CN110765905A - 一种联合收割机收获谷物包含杂质比重的测量方法及其装置 - Google Patents
一种联合收割机收获谷物包含杂质比重的测量方法及其装置 Download PDFInfo
- Publication number
- CN110765905A CN110765905A CN201910963546.XA CN201910963546A CN110765905A CN 110765905 A CN110765905 A CN 110765905A CN 201910963546 A CN201910963546 A CN 201910963546A CN 110765905 A CN110765905 A CN 110765905A
- Authority
- CN
- China
- Prior art keywords
- image
- grains
- harvested
- impurities
- specific gravity
- 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.)
- Granted
Links
- 239000012535 impurity Substances 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000005484 gravity Effects 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 49
- 210000004209 hair Anatomy 0.000 claims description 24
- 238000003306 harvesting Methods 0.000 claims description 20
- 230000001186 cumulative effect Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000013016 damping Methods 0.000 claims description 8
- 239000002689 soil Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 abstract description 3
- 241001124569 Lycaenidae Species 0.000 abstract 2
- 238000012544 monitoring process Methods 0.000 abstract 1
- 230000035939 shock Effects 0.000 abstract 1
- 239000000463 material Substances 0.000 description 14
- 239000003086 colorant Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011897 real-time detection Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/955—Hardware or software architectures specially adapted for image or video understanding using specific electronic processors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
一种联合收割机收获谷物包含杂质比重的测量方法及其装置，测量方法包括将工业相机、照明设备及减震设备安装于联合收割机所需测量收获谷物包含杂质比重的对应位置，调整工业相机的拍摄间隔和曝光时间；利用CPU处理器，通过图像处理算法将采集图像当中的谷物与其他杂质区分，并计算收获谷物中包含杂质的比重；提供显示装置，通过并行接口接收谷物中包含杂质的比重信息，并实时显示。本发明的联合收割机收获谷物包含杂质比重的测量方法及其装置，能够有效的区分谷物与杂质，并获得谷物包含杂质的比重信息，能够达到实时、准确监测的目标。
Description
技术领域
本发明涉及一种在联合收割机谷物收获过程中检测包含杂质的方法，尤其是一种基于图像处理的联合收割机收获谷物包含杂质实时检测方法，以及该实时杂质检测方法使用的图像处理和识别装置。
背景技术
现代化农业的发展对农业装备的智能化提出了一系列新的要求，在谷物收割收获装备领域中，收获物包含杂质的多少是衡量收获装备效用的重要指标之一。性能优良的收获装备应当在保证收获效率的前提下，尽可能的减少收获物中所包含的杂质；同时，还应具备实时分析当前工作状态的能力，将当前收获过程中，收获物包含杂质的情况反馈回收获装备的控制中心，指导收获装备调整作业模式，减少收获物所含杂质，从而减少后续从收获物中筛除杂质的工作量。当前谷物收获装备缺乏实时、准确杂质检测的过程，缺点是收获物当中包含大量杂质，给作物的后续加工处理带来了困难。
