CN113252523A - 基于rgb相机的植物叶片雾滴沉积量的测量装置及方法 - Google Patents
基于rgb相机的植物叶片雾滴沉积量的测量装置及方法 Download PDFInfo
- Publication number
- CN113252523A CN113252523A CN202110516823.XA CN202110516823A CN113252523A CN 113252523 A CN113252523 A CN 113252523A CN 202110516823 A CN202110516823 A CN 202110516823A CN 113252523 A CN113252523 A CN 113252523A
- Authority
- CN
- China
- Prior art keywords
- rgb camera
- measuring
- relay
- plant
- electronic scale
- 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
- 230000008021 deposition Effects 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005303 weighing Methods 0.000 claims abstract description 31
- 238000005507 spraying Methods 0.000 claims abstract description 22
- 230000001105 regulatory effect Effects 0.000 claims abstract description 9
- 241000196324 Embryophyta Species 0.000 claims description 101
- 238000012549 training Methods 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 239000007788 liquid Substances 0.000 claims description 9
- 239000003814 drug Substances 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 4
- 238000004806 packaging method and process Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 5
- 239000000575 pesticide Substances 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 239000007921 spray Substances 0.000 description 5
- 238000012821 model calculation Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 239000008367 deionised water Substances 0.000 description 1
- 229910021641 deionized water Inorganic materials 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003480 eluent Substances 0.000 description 1
- 238000010828 elution Methods 0.000 description 1
- 238000004993 emission spectroscopy Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005375 photometry Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/04—Investigating sedimentation of particle suspensions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
- G01G19/62—Over or under weighing apparatus
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Immunology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Computing Systems (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Dispersion Chemistry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明属于精准农业的植保机械施药技术领域,特别涉及一种基于RGB相机的植物叶片雾滴沉积量的测量装置及方法。装置包括控制组件、喷雾组件和测量组件;控制组件包括上位机、嵌入式控制板、第一继电器、第二继电器和第三继电器;喷雾组件包括通过管道依次连通的泵、压力调节阀、压力计、电磁阀和雾化喷头;测量组件包括光源、RGB相机、电子秤、秤台覆盖罩、叶片支撑装置和测量框架。本发明测量效率高,具有各步骤灵活可调、自动化程度高的优点。
Description
技术领域
本发明属于精准农业的植保机械施药技术领域,特别涉及一种基于RGB相机的植物叶片雾滴沉积量的测量装置及方法。
背景技术
在精准施药中,药液沉积在植物叶片上雾滴的量是评估不同植保机械喷雾质量的重要指标,是精准施药技术不断提高的重要数据基础,故需要测量不同植保机械在不同工作参数下植物叶片雾滴沉积量,以此作为参考,提升精准施药技术。
目前,测量植物叶片沉积雾滴的办法主要是在水中加入示踪剂作为喷洒液体,通过针对不同的植保机械的作业方式在田间布置雾滴收集装置,将收集到雾滴的收集装置加入固定体积去离子水洗脱,不同的示踪剂使用吸光光度法或荧光发射光谱法对洗脱液进行测量,将测量值经过换算后得到植物叶片沉积雾滴的量。这种通过在田间布置收集样品测量沉积在植物叶片上雾滴的量来评估不同植保机械喷雾质量的方法需要科研人员布置大量的样品,加入指示剂,使用专用的仪器进行测定。这个过程极为繁琐,需要耗费大量的人力物力,工作效率非常低;为提高评估结果的准确性还需要进行多次重复,进一步增加了该方法材料的耗费,以及科研人员的时间和精力的投入。
发明内容
针对上述技术问题,本发明的目的是提供一种基于RGB相机的植物叶片雾滴沉积量的测量装置及方法,以解决现有技术中对于测量植物叶片上雾滴沉积量效率低下的问题。
为了实现上述目的,本发明提供了如下技术方案:
一种基于RGB相机的植物叶片雾滴沉积量测量装置,所述测量装置包括控制组件、喷雾组件和测量组件。
所述控制组件包括上位机1、嵌入式控制板2、第一继电器3、第二继电器4和第三继电器5。
所述喷雾组件包括泵6、压力调节阀7、压力计8、电磁阀9和雾化喷头10;其中,泵6的两端通过管道分别与药液源和雾化喷头10连接,泵6和雾化喷头10的管道上设有压力调节阀7、压力计8和电磁阀9。
所述测量组件包括光源11、RGB相机12、电子秤13、秤台覆盖罩14、叶片支撑装置15和测量框架16。
所述测量框架16为一立方体框架,所述电子秤13通过一对支撑梁设置在测量框架16内,电子秤13的秤台的中心位于测量框架16的中心垂线上;所述秤台覆盖罩14罩设在电子秤13的上方,且不与电子秤13的秤台接触;秤台覆盖罩14的中心处开有与电子秤13的秤台的中心同直线的通孔;所述叶片支撑装置15包括底座、连接杆和样品平台;所述连接杆从秤台覆盖罩14的通孔中穿过,连接杆的两端分别与底座和样品平台的中心连接;所述底座位于秤台覆盖罩14内部,并放置于电子秤13的秤台上;所述样品平台位于秤台覆盖罩14外部,用于放置植物叶片;所述秤台覆盖罩14的顶部外表面设有一层黑色海绵。
所述RGB相机12设置在叶片支撑装置15的样品平台的正上方。
多个光源11固接在测量框架16的顶部四周,各光源11的光斑落在叶片支撑装置15的样品平台的中心,构成无影照射。
所述雾化喷头10设置在测量框架16的侧部,并以叶片支撑装置15的样品平台的中心区域为雾化区域。
所述第一继电器3、第二继电器4和第三继电器5分别与泵6、电磁阀9和光源11电连接,分别控制控制泵6、电磁阀9、光源11的开闭。
所述上位机1通过数据线分别与嵌入式控制板2、RGB相机12和电子秤13连接,向嵌入式控制板2发出控制指令并接收和存储RGB相机12和电子秤13采集的数据。
所述嵌入式控制板2分别与RGB相机12、第一继电器3、第二继电器4和第三继电器5连接。
所述光源11为红色光源。
所述光源11为LED灯。
所述雾化喷头10的工作压力为3±1bar。
所述RGB相机12的高度高于雾化喷头10雾化雾滴运动至测量框架16中心垂线时的最高高度。
所述植物叶片雾滴沉积量测量装置通过电源17分别为上位机1、嵌入式控制板2、电子秤13、第一继电器3、第二继电器4和第三继电器5供电。
一种利用所述的基于RGB相机的植物叶片雾滴沉积量测量装置的植物叶片雾滴沉积量测量方法,包括如下步骤:
S1、将一植物叶片放置在叶片支撑装置15的样品平台的中心,开启光源11,各光源11的红色光斑落在叶片支撑装置15的样品平台的中心的植物叶片上,构成无影照射;电子秤13和RGB相机12分别采集无雾滴沉积的植物叶片的重量和图像,并传输至上位机1保存;
S2、电磁阀9开启0.1秒,药液经雾化喷头10雾化成雾滴沉积在植物叶片表面,电子秤13和RGB相机12分别采集有雾滴沉积的植物叶片的重量数据和图像,数据保存至上位机1;
S3、步骤S2重复10~20次;
S4、更换植物叶片,重复步骤S2~S3;
S5、上位机1将有雾滴沉积的植物叶片的重量数据减去无雾滴沉积的植物叶片的重量数据,得到植物叶片雾滴沉积重量,并将与有雾滴沉积的植物叶片的重量相应的植物叶片的图像与植物叶片雾滴沉积重量对应打包为一个数据文件;
S6、建立基于卷积神经网络的植物叶片雾滴沉积重量与图像的关系模型;通过RGB相机12获取待测叶片的雾滴沉积图像后,根据关系模型获得植物叶片上的雾滴沉积量。
所述步骤S6中所使用的卷积神经网络以pytorch为开发框架。
所述步骤S6包括如下步骤:
S6.1、创建模型;
S6.2、准备数据;
S6.3、定义损失函数和训练流程;
S6.4、训练模型;
S6.5、获得新数据,使用模型计算结果。
与现有技术相比,本发明的有益效果在于:
本发明提供的基于RGB相机拍照的植物叶片雾滴沉积量的测量装置及方法,通过使用在光源光照射下雾滴顶部反射光线能被相机拍摄到,而雾滴底部反射光线不能被相机拍摄到的原理,辅助以控制组件和喷雾组件,只需进一步处理就能快速测量植物叶片上沉积雾滴的量,相较于传统的需要添加指示剂、洗脱收集样品上指示剂,并使用专用测量仪器进行测量的方法,大大提升了测量的效率,此外该基于RGB相机拍照的植物叶片雾滴沉积量的测量装置及方法还具有各步骤灵活可调、自动化程度高的优点。
附图说明
图1为本发明的植物叶片雾滴沉积量的测量装置的部件连接示意图;
图2为本发明的测量组件的结构示意图;
图3为本发明叶片沉积雾滴的反射光线示意图;
图4a~图4d为植物叶片不同雾滴沉积量图像。
其中的附图标记为:
1上位机 2嵌入式控制板
3第一继电器 4第二继电器
5第三继电器 6泵
7压力调节阀 8压力计
9电磁阀 10雾化喷头
11光源 12RGB相机
13电子秤 14秤台覆盖罩
15叶片支撑装置 16测量框架
17电源
具体实施方式
下面结合附图和实施例对本发明进行进一步说明。
如图1和图2所示,一种基于RGB相机的植物叶片雾滴沉积量测量装置,包括控制组件、喷雾组件和测量组件。
所述控制组件包括上位机1、嵌入式控制板2、第一继电器3、第二继电器4和第三继电器5。
所述喷雾组件包括泵6、压力调节阀7、压力计8、电磁阀9和雾化喷头10。其中,泵6的两端通过管道分别与药液源和雾化喷头10连接,泵6和雾化喷头10的管道上设有压力调节阀7、压力计8和电磁阀9。
所述测量组件包括光源11、RGB相机12、电子秤13、秤台覆盖罩14、叶片支撑装置15和测量框架16。
所述测量框架16为一立方体框架,所述电子秤13通过一对支撑梁设置在测量框架16内,电子秤13的秤台的中心位于测量框架16的中心垂线上。所述秤台覆盖罩14罩设在电子秤13的上方,且不与电子秤13的秤台接触。秤台覆盖罩14的中心处开有与电子秤13的秤台的中心同直线的通孔。所述叶片支撑装置15包括底座、连接杆和样品平台;所述连接杆从秤台覆盖罩14的通孔中穿过,连接杆的两端分别与底座和样品平台的中心连接;所述底座位于秤台覆盖罩14内部,并放置于电子秤13的秤台上;所述样品平台位于秤台覆盖罩14外部,用于放置植物叶片。所述秤台覆盖罩14的顶部外表面设有一层黑色海绵,用于减少该区域的反光量,使RGB相机12拍摄到的图片中非叶片区域的像素值减小,与叶片区域的像素值差别大,便于提取叶片区域。
所述RGB相机12设置在叶片支撑装置15的样品平台的正上方,用于采集植物叶片的图像。
多个光源11固接在测量框架16的顶部四周,各光源11的光斑落在叶片支撑装置15的样品平台的中心,构成无影照射。
所述光源11为红色光源,优选为LED灯。绿色的叶片对红光的吸收最少反射最多,能够提升测量准确度。
雾滴落在植物叶片的表面,形状如同一个半球,光线照射在雾滴上,雾滴不同位置反射光线与RGB相机12之间的角度存在较大差异;照射在雾滴顶部的光线经雾滴反射后能被RGB相机12拍摄到,体现在图片上是一个红色圆形图像,如图4b~图4d中亮度较高的区域(8-bit图像中,该区域的像素值能达到200);照射在雾滴侧部的光线经雾滴反射后不能被RGB相机12拍到,体现在图片上是一个黑色圆环即雾滴侧部。如图3所示,光线照射在雾滴上,实线表示能被RGB相机12拍摄到的反射光线,虚线表示不能被RGB相机12拍摄到的反射光线。雾滴的影子在图片中显黑色,因为该区域没有反射光线,不能被RGB相机12拍到;雾滴侧部在图片中同样显黑色,如图4b~图4d中黑色区域,因为雾滴侧部将光线反射至非相机区域同样不能被RGB相机12拍到,但是,这种差异并不会在RGB相机12拍摄到的图片中标记出来,因为二者都是黑色区域,极易混淆,对后期数据处理造成非常大的困扰,故需要通过布置多个光源的办法尽量减少沉积在植物叶片表面雾滴的本影和半影。
在没有经过喷雾时,RGB相机12拍摄到的植物叶片的照片如图4a所示;经过一次喷雾后,RGB相机12拍摄到的雾滴沉积在植物叶片上的如图4b所示;如图4c和图4d是RGB相机12拍摄到的喷雾组件多次工作后,雾滴沉积在植物叶片上的图片,随着喷雾次数的增加,沉积在叶片表面的雾滴数增加。
所述雾化喷头10设置在测量框架16的侧部,并以叶片支撑装置15的样品平台的中心区域为雾化区域。雾化喷头10的工作压力为3±1bar。
所述RGB相机12的高度高于雾化喷头10雾化雾滴运动至测量框架16中心垂线时的最高高度,防止RGB相机12进水损坏。
所述第一继电器3、第二继电器4和第三继电器5分别与泵6、电磁阀9和光源11电连接,分别控制控制泵6、电磁阀9、光源11的开闭。
所述上位机1通过数据线分别与嵌入式控制板2、RGB相机12和电子秤13连接,向嵌入式控制板2发出控制指令并接收和存储RGB相机12和电子秤13采集的数据。
所述嵌入式控制板2分别与RGB相机12、第一继电器3、第二继电器4和第三继电器5连接。
所述植物叶片雾滴沉积量测量装置通过电源17分别为上位机1、嵌入式控制板2、电子秤13、第一继电器3、第二继电器4和第三继电器5供电。
一种基于RGB相机的植物叶片雾滴沉积量测量方法,包括如下步骤:
S1、将一植物叶片放置在叶片支撑装置15的样品平台的中心,开启光源11,各光源11的红色光斑落在叶片支撑装置15的样品平台的中心的植物叶片上,构成无影照射;电子秤13和RGB相机12分别采集无雾滴沉积的植物叶片的重量和图像,并传输至上位机1保存;
S2、电磁阀9开启0.1秒,药液经雾化喷头10雾化成雾滴沉积在植物叶片表面,电子秤13和RGB相机12分别采集有雾滴沉积的植物叶片的重量数据和图像,数据保存至上位机1;
S3、步骤S2重复10~20次;
S4、更换植物叶片,重复步骤S2~S3;
S5、上位机1将有雾滴沉积的植物叶片的重量数据减去无雾滴沉积的植物叶片的重量数据,得到植物叶片雾滴沉积重量,并将与有雾滴沉积的植物叶片的重量相应的植物叶片的图像与植物叶片雾滴沉积重量对应打包为一个数据文件。如使用python软件的numpy包的专用压缩数据格式npz进行打包。
S6、建立基于卷积神经网络的植物叶片雾滴沉积重量与图像的关系模型;通过RGB相机12获取待测叶片的雾滴沉积图像后,根据关系模型获得植物叶片上的雾滴沉积量。
所述步骤S6中所使用的卷积神经网络以pytorch为开发框架为例,包括如下步骤:
S6.1、创建模型;
为了方便调整神经网络模型,使用Class函数定义一个模型类,类的内部定义了:层的数量和层内参数的数量、是否使用激活函数、是否进行dropout操作。基于模型类创建一个模型实例。将图片数据传入模型实例后(后文简称为模型),就能计算得到一个结果。
S6.2、准备数据;
首先导入工具包,使用np.load(‘**.npz’)导入已经保存在一个npz文件中的数据,数据包含图像数据和重量数据,为了便于神经网络的训练,对图像数据进行归一化操作,使用transforms.Compose函数将图像数据的数据格式从np.float32转换到torch.32,同时归一化。为了防止模型过拟合,训练出更合适的模型,将数据分为训练集和测试集。
S6.3、定义损失函数和训练流程;
损失函数是判断预测值和真实值之间的差距,为了预测准确,希望所述差距越小越好,但是可能存在过拟合的情况。过拟合就是模型计算训练集的结果与真实结果相差小,但是模型计算测试集时与真实结果相差大,这样的模型用来测试新的数据误差大概率也会很大,所以要将数据分为训练集和测试集,训练集和测试集在模型预测上的误差要都比较小,训练出的模型在计算新的图像数据得到结果时,这个结果才比较可信。
训练流程包括:
训练的次数:训练的次数选择与步长和误差相关,目的是在所选择的训练次数内要将最优的模型,即训练集和测试集的误差都很小并稳定,不稳定说明还有优化的空间,此时可以选择增大步长或者增加训练次数来训练出更优的模型;
选择优化器,用于更新层的参数;优选地,所述优化器包括SGD及Adam方法;
确定数据是分批次传入还是一次性传入:其中,分批次传入占用内存小,计算峰值低,对电脑CPU的计算能力要求低;
确定停止训练的条件:其中,在训练集和测试集的误差不断降低并稳定在设定值附近,此时模型的参数更新对预测结果影响不大,可以停止训练,这是最好的情况:训练集误差不断减小并稳定,测试集误差不断减小并稳定;次好的情况是训练集误差不断减小,测试集误差减小到最低点后开始增大,此时为了防止模型过拟合也要停止训练,一般设置为训练集误差不断下降,但是测试集误差连续六个循环误差都在增长,若此时对训练出的模型预测能力有更高的要求,可调整网络结构和相关优化参数重新训练;
选择步长:其中,更新参数时的改变量,步长大对参数的改变就大,步长小对参数的改变就小。大步长训练模型快,但是不容易收敛到最优点,如层的参数更新到临近最优点时根据反向传播梯度对层的参数进行更新,因更新幅度即步长太大,越过最优点达到另一个临近最优点,小步长训练模型慢,但更容易收敛到最优点也是因为这个原因。
S6.4、训练模型;
如步骤S6.1~S6.3所描述,通过已经定义模型类,创建模型实例,准备图像重量数据,划分训练集和测试集,并定义好训练流程就可以开始训练模型了,训练模型的过程是更新模型参数的过程,层的本质就是参数,在最初创建模型实例时,这个模型中所有层的参数是随机的,此时将图片传入模型计算得到的结果与真实值误差很大,将模型计算值与真实值通过损失函数计算得到的损失值对层的每一个参数求导得到梯度(loss.backward()),并通过优化器更新参数(optimizer.step()),就完成了一次学习,即损失值对层的参数求偏导,将参数向将损失值降低的方向更新。之前在训练流程内定义过训练次数,其实就是一个for循环,每个循环进行训练集计算,训练集误差运算,优化器占用内存释放,误差针对层的参数求导,优化器更新层的参数(之前需要释放优化器占用内存,是避免上次求导得到的梯度影响下次参数更新),这样神经网络的自学习流程就搭建好了,为了知道什么时候停止训练,还需要自己设定多久计算一次训练集,训练停止时间参考步骤S6.3。
S6.5、获得新数据,使用模型计算结果;
保存训练好的基于卷积神经网络的植物叶片雾滴沉积重量与图像的关系模型。
获得新的雾滴沉积图像数据后,根据关系模型获得植物叶片上的雾滴沉积量。
本发明的工作过程如下:
测量组件调试并进入准备状态:给整个测量组件供电,控制组件准备:
启动上位机1,嵌入式控制板2开始自检并等待至自检完毕。测量组件准备:启动电子秤13,先读取电子秤13的数据,当多次读取数据标准差小于0.005时,电子秤13转入待机状态。启动RGB相机12,调整RGB相机12的曝光时间和快门速度。开启光源11。
喷雾组件准备:使用上位机1通过嵌入式控制板2、第二继电器4将电磁阀9的开启时间设定为0.1秒,电磁阀9在开启0.1秒后会自动关闭。启动泵6向管路内输药液,观察压力计8的读数,使用压力调节阀7调节压力至预设压力为3bar,待压力稳定后,喷雾组件进入待机状态。
记录无雾滴沉积的植物叶片的重量和图像:将植物叶片放置在叶片支撑装置15中心,上位机1读取电子秤13的称量数据并保存,RGB相机12进行拍照,并传输至上位机1保存。
记录有雾滴沉积的植物叶片的重量和图像:电磁阀9开启,雾化喷头10喷雾。喷雾完毕后,上位机1读取电子秤13测量数据并保存,RGB相机12进行拍照,并将图像传输至上位机1保存;并将该流程循环进行15次。
数据初处理:上位机1获取大量无雾滴沉积的植物叶片的重量、图像和经过喷雾后雾滴沉积逐渐增加的植物叶片的重量、图像;将收集到的有喷雾沉积的植物叶片的重量减去无雾滴沉积的植物叶片的重量,就能得到植物叶片雾滴沉积重量,并将该数据与图像一一对应起来,如图4a中没有喷雾沉积,计算后,这张图片中雾滴沉积重量数据为0g,而图4b中有喷雾沉积,计算后,这张图片中雾滴沉积重量数据为0.5g,随着喷雾次数的增加,叶片上沉积的雾滴越来越多,重量也会增加。
建立基于卷积神经网络的植物叶片雾滴沉积重量与图像的关系模型:图像中雾滴数量的增加,雾滴图像和经过初步处理后的沉积雾滴重量数据是有强烈的相关关系,考虑到这是图像数据,不能传入传统的多元方程拟合方法(传统多元方程拟合方法的自变量数据量有限,而图像数据可以达到800*800*3)来建立图像和喷雾沉积重量数据之间的相关关系模型,故使用卷积神经网络来建立图像和沉积雾滴重量数据之间的相关关系模型。随着CPU、GPU等硬件性能参数越来越强,数据量足够多的模型就可以考虑使用神经网络的方法来构建,数据越多,构建出来的模型评价图像数据得到的沉积雾滴重量数据越准确。
基于关系模型快速测量植物叶片雾滴沉积量:获取到足够多的图像数据和沉积雾滴重量数据后就可以搭建二者之间基于卷积神经网络的相关关系模型,搭建完毕过后,在未来的田间施药机具喷雾特性实验中,只需要收集喷雾后的叶片,放置在叶片支撑装置15中心拍下照片,就能够将获取到的图片通过模型计算快速获取沉积雾滴的重量数据,对比现有的需要布样、收样、测量的沉积雾滴测量方法,可以说是巨大的改进,节省了大量的人力物力。
在本发明中神经网络构建可以基于Pytorch、tensorflow、keras框架,这些都是现有的比较成熟的神经网络开发框架。
在使用本发明的基于RGB相机的植物叶片雾滴沉积量测量装置时,只需要在开始工作前对测量组件进行调试并使其进入准备状态。之后只需要检测人员手动更换一次叶片,就能得到无雾滴沉积叶片重量数据和图片和经过喷雾后雾滴沉积逐渐增加的叶片重量和图像。除去更换叶片这一步骤,该测量组件都是自动化的,节约时间,省时省力。
喷雾组件中包括能改变管路内压力的压力调节阀7、能够更换喷嘴的喷头10、能够控制喷头10开闭时间的电磁阀9。使用该套测量组件能够在短时间内,快速、省力地获得多种叶片不同沉积量的重量数据和图像,为进一步测量叶片上雾滴沉积的量提供大量数据。
Claims (9)
1.一种基于RGB相机的植物叶片雾滴沉积量测量装置,其特征在于,所述测量装置包括控制组件、喷雾组件和测量组件;
所述控制组件包括上位机(1)、嵌入式控制板(2)、第一继电器(3)、第二继电器(4)和第三继电器(5);
所述喷雾组件包括泵(6)、压力调节阀(7)、压力计(8)、电磁阀(9)和雾化喷头(10);其中,泵(6)的两端通过管道分别与药液源和雾化喷头(10)连接,泵(6)和雾化喷头(10)的管道上设有压力调节阀(7)、压力计(8)和电磁阀(9);
所述测量组件包括光源(11)、RGB相机(12)、电子秤(13)、秤台覆盖罩(14)、叶片支撑装置(15)和测量框架(16);
所述测量框架(16)为一立方体框架,所述电子秤(13)通过一对支撑梁设置在测量框架(16)内,电子秤(13)的秤台的中心位于测量框架(16)的中心垂线上;所述秤台覆盖罩(14)罩设在电子秤(13)的上方,且不与电子秤(13)的秤台接触;秤台覆盖罩(14)的中心处开有与电子秤(13)的秤台的中心同直线的通孔;所述叶片支撑装置(15)包括底座、连接杆和样品平台;所述连接杆从秤台覆盖罩(14)的通孔中穿过,连接杆的两端分别与底座和样品平台的中心连接;所述底座位于秤台覆盖罩(14)内部,并放置于电子秤(13)的秤台上;所述样品平台位于秤台覆盖罩(14)外部,用于放置植物叶片;所述秤台覆盖罩(14)的顶部外表面设有一层黑色海绵;
所述RGB相机(12)设置在叶片支撑装置(15)的样品平台的正上方;
多个光源(11)固接在测量框架(16)的顶部四周,各光源(11)的光斑落在叶片支撑装置(15)的样品平台的中心,构成无影照射;
所述雾化喷头(10)设置在测量框架(16)的侧部,并以叶片支撑装置(15)的样品平台的中心区域为雾化区域;
所述第一继电器(3)、第二继电器(4)和第三继电器(5)分别与泵(6)、电磁阀(9)和光源(11)电连接,分别控制控制泵(6)、电磁阀(9)、光源(11)的开闭;
所述上位机(1)通过数据线分别与嵌入式控制板(2)、RGB相机(12)和电子秤(13)连接,向嵌入式控制板(2)发出控制指令并接收和存储RGB相机(12)和电子秤(13)采集的数据;
所述嵌入式控制板(2)分别与RGB相机(12)、第一继电器(3)、第二继电器(4)和第三继电器(5)连接。
2.根据权利要求1所述的基于RGB相机的植物叶片雾滴沉积量测量装置,其特征在于,所述光源(11)为红色光源。
3.根据权利要求1所述的基于RGB相机的植物叶片雾滴沉积量测量装置,其特征在于,所述光源(11)为LED灯。
4.根据权利要求1所述的基于RGB相机的植物叶片雾滴沉积量测量装置,其特征在于,所述雾化喷头(10)的工作压力为3±1bar。
5.根据权利要求1所述的基于RGB相机的植物叶片雾滴沉积量测量装置,其特征在于,所述RGB相机(12)的高度高于雾化喷头(10)雾化雾滴运动至测量框架(16)中心垂线时的最高高度。
6.根据权利要求1所述的基于RGB相机的植物叶片雾滴沉积量测量装置,其特征在于,所述植物叶片雾滴沉积量测量装置通过电源(17)分别为上位机(1)、嵌入式控制板(2)、电子秤(13)、第一继电器(3)、第二继电器(4)和第三继电器(5)供电。
7.一种利用如权利要求1-6所述的基于RGB相机的植物叶片雾滴沉积量测量装置的植物叶片雾滴沉积量测量方法,其特征在于,包括如下步骤:
S1、将一植物叶片放置在叶片支撑装置(15)的样品平台的中心,开启光源(11),各光源(11)的红色光斑落在叶片支撑装置(15)的样品平台的中心的植物叶片上,构成无影照射;电子秤(13)和RGB相机(12)分别采集无雾滴沉积的植物叶片的重量和图像,并传输至上位机(1)保存;
S2、电磁阀(9)开启,药液经雾化喷头(10)雾化成雾滴沉积在植物叶片表面,电子秤(13)和RGB相机(12)分别采集有雾滴沉积的植物叶片的重量数据和图像,数据保存至上位机(1);
S3、步骤S2重复10~20次;
S4、更换植物叶片,重复步骤S2~S3;
S5、上位机(1)将有雾滴沉积的植物叶片的重量数据减去无雾滴沉积的植物叶片的重量数据,得到植物叶片雾滴沉积重量,并将与有雾滴沉积的植物叶片的重量相应的植物叶片的图像与植物叶片雾滴沉积重量对应打包为一个数据文件;
S6、建立基于卷积神经网络的植物叶片雾滴沉积重量与图像的关系模型;通过RGB相机(12)获取待测叶片的雾滴沉积图像后,根据关系模型获得植物叶片上的雾滴沉积量。
8.根据权利要求7所述的植物叶片雾滴沉积量测量方法,其特征在于,所述步骤S6中所使用的卷积神经网络以pytorch为开发框架。
9.根据权利要求8所述的植物叶片雾滴沉积量测量方法,其特征在于,所述步骤S6包括如下步骤:
S6.1、创建模型;
S6.2、准备数据;
S6.3、定义损失函数和训练流程;
S6.4、训练模型;
S6.5、获得新数据,使用模型计算结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110516823.XA CN113252523B (zh) | 2021-05-12 | 2021-05-12 | 基于rgb相机的植物叶片雾滴沉积量的测量装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110516823.XA CN113252523B (zh) | 2021-05-12 | 2021-05-12 | 基于rgb相机的植物叶片雾滴沉积量的测量装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113252523A true CN113252523A (zh) | 2021-08-13 |
CN113252523B CN113252523B (zh) | 2022-03-15 |
Family
ID=77222965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110516823.XA Active CN113252523B (zh) | 2021-05-12 | 2021-05-12 | 基于rgb相机的植物叶片雾滴沉积量的测量装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113252523B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103487437A (zh) * | 2013-09-17 | 2014-01-01 | 北京农业信息技术研究中心 | 一种航空施药雾滴分布指标的检测方法及系统 |
US20150092189A1 (en) * | 2013-10-01 | 2015-04-02 | Innovasystems, Inc. | Spray analysis system and method |
US20150235108A1 (en) * | 2014-02-20 | 2015-08-20 | Kla-Tencor Corporation | Signal Response Metrology For Image Based Overlay Measurements |
CN105372163A (zh) * | 2015-12-01 | 2016-03-02 | 桂林电子科技大学 | 一种喷雾雾化效果性能检测装置及方法 |
JP2016191636A (ja) * | 2015-03-31 | 2016-11-10 | 東京エレクトロン株式会社 | 液滴体積測定装置、液滴体積測定方法、液滴体積測定用基板及びインクジェット描画装置 |
CN108444878A (zh) * | 2018-04-20 | 2018-08-24 | 浙江大学 | 一种便携式航空喷施作业的雾滴沉积效果测量装置和方法 |
CN109490158A (zh) * | 2018-12-28 | 2019-03-19 | 山东农业大学 | 一种基于植株冠层孔隙率的空间雾滴沉积量测量与评价方法 |
CN109507070A (zh) * | 2018-10-22 | 2019-03-22 | 中国农业大学 | 检测雾滴沉积量的方法及装置 |
CN109724904A (zh) * | 2018-12-12 | 2019-05-07 | 北京农业智能装备技术研究中心 | 一种便携式航空施药雾滴沉积量检测装置及其方法 |
CN110689519A (zh) * | 2019-08-21 | 2020-01-14 | 华南农业大学 | 基于yolo网络的雾滴沉积图像检测系统和方法 |
CN110736687A (zh) * | 2019-10-25 | 2020-01-31 | 华南农业大学 | 一种便携式水敏试纸雾滴参数分析设备及其分析方法 |
US20200333232A1 (en) * | 2018-01-16 | 2020-10-22 | Jiangsu University | System and method for online detection of droplet deposition amount of spraying operation of plant protection machine |
CN112098279A (zh) * | 2020-09-01 | 2020-12-18 | 绍兴文理学院 | 一种多样点雾滴沉积量无线测量系统 |
-
2021
- 2021-05-12 CN CN202110516823.XA patent/CN113252523B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103487437A (zh) * | 2013-09-17 | 2014-01-01 | 北京农业信息技术研究中心 | 一种航空施药雾滴分布指标的检测方法及系统 |
US20150092189A1 (en) * | 2013-10-01 | 2015-04-02 | Innovasystems, Inc. | Spray analysis system and method |
US20150235108A1 (en) * | 2014-02-20 | 2015-08-20 | Kla-Tencor Corporation | Signal Response Metrology For Image Based Overlay Measurements |
JP2016191636A (ja) * | 2015-03-31 | 2016-11-10 | 東京エレクトロン株式会社 | 液滴体積測定装置、液滴体積測定方法、液滴体積測定用基板及びインクジェット描画装置 |
CN105372163A (zh) * | 2015-12-01 | 2016-03-02 | 桂林电子科技大学 | 一种喷雾雾化效果性能检测装置及方法 |
US20200333232A1 (en) * | 2018-01-16 | 2020-10-22 | Jiangsu University | System and method for online detection of droplet deposition amount of spraying operation of plant protection machine |
CN108444878A (zh) * | 2018-04-20 | 2018-08-24 | 浙江大学 | 一种便携式航空喷施作业的雾滴沉积效果测量装置和方法 |
CN109507070A (zh) * | 2018-10-22 | 2019-03-22 | 中国农业大学 | 检测雾滴沉积量的方法及装置 |
CN109724904A (zh) * | 2018-12-12 | 2019-05-07 | 北京农业智能装备技术研究中心 | 一种便携式航空施药雾滴沉积量检测装置及其方法 |
CN109490158A (zh) * | 2018-12-28 | 2019-03-19 | 山东农业大学 | 一种基于植株冠层孔隙率的空间雾滴沉积量测量与评价方法 |
CN110689519A (zh) * | 2019-08-21 | 2020-01-14 | 华南农业大学 | 基于yolo网络的雾滴沉积图像检测系统和方法 |
CN110736687A (zh) * | 2019-10-25 | 2020-01-31 | 华南农业大学 | 一种便携式水敏试纸雾滴参数分析设备及其分析方法 |
CN112098279A (zh) * | 2020-09-01 | 2020-12-18 | 绍兴文理学院 | 一种多样点雾滴沉积量无线测量系统 |
Non-Patent Citations (4)
Title |
---|
HE XIONGKUI: "Recent development of unmanned aerial vehicle for plant protection in East Asia", 《INT J AGRIC & BIOL ENG》 * |
M. DAMSOHN等: "Droplet deposition measurement with high-speed camera and novel high-speed liquid film sensor with high spatial resolution", 《NUCLEAR ENGINEERING AND DESIGN》 * |
何勇等: "植保无人机雾滴沉积效果研究综述", 《浙江大学学报(农业与生命科学版)》 * |
杨玮等: "果树叶片雾滴沉积量检测系统设计与试验", 《农业机械学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113252523B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109489915B (zh) | 一种气体密封性能检测装置及其使用方法 | |
CN204632101U (zh) | 一种射频遥控器自动测试设备及测试系统 | |
CN108323295B (zh) | 一种基于多尺度生境信息的苗期作物水肥检测和控制方法及装置 | |
CN113252523B (zh) | 基于rgb相机的植物叶片雾滴沉积量的测量装置及方法 | |
CN107830805A (zh) | 一种大尺寸产品快速检测的光学结构 | |
CN108655011A (zh) | 一种智能分拣装置、分拣方法以及综合检测系统 | |
CN112189646A (zh) | 一种基于作物表型机器视觉判别的温室智能植保装置及植保方法 | |
CN106705841A (zh) | 基于视觉测量的太阳能聚光器镜面定量调焦方法 | |
CN113252379B (zh) | 一种农业喷药设备用的变量喷施效果测试装置 | |
CN108942051A (zh) | 铝模板半自动化智能焊接设备次肋压紧机构 | |
CN107340294A (zh) | 一种电机换向器自动化视觉检测系统 | |
CN110111213A (zh) | 室内变电站巡视系统、方法、装置以及可读存储介质 | |
CN207082019U (zh) | 一种无人机投影放线装置 | |
CN113252522B (zh) | 基于高光谱扫描的植物叶片雾滴沉积量的测量装置 | |
CN106596422A (zh) | 检测与脱水一体化的闭环干燥系统及方法 | |
CN108535152B (zh) | 一种全自动卷筒式雾滴沉积图像快速循环采集装置及方法 | |
CN206789272U (zh) | 计量仪表电路板显示屏的智能测试装置 | |
CN116164948A (zh) | 一种喷头雾化检测设备以及使用方法 | |
CN113280222A (zh) | 一种农作物长势监测装置及方法 | |
CN209121860U (zh) | 一种智能蒸饭机 | |
CN209515604U (zh) | 一种光电子时间飞行谱仪 | |
CN209654996U (zh) | 一种半自动气门导管润滑装置 | |
CN206974917U (zh) | 一种鸟卵图像自动采集装置 | |
CN207528261U (zh) | 一种作物冠层同化箱 | |
CN219164639U (zh) | 巡检设备和智慧农业沙盘 |
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 |