基于機(jī)器視覺的超級雜交稻穴播量的檢測方法及裝置制造方法
【專利摘要】本發(fā)明涉及超級雜交稻秧盤秧穴播種量檢測方法及裝置，檢測裝置包括攝像頭、計算機(jī)及紅外光電傳感模塊；當(dāng)紅外光電傳感模塊檢測播種后的水稻秧盤隨傳送帶到達(dá)拍攝區(qū)域時，向計算機(jī)輸出電平信號，計算機(jī)控制攝像頭拍攝秧盤圖像；計算機(jī)對秧盤圖像進(jìn)行二值化處理，用投影法定位秧盤檢測區(qū)域和秧穴，提取連通區(qū)域及其形狀特征參數(shù)，對形狀特征參數(shù)的主成分進(jìn)行分析以降維，建立種子連通區(qū)域顆粒數(shù)檢測的BP神經(jīng)網(wǎng)絡(luò)，最后采用BP神經(jīng)網(wǎng)絡(luò)檢測秧盤的播種量。本發(fā)明依據(jù)種子連通區(qū)域的形狀特征結(jié)合BP神經(jīng)網(wǎng)絡(luò)檢測秧穴播種量，按“穴粒數(shù)”檢測思想，實現(xiàn)播種量的精確檢測，為超級雜交稻精密育秧恒量播種裝置的研究奠定了基礎(chǔ)。
【專利說明】基于機(jī)器視覺的超級雜交稻穴播量的檢測方法及裝置

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種超級雜交稻秧盤播種后播種量檢測方法及裝置，尤其是一種基于機(jī)器視覺的超級雜交稻穴播量的檢測方法及裝置。

【背景技術(shù)】
[0002]超級雜交稻因其增產(chǎn)顯著，在我國得到大面積推廣應(yīng)用；因具有超強(qiáng)的分蘗能力，所以要求每穴插1-2株，依靠分蘗能力增加有效穗數(shù)，提高產(chǎn)量。根據(jù)超級雜交稻的這種生長特性，通常育秧要求低播量精密育秧，保證2-3粒/穴。因水稻種子要催芽后播種，播種期間種芽長度、種子含水量和種子形狀尺寸都要發(fā)生變化，影響播種性能，目前的精密播種技術(shù)和手段難達(dá)到上述要求。因此有必要在播種過程中對每秧穴播種量進(jìn)行精確檢測，及時發(fā)現(xiàn)播種狀態(tài)的變化，為后續(xù)調(diào)控播種量或補(bǔ)種工作提供依據(jù)，以保證秧盤上每穴的種子數(shù)保持一致，實現(xiàn)精密恒量播種作業(yè)。


【發(fā)明內(nèi)容】

[0003]為了上述技術(shù)問題，本發(fā)明提出基于機(jī)器視覺的超級雜交稻穴播量的檢測方法及裝置，實現(xiàn)超級雜交稻穴播量的精確檢測，提高播種質(zhì)量，實現(xiàn)精量、恒量播種作業(yè)。
[0004]本發(fā)明檢測裝置采用如下技術(shù)方案:基于機(jī)器視覺的超級雜交稻穴播量的檢測裝置，包括攝像頭、計算機(jī)及紅外光電傳感模塊，紅外光電傳感模塊和攝像頭安裝在水稻育秧播種流水線上，紅外光電傳感模塊、攝像頭分別與計算機(jī)連接；當(dāng)紅外光電傳感模塊檢測播種后的水稻秧盤隨傳送帶到達(dá)攝像頭的拍攝區(qū)域時，向計算機(jī)輸出電平信號，計算機(jī)控制攝像頭拍攝秧盤圖像；
[0005]所述計算機(jī)對秧盤圖像進(jìn)行二值化處理，用投影法定位秧盤檢測區(qū)域和秧穴，提取種子連通區(qū)域及連通區(qū)域的形狀特征參數(shù)，并對連通區(qū)域的形狀特征參數(shù)的主成分進(jìn)行分析，對連通區(qū)域的形狀特征參數(shù)降維，然后建立種子連通區(qū)域顆粒數(shù)檢測的BP神經(jīng)網(wǎng)絡(luò)，最后采用BP神經(jīng)網(wǎng)絡(luò)檢測秧盤的播種量。
[0006]本發(fā)明檢測方法采用如下技術(shù)方案:基于機(jī)器視覺的超級雜交稻穴播量的檢測方法，包括以下步驟:
