽粒數(shù)1和非粘連籽粒數(shù)2之和。
圖2 玉米圖像處理的技術(shù)路線
2.2圖像處理效果
圖3–a為玉米籽粒原始圖像,將其作二值化處理后,得圖3–b,可以清楚地看到,圖像的部分邊緣及圖像中的某些區(qū)域也有像素處于閾值數(shù)之內(nèi),用視覺開發(fā)模塊中的Particle Filter3函數(shù)將其去除后,再采用面積法、等效矩形邊比法分別去除小顆粒雜質(zhì)和大顆粒雜質(zhì),處理效果如圖3–c所示。
a 原始圖像;b 二值圖像;c 去除雜質(zhì)后的圖像。
3.1閾值數(shù)誤差
由于圖像背景存在瑕疵,因此確定閾值數(shù)對圖像的處理十分重要。閾值數(shù)設定過大,會將圖像中的部分背景加以填充,視覺開發(fā)模塊會將其識別為玉米籽粒,加大測量誤差;閾值數(shù)設定過低,則會使玉米籽粒區(qū)域不能得到很好的填充,一方面導致小顆粒玉米籽粒投影面積過小而被識別為雜質(zhì)被去除,另一方面會因為填充不夠飽滿而導致粘連籽粒變?yōu)榉钦尺B籽粒,加大測量誤差。在研究過程中,應用LabVIEW軟件視覺開發(fā)模塊中Threshold函數(shù)設定閾值,程序?qū)R別閾值以內(nèi)的像素為所需的像素,即玉米籽粒。此時二值化后的圖像中有部分雜質(zhì)同樣被識別為玉米籽粒,因此,需對閾值的不同而導致的誤差加以分析,以確定最佳閾值。使用程序測出圖像中此閾值下的總粒數(shù)為1,實際測量總粒數(shù)為2,誤差率為。
從圖4–a中可以看出,閾值設定為24時,總粒數(shù)測量的誤差最小。
3.2去除小顆粒雜質(zhì)誤差
運用視覺開發(fā)模塊中的Particle Filter 3函數(shù)去除二值圖像中的邊框后,運用面積法除去小顆粒雜質(zhì)。使用視覺開發(fā)模塊中的Particle Filter 3函數(shù),設定一定的面積值,圖像中小顆粒投影面積大于的判定為玉米籽粒,保留在圖像中,投影面積小于的則判定為雜質(zhì),將其從圖像中去除。誤差分析結(jié)果如圖4–b所示,將面積值的最大值設定為850~900時,測量誤差值最小。
3.3區(qū)分圖像中籽粒類型的誤差
采用面積法區(qū)分圖像中的籽粒,使原圖像分為粘連籽粒及非粘連籽粒圖像,通過求出整幅圖像中所有玉米籽粒的平均投影面積,并將此值乘以一定的系數(shù),再對圖像中的籽粒加以區(qū)分,投影面積大于定為粘連籽粒,投影面積小于定為非粘連籽粒。將粘連籽粒加以分割,求出分割后的籽粒數(shù)1,計算出非粘連籽粒數(shù)2,實測總粒數(shù)為3,值的大小需要通過相對誤差分析來加以確定,以保障程序處理的精度,區(qū)分圖像中籽粒的誤差為。
結(jié)果分析如圖4–c所示。根據(jù)分析結(jié)果,將值設定為1.37。
3.4去除大顆粒雜質(zhì)誤差
運用LabVIEW視覺開發(fā)模塊中Particle Filter 3函數(shù)去除大顆粒雜質(zhì),計算出圖像中顆粒的等效矩形長寬之比。設定等效矩形邊比值,大于此值的顆粒將其判定為雜質(zhì)予以去除,小于此值的則判定為玉米籽粒,保留在圖像中,因此,可以在區(qū)分粘連籽粒和非粘連籽粒后均加入等效矩形邊比的算法,去除大顆粒雜質(zhì)。
