CN108633411B - 一种基于机器视觉的秧箱秧苗量实时监测***及方法 - Google Patents
一种基于机器视觉的秧箱秧苗量实时监测***及方法 Download PDFInfo
- Publication number
- CN108633411B CN108633411B CN201810463986.4A CN201810463986A CN108633411B CN 108633411 B CN108633411 B CN 108633411B CN 201810463986 A CN201810463986 A CN 201810463986A CN 108633411 B CN108633411 B CN 108633411B
- Authority
- CN
- China
- Prior art keywords
- seedling
- seedling box
- seedlings
- camera
- controller
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 28
- 241000209094 Oryza Species 0.000 claims abstract description 48
- 235000007164 Oryza sativa Nutrition 0.000 claims abstract description 48
- 235000009566 rice Nutrition 0.000 claims abstract description 48
- 230000008569 process Effects 0.000 claims abstract description 4
- 230000007246 mechanism Effects 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000005192 partition Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 229910001220 stainless steel Inorganic materials 0.000 claims description 6
- 239000010935 stainless steel Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 241000218691 Cupressaceae Species 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009471 action Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C11/00—Transplanting machines
- A01C11/003—Transplanting machines for aquatic plants; for planting underwater, e.g. rice
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Soil Sciences (AREA)
- Environmental Sciences (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Guiding Agricultural Machines (AREA)
Abstract
本发明公开了一种基于机器视觉的秧箱秧苗量实时监测***及方法,由秧箱、支架、螺栓、导轨、橡胶传送带、摄像头安装固定机构、隔板、秧苗、摄像头和控制器主机板组成。通过实时采集秧箱图像信息实现对秧苗剩余量的实时监测与报警。在控制器作用下,利用图像采集单元对秧苗在秧箱中的分布情况进行监测,实现对秧苗剩余量的实时监测,结合各功能模块,实现对监测到剩余的秧苗低于警报线和最低线的声光报警。本发明秧苗量实时监测***及方法智能化程度高、成本低、结构简单,只需对现有插秧机进行小的改动即可安装使用,适用范围广,可适用于无人驾驶和有人驾驶插秧机作业过程中秧箱秧苗剩余量进行实时监测与报警。
