CN116907576A - 一种自动化种苗检测系统、方法及电子设备 - Google Patents
一种自动化种苗检测系统、方法及电子设备 Download PDFInfo
- Publication number
- CN116907576A CN116907576A CN202310856431.7A CN202310856431A CN116907576A CN 116907576 A CN116907576 A CN 116907576A CN 202310856431 A CN202310856431 A CN 202310856431A CN 116907576 A CN116907576 A CN 116907576A
- Authority
- CN
- China
- Prior art keywords
- seedling
- seedlings
- camera
- conveyor belt
- fertilizer
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 56
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 62
- 239000003337 fertilizer Substances 0.000 claims abstract description 57
- 238000004458 analytical method Methods 0.000 claims abstract description 45
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 23
- 239000012535 impurity Substances 0.000 claims abstract description 21
- 238000003745 diagnosis Methods 0.000 claims abstract description 18
- 238000007599 discharging Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims description 41
- 238000012546 transfer Methods 0.000 claims description 22
- 230000011218 segmentation Effects 0.000 claims description 20
- 238000013135 deep learning Methods 0.000 claims description 16
- 238000011049 filling Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000007812 deficiency Effects 0.000 claims description 7
- 238000011068 loading method Methods 0.000 claims description 7
- 210000003462 vein Anatomy 0.000 claims description 7
- 239000012636 effector Substances 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 4
- 230000012010 growth Effects 0.000 abstract description 20
- 238000004519 manufacturing process Methods 0.000 abstract description 12
- 238000009395 breeding Methods 0.000 abstract description 7
- 230000001488 breeding effect Effects 0.000 abstract description 7
- 241000196324 Embryophyta Species 0.000 description 26
- 230000003595 spectral effect Effects 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 201000010099 disease Diseases 0.000 description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 9
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 8
- 241000238631 Hexapoda Species 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 229930002875 chlorophyll Natural products 0.000 description 6
- 235000019804 chlorophyll Nutrition 0.000 description 6
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 6
- 230000002411 adverse Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000005303 weighing Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 229910052757 nitrogen Inorganic materials 0.000 description 4
- 235000015097 nutrients Nutrition 0.000 description 4
- 241000593989 Scardinius erythrophthalmus Species 0.000 description 3
- 241000607479 Yersinia pestis Species 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 201000005111 ocular hyperemia Diseases 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 238000001712 DNA sequencing Methods 0.000 description 2
- 230000004308 accommodation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004313 glare Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 206010003694 Atrophy Diseases 0.000 description 1
- 230000007067 DNA methylation Effects 0.000 description 1
- 108010033040 Histones Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000037444 atrophy Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 230000036449 good health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000013090 high-throughput technology Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 230000001795 light effect Effects 0.000 description 1
