CN105548222A - 一种谷类农作物在线病虫害检测装置 - Google Patents
一种谷类农作物在线病虫害检测装置 Download PDFInfo
- Publication number
- CN105548222A CN105548222A CN201511032962.6A CN201511032962A CN105548222A CN 105548222 A CN105548222 A CN 105548222A CN 201511032962 A CN201511032962 A CN 201511032962A CN 105548222 A CN105548222 A CN 105548222A
- Authority
- CN
- China
- Prior art keywords
- luffing
- unit
- pest
- platform
- cereal crops
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
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)
- Catching Or Destruction (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明提供一种谷类农作物在线病虫害检测装置,包括检测机构总成、机构上平台、车体和控制***,所述机构上平台固定设置在车体上;所述检测机构总成通过高度变幅调节机构设置在机构上平台的下方,所述检测机构总成包括变幅平台、X射线发生器、线扫描探测器、中央处理器,所述X射线发生器固定设置在变幅平台的下方,所述扫描探测器通过探测器调整机构设置在变幅平台的下方,所述线扫描探测器上设有以太网卡,以太网卡和中央处理器可进行数据交互。所述检测机构总成具有千兆以太数据通讯,CCD高清面扫描成像,微机中央处理器及其透照图像、CCD图像的数据建模,检测图像识别、典型病虫害的分类识别,数据远程传输等功能。
Description
技术领域
本发明属于农业技术领域,尤其是涉及一种谷类农作物在线病虫害检测装置。
背景技术
谷类农作物是人类赖以生存碳水化合物的主要来源,人们熟知的水稻、玉米、小麦、高粱等就是全球最重要的谷类粮食作物。仅以水稻为例,世界上已有一半以上的人口以水稻稻米作为主食,据估计,到2025年水稻产量要达到人类所需谷物的60%才能满足人类的生存需求。我国水稻年种植面积约3000万公顷,占粮食作物种植面积的近1/3,稻谷产量占全国粮食总产量的45%,随着人口增长,耕地面积逐渐变小,我国面临的粮食问题越来越突出,其中害虫的危害是导致水稻减产的重要因素,由此给我国造成的直接经济损失高达百亿元。
生物灾害也同样影响我国水稻产量,据记载,我国水稻害虫有78种,经防治后,全国每年水稻害虫危害仍造成百万吨的损失。常见的水稻田害虫如褐稻虱、白背稻虱、稻纵卷叶螟、粘虫等,其中稻纵卷叶螟最为猖獗。害虫的繁殖速度及其惊人:寄生在稻杆上的虫卵成活后,3-5天即可发育成幼虫。10-15天即可成虫。害虫成熟以后将迅速吞噬稻杆内部组织,将一株稻杆全部吞噬掉大约仅需几天的时间。当害虫在稻杆表面被发现时,往往稻杆已经死亡。因此,在害虫成虫之前将其发现并扼杀成为消灭害虫、提高谷类农作物产量两个环节的重中之重。由于害虫虫卵较小,成虫后又在谷类农作物内部寄生,这为我们消灭害虫带来了很大困难。
在当今,农作物的病虫害检测仪器几乎都是以样本抽取、离线检测方式来实现的。该方法最大的问题是采样样本点数有限、检测及时性差、误判率高并且没有直接获得农作物的实时数据,对灭虫防治或多或少造成影响,农业专家期盼有一种更为直接的手段为病虫害防治提供科学依据。本参赛作品正是通过对农业口的调研,由农业专家提出的检测期望而设计的直接针对农作物在田间生长期在线病虫害本发明的检测机构。本本发明的检测机构的设计,为农业研究带来了更加先进的检测方式与手段,预计为谷类农作物的检测与研究带来新的技术革命。
本发明的检测机构正是根据农业专家所提出的实际需求而达到农作物生长于田间的实时检测技术。即通过检测机构在田间执行检测动作,采用X射线透照技术与线扫描探测技术结合,经对获取的原始数据进行图像处理与变换,准确定位出害虫虫卵、幼虫所在稻杆的准确位置和数量,为谷类农作物的害虫处理,迈出最为关键的一步。
发明内容
本发明的目的是提供一种可实现自行检测、自动控制和检测数据的有效传输的谷类农作物在线病虫害检测装置。
