CN113820325B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113820325B CN113820325B CN202111067379.4A CN202111067379A CN113820325B CN 113820325 B CN113820325 B CN 113820325B CN 202111067379 A CN202111067379 A CN 202111067379A CN 113820325 B CN113820325 B CN 113820325B
- Authority
- CN
- China
- Prior art keywords
- corn
- kernels
- image
- grains
- breakage rate
- 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
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/85—Investigating moving fluids or granular solids
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/8914—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the material examined
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
- G01N2021/0106—General arrangement of respective parts
- G01N2021/0112—Apparatus in one mechanical, optical or electronic block
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/845—Objects on a conveyor
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/85—Investigating moving fluids or granular solids
- G01N2021/8592—Grain or other flowing solid samples
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N2021/8909—Scan signal processing specially adapted for inspection of running sheets
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Textile Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开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,检测箱内顶部两侧分别设置外槽轮排料机构和工业相机,检测箱内底部设有输送机构;工业相机数据连接于工控机,工控机中设有图像采集模块和图像处理模块;通过外槽轮排料机构、第一挡板和第一滑板和第一挡板调整,将玉米籽粒单层平铺于输送机构上,输送机构籽粒输送至工业相机下方的采集区域进行连续采样;图像处理模块对采集的籽粒样本图像进行处理,获取籽粒样本图像的对应特征数据,分析所得特征数据并分类和识别玉米籽粒中杂质和破碎籽粒,得到最终的含杂率和破碎率。本发明实现玉米籽粒的单层离散铺设,防止堆叠、识别度高、识别速度快。
Description
技术领域
本发明属于农业检测技术领域,具体涉及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。
背景技术
我国玉米作物的种植面积较大,产量占比粮食总量较多,目前主要采用玉米籽粒直收方式,其中,玉米籽粒直收含杂率和破碎率是反映玉米联合收获机作业质量的关键指标,而现有玉米籽粒含杂和破碎检测装置因结构和图像识别算法原因影响着玉米籽粒识别的效率,且研究多是对静态玉米籽粒进行质量评价,从静态到动态玉米检测面临着玉米籽粒检测环境变化、图像采集困难、图像处理复杂等难题。