Description
技术领域
本发明涉及一种机器视觉的秧箱秧苗量实时监测***及方法,属于智能化农业机械领域。
背景技术
乘坐式高速插秧机由于作业效率高,越来越受水稻种植户的青睐,但现有乘坐式高速插秧机需要机载2-3名人员进行插秧机驾驶和上秧,机载人员导致插秧机在水田作业时动力不足现象频发;水稻插秧季节性强,必须按其规定时期集中插秧。近年来,由于农村劳动力向城市的转移以及用人成本的逐年升高,水稻集中种植、人工短缺与用人成本间的矛盾越来越突出。另一方面,插秧机的人工驾驶受驾驶员技术水平和主管因素的影响,常导致秧苗行曲曲弯弯,插不直。基于上述情况,科研机构和农机企业转向对无人驾驶插秧机的研发,2017年4月日本农业技术工程研究中心研制的无人插秧机已成功上市,其直线行驶准确度偏差<2cm,实现了插秧机自动驾驶,1人在田间即可对1台插秧机进行操控,但由于秧箱载秧量有限,需要预先判断装满秧箱的秧苗量所能够插秧的面积,经常需要在田间进行人工上秧,和地头上秧相比较,水田泥脚深且需要将秧苗从地头搬运到田间上秧,大大降低了插秧机的效率。迫切需要研发对秧箱剩余秧苗量进行实时监测的技术和装置。
在现有技术中,申请人尚未发现对秧箱中秧苗剩余量的实时监测技术和装置。
为了弥补上述不足,本发明基于机器视觉技术,提出了秧箱秧苗量实时监测***及方法,通过在秧箱中心正上方且接***行于秧箱位置安装摄像头,使整个秧箱在摄像头的视距范围内,利用秧箱有秧处秧苗的绿色以及无秧处秧箱的颜色特征差异,采集秧箱的图像信息并进行图像处理,计算绿色秧苗所占秧箱分布,实现对秧箱秧苗量的实时监测与报警,结合单位距离插秧量,确保秧箱秧苗剩余量能够栽插到地头上秧处,以达到在地头上秧、田间不上秧的目的,提升无人驾驶插秧机的作业效率,具有智能化、可靠性高的优点。
发明内容
本发明一种机器视觉的秧箱秧苗量实时监测***及方法的旨在提供一种秧箱中秧苗剩余量的实时监测***及方法,以实现插秧机插秧过程中秧箱中秧苗剩余量的实时监测并及时报警停机。
为了解决以上技术问题,本发明采用的具体技术方案如下:
该发明一种基于机器视觉的秧箱秧苗量实时监测***主要包括:秧箱、支架、螺栓、导轨、橡胶传送带、摄像头安装固定机构、隔板、秧苗、摄像头和控制器主机板;
所述秧箱由隔板分隔成6个秧格,每个秧格靠近底部的部分装有橡胶传送带;
所述的摄像头安装固定机构焊接到支架上,摄像头安装固定机构采用厚度为2mm的不锈钢板加工而成,其上开有两个直径为4mm的孔;
所述的导轨为现有乘坐式高速插秧机上的导轨,用于支撑秧箱和为秧箱水平移动提供导向作用;
所述的橡胶传送带为现有乘坐式高速插秧机上的秧苗输送带,避免秧苗起皱;
所述的隔板为现有乘坐式高速插秧机上的秧箱隔板,用于将秧箱根据插秧机插秧行数分隔成相应行数的秧格。
所述摄像头为林柏视S908工业广角摄像头,靠USB接口供电和传输图像,调节摄像头分辨率为640*480,摄像头通过摄像头安装固定机构的两个直径为4mm的孔与摄像头安装固定机构进行螺栓连接;
所述的控制器主机板包括控制器、FIFO存储模块、WIFI信号发射模块、SD卡、按钮、蜂鸣器、LED灯、电源降压模块和12V DC电源,与摄像头通过USB接口总线进行电气连接;
所述的控制器为S3C2410嵌入式微处理器,芯片内部集成***总线AHB上的***总线控制器、电源管理单元、PLL时钟发生器、内部SRAM、外部主控器、LCD控制单元、DMA控制单元、中断控制器;连接到***总线APB上的硬件组件有三通道的UART、一个多主I2C总线控制器、一个I2S总线控制器、五通道PWM定时器及一个内部定时器、一个看门狗定时器、通用I/O口、具有日历功能的实时时钟RTC、八通道10位ADC、两个同步串行口SIO接口以及SDI/MMC等。由该芯片对采集到的图像进行预处理和有效信息提取,并发送报警信息到驾驶舱和远程接收设备;
所述FIFO存储模块为FT2232H芯片,该芯片具有将USB2.0接口和UART、FIFO、I2C、SPI、JPAG等通道接口相连并配置的能力,用于将图像数据传给控制器;
