CN109919248A - 一种基于卷积神经网络的水稻考种装置及其使用方法 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络的水稻考种装置及其使用方法，使用方法包括步骤：从水稻种子照片中分离出单个籽粒，利用计算机视觉算法提取种子轮廓；对分离后的各籽粒以其轮廓照片进行分类，将籽粒分为闭实、闭偏实、开实、开偏实、闭空、闭偏空、开空和开偏空；使用各类籽粒轮廓照片样本对深度卷积神经网络进行训练；使用验证照片对所述深度卷积神经网络进行验证；将待处理水稻种子照片输入到所述深度卷积神经网络中进行考种。与现有技术相比，本发明有效的将稻谷快速的分为八类，同时对八类稻谷进行统计，解决了考种过程中，种子分类统计不详细的问题。

Description

一种基于卷积神经网络的水稻考种装置及其使用方法

技术领域

本发明涉及水稻考种领域，尤其涉及一种基于深度学习卷积神经网络的水稻考种装置及其使用方法。

背景技术

现有技术中一般使用机器设备或机器设备与机器视觉相结合的方式进行考种，如CN201010234207(数字化水稻考种机)公开了一种数字化考种机，通过风选装置分离实粒和空瘪粒，使用机器视觉技术动态中的贝叶斯分类法来对完整粒和破损粒进行分类。但存在以下不足：一是在考种过程中，种子分类统计不详细，如只分为实粒、秕粒两种，而没有实粒、半实粒、批粒、半秕粒等种子的分类统计；二是对一批数量较大的样品难以自动编号、记录和统计等，致使最后在统计分析时效率低、精度也是不尽人意。商用数粒仪一般通过将谷粒以单粒落下来分离籽粒，再使用光电手段进行探测并计数。缺点是数粒速度慢，对谷粒清洁程度要求高，需要在数粒前进行多项清洁去杂质的处理，此类自动化仪器构造重复、占用空间大、价格高昂、维护和修理的成本很高，难以普及。

目前在图像分析领域中，基于数据科学的深度学习方法其价值已经大大超过了传统的识别检测方法。深度学习是机器学习研究中的一个新的领域，通过建立模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据，包括图像，声音和文本等。卷积神经网络通过对数字图像进行卷积和池化操作，可以有效提取到图像的多尺度特征。其速度、准确性都能满足水稻考种的需要。目前尚无一种基于卷积神经网络的水稻考种装置及其使用方法。

发明内容

本发明的目的在于提供一种基于卷积神经网络的水稻考种装置及其使用方法，以解决上述背景技术中提出的考种过程中，种子分类统计不详细的问题。

为实现上述目的，本发明提供如下技术方案：一种基于卷积神经网络的水稻考种装置，包括壳体，所述壳体内壁的上端安装有摄像头，且摄像头设置有两个，所述摄像头的下方设置有活动支撑板，且活动支撑板设置有两个，所述两个活动支撑板之间设置有支撑隔板，所述壳体的两相对内壁上设置有液压缸，且液压缸的上端与活动支撑板的下端之间通过转轴转动连接，所述活动支撑板的下方设置有滤网箱，所述滤网箱的内部设置有过滤网，所述滤网箱的底端安装有减震支撑座，且减震支撑座与壳体之间通过螺钉固定连接，所述滤网箱的下方安装有振动电机，且振动电机与滤网箱之间通过螺钉固定连接，所述液压缸的下方设置有海绵减震垫，且海绵减震垫位于滤网箱的两侧，所述壳体的上方设置有显示屏和鼠标，且显示屏位于鼠标的一侧。

