CN114092347A - 一种植物工厂生产作业用巡检装置 - Google Patents
一种植物工厂生产作业用巡检装置 Download PDFInfo
- Publication number
- CN114092347A CN114092347A CN202111367599.9A CN202111367599A CN114092347A CN 114092347 A CN114092347 A CN 114092347A CN 202111367599 A CN202111367599 A CN 202111367599A CN 114092347 A CN114092347 A CN 114092347A
- Authority
- CN
- China
- Prior art keywords
- detection unit
- control module
- shuttle
- plant
- inspection device
- 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.)
- Pending
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 41
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 110
- 230000033001 locomotion Effects 0.000 claims abstract description 5
- 230000007613 environmental effect Effects 0.000 claims description 62
- 201000010099 disease Diseases 0.000 claims description 60
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 60
- 230000012010 growth Effects 0.000 claims description 26
- 241000607479 Yersinia pestis Species 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 241000238631 Hexapoda Species 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000009877 rendering Methods 0.000 claims description 2
- 241000196324 Embryophyta Species 0.000 description 172
- 238000000605 extraction Methods 0.000 description 17
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 14
- 238000012806 monitoring device Methods 0.000 description 14
- 238000000034 method Methods 0.000 description 13
- 229910002092 carbon dioxide Inorganic materials 0.000 description 8
- 239000001569 carbon dioxide Substances 0.000 description 8
- 230000003902 lesion Effects 0.000 description 8
- 235000013311 vegetables Nutrition 0.000 description 8
- 241000208822 Lactuca Species 0.000 description 7
- 235000003228 Lactuca sativa Nutrition 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 235000013399 edible fruits Nutrition 0.000 description 6
- 206010039509 Scab Diseases 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 206010003694 Atrophy Diseases 0.000 description 3
- 230000037444 atrophy Effects 0.000 description 3
- 230000008635 plant growth Effects 0.000 description 3
- 108700028369 Alleles Proteins 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 206010011409 Cross infection Diseases 0.000 description 1