所述WIFI信号发射模块为ESP8266EX芯片,该芯片高度片内高度集成有天线开关、射频balun、功率放大器、低噪声接收放大器、滤波器和电源管理理模块,用于报警信息的远程无线发送;
所述SD卡可由控制器内的SDI组件驱动,保存图像数据以备后续分析;
所述的按钮与S3C2410芯片相连,安装驾驶舱内,报警时驾驶舱的驾驶员可以按下按钮取消报警;
所述蜂鸣器和LED灯和S3C2410芯片I/O口相连,对驾驶舱内的驾驶员进行声光报警;
所述的降压模块为LM2596S降压转换器,通过电源降压模块将12V DC电压转变为5V DC电压为摄像头供电,通过DC降压模块将12V DC电压转变为3.3V DC电压,为控制器、FIFO存储模块和WIFI信号发射模块供电;
所述的12V DC电源为插秧机上蓄电池。
一种基于机器视觉的秧箱秧苗量实时监测方法,包括以下步骤:
步骤一:作业参数的设定
将秧苗报警的秧苗最低线固化到程序中,在给插秧机秧箱中装满秧片后,给控制器上电,查看该***信号采集单元是否正常,摄像头是否能持续拍照,秧箱整体是否位于摄像范围内,若正常,***进入作业状态;若出现故障,则向驾驶舱和远方接收设备发送故障信息,通知操作人员来检查摄像头是否故障,故障解除后,进入作业状态。
步骤二:图像信息采集
通过控制器主机板将图像采样周期设置为1s,将摄像头分辨率设置为640*480,像素深度设置为8位,则每张图像经取样和量化得到一个640*480的矩阵,图像坐标f(x,y)的值为离散量,将获得的离散量进行取整,具体表示为
由于每个像素的颜色分为RGB三个分量,式(1)每个坐标包含三个分量,则获得的每张照片有640*480*3=921600个离散数据,每个离散数据可表示为
F(x,y,c)=F(f(x,y),c)(c=0,1,2) (2)
通过FIFO存储模块将图片从摄像头采集,再发送给控制器进行预处理。
步骤三:图像处理
(1)秧箱图像分割
采集的图像中除了秧箱的图片,还有秧箱之外一些不需要的数据,由于秧箱是白色的而秧苗是绿色的,秧苗与秧箱色差很大,可以根据颜色的差异对图像进行分割。
考虑到纯白色的RGB值为(255,255,255),灰白色的RGB三个分量大小持平,且都至少大于200;绿色的RGB值有明显的倾向性,G分量的值远大于R及B分量的值且G分量的值至少大于150;通过加权方法抑制R、B分量,提取G分量,具体公式表示为
p(x,y)=0.1*F(x,y,0)+0.8*F(x,y,1)+0,1*F(x,y,2) (3)
式(3)中,F(x,y,0)、F(x,y,1)和F(x,y,2)分别对应R、G、B分量。将得到的p值小于170的舍去,剩下的坐标点在其四周拟合出一个矩形,此矩形为秧箱区域。
(2)目标区域提取
将经过图像分割获得的图像再一次处理,遍历每一个点,当该点及其四周的点R、B分量的方差较大,则认为该点是秧片边缘,像素点的方差计算公式为
其中,
F(x,y,0)为该像素点的R值;
F(x+i,y+j,0)(i,j=±1,0)为该像素点x方向上i个距离,y方向上i个距离像素的R值;
v为该像素点及其周围9个像素的R值方差;
将得到的点进行直线拟合,拟合出来的直线即为秧苗边界。
步骤四:秧箱秧苗分布状况的获取及秧苗量的计算
以水平向右为零度角,用与水平方向夹角为90°的直线,将秧箱六等分,即为六道秧格;通过监测秧格中靠近秧箱上端的秧苗的边界距离秧箱底部的距离,实时获得每个秧格秧苗的数量。
步骤五:报警决策
若六道秧格中任一秧格的秧苗剩余量高于***设定的秧苗最低线,插秧机进行正常作业,当六道秧格中任一秧格的秧苗剩余量小于***设定的秧苗最低线时,***通过LED灯和蜂鸣器发送声光报警信号到驾驶舱和远程接收设备,通知驾驶员或插秧机无人驾驶***停止插秧作业进行上秧,循环继续查看秧片是否低于最低线,秧箱装满秧苗后,通知驾驶员或插秧机无人驾驶***继续插秧作业,反之,继续停机等待上秧。
本发明具有有益效果
(1)、本发明通过实时采集秧箱图像信息,并通过的图像信息的分析与处理对秧箱中秧苗分布情况及秧苗剩余量进行在线监测,并根据秧箱实现对秧箱中秧苗剩余量的实时监测与报警,具有智能化程度高、成本低、实时性强的优点。