优选的，所述过滤网设置有七个，且过滤网之间依次分布。

优选的，所述活动支撑板的一端与壳体之间通过铰链转动连接。

一种基于卷积神经网络的水稻考种方法，包括以下步骤：

S1：从水稻种子照片中分离出单个籽粒，利用计算机视觉算法，提取种子轮廓；

S2：对分割后的各籽粒以其轮廓照片进行分类，将籽粒分为闭实、闭偏实、开实、开偏实、闭空、闭偏空、开空和开偏空8种类型；

S3：使用各类籽粒轮廓照片样本对深度卷积神经网络进行训练；

S4：使用验证照片对所述深度卷积神经网络进行验证；

S5：使用所述深度卷积神经网络对水稻种子照片进行考种。

优选的，所述步骤S1包括步骤：

步骤S1-1利用机器学习判断种子轮廓是否为单一籽粒；

步骤S1-2如果是单一籽粒，利用轮廓切割图像，输出单个籽粒图片，计算长度，宽度和面积；如果是粘连籽粒，利用图像分割算法分离粘连的籽粒，得到单个籽粒图片；

步骤S1-3如籽粒粘连不能分离出单个籽粒，或粘连籽粒因为形状不规则而得出错误结果，则提示进行人工干预，重新拍照。

优选的，所述步骤S5包括步骤：

步骤S5-1将水稻稻种籽粒按照开实和闭实、开偏实和闭偏实、开偏空和闭偏空、开空和闭空分为4类，并分别统计4类种子比例；

步骤S5-2将水稻稻种籽粒按照开实、闭实、开偏实和闭偏实，开偏空、闭偏空、开空和闭空分为两类，并分别统计两类种子比例。

与现有技术相比，本发明的有益效果是：

1.该卷积神经网络的水稻考种方法通过卷积神经网络对种子进行拍摄，再对照片进行分析，有效的将种子快速的分为八类，同时对八类种子进行统计，解决了考种过程中，种子分类统计不详细的问题，提高了种子筛选的精确性，将种子的类型划分的更加细致。

2.该基于卷积神经网络的水稻考种装置通过两个摄像头分别对单颗种子和多颗种子进行拍摄，实现对种子的具体分析，让种子考种统计时更加精确，通过将种子分为八个类型，减少了传统考种分类较笼统的问题。

附图说明

图1为本发明基于卷积神经网络的水稻考种方法流程图；

图2为本发明一个实施例中对粘连种子进行分离的原理示意图；

图3为本发明中各籽粒类型轮廓示意图；

图4为本发明的一种基于卷积神经网络的水稻考种装置的结构示意图；

图中：1、壳体；2、摄像头；3、活动支撑板；4、液压缸；5、滤网箱；6、海绵减震垫；7、过滤网；8、支撑隔板；9、减震支撑座；10、振动电机；11、显示屏；12、鼠标。

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。

请参阅图1-4，本发明提供的一种实施例：一种基于卷积神经网络的水稻考种装置，包括壳体1，壳体1内壁的上端安装有摄像头2，且摄像头2设置有两个，摄像头2的下方设置有活动支撑板3，且活动支撑板3设置有两个，两个活动支撑板3之间设置有支撑隔板8，壳体1的两相对内壁上设置有液压缸4，且液压缸4的上端与活动支撑板3的下端之间通过转轴转动连接，活动支撑板3的下方设置有滤网箱5，滤网箱5的内部设置有过滤网7，滤网箱5的底端安装有减震支撑座9，且减震支撑座9与壳体1之间通过螺钉固定连接，滤网箱5的下方安装有振动电机10，且振动电机10与滤网箱5之间通过螺钉固定连接，液压缸4的下方设置有海绵减震垫6，且海绵减震垫6位于滤网箱5的两侧，壳体1的上方设置有显示屏11和鼠标12，且显示屏11位于鼠标12的一侧。

