一种茄子茎夹角无损检测方法技术

本发明专利技术公开了一种茄子茎夹角无损检测方法，包括如下步骤：S1输入捕获的茄子茎夹角图像。S2对图像进行霍夫直线检测。S3判定组合成功的矩形数量。S4将所有矩形组合成一个新的轮廓。S5按最小外接矩形分割出背景板以及茄子茎图像并灰度化图像。S6使用大律法将图像进行二值化。S7将二值化图像进行骨骼化操作，得到茄子茎骨骼图。S8分析茄子茎骨骼图，对其进行角点检测。本发明专利技术所有判定阈值均为分析茄子茎夹角图像后自动生成，且生成结果具有唯一性。且生成结果具有唯一性。且生成结果具有唯一性。

【技术实现步骤摘要】
一种茄子茎夹角无损检测方法


[0001]本专利技术属于作物表型研究领域，更具体地说，尤其涉及一种茄子茎夹角无损检测方法。

技术介绍

[0002]自20世纪90年代初以来，“组学”(omics)成为生命科学领域最引人注目的新概念和新学科，如基因组学(genomics)、转录(transcriptomics)、蛋白质组学(proteomics)和代谢组学(melabolomics)等。伴随各种组学的不断兴起和发展，90年代末，人们提出表型组(phenome)和表型组学(phenomics)的概念。表型组(phenome)是指某一生物的全部性状特征；表型组学(phenomics)是一门在基因组水平上系统研究某一生物或细胞在各种不同环境条件下所有表型的学科。表型组学借助高通量的表型分析技术和平台与基因组学、转录组学、蛋白质组学、代谢组学结合在一起，己成为系统生物学的主要技术平台，应用于复杂的生命系统的研究。近十几年来,原先主要应用于动物及生物医学研究的表型组及表型组学研究平台也已经渗入到植物表型及相关组学的研究中毫无疑问，表型组学作为一个与表型鉴定相关的研究领域，是联系生物体基因型和表现型的桥梁；同时，表型组学利用目标群体详细的表型信息将为功能基因组学研究。
[0003]高通量表型组学的研究通常要在极短的时间内测量大量的样本，这中间必须有配合其需获取表型特征的各类装置与算法。CN107507192A《一种水稻剑叶夹角在体测量便携装置及在体测量方法》中提及一种水稻的叶夹角测量方法，但其方法并不适应无法弯折的茄子茎并且其算法同样不适用于茄子茎粗糙的表皮。汪韬，贡亮等人发表《基于自定义聚类的水稻剑叶夹角测量》中提及的方法中能有效的取水稻剑叶夹角，但其方法不使用茄子育种阶段一般种植于大棚，其中白色背景板很难与大棚的白色覆膜分离。并且水稻剑叶有其明显特征用于定位，但茄子茎没有明显特征判定。因此提出一种茄子茎夹角无损检测方法使其能快速稳定的测算茄子茎夹角，避免人工测量造成的主观误差成为迫切需求。