(2)、本发明一种对秧箱中秧苗剩余量的实时监测***及方法,实用范围广,既可用于自动驾驶插秧机也可用于现有市场上销售的步进式和乘坐式插秧机的秧苗量的在线监测,只需要要对插秧机原有结构进行稍许改动即可以安装使用。
附图说明
图1为秧箱中秧苗剩余量实时监测***结构示意图;
图2为摄像头与控制器主机板连接结构示意图;
图3为秧箱中秧苗剩余量实时监测***及方法的控制器原理框图;
图4为秧箱中秧苗剩余量实时监测***及方法的运行流程图;
其中:1-秧箱;2-支架;3-螺栓;4-导轨;5-摄像头安装固定机构;6-隔板;7-橡胶传送带;8-秧苗;9-摄像头;10-控制器主机板;11-控制器、12-FIFO存储模块;13-WIFI信号发射模块;14-电源降压模块;15-12V DC电源;16-USB接口;17-I2C接口;18-控制器I/O接口;19-UART接口;20-SDI接口;21-SD卡;22-按钮;23-LED灯;24-蜂鸣器。
具体实施方式
下面结合附图对本发明实施方案进行详细描述。
如图1所示,一种基于机器视觉的秧箱秧苗量实时监测***,主要由秧箱1、支架2、螺栓3、导轨4、摄像头安装固定机构5、隔板6、橡胶传送带7、秧苗8、摄像头9和控制器主机板10组成。
所述秧箱1由隔板6分隔成6个秧格,每个秧格靠近底部的部分装有橡胶传送带7;
所述的支架2采用不锈钢材料加工而成,呈形,用螺栓3安装在秧箱1左右两侧,支架1横梁中央位置焊接有摄像头安装固定机构5,支架2位于秧箱1正上方且使摄像头9正对秧苗8,调整摄像头9镜头焦距,使秧箱1在摄像头9的视距范围内;
所述的摄像头安装固定机构5焊接到支架2上,摄像头安装固定机构5采用厚度为2mm的不锈钢板加工而成,其上开有两个直径为4mm的孔;
所述的导轨4为现有乘坐式高速插秧机上的导轨,用于支撑秧箱1和为秧箱水平移动提供导向作用;
所述的橡胶传送带7为现有乘坐式高速插秧机上的秧苗输送带,避免秧苗起皱;
所述的隔板6为现有乘坐式高速插秧机上的秧箱隔板,用于将秧箱根据插秧机插秧行数分隔成相应行数的秧格。
根据图2,所述摄像9为林柏视S908工业广角摄像头,靠USB接口供电和传输图像,调节摄像头分辨率为640*480,摄像头9通过摄像头安装固定机构5的两个直径为4mm的孔与摄像头安装固定机构5进行螺栓连接;控制器主机板10与摄像头9进行电气连接;
如图3所示,所述的控制器主机板10包括控制器11、FIFO存储模块12、WIFI信号发射模块13、SD卡21、按钮22、LED灯23、蜂鸣器24、电源降压模块14和12V DC电源15;
所述的控制器11为S3C2410嵌入式微处理器,该芯片内部集成了许多硬件,包括连接到***总线AHB上的***总线控制器、电源管理单元、PLL时钟发生器、内部SRAM、外部主控器、LCD控制单元、DMA控制单元、中断控制器;连接到***总线APB上的硬件组件有三通道的UART、一个多主I2C总线控制器、一个I2S总线控制器、五通道PWM定时器及一个内部定时器、一个看门狗定时器、通用I/O口、具有日历功能的实时时钟RTC、八通道10位ADC、两个同步串行口SIO接口以及SDI/MMC等。由该芯片对采集到的图像进行预处理和有效信息提取,并发送报警信息到驾驶舱和远程接收设备;
所述FIFO存储模块12为FT2232H芯片,该芯片具有将USB2.0接口和UART、FIFO、I2C、SPI、JPAG等通道接口相连并配置的能力,通过该芯片将图像数据传给控制器11;
所述WIFI信号发射模块13为ESP8266EX芯片,该芯片高高度片片内集成,包括天线开关,射频balun,功率放大器,低噪声接收放大器,滤波器和电源管理理模块,报警信息通过该芯片发送出去;
所述SD卡21可由控制器11内的SDI组件驱动,保存图像数据以备后续分析;
所述的按钮22与控制器11相连,当报警时在驾驶舱的驾驶员按下按钮可以取消报警;
所述LED灯23和蜂鸣器24和控制器I/O接口18相连,对驾驶舱内的驾驶员进行声光报警;
所述的电源降压模块14为LM2596S降压转换器,通过DC降压模块14将12V DC电压转变为5V DC电压为摄像头9供电,通过DC降压模块15将12V DC电压转变为3.3V DC电压为控制器11、FIFO存储模块12和WIFI信号发射模块13供电;