国内外的研究中，缺少实时检测联合收割机收获物所含杂质的方法，更多的是以材料分析的方法，在收获过程结束之后开展检测，无法为收获过程中调整联合收割机工作参数以减少收获物中所含杂质提供信息支持。
发明内容
本发明要解决的问题是：现有技术不能满足对联合收割机实时准确地检测收获谷物所含杂质的需求，本发明提出一种联合收割机收获谷物包含杂质比重的测量方法及其装置，能够较好的实时在线指导联合收割机的工作，提高收获品质。
本发明的技术方案为：一种联合收割机收获谷物包含杂质比重的测量方法，采集收获谷物的图像，对图像通过图像处理区分出其中的谷物与其他杂质，进而计算出收获谷物中包含杂质的比重。
所述图像处理具体为：
1)将采集到的RGB颜色空间图像转变为适于计算机处理的HSV颜色空间图像，对于采集到图像当中的每个像素点的值，分别作如下转换：
R*＝R/255,G*＝G/255,B*＝B/255 (1)
Lmax＝max(R*,G*,B*),Lmin＝min(R*,G*,B*) (2)
式(1)中，R、G、B分别为采集图像像素值的R、G、B分量，式(3)中，H、S、V分别为转换的HSV图像像素值的H、S、V分量，选取HSV图像三个分量当中，对应根须清晰突出的分量，记为分量图像F，后续流程将基于所选取的分量图像进行处理；
2)利用中值滤波的方法降低分量图像F当中的噪声，选取的核函数为：
分量图像F像素值更新为：
V＝Med[f(x-1,y-1),f(x-1,y),f(x-1,y+1),f(x,y-1),f(x,y),f(x,y+1),f(x+1,y-1),f(x+1,y),f(x+1,y+1)]
(4)
式(4)中，V表示分量图像F中值滤波之后像素点的值，f(x,y)表示分量图像F中位置(x,y)处的像素值，Med[]表示对括号内的数值求中位数；
3)利用直方图均衡化方法增强中值滤波之后的分量图像F的对比度，设分量图像F和对分量图像F进行直方图均衡化后的图像中亮度l对应的像素点个数分别为S(l)和R(l)，M表示图像亮度级的数目，N*N表示一幅图像总的像素点个数，两幅图像总的像素点个数相等，则有：
设亮度级为p的累加直方图，经过直方图均衡化处理之后，转变为亮度级为q的累加直方图，则满足：
而图像中每个亮度级的点数是输出图像总像素点数与亮度级范围之比，因此，
则输出图像的累加直方图为：
综合(6)和(8)式，即可得到输入亮度级为p到输出亮度级为q的直方图均衡化映射：
经过直方图均衡化映射，分量图像F增强后表示为增强图像E；
4)对增强图像E进行阈值分割，将增强图像E中的碎叶和土块与作物分割开，得到筛除了碎叶和土块的二值图像B，具体为选择图像E中包含收获物的一个500*500区域的像素值的平均值作为阈值分割的阈值T，
式(10)中，f(i,j)表示图像E中(i,j)位置的像素值，对于图像E中数值大于阈值T的像素点，其值被设置为255，图像E中数值小于阈值T的像素点，其值被设置为0，从而得到二值图像B；
5)利用根须的几何特征，检测二值图像B当中水平方向的根须，将二值图像B中根须所在位置的像素值设置为0；
6)将二值图像B旋转90度，重复步骤5)，以检测二值图像B当中垂直方向的根须，结束之后，将二值图像B反向旋转90度复位。
所述计算收获谷物中包含杂质的比重具体为：将图像E减去步骤6)得到的二值图像B，相减结果记为R，统计图像R中像素值为255的像素点的个数Num，进一步求得收获物当中杂质所占比重P，即P＝Num/B.rows*B.cols，B.rows和B.cols分别为图像B的行数和列数。
一种联合收割机收获谷物包含杂质比重的测量装置，包括工业相机、照明设备、减震设备及图像处理装置，工业相机用于采集收获谷物的图像，照明设备用于为工业相机采集图像时提供光源，减震设备用于消除联合收割机运行过程中的振动对工业相机采集图像造成的干扰，避免工业相机采集到的的图片出现模糊、光影等不利因素，调整工业相机的拍摄间隔和曝光时间，采集收获谷物的图像输入图像处理装置，所述图像处理装置中加载有计算机程序，所述计算机程序运行时执行权利要求1-3任一项所述的联合收割机收获谷物包含杂质比重的测量方法。
进一步的，测量装置还包括显示装置，显示装置接收图像处理装置输出的谷物中包含杂质的比重信息，并实时显示。
本发明采用工业相机与图像处理算法为基础，以CPU处理器作为整个系统的控制分析核心，以此来建成一个实时、高效、准确的图像处理系统，实现了收获物包含杂质的实时、准确检测，并显示杂质的比重，为后续调整联合收割机的工作参数提供了借鉴，从而保证联合收割机的收获质量。本申请中所提出的图像处理算法，在处理结果方面，除了能够将颜色和收获物存在较大差异的茎叶、泥土杂质与收获物区分开，还能够将颜色和收获物一致的根须与收获物区分开，因而对收获物中包含杂质的检测更为准确，另外，本申请所提出的图像处理算法能够快速得到检测结果，能够满足实时性的要求；在设备要求方面，本申请所提出的图像处理算法，计算量和涉及的数据量小，对硬件设备的运算性能、存储容量以及数据传输速率和带宽的要求不高，因而更加适合在条件有限的实际应用场景中发挥作用。
