CN111459680A - 一种数据采集处理***和方法 - Google Patents
一种数据采集处理***和方法 Download PDFInfo
- Publication number
- CN111459680A CN111459680A CN202010262835.XA CN202010262835A CN111459680A CN 111459680 A CN111459680 A CN 111459680A CN 202010262835 A CN202010262835 A CN 202010262835A CN 111459680 A CN111459680 A CN 111459680A
- Authority
- CN
- China
- Prior art keywords
- image
- node
- module
- target
- data
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 230000005540 biological transmission Effects 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 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
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/5044—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering hardware capabilities
-
- 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
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Image Processing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Tourism & Hospitality (AREA)
Abstract
本发明公开了一种数据采集处理***和方法,其方法包括以下步骤:101:采用高清摄像头采集农作物的图像;102:利用HAAR+AdaBoost特征提取模型对农作物的图像的特征进行提取;103:将提取后的图像目标像素面积So与目标标准像素面积阈值Sth进行比较,根据大小调整高清摄像头的焦距,完成自动变焦;104:重新采集农作物图像,并根据节点的性能分配节点的处理任务;105:节点对接收到的农作物图像进行切割,形成目标轮廓图像,与数据库中的目标轮廓图像进行比较。本发明采用任务分配***根据节点处理器的性能进行合理的任务分配,从而提高数据在处理过程中的效率,同时,利用采集控制***对图像采集模块进行自动调整变焦,从而得到更加清晰的图像,提高数据处理的精度。
Description
技术领域
本发明涉及数据采集处理技术领域,特别涉及一种数据采集处理***和方法。
背景技术
目前大部分农业在成产过程中,都是采用人工检测的方式来观察农作物的生长情况,这极大的增大的农业的人工成本,且极不方便,因此,人们设计采用视觉采集处理的方式来代替人们进行农作物的劳作,但目前的视觉采集处理在进行采集的过程中,由于无法进行自动变焦,导致采集数据及其模糊,使得判断并不准确,且数据过大,导致运行效率较低,影响处理效果。
发明内容
本发明要解决的技术问题是克服现有技术的缺陷,提供一种数据采集处理***和方法,解决目前视觉采集处理在进行采集的过程中,由于无法进行自动变焦,导致采集数据及其模糊,使得判断并不准确,且数据过大,导致运行效率较低,影响处理效果的问题。
为了解决上述技术问题,本发明提供了如下的技术方案:
本发明一种数据采集处理***,包括图像采集***、中央处理***、节点处理器,所述图像采集***包括图像采集模块、图像特征提取模块,所述中央处理***包括采集控制***、任务分配***、数据库、数据显示模块,所述节点处理器包括图像轮廓分割模块、比较模块,所述图像采集模块采集农作物的图像,并将图像传输至图像特征提取模块中,所述图像特征提取模块采用HAAR+AdaBoost特征提取模型对农作物的图像的特征进行提取,并将提取后的图像数据传输至中央处理***,所述采集控制***根据提取后的图像目标像素面积So与目标标准像素面积阈值Sth进行比较,输出控制指令至图像采集模块,令图像采集模块完成自动变焦并重新采集图像数据至任务分配模块,所述任务分配模块根据节点处理器的传输性能分配处理任务,所述图像轮廓分割模块接收到处理任务后将图像的轮廓进行分割,并将信号传递至比较模块中,所述比较模块将图像轮廓分割模块分割的目标图像与数据库中的历史的目标轮廓图像进行比较,输出农作物的生长情况,并将数据返回至数据显示模块进行显示,同时,输入至数据库中进行保存。
