CN113426709B - 谷料收购智能检测机器人及谷料分类方法 - Google Patents
谷料收购智能检测机器人及谷料分类方法 Download PDFInfo
- Publication number
- CN113426709B CN113426709B CN202110822360.XA CN202110822360A CN113426709B CN 113426709 B CN113426709 B CN 113426709B CN 202110822360 A CN202110822360 A CN 202110822360A CN 113426709 B CN113426709 B CN 113426709B
- Authority
- CN
- China
- Prior art keywords
- rice
- screen
- feature vector
- outlet
- grain
- 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
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
- B07C5/3422—Sorting according to other particular properties according to optical properties, e.g. colour using video scanning devices, e.g. TV-cameras
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07B—SEPARATING SOLIDS FROM SOLIDS BY SIEVING, SCREENING, SIFTING OR BY USING GAS CURRENTS; SEPARATING BY OTHER DRY METHODS APPLICABLE TO BULK MATERIAL, e.g. LOOSE ARTICLES FIT TO BE HANDLED LIKE BULK MATERIAL
- B07B9/00—Combinations of apparatus for screening or sifting or for separating solids from solids using gas currents; General arrangement of plant, e.g. flow sheets
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/16—Sorting according to weight
- B07C5/18—Sorting according to weight using a single stationary weighing mechanism
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Adjustment And Processing Of Grains (AREA)
Abstract
本发明公开了一种谷料收购智能检测机器人及谷料分类方法,智能检测机器人包括第一容器,用于容纳原料,该第一容器底部设置有第一称重传感器;第一筛网,与所述第一容器的出口连通;第二筛网,与所述第一筛网的出口连通;第二容器,与所述第二筛网的出口连通,该第二容器底部设置有第二称重传感器;分样混样器,入口与所述第二容器出口连通,所有出口均与机器视觉检测装置连通。本发明不需要检验员操作仪器检测,可以检测不同的检测指标,操作简便。
Description
技术领域
本发明涉及粮食收购与流通的检验检测领域,特别是一种谷料收购智能检测机器人及谷料分类方法。
背景技术
同一粮食产区因耕种者不同而有着千差万别的粮食品质特征,不同的品质有着不同的出米率和成品口感,因此,粮食收购过程中需要对原粮进行定等定级。
原粮的品质与等级,决定了每一斤原粮的合理价格。粮食收购,一端连接种地的农民,另一端则连着餐桌上的千家万户,再往上则是国家粮食安全,粮食安全是一切安全的基础。粮食收购的公平性事关全局,如果对农民不公平,则损伤农民种粮积极性,粮食供应就没有保障;如果对消费端不公平,人们生活成本就会大幅度上涨。