- 230000036244 malformation Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
- B65G47/00—Article or material-handling devices associated with conveyors; Methods employing such devices
- B65G47/74—Feeding, transfer, or discharging devices of particular kinds or types
- B65G47/90—Devices for picking-up and depositing articles or materials
-
- 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
- B65G47/00—Article or material-handling devices associated with conveyors; Methods employing such devices
- B65G47/52—Devices for transferring articles or materials between conveyors i.e. discharging or feeding devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Abstract
本发明提供了一种自动化种苗检测系统、方法及电子设备,涉及种苗检测领域,包括上料传送带、机械臂、工作传送带、用于拍摄每个种苗的暗箱,以获得三维、高光谱、彩色图像信息的至少一个;另一苗盘,用于存放已经通过工作传送带和暗箱检测的至少一个种苗;下料传送带,用于将另一苗盘从工位传递到下料位;控制器,耦接上料传送带、机械臂、暗箱、下料传送带,用于实现自动上下料和自动化种苗检测过程。本发明在育种应用时,可以查看不同品种在苗期对不同逆境的影响的高通量数据;在生产时,自动化对种苗生长过程进行判断,检测种苗的生长情况进行表型解析,进而自动化实现种苗分级、种苗品种筛选、种质不纯、水肥丰缺诊断。
Description
技术领域
本发明涉及种苗检测领域,尤其涉及一种自动化种苗检测系统、方法及电子设备。
背景技术
种苗检测主要包括几个方面的内容:种苗分级,品种筛选,种质不纯表型信息采集和水肥丰缺诊断。但目前并没有成熟的检测方案能实现种苗的自动检测。
发明内容
本发明所要解决的技术问题是目前并没有成熟的检测方案能实现种苗的自动检测,目的在于提供一种自动化种苗检测系统、方法及电子设备,解决上述问题。
一种自动化种苗检测系统,包括上料传送带,用于将至少一个苗盘传送至工位,所述苗盘包括至少一个种苗;
机械臂,用于获取来自所述苗盘的至少一个种苗,并逐个将所述种苗放置在工作传送带上;
所述工作传送带,用于传送至少一个所述种苗并测量获得种苗重量,及基于水肥管将水肥注到苗盘中,获得水肥加注量;
暗箱,用于拍摄每个所述种苗,以获得三维、高光谱、彩色图像信息的至少一个;
另一苗盘,用于存放已经通过所述工作传送带和暗箱检测的至少一个所述种苗;
下料传送带,用于将所述另一苗盘从所述工位传递到下料位;
控制器,耦接所述上料传送带、机械臂、暗箱、下料传送带,用于实现自动上下料和自动化种苗检测过程。
进一步地,所述暗箱具有容置空间,在所述容置空间内设有移动机构,所述移动机构设置有至少一个结构光相机和至少一个多光谱相机,所述至少一个结构光相机和至少一个多光谱相机用于同步或异步的获得三维、高光谱、彩色图像信息的至少一个。
进一步地,所述结构光相机为3个,分别设置在所述容置空间的顶部和两侧,所述多光谱相机为1个且设置在所述容置空间的后部,所述容置空间的中部还设有环形光源。
进一步地,其中,所述控制器还用于获取存储在存储器中的处理模块,所述处理模块包括深度学习模块,所述深度学习模块用于接收所述暗箱中拍摄的图像,并执行种苗表型信息的分析,输出表型解析结果,所述表型解析结果包括种苗的水肥加注量、种苗的株高、茎粗、叶面积、叶片投影面积、叶片周长、叶脉纹理、叶片数量的至少一个。
进一步地,所述深度学习模块还用于根据所述表型解析结果,完成种苗分级、品种筛选和诊断种质不纯和水肥丰缺问题的二级分析。
进一步地,所述处理模块还包括异常样本剔除模块。
进一步地,所述处理模块还包括三维点云重建模块和语义分割模块,所述三维点云重建模块基于时间序列,通过重建暗箱拍摄的图像为三维模型,所述语义分割模块用于根据所述三维模型进行语义分割,将所述三维模型中的不同种苗区域标记为不同的语义类别,语义分割后的结果被输入到深度学习模型中。
进一步地,所述机械臂的末端执行器,包括依次连接的种苗转移组件、连接架和苗盘转移组件,所述种苗转移组件用于转移单个所述种苗,连接架用于连接所述种苗转移组件和所述苗盘转移组件,所述苗盘转移组件用于转移所述苗盘。
本发明另一方面实施例提出了一种自动化种苗检测方法,根据上述的种苗检测系统实现,包括以下步骤:
通过上料传送带将至少一个苗盘传送至工位,所述苗盘包括至少一个种苗;
通过机械臂获取来自所述苗盘的至少一个种苗,并逐个将所述种苗放置在工作传送带上;
通过所述工作传送带传送至少一个所述种苗并测量获得种苗重量,及基于水肥管将水肥注到苗盘中,获得水肥加注量;
通过所述工作传送带传送至少一个所述种苗至暗箱,并在所述暗箱中拍摄每个所述种苗,以获得三维、高光谱、彩色图像信息的至少一个;
通过控制器,对所述三维、高光谱、彩色图像信息的至少一个进行处理,以执行种苗表型信息的分析,输出表型解析结果,所述表型解析结果包括种苗的水肥加注量、种苗的株高、茎粗、叶面积、叶片投影面积、叶片周长、叶脉纹理、叶片数量的至少一个,和/或根据所述表型解析结果,完成种苗分级、品种筛选和诊断种质不纯和水肥丰缺问题的二级分析。
本发明另一方面实施例提出了一种电子设备,包括:
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法。
本发明与现有技术相比,具有如下的优点和有益效果:
1、本发明一种自动化种苗检测系统,在育种应用时,可以查看不同品种在苗期对不同逆境(缺水,高温,病虫)的影响的高通量数据;在生产时,自动化对种苗生长过程进行判断,检测种苗的生长情况进行表型解析,进而自动化实现种苗分级、种苗品种筛选、种质不纯、水肥丰缺诊断;
2、本发明一种自动化种苗检测方法,在育种应用时,可以查看不同品种在苗期对不同逆境(缺水,高温,病虫)的影响的高通量数据;在生产时,自动化对种苗生长过程进行判断,检测种苗的生长情况进行表型解析,进而自动化实现种苗分级、种苗品种筛选、种质不纯、水肥丰缺诊断;
3、本发明一种电子设备,在育种应用时,可以查看不同品种在苗期对不同逆境(缺水,高温,病虫)的影响的高通量数据;在生产时,自动化对种苗生长过程进行判断,检测种苗的生长情况进行表型解析,进而自动化实现种苗分级、种苗品种筛选、种质不纯、水肥丰缺诊断。
附图说明
附图用于更好地理解本方案,不构成对本发明的限定。其中:
图1是根据本发明一个实施例的种苗检测系统立体示意图;
图2是根据本发明一个实施例的种苗检测系统示意图;
图3是根据本发明一个实施例的工作时苗盘转移示意图;
图4是根据本发明一个实施例的暗箱内部结构的示意图;
图5是根据本发明一个实施例的处理模块的处理原理示意图;
图6是根据本发明一个实施例的处理模块的又一处理原理示意图;
图7是根据本发明一个实施例的基于高光谱图像获取种苗获取含氮量与叶绿素空间分布特征的示意图;
图8是根据本发明一个实施例的特征提取的示意图;
图9是根据本发明一个实施例的处理模块处理过程的示意图;
图10是根据本发明一个实施例的机械臂末端执行器的示意图;
图11是根据本发明一个实施例的电子设备的示意图。