作为本发明的一种优选技术方案,所述HAAR+AdaBoost特征提取模型对农作物的图像的特征进行提取的步骤如下:
S1、采用HAAR特征中的积分图像的方式计算改特征值;
S2、将适用于农作物的各类HAAR特征采用AdaBoost算法得到的强分类器;
S3、将强分类器级联起来得到最终的级联分类器,从而得出农作物目标识别的图像。
作为本发明的一种优选技术方案,所述图像分割模块采用卷积神经网络的Unet模型进行分割。
作为本发明的一种优选技术方案,所述任务分配***根据节点设备传输性能来设定权重,所述节点权重的计算公式为:
W=(1-α)W+α*β
其中,W为节点权重,α为修正系数,取值为0到1之间,β为节点设备传输性能。
所述节点传输性能的计算公式为:
其中,P为时间段t的节点的使用率与初始使用率的差值,时间段t表示上一段图像数据完全处理所用时间,Z为时间段t的节点的最后设备连接数与初始的连接数差值,X为时间段t的节点的最后设备流量数与初始流量数的差值,ZMAX为时间段t内,节点最大允许连接数,XMAX为时间段t内,节点最大流量数。
本发明一种数据采集处理方法,包括以下步骤:
101:采用高清摄像头采集农作物的图像;
102:利用HAAR+AdaBoost特征提取模型对农作物的图像的特征进行提取;
103:将提取后的图像目标像素面积So与目标标准像素面积阈值Sth进行比较,根据大小调整高清摄像头的焦距,完成自动变焦;
104:重新采集农作物图像,并根据节点的性能分配节点的处理任务;
105:节点对接收到的农作物图像进行切割,形成目标轮廓图像,与数据库中的目标轮廓图像进行比较,确定农作物的生长状况。
与现有技术相比,本发明的有益效果如下:
本发明采用任务分配***根据节点处理器的性能进行合理的任务分配,从而提高数据在处理过程中的效率,同时,利用采集控制***对图像采集模块进行自动调整变焦,从而得到更加清晰的图像,提高数据处理的精度。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明的整体结构示意图;
图2是本发明的***结构模块图;
图3是本发明的方法流程图;
图中:1、图像采集***;2、中央处理***;3、节点处理器;4、图像采集模块;5、特征提取模块;6、采集控制***;7、任务分配***;8、数据库;9、数据显示模块;10、图像轮廓分割模块;11、比较模块。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
此外,如果已知技术的详细描述对于示出本发明的特征是不必要的,则将其省略。
实施例1
如图1-2所示,本发明提供一种数据采集处理***,包括图像采集***1、中央处理***2、节点处理器3,图像采集***1包括图像采集模块4、图像特征提取模块5,中央处理***2包括采集控制***6、任务分配***7、数据库8、数据显示模块9,节点处理器3包括图像轮廓分割模块10、比较模块11,图像采集模块4采集农作物的图像,并将图像传输至图像特征提取模块5中,图像特征提取模块5采用HAAR+AdaBoost特征提取模型对农作物的图像的特征进行提取,并将提取后的图像数据传输至中央处理***2,采集控制***6根据提取后的图像目标像素面积So与目标标准像素面积阈值Sth进行比较,输出控制指令至图像采集模块4,令图像采集模块4完成自动变焦并重新采集图像数据至任务分配模块7,任务分配模块7根据节点处理器3的传输性能分配处理任务,图像轮廓分割模块10接收到处理任务后将图像的轮廓进行分割,并将信号传递至比较模块11中,比较模块11将图像轮廓分割模块10分割的目标图像与数据库8中的历史的目标轮廓图像进行比较,输出农作物的生长情况,并将数据返回至数据显示模块9进行显示,同时,输入至数据库8中进行保存。
进一步的,HAAR+AdaBoost特征提取模型对农作物的图像的特征进行提取的步骤如下:
S1、采用HAAR特征中的积分图像的方式计算改特征值;
S2、将适用于农作物的各类HAAR特征采用AdaBoost算法得到的强分类器;
S3、将强分类器级联起来得到最终的级联分类器,从而得出农作物目标识别的图像。
图像分割模块10采用卷积神经网络的Unet模型进行分割。
任务分配***7根据节点设备传输性能来设定权重,节点权重的计算公式为:
W=(1-α)W+α*β
其中,W为节点权重,α为修正系数,取值为0到1之间,β为节点设备传输性能。
节点传输性能的计算公式为:
其中,P为时间段t的节点的使用率与初始使用率的差值,时间段t表示上一段图像数据完全处理所用时间,Z为时间段t的节点的最后设备连接数与初始的连接数差值,X为时间段t的节点的最后设备流量数与初始流量数的差值,ZMAX为时间段t内,节点最大允许连接数,XMAX为时间段t内,节点最大流量数。
具体的,如图3所示,一种数据采集处理方法,包括以下步骤:
101:采用高清摄像头采集农作物的图像;