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000009849 Cucumis sativus Nutrition 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 244000118681 Iresine herbstii Species 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 206010029803 Nosocomial infection Diseases 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 241000223109 Trypanosoma cruzi Species 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 210000001723 extracellular space Anatomy 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002538 fungal effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
-
- 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
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Library & Information Science (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种植物工厂生产作业用巡检装置。所述巡检装置至少包括移动平台、检测单元和远程控制模块。所述移动平台被配置为能够在待检测区域内进行移动。所述检测单元设置于所述移动平台,被配置为至少能够用于采集所述待检测区域内植物的第一数据。所述远程控制模块能够用于控制所述移动平台的移动。在所述远程控制模块能够获取所述第一数据的情况下,所述远程控制模块被配置为至少能够基于所获取的第一数据对所述待检测区域内植物的产量进行预测。
Description
技术领域
本发明涉及设施农业技术领域,尤其涉及一种植物工厂生产作业用巡检装置。
背景技术
病害一直是制约着农业生产的主要因素。蔬菜、花卉等植物的病害种类众多,引起的症状呈现多样性、复杂性,病害的发生不仅导致产量和质量的下降,而且会引起农药的大量投入和防治费用的上升,增加生产成本,影响蔬菜、花卉等植物的无公害绿色化生产,对出口贸易也造成一定障碍,同时存在潜在的环境和健康风险。总的来说,传统温室/植物工厂病害巡检方式或效率较低或准确程度较差或短时间内难以应用于实际,因此建立一种快速、准确、无损、能推广应用的植物病害巡检方法是我国植物病害综合防治中亟待解决的问题。机器视觉技术即通过机器视觉产品采集图像,利用一定的算法完成对图像的处理和分析,实现对结果的判定和设备的控制。计算机可以利用机器视觉技术实现图像处理和识别,达到病害检测的目的,因此机器视觉技术可广泛应用于蔬菜病害检测。根据蔬菜生长规律,感病后的蔬菜新陈代谢将发生一定的改变,导致蔬菜叶片细胞内部的色素含量、细胞间隙和水分含量发生改变,使得蔬菜叶片的外部形态产生明显变化,具体表现为显现病斑。从图像的角度来说,病斑部分会形成颜色、形状及纹理特征。这些特征与蔬菜所受病害种类和严重程度成一定关系,利用这一点,可以实现基于机器视觉的病害检测。
例如,公开号为CN109154978A的中国专利公开了一种用于检测植物疾病的系统和方法。该系统涉及一种用于判断植物疾病的植物特征的提取,其从颜色分布入手进行病斑等的判断。然而,在植物工厂实际生产过程中通过检测单元大面积地进行植物图像扫描/拍摄是成本高昂且非常繁琐和耗时,尤其是通过检测单元拍摄彩色或全彩的图片以进行识别,巡检装置中的移动平台需要在多个不同的位置之间不断地调整焦距,以拍摄到能够用于图像识别的彩色或全彩图片。由于彩色或全彩图片的分辨率较高,因而所占的内存空间较大,远程控制模块进行后续图像识别上述彩色或全彩图片所处理的数据量也是巨大的,而处理过程中需要对不同时间段的不同位置的植物进行定期或不定期多次的识别与分析,因而导致通过彩色或全彩图片进行识别不仅图像处理识别需处理的数据量巨大,而且导致远程控制模块对彩色或全彩图片的处理速度较慢,这一点也导致植物巡航监测装置的移动平台的最大行驶速度受到远程控制模块处理图片速度的限制而不能过快,从而使得植物巡航监测装置单位时间内所能进行巡检的植物工厂/温室的面积受到显著地影响,即降低了植物巡航监测装置进行巡检的效率,或者需要更多的植物巡航监测装置同时投入使用中才能够满足植物工厂/温室日常巡检的需求。因此,针对现有技术的不足有必要进行改进。
此外,一方面由于对本领域技术人员的理解存在差异;另一方面由于申请人做出本发明时研究了大量文献和专利,但篇幅所限并未详细罗列所有的细节与内容,然而这绝非本发明不具备这些现有技术的特征,相反本发明已经具备现有技术的所有特征,而且申请人保留在背景技术中增加相关现有技术之权利。
发明内容
在植物工厂实际生产过程中通过检测单元大面积地进行植物图像扫描/拍摄是成本高昂且非常繁琐和耗时,尤其是通过检测单元拍摄彩色或全彩的图片以进行识别,巡检装置中的移动平台需要在多个不同的位置之间不断地调整焦距,以拍摄到能够用于图像识别的彩色或全彩图片。由于彩色或全彩图片的分辨率较高,因而所占的内存空间较大,远程控制模块进行后续图像识别上述彩色或全彩图片所处理的数据量也是巨大的,而处理过程中需要对不同时间段的不同位置的植物进行定期或不定期多次的识别与分析,因而导致通过彩色或全彩图片进行识别不仅图像处理识别需处理的数据量巨大,而且导致远程控制模块对彩色或全彩图片的处理速度较慢,这一点也导致植物巡航监测装置的移动平台的最大行驶速度受到远程控制模块处理图片速度的限制而不能过快,从而使得植物巡航监测装置单位时间内所能进行巡检的植物工厂/温室的面积受到显著地影响,即降低了植物巡航监测装置进行巡检的效率,或者需要更多的植物巡航监测装置同时投入使用中才能够满足植物工厂/温室日常巡检的需求。