[0007]S1、當(dāng)檢測到秧盤到達(dá)拍攝區(qū)域時，拍攝秧盤圖像；
[0008]S2、獲取秧盤圖像進(jìn)行二值化處理，把種子和土壤背景分離，得到二值圖像；
[0009]S3、利用投影法定位秧盤檢測區(qū)域和秧穴；
[0010]S4、提取二值圖像中種子連通區(qū)域及連通區(qū)域的形狀特征參數(shù)；
[0011]S5、對連通區(qū)域的形狀特征參數(shù)進(jìn)行主成分分析，實現(xiàn)連通區(qū)域的形狀特征參數(shù)降維；
[0012]S6、建立種子連通區(qū)域顆粒數(shù)檢測的BP神經(jīng)網(wǎng)絡(luò)；
[0013]S7、采用BP神經(jīng)網(wǎng)絡(luò)檢測秧盤的播種量。
[0014]優(yōu)選地，步驟S2采用腐蝕和膨脹方法去除秧盤圖像中的噪聲點(diǎn)和孔洞，使用OSTU自適應(yīng)閾值法確定分割閾值，對秧盤圖像進(jìn)行二值化處理，把種子和土壤背景分離。
[0015]優(yōu)選地，步驟S3定位時，沿水平方向和垂直方向作投影，投影圖中水平方向和垂直方向最小值的像素坐標(biāo)確定為秧盤上一條水平或垂直的秧穴邊界連線。
[0016]優(yōu)選地，步驟S4所述連通區(qū)域的形狀特征參數(shù)包括連通區(qū)域的面積、周長、形狀因子和二階偏心率，以及連通區(qū)域邊界的7個不變矩特征；步驟S5所述主成分分析是將多個變量通過線性變換以選出較少個數(shù)變量。
[0017]優(yōu)選地，步驟S6建立BP神經(jīng)網(wǎng)絡(luò)后，以對主成分分析得到的主成分進(jìn)行歸一化處理后的數(shù)據(jù)作為輸入向量，以連通區(qū)域顆粒數(shù)的種類作為輸出向量，通過BP神經(jīng)網(wǎng)絡(luò)對輸入向量和輸出向量樣本集訓(xùn)練，對BP神經(jīng)網(wǎng)絡(luò)的閾值和權(quán)值進(jìn)行學(xué)習(xí)和修正，使BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)給定的輸入輸出映射關(guān)系。
[0018]本發(fā)明的檢測原理如下:精密育秧播種流水線由鋪底土、淋水、播種、覆土等工序組成，基于機(jī)器視覺的超級雜交稻穴播量檢測工序設(shè)置在秧盤播種后，覆表土工序之前。秧盤經(jīng)過鋪底土工序后，底土覆蓋秧穴，采集的圖像不顯示秧穴，要實現(xiàn)穴播量檢測，需要定位檢測區(qū)域及秧穴。水稻種子從振動播種裝置播到秧盤中，在秧穴中呈現(xiàn)的形態(tài)各異，有單粒、多粒，多粒的種子存在重疊、交叉、粘連或混合的情況，且土壤中混有雜質(zhì)和碎米。傳統(tǒng)的圖像分割算法對重疊或交叉的種子進(jìn)行分割，不可避免過分割現(xiàn)象，造成顆粒計數(shù)準(zhǔn)確率低?？紤]到每個種子連通區(qū)域的形態(tài)特征在一定程度上反映其包含的種子數(shù)量，本發(fā)明通過提取秧穴種子連通區(qū)域的4個形狀特征和7個不變矩特征，主成分分析進(jìn)行信息降維，由BP神經(jīng)網(wǎng)絡(luò)檢測連通區(qū)域的種子數(shù)量，按“穴粒數(shù)”檢測思想，對超級雜交稻秧盤圖像每穴播種量進(jìn)行檢測，從左到右、從上到下依次掃描檢測區(qū)域內(nèi)的秧穴。
[0019]本發(fā)明相對于現(xiàn)有技術(shù)具有如下有益效果:依據(jù)種子連通區(qū)域的形狀特征結(jié)合BP神經(jīng)網(wǎng)絡(luò)檢測秧穴播種粒數(shù)，按“穴粒數(shù)”檢測思想，實現(xiàn)播種量的精確檢測，為超級雜交稻精密育秧恒量播種裝置的研究奠定了基礎(chǔ)。

