CN109685174A - 一种黄瓜丰产性自动分析装置及方法 - Google Patents
一种黄瓜丰产性自动分析装置及方法 Download PDFInfo
- Publication number
- CN109685174A CN109685174A CN201811600972.9A CN201811600972A CN109685174A CN 109685174 A CN109685174 A CN 109685174A CN 201811600972 A CN201811600972 A CN 201811600972A CN 109685174 A CN109685174 A CN 109685174A
- Authority
- CN
- China
- Prior art keywords
- cucumber
- melon
- data
- image
- hand
- 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
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 25
- 244000299906 Cucumis sativus var. sativus Species 0.000 title 1
- 240000008067 Cucumis sativus Species 0.000 claims abstract description 111
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000005259 measurement Methods 0.000 claims abstract description 17
- 229910001220 stainless steel Inorganic materials 0.000 claims abstract description 15
- 239000010935 stainless steel Substances 0.000 claims abstract description 15
- 238000005303 weighing Methods 0.000 claims abstract description 14
- 238000004891 communication Methods 0.000 claims abstract description 9
- 241000219112 Cucumis Species 0.000 claims description 77
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 claims description 77
- FJJCIZWZNKZHII-UHFFFAOYSA-N [4,6-bis(cyanoamino)-1,3,5-triazin-2-yl]cyanamide Chemical compound N#CNC1=NC(NC#N)=NC(NC#N)=N1 FJJCIZWZNKZHII-UHFFFAOYSA-N 0.000 claims description 77
- 238000001514 detection method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 14
- 241001194479 Cucumis melo var. makuwa Species 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 235000009849 Cucumis sativus Nutrition 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004080 punching Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 9
- 238000011160 research Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 10
- 238000009395 breeding Methods 0.000 description 9
- 230000001488 breeding effect Effects 0.000 description 9
- 230000004044 response Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000036512 infertility Effects 0.000 description 2