例如,专利CN202010818460.0公开一种基于图像处理的玉米籽粒破碎率在线检测装置与检测办法,该专利申请中玉米籽粒的平铺装置为三个单层化挡板及多个同步带轮组成,其结构较为复杂。图像采集区域较为小,且采用漏网结构通过籽粒使得样本疏散,并且单次采集的玉米籽粒图片获取的样本量较少,且卷积神经网络对于硬件的处理性能要求较高,也只是针对玉米籽粒的破碎情况进行识别,无法实现对杂质在线识别检测。
专利CN 201810034506.2公开一种联合收获机粮箱籽粒含杂率与破碎率实时监测装置和方法,利用样本抽取机构对谷物样本进行抽样,并延时20s进行图像采集,其间歇性采集的样本缺乏代表性,同时整个采样过程耗时较长,并且其采集区域谷物籽粒堆叠严重,对于像玉米籽粒这种颗粒较大且形状不规整的籽粒,堆叠严重影响籽粒的识别,不适用于玉米籽粒的含杂和破碎检测。
专利202010714256.4中公开一种粮箱内带式谷物破碎率和含杂率检测装置,主要是在粮箱内谷物的含杂和破碎检测,对于谷物籽粒收获的在线检测应用较为困难;并且通过单一的输送带机构实现谷物籽粒的采样,籽粒的堆叠问题未考虑以及籽粒喂入量无法控制,即应用于玉米籽粒的识别较为困难,其次利用卷积神经网络实现谷物中破碎籽粒和杂质的识别对硬件要求较高,识别效率较低。
由于现有玉米籽粒直收装备缺乏对收获玉米的含杂率和破碎率的信息反馈机制,实际作业过程机具不能根据作业条件实时选择合适的脱粒清选系统工作参数,只能依据人工经验间断调整,导致籽粒破碎和含杂等较高。同时,现有玉米籽粒在线检测装置存在结构复杂,机器识别算法对硬件要求高以及采样不连续等问题。
简言之,现有机具很是缺乏含杂率和破碎率等实时在线检测装置设计与研究,导致现有机具不能根据收获作业质量对工作参数进行实时调整,其对于玉米联合收割机的智能化发展产生重要影响。
发明内容
发明目的:本发明的目的在于解决现有技术中存在的不足,提供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,基于单层采样装置和机器视觉技术进行玉米籽粒识别,外槽轮与可调节挡板结构对玉米籽粒单层化铺设效果,及玉米籽粒破碎及杂质的逐步分类识别办法。
技术方案:本发明的一种玉米籽粒直收含杂率和破碎率在线检测系统,包括检测箱,检测箱内顶部一侧设有外槽轮排料机构,检测箱内顶部另一侧安装有工业相机,检测箱内底部设有输送机构;工业相机数据连接于工控机,工控机中设有图像采集模块和图像处理模块;所述外槽轮排料机构与工业相机之间竖直设置于可上下调节的第一挡板,第一挡板上连接有角度可调节的第一滑板,第一滑板位于外槽轮排料机构排料口下方,玉米籽粒经外槽轮排料机构排出后,通过第一滑板和第一挡板调整以单层平铺于输送机构上,输送机构将平铺的籽粒输送至工业相机下方进行连续采样;所述图像采集模块控制工业相机拍照采集籽粒样本图像,图像处理模块对采集的籽粒样本图像进行处理,获取籽粒样本图像的对应特征数据,分析所得特征数据并分类和识别玉米籽粒中杂质和破碎籽粒,最终计算得到玉米籽粒直收中的含杂率和破碎率。进一步地,所述外槽轮排料机构包括外壳和外槽轮,该外壳固定于检测箱内顶部一侧,外槽轮通过卡环与六角销一端固连,六角销的另一端通过与步进电机电机轴直连以传输动力,步进电机通过固定板安装于检测箱外壁,步进电机驱动外槽轮;所述检测箱侧壁上设有第二滑板,所述第二滑板位于外槽轮排料机构的下方且输送机构的上方,第二滑板与与同步带之间预留相应间隙,通过第二滑板来防止玉米籽粒掉落遗漏和通过对籽粒起到缓冲作用(为防磨损)。
进一步地,所述第一挡板上开设有长圆孔,通过长圆孔与对应螺栓配合实现第一挡板上下移动调节,同时保证了整个装置的刚性连接。
从外槽轮排料机构中落下的玉米籽粒经过第一滑板和第一挡板的缓冲后,均匀离散地铺设在输送机构上,该过程中通过第二滑板来防止玉米籽籽粒从另一侧掉入输送机构造成堵塞,第二滑板和第一滑板一左一右共同防止玉米籽粒掉入同步带下方。同时,第一滑板还能防止玉米籽粒直接坠落堆积在第一挡板的缝隙中,预防籽粒堆叠和堵塞缝隙口影响上下调节,通过调节第一挡板来控制间隙大小,进而使得玉米籽粒单层过滤铺设,防止籽粒堆叠。
进一步地,所述输送机构包括轴承座、同步轮、减速器和带轮电机;
两个轴承座分别安装于检测箱内底部,轴承座分别通过轴承连接有对应同步轮,两个同步轮之间设置同步带;所述带轮电机通过安装固定于检测箱外壁,减速器与带轮电机连接,减速器的输出轴与同步轮的带轮轴直连。
进一步地,所述图像采集和处理模块中工业相机通过固定壳安装于检测箱,图像采集和处理模块还包括LED灯带,LED灯带通过固定壁设置于靠近工业相机的检测箱内壁;所述工业相机通过数据传输线连接于工控机,工控机上连接有显示器。.