附图说明
图1为本发明根须算法的流程图。
图2为本发明实施例的装置结构示意图。
具体实施方式
本发明根据目前研究的不足，公开了一种基于图像处理的实时检测联合收割机收获物中所含杂质比重的方法以及所需用的装置，该方法能够较好的实时在线指导联合收割机的工作，提高收获品质。
本发明提出的联合收割机收获谷物包含杂质比重的测量装置，包括工业相机、照明设备、减震设备及图像处理装置，工业相机用于采集收获谷物的图像，照明设备用于为工业相机采集图像时提供光源，减震设备用于消除联合收割机运行过程中的振动对工业相机采集图像造成的干扰，避免工业相机采集到的的图片出现模糊、光影等不利因素，调整工业相机的拍摄间隔和曝光时间，采集收获谷物的图像输入图像处理装置，所述图像处理装置中加载有计算机程序，所述计算机程序运行时执行联合收割机收获谷物包含杂质比重的测量方法。
其中工业相机、照明设备及减震设备构成图像采集装置；图像处理装置以CPU处理器为核心，还包括一些外围辅助电路，包括电源、图像传输线、存储器、脉冲信号发生器等，由CPU进行整体的控制，协调系统各个部分的工作；显示装置为平板显示屏或者便携式显示终端，用于实时显示收获物当中所含杂质的比重。
图像采集装置安装于联合收割机传送带尽头、储存箱入口处，镜头方向设置为俯视传送带托盘，来实时采集传送带上收获物的正面图像。在联合收割机启动之后，根据联合收割机传送带的传送速度、环境的亮度来调整工业相机的拍摄间隔和曝光时间，保证采集到的图像的清晰度和明亮度。
本发明的联合收割机收获谷物包含杂质比重的测量方法，采集收获谷物的图像，对图像通过图像处理区分出其中的谷物与其他杂质，进而计算出收获谷物中包含杂质的比重。实现如下：
步骤1，将工业相机、照明设备及减震设备安装于联合收割机所需测量收获谷物包含杂质比重的对应位置，调整工业相机的拍摄间隔和曝光时间；
步骤2，利用图像处理装置，通过图像处理算法将采集图像当中的谷物与其他杂质区分开来，并计算收获谷物中包含杂质的比重；
步骤3，提供显示装置，通过并行接口接收谷物中包含杂质的比重信息，并实时显示。
作为本发明的进一步限定方案，步骤2中通过图像处理算法将采集图像当中的谷物与其他杂质区分，并计算收获谷物中包含杂质的比重的具体步骤为：
步骤2.1，将采集到的RGB颜色空间图像转变为适于计算机处理的HSV颜色空间图像，对于采集到图像当中的每个像素点的值，分别作如下转换：
R*＝R/255,G*＝G/255,B*＝B/255 (1)
Lmax＝max(R*,G*,B*),Lmin＝min(R*,G*,B*) (2)
式(1)中，R、G、B分别为采集图像像素值的R、G、B分量，式(3)中，H、S、V分别为转换的HSV图像像素值的H、S、V分量，人工选取HSV图像三个分量当中，根须较为清晰突出的分量，记为分量图像F，后续流程将基于所选取的分量进行处理。
步骤2.2，利用中值滤波的方法降低分量图像F当中的噪声，选取的核函数为：
分量图像F像素值更新为：
V＝Med[f(x-1,y-1),f(x-1,y),f(x-1,y+1),f(x,y-1),f(x,y),f(x,y+1),f(x+1,y-1),f(x+1,y),f(x+1,y+1)]
(4)
式(4)中，V表示分量图像F中值滤波之后像素点的值，f(x,y)表示分量图像F中位置(x,y)处的像素值，Med()表示对括号内的数值求中位数。
步骤2.3，利用直方图均衡化方法增强中值滤波之后的分量图像F的对比度。设分量图像F和对分量图像F进行直方图均衡化后的图像中亮度l对应的像素点个数分别为S(l)和R(l)，M表示图像亮度级的数目，N*N表示一幅图像总的像素点个数，两幅图像总的像素点个数应该相等，所以有：
假设亮度级为p的累加直方图，经过直方图均衡化处理之后，转变为亮度级为q的累加直方图，则满足：
而图像中每个亮度级的点数是输出图像总像素点数与亮度级范围之比，因此，
所以输出图像的累加直方图为：
综合(6)和(8)式，即可得到输入亮度级为p到输出亮度级为q的直方图均衡化映射[14]：
经过直方图均衡化映射，分量图像F增强后表示为增强图像E。
步骤2.4，对增强图像E进行阈值分割，将图像E中的碎叶和土块与作物分割开，得到筛除了碎叶和土块的二值图像B。所述阈值分割的阈值T选择为图像E中一个500*500区域的像素值的平均值，选择的区域时只需选择包含收获物的区域即可，比起对整个图像E的像素求解平均值，大大节省了运算时间，
式(10)中，f(i,j)表示增强图像E中(i,j)位置的像素值，对于增强图像E中数值大于阈值T的像素点，将像素值设置为255，增强图像E中数值小于阈值T的像素点，像素值设置为0，从而得到二值图像B。
步骤2.5，利用根须的几何特征，检测二值图像B当中水平方向的根须，将图像B中根须所在位置的像素值设置为0，检测根须的方法为：
2.5.1设T1和T2为检测根须所设置的阈值，在本发明当中，优选T1取值为5，T2取值为12；
2.5.2对于图像B的第i行，自左向右扫描第i行连续的像素值为1的像素，如果连续像素的个数count介于T1和T2之间，则视这些连续像素为根须所对应的像素点，将这些像素点的值置为0，直至到达第i行末；
