CN108196828A - 基于android智能手机的无人插秧机监控系统APP软件的设计方法 - Google Patents

基于android智能手机的无人插秧机监控系统APP软件的设计方法 Download PDF

Info

Publication number
CN108196828A
CN108196828A CN201711309685.8A CN201711309685A CN108196828A CN 108196828 A CN108196828 A CN 108196828A CN 201711309685 A CN201711309685 A CN 201711309685A CN 108196828 A CN108196828 A CN 108196828A
Authority
CN
China
Prior art keywords
rice transplanter
rice
seedling
image
unmanned
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.)
Pending
Application number
CN201711309685.8A
Other languages
English (en)
Inventor
赵德安
张勇
李洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201711309685.8A priority Critical patent/CN108196828A/zh
Publication of CN108196828A publication Critical patent/CN108196828A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/20—Software design
    • 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
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
    • H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Abstract

本发明公开了一种基于android智能手机的无人插秧机监控系统APP软件的设计方法。包括配置插秧机机载终端，以插秧机发动机转速、传动油温为检测参数，并通过相应的传感器来采集插秧机工况参数；将检测参数通过数据采集卡传给机载工控机进行处理；配置工控机，用于处理所接收的GPS导航数据、秧苗图像，并将处理后得到的GPS定位信息、秧苗栽植质量信息与工况检测信息按照自定义格式保存在终端；通过4G模块实现工控机与远程终端通讯，以便远程监控的APP软件进行访问；通过远程监控APP软件实时获取插秧机自身的工况参数信息和插秧机栽插质量的数据信息以便对插秧机下发指令进行简单的控制和工作故障的预判。

