基于图像和近红外光谱表型的秧苗品质分级监测装置与方法制造方法及图纸

本发明专利技术公开了一种基于图像和近红外光谱表型的秧苗品质分级监测装置与方法，所述监测装置包括：桁架、摄像机模块、近红外光谱传感器模块、开发板、分类动作装置、降压板、蓄电池和API服务器；所述监测方法包括：通过摄像机获取秧苗的RGB图像，通过对图像处理获取包括叶面大小、叶脉长度、黄叶病斑面积等量化数据，再通过近红外光谱传感器模块获取光谱曲线，并通过信号处理提取量化数据，然后将数据进行处理和分类，载入到分类模型中进行分类，得出秧苗的品质情况。本发明专利技术实现了黑盒式的接口访问并实现无主机化，减小装置体积和成本并提高了算法的运行速度；通过手机APP开发和网页端等上位机开发，实现了硬件装置的挂载性同时减少了学习成本。习成本。习成本。

【技术实现步骤摘要】
基于图像和近红外光谱表型的秧苗品质分级监测装置与方法


[0001]本专利技术涉及一种基于图像和近红外光谱表型的秧苗品质分级监测装置与方法，属于智慧农业


技术介绍

[0002]智慧农业主要内容包括大田精准农业、智慧畜牧业、智慧渔业、智能温室等，在精准农业领域研究的主要技术方向包括遥感与传感器技术、农业大数据与云计算服务技术、智能化农业装备等。表型探测是智能化农业装备和农业智能化体系的上游领域技术，是为水肥一体化等现代农业生产机械的前驱部分，秧苗品质表型在叶片部分体现在叶片大小、叶状、脉状、颜色、病斑等方面，研究涉及的范围广范，因此秧苗叶片表型量化是智慧农机实现的重要部分。在先前的农业机械研究中，对于秧苗表型检测较少，一些检测仍然需要人工进行，且在自动化检测方面秧苗的计算机视觉和近红外表型检测运用有较大的技术需求，同时没有物联网方面的技术加持不易进行与其他农机的共同协作。
[0003]目前，国内秧苗型检测已有一定专利技术研究，李子茂等改进YOLOv3算法模型以适应复杂背景下的月季多叶片检测，然后利用K
‑
mean本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于图像和近红外光谱表型的秧苗品质分级监测装置，其特征在于，包括桁架、摄像机模块、近红外光谱传感器模块、开发板、降压板、蓄电池和API服务器；其中：所述桁架作为装置的硬件放置结构；所述摄像机模块固定于桁架横梁正下方，用于拍摄秧苗图片，并通过网络上传图像数据至服务器；所述近红外光谱传感器模块位于桁架支撑臂内侧，用于从秧苗侧方获取秧苗叶面反射光近红外光谱；所述开发板作为控制中枢，用于通讯、发送命令、接收模块传回的数据和将数据传输至服务器；所述降压板用于为装置提供合适的工作电压；所述蓄电池用于为装置在室外工作时供电；所述API服务器为设在云端的接口服务器，用于通过接口访问完成数据交换、程序算法的运行。2.根据权利要求1所述的基于图像和近红外光谱表型的秧苗品质分级监测装置，其特征在于，所述监测装置还包括分类动作装置，其作为秧苗品质筛选驱动机械，用于对秧苗进行分级后