针对现有技术之不足,本发明提供了一种植物工厂生产作业用巡检装置。所述巡检装置至少包括移动平台、第一检测单元和远程控制模块。
第一穿梭小车被配置为能够在待检测区域内进行移动。
第一检测单元设置于所述第一穿梭小车。优选地,所述第一穿梭小车能够在与所述立体栽培架可拆卸连接的穿梭轨道中移动,以至少能够通过所述第一检测单元对每一栽培层内的各栽培板上所种植的植物的生长状态进行初步识别。优选地,第一检测单元无需采用高分辨率的摄像头来拍摄彩色或全彩图片,而仅需较低分辨率的摄像头以拍摄栽培板内植物的黑白图片。优选地,第一检测单元经由穿梭小车自身的第一通信单元与智能植物工厂/的远程控制模块建立数据连接。优选地,第一穿梭小车能够沿着所述穿梭轨道定期或不定期地对每一栽培层内的各栽培板上所种植的植物的生长状态进行初步识别。
特别优选地,所述第一穿梭小车能够通过设置于所述所述第一穿梭小车上的所述第一检测单元直接对所述黑白图片进行初步地分析识别,而无需将所述黑白图片发送至所述远程控制模块或其他模块进行识别分析。
优选地,第二穿梭小车设置于立体栽培架可拆卸连接的穿梭轨道中。优选地,所述第二穿梭小车能够在与所述立体栽培架可拆卸连接的穿梭轨道中移动,以至少能够对所述植物的病害和/或虫害的类别和严重等级进行进一步地识别。当通过所述黑白图片识别出某块栽培板内所生长的植物的生长状态存在异常时,则设置于第二穿梭小车的第二检测单元开始启动并对所述黑白图片所对应栽培板内的植物进行拍摄,以对所述植物的病害和/或虫害的类别和严重等级进行进一步地识别。当所述远程控制模块获取第一检测单元的初步识别判断结果为异常时,所述远程控制模块能够向植物巡航监测装置的第二穿梭小车发送移动至所述植物生长状态存在异常的黑白图片所对应的栽培板的控制信号。
进一步地,由于大多数植物在患病过程中受疾病影响会发生表型的非正常变化,如叶片萎缩、长势缓慢等。此外,还由于通过检测单元对栽培板内的植物进行拍摄的面积较小(例如一块栽培板的面积大致在40cmX80cm之间),且检测单元所拍摄一个栽培板上的植物的数量较少;更为重要的是可以不用通过彩色或全彩图片/视频对植物工厂/温室内进行初步的病害和/或虫害识别(例如植物的生长状态是否正常,当识别出植物的生长状态不正常之后载进行进一步地拍摄、识别与分析)。因为若在对植物进行识别技术病害和/或虫害的全部过程中均通过检测单元拍摄彩色或全彩图片的方式的话,虽然在技术上已经存在较多成熟的现有图像识别技术,但是这些识别技术所需的硬件与软件设备的要求较高,势必给植物工厂/温室带来许多不必要的生产成本。例如,一张黑白图所占用的内存为1600*900*2bit,且为单通道;一张灰度图所占用的内存为1600*900*8bit;一张彩色图所占用的内存为1600*900*16bit;而一张全彩图所占用的内存为1600*900*24bit;考虑到第一穿梭小车所携带的第一检测单元自身的内存容量有限,而导致第一检测单元对图片进行数据处理能力的有限,而黑白图相对于灰度图、彩色图的数据处理需求/压缩需求已经有显著地降低,特别是相对于彩色图和全彩图的数据处理/压缩需求而言更是降低了一个数量级。此外,设置于第一穿梭小车上的第一检测单元拍摄黑白图时也不需要高精度地对焦,从而可以以较快的速度进行巡检。因此,在植物巡航监测装置对植物工厂/温室进行巡检以拍摄所种植的植物过程中,可以以植物的组织形态为判断植物生长状态的第一优先级,即植物巡航监测装置在对栽培架内的植物进行拍摄时,通过拍摄上述植物的黑白图片以使得远程控制模块能够提取该黑白图片内植物(例如茎/叶)的大致组织形状/轮廓,并以此作为判断植物是否出现病害和/或虫害的依据。当植物在患有病害和/或虫害时会出现诸如叶片萎缩、茎秆弯曲等变化明显的特征,而通过黑白图片而无需使用彩色或全彩图片即可以提取上述特征。而本发明所要解决的技术问题为如何通过较低成本的黑白图片拍摄进而达到初步识别植物的生长状态是否正常的同时达到提高植物巡航监测装置监测速度的目的。
优选地,影响植物生长状态的因素主要分为第一优先级、第二优先级和第三优先级。
优选地,第一优先级包括茎和/或叶片形态/轮廓。
优选地,第二优先级包括病斑形态、病斑位置和病斑面积。
优选地,第三优先级包括异物分布。异物分布可以为包括病虫/真菌等位于植物的位置分布。
优选地,第一检测单元能够将识别出所对应的植物的生长状态存在异常的黑白图片所对应的坐标/位置信息发送至远程控制模块。
当第一检测单元识别出该黑白图片所对应的植物的生长状态处于非正常时远程控制模块能够基于所述黑白图片所对应的坐标/位置信息控制所述第二穿梭小车使用第二检测单元以对上述黑白图片存在异常所对应的栽培板内的植物进行灰度图/彩色/全彩图片的摄取。优选地,第二穿梭小车能够将所述灰度图/彩色/全彩图片发送至远程控制模块,并由所述远程控制模块进行处理和分析。优选地,灰度图能够用于辨别/识别属于第二优先级的病斑形态、病斑位置和病斑面积,并针对其中部分植物的病斑位置进行彩色或全彩图片的摄取。
优选地,彩色或全彩图片主要用于辨别/识别属于第三优先级的异物分布。异物可以包括病虫/真菌等位于植物的位置分布。
当第一检测单元通过识别判断出该黑白图片内的植物的组织形态或轮廓以进行初步地识别。例如当黑白图片内的植物叶片的轮廓、株高等明显异于该类植物的正常叶片的轮廓、株高,和/或出现诸如叶片萎缩、茎秆弯曲等变化明显的特征,则该黑白图片内的植物的生长状态被第一检测单元判定为异常;若该黑白图片内没有出现变化明显的形态/轮廓特征,则该黑白图片内的植物的生长状态被第一检测单元判定为正常。优选地,第一检测单元能够将所述初步识别判断结果发送至植物工厂/温室的远程控制模块。
当通过黑白图片识别出某块栽培板内所生长的植物的生长状态存在异常时,则设置于植物巡航监测装置上的第二检测单元开始启动并对该黑白图片所对应栽培板内的植物进行拍摄。