Description

基于android智能手机的无人插秧机监控系统APP软件的设计 方法
技术领域
本发明涉及到软件开发技术，数据传输领域的技术，路径规划算法的运用。特别涉及到基于android智能手机的无人插秧机监控系统的设计，属于农机设备手持终端的监控领域。
背景技术
近年来,随着国内农业物联网进程的快速发展,出现了各种便携式设备应用在了对农业机械的实时数据监控系统中。虽然科技的进步使农业机械化、自动化得到了快速发展，但由于工作效率、成本、功能等诸多因素。无人插秧机工作时，我们如何快速获取插秧机完整的监控数据，从而远程控制插秧机如何更好的工作。
随着移动互联网技术和通讯技术的发展，智能手机功能的如今以非常强大，人们生活已经完全离不开它。如何将它应用到无人插秧机的监控系统中，提升工作的便捷性、及时性，是很多技术开发人员所关心的。其中，相对于其它操作系统的手机。Android操作系统的智能手机在用户群中占有很高的比重。所以，将监控系统的客户端搬至Android智能平台是大势所趋，更好的提高了便捷性和实时性。相比于传统的计算机终端系统对插秧机的监控，智能手机客户端的开发在很大程度上也节约了开发成本，工作地点无需固定，也有更好的交互和体验。
发明内容
本发明的目的是为了解决现有的农业机械监控方式的局限性，使用基于Android智能手机的平台搭建无人插秧机监控系统的终端代替传统的监控终端。运用云服务器搭建高可靠性的服务器为手机终端提供数据访问。在云服务器上编写并且运行图像处理和轨迹规划算法程序，服务器程序基于Reactor事件驱动模模型的网络库调用构建而成的。本发明所涉及的技术同样适用于其它农业机械设备的监控系统中。
本发明为了解决上述问题，采用的技术方案包含以下步骤：
第一步：配置插秧机机载终端，选取了不同传感器用于采集插秧机工况检测参数，使用实时差分定位模式的高精度GPS系统模块采集得到无人插秧机当前的位置；
第二步：通过APP客户端与机载服务器进行通信，运用路劲规划算法来对无人插秧机的目标路径进行切换，并控制插秧机的航行速度；
第三步：采用一个基于Reactor事件驱动模型的在线网络库来搭建一个在线的图像处理服务器程序，为APP提供可靠性的稳定的数据并发访问；
第四步：使用APP客户端访问插秧机机载终端的一个在线图像处理服务器数据库，对插秧机栽植质量的数据进行访问，得到插秧机的插秧质量，以及插秧机插秧执行机构的故障诊断。
进一步，所述第一步中选取了不同传感器用于采集插秧机工况检测参数，使用实时差分定位模式的高精度GPS系统模块采集得到无人插秧机当前的位置。
步骤1.1，机载终端通过4G通信模块发送实时GPS定位信息给远程监控中心服务器并进行解析；
步骤1.2，将解析的GPS定位的信息与GIS技术对田块作业区域进行边界限定，保证插秧机在规定的区域内作业以及在出现越界作业时能及时报警提示；
步骤1.3，根据定位信息结合经过图像处理后的秧苗图像分析得到带有位置信息的漏秧或漂秧情况，并在电子地图上直观显示，使用户对作业区域的栽植质量有个整体的了解。
进一步，所述第二步中通过APP客户端与机载服务器进行通信，运用一些路劲规划算法来对无人插秧机的目标路径进行切换，并控制插秧机的航行速度。
步骤2.1，通过APP对插秧机的行进目标进行切换，把切换的信息提交给机载服务器，机载服务器程序利用Dijkstra的扩展算法A*算法对进行寻路，得出行走最佳路径。公式表示为：f(n)＝g(n)+h(n)，其中f(n)是从初始点到目标点的估价函数，g(n)是从初始点到节点n的代价，h(n)是从节点n到目标节点的估计代价。
步骤2.2，最后将机载服务器程序得出的最佳路径信息传送给控制行走的执行机构。