102:利用HAAR+AdaBoost特征提取模型对农作物的图像的特征进行提取;
103:将提取后的图像目标像素面积So与目标标准像素面积阈值Sth进行比较,根据大小调整高清摄像头的焦距,完成自动变焦;
104:重新采集农作物图像,并根据节点的性能分配节点的处理任务;
105:节点对接收到的农作物图像进行切割,形成目标轮廓图像,与数据库中的目标轮廓图像进行比较,确定农作物的生长状况。
本发明采用任务分配***根据节点处理器的性能进行合理的任务分配,从而提高数据在处理过程中的效率,同时,利用采集控制***对图像采集模块进行自动调整变焦,从而得到更加清晰的图像,提高数据处理的精度。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种数据采集处理***,包括图像采集***(1)、中央处理***(2)、节点处理器(3),其特征在于,所述图像采集***(1)包括图像采集模块(4)、图像特征提取模块(5),所述中央处理***(2)包括采集控制***(6)、任务分配***(7)、数据库(8)、数据显示模块(9),所述节点处理器(3)包括图像轮廓分割模块(10)、比较模块(11),所述图像采集模块(4)采集农作物的图像,并将图像传输至图像特征提取模块(5)中,所述图像特征提取模块(5)采用HAAR+AdaBoost特征提取模型对农作物的图像的特征进行提取,并将提取后的图像数据传输至中央处理***(2),所述采集控制***(6)根据提取后的图像目标像素面积So与目标标准像素面积阈值Sth进行比较,输出控制指令至图像采集模块(4),令图像采集模块(4)完成自动变焦并重新采集图像数据至任务分配模块(7),所述任务分配模块(7)根据节点处理器(3)的传输性能分配处理任务,所述图像轮廓分割模块(10)接收到处理任务后将图像的轮廓进行分割,并将信号传递至比较模块(11)中,所述比较模块(11)将图像轮廓分割模块(10)分割的目标图像与数据库(8)中的历史的目标轮廓图像进行比较,输出农作物的生长情况,并将数据返回至数据显示模块(9)进行显示,同时,输入至数据库(8)中进行保存。
2.根据权利要求1所述的一种数据采集处理***,其特征在于,所述HAAR+AdaBoost特征提取模型对农作物的图像的特征进行提取的步骤如下:
S1、采用HAAR特征中的积分图像的方式计算改特征值;
S2、将适用于农作物的各类HAAR特征采用AdaBoost算法得到的强分类器;
S3、将强分类器级联起来得到最终的级联分类器,从而得出农作物目标识别的图像。
3.根据权利要求1所述的一种数据采集处理***,其特征在于,所述图像分割模块(10)采用卷积神经网络的Unet模型进行分割。
5.一种数据采集处理方法,其特征在于,包括以下步骤:
101:采用高清摄像头采集农作物的图像;
102:利用HAAR+AdaBoost特征提取模型对农作物的图像的特征进行提取;
103:将提取后的图像目标像素面积So与目标标准像素面积阈值Sth进行比较,根据大小调整高清摄像头的焦距,完成自动变焦;
104:重新采集农作物图像,并根据节点的性能分配节点的处理任务;
105:节点对接收到的农作物图像进行切割,形成目标轮廓图像,与数据库中的目标轮廓图像进行比较,确定农作物的生长状况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010262835.XA CN111459680A (zh) | 2020-04-07 | 2020-04-07 | 一种数据采集处理***和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010262835.XA CN111459680A (zh) | 2020-04-07 | 2020-04-07 | 一种数据采集处理***和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111459680A true CN111459680A (zh) | 2020-07-28 |
Family
ID=71678957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010262835.XA Pending CN111459680A (zh) | 2020-04-07 | 2020-04-07 | 一种数据采集处理***和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111459680A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009636A (zh) * | 2019-05-13 | 2019-07-12 | 招商局重庆交通科研设计院有限公司 | 一种集成式的公路隧道可变焦视觉检测*** |