【專利附圖】

【附圖說明】
[0020]圖1是本發(fā)明的裝置結(jié)構(gòu)示意圖；
[0021 ] 圖2是本發(fā)明檢測流程圖；
[0022]圖3為二值圖像投影圖；
[0023]圖4為目標(biāo)檢測區(qū)域和秧穴定位圖；
[0024]圖5為連通區(qū)域邊界示意圖。

【具體實施方式】
[0025]為了使本發(fā)明目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實施例對本發(fā)明作進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅用于解釋本發(fā)明，而不用于限定本發(fā)明。
[0026]參見圖1，本發(fā)明檢測裝置包括:光源1、數(shù)字?jǐn)z像頭2、暗箱3、計算機(jī)4及紅外光電傳感模塊5。紅外光電傳感模塊5和數(shù)字?jǐn)z像頭2安裝在水稻育秧播種流水線上。播種后的水稻秧盤6在流水線上隨傳送帶到達(dá)攝像頭的拍攝區(qū)域，紅外光電傳感模塊5檢測到秧盤6到達(dá)拍攝區(qū)域時，輸出低電平信號，紅外光電傳感模塊5通過串口接線與計算機(jī)4通信，計算機(jī)4通過USB線控制數(shù)字?jǐn)z像頭2拍攝秧盤圖像。為獲取高對比度的清晰圖像，在拍攝區(qū)域上安裝暗箱3，暗箱3中安裝光源I。計算機(jī)4開發(fā)圖像處理軟件，完成基于機(jī)器視覺和BP神經(jīng)網(wǎng)絡(luò)超級雜交稻秧盤秧穴播種量檢測。計算機(jī)4所開發(fā)的圖像處理軟件完成以下功能:
[0027](I)圖像預(yù)處理和二值化:計算機(jī)通過數(shù)字?jǐn)z像頭獲取秧盤的RGB圖像，需要消除背景噪聲影響，然后對圖像進(jìn)行閾值分割，提取種子二值圖像。
[0028](2)投影法定位秧盤檢測區(qū)域和秧穴。
[0029](3)提取種子連通區(qū)域及連通區(qū)域的形狀特征信息:對種子二值圖像提取連通區(qū)域，對每個連通區(qū)域計算其形狀特征值，包括面積、周長、形狀因子和二階偏心率，以及連通區(qū)域邊界的7個不變矩，共11個形狀特征。
[0030](4)主成分分析，對連通區(qū)域形狀特征參數(shù)降維。
[0031](5)建立種子連通區(qū)域顆粒數(shù)檢測的BP神經(jīng)網(wǎng)絡(luò):設(shè)計BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，包括輸入層、隱層及輸出層節(jié)點(diǎn)數(shù)，通過樣本訓(xùn)練確立輸入輸出向量映射關(guān)系。
[0032](6)檢測每秧穴的播種量。
[0033]參見圖2，本發(fā)明檢測方法，其流程包括:
[0034]S1、當(dāng)檢測到秧盤到達(dá)拍攝區(qū)域時，拍攝秧盤圖像，獲取秧盤的RGB圖像。
[0035]S2、計算機(jī)獲取秧盤RGB圖像進(jìn)行預(yù)處理和二值化處理:將秧盤RGB圖像轉(zhuǎn)化為灰度圖像，由于背景噪聲和孔洞的存在，運(yùn)用形態(tài)學(xué)的腐蝕和膨脹方法去除噪聲點(diǎn)和孔洞，使用OSTU自適應(yīng)閾值法確定分割閾值，對灰度圖像進(jìn)行二值化處理，把種子和土壤背景分離。
[0036]S3、利用投影法定位秧盤檢測區(qū)域和秧穴。定位時，沿水平方向和垂直方向作投影，即像素值的累加，投影圖中水平方向和垂直方向最小值的像素坐標(biāo)確定為秧盤上一條水平或垂直的秧穴邊界連線。