进一步，所述第三步中使用基于Reactor事件驱动模型编写一个专用的服务器网络库。
步骤3.1，将所有要处理的I/O事件注册到一个中心I/O多路复用器上，同时主线程/进程阻塞在多路复用器上；
步骤3.2，当有I/O事件到来或是准备就绪(文件描述符或socket可读、写)，多路复用器返回并将事先注册的相应I/O事件分发到对应的处理器中。
步骤3.3，最后对处理器中所分发的I/O事件进行处理。
进一步，所述第四步使用APP客户端访问插秧机机载终端的一个在线图像处理服务器的数据库，对插秧机栽植质量的数据进行访问，得到插秧机的插秧质量，以及插秧机插秧执行机构的故障诊断。
步骤4.1，服务器程序将采集来的图像使用实时性较好的ORB算法提取秧苗图像的特征点并用FLANN匹配算法进行了特征匹配，确定秧苗匹配图像，具体步骤如下：
(a)在FAST算法的基础上添加方向信息用来对特征点的提取，过程是将图片选取一个像素点P，亮度值设为I，设定一个合适的阀值t。以该像素点为中心的一个半径等于3个像素的离散化的圆，这个圆的边界上有16个像素，其中有n个连续的像素点，它们的像素值要么都比I+t大，要么都比I-t小，那么它就是一个特征点。在BRIEF算法的基础上新增旋转因子进行特征点描述，过程是将计算出来的二进制串的特征描述符，在一个特征点的邻域内，选择n对像素点pi、qi(i＝1,2,…,n)。然后比较每个点对的灰度值的大小。如果I(pi)>I(qi)，则生成二进制串中的1，否则为0。所有的点对都进行比较，则生成长度为n的二进制串。一般n取128、256或512，这里默认为256。
(b)使用快速近似最近邻查找算法，依据K均值树或KD-TREE搜索来完成，算法模型的特征空间一般为Rn，核心是利用欧式距离来搜索其实例点的领域。假如特征点为r和s，其对应的特征分向量记为Dr和Ds，则欧式距离：
d(r,s)＝<Dr-Ds·Ds-Dr>
为了搜索在KD-TREE中和目标点离得最近的欧氏距离，KD-TREE将数据点在空间Rn下划分成几个特定的部分。Rn中所有的欧氏距离d(r,s)经过KD-TREE结构进行存储后，便能有效搜索离参考点最靠近的点。整个过程是KD-TREE从上至下进行递归搜索的。选取特定维数为参考基准，比较分割点与目标点的值，判别目标点所在区域；然后循环与对应的节点相比较，直至成功搜索目标点。
(c)采用基于频域的平滑滤波算法对秧苗图像进行增强，然后使用ORB算法和FLANN算法对相邻时刻采集的图像进行匹配，最终找出它们重合的部分。
步骤4.2，将基于ORB算法提取的特征点以及FLANN匹配算法得到的图像信息，进行秧苗特征选择和图像阈值分割，来对秧苗进行分割处理；
(a)采用了基于二值图像的形态学算法来判断秧苗图中存在漏秧或漂秧的区域；首先滤除分割结果中像素面积小于50的连通区得到二值图像，然后采用50*50的结构元素进行闭运算使位置上相互接近的连通区连成一体得到新的图像，最后计算每个连通区的质心。
(b)经过漏秧和漂秧的检测，当检测到秧苗中有一列出现漏秧或漂秧时，则将其对应标志位置1，并记录该列漏秧或漂秧的总行数。
(c)根据一列中出现漏秧或漂秧的总行数为栽植质量进行等级分类，其中0～20％为等级1，20％～40％为等级2，40％～100％为等级3，然后综合计算出一帧秧苗图的等级,实现对插秧机插秧质量的分析。
(d)通过插秧机的漏秧检测参数，用来对秧机机构的故障进行初步诊断。
附图说明
图1是一个App监控客户端的软件结构图；
图2是服务器网络库Reactor事件驱动模型的UML类图；
图3是秧苗栽插质量等级处理的流程图；
图4是系统示意图。
图5是系统框图。
具体实施方式
