CN107123115A - 一种基于图像处理的谷物收割清选损失实时在线检测方法 - Google Patents
一种基于图像处理的谷物收割清选损失实时在线检测方法 Download PDFInfo
- Publication number
- CN107123115A CN107123115A CN201710273872.9A CN201710273872A CN107123115A CN 107123115 A CN107123115 A CN 107123115A CN 201710273872 A CN201710273872 A CN 201710273872A CN 107123115 A CN107123115 A CN 107123115A
- Authority
- CN
- China
- Prior art keywords
- mrow
- image
- cereal
- loss
- grain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004140 cleaning Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003306 harvesting Methods 0.000 title claims abstract description 25
- 235000013339 cereals Nutrition 0.000 claims abstract description 110
- 238000005303 weighing Methods 0.000 claims abstract description 13
- 238000010998 test method Methods 0.000 claims abstract description 12
- 238000010219 correlation analysis Methods 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 239000013558 reference substance Substances 0.000 claims description 6
- 230000005021 gait Effects 0.000 claims description 4
- 241000196324 Embryophyta Species 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000003111 delayed effect Effects 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 10
- QNRATNLHPGXHMA-XZHTYLCXSA-N (r)-(6-ethoxyquinolin-4-yl)-[(2s,4s,5r)-5-ethyl-1-azabicyclo[2.2.2]octan-2-yl]methanol;hydrochloride Chemical compound Cl.C([C@H]([C@H](C1)CC)C2)CN1[C@@H]2[C@H](O)C1=CC=NC2=CC=C(OCC)C=C21 QNRATNLHPGXHMA-XZHTYLCXSA-N 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000011868 grain product Nutrition 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于图像处理的谷物收割清选损失实时在线检测方法,步骤包括:获取样本数据、图像处理以及相关性分析,利用相关系数检验法建立谷物横截面积与称重获得的损失量之间的相关性,计算出回归系数并建立回归方程,从而进一步求得清选损失率。该在线检测方法克服了传统谷物收割损失检测滞后、误差大的缺点,能够实时计算清选损失率,从而随着损失率的改变实时调整收割机前进速度、割幅宽度、鼓风机出风量和角度等工作参数,从而降低谷物脱粒不净率,夹带率,减少谷粒损失,提高粮食产量。
Description
技术领域
本发明涉及一种谷物收割清选损失实时在线检测方法,尤其是一种基于图像处理的谷物收割清选损失实时在线检测方法。
背景技术
农业机械化的大力发展提高了劳动生产率和经济效益。同时,随着农业机械化水平的提高,对于农业装备的智能化、信息化提出了更高的要求,不仅有利于丰产丰收,而且有利于减少对环境的污染和农业持续高效地发展。长期以来,谷物收割损失率一直是收获装备的重要指标值之一,也是农业工程研究领域的难题。
当前谷物收获装备的损失检测多采用后程人工检测方法,缺点是效率低、误差大,无实时数据,无法向收获装备实时反馈状态数据。国内外的研究中,提出了根据尾部清选排出物冲击压电传感器检测的方法,但该方法易受各种干扰,如潮湿且重量较大的茎、叶杂余对传感器的冲击,环境电磁噪声对传感器和调理电路的干扰等。该方法虽能实时检测,但易受干扰,误差较大。因此,如何设计一种能够实时检测同时误差小的谷物收割损失检测方法是改善现有谷物收割损失率检测性能、减少粮食浪费的一个重要研究课题。
发明内容
本发明要解决的技术问题是:当前谷物收获装备的损失检测多采用后程人工检测方法,缺点是效率低、误差大,无实时数据,无法向收获装备实时反馈状态数据。
为了解决上述技术问题,本发明提供了一种基于图像处理的谷物收割清选损失实时在线检测方法,包括如下步骤:
步骤1,获取样本数据,通过摄像头实时采集杂余排出口处的清选排出物图像,然后将谷物从排出物中分离,并分别对谷物和杂物进行称重,建立各称重数据间的函数关系;
步骤2,图像处理,对清选排出物图像依次进行灰度化处理、图像去噪处理以及图像增强处理,再通过自适应阈值分割算法对处理后的清选排出物图像进行二值化处理,再利用二值化后的清选排出物图像求出谷物横截面积;
步骤3,相关性分析,利用相关系数检验法建立谷物横截面积与称重获得的损失量之间的相关性,计算出回归系数并建立回归方程,从而进一步求得清选损失率。
该在线检测方法克服了传统谷物收割损失检测滞后、误差大的缺点,能够实时计算清选损失率,从而随着损失率的改变实时调整收割机前进速度、割幅宽度、鼓风机出风量和角度等工作参数,从而降低谷物脱粒不净率,夹带率,减少谷粒损失,提高粮食产量。
作为本发明的进一步限定方案,步骤1中,各称重数据间的函数关系为:
m1=m2+m3
F喂入量=D*V*B
m3=f(F喂入量,L,θ)
其中,m1是谷物样本毛重,m2是分离谷物后的杂物重量,m3是谷物重,即为损失量,F喂入量是收割机的喂入量,D是农作物密度,V是联合收割机的行进速度,B是收割机的割幅宽度,L是鼓风机的出风量,θ是鼓风机的出风角度,k是谷物损失率。
由上述公式可知,喂入量与农作物密度、联合收割机前进速度和联合收割机割幅宽成正比。损失量与F喂入量、鼓风机出风量和鼓风机角度有关。因此,联合收割机在作业过程中可以通过调节联合收割机行进速度、联合收割机割幅宽度继而改变喂入量,或者调节鼓风机吹风量和角度来保证损失率在可接受的范围内。
作为本发明的进一步限定方案,步骤2中,利用中值滤波法与小波阈值降噪法对清选排出物图像进行图像去噪处理;利用小波变换法对清选排出物图像进行图像增强处理。灰度化后,针对采集到的谷物图像受光照、内部噪声等影响,采用中值滤波与小波变换结合算法进行图像去噪。为了改善图像的视觉效果,提高图像成分的清晰度,使图像有利于计算机计算。采用小波变换来增强图像。由于图像经过二维小波分解后,图像的轮廓主要体现在低频部分,而细节部分则体现了高频部分,因此,在逆变换之前,可以通过对低频分解系数进行增强处理,对高频分解系数进行衰减处理,即可达到图像增强的作用。
作为本发明的进一步限定方案,步骤2中,利用中值滤波法对清选排出物图像进行图像去噪处理时,利用3×3十字菱形窗口进行遍历,小波变换的阈值计算公式为:
其中,σ为噪声标准差,N为信号的长度,对于二维图像,式中的N应为M*N,M、N分别为图像的行列数,噪声标准差为:
其中,Yij∈第一层细节信号,Median()为中值函数。
作为本发明的进一步限定方案,步骤2中,通过自适应阈值分割算法对处理后的清选排出物图像进行二值化处理时,将谷物和参考框图像设置为1,将茎、叶和杂草作为背景设置为0,再利用形态学方法去除谷物外部的参考框图像,自适应阈值分割算法通过迭代算法自动选取分割阈值。
作为本发明的进一步限定方案,通过迭代算法自动选取分割阈值的具体步骤为:
a,载入清选排出物图像f;
b,求出图像f的最大灰度值以及最小灰度值,分别记为fmax和fmin,并设置初始阈值T=0.5*(fmax+fmin);
c,根据初始阈值T将图像分割为前景A和背景B,再分别求出前景A和背景B区域的平均灰度值u1和u2;
d,求出新阈值Tnext=0.5*(u1+u2),若新阈值与初始阈值的差的绝对值相差小于0.5,则确定T为分割阈值,若新阈值与初始阈值的差的绝对值相差大于0.5,则以新阈值Tnext分割图像为前景A和背景B进行迭代计算。
作为本发明的进一步限定方案,步骤2中,利用二值化后的清选排出物图像求出谷物横截面积时,谷物横截面积是取连通区域内像素点的个数,并与参照物面积相对比求得谷物横截面积为:
其中,谷物像素总数就是统计f(x,y)=1的个数,是谷物图像包含的像素总数,B是参照物包含的像素总数,S参考物是参考物面积,S是谷物横截面积。
作为本发明的进一步限定方案,步骤3中,利用相关系数检验法建立谷物横截面积与称重获得的损失量之间的相关性时,相关系数的计算公式为:
其中,n为拍摄图片数,Si为第i张图片谷物横截面积,为n张图片谷物横截平均面积,m3i为第i张照片谷物损失量,为n张图片谷物平均损失量,在实验数据基础上,利用Logistic回归分析出损失量m3与图片中谷物横截面积S的线性关系,建立回归方程:
m3=aS3+bS2+cS+d
其中,m3为损失量,S为所拍摄图片中谷物的横截面积,a,b,c和d为回归系数,并计算清选损失率为:
本发明的有益效果在于:该在线检测方法克服了传统谷物收割损失检测滞后、误差大的缺点,能够实时计算清选损失率,从而随着损失率的改变实时调整收割机前进速度、割幅宽度、鼓风机出风量和角度等工作参数,从而降低谷物脱粒不净率,夹带率,减少谷粒损失,提高粮食产量。
附图说明
图1为本发明的方法流程图;
图2为本发明的图像处理技术分析谷物损失率技术路线图;
图3为本发明的图像处理过程图;
图4为本发明的中值滤波与小波变化结合法示意图;
图5为本发明的中值滤波3*3菱形窗口;
图6为本发明的自适应阈值分割算法。
具体实施方式
如图1-6所示,本发明公开的基于图像处理的谷物收割清选损失实时在线检测方法,包括如下步骤:
步骤1,获取样本数据,通过摄像头实时采集杂余排出口处的清选排出物图像,然后将谷物从排出物中分离,并分别对谷物和杂物进行称重,建立各称重数据间的函数关系;
步骤2,图像处理,对清选排出物图像依次进行灰度化处理、图像去噪处理以及图像增强处理,再通过自适应阈值分割算法对处理后的清选排出物图像进行二值化处理,再利用二值化后的清选排出物图像求出谷物横截面积;
步骤3,相关性分析,利用相关系数检验法建立谷物横截面积与称重获得的损失量之间的相关性,计算出回归系数并建立回归方程,从而进一步求得清选损失率。
