CN113298085B - 一种基于Mask R-CNN的谷物含杂-破碎识别方法与系统 - Google Patents

一种基于Mask R-CNN的谷物含杂-破碎识别方法与系统 Download PDF

Info

Publication number
CN113298085B
CN113298085B CN202110376474.6A CN202110376474A CN113298085B CN 113298085 B CN113298085 B CN 113298085B CN 202110376474 A CN202110376474 A CN 202110376474A CN 113298085 B CN113298085 B CN 113298085B
Authority
CN
China
Prior art keywords
grain
mask
impurity
cnn
target
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
CN202110376474.6A
Other languages
English (en)
Other versions
CN113298085A (zh
Inventor
陈进
武志平
李耀明
陈海文
张帅
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.)
Jiangsu University
Original Assignee
Jiangsu 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 Jiangsu University filed Critical Jiangsu University
Priority to CN202110376474.6A priority Critical patent/CN113298085B/zh
Publication of CN113298085A publication Critical patent/CN113298085A/zh
Application granted granted Critical
Publication of CN113298085B publication Critical patent/CN113298085B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G23/00—Driving gear for endless conveyors; Belt- or chain-tensioning arrangements
    • B65G23/02—Belt- or chain-engaging elements
    • B65G23/04—Drums, rollers, or wheels
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G69/00—Auxiliary measures taken, or devices used, in connection with loading or unloading
    • B65G69/04—Spreading out the materials conveyed over the whole surface to be loaded; Trimming heaps of loose materials
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mechanical Engineering (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明提供了一种基于Mask R‑CNN的谷物含杂‑破碎识别方法与系统，属于农业智能装备领域。本发明的识别系统包括在线谷物捕获装置、嵌入式处理器以及显示装置，嵌入式处理器用于用改进后的Mask R‑CNN算法对保存的谷物图像进行处理，得到谷物的破碎率和含杂率。本发明采用边缘检测算法与Mask R‑CNN算法相结合来处理谷物图像，边缘检测算法可以帮助Mask R‑CNN算法更好的检测到目标的边缘，提高检测精度，进而提高含杂率、破碎率的识别精度。

Description

一种基于Mask R-CNN的谷物含杂-破碎识别方法与系统
技术领域
本发明属于农业智能装备领域，特别涉及一种基于Mask R-CNN的谷物含杂-破碎识别方法与系统。
背景技术
水稻和小麦是人民生活中的粮食主要来源，粮食的浪费也主要集中在这两种谷物及其制成的食物上面，然而粮食的损失与浪费在收获时所占的比例是最大的，为了从根源上减少粮食的浪费和损失，有必要在粮食收获时检测其含杂率与破碎率，减少浪费。
长期以来谷物含杂率、破碎率的检定由人工在粮食收获之后完成，无法制止粮食在收获过程中造成的损失与浪费，且人工检定含杂率、破碎率工艺复杂、耗时长，浪费大量的人力物力。
发明内容
针对现有技术中存在不足，本发明提供了一种基于Mask R-CNN的谷物含杂-破碎识别方法与系统，可以在谷物收获过程中捕获谷物并且实时监测谷物的含杂率、破碎率，减少谷物收获过程中粮食的损失与浪费。
本发明是通过以下技术手段实现上述技术目的的。
一种基于Mask R-CNN的谷物含杂-破碎识别方法，具体为：
嵌入式处理器调用改进后的Mask R-CNN算法对保存的谷物图像进行处理，得到谷物的破碎率和含杂率，所述破碎率、含杂率在显示装置显示，同时保存数据到本地并且通过CAN总线传送到上位机；
所述改进后的Mask R-CNN算法对保存的谷物图像进行处理，具体为：谷物图片在Resnet101和特征金字塔网络中共享卷积层，提取谷物图片的特征图谱，在特征图谱上使用RPN区域建议网络生成目标建议框，使用ROI Align方法处理所述目标建议框，最后对目标建议方内的目标进行Softmax分类、利用全卷积网络和边缘检测进行分割、方框回归。
进一步地，所述在特征图谱上使用RPN区域建议网络生成目标建议框，具体为：在图像中在可能有目标的地方使用方框圈出来，然后对这些方框进行分类以及回归，得到最有可能包括目标的方框。
进一步地，所述改进后的Mask R-CNN算法，具体为：
在Mask R-CNN框架中增加一个边缘检测的分支网络；
在计算损失函数时加入边缘损失函数：
L＝LRPN+Lcls+Lbox+Lmask+Ledge
其中：L为总损失函数，LRPN为RPN网络损失函数，Lcls为分类损失函数，Lbox为方框回归损失函数，Lmask为掩码损失函数，Ledge为边缘检测损失函数。
更进一步地，所述边缘检测损失函数为：边缘检测分支网络检测到的边缘与真实边缘的平均二值交叉熵。
进一步地，所述破碎率和含杂率的获取过程为：对处理后的谷物图像内的破碎籽粒以及杂质进行掩码分割，分割完后对破碎籽粒以及杂质的掩码进行像素计算，使用破碎籽粒面积、杂质面积以及谷物图像中目标总面积计算谷物的含杂率和破碎率。
更进一步地，所述含杂率其中x为正常籽粒一个像素所对应的质量，y为杂质一个像素所对应的质量，z为破碎籽粒一个像素所对应的质量，s为图中目标总面积，s1为杂质面积，s2为破碎籽粒面积。
更进一步地，所述破碎率其中x为正常籽粒一个像素所对应的质量，y为杂质一个像素所对应的质量，z为破碎籽粒一个像素所对应的质量，s为图中目标总面积，s1为杂质面积，s2为破碎籽粒面积。
一种基于Mask R-CNN的谷物含杂-破碎识别系统，包括在线谷物捕获装置、嵌入式处理器以及显示装置，嵌入式处理器分别与在线谷物捕获装置和显示装置连接，嵌入式处理器用于用改进后的Mask R-CNN算法对保存的谷物图像进行处理，得到谷物的破碎率和含杂率。
本发明的有益效果为：
(1)本发明采用边缘检测算法与Mask R-CNN算法相结合来处理谷物图像，边缘检测算法可以帮助Mask R-CNN算法更好的检测到目标的边缘，提高检测精度，进而提高含杂率、破碎率的识别精度。
(2)本发明设计的在线谷物捕获装置使用传送带输送谷物，且传送带速度可由嵌入式处理器控制电机的转动速度而控制，刮板将收集到的谷物刮平后，传送到相机下方经光源照亮后采集谷物图像，使用该方法采集到的谷物图像质量好、易处理，解决了现有方法采集谷物图像时谷物堆叠的难题，保证了监测的实时性与准确性。
(3)本发明提供的含杂率、破碎率实时监测方法可以帮助驾驶员实时调整收割机工作参数，获取高质量的收获谷物，且免去了人工计算含杂率、破碎率的麻烦，减少了粮食在收获时的浪费，对于加快我国农业机械化、智能化，实现农机强国具有深远的意义。
(4)本发明装置设置了水稻和小麦两种数据库，可适用用于水稻和小麦两种谷物的联合收获机。
附图说明
图1为本发明所述基于Mask R-CNN的谷物含杂-破碎识别系统结构示意图；
图2为本发明在线谷物捕获装置三维立体图；
图3为本发明在线谷物捕获装置侧视图；
图4为本发明在线谷物捕获装置安装示意图；
图5为本发明在线谷物捕获装置工作流程图；
图6为本发明基于Mask R-CNN的谷物含杂-破碎识别方法工作流程图；
图7为本发明改进后的Mask R-CNN算法网络结构示意图；
图8为本发明嵌入式处理器控制电机转速流程图；
图9为本发明显示装置显示界面；
图中，1-采集板，2-刮板，3-后挡板，4-电机，5-传送带，6-光源，7-相机，8-箱体，9-挂耳，10-电机固定支架，11-出粮口，12-粮箱。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。
如图1所示，基于Mask R-CNN的谷物含杂-破碎识别系统，包括在线谷物捕获装置、嵌入式处理器以及显示装置，在线谷物捕获装置包括谷物采集装置、谷物传送装置、谷物图像采集装置和固定部件。嵌入式处理器分别与谷物传送装置、谷物图像采集装置和显示装置连接，嵌入式处理器用于控制谷物传送装置的传送速度，嵌入式处理器还用于处理谷物图像并从图像中获取谷物的含杂率、破碎率，最后将含杂率、破碎率送入显示装置显示；所述嵌入式处理器与显示装置安放在驾驶室内。
如图2、3所示，本发明谷物采集装置包括采集板1、刮板2、后挡板3；谷物传送装置包括电机4、传送带5；谷物图像采集装置包括光源6、相机7；固定部件包括箱体8、挂耳9和电机固定支架10。
如图2、3所示，箱体8整体呈长方体状，且后侧与下侧均为开口设置；采集板1为2块，两采集板1分别与竖直方向的刮板2、后挡板3固定连接，刮板2、后挡板3两侧边均与箱体8连接，刮板2和后挡板3均设置在箱体8的后侧，且后挡板3位于刮板2外侧；采集板1与箱体8顶板之间的角度为45°-60°；刮板2与后挡板3之间的水平距离过窄则会造成堵塞，距离过大则会造成落在传送带5上的谷物堆在同一点的情况，为了使采集板1采集的谷物均匀地落在传送带5上，将刮板2与后挡板3之间的水平距离设置为2cm。传送带5安装在箱体8内侧、且位于刮板2和后挡板3下方；传送带5与刮板2底端的垂直距离为1cm，使得落在传送带5上的谷物在向前传输时被刮板2均匀地刮平，相机7采集均匀平铺的谷物图像更容易快速处理，且处理得到的效果更准确；传送带5与后挡板3底端的垂直距离为5cm，当落在传送带5上的谷物没有被及时传输时，由于后挡板3比刮板2高，多余的谷物会从后挡板3这一侧漏走而不会造成堵塞；传送带5两端与箱体8前、后侧的水平距离为3cm，在传送带5上传送的谷物最后从传送带5与箱体8之间的间隙落下；传送带5底面与箱体8底端垂直距离为3cm。电机4通过电机固定支架10固定在箱体8外侧，在电机4与箱体8的连接处设有开孔，电机4输出轴穿过开孔与传送带5的转轴连接；相机7安装在箱体8上侧，安装位置为传送带5中心的垂直方向上，靠近相机7的箱体8上侧内壁固定有两排光源6。挂耳9设置在箱体8上端左右两侧。
如图4所示为在线谷物捕获装置在粮箱12中的安装示意图，箱体8通过挂耳9安装在出粮口11下方，采集板1位于出粮口11喷出的谷物范围内；如图5所示，在谷物含杂率、破碎率实时监测时，谷物从出粮口11喷出，由采集板1随机采集部分谷物，谷物沿刮板2和后挡板3之间的缝隙落入传送带5上，嵌入式处理器控制电机4转动，传送带5在电机4的带动下，传送方向朝箱体前侧，刮板2将传送带5后端的谷物刮平，谷物在传送带5的带动下，朝箱体前侧移动，并落入粮箱12内，谷物在移动过程中，相机7采集经光源6照射后的传送带5上移动谷物的图像，并传输给嵌入式处理器，显示装置显示谷物的实时情况，嵌入式处理器调用改进后的Mask R-CNN算法处理谷物图像，获取谷物的含杂率、破碎率，含杂率、破碎率在显示装置显示，并保存到本地，同时由CAN总线传送至上位机；在线谷物捕获装置在工作时，光源6一直处于工作状态。
本发明还提供一种基于Mask R-CNN的谷物含杂-破碎识别方法，如图6所示，该方法主要步骤包括如下：
S1，驾驶员在嵌入式处理器中选择收获谷物类型，主要有两种谷物类型可供选择：水稻、小麦，选择收获谷物类型后，嵌入式处理器调用相应的处理程序；
S2，在嵌入式处理器中设置电机4的初始转速，初始转速可使传送带5的速度为3m/min-4m/min；
S3，设置好电机4的转速后，谷物传送装置传送谷物；
S4，谷物采集装置采集谷物图像，显示装置显示传送带5上谷物的实时情况，同时嵌入式处理器保存一帧谷物图像到本地；
S5，嵌入式处理器调用改进后的Mask R-CNN算法对保存的谷物图像进行处理，得到谷物的破碎率、含杂率，嵌入式处理器将破碎率、含杂率送入显示装置，同时保存数据到本地并且通过CAN总线传送到上位机；
S6，显示装置显示破碎率、含杂率的结果；
S7，嵌入式处理器根据图像处理时间控制电机4转速；
S8，重复上述步骤S4-S7，直到监测结束。
如图7所示为改进后的Mask R-CNN算法网络结构，原始Mask R-CNN算法在分割时大多掩码的边缘与目标的真实边缘有一定的差距，甚至丢失目标的某些部分，因此本发明在分割时加入边缘检测分支，在计算损失函数中加入边缘损失函数，提高掩码分割时的精确度，提高谷物含杂率、破碎率的检测结果。
所述改进后的Mask R-CNN算法是指将边缘检测与Mask R-CNN算法相结合，以使Mask R-CNN算法对目标边缘的检测更加准确，具体实施如下：
(1)在Mask R-CNN框架中增加一个边缘检测的分支网络；
(2)在计算损失函数时加入边缘损失函数，具体为：
L＝LRPN+Lcls+Lbox+Lmask+Ledge
其中：L为总损失函数，LRPN为RPN网络损失函数，Lcls为分类损失函数，Lbox为方框回归损失函数，Lmask为掩码损失函数(LRPN、Lcls、Lbox和Lmask的定义参见Mask R-CNN)，Ledge为边缘检测损失函数(具体为：边缘检测分支网络检测到的边缘与真实边缘的平均二值交叉熵)。
改进后的Mask R-CNN算法处理图片过程如下：
输入谷物图片，谷物图片在Resnet101和特征金字塔网络中共享卷积层，提取出谷物图片的特征图谱，在特征图谱上使用RPN区域建议网络生成目标建议框，即在图像中在可能有目标的地方使用方框圈出来，然后对这些方框进行分类以及回归，得到最有可能包括目标的方框，使用ROI Align方法处理目标建议框，最后对目标建议方内的目标进行Softmax分类、利用全卷积网络和边缘检测进行分割以及方框回归。本发明提出在进行分割时加入边缘检测的分支，使得分割的结果更加准确。
嵌入式处理器处理完谷物图像后会对图像内的破碎籽粒以及杂质进行掩码分割，分割完后对破碎籽粒以及杂质的掩码进行像素计算，使用破碎籽粒面积、杂质面积以及谷物图像中目标总面积计算谷物的含杂率、破碎率。
谷物的含杂率、破碎率具体计算公式为：
其中：x为正常籽粒一个像素所对应的质量，y为杂质一个像素所对应的质量，z为破碎籽粒一个像素所对应的质量，Pi为含杂率，Pp为破碎率，s为图中目标总面积，s1为杂质面积，s2为破碎籽粒面积。
嵌入式处理器根据图像处理时间控制电机4转速，具体如图8所示，在在线谷物捕获装置开始工作时，设置电机4的初始转速使传送带5的速度达到3m/min-4m/min，嵌入式处理器保存一帧谷物图像到本地时，记录此时的时间t1，嵌入式处理器处理完保存的谷物图像后，记录此时的时间t2，根据t1、t2以及谷物图像的长度l，计算出传送带5应该达到的速度v，计算公式如下：
由传送带5的速度以及传送带5的滚筒半径即可求得电机4的转速，计算公式如下：
式中，n为电机4的转速，v为传送带5的速度，r为传送带5的滚筒半径。
对比计算的电机转速与实时转速是否相同，如果不相同，将实时转速调至计算的电机转速。本发明对电机4的转速控制是为了使得处理的谷物图片具有连贯性，获得的谷物破碎率、含杂率更加准确。
如图9所示为本发明显示装置的显示界面，界面左边实时显示相机7拍摄到的谷物视频，界面右边上方显示破碎率、含杂率的数值，下方两个曲线图显示破碎率、含杂率的曲线图，记录5次破碎率、含杂率；折线图中的粗线是国家制定的联合收获机性能指标，超过粗线时驾驶员应当调整联合收获机的工作参数(包括联合收获机的前进速度、搅龙的高度等)，降低联合收获机的谷物含杂率、破碎率，曲线的记录功能可使驾驶员直观的看到调整联合收获机工作参数后的效果。
所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。

Claims (5)

1.一种基于Mask R-CNN的谷物含杂-破碎识别方法，其特征在于：
嵌入式处理器调用改进后的Mask R-CNN算法对保存的谷物图像进行处理，得到谷物的破碎率和含杂率，所述破碎率、含杂率在显示装置显示，同时保存数据到本地并且通过CAN总线传送到上位机；
所述改进后的Mask R-CNN算法对保存的谷物图像进行处理，具体为：谷物图片在Resnet101和特征金字塔网络中共享卷积层，提取谷物图片的特征图谱，在特征图谱上使用RPN区域建议网络生成目标建议框，使用ROI Align方法处理所述目标建议框，最后对目标建议方内的目标进行Softmax分类、利用全卷积网络和边缘检测进行分割、方框回归；
所述改进后的Mask R-CNN算法，具体为：
在Mask R-CNN框架中增加一个边缘检测的分支网络；
在计算损失函数时加入边缘损失函数：
L＝LRPN+Lcls+Lbox+Lmask+Ledge
其中：L为总损失函数，LRPN为RPN网络损失函数，Lcls为分类损失函数，Lbox为方框回归损失函数，Lmask为掩码损失函数，Ledge为边缘检测损失函数；
所述含杂率其中x为正常籽粒一个像素所对应的质量，y为杂质一个像素所对应的质量，z为破碎籽粒一个像素所对应的质量，s为图中目标总面积，s1为杂质面积，s2为破碎籽粒面积；
所述破碎率其中x为正常籽粒一个像素所对应的质量，y为杂质一个像素所对应的质量，z为破碎籽粒一个像素所对应的质量，s为图中目标总面积，s1为杂质面积，s2为破碎籽粒面积。
2.根据权利要求1所述的基于Mask R-CNN的谷物含杂-破碎识别方法，其特征在于，所述在特征图谱上使用RPN区域建议网络生成目标建议框，具体为：在图像中在可能有目标的地方使用方框圈出来，然后对这些方框进行分类以及回归，得到最有可能包括目标的方框。
3.根据权利要求1所述的基于Mask R-CNN的谷物含杂-破碎识别方法，其特征在于，所述边缘检测损失函数为：边缘检测分支网络检测到的边缘与真实边缘的平均二值交叉熵。
4.根据权利要求1所述的基于Mask R-CNN的谷物含杂-破碎识别方法，其特征在于，所述破碎率和含杂率的获取过程为：对处理后的谷物图像内的破碎籽粒以及杂质进行掩码分割，分割完后对破碎籽粒以及杂质的掩码进行像素计算，使用破碎籽粒面积、杂质面积以及谷物图像中目标总面积计算谷物的含杂率和破碎率。
5.一种实现权利要求1-4任一项权利要求所述的基于Mask R-CNN的谷物含杂-破碎识别方法的识别系统，其特征在于，包括在线谷物捕获装置、嵌入式处理器以及显示装置，嵌入式处理器分别与在线谷物捕获装置和显示装置连接，嵌入式处理器用于用改进后的MaskR-CNN算法对保存的谷物图像进行处理，得到谷物的破碎率和含杂率。
CN202110376474.6A 2021-04-06 2021-04-06 一种基于Mask R-CNN的谷物含杂-破碎识别方法与系统 Active CN113298085B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110376474.6A CN113298085B (zh) 2021-04-06 2021-04-06 一种基于Mask R-CNN的谷物含杂-破碎识别方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110376474.6A CN113298085B (zh) 2021-04-06 2021-04-06 一种基于Mask R-CNN的谷物含杂-破碎识别方法与系统

Publications (2)

Publication Number Publication Date
CN113298085A CN113298085A (zh) 2021-08-24
CN113298085B true CN113298085B (zh) 2024-03-22

Family

ID=77319386

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110376474.6A Active CN113298085B (zh) 2021-04-06 2021-04-06 一种基于Mask R-CNN的谷物含杂-破碎识别方法与系统

Country Status (1)

Country Link
CN (1) CN113298085B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113820325B (zh) * 2021-09-13 2022-06-14 农业农村部南京农业机械化研究所 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
CN114549958B (zh) * 2022-02-24 2023-08-04 四川大学 基于上下文信息感知机理的夜间和伪装目标检测方法
CN116503402B (zh) * 2023-06-26 2023-09-08 中储粮成都储藏研究院有限公司 一种粮食并肩杂质含量的检测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105806751A (zh) * 2016-03-24 2016-07-27 江苏大学 一种联合收割机粮箱中谷物破碎在线监测系统及方法
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
CN110887707A (zh) * 2019-08-28 2020-03-17 江苏大学 一种谷物收集装置以及基于U-Net网络的谷物含杂破碎状态实时监测系统和方法
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105806751A (zh) * 2016-03-24 2016-07-27 江苏大学 一种联合收割机粮箱中谷物破碎在线监测系统及方法
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
CN110887707A (zh) * 2019-08-28 2020-03-17 江苏大学 一种谷物收集装置以及基于U-Net网络的谷物含杂破碎状态实时监测系统和方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
苗海委 ; 周慧玲 ; .基于深度学习的粘虫板储粮害虫图像检测算法的研究.中国粮油学报.(12),全文. *

Also Published As

Publication number Publication date
CN113298085A (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
CN113298085B (zh) 一种基于Mask R-CNN的谷物含杂-破碎识别方法与系统
US10664726B2 (en) Grain quality monitoring
US20180027732A1 (en) Combine harvester self-adaptive cleaning control apparatus and self-adaptive cleaning method thereof
CN110235882B (zh) 一种基于多传感器的精准变量果树施药机器人
CN104737707B (zh) 一种联合收获机清选含杂率自适应控制装置及自适应清洗方法
CA2833488C (en) Shrimp processing system and methods
CN105806751A (zh) 一种联合收割机粮箱中谷物破碎在线监测系统及方法
CN107649234A (zh) 一种破碎机破碎粒径自动调节装置及方法
CN204741825U (zh) 一种联合收获机清选含杂率自适应控制装置
US9622492B2 (en) Shrimp processing system and methods
CN113820325B (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
CN112014399B (zh) 粮箱内带式谷物破碎率和含杂率检测装置和方法
CN110909589A (zh) 谷粒质量控制系统和方法
CN204733622U (zh) 一种联合收获机自适应清选控制装置
CN108120715B (zh) 一种基于机器视觉的玉米籽粒破碎率在线检测方法及装置
CN110887707B (zh) 基于U-Net网络的谷物含杂破碎状态实时监测系统和方法
CN112970033A (zh) 用于对收获根茎作物的机器的运行进行调节的方法
CN112616424A (zh) 用于监测谷物损失的系统和方法
CN205538564U (zh) 一种联合收割机粮箱中谷物破碎在线监测系统
EP4091423A1 (en) Residue spread monitoring
GB2606741A (en) Residue spread monitoring
CN115643895A (zh) 一种基于籽粒状态的收割机控制方法和系统
CN117607046A (zh) 一种玉米籽粒破碎率检测装置及检测方法
JP7321087B2 (ja) 収穫機管理システム、収穫機、及び収穫機管理方法
CN113950938B (zh) 一种联合收割机及谷物流量在线检测装置和方法

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