如图4、5所述，为了更为具体地描述本发明，下面结合附图和具体实施例对本发明进行详细说明。
本发明的方法包含以下步骤：
第一步：配置插秧机机载终端，选取了不同传感器用于采集插秧机工况检测参数，使用实时差分定位模式的高精度GPS系统模块采集得到无人插秧机当前的位置；
第二步：通过APP客户端与机载服务器进行通信，运用路劲规划算法来对无人插秧机的目标路径进行切换，并控制插秧机的航行速度；
第三步：采用一个基于Reactor事件驱动模型的在线网络库来搭建一个在线的图像处理服务器程序，为APP提供可靠性的稳定的数据并发访问；
第四步：使用APP客户端访问插秧机机载终端的一个在线图像处理服务器数据库，对插秧机栽植质量的数据进行访问，得到插秧机的插秧质量，以及插秧机插秧执行机构的故障诊断。
所述第一步中选取了不同传感器用于采集插秧机工况检测参数，使用实时差分定位模式的高精度GPS系统模块采集得到无人插秧机当前的位置。
步骤1.1，机载终端通过4G通信模块发送实时GPS定位信息给远程监控中心服务器并进行解析；
步骤1.2，将解析的GPS定位的信息与GIS技术对田块作业区域进行边界限定，保证插秧机在规定的区域内作业以及在出现越界作业时能及时报警提示；
步骤1.3，根据定位信息结合经过图像处理后的秧苗图像分析得到带有位置信息的漏秧或漂秧情况，并在电子地图上直观显示，使用户对作业区域的栽植质量有个整体的了解。
所述第二步中通过APP客户端与机载服务器进行通信，运用一些路劲规划算法来对无人插秧机的目标路径进行切换，并控制插秧机的航行速度。
步骤2.1，通过APP对插秧机的行进目标进行切换，把切换的信息提交给机载服务器，机载服务器程序利用Dijkstra的扩展算法A*算法对进行寻路，得出行走最佳路径。
步骤2.2，最后将机载服务器程序得出的最佳路径信息传送给控制行走的执行机构。
所述第三步中使用基于Reactor事件驱动模型编写一个专用的服务器网络库。
步骤3.1，将所有要处理的I/O事件注册到一个中心I/O多路复用器上，同时主线程/进程阻塞在多路复用器上；
步骤3.2，当有I/O事件到来或是准备就绪(文件描述符或socket可读、写)，多路复用器返回并将事先注册的相应I/O事件分发到对应的处理器中。
步骤3.3，最后对处理器中所分发的I/O事件进行处理。
所述第四步使用APP客户端访问插秧机机载终端的一个在线图像处理服务器的数据库，对插秧机栽植质量的数据进行访问，得到插秧机的插秧质量，以及插秧机插秧执行机构的故障诊断。
步骤4.1，服务器程序将采集来的图像使用实时性较好的ORB算法提取秧苗图像的特征点并用FLANN匹配算法进行了特征匹配，确定秧苗匹配图像，具体步骤如下：
(a)在FAST算法的基础上添加方向信息用来对特征点的提取，在BRIEF算法的基础上新增旋转因子进行特征点描述；
(b)使用快速近似最近邻查找算法，其算法模型的特征空间一般为Rn，核心是利用欧式距离来搜索其实例点的领域。
(c)采用基于频域的平滑滤波算法对秧苗图像进行增强，然后使用ORB算法和FLANN算法对相邻时刻采集的图像进行匹配，最终找出它们重合的部分。
步骤4.2，将基于ORB算法提取的特征点以及FLANN匹配算法得到的图像信息，进行秧苗特征选择和图像阈值分割，来对秧苗进行分割处理；
(a)采用了基于二值图像的形态学算法来判断秧苗图中存在漏秧或漂秧的区域；
(b)经过漏秧和漂秧的检测，当检测到秧苗中有一列出现漏秧或漂秧时，则将其对应标志位置1，并记录该列漏秧或漂秧的总行数。
(c)根据一列中出现漏秧或漂秧的总行数为栽植质量进行等级分类，其中0～20％为等级1，20％～40％为等级2，40％～100％为等级3，然后综合计算出一帧秧苗图的等级,实现对插秧机插秧质量的分析。