所述的12V DC电源15为插秧机上蓄电池。
根据图4,一种基于机器视觉的秧箱秧苗量实时监测方法,包括以下步骤:
步骤一:作业参数的设定
将秧苗报警的秧苗最低线固化到程序中,在给插秧机秧箱中装满秧片后,给控制器上电,查看该***信号采集单元是否正常,摄像头是否能持续拍照,秧箱整体是否位于摄像范围内,若正常,***进入作业状态;若出现故障,则向驾驶舱和远方接收设备发送故障信息,通知操作人员来检查摄像头是否故障,故障解除后,进入作业状态。
步骤二:图像信息采集
通过控制器主机板将图像采样周期设置为1s,将摄像头分辨率设置为640*480,像素深度设置为8位,则每张图像经取样和量化得到一个640*480的矩阵,图像坐标f(x,y)的值为离散量,将获得的离散量进行取整,具体表示为
由于每个像素的颜色分为RGB三个分量,式(1)每个坐标包含三个分量,则获得的每张照片有640*480*3=921600个离散数据,每个离散数据可表示为
F(x,y,c)=F(f(x,y),c)(c=0,1,2) (2)
通过FIFO存储模块将图片从摄像头采集,再发送给控制器进行预处理。
步骤三:图像处理
(1)秧箱图像分割
采集的图像中除了秧箱的图片,还有秧箱之外一些不需要的数据,由于秧箱是白色的而秧苗是绿色的,秧苗与秧箱色差很大,可以根据颜色的差异对图像进行分割。
考虑到纯白色的RGB值为(255,255,255),灰白色的RGB三个分量大小持平,且都至少大于200;绿色的RGB值有明显的倾向性,G分量的值远大于R及B分量的值且G分量的值至少大于150;通过加权方法抑制R、B分量,提取G分量,具体公式表示为
p(x,y)=0.1*F(x,y,0)+0.8*F(x,y,1)+0,1*F(x,y,2) (3)
式(3)中,F(x,y,0)、F(x,y,1)和F(x,y,2)分别对应R、G、B分量。将得到的p值小于170的舍去,剩下的坐标点在其四周拟合出一个矩形,此矩形为秧箱区域。
(3)目标区域提取
将经过图像分割获得的图像再一次处理,遍历每一个点,当该点及其四周的点R、B分量的方差较大,则认为该点是秧片边缘,像素点的方差计算公式为
其中,
F(x,y,0)为该像素点的R值;
F(x+i,y+j,0)(i,j=±1,0)为该像素点x方向上i个距离,y方向上i个距离像素的R值;
v为该像素点及其周围9个像素的R值方差;
将得到的点进行直线拟合,拟合出来的直线即为秧苗边界。
步骤四:秧箱秧苗分布状况的获取及秧苗量的计算
以水平向右为零度角,用与水平方向夹角为90°的直线,将秧箱六等分,即为六道秧格;通过监测秧格中靠近秧箱上端的秧苗的边界距离秧箱底部的距离,实时获得每个秧格秧苗的数量。
步骤五:报警决策
若六道秧格中任一秧格的秧苗剩余量高于***设定的秧苗最低线,插秧机进行正常作业,当六道秧格中任一秧格的秧苗剩余量小于***设定的秧苗最低线时,***通过LED灯和蜂鸣器发送声光报警信号到驾驶舱和远程接收设备,通知驾驶员或插秧机无人驾驶***停止插秧作业进行上秧,循环继续查看秧片是否低于最低线,秧箱装满秧苗后,通知驾驶员或插秧机无人驾驶***继续插秧作业,反之,继续停机等待上秧。
综上,本发明的一种基于机器视觉的秧箱秧苗量实时监测***由秧箱、支架、螺栓、导轨、橡胶传送带、摄像头安装固定机构、隔板、秧苗、摄像头和控制器主机板组成。一种基于机器视觉的秧箱秧苗量实时监测方法包括以下步骤:步骤一:作业参数的设定;步骤二:图像信息采集;步骤三:图像处理;步骤四:秧箱秧苗分布状况的获取及秧苗量的计算;步骤五:报警决策。其特征在于:通过实时采集秧箱图像信息实现对秧苗剩余量的实时监测与报警。在控制器作用下,利用图像采集单元对秧苗在秧箱中的分布情况进行监测,实现对秧苗剩余量的实时监测,结合各功能模块,实现对监测到剩余的秧苗低于警报线和最低线的声光报警。本发明秧苗量实时监测***及方法智能化程度高、成本低、结构简单,只需对现有插秧机进行小的改动即可安装使用,适用范围广,可适用于无人驾驶和有人驾驶插秧机作业过程中秧箱秧苗剩余量进行实时监测与报警。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“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一定指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何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (5)