附图标记:
100-检测系统,101-上料传送带,1021-工位,1022-苗盘,1023-种苗,103-机械臂,104-工作传送带,105-称重组件,106-暗箱,107-下料传送带,108-控制器,109-移动机构,110-结构光相机,111-多光谱相机,112-环形光源,113-存储器,114-处理模块,1141-深度学习模块,1142-三维点云重建模块,1143-语义分割模块,1144-异常样本剔除模块,115-标定板,11231-第一叶,11232-第二叶,11233-第三叶,116-末端执行器,1161-种苗转移组件,1162-连接架,1163-苗盘转移组件,117-电子设备。
具体实施方式
下面详细描述本发明的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
如图1所示,本发明提出一种自动化种苗检测系统100,包括上料传送带101,用于将至少一个苗盘1022传送至工位1021,所述苗盘1022包括至少一个种苗1023;
机械臂103,用于获取来自所述苗盘1022的至少一个种苗1023,并逐个将所述种苗1023放置在工作传送带104上;
所述工作传送带104,用于传送至少一个所述种苗1023并测量获得种苗1023重量,及基于水肥管将水肥注到苗盘1022中,获得水肥加注量;
暗箱106,用于拍摄每个所述种苗1023,以获得三维、高光谱、彩色图像信息的至少一个;
另一苗盘1022,用于存放已经通过所述工作传送带104和暗箱106检测的至少一个所述种苗1023;
下料传送带107,用于将所述另一苗盘1022从所述工位1021传递到下料位;
控制器108,耦接所述上料传送带101、机械臂103、暗箱106、下料传送带107,用于实现自动上下料和自动化种苗1023检测过程。
在一些实施方式中,如图1至图3所示,自动化种苗检测系统100是由三台传送带组成,分别位于左侧的下料传送带107和右侧的上料传送带101,以及中间环形的工作传送带104。左侧传送带用于上料,称为上料传送带101,右侧传送带用于下料,称为下料传送带107。在上料过程中,种苗1023被以盘为单位放置在苗盘1022上。示例性的,每个种苗1023盘上大约可以容纳24个种苗1023。种苗1023盘上的种苗1023是单个放置的。
工作时,AGV(Automated Guided Vehicle)机器人将多盘种苗1023传送至上料传送带101上,上料传送带101将整盘苗传送至工位1021,机械臂103逐个将种苗1023放置在工作传送带104上。工作传送带104传送该种苗1023至称重组件105,工作传送带104停止传送,并记录重量;同时通过水肥管将水肥注到苗盘1022中,并记录重量,获得水肥加注量。之后,工作传送带104将种苗1023传送至暗箱106,在暗箱106内,通过高光谱相机、彩色相机、三维相机的拍照,获得三维、高光谱、彩色图像信息的至少一个,只要能够达到拍照要求即可。拍摄完成后,种苗1023放回工作传送带104上,并通过工作传送带104返回至工位1021,机械臂103将种苗1023放置在位于下料传送带107的出苗苗盘1022上,循环上述过程直至所有的上料传送带101上的苗盘1022中的种苗1023都已检测完毕,且所有种苗1023都已转移到下料传送带107的苗盘1022上。当下料传送带107的苗盘1022装满后,从下料传送带107传出。机械臂103调转上料传送带101的空苗盘1022至下料传送带107,上料传送带101将下组苗盘1022传到工位1021。在上料过程中,每个上料盘可以放置2到3个苗盘1022,下一轮的苗盘1022会再次被传送到上料位置,如此,可以让上料传送带101上的每一苗盘1022充分利用,上一轮的被转移完的空的苗盘1022作为下一轮的下料的苗盘1022,这样的结构可以保持种苗1023的连续供应。
在一些实施方式中,控制器108可以包括多个处理器组成的集成装置,第一处理器可用于控制上述工作时的运动控制,第二处理器可以通过调用存储在存储器113中的处理模块114执行种苗1023检测的过程,也可以第一处理器和第二处理器是并行处理的一个处理器,此处不做限制。种苗1023在暗箱106被拍照后,经过处理模块114自动化完成种苗1023检测的过程。
在一些实施方式中,称重组件105是指位于工作传送带104上的中间部分。机器人将种苗1023逐个放置到称重组件105上,称重组件105会顺时针转动并经过照相区域,照相区域就是暗箱106。下料时,机器人逐个从工作传送带104上取下种苗1023,并放入出料盘中。
在一些实施例中,包括AGV机器人的检测系统100,AGV机器人用于传送多盘种苗1023至上料传送带101,或从下料传送带107的下料位转移多盘种苗1023到储料仓库,由此实现不停机的检测。
所述暗箱106具有容置空间,在所述容置空间内设有移动机构109,所述移动机构109设置有至少一个结构光相机110和至少一个多光谱相机111,所述至少一个结构光相机110和至少一个多光谱相机111用于同步或异步的获得三维、高光谱、彩色图像信息的至少一个。
其中,三维、彩色图像是常见的图像类型,不同拍摄角度和数量的结构光相机110可以获得不同视角的种苗1023图像。而高光谱(Hyperspectral)是指在可见光谱范围以及更宽波段范围内获取和分析数据的技术和方法。传统的彩色图像仅包含红、绿、蓝三个通道的信息,而高光谱技术可以获取数十甚至数百个连续波段的光谱信息。高光谱图像通过在几十个或几百个离散波长上采集光谱数据,能够提供丰富的光谱信息,每个波段都包含了不同的光谱特征。这种连续的光谱采样可以更细致地分辨材料的光谱特性和反射率变化,对于物体的分类、识别和分析提供了更高的准确性和详细度。
至少一个结构光相机110和至少一个多光谱相机111可同步或异步获取种苗1023的不同图像,按实际需要设置即可。
本实施例中,暗箱106中使用了一个移动机构109(例如机械臂103、龙门架等)进行视角调整,并且涉及到三个结构光相机110和一个多光谱相机111。多光谱相机111是多模态系统中的一部分,用于采集更多的光谱信息。
所述结构光相机110为3个,分别设置在所述容置空间的顶部和两侧,所述多光谱相机111为1个且设置在所述容置空间的后部,所述容置空间的中部还设有环形光源112。
其中,如图4所示为本发明一个实施例的暗箱106内部结构的示意图。环形光源112可改善照明效果,提供更均匀、柔和,减少自然的光照反射和眩光、模拟自然光效果、得到高对比度的图像和减少红眼效应。具体的,环形光源112的光线方向相对于镜头或传感器是较为平行的,因此可以减少光线反射和眩光的影响。这对种苗1023的结构光图像的清晰度和质量非常关键。此外,由于环形光源112的特殊形状和光线分布,它可以在种苗1023周围产生明显的边缘和阴影,从而增加图像的对比度,对处理模型完成表型分析较为关键,可以突出轮廓和细节。再者,环形光源112位于结构光相机110镜头的前方或靠近镜头的位置,可以减少或消除因直接闪光而导致的红眼效应。红眼是由于光线直接照射到眼睛的瞳孔并反射回相机镜头造成的现象,而环形光源112的位置可以降低这种现象的发生。
其中,所述控制器108还用于获取存储在存储器113中的处理模块114,所述处理模块114包括深度学习模块1141,所述深度学习模块1141用于接收所述暗箱106中拍摄的图像,并执行种苗1023表型信息的分析,输出表型解析结果,所述表型解析结果包括种苗1023的水肥加注量、种苗1023的株高、茎粗、叶面积、叶片投影面积、叶片周长、叶脉纹理、叶片数量的至少一个。
在本实施例中,处理模块114涉及到深度学习图像处理和三维重建等技术,可包括深度学习模块1141和三维重建模块。其中,深度学习模块1141是一个重要的组成部分。这个模块可以定义为表型解析算法或表型解析模块,并包含多个子模块。
深度学习模块1141主要负责图像处理任务。它接收输入图像,并经过算法处理后输出结果。具体来说,这个模块的输入可以是表型图片,输出则是对表型的解析结果。在深度学习模块1141中,可以选择使用不同的算法,比如卷积神经网络(CNN)等。