实际收购工作中,由于检测指标繁多,收储企业需要检测:水分、杂质、谷外糙米、品种互混(糯稻与籼稻,糯稻与粳稻)、出糙率、出白率、整精米率、黄粒米率、霉变率;加工企业则还需要在此基础上增加垩白率、病斑率等加工指标,而互混需要扩充至小品种互混(低端籼稻与高端籼稻互混,低端粳稻与高端粳稻互混)。这些指标的检测:
(1)一部分需要检验员操作仪器检测,但不同的检测指标需要不同的检测仪器,操作繁琐;
(2)一部分完全依赖人员感官检测,极大增加了检测的主观随意性;
(3)所有指标检测的样本均需人员手工操作,不同批次、车次、对象的样本集中在检验室,常常混错;
(4)少数使用机器视觉与神经网络对谷物轮廓或色差、纹理进行检测的方法,包括通过坐标转换或者像素要素(如灰度值、HSV/RGB值)的转换来获取特征向量的信息等手段,一方面因较大的计算量使得对算力的要求较高(如,超算)而无法投入实际生产,另一方面因检测指标单一仍需要大量的人工干预,既不能减轻劳动强度,也不能减少人为因素干扰。
综合起来,粮食定等定级的收购检测随之产生两个问题:收购检测每份样本检测时间长、效率低,以及由这一问题而导致的另一个更严重的问题是,检测结果的不确定性,定等公平性难以保证。
当前,尚无可用的谷料收购无人干预智能化全指标检测设备。
发明内容
本发明所要解决的技术问题是,针对现有技术不足,提供一种谷料收购智能检测机器人及谷料分类方法,无需人工操作检测仪即可检测谷料相关指标,提高检测结果的准确性。
为解决上述技术问题,本发明所采用的技术方案是:一种谷料收购智能检测机器人,包括:
第一容器,用于容纳原料,该第一容器底部设置有第一称重传感器;
第一筛网,与所述第一容器的出口连通;
第二筛网,与所述第一筛网的出口连通;
第二容器,与所述第二筛网的出口连通,该第二容器底部设置有第二称重传感器;
分样混样器,入口与所述第二容器出口连通,所有出口均与机器视觉检测装置连通。
本发明的智能检测机器人设置有称重传感器,可以自动完成谷料的重量检测,第一筛网和第二筛网可以筛除谷料中的杂质,机器视觉检测装置可以获取待检测谷料的测量空间,便于利用测量空间对谷料指标进行检测。
所述第一筛网、第二筛网两端分别与两根平行的竖直安装架固定连接;所述两根平行的竖直安装架底部与横杆固定连接;所述横杆与驱动装置连接。驱动装置可以驱动筛网振动,便于筛除谷料中的杂质。
为了提高筛除效率,便于筛除杂质后的谷料流入下一环节,所述第一筛网、第二筛网均相对水平面倾斜设置。
优选地,第一筛网、第二筛网与水平面的夹角均为15°~40°。
所述第二容器出口与所述分样混样器入口之间设置有透射式雷达传感器。透射式雷达可以以每秒100次的频率发射与接收雷达波,雷达波信号经转换后传入电脑,通过双参量法测出原粮水分,并对所有检测次数进行平均,其平均值即为所检测原粮样本的水分值。
所述分样混样器设置有三个出口,第一出口通过第一管道与所述机器视觉检测装置连通;第二出口、第三出口均与砻谷机进料口连通;所述砻谷机出料口与所述机器视觉检测装置连通。本发明可以同时得到三份完全相同的样本,可以对三份样本分别检测,提高检测效率(检测效率提高了四倍以上)。
所述分样混样器三个出口底部均设置有第三称重传感器,便于获取分样混样器获取的三份样本的重量。
所述砻谷机出料口与料斗连通,所述料斗底部设置有第四称重传感器,所述料斗出料口与所述机器视觉检测装置连通。
本发明还提高了一种利用上述谷料收购智能检测机器人对谷料分类的方法,该方法包括:获取机器视觉检测装置内被检测物的测量空间,将所述测量空间转换为特征空间,将所述特征空间转换为特征向量,以所述特征向量作为神经网络的输入,完成所述被检测物的模式分类。
本发明基于神经网络,可以自动检测谷料的相关指标。
本发明中,获取机器视觉检测装置内被检测物的测量空间,将所述测量空间转换为特征空间,将所述特征空间转换为特征向量的具体实现过程包括:运用角点算法,将所有被测物与背景分离,得到谷外糙米、稻谷、有机杂质、无机杂质、互混五类被单独提取出的测量空间;将每一类测量空间分割为N份,每一份包括被检测物的一段轮廓边线;对每一份建立直角坐标系,计算每个直角坐标系中轮廓边线上相邻的M个像素点的横坐标平均值与纵坐标平均值,得到多个合并后的位置点,所有位置点的坐标值即构成第一特征向量;从每个直角坐标系的测量空间中随机获取L个点,将该L个点的颜色值转换为第二特征向量;所述第一特征向量、第二特征向量构成所述特征向量。