通过该配置方式,相比直接通过检测单元采集栽培板内植物的彩色图像,一方面由于彩色图片/视频所占用的内存较大而造成远程控制模块进行图像识别所需处理的数据量巨大,而最终导致通过检测单元基于图像识别分析病害和/或虫害的处理速度不高,进而导致移动平台能够在专用轨道行驶的最大速度较低,无法适应大面积的植物工厂的日常巡检监测需求;而通过第一检测单元对栽培架内的植物拍摄黑白图片进行病害和/或虫害的初步识别,可以直接通过第一检测单元而无需将第一检测单元所拍摄的黑白图片发送至所述远程控制模块来初步识别植物的生长状态,从而提高初步识别的处理速度,进一步地当远程控制模块初步识别的处理速度提高之后,第一穿梭小车的移动速度也可以得到显著地提高,从而在确保初步识别植物的生长状态是否正常的基础上提高对植物工厂内植物的监测速率、增大单位时间内对植物工厂内栽培板上所生长植物的监测面积。
与此同时,当远程控制模块获取第一检测单元的初步识别判断结果为异常时,远程控制模块能够向植物巡航监测装置的第二穿梭小车发送移动至所述植物生长状态存在异常的黑白图片所对应的栽培板的控制信号,以通过设置于第二穿梭小车上的第二检测单元对存在异常的黑白图片所对应的栽培板上的植物进行进一步地拍摄灰度图和/或彩色图片。
特别优选地,所述第二穿梭小车能够将所述灰度图和/或彩色图片发送至所述植物工厂/温室的远程控制模块,并由所述远程控制模块对所述灰度图和/或彩色图片进一步地识别分析。
优选地,所述第一穿梭小车能够通过无线传输模块将该黑白图片所对应的栽培板或者此时移动平台用于表示植物患病害和/或虫害的位置的第二位置信息发送给远程控制模块。优选地,远程控制模块能够基于所述第二位置信息调整与所述第二位置信息相对应的光源单元内的LED灯的照明方案。
优选地,第二位置信息可以包括异常生长的植物所处的栽培板的编号或位置。例如第二位置信息可以为:位于第一个栽培架第一层的第一个栽培板。
优选地,第二位置信息还可以包括病害和/或虫害位于植物的二维或三维坐标。
例如,第一穿梭小车沿穿梭轨道进行正常行驶,并通过第一检测单元拍摄黑白图片以初步判断第一检测单元所拍摄的植物的生长状态是否正常。当远程控制模块未接收到所述第二位置信息时,光源单元以第一模式(即光源单元对相应种类植物的相应生长阶段的正常光照供应方案)对植物工厂/温室内的植物提供相应的光照。当远程控制模块接收到所述第二位置信息时,远程控制模块调整与所述第二位置信息所对应的光源单元内的LED灯调整照明方案。例如,提高第二位置信息所对应的光源单元内的LED灯的亮度;当第一穿梭小车驶离所述第二位置信息所对应的栽培板区域时,将上述第二位置信息所对应的光源单元内的LED重新恢复至第一模式。
再例如第二检测单元在拍摄叶片的病斑形态时需将该植物叶片的栽培板所对应的光源单元内的LED灯降低到中等亮度,即亮度不能过高以避免过渡曝光造成病斑形态形态模糊。
特别优选地,植物巡航检测装置还设置有除病害机械手,以抓取所述第二位置信息所对应的病害和/或虫害部位或者患病的整株植物。通过此方式,可以避免上述病害和/或虫害扩散至其他区域而发生植物之间病害和/或虫害的互相传染。
特别优选地,第三穿梭小车也设置于立体栽培架可拆卸连接的穿梭轨道中。优选地,第三穿梭小车上设置有第三检测单元。优选地,所述第三穿梭小车能够在与所述立体栽培架可拆卸连接的穿梭轨道中移动,以至少能够通过所述第三检测单元检测光源单元的LED灯具的色温和/或显色指数。优选地,第三检测单元还可以用于检测光源单元的LED灯具是否损坏。优选地,当第三穿梭小车所搭载的第三检测单元检测到光源单元的LED灯具存在故障时,所述第三穿梭小车能够通过设置于第三穿梭小车内部的无线通信模块将光源单元存在故障的LED灯具的坐标/位置信息发送至智能植物工厂/温室的远程控制模块,以便交由搭载修复部件的第四穿梭小车完成光源单元存在故障的LED灯具的部件(例如LED灯部件)更换。
根据一个优选实施方式,远程控制模块能够基于图像识别技术/人工智能技术对所述第一检测单元所采集的植物图像/视频进行识别,以获取所述第一数据。
根据一个优选实施方式,所述移动平台内部设置的PC控制模块。所述第一检测单元能够实时地向所述PC控制模块发送所采集的所述第一数据。所述PC控制模块能够实时地获取所述第一检测单元所发送的所述第一数据。所述PC控制模块能够将所述第一数据实时地/非实时地发送至所述远程控制模块。
根据一个优选实施方式,所述移动平台设置有前置导航检测单元和局部环境因子传感器。所述前置导航检测单元被配置为能够判断所述移动平台所处的位置。所述局部环境因子传感器被配置为能够实时监测所述移动平台所经过区域周围的局部环境因子。
根据一个优选实施方式,所述第一检测单元能够通过多自由度机械臂安装于所述移动平台远离地面的一侧。所述远程控制模块能够控制所述多自由度机械臂进行移动,以使得设置于所述多自由度机械臂靠近所述待检测区域的端部的第一检测单元能够朝向所述待检测区域内的植物。
根据一个优选实施方式,所述移动平台内还设置有循迹模块。所述循迹模块被配置为能够控制所述移动平台在所述待检测区域内沿着预先在地面规划好的导航标识自动循迹。
根据一个优选实施方式,设置于所述移动平台内部的所述PC控制模块能够分别与所述第一检测单元、多自由度机械臂、前置导航检测单元、局部环境因子传感器和全局环境因子传感器电连接。
根据一个优选实施方式,所述移动平台通过前置导航检测单元发现所述移动平台行进途中所遇到障碍物。所述PC控制模块能够获取所述前置导航检测单元所采集的图像/视频,并识别所述障碍物以实现自动绕行。
根据一个优选实施方式,所述远程控制模块能够分别与所述PC控制模块和全局环境因子传感器电连接,以远程控制所述移动平台在所述待检测区域内移动,并接收和分析由所述PC控制模块回传的特征提取图像、病害发生位置和局部环境因子,以及设置于所述植物工厂内的所述全局环境因子传感器回传的全局环境因子。