1.一种基于机器视觉的秧箱秧苗量实时监测***,其特征在于:主要由秧箱(1)、支架(2)、螺栓(3)、导轨(4)、摄像头安装固定机构(5)、隔板(6)、橡胶传送带(7)、秧苗(8)、摄像头(9)和控制器主机板(10)组成;
所述秧箱(1)由隔板(6)分隔成多个秧格,每个秧格靠近底部的部分装有橡胶传送带(7);所述的支架(2)安装在秧箱(1)左右两侧,在支架(2)的横梁中央位置设置有摄像头安装固定机构(5),支架(2)的横梁位于秧箱(1)正上方且使摄像头(9)正对秧苗(8),调整摄像头(9)镜头焦距,使秧箱(1)在摄像头(9)的视距范围内;所述的导轨(4)支撑秧箱和为秧箱水平移动提供导向;
通过在线采集秧箱(1)图像信息,送入控制器主机板(10),经图像处理与分析得到秧苗在秧箱(1)中分布情况以及秧箱中秧苗剩余量,并将监测到的秧箱(1)中秧苗剩余量与设定值进行比较,根据比较结果的不同对判断是否进行声光报警;
所述的控制器主机板(10)包括控制器(11)、FIFO存储模块(12)、WIFI信号发射模块(13)、SD卡(21)、按钮(22)、LED灯(23)、蜂鸣器(24)、电源降压模块(14)和12V DC电源(15);
所述的控制器(11)分别和FIFO存储模块(12)、WIFI信号发射模块(13)、SD卡(21)、按钮(22)、LED灯(23)、蜂鸣器(24)相连,DC电源(15)通过电源降压模块(14)分别为FIFO存储模块(12)、控制器(11)、WIFI信号发射模块(13)供电。
2.根据权利要求1所述的一种基于机器视觉的秧箱秧苗量实时监测***,其特征在于:所述摄像头(9)为林柏视S908工业广角摄像头,靠USB接口(16)供电和传输图像,调节摄像头分辨率为640*480,摄像头(9)通过摄像头安装固定机构(5)上的两个直径为4mm的孔与摄像头安装固定机构(5)进行螺栓连接;摄像头安装固定机构(5)采用厚度为2mm的不锈钢板加工而成。
3.根据权利要求1所述的一种基于机器视觉的秧箱秧苗量实时监测***,其特征在于:
所述的控制器(11)为S3C2410嵌入式微处理器;所述WIFI信号发射模块(13)为ESP8266EX芯片;所述FIFO存储模块(12)为FT2232H芯片;所述SD卡(21)可由控制器内的SDI组件驱动;所述的电源降压模块(14)为LM2596S降压转换器,通过DC降压模块将12V DC电压转变为5V DC电压为摄像头(9)供电,通过DC降压模块将12V DC电压转变为3.3V DC电压为控制器(11)、FIFO存储模块(12)和WIFI信号发射模块(13)供电。
4.根据权利要求1所述的一种基于机器视觉的秧箱秧苗量实时监测***,其特征在于:所述的12V DC电源(15)为插秧机上蓄电池。
5.一种根据权利要求1所述的基于机器视觉的秧箱秧苗量实时监测***的方法,其特征在于,包含以下步骤:
步骤一:作业参数的设定:将秧苗报警的秧苗最低线固化到程序中,在给插秧机秧箱(1)中装满秧片后,给控制器上电,查看该***信号采集单元是否正常,摄像头是否能持续拍照,秧箱整体是否位于摄像范围内,若正常,***进入作业状态;若出现故障,则向驾驶舱和远方接收设备发送故障信息,通知操作人员来检查摄像头(9)是否出现故障,故障解除后,进入作业状态;
步骤二:图像信息采集:通过控制器主机板(10)设定图像采样周期,并设定摄像头(9)分辨率、像素深度,则每张图像经取样和量化得到一个矩阵,图像坐标f(x,y)的值为离散量,将获得的离散量进行取整,具体表示为
由于每个像素的颜色分为RGB三个分量,式(a)中每个坐标包含三个分量,则获得的每张照片有多个离散数据,每个离散数据可表示为F(x,y,c)=F(f(x,y),c),c=0,1,2;