通过上述方法,本发明解决了现有技术检测指标不全,且检测需要人工参与的问题,本发明的方法减少了人为因素干扰,可以保证检测结果的客观真实性。本发明利用M个像素点的横坐标平均值与纵坐标平均值合并得到位置点,极大地减小了计算量,提高了计算速度,便于工程实用。
为了便于计算,提高计算效率,进一步便于工程实用,本发明中,每一份测量空间均位于对应直角坐标系的第一象限内。
谷料杂质含量、出糙率、整精米率计算公式分别如下:
杂质含量(%)=[(W1-W2)/W1]*100% + z%;
cc%={ W6-[ W4(1-M%)(1-z%)+ W4*z%]} /[ W4(1-z%)*M%]*100%;
J%={[(W5-W5*z%)*cc%-(W7-W8)]*j% /(W5-W5*z%)M%}*100%;
其中,W1为第一称重传感器获取的重量值;W2为第二称重传感器获取的重量值;W3、W4、W5分别为分样混样器三个出口处样本的重量值;z%为无机杂质和有机杂质的重量百分比;M%为神经网络输出的脱壳率;cc%为出糙率;J%为整精米率;W7为砻谷机脱壳后的谷料重量;W8为碾米完成后米料重量;j%为整精米占精米的百分比。
与现有技术相比,本发明所具有的有益效果为:
1、本发明不需要检验员操作仪器检测,可以检测不同的检测指标,操作简便;
2、本发明不依赖人员感官检测,能够保证检测结果客观真实;
3、所有指标检测的样本均无需人员手工操作,不同批次、车次、对象的样本不会混错。
附图说明
图1为本发明实施例机器人结构示意图;
图2(a)~图2(e)分别对应谷外糙米、稻谷、有机杂质、无机杂质、互混五类被单独提取出来的测量空间;
图3为对测量空间进行分割示意图;
图4和图5分别为对两类不同测量空间建立直角坐标系的示意图。
具体实施方式
本发明实施例构建了一套装置,并通过对检测指标进行流程合理化,核心运用基于机器视觉的神经网络,辅以称重传感器与雷达传感,完成稻谷收购“无人干预”的全指标检测:水分、杂质、谷外糙米、品种互混、出糙率、出白率、整精米率、黄粒米率、霉变率、垩白率、病斑率。检测精准,且检测时间仅需传统检测方式的十分之一,完成全指标检测仅需约6分钟。其中,本发明将被检测物的测量空间向特征空间的转换并设计成神经网络输入向量,完成了相关指标的自动检测。
如图1所述,本发明实施例的智能检测机器人包括第一容器1(原料填装容器),第一容器1底部设置第一称重传感器2。第一容器1出料口与第一筛网3(大孔径筛网,用于去除较大杂质)一端连通,第一筛网3另一端与第二筛网5(小孔径筛网,用于去除较小杂质)一端连接,第一筛网3、第二筛网5筛出的杂质分别经第一出口4、第二出口6流出。第二筛网5另一端与第二容器7入料口连通,第二容器7(去除筛上物与筛下物,但仍含有并肩杂质的原粮装填容器;“并肩杂质”意为大小相近的杂质)底部设置第二称重传感器8。第二容器7出口与分样混样器10的入口连通,第二容器7与分样混样器10之间设置有透射式雷达传感器9。分样混样器10设置有三个出口,第一出口11通过第一管道15与机器视觉检测装置23的入料口连通;第二出口12、第三出口13均与砻谷机16的进料口连通;砻谷机16出料口与料斗22连通,料斗22底部设置有第四称重传感器,料斗出料口与机器视觉检测装置入料口连通。分样混样器三个出口底部均设置有第三称重传感器。砻谷机碾米后的康粉经康粉出口21流出。砻谷机砻谷脱壳后的谷料经第二管道18流入视觉检测装置入料口内。砻谷后的稻壳经稻壳出口17排出。分样混样器10第一出口11处还设置了余料出口,取样后的余料可以经该余料出口14排出。
第一筛网、第二筛网两端分别与两根平行的竖直安装架25固定连接;两根平行的竖直安装架底部与横杆26固定连接。所述横杆与振动电机24的输出轴连接。
第一筛网、第二筛网与水平面的夹角均为15°~40°。
所有电源开关、阀门(第一容器、第二容器出口、分样混样器出口均设置有阀门,便于调节谷料流出量)、传感器均通过CAN线连入PLC控制板,机器视觉与电脑连接,PLC控制板也与电脑连接。
本发明所采用的“微型砻谷机”与“微型碾米机”均为市场上当前实验室通用的产品,设定参数后,工作中只需要进行电源“开”与“关”两个控制动作。
本发明实施例智能检测机器人工作流程如下:
1、扦样机扦出的原粮临时存储在装填器(第一容器)中(图中1),全部扦入后,第一称重传感器称重,电脑计数为W1;
2、W1称重完成后,电脑指令PLC控制下的料斗阀门打开,原粮样本经大孔径筛面在重力与振动电机的振动下沿筛面下行,筛上物(大件杂质)经出口流出,余物继续沿“之”型筛(第一筛网和第二筛网连接形成的结构)下行,再经小孔径筛面在重力与振动下持续下行,筛下物(小件杂质)经出口流出,余物流入装填器(第二容器)中;
3、第二称重传感器对去除了筛上物与筛下物的余料称重,电脑计数为W2;
4、W2称重完成后,电脑控制下的PLC打开料斗阀门,流经透射式雷达传感器进入分样混样器(专利号ZL201720785154.5),透射式雷达以每秒100次的频率发射与接收雷达波,雷达波信号经转换后传入电脑,通过双参量法测出原粮水分,并对所有检测次数进行平均,其平均值即为所检测原粮样本的水分值;
5、从分样混样器底部的三个出口流经处分别取得三份小样本(原粮大样本与小样本分量均依照国标执行,此处小样本,国标定义为20克,三份样本是一致的),三份小样本分别标记为“小A”,“小B”,“小C”,并分别称重(第三称重传感器称重),电脑分别计为W3、W4、W5;
6、称重后,电脑通过PLC控制打开其下料阀门,此时第二出口12与第三出口13称重也同时完成,但第二出口12的下料阀门打开,第三出口13的下料阀门仍保持关闭状态;
7、第一出口11阀门打开后,小样本原粮经管道(即第一管道)进入机器视觉检测装置(专利号ZL201720785155.X),机器视觉装置与电脑连接并将获取的被检测物的测量空间(原始图像)送入电脑,电脑将测量空间进行处理转换为特征空间,进而将特征空间转换特征向量,最后将特征向量输入已完成设计的神经网络(专利号为ZL201911406271.6),对小样本中的被检测物进行模式分类。
本发明实施例中,测量空间向特征空间的转换以及特征向量的具体设计为:
以像素为单位,利用颜色突变特点,运用角点算法(本发明采用的是“角点检测算法”中的“基于灰度图像的角点检测”,对像素的灰度(即,亮度)进行逐行“扫描”,当相邻的两个像素灰度值相差达到定义的“阈值”(阈值可以设定为20)时,就可以将灰度值较小的像素点确定为被检测物的“轮廓边线”上的点),将所有被测物与背景分离,得到图2(a)~图2(e)所示的谷外糙米、稻谷、有机杂质、无机杂质、互混五类被单独提取出来的测量空间。
如图3,对每一类测量空间进行分割,本发明实施例中将测量空间分为6份,其中图3中两条横线分别大致位于谷料轮廓高度方向的1/3和2/3处,竖线大致位于谷料轮廓的中心。也即将轮廓在竖向上大致均分为3等份,在横向上均分为2等份。
如图4和图5,建立直角坐标系(特征空间),横坐标的建立方式为:将被测物的轮廓在长度方向分为三等分,由图4和图5的从上至下的划分线为x1、x2、x3;纵坐标的建立方式为,沿被测物轮廓的宽度方向二等分,分割线的位置即为y2的位置;先确定被测物轮廓宽度方向最左边的一个点,通过这个点作一条纵向的垂直线,即为y1的位置。一共建立了6个直角坐标系。
对每个直角坐标系,将该直角坐标系中轮廓边线上相邻的每5个像素合并(即取横坐标平均值和纵坐标平均值)为一个位置点,然后将合并后的位置点在该直角坐标中标记坐标,记为[a,b](所有合并后的坐标点相连时,会成为一条曲线,这些曲线的特征直接反映被检测物的特征:稻谷、糙米、有机杂、石块以及不同种类的稻谷等,有机杂与石块的边线轮廓特征有时相似,但其颜色特征值易于区分)。
将每个坐标点的坐标值作为神经网络的第一输入向量,并对每个坐标点的来源进行标记,来源于坐标x1y1的标记为11,来源于坐标x1y2的标记为12,以此类推。
从每个直角坐标系中,随机抽取五个点,计其颜色值(对应的H、S、V),并将之H、S、V作为第二输入向量。
每一个向量分别对应神经网络输入层的一个神经元,将第一输入向量和第二输入向量输入神经网络;
神经网络完成分类:谷外糙米,有机杂质,石块(无机杂质),稻谷(主品种),互混(混品种),霉变粒,运用物质密度的差异和大数据统计规律,得到各类指标(质量百分比)。
其中,直接获得检测结果的是:谷外糙米百分比,霉变粒百分比,并肩杂质百分比(无机杂质+有机杂质)z%,品种互混百分比。
综合筛上物+筛下物与并肩杂质,得到样本所有杂质百分比:
杂质含量(%)=[(W1-W2)/W1 ]*100% + z%
“小A”完成检测的过程中,“小B”经过砻谷机脱壳;“小A”完成检测后,“小B”完成砻谷并去壳后经第三称重传感器称重,计为W6,称重后,电脑通过PLC打开其料斗阀门,样本经管道(第二管道)进入机器视觉检测装置进行检测(与“小A”同),检测分类包括:稻谷(一次砻谷时不能全部脱壳)(传统人工操作检测时,手工将未完成脱壳的样本挑拣出来;而在工厂车间的生产中,工艺中设计了不脱壳稻谷的“回砻谷”工序或流程),糙米,杂质,碎糙米,通过大数据统计得到脱壳率M%,计算样本的出糙率cc%:
出糙率(%)cc%=
{ W6-[ W4(1-M%)(1-z%)+ W4*z%]} /[ W4(1-z%)*M%]*100%。
出糙率cc%的推导过程如下:
出糙率=W糙米/W稻谷*100%
W6是含有并肩杂质的稻谷小样本“小B”砻谷后并去除稻壳后的称重,其中成分有:完成了脱壳的糙米,没有脱壳的稻谷(砻谷机不能使稻谷100%脱壳),并肩杂质,因此,算式中的W糙米需要在W6基础上扣除其中的并肩杂质(z%*W4),还需扣除没有完成脱壳的部分[W4(1-M%)(1-z%)](式中的M%是经机器视觉检测的脱壳率,z%是“小A”经机器视觉检测出的并肩杂质含量),则W糙米为:
W6-[ W4(1-M%)(1-z%)+ W4*z%]
同理,W稻谷需要扣除并肩杂质与没有完成脱壳的部分,则W稻谷为:
W4-[ W4(1-M%)(1-z%)+ W4*z%]简化为 W4(1-z%)*M%
所以,出糙率cc%=
{ W6-[ W4(1-M%)(1-z%)+ W4*z%]} /[ W4(1-z%)*M%]*100%
“小B”样本完成砻谷称重并进入机器视觉检测装置后,“小C”样本阀门在电脑控制下打开,物料流入砻谷机脱壳,完成脱壳后称重,计为W7,称重完成后,电脑控制打开料斗阀门,物料进入碾米机碾去糙米皮层,碾米完成后称重,计为W8;完成称重后电脑控制下打开料斗阀门,碾米完成后的物料进入机器视觉装置进行检测:整精米,碎米,杂质,稻谷,垩白米,病斑米,黄粒米,通过大数据方式统计样本中整精米占精米的百分比j%(去除样本中杂质、稻谷),计算样本的整精米率J%:
整精米率(%)J%=
{[(W5-W5*z%)*cc%-(W7-W8)]*j% /(W5-W5*z%)M%}*100%。
整精米率J%的推导过程如下:
整精米率J%=W整精米/W稻谷*100%
其中W整精米是W5去除并肩杂质(W5*z%)部分完成了脱壳的糙米[(W5-W5*z%)*cc%]经碾米机碾磨后的整精米(国标定义,长度大于完整颗粒长度的3/4为整精米,小于3/4为碎米),那么:
W5经砻谷后的糙米量为:W5扣除并肩杂质(W5*z%)后完成脱壳后的糙米,即:(W5-W5*z%)*cc%
这些糙米经碾米机碾磨,减少的部分(即:碾减)为:
(W7-W8)
糙米经过碾米后,即为“精米”(国标与行业定义),这些“精米”量则为:
(W5-W5*z%)*cc%-(W7-W8)
这些“精米”中,有一部分是碎米,其中的整精米含量经机器视觉检测确定为j%,所以,W5经砻谷和碾米后,整精米的量为:
[(W5-W5*z%)*cc%-(W7-W8)]*j%
而W稻谷为W5扣除并肩杂质与没有脱壳的部分,则W稻谷为
W5-W5*z%-(W5-W5*z%)(1-M%)简化为(W5-W5*z%)M%
因此,整精米率J%为
{[(W5-W5*z%)*cc%-(W7-W8)]*j% /(W5-W5*z%)M%}*100%
电脑将所有检测数据存入数据库并列表。
本发明中,相同的原粮,相同的砻谷机,相同的参数设置,脱壳率相同,得糙率相同。
Claims (11)
1.一种谷料收购智能检测机器人,其特征在于,包括:
第一容器,用于容纳原料,该第一容器底部设置有第一称重传感器;
第一筛网,与所述第一容器的出口连通;
第二筛网,与所述第一筛网的出口连通;
第二容器,与所述第二筛网的出口连通,该第二容器底部设置有第二称重传感器;
分样混样器,入口与所述第二容器的出口连通,所有出口均与机器视觉检测装置连通;