2.5.3重复2.5.2的过程直至图像B的最后一行扫描完成。
检测根须的算法流程图如图2所示。图2所示算法流程图中，i,j分别为图像像素点的行、列索引值，count为中间变量，f(i,j)表示图像在第i行第j列的像素值，B.rows表示图像B的行数，B.cols表示图像B的列数，T1和T2为检测根须所设置的阈值。
步骤2.6，将图像B向右旋转90度，重复步骤2.5所述的算法流程，以检测二值图像B当中垂直方向的根须，在算法流程结束之后，将图像B向左旋转90度复位；
步骤2.7，将图像E减去图像B，相减结果记为R，统计图像R中像素值为255的像素点的个数Num，进一步求得收获物当中杂质所占比重P，即P＝Num/B.rows*B.cols，B.rows和B.cols分别为图像B的行数和列数。
本发明采用工业相机与图像处理算法为基础，以CPU处理器作为整个系统的控制分析核心，以此来建成一个实时、高效、准确的图像处理系统，实现了收获物包含杂质的实时、准确检测，并显示杂质的比重，为后续调整联合收割机的工作参数提供了借鉴，从而保证联合收割机的收获质量。本申请中所提出的图像处理算法，在处理结果方面，除了能够将颜色和收获物存在较大差异的茎叶、泥土杂质与收获物区分开，还能够将颜色和收获物一致的根须与收获物区分开，因而对收获物中包含杂质的检测更为准确，另外，本申请所提出的图像处理算法能够快速得到检测结果，能够满足实时性的要求；在设备要求方面，本申请所提出的图像处理算法，计算量和涉及的数据量小，对硬件设备的运算性能、存储容量以及数据传输速率和带宽的要求不高，因而更加适合在条件有限的实际应用场景中发挥作用。
Claims (6)
1.一种联合收割机收获谷物包含杂质比重的测量方法，其特征是采集收获谷物的图像，对图像通过图像处理区分出其中的谷物与其他杂质，进而计算出收获谷物中包含杂质的比重。
2.根据权利要求1所述的一种联合收割机收获谷物包含杂质比重的测量方法，其特征是所述图像处理具体为：
1)将采集到的RGB颜色空间图像转变为适于计算机处理的HSV颜色空间图像，对于采集到图像当中的每个像素点的值，分别作如下转换：
R*＝R/255,G*＝G/255,B*＝B/255 (1)
Lmax＝max(R*,G*,B*),Lmin＝min(R*,G*,B*) (2)
式(1)中，R、G、B分别为采集图像像素值的R、G、B分量，式(3)中，H、S、V分别为转换的HSV图像像素值的H、S、V分量，选取HSV图像三个分量当中，对应根须清晰突出的分量，记为分量图像F，后续流程将基于所选取的分量图像进行处理；
2)利用中值滤波的方法降低分量图像F当中的噪声，选取的核函数为：
分量图像F像素值更新为：
V＝Med[f(x-1,y-1),f(x-1,y),f(x-1,y+1),f(x,y-1),f(x,y),f(x,y+1),f(x+1,y-1),f(x+1,y),f(x+1,y+1)] (4)
式(4)中，V表示分量图像F中值滤波之后像素点的值，f(x,y)表示分量图像F中位置(x,y)处的像素值，Med[]表示对括号内的数值求中位数；
3)利用直方图均衡化方法增强中值滤波之后的分量图像F的对比度，设分量图像F和对分量图像F进行直方图均衡化后的图像中，亮度l对应的像素点个数分别为S(l)和R(l)，M表示图像亮度级的数目，N*N表示一幅图像总的像素点个数，两幅图像总的像素点个数相等，则有：
设亮度级为p的累加直方图，经过直方图均衡化处理之后，转变为亮度级为q的累加直方图，则满足：
而图像中每个亮度级的点数是输出图像总像素点数与亮度级范围之比，因此，
则输出图像的累加直方图为：
综合(6)和(8)式，即可得到输入亮度级为p到输出亮度级为q的直方图均衡化映射：
经过直方图均衡化映射，分量图像F增强后表示为增强图像E；
4)对增强图像E进行阈值分割，将增强图像E中的碎叶和土块与作物分割开，得到筛除了碎叶和土块的二值图像B，具体为选择图像E中包含收获物的一个500*500区域的像素值的平均值作为阈值分割的阈值T，
式(10)中，f(i,j)表示增强图像E中(i,j)位置的像素值，对于增强图像E中数值大于阈值T的像素点，将像素值设置为255，增强图像E中数值小于阈值T的像素点，像素值设置为0，从而得到二值图像B；
5)利用根须的几何特征，检测二值图像B当中水平方向的根须，将二值图像B中根须所在位置的像素值设置为0；
6)将二值图像B旋转90度，重复步骤5)，以检测二值图像B当中垂直方向的根须，结束之后，将二值图像B反向旋转90度复位。
3.根据权利要求2所述的一种联合收割机收获谷物包含杂质比重的测量方法，其特征是步骤5)检测根须的方法为：
5.1)设T1和T2为检测根须所设置的阈值，T1取值为5，T2取值为12；
5.2)对于二值图像B的第i行，自左向右扫描第i行连续的像素值为1的像素，如果连续像素的个数count介于T1和T2之间，则视这些连续像素为根须所对应的像素点，将这些像素点的值置为0，直至到达第i行末；
5.3)重复5.2)的过程直至图像B的最后一行扫描完成。