通过FIFO存储模块(12)将图片从摄像头(9)采集,再发送给控制器(11)进行预处理;
步骤三:图像处理:秧箱图像分割和目标区域提取;
步骤四:秧箱秧苗分布状况的获取及秧苗量的计算:以水平向右为零度角,用与水平方向夹角为90°的直线,将秧箱(1)六等分,即为六道秧格;通过监测秧格中靠近秧箱(1)上端的秧苗(8)的边界距离秧箱(1)底部的距离,实时获得每个秧格秧苗(8)的数量;
步骤五:报警决策:若多道秧格中任一秧格的秧苗剩余量高于***设定的秧苗最低线,插秧机进行正常作业,当多道秧格中任一秧格的秧苗剩余量小于***设定的秧苗最低线时,***通过LED灯(23)和蜂鸣器(24)发送声光报警信号到驾驶舱和远程接收设备,通知驾驶员或插秧机无人驾驶***停止插秧作业进行上秧,循环继续查看秧片是否低于最低线,秧箱装满秧苗后,通知驾驶员或插秧机无人驾驶***继续插秧作业,反之,继续停机等待上秧;
步骤三具体过程为:
1)秧箱图像分割:采集的图像中除了秧箱(1)的图片,还有秧箱(1)之外一些不需要的数据,由于秧箱(1)是白色的而秧苗(8)是绿色的,秧苗(8)与秧箱(1)色差很大,根据颜色的差异对图像进行分割;
考虑到纯白色的RGB值为(255,255,255),灰白色的RGB三个分量大小持平,且都至少大于200;绿色的RGB值有明显的倾向性,G分量的值远大于R及B分量的值,且G分量的值至少大于150;通过加权方法抑制R、B分量,提取G分量,具体公式表示为
p(x,y)=0.1*F(x,y,0)+0.8*F(x,y,1)+0,1*F(x,y,2)
式中,F(x,y,0)、F(x,y,1)和F(x,y,2)分别对应R、G、B分量,将得到的p值小于170的舍去,剩下的坐标点在其四周拟合出一个矩形,此矩形为秧箱(1)区域;
2)目标区域提取:将经过图像分割获得的图像再一次处理,遍历每一个点,当该点及其四周的点R、B分量的方差较大,则认为该点是秧片边缘,像素点的方差计算公式为
F(x+i,y+j,0)(i,j=±1,0)为该像素点x方向上i个距离,y方向上i个距离像素的R值;v为该像素点及其周围9个像素的R值方差;将得到的点进行直线拟合,拟合出来的直线即为秧苗边界。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810463986.4A CN108633411B (zh) | 2018-05-15 | 2018-05-15 | 一种基于机器视觉的秧箱秧苗量实时监测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810463986.4A CN108633411B (zh) | 2018-05-15 | 2018-05-15 | 一种基于机器视觉的秧箱秧苗量实时监测***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108633411A CN108633411A (zh) | 2018-10-12 |
CN108633411B true CN108633411B (zh) | 2020-07-31 |
Family
ID=63755930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810463986.4A Active CN108633411B (zh) | 2018-05-15 | 2018-05-15 | 一种基于机器视觉的秧箱秧苗量实时监测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108633411B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334750B (zh) * | 2019-06-21 | 2021-06-08 | 西安工程大学 | 输电线路铁塔螺栓锈蚀程度图像分类识别方法 |
