CN109461146A - 一种滴灌带滴孔的检测方法、终端设备及存储介质 - Google Patents

一种滴灌带滴孔的检测方法、终端设备及存储介质 Download PDF

Info

Publication number
CN109461146A
CN109461146A CN201811236592.1A CN201811236592A CN109461146A CN 109461146 A CN109461146 A CN 109461146A CN 201811236592 A CN201811236592 A CN 201811236592A CN 109461146 A CN109461146 A CN 109461146A
Authority
CN
China
Prior art keywords
drip
hole
drip hole
detected
trays
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
CN201811236592.1A
Other languages
English (en)
Inventor
姚利彬
郝存明
程煜
吴立龙
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.)
Institute Of Applied Mathematics Hebei Academy Of Sciences
Original Assignee
Institute Of Applied Mathematics Hebei Academy Of Sciences
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 Institute Of Applied Mathematics Hebei Academy Of Sciences filed Critical Institute Of Applied Mathematics Hebei Academy Of Sciences
Priority to CN201811236592.1A priority Critical patent/CN109461146A/zh
Publication of CN109461146A publication Critical patent/CN109461146A/zh
Pending legal-status Critical Current

Links

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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请适用于检测技术领域，提供了一种滴灌带滴孔的检测方法、终端设备及计算机可读存储介质，所述方法包括：获取待检测图像，对所述待检测图像进行检测获得检测结果，所述检测结果包括：所述待检测图像中是否存在滴孔、以及存在滴孔时所述滴孔的位置和所述滴孔对应的滴槽的位置，基于所述滴孔的位置和所述滴槽的位置，确定所述待检测图像中滴孔的状态，通过本申请可以提高滴灌带上滴孔的检测效率、且降低漏检率。