所述深度学习模块1141还用于根据所述表型解析结果,完成种苗分级、品种筛选和诊断种质不纯和水肥丰缺问题的二级分析。
进一步地,结合水肥丰缺模型和作物生长模型实现种苗分级和种类判别,例如可包括以下步骤:
数据整理和准备:将收集到的种苗1023表型解析结果数据进行整理和准备,确保数据的完整性和准确性。对于缺失值或异常值,可以进行适当的处理,例如插补或剔除。
种苗分级:根据种苗1023表型解析结果中的特征参数,可以使用聚类分析或分类算法将种苗1023进行分级。聚类分析可以将相似特征的种苗1023样本聚集在一起,形成不同的类别。分类算法可以使用已知的标签信息来训练模型,然后对未知的种苗1023样本进行分类。种苗分级有助于将种苗1023按照特征差异进行归类和比较。
品种筛选:利用种苗1023表型解析结果进行品种筛选。根据特定的品种标准和特征参数,可以建立筛选模型或设置筛选规则。通过对种苗1023表型数据进行匹配或比较,识别符合要求的品种。
种质不纯诊断:通过种苗1023表型解析结果,观察种苗1023样本中的特征差异和一致性。如果在同一批次或同一品种的种苗1023样本中存在明显的差异,可能提示种质不纯的问题。可以使用统计分析或图像分析方法来识别异常样本或确定不一致的特征。
水肥丰缺问题诊断:基于种苗1023表型解析结果中的水肥加注量和相关特征参数,可以判断种苗1023是否存在水肥丰缺问题。通过与预设的水肥标准进行比较判断,可以确定种苗1023的水肥状况。可以使用图表、指标计算或专家判断等方法进行诊断和评估。
结果分析和决策:对二级分析的结果进行综合分析和解读。根据种苗分级、品种筛选和诊断结果,结合实际需求和目标,进行进一步的决策和调整。可以针对不同的问题制定相应的措施,如优化水肥管理、调整种苗1023生产流程或进行进一步的鉴定和测试。
其中,种苗分级是将植物种子或幼苗按照其大小、外观、健康状况等特征进行分类的过程。其目的是为了确保植物种子能够在生长期间得到均衡的生长和合理的利用。常见的种苗分级标准包括:外观:种子或幼苗外表是否完整无损、色泽是否正常等。大小:种子或幼苗的大小是否一致,是否符合种植需求。健康状况:种子或幼苗是否患有病虫害,是否存在畸形或萎缩现象等。根据以上标准,种苗1023可以分为优良种、普通种、劣种三个等级。其中,优良种的特点是外观完好,大小适中,并且健康状况良好,是最优质的种苗1023;普通种相对而言质量稍差;劣种则是那些明显有病害或者其他缺陷,不适合种植的种苗1023。通过种苗分级,可以提高种植效率和产量,同时也可以保证植物的生长健康和品质。
种苗品种筛选是指在众多的植物品种中,选择出最适合特定条件下生长和发展的品种。它通常包括以下几个步骤:确定需求:根据实际需要和生产要求,明确所需的种苗1023品种类型、数量和质量标准等。收集信息:了解各种植物品种的性状、生态习性、适应环境条件、抗病虫害能力等方面的信息。设定筛选标准:依据实际情况,设定筛选标准,如生长周期、经济价值、有无病虫害等。进行实地考察:到生产现场或者试验基地进行实地考察,了解各品种在不同地区、不同季节、不同环境条件下的生长情况。实验比较分析:对比试验数据,从中选出表现最优秀的品种进行后续的推广使用。综合评估:通过前期的实地考察和实验比较,对每一个品种进行全面综合评估,选出最适合的品种。种苗品种筛选非常重要,因为合适的品种能够提高生产效益和经济效益,同时也有利于环境保护和人类健康。
种质不纯指的是同一品种中存在着不同表型或性状的个体的现象,这会影响到植物后代的生长和发育。为了进行高效的种质不纯表型信息采集工作,可以采用以下高通量技术:高通量图像分析:通过对大量样本进行图像捕获和分析,可以快速、准确地测量花、果实、叶片等各种形态特征,从而得出种质不纯表型信息。基因芯片技术:利用基因芯片技术,可以同时检测和分析大量基因,从而得出有关表型变异的遗传机制信息。表观组学技术:表观组学技术可以用来测量DNA甲基化水平、组蛋白修饰以及RNA表达谱等方面的信息,从而精细地描述表型特征的变异。DNA测序技术:DNA测序技术可以用来检测和确定个体之间的基因差异,从而更加准确地判断种质不纯现象。以上这些高通量技术都具有高效、快速、准确、精细等特点,能够帮助科学家们更好地了解植物种质不纯的表型信息,以便进行后续的筛选和优化工作。
水肥丰缺诊断是指通过对植物生长过程中所需的水分和营养元素(肥料)进行检测,以确定植物是否处于水分充足、肥料充足或不足的状态。以下是常用的水肥丰缺诊断方法:土壤检测法:通过取样检测土壤中水分和营养元素的含量,从而判断是否缺水缺肥。叶片颜色法:通过观察叶片的颜色和质地等特征,以及不同部位叶片之间的比较,可以初步判断植物所处的水肥状态。经验法:结合实际种植经验,根据植物的生长情况来判断是否需要增加或减少灌溉或施肥的次数和数量。仪器检测法:利用现代化仪器设备,对植物生长环境中的水分、营养元素进行快速、准确、非破坏性检测。生物学指标法:结合植物生理学知识,如叶绿素含量、蒸腾速率、光合速率等指标,对植物的生长状态进行评估。
以上这些方法可以单独使用,也可以结合应用,从而更加准确地诊断水肥丰缺。通过及时的诊断和调整,可以保证植物在生长期间获得足够的水分和营养元素,从而保证高产、高质、高效的生产目标。
在一些实施方式中,所述处理模块114还包括异常样本剔除模块1144。
在面对异常样本,例如种苗1023缺失或算法本身缺陷导致分析样本问题等情况,不适用于进行分析时,异常样本剔除模块1144将自动剔除异常数据,避免影响分析的准确性。具体的,可以选择适当的异常检测算法来识别异常样本,例如包括基于统计的方法(如均值-方差检测、箱线图等)、基于距离的方法(如K近邻算法、孤立森林等)、基于聚类的方法(如LOF算法)和基于机器学习的方法(如支持向量机、随机森林等)等。
所述处理模块114还包括三维点云重建模块1142和语义分割模块1143,所述三维点云重建模块1142基于时间序列,通过重建暗箱106拍摄的图像为三维模型,所述语义分割模块1143用于根据所述三维模型进行语义分割,将所述三维模型中的不同种苗1023区域标记为不同的语义类别,语义分割后的结果被输入到深度学习模型中。
具体的,以图5为例,该种苗1023有4个叶子,这是一个叶子的不同视角。这个叶子采用了一种特殊的模态来拍摄,这就是所说的多模态。通过多次采集并将其融合,得到了一个融合后的结果。为了进行定向测量或点云重建,需要对结果进行标定,以便在结果中准确确定方向和位置。对于这个标定过程,使用了结构光相机110和多光谱相机111。通过时间序列和多张图像,输入深度学习模型来实现种苗1023生长期性状估计。通过搭建可控环境平台,控制作物水肥、光质光谱和温度等因素,提取不同品种种苗1023响应特性。
所述三维点云重建模块1142用于实现多模态三维模型建立方法,融合可见光、高光谱和三维点云数据,获得种苗1023多模态三维模型。深度学习模块1141进一步利用高光谱信息提取叶绿素等数据,获得作物内部品质(叶绿素、含氮量等)模态的三维模型,利用表型技术,提高作物生长信息的数字化和标准化和可视化程度。
具体的,通过结构光相机110用于获取三维点云图像,通过多光谱相机111提取叶绿素、氮含量和水分含量等信息。多光谱相机111可以获得超出可见光波段的信息,例如700纳米到900纳米波段。这些信息在与空间信息相对应时非常有用。尽管文本中没有明确描述,但通过图像可能更加清晰。标定过程中涉及到的相机之间的相对位置也需要获得准确。
结构光相机110和多光谱相机111是两种不同类型的相机,它们在工作原理和应用方面存在一些异同点。
1.工作原理:结构光相机110使用投射结构光(通常是红外光或编码光)到场景上,并通过测量被反射或投射的结构光来获取场景的深度和三维信息。多光谱相机111则使用多个特定波长的传感器或滤光片来捕捉不同波段的光谱信息。
2.数据获取:结构光相机110通过分析投射的结构光在场景中的变形或位移来计算深度信息。多光谱相机111通过同时记录不同波段的光谱信息来获取多光谱图像。
3.应用领域:结构光相机110主要用于三维重建、深度测量和姿态估计等应用,适用于需要获取场景几何信息的场合。多光谱相机111广泛应用于农业、环境监测、地质勘探和生物医学等领域,以获取物体的光谱特性和表面信息。
