CN108876767B - 一种甘蔗蔗节特征快速识别装置 - Google Patents

一种甘蔗蔗节特征快速识别装置 Download PDF

Info

Publication number
CN108876767B
CN108876767B CN201810502391.5A CN201810502391A CN108876767B CN 108876767 B CN108876767 B CN 108876767B CN 201810502391 A CN201810502391 A CN 201810502391A CN 108876767 B CN108876767 B CN 108876767B
Authority
CN
China
Prior art keywords
sugarcane
module
gradient
data
projection
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.)
Active
Application number
CN201810502391.5A
Other languages
English (en)
Other versions
CN108876767A (zh
Inventor
廖义奎
李尚平
文春明
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.)
Guangxi University for Nationalities
Original Assignee
Guangxi University for Nationalities
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 Guangxi University for Nationalities filed Critical Guangxi University for Nationalities
Priority to CN201810502391.5A priority Critical patent/CN108876767B/zh
Publication of CN108876767A publication Critical patent/CN108876767A/zh
Application granted granted Critical
Publication of CN108876767B publication Critical patent/CN108876767B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • AHUMAN NECESSITIES
    • A01AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01CPLANTING; SOWING; FERTILISING
    • A01C1/00Apparatus, or methods of use thereof, for testing or treating seed, roots, or the like, prior to sowing or planting
    • A01C1/005Potato seed cutters
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/70Determining position or orientation of objects or cameras
    • G06T7/73Determining position or orientation of objects or cameras using feature-based methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/90Determination of colour characteristics
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/44Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10024Color image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30181Earth observation
    • G06T2207/30188Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Soil Sciences (AREA)
  • Environmental Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种甘蔗蔗节特征快速识别装置,其包括甘蔗图像采与集与滤波模块、Y方向梯度计算与投影模块、甘蔗位置检测模块、X方向梯度计算与投影模块、蔗节特征识别模块、蔗节特征输出模块、云服务器与监测终端模块,本发明通过摄像头拍摄甘蔗图像,然后通过计算机或者ARM嵌入式开发板进行图像处理与图像识别,识别出甘蔗位置,最后生成甘蔗位置数据,通过计算机或者ARM嵌入式开发板的串口输出甘蔗位置数据,基于梯度投影的甘蔗蔗节特征快速识别装置主要包括硬件平台和软件平台两部分。本发明实现了甘蔗蔗节的快速检测,在Intel i7‑3770处理器环境下进行一次识别需要的平均耗时25.3毫秒。

Description

一种甘蔗蔗节特征快速识别装置
技术领域
本发明涉及一种甘蔗蔗节特征快速识别装置,涉及图像处理、图像识别,以及涉甘蔗特征的识别和串口通信。
背景技术
目前我国研制及使用的甘蔗种植机机型均为实时切种式甘蔗种植机,种植机能顺序完成开沟、施肥、切种、覆土、铺膜等工序。但该种植机需人工将蔗种喂入切种器,实时切种并覆土种植,所以喂入工人劳动强度大、喂入不均匀、用蔗种多、容易造成漏播等情况,每亩用种量需1.3吨左右,且该种植机机箱较小,作业时补充蔗种麻烦,种植效率较低,种植密度不均匀。采用预切种式的甘蔗种植机械,每亩用种量仅需0.3-0.5吨,可以大幅节约蔗种,增加榨糖量,降低成本价格,并且有助于在排种阶段实现均匀排种,提高种植效率。因此相对于实时切种式,采用预切种式的甘蔗种植机械具有更明显的优点。
甘蔗切种的一个关键问题,一是要避开节的位置切割,避免切到蔗芽;二是保证一到两个完整节,如果没有节那就没有芽,白白浪费蔗种,如果节过多那么种植过密,并且也浪费了蔗芽。解决这两个问题的关键技术就是蔗节识别,然后再进行智能化切种。
蔗节特征识别的研究,目前有少数的研究,主要集中在聚类分析和模糊决策方法上,例如陆尚平等人采用机器视觉对甘蔗茎节特征进行提取与识别,基于用支持向量机分类识别茎节与节间列块,得到茎节与节间的平均识别率为93.359%;对支持向量机分类出的茎节列块进行聚类分析,得到茎节数与位置的平均识别率分别为94.118%、91.522%[1]。引入机器视觉技术与模糊决策对甘蔗种蔗进行茎节识别,最高识别率达93.33%[2]。黄亦其等基于Matlab的甘蔗茎节特征分布定位与试验[3]。目前还没有见到有关群体智能应用于蔗芽特征识别方面的研究。
目前市场上还没有专门的甘蔗蔗节特征快速识别装置,特别是还没有可以实现快速识别甘蔗蔗节方法、装置。
本发明针对以上问题,提供一种甘蔗蔗节特征快速识别装置,其通过摄像头拍摄甘蔗图像,然后通过计算机或者ARM嵌入式开发板进行图像处理与图像识别,识别出甘蔗位置,最后生成甘蔗位置数据,通过计算机或者ARM嵌入式开发板的串口输出甘蔗位置数据。
发明内容
为实现上述目的,本发明提供如下技术方案:一种甘蔗蔗节特征快速识别装置,其特征在于,其包括甘蔗图像采集与滤波模块、Y方向梯度计算与投影模块、甘蔗位置检测模块、X方向梯度计算与投影模块、蔗节特征识别模块、蔗节特征输出模块、云服务器与监测终端模块;所述甘蔗图像采集与滤波模块与所述Y方向梯度计算与投影模块连接,所述Y方向梯度计算与投影模块连接至甘蔗位置检测模块、甘蔗位置检测模块连接至X方向梯度计算与投影模块、X方向梯度计算与投影模块通过所述蔗节特征识别模块与所述蔗节特征输出模块连接,所述蔗节特征输出模块连接至甘蔗切种控制器;其中,所述蔗节特征输出模块,包括蔗节位置、切割位置选择和长度标定,且以字符串的方式输出。
进一步,作为优选,所述甘蔗图像采集与滤波模块包括摄像头、图像采集单元和图像滤波单元,其中,图像滤波单元采用高斯滤波器;Y方向梯度计算与投影模块包括Y方向梯度计算、X方向梯度投影、投影波形限幅三个部分;且Y方向梯度计算采用RBG三基色单独计算梯度的方法,其步骤如下:
(1)求X方向RBG三基色的梯度,得到三个梯度值;
(2)求三个梯度值的绝对值;
(3)求三个梯度值的平均值;
(4)合成梯度图像。
进一步,作为优选,根据权得到的合成梯度图像和得到的Y方向梯度计算合成梯度图像,计算每一行的值总和,其中,行为X轴,相当于把整个梯度图像投影到Y轴上,获得一个一维的X方向梯度投影数组,梯度投影数组是以波形的形式获得,然后根据得到的一维的X方向梯度投影数组和得到的Y方向梯度投影数组进行限幅,把波形幅值限制在0—255以内,执行的步骤如下:
(1)求X方向梯度投影数组(波形)最大值max_d;
(2)按最大值取255的方式,重新计算Y方向梯度投影数组,计算方法为D[j]=D[j]*255/max_d。
进一步,作为优选,所述甘蔗位置检测模块包括Y方向第一级滤波、Y方向第一级整形、Y方向第二级滤波、Y方向第二级整形、确定甘蔗所在区域五个部分;其中,
Y方向第一级滤波是采用平均值滤波的方式,具体方法是根据Y方向梯度计算与投影模块得到的数据,依次采集4个相邻的点,求平均值;然后根据该平均值,依次进行整形处理,整形的具体方法是:
(1)求所有点的平均值;
(2)求阀值,阀值等于平均值乘上一个权值;权值默认取经验值10/7=1.423;
(3)值整形值,方法是当该点的值大于阀值,则取200,否则取0。
进一步,作为优选,Y方向第二级滤波是采用平均值滤波的方式,根据整形处理得到的数据,依次采集17个相邻的点(前后17个点加上本位置1个点,共35个点),求平均值;
所述的X方向第二级整形,是上述得到的平均值数据,依次进行整形处理,具体方法与Y方向第一级整形方法相同。
进一步,作为优选,确定甘蔗所在区域时包含如下几个步骤:
(1)根据X方向第二级整形生成的数据,求取连续不为0的区域宽度;
(2)合并近邻区域,如果两个近邻区域小于经验值(经验值默认取总数据长度的2%),则对该两个近邻区域进行合并;
(3)求取最大的连续区域,该连续区域即是甘蔗所在的区域的在Y轴上的投影;
(4)根据甘蔗所在的区域的在Y轴上的投影,推算出甘蔗所在的区域。
进一步,作为优选,X方向梯度计算与投影模块与所述Y方向梯度计算与投影模块,根据得到的X方向梯度计算合成梯度图像和得到的Y方向梯度计算合成梯度图像,计算每一列(Y轴)的值总合,相当于把整个梯度图像投影到X轴上,获得一个一维的X方向梯度投影数组(波形)。
进一步,作为优选,蔗节特征识别模块包括X方向第一路滤波、X方向第一路整形、X方向第二路滤波、X方向第二路整形、两路波形合成、蔗节位置识别,其中X方向第一路滤波、X方向第一路整形、X方向第二路滤波、X方向第二路整形,分别进行两路的滤波和整形,Y方向的数据处理采用的是两级串联的方式进行处理,X方面的数据处理采用的是两路并联的方式进行处理。
进一步,作为优选,将X向和Y向两路的滤波和整形的输出波形数据进行合并,合并方法是两路数据进行或运算;蔗节位置识别模块根据该合并后的数据进行蔗节位置识别,具体方法如下:
(1)输出波形数据上升沿处为某一蔗节的开始位置,输出波形数据下降沿处为某一蔗节的结束位置;
(2)依次把所有蔗节位置都标定;
(3)对于过密的两个蔗节位置进行合并,合并近邻区域,如果两个近邻区域小于经验值,则对该两个近邻区域进行合并,其中,经验值默认取总数据长度的2%。
(4)生成蔗节位置数据。
进一步,作为优选,蔗节特征输出模块,包括切割位置选择,并生成输出字符串,具体步骤如下:
(1)选择切割位置:设置成每n(n=1,2,3,4)节切割一次,根据生成的蔗节位置数据,选取切割位置;
(2)生成生成蔗节位置数据和切割位置数据,这些数据都是属于图像坐标数据;
(3)长度的标定:根据预设置的长度标定系数,把生成生成蔗节位置和切割位置图像坐标数据转换成长度数据,方法是乘法上长度标定系数;
(4)生成蔗节位置数据输出字符和切割位置输出字符,字符串的格式如下:
{6,82,206,361,512,679,};
所述云服务器与监测终端模块,包括TCP云服务器和监测终端,其中,TCP云服务器用于保存系统的参数,保存甘蔗种的数据库信息;监测终端用于远程检测该设置的数据。
与现有技术相比,本发明的有益效果是:
本发明通过摄像头拍摄甘蔗图像,然后通过计算机或者ARM嵌入式开发板进行图像处理与图像识别,识别出甘蔗位置,最后生成甘蔗位置数据,通过计算机或者ARM嵌入式开发板的串口输出甘蔗位置数据。
本发明的有益效果是实现了甘蔗蔗节的快速检测。在Intel i7-3770处理器环境下测试10张甘蔗图片,图片大小最小为553X261,最大为4032X3024。进行一次识别需要的时间如下:
time:26.335704ms
time:24.710815ms
time:25.557520ms
time:25.239364ms
time:25.598270ms
time:25.092058ms
time:25.196199ms
time:25.495640ms
time:25.332939ms
time:24.910039ms
平均耗时25.3468548毫秒,最大耗时26.335704毫秒,最小耗时24.710815毫秒。
附图说明
图1是本发明一种甘蔗蔗节特征快速识别装置的结构示意图;
图2是一种甘蔗蔗节特征快速识别装置所示的硬件结构示意图;
图3是一种甘蔗蔗节特征快速识别装置所示的工作流程示意图;
图4是Y方向梯度计算与投影模块效果图;
图5是甘蔗位置检测模块效果图;
