CN107123115B - 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

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

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

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，Y_ij∈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f_max和f_min，并设置初始阈值T＝0.5*(f_max+f_min)；

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T_next＝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T_next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，S_i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，m_3i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，Y_ij∈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f_max和f_min，并设置初始阈值T＝0.5*(f_max+f_min)；

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T_next＝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T_next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，S_i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，m_3i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 (7)

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；

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，S_i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，m_3i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

a，b，c和d为回归系数，并计算清选损失率为：

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是清选损失率。

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：

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，Y_ij∈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f_max和f_min，并设置初始阈值T＝0.5*(f_max+f_min)；

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T_next＝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T_next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。