- 208000000509 infertility Diseases 0.000 description 2
- 231100000535 infertility Toxicity 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 229910052493 LiFePO4 Inorganic materials 0.000 description 1
- 240000000249 Morus alba Species 0.000 description 1
- 235000008708 Morus alba Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
- G01G19/52—Weighing apparatus combined with other objects, e.g. furniture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Agronomy & Crop Science (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种黄瓜丰产性自动分析装置及方法,所述装置包括测量主机和手持记录仪;所述手持记录仪包括:手持记录仪外壳(1)、充电电池(2)、第一天线(3)、触摸屏(4)、处理芯片(5)、数据存储模块(6)以及数据通讯模块(7);所述的测量主机包括:不锈钢台面(8)、万向轮(9)、长边水平尺(10)、宽边水平尺(11)、承重板(12)、固定板(13)、垫片(14)、平衡梁单点式称重传感器(15)、数码摄像机(16)、智能数据处理模块(17)、第二天线(18)、传感器引线接口(19)以及支撑杆件(20);本发明能够在黄瓜品种培育过程中自动实时记录品种编号及黄瓜产量,方便科研人员进行现场操作。
Description
技术领域
本发明涉及测量技术领域,特别涉及一种黄瓜丰产性自动分析装置及方法。
背景技术
在黄瓜等农作物品种选育过程中,每个育种材料(品系)的筛选过程都需记录整个生育期每次采摘的重量,来分析材料间的单瓜重、前期产量、后期产量和总产量的差异。丰产性作为作物品种在现实生产条件下所表现出的产量水平,既是衡量作物品种经济性能的基本内容,也是在生产实践中确定品种应用范围的主要依据。传统的黄瓜品种选育过程中,农业专家需要同时种植很多黄瓜品种,专家为不同品种设定不同代码编号,在果实收获期分编号进行统计,在实际操作中操作人员需要不断的称重、读数、记录数据,同时搬运待测量的黄瓜品种,并移动电子称,这给育种专家带来巨大的工作量,同时数据从电子称誊写数据会产生一定的人为误差,频繁的搬运电子称到合适的位置会影响电子称的水平,从而导致***误差。所以能制造一个对黄瓜丰产性自动测量的无线采集装置,并能完成数据的保存和上传功能,在节省时间、节约劳动力方面尤为重要。
发明内容
本发明实施例提供了一种黄瓜丰产性自动分析装置及方法,以解决现有测量装置及方法存在的技术问题。
根据本发明的具体实施方式,第一方面,本发明实施例提供的一种黄瓜丰产性自动分析装置,包括测量主机和手持记录仪;
所述手持记录仪包括:手持记录仪外壳1、充电电池2、第一天线3、触摸屏4、处理芯片5、数据存储模块6以及数据通讯模块7;其中手持记录仪外壳1采用防水塑料材质制成,所述天线3通过打孔与所述手持记录仪外壳1相连接;所述手持记录仪外壳1内装有电路板,所述电路板上焊有所述处理芯片5、电池2安装座、触摸屏4以及天线3的连接口;
所述的测量主机包括:不锈钢台面8、万向轮9、长边水平尺10、宽边水平尺11、承重板12、固定板13、垫片14、平衡梁单点式称重传感器15、数码摄像机16、智能数据处理模块17、第二天线18、传感器引线接口19以及支撑杆件20;所述处理芯片5由STM32F103RBT6控制芯片及其***电路构成。
所述万向轮9安装于所述固定板13底面,供所述测量主机自由移动;所述长边水平尺10以及宽边水平尺11分别位于所述不锈钢台面8的长边和宽边边缘,用于调平所述不锈钢台面8;所述承重板12紧贴所述不锈钢台面8顶面下侧安装,所述称重传感器15通过所述垫片14安装于所述承重板12和所述固定板13之间;所述数码摄像机16安装于所述支撑杆件20一端,用于获取所述黄瓜的图像数据,把所述图像数据传输给所述智能数据处理模块17,所述智能数据处理模块17对黄瓜表型数据进行检测,并把表型数据通过所述天线18传输模块传到所述手持记录仪。
可选的,所述触摸屏采用4.3英寸、分辨率为480*272的真彩电阻触摸屏。