4.数据处理:结构光相机110通常需要进行计算和处理,以从场景中的结构光模式中提取深度信息。多光谱相机111则涉及对多光谱图像进行处理和分析,以获取目标物体的光谱特征。
其中,结构光相机110是一种能够获取三维深度信息的相机。它通过投射结构光(通常是红外光或编码光)到场景上,并利用相机捕捉和分析结构光在场景中的变形或位移来计算物体的深度和三维形状信息。结构光相机110通常包括一个投影器和一个深度传感器(如时间-of-flight传感器或红外摄像机),通过结合投影和深度数据,可以生成具有几何信息的三维模型。结构光相机110广泛应用于三维扫描、人脸识别、姿态追踪、工业检测等领域。
而多光谱相机111是一种能够同时获取不同波长光谱信息的相机。它通过使用多个传感器或滤光片,分别感知不同波段的光谱信息,以获取物体在不同波长下的反射或吸收特性。多光谱相机111通常包含多个光学通道或传感器,用于捕捉不同波长范围的光谱数据,例如可见光、红外线和紫外线等。通过获取多个波段的图像,多光谱相机111可以提供更丰富的光谱信息,用于农业作物监测、环境研究、遥感影像分析等领域。
在实际使用过程中,按照以下顺序进行操作:
首先,如图4所示,需先进行标定,以确保结构光相机110和多光谱相机111的空间位置准确。标定使用了一个类似于二维码的黑白标定板115,用于确定相机坐标系与图像坐标系之间的转换关系。
在获得了标定结果之后,即可进行多模态的数据处理。
在获得了结构光相机110的三维点云图像和多光谱相机111的各种信息后,通过空间信息的融合,利用刚才标定的空间信息来关联不同模态的数据。这个过程可以用语义分割和点云聚类来实现。
具体来说,首先进行语义分割,将彩色图像分割成不同的部分。然后,将分割后的图像与点云进行对应。此时,可以利用点云的空间位置信息,结合语义信息进行空间聚类,从而获得更精确的叶子分割结果,即实现不同种苗1023区域标记为不同的语义类别。这样,就能够精确地获取每片叶子或茎的信息。
如图6所示,在第一种情况下,观察到一个完整且没有被遮挡的第一叶11231,这时可以完整地重建点云和进行语义分割。
而在第二种情况下,可以看到第二叶11232的一部分被遮挡住了。尽管在彩色图像中无法直接观察到遮挡部分的细节,但通过点云的空间信息,可以推断出被遮挡部分的大致位置。然后,通过检索的方式将语义分割结果与点云对应起来,从而实现完整的语义分割。
第三种情况是由于第三叶11233与相机的夹角过大,导致在点云采集过程中无法获得完整的叶子。但是,如果从多个视角进行拍摄,就有可能重建出完整的叶子。在这种情况下,同样可以通过点云聚类的方法,将不同视角下的点云数据进行合并,得到完整的叶子分割结果。
如此,结合三维点云重建模块1142和语义分割模块1143可以更精准提取种苗1023多种表型信息和表型变化率等特征,如:叶片数量、叶面积、叶片投影面积、叶片周长、叶脉纹理、株高生长速率和茎粗变化速率等,并基于高光谱图像获取种苗1023获取含氮量与叶绿素空间分布特征,如图7所示。
具体的,对于叶片面积,基于滚球法对种苗1023叶片点云进行三角面片化,实现叶片的表面重建。先计算叶片点云的法向量,如图8a,并进行方向归一化,之后统计点云上可以形成三点一面的相邻点,创造三角面片。由此,表面重建后的叶片模型有由若干个三角形拼接而成,如图8b。对于三角面片化的点云,先遍历获取所有的三角面片的顶点坐标信息,依据坐标信息可以计算出三角形的各边边长,进而通过海伦公式,计算每个面片的面积Si,之后进行累加,得到叶片的面积S。
其中:Pi为三角面片周长的一半,ai、bi、ci为三角面片三边各长,n为叶片点云中三角面片的总数,i为三角面片的索引。
对于叶片周长,提取叶片点云的x,y信息,将叶片三维点云投影到二维空间得到二维点,之后将二维点视作凸包,通过凸包(convex hull,CH)算法提取得到n个边缘点,得到边缘点的索引i,根据索引,提取得到叶片点云的边缘点三维坐标,如图8c。遍历累加相邻边缘点之间的欧式距离Di最终得到叶片点云的周长D。
对于叶片卷曲度和叶倾角,计算的出叶片点云包围盒顶点信息,定义包围盒存在最长边斜平分切面为叶片投影平面(如图8d中平面ABC),将叶片点云投影到此平面,如图8e。计算投影面积P,则叶片的卷曲度C在这里可以定义为
叶倾角定义为投影平面与机械臂103底座坐标系Z轴的夹角。
对于株高,株高是种苗1023的一项基本表型参数。本发明所用的种苗1023栽培盆型号一致,在进行数据采集时各个试验样品也是放置于同一位置,所以对株高的提取,本发明以种植盆的盆沿为计算株高的最低面,最低面的Z方向值在机械臂103底座坐标系上记为Zl;对于最高点的选取,本发明对种苗1023点云各个点的Z方向坐标,之后选取最大值Zh所代表的点作为株高测量的最高点,如图8f所示,则本发明种苗1023株高H的计算方式为:
H=Zh-Zl
对于茎粗,由于种苗1023的主茎较为纤细,使用椭圆拟合的方式效果不佳,故本发明对茎粗的提取将直接借用直通滤波算法思想提取茎粗。直通滤波是依据点云提取函数,对空间中指定的字段或者坐标范围点云进行截取,并保留范围内的点云,剔除范围外的点云。本发明利用直通滤波算法截取到种植盆的盆沿平面往上2cm的主茎点云段,之后对截取段内的点云点进行遍历,计算该段茎秆点云坐标距离最远两点的距离,即未种苗1023的茎粗,如图8g所示。本发明在使用游标卡尺进行人工测量茎粗时,同样按照此标准进行测量。
最终,处理模块114经过上述实施例,处理过程汇总如图9所示。
在一些实施方式中,所述机械臂103的末端执行器116,包括依次连接的种苗转移组件1161、连接架1162和苗盘转移组件1163,所述种苗转移组件1161用于转移单个所述种苗1023,连接架1162用于连接所述种苗转移组件1161和所述苗盘转移组件1163,所述苗盘转移组件1163用于转移所述苗盘1022。一种示例性的技术方案中,如图10所示,为了实现自动化种苗1023检测的过程,采用了这种末端执行器116的夹具结构。如此,可以实现一个夹具完成种苗1023转移和苗盘1022转移,节约空间提高自动化检测的效率。
本发明一种实施方式中,提出了一种自动化种苗检测方法,根据上述实施例的种苗检测系统100实现,包括以下步骤:
通过上料传送带101将至少一个苗盘1022传送至工位1021,所述苗盘1022包括至少一个种苗1023;
通过机械臂103获取来自所述苗盘1022的至少一个种苗1023,并逐个将所述种苗1023放置在工作传送带104上;
通过所述工作传送带104传送至少一个所述种苗1023并测量获得种苗1023重量,及基于水肥管将水肥注到苗盘1022中,获得水肥加注量;
通过所述工作传送带104传送至少一个所述种苗1023至暗箱106,并在所述暗箱106中拍摄每个所述种苗1023,以获得三维、高光谱、彩色图像信息的至少一个;
通过控制器108,对所述三维、高光谱、彩色图像信息的至少一个进行处理,以执行种苗1023表型信息的分析,输出表型解析结果,所述表型解析结果包括种苗1023的水肥加注量、种苗1023的株高、茎粗、叶面积、叶片投影面积、叶片周长、叶脉纹理、叶片数量的至少一个,和/或根据所述表型解析结果,完成种苗分级、品种筛选和诊断种质不纯和水肥丰缺问题的二级分析。
在一些实施方式中,上述实施例已充分说明自动化种苗检测方法的技术方案,此处不再赘述。
本发明又一种实施方式中,提出了一种电子设备117,包括:
存储器113、处理器及存储在存储器113上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述自动化种苗检测方法。
其中,具体的,通过该电子设备117,可实现自动化执行种苗1023检测方法。
需说明的是,如图11所示,本示例中的电子设备117以通用计算设备的形式表现。电子设备117的组件可以包括但不限于:一个或者多个处理器或者处理单元,系统存储器113,连接不同系统组件(包括系统存储器113和处理单元)的总线。
