基于HSV和骨架提取的水稻种子芽根长度自动化测量方法研究

种子的芽长和根长是评判种子质量的重要指标。传统的人工测量芽长与根长的方式，存在着繁琐、费时费力、易受主观判断影响等问题。利用图像处理技术的芽长根长自动检测算法能够提高芽长根长检测的效率，也避免了主观因素导致的误差。本研究基于HSV色彩空间和骨架提取，设计了种子芽长根长的检测方法。首先对图像进行阈值分割，其次再利用骨架提取算法结合深度优先搜索寻找水稻幼苗拓扑结构中最长路径，最后根据HSV色彩空间分割出的种子区域对芽和根进行分离，且采用间隔选取像素点坐标的方式计算欧式距离，并分别统计芽和根的长度。结果表明，本文方法自动测量的芽和根长度与人工实测数据的相关系数分别为0.998和0.997，平均百分比误差分别为1.48%和1.57%。基于HSV色彩空间和骨架提取的复合算法能够对种子萌发过程中的芽长与根长进行快速、准确地测量。     

基于Mask RCNN和视觉技术的玉米种子发芽自动检测方法

种子标准发芽试验中，为获取种子发芽和生长情况，需借助人工定时对种子的发芽率、发芽势、芽长和根长等相关指标进行统计和测量，该测定过程费时费力，且易对发芽的幼苗造成损伤。针对这些问题，该研究基于Mask RCNN(基于区域的卷积神经网络)模型和机器视觉技术设计了一种玉米种子发芽自动检测方法。首先，在玉米种子发芽试验的7 d内，每天采集模型训练和测试所需的图像，并用Labelme工具对种子位置进行标注，再利用标注图像训练种子定位模型；其次，根据模型定位出的玉米种子掩膜区域，设定一个监测种子发芽的椭圆区域，自动识别种子发芽状态；最后，利用骨架提取和深度搜索算法实现发芽种子幼苗主骨架线的提取，通过计算种子掩膜的质心坐标位置，实现芽和根长度的分别统计。结果表明，该方法能够有效识别发芽种子，实现发芽试验中玉米种子的发芽率、发芽势、芽长、根长等指标的自动统计，可为种子发芽试验的自动化管理提供技术参考。