CN114985305A - 一种秸秆质量检测分类系统及方法 - Google Patents
一种秸秆质量检测分类系统及方法 Download PDFInfo
- Publication number
- CN114985305A CN114985305A CN202210593621.XA CN202210593621A CN114985305A CN 114985305 A CN114985305 A CN 114985305A CN 202210593621 A CN202210593621 A CN 202210593621A CN 114985305 A CN114985305 A CN 114985305A
- Authority
- CN
- China
- Prior art keywords
- straw
- primary screening
- detected
- type
- 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.)
- Granted
Links
- 239000010902 straw Substances 0.000 title claims abstract description 226
- 238000001514 detection method Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000000463 material Substances 0.000 claims abstract description 226
- 238000012216 screening Methods 0.000 claims abstract description 114
- 239000000126 substance Substances 0.000 claims abstract description 28
- 239000012535 impurity Substances 0.000 claims description 34
- 239000002028 Biomass Substances 0.000 claims description 16
- 239000000446 fuel Substances 0.000 claims description 16
- 239000004566 building material Substances 0.000 claims description 13
- CKUAXEQHGKSLHN-UHFFFAOYSA-N [C].[N] Chemical compound [C].[N] CKUAXEQHGKSLHN-UHFFFAOYSA-N 0.000 claims description 12
- 238000005286 illumination Methods 0.000 claims description 10
- 239000002361 compost Substances 0.000 claims description 7
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 6
- KMUONIBRACKNSN-UHFFFAOYSA-N potassium dichromate Chemical compound [K+].[K+].[O-][Cr](=O)(=O)O[Cr]([O-])(=O)=O KMUONIBRACKNSN-UHFFFAOYSA-N 0.000 claims description 6
- 229920000742 Cotton Polymers 0.000 claims description 4
- 241000209140 Triticum Species 0.000 claims description 4
- 235000021307 Triticum Nutrition 0.000 claims description 4
- 240000008042 Zea mays Species 0.000 claims description 4
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 claims description 4
- 235000002017 Zea mays subsp mays Nutrition 0.000 claims description 4
- 235000005822 corn Nutrition 0.000 claims description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 3