其中,步骤1中,各称重数据间的函数关系为:
m1=m2+m3
F喂入量=D*V*B
m3=f(F喂入量,L,θ)
其中,m1是谷物样本毛重,m2是分离谷物后的杂物重量,m3是谷物重,即为损失量,F喂入量是收割机的喂入量,D是农作物密度,V是联合收割机的行进速度,B是收割机的割幅宽度,L是鼓风机的出风量,θ是鼓风机的出风角度,k是谷物损失率。
步骤2中,利用中值滤波法与小波阈值降噪法对清选排出物图像进行图像去噪处理;利用小波变换法对清选排出物图像进行图像增强处理;利用中值滤波法对清选排出物图像进行图像去噪处理时,利用3×3十字菱形窗口进行遍历,小波变换的阈值计算公式为:
其中,σ为噪声标准差,N为信号的长度,对于二维图像,式中的N应为M*N,M、N分别为图像的行列数,噪声标准差为:
其中,Yij∈第一层细节信号,Median()为中值函数。
通过自适应阈值分割算法对处理后的清选排出物图像进行二值化处理时,将谷物和参考框图像设置为1,将茎、叶和杂草作为背景设置为0,再利用形态学方法去除谷物外部的参考框图像,自适应阈值分割算法通过迭代算法自动选取分割阈值。
通过迭代算法自动选取分割阈值的具体步骤为:
a,载入清选排出物图像f;
b,求出图像f的最大灰度值以及最小灰度值,分别记为fmax和fmin,并设置初始阈值T=0.5*(fmax+fmin);
c,根据初始阈值T将图像分割为前景A和背景B,再分别求出前景A和背景B区域的平均灰度值u1和u2;
d,求出新阈值Tnext=0.5*(u1+u2),若新阈值与初始阈值的差的绝对值相差小于0.5,则确定T为分割阈值,若新阈值与初始阈值的差的绝对值相差大于0.5,则以新阈值Tnext分割图像为前景A和背景B进行迭代计算。
步骤2中,利用二值化后的清选排出物图像求出谷物横截面积时,谷物横截面积是取连通区域内像素点的个数,并与参照物面积相对比求得谷物横截面积为:
其中,谷物像素总数就是统计f(x,y)=1的个数,是谷物图像包含的像素总数,B是参照物包含的像素总数,S参考物是参考物面积,S是谷物横截面积。
步骤3中,利用相关系数检验法建立谷物横截面积与称重获得的损失量之间的相关性时,相关系数的计算公式为:
其中,n为拍摄图片数,Si为第i张图片谷物横截面积,为n张图片谷物横截平均面积,m3i为第i张照片谷物损失量,为n张图片谷物平均损失量,在大量实验数据基础上,利用Logistic回归分析出损失量m3与图片中谷物横截面积S的线性关系,建立回归方程:
m3=aS3+bS2+cS+d
其中,m3为损失量,S为所拍摄图片中谷物的横截面积,a,b,c和d为回归系数,从而计算出清选损失率为:
该在线检测方法克服了传统谷物收割损失检测滞后、误差大的缺点,能够实时计算清选损失率,从而随着损失率的改变实时调整收割机前进速度、割幅宽度、鼓风机出风量和角度等工作参数,从而降低谷物脱粒不净率,夹带率,减少谷粒损失,提高粮食产量。
本发明将图像处理算法应用到了联合收割机谷物收割损失检测当中,通过高性能的嵌入式图像处理系统和科学的数学模型,实时检测损失总量和清算损失率,相对于传统人工方法和冲击压电传感器检测方法,大大提高了时效性和准确性,而且抗干扰能力强,提高了系统的稳定性,为联合收割机提供实时的损失率,指导收获装备,提高工作效率。
Claims (8)
1.一种基于图像处理的谷物收割清选损失实时在线检测方法,其特征在于,包括如下步骤:
步骤1,获取样本数据,通过摄像头实时采集杂余排出口处的清选排出物图像,然后将谷物从排出物中分离,并分别对谷物和杂物进行称重,建立各称重数据间的函数关系;
步骤2,图像处理,对清选排出物图像依次进行灰度化处理、图像去噪处理以及图像增强处理,再通过自适应阈值分割算法对处理后的清选排出物图像进行二值化处理,再利用二值化后的清选排出物图像求出谷物横截面积;
步骤3,相关性分析,利用相关系数检验法建立谷物横截面积与称重获得的损失量之间的相关性,计算出回归系数并建立回归方程,从而进一步求得清选损失率。
2.根据权利要求1所述的基于图像处理的谷物收割清选损失实时在线检测方法,其特征在于,步骤1中,各称重数据间的函数关系为:
m1=m2+m3
F喂入量=D*V*B
m3=f(F喂入量,L,θ)
其中,m1是谷物样本毛重,m2是分离谷物后的杂物重量,m3是谷物重,即为损失量,F喂入量是收割机的喂入量,D是农作物密度,V是联合收割机的行进速度,B是收割机的割幅宽度,L是鼓风机的出风量,θ是鼓风机的出风角度,k是谷物损失率。
3.根据权利要求2所述的基于图像处理的谷物收割清选损失实时在线检测方法,其特征在于,步骤2中,利用中值滤波法与小波阈值降噪法对清选排出物图像进行图像去噪处理;利用小波变换法对清选排出物图像进行图像增强处理。
4.根据权利要求3所述的基于图像处理的谷物收割清选损失实时在线检测方法,其特征在于,步骤2中,利用中值滤波法对清选排出物图像进行图像去噪处理时,利用3×3十字菱形窗口进行遍历,小波变换的阈值计算公式为:
<mrow>
<mi>T</mi>
<mo>=</mo>
<mi>&sigma;</mi>
<msqrt>
<mrow>
<mn>2</mn>
<mi>ln</mi>
<mi> </mi>
<mi>N</mi>
</mrow>
</msqrt>
</mrow>
其中,σ为噪声标准差,N为信号的长度,对于二维图像,式中的N应为M*N,M、N分别为图像的行列数,噪声标准差为:
<mrow>
<mi>&sigma;</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>M</mi>
<mi>e</mi>
<mi>d</mi>
<mi>i</mi>
