一种大葱育秧播种质量检测方法

1.一种大葱育秧播种质量检测方法，属于播种质量检测技术领域。


背景技术：

2.在农业领域，育秧播种质量直接影响着后期的机械插秧质量，因此需要对育秧播种质量进行检测。采用人工检测的传统水稻育秧播种质量检测方法，其精度和速度都难以达到要求，随着技术的不断进步，逐步出现了基于数字图像处理技术的播种质量检测方案。
3.然而在现有技术中，基于数字图像处理技术的播种质量检测方案主要针对玉米以及水稻播种质量的简称，如文献《超级杂交稻秧盘育秧精密播种性能检测技术研究》、《基于机器视觉的水稻育秧播种质量检测装置的研究》等文献所公开的技术方案。以及针对玉米播种的质量检测。
4.在现有技术中，还未公开针对大葱播种质量检测的技术方案。并且目前现存的对其他种子进行播种质量检测的系统并不适用于大葱种子。因为大葱种子呈形状不规则的多边形，且尺寸较小，颜色为深色种子，针对水稻，玉米等种子的播种检测装置并不能直接用于检测大葱种子。同时，在大葱种子播种的基质土壤环境较为复杂，存在一些杂质，会影响对大葱种子的判别，这个因素同样影响播种质量的检测。现存的技术中并未有针对复杂土壤环境进行大葱育秧播种质量检测的装置，因此设计一种针对大葱播种质量进行检测的技术方案，成为本领域亟待解决的问题。


技术实现要素：

5.本发明要解决的技术问题是：克服现有技术的不足，提供一种克服了现有技术中的图像检测方法无法针对大葱种子这种小体积，形状不规则的特殊种子形状播种质量的检测，能精确的从复杂的土壤环境下快速检测大葱种子的播种质量，解放了人工，增加了检测效率，节省了成本的大葱育秧播种质量检测方法。
6.本发明解决其技术问题所采用的技术方案是：该大葱育秧播种质量检测方法，包括用于对秧盘进行图像采集，并进行图像处理的检测装置，其特征在于：包括如下步骤：步骤a，通过检测装置获取播种后秧盘的图像信息；步骤b，检测装置将图像信息由rgb图像转到hsv色彩空间；步骤c，检测装置将hsv色彩空间转换成灰度图像；步骤d，对灰度图像进行直方图均衡化处理；步骤e，利用固定阈值法对直方图均衡化处理后的图像进行阈值分割操作；步骤f，对阈值分割后的图像进行基于面积和亮度阈值的过滤算法；步骤g，对图像进行粘连种子分割处理；步骤h，计数得到秧盘中每穴的种子数量。
7.优选的，步骤f，包括如下步骤：步骤f-1，对原图像进行掩膜操；
步骤f-2，计算前景目标轮廓cnt的外接矩形，得到矩形的左上角坐标（x，y）和宽度w、高度h；步骤f-3，通过将外接矩形的坐标应用于图像im，提取出感兴趣区域box，该区域即为前景目标的像素；步骤f-4，计算感兴趣区域box的平均灰度值mean_pix；步骤f-5，设置为当感兴趣区域box的平均灰度值大于分割阈值时，则判定该区域不是种子，将判定为种子的区域和不是种子的区域分别进行不同颜色的涂色。
8.优选的，步骤g，包括如下步骤：步骤g-1，使用bp神经网络将粘连的大葱种子和不粘连的大葱种子进行分类，分类后找到图像中的轮廓contours和轮廓的层级信息hierarchy；步骤g-2，对每个轮廓进行处理实现将粘连的种子分割。
9.优选的，步骤g-1，包括如下步骤：步骤g-1-1，首先要提取特征值：周长比，面积比，误差方差，形状因子比，凹缺陷距离比；步骤g-1-2，将特征值组合成一个特征向量，用该特征向量来判断种子是否粘连；步骤g-1-3，通过使用粘连种子和不粘连种子的数据集进行训练。