进一步地,所述工控机中还包括串口传输模块、界面显示模块和数据存储模块,所述工控机中还包括串口传输模块、界面显示模块和数据存储模块;通过串口传输模块将图像处理模块所得数据以及图像处理模块所得的最终数据显示于界面显示模块以及传输至数据存储模块,以实现最后的结果的显示和存储功能。
进一步地,所述检测箱侧壁上还分别设有两个对称布置的边界挡板,边界挡板位于输送机构上方且与同步带宽度边界相适配,每个边界挡板均呈L型;即在检测箱的一对侧壁上分别设置一个L型边界挡板;通过这两个L型边界挡板防止采集的玉米籽粒落入同步带内及底部,使同步带能正常可靠工作。
本发明还公开一种玉米籽粒直收含杂率和破碎率在线检测系统的检测方法,包括以下步骤:
(1)调整并匹配外槽轮机构转速和输送机构转速,使得玉米籽粒单层离散平铺,并输送到工业相机下方的图像采集区域;
其中,外槽轮轮机构控制玉米籽粒的进入量,第一挡板和第一滑板使得玉米籽粒单层离散地铺设于输送机构;
(2)通过工业相机、LED灯带和工控机对进入采集区域的玉米籽粒进行连续图像采集,为避免拍摄照片的重叠性,其中工业相机的拍摄周期T大于t,t=L/(w2*r),T=1/f,f为相机帧率,L为拍摄视野边界长度;r为同步轮的半径,w2为同步轮的转速;此处为尽可能采集更多信息,拍摄视野边界长度L接近同步带宽度;
(3)对采集的玉米籽粒图像进行增强处理、图像灰度化处理以及中值滤波处理,然后利用经过优化的两次叠加分水岭分割对图像进行精准分割;
(4)提取步骤(3)处理后的图像特征参数,并对提取到的图像特征参数进行判别分析优化,筛选出区分性较大的特征参数;
(5)统计分析玉米籽粒及杂质之间的相应特征参数数据的变化范围,然后选择区分明显的特征参数并设定其合理特征阈值来区分籽粒和杂质,即:获得杂质和籽粒间一阶不变矩特征值和R-B值最为明显,其中边界像素点和长径比值存在差异;此处相应特征数据包括一阶不变矩、R均值、H均值及标准差、R-B值、熵值边界像素点值和长径比值;
本步骤中通过对玉米籽粒及杂质的各个特征参数值变化范围随着采集图像的分辨率、曝光度等变化,而图像采集需要在同样的相机参数条件下进行;
(6)利用GA-BP神经网络对提取的玉米籽粒特征数据以6:4的样本量进行训练和测试,利用测试结果判断神经网络参数的优劣,再利用训练好的GA-BP神经网络对籽粒的完整性进行区分最终实现杂质、破碎玉米籽粒和完整籽粒的快速识别;
(7)拍摄获取一定数量的其他种类物质样本图片,并对相应图片进行处理并提取对象的面积特征数据,统计玉米籽粒不同面积S及对应的质量M,建立完整玉米籽粒、破碎籽粒、杂质各自的面积与质量的回归模型M=G(S);
此处其他种类物质样本图片包括单一完整玉米籽粒图片、单一破碎玉米籽粒图片和电仪杂质图片,此处每一类图片采集的对象数量随着图片量逐步递增,质量也随即递增,对其分别统计面积和质量,并建立回归模型关系;且对其他种类物质样本图片的图像处理过程与上述步骤(3)至(4)一致;
统计计算经过上述步骤识别出的完整玉米籽粒、破碎籽粒、杂质各自的总面积,利用回归模型M=G(S)推算出各自对应的质量,并计算各自质量占比总质量的值,统计玉米籽粒直收中含杂率和破碎率。
进一步地,所述步骤(1)中设定外槽轮机构的转速w1,然后依次从0.2r/s到2r/s进行间隔0.2r/s增速的调速,统计出口处玉米籽粒每秒总个数N;
设定同步带的宽幅为d,带轮转速为w2、带轮半径为r,则同步带每秒最大输送面积为S输送=w2*r*d;统计单个玉米籽粒平面铺设面积si,计算其平均值对于同步带的每秒运输量即表示为N1=S输送/s1;通过匹配外槽轮机构转速和同步轮转速,使得N1>N,即玉米籽粒离散平铺。
其中当N1刚刚大于N时,玉米籽粒不会过度堆叠,当N1明显大于N时,玉米籽粒将呈现离散铺设状态。
进一步地,所述步骤(6)中GA-BP神经网络的训练模型基于BpLM算法,共设置4层,分别为输入层、第一层隐层、第二层隐层和输出层,第一层隐层神经元个数设为10个,第二层隐层神经元个数设为2个,结果输出为2个变量,第一变量为1则被判为完整籽粒,第二变量为1则被判为破碎籽粒;利用遗传算法对BP神经网络的权值和阈值进行寻优求解,试验设定遗传算法的初始化种群50个,遗传迭代次数为100次。
有益效果:与现有技术相比,本发明具有以下优点:
(1)本发明能够对玉米籽粒进行连续采样,再加上外槽轮机构能够控制玉米籽粒的喂入量、以及第一挡板等结构对玉米籽粒平铺处理,使得整个玉米籽粒可以单层离散(却又不会太疏散)地均匀铺设,进而采样样本更加便于后续图像处理;