<mi>a</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mo>|</mo>
<msub>
<mi>Y</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<mo>)</mo>
</mrow>
</mrow>
<mn>0.6745</mn>
</mfrac>
</mrow>
其中,Yij∈第一层细节信号,Median()为中值函数。
5.根据权利要求3所述的基于图像处理的谷物收割清选损失实时在线检测方法,其特征在于,步骤2中,通过自适应阈值分割算法对处理后的清选排出物图像进行二值化处理时,将谷物和参考框图像设置为1,将茎、叶和杂草作为背景设置为0,再利用形态学方法去除谷物外部的参考框图像,自适应阈值分割算法通过迭代算法自动选取分割阈值。
6.根据权利要求5所述的基于图像处理的谷物收割清选损失实时在线检测方法,其特征在于,通过迭代算法自动选取分割阈值的具体步骤为:
a,载入清选排出物图像f;
b,求出图像f的最大灰度值以及最小灰度值,分别记为fmax和fmin,并设置初始阈值T=0.5*(fmax+fmin);
c,根据初始阈值T将图像分割为前景A和背景B,再分别求出前景A和背景B区域的平均灰度值u1和u2;
d,求出新阈值Tnext=0.5*(u1+u2),若新阈值与初始阈值的差的绝对值相差小于0.5,则确定T为分割阈值,若新阈值与初始阈值的差的绝对值相差大于0.5,则以新阈值Tnext分割图像为前景A和背景B进行迭代计算。
7.根据权利要求1所述的基于图像处理的谷物收割清选损失实时在线检测方法,其特征在于,步骤2中,利用二值化后的清选排出物图像求出谷物横截面积时,谷物横截面积是取连通区域内像素点的个数,并与参照物面积相对比求得谷物横截面积为:
其中,谷物像素总数就是统计f(x,y)=1的个数,是谷物图像包含的像素总数,B是参照物包含的像素总数,S参考物是参考物面积,S是谷物横截面积。
8.根据权利要求1所述的基于图像处理的谷物收割清选损失实时在线检测方法,其特征在于,步骤3中,利用相关系数检验法建立谷物横截面积与称重获得的损失量之间的相关性时,相关系数的计算公式为:
<mrow>
<mi>R</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>s</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mrow>
<mn>3</mn>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>m</mi>
<mn>3</mn>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>s</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mrow>
<mn>3</mn>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>m</mi>
<mn>3</mn>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
</mrow>
其中,n为拍摄图片数,Si为第i张图片谷物横截面积,为n张图片谷物横截平均面积,m3i为第i张照片谷物损失量,为n张图片谷物平均损失量,在实验数据基础上,利用Logistic回归分析出损失量m3与图片中谷物横截面积S的线性关系,建立回归方程:
m3=aS3+bS2+cS+d
其中,m3为损失量,S为所拍摄图片中谷物的横截面积,a,b,c和d为回归系数,并计算清选损失率为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710273872.9A CN107123115B (zh) | 2017-04-25 | 2017-04-25 | 一种基于图像处理的谷物收割清选损失实时在线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710273872.9A CN107123115B (zh) | 2017-04-25 | 2017-04-25 | 一种基于图像处理的谷物收割清选损失实时在线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107123115A true CN107123115A (zh) | 2017-09-01 |
CN107123115B CN107123115B (zh) | 2019-12-10 |
Family
ID=59724863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710273872.9A Active CN107123115B (zh) | 2017-04-25 | 2017-04-25 | 一种基于图像处理的谷物收割清选损失实时在线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107123115B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108901348A (zh) * | 2018-07-17 | 2018-11-30 | 中国铁建重工集团有限公司 | 一种采棉机控制方法、系统、装置及可读存储介质 |
CN108990521A (zh) * | 2018-09-30 | 2018-12-14 | 江苏农牧科技职业学院 | 一种基于嵌入式的收割机割台集成控制系统 |