根据一个优选实施方式,还包括显示模块。所述显示模块能够获取所述前置导航检测单元所采集的所述移动平台所处的位置,以实时显示所述巡检装置进行巡检的轨迹。所述显示模块还能够显示所述第一检测单元、局部环境因子传感器和全局环境因子传感器所采集的图片、视频和环境数据中的一个或者多个。
附图说明
图1是本发明提供的一种优选实施方式的简化模块连接关系示意图;
图2是本发明提供的显示模块的一种优选实施方式的简化模块连接关系示意图。
附图标记列表
1:移动平台;2:第一检测单元;3:远程控制模块;
4:PC控制模块;5:前置导航检测单元;6:局部环境因子传感器;
7:循迹模块;8:全局环境因子传感器;9:显示模块。
具体实施方式
下面结合附图进行详细说明。
图1示出一种植物工厂生产作业用巡检装置。所述巡检装置至少包括移动平台1、第一检测单元2和远程控制模块3移动平台1,被配置为能够在待检测区域内进行移动。
第一检测单元2设置于所述移动平台1。第一检测单元2被配置为至少能够用于采集所述移动平台1所经过的所述待检测区域内植物的第一数据。
远程控制模块3能够用于控制所述移动平台1的移动。在所述远程控制模块3能够获取所述第一数据的情况下,所述远程控制模块3被配置为至少能够基于所获取的第一数据对所述待检测区域内植物的产量进行预测。
优选地,所述移动平台1可以为履带式机器人。优选地,所述移动平台1也可以为轮式移动装置。优选地,所述移动平台1通过底部的轮子能够完成360度旋转和移动,以流畅地在所述待检测区域内自动巡检、定点采集、自动转弯、自动返航、自动充电。优选地,所述移动平台1通过前置导航检测单元5发现所述移动平台1行进途中所遇到障碍物,所述PC控制模块4能够获取所述前置导航检测单元5所采集的图像/视频,并识别所述障碍物以实现自动绕行。优选地,所述移动平台1内部设置的供电模块能够向所述巡检装置的各部件提供电力。
优选地,待检测区域可以为植物工厂/温室内种植植物的区域。优选地,待检测区域也可以为其他室外种植植物的区域。
优选地,远程控制模块3可以为植物工厂/温室的控制模块。
优选地,第一检测单元2能够用于采集待检测区域内植物的第一数据。
优选地,第一数据至少包括以下数据中的一个或者多:待检测区域内植物的果实/花苞的数量/直径/长度/饱满度。优选地,第一数据还可以包括待检测区域内植物的茎/叶片/根部的数量/直径/长度。优选地,第一数据还可以包括待检测区域内植物的果实/花苞/茎/叶片/根部的数量、直径、颜色、光泽度、饱满度。
优选地,第一检测单元2能够实时地向远程控制模块3发送所采集的第一数据。
优选地,远程控制模块3能够实时地获取第一检测单元2所发送的第一数据。优选地,远程控制模块3能够基于所获取的第一数据对待检测区域内植物的产量进行预测。优选地,远程控制模块3能够基于图像识别技术/人工智能技术对第一检测单元2所采集的植物图像/视频进行识别,以获取所述第一数据。
优选地,巡检装置能够对待检测区域内所种植的植物进行周期性地巡检。例如,巡检装置对待检测区域A进行周期性(例如每天)地巡检,通过远程控制模块3基于图像识别技术/人工智能技术对第一检测单元2所采集的植物图像/视频进行识别,以识别并统计得出该待检测区域A所种植的植物(例如番茄、黄瓜等)果实/花苞的数量和直径。远程控制模块3再基于以往的历史同期该植物的果实/花苞的产出情况以及最终的植物果实收获量能够较准确地预测/估算出该批次植物的此次的收获量。比如当下批次与上一批次生长环境相同或大致相同的同一类植物的果实/花苞的产出情况相比增加30%,远程控制模块3则预测或估算出当下批次的同一类植物本次的收获量相比上一批次的产量增加30%。由于整个待检测区域(例如温室或植物工厂)内的种植环境是被植物工厂的控制模块精准地控制和监控之中,即每一批次所种植植物的生长环境、生长历史数据均可追溯且能够精准地调节,因此在生长环境相同或大致相同的情况下生长于该温室或植物工厂的植物的产量是能够较准确地被预测的。例如,每个批次所种植物的营养液的配比和用量、光配方方案、温湿度、二氧化碳供应等都是经过多次优选之后而形成的种植方案,因而每一批次植物的生长环境变化不大/大致相同。即便因为优化某类植物的产量而改变了该类植物的生长方案/环境因子,远程控制模块3也能够对经过调整后/变化的环境因子进行记录。然后远程控制模块3可以通过多批次与该经过调整后/变化的环境因子相对应的所种植的历史产量进行分析比较,进而归纳出各环境因子与该植物的产量的变化关系,从而可以对远程控制模块3首次预测的植物产量进行进一步地修正。例如,当下批次生菜的生长方案仅对某一个环境因子进行了优化(比如当下批次二氧化碳浓度相比上一批次环境因子中二氧化碳浓度增加5%),而当下批次生菜的实际产量增加了10%。若上述生菜的生长方案中还有其他环境因子被优化,比如育苗期植物根部和/或茎叶周围的温度与生菜的最优方案下调了两度,而当下批次生菜的实际产量还是仅增加了10%,则远程控制模块3在下一次对生菜产量的预测中便不会将育苗期植物根部和/或茎叶周围的温度这一环境因子纳入到该生菜产量的预测模型中。通过该配置方式,可以通过多次如上述历史产量的对比和分析,PC控制模块4或者远程控制模块3可以通过多批次与该经过调整后/变化的环境因子相对应的所种植的历史产量进行分析比较,进而归纳出各环境因子与该植物的产量的变化关系,从而可以对PC控制模块4或者远程控制模块3首次预测的植物产量进行进一步地修正。
根据一个优选实施方式,远程控制模块3能够基于图像识别技术/人工智能技术对所述第一检测单元2所采集的植物图像/视频进行识别,以获取所述第一数据。由于本领域技术人员容易从现有技术中查阅到相关图像识别技术/人工智能技术进行植物图像/视频识别的识别,因此此处不再对远程控制模块3如何进行植物图像/视频的识别的过程进行赘述。