10.优选的，步骤g-2，包括如下步骤：步骤g-2-1，计算轮廓的凸包数量，返回凸包中的点集，当凸包的点数大于点数阈值时，执行步骤g-2-2，否则执行步骤g-2-6；步骤g-2-2，计算轮廓的凸缺陷，通过凸缺陷的数量判断种子是否存在粘连，如果存在粘连，执行步骤g-2-3，否则执行步骤g-2-6；步骤g-2-3，按照凸缺陷的距离进行排序，选择最大的凸缺陷；步骤g-2-4，获取该凸缺陷的起始点和结束点；步骤g-2-5，如果凸缺陷的距离大于距离阈值，连接起始点和结束点，并将线段所经过的像素值设为0；步骤g-2-6，结束。
11.优选的，在步骤h中，首先对分割完的图像进行划分网格，然后通过计算种子的质心坐标的位置，确定每个方格内的种子数量。
12.优选的，检测装置包括暗箱，秧盘随传送带从暗箱中穿过，暗箱包括箱体，在箱体内腔的顶部固定有光源；升降杆可升降的从箱体的顶部穿过，在升降杆的底部固定有摄像头。
13.与现有技术相比，本发明所具有的有益效果是：1、通过本大葱育秧播种质量检测方法，克服了现有技术中的图像检测方法无法针对大葱种子这种小体积，形状不规则的特殊种子形状播种质量的检测，能精确的从复杂的土壤环境下快速检测大葱种子的播种质量，解放了人工，增加了检测效率，节省了成本。
14.2、在本大葱育秧播种质量检测方法中，因为种子为黑色的如果平均灰度值太亮则该区域不是种子，通过实验得出种子与其他区域的平均灰度值的分割阈值，因此设置为当感兴趣区域box的平均灰度值大于分割阈值时，则判定该区域不是种子，将此区域使用函数涂为黑色，否则，将该区域涂成白色。这样就能将一些过亮的杂质剔除。接下来根据种子面
积的大小，将白色区域面积小于像素点阈值的白色斑点定义为土壤杂质或噪声，使用函数将这些区域涂成黑色。这样就实现了对噪声和土壤杂质的清除，使图片中减少了对影响播种质量判别的干扰因素。
15.3、在本大葱育秧播种质量检测方法中，将摄像头采集到的图像由rgb图像转hsv色彩空间，以便使种子于背景对比度更强烈。
16.4、在本大葱育秧播种质量检测方法中，将hsv色彩空间转灰度图像，可以降低彩色图像的复杂度，增强图像的对比度，使计算机的处理速度更快。
17.5、在本大葱育秧播种质量检测方法中，使用直方图均衡化技术，使目标图像和背景图像对比更为强烈。
附图说明
18.图1为大葱育秧播种质量检测方法流程图。
19.图2为大葱育秧播种质量检测装置结构示意图。
20.图3为大葱育秧播种质量检测装置暗箱内部结构示意图。
21.图4为大葱育秧播种质量检测方法灰度化后图像示意图。
22.图5为大葱育秧播种质量检测方法直方图均衡化后图像示意图。
23.图6为大葱育秧播种质量检测方法阈值分割操作后图像示意图。
24.图7为大葱育秧播种质量检测方法掩膜后图像示意图。
25.图8为大葱育秧播种质量检测方法过滤算法后图像示意图。
26.图9~10为大葱育秧播种质量检测方法粘连种子分割图像示意图。
27.其中：1、播种机
ꢀꢀ
2、暗箱
ꢀꢀ
3、锁紧套管
ꢀꢀ
4、锁紧螺母
ꢀꢀ
5、固定架
ꢀꢀ
6、升降杆
ꢀꢀ
7、光源
ꢀꢀ
8、摄像头
ꢀꢀ
9、箱体
ꢀꢀ
10、主框架。
具体实施方式
28.图1~10是本发明的最佳实施例，下面结合附图1~10对本发明做进一步说明。
29.如图1所示，一种大葱育秧播种质量检测方法，包括如下步骤：步骤1001，获取图像信息；如图2所示，大葱育秧播种质量检测方法（以下简称检测方法），包括检测装置，检测装置包括暗箱2，播种机1的传送带从暗箱2中穿过，播种机1采用本领域公知结构实现，在此不再赘述。结合图3，暗箱2包括主框架10，在主框架10的上部设置有箱体9，在箱体9的前侧设置有箱门（图3中省略），在箱体9内腔的顶部固定有固定架5，在固定架5的下方固定有光源7，光源7的照射方向竖直向下。