Description

一种滴灌带滴孔的检测方法、终端设备及存储介质
技术领域
本申请属于检测技术领域，尤其涉及一种滴灌带滴孔的检测方法、终端设备及计算机可读存储介质。
背景技术
滴灌技术是一种常用的、有效的农业灌溉技术，它是通过滴灌带上的滴片，在水压下缓慢地向土壤滴水，直接向土壤供应水、肥料或其它化学剂等的一种灌溉技术。
滴灌带在生产过程中需要对内镶的滴片进行打孔操作，滴孔的漏打或者打偏会导致局部农作物的枯死。目前，通常采用人工在线检测或者线下抽检的方式对滴灌带上的滴孔进行检测。然而，这种检测方式效率低、漏检率高。
发明内容
有鉴于此，本申请实施例提供了一种滴灌带滴孔的检测方法、终端设备及计算机可读存储介质，以解决目前的滴灌带滴孔的检测方法检测效率低、漏检率高的问题。
本申请实施例的第一方面提供了一种定时任务的执行方法，包括：
获取待检测图像；
对所述待检测图像进行检测获得检测结果，所述检测结果包括：所述待检测图像中是否存在滴孔、以及存在滴孔时所述滴孔的位置和所述滴孔对应的滴槽的位置；
基于所述滴孔的位置和所述滴槽的位置，确定所述待检测图像中滴孔的状态。
本申请实施例的第二方面提供了一种终端设备，包括：
图像获取单元，用于获取待检测图像；
检测单元，用于对所述待检测图像进行检测获得检测结果，所述检测结果包括：所述待检测图像中是否存在滴孔、以及存在滴孔时所述滴孔的位置和所述滴孔对应的滴槽的位置；
状态确定单元，用于基于所述滴孔的位置和所述滴槽的位置，确定所述待检测图像中滴孔的状态。
本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请实施例第一方面提供的所述方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被一个或多个处理器执行时实现本申请实施例第一方面提供的所述方法的步骤。
本申请实施例的第五方面提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被一个或多个处理器执行时实现本申请实施例第一方面提供的所述方法的步骤。
本申请实施例提供了滴灌带滴孔的检测方法，用于检测滴灌带上滴孔的状态，首先需要获取待检测的图像，对所述待检测图像进行检测获得检测结果，所述检测结果包括：所述待检测图像中是否存在滴孔、以及存在滴孔时所述滴孔的位置和所述滴孔对应的滴槽的位置，基于所述滴孔的位置和所述滴槽的位置，确定所述待检测图像中滴孔的状态，由于本申请实施例通过滴灌带的图像确定滴孔和滴槽的位置，然后根据滴孔和滴槽的位置确定滴孔的状态，避免人工检测，因此能够提高检测效率、降低漏检率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种滴灌带的结构示意图；
图2是本申请实施例提供的一种滴灌带滴孔的检测方法的流程示意图；
图3是本申请实施例提供的一种基于YOLO算法获得的检测结果；
图4是本申请实施例提供的正常状态、偏差状态、超差状态下的滴孔和滴槽的位置示意图；
图5是本申请实施例提供的一种在线检测设备。
图6是本申请实施例提供的一种终端设备的示意框图。
图7是本申请实施例提供的另一种终端设备的示意框图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
为了说明本申请所述的技术方案，首先介绍滴灌带的结构，如图1所示，滴灌带中通常镶有滴片，滴片为扁平状的，在滴片上打孔后形成的圆孔为滴孔，滴孔周围的矩形区域为滴槽。如果滴孔存在漏打、打偏(未在滴槽中预设区域内)、未打通的现象，则可能会出现小范围的滴水过多或者没有水，就会影响农作物的生产，因此，滴孔的状态对农作物生成具有很重要的影响。下面通过具体实施例来进行说明如何对滴灌带上滴孔的状态进行检测。
图2是本申请实施例提供的一种滴灌带滴孔的检测方法的实现流程示意图，如图所示该方法可以包括以下步骤：
步骤S201，获取待检测图像。
在本申请实施例中，所述待检测图像为包括滴片的滴灌带的图像，例如，可以通过相机采集滴灌带中滴片的图像，将相机采集的滴片的图像作为待检测图像，以检测滴片中滴孔的状态。
作为本申请另一实施例，所述获取待检测图像包括：
通过传感器监测滴灌带上滴片的位置，其中，所述滴片上设有滴孔和滴槽；
在通过传感器监测到滴灌带上滴片的位置后，控制相机采集图像，并将相机采集的图像作为待检测图像。
在本申请实施例中，为了及时获得滴灌带中滴孔的状态，从而根据滴灌带中滴孔的状态及时调整打孔的设备，可以进行在线检测。例如，在滴灌带打孔的生产线上设置采集装置，在滴灌带打孔后，通过采集装置采集滴灌带的图像，从而检测图像中滴孔的状态；也可以专门设置一台采集设备，将刚打完孔的滴灌带通过传送带传输，传输的过程中通过采集装置采集滴灌带的图像，从而检测图像中滴孔的状态。