[0037]投影圖中水平方向和垂直方向最小值的像素坐標(biāo)選擇準(zhǔn)則如下:如果水平方向和垂直方向投影圖上最小值的波谷只有一個，則波谷最小值的中點(diǎn)坐標(biāo)為秧盤上一條水平或垂直的秧穴邊界連線；如果最小值的波谷有多個，則取最小值數(shù)量最多的波谷的中點(diǎn)坐標(biāo)為秧盤上一條水平或垂直的秧穴邊界連線，如圖3所示。
[0038]作為一種優(yōu)選方案，數(shù)字?jǐn)z像頭物理像素為1280像素X 720像素，拍攝秧盤視窗為11穴/行X7穴/列，每秧穴大小約為116像素X 102像素，選取拍攝視窗中10穴/行X6穴/列為檢測區(qū)域，假設(shè)檢測出垂直方向秧穴邊界連線的坐標(biāo)為X，水平方向邊界坐標(biāo)為y，目標(biāo)檢測區(qū)域:
[0039][(x-116*]^): (x+116*n2), (y_102*n3): (y+102*n4)]
[0040]Ii1 = floor (x/116) ；n2 = floor [ (1280-x) /116]
[0041]n3 = floor (y/102) ；n4 = floor[(720-y)/102]
[0042]其中floor為向下取整數(shù)，目標(biāo)檢測區(qū)域內(nèi)秧穴邊界的連線為:
[0043]在垂直方向:
[0044]x_116*i, x+116*j, (i = Oin1, j = 1:n2)
[0045]在水平方向:
[0046]y_102*i, y+102*j, (i = 0: n3, j = 1:n4)
[0047]目標(biāo)檢測區(qū)域和秧穴定位后如圖4所示。
[0048]S4、二值圖像中每個連通區(qū)域的形狀在一定程度上反應(yīng)種子數(shù)量，提取二值圖像中種子連通區(qū)域及連通區(qū)域的形狀特征參數(shù)。每個連通區(qū)域的形狀特征參數(shù)，包括連通區(qū)域的面積、周長、形狀因子和二階偏心率，以及連通區(qū)域邊界的7個不變矩特征，共11個形狀特征參數(shù)。圖5示意了所提取的連通區(qū)域具有的幾種形狀及邊界。
[0049]S5、對連通區(qū)域的11個形狀特征參數(shù)進(jìn)行主成分分析，實現(xiàn)特征參數(shù)降維。主成分分析是將多個變量通過線性變換以選出較少個數(shù)變量，但盡可能多地反映原來變量的一種多元統(tǒng)計分析方法，作為一種優(yōu)選方案，對11個形狀特征參數(shù)進(jìn)行主成分分析，提取前3個主成分分量。
[0050]S6、建立種子連通區(qū)域顆粒數(shù)檢測的BP神經(jīng)網(wǎng)絡(luò)；再通過BP神經(jīng)網(wǎng)絡(luò)對輸入向量和輸出向量樣本集訓(xùn)練，對BP神經(jīng)網(wǎng)絡(luò)的閾值和權(quán)值進(jìn)行學(xué)習(xí)和修正，使BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)給定的輸入輸出映射關(guān)系。
[0051]對主成分分析得到的主成分進(jìn)行歸一化處理，作輸入向量，范圍為[0，1]。輸出向量的設(shè)計按照連通區(qū)域顆粒數(shù)的種類設(shè)計為向量形式，本實施例檢測連通區(qū)域顆粒數(shù)的種類分為:碎米(雜質(zhì))、1粒、2粒、3粒、4粒和5粒以上等6種情況，輸出向量中“I”的數(shù)量代表連通區(qū)域的顆粒數(shù)，因此輸出向量設(shè)置具體如下:
[0052]O 粒(雜質(zhì)):[O O O O O];
[0053]I 粒:[O O O O I]；
[0054]2 粒:[O O O I I]；
[0055]3 粒:[O O I I I]；
[0056]4 粒:[O I I I I]；
[0057]5 粒以上:[1 I I I I] ο