- 240000007594 Oryza sativa Species 0.000 claims description 3
- 235000007164 Oryza sativa Nutrition 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 229910052757 nitrogen Inorganic materials 0.000 claims description 3
- 235000009566 rice Nutrition 0.000 claims description 3
- 238000002329 infrared spectrum Methods 0.000 claims description 2
- 238000012372 quality testing Methods 0.000 claims 1
- 239000002609 medium Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 5
- 235000001674 Agaricus brunnescens Nutrition 0.000 description 3
- 229920002488 Hemicellulose Polymers 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 229920002678 cellulose Polymers 0.000 description 3
- 239000001913 cellulose Substances 0.000 description 3
- 229920005610 lignin Polymers 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 239000004035 construction material Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 241000283690 Bos taurus Species 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000001963 growth medium Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012358 sourcing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- B07C5/3412—Sorting according to other particular properties according to a code applied to the object which indicates a property of the object, e.g. quality class, contents or incorrect indication
-
- 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
- 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
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/361—Processing or control devices therefor, e.g. escort memory
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Sorting Of Articles (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种秸秆质量检测分类系统及方法，涉及质量检测技术领域。识别模块通过待检测秸秆料的身份标识码，获取待检测秸秆料的物料信息；物料信息包括待检测秸秆料的目标秸秆类型；初筛模块对待检测秸秆料进行筛选检测，得到初筛料；检测模块根据目标秸秆类型对初筛料进行物质含量检测，得到初筛料的检测报告；分类模块根据检测报告确定初筛料的目标使用类型。通过获取待检测秸秆料的物料信息确定目标秸秆类型，针对目标秸秆类型进行物质含量检测，进而对初筛料的进行分类。可以根据待检测秸秆料的属性对待检测秸秆料进行充分利用，提高待检测秸秆料的使用价值。
Description
技术领域
本发明涉及质量检测技术领域，具体涉及一种秸秆质量检测分类系统及方法。
背景技术
