CN112544242B - 基于ai云计算的水稻全自动脱粒及产量分析系统 - Google Patents

基于ai云计算的水稻全自动脱粒及产量分析系统 Download PDF

Info

Publication number
CN112544242B
CN112544242B CN202011499153.7A CN202011499153A CN112544242B CN 112544242 B CN112544242 B CN 112544242B CN 202011499153 A CN202011499153 A CN 202011499153A CN 112544242 B CN112544242 B CN 112544242B
Authority
CN
China
Prior art keywords
rice
threshing
grains
grain
automatic
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
CN202011499153.7A
Other languages
English (en)
Other versions
CN112544242A (zh
Inventor
杨万能
黄成龙
李为坤
叶军立
宋鹏
段凌凤
冯慧
陈国兴
熊立仲
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.)
Huazhong Agricultural University
Original Assignee
Huazhong Agricultural 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 Huazhong Agricultural University filed Critical Huazhong Agricultural University
Priority to CN202011499153.7A priority Critical patent/CN112544242B/zh
Publication of CN112544242A publication Critical patent/CN112544242A/zh
Application granted granted Critical
Publication of CN112544242B publication Critical patent/CN112544242B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01F—PROCESSING OF HARVESTED PRODUCE; HAY OR STRAW PRESSES; DEVICES FOR STORING AGRICULTURAL OR HORTICULTURAL PRODUCE
    • A01F7/00—Threshing apparatus
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01F—PROCESSING OF HARVESTED PRODUCE; HAY OR STRAW PRESSES; DEVICES FOR STORING AGRICULTURAL OR HORTICULTURAL PRODUCE
    • A01F12/00—Parts or details of threshing apparatus
    • A01F12/18—Threshing devices
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01F—PROCESSING OF HARVESTED PRODUCE; HAY OR STRAW PRESSES; DEVICES FOR STORING AGRICULTURAL OR HORTICULTURAL PRODUCE
    • A01F12/00—Parts or details of threshing apparatus
    • A01F12/44—Grain cleaners; Grain separators
    • 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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30108—Industrial image inspection

Abstract

本发明涉及一种适用于农业科研人员在水稻性状研究中对于水稻稻穗实现自动脱粒、籽粒在线测量、AI云计算补偿的产量分析系统。本发明所述自动脱粒及产量分析的装置主要由脱粒装置、送料装置、籽粒和稻穗传送装置、风选装置、图像采集以及图像处理系统、PLC控制系统、云计算系统、自动称重以及数字一体化管理系统8个模块组成。本发明利用脱粒机脱离稻穗上的籽粒，在多级传送带上通过线阵列相机获取图片，由图像处理和云端深度学习方式分别获取籽粒和稻穗数据，结合电子天平和风选装置等辅助机构，得到了一系列水稻产量相关参数。克服了水稻产量性状获取困难、步骤繁杂的问题，实现水稻稻穗自动脱粒以及高精度、高效率的产量性状获取。