根据本发明的具体实施方式,第二方面,一种采用如上所述装置对黄瓜丰产性自动分析的方法,包括如下步骤:
通过所述长边水平尺10和宽边水平尺11调平所述不锈钢台面8;
开启所述手持记录仪,通过所述触摸屏4输入黄瓜品系编号代码;
通过所述称重传感器15获取黄瓜的重量数据;
通过所述数码摄像机16获取黄瓜的图像数据;
对所述重量数据和图像数据处理后,返回黄瓜分级。
可选的,所述对所述重量数据和图像数据处理后,返回黄瓜分级,包括:
对所述图像数据进行裁剪压缩处理;
采用SSD目标检测算法对所述图像进行检测,并对所述图像进行图像分割;
对每一分割图像进行图像预处理,获取所述黄瓜轮廓图像;
获取原RGB图像中的G通道的数值,根据G通道的颜色分布直方图把黄瓜瓜色分为三级;
固定所述数码摄像机16的高度,根据矩心坐标、黄瓜轮廓两端点坐标和外接圆坐标,反算出黄瓜瓜长、瓜宽和瓜弧度;
计算所述轮廓图像内的各轮廓面积,通过设定相关阈值统计出刺溜疏密;
根据黄瓜的瓜重、瓜色、瓜长、瓜宽、瓜弧和刺溜疏密,采用SVM算法把黄瓜分为四级;
返回黄瓜分级。
可选的,所述SSD目标检测算法包括:
其中,m指的特征图个数,sk表示第k个特征图相对于原图的尺寸比例,smin和smax表示比例的最小值与最大值。
可选的,所述根据黄瓜的瓜重、瓜色、瓜长、瓜宽、瓜弧和刺溜疏密,采用SVM算法把黄瓜分为四级,包括:
把瓜重、瓜色、瓜长、瓜弧度、瓜粗、刺溜疏密数据定义为黄瓜丰产性评价的6个维度;
采用SVM算法模型对黄瓜品质进行分类,模型如下:
其中,是拉格朗日乘子,rt是已知样本的分类的6维向量的输出量,xt是已知样本的6维向量的输入量,K(xt,x)是SVM算法的核函数,表示如下:
其中,δ表示训练样本标准差;
把检测的黄瓜分为特等瓜、一等瓜、二等瓜、三等瓜。
本发明实施例的上述方案与现有技术相比,至少具有以下有益效果:
本发明提出的黄瓜丰产性自动分析装置及方法,应用于黄瓜育种过程中,能够在黄瓜品种培育过程中自动实时记录品种编号及黄瓜产量,并根据训练模型自动识别并分类黄瓜品类,操作简便,方便科研人员进行现场操作。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例所述自动分析装置的主机结构图。
图2是本发明实施例所述自动分析装置的手持记录仪结构图。
图3是本发明实施例所述自动分析方法的流程图。
图4是本发明实施例所述自动分析方法的模型训练流程图。
图5是本发明实施例所述自动分析方法的瓜色分析流程图。
图6是本发明实施例所述自动分析方法的瓜长分析流程图。
图7是本发明实施例所述自动分析装置的整体结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,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做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。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
应当理解,尽管在本申请实施例中可能采用术语第一、第二、第三等来描述……,但这些……不应限于这些术语。这些术语仅用来将……区分开。例如,在不脱离本申请实施例范围的情况下,第一……也可以被称为第二……,类似地,第二……也可以被称为第一……。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是,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商品或者***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商品或者***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商品或者***中还存在另外的相同要素。
下面结合附图详细说明本发明的优选实施例。
如图1、图2所示,根据本发明的具体实施方式,第一方面,本发明实施例提供的一种黄瓜丰产性自动分析装置,包括测量主机和手持记录仪;
所述手持记录仪包括:手持记录仪外壳1、充电电池2、第一天线3、触摸屏4、处理芯片5、数据存储模块6以及数据通讯模块7;其中手持记录仪外壳1采用防水塑料材质制成,所述天线3通过打孔与所述手持记录仪外壳1相连接;所述手持记录仪外壳1内装有电路板,所述电路板上焊有所述处理芯片5、电池2安装座、触摸屏4以及天线3的连接口;
所述的测量主机包括:不锈钢台面8、万向轮9、长边水平尺10、宽边水平尺11、承重板12、固定板13、垫片14、平衡梁单点式称重传感器15、数码摄像机16、智能数据处理模块17、第二天线18、传感器引线接口19以及支撑杆件20;所述处理芯片5由STM32F103RBT6控制芯片及其***电路构成。
所述万向轮9安装于所述固定板13底面,供所述测量主机自由移动;所述长边水平尺10以及宽边水平尺11分别位于所述不锈钢台面8的长边和宽边边缘,用于调平所述不锈钢台面8;所述承重板12紧贴所述不锈钢台面8顶面下侧安装,所述称重传感器15通过所述垫片14安装于所述承重板12和所述固定板13之间;所述数码摄像机16安装于所述支撑杆件20一端,用于获取所述黄瓜的图像数据,把所述图像数据传输给所述智能数据处理模块17,所述智能数据处理模块17对黄瓜表型数据进行检测,并把表型数据通过所述天线18传输模块传到所述手持记录仪。
可选的,所述触摸屏采用4.3英寸、分辨率为480*272的真彩电阻触摸屏。
其中,所述手持记录仪所述第一天线3与所述第二天线18实现无线通讯。
可选的,所述的平衡梁单点式称重传感器,量程为60kg,综合误差为±0.017%F.S.,灵敏度为2.0±0.2mV/V,防护等级为IP65。
可选的,所芯片单元5由STM32F103RBT6控制芯片及其***电路构成。或者采用32位的ARM低功耗微处理器STM32F103RCT6,具有25Kbyte Flash、48Kbyte RAM,工作频率可达72MHz,能够满足设施黄瓜品种选育前期的数据采集、处理、存储、显示和传输的需求。
所述的触摸屏单元包括触摸屏、外部FLASH和SD卡。其中,触摸屏采用4.3英寸、分辨率为480*272的真彩电阻触摸屏,用于整个数据采集过程中的人机交互;FLASH用于存储通过触摸屏设置的相关参数;SD卡用来存储触摸屏程序,用于批量下载。可选的,所述的触摸屏采用7英寸、分辨率为800*480的真彩电阻触摸屏。
所述的外部存储单元包括SD/TF卡及外部电路组成,其中,外部TF卡用于存储黄瓜品种编号代码及产量数据,采用FATFS文件***,支持与Windows兼容的FAT12/FAT16/FAT32文件***,其擦写周期多达10W次,支持电压为2.7-3.6V,支持标准SPI通信。
所述的通信单元包括短距离无线通讯模块以及远距离无线传输模块。其中短距离无线通讯模块采用433MHz频率传输,传输距离为400-700米;其中远距离无线传输模块GPRS采用SIM900A芯片,采用工业标准接口,工作频率为GSM/GPRS 850/900/1800/1900MHz,可以低功耗实现语音、SMS、数据和传真信息的传输。
所述的手持记录仪中的电源管理单元包含一节磷酸铁锂充电电池,为***供电;所述的测量主机中的电源管理单元包括符合国际标准的220VAC电源接口和一节磷酸铁锂充电电池。
如图3所示,根据本发明的具体实施方式,第二方面,一种采用如上所述装置对黄瓜丰产性自动分析的方法,包括如下步骤:
通过所述长边水平尺10和宽边水平尺11调平所述不锈钢台面8;
开启所述手持记录仪,通过所述触摸屏4输入黄瓜品系编号代码;
通过所述称重传感器15获取黄瓜的重量数据;
通过所述数码摄像机16获取黄瓜的图像数据;
对所述重量数据和图像数据处理后,返回黄瓜分级。
可选的,所述对所述重量数据和图像数据处理后,返回黄瓜分级,包括:
对所述图像数据进行裁剪压缩处理;
采用SSD目标检测算法对所述图像进行检测,并对所述图像进行图像分割;
对每一分割图像进行图像预处理,获取所述黄瓜轮廓图像;
获取原RGB图像中的G通道的数值,根据G通道的颜色分布直方图把黄瓜瓜色分为三级;
固定所述数码摄像机16的高度,根据矩心坐标、黄瓜轮廓两端点坐标和外接圆坐标,反算出黄瓜瓜长、瓜宽和瓜弧度;
计算所述轮廓图像内的各轮廓面积,通过设定相关阈值统计出刺溜疏密;
根据黄瓜的瓜重、瓜色、瓜长、瓜宽、瓜弧和刺溜疏密,采用SVM算法把黄瓜分为四级;
返回黄瓜分级。
可选的,所述SSD模型目标检测算法包括:
其中,m指的特征图个数,sk表示第k个特征图相对于原图的尺寸比例,smin和smax表示比例的最小值与最大值。
黄瓜样本检测所使用的SSD算法模型具有16层的网络结构,具有4366*4366个训练参数,其中在4层,6层,7层,8层,9层,10层,11层进行黄瓜的特征提取,为了适配不同大小的目标,采用多尺度特征图的方式进行特征提取,应用已知的黄瓜样本数据训练此网络模型,得到相应的参数值,形成用于黄瓜检测的pd文件,当新的黄瓜图像被数码摄像机拍照后,应用此训练模型可以迅速对图像中的黄瓜样本进行标定。
如图4所示,在黄瓜检测算法训练中,主要的工作集中在训练数据准备、模型改进与参数调整这三方面。
在训练数据准备方面:主要进行了如下三个方面的改进:(1)角度扩充:在已有训练数据的基础上进行0-180度,随机角度扩充。(2)光照处理:在训练之前进行亮度均衡化,去除过亮和过暗数据。(3)放缩扩充:基于训练数据采用类似金字塔方式进行放缩数据扩充。