获取机器视觉检测装置内被检测物的测量空间,将所述测量空间转换为特征空间,将所述特征空间转换为特征向量,以所述特征向量作为神经网络的输入,完成所述被检测物的模式分类;获取机器视觉检测装置内被检测物的测量空间,将所述测量空间转换为特征空间,将所述特征空间转换为特征向量的具体实现过程包括:运用角点算法,将所有被测物与背景分离,得到谷外糙米、稻谷、有机杂质、无机杂质、互混五类被单独提取出的测量空间;将每一类测量空间分割为N份,每一份包括被检测物的一段轮廓边线;对每一份建立直角坐标系,计算每个直角坐标系中轮廓边线上相邻的M个像素点的横坐标平均值与纵坐标平均值,得到多个合并后的位置点,所有位置点的坐标值即构成第一特征向量;从每个直角坐标系的测量空间中随机获取L个点,将该L个点的颜色值转换为第二特征向量;所述第一特征向量、第二特征向量构成所述特征向量。
2.根据权利要求1所述的谷料收购智能检测机器人,其特征在于,所述第一筛网、第二筛网两端分别与两根平行的竖直安装架固定连接;所述两根平行的竖直安装架底部与横杆固定连接;所述横杆与驱动装置连接。
3.根据权利要求1所述的谷料收购智能检测机器人,其特征在于,所述第一筛网、第二筛网均相对水平面倾斜设置。
4.根据权利要求3所述的谷料收购智能检测机器人,其特征在于,第一筛网、第二筛网与水平面的夹角均为15°~40°。
5.根据权利要求1所述的谷料收购智能检测机器人,其特征在于,所述第二容器出口与所述分样混样器入口之间设置有透射式雷达传感器。
6.根据权利要求1所述的谷料收购智能检测机器人,其特征在于,所述分样混样器设置有三个出口,第一出口通过第一管道与所述机器视觉检测装置连通;第二出口、第三出口均与砻谷机进料口连通;所述砻谷机的出料口与所述机器视觉检测装置连通。
7.根据权利要求6所述的谷料收购智能检测机器人,其特征在于,所述分样混样器三个出口底部均设置有第三称重传感器。
8.根据权利要求6所述的谷料收购智能检测机器人,其特征在于,所述砻谷机出料口与料斗连通,所述料斗底部设置有第四称重传感器,所述料斗出料口与所述机器视觉检测装置连通。
9.一种利用权利要求1~8之一所述谷料收购智能检测机器人对谷料分类的方法,其特征在于,该方法包括:获取机器视觉检测装置内被检测物的测量空间,将所述测量空间转换为特征空间,将所述特征空间转换为特征向量,以所述特征向量作为神经网络的输入,完成所述被检测物的模式分类;获取机器视觉检测装置内被检测物的测量空间,将所述测量空间转换为特征空间,将所述特征空间转换为特征向量的具体实现过程包括:运用角点算法,将所有被测物与背景分离,得到谷外糙米、稻谷、有机杂质、无机杂质、互混五类被单独提取出的测量空间;将每一类测量空间分割为N份,每一份包括被检测物的一段轮廓边线;对每一份建立直角坐标系,计算每个直角坐标系中轮廓边线上相邻的M个像素点的横坐标平均值与纵坐标平均值,得到多个合并后的位置点,所有位置点的坐标值即构成第一特征向量;从每个直角坐标系的测量空间中随机获取L个点,将该L个点的颜色值转换为第二特征向量;所述第一特征向量、第二特征向量构成所述特征向量。
10.根据权利要求9所述的方法,其特征在于,每一份测量空间均位于对应直角坐标系的第一象限内。
11.根据权利要求9所述的方法,其特征在于,谷料杂质含量、出糙率、整精米率计算公式分别如下:
杂质含量(%)=[(W1-W2)/W1]*100% + z%;
cc%={ W6-[ W4(1-M%)(1-z%)+ W4*z%]} /[ W4(1-z%)*M%]*100%;
J%={[(W5-W5*z%)*cc%-(W7-W8)]*j% /(W5-W5*z%)M%}*100%;
其中,W1为第一称重传感器获取的重量值;W2为第二称重传感器获取的重量值;W3、W4、W5分别为分样混样器三个出口处样本的重量值;z%为无机杂质和有机杂质的重量百分比;M%为神经网络输出的脱壳率;cc%为出糙率;J%为整精米率;W7为砻谷机脱壳后的谷料重量;W8为碾米完成后米料重量;j%为整精米占精米的百分比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110822360.XA CN113426709B (zh) | 2021-07-21 | 2021-07-21 | 谷料收购智能检测机器人及谷料分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110822360.XA CN113426709B (zh) | 2021-07-21 | 2021-07-21 | 谷料收购智能检测机器人及谷料分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113426709A CN113426709A (zh) | 2021-09-24 |