(2)本发明能够对定量的玉米籽粒样本进行完全采样,降低后续对玉米籽粒的图像采集和处理的难度,提高了含杂率和破碎率检测精度;
(3)本发明对玉米籽粒先进行基于特征组合阈值的杂质和籽粒的划分,再基于GA-BP神经网络对破碎籽粒和完整籽粒进行分类识别,降低识别复杂度和硬件的要求,同时缩短图像识别的时间。
(4)本发明通过输送机构将玉米籽粒输送到图像采集区域下方,进行连续采样,相对对于现有的间歇性采样,本发明采集的样本量更具有代表性。
附图说明
图1为本发明的整体结构示意图;
图2为本发明中电机安装示意图;
图3为本发明的挡板结构示意图;
图4为本发明中输送结构示意图;
图5为本发明中图像采集区域示意图;
图6为本发明中在线检测流程示意图;
图7为实施例中采集玉米籽粒图像以及处理图像示意图;
图8为图7中玉米籽粒在其他中环境下图像特征提取识别示意图;
图9为实施例中BP神经网络示意图;
其中,图7(a)是指玉米籽粒原图像,图7(b)是指玉米籽粒灰度图,图7(c)是指第一次分水岭分割图,图7(d)是指二次分水岭分割图,图7(e)是指边界抑制后示意图;
图8(a)是指玉米籽粒原图像,图8(b)是指分割后的二值图,图8(c)是指杂质识别图。
具体实施方式
下面对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
实施例1:
如图1至图3所示,本实施例的一种玉米籽粒直收含杂率和破碎率在线检测系统,包括检测箱2,检测箱2内顶部一侧设有外槽轮排料机构,检测箱2内顶部另一侧安装有工业相机,检测箱2内底部设有输送机构;工业相机数据连接于工控机,工控机中设有图像采集模块和图像处理模块;外槽轮排料机构与工业相机之间竖直设置于可上下调节的第一挡板20,第一挡板20上连接有角度可调节的第一滑板9,第一滑板9位于外槽轮排料机构排料口下方,玉米籽粒经外槽轮排料机构排出后,通过第一滑板9和第一挡板20调整以单层平铺于输送机构上,输送机构将平铺的籽粒输送至工业相机下方进行连续采样;图像采集模块控制工业相机拍照采集籽粒样本图像,图像处理模块对采集的籽粒样本图像进行处理,获取籽粒样本图像的对应特征数据,分析所得特征数据并分类和识别玉米籽粒中杂质和破碎籽粒,最终计算得到玉米籽粒直收中的含杂率和破碎率。
本实施例中,外槽轮排料机构包括外壳10和外槽轮13,该外壳10固定于检测箱2内顶部一侧,外槽轮13通过卡环12与六角销11一端固连,六角销11的另一端通过与步进电机17电机轴直连以传输动力,步进电机17通过固定板18安装于检测箱2外壁,步进电机17驱动外槽轮;检测箱2内外槽轮排料机构下方设有第二滑板19。玉米籽粒从外槽轮13顶部进入,落下时通过第一滑板9和第一挡板20的配合使得玉米籽粒能够均匀离散铺设在第二滑板19上,然后由输送机构传送,实现连续采样。
上述实施例中的第一挡板20上开设有长圆孔,通过长圆孔和螺栓的配合以及上下移动,使得第一挡板20可以上下长度调节,同时调整第一滑板9的角度,进而实现控制玉米籽粒的铺设状态。
本实施例中,输送机构包括轴承8座、同步轮5、减速器15和带轮电机16;两个轴承8座分别安装于检测箱2内底部,轴承8座分别通过轴承8连接有对应同步轮5,两个同步轮5之间设置同步带4;带轮电机16通过安装板14固定于检测箱2外壁,减速器与带轮电机16连接,减速器15的输出轴与同步轮5的带轮轴7直连。通过带轮电机16和减速器15的配合来调整输送机构的输送玉米籽粒速度。
本实施例中,图像采集和处理模块中工业相机通过固定壳1安装于检测箱2,图像采集和处理模块还包括LED灯带和显示器,LED灯带通过固定壁3设置于靠近工业相机的检测箱2内壁;所述工业相机通过数据传输线连接于工控机,通过LED灯带来给工业相机补充照明,提高图像质量。
本实施例,工控机中还包括串口传输模块、界面显示模块和数据存储模块。其中,图像采集模块对玉米籽粒进行图像采集,再经过图像处理模块进行图像增强及图像分割,实现玉米籽粒的特征提取,分析特征数据并最终实现玉米籽粒中杂质和破碎籽粒的分类识别,计算玉米籽粒直收中的含杂率和破碎率,通过串口传输模块将最终数据显示于界面显示模块以及传输至数据存储模块,以实现最后的结果的显示和存储功能。
