谷类作物粘连颗粒图像分割方法研究进展

在小麦、玉米等粮食作物的质量评价中，基于计算机视觉方法的应用研究非常广泛。在图像采集时，由于粮食颗粒形状小、数量多，分布随机、具有类圆性等特点，在质检时常出现粘连情况，将大大影响对粮食作物的准确计数、分类、定级、定价等。本文首先介绍基于阈值、边缘、区域等传统分割方法，阐明分水岭、凹点分割方法更加适用于粘连颗粒分割，明确各自优缺点；然后介绍基于深度学习分割算法的发展时间线，重点阐述基于U-Net、Mask R-CNN方法在处理粘连颗粒图像分割中的应用，统计相应的公开数据集，以找出更适合粘连籽粒分割的方法。最后对粘连颗粒图像分割方法所面临的挑战进行总结，并做出展望，为计算机视觉在相关领域的应用提供参考。 下载全文