CN110532936A (zh) * | 2019-08-26 | 2019-12-03 | 李清华 | 一种识别大田作物长势监控图像中绿色植物的方法及*** |
CN110602156A (zh) * | 2019-03-11 | 2019-12-20 | 平安科技(深圳)有限公司 | 一种负载均衡调度方法及装置 |
CN110764912A (zh) * | 2019-10-25 | 2020-02-07 | 东北大学 | 一种自适应任务调度器及方法 |
CN110956381A (zh) * | 2019-11-22 | 2020-04-03 | 黑龙江省农业科学院农业遥感与信息研究所 | 一种远程农业信息智能分析***及农业环境调控方法 |
-
2020
- 2020-04-07 CN CN202010262835.XA patent/CN111459680A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110602156A (zh) * | 2019-03-11 | 2019-12-20 | 平安科技(深圳)有限公司 | 一种负载均衡调度方法及装置 |
CN110009636A (zh) * | 2019-05-13 | 2019-07-12 | 招商局重庆交通科研设计院有限公司 | 一种集成式的公路隧道可变焦视觉检测*** |
CN110532936A (zh) * | 2019-08-26 | 2019-12-03 | 李清华 | 一种识别大田作物长势监控图像中绿色植物的方法及*** |
CN110764912A (zh) * | 2019-10-25 | 2020-02-07 | 东北大学 | 一种自适应任务调度器及方法 |
CN110956381A (zh) * | 2019-11-22 | 2020-04-03 | 黑龙江省农业科学院农业遥感与信息研究所 | 一种远程农业信息智能分析***及农业环境调控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108109385B (zh) | 一种输电线防外破的车辆识别与危险行为判别***与方法 | |
CN110427922A (zh) | 一种基于机器视觉和卷积神经网络病虫害识别***和方法 | |
CN110148093B (zh) | 一种基于暗通道先验的图像去雾改进方法 | |
CN102831392A (zh) | 一种远距离虹膜跟踪与采集装置及其方法 | |
CN103324655A (zh) | 图像检索***、图像检索装置以及图像检索方法 | |
CN116614705B (zh) | 基于多模态视频特征分析的采煤工作面相机调控*** | |
CN105868784A (zh) | 一种基于sae-svm的病虫害检测*** | |
CN103336966A (zh) | 一种应用于农业智能机械的杂草图像辨识方法 | |
CN109086823B (zh) | 一种小麦赤霉病病穗率自动统计方法 | |
CN109145848A (zh) | 一种麦穗计数方法 | |
CN102745209A (zh) | 自动温度控制***及其控制方法 | |
WO2020232942A1 (zh) | 基于农田图像的卷积神经网络构建方法及其*** | |
CN107392202A (zh) | 一种指针型读数识别方法和*** | |
CN114241386A (zh) | 一种基于实时视频流的输电线路隐患检测与识别的方法 | |
CN116188331B (zh) | 一种建设工程施工状态变化监测方法及*** | |
CN112020982A (zh) | 一种倒伏作物自动收割方法及收割机 | |
CN112067616A (zh) | 一种谷物品质实时检测装置及方法 | |
CN112580671A (zh) | 一种基于深度学习的稻穗多发育期自动检测方法及*** | |
Tubau Comas et al. | Automatic apple tree blossom estimation from UAV RGB imagery | |
CN111459680A (zh) | 一种数据采集处理***和方法 | |
CN117197595A (zh) | 基于边缘计算的果树生育期识别方法、装置及管理平台 | |
CN110674799A (zh) | 一种基于图像处理的植物提取参数设置*** | |
CN103366161B (zh) | 一种白粉虱数量的统计方法及*** | |
CN111046834B (zh) | 一种基于自动学习分析的监控视频人物比例矫正方法 | |
CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 |
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 |