CN109566064A (zh) * | 2018-12-11 | 2019-04-05 | 农业部南京农业机械化研究所 | 一种谷物收获机损失量检测装置及检测方法 |
CN109991911A (zh) * | 2019-05-05 | 2019-07-09 | 西安邮电大学 | 一种基于物联网的果园综合监控系统 |
CN110765905A (zh) * | 2019-10-11 | 2020-02-07 | 南京大学 | 一种联合收割机收获谷物包含杂质比重的测量方法及其装置 |
CN112067616A (zh) * | 2020-09-28 | 2020-12-11 | 江苏大学 | 一种谷物品质实时检测装置及方法 |
CN112970033A (zh) * | 2018-11-07 | 2021-06-15 | 格立莫农业机械制造有限两合公司 | 用于对收获根茎作物的机器的运行进行调节的方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102306299A (zh) * | 2011-07-22 | 2012-01-04 | 浙江农林大学 | 基于斜率、截距和相关系数的距离测度方法 |
-
2017
- 2017-04-25 CN CN201710273872.9A patent/CN107123115B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102306299A (zh) * | 2011-07-22 | 2012-01-04 | 浙江农林大学 | 基于斜率、截距和相关系数的距离测度方法 |
Non-Patent Citations (4)
Title |
---|
MAROUF KHALILI ETC.: ""Evaluation o f relationships among grain yield and related traits in Maize (Zea mays L.) cultivars under drought stress"", 《INTERNATIONAL JOURNAL OF AGRONOMY AND PLANT PRODUCTION》 * |
MOJGAN BAHOUSH ETC.: ""Correlation Coefficient Analysis Between Grain Yield and Its Components in Corn (Zea Mays L.)Hybrids"", 《INTERNATIONAL MEETING ON SOIL FERTILITY LAND MANAGEMENT AND AGROCLIMATOLOGY》 * |
汪勇等: ""用相关系数检验回归方程及其在分析测试中的应用"", 《川化》 * |
王安皆等: ""基于ImageJ图像处理技术检测家蚕一代杂交种的良卵数和良卵率"", 《蚕业科学》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108901348A (zh) * | 2018-07-17 | 2018-11-30 | 中国铁建重工集团有限公司 | 一种采棉机控制方法、系统、装置及可读存储介质 |
CN108990521A (zh) * | 2018-09-30 | 2018-12-14 | 江苏农牧科技职业学院 | 一种基于嵌入式的收割机割台集成控制系统 |
CN108990521B (zh) * | 2018-09-30 | 2023-11-10 | 江苏农牧科技职业学院 | 一种基于嵌入式的收割机割台集成控制系统 |
CN112970033A (zh) * | 2018-11-07 | 2021-06-15 | 格立莫农业机械制造有限两合公司 | 用于对收获根茎作物的机器的运行进行调节的方法 |
US20210378170A1 (en) * | 2018-11-07 | 2021-12-09 | Grimme Landmaschinenfabrik Gmbh & Co. Kg | Method for controlling the operation of a machine for harvesting root crop |
CN109566064A (zh) * | 2018-12-11 | 2019-04-05 | 农业部南京农业机械化研究所 | 一种谷物收获机损失量检测装置及检测方法 |
CN109991911A (zh) * | 2019-05-05 | 2019-07-09 | 西安邮电大学 | 一种基于物联网的果园综合监控系统 |
CN110765905A (zh) * | 2019-10-11 | 2020-02-07 | 南京大学 | 一种联合收割机收获谷物包含杂质比重的测量方法及其装置 |
CN112067616A (zh) * | 2020-09-28 | 2020-12-11 | 江苏大学 | 一种谷物品质实时检测装置及方法 |
CN112067616B (zh) * | 2020-09-28 | 2024-06-11 | 江苏大学 | 一种谷物品质实时检测装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107123115B (zh) | 2019-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107123115A (zh) | 一种基于图像处理的谷物收割清选损失实时在线检测方法 | |