本发明的技术方案是:本发明的一种谷类农作物在线病虫害检测装置,包括检测机构总成、机构上平台、车体和控制***,所述机构上平台固定设置在车体上;
所述检测机构总成通过高度变幅调节机构设置在机构上平台的下方,所述检测机构总成包括变幅平台、X射线发生器、线扫描探测器、中央处理器,所述X射线发生器固定设置在变幅平台的下方,所述扫描探测器通过探测器调整机构设置在变幅平台的下方,所述线扫描探测器上设有以太网卡,以太网卡和中央处理器可进行数据交互;
所述车体包括行走驱动单元,所述行走驱动单元采用链条传动,通过行走步进电机输出动力,经链条传动并减速,将驱动力矩作用于行走轮上,带动车体运动,所述车体上还设有行进支撑结构;
所述控制***包括电源电池、遥控器、接收指令及控制器、摄像头,所述遥控器、接收指令及控制器通过无线信号进行连接,所述X射线发生器、线扫描探测器通过控制线和接收指令及控制器电连接,所述线扫描探测器通过信号采集线和接收指令及控制器电连接,所述X射线发生器、线扫描探测器还连接有硬盘录像机,X射线发生器、线扫描探测器通过视频线和摄像头电连接。
优选的,所述检测机构总成具有千兆以太数据通讯,CCD高清面扫描成像,微机中央处理器及其透照图像、CCD图像的数据建模,检测图像识别、典型病虫害的分类识别,数据远程传输的功能。
优选的,所述高度变幅调节机构包括升降步进电机、蜗轮蜗杆升降结构和调幅丝杠,升降步进电机和所述接收指令及控制器电连接,并且和传动蜗轮蜗杆升降结构传动连接,调幅丝杠的一端与蜗轮蜗杆升降结构传动连接,另一端固定在变幅平台上方,变幅平台上还设有防止其转动的限位杆,限位杆向上延伸穿过机构上平台。
优选的,所述车体上设有变幅连杆,所述变幅连杆包括横向变幅机构总成和纵向变幅机构总成。
优选的,所述横向变幅机构总成包括变幅齿轮箱、变幅调距齿条、变幅步进电机,所述变幅步进电机可带动变幅齿轮箱内齿轮的正转反转,变幅齿轮箱内齿轮与变幅调距齿条啮合连接,齿轮正转或反转时,可调节车体的左右间距,所述变幅步进电机和所述接收指令及控制器电连接;
所述纵向变幅机构包括可伸缩杆,利用螺钉固定前后杆的相对位置,可调节车体的前后间距。
优选的,所述行走步进电机的功率大于34.5W。
优选的,所述行进支撑结构可为水田检测行走滑板或导向轮。
优选的,所述车体两端可拆卸的安装防倾翻辅助轮。
优选的,所述两个行走轮分别由两个行走步进电机传动。
优选的,线扫描探测器检测出的原始图像信息能通过无线信号发射器传送到中央处理器上,中央处理器通过图像点运算;图像边缘检测、提取及轮廓跟踪对采集到的原始图像进行处理。
本发明具有的优点和积极效果是:
1)检测机构前部行进支撑结构可拆卸,有水田水田检测行走滑板与旱田万向轮两种选择,水路两用,提高检测机构的适用范围,在机构上形成一机多用。
2)检测机构结构中利用多种机械运动副,实现检测机构对变幅连杆宽度与长度、X射线发生器、线扫描探测器相对距离与变幅平台高度的自我调节,实现线扫描分辨率最高、检测范围最大等优点。
3)检测机构利用两个行走步进电机实现差动控制,转向灵活,优化了检测时检测机构的行走路线,使之在检测工作中适用性更强。
4)利用计算机对整个检测机构进行操控和数据采集,对所检测的图像进行快速有效处理,时效性强。
5)实现了利用高能射线的穿透性以及易扫描成像的特点,对谷类农作物内部病虫害以图像的方式展现出来,在检测方法上创新。
6)实现了谷类农作物图形图像处理软件***。建立相应的数学模型,利用对应的算子处理,既可在显示器上显示出谷类农作物的黑白图像和彩色图像,并包括图形的边缘增强、图形放大、灰度变换等功能。
7)检测机构具有可缩小的性能,最小可达180mm×320mm×600mm,便于运输和机械***的维护及其机械部件的更换。
附图说明
图1是检测机构总成和升降平台的结构示意图。
图2是本发明的总装配图。
图3是水田检测行走滑板的结构示意图。
图4是防倾翻辅助轮的结构示意图。
图5是横向变幅结构三维原理图。
图6是行走驱动单元的结构示意图。
图7是***控制原理框图。
图8是控制***原理接线图。
图9是***控制程序图。
图10是本发明得到的检测图像。
图11是阶跃性边缘和屋顶状边缘处一阶及二阶导数变化规律。
图12是高斯拉普拉斯算子的脉冲函数和传递函数。
图13是(a)轮廓提取原始图像;(b)轮廓提取的结果。
图14是行走步进电机的参数分析过程。
图15是用MATLAB模拟L1-F的曲线。
图中:
1-检测机构总成,2-机构上平台,3-变幅平台,4-X射线发生器,5-线扫描探测器,6-升降步进电机,7-蜗轮蜗杆升降结构,8-调幅丝杠,9-限位杆,10、11-探测器调整机构,12-变幅连杆,12a-横向变幅机构总成,12b-纵向变幅机构总成,12.1-变幅齿轮箱,12.2-变幅调距齿条,12.3-变幅步进电机,13-水田检测行走滑板,14-行走步进电机,15-行走轮,16-导向轮,17-防倾翻辅助轮,18-遥控器,19-接收指令及控制器,20-电源电池,21-摄像头,22-中央处理器。
具体实施方式
下面结合附图对本发明做详细说明。
本发明的一种谷类农作物在线病虫害检测装置,如图1所示,包括检测机构总成1和机构上平台2,检测机构总成1通过高度变幅调节机构设置在机构上平台2的下方,所述检测机构总成1包括变幅平台3、X射线发生器4、线扫描探测器5,所述X射线发生器4固定设置在变幅平台3的下方,所述扫描探测器5通过水平距离调节装置设置在变幅平台3的下方。
所述高度变幅调节机构包括升降步进电机6、蜗轮蜗杆升降结构7和调幅丝杠8,调幅丝杠8的一端与蜗轮蜗杆升降结构7传动连接,另一端固定在变幅平台3上方,变幅平台3上还设有防止其转动的限位杆9,限位杆9向上延伸穿过机构上平台2;
X射线发生器4与线扫描探测器5可以通过涡轮蜗杆转动带动丝母转动上下调节调幅丝杠8的高度。涡轮蜗杆同时也起到减速作用,将升降步进电机6的动力缓缓传至变幅齿轮箱,带动变幅齿轮箱旋转,从而带动调幅丝杠8转动调节上下高度。限位杆9为光杆,可以阻止X射线发生器4与线扫描探测器5旋转。调幅丝杠8在螺纹的旋转当中改变变幅平台3的高度,使X射线发生器4与线扫描探测器5接近稻田水面,达到检测到稻苗接近水面的茎部的目的,并且不受水的干扰。
探测器调整机构11也包括调幅丝杠和限位杆,用手轮使调幅丝杠旋转,限位杆11限制位置,继而可调节X射线发生器4与线扫描探测器5之间的距离,以适应不同谷类农作物间的距离,保证每次只检测仪一列谷类农作物。
如图2、图6所示,所述检测机构还包括车体,所述车体包括行走驱动单元和变幅连杆12,所述行走驱动单元采用抗污染能力较强的链条传动,通过行走步进电机14输出动力,经链条传动并减速,将驱动力矩作用于行走轮15上,带动车体运动,车体上还设有可拆卸的行进支撑结构。
如图2、图3所示,所述行进支撑结构可为导向轮16或水田检测行走滑板13。
检测结构在水田中行进行进时,为了防止陷入淤泥,前部行进支撑机构采用水田检测行走滑板13,将增大检测机构与水田的接触面积从而减小对水田中泥地的压强,避免陷入淤泥中。可拆卸板块和水田检测行走滑板13之间用螺钉连接,能够换成导向轮16以适应旱田检测,所述导向轮16采用万向轮机构,由此便可检测种植于旱田上的大部分谷类农作物。
如图4所示,所述车体两端安装可拆卸的防倾翻辅助轮17。
防倾翻辅助轮17安装在检测机构两侧防止其倾翻,并且辅助轮为可拆卸机构,当路面情况较好时可以卸下辅助轮,增加机械人的灵活性。同时辅助轮伸出长度可以调节,能够有效避免对谷类农作物的损伤。
所述两个行走轮分别由两个行走步进电机传动。可通过控制两台行走步进电机的转速,使两个行走轮速度产生偏差,以速度差动完成本检测机构的转弯和保持直线行走的需求。大大提升了检测奇偶股在工作时的灵活性。并进一步提高抗干扰能力。
如图2所示,所述变幅连杆12上设有横向变幅机构总成12a和纵向变幅机构总成12b。
如图5所示,所述横向变幅机构总成12a包括变幅齿轮箱12.1、变幅调距齿条12.2、变幅步进电机12.3,变幅步进电机12.3可带动变幅齿轮箱12.1的正转反转,变幅齿轮箱12.1内齿轮和变幅调距齿条12.2相啮合,使得车体的左右距离得到调节;
调节到所需宽度后,可以同过变幅步进电机12.3自锁。进而调节整个检测机构的宽度,避免导向轮16或水田检测行走滑板13等对谷类农作物造成破坏。同时当检测机构处于非工作状态时,拆下行走轮15后,可将宽度调至最小(可达520mm),此时检测机构的移动与运输变得更加方便。
所述纵向变幅机构包括可伸缩杆,利用螺钉固定前后杆的相对位置,可调节车体的前后间距。
检测机构工作时前后拉伸,用螺钉固定前后杆的相对位置;检测机构工作完毕后,拧开螺丝,将前后收缩,其最小宽度为450mm,大大减小检测机构所占空间体积。使其可以很方便的装入商务用车,实现了检测机构的便捷运输。
如图7、图8、图9所示,所述控制***包括用于供给电能的电源电池20、遥控器18、接收指令及控制器19,所述接收指令及控制器19分别和行走步进电机14、变幅步进电机12.3、升降步进电机6以及摄像头21通过电连接,所述X射线发生器4、线扫描探测器5通过控制线和接收指令及控制器19电连接,所述线扫描探测器5通过信号采集线和接收指令及控制器19电连接,所述X射线发生器4、线扫描探测器5还连接有硬盘录像机,X射线发生器4、线扫描探测器5通过视频线和摄像头21电连接,线扫描探测器5通过以太网卡可以和中央处理器22进行数据交换,所述中央处理器22和硬盘录像机通过电连接。