Description

基于AI云计算的水稻全自动脱粒及产量分析系统
技术领域
本发明属于农业自动化领域，具体涉及一种基于AI云计算的水稻全自动脱粒及产量分析系统。
背景技术
水稻产量性状的测量是水稻研究的重中之重，其中总粒数、结实率、粒长粒宽和长宽是籽粒性状的基本参数，都是难以快速准确获取的重要参数。传统的水稻籽粒性状的测量手段过程复杂，耗时长，需要大量的工作人员协同参与。首先第一步是脱粒，谷物脱粒的难易程度与籽粒和穗轴及颖壳的固着强度密切相关，籽粒的固着强度又与作物种类、品种、成熟度和湿度有关。第二步是参数测量，目前籽粒参数的测量困难包括将实粒与瘪粒分离和高通量测量。
目前，在农村脱粒机已经成为重要的农业设备之一。市面上脱粒机品种很多，杂物与籽粒混合，给水稻的研究人员带来麻烦。另外，为了实现更高的效率和出米率，脱粒机往往造成更高的破损率，这对于科研工作者来说是不能忍受的。虽然脱粒机的改进和研发一直没有停止，但是脱粒机设计初衷是用于农业生产的辅助设备，对于农业科学研究还是存在许多问题，比如会将其他的脱出物如短茎秆、颖壳在尽可能保证籽粒完整的条件下的脱粒会造成籽粒脱不干净发的问题，这时还需要人工的二次脱粒，所以科研机构目前主要使用人工脱粒的方法。
对于稻谷产量性状的获取，数粒仪经过不断改进，已经被广泛应用于科研过程中。市面上的数粒仪有很多，国内外代表性的有美国新乐数粒仪以及由郑州大学和香港城市大学联合研发的DC系列数粒仪。但是，数粒仪有它自身的局限性，其只能用于籽粒计数而不能获取其它性状参数，且通过光电计数器将排列好的籽粒一一计数的工作原理，造成其工作效率不高。“王超，任文涛.水稻单株脱粒计数仪的研制[J].农机化研究，2007(07)：98-100”设计了一种将脱粒和计数结合的装置，对于产量的计算有一定的作用，但依旧有测量性状太少和效率较慢的缺点。
近年来，图像处理技术的高速发展，国内外有一批利用图像获取籽粒性状的成果，国外以Smart Grain为代表的的开源测量软件，能直接获取籽粒图片中粒型参数；国内万深公司推出的自动考种分析仪，用相机采集铺在背光板上的籽粒图片，自动识别籽粒种类，获取粒型参数。这些考种技术只能针对前期处理完成的水稻籽粒，包括脱粒、风选瘪粒实粒、分散平铺于背光板等操作。而对于稻穗上的籽粒计数，“许杰，周子力，潘大宇，王成，罗斌，宋鹏.水稻穗部籽粒参数快速无损获取方法研究[J].计算机工程与应用，2017，53(08)：203-208”利用X射线对稻穗上的籽粒进行在体参数获取。
目前虽然存在一些辅助参数获取的方式方法，但这些手段只能用于研究人员在水稻产量性状获取过程中的某一个特定步骤。对于整个操作过程来说，复杂的操作流程、高昂的人力和时间成本以及操作人员专业技能要求，水稻产量参数获取的低效和高支出，已经成为目前水稻相关研究的瓶颈。
发明内容
(一)要解决的技术问题
稻谷性状的全流程自动化、高精度和高通量测量，对于水稻研究具有重要意义。为解决现有技术在测量手段上的瓶颈与不足，本发明设计了基于AI云计算的水稻全自动脱粒及产量分析系统。
(二)技术方案
本发明为了解决其技术问题所采用的技术方案，提供了一种基于AI云计算的水稻全自动脱粒及产量分析系统。
一种基于AI云计算的水稻全自动脱粒及产量分析系统，其特征在于：该水稻全自动脱粒及产量分析系统包括脱粒系统、送料系统、图像采集以及图像处理系统、PLC控制系统、风选系统、云端深度学习、自动称重系统以及数字一体化管理系统等；其中，脱粒系统用于稻穗自动化脱粒；送料系统包括振动送料机构和皮带传动机构，皮带传动机构采用四级传送带设计；图像采集以及图像处理系统包括3个线阵列相机和对应的线阵列光源，用于拍摄清晰不失真的图像，并通过图像处理分析获得籽粒的参数数据；PLC控制系统用于实现与上位计算机的通信连接，并控制送料系统的电机运行；风选系统用于控制风速，分离瘪粒和实粒；云端深度学习系统利用训练好的网络模型对脱粒后的稻穗图像数据集进行识别，获得稻穗上残留的谷子数量，用于实现对稻穗总粒数的补偿；自动称重系统用于获得饱满籽粒的重量参数；数字一体化管理系统用于实现所有测量结果的自动化保存与管理。