根据一个优选实施方式,所述移动平台1内部设置的PC控制模块4。所述第一检测单元2能够实时地向所述PC控制模块4发送所采集的所述第一数据。所述PC控制模块4能够实时地获取所述第一检测单元2所发送的所述第一数据。所述PC控制模块4能够将所述第一数据实时地/非实时地发送至所述远程控制模块3。
根据一个优选实施方式,所述移动平台1设置有前置导航检测单元5和局部环境因子传感器6。所述前置导航检测单元5被配置为能够判断所述移动平台1所处的位置。所述局部环境因子传感器6被配置为能够实时监测所述移动平台1所经过区域周围的局部环境因子。
优选地,所述前置导航检测单元5设置在移动平台1的前端,以用于判断移动平台1所处的位置。
优选地,局部环境因子传感器6设置在移动平台1上,以用于实时监测局部环境因子。优选地,所述局部环境因子传感器6至少包括二氧化碳传感器、温度传感器和湿度传感器。优选地,所述局部环境因子传感器6还可以包括光合有效辐射传感器,以监测植物能够接收到的光合有效辐射。
优选地,所述移动平台1内部设置的PC控制模块4分别与多自由度机械臂、第一检测单元2、前置导航检测单元5、局部环境因子传感器6和温室/植物工厂内安装的全局环境因子传感器8电连接。
根据一个优选实施方式,所述第一检测单元2能够通过多自由度机械臂安装于所述移动平台1远离地面的一侧。所述远程控制模块3能够控制所述多自由度机械臂进行移动,以使得设置于所述多自由度机械臂靠近所述待检测区域的端部的第一检测单元2能够朝向所述待检测区域内的植物。
优选地,所述PC控制模块4用于控制多自由度机械臂的动作。优选地,多自由度机械臂的底部安装于移动平台1远离地面的一侧。优选地,多自由度机械臂的自由度可以根据实际场景的需求而灵活地选定。例如多自由度机械臂可以为三自由度或六自由度机械臂。
优选地,内置有无线图传模块的所述第一检测单元2设置在多自由度机械臂靠近待检测区域的端部。
优选地,远程控制模块3能够通过PC控制模块4控制多自由度机械臂进行移动,以使得设置在多自由度机械臂的端部的第一检测单元2能够朝向待检测植物并对采集待检测区域内植物的图像/视频。
根据一个优选实施方式,所述移动平台1内还设置有循迹模块7。所述循迹模块7被配置为能够控制所述移动平台1在所述待检测区域内沿着预先在地面规划好的导航标识自动循迹。
优选地,设置于移动平台1内部的循迹模块7能够通过PC控制模块4控制移动平台1在待检测区域内沿着预先在地面规划好的导航标识自动循迹。优选地,导航标识可以根据实际需求人为地设定。
根据一个优选实施方式,设置于所述移动平台1内部的所述PC控制模块4能够分别与所述第一检测单元2、多自由度机械臂、前置导航检测单元5、局部环境因子传感器6和全局环境因子传感器8电连接。
优选地,所述温室/植物工厂内安装的全局环境因子传感器8包括二氧化碳传感器、光合有效辐射传感器、温度传感器和湿度传感器。
根据一个优选实施方式,所述移动平台1通过前置导航检测单元5发现所述移动平台1行进途中所遇到障碍物,所述PC控制模块4能够获取所述前置导航检测单元5所采集的图像/视频,并识别所述障碍物以实现自动绕行。
根据一个优选实施方式,所述远程控制模块3能够分别与所述PC控制模块4和全局环境因子传感器8电连接,以远程控制所述移动平台1在所述待检测区域内移动,并接收和分析由所述PC控制模块4回传的特征提取图像、病害发生位置和局部环境因子,以及设置于所述植物工厂内的所述全局环境因子传感器8回传的全局环境因子。
优选地,所述局部环境因子和全局环境因子包括二氧化碳浓度、光合有效辐射量、温度和湿度。
优选地,通过安装在移动平台1上的局部环境因子传感器6实时监测移动平台1所处位置的二氧化碳浓度、光合有效辐射量、温度和湿度环境因子,并实时传送至PC控制模块4。
根据一个优选实施方式,如图2所示,还包括显示模块9。所述显示模块9能够获取所述前置导航检测单元5所采集的所述移动平台1所处的位置,以实时显示所述巡检装置进行巡检的轨迹。所述显示模块9还能够显示所述第一检测单元2、局部环境因子传感器6和全局环境因子传感器8所采集的图片、视频和环境数据中的一个或者多个。
优选地,显示模块9可以为个人电脑、平板和智能手机等。通过该配置方式用户可以通过电脑,平板和智能手机了解待检测区域内植物的生长状况、环境因子以及远程控制模块3所预测的植物产量等。
一种植物工厂生产作业用巡检装置进行巡检的方法,包括如下步骤:
a、植物病害巡检机器人进入待检测区域,通过多自由度机械臂将第一检测单元2朝向待检测植物,开始巡检;
b、植物图像和局部环境因子采集
通过远程控制模块3或循迹模块7控制移动平台1在待检测区域内顺序经过所有待检测植物;在移动平台1移动过程中,通过安装在多自由度机械臂上的第一检测单元2逐个区域采集待检测植物图像,并实时传送至PC控制模块4;
c、病害检测
PC控制模块4将第一检测单元2采集到的待检测植物图像进行特征提取图像处理,获得特征提取图像;
特征提取图像处理具体步骤如下:
首先将待检测植物图像的叶片与背景分离,再通过中值滤波算法对叶片上的病斑图像进行去噪,完成图像预处理。
然后将上述预处理之后的图像通过图像处理技术转到HIS颜色空间,得到H、S、I分量图。将H分量图二值化,H值集中区域为0,其余区域为1,从而得到背景部分;再通过背景部分与预处理后的图像相乘,即可剔除绿色叶片部分并抽取出叶片病斑图像,所述叶片病斑图像为特征提取图像。
将特征提取图像与数据库中植物病害数据图像进行对比,判断该特征提取图像是否为疑似病害图像;
如果该特征提取图像不是疑似病害图像,则判断第一检测单元2是否已遍历所有待检测植物区域,如果已遍历所有待检测植物区域,则结束巡检;否则,返回步骤b继续巡检;
如果该特征提取图像为疑似病害图像,则在特征提取图像中标记疑似病害区域,同时移动平台1暂停移动,通过多自由度机械臂将第一检测单元2移动至标记的疑似病害区域所对应的待检测植物区域,再次采集该区域的植物放大图像,并将所采集的植物放大图像回传至PC控制模块4进行第二次特征提取图像处理和对比。