图6是X方向梯度、投影、滤波、整形效果图;
图7是蔗节位置识别效果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-7,本发明提供一种技术方案:一种甘蔗蔗节特征快速识别装置,其包括甘蔗图像采集与滤波模块、Y方向梯度计算与投影模块、甘蔗位置检测模块、X方向梯度计算与投影模块、蔗节特征识别模块、蔗节特征输出模块、云服务器与监测终端模块;所述甘蔗图像采集与滤波模块与所述Y方向梯度计算与投影模块连接,所述Y方向梯度计算与投影模块连接至甘蔗位置检测模块、甘蔗位置检测模块连接至X方向梯度计算与投影模块、X方向梯度计算与投影模块通过所述蔗节特征识别模块与所述蔗节特征输出模块连接,所述蔗节特征输出模块连接至甘蔗切种控制器;其中,所述蔗节特征输出模块,包括蔗节位置、切割位置选择和长度标定,且以字符串的方式输出。
下面具体介绍各个模块:
1.甘蔗图像采与集与滤波模块
甘蔗图像采与集与滤波模块,包括摄像头、图像采集和图像滤波三个部分。其中图像滤波采用高斯滤波器,高斯内核的大小采用Size(3,3)。Size(w,h)来表示内核大小,其中w为像素宽度,h为像素高度,w与h可以不同,但必须是正数和奇数。
甘蔗图像第i行第j列的数据表示为X(i,j)和Y(i,j),则使用窗口大小为(2w+1)×(2w+1),标准差为σ的高斯核计算后的结果为
Figure GDA0002970304990000071
{i|0<=i<=W,j|0<=j<=H}
根据这个表达式,为了得到位置(i,j)上的输出,需要将高斯核的中心置于输入图片的位置(i,j)处,让高斯核的每一个值和输入图片对应位置上的值相乘,进行(2w+1)×(2w+1)次乘法计算,然后再进行(2w+1)×(2w+1)-1次加法计算,所以时间复杂度是O(w2)的。
为了获得最终的高斯滤波的结果,可以先用横向一维高斯核G2与输入图片X进行计算,得到中间结果Z。再用纵向一维高斯核G1与中间结果Z进行计算,得到输出Y。时间复杂度仅为O(w),比直接采用(1)式的计算方法快了很多。但是该算法需要使用和输入图片尺寸一致的内存保存中间结果。
2.Y方向梯度计算与投影模块
Y方向梯度计算与投影模块,包括Y方向梯度计算、Y方向梯度投影、投影波形限幅三个部分。
(1)Y方向梯度计算,Y方向梯度计算不是采用通常的灰度梯度算法,而是采用RBG三基色单独计算梯度的方法,步骤如下:
1)求Y方向RBG三基色的梯度,得到三个梯度值;
2)求三个梯度值的绝对值;
3)求三个梯度值的平均值;
4)合成梯度图像。
yr(i,j)=(|Yr(i,j+1)-Yr(i,j)|+|Yg(i,j+1)-Yg(i,j)|+|Yb(i,j+1)-Yb(i,j)|)÷3
yg(i,j)=yr(i,j)
yb(i,j)=yr(i,j)
{i|0<=i<=W,j|0<=j<=H-1}
(2)Y方向梯度投影,根据Y方向梯度计算合成梯度图像,计算每一行(X轴)的值总合,相当于把整个梯度图像投影到Y轴上。获得一个一维的X方向梯度投影数组(波形)。
Figure GDA0002970304990000081
{j|0<=j<=H}
(3)投影波形限幅,根据X方向梯度投影数组(波形)进行限幅,把波形幅值限制在0—255以内,执行的步骤如下:
1)求X方向梯度投影数组(波形)最大值max_d;。
Figure GDA0002970304990000082
2)按最大值取255的方式,重新计算Y方向梯度投影数组,计算方法为:
D[j]=D[j]×255÷max_d,{j|0<=j<=H}
Y方向梯度计算与投影模块效果如图4所示。
3.甘蔗位置检测模块
甘蔗位置检测模块包括Y方向第一级滤波、Y方向第一级整形、Y方向第二级滤波、Y方向第二级整形、确定甘蔗所在区域五个部分。
(1)Y方向第一级滤波,采用平均值滤波的方式,具体方法是根据Y方向梯度计算与投影模块得到的数据,依次采集4个相邻的点(前后4个点加上本位置1个点,共9个点),求平均值。
Figure GDA0002970304990000083
{j|4<=j<=H-4}
(2)Y方向第一级整形,将得到的数据,依次进行整形处理。整形的具体方法是:
1)求所有点的平均值;
Figure GDA0002970304990000091
2)求阀值,阀值等于平均值乘上一个权值。权值默认取经验值10/7=1.423;
Threshold=Average×10÷7
3)值整形值,方法是当该点的值大于阀值,则取200,否则取0。
Figure GDA0002970304990000092
{j|0<=j<=H}
(3)Y方向第二级滤波,采用平均值滤波的方式,具体方法是根据上一步得到的数据,依次采集17个相邻的点(前后17个点加上本位置1个点,共35个点),求平均值。
Figure GDA0002970304990000093
{j|17<=j<=H-17}
(4)Y方向第二级整形,根据上一步得到的数据,依次进行整形处理。具体方法与Y方向第一级整形相同。
Figure GDA0002970304990000094
Threshold=Average×10÷7
Figure GDA0002970304990000095
{j|0<=j<=H};
(5)确定甘蔗所在区域,其特征在于包含如下几个步骤:
1)根据X方向第二级整形生成的数据,求取连续不为0的区域宽度;
2)合并近邻区域,如果两个近邻区域小于经验值(经验值默认取总数据长度的2%),则对该两个近邻区域进行合并。
3)求取最大的连续区域。该连续区域即是甘蔗所在的区域的在Y轴上的投影。
4)根据甘蔗所在的区域的在Y轴上的投影,推算出甘蔗所在的区域。
甘蔗位置检测模块效果如图5所示。
4.X方向梯度计算与投影模块
X方向梯度计算与投影模块包括X方向梯度计算、X方向梯度投影、投影波形限幅。其中投影波形限幅方法与权利要求6相同。
(1)X方向梯度计算,根据生成的甘蔗所在区域图,进行X方向梯度计算,计算方法与权利要求4相同,只是梯度的计算换成Y方向,步骤相同。
(2)X方向梯度投影,其特征在于:根据得到的X方向梯度计算合成梯度图像,计算每一列(Y轴)的值总合,相当于把整个梯度图像投影到X轴上。获得一个一维的X方向梯度投影数组(波形)。
1)X方向梯度计算
xr(i,j)=(|Yr(i+1,j)-Yr(i,j)|+|Yg(i+1,j)-Yg(i,j)|+|Yb(i+1,j)-Yb(i,j)|)÷3
xg(i,j)=xr(i,j)
xb(i,j)=xr(i,j)
{i|0<=i<=W-1,j|0<=j<=H}
2)X方向梯度投影
Figure GDA0002970304990000101
{i|0<=i<=W}
3)投影波形限幅
Figure GDA0002970304990000102
D[i]=D[i]×255÷max_d,{i|0<=i<=W}
X方向梯度计算与投影模块效果如图6所示中一条波形所示。
5.蔗节特征识别模块
(1)蔗节特征识别模块,其特征在于:它包括X方向第一路滤波、X方向第一路整形、X方向第二路滤波、X方向第二路整形、两路波形合成、蔗节位置识别。其中X方向第一路滤波、X方向第一路整形、X方向第二路滤波、X方向第二路整形,分别进行两路的滤波和整形,滤波和整形的方法与权利要求7、8的方法相同。不同之外在于,Y方向的数据处理采用的是两级串联的方式进行处理,而X方面的数据处理采用的是两路并联的方式进行处理。
1)X方向第一路滤波
Figure GDA0002970304990000111
{i|4<=i<=W-4}
Figure GDA0002970304990000112
Threshold=Average×10÷7
Figure GDA0002970304990000113
{i|0<=i<=W}
2)X方向第二路滤波
Figure GDA0002970304990000114
{i|14<=i<=W-14}
Figure GDA0002970304990000115
Threshold=Average×10÷7
Figure GDA0002970304990000116
{i|0<=i<=W}
X方向滤波、整形效果如图6所示中的第2、3条波形所示。
(2)两路波形合成,把两路滤波和整形的输出数据(波形)进行合并。合并方法:两路数据进行或运算。
N(i)=or(M1(i),M2(i))
(3)蔗节位置识别
蔗节位置识别具体方法如下:
1)输出数据(波形)上升沿处为某一蔗节的开始位置,输出数据(波形)下降沿处为某一蔗节的结束位置;
2)依次把所有蔗节位置都标定;