我国作为一个以农业为主的国家，秸秆资源丰富，但每年至少有一半的秸秆被焚烧或丢弃，不仅导致严重的环境问题和而且造成资源的极大浪费。目前秸秆有着丰富的应用场景，例如可以作为培养料、燃料、饲料和建筑材料。
而现有技术中，对秸秆的使用不够精细，导致不能充分利用秸秆的使用价值。
发明内容
本发明的目的就在于解决上述背景技术的问题，而提出一种秸秆质量检测分类系统及方法。
本发明的目的可以通过以下技术方案实现：
本发明实施例第一方面，提供了一种秸秆质量检测分类系统，包括识别模块、初筛模块、检测模块和分类模块，其中：
所述识别模块，用于通过待检测秸秆料的身份标识码，获取所述待检测秸秆料的物料信息；所述物料信息包括所述待检测秸秆料的目标秸秆类型；
所述初筛模块，用于对所述待检测秸秆料进行筛选检测，得到初筛料；
所述检测模块，用于根据所述目标秸秆类型对所述初筛料进行物质含量检测，得到所述初筛料的检测报告；
所述分类模块，用于根据所述检测报告确定所述初筛料的目标使用类型。
本发明实施例第二方面，还提供了一种秸秆质量检测分类方法，所述方法包括：
通过待检测秸秆料的身份标识码，获取所述待检测秸秆料的物料信息；所述物料信息包括所述待检测秸秆料的目标秸秆类型；
对所述待检测秸秆料进行筛选检测，得到初筛料；
根据所述目标秸秆类型对所述初筛料进行物质含量检测，得到所述初筛料的检测报告；
根据所述检测报告确定所述初筛料的目标使用类型。
可选地，所述待检测秸秆包括正常秸秆、霉变秸秆和异物杂质；
对所述待检测秸秆料进行筛选检测，得到初筛料，包括：
采集所述待检测秸秆料在不同光照频率下的图像，作为筛选图像；
从所述筛选图像中分别确定与所述正常秸秆、霉变秸秆和异物杂质的感光属性相匹配的图像，作为第一图像、第二图像和第三图像；
根据所述第一图像、所述第二图像和所述第三图像的图像特征，区分所述正常秸秆、所述霉变秸秆和所述异物杂质；
剔除所述霉变秸秆和所述异物杂质，得到初筛料。
可选地，所述物料信息包括所述待检测秸秆料的供应商的信息；
在根据所述第一图像、所述第二图像和所述第三图像的图像特征，区分所述正常秸秆、所述霉变秸秆和所述异物杂质之后，所述方法还包括：
确定所述待检测秸秆中所述霉变秸秆和所述异物杂质的含量；
根据所述霉变秸秆和所述异物杂质的含量，调整所述供应商的供货优先级。
可选地，在根据所述检测报告确定所述初筛料的目标使用类型之后，所述方法还包括：
根据所述目标使用类型，调整所述供应商的供货优先级。
可选地，根据所述第一图像、所述第二图像和所述第三图像的图像特征，区分所述正常秸秆、所述霉变秸秆和所述异物杂质，包括：
将所述第一图像、所述第二图像和所述第三图像输入预设色选算法，得到所述待筛选物料属于各种物料类型的概率，作为目标概率；所述预设色选算法用于根据输入图像中的物料的颜色属性，确定该物料属于各种物料类型的概率；
根据所述目标概率将所述待筛选物料区分为所述正常秸秆、所述霉变秸秆和所述异物杂质。
可选地，根据所述目标秸秆类型对所述初筛料进行物质含量检测，得到所述初筛料的检测报告，包括：
根据所述目标秸秆类型确定所述初筛料的使用类型集；所述使用类型集包括至少一种使用类型；
检测所述初筛料中与所述使用类型集对应的物质含量，得到所述初筛料的检测报告。
可选地，所述初筛料的使用类型包括培养料、燃料、饲料和建筑材料中的任一一项；所述目标秸秆类型包括麦秆、稻秆、棉秆和玉米秆中的任一一项；每一所述目标秸秆类型对应至少一种使用类型；使用类型为培养料对应的物质含量为碳氮比；使用类型为燃料对应的物质含量为灰分；使用类型为饲料对应的物质含量为生物质含量和灰分；使用类型为建筑材料对应的物质含量为生物质含量和灰分。
可选地，检测所述初筛料中与所述使用类型集对应的物质含量，得到所述初筛料的检测报告，包括：
若所述使用类型集中包括培养料，使用重铬酸钾容量法测量所述初筛料的含碳量，使用半微量开氏法测量所述初筛料的含氮量，计算所述初筛料的碳氮比；
若所述使用类型集中包括燃料，使用550摄氏度灼烧法测量所述初筛料的灰分；
若所述使用类型集中包括饲料或建筑材料，使用550摄氏度灼烧法测量所述初筛料的灰分，使用近红外光谱成像法测量所述初筛料的生物质含量；
根据所述初筛料的碳氮比、灰分和生物质含量生成所述初筛料的检测报告。
可选地，根据所述检测报告确定所述初筛料的目标使用类型，包括：
根据所述检测报告和各个使用类型之间的优先级顺序，依次判断所述初筛料是否符合各个使用类型；
将所述初筛料符合的优先级最高的使用类型，确定为所述初筛料的目标使用类型。