如果第二次对比结果确定该特征提取图像不是疑似病害图像,则判断第一检测单元2是否已遍历所有待检测植物区域,如果已遍历所有待检测植物区域,则结束巡检;否则,返回步骤b继续巡检;如果第二次对比结果确定该特征提取图像为疑似病害图像,则进行下一步骤确定病害发生位置。
d、确定病害发生位置
前置导航检测单元5识别预先在地面规划好的导航标识,记录移动平台1所处位置,即病害发生位置;PC控制模块4接收此时的局部环境因子传感器6回传的局部环境因子,并连同病害发生位置和特征提取图像回传至远程控制模块3后,移动平台1开始移动,继续巡检,直至第一检测单元2遍历所有待检测植物区域。
e、病害识别
远程控制模块3结合温室/植物工厂内安装的全局环境因子传感器8回传的全局环境因子和PC控制模块4回传的局部环境因子,进一步分析特征提取图像,识别出在该病害发生位置发生了何种病害,以指导尽快采取应对措施,实现预防温室/植物工厂大范围遭受病害的功能。将全局环境因子和局部环境因子与数据库中植物病害数据中常见病害的患病温度、湿度、二氧化碳浓度区间进行比对,识别出在该病害发生位置发生了何种病害。如灰霉病属低温高湿型病害,病原菌生长温度为20℃~30℃,且温度20℃~25℃、湿度持续90%以上时为病害高发期,患病叶片具有显著的病斑特征。
需要注意的是,上述具体实施例是示例性的,本领域技术人员可以在本发明公开内容的启发下想出各种解决方案,而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白,本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。本发明说明书包含多项发明构思,诸如“优选地”、“根据一个优选实施方式”或“可选地”均表示相应段落公开了一个独立的构思,申请人保留根据每项发明构思提出分案申请的权利。
Claims (10)
1.一种植物工厂生产作业用巡检装置,其特征在于,至少包括:
第一穿梭小车(1),被配置为能够在待检测区域内进行移动;
第一检测单元(2),设置于所述第一穿梭小车(1),被配置为至少能够用于采集所述第一穿梭小车(1)所经过的所述待检测区域内植物的第一数据;
远程控制模块(3),能够用于控制所述第一穿梭小车(1)的移动;
其中,在所述远程控制模块(3)能够获取所述第一数据的情况下,所述远程控制模块(3)被配置为至少能够基于所获取的第一数据对所述待检测区域内植物的产量进行预测。
2.根据权利要求1所述的巡检装置,其特征在于,所述第一检测单元还能够用于对所述立体栽培架(1)内所种植的生长状态进行初步识别。
3.根据权利要求2所述的巡检装置,其特征在于,还包括第二穿梭小车,所述第二穿梭小车设置于与所述待检测区域内的立体栽培架可拆卸连接的穿梭轨道中,以至少能够对所述第一检测单元进行初步识别出的异常结果所对应的栽培板上的所述植物的病害和/或虫害进行进一步地识别。
4.根据权利要求3所述的巡检装置,其特征在于,所述第一穿梭小车(1)内部设置的PC控制模块(4),所述第一检测单元(2)能够实时地向所述PC控制模块(4)发送所采集的所述第一数据,所述PC控制模块(4)能够实时地获取所述第一检测单元(2)所发送的所述第一数据,
其中,所述PC控制模块(4)能够将所述第一数据实时地/非实时地发送至所述远程控制模块(3)。
5.根据权利要求4所述的巡检装置,其特征在于,所述第一穿梭小车(1)设置有前置导航检测单元(5)和局部环境因子传感器(6),所述前置导航检测单元(5)被配置为能够判断所述第一穿梭小车(1)所处的位置,所述局部环境因子传感器(6)被配置为能够实时监测所述第一穿梭小车(1)所经过区域周围的局部环境因子。
6.根据权利要求5所述的巡检装置,其特征在于,所述第一穿梭小车(1)内还设置有循迹模块(7),所述循迹模块(7)被配置为能够控制所述第一穿梭小车(1)在所述待检测区域内沿着预先在地面规划好的导航标识自动循迹。
7.根据权利要求6所述的巡检装置,其特征在于,设置于所述第一穿梭小车(1)内部的所述PC控制模块(4)能够分别与所述第一检测单元(2)、多自由度机械臂、前置导航检测单元(5)、局部环境因子传感器(6)和全局环境因子传感器(8)电连接。
8.根据权利要求7所述的巡检装置,其特征在于,所述第一穿梭小车(1)通过前置导航检测单元(5)发现所述第一穿梭小车(1)行进途中所遇到障碍物,所述PC控制模块(4)能够获取所述前置导航检测单元(5)所采集的图像/视频,并识别所述障碍物以实现自动绕行。
9.根据权利要求8所述的巡检装置,其特征在于,还包括显示模块(9),所述显示模块(9)能够获取所述前置导航检测单元(5)所采集的所述第一穿梭小车(1)所处的位置,以实时显示所述巡检装置进行巡检的轨迹,
其中,所述显示模块(9)还能够显示所述第一检测单元(2)、局部环境因子传感器(6)和全局环境因子传感器(8)所采集的图片、视频和环境数据中的一个或者多个。
10.根据权利要求9所述的巡检装置,其特征在于,还包括第三穿梭小车,所述第三穿梭小车也能够设置于所述立体栽培架可拆卸连接的穿梭轨道中,其中,所述第三穿梭小车上设置有第三检测单元,所述第三穿梭小车能够在所述穿梭轨道中移动,以至少能够通过所述第三检测单元检测光源单元的LED灯具的色温和/或显色指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111367599.9A CN114092347A (zh) | 2021-11-15 | 2021-11-15 | 一种植物工厂生产作业用巡检装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111367599.9A CN114092347A (zh) | 2021-11-15 | 2021-11-15 | 一种植物工厂生产作业用巡检装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114092347A true CN114092347A (zh) | 2022-02-25 |