本发明利用遥控器18对设备进行遥控,开启设备电源电池20后,根据需要的操作,按启遥控器18控制***的运行,及对对象进行探测和录像。
线扫描探测器检测出的原始图像信息能通过无线信号发射器传送到对图像进行处理的计算机上,计算机通过图像点运算;图像边缘检测、提取及轮廓跟踪对采集到的原始图像进行处理。
如图10所示,即便是未经过处理的图像,也能够较清晰看到玉米杆中的害虫。通过对处理后的图像进行查看,能够更加准确的确定害虫所在位置。
图像的点运算是一种既简单又重要的技术,它能让用户改变图像数据占据的灰度范围。一幅输入图像经过点运算后将产生新的输出图像,由输入像素点的灰度值决定相应的输出像素点的灰度值。本发明的检测机构的主要图像变化如下:
1)灰度的阈值变换
灰度的阈值变换可以将一幅灰度图像转换成黑白二值图像,即由用户指定一个阈值,如果图像中某像素灰度值小于该阈值,则将该像素的灰度值设置为0,否则灰度值设置为255(峰值)。
2)灰度的窗口变换
灰度的窗口变换也是一种常见的点运算。与阈值变换相似,它限定了一个窗口范围,该窗口中的灰度值保持不变;小于该窗口下限的灰度值直接设置为0;大于该窗口上限的灰度值直接设置为255。
3)灰度拉伸
灰度拉伸可以灵活地控制输出灰度参数的分布,它可以有选择地拉伸某段灰度区间以改善输出图像。
4)灰度均衡
灰度均衡亦称为灰度参数均衡,目的是通过点运算使输入图像转换为在每一灰度级上都有相同的像素点数的输入图像(即输出的灰度参数是平的)。
图像边缘检测、提取及轮廓跟踪
边缘检测:
本发明利用计算机进行图像处理的目的是使处理后的图像更适合观察和识别,使计算机能够更好的自动识别和理解图像。因此本发明要对包含大量景物信息的图像进行分解,最终分解成具有某种特征的最小成分,即图像的基元。这里介绍一下图像的特征,图像的特征分为图像的统计特征和图像的视觉特征,图像的统计特征是人为定义的,如图像的直方图、矩、频谱等;图像的视觉特征有图像的亮度、图像的纹理、图像的轮廓等。利用这两种特征将图像分解成一系列有意义的目标或区域的过程称为图像的分割。在所有图像的特征中,图像的边缘是图像的最基本的特征。边缘是指其周围像素灰度有阶跃变化或屋顶变化的那些像素的集合,在物体与物体之间、物体与背景之间、基元与基元之间大量存在,它是图像分割所依赖的重要特征。图像的边缘是由灰度不连续性造成的,经典的边缘提取方法是考察图像的每个像素在某个邻域内灰度的变化,利用边缘临近一阶或二阶方向导数变化规律,用简单的方法检测边缘。这就是边缘检测局部算子法。对于阶跃性边缘,它两边的像素的灰度值有着显著的不同;对于屋顶状边缘,它位于灰度值从增大到减少的变化转折点。如图11所示这两种边缘的示意图及相应的一阶方向导数和二阶导数的变化规律。对于阶跃性边缘,二阶方向导数在边缘处成零交叉;对于屋顶状边缘,二阶方向导数在边缘处取极值。如果一个像素落在图像中某个物体的边界上,那么它的邻域将变成一个灰度级的变化带,对这种变化最有用的两个特征是灰度的变化率和方向,他们分别以梯度向量的幅度和方向来表示。
边缘检测算子检查每个像素的邻域并对灰度变化律进行量化,同时包括方向的确定。大多数使用基于方向导数掩模求积的方法。下面介绍几种常用的边缘检测算子。
1)Roberts边缘检测算子
Roberts边缘检测算子是一种利用局部差分算子寻找边缘的算子。它由下式得出:
其中f(x,y)是具有整数像素坐标的输入图像,平方根运算使该处理类似于在人类视觉***中发生的过程。
2)Sobel边缘检测算子
如下表1所示的两个卷积核形成了Sobel边缘算子,图像中的每个点都用这两个核做卷积。一个核对通常的垂直边缘影响最大,另一个对水平边缘影响最大。两个卷积的最大值作为该点的输出位,运算结果是一幅边缘幅度图像。
表1Sobel边缘检测算子
3)Prewitt边缘检测算子
如表2所示的两个卷积核形成了Prewitt边缘算子。和使用Sobel边缘检测算子一样,图像中的每个点都用这两个核进行卷积,取最大值作为输出。运算结果产生一幅边缘幅度图像。
表2Prewitt边缘检测算子
4)Krisch边缘检测算子
如表3所示的8个卷积核组成了Krisch边缘算子。图像中的每个点都用8个掩模作卷积,每个掩模都对某个特定边缘方向做出最大响应,所有8个方向中的最大值作为边缘幅度图像的输出。最大相应掩模的序号构成了边缘方向的编码。