在模型改进与参数调整方面:(1)深度学***铺(tiling),使得特定的特征图学习响应特定的物体尺度。结合黄瓜本身的表征特性,在集合中增加增加瘦高和宽扁形状的比率,提高default box(候选框)与黄瓜的切合度,提高检测效果。(2)在模型训练中主要调整参数为:learning rate(学习率),batch size(迭代步长),这两个参数的调整策略基本是在模型开始,设置较大值,让网络模型快速收敛,随着模型迭代次数的增加逐渐较小这两个参数值,使整个模型的准确率达到最高。
可选的,所述根据黄瓜的瓜重、瓜色、瓜长、瓜宽、瓜弧和刺溜疏密,采用SVM算法把黄瓜分为四级,包括:
把瓜重、瓜色、瓜长、瓜弧度、瓜粗、刺溜疏密数据定义为黄瓜丰产性评价的6个维度;
采用SVM算法模型对黄瓜品质进行分类,模型如下:
其中,是拉格朗日乘子,rt是已知样本的分类的6维向量的输出量,xt是已知样本的6维向量的输入量,K(xt,x)是SVM算法的核函数,表示如下:
其中,δ表示训练样本标准差;
把检测的黄瓜分为特等瓜、一等瓜、二等瓜、三等瓜。
如图5所示,对检测黄瓜后的图像进行图像分割,分割后的图像中只包含一根黄瓜,通过500*500大小的窗口重建图像,对图像的RGB三通道应用阈值(130,255.0)进行二值化处理,通过Canny算子对黄瓜轮廓进行检测,对图像中散乱的噪点应用开运算的方式进行消除,得到最终的一根根单独黄瓜的轮廓图像。之后对每一根黄瓜的瓜色、瓜长、瓜宽、瓜弧度、刺溜疏密进行研究。
根据黄瓜轮廓图像,获取原图像G通道的数值,并进行归一化处理,通过G通道的颜色分布直方图,设定相关阈值把颜色直方图定义为三类,对应黄瓜瓜色的墨绿色,油绿色,浅绿色。
如图6所示,根据黄瓜轮廓计算轮廓矩心,根据栅格扫描获取轮廓两端点坐标,根据矩心坐标及两端点坐标确定黄瓜轮廓的外接圆,根据外接圆求出黄瓜的弧度值。
因为数码摄像机距离图像的高度恒定,故而可以通过计算两端点之间的欧氏距离反算黄瓜的瓜长。
外接圆圆心与矩心的连线与轮廓交于两点,计算两点间距离计为瓜粗。
计算黄瓜轮廓内各闭合轮廓的面积,并进行归一化处理,把介于0到100的面积定义为刺溜,通过遍历累加,得到刺溜个数及刺溜总面积。
通过以上计算,得到黄瓜的表型数据,即瓜色、瓜长、刺溜疏密、瓜弧度、瓜粗。
分析装置通过对黄瓜产量采集单元中高精度平衡梁单点式称重传感器输出信号进行放大和调理;通信单元能够将测量数据通过天线传送至外部设备,例如外部服务器或设备等,还可以打包上传至云端数据服务器数据库中进行存储。
本实施例设计了手持记录仪与测量主机分离的黄瓜商品性(丰产性)无线自动统计装置,两部分通过433MHz的短距离无线传输技术相连接,方便研究人员手持设备进行记录。
本实施例设计了连接高精度平衡梁单点式称重传感器的接口,以供测量主机实时采集当前产量数据,保证精确的记录黄瓜品种编号和对应产量数据。
本实施例可以将不同品系的黄瓜编号代码及产量数据分批次存储在非易失存储器内,可以根据种植的具体情况灵活设定,实现黄瓜不同品系在整个生育期内的产量自动统计,同时其作为设施农业物联网中间件设备,能够接收感知层数据,并打包上传至上层应用层数据库中,在黄瓜育种环节起到至关重要的作用。
本发明提出的黄瓜丰产性自动分析装置及方法,应用于黄瓜育种过程中,能够在黄瓜品种培育过程中自动实时记录品种编号及黄瓜产量,并根据训练模型自动识别并分类黄瓜品类,操作简便,方便科研人员进行现场操作。
本设计的整个设备具有体积小、重量轻、操作简单、使用方便、节省人工、记录精确等特点。
上述实施例仅为列举,不具有特定的限制作用,本发明的分析装置能够实现黄瓜不同品种选育过程全生育期的产量数据自动记录统计。如图7所示,使用过程中,首先将该装置安放于设施温室大棚内,通过长边水平尺和宽边水平尺跳屏工作台面,以消除测量过程中的***误差,然后打开装置开关、待触摸屏显示输入编号代码页面后,输入育种专家提前编制好的黄瓜品系编号代码,将采收下来的同一品系黄瓜放在该装置不锈钢台面上,待测量数据稳定后点击触摸屏上“下一品系”按钮,该装置将自动递增进入下一编号代码,收集和存储已测量完毕的黄瓜后,放入下一品系黄瓜,以此类推,直至统计完成该次所有品系黄瓜产量,测量统计数据存储于外部存储器内便于研究人员进行分析整理,完成整个生育期内各次产量的统计后,***将按照黄瓜品系编号统计出全生育期内单挂产量、前期产量、后期产量和总产量数据。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种黄瓜丰产性自动分析装置,其特征在于,包括测量主机和手持记录仪;