本申请实施例可以在滴灌带传输的过程中，通过传感器检测滴灌带厚度的变化，由于内镶了滴片的部分的厚度会变厚，即内镶了滴片的部分会存在凸出的特征，通过传感器感应到滴灌带上的凸出的部分后，传感器生成触发信号，触发相机采集图像，相机的位置可以预先设置，以能够采集到感应到的滴片的图像为准。
步骤S202，对所述待检测图像进行检测获得检测结果，所述检测结果包括：所述待检测图像中是否存在滴孔、以及存在滴孔时所述滴孔的位置和所述滴孔对应的滴槽的位置。
在本申请实施例中，由于滴片上的滴孔有可能存在漏打的现象，因此，对待检测图像进行检测获得的检测结果中有可能包括滴孔、也有可能不包括滴孔，不包括滴孔就表示存在漏打，如果存在滴孔，就需要进一步确定滴孔的状态为正常还是打偏。确定滴孔的状态的过程需要确定滴孔的位置和滴孔对应的滴槽的位置。因此，所述检测结果包括：所述待检测图像中是否存在滴孔、以及存在滴孔时所述滴孔的位置和所述滴孔对应的滴槽的位置。
作为本申请另一实施例，所述对所述待检测图像进行检测获得检测结果包括：
基于预设的神经网络模型，对所述待检测图像进行检测获得检测结果。
在本申请实施例中，可以采用基于YOLO算法的神经网络模型作为检测模型，本申请实施例提供的神经网络模型由多个卷积层和多个池化层(也称下采样层)交替组合而成。
对于卷积层，大小为r×c的输入图像X，通过一组大小为w×w的滤波器组K，对输入图像进行卷积操作，s为卷积滤波器的移动步长，所获得的卷积特征图为Y，大小为((r-w)/s+1)×((c-w)/s+1)。
yi＝σ(bi+∑ikij*xi)
其中，*表示卷积运算，xi表示输入图像，yi表示输出图像，kij为滤波器参数，bi为偏置量，σi表示激活函数。
对于池化层，首先要将卷积特征图划分为若干个小区域(可进行有重叠的划分)，再对每个区域的特征采用池化的方法进行聚合统计得到新的特征图F，这种池化过程可以是平均池化、最大池化、随机池化[9]等。
假设Rj为特征图Y中第j个池化区域，若采用不同方式进行池化，则有如下不同的池化结果。
(1)平均池化：
(2)最大池化：
(3)随机池化：先对区域Rj进行概率计算：基于概率pi在区域Rj中随机选择一个位置l处的值来作为池化的结果：
本申请实施例提供的YOLO算法是用于目标检测的算法，它可以一次性在图像上预测多个物体的位置以及所对应的事物的类别，能够实现端到端的目标检测和识别。YOLO算法实质是一个卷积神经网络，由24个卷积层与2个全连接层构成，它采用整图进行训练卷积神经网络模型，这样可以更好的区分待检测的目标和背景区域。它能将输入的图像可以划分为S*S的网格，采用概率进行预测，如果一个目标的中心落入某个格子中，那么该格子负责检测该目标。各格自己负责检测物体，得出相应检测结果，大大提高了检测速度。
作为本申请另一实施例，所述基于预设的神经网络模型，对所述待检测图像进行检测获得检测结果包括：
将所述待检测图像划分为多个网格，并计算每个网格中存在待检测目标的概率，所述待检测目标包括以下至少一项：滴孔、滴槽；
从概率大于预设值的网格中检测待检测目标，获得检测结果。
如图3所示，为本申请实施例提供的一种基于YOLO算法获得的检测结果，图3中的dbox为滴槽，circle为滴孔。需要说明，基于神经网络模型获得的检测结果为输入图像的基础上采用检测框标记出滴孔和滴槽的图像。如果未检测到待检测目标的图像，则输出的图像中没有相应的检测框。
步骤S203，基于所述滴孔的位置和所述滴槽的位置，确定所述待检测图像中滴孔的状态。
在本申请实施例中，可以基于所述滴孔的位置和所述滴槽的位置，确定所述滴孔的位置和所述滴槽的位置之间的距离；
若所述滴孔的位置和所述滴槽的位置之间的距离符合第一预设条件，则确定所述滴孔的孔位为正常状态；
若所述滴孔的位置和所述滴槽的位置之间的距离不符合第一预设条件，则确定所述滴孔的孔位为不正常状态。
所述滴孔的位置和滴槽的位置之间的距离可以是滴孔的检测框的中心位置和滴槽的检测框的中心位置之间的距离。所述第一预设条件可以是一个范围值，例如[0，a]，若两者的中心位置之间的距离在[0，a]之内，则符合第一预设条件，则确定所述滴孔的孔位为正常状态，若两者的中心位置之间的距离不在[0，a]之内，则不符合第一预设条件，则确定所述滴孔的孔位为不正常状态。其中，a为正数。
当然实际应用中，也可以将不正常状态再继续细分为偏差状态和超差状态。例如：
若所述滴孔的位置和所述滴槽的位置之间的距离符合第二预设条件，则确定所述滴孔的孔位为偏差状态；
