[发明专利]棉花检测分割计数方法及系统

说明书

本发明提供一种棉花检测分割计数方法及系统，属于计算机视觉技术领域，得到图像背景、前景的掩模图矩阵，初始化grabCut算法，进行分割；形态学处理，提取每个连通域的相关属性；对于满足条件的两个连通域，将其合并为一个区域；对于面积大于预设的第一面积阈值，且长短轴之比大于预设的长短轴之比阈值的连通域，将其分裂为两个单独的区域；对分裂后的单独的连通域进行棉花的计数。本发明在保持了模型体积轻量快速便于部署的同时，保证了准确度；提高了该算法分割的效果，提升了后续合并以及分裂处理过程的效率；避免了重复操作，提高了合并速度；分裂过程不必对瓶颈处等位置进行长度的检测，保证了检测到的亮度最高的位置分别属于两个区域，鲁棒性好。

技术领域

本发明涉及计算机视觉识别技术领域，具体涉及一种基于颜色与形态特征的白色棉花检测分割计数方法及系统。

背景技术

棉花是世界上最重要的经济纤维作物之一，占全球天然纤维总产量的近80％，而成熟期的白色棉花可以说是预测棉花纤维产量最重要的表型性状，棉铃数也是纤维产量的一个重要指标。

白色棉花的分割与定位检测以及铃数的统计不仅可以更好地了解作物生长发育的生理和遗传机制，还可以作为预测产量潜力和评估作物生长状况的重要指标，有助于及时作出作物管理决策。从而通过防止病虫害造成的产量损失和降低成本来最大化利润。

传统的产量预测基于人工抽样或目测和相关人员自身的经验，容易出现错误，而且对于评估植物育种项目中的数千个地块来说并不实用。而基于计算机视觉的系统与农业机器人或无人机相结合，可以实现棉花的分割定位检测、棉铃数的统计和产量预测的自动化等，显著的提高效率并减少人为错误。

近年来，许多研究者开发了各种基于视觉的计算机模型。这些模型涵盖了广泛的技术，如传统机器视觉、机器学习、深度学习等。虽然上述方法在过去的研究中取得了较好的准确性，并解决了一些问题，但在这一研究领域仍有改进的空间。

当前棉花分割与检测定位的传统方法存在识别率不高、鲁棒性较差的问题，而深度方法又存在模型体积大，难以在实际应用场景灵活部署等问题。

发明内容

本发明的目的在于提供一种在保证模型轻便便于部署的同时，提高棉花分割与检测定位的效率以及计数的准确度的棉花检测分割计数方法及系统，以解决上述背景技术中存在的至少一项技术问题。

为了实现上述目的，本发明采取了如下技术方案：

第一方面，本发明提供一种棉花检测分割计数方法，包括：

结合颜色特征，计算h通道直方图，得到图像背景、前景的掩模图矩阵，初始化grabCut算法，进行分割；

对分割后的图片进行初步的形态学处理，过滤掉较小面积的区域，以及填补区域中的闭合性孔洞，提取每个连通域的相关属性；

区域合并，对于满足条件的两个连通域，将其合并为一个区域；

区域分裂，对于面积大于预设的第一面积阈值，且长短轴之比大于预设的长短轴之比阈值的连通域，将其分裂为两个单独的区域；

对分裂后的单独的连通域进行棉花的计数。

优选的，对于每张棉花图像，计算其h通道的颜色直方图，在直方图的两个区间上分别计算最大值，得两个峰值，计算区间两个峰值间的最小值坐标；

将h通道图中像素值小于小峰值的点作为确定的背景点；将大于大峰值的部分作为确定的前景点；将大于小峰值且小于最小值坐标的部分作为可能的前景点；将大于最小值坐标且小于大峰值的部分作为待定的背景点；标记完成得到掩模矩阵mask；

随后使用grabCut分割算法进行分割，将上一步得到的mask掩模矩阵来初始化grabCut算法，进行分割，算法迭代一定次数，分割完成后，得到初步分割后的棉花前景区域。