所述手持记录仪包括:手持记录仪外壳(1)、充电电池(2)、第一天线(3)、触摸屏(4)、处理芯片(5)、数据存储模块(6)以及数据通讯模块(7);其中手持记录仪外壳(1)采用防水塑料材质制成,所述天线(3)通过打孔与所述手持记录仪外壳(1)相连接;所述手持记录仪外壳(1)内装有电路板,所述电路板上焊有所述处理芯片(5)、电池(2)安装座、触摸屏(4)以及天线(3)的连接口;
所述的测量主机包括:不锈钢台面(8)、万向轮(9)、长边水平尺(10)、宽边水平尺(11)、承重板(12)、固定板(13)、垫片(14)、平衡梁单点式称重传感器(15)、数码摄像机(16)、智能数据处理模块(17)、第二天线(18)、传感器引线接口(19)以及支撑杆件(20);所述处理芯片(5)由STM32F103RBT6控制芯片及其***电路构成;
所述万向轮(9)安装于所述固定板(13)底面,供所述测量主机自由移动;所述长边水平尺(10)以及宽边水平尺(11)分别位于所述不锈钢台面(8)的长边和宽边边缘,用于调平所述不锈钢台面(8);所述承重板(12)紧贴所述不锈钢台面(8)顶面下侧安装,所述称重传感器(15)通过所述垫片(14)安装于所述承重板(12)和所述固定板(13)之间;所述数码摄像机(16)安装于所述支撑杆件(20)一端,用于获取所述黄瓜的图像数据,把所述图像数据传输给所述智能数据处理模块(17),所述智能数据处理模块(17)对黄瓜表型数据进行检测,并把表型数据通过所述天线(18)传输模块传到所述手持记录仪。
2.根据权利要求1所述的装置,其特征在于,所述触摸屏采用4.3英寸、分辨率为480*272的真彩电阻触摸屏。
3.一种采用权利要求1或2所述装置对黄瓜丰产性自动分析的方法,其特征在于:包括如下步骤:
通过所述长边水平尺(10)和宽边水平尺(11)调平所述不锈钢台面(8);
开启所述手持记录仪,通过所述触摸屏(4)输入黄瓜品系编号代码;
通过所述称重传感器(15)获取黄瓜的重量数据;
通过所述数码摄像机(16)获取黄瓜的图像数据;
对所述重量数据和图像数据处理后,返回黄瓜分级。
4.根据权利要求3所述的方法,其特征在于:所述对所述重量数据和图像数据处理后,返回黄瓜分级,包括:
对所述图像数据进行裁剪压缩处理;
采用SSD目标检测算法对所述图像进行检测,并对所述图像进行图像分割;
对每一分割图像进行图像预处理,获取所述黄瓜轮廓图像;
获取原RGB图像中的G通道的数值,根据G通道的颜色分布直方图把黄瓜瓜色分为三级;
固定所述数码摄像机(16)的高度,根据矩心坐标、黄瓜轮廓两端点坐标和外接圆坐标,反算出黄瓜瓜长、瓜宽和瓜弧度;
计算所述轮廓图像内的各轮廓面积,通过设定相关阈值统计出刺溜疏密;
根据黄瓜的瓜重、瓜色、瓜长、瓜宽、瓜弧和刺溜疏密,采用SVM算法把黄瓜分为四级;
返回黄瓜分级。
5.根据权利要求4所述的方法,其特征在于:所述SSD目标检测算法包括:
其中,m指的特征图个数,sk表示第k个特征图相对于原图的尺寸比例,smin和smax表示比例的最小值与最大值。
6.根据权利要求4所述的方法,其特征在于:所述根据黄瓜的瓜重、瓜色、瓜长、瓜宽、瓜弧和刺溜疏密,采用SVM算法把黄瓜分为四级,包括:
把瓜重、瓜色、瓜长、瓜弧度、瓜粗、刺溜疏密数据定义为黄瓜丰产性评价的6个维度;
采用SVM算法模型对黄瓜品质进行分类,模型如下:
其中,是拉格朗日乘子,rt是已知样本的分类的6维向量的输出量,xt是已知样本的6维向量的输入量,K(xt,x)是SVM算法的核函数,表示如下:
其中,δ表示训练样本标准差;
把检测的黄瓜分为特等瓜、一等瓜、二等瓜、三等瓜。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811600972.9A CN109685174B (zh) | 2018-12-26 | 2018-12-26 | 一种黄瓜丰产性自动分析装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811600972.9A CN109685174B (zh) | 2018-12-26 | 2018-12-26 | 一种黄瓜丰产性自动分析装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109685174A true CN109685174A (zh) | 2019-04-26 |
CN109685174B CN109685174B (zh) | 2021-09-21 |
Family
