一种数据采集处理系统和方法技术方案

本发明专利技术公开了一种数据采集处理系统和方法，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S

【技术实现步骤摘要】
一种数据采集处理系统和方法
本专利技术涉及数据采集处理
，特别涉及一种数据采集处理系统和方法。
技术介绍
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。
技术实现思路
本专利技术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系统和方法，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，本专利技术提供了如下的技术方案：本专利技术一种数据采集处理系统，包括图像采集系统、中央处理系统、节点处理器，所述图像采集系统包括图像采集模块、图像特征提取模块，所述中央处理系统包括采集控制系统、任务分配系统、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系统，所述采集控制系统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。作为本专利技术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。作为本专利技术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。作为本专利技术的一种优选技术方案，所述任务分配系统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。本专利技术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，本专利技术的有益效果如下：本专利技术采用任务分配系统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，利用采集控制系统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专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：图1是本专利技术的整体结构示意图；图2是本专利技术的系统结构模块图；图3是本专利技术的方法流程图；图中：1、图像采集系统；2、中央处理系统；3、节点处理器；4、图像采集模块；5、特征提取模块；6、采集控制系统；7、任务分配系统；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专利技术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专利技术，并不用于限定本专利技术。此外，如果已知技术的详细描述对于示出本专利技术的特征是不必要的，则将其省略。实施例1如图1-2所示，本专利技术提供一种数据采集处理系统，包括图像采集系统1、中央处理系统2、节点处理器3，图像采集系统1包括图像采集模块4、图像特征提取模块5，中央处理系统2包括采集控制系统6、任务分配系统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系统2，采集控制系统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。任务分配系统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本文档来自技高网...

【技术保护点】
1.一种数据采集处理系统，包括图像采集系统(1)、中央处理系统(2)、节点处理器(3)，其特征在于，所述图像采集系统(1)包括图像采集模块(4)、图像特征提取模块(5)，所述中央处理系统(2)包括采集控制系统(6)、任务分配系统(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系统(2)，所述采集控制系统(6)根据提取后的图像目标像素面积S

【技术特征摘要】
1.一种数据采集处理系统，包括图像采集系统(1)、中央处理系统(2)、节点处理器(3)，其特征在于，所述图像采集系统(1)包括图像采集模块(4)、图像特征提取模块(5)，所述中央处理系统(2)包括采集控制系统(6)、任务分配系统(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系统(2)，所述采集控制系统(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系统，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AdaBoo...

【专利技术属性】
技术研发人员：周文明，
申请(专利权)人：周文明，
类型：发明
国别省市：广东;44