基于本发明实施例提供的一种秸秆质量检测分类系统，识别模块，用于通过待检测秸秆料的身份标识码，获取待检测秸秆料的物料信息；物料信息包括待检测秸秆料的目标秸秆类型；初筛模块，用于对待检测秸秆料进行筛选检测，得到初筛料；检测模块，用于根据目标秸秆类型对初筛料进行物质含量检测，得到初筛料的检测报告；分类模块，用于根据检测报告确定初筛料的目标使用类型。通过获取待检测秸秆料的物料信息确定目标秸秆类型，针对目标秸秆类型进行物质含量检测，进而对初筛料的进行分类。可以根据待检测秸秆料的属性对待检测秸秆料进行充分利用，提高待检测秸秆料的使用价值。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明实施例提供的一种秸秆质量检测分类系统的系统框图；
图2为本发明实施例提供的一种秸秆质量检测分类方法的流程图；
图3为本发明实施例提供的另一种秸秆质量检测分类方法的流程图；
图4为本发明实施例提供的另一种秸秆质量检测分类方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明实施例提供了一种秸秆质量检测分类系统。参见图1，图1为本发明实施例提供的一种秸秆质量检测分类系统的系统框图，该系统包括包括识别模块、初筛模块、检测模块和分类模块，其中：
识别模块，用于通过待检测秸秆料的身份标识码，获取待检测秸秆料的物料信息；物料信息包括待检测秸秆料的目标秸秆类型；
初筛模块，用于对待检测秸秆料进行筛选检测，得到初筛料；
检测模块，用于根据目标秸秆类型对初筛料进行物质含量检测，得到初筛料的检测报告；
分类模块，用于根据检测报告确定初筛料的目标使用类型。
基于本发明实施例提供的一种秸秆质量检测分类系统，通过获取待检测秸秆料的物料信息确定目标秸秆类型，针对目标秸秆类型进行物质含量检测，进而对初筛料的进行分类。可以根据待检测秸秆料的属性对待检测秸秆料进行充分利用，提高待检测秸秆料的使用价值。
基于相同的发明构思本发明实施例还提供了一种秸秆质量检测分类方法。参见图2，图2为本发明实施例提供的一种秸秆质量检测分类方法的流程图，该方法可以包括以下步骤：
S201，通过待检测秸秆料的身份标识码，获取待检测秸秆料的物料信息。
S202，对待检测秸秆料进行筛选检测，得到初筛料。
S203，根据目标秸秆类型对初筛料进行物质含量检测，得到初筛料的检测报告。
S204，根据检测报告确定初筛料的目标使用类型。
物料信息包括待检测秸秆料的目标秸秆类型。
基于本发明实施例提供的一种秸秆质量检测分类方法，通过获取待检测秸秆料的物料信息确定目标秸秆类型，针对目标秸秆类型进行物质含量检测，进而对初筛料的进行分类。可以根据待检测秸秆料的属性对待检测秸秆料进行充分利用，提高待检测秸秆料的使用价值。
一种实现方式中，在待检测秸秆料入库前，可以为待检测秸秆料分配唯一的身份标识码。身份标识码可以为条形码，或者身份标识码可以为二维码。通过扫描身份标识码可以获取待检测秸秆料的物料信息，物料信息可以包括待检测秸秆料的目标秸秆类型、供应商、总重量等信息。
在一个实施例中，待检测秸秆包括正常秸秆、霉变秸秆和异物杂质。
参见图3，在图2的基础上步骤S202包括：
S2021，采集待检测秸秆料在不同光照频率下的图像，作为筛选图像。
S2022，从筛选图像中分别确定与正常秸秆、霉变秸秆和异物杂质的感光属性相匹配的图像，作为第一图像、第二图像和第三图像。
S2023，根据第一图像、第二图像和第三图像的图像特征，区分正常秸秆、霉变秸秆和异物杂质。
S2024，剔除霉变秸秆和异物杂质，得到初筛料。
一种实现方式中，由于正常秸秆、霉变秸秆和异物杂质在不同光照频率下的图像清晰度不同，可以分别选择与正常秸秆、霉变秸秆和异物杂质的感光属性相匹配的图像，在该图像中正常秸秆、霉变秸秆和异物杂质的特征更明显，因此可以更容易地进行区分正常秸秆、霉变秸秆和异物杂质。例如，正常秸秆、霉变秸秆和异物杂质分别在第一光照频率、第二光照频率和第三光照频率下采集的图像的清晰度最高，则可以选择在第一光照频率下采集的图像识别正常秸秆，可以选择在第二光照频率下采集的图像识别霉变秸秆，可以选择在第三光照频率下采集的图像识别异物杂质。
在一个实施例中，物料信息包括待检测秸秆料的供应商的信息。
在步骤S2023之后，该方法还包括：
步骤一，确定待检测秸秆中霉变秸秆和异物杂质的含量。
步骤二，根据霉变秸秆和异物杂质的含量，调整供应商的供货优先级。
一种实现方式中，待检测秸秆中霉变秸秆和异物杂质的含量反映了待检测秸秆的质量，如果霉变秸秆和异物杂质的含量越高，则待检测秸秆的质量越差，则可以调整待检测秸秆的供应商的供货优先级，例如，可以根据供货优先级的高低调整收取秸秆的价格。
在一个实施例中，在步骤S204之后，该方法还包括：
根据目标使用类型，调整供应商的供货优先级。
一种实现方式中，目标使用类型反映了待检测秸秆的应用方向，根据实际情况中所需的待检测秸秆的应用方向，可以调整供应商的供货优先级。
在一个实施例中，步骤S2023包括：
步骤一，将第一图像、第二图像和第三图像输入预设色选算法，得到待筛选物料属于各种物料类型的概率，作为目标概率。