圖4–d為粘連籽粒等效矩形邊比誤差分析。圖4–e為非粘連籽粒等效矩形邊比誤差分析。根據(jù)誤差分析的結(jié)果,將非粘連籽粒的等效邊比設定為15,等效矩形邊比大于15的,判定為雜質(zhì)予以去除。同樣,在粘連籽粒中,將粘連籽粒的等效矩形邊比設定為25,等效矩形邊比大于25的,判定為雜質(zhì)予以去除。
圖4 玉米圖像處理誤差
3.5粘連籽粒的圖像分割
3.5.1分水嶺處理法
圖像中的粘連籽粒會嚴重影響圖像中籽粒總數(shù)的測量,采用傳統(tǒng)的分水嶺算法[11–12]將粘連籽粒加以分割時,誤差率高達2.11%。在檢查中發(fā)現(xiàn),分水嶺算法存在過分割現(xiàn)象,另外有些大顆粒雜質(zhì)并未被判定為雜質(zhì)從圖像中除去且被區(qū)分到粘連籽粒中,并將這種雜質(zhì)分割成很多小顆粒,如圖5–b所示,去除這些小顆粒雜質(zhì),可以再采用面積法。
在分水嶺算法后加入面積法去除小顆粒雜質(zhì),將去除的小顆粒面積的最大值設定為1 000時,分水嶺處理法的誤差降低至0.82%。
3.5.2腐蝕邊緣法
粘連籽粒的連接是因為兩籽粒的像素相互重疊,因此,若能將這些重疊的像素去除,則能將粘連籽粒分開。腐蝕邊緣法[13–14]正是基于這種考慮,通過腐蝕圖像中玉米籽粒的邊緣像素以達到分割效果。圖5–c是腐蝕后的效果,從圖中可以看出,雖然粘連籽粒被分割開,但籽粒的投影面積明顯縮小,因此需要對腐蝕邊緣法的腐蝕程度作分析。腐蝕程度過大,可能會導致圖像中的部分籽粒直接消失;腐蝕程度過小,也可能無法將部分粘連籽粒分割,基于此,對腐蝕程度作誤差分析,如圖5–e所示,腐蝕迭代次數(shù)為17時,誤差最小。
3.5.3平均面積法
平均面積法采用面積計算的方法以達到分割效果。玉米圖像中有大量的玉米籽粒,粘連的玉米籽粒是很少的一部分,大量的是非粘連玉米籽粒。通過計算非粘連玉米籽粒的平均面積為1,單個粘連玉米籽粒平均面積為S,粘連籽粒數(shù)量為1,則分割后籽粒數(shù)為2。
其中round函數(shù)返回一個數(shù)值,該數(shù)值是按照指定小數(shù)位數(shù)進行四舍五入運算的結(jié)果。此種方法不需要對圖像中的像素進行處理,只需要進行計算,簡單快速。
a粘連玉米顆粒;b分水嶺算法分割后顆粒;c腐蝕后的顆粒。
圖5粘連籽粒分割效果及誤差
Fig.5Adhesion grain different segmentation effect and error
比較分水嶺處理法、腐蝕邊緣法和平均面積法的處理精度和處理效率,計算出每種方法處理后分割的籽粒數(shù)X,實測玉米籽粒數(shù)為,每種方法的誤差率為Y。
程序運行之前的時間為1,程序運行之后的時間為2,程序運行的時間為。
21(5)
如圖6所示,可以看出,平均面積法處理的結(jié)果最好,所以采用平均面積法作為最終的處理方法。
圖6 粘連籽粒圖像處理方法的誤差和效率
3.6玉米籽粒長寬及總粒數(shù)的測量
將圖像中的玉米籽粒區(qū)分為粘連及非粘連籽粒后,利用非粘連的玉米籽粒測量玉米籽粒的平均粒長、平均粒寬。測量前,先將圖像旋轉(zhuǎn)一定角度,使待測玉米粒的最小外接矩形水平放置,且此最小外接矩形的長和寬正是這個玉米粒的長和寬,但直接旋轉(zhuǎn)待測玉米粒,可能會導致旋轉(zhuǎn)后的圖像中沒有該待測玉米粒,為了解決這一問題,測量單個玉米粒的形狀參數(shù)時,將待測玉米粒的圖像從原圖中移出,再進行形狀參數(shù)的測量。在移出單個玉米粒時,利用視覺開發(fā)工具將其擴大20倍,再計算出上下左右邊界,此邊界即為此時玉米粒的最小外接矩形。此時得到的圖像則是1張只有1個玉米粒的圖像,且這個玉米粒圖像居中,再將玉米粒圖像旋轉(zhuǎn)一定角度,即得到一個水平放置的玉米粒圖像,如圖7所示。
a 原始圖像;b 旋轉(zhuǎn)后圖像。
當玉米籽粒水平放置時,求出玉米籽粒的最小外接矩形的長和寬,即為圖像中玉米籽粒的長和寬,再分別乘以像素與毫米之間的轉(zhuǎn)換系數(shù)0.151 5。測量圖像中所有的非粘連籽粒的形狀參數(shù),則需對圖像中所有的籽粒做循環(huán)測量,在LabVIEW中,使用for循環(huán)實現(xiàn)此功能。利用此種方法,還可以計算圖像中玉米籽粒的平均投影周長、平均投影面積等參數(shù)。圖像中總粒數(shù)為非粘連籽粒數(shù)和粘連籽粒分割后的籽粒數(shù)之和,運用Particle Analysis Report函數(shù)可以直接測得。
共選取100組樣品,每組玉米粒數(shù)隨機,從36粒到147粒不等。根據(jù)不完全測量,玉米籽粒的長寬比例從1到3.3不等。為了方便數(shù)據(jù)收集與整理,將測量的玉米籽粒的形狀參數(shù)及總粒數(shù)保存在指定的Excel表格中。所有樣本圖像處理后,對程序處理的結(jié)果作誤差分析。設單張圖像程序測量的總粒數(shù)為X,實際測量的總粒數(shù)為Y,樣本數(shù)量為,誤差為。
根據(jù)實測數(shù)據(jù)和程序測量數(shù)據(jù)計算,總粒數(shù)平均誤差率為0.26%,平均粒長的誤差率為3.85%,平均粒寬的平均誤差率為5.37%。
由于平均粒寬的誤差過大,需對其補償乘以系數(shù)。
實際測量值的計算結(jié)果顯示,當=1.05時,平均粒寬的平均誤差率降低至3.63%。
對程序測量的平均粒長、平均粒寬、總粒數(shù)與實測值建立回歸模型,結(jié)果如圖8所示。平均粒長的實測值與測量值的相關(guān)系數(shù)=0.900 0,平均粒寬的實測值與測量值的相關(guān)系數(shù)=0.930 0,總粒數(shù)的實測值與測量值的相關(guān)系數(shù)=0.999 3。
圖8 測量結(jié)果的回歸精度
筆者提出一種針對玉米籽粒的形狀參數(shù)及總粒數(shù)的自動檢測方法,即選擇被處理的玉米籽粒圖像,自動測量出圖像中玉米籽粒的平均粒長、平均粒寬和總粒數(shù)等參數(shù),并將這些參數(shù)保存到指定的Excel文檔中。試驗結(jié)果表明,玉米籽粒的總粒數(shù)的實測值與測量值的相關(guān)系數(shù)為0.999 3,平均相對誤差為0.26%;平均粒長的實測值與測量值的相關(guān)系數(shù)為0.900 0,平均相對誤差為3.85%;平均粒寬的實測值與測量值的相關(guān)系數(shù)為0.930 0,平均誤差為3.63%。
此處理程序可以生成安裝包,在沒有安裝LabVIEW的電腦上也能正常運行,操作簡單方便,無需對LabVIEW有所了解就能進行圖像處理。
[1] 湯國民,龍麗萍,夏德君,等.經(jīng)濟性狀相關(guān)與多粒型高產(chǎn)玉米品種選育[J].青島農(nóng)業(yè)大學學報(自然科學版),2000,17(1):32–34.
[2] 周金輝,馬欽,朱德海,等.基于機器視覺的玉米果穗產(chǎn)量組分性狀測量方法[J].農(nóng)業(yè)工程學報,2015,31(3):221–227.
[3] 汪珂,梁秀英,宗力,等.玉米籽粒性狀高通量測量裝置設計與實現(xiàn)[J].中國農(nóng)業(yè)科技導報,2015,17(2):94–99.
[4] 臧晶,郭倩倩,李成華,等.復雜條件下多玉米籽粒識別與統(tǒng)計方法研究[J].沈陽農(nóng)業(yè)大學學報,2014,45(5):633–636.
[5] 張云鶴,喬曉軍,王成,等.種子自動數(shù)粒儀[J].自動化技術(shù)與應用,2005,24(3):59–61.
[6] 張亞秋,吳文福,王剛.基于逐步改變閾值方法的玉米種子圖像分割[J].農(nóng)業(yè)工程學報,2011,27(7):200–204.
[7] TANABATA T,SHIBAYA T,HORI K,et al. SmartGrain:high–throughput phenotyping software for measuring seed shape through image analysis[J].Plant Physiology,2012,160(4):1871–1880.
[8] DING Z,ZHANG R,KAN Z.Quality and safty inspection of food and agricultural products by LabVIEW IMAQ Vision[J].Food Analytical Methods,2015,8(2):290–301.
[9] 李宇華.虛擬儀器開發(fā)平臺軟件LabVIEW介紹[J].計算機測量與控制,1996(3):45–49.
[10] 關(guān)旭,張春梅,王尚錦.虛擬儀器軟件Labview和數(shù)據(jù)采集[J].計算機技術(shù)與發(fā)展,2004,14(3):77–79.
[11] 戴丹.基于改進分水嶺算法的粘連顆粒圖像分割[J].計算機技術(shù)與發(fā)展,2013(3):19–22.
[12] 權(quán)龍哲,辛伯來,奚德君,等.粘連玉米粒群的分水嶺分割與粒形的多尺度小波校正算法研究[J].中國科技論文,2016,11(2):191–196.
[13] 李敏,蔣建春.基于腐蝕算法的圖像邊緣檢測的研究與實現(xiàn)[J].計算機應用與軟件,2009,26(1):82–84.
[14] 刁智華,吳貝貝,毋媛媛,等.基于最小相切圓和形態(tài)學相結(jié)合的作物行檢測算法[J].農(nóng)機化研究,2016,38(5):15–19.
責任編輯:羅慧敏
英文編輯:吳志立
Study on detection method for grain size characteristics of maize
WANG Kang,LIANG Xiuying*,ZENG You,YANG Wanneng
(College of Engineering, Huazhong Agricultural University, Wuhan 430070, China)
An automatic method to obtain the size and total number of maize corn was presented. Corn grains are fast fed by vibrating feeder. Maize kernel image was accurately captured by, using error–free match between conveyor belts and linear array camera. Post processing of binary kernel image, removing impurities, filtering and spliting adhesions grain was done to get length, width, and total number of corn grain. The effects of different thresholds and different adhesion grain treatments on the measurement results were studied during image processing. By testing 100 samples of different varieties, the results show that the error of the measurement is the smallest when the threshold number is set to 24 and the average area method is used. Compared with the manual measurement, the correlation coefficient of maize grain total grain number, grain length, grain width is 0.999 3, 0.900 0, 0.930 0, respectively, and the average relative error is 0.26%, 3.85%, 3.63%, respectively.
corn kernel; size characteristics; binarization; image processing
10.13331/j.cnki.jhau.2017.03.020
TP274.5
A
1007-1032(2017)03-0329-07
2016–11–17
2017–03–18
湖北省自然科學基金項目(2015CFB480);華中農(nóng)業(yè)大學學科交叉研究專項(2662015JC005)
王康(1992—),男,湖北武漢人,碩士研究生,主要從事智能檢測與控制研究,wangkang_1210@126.com:
,梁秀英,博士,副教授,主要從事智能檢測與控制研究,nancy@mail.hzau.edu.cn
投稿網(wǎng)址:http://xb.hunau.edu.cn