(d)通过插秧机的漏秧检测参数，用来对秧机机构的故障进行初步诊断。
图1是一个Android客户端的软件架构示意图包含了无人插秧机手机客户端的一些相关设置视图窗口和按钮，如用户名和密码登录、监控工作站对历史数据库的访问权限、帮助设置、菜单设置等；该监控软件通过获得服务器中机载信息采集系统上传的定位数据、行走速度、插秧速度、插秧成功率等实时信息，并将插秧机在一定区域内作业质量、作业效率等信息与GIS数据库相结合生成实时作业质量分布图。
图2是一个网络服务器的事件驱动模型的UML类图。在Reactor模式中，有5个关键的参与者：
1描述符(Handle)：由操作系统提供的资源，用于识别每一个事件，如Socket描述符、文件描述符、信号的值等。在Linux中，它用一个整数来表示。事件可以来自外部，如来自客户端的连接请求、数据等。事件也可以来自内部，如信号、定时器事件。
2同步事件多路分离器(Event Demultiplexer)：事件的到来是随机的、异步的，无法预知程序何时收到一个客户连接请求或收到一个信号。所以程序要循环等待并处理事件，这就是事件循环。在事件循环中，等待事件一般使用I/O复用技术实现。在linux系统上一般是select、poll、epol_waitl等系统调用，用来等待一个或多个事件的发生。I/O框架库一般将各种I/O复用系统调用封装成统一的接口，称为事件多路分离器。调用者会被阻塞，直到分离器分离的描述符集上有事件发生。
3事件处理器(Event Handler)：I/O框架库提供的事件处理器通常是由一个或多个模板函数组成的接口。这些模板函数描述了和应用程序相关的对某个事件的操作，用户需要继承它来实现自己的事件处理器，即具体事件处理器。因此，事件处理器中的回调函数一般声明为虚函数，以支持用户拓展。
4具体的事件处理器(Concrete Event Handler)：是事件处理器接口的实现。它实现了应用程序提供的某个服务。每个具体的事件处理器总和一个描述符相关。它使用描述符来识别事件、识别应用程序提供的服务。
5Reactor管理器(Reactor)：定义了一些接口，用于应用程序控制事件调度，以及应用程序注册、删除事件处理器和相关的描述符。它是事件处理器的调度核心，Reactor管理器使用同步事件分离器来等待事件的发生。一旦事件发生，Reactor管理器先是分离每个事件，然后调度事件处理器，最后调用相关的模板函数来处理这个事件。
图3是一个无人插秧机秧苗栽插质量等级处理的流程图。
将漏秧漂秧苗分开进行等级处理，分别进行标定、检测、等级划分，综合计算后得出栽插质量的数据。
综上，本发明公开了一种基于Android智能手机的无人插秧机监控系统APP设计方法。总系统分为插秧机机载终端和远程监控软件两部分。该监控系统软件APP设计包括以下步骤：第一步：配置插秧机机载终端，以插秧机发动机转速、传动油温为检测参数，并通过相应的传感器来采集插秧机工况参数；第二步：将检测参数通过数据采集卡传给机载工控机进行处理；第三步：配置工控机，用于处理所接收的GPS导航数据、秧苗图像，并将处理后得到的GPS定位信息、秧苗栽植质量信息与工况检测信息按照自定义格式保存在终端；第四步：通过4G模块实现工控机与远程终端通讯，以便远程监控的APP软件进行访问；第五步：通过远程监控APP软件实时获取插秧机自身的工况参数信息和插秧机栽插质量的数据信息以便对插秧机下发指令进行简单的控制和工作故障的预判。这种设计方法提供了良好的人机交互界面，使人对插秧机监控信息的获取提供了更好的体验，不受地点环境等因素影响。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (7)