步骤二，根据目标概率将待筛选物料区分为正常秸秆、霉变秸秆和异物杂质。
预设色选算法用于根据输入图像中的物料的颜色属性，确定该物料属于各种物料类型的概率。
色选算法处理算法对连续的3行RGB图像数据进行分析，正正常秸秆、霉变秸秆、异物杂质和背景的RGB三个颜色分量会有显著的差异。通过连通域算法将图像上的待筛选物料分割出来，通过分析分割出来的待筛选物料的RGB颜色分量，确定该物料的物料类型属于正常秸秆、霉变秸秆、异物杂质的概率，进而对待筛选物料进行区分。
在一个实施例中，参见图4，在图2的基础上步骤S203，包括：
S2031，根据目标秸秆类型确定初筛料的使用类型集。
S2032，检测初筛料中与使用类型集对应的物质含量，得到初筛料的检测报告。
使用类型集包括至少一种使用类型。
一种实现方式中，根据目标秸秆类型确定初筛料的使用类型集，可以缩小对初筛料进行检测的范围，即只针对使用类型集对应的物质含量进行检测。
在一个实施例中，初筛料的使用类型包括培养料、燃料、饲料和建筑材料中的任一一项；目标秸秆类型包括麦秆、稻秆、棉秆和玉米秆中的任一一项；每一目标秸秆类型对应至少一种使用类型；使用类型为培养料对应的物质含量为碳氮比；使用类型为燃料对应的物质含量为灰分；使用类型为饲料对应的物质含量为生物质含量和灰分；使用类型为建筑材料对应的物质含量为生物质含量和灰分。
一种实现方式中，不同类型的秸秆的属性不相同，导致秸秆的的应用方式也不同，一种类型的秸秆可以有一种或多种应用方式。例如，玉米秆可以用于制作培养料、燃料和建筑材料，棉秆可以用于制作燃料和建筑材料，麦秆可以用于制作培养料和饲料等等。秸秆制成培养料可以作为蘑菇的培养基或者可以作为土地的肥料；秸秆制成燃料可以作为能源；秸秆制成饲料可以用于喂养牛羊等牲畜；秸秆制成建筑材料可以作为环保材料。
在一个实施例中，步骤S2032包括：
若使用类型集中包括培养料，使用重铬酸钾容量法测量初筛料的含碳量，使用半微量开氏法测量初筛料的含氮量，计算初筛料的碳氮比。
若使用类型集中包括燃料，使用550摄氏度灼烧法测量初筛料的灰分。
若使用类型集中包括饲料或建筑材料，使用550摄氏度灼烧法测量初筛料的灰分，使用近红外光谱成像法测量初筛料的生物质含量。
根据初筛料的碳氮比、灰分和生物质含量生成初筛料的检测报告。
一种实现方式中，用于不同使用类型的秸秆，对于秸秆中物质含量的要求不同，导致针对不同使用类型的秸秆的检测方案不同。
在一个实施例中，步骤S204包括：
步骤一，根据检测报告和各个使用类型之间的优先级顺序，依次判断初筛料是否符合各个使用类型。
步骤二，将初筛料符合的优先级最高的使用类型，确定为初筛料的目标使用类型。
一种实现方式中，各个使用类型之间的优先级顺序，可以根据实际情况进行设置，在此不作限定。例如，可以按照饲料、培养料、建筑材料、燃料的顺序由高到低的设置各个使用类型之间的优先级顺序。
一种实现方式中，碳氮比在预设区间的初筛料可以作为培养料。例如，如蘑菇培养料的碳氮比为30-33：1，香菇培养料的碳氮比为64：1。
一种实现方式中，灰分小于预设值的初筛料可以作为燃料。灰分越小说明初筛料中可燃烧物质含量越多，则初筛料更适合作为燃料使用。
一种实现方式中，生物质含量可以包括初筛料的的木质素含量、纤维素含量、半纤维含量和蛋白质含量。木质素含量越低且纤维素含量、半纤维含量和蛋白质含量越高，初筛料越适合作为饲料使用。木质素含量、纤维素含量和半纤维含量越高，初筛料越适合作为建筑材料使用。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (10)
1.一种秸秆质量检测分类系统，其特征在于，包括识别模块、初筛模块、检测模块和分类模块，其中：
所述识别模块，用于通过待检测秸秆料的身份标识码，获取所述待检测秸秆料的物料信息；所述物料信息包括所述待检测秸秆料的目标秸秆类型；
所述初筛模块，用于对所述待检测秸秆料进行筛选检测，得到初筛料；
所述检测模块，用于根据所述目标秸秆类型对所述初筛料进行物质含量检测，得到所述初筛料的检测报告；
所述分类模块，用于根据所述检测报告确定所述初筛料的目标使用类型。
2.一种秸秆质量检测分类方法，其特征在于，所述方法包括：
通过待检测秸秆料的身份标识码，获取所述待检测秸秆料的物料信息；所述物料信息包括所述待检测秸秆料的目标秸秆类型；
对所述待检测秸秆料进行筛选检测，得到初筛料；
根据所述目标秸秆类型对所述初筛料进行物质含量检测，得到所述初筛料的检测报告；
根据所述检测报告确定所述初筛料的目标使用类型。
3.基于权利要求2所述的一种秸秆质量检测分类方法，其特征在于，所述待检测秸秆包括正常秸秆、霉变秸秆和异物杂质；
对所述待检测秸秆料进行筛选检测，得到初筛料，包括：
采集所述待检测秸秆料在不同光照频率下的图像，作为筛选图像；
从所述筛选图像中分别确定与所述正常秸秆、霉变秸秆和异物杂质的感光属性相匹配的图像，作为第一图像、第二图像和第三图像；
根据所述第一图像、所述第二图像和所述第三图像的图像特征，区分所述正常秸秆、所述霉变秸秆和所述异物杂质；
剔除所述霉变秸秆和所述异物杂质，得到初筛料。
4.基于权利要求3所述的一种秸秆质量检测分类方法，其特征在于，所述物料信息包括所述待检测秸秆料的供应商的信息；
在根据所述第一图像、所述第二图像和所述第三图像的图像特征，区分所述正常秸秆、所述霉变秸秆和所述异物杂质之后，所述方法还包括：
确定所述待检测秸秆中所述霉变秸秆和所述异物杂质的含量；
根据所述霉变秸秆和所述异物杂质的含量，调整所述供应商的供货优先级。
5.基于权利要求4所述的一种秸秆质量检测分类方法，其特征在于，在根据所述检测报告确定所述初筛料的目标使用类型之后，所述方法还包括：
根据所述目标使用类型，调整所述供应商的供货优先级。
6.基于权利要求3所述的一种秸秆质量检测分类方法，其特征在于，根据所述第一图像、所述第二图像和所述第三图像的图像特征，区分所述正常秸秆、所述霉变秸秆和所述异物杂质，包括：
将所述第一图像、所述第二图像和所述第三图像输入预设色选算法，得到所述待筛选物料属于各种物料类型的概率，作为目标概率；所述预设色选算法用于根据输入图像中的物料的颜色属性，确定该物料属于各种物料类型的概率；
根据所述目标概率将所述待筛选物料区分为所述正常秸秆、所述霉变秸秆和所述异物杂质。
7.基于权利要求2所述的一种秸秆质量检测分类方法，其特征在于，根据所述目标秸秆类型对所述初筛料进行物质含量检测，得到所述初筛料的检测报告，包括：
根据所述目标秸秆类型确定所述初筛料的使用类型集；所述使用类型集包括至少一种使用类型；
检测所述初筛料中与所述使用类型集对应的物质含量，得到所述初筛料的检测报告。
8.基于权利要求7所述的一种秸秆质量检测分类方法，其特征在于，所述初筛料的使用类型包括培养料、燃料、饲料和建筑材料中的任一一项；所述目标秸秆类型包括麦秆、稻秆、棉秆和玉米秆中的任一一项；每一所述目标秸秆类型对应至少一种使用类型；使用类型为培养料对应的物质含量为碳氮比；使用类型为燃料对应的物质含量为灰分；使用类型为饲料对应的物质含量为生物质含量和灰分；使用类型为建筑材料对应的物质含量为生物质含量和灰分。
9.基于权利要求8所述的一种秸秆质量检测分类方法，其特征在于，检测所述初筛料中与所述使用类型集对应的物质含量，得到所述初筛料的检测报告，包括：
若所述使用类型集中包括培养料，使用重铬酸钾容量法测量所述初筛料的含碳量，使用半微量开氏法测量所述初筛料的含氮量，计算所述初筛料的碳氮比；
若所述使用类型集中包括燃料，使用550摄氏度灼烧法测量所述初筛料的灰分；
若所述使用类型集中包括饲料或建筑材料，使用550摄氏度灼烧法测量所述初筛料的灰分，使用近红外光谱成像法测量所述初筛料的生物质含量；
根据所述初筛料的碳氮比、灰分和生物质含量生成所述初筛料的检测报告。
10.基于权利要求7所述的一种秸秆质量检测分类方法，其特征在于，根据所述检测报告确定所述初筛料的目标使用类型，包括：
根据所述检测报告和各个使用类型之间的优先级顺序，依次判断所述初筛料是否符合各个使用类型；
将所述初筛料符合的优先级最高的使用类型，确定为所述初筛料的目标使用类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210593621.XA CN114985305B (zh) | 2022-05-27 | 2022-05-27 | 一种秸秆质量检测分类系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210593621.XA CN114985305B (zh) | 2022-05-27 | 2022-05-27 | 一种秸秆质量检测分类系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114985305A true CN114985305A (zh) | 2022-09-02 |
| CN114985305B CN114985305B (zh) | 2024-04-26 |
Family
ID=83029619