30.在箱体9的顶部设置有锁紧套管3，锁紧套管3从箱体9的顶部穿过，在锁紧套管3的顶部安装有锁紧螺母4，当锁紧螺母4旋紧时，使锁紧套管3的顶部向内圈收紧。升降杆6同时从锁紧套管3和锁紧螺母4中穿过，升降杆6的底部依次从箱体9的顶部，以及光源7的中心处穿过，并在升降杆6的底部固定有摄像头8，摄像头8的拍摄方向竖直向下。
31.在通过升降杆6对摄像头8的高度调整完成，在旋紧锁紧螺母4之后，同视将升降杆6锁紧，实现对摄像头8的定位。大葱种在播种机1内完成播种之后，秧盘在播种机1内传送带的带动下进入暗箱2内，摄像头8对播种箱进行拍照，完成图像采集，并将采集到的图像送至
控制器（图中未画出）。
32.步骤1002，rgb图像转hsv色彩空间；摄像头8采集到的图像为rgb图像，控制器在接收到摄像头8采集得到的rgb图像后，首先将rgb图像转到hsv色彩空间，以便使种子于背景对比度更强烈。在本步骤中，使用函数：cv2.cvtcolor(img,cv2.color_bgr2hsv)函数，将rgb图像转换到hsv色彩空间。
33.步骤1003，hsv色彩空间转灰度图像；hsv转灰度图像可以降低彩色图像的复杂度，增强图像的对比度，使计算机的处理速度更快。因此需要将hsv色彩空间的图像转换成灰度图像，转换后得到的灰度图像如图4所示。在本步骤中，使用的函数为gr= cv2.cvtcolor(hsv,cv2.color_rgb2gray)。
34.步骤1004，直方图均衡化；灰度化后的图像可以清晰的看出种子和背景土壤的对比，为了进一步增强对比度，使检测更为精确这里使用了直方图均衡化技术。使目标图像和背景图像对比更为强烈。使用了hist=cv2.equalizehist()函数来使图像实现均衡化。直方图均衡化的图像如图5所示。
35.步骤1005，固定阈值法进行阈值分割操作；在对图像进行直方图均衡化处理之后，秧盘图像中大葱种子和背景土壤对比度明显，但是仍为多值灰度图像。多值灰度图像具有多个灰度等级，为了使图像处理速度更快，处理效果更好，需要将多值图像转换为二值图像。在本检测方法中，经过对比采用了固定阈值法对图像进行分割。本技术使用了cv2.threshold()函数对多值灰度图像进行操作，根据采集到图像的特征选择固定的阈值将多值图像转换成二值图像。转换后的图像如图6所示。
36.步骤1006，基于面积和亮度阈值的过滤算法；二值化后的图像如图所示，白色的部分不光光是大葱种子，还有土壤中的杂质和图像中的噪声信号，常规的滤波算法并不能将这些干扰因素过滤掉，对接下来的播种质量检测会造成极大影响。接下来就是对这些干扰信号的一个滤除。在本检测方法中，使用了一个基于面积和亮度阈值的双重过滤算法，具体包括如下步骤：步骤1006-1，首先通过im=cv2.bitwise_and()函数对原图像进行掩膜操作用来提取原图像上的种子的亮度信息。掩膜后的图像如图7所示。
37.步骤1006-2，cv2.boundingrect()用于计算前景目标轮廓cnt的外接矩形，得到矩形的左上角坐标（x，y）和宽度w、高度h。
38.步骤1006-3，通过将外接矩形的坐标应用于图像im，提取出感兴趣区域box，该区域即为前景目标的像素。
39.步骤1006-4，使用np.mean()计算感兴趣区域box的平均灰度值mean_pix。
40.步骤1006-5，设置为当感兴趣区域box的平均灰度值大于分割阈值时，则判定该区域不是种子，将此区域使用cv2.drawcontours()函数涂为黑色，否则，将该区域涂成白色。