3)对于过密的两个蔗节位置进行合并。合并近邻区域,如果两个近邻区域小于经验值(经验值默认取总数据长度的2%),则对该两个近邻区域进行合并。
4)生成蔗节位置数据。
蔗节位置识别效果如图7所示。
6.蔗节特征输出模块
蔗节特征输出模块,包括切割位置选择、生成输出字符串。步骤如下:
1)选择切割位置。可以设置成每n(n=1,2,3,4)节切割一次,根据生成的蔗节位置数据,选取切割位置。
2)生成生成蔗节位置数据和切割位置数据。这些都是属于图像坐标数据。
3)长度的标定。根据预设置的长度标定系数,把生成生成蔗节位置和切割位置图像坐标数据转换成长度数据,方法是乘法上长度标定系数。
4)生成蔗节位置数据输出字符和切割位置输出字符,字符串的格式如下:
{6,82,206,361,512,679,}
本发明的甘蔗蔗节特征快速识别装置的硬件平台,可以采用核心处理器模块、TCP服务器、监测终端,所述的核心处理器模块,主要是Intel-i7处理器或者ARM64位处理器系统,全志A64主要采用全志A64处理,全志A64处理是全志科技于2015年初发布的4核64位处理器,主要应用于入门级的平板电脑。全志A64采用64位四核Cortex-A53 CPU架构,Mali400MP2 GPU图形处理器,支持H.2654K视频硬件解码,支持Linux、安卓等操作系统,具有反应速度/性能/功耗等优点,可实现9.9秒冷启动开机。A64芯片价格超低至5美金。所述TCP服务器,是连接Internet的电脑以及TCP服务器程序组成,TCP服务器程序采用C++语言进行开发,提供JOSN格式的数据请求。所述监测终端由硬件和软件组成,硬件是通用的手机、平板电脑或者PC机,也可以使用电柜自动监测装置专用的监测终端,专用监测终端由STM32F407+3.2寸触摸屏组成,监测终端软件是一套专用的测控软件。监测终端的功能包括硬件功能、软件功能、数据保存功能、数据分析与处理功能。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神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,本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种甘蔗蔗节特征快速识别装置,其特征在于,其包括甘蔗图像采集与滤波模块、Y方向梯度计算与投影模块、甘蔗位置检测模块、X方向梯度计算与投影模块、蔗节特征识别模块、蔗节特征输出模块、云服务器与监测终端模块;所述甘蔗图像采集与滤波模块与所述Y方向梯度计算与投影模块连接,所述Y方向梯度计算与投影模块连接至甘蔗位置检测模块、甘蔗位置检测模块连接至X方向梯度计算与投影模块、X方向梯度计算与投影模块通过所述蔗节特征识别模块与所述蔗节特征输出模块连接,所述蔗节特征输出模块连接至甘蔗切种控制器;其中,所述蔗节特征输出模块,包括蔗节位置、切割位置选择和长度标定,且以字符串的方式输出。
2.根据权利要求1所述的一种甘蔗蔗节特征快速识别装置,其特征在于:所述甘蔗图像采集与滤波模块包括摄像头、图像采集单元和图像滤波单元,其中,图像滤波单元采用高斯滤波器;Y方向梯度计算与投影模块包括Y方向梯度计算、X方向梯度投影、投影波形限幅三个部分;且Y方向梯度计算采用RBG三基色单独计算梯度的方法,其步骤如下:
(1)求X方向RBG三基色的梯度,得到三个梯度值;
(2)求三个梯度值的绝对值;
(3)求三个梯度值的平均值;
(4)合成梯度图像。
3.根据权利要求2所述的一种甘蔗蔗节特征快速识别装置,其特征在于:根据得到的合成梯度图像和得到的Y方向梯度计算合成梯度图像,计算每一行的值总和,其中,行为X轴,相当于把整个梯度图像投影到Y轴上,获得一个一维的X方向梯度投影数组,梯度投影数组是以波形的形式获得,然后根据得到的一维的X方向梯度投影数组和得到的Y方向梯度投影数组进行限幅,把波形幅值限制在0—255以内,执行的步骤如下:
(1)求X方向梯度投影数组中波形最大值max_d;
(2)按最大值取255的方式,重新计算Y方向梯度投影数组,计算方法为D[j]=D[j]*255/max_d。
4.根据权利要求1所述的一种甘蔗蔗节特征快速识别装置,其特征在于:所述甘蔗位置检测模块包括Y方向第一级滤波、Y方向第一级整形、Y方向第二级滤波、Y方向第二级整形、确定甘蔗所在区域五个部分;其中,