[0058]BP神經(jīng)網(wǎng)絡(luò)采用三層結(jié)構(gòu)，即輸入層、隱層及輸出層，輸入層節(jié)點(diǎn)數(shù)為3，隱層節(jié)點(diǎn)數(shù)為8，輸出層節(jié)點(diǎn)數(shù)為5，隱層神經(jīng)元的傳遞函數(shù)采用S型正切函數(shù)tansig，輸出層神經(jīng)元傳遞函數(shù)采用線性函數(shù)purlin。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可根據(jù)實際檢測要求靈活改變。通過BP神經(jīng)網(wǎng)絡(luò)得到的輸出向量，即為所要求取的連通區(qū)域顆粒數(shù)。
[0059]S7、采用BP神經(jīng)網(wǎng)絡(luò)檢測秧盤的播種量，按“穴粒數(shù)”檢測思想，即檢測秧盤圖像每秧穴的播種數(shù)量。根據(jù)步驟S3所定位的秧盤檢測區(qū)域和秧穴，從左到右、從上到下依次掃描檢測區(qū)域內(nèi)的秧穴。連通區(qū)域在秧穴內(nèi)分布由連通區(qū)域的質(zhì)心坐標(biāo)決定，本步驟具體如下:
[0060]( i )順序檢測每個秧穴是否存在種子連通區(qū)域且該連通區(qū)域的質(zhì)心坐標(biāo)是否在秧穴里，如果有，計算連通區(qū)域的11個形狀特征參數(shù)，利用BP神經(jīng)網(wǎng)絡(luò)檢測連通區(qū)域種子數(shù)量，并記錄。
[0061]( ? )繼續(xù)搜索該秧穴是否還有連通區(qū)域，如果有返回步驟(i )，如果沒有，檢測下一個秧穴并返回步驟(i)。
[0062](iii)按順序檢測所有秧穴的種子數(shù)量，輸出秧盤中每個秧穴的種子數(shù)量，統(tǒng)計分析秧盤播種質(zhì)量參數(shù)，如空穴率、平均播種量(粒/穴)等。
[0063]以上所述，僅為本發(fā)明優(yōu)選的實施例，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本【技術(shù)領(lǐng)域】的技術(shù)人員在本發(fā)明公開的范圍內(nèi)，根據(jù)本發(fā)明的技術(shù)方案及其發(fā)明構(gòu)思加以等同替換或改變，都屬于本發(fā)明的保護(hù)范圍。
【權(quán)利要求】
1.基于機(jī)器視覺的超級雜交稻穴播量的檢測裝置，其特征在于，包括攝像頭、計算機(jī)及紅外光電傳感模塊，紅外光電傳感模塊和攝像頭安裝在水稻育秧播種流水線上，紅外光電傳感模塊、攝像頭分別與計算機(jī)連接；當(dāng)紅外光電傳感模塊檢測播種后的水稻秧盤隨傳送帶到達(dá)攝像頭的拍攝區(qū)域時，向計算機(jī)輸出電平信號，計算機(jī)控制攝像頭拍攝秧盤圖像； 所述計算機(jī)對秧盤圖像進(jìn)行二值化處理，用投影法定位秧盤檢測區(qū)域和秧穴，提取種子連通區(qū)域及連通區(qū)域的形狀特征參數(shù)，并對連通區(qū)域的形狀特征參數(shù)的主成分進(jìn)行分析，對連通區(qū)域的形狀特征參數(shù)降維，然后建立種子連通區(qū)域顆粒數(shù)檢測的BP神經(jīng)網(wǎng)絡(luò)，最后采用BP神經(jīng)網(wǎng)絡(luò)檢測秧盤的播種量。
2.根據(jù)權(quán)利要求1所述的檢測裝置，其特征在于，所述檢測裝置還包括安裝在攝像頭拍攝區(qū)域的暗箱，以及安裝在暗箱中的光源。
3.根據(jù)權(quán)利要求1所述的檢測裝置，其特征在于，所述連通區(qū)域的形狀特征包括面積、周長、形狀因子和二階偏心率，以及連通區(qū)域邊界的7個不變矩。