本实施例中,检测箱2的一组侧壁上分别设有一个边界挡板6,边界挡板6位于输送机构上方且与同步带4宽度边界相适配,且边界挡板6均呈L型;通过这两个L型边界挡板6防止采集的玉米籽粒落入同步带4内及底部,使同步带4能正常可靠工作。
实施例2:本实施例的中检测系统结构与实施例1相同。
如图4所示,本实施本实施例的玉米籽粒直收含杂率和破碎率在线检测系统的检测方法,包括以下步骤:
(1)调整并匹配外槽轮机构转速和输送机构转速,使得玉米籽粒单层离散平铺,并输送到工业相机下方的图像采集区域;其中,外槽轮轮机构控制玉米籽粒的进入量,第一挡板20和第一滑板9使得玉米籽粒单层离散地铺设于输送机构;即采集的玉米籽粒撞击第一滑板9与第二滑板19,实现缓冲,并顺着第一滑板9与第二滑板19依次滑入同步带4,经过第一挡板20上下调节来实现挡板间隙的控制,使得过筛堆叠的籽粒实现单层离散化;
设定外槽轮机构的转速w1,然后依次从0.2r/s到2r/s进行间隔0.2r/s增速的调速,统计出口处玉米籽粒每秒总个数N;设定同步带的宽幅为d,带轮转速为w2、带轮半径为r,则同步带每秒最大输送面积为S输送=w2*r*d;统计单个玉米籽粒平面铺设面积si,计算其平均值对于同步带的每秒运输量即表示为N1=S输送/s1;通过匹配外槽轮机构转速和同步轮转速,使得N1>N,即玉米籽粒离散平铺。
其中当N1刚刚大于N时,玉米籽粒不会过度堆叠,当N1明显大于N时,玉米籽粒将呈现离散铺设状态。
(2)通过工业相机、LED灯带(作为光源)和工控机对进入采集区域的玉米籽粒进行连续图像采集,为避免拍摄照片的重叠性,其中工业相机的拍摄周期T大于t,t=L/(w2*r),T=1/f,f为相机帧率,L为拍摄视野边界长度;r为同步轮5的半径,w2为同步轮5的转速,如图4和图5所示;
(3)如图7所示,对采集的玉米籽粒图像进行增强处理、图像灰度化处理以及中值滤波处理,然后利用经过优化的两次叠加分水岭分割对图像进行精准分割。
上述过程中通过对灰度图进行图像重构使得玉米籽粒能够精准的成为标记对象,再利用图像的梯度幅值作为分割函数,通过施加最小值法来修正梯度幅值图像,使得只在标记的对象和背景上出现最小值,再基于分水岭分割法对仍粘连的玉米籽粒,进行分割,通过对原图片进行R+G颜色灰度处理,再通过构建灰度梯度并标记背景进行分水岭分割,可实现高准确度的分割效果。
(4)提取步骤(3)处理后的图像特征参数,并对提取到的图像特征参数进行判别分析优化,筛选出区分性较大的特征参数。
例如,本实施例通过对图像的形状、颜色和纹理的27个特征进行提取,特征提取后,并对其进行判别分析优化,选择区分性较大的玉米籽粒特征参数,最终获得13个特征参数。
本实施例中,此处27个特征分别是指籽粒面积、像素点数、周长、椭圆长轴、椭圆短轴、R均值、G均值、B均值、R标准差、G标准差、B标准差、H均值、S均值、I均值、H标准差、S标准差、I标准差、灰度均值、灰度标准差、熵、不变矩1至不变矩7;最后优化所得13个特征包含椭圆长轴、椭圆短轴、R均值、B均值、R标准差、S均值、H标准差、S标准差、灰度均值、灰度标准差、熵、不变矩1、不变矩5;
(5)如图8所示,统计分析玉米籽粒及杂质之间的各特征数据的变化范围,设定合理的特征阈值区分籽粒和杂质,即:获得杂质和籽粒间一阶不变矩特征值和R-B值最为明显,其中边界像素点和长径比值存在差异;
(6)如图9所示,利用GA-BP神经网络对提取的玉米籽粒特征数据以6:4的样本量进行训练和测试,利用测试结果判断神经网络参数的优劣,再利用训练好的GA-BP神经网络对籽粒的完整性进行区分最终实现杂质、破碎玉米籽粒和完整籽粒的快速识别;
其中,GA-BP神经网络的训练模型基于BpLM算法,共设置4层,分别为输入层、第一层隐层、第二层隐层和输出层,第一层隐层神经元个数设为10个,第二层隐层神经元个数设为2个,结果输出为2个变量,第一变量为1则被判为完整籽粒,第二变量为1则被判为破碎籽粒;利用遗传算法对BP神经网络的权值和阈值进行寻优求解,试验设定遗传算法的初始化种群50个,遗传迭代次数为100次。
通过分析对比Bp神经网络和Gabp神经网络在特征指标优化前后的识别效果可知,本发明使用经过遗传优化的bp神经网络在优化特征组合下的识别效率和稳定性最好。
(7)拍摄获取一定数量的各类物质图片,并对图片进行处理并提取对象的面积特征数据,统计玉米籽粒不同面积S及对应的质量M,建立完整玉米籽粒、破碎籽粒、杂质各自的面积与质量的回归模型M=G(S);