Y方向第一级滤波是采用平均值滤波的方式,具体方法是根据Y方向梯度计算与投影模块得到的数据,依次采集4个相邻的点,求平均值;然后根据该平均值,依次进行整形处理,整形的具体方法是:
(1)求所有点的平均值;
(2)求阀值,阀值等于平均值乘上一个权值;权值默认取经验值10/7=1.423;
(3)值整形值,方法是当该点的值大于阀值,则取200,否则取0。
5.根据权利要求4所述的一种甘蔗蔗节特征快速识别装置,其特征在于:Y方向第二级滤波是采用平均值滤波的方式,根据整形处理得到的数据,依次采集17个相邻的点,即前后17个点加上本位置1个点,共35个点,求平均值;
所述的X方向第二级整形,是上述得到的平均值数据,依次进行整形处理,具体方法与Y方向第一级整形方法相同。
6.根据权利要求5所述的一种甘蔗蔗节特征快速识别装置,其特征在于:确定甘蔗所在区域时包含如下几个步骤:
(1)根据X方向第二级整形生成的数据,求取连续不为0的区域宽度;
(2)合并近邻区域,如果两个近邻区域小于经验值,其中,经验值默认取总数据长度的2%,则对该两个近邻区域进行合并;
(3)求取最大的连续区域,该连续区域即是甘蔗所在的区域的在Y轴上的投影;
(4)根据甘蔗所在的区域的在Y轴上的投影,推算出甘蔗所在的区域。
7.根据权利要求1-6任一项所述的一种甘蔗蔗节特征快速识别装置,其特征在于:X方向梯度计算与投影模块与所述Y方向梯度计算与投影模块,根据得到的X方向梯度计算合成梯度图像和得到的Y方向梯度计算合成梯度图像,计算每一列Y轴的值总合,相当于把整个梯度图像投影到X轴上,获得一个一维的X方向梯度投影数组波形。
8.根据权利要求7所述的一种甘蔗蔗节特征快速识别装置,其特征在于:蔗节特征识别模块包括X方向第一路滤波、X方向第一路整形、X方向第二路滤波、X方向第二路整形、两路波形合成、蔗节位置识别,其中X方向第一路滤波、X方向第一路整形、X方向第二路滤波、X方向第二路整形,分别进行两路的滤波和整形,Y方向的数据处理采用的是两级串联的方式进行处理,X方面的数据处理采用的是两路并联的方式进行处理。
9.根据权利要求8所述的一种甘蔗蔗节特征快速识别装置,其特征在于:将X向和Y向两路的滤波和整形的输出波形数据进行合并,合并方法是两路数据进行或运算;蔗节位置识别模块根据该合并后的数据进行蔗节位置识别,具体方法如下:
(1)输出波形数据上升沿处为某一蔗节的开始位置,输出波形数据下降沿处为某一蔗节的结束位置;
(2)依次把所有蔗节位置都标定;
(3)对于过密的两个蔗节位置进行合并,合并近邻区域,如果两个近邻区域小于经验值,则对该两个近邻区域进行合并,其中,经验值默认取总数据长度的2%;
(4)生成蔗节位置数据。
10.根据权利要求9所述的一种甘蔗蔗节特征快速识别装置,其特征在于:蔗节特征输出模块,包括切割位置选择,并生成输出字符串,具体步骤如下:
(1)选择切割位置:设置成每n节切割一次,其中,n=1,2,3,4,根据生成的蔗节位置数据,选取切割位置;
(2)生成生成蔗节位置数据和切割位置数据,这些数据都是属于图像坐标数据;
(3)长度的标定:根据预设置的长度标定系数,把生成生成蔗节位置和切割位置图像坐标数据转换成长度数据,方法是乘法上长度标定系数;
(4)生成蔗节位置数据输出字符和切割位置输出字符,字符串的格式如下:
{6,82,206,361,512,679,};
所述云服务器与监测终端模块,包括TCP云服务器和监测终端,其中,TCP云服务器用于保存系统的参数,保存甘蔗种的数据库信息;监测终端用于远程检测该设置的数据。
CN201810502391.5A 2018-05-23 2018-05-23 一种甘蔗蔗节特征快速识别装置 Active CN108876767B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810502391.5A CN108876767B (zh) 2018-05-23 2018-05-23 一种甘蔗蔗节特征快速识别装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810502391.5A CN108876767B (zh) 2018-05-23 2018-05-23 一种甘蔗蔗节特征快速识别装置