41.因为种子为黑色的如果平均灰度值太亮则该区域不是种子，通过实验得出种子与其他区域的平均灰度值的分割阈值的范围为80~120，优选为80。因此设置为当感兴趣区域box的平均灰度值大于80时，则判定该区域不是种子，将此区域使用cv2.drawcontours()函数涂为黑色，否则，将该区域涂成白色。这样就能将一些过亮的杂质剔除。接下来根据种
子面积的大小，将白色区域面积小于像素点阈值的白色斑点定义为土壤杂质或噪声，使用cv2.drawcontours()函数将这些区域涂成黑色，像素点阈值为400~500，优选为400。这样就实现了对噪声和土壤杂质的清除，使图片中减少了对影响播种质量判别的干扰因素。处理后的图像如图8所示。
42.步骤1007，粘连种子分割；在正常播种过程中，秧盘中的种子会有很多粘连在一起的，此时粘连在一起的种子会影响对播种质量检测的精度，判别算法使用的是对大葱种子进行外接轮廓的绘制。并统计外接轮廓的数量来统计每穴种子的数目。多个粘连的种子会被判定为一个种子这样会影响计算的精度。因此需要对粘连的种子进行分割，经过对比发现，大葱种子形状不规则，粘连的部分多有凹陷处。对粘连种子进行分割的具体步骤为：步骤1007-1，使用bp神经网络将粘连的大葱种子和不粘连的大葱种子进行分类。首先要提取特征值：此处取了五个特征值：周长比，面积比，误差方差，形状因子比，凹缺陷距离比。将上述特征值组合成一个特征向量，用该特征向量来判断种子是否粘连。通过使用粘连种子和不粘连种子的数据集进行训练，使得基于bp神经网络的分类模型准确率达到百分之96%。分类后通过cv2.findcontours()函数找到图像中的轮廓contours和轮廓的层级信息hierarchy。
43.步骤1007-2，对每个轮廓进行处理：首先，计算轮廓的凸包数量。使用cv2.convexhull()函数计算轮廓的凸包，返回凸包中的点集。如果凸包的点数大于点数阈值，则执行后续操作，点数阈值为10~15，优选为10。然后，使用cv2.convexitydefects()函数计算轮廓的凸缺陷。凸缺陷是指凸包与轮廓之间的距离较大的凹陷部分。如果凸缺陷的数量大于等于2，说明存在粘连。按照凸缺陷的距离（od）进行排序，选择最大的凸缺陷。然后，获取该凸缺陷的起始点和结束点，分别记为ostart和tstart。最后，如果凸缺陷的距离（od）大于10（经过归一化处理，范围为0-256），则在二值图像thimg上绘制一条连接ostart和tstart的线段，并将线段所经过的像素值设为0，实现将粘连的种子分开的效果，如图9~10所示。
44.步骤1008，计数得到秧盘中每穴的种子数量；分割完图像后，通过对图像划分网格，计数得到每穴种子的参数，因为会有压线的种子，因此，通过计算种子的质心坐标在哪个区域可以得到每个方格内有多少种子。最后得到一个每穴播种质量检测，将每穴种子标在图上，并打印显示出每穴种子数目。最后会输出漏播，重播，正常播种的数目。检测准确率达百分之95%。完成播种质量检测。
45.以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

技术特征：