ID=66188501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811600972.9A Active CN109685174B (zh) | 2018-12-26 | 2018-12-26 | 一种黄瓜丰产性自动分析装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685174B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113518182A (zh) * | 2021-06-30 | 2021-10-19 | 天津市农业科学院 | 一种基于树莓派的黄瓜表型特征测量方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201000556Y (zh) * | 2006-09-01 | 2008-01-02 | 上海农业信息有限公司 | 农作物培育监控装置 |
CN103125457A (zh) * | 2013-01-29 | 2013-06-05 | 华南农业大学 | 基于dsp和物联网的果园橘小实蝇虫害识别*** |
CN103503637A (zh) * | 2013-10-14 | 2014-01-15 | 青岛农业大学 | 智能辨识采摘机器人及采摘方法 |
CN104503310A (zh) * | 2014-12-08 | 2015-04-08 | 天津市农业科学院信息研究所 | 远程监测温室的环境和土壤信息的装置及使用方法 |
CN204301841U (zh) * | 2014-12-19 | 2015-04-29 | 中山佳维电子有限公司 | 一种新型的电子溯源台秤 |
CN205209623U (zh) * | 2015-11-27 | 2016-05-04 | 广西壮族自治区农业科学院甘蔗研究所 | 一种可移动式磅秤 |
CN106600434A (zh) * | 2016-10-18 | 2017-04-26 | 河南省农业科学院农业经济与信息研究所 | 基于作物模型与同化技术的作物长势遥感监测方法 |
CN207019779U (zh) * | 2017-06-06 | 2018-02-16 | 浙江宇阳衡器有限公司 | 一种可测高度型电子台秤 |
CN207050830U (zh) * | 2017-07-25 | 2018-02-27 | 包头市金峰衡器制造有限公司 | 一种动态的公路车辆超载实时检测弯板式传感器*** |
CN107967321A (zh) * | 2017-11-23 | 2018-04-27 | 北京信息科技大学 | 一种基于层级式支持向量机的作物育种评价方法 |
CN108151644A (zh) * | 2016-12-02 | 2018-06-12 | 财团法人资讯工业策进会 | 农产品检测装置、农产品管理***及其方法 |
CN108572174A (zh) * | 2018-04-25 | 2018-09-25 | 苏州农业职业技术学院 | 一种农产品品质指标无损检测方法 |
US20180321666A1 (en) * | 2016-05-09 | 2018-11-08 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for equipment monitoring in an internet of things mining environment |
-
2018
- 2018-12-26 CN CN201811600972.9A patent/CN109685174B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201000556Y (zh) * | 2006-09-01 | 2008-01-02 | 上海农业信息有限公司 | 农作物培育监控装置 |
CN103125457A (zh) * | 2013-01-29 | 2013-06-05 | 华南农业大学 | 基于dsp和物联网的果园橘小实蝇虫害识别*** |
CN103503637A (zh) * | 2013-10-14 | 2014-01-15 | 青岛农业大学 | 智能辨识采摘机器人及采摘方法 |
CN104503310A (zh) * | 2014-12-08 | 2015-04-08 | 天津市农业科学院信息研究所 | 远程监测温室的环境和土壤信息的装置及使用方法 |
CN204301841U (zh) * | 2014-12-19 | 2015-04-29 | 中山佳维电子有限公司 | 一种新型的电子溯源台秤 |
CN205209623U (zh) * | 2015-11-27 | 2016-05-04 | 广西壮族自治区农业科学院甘蔗研究所 | 一种可移动式磅秤 |
US20180321666A1 (en) * | 2016-05-09 | 2018-11-08 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for equipment monitoring in an internet of things mining environment |
CN106600434A (zh) * | 2016-10-18 | 2017-04-26 | 河南省农业科学院农业经济与信息研究所 | 基于作物模型与同化技术的作物长势遥感监测方法 |
CN108151644A (zh) * | 2016-12-02 | 2018-06-12 | 财团法人资讯工业策进会 | 农产品检测装置、农产品管理***及其方法 |
CN207019779U (zh) * | 2017-06-06 | 2018-02-16 | 浙江宇阳衡器有限公司 | 一种可测高度型电子台秤 |
CN207050830U (zh) * | 2017-07-25 | 2018-02-27 | 包头市金峰衡器制造有限公司 | 一种动态的公路车辆超载实时检测弯板式传感器*** |
CN107967321A (zh) * | 2017-11-23 | 2018-04-27 | 北京信息科技大学 | 一种基于层级式支持向量机的作物育种评价方法 |
CN108572174A (zh) * | 2018-04-25 | 2018-09-25 | 苏州农业职业技术学院 | 一种农产品品质指标无损检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113518182A (zh) * | 2021-06-30 | 2021-10-19 | 天津市农业科学院 | 一种基于树莓派的黄瓜表型特征测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109685174B (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11798400B2 (en) | Handheld monitoring and early warning device for fusarium head blight of in-field wheat and early warning method thereof | |
CN107341577A (zh) | 一种农作物产量预测方法及*** | |
CN109141248A (zh) | 基于图像的猪体重测算方法及*** | |
CN103489006A (zh) | 一种基于计算机视觉的水稻病虫草害诊断方法 | |
CN108961330A (zh) | 基于图像的猪体长测算方法及*** | |
CN101793560A (zh) | 温室黄瓜生长环境智能监测模型及装置 | |
CN106332855A (zh) | 一种病虫害自动预警*** | |
CN107764976B (zh) | 土壤氮素快速诊断方法及在线监测*** | |
CN108074236A (zh) | 植物浇灌提醒方法、装置、设备及存储介质 | |
CN109632059A (zh) | 一种智能养猪方法、***、电子设备及存储介质 | |
CN102855485B (zh) | 一种小麦抽穗的自动检测方法 | |
CN103778630A (zh) | 基于android的田间病害程度图像识别方法 | |
CN107423537A (zh) | 一种基于自适应阈值的地表温度降尺度的方法 | |
CN106340000A (zh) | 骨龄评估方法 | |
CN116957207B (zh) | 一种实时数据采集的草地生态健康监测方法 | |
CN104914069A (zh) | 可迁移计算的肉类品质近红外检测方法及装置 | |
CN110428114A (zh) | 果树产量预测方法、装置、设备及计算机可读存储介质 | |
CN104251823B (zh) | ***液化能力量化测试方法 | |
CN112184791A (zh) | 一种基于cnn-lstm神经网络的牦牛体重预测方法 | |
CN110400310A (zh) | 一种奶牛体况自动评分*** | |
CN113886928A (zh) | 一种建筑力学模拟*** | |
CN116337157A (zh) | 一种基于物联网的室内环境智能监测*** | |
CN109685174A (zh) | 一种黄瓜丰产性自动分析装置及方法 | |
CN114707785A (zh) | 基于深度学习的农村居民点多尺度空间特征分析方法 | |
CN110188662A (zh) | 一种水表数字的ai智能识别方法 |
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 |