Family
ID=80301505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111367599.9A Pending CN114092347A (zh) | 2021-11-15 | 2021-11-15 | 一种植物工厂生产作业用巡检装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114092347A (zh) |
-
2021
- 2021-11-15 CN CN202111367599.9A patent/CN114092347A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | Multi-class fruit-on-plant detection for apple in SNAP system using Faster R-CNN | |
Tian et al. | Computer vision technology in agricultural automation—A review | |
CN106406178B (zh) | 一种温室作物生长信息实时对等监测装置及监测方法 | |
US20170223947A1 (en) | Apparatus and methods for in-field data collection and sampling | |
Tian et al. | Application status and challenges of machine vision in plant factory—A review | |
Nguyen et al. | Apple detection algorithm for robotic harvesting using a RGB-D camera | |
CN108858122A (zh) | 一种温室植物病害巡检机器人及巡检方法 | |
KR20210077504A (ko) | 스마트팜 데이터 생육연동시스템 | |
Chen et al. | Detection, Counting and Maturity Assessment of Cherry Tomatoes using Multi-spectral Images and Machine Learning Techniques. | |
GB2605253A (en) | A data collection and monitoring system, a controlled environment farming system, devices and related methods | |
CN117197595A (zh) | 基于边缘计算的果树生育期识别方法、装置及管理平台 | |
CN112816441A (zh) | 一种设施园艺作物生长状况检测方法及装置 | |
CN114092347A (zh) | 一种植物工厂生产作业用巡检装置 | |
Zhou et al. | Application progress of machine vision technology in the field of modern agricultural equipment | |
CN115711642A (zh) | 一种用于蓝莓生长环境场景监测分析系统 | |
CN111886982B (zh) | 一种旱地栽植作业质量实时检测系统的检测方法 | |
US20230360189A1 (en) | Method and system of analyzing plant image data and projecting plant growth and health status | |
CN115451965A (zh) | 基于双目视觉的插秧机插植系统相对航向信息检测方法 | |
Wang et al. | Research on application of smart agriculture in cotton production management | |
Huang et al. | High-throughput image analysis framework for fruit detection, localization and measurement from video streams | |
CN113933304A (zh) | 基于视觉的金针菇成熟状态检测方法 | |
Feng et al. | Visual Tracking Method of Tomato Plant Main-Stems for Robotic Harvesting | |
US11763452B2 (en) | Training method, evaluation method, electronic device and storage medium | |
CN113940263B (zh) | 一种用于植物生产的照护装置 | |
Liu et al. | Method for Detecting Obstacles of Riceplanter Based on Machine Vision |
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 |