统计计算经过上述步骤识别出的完整玉米籽粒、破碎籽粒、杂质各自的总面积,利用回归模型M=G(S)推算出各自对应的质量,并计算各自质量占比总质量的值,统计玉米籽粒直收中含杂率和破碎率。
为提高检测精度,本实施例中所采集的玉米籽粒图片均满足120mm*120mm,至少采集4-5张玉米籽粒样本图像。
表1玉米籽粒识别结果评价表
如表1所示,本实施例的中玉米籽粒识别结果对各类物质进行逐步区分,分步识别准确率分别为97.7%、85.63%,完整籽粒、破碎籽粒及杂质的召回率分别为89.31%、81.82%、71.43%。(召回率=识别准确籽粒个数/该类籽粒的总粒数)。
综上所述,本发明通过喂料装置将玉米籽粒投入铺设装置(外槽轮排料机构和第一挡板),再由输送机构传输到采集区域,通过工业相机和光源(LED灯)配合连续拍摄连续采样,工控机中图像处理模块进行图像处理识别杂志和破碎籽粒,最终计算得到含杂率和破碎率。
本发明的玉米籽粒直收含杂率和破碎率在线检测系统结构简单、体积小、便于安装,通过外槽轮机构有效控制玉米籽粒的进入量,结合挡板和滑板等结构有效实现玉米籽粒的单层离散铺设,防止籽粒间的堆叠;本发明的在线检测方法识别度高,识别速度快。
Claims (10)
1.一种玉米籽粒直收含杂率和破碎率在线检测系统,其特征在于:包括检测箱,检测箱内顶部一侧设有外槽轮排料机构,检测箱内顶部另一侧安装有工业相机,检测箱内底部设有输送机构;工业相机数据连接于工控机,工控机中设有图像采集模块和图像处理模块;
所述外槽轮排料机构与工业相机之间竖直设置于可上下调节的第一挡板,第一挡板上连接有角度可调节的第一滑板,第一滑板位于外槽轮排料机构排料口下方,玉米籽粒经外槽轮排料机构排出后,通过第一滑板和第一挡板调整以单层平铺于输送机构上;所述检测箱侧壁上设有第二滑板;所述第二滑板位于外槽轮排料机构的下方且输送机构的上方,第二滑板与同步带之间预留相应间隙;所述外槽轮机构的转速w1,然后依次从0.2r/s到2r/s进行间隔0.2r/s增速的调速,统计出口处玉米籽粒每秒总个数N;设定同步带的宽幅为d,带轮转速为w2、带轮半径为r,则同步带每秒最大输送面积为S输送=w2*r*d;统计单个玉米籽粒平面铺设面积si,计算其平均值,对于同步带的每秒运输量即表示为N1=S输送/s1;通过匹配外槽轮机构转速和同步轮转速,使得N1>N,即玉米籽粒离散平铺;输送机构将平铺的籽粒输送至工业相机下方的采集区域进行连续采样;
所述图像采集模块控制工业相机拍照采集籽粒样本图像,图像处理模块对采集的籽粒样本图像进行处理,获取籽粒样本图像的对应特征数据,分析所得特征数据并分类和识别玉米籽粒中杂质和破碎籽粒,基于特征阈值来区分籽粒和杂质,并利用GA-BP神经网络来分类识别完整和破碎玉米籽粒,计算获取各物质质量,最终计算得到玉米籽粒直收中的含杂率和破碎率。
2.根据权利要求1所述的玉米籽粒直收含杂率和破碎率在线检测系统,其特征在于:所述外槽轮排料机构包括外壳和位于外壳内的外槽轮,外壳固定于检测箱内顶部一侧,外槽轮通过卡环与六角销的一端固连,六角销的另一端通过与步进电机电机轴直连以传输动力,步进电机通过固定板安装于检测箱外壁,步进电机驱动外槽轮排料。
3.根据权利要求1所述的玉米籽粒直收含杂率和破碎率在线检测系统,其特征在于:所述第一挡板上开设有长圆孔,通过长圆孔与对应螺栓配合实现第一挡板上下移动调节。
4.根据权利要求1所述的玉米籽粒直收含杂率和破碎率在线检测系统,其特征在于:所述输送机构包括轴承座、同步轮、减速器和带轮电机;
两个轴承座分别安装于检测箱内底部,轴承座分别通过轴承连接有对应同步轮,两个同步轮之间设置同步带;
所述带轮电机通过安装板固定于检测箱外壁,减速器与带轮电机连接,减速器的输出轴与同步轮的带轮轴直连。
5.根据权利要求1所述的玉米籽粒直收含杂率和破碎率在线检测系统,其特征在于:所述工业相机通过固定壳安装于检测箱,检测箱内壁临近工业相机位置处通过固定壁安装有LED灯带。
6.根据权利要求1所述的玉米籽粒直收含杂率和破碎率在线检测系统,其特征在于:所述检测箱侧壁上还分别设有两个对称布置的边界挡板,边界挡板位于输送机构上方且与同步带宽度边界相适配,每个边界挡板均呈L型。
7.根据权利要求1所述的玉米籽粒直收含杂率和破碎率在线检测系统,其特征在于:所述工控机中还包括串口传输模块、界面显示模块和数据存储模块;通过串口传输模块将图像处理模块所得数据以及图像处理模块所得的最终数据显示于界面显示模块以及传输至数据存储模块。