CN113426709B true CN113426709B (zh) | 2023-04-25 |
Family
ID=77761211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110822360.XA Active CN113426709B (zh) | 2021-07-21 | 2021-07-21 | 谷料收购智能检测机器人及谷料分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113426709B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115684510B (zh) * | 2023-01-04 | 2023-04-07 | 中储粮成都储藏研究院有限公司 | 一种粮食智能扦样检验方法 |
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 |
CN117589633B (zh) * | 2024-01-19 | 2024-04-16 | 中储粮成都储藏研究院有限公司 | 一种粮食杂质检测装置及方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2725887Y (zh) * | 2004-09-08 | 2005-09-14 | 四川新曙光信息产业有限公司 | 稻谷品质综合检测仪 |
CN202442776U (zh) * | 2011-12-22 | 2012-09-19 | 北京东孚久恒仪器技术有限公司 | 粮油原料出率自动计算装置 |
CN105092407A (zh) * | 2015-08-05 | 2015-11-25 | 广东省粮食科学研究所 | 一种稻谷出糙率和整精米率连续测定方法 |
CN105954140A (zh) * | 2016-05-06 | 2016-09-21 | 安徽贝通智能科技有限公司 | 一种稻谷出米率自动测定方法 |
KR102305474B1 (ko) * | 2016-12-22 | 2021-09-27 | 최보규 | 도정 수율이 우수한 곡물 탈피방법 및 그 탈피장치 |
CN108680456A (zh) * | 2018-06-19 | 2018-10-19 | 北京天凯华尊科技有限公司 | 原粮智能检测系统 |
CN110348461A (zh) * | 2019-07-05 | 2019-10-18 | 江苏海事职业技术学院 | 一种工件表面缺陷特征提取方法 |
CN110186924B (zh) * | 2019-07-24 | 2019-11-05 | 长沙荣业智能制造有限公司 | 一种大米品种智能检测方法、系统及装置 |
CN110782025B (zh) * | 2019-12-31 | 2020-04-14 | 长沙荣业智能制造有限公司 | 一种稻米加工在线工艺检测方法 |
CN212722652U (zh) * | 2020-07-20 | 2021-03-16 | 山东金钟科技集团股份有限公司 | 粮食快检系统 |
-
2021
- 2021-07-21 CN CN202110822360.XA patent/CN113426709B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113426709A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113426709B (zh) | 谷料收购智能检测机器人及谷料分类方法 | |
Marshall et al. | Effects of grain shape and size on milling yields in wheat. II. Experimental studies | |
Hrušková et al. | Wheat hardness in relation to other quality factors | |