技术实现思路

[0004]本专利技术的目的是为了解决现有技术中存在的缺点，而提出的一种茄子茎夹角无损检测方法。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种茄子茎夹角无损检测方法，包括如下步骤：
[0006]S1、输入捕获的茄子茎夹角图像；
[0007]S2、对图像进行霍夫直线检测，将检测出的直线组合尝试组合为矩形，记录所有组合成功的矩形；
[0008]S3、判定组合成功的矩形数量，若数量大于N个，默认N>5，则进行S4步骤，若小于5个则认定为图片分析失败。
[0009]S4、将所有矩形组合成一个新的轮廓，计算该轮廓的最小外接矩形；
[0010]S5、按最小外接矩形分割出背景板以及茄子茎图像并灰度化图像。
[0011]S6、使用大律法将图像进行二值化，分割出茄子茎。
[0012]S7、将二值化图像进行骨骼化操作，得到茄子茎骨骼图。
[0013]S8、分析茄子茎骨骼图，对其进行角点检测，获取骨骼图关键节点。同时判定关键节点是否包含标定板内茄子茎最下方的点，若无则添加最下方的点到关键节点。
[0014]S9、将关键节点梳理出最下方到分叉点的直线L
b
，分叉点到最临近的左右侧点的直线L
l
和L
r
，计算L
l
和L
r
夹角。
[0015]S10、输出结果
[0016]优选的，所述S2中，获取的茄子茎夹角图像中应包含完整的背景板，待检测的植物根茎。拍摄时成像设备尽量居中于背景板且平行于背景板。背景板印刷有空心的棋盘格。
[0017]优选的，所述S2中，霍夫直线检测由图像处理库Emgucv实现，参数为
[0018]优选的，所述S4中，将所有矩形组合成一个新的轮廓过程，仅取各个矩形的顶点填充到新轮廓，减少系统运算量。
[0019]优选的，所述S6中，大律法将图像进行二值化之前进行高斯滤波操作，高斯核大小默认为H
e
＝w*2+1,其中w为棋盘格边界宽度，由图像处理库Emgucv的函数Threshold()实现。
[0020]优选的，所述S8中，角点检测通过遍历骨骼线上所有点，判定点附近区域的所有点与该点的灰度相似度：
[0021]其中(x,y)，(x0,y0)分别为模板中心像素点和待比较像素点的坐标，t为相似度阈值。此外，由于公式未考虑(x,y)在图像边界的情况，需检验角点中是否包含骨骼线最底部，若不存在则加入。
[0022]优选的，所述S9中，按点的位置关系组成为底部直线L
b
用于定位、左侧分叉L
l
和右侧L
R
用于计算茄子茎夹角。
[0023]本专利技术的技术效果和优点：本专利技术所有判定阈值均为分析茄子茎夹角图像后自动生成，且生成结果具有唯一性。有效的减少了人工介入造成的标准不统一，工作量巨大等困难，为后续的工作奠定了良好的基础，且此算法的计算过程简单，在一定程度上提高了测量茄子茎夹角的速度，从而更好的为茄子表型研究提供稳定高效数据支撑。
附图说明
[0024]图1为本专利技术的拍摄需求示意图；
[0025]图2为本专利技术图像处理流程结果示意；
[0026]图3为本专利技术的算法流程图；
具体实施方式
[0027]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合具体实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0028]本专利技术提供一种技术方案：一种食用菌团块图像自动切割算法，包括如下步骤：
[0029]S1、输入捕获的茄子茎夹角图像；
[0030]S2、对图像进行霍夫直线检测，将检测出的直线组合尝试组合为矩形，记录所有组合成功的矩形；
[0031]S3、判定组合成功的矩形数量，若数量大于N个,默认N>5，则进行S4步骤，若小于5个则认定为图片分析失败。
[0032]S4、将所有矩形组合成一个新的轮廓，计算该轮廓的最小外接矩形；
[0033]S5、按最小外接矩形分割出背景板以及茄子茎图像并灰度化图像。
[0034]S6、使用大律法将图像进行二值化，分割出茄子茎。
[0035]S7、将二值化图像进行骨骼化操作，得到茄子茎骨骼图。
[0036]S8、分析茄子茎骨骼图，对其进行角点检测，获取骨骼图关键节点。同时判定关键节点是否包含标定板内茄子茎最下方的点，若无则添加最下方的点到关键节点。
[0037]S9、将关键节点梳理出最下方到分叉点的直线L
b
，分叉点到最临近的左右侧点的直线L
l
和L
R<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种茄子茎夹角无损检测方法，其特征在于：包括如下步骤：S1、输入捕获的茄子茎夹角图像；S2、对图像进行霍夫直线检测，将检测出的直线组合尝试组合为矩形，记录所有组合成功的矩形；S3、判定组合成功的矩形数量，若数量大于N个，默认N&gt;5，则进行S4步骤，若小于N个则认定为图片分析失败。S4、将所有矩形组合成一个新的轮廓，计算该轮廓的最小外接矩形；S5、按最小外接矩形分割出背景板以及茄子茎图像并灰度化图像。S6、使用大律法将图像进行二值化，分割出茄子茎。S7、将二值化图像进行骨骼化操作，得到茄子茎骨骼图。S8、分析茄子茎骨骼图，对其进行角点检测，获取骨骼图关键节点。同时判定关键节点是否包含标定板内茄子茎最下方的点，若无则添加最下方的点到关键节点。S9、将关键节点梳理出最下方到分叉点的直线L
b
，分叉点到最临近的左右侧点的直线L
l
和L
r
，计算L
l
和L
r
夹角。S10、输出结果。2.根据权利要求1所述的一种茄子茎夹角无损检测方法，其特征在于：所述S1中，获取的图像中应包含完整的背景板，待检测的植物根茎。拍摄时成像设备尽量居中...

【专利技术属性】
技术研发人员：马超，李琳一，田明璐，班松涛，胡冬，袁涛，姚鑫锋，
申请(专利权)人：上海市农业科学院，
类型：发明
国别省市：