表3Krisch边缘算子
5)高斯-拉普拉斯算子
拉普拉斯算子是对二维函数进行运算的二阶导数算子,通常使用的拉普拉斯算子如表4、图12所示。
表4高斯拉普拉斯算子的脉冲函数和传递函数
由于拉普拉斯算子是一个二阶导数,它将在边缘处产生一个陡峭的零交叉。由于噪声对边缘检测有一定的影响,所以高斯-拉普拉斯算子是效果较好的检测器,它将高斯平滑滤波器和拉普拉斯锐化滤波器结合了起来,先平滑掉噪声,再进行边缘检测,所以效果更好。常用的拉普拉斯算子是5×5的模板。
4.2.2.2轮廓的提取和跟踪
在对数字图像进行处理的过程中,毫无疑问要用到轮廓的外部特征,这时就要对图像进行轮廓的提取和轮廓的跟踪。对于二值图像,进行轮廓提取就是掏空内部点。如果原图中有一点为黑,且它的8个相邻点都是黑色时(此时该点是内部点),则将该点废除。从数学形态学角度讲,这相当于用一个九个点的结构元素对原图像进行腐蚀,再用原图像减去腐蚀图像。图像的轮廓提取过程如图13所示。
轮廓跟踪的基本方法是:先根据某些严格的“探测准则”找出目标物体轮廓上的像素,再根据这些像素的某些特征用一定的“跟踪准则”找出目标物体上的其他像素。
所述行走步进电机14的功率大于34.5W。
行走步进电机的参数分析过程如图14所示:
P为差动旋转中心;F1,F2为行走步进电机驱动力F3,F4为地面与水田检测行走滑板之间的摩擦力;F1到中心距离为L1;前后两杆距离为0.5m;r1,r2分别为F3,F4到转动中心的距离;M为F1,F2合力矩。
假设后面两个水田检测行走滑板与地面接触的点受力均匀并且均为1/4G,左水田检测行走滑板的摩擦力为F3右水田检测行走滑板的摩擦力大小为F4
F3=F4=0.25Gf(2-1)
铝的密度为:
ρ铝=2.7*103kg/m3
SolidWorks估算机器质量大小约为20kg
探测器质量已知为3.5kg
摩擦系数:f=0.15
重力大小:G=(20+3.5)*9.8=230N(2-2)
取F1=F2
由几何关系和三角函数可得:
r1 2=(L1-0.18)2+0.52(2-3)
力矩平衡:
F(L1-0.18)+F2(L1+0.18)=M驱=M阻(2-5)
F3r1+F4r2=M阻(2-6)
解1~6式可得:
如图15所示,用MATLAB模拟L1-F的曲线,
横坐标为L1;纵坐标为F
当L1趋于无穷时F稳定在172.5
Fmax=172.5N
速度V=0.2m/s
Pmax=FmaxV=34.5W
即步进电机的功率34.5W以上。
行进功率与转速的分析步骤如下:
本机构总质量M=35kg摩擦系数f=0.5行进速度v=0.2m/s
轮子R=240mm
每个电机克服阻力功功率
P’=1/2fMgv=0.5x35x9.8x0.2=17.2W
取机械效率η=80%电机的实际功率
P=P’/80%=21.4W
整合取P=30W
轮子转动的角速度ω=v/R=200/240=0.8
轮子的转速n轮=30ω/π=30x0.8/π=7.6rpm
链轮的减速比为0.35
则电机的转速n=n轮/0.35=7.6/0.35=21.7rpm
电机的转矩T=9550P/n=9550x0.03/21.7=13.2Nm
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (10)
1.一种谷类农作物在线病虫害检测装置,其特征在于:包括检测机构总成、机构上平台、车体和控制***,所述机构上平台固定设置在车体上;
所述检测机构总成通过高度变幅调节机构设置在机构上平台的下方,所述检测机构总成包括变幅平台、X射线发生器、线扫描探测器、中央处理器,所述X射线发生器固定设置在变幅平台的下方,所述扫描探测器通过探测器调整机构设置在变幅平台的下方,所述线扫描探测器上设有以太网卡,以太网卡和中央处理器可进行数据交互;
所述车体包括行走驱动单元,所述行走驱动单元采用链条传动,通过行走步进电机输出动力,经链条传动并减速,将驱动力矩作用于行走轮上,带动车体运动,所述车体上还设有行进支撑结构;
所述控制***包括电源电池、遥控器、接收指令及控制器、摄像头、硬盘录像机,所述遥控器、接收指令及控制器通过无线信号进行连接,所述X射线发生器、线扫描探测器通过控制线和接收指令及控制器电连接,所述线扫描探测器通过信号采集线和接收指令及控制器电连接,所述X射线发生器、线扫描探测器还连接有硬盘录像机,X射线发生器、线扫描探测器通过视频线和摄像头电连接。
2.根据权利要求1所述的一种谷类农作物在线病虫害检测装置,其特征在于:所述检测机构总成具有千兆以太数据通讯,CCD高清面扫描成像,微机中央处理器及其透照图像、CCD图像的数据建模,检测图像识别、典型病虫害的分类识别,数据远程传输的功能。
3.根据权利要求1所述的一种谷类农作物在线病虫害检测装置,其特征在于:所述高度变幅调节机构包括升降步进电机、蜗轮蜗杆升降结构和调幅丝杠,升降步进电机和所述接收指令及控制器电连接,并且和传动蜗轮蜗杆升降结构传动连接,调幅丝杠的一端与蜗轮蜗杆升降结构传动连接,另一端固定在变幅平台上方,变幅平台上还设有防止其转动的限位杆,限位杆向上延伸穿过机构上平台。
4.根据权利要求1所述的一种谷类农作物在线病虫害检测装置,其特征在于:所述车体上设有变幅连杆,所述变幅连杆包括横向变幅机构总成和纵向变幅机构总成。
5.根据权利要求4所述的一种谷类农作物在线病虫害检测装置,其特征在于:所述横向变幅机构总成包括变幅齿轮箱、变幅调距齿条、变幅步进电机,所述变幅步进电机可带动变幅齿轮箱内齿轮的正转反转,变幅齿轮箱内齿轮与变幅调距齿条啮合连接,齿轮正转或反转时,可调节车体的左右间距,所述变幅步进电机和所述接收指令及控制器电连接。
6.根据权利要求4所述的一种谷类农作物在线病虫害检测装置,其特征在于:所述纵向变幅机构包括可伸缩杆,利用螺钉固定前后杆的相对位置,可调节车体的前后间距。
7.根据权利要求1所述的一种谷类农作物在线病虫害检测装置,其特征在于:所述行进支撑结构可为水田检测行走滑板或导向轮。
8.根据权利要求1所述的一种谷类农作物在线病虫害检测装置,其特征在于:所述车体两端可拆卸的安装防倾翻辅助轮。
9.根据权利要求1所述的一种谷类农作物在线病虫害检测装置,其特征在于:所述两个行走轮分别由两个行走步进电机传动。
10.根据权利要求1所述的一种谷类农作物在线病虫害检测装置,其特征在于:线扫描探测器检测出的原始图像信息能通过无线信号发射器传送到中央处理器上,中央处理器通过图像点运算;图像边缘检测、提取及轮廓跟踪对采集到的原始图像进行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511032962.6A CN105548222B (zh) | 2015-12-31 | 2015-12-31 | 一种谷类农作物在线病虫害检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511032962.6A CN105548222B (zh) | 2015-12-31 | 2015-12-31 | 一种谷类农作物在线病虫害检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105548222A true CN105548222A (zh) | 2016-05-04 |
CN105548222B CN105548222B (zh) | 2018-09-28 |
Family
ID=55827559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511032962.6A Active CN105548222B (zh) | 2015-12-31 | 2015-12-31 | 一种谷类农作物在线病虫害检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105548222B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106976062A (zh) * | 2017-04-19 | 2017-07-25 | 海南大学 | 一种智能病虫害识别机器人 |
CN107879256A (zh) * | 2017-10-24 | 2018-04-06 | 佛山杰致信息科技有限公司 | 一种配电柜搬运装置 |
CN110779926A (zh) * | 2019-11-06 | 2020-02-11 | 山东建筑大学 | 一种人造板运输校正表面缺陷机器视觉检测*** |
CN117146132A (zh) * | 2023-11-01 | 2023-12-01 | 哈尔滨学院 | 一种农作物生长监控*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999017606A1 (en) * | 1997-09-24 | 1999-04-15 | Hardi International A/S | A method and an apparatus for detecting, classifying and treatment of vegetation |
CN101646068A (zh) * | 2009-09-07 | 2010-02-10 | 中国农业大学 | 植物病虫害信息获取***及方法 |
CN102300079A (zh) * | 2011-07-01 | 2011-12-28 | 全国农业技术推广服务中心 | 农业病虫害视频监控***及其方法 |
CN102538868A (zh) * | 2011-12-21 | 2012-07-04 | 北京农业智能装备技术研究中心 | 用于农作物性状采集的自行式机器人 |
CN103081887A (zh) * | 2013-01-31 | 2013-05-08 | 安徽大学 | 大田作物病害立体信息获取装置及方法 |
CN103903252A (zh) * | 2012-12-28 | 2014-07-02 | 中国农业机械化科学研究院 | 棉田虫情自动监测装置及监测方法 |
CN203870032U (zh) * | 2014-04-18 | 2014-10-08 | 浙江大学 | 一种田间作物信息采集装置 |
-
2015
- 2015-12-31 CN CN201511032962.6A patent/CN105548222B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999017606A1 (en) * | 1997-09-24 | 1999-04-15 | Hardi International A/S | A method and an apparatus for detecting, classifying and treatment of vegetation |
CN101646068A (zh) * | 2009-09-07 | 2010-02-10 | 中国农业大学 | 植物病虫害信息获取***及方法 |
CN102300079A (zh) * | 2011-07-01 | 2011-12-28 | 全国农业技术推广服务中心 | 农业病虫害视频监控***及其方法 |
CN102538868A (zh) * | 2011-12-21 | 2012-07-04 | 北京农业智能装备技术研究中心 | 用于农作物性状采集的自行式机器人 |
CN103903252A (zh) * | 2012-12-28 | 2014-07-02 | 中国农业机械化科学研究院 | 棉田虫情自动监测装置及监测方法 |
CN103081887A (zh) * | 2013-01-31 | 2013-05-08 | 安徽大学 | 大田作物病害立体信息获取装置及方法 |
CN203870032U (zh) * | 2014-04-18 | 2014-10-08 | 浙江大学 | 一种田间作物信息采集装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106976062A (zh) * | 2017-04-19 | 2017-07-25 | 海南大学 | 一种智能病虫害识别机器人 |
CN107879256A (zh) * | 2017-10-24 | 2018-04-06 | 佛山杰致信息科技有限公司 | 一种配电柜搬运装置 |
CN110779926A (zh) * | 2019-11-06 | 2020-02-11 | 山东建筑大学 | 一种人造板运输校正表面缺陷机器视觉检测*** |
CN117146132A (zh) * | 2023-11-01 | 2023-12-01 | 哈尔滨学院 | 一种农作物生长监控*** |
CN117146132B (zh) * | 2023-11-01 | 2024-02-09 | 哈尔滨学院 | 一种农作物生长监控*** |
Also Published As
Publication number | Publication date |
---|---|
CN105548222B (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tetila et al. | Automatic recognition of soybean leaf diseases using UAV images and deep convolutional neural networks | |
El-Faki et al. | Weed detection using color machine vision | |
CN101957313B (zh) | 鲜玉米果穗质量的计算机视觉检测分级方法及装置 | |
Yu et al. | Segmentation and measurement scheme for fish morphological features based on Mask R-CNN | |
CN105548222A (zh) | 一种谷类农作物在线病虫害检测装置 | |
US20180330166A1 (en) | Automated plant detection using image data | |
Bao et al. | Multi-template matching algorithm for cucumber recognition in natural environment | |
DE202017007481U1 (de) | System zur Überwachung von Nutzpflanzen | |
CN107346434A (zh) | 一种基于多特征及支持向量机的植物病虫害检测方法 | |
Li et al. | Recent advances in image fusion technology in agriculture | |
CN108346143A (zh) | 一种基于无人机多源图像融合的作物病害监测方法和*** | |
Xu et al. | Recognition method for apple fruit based on SUSAN and PCNN | |
CN108416360A (zh) | 基于乳腺钼靶钙化特征的癌症诊断***及方法 | |
Zhou et al. | Early detection and continuous quantization of plant disease using template matching and support vector machine algorithms | |
CN105139339A (zh) | 基于多级滤波和样本匹配的偏振图像超分辨率重建方法 | |
CN108491807B (zh) | 一种奶牛发情行为实时监测方法及*** | |
CN106067169A (zh) | 植物水分胁迫状态自动监控方法及*** | |
KR102002632B1 (ko) | Iot 기반 과수 모니터링 시스템 및 방법 | |
CN102693533A (zh) | 一种医学数字图像拼接方法 | |
Olenskyj et al. | End-to-end deep learning for directly estimating grape yield from ground-based imagery | |
CN110211099A (zh) | 综合麦穗正反面病情的小麦赤霉病检测方法及装置 | |
Kumar et al. | Automatic leaf disease detection and classification using hybrid features and supervised classifier | |
CN107239757B (zh) | 一种基于深度阶梯网的极化sar影像目标检测方法 | |
CN104361571B (zh) | 基于边缘信息和支持度变换的红外与微光图像融合方法 | |
CN105844264A (zh) | 一种基于受力的油用牡丹果实图像的识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information |
Inventor after: Yuan Peixin Inventor after: Dai Fengxiang Inventor after: Yuan Yue Inventor after: Yang Hang Inventor before: Yuan Peixin Inventor before: Dai Fengxiang Inventor before: Yuan Yue |
|
COR | Change of bibliographic data | ||
GR01 | Patent grant | ||
GR01 | Patent grant |