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210593621.XA Active CN114985305B (zh) | 2022-05-27 | 2022-05-27 | 一种秸秆质量检测分类系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114985305B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117707091A (zh) * | 2023-12-25 | 2024-03-15 | 盐城中科高通量计算研究院有限公司 | 一种基于图像处理的农业秸秆加工质量控制系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060025927A1 (en) * | 2004-07-27 | 2006-02-02 | Hoskinson Reed L | Method of optimally producing and harvesting agricultural products |
| CN201357151Y (zh) * | 2009-02-19 | 2009-12-09 | 金云飞 | 一种多功能色选机 |
| CN108686978A (zh) * | 2018-05-02 | 2018-10-23 | 广州慧睿思通信息科技有限公司 | 基于arm的水果类别和色泽的分拣方法及系统 |
| CN109741295A (zh) * | 2018-11-28 | 2019-05-10 | 歌尔股份有限公司 | 产品质量检测方法及装置 |
| CN111656355A (zh) * | 2017-12-03 | 2020-09-11 | 种子X科技公司 | 种子分类的系统及方法 |
| CN111985365A (zh) * | 2020-08-06 | 2020-11-24 | 合肥学院 | 一种基于目标检测技术的秸秆焚烧监测方法和系统 |
| CN112991362A (zh) * | 2021-03-17 | 2021-06-18 | 合肥高晶光电科技有限公司 | 一种基于混合高斯模型的色选机粘连物料图像分割方法 |
| CN114140380A (zh) * | 2021-10-22 | 2022-03-04 | 中国矿业大学 | 一种基于图像视觉与电磁波融合的带式输送机异物识别方法 |
| CN114441444A (zh) * | 2022-01-26 | 2022-05-06 | 合肥泰禾智能科技集团股份有限公司 | 一种基于多波段复用的融合分选方法 |
| CN114515705A (zh) * | 2021-12-14 | 2022-05-20 | 中煤科工集团信息技术有限公司 | 基于多模态成像分析的煤矸石分选系统 |
-
2022
- 2022-05-27 CN CN202210593621.XA patent/CN114985305B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060025927A1 (en) * | 2004-07-27 | 2006-02-02 | Hoskinson Reed L | Method of optimally producing and harvesting agricultural products |
| CN201357151Y (zh) * | 2009-02-19 | 2009-12-09 | 金云飞 | 一种多功能色选机 |
| CN111656355A (zh) * | 2017-12-03 | 2020-09-11 | 种子X科技公司 | 种子分类的系统及方法 |
| CN108686978A (zh) * | 2018-05-02 | 2018-10-23 | 广州慧睿思通信息科技有限公司 | 基于arm的水果类别和色泽的分拣方法及系统 |
| CN109741295A (zh) * | 2018-11-28 | 2019-05-10 | 歌尔股份有限公司 | 产品质量检测方法及装置 |
| CN111985365A (zh) * | 2020-08-06 | 2020-11-24 | 合肥学院 | 一种基于目标检测技术的秸秆焚烧监测方法和系统 |
| CN112991362A (zh) * | 2021-03-17 | 2021-06-18 | 合肥高晶光电科技有限公司 | 一种基于混合高斯模型的色选机粘连物料图像分割方法 |
| CN114140380A (zh) * | 2021-10-22 | 2022-03-04 | 中国矿业大学 | 一种基于图像视觉与电磁波融合的带式输送机异物识别方法 |
| CN114515705A (zh) * | 2021-12-14 | 2022-05-20 | 中煤科工集团信息技术有限公司 | 基于多模态成像分析的煤矸石分选系统 |