若所述滴孔的位置和所述滴槽的位置之间的距离符合第三预设条件，则确定所述滴孔的孔位为超差状态。
在本申请实施例中，可以设置两个数值：j1，j2，且0≤j1＜j2，设置第一预设条件为：所述滴孔的位置和所述滴槽的位置之间的距离在[0，j1]中，表示符合第一预设条件，所述滴孔的位置和所述滴槽的位置之间的距离在(j1，j2]中，表示符合第二预设条件，所述滴孔的位置和所述滴槽的位置之间的距离在(j2，+∞)中，表示符合第三预设条件。
作为本申请另一实施例，所述基于所述滴孔的位置和所述滴槽的位置，确定所述待检测图像中滴孔的状态包括：
Δx≥εx,或Δy≥εy,则flag＝1；
δx＜Δx＜εx,或δy＞Δy＜εy,则flag＝2；
Δx≤δx,或Δy≤δy,则flag＝3；
其中，Δx为所述滴孔的中心坐标和所述滴槽的中心坐标在第一方向上的第一差值，Δy为所述滴孔的中心坐标和所述滴槽的中心坐标在第二方向上的第二差值，所述第二方向与所述第一方向垂直，εx表示第一超差阈值，εy表示第二超差阈值，flag＝1表示所述滴孔的孔位为超差状态，δx为第一偏差阈值，δy为第二偏差阈值，flag＝2表示所述滴孔的孔位为偏差状态，flag＝3表示所述滴孔的孔位为正常状态。
为了更清楚的描述如何基于所述滴孔的位置和所述滴槽的位置，确定所述待检测图像中滴孔的状态，可以参照以下描述：
所述基于所述滴孔的位置和所述滴槽的位置，确定所述待检测图像中滴孔的状态包括：
获取所述滴孔的中心位置坐标和所述滴槽的中心位置坐标；
基于所述滴孔的中心位置坐标和所述滴槽的中心位置坐标，计算所述滴孔的中心位置和所述滴槽的中心位置在第一方向上的第一差值以及所述滴孔的中心位置和所述滴槽的中心位置在第二方向上的第二差值，所述第二方向与所述第一方向垂直；
若第一差值大于或等于第一超差阈值，或第二差值大于或等于第二超差阈值，则确定所述滴孔的孔位为超差状态；
若第一差值大于第一偏差阈值且小于第一超差阈值，或第二差值大于第二偏差阈值且小于第二超差阈值，则确定所述滴孔的孔位为偏差状态；
若第一差值小于或等于第一偏差阈值，且第二差值小于或等于第二偏差阈值，则确定所述滴孔的孔位为正常状态。
作为举例，如图4所示，图4是本申请实施例提供的正常状态、偏差状态、超差状态的滴孔和滴槽的位置示意图，图中，△x为第一差值，△y为第二差值，正常状态下，△x为0，△y为0。超差状态下，△x或△y的数值比较大，滴孔甚至超出了滴槽所在的区域。
本申请实施例提供的检测方法可以应用于在线检测设备中，如图5所示，为本申请实施例提供的一种在线检测设备，其中滴灌带产品可以在传送装置上进行传送，检测设备上设置了滴片检测传感器，在滴片检测传感器检测到滴片后，光源用于照射滴灌带，工业相机根据滴片检测传感器和编码器的触发采集图像，采集的滴灌带的图像存在滴片，通过预先设置的神经网络模型对相机采集的滴片图像进行处理和分析，从将检测结果记录存档。
另外，为了更清楚的说明本申请实施例提供的滴孔检测方法，通过具体的数据进行说明。采用以下两个公式作为评价检测效果的指标，检测准确率误检率
选取了10000张人工标注过的滴片图像作为训练样本训练YOLO神经网络模型，另外，选取了10000张滴片图像作为测试样本对YOLO神经网络模型进行测试，以评价YOLO神经网络模型的检测效果。
表1 YOLO神经网络模型的测试结果
检测目标 检测数/总数 准确率
circle 10000/10000 100％
dbox 9998/10000 99.98％
circle，dbox 9998/10000 99.98％
表1展示了YOLO神经网络模型的测试结果，对于10000张测试图像，circle(滴孔)的检测准确率达到了100％，dbox(滴槽)的检测准确率达到了99.98％，YOLO神经网络模型展示了非常好的检测效果。
在实现了YOLO神经网络模型对目标的检测效果认定之后，进行滴片实际在线检测试验。一卷滴灌带长度约为3000米，内置滴片数量为12000个，根据现场生产进行了3次测试。
表2在线测试结果
表2展示了在线测试结果，实验结果表明，本申请实施例提出的检测方法具有很好的检测效果，能够较准确的检测出滴孔和滴槽的位置关系。当生产线以100m/min的正常速度工作时，检测误差率控制在0.012％以内。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
图6是本申请一实施例提供的终端设备的示意框图，为了便于说明，仅示出与本申请实施例相关的部分。
该终端设备6可以是连接在检测装置、计算机等终端设备上的软件单元、硬件单元或者软硬结合的单元，也可以是独立的检测装置、计算机等终端设备。