更具体地，该水稻全自动脱粒及产量分析系统采用如下形式进行工作：脱粒系统将籽粒脱离稻穗，经过振动送料机送给第一级传送带，第一级传送带上的相机拍摄籽粒图片，测量籽粒总量，再经过风选机构筛选，剔除瘪粒和细小杂质，在第二级传送带上测量实粒的数量和籽粒性状参数，然后由第三级传送带把籽粒送出检测装置，操作人员把脱完粒的稻穗送入第四级传送带，拍摄稻穗图片，用于分析残余谷子数量；将拍摄到的稻穗图片自动发送至配置好的深度学习云服务器，分析和计算稻穗上残余谷子数量，残余谷子数量和第一级传输带测量籽粒总量之和即为最终的籽粒总数量，并将云端计算结果返回至终端计算机；送出检测装置的实粒被收集于自动天平上，电子天平将采集到的重量数据上传到计算机上，用于计算千粒重；样品测量完毕后，由条码扫描器采集样品编号，实现材料编号与测量数据自动索引，最后将测量结果以及图片保存到数据库中。
更具体地，脱粒系统由送穗口、脱粒滚筒、传动带和伺服电机组成，脱粒机转速可调节；在检测开始时，由操作人员握住稻穗根部把稻穗放入半入式脱粒机，在不破坏籽粒的情况下，将收割后作物的籽粒从谷穗上脱下，脱离完成后取出稻穗。
更具体地，送料系统的振动送料机构由振动调速电机和振动电机上的斜面送料台组成，其负责把脱完粒的籽粒均匀地平铺到传送带上，避免因为籽粒堆叠而引发测量结果误差；传送皮带由皮带、滚筒、步进电机和传动带组成，用于匀速输送籽粒从线阵列相机下经过，从而拍出清晰的图片。
更具体地，图像采集以及图像处理系统的相机通过相机固定支架，使其与传送带保持20CM的距离，通过匹配相机采集频率与传送带输送速度；在获取灰度图像后，先后进行背景去除、图像分割、图片拼接、杂质去除和参数获取，进而获取籽粒的参数数据；籽粒的参数数据包括总粒数、实粒数、粒长、粒宽和粒面积性状。
更具体地，PLC控制器的一端与计算机系统相连，通过串口实现通信；另一端负责控制4个用于传送带的步进电机的匀速运行，控制风扇和脱粒的伺服电机的调速的稳定运行，还要控制振动电机的启动和停止。
更具体地，风选系统根据计算机指令控制风速，根据不同重量的物体经过风区被吹离的程度不同来分离籽粒，用于分离瘪粒和实粒，将短茎秆剔除。
更具体地，云端深度学习系统利用Faster-RCNN网络对脱粒后的稻穗数据集进行训练得到识别模型，部署在阿里云M40上；测量过程中，将获取的脱粒后稻穗图像通过HTTP协议上传至阿里云端，经过已部署的稻穗籽粒深度学习目标检测模型推理得到稻穗上残留的谷子数量，并将识别后的稻穗图片和数据以Json的格式传回本地，从而实现对稻穗总粒数的补偿。
更具体地，使用自动称重系统时，将收集的饱满籽粒被放置与电子天平上，电子天平通过RS232串口与计算机实现通讯，天平将饱满籽粒的重量上传到计算机中，通过与实粒数的比值得到千粒重的数据。
更具体地，使用数字一体化管理系统时，通过二维码扫描器扫描材料条码获得对应编号，将样品编号与测量结果统一保存至数据库中，方便管理统计。
(三)有益效果
本发明为解决产量性状获取过程中脱粒难、数粒难的问题，将脱粒机构与性状测量机构相结合，形成了一套完整的、直接由稻穗获取产量性状参数的自动一体化系统。
本发明的有益效果至少体现在三个方面。一方面，将脱粒功能整合进一体化系统，省去了人工脱粒的时间与精力成本，确保了全流程高度自动化和集成化，大大提高产量性状获取的效率。另一方面，使用云端深度学习对稻穗残余籽粒的补偿测量，不仅很好地解决传统脱粒机由于脱粒不彻底而导致稻穗籽粒计数困难的问题，也省去了采用高配置终端计算机运行深度学习模型所带来的高昂成本。第三方面，本发明采用了全新的技术框架构思，各个模块硬件与方法步骤设计为相互配套支持，共同解决一个技术问题，其本身已经构成一个完整的系统架构，为今后大规模推广提供了统一的模型标准。
附图说明
图1为本发明水稻产量参数采集装置示意图。
图2为本发明中深度学习云计算的稻穗识别图像。
图1中，1-稻穗输入及脱粒装置，2-送料台，3-送料电机，4-第一级传送带，5-第一线阵列相机，6-线阵列光源，7-风选机，8-第二级传送带，9-线阵列光源，10-瘪粒收集口，11-第二级线阵列相机，12-实粒收集口，13-第四级传送带，14-第三级传送带，15-瘪粒出料口，16-实粒出料口，17-电脑主机，18-显示屏，19-第四级线阵列相机。
具体实施方式
系统的具体硬件结构如图1，设计有稻穗输入及脱粒装置1，在脱粒装置下方有送料装置，其由接收脱粒籽粒的送料台2和送料振动电机3组成，送料装置的作用是将籽粒均匀分散平铺在第一级传送带4上，四级传送带结构类似，由PVC皮带、传动带和步进电机组成，而第一级传送上方有带有图像采集装置，由线阵离；风选装置下方是第二级传送带8，其上方是第二级传送带的图像采集装置，由第二级线阵列相机11和线阵列光源9组成；第二级转送带的尽头是实粒收集口12，把实粒转移到第三级传送带14上，由其将实粒通过实粒出料口16转移出去；第四级传送带13和第四级线阵列相机19位于送料装置下方，用于采集稻穗图像数据，电脑主机17和显示屏18是计算机部分；阵列相机5和线阵列光源6，用于采集传送带上的图像数据；第一级传送带的尽头是风选装置，由风选机7和瘪粒收集口10组成，用于将瘪粒和杂质与实粒分离。
计算机通过发送指令给PLC来实现对机械部分进行有效控制，控制各个模块有序运作，保证材料根据固定路径，在每个模块完成相应的处理以及数据收集。
图像采集以及图像处理模块通过匹配线阵列相机采集频率与传送带运行速率，得到清晰准确的籽粒以及稻穗图像。在获取籽粒图像的灰度图之后先进行背景去除的处理，然后进行阈值分割得到二值化图像，通过图像拼接将不同图片中的籽粒拼接完整，之后进行杂质去除从而得到籽粒的二值化图像，在完成图像预处理后用椭圆处理分离单个籽粒的图像，最后得到籽粒参数包括籽粒数量、粒长粒宽等。对于稻穗图像则将发送至云端，在云端进行图像分析，得到稻穗上的残余籽粒的数据。
本发明的工作流程如下：操作人员启动设备，手持检测稻穗样品放入脱粒机，稻穗在脱粒机中完成由第一线阵列相机采集稻穗上脱离的籽粒数据，由计算机测量分析脱粒总粒数；在第一级传送带的尽头籽粒落入风选装置，根据不同质量的物体在横风中飘离距离不同的原理将瘪粒以及其他杂质被剔除，由瘪粒收集通道排出；风选完成的实粒落入第二级传送带，在第二级传送带上由第二线阵列相机采集实粒的数据，由计算机测量总粒数以及粒长粒宽；最后由实粒收集装置收集实粒，收集的实粒在自动天平上采集重量数据并上传到计算机；脱粒完成的稻穗由操作人员放入第四级传送带，由第四级线阵列相机采集稻穗未脱离籽粒的数据从而得到稻穗上残余的瘪粒数量；最后通过二维码扫描器获取材料的编号信息并在计算机中将材料编号、总粒数、实粒数、粒长、粒宽、粒面积和千粒重等数据整合，实现数字一体化管理。
本申请中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例作各种修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (10)

1.一种基于AI云计算的水稻全自动脱粒及产量分析系统，其特征在于：该水稻全自动脱粒及产量分析系统包括脱粒系统、送料系统、图像采集以及图像处理系统、PLC控制系统、风选系统、云端深度学习系统、自动称重系统以及数字一体化管理系统；其中，脱粒系统用于稻穗自动化脱粒；送料系统包括振动送料机构和皮带传动机构，皮带传动机构采用四级传送带设计；图像采集以及图像处理系统包括3个线阵列相机和对应的线阵列光源，用于拍摄清晰不失真的图像，并通过图像处理分析获得籽粒的参数数据；PLC控制系统用于实现与上位计算机的通信连接，并控制送料系统的电机运行；风选系统用于控制风速，分离瘪粒和实粒；云端深度学习系统利用训练好的网络模型对脱粒后的稻穗图像数据集进行识别，获得稻穗上残留的谷子数量，用于实现对稻穗总粒数的补偿；自动称重系统用于获得饱满籽粒的重量参数；数字一体化管理系统用于实现所有测量结果的自动化保存与管理。
2.根据权利要求1所述的分析系统，其特征在于，其采用如下形式进行工作：脱粒系统将籽粒脱离稻穗，经过振动送料机构送给第一级传送带，第一级传送带上的相机拍摄籽粒图片，测量籽粒总量，再经过风选机构筛选，剔除瘪粒和细小杂质，在第二级传送带上测量实粒的数量和籽粒性状参数，然后由第三级传送带把籽粒送出检测装置，操作人员把脱完粒的稻穗送入第四级传送带，拍摄稻穗图片，用于分析残余谷子数量；将拍摄到的稻穗图片自动发送至配置好的深度学习云服务器，分析和计算稻穗上残余谷子数量，残余谷子数量和第一级传送带测量籽粒总量之和即为最终的籽粒总数量，并将云端计算结果返回至终端计算机；送出检测装置的实粒被收集于电子天平上，电子天平将采集到的重量数据上传到计算机上，用于计算千粒重；样品测量完毕后，由条码扫描器采集样品编号，实现材料编号与测量数据自动索引，最后将测量结果以及图片保存到数据库中。
3.根据权利要求1或2所述的基于AI云计算的水稻全自动脱粒及产量分析系统，其特征在于：脱粒系统由送穗口、脱粒滚筒、传动带和伺服电机组成，脱粒滚筒转速可调节；在检测开始时，由操作人员握住稻穗根部把稻穗放入半入式脱粒滚筒，在不破坏籽粒的情况下，将收割后作物的籽粒从谷穗上脱下，脱粒完成后取出稻穗。
4.根据权利要求1或2所述的基于AI云计算的水稻全自动脱粒及产量分析系统，其特征在于：送料系统的振动送料机构由振动电机和振动电机上的斜面送料台组成，振动电机为可调速电机，其负责把脱完粒的籽粒均匀地平铺到第一级传送带上，避免因为籽粒堆叠而引发测量结果误差；传送带由皮带、滚筒、步进电机和传动带组成，用于匀速输送籽粒从线阵列相机下经过，从而拍出清晰的图片。
5.根据权利要求1或2所述的基于AI云计算的水稻全自动脱粒及产量分析系统，其特征在于：图像采集以及图像处理系统的相机通过相机固定支架，使其与传送带保持20CM的距离，通过匹配相机采集频率与传送带输送速度；在获取灰度图像后，先后进行背景去除、图像分割、图片拼接、杂质去除和参数获取，进而获取籽粒的参数数据；籽粒的参数数据包括总粒数、实粒数、粒长、粒宽和粒面积性状。
6.根据权利要求1或2所述的基于AI云计算的水稻全自动脱粒及产量分析系统，其特征在于：PLC控制器的一端与计算机系统相连，通过串口实现通信；另一端负责控制4个用于传送带的步进电机的匀速运行，控制风扇和脱粒的伺服电机的调速的稳定运行，还要控制振动电机的启动和停止。
7.根据权利要求1或2所述的基于AI云计算的水稻全自动脱粒及产量分析系统，其特征在于：风选系统根据计算机指令控制风速，根据不同重量的物体经过风区被吹离的程度不同来分离籽粒，用于分离瘪粒和实粒，将短茎秆剔除。
8.根据权利要求1或2所述的基于AI云计算的水稻全自动脱粒及产量分析系统，其特征在于：云端深度学习系统利用Faster-RCNN网络对脱粒后的稻穗数据集进行训练得到识别模型，部署在阿里云M40上；测量过程中，将获取的脱粒后稻穗图像通过HTTP协议上传至阿里云端，经过已部署的稻穗籽粒深度学习目标检测模型推理得到稻穗上残留的谷子数量，并将识别后的稻穗图片和数据以Json的格式传回本地，从而实现对稻穗总粒数的补偿。
9.根据权利要求1或2所述的基于AI云计算的水稻全自动脱粒及产量分析系统，其特征在于：使用自动称重系统时，将收集的饱满籽粒放置于电子天平上，电子天平通过RS232串口与计算机实现通讯，天平将饱满籽粒的重量上传到计算机中，通过与实粒数的比值得到千粒重的数据。
10.根据权利要求1或2所述的基于AI云计算的水稻全自动脱粒及产量分析系统，其特征在于：使用数字一体化管理系统时，通过二维码扫描器扫描材料条码获得对应编号，将样品编号与测量结果统一保存至数据库中，方便管理统计。
CN202011499153.7A 2020-12-10 2020-12-10 基于ai云计算的水稻全自动脱粒及产量分析系统 Active CN112544242B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011499153.7A CN112544242B (zh) 2020-12-10 2020-12-10 基于ai云计算的水稻全自动脱粒及产量分析系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011499153.7A CN112544242B (zh) 2020-12-10 2020-12-10 基于ai云计算的水稻全自动脱粒及产量分析系统