电子设备117包括计算单元,其可以根据存储在ROM(Read-Only Memory,只读存储器113)中的计算机程序或者从存储单元加载到RAM(Random Access Memory,随机访问/存取存储器113)中的计算机程序,来执行各种适当的动作和处理。在RAM中,还可存储设备操作所需的各种程序和数据。计算单元、ROM以及RAM通过总线彼此相连。I/O(Input/Output,输入/输出)接口也连接至总线。
电子设备117中的多个部件连接至I/O接口,包括:输入单元,例如键盘、鼠标等;输出单元,例如各种类型的显示器、扬声器等;存储单元,例如磁盘、光盘等;以及通信单元,例如网卡、调制解调器、无线通信收发机等。通信单元允许设备通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
用来实施本发明的实施例的示例的电子设备117,旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机和其它适合的计算机。电子设备117还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本发明所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本发明中描述的和/或者要求的本发明的实现。
处理器为计算单元,计算单元可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器的一些示例包括但不限于CPU(Central Processing Unit,中央处理单元)、GPU(Graphic ProcessingUnits,图形处理单元)、各种专用的AI(ArtificialIntelligence,人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(DigitalSignal Processor,数字信号处理器)、以及任何适当的处理器、控制器108、微控制器108等。计算单元执行上文所描述的各个方法和处理,例如基于焦面拟合的成像方法。例如,在一些实施例中,基于焦面拟合的成像方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元。在一些实施例中,计算机程序的部分或者全部可以经由ROM和/或通信单元而被载入和/或安装到设备上。当计算机程序加载到RAM并由计算单元执行时,可以执行上文描述的方法的一个或多个步骤。备选地,在其他实施例中,处理器可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行前述方法。
在本发明的上下文中,存储器113可为机器可读介质,可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质也可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory,可擦除可编程只读存储器113)或快闪存储器113、光纤、CD-ROM(CompactDiscRead-Only Memory,便捷式紧凑盘只读存储器113)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器108,使得程序代码当由处理器或控制器108执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
本发明与现有技术相比,具有如下的优点和有益效果:
1、本发明提供的一种自动化种苗检测系统,在育种应用时,可以查看不同品种在苗期对不同逆境(缺水,高温,病虫)的影响的高通量数据;在生产时,自动化对种苗生长过程进行判断,检测种苗的生长情况进行表型解析,进而自动化实现种苗分级、种苗品种筛选、种质不纯、水肥丰缺诊断;
2、本发明提供的一种自动化种苗检测方法,在育种应用时,可以查看不同品种在苗期对不同逆境(缺水,高温,病虫)的影响的高通量数据;在生产时,自动化对种苗生长过程进行判断,检测种苗的生长情况进行表型解析,进而自动化实现种苗分级、种苗品种筛选、种质不纯、水肥丰缺诊断;
3、本发明提供的一种电子设备,在育种应用时,可以查看不同品种在苗期对不同逆境(缺水,高温,病虫)的影响的高通量数据;在生产时,自动化对种苗生长过程进行判断,检测种苗的生长情况进行表型解析,进而自动化实现种苗分级、种苗品种筛选、种质不纯、水肥丰缺诊断。
在本发明所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
Claims (10)
1.一种自动化种苗检测系统,包括上料传送带(101),用于将至少一个苗盘(1022)传送至工位(1021),所述苗盘(1022)包括至少一个种苗(1023);其特征在于,还包括:
机械臂(103),用于获取来自所述苗盘(1022)的至少一个种苗(1023),并逐个将所述种苗(1023)放置在工作传送带(104)上;
所述工作传送带(104),用于传送至少一个所述种苗(1023)并测量获得种苗(1023)重量,及基于水肥管将水肥注到苗盘(1022)中,获得水肥加注量;
暗箱(106),用于拍摄每个所述种苗(1023),以获得三维、高光谱、彩色图像信息的至少一个;
另一苗盘(1022),用于存放已经通过所述工作传送带(104)和暗箱(106)检测的至少一个所述种苗(1023);
下料传送带(107),用于将所述另一苗盘(1022)从所述工位(1021)传递到下料位;
控制器(108),耦接所述上料传送带(101)、机械臂(103)、暗箱(106)、下料传送带(107),用于实现自动上下料和自动化种苗检测过程。
2.根据权利要求1所述的一种自动化种苗检测系统,其特征在于,所述暗箱(106)具有容置空间,在所述容置空间内设有移动机构(109),所述移动机构(109)设置有至少一个结构光相机(110)和至少一个多光谱相机(111),所述至少一个结构光相机(110)和至少一个多光谱相机(111)用于同步或异步的获得三维、高光谱、彩色图像信息的至少一个。
3.根据权利要求2所述的一种自动化种苗检测系统,其特征在于,所述结构光相机(110)为3个,分别设置在所述容置空间的顶部和两侧,所述多光谱相机(111)为1个且设置在所述容置空间的后部,所述容置空间的中部还设有环形光源(112)。
4.根据权利要求1所述的一种自动化种苗检测系统,其特征在于,其中,所述控制器(108)还用于获取存储在存储器(113)中的处理模块(114),所述处理模块(114)包括深度学习模块(1141),所述深度学习模块(1141)用于接收所述暗箱(106)中拍摄的图像,并执行种苗(1023)表型信息的分析,输出表型解析结果,所述表型解析结果包括种苗(1023)的水肥加注量、种苗(1023)的株高、茎粗、叶面积、叶片投影面积、叶片周长、叶脉纹理、叶片数量的至少一个。
5.根据权利要求4所述的一种自动化种苗检测系统,其特征在于,所述深度学习模块(1141)还用于根据所述表型解析结果,完成种苗(1023)分级、品种筛选和诊断种质不纯和水肥丰缺问题的二级分析。
6.根据权利要求4所述的一种自动化种苗检测系统,其特征在于,所述处理模块(114)还包括异常样本剔除模块(1144)。
7.根据权利要求4所述的一种自动化种苗检测系统,其特征在于,所述处理模块(114)还包括三维点云重建模块(1142)和语义分割模块(1143),所述三维点云重建模块(1142)基于时间序列,通过重建暗箱(106)拍摄的图像为三维模型,所述语义分割模块(1143)用于根据所述三维模型进行语义分割,将所述三维模型中的不同种苗(1023)区域标记为不同的语义类别,语义分割后的结果被输入到深度学习模型中。
8.根据权利要求1所述的一种自动化种苗检测系统,其特征在于,所述机械臂(103)的末端执行器(116),包括依次连接的种苗转移组件(1161)、连接架(1162)和苗盘转移组件(1163),所述种苗转移组件(1161)用于转移单个所述种苗(1023),连接架(1162)用于连接所述种苗转移组件(1161)和所述苗盘转移组件(1163),所述苗盘转移组件(1163)用于转移所述苗盘(1022)。
9.一种自动化种苗检测方法,根据如权利要求1-8任一所述的种苗检测系统实现,包括以下步骤:
通过上料传送带(101)将至少一个苗盘(1022)传送至工位(1021),所述苗盘(1022)包括至少一个种苗(1023);
通过机械臂(103)获取来自所述苗盘(1022)的至少一个种苗(1023),并逐个将所述种苗(1023)放置在工作传送带(104)上;
通过所述工作传送带(104)传送至少一个所述种苗(1023)并测量获得种苗(1023)重量,及基于水肥管将水肥注到苗盘(1022)中,获得水肥加注量;
通过所述工作传送带(104)传送至少一个所述种苗(1023)至暗箱(106),并在所述暗箱(106)中拍摄每个所述种苗(1023),以获得三维、高光谱、彩色图像信息的至少一个;
通过控制器(108),对所述三维、高光谱、彩色图像信息的至少一个进行处理,以执行种苗表型信息的分析,输出表型解析结果,所述表型解析结果包括种苗的水肥加注量、种苗的株高、茎粗、叶面积、叶片投影面积、叶片周长、叶脉纹理、叶片数量的至少一个,和/或根据所述表型解析结果,完成种苗分级、品种筛选和诊断种质不纯和水肥丰缺问题的二级分析。
10.一种电子设备,其特征在于,包括:存储器(113)、处理器及存储在存储器(113)上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求9所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310856431.7A CN116907576A (zh) | 2023-07-13 | 2023-07-13 | 一种自动化种苗检测系统、方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310856431.7A CN116907576A (zh) | 2023-07-13 | 2023-07-13 | 一种自动化种苗检测系统、方法及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116907576A true CN116907576A (zh) | 2023-10-20 |
Family
ID=88366104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310856431.7A Pending CN116907576A (zh) | 2023-07-13 | 2023-07-13 | 一种自动化种苗检测系统、方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116907576A (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101881726A (zh) * | 2010-06-18 | 2010-11-10 | 北京农业智能装备技术研究中心 | 植物幼苗综合性状活体无损检测方法 |
CN102495005A (zh) * | 2011-11-17 | 2012-06-13 | 江苏大学 | 高光谱图像技术诊断作物水分亏缺的方法 |
CN105738294A (zh) * | 2016-03-01 | 2016-07-06 | 江苏大学 | 基于单目多视成像的穗状水果自动检测装置及方法 |
CN107132228A (zh) * | 2017-06-06 | 2017-09-05 | 浙江大学 | 一种油菜全生长期信息的高通量表型研究系统 |
CN108287010A (zh) * | 2018-03-09 | 2018-07-17 | 江苏大学 | 一种螃蟹多指标分级装置与方法 |
CN109076856A (zh) * | 2018-07-26 | 2018-12-25 | 广西田东县东辰农业开发有限公司 | 一种芒果的高产种植方法 |
CN112470907A (zh) * | 2020-11-16 | 2021-03-12 | 中国科学院合肥物质科学研究院 | 一种水培施肥机 |
CN113252584A (zh) * | 2021-04-22 | 2021-08-13 | 华南农业大学 | 基于5g传输的作物生长检测方法及系统 |
CN113607659A (zh) * | 2021-08-26 | 2021-11-05 | 广东省农业科学院设施农业研究所 | 一种传送带式作物表型获取方法、系统及装置 |
CN215525565U (zh) * | 2021-09-02 | 2022-01-14 | 华中农业大学 | 果菜苗表型自动化无损检测系统 |
CN114521377A (zh) * | 2022-02-22 | 2022-05-24 | 贵州大学 | 一种基于水肥调控计算马尾松播种苗需水需肥规律的方法 |
CN114858984A (zh) * | 2022-04-22 | 2022-08-05 | 河北工业大学 | 厚皮甜瓜种质资源商品性数据采集装置及采集与分析方法 |
CN115170522A (zh) * | 2022-07-15 | 2022-10-11 | 河南科技大学 | 一种基于机器视觉的穴盘种苗分级移栽方法 |
CN115266720A (zh) * | 2022-08-09 | 2022-11-01 | 黑龙江八一农垦大学 | 多尺度光谱成像的玉米生长期养分信息检测方法 |
CN115728249A (zh) * | 2022-11-04 | 2023-03-03 | 华南农业大学 | 一种番茄幼苗的叶绿素含量的预测方法及处理终端 |
CN115843582A (zh) * | 2022-12-07 | 2023-03-28 | 北京市农业技术推广站 | 一种播种穴盘物联网智能灌溉管理方法和系统 |
CN116147490A (zh) * | 2023-04-17 | 2023-05-23 | 慧诺瑞德(北京)科技有限公司 | 高通量植物表型信息采集测量系统及方法 |
-
2023
- 2023-07-13 CN CN202310856431.7A patent/CN116907576A/zh active Pending
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101881726A (zh) * | 2010-06-18 | 2010-11-10 | 北京农业智能装备技术研究中心 | 植物幼苗综合性状活体无损检测方法 |
CN102495005A (zh) * | 2011-11-17 | 2012-06-13 | 江苏大学 | 高光谱图像技术诊断作物水分亏缺的方法 |
CN105738294A (zh) * | 2016-03-01 | 2016-07-06 | 江苏大学 | 基于单目多视成像的穗状水果自动检测装置及方法 |
CN107132228A (zh) * | 2017-06-06 | 2017-09-05 | 浙江大学 | 一种油菜全生长期信息的高通量表型研究系统 |
CN108287010A (zh) * | 2018-03-09 | 2018-07-17 | 江苏大学 | 一种螃蟹多指标分级装置与方法 |
CN109076856A (zh) * | 2018-07-26 | 2018-12-25 | 广西田东县东辰农业开发有限公司 | 一种芒果的高产种植方法 |
CN112470907A (zh) * | 2020-11-16 | 2021-03-12 | 中国科学院合肥物质科学研究院 | 一种水培施肥机 |
CN113252584A (zh) * | 2021-04-22 | 2021-08-13 | 华南农业大学 | 基于5g传输的作物生长检测方法及系统 |
CN113607659A (zh) * | 2021-08-26 | 2021-11-05 | 广东省农业科学院设施农业研究所 | 一种传送带式作物表型获取方法、系统及装置 |
CN215525565U (zh) * | 2021-09-02 | 2022-01-14 | 华中农业大学 | 果菜苗表型自动化无损检测系统 |
CN114521377A (zh) * | 2022-02-22 | 2022-05-24 | 贵州大学 | 一种基于水肥调控计算马尾松播种苗需水需肥规律的方法 |
CN114858984A (zh) * | 2022-04-22 | 2022-08-05 | 河北工业大学 | 厚皮甜瓜种质资源商品性数据采集装置及采集与分析方法 |
CN115170522A (zh) * | 2022-07-15 | 2022-10-11 | 河南科技大学 | 一种基于机器视觉的穴盘种苗分级移栽方法 |
CN115266720A (zh) * | 2022-08-09 | 2022-11-01 | 黑龙江八一农垦大学 | 多尺度光谱成像的玉米生长期养分信息检测方法 |
CN115728249A (zh) * | 2022-11-04 | 2023-03-03 | 华南农业大学 | 一种番茄幼苗的叶绿素含量的预测方法及处理终端 |
CN115843582A (zh) * | 2022-12-07 | 2023-03-28 | 北京市农业技术推广站 | 一种播种穴盘物联网智能灌溉管理方法和系统 |
CN116147490A (zh) * | 2023-04-17 | 2023-05-23 | 慧诺瑞德(北京)科技有限公司 | 高通量植物表型信息采集测量系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Apolo-Apolo et al. | Deep learning techniques for estimation of the yield and size of citrus fruits using a UAV | |
Sun et al. | Three-dimensional photogrammetric mapping of cotton bolls in situ based on point cloud segmentation and clustering | |
Xu et al. | Aerial images and convolutional neural network for cotton bloom detection | |
Nuske et al. | Automated visual yield estimation in vineyards | |
US11631244B2 (en) | Methods of yield assessment with crop photometry | |
Rasti et al. | A survey of high resolution image processing techniques for cereal crop growth monitoring | |
CN106663192B (zh) | 用闪光灯、相机和自动化图像分析检测水果的方法和系统 | |
Syal et al. | A survey of computer vision methods for counting fruits and yield prediction | |
Gené-Mola et al. | Looking behind occlusions: A study on amodal segmentation for robust on-tree apple fruit size estimation | |
Li et al. | An automatic approach for detecting seedlings per hill of machine-transplanted hybrid rice utilizing machine vision | |
Izzuddin et al. | Analysis of multispectral imagery from unmanned aerial vehicle (UAV) using object-based image analysis for detection of ganoderma disease in oil palm | |
Cho et al. | Plant growth information measurement based on object detection and image fusion using a smart farm robot | |
Zhou et al. | Wheat phenology detection with the methodology of classification based on the time-series UAV images | |
Che et al. | The effect of growth stage and plant counting accuracy of maize inbred lines on LAI and biomass prediction | |
Xiang et al. | Measuring stem diameter of sorghum plants in the field using a high-throughput stereo vision system | |
Guo et al. | Panicle Ratio Network: streamlining rice panicle measurement by deep learning with ultra-high-definition aerial images in the field | |
CN108846370A (zh) | 一种小麦白粉病中晚期病害严重度自动分析方法 | |
Saeed et al. | Cotton plant part 3D segmentation and architectural trait extraction using point voxel convolutional neural networks | |
CN116907576A (zh) | 一种自动化种苗检测系统、方法及电子设备 | |
Saeed et al. | 3D Annotation and deep learning for cotton plant part segmentation and architectural trait extraction | |
Zhu et al. | Stem-leaf segmentation and phenotypic trait extraction of maize shoots from three-dimensional point cloud | |
Poleshchenko et al. | Development of a System for Automated Control of Planting Density, Leaf Area Index and Crop Development Phases by UAV Photos | |
CN117409403B (zh) | 一种基于深度学习的水稻稻穗成熟度估算方法 | |
CN113920106B (zh) | 一种基于rgb-d相机的玉米长势三维重构及茎粗测量方法 | |
Li et al. | Nondestructive Detection of Key Phenotypes for the Canopy of the Watermelon Plug Seedlings Based on Deep Learning |
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 |