8.一种玉米籽粒直收含杂率和破碎率在线检测系统的检测方法,其特征在于:包括以下步骤:
(1)调整匹配外槽轮机构转速和输送机构转速,使玉米籽粒单层离散平铺,并输送到工业相机下方的图像采集区域;
(2)调控LED灯带亮度、利用工业相机对进入采集区域的玉米籽粒进行连续图像采集,并通过工控机对采集图像进行处理和计算,工业相机的拍摄周期T大于t,t=L/ (w2*r),T=1/f,f为相机帧率,L为拍摄视野边界长度;r为同步轮的半径,w2为同步轮的转速;
(3)对采集的玉米籽粒图像进行增强处理,包括图像灰度化处理以及中值滤波处理,然后利用经过优化的两次叠加分水岭分割对图像进行精准分割;
(4)提取步骤(3)处理后的图像特征参数,并对提取到的图像特征参数进行判别分析优化,筛选出区分能力较大的特征参数;
(5)统计分析玉米籽粒及杂质之间的相应特征参数数据的变化范围,然后选择区分明显的特征参数并设定其合理特征阈值来区分籽粒和杂质,即:获得杂质和籽粒间一阶不变矩特征值和R-B值最为明显,其中边界像素点和长径比值存在差异;此处相应特征数据包括一阶不变矩、R均值、H均值及标准差、R-B值、熵值边界像素点值和长径比值;
(6)利用GA-BP神经网络对提取的玉米籽粒特征数据以6:4的样本量进行训练和测试,利用测试结果判断神经网络参数的优劣,再利用训练好的GA-BP神经网络对籽粒的完整性进行区分最终实现杂质、破碎玉米籽粒和完整籽粒的快速识别;
10.根据权利要求8所述的玉米籽粒直收含杂率和破碎率在线检测系统的检测方法,其特征在于:所述步骤(6)中GA-BP神经网络的训练模型基于BpLM算法,共设置4层,分别为输入层、第一层隐层、第二层隐层和输出层;
第一层隐层神经元个数为10个,第二层隐层神经元个数为2个,结果输出为2个变量,第一变量为1则被判为完整籽粒,第二变量为1则被判为破碎籽粒;
利用遗传算法对BP神经网络的权值和阈值进行寻优求解,试验设定遗传算法的初始化种群50个,遗传迭代次数为100次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111067379.4A CN113820325B (zh) | 2021-09-13 | 2021-09-13 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111067379.4A CN113820325B (zh) | 2021-09-13 | 2021-09-13 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113820325A CN113820325A (zh) | 2021-12-21 |
CN113820325B true CN113820325B (zh) | 2022-06-14 |
Family
ID=78914356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111067379.4A Active CN113820325B (zh) | 2021-09-13 | 2021-09-13 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113820325B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114740000B (zh) * | 2022-04-13 | 2023-09-12 | 农业农村部南京农业机械化研究所 | 车载籽棉含杂检测装置及籽棉收获机械 |
CN115165772A (zh) * | 2022-07-25 | 2022-10-11 | 江苏大学 | 一种基于高光谱下籽粒含杂率检测装置及其检测方法 |
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 |
CN116893127B (zh) * | 2023-09-11 | 2023-12-08 | 中储粮成都储藏研究院有限公司 | 粮食外观质量指标检测仪 |
CN117607143B (zh) * | 2023-10-16 | 2024-06-25 | 江苏跃畅新能源科技有限公司 | 一种固体破碎混合物料分选效率检测装置和方法 |