进一步，过滤网7设置有七个，且过滤网7之间依次分布。

进一步，活动支撑板3的一端与壳体1之间通过铰链转动连接。

请参见图1，本发明一种基于卷积神经网络的水稻考种方法，包括以下步骤：

S1：从水稻种子照片中分离出单个籽粒，利用计算机视觉算法，提取种子轮廓；

S2：对分离后的各籽粒以其轮廓照片进行分类，将籽粒分为闭实、闭偏实、开实、开偏实、闭空、闭偏空、开空和开偏空8种类型；

S3：使用各类籽粒轮廓照片样本对深度卷积神经网络进行训练；

S4：使用验证照片对深度卷积神经网络进行验证；

S5：使用深度卷积神经网络对水稻种子照片进行考种。

请参见图2，步骤S1包括步骤：

步骤S1-1利用机器学习判断种子轮廓是否为单一籽粒；

步骤S1-2如果是单一籽粒，利用轮廓切割图像，输出单个籽粒图片，计算长度，宽度和面积；如果是粘连籽粒，利用图像分割算法分离粘连的籽粒，得到单个籽粒图片；

步骤S1-3如籽粒粘连不能分离出单个籽粒，或粘连籽粒因为形状不规则而得出错误结果，则提示进行人工干预，重新拍照。

请参见图3，步骤S5包括步骤：

步骤S5-1将水稻稻种籽粒按照开实和闭实、开偏实和闭偏实、开偏空和闭偏空、开空和闭空分为四类，并分别统计四类种子比例；

步骤S5-2将水稻稻种籽粒按照开实、闭实、开偏实和闭偏实，开偏空、闭偏空、开空和闭空分为两类，并分别统计两类种子比例。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (6)

1.一种基于卷积神经网络的水稻考种装置，包括壳体(1)，其特征在于：所述壳体(1)内壁的上端安装有摄像头(2)，且摄像头(2)设置有两个，所述摄像头(2)的下方设置有活动支撑板(3)，且活动支撑板(3)设置有两个，所述两个活动支撑板(3)之间设置有支撑隔板(8)，所述壳体(1)的两相对内壁上设置有液压缸(4)，且液压缸(4)的上端与活动支撑板(3)的下端之间通过转轴转动连接，所述活动支撑板(3)的下方设置有滤网箱(5)，所述滤网箱(5)的内部设置有过滤网(7)，所述滤网箱(5)的底端安装有减震支撑座(9)，且减震支撑座(9)与壳体(1)之间通过螺钉固定连接，所述滤网箱(5)的下方安装有振动电机(10)，且振动电机(10)与滤网箱(5)之间通过螺钉固定连接，所述液压缸(4)的下方设置有海绵减震垫(6)，且海绵减震垫(6)位于滤网箱(5)的两侧，所述壳体(1)的上方设置有显示屏(11)和鼠标(12)，且显示屏(11)位于鼠标(12)的一侧。

2.根据权利要求1所述的一种基于卷积神经网络的水稻考种装置，其特征在于：所述过滤网(7)设置有七个，且过滤网(7)之间依次分布。

3.根据权利要求1所述的一种基于卷积神经网络的水稻考种装置，其特征在于：所述活动支撑板(3)的一端与壳体(1)之间通过铰链转动连接。

4.根据权利要求1所述的一种基于卷积神经网络的水稻考种方法，其特征在于，包括以下步骤：

S1：从水稻种子照片中分离出单个籽粒，利用计算机视觉算法提取种子轮廓；

S2：对分割后的各籽粒以其轮廓照片进行分类，将籽粒分为闭实、闭偏实、开实、开偏实、闭空、闭偏空、开空和开偏空；

S3：使用各类籽粒轮廓照片对深度卷积神经网络进行训练；

S4：使用验证照片对所述深度卷积神经网络进行验证；

S5：使用所述深度卷积神经网络对水稻种子照片进行考种。

5.根据权利要求4所述的一种基于卷积神经网络的水稻考种方法，其特征在于，所述步骤S1包括步骤：

步骤S1-1利用机器学习判断种子轮廓是否为单一籽粒；

步骤S1-2如果是单一籽粒，利用轮廓切割图像，输出单个籽粒图片，计算长度，宽度和面积；如果是粘连籽粒，利用图像分割算法分离粘连的籽粒，得到单个籽粒图片；

步骤S1-3如籽粒粘连不能分离出单个籽粒，或粘连籽粒因为形状不规则而得到错误结果，则提示进行人工干预，重新拍照。

6.根据权利要求4所述的一种基于卷积神经网络的水稻考种方法，其特征在于，所述步骤S5包括步骤：

步骤S5-1将水稻稻种籽粒按照开实和闭实、开偏实和闭偏实、开偏空和闭偏空、开空和闭空分为四类，并分别统计四类种子比例；

步骤S5-2将水稻稻种籽粒按照开实、闭实、开偏实和闭偏实，开偏空、闭偏空、开空和闭空分为两类，并分别统计两类种子比例。