| CN114441444A (zh) * | 2022-01-26 | 2022-05-06 | 合肥泰禾智能科技集团股份有限公司 | 一种基于多波段复用的融合分选方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117707091A (zh) * | 2023-12-25 | 2024-03-15 | 盐城中科高通量计算研究院有限公司 | 一种基于图像处理的农业秸秆加工质量控制系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114985305B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Grosjean et al. | Enumeration, measurement, and identification of net zooplankton samples using the ZOOSCAN digital imaging system | |
| US20230169081A1 (en) | Media names matching and normalization | |
| CN102509039B (zh) | 实时多引擎选择和组合 | |
| Drost et al. | Thwarting the nigritude ultramarine: Learning to identify link spam | |
| US8156132B1 (en) | Systems for comparing image fingerprints | |
| US8463000B1 (en) | Content identification based on a search of a fingerprint database | |
| Rivera-Ingraham et al. | Galactic cold cores-VII. Filament formation and evolution: Methods and observational constraints | |
| Bennett et al. | Online stratified sampling: evaluating classifiers at web-scale | |
| CN114985305B (zh) | 一种秸秆质量检测分类系统及方法 | |
| CN111382291A (zh) | 机器审核方法、装置及机器审核服务器 | |
| CN111126511B (zh) | 一种基于植被指数融合的lai定量模型建立的方法 | |
| CN112153378B (zh) | 一种视频审核能力的测试方法及其系统 | |
| US8549022B1 (en) | Fingerprint generation of multimedia content based on a trigger point with the multimedia content | |
| CN115660292B (zh) | 基于餐饮消费数据处理的碳排放监测方法及设备 | |
| CN111460155A (zh) | 一种基于知识图谱的信息可信度评估方法及装置 | |
| CN112446441A (zh) | 模型训练数据筛选方法、装置、设备及存储介质 | |
| CN102156746A (zh) | 搜索引擎的性能评价方法 | |
| Caruso et al. | Telcordia's database reconciliation and data quality analysis tool | |
| Fisher et al. | An image processing and machine learning solution to automate Egyptian cotton lint grading | |
| CN108182142A (zh) | 测试资源整合方法、系统及功能测试方法、系统 | |
| Amal et al. | Morphological traits of drought tolerant horse gram germplasm: classification through machine learning | |
| CN111680234A (zh) | 具有专利信息发布和搜索功能的系统及其信息发布方法 | |
| CN115063021B (zh) | 水库大坝工程对环境影响的识别方法、系统、设备及介质 | |
| CN114021716A (zh) | 一种模型训练的方法、系统及电子设备 | |
| CN114331740A (zh) | 产业图谱大数据分析及扫描的数字化投资价值管理方法 |
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 |