CN118275433B (zh) * | 2024-05-31 | 2024-07-30 | 西北农林科技大学 | 一种检疫性杂草种子检测装置及方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5917927A (en) * | 1997-03-21 | 1999-06-29 | Satake Corporation | Grain inspection and analysis apparatus and method |
CN104062298B (zh) * | 2014-07-04 | 2017-08-04 | 江苏大学 | 基于图像处理的联合收获机粮箱籽粒含杂率自动监测装置和方法 |
CN104181082A (zh) * | 2014-07-29 | 2014-12-03 | 奉化市宇创产品设计有限公司 | 颗粒流单层流通装置 |
CN108107049A (zh) * | 2018-01-15 | 2018-06-01 | 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及方法 |
CN113298085B (zh) * | 2021-04-06 | 2024-03-22 | 江苏大学 | 一种基于Mask R-CNN的谷物含杂-破碎识别方法与系统 |
-
2021
- 2021-09-13 CN CN202111067379.4A patent/CN113820325B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113820325A (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
US5917927A (en) | Grain inspection and analysis apparatus and method | |
CN106733701B (zh) | 马铃薯多级联合智能缺陷检测系统及检测方法 | |
CN104155312B (zh) | 基于近红外计算机视觉的粮粒内部害虫检测方法和装置 | |
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 | |
CN102253052B (zh) | 基于fpga的粮食品质在线检测装置 | |
CN104198324B (zh) | 基于计算机视觉的烟丝中叶丝比例测定方法 | |
CN106000914A (zh) | 一种在线无损检测霉心病的苹果分选装置 | |
CN110479635B (zh) | 基于神经网络自动分拣烟叶的方法及装置 | |
CN104646315A (zh) | 一种具有黄曲霉素检测功能的农产品智能分选机 | |
CN105009731B (zh) | 玉米考种方法及其系统 | |
CN108719424A (zh) | 一种基于机器视觉的水产品分类方法及系统 | |
CN215270539U (zh) | 自动化烟叶检测分级系统 | |
CN111359907B (zh) | 基于嵌入式深度学习的小麦感染赤霉病病粒率实时在线检测系统及方法 | |
JPH08501386A (ja) | 穀物の穀粒及び他の粒状の製品の自動的評価のための方法及び装置 | |
CN109085170A (zh) | 同步带式玉米籽粒破碎率在线检测装置及方法 | |
CN205538564U (zh) | 一种联合收割机粮箱中谷物破碎在线监测系统 | |
CN112730417A (zh) | 一种小麦外观品质的在线检测装置 | |
CN109499914A (zh) | 一种基于人工智能的煤矸石分选系统 | |
CN110575973A (zh) | 一种农作物种子品质检测与筛选系统 | |
CN202083645U (zh) | 一种基于fpga的粮食品质在线检测装置 | |
CN112304947B (zh) | 一种稻穗品质分析仪 | |
CN214794500U (zh) | 一种小麦外观品质的在线检测装置 | |
CN112001283B (zh) | 一种玉米籽粒破碎率在线检测装置与检测方法 | |
CN207147533U (zh) | 一种小型数字化水稻考种机 |
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 |