4.基于機(jī)器視覺的超級雜交稻穴播量的檢測方法，其特征在于，包括以下步驟: 51、當(dāng)檢測到秧盤到達(dá)拍攝區(qū)域時，拍攝秧盤圖像； 52、獲取秧盤圖像進(jìn)行二值化處理，把種子和土壤背景分離，得到二值圖像； 53、利用投影法定位秧盤檢測區(qū)域和秧穴； 54、提取二值圖像中種子連通區(qū)域及連通區(qū)域的形狀特征參數(shù)； 55、對連通區(qū)域的形狀特征參數(shù)進(jìn)行主成分分析，實現(xiàn)連通區(qū)域的形狀特征參數(shù)降維； 56、建立種子連通區(qū)域顆粒數(shù)檢測的BP神經(jīng)網(wǎng)絡(luò)； 57、采用BP神經(jīng)網(wǎng)絡(luò)檢測秧盤的播種量。
5.根據(jù)權(quán)利要求4所述的檢測方法，其特征在于，步驟S2采用腐蝕和膨脹方法去除秧盤圖像中的噪聲點(diǎn)和孔洞，使用OSTU自適應(yīng)閾值法確定分割閾值，對秧盤圖像進(jìn)行二值化處理，把種子和土壤背景分離。
6.根據(jù)權(quán)利要求4所述的檢測方法，其特征在于，步驟S3定位時，沿水平方向和垂直方向作投影，投影圖中水平方向和垂直方向最小值的像素坐標(biāo)確定為秧盤上一條水平或垂直的秧穴邊界連線。
7.根據(jù)權(quán)利要求6所述的檢測方法，其特征在于，所述投影圖中水平方向和垂直方向最小值的像素坐標(biāo)選擇準(zhǔn)則如下:如果水平方向和垂直方向投影圖上最小值的波谷只有一個，則波谷最小值的中點(diǎn)坐標(biāo)為秧盤上一條水平或垂直的秧穴邊界連線；如果最小值的波谷有多個，則取最小值數(shù)量最多的波谷的中點(diǎn)坐標(biāo)為秧盤上一條水平或垂直的秧穴邊界連線。
8.根據(jù)權(quán)利要求4所述的檢測方法，其特征在于，步驟S4所述連通區(qū)域的形狀特征參數(shù)包括連通區(qū)域的面積、周長、形狀因子和二階偏心率，以及連通區(qū)域邊界的7個不變矩特征；步驟S5所述主成分分析是將多個變量通過線性變換以選出較少個數(shù)變量。
9.根據(jù)權(quán)利要求4所述的檢測方法，其特征在于，步驟S6建立BP神經(jīng)網(wǎng)絡(luò)后，以對主成分分析得到的主成分進(jìn)行歸一化處理后的數(shù)據(jù)作為輸入向量，以連通區(qū)域顆粒數(shù)的種類作為輸出向量，通過BP神經(jīng)網(wǎng)絡(luò)對輸入向量和輸出向量樣本集訓(xùn)練，對BP神經(jīng)網(wǎng)絡(luò)的閾值和權(quán)值進(jìn)行學(xué)習(xí)和修正，使BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)給定的輸入輸出映射關(guān)系。
10.根據(jù)權(quán)利要求4所述的檢測方法，其特征在于，步驟S6所建立的BP神經(jīng)網(wǎng)絡(luò)采用三層結(jié)構(gòu)，即輸入層、隱層及輸出層，輸入層節(jié)點(diǎn)數(shù)為3，隱層節(jié)點(diǎn)數(shù)為8，輸出層節(jié)點(diǎn)數(shù)為.5，隱層神經(jīng)元的傳遞函數(shù)采用S型正切函數(shù)tansig，輸出層神經(jīng)元傳遞函數(shù)采用線性函數(shù)purlin。
【文檔編號】A01C7/00GK104392430SQ201410568497
【公開日】2015年3月4日 申請日期:2014年10月22日 優(yōu)先權(quán)日:2014年10月22日
【發(fā)明者】馬旭, 譚穗妍, 齊龍, 李澤華, 梁仲維 申請人:華南農(nóng)業(yè)大學(xué)