Zhang et al. | Hyperspectral imaging technology combined with deep forest model to identify frost-damaged rice seeds | |
Umamageswari et al. | A novel fuzzy C-means based chameleon swarm algorithm for segmentation and progressive neural architecture search for plant disease classification | |
CN105184824B (zh) | 基于图像传感网的智能农业驱鸟系统 | |
Arakeri et al. | Computer vision based robotic weed control system for precision agriculture | |
Mishra et al. | A Deep Learning-Based Novel Approach for Weed Growth Estimation. | |
Malik et al. | Detection and counting of on-tree citrus fruit for crop yield estimation | |
CN103489006A (zh) | 一种基于计算机视觉的水稻病虫草害诊断方法 | |
Concepcion et al. | Diseased surface assessment of maize cercospora leaf spot using hybrid gaussian quantum-behaved particle swarm and recurrent neural network | |
CN110619263A (zh) | 低秩联合协同表示的高光谱遥感影像异常探测方法 | |
CN113468984A (zh) | 一种农作物病虫害叶片识别系统、识别方法及病虫害预防方法 | |
Chen et al. | Multi-threshold image segmentation of maize diseases based on elite comprehensive particle swarm optimization and otsu | |
Manavalan | Efficient detection of sugarcane diseases through intelligent approaches: a review | |
Zhao et al. | A novel algorithm for damage recognition on pest-infested oilseed rape leaves | |
Gao et al. | A recognition method of multispectral images of soybean canopies based on neural network | |
Zhang et al. | Robust image segmentation method for cotton leaf under natural conditions based on immune algorithm and PCNN algorithm | |
Kandalkar et al. | Classification of agricultural pests using dwt and back propagation neural networks | |
CN102314687B (zh) | 一种红外序列图像中的小目标检测方法 | |
Ye et al. | Cucumber appearance quality detection under complex background based on image processing | |
Balakrishna et al. | Tomato Leaf Disease Detection Using Deep Learning: A CNN Approach | |
Deng et al. | Identification of Banana Leaf Disease Based on KVA and GR-ARNet1 | |
CN115392311A (zh) | 基于变分模态分解的高效甘蔗茎节识别方法 | |
Chelloug et al. | MULTINET: A Multi-Agent DRL and EfficientNet Assisted Framework for 3D Plant Leaf Disease Identification and Severity Quantification | |
Deisy et al. | Image segmentation for feature extraction: A study on disease diagnosis in agricultural plants | |
US20230080863A1 (en) | Method for operating a machine for harvesting and/or separating root crops, associated machine and associated computer program product |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |