Matlab图像处理在水稻谷粒计数中的应用

为探索水稻谷粒图像快速计数方法,修正或减少因谷粒粘连引起的误差,采用黑色平面结合机械振动分散谷粒并采集图像,利用Matlab软件对图像进行灰度处理、二值化处理、两步开运算及腐蚀运算等消除粘连,并对计数点标记和计算。在灰度图上作开运算能有效修整谷粒边缘,腐蚀运算后谷粒中心与边缘亮暗对比更加鲜明,二值化后的图像初步分离效果好,在进一步开运算和腐蚀运算后,颗粒缩小,边界距离增大,解决了绝大部分粘连。对计数点标记后,非计数点更容易观察,可进行人工校正。该方法不仅可有效地分割谷粒粘连,还便于校正以提高精度,可快速实现800粒以内的水稻颗粒计数。

面向水稻穗上谷粒原位计数与遮挡还原的轻量级I2I深度学习方法

【目的】为解决传统水稻考种机谷粒表型分析算法在功能和效率上的局限性,针对穗上谷粒原位计数和被遮挡谷粒几何特征还原设计一种基于深度学习的轻量级通用算法框架。【方法】将穗上谷粒原位计数与被遮挡谷粒还原这2个复杂任务分别拆解为2个阶段,将其核心阶段建模为I2I问题。基于MobileNet V3设计1种能够解决I2I问题的轻量级网络架构,并针对2个任务的特点分别设计了数据集图像制作方法,选择合适的优化策略和超参数对其进行训练。训练结束后,使用TensorFlow Lite runtime解释器将模型部署在考种机的树莓派4B开发板上,并进行测试。【结果】该算法在穗上谷粒计数任务中具有良好的准确性、快速性,且具有一定的泛化性能。在被遮挡谷粒的形状还原任务中,该算法所还原的谷粒图像在面积、周长、长度、宽度和颜色分数评价指标中准确率均达到97%以上。【结论】该算法能够有效地完成穗上谷粒计数和被遮挡谷粒的还原任务,且具有轻量级的优点。

基于视觉及概率统计的谷粒在线计数系统设计

针对目前粮食谷粒人工计数存在的检测效率低、检测时间长的问题,设计了基于LabVIEW与Matlab谷粒在线快速计数系统。通过设计的谷粒采集装置采集谷粒同时获取谷粒图片,并采用距离变换与分水岭相结合的分割算法进行图像分割,同时利用概率密度估计理论统计图像中谷粒区域概率最大的像素个数,从而得出该幅图像中的谷粒个数。该系统谷粒计数准确率可达97%,提高了传统谷粒计数的速率以及准确度,可安装在联合收割机上并为后续监测谷粒的破碎率、含杂率提供技术支撑。