Publications (2)

Publication Number Publication Date
CN108876767A CN108876767A (zh) 2018-11-23
CN108876767B true CN108876767B (zh) 2021-04-27

Family

ID=64333862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810502391.5A Active CN108876767B (zh) 2018-05-23 2018-05-23 一种甘蔗蔗节特征快速识别装置

Country Status (1)

Country Link
CN (1) CN108876767B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110288033B (zh) * 2019-06-28 2023-04-07 广西民族大学 一种基于卷积神经网络的甘蔗蔗节特征识别与定位方法
CN113016254A (zh) * 2021-02-26 2021-06-25 广西壮族自治区农业科学院 一种移动式甘蔗田间种茎生产设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10313611A (ja) * 1997-05-17 1998-12-02 Katsuya Shiokawa サトウキビ切断装置
CN102930247A (zh) * 2012-10-18 2013-02-13 广西大学 一种基于计算机视觉的甘蔗茎节识别方法
CN102938053A (zh) * 2011-08-16 2013-02-20 汪建 一种基于计算机视觉的甘蔗特征提取与识别方法
WO2015128163A1 (en) * 2014-02-28 2015-09-03 Basf Se Method for detecting a node and/or a bud from a stalk of a graminaceous plant
CN105279244A (zh) * 2015-09-30 2016-01-27 广西大学 甘蔗种芽分类特征数据库的建立方法
CN105654099A (zh) * 2014-08-25 2016-06-08 崔胡晋 基于改进视觉的甘蔗分割与识别方法
CN107680098A (zh) * 2017-11-02 2018-02-09 广西民族大学 一种甘蔗蔗节特征的识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130263504A1 (en) * 2010-06-15 2013-10-10 Syngenta Crop Protection Llc Sugarcane coating

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10313611A (ja) * 1997-05-17 1998-12-02 Katsuya Shiokawa サトウキビ切断装置
CN102938053A (zh) * 2011-08-16 2013-02-20 汪建 一种基于计算机视觉的甘蔗特征提取与识别方法
CN102930247A (zh) * 2012-10-18 2013-02-13 广西大学 一种基于计算机视觉的甘蔗茎节识别方法
WO2015128163A1 (en) * 2014-02-28 2015-09-03 Basf Se Method for detecting a node and/or a bud from a stalk of a graminaceous plant
CN105654099A (zh) * 2014-08-25 2016-06-08 崔胡晋 基于改进视觉的甘蔗分割与识别方法
CN105279244A (zh) * 2015-09-30 2016-01-27 广西大学 甘蔗种芽分类特征数据库的建立方法
CN107680098A (zh) * 2017-11-02 2018-02-09 广西民族大学 一种甘蔗蔗节特征的识别方法

Also Published As

Publication number Publication date
CN108876767A (zh) 2018-11-23

Similar Documents

Publication Publication Date Title
Zhang et al. Pyramid channel-based feature attention network for image dehazing
Ma et al. A recognition method for cucumber diseases using leaf symptom images based on deep convolutional neural network
Suh et al. Transfer learning for the classification of sugar beet and volunteer potato under field conditions
CN108875575B (zh) 基于多通道信号融合深度神经网络自动心律失常分析方法
Lu et al. Fine-grained maize tassel trait characterization with multi-view representations
Lin et al. Quick and accurate monitoring peanut seedlings emergence rate through UAV video and deep learning
CN108720831B (zh) 一种基于导联深度神经网络的自动心律失常分析方法
CN113728335A (zh) 用于3d图像的分类和可视化的方法和系统
Wang et al. Sweet potato leaf detection in a natural scene based on faster R-CNN with a visual attention mechanism and DIoU-NMS
CN108876767B (zh) 一种甘蔗蔗节特征快速识别装置
Aquino et al. Identification of olive fruit, in intensive olive orchards, by means of its morphological structure using convolutional neural networks
CN112614573A (zh) 基于病理图像标注工具的深度学习模型训练方法及装置
CN117036948A (zh) 一种基于注意力机制的致敏植物识别方法
CN115657012A (zh) 图像目标与雷达目标的匹配方法、装置、设备及存储介质
CN114937030A (zh) 一种用于智慧农业种植生菜的表型参数计算方法
Guo et al. An improved YOLO v4 used for grape detection in unstructured environment
CN107784664B (zh) 一种基于k稀疏的快速鲁棒目标跟踪方法
CN113888425A (zh) 基于多帧融合的工业质检图像文字匹配方法及系统
Wu et al. An improved YOLOv7 network using RGB-D multi-modal feature fusion for tea shoots detection
CN108875789B (zh) 一种基于深度学习的甘蔗蔗芽特征识别装置
CN116884036A (zh) 基于YOLOv5DA的生猪姿态检测方法、装置、设备及介质
Ban et al. A lightweight model based on YOLOv8n in wheat spike detection
CN113344911B (zh) 一种结石尺寸的测量方法以及测量装置
CN110428377B (zh) 数据扩充方法、装置、设备和介质
San Woo et al. End-to-end lightweight berry number prediction for supporting table grape cultivation

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