Osborne et al. | Single‐kernel characterization principles and applications | |
Gunasekaran et al. | Evaluating quality factors of corn and soybeans using a computer vision system | |
Kill et al. | Pasta and semolina technology | |
Catterall | Flour milling | |
Zhang et al. | Milling quality and white salt noodle color of Chinese winter wheat cultivars | |
Cauvain et al. | The ICC handbook of cereals, flour, dough & product testing: methods and applications | |
CN108133328A (zh) | 大米食用品质的评价方法及其在马铃薯工程米上的应用 | |
Campbell et al. | Milling and flour quality | |
Edney et al. | Pearling quality of Canadian barley varieties and their potential use as rice extenders | |
CN109100350B (zh) | 一种面粉麸星检测方法 | |
Nielsen | Evaluation of malting barley quality using exploratory data analysis. II. The use of kernel hardness and image analysis as screening methods | |
RUZIYEV et al. | Grain quality indicators and their phenotypic variability of ancient varieties of Triticum aestivum in the mountains of Uzbekistan | |
Hehn et al. | Breeding wheat for quality | |
Khatib et al. | Physicochemical characteristics of soft tofu formulated from selected soybean varieties 1 | |
Venkatesan et al. | Characterization of barnyard millet cultivars using seed image analysis | |
Baker et al. | Segregating hard red winter wheat into dough factor groups using single kernel measurements and whole grain protein analysis | |
Liu et al. | Classifying paddy rice by morphological and color features using machine vision | |
Cato et al. | Wheat quality: wheat breeding and quality testing in Australia | |
Symons et al. | Relationship of flour aleurone fluorescence to flour refinement for some Canadian hard common wheat classes | |
CN107243461A (zh) | 一种自动分级装置 | |
Bushuk et al. | Wheat and wheat flours | |
CN109142164A (zh) | 一种胚芽米加工质量检测方法 |
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 |