Publications (2)

Publication Number Publication Date
CN112544242A CN112544242A (zh) 2021-03-26
CN112544242B true CN112544242B (zh) 2021-11-09

Family

ID=75063436

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011499153.7A Active CN112544242B (zh) 2020-12-10 2020-12-10 基于ai云计算的水稻全自动脱粒及产量分析系统

Country Status (1)

Country Link
CN (1) CN112544242B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4101285A1 (en) * 2021-06-09 2022-12-14 CNH Industrial Belgium N.V. Threshing control system
CN113228951A (zh) * 2021-06-11 2021-08-10 浙江托普云农科技股份有限公司 多功能智能选种测量仪
CN113450375B (zh) * 2021-07-12 2022-04-19 湖南大学 一种基于机器视觉的紧固件计数设备及方法
CN113575135A (zh) * 2021-07-29 2021-11-02 山东省农业科学院作物研究所 一种自动化小麦脱粒机
CN113607065A (zh) * 2021-08-09 2021-11-05 海南青峰生物科技有限公司 一种基于5g通讯及图像识别处理的水稻穗长的测量装置
CN114145096B (zh) * 2021-10-29 2022-10-14 华南农业大学 考种前处理装置、水稻整穗喂入考种系统和考种方法
CN116451734B (zh) * 2023-06-19 2023-09-29 浙江托普云农科技股份有限公司 辅助高精度种子数粒方法、系统、装置及可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002312762A (ja) * 2001-04-12 2002-10-25 Seirei Ind Co Ltd ニューラルネットワークを利用した穀粒選別装置
CN101458204A (zh) * 2008-12-24 2009-06-17 华中科技大学 谷物实粒数的自动测量装置及方法
CN101905215A (zh) * 2010-07-22 2010-12-08 华中科技大学 数字化水稻考种机
CN109379992A (zh) * 2017-08-10 2019-02-26 武汉谷丰光电科技有限公司 基于刮擦式和碾压式结合的单株高精度全自动脱粒系统
CN110728205A (zh) * 2019-09-17 2020-01-24 华中农业大学 一种基于ai云计算的便携式水稻智能考种系统
AU2020100915A4 (en) * 2020-06-02 2020-07-09 Yangzhou University A Method For Quickly Counting Rice And Wheat Grains
CN111462058A (zh) * 2020-03-24 2020-07-28 华南农业大学 一种水稻有效穗快速检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002312762A (ja) * 2001-04-12 2002-10-25 Seirei Ind Co Ltd ニューラルネットワークを利用した穀粒選別装置
CN101458204A (zh) * 2008-12-24 2009-06-17 华中科技大学 谷物实粒数的自动测量装置及方法
CN101905215A (zh) * 2010-07-22 2010-12-08 华中科技大学 数字化水稻考种机
CN109379992A (zh) * 2017-08-10 2019-02-26 武汉谷丰光电科技有限公司 基于刮擦式和碾压式结合的单株高精度全自动脱粒系统
CN110728205A (zh) * 2019-09-17 2020-01-24 华中农业大学 一种基于ai云计算的便携式水稻智能考种系统
CN111462058A (zh) * 2020-03-24 2020-07-28 华南农业大学 一种水稻有效穗快速检测方法
AU2020100915A4 (en) * 2020-06-02 2020-07-09 Yangzhou University A Method For Quickly Counting Rice And Wheat Grains

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于小麦穗部小穗图像分割的籽粒计数方法;杜世伟等;《南京农业大学学报》;20181231;第41卷(第04期);第742-751页 *

Also Published As

Publication number Publication date
CN112544242A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
CN112544242B (zh) 基于ai云计算的水稻全自动脱粒及产量分析系统
CN101905215B (zh) 数字化水稻考种机
CN102511441B (zh) 奶牛数字化精准养殖系统
CN102809357B (zh) 农作物叶面积信息自动化测量分析仪
CN107511339A (zh) 一种基于机器视觉和神经网络算法的机采绿茶分级试验台
CN110479635B (zh) 基于神经网络自动分拣烟叶的方法及装置
CN203426069U (zh) 种子分拣系统
CN207408272U (zh) 基于线阵列相机和x射线双模式成像的水稻粒型参数测量装置
CN107389294A (zh) 一种收割机清选装置气流场试验平台
CN207222383U (zh) 木板分拣系统
Constantino et al. Plant height measurement and tiller segmentation of rice crops using image processing
CN207850944U (zh) 联合收获机粮箱籽粒含杂率与破碎率实时监测装置
CN105181513B (zh) 箱体式谷物自动检测装置
CN109964896B (zh) 一种诱虫识别分拣装置及病虫害的物联网监测分析系统
CN105783990A (zh) 一种用于玉米果穗室内精确考种的全景图像测量系统
CN207336378U (zh) 一种自动检测水稻表型参数的装置
CN104634284A (zh) 一种农作物幼苗叶面积在体检测装置
CN112304947B (zh) 一种稻穗品质分析仪
CN207147533U (zh) 一种小型数字化水稻考种机
CN107621303A (zh) 一种基于视觉和称重的混料计量机构
CN113545218B (zh) 油菜联合收获系统试验台
CN208976293U (zh) 农作物籽粒分离设备及系统
CN112001283B (zh) 一种玉米籽粒破碎率在线检测装置与检测方法
CN111742641B (zh) 一种高通量考种的装置与方法
CN214794500U (zh) 一种小麦外观品质的在线检测装置

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