4.根据权利要求1所述的一种联合收割机收获谷物包含杂质比重的测量方法，其特征是所述计算收获谷物中包含杂质的比重具体为：将图像E减去步骤6)得到的二值图像B，相减结果记为R，统计图像R中像素值为255的像素点的个数Num，进一步求得收获物当中杂质所占比重P，即P＝Num/B.rows*B.cols，B.rows和B.cols分别为图像B的行数和列数。
5.一种联合收割机收获谷物包含杂质比重的测量装置，其特征是包括工业相机、照明设备、减震设备及图像处理装置，工业相机用于采集收获谷物的图像，照明设备用于为工业相机采集图像时提供光源，减震设备用于消除联合收割机运行过程中的振动对工业相机采集图像造成的干扰，避免工业相机采集到的的图片出现模糊、光影等不利因素，调整工业相机的拍摄间隔和曝光时间，采集收获谷物的图像输入图像处理装置，所述图像处理装置中加载有计算机程序，所述计算机程序运行时执行权利要求1-3任一项所述的联合收割机收获谷物包含杂质比重的测量方法。
6.根据权利要求5所述的一种联合收割机收获谷物包含杂质比重的测量装置，其特征还包括显示装置，显示装置接收图像处理装置输出的谷物中包含杂质的比重信息，并实时显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910963546.XA CN110765905B (zh) | 2019-10-11 | 2019-10-11 | 一种联合收割机收获谷物包含杂质比重的测量方法及其装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910963546.XA CN110765905B (zh) | 2019-10-11 | 2019-10-11 | 一种联合收割机收获谷物包含杂质比重的测量方法及其装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110765905A true CN110765905A (zh) | 2020-02-07 |
| CN110765905B CN110765905B (zh) | 2023-06-20 |
Family
ID=69331786
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910963546.XA Active CN110765905B (zh) | 2019-10-11 | 2019-10-11 | 一种联合收割机收获谷物包含杂质比重的测量方法及其装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110765905B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112014399A (zh) * | 2020-07-22 | 2020-12-01 | 湖北工业大学 | 粮箱内带式谷物破碎率和含杂率检测装置和方法 |
| CN113191176A (zh) * | 2020-06-08 | 2021-07-30 | 阿里巴巴集团控股有限公司 | 数据处理方法和装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102680481A (zh) * | 2012-05-16 | 2012-09-19 | 陕西长岭纺织机电科技有限公司 | 棉纤维杂质的检测方法 |
| CN107123115A (zh) * | 2017-04-25 | 2017-09-01 | 南京大学 | 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 |
| CN108288275A (zh) * | 2018-03-07 | 2018-07-17 | 安徽财经大学 | 一种基于移动智能终端的机采籽棉杂质检测方法 |
| CN207850944U (zh) * | 2018-01-15 | 2018-09-11 | 江苏大学 | 联合收获机粮箱籽粒含杂率与破碎率实时监测装置 |
| CN109146878A (zh) * | 2018-09-30 | 2019-01-04 | 安徽农业大学 | 一种基于图像处理的杂质检测方法 |
-
2019
- 2019-10-11 CN CN201910963546.XA patent/CN110765905B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102680481A (zh) * | 2012-05-16 | 2012-09-19 | 陕西长岭纺织机电科技有限公司 | 棉纤维杂质的检测方法 |
| CN107123115A (zh) * | 2017-04-25 | 2017-09-01 | 南京大学 | 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 |
| CN207850944U (zh) * | 2018-01-15 | 2018-09-11 | 江苏大学 | 联合收获机粮箱籽粒含杂率与破碎率实时监测装置 |
| CN108288275A (zh) * | 2018-03-07 | 2018-07-17 | 安徽财经大学 | 一种基于移动智能终端的机采籽棉杂质检测方法 |
| CN109146878A (zh) * | 2018-09-30 | 2019-01-04 | 安徽农业大学 | 一种基于图像处理的杂质检测方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113191176A (zh) * | 2020-06-08 | 2021-07-30 | 阿里巴巴集团控股有限公司 | 数据处理方法和装置 |
| CN112014399A (zh) * | 2020-07-22 | 2020-12-01 | 湖北工业大学 | 粮箱内带式谷物破碎率和含杂率检测装置和方法 |
| CN112014399B (zh) * | 2020-07-22 | 2023-08-25 | 湖北工业大学 | 粮箱内带式谷物破碎率和含杂率检测装置和方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110765905B (zh) | 2023-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109447945B (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
| US9008409B2 (en) | Method and system for digital image analysis of ear traits | |
| CN103888681A (zh) | 一种自动曝光方法及装置 | |
| CN110765905B (zh) | 一种联合收割机收获谷物包含杂质比重的测量方法及其装置 | |
| CN112232978B (zh) | 水产品体长和重量检测方法、终端设备及存储介质 | |
| CN113222991A (zh) | 基于深度学习网络的田间麦穗计数以及小麦产量预测 | |
| CN109584175B (zh) | 一种图像处理方法及装置 | |
| CN112067616B (zh) | 一种谷物品质实时检测装置及方法 | |
| CN111565261B (zh) | 图像处理方法、装置及电子设备 | |
| CN112348754B (zh) | 一种低照度彩色图像增强方法及装置 | |
| CN108230412A (zh) | 一种红外图像压缩方法及装置 | |
| Constantino et al. | Towards an automated plant height measurement and tiller segmentation of rice crops using image processing | |
| US9881358B2 (en) | Method and system for adaptive pixel replacement | |
| CN113820325A (zh) | 一种玉米籽粒直收含杂率和破碎率在线检测系统及其方法 | |
| CN115687850A (zh) | 一种农田的灌溉需水量计算方法及装置 | |
| CN111222360B (zh) | 硅料熔化状态的检测方法、设备及存储介质 | |
| CN105959512B (zh) | 3d降噪实现方法及装置 | |
| CN115049902A (zh) | 柑橘叶片含水量可视化预测方法、系统、设备及存储介质 | |
| Mohamed et al. | Strawberry ripeness calibrated 2D colour lookup table for field-deployable computer vision | |
| CN114764833A (zh) | 植物生长曲线确定方法、装置、电子设备及介质 | |
| CN113850814A (zh) | 一种基于cnn模型的荔枝叶片病虫害识别方法 | |
| Saberi et al. | Adaptive contrast enhancement of satellite images based on histogram and non-linear transfer function methods | |
| Zhao et al. | Grading system of tomato grafting machine based on machine vision | |
| CN111050086A (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN114663752B (zh) | 一种基于机器视觉的食用豆产量智能估计方法、系统 |
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 |