1.基于android智能手机的无人插秧机监控系统APP软件的设计方法，其特征在于，包括以下步骤：
第一步：设计插秧机机载终端，选取了不同传感器用于采集插秧机工况检测参数，使用实时差分定位模式的高精度GPS系统模块采集得到无人插秧机当前的位置；
第二步：通过APP客户端与机载服务器进行通信，运用路径规划算法来对无人插秧机的目标路径进行切换，并控制插秧机的航行速度；
第三步：设计一个基于Reactor事件驱动模型的网络库，并搭建一个在线图像处理服务器程序，为APP提供稳定可靠的数据访问；
第四部：使用APP客户端访问插秧机机载终端的一个在线图像处理服务器数据库，对插秧机栽植质量的数据进行访问，得到插秧机的插秧质量，并对插秧机插秧执行机构的故障诊断。
2.如权利要求1所述基于android智能手机的无人插秧机监控系统APP软件的设计方法，其特征在于：所述第一步中使用实时差分定位模式的高精度GPS系统模块采集定位信息得到无人插秧机当前的位置，得到插秧机的工作区域是否安全，具体步骤如下：
步骤1.1，机载终端通过4G通信模块发送实时GPS定位信息给远程监控中心服务器并进行解析；
步骤1.2，将解析的GPS定位的信息与GIS技术对田块作业区域进行边界限定，保证插秧机在规定的区域内作业，若出现越界作业时则及时做出报警提示；
步骤1.3，根据定位信息结合经过图像处理后的秧苗图像分析得到带有位置信息的漏秧或漂秧情况，并在电子地图上直观显示，使用户对作业区域的栽植质量有个整体的了解。
3.如权利要求1所述的基于android智能手机的无人插秧机监控系统APP软件的设计方法，其特征在于，所述第二步的具体过程为：
步骤2.1，通过APP对插秧机的行进目标进行切换，把切换的信息提交给机载服务器，机载服务器程序利用Dijkstra的扩展算法A*算法对进行寻路，得出行走最佳路径；
步骤2.2，将机载服务器程序得出的最佳路径信息传送给控制行走的执行机构。
4.如权利要求1所述的基于android智能手机的无人插秧机监控系统APP软件的设计方法，其特征在于，所述第三步的具体过程为：
步骤3.1，将所有要处理的I/O事件注册到一个中心I/O多路复用器上，同时主线程/进程阻塞在多路复用器上；
步骤3.2，当有I/O事件到来或是文件描述符准备就绪，或socket可读、写，多路复用器返回并将事先注册的相应I/O事件分发到对应的处理器中；
步骤3.3，最后对处理器中所分发的I/O事件进行处理。
5.如权利要求1所述的基于android智能手机的无人插秧机监控系统APP软件的设计方法，其特征在于，所述第四步的具体过程为：
步骤4.1，服务器程序将采集来的图像使用实时性较好的ORB算法提取秧苗图像的特征点并用FLANN匹配算法进行了特征匹配，确定秧苗匹配图像；
步骤4.2，将基于ORB算法提取的特征点以及FLANN匹配算法得到的图像信息，进行秧苗特征选择和图像阈值分割，来对秧苗进行分割处理。
6.如权利要求5所述的基于android智能手机的无人插秧机监控系统APP软件的设计方法，其特征在于，步骤4.1的具体步骤如下：
a)在FAST算法的基础上添加方向信息用来对特征点的提取，在BRIEF算法的基础上新增旋转因子进行特征点描述；
b)使用快速近似最近邻查找算法，其算法模型的特征空间一般为Rn，核心是利用欧式距离来搜索其实例点的领域；
c)采用基于频域的平滑滤波算法对秧苗图像进行增强，然后使用ORB算法和FLANN算法对相邻时刻采集的图像进行匹配，最终找出它们重合的部分。
7.如权利要求5所述的基于android智能手机的无人插秧机监控系统APP软件的设计方法，其特征在于，步骤4.2的具体步骤如下：
A)采用了基于二值图像的形态学算法来判断秧苗图中存在漏秧或漂秧的区域；
B)经过漏秧和漂秧的检测，当检测到秧苗中有一列出现漏秧或漂秧时，则将其对应标志位置1，并记录该列漏秧或漂秧的总行数；
C)根据一列中出现漏秧或漂秧的总行数为栽植质量进行等级分类，其中0～20％为等级1，20％～40％为等级2，40％～100％为等级3，然后综合计算出一帧秧苗图的等级,实现对插秧机插秧质量的分析；
D)通过插秧机的漏秧检测参数，用来对秧机机构的故障进行初步诊断。
CN201711309685.8A 2017-12-11 2017-12-11 基于android智能手机的无人插秧机监控系统APP软件的设计方法 Pending CN108196828A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711309685.8A CN108196828A (zh) 2017-12-11 2017-12-11 基于android智能手机的无人插秧机监控系统APP软件的设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711309685.8A CN108196828A (zh) 2017-12-11 2017-12-11 基于android智能手机的无人插秧机监控系统APP软件的设计方法

Publications (1)

Publication Number Publication Date
CN108196828A true CN108196828A (zh) 2018-06-22

Family

ID=62573997

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711309685.8A Pending CN108196828A (zh) 2017-12-11 2017-12-11 基于android智能手机的无人插秧机监控系统APP软件的设计方法

Country Status (1)

Country Link
CN (1) CN108196828A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109099925A (zh) * 2018-08-31 2018-12-28 江苏大学 一种无人农机导航路径规划与作业质量评估方法与装置
CN109544636A (zh) * 2018-10-10 2019-03-29 广州大学 一种融合特征点法和直接法的快速单目视觉里程计导航定位方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103324959A (zh) * 2013-07-01 2013-09-25 智美达（江苏）数字技术有限公司 播种质量检测方法和装置
CN104851094A (zh) * 2015-05-14 2015-08-19 西安电子科技大学 一种基于rgb-d的slam算法的改进方法
CN106340017A (zh) * 2016-08-31 2017-01-18 重庆广播电视大学 一种基于图像处理的农田插秧检测方法及系统
CN107464232A (zh) * 2017-07-13 2017-12-12 江苏大学 一种无人插秧机栽插质量的图像检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103324959A (zh) * 2013-07-01 2013-09-25 智美达（江苏）数字技术有限公司 播种质量检测方法和装置
CN104851094A (zh) * 2015-05-14 2015-08-19 西安电子科技大学 一种基于rgb-d的slam算法的改进方法
CN106340017A (zh) * 2016-08-31 2017-01-18 重庆广播电视大学 一种基于图像处理的农田插秧检测方法及系统
CN107464232A (zh) * 2017-07-13 2017-12-12 江苏大学 一种无人插秧机栽插质量的图像检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李礼: "基于Windows、Android平台的农用车辆监控系统研究与应用", 《中国优秀博硕士论文全文数据库 农业科技辑（月刊）》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109099925A (zh) * 2018-08-31 2018-12-28 江苏大学 一种无人农机导航路径规划与作业质量评估方法与装置
CN109099925B (zh) * 2018-08-31 2021-07-20 江苏大学 一种无人农机导航路径规划与作业质量评估方法与装置
CN109544636A (zh) * 2018-10-10 2019-03-29 广州大学 一种融合特征点法和直接法的快速单目视觉里程计导航定位方法

Similar Documents

Publication Publication Date Title
CN104914807B (zh) 在过程中确定过程元素和测量值的关联关系和定线
US10795056B2 (en) Local weather forecast
CN105405154B (zh) 基于颜色-结构特征的目标对象跟踪方法
CN110166285B (zh) 一种基于Docker的网络安全实验平台搭建方法
CN107683586A (zh) 用于异常检测中的计算基于小区密度的稀有度的方法和装置
CN107945081A (zh) 城市运行展现与监测预警系统
CN107967457A (zh) 一种适应视觉特征变化的地点识别与相对定位方法及系统
CN107690776A (zh) 用于异常检测中的将特征分组为具有选择的箱边界的箱的方法和装置
CN108509185A (zh) 用于任意软件逻辑建模的系统和方法
CN111710177B (zh) 智慧交通信号灯组网协同优化控制系统及控制方法
CN108683877A (zh) 基于Spark的分布式海量视频解析系统
CN109587125A (zh) 一种网络安全大数据分析方法、系统及相关装置
CN106920387A (zh) 获取交通道路中路线热度的方法及装置
CN108632111A (zh) 一种基于日志的服务链路监控方法
CN110300191A (zh) 服务系统及数据处理方法
CN107111610A (zh) 用于神经语言行为识别系统的映射器组件
CN105893577B (zh) 路网数据处理方法及装置
CN103970901B (zh) 一种地理信息图形数据整合方法
CN108196828A (zh) 基于android智能手机的无人插秧机监控系统APP软件的设计方法
CN108959048A (zh) 模块化环境的性能分析方法、装置及可存储介质
CN110087041A (zh) 基于5g基站的视频数据处理及传输方法和系统
CN106156886A (zh) 一种基于运营商系统数据补全规则应用流程的方法及系统
CN113542074A (zh) 一种可视化管理kubernetes集群的东西向网络流量的方法及系统
CN109587000A (zh) 基于群智网络测量数据的高延迟异常检测方法及系统
CN102646312B (zh) 一种适于分布式并行处理的森林烟火监测识别方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180622

RJ01 Rejection of invention patent application after publication