1.一种大葱育秧播种质量检测方法，包括用于对秧盘进行图像采集，并进行图像处理的检测装置，其特征在于：包括如下步骤：步骤a，通过检测装置获取播种后秧盘的图像信息；步骤b，检测装置将图像信息由rgb图像转到hsv色彩空间；步骤c，检测装置将hsv色彩空间转换成灰度图像；步骤d，对灰度图像进行直方图均衡化处理；步骤e，利用固定阈值法对直方图均衡化处理后的图像进行阈值分割操作；步骤f，对阈值分割后的图像进行基于面积和亮度阈值的过滤算法；步骤g，对图像进行粘连种子分割处理；步骤h，计数得到秧盘中每穴的种子数量。2.根据权利要求1所述的大葱育秧播种质量检测方法，其特征在于：步骤f，包括如下步骤：步骤f-1，对原图像进行掩膜操；步骤f-2，计算前景目标轮廓cnt的外接矩形，得到矩形的左上角坐标（x，y）和宽度w、高度h；步骤f-3，通过将外接矩形的坐标应用于图像im，提取出感兴趣区域box，该区域即为前景目标的像素；步骤f-4，计算感兴趣区域box的平均灰度值mean_pix；步骤f-5，设置为当感兴趣区域box的平均灰度值大于分割阈值时，则判定该区域不是种子，将判定为种子的区域和不是种子的区域分别进行不同颜色的涂色。3.根据权利要求1所述的大葱育秧播种质量检测方法，其特征在于：步骤g，包括如下步骤：步骤g-1，使用bp神经网络将粘连的大葱种子和不粘连的大葱种子进行分类，分类后找到图像中的轮廓contours和轮廓的层级信息hierarchy；步骤g-2，对每个轮廓进行处理实现将粘连的种子分割。4.根据权利要求3所述的大葱育秧播种质量检测方法，其特征在于：步骤g-1，包括如下步骤：步骤g-1-1，首先要提取特征值：周长比，面积比，误差方差，形状因子比，凹缺陷距离比；步骤g-1-2，将特征值组合成一个特征向量，用该特征向量来判断种子是否粘连；步骤g-1-3，通过使用粘连种子和不粘连种子的数据集进行训练。5.根据权利要求3所述的大葱育秧播种质量检测方法，其特征在于：步骤g-2，包括如下步骤：步骤g-2-1，计算轮廓的凸包数量，返回凸包中的点集，当凸包的点数大于点数阈值时，执行步骤g-2-2，否则执行步骤g-2-6；步骤g-2-2，计算轮廓的凸缺陷，通过凸缺陷的数量判断种子是否存在粘连，如果存在粘连，执行步骤g-2-3，否则执行步骤g-2-6；步骤g-2-3，按照凸缺陷的距离进行排序，选择最大的凸缺陷；步骤g-2-4，获取该凸缺陷的起始点和结束点；
步骤g-2-5，如果凸缺陷的距离大于距离阈值，连接起始点和结束点，并将线段所经过的像素值设为0；步骤g-2-6，结束。6.根据权利要求1所述的大葱育秧播种质量检测方法，其特征在于：在步骤h中，首先对分割完的图像进行划分网格，然后通过计算种子的质心坐标的位置，确定每个方格内的种子数量。7.根据权利要求1所述的大葱育秧播种质量检测方法，其特征在于：检测装置包括暗箱（2），秧盘随传送带从暗箱（2）中穿过，暗箱（2）包括箱体（9），在箱体（9）内腔的顶部固定有光源（7）；升降杆（6）可升降的从箱体（9）的顶部穿过，在升降杆（6）的底部固定有摄像头（8）。

技术总结
一种大葱育秧播种质量检测方法，属于播种质量检测技术领域。其特征在于：包括如下步骤：步骤a，获取图像信息；步骤b，由RGB图像转到HSV色彩空间；步骤c，检测装置HSV色彩空间转换成灰度图像；步骤d，进行直方图均衡化处理；步骤e，利用固定阈值法进行阈值分割操作；步骤f，进行基于面积和亮度阈值的过滤算法；步骤g，对图像进行粘连种子分割处理；步骤h，计数得到秧盘中每穴的种子数量。通过本大葱育秧播种质量检测方法，克服了现有技术中的图像检测方法无法针对大葱种子这种小体积，形状不规则的特殊种子形状播种质量的检测，能精确的从复杂的土壤环境下快速检测大葱种子的播种质量，解放了人工，增加了检测效率，节省了成本。节省了成本。节省了成本。


技术研发人员：鹿芳媛 陶冲 王伯龙 张国海 伊丽丽
受保护的技术使用者：山东理工大学
技术研发日：2023.07.28
技术公布日：2023/10/11