CN110809937B (zh) * | 2019-12-03 | 2021-01-29 | 中国农业大学 | 基于延时摄影技术定量分析根系植物生长特征的方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100562245C (zh) * | 2007-12-21 | 2009-11-25 | 浙江大学 | 基于机器视觉的幼苗移栽*** |
CN103477770A (zh) * | 2013-09-24 | 2014-01-01 | 浙江理工大学 | 基于视觉的钵盘自动补苗装置 |
CN104322187B (zh) * | 2014-10-23 | 2016-03-02 | 江苏大学 | 一种穴盘苗图像采集装置和方法 |
CN204466226U (zh) * | 2015-02-01 | 2015-07-15 | 浙江大学 | 一种补苗机械作业装置 |
CN104704970B (zh) * | 2015-03-26 | 2017-04-12 | 江苏大学 | 一种穴盘苗全自动移栽装置及选苗方法 |
CN107464232B (zh) * | 2017-07-13 | 2020-02-21 | 江苏大学 | 一种无人插秧机栽插质量的图像检测方法 |
-
2018
- 2018-05-15 CN CN201810463986.4A patent/CN108633411B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108633411A (zh) | 2018-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108633411B (zh) | 一种基于机器视觉的秧箱秧苗量实时监测***及方法 | |
CN101709954B (zh) | 一种基于机器视觉技术的架空线路覆冰在线监测装置 | |
CN110954161A (zh) | 基于物联网的农业智能监测管理方法及*** | |
CN109145794B (zh) | 一种海洋牧场网箱的健康监测方法 | |
CN108120715B (zh) | 一种基于机器视觉的玉米籽粒破碎率在线检测方法及装置 | |
CN109804757A (zh) | 基于卫星导航的自动化播深调控伸缩式平台 | |
CN110384034A (zh) | 一种智能灌溉*** | |
CN104007733A (zh) | 一种对农业集约化生产进行监控的***及方法 | |
CN205664822U (zh) | 一种分布式水文信息检测*** | |
CN104038563B (zh) | 养殖场动态环境监测装置及*** | |
CN210982781U (zh) | 一种低功耗数字农业监控站 | |
CN105513129B (zh) | 基于激光3d建模自动棒材计数*** | |
CN112183189A (zh) | 基于客流密度的地铁区域智能照明方法、装置、计算机设备 | |
CN116758454A (zh) | 湿地鸟类监测方法及*** | |
CN201302730Y (zh) | 基于计算机视觉的鱼苗自动计数*** | |
CN206075563U (zh) | 一种基于视频图像的居民社区地面车位引导装置 | |
CN109889788A (zh) | 一种用于监控供电状态的方法、服务器及*** | |
CN109451279A (zh) | 一种基于arm9的温室大棚移动智能监控*** | |
CN104898117A (zh) | 一种基于北斗鱼探浮标的实时鱼情监测*** | |
CN208807285U (zh) | 一种智能采集控制器 | |
CN207379548U (zh) | 一种杂交水稻用远程检测*** | |
CN206178394U (zh) | 城市供水管网末端低压调控*** | |
CN112481095A (zh) | 一种沼气发酵原料智能调配*** | |
CN108876787A (zh) | 一种基于深度学习的农作物生病监测主控板 | |
CN205827243U (zh) | 一种用于粮情监测的无人机 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |