油菜籽粒千粒重的全自动图像测定方法

技术领域

本发明涉及一种油菜籽粒千粒重的全自动图像测定方法。

技术背景

油菜是我国重要的油料作物，对油菜进行籽粒考种是育种过程中筛选优良品种的重要手段。千粒重是考种过程中必不可少的参数，国标中规定的千粒重测定方法是随机数出3份1000粒种子，分别测量质量，求其平均值。

目前油菜籽粒千粒重测定中的籽粒千粒计数和质量测定皆为人工完成，由于油菜籽粒尺寸小，现阶段数粒仪适用于较大尺寸农业物料籽粒的计数，并不适用于油菜籽粒数量计数，数粒仪油菜籽粒计数结果不准确，从而导致没有现成的油菜籽粒计数设备可用。

随着图像处理技术的发展，籽粒计数方法可以采用图像处理方法，但目前油菜籽粒图像法计数仍然存在误差较大的问题，满足不了油菜籽粒千粒重测试籽粒计数的精度要求。

油菜籽粒在籽粒数量计数的基础上需要测试被计数籽粒的质量，现阶段籽粒质量仍然采用天平称量，增加了千粒重测试的步骤。因此现阶段油菜籽粒千粒重测试方法费时费力，步骤繁杂，测试准确度低，自动化程度低，因此需要快速、自动化程度高和准确度高的千粒重测定方法。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题：千粒重测定方法虽然可以采用图像方法进行油菜籽粒计数，但仍然存在着油菜籽粒计数不准确和籽粒质量需要人工进行称量，因此存在总体自动化程度低的问题。

(二)技术方案

本发明技术方案的千粒重测定方法包括有油菜籽粒数量的图像处理方法识别计数和油菜籽粒质量的图像方法获取两个步骤。

油菜籽粒数量的图像处理方法计数采用控制标记符的分水岭分割方法。

图像采集方法：油菜籽粒平铺在发光板上，相机在发光板正上方采集油菜籽粒图像，并将图像传输至计算机进行图像存储和处理。

图像处理方法包括图像预处理、选择性极限腐蚀的方法、分水岭一次分割和分水岭二次分割。

图像预处理：图像预处理步骤包括灰度化、二值化、取反、开运算、去除小面积、孔洞填充、去标签。

控制标记符的分水岭分割方法：

分水岭变换直接用于梯度图像时会产生严重的过分割，为解决这一问题引入了标记符的概念，内部标记符处在每个目标的内部，用来限制允许的分割区域数目。

极限腐蚀：因此固定腐蚀次数的极限腐蚀对于油菜籽粒尺寸大小差异显著的图像并不合适，提出了一种选择性极限腐蚀的方法。采用一定半径的圆盘结构元素进行极限腐蚀，每次腐蚀后都计算每个连通域的面积，提取出面积小于等于一定值的连通域，其余连通域继续迭代腐蚀，直到每个连通域面积都小于等于定值为止。

分水岭一次分割：用形态学梯度法来计算油菜籽粒的梯度幅度。把选择性极限腐蚀的方法得到的目标内部的‘核’作为内部标记符来限制允许的区域数目，首先利用内部标记符对原梯度图像施加强制极小值，然后对修改后的梯度图像进行分水岭变换得到分水岭脊线，最后将分水岭脊线叠加到原二值图像上完成图像分割。

分水岭二次分割：经分水岭分割后部分粘连籽粒分隔开，仍然有部分粘连程度高的籽粒未分割开，粘连条件判断如下：求取分割后籽粒的平均面积S，面积大于等于2S的即为两粘连及以上籽粒；将面积大于2S的籽粒去除后，对剩下的籽粒拟合最小外接矩形，长宽比大于等于1.5的为两粘连籽粒。需对粘连程度高籽粒重新确定每个籽粒内部的‘核’，再进行分水岭变换。粘连程度高没分割籽粒，经距离变换，将二值图像改为具有一定灰度值的灰度图像，每个籽粒的内部都存在一个灰度极大值，保留极大值及其周边的像素，得到的新的二值图像就是各籽粒的‘核’，经分水岭变换即可实现二次分割。

对经图像处理得到籽粒分割后籽粒图像进行籽粒计数并从中选取1000粒籽粒，以便进行油菜籽粒千粒重测试。

油菜籽粒质量的图像方法获取包括建立相关性模型和千粒重测试。

使用全数据集建模法和五点建模法建立相关性模型。

全数据集建模法：通过样本中得到的油菜籽粒面积(像素数量)与籽粒质量数据，建立面积与质量之间的相关性模型。全部3个品种的样本籽粒面积与籽粒质量线性相关关系式为y＝9×10

五点建模法：全数据集建模法获取相关性模型需要大量的数据，为了在实际应用中快速获取相关性模型，本文利用五点标定方法以质量为尺度均匀取五点快速建立全部3个品种的籽粒面积与质量之间的相关性模型。全部3个品种的样本籽粒面积与籽粒质量线性相关关系式为y＝8×10

千粒重测试方法：从籽粒分割好的图像中随机选取1000粒籽粒，对籽粒连通域进行标记编号，选取对应编号的油菜籽粒并计算面积。将选取1000粒油菜籽粒的面积代入面积与质量相关性模型中计算得到千粒重。

(三)有益效果

为解决这一问题，本文基于图像处理技术，建立籽粒面积与质量之间的相关性模型，对油菜籽粒进行图像识别计数，利用随机函数法从中选取1000粒油菜籽粒并提取面积代入籽粒面积与质量之间的相关性模型从而得到千粒重，本发明建立的相关性模型适合于其他品种的油菜籽粒，因此采集了其他品种的油菜籽粒的图像后，经图像处理后随即选取1000粒籽粒并提取籽粒面积像素数量代入相关性模型即可计算得到油菜籽粒的千粒重，本方法具有测试系统简单、自动化程度高且成本低的特点。

附图说明

图1图像采集设备

图2图像预处理效果

图3选择性极限腐蚀算法流程

图4粘连籽粒在不同极限腐蚀方法下的分割效果(局部)

图5分水岭方法分割过程

图6二次分割过程

图7整体分割效果

图8籽粒面积与籽粒质量的关系模型(全数据集)

图9籽粒面积与籽粒质量的关系模型(五点法)

图10选取1000粒籽粒效果

图11油菜籽粒千粒重全自动图像测定方法步骤

具体实施方式

下面以智能手机获取油菜籽粒图像为例说明籽粒数量的图像方法识别计数和建立籽粒质量与其图像特征参数之间相关模型的图像方法，以及通过图像方法获得千粒籽粒数量和获取相应千粒籽粒的图像面积由此模型自动计算得到籽粒质量，从而达到自动通过图像方法测定出油菜籽粒千粒重。

图像采集设备有智能手机、升降台(高度固定)、和发光板(A4大小)，如图1所示。

图像处理方法

图像预处理步骤包括灰度化、二值化、取反、开运算、去除小面积、孔洞填充、去标签。油菜籽粒的原图如图2-a所示(矩形框表示放大区域，后续相关图像处理方法的说明以此区域内图像为例)，经过预处理后的二值图如图2-b所示。

控制标记符的分水岭分割方法

分水岭变换直接用于梯度图像时会产生严重的过分割，为解决这一问题引入了标记符的概念，内部标记符处在每个目标的内部，用来限制允许的分割区域数目。

极限腐蚀 极限腐蚀就是通过不断的迭代腐蚀最终将目标缩减至一个微小的‘核’的过程。由于油菜籽粒尺寸大小差异显著，极限腐蚀次数n(n＝10)较小时，小籽粒之间腐蚀分割完好，而大籽粒之间的粘连会出现欠腐蚀现象，如图4-d所示；极限腐蚀次数n(n＝12)较大时，部分小籽粒出现过腐蚀现象而消失，如图4-f所示；即使极限腐蚀次数n取中间值n＝11，仍然出现粘连大籽粒无法腐蚀分开、部分小籽粒腐蚀消失的现象，如图4-e所示。因此固定腐蚀次数的极限腐蚀对于油菜籽粒尺寸大小差异显著的图像并不合适。提出了一种选择性极限腐蚀的方法(图3)。采用半径为1的圆盘结构元素进行极限腐蚀，每次腐蚀后都计算每个连通域的面积，提取出面积小于等于s的连通域，其余连通域继续迭代腐蚀，直到每个连通域面积都小于等于s为止。该方法选择性地减少了小籽粒的腐蚀次数，避免过腐蚀现象的产生，增加了粘连大籽粒的腐蚀次数，粘连大籽粒得到了充分腐蚀，n不再局限于一个固定的值，有效弥补了传统极限腐蚀的不足，腐蚀效果如图4-c所示。

分水岭分割 采用形态学梯度法来计算油菜籽粒的梯度幅度，如图5-a所示。由于噪声及其他局部不规则性未经处理的梯度图像会在分水岭变换后产生多余的分水岭脊线导致过分割现象，如图5-b所示。为防止过分割的现象把选择性极限腐蚀的方法得到的目标内部的‘核’作为内部标记符来限制允许的区域数目，首先利用内部标记符对原梯度图像施加强制极小值，如图5-c所示，然后对修改后的梯度图像进行分水岭变换得到分水岭脊线，最后将分水岭脊线叠加到原二值图像上完成图像分割，如图5-d所示。对每个油菜籽粒连通域拟合一个带有颜色的圆以增强分割效果的直观性，符合粘连条件的籽粒拟合红色的圆，其余拟合绿色的圆，识别效果如图5-e所示。

二次分割 经分水岭分割后部分粘连籽粒分隔开，但仍然有部分粘连程度高的籽粒未分割开，粘连条件判断如下：(1)求取分割后籽粒的平均面积S，面积大于等于2S的即为粘连籽粒(两粘连及以上)；(2)将面积大于2S的籽粒去除，对剩下的籽粒拟合最小外接矩形，长宽比大于等于1.5的为粘连籽粒(两粘连)。由于粘连程度高的籽粒极限腐蚀时只得到了一个‘核’，这种籽粒仍然无法分割。需对粘连程度高籽粒重新确定每个籽粒内部的‘核’，再进行分水岭变换。粘连程度高没分割籽粒如图6-a所示，经距离变换，将二值图像改为具有一定灰度值的灰度图像，粘连籽粒的灰度值三维曲面如图6-b所示，每个籽粒的内部都存在一个灰度极大值，保留极大值及其周边的像素，得到的新的二值图像就是各籽粒的‘核’，如图6-c所示，经分水岭变换即可实现二次分割，如图6-d所示，整体分割效果如图7所示。

采用全数据集建模法和五点建模法建立油菜籽粒面积(像素数量)与籽粒质量相关性模型

全数据集建模法 通过样本中得到的油菜籽粒面积(像素数量)与籽粒质量全数据集，建立面积与质量之间的相关性模型，如图8所示。3个品种的样本籽粒面积与籽粒质量线性相关关系式为y＝9×10

五点建模法 利用五点标定方法以质量为尺度均匀取五点快速建立全部3个品种的籽粒面积与质量之间的相关性模型，如图9所示。全部3个品种的样本籽粒面积与籽粒质量线性相关关系式为y＝8×10

油菜籽粒图像识别计数结果分析

通过图像处理对油菜籽粒进行千粒重测定时，需要对籽粒进行分割计数并从中选取1000粒籽粒，分割计数的精度以及1000籽粒选取的准确度将直接影响千粒重测定的精度。分别以1000-2000粒、2001-3000粒和3001-4000粒为计数区间，在每个计数区间计数10次，验证本文籽粒计数算法的准确性；以图像处理后再经人工修整后的结果作为真实值，可得到籽粒数识别结果(表1)，3个品种的籽粒分割计数绝对误差和相对误差均随着籽粒数区间的增大而增大，因为籽粒数区间的增大会增加籽粒密度和粘连的比例从而影响籽粒分割的准确度。由表1计算可得，3个品种在1000-4000粒区间内的籽粒计数平均相对误差分别为0.23％、0.25％、0.14％。

表1 油菜籽粒图像识别计数结果

千粒籽粒选取结果分析

从图像处理分割后的籽粒中根据粘连条件去除粘连籽粒，再从去除粘连后的籽粒中选取1000粒籽粒的结果如表2所示。由表2计算可得：在30次测试中，3个品种随机选取1000粒油菜籽粒的平均零误差率为71.11％，平均绝对误差为0.40粒，平均相对误差为0.04％。因此本文提出的从图像中选择1000粒油菜籽粒的方法具有较高的精度和可行性。

表2 千粒籽粒选取结果

千粒重测试方法

从籽粒分割好的图像中随机选取1000粒籽粒，对籽粒连通域进行标记编号，选取对应编号的油菜籽粒并计算面积，所选取的1000粒油菜籽粒效果如图10所示(被绿色圆标记的籽粒即为所选籽粒)。将选取1000粒油菜籽粒的面积代入面积与质量相关性模型中计算得到千粒重。具体油菜籽粒千粒重全自动图像测定方法步骤见图11。

千粒重测定结果分析

全数据集建模法 按照千粒重的测定方法人工测定油菜籽粒千粒重，同时利用图像处理的方法从3份待测籽粒图像中分别随机选取1000粒油菜籽粒经相关性模型计算其质量，取平均值为千粒重，测定结果如表3所示。由表3计算可得：在人工测定千粒重结果中，3个品种在3次千粒重测定中的2次结果最大相对之差分别为1.7％、3.3％、2.5％，在图像处理测定千粒重结果中，利用全部品种的籽粒面积与质量相关性模型得到的3个品种在3次千粒重测定中的2次结果最大相对之差分别为3.3％、3.4％、4.6％，均符合国家标准要求的允许差10％以内。与人工测定结果相比，利用全部品种的籽粒面积与质量相关性模型得到的3个油菜品种千粒重测定的绝对误差分别为0.11g、0.11g、0.16g，相对误差分别为3.08％、3.11％、3.16％，平均准确度为96.88％，最大相对误差仍不超过3.16％，该模型具有良好的准确度、适用性和通用性，说明本文提出的方法具有较高的准确度和可行性。

表3 千粒重测定结果

五点建模法 利用五点建模法得到的模型来测定籽粒千粒重的结果如表4所示。由表4计算可得，利用全部品种的籽粒面积与质量相关模型得到的3个品种在3次千粒重测定中的2次结果最大相对之差分别为3.5％、3.8％、1.0％，均符合国家标准要求的允许差。与人工测定结果相比，利用全部品种的籽粒面积与质量相关模型得到的3个油菜品种千粒重测定的绝对误差分别为0.01g、0.09g、0.23g，相对误差分别为2.24％、2.54％、4.55％，平均准确度为96.89％。由此可得，利用五点建模法得到的模型预测籽粒千粒重的准确度和利用全数据集建模法得到的模型预测籽粒千粒重的准确度相当，利用五点建模法来代替全数据集建模法实现相关性模型的快速建立。

表4 千粒重测定结果

本发明中千粒重测试模型在本测试系统中具有通用性，其他品种油菜籽粒的可在本测试系统采集图像，利用千粒重测试模型计算出千粒重数值，从而达到全自动图像方法获得油菜籽粒的千粒重；利用本发明所述方法在标定尺度下建立通用千粒重测试模型，在标定尺度下采集油菜籽粒图像，利用通用千粒重测试模型可全自动图像方法获得油菜籽粒的千粒重。

本发明所述千粒重测定方法不仅仅局限于油菜籽粒，同样适用其他农作物籽粒的千粒重测定。