所述终端设备6包括：
图像获取单元61，用于获取待检测图像；
检测单元62，用于对所述待检测图像进行检测获得检测结果，所述检测结果包括：所述待检测图像中是否存在滴孔、以及存在滴孔时所述滴孔的位置和所述滴孔对应的滴槽的位置；
状态确定单元63，用于基于所述滴孔的位置和所述滴槽的位置，确定所述待检测图像中滴孔的状态。
可选的，所述图像获取单元61包括：
监测模块611，用于通过传感器监测滴灌带上滴片的位置，其中，所述滴片上设有滴孔和滴槽；
采集模块612，用于在通过传感器监测到滴灌带上滴片的位置后，控制相机采集图像，并将相机采集的图像作为待检测图像。
可选的，所述检测单元62还用于：
基于预设的神经网络模型，对所述待检测图像进行检测获得检测结果。
可选的，所述检测单元62还包括：
概率获取模块621，用于将所述待检测图像划分为多个网格，并计算每个网格中存在待检测目标的概率，所述待检测目标包括以下至少一项：滴孔、滴槽；
检测模块622，用于从概率大于预设值的网格中检测待检测目标，获得检测结果。
可选的，所述状态确定单元63包括：
距离确定模块631，用于基于所述滴孔的位置和所述滴槽的位置，确定所述滴孔的位置和所述滴槽的位置之间的距离；
状态确定模块632，用于若所述滴孔的位置和所述滴槽的位置之间的距离符合第一预设条件，则确定所述滴孔的孔位为正常状态；
状态确定模块632，还用于若所述滴孔的位置和所述滴槽的位置之间的距离不符合第一预设条件，则确定所述滴孔的孔位为不正常状态。
可选的，所述状态确定模块632还用于：
若所述滴孔的位置和所述滴槽的位置之间的距离符合第二预设条件，则确定所述滴孔的孔位为偏差状态；
若所述滴孔的位置和所述滴槽的位置之间的距离符合第三预设条件，则确定所述滴孔的孔位为超差状态。
可选的，状态确定单元63还用于：
Δx≥εx,或Δy≥εy,则flag＝1；
δx＜Δx＜εx,或δy＞Δy＜εy,则flag＝2；
Δx≤δx,或Δy≤δy,则flag＝3；
其中，Δx为所述滴孔的中心坐标和所述滴槽的中心坐标在第一方向上的第一差值，Δy为所述滴孔的中心坐标和所述滴槽的中心坐标在第二方向上的第二差值，所述第二方向与所述第一方向垂直，εx表示第一超差阈值，εy表示第二超差阈值，flag＝1表示所述滴孔的孔位为超差状态，δx为第一偏差阈值，δy为第二偏差阈值，flag＝2表示所述滴孔的孔位为偏差状态，flag＝3表示所述滴孔的孔位为正常状态。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述终端设备的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述终端设备中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图7是本申请又一实施例提供的终端设备的示意框图。如图7所示，该实施例的终端设备7可以作为连接现有的终端设备上的一台计算机，可以包括：一个或多个处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72。所述处理器70执行所述计算机程序72时实现上述各个方法实施例中的步骤，例如图2所示的步骤S201至S203。或者，所述处理器70执行所述计算机程序72时实现上述终端设备实施例中各模块/单元的功能，例如图6所示模块61至63的功能。
示例性的，所述计算机程序72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述终端设备7中的执行过程。例如，所述计算机程序72可以被分割成图像获取单元、检测单元、状态确定单元。
图像获取单元，用于获取待检测图像；
检测单元，用于对所述待检测图像进行检测获得检测结果，所述检测结果包括：所述待检测图像中是否存在滴孔、以及存在滴孔时所述滴孔的位置和所述滴孔对应的滴槽的位置；
状态确定单元，用于基于所述滴孔的位置和所述滴槽的位置，确定所述待检测图像中滴孔的状态。
其它单元或模块可参照图6所示的实施例中的描述，在此不再赘述。
所述终端设备包括但不仅限于处理器70、存储器71。本领域技术人员可以理解，图7仅仅是终端设备7的一个示例，并不构成对终端设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入设备、输出设备、网络接入设备、总线等。
所述处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述终端设备7的内部存储单元，例如终端设备7的硬盘或内存。所述存储器71也可以是所述终端设备7的外部存储设备，例如所述终端设备7上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的终端设备和方法，可以通过其它的方式实现。例如，以上所描述的终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种滴灌带滴孔的检测方法，其特征在于，所述滴灌带上设有滴孔和滴槽，所述检测方法包括：
获取待检测图像；
对所述待检测图像进行检测获得检测结果，所述检测结果包括：所述待检测图像中是否存在滴孔、以及存在滴孔时所述滴孔的位置和所述滴孔对应的滴槽的位置；
基于所述滴孔的位置和所述滴槽的位置，确定所述待检测图像中滴孔的状态。
2.如权利要求1所述的滴灌带滴孔的检测方法，其特征在于，所述获取待检测图像包括：
通过传感器监测滴灌带上滴片的位置，其中，所述滴片上设有滴孔和滴槽；
在通过传感器监测到滴灌带上滴片的位置后，控制相机采集图像，并将相机采集的图像作为待检测图像。
3.如权利要求1所述的滴灌带滴孔的检测方法，其特征在于，所述对所述待检测图像进行检测获得检测结果包括：
基于预设的神经网络模型，对所述待检测图像进行检测获得检测结果。
4.如权利要求3所述的滴灌带滴孔的检测方法，其特征在于，所述基于预设的神经网络模型，对所述待检测图像进行检测获得检测结果包括：
将所述待检测图像划分为多个网格，并计算每个网格中存在待检测目标的概率，所述待检测目标包括以下至少一项：滴孔、滴槽；
从概率大于预设值的网格中检测待检测目标，获得检测结果。
5.如权利要求1所述的滴灌带滴孔的检测方法，其特征在于，所述基于所述滴孔的位置和所述滴槽的位置，确定所述待检测图像中滴孔的状态包括：
基于所述滴孔的位置和所述滴槽的位置，确定所述滴孔的位置和所述滴槽的位置之间的距离；
若所述滴孔的位置和所述滴槽的位置之间的距离符合第一预设条件，则确定所述滴孔的孔位为正常状态；
若所述滴孔的位置和所述滴槽的位置之间的距离不符合第一预设条件，则确定所述滴孔的孔位为不正常状态。
6.如权利要求5所述的滴灌带滴孔的检测方法，其特征在于，所述若所述滴孔的位置和所述滴槽的位置之间的距离不符合第一预设条件，则确定所述滴孔的孔位为不正常状态包括：
若所述滴孔的位置和所述滴槽的位置之间的距离符合第二预设条件，则确定所述滴孔的孔位为偏差状态；
若所述滴孔的位置和所述滴槽的位置之间的距离符合第三预设条件，则确定所述滴孔的孔位为超差状态。
7.如权利要求1所述的滴灌带滴孔的检测方法，其特征在于，所述基于所述滴孔的位置和所述滴槽的位置，确定所述待检测图像中滴孔的状态包括：
Δx≥εx,或Δy≥εy,则flag＝1；
δx＜Δx＜εx,或δy＞Δy＜εy,则flag＝2；
Δx≤δx,或Δy≤δy,则flag＝3；
其中，Δx为所述滴孔的中心坐标和所述滴槽的中心坐标在第一方向上的第一差值，Δy为所述滴孔的中心坐标和所述滴槽的中心坐标在第二方向上的第二差值，所述第二方向与所述第一方向垂直，εx表示第一超差阈值，εy表示第二超差阈值，flag＝1表示所述滴孔的孔位为超差状态，δx为第一偏差阈值，δy为第二偏差阈值，flag＝2表示所述滴孔的孔位为偏差状态，flag＝3表示所述滴孔的孔位为正常状态。
8.一种终端设备，其特征在于，包括：
图像获取单元，用于获取待检测图像；
检测单元，用于对所述待检测图像进行检测获得检测结果，所述检测结果包括：所述待检测图像中是否存在滴孔、以及存在滴孔时所述滴孔的位置和所述滴孔对应的滴槽的位置；
状态确定单元，用于基于所述滴孔的位置和所述滴槽的位置，确定所述待检测图像中滴孔的状态。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被一个或多个处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN201811236592.1A 2018-10-23 2018-10-23 一种滴灌带滴孔的检测方法、终端设备及存储介质 Pending CN109461146A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811236592.1A CN109461146A (zh) 2018-10-23 2018-10-23 一种滴灌带滴孔的检测方法、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811236592.1A CN109461146A (zh) 2018-10-23 2018-10-23 一种滴灌带滴孔的检测方法、终端设备及存储介质

Publications (1)

Publication Number Publication Date
CN109461146A true CN109461146A (zh) 2019-03-12

Family

ID=65608210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811236592.1A Pending CN109461146A (zh) 2018-10-23 2018-10-23 一种滴灌带滴孔的检测方法、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN109461146A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110876334A (zh) * 2019-12-23 2020-03-13 湖北省农业科学院中药材研究所 一种防病虫传播的喷灌架、控制系统及控制方法
CN113042913A (zh) * 2019-10-29 2021-06-29 江苏华源节水股份有限公司 一种滴灌带出水孔的成型方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010055530A1 (en) * 2008-11-11 2010-05-20 La.Re.Ter. S.P.A. Device for the control of the flow of dripping irrigation hoses
CN202255281U (zh) * 2011-09-08 2012-05-30 甘肃大禹节水集团股份有限公司 滴灌带孔位检测系统
CN103009427A (zh) * 2013-01-06 2013-04-03 高利强 滴灌管孔位偏差自动纠正系统
CN107316010A (zh) * 2017-06-13 2017-11-03 武汉理工大学 一种识别前方车辆尾灯及判断其状态的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010055530A1 (en) * 2008-11-11 2010-05-20 La.Re.Ter. S.P.A. Device for the control of the flow of dripping irrigation hoses
CN202255281U (zh) * 2011-09-08 2012-05-30 甘肃大禹节水集团股份有限公司 滴灌带孔位检测系统
CN103009427A (zh) * 2013-01-06 2013-04-03 高利强 滴灌管孔位偏差自动纠正系统
CN107316010A (zh) * 2017-06-13 2017-11-03 武汉理工大学 一种识别前方车辆尾灯及判断其状态的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
来燕子: "基于计算机视觉的滴灌带孔位检测方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
郝存明等: "基于深度学习的安全帽检测方法研究", 《河北省科学院学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113042913A (zh) * 2019-10-29 2021-06-29 江苏华源节水股份有限公司 一种滴灌带出水孔的成型方法
CN113042913B (zh) * 2019-10-29 2022-03-04 江苏华源节水股份有限公司 一种滴灌带出水孔的成型方法
CN110876334A (zh) * 2019-12-23 2020-03-13 湖北省农业科学院中药材研究所 一种防病虫传播的喷灌架、控制系统及控制方法

Similar Documents

Publication Publication Date Title
CN106781664B (zh) 车位检测方法及装置
CN108617533A (zh) 基于耳标的畜牧监测方法、装置及耳标监测系统
CN108320278A (zh) 产品缺陷检测定位方法、装置、设备及计算机可读介质
CN109461146A (zh) 一种滴灌带滴孔的检测方法、终端设备及存储介质
CN113023293A (zh) 一种皮带机的巡检方法、装置、设备及系统
CN102269736B (zh) 罐底腐蚀声发射检测中声源分布区域的自动识别方法
CN110135278B (zh) 一种障碍物检测方法、装置及电子设备
CN108876822A (zh) 一种行为危险度评估方法及家庭安防看护系统
CN107222682A (zh) 农作物生长状况检测方法及装置
CN105334834A (zh) 基于物联网、云计算和大数据的现代农业害虫自动监测预警系统
CN108535759A (zh) 百万千瓦级核电站的远程辐射防护监控方法、装置及系统
CN109142445A (zh) 漆包线缺陷在线检测方法及检测装置、计算机装置及计算机可读存储介质
CN115660429A (zh) 适用于水泥智能制造的数据处理方法及装置
CN106595496A (zh) 一种人机交互零件尺寸柔性视觉测量方法
CN109598215A (zh) 一种基于无人机定位拍摄的果园建模分析系统和方法
Sen et al. Smart farming using machine learning and IoT
Bechar et al. An objective function to evaluate performance of human–robot collaboration in target recognition tasks
CN105425703A (zh) 基于物联网、云计算和大数据的现代农业害虫自动监测预警系统
CN108259597A (zh) 一种高精度低成本的农田环境监测系统
CN109889979A (zh) 基于无线信号的定位方法和装置
CN205719070U (zh) 一种盐碱地作物生长环境实时检测系统
CN109974784B (zh) 一种用于机房检测的半自动检测设备
CN114238685B (zh) 基于ble路由器的托盘自动化统计方法、装置及计算机设备
CN116090902A (zh) 一种农田远程监测方法及系统
CN112633143B (zh) 图像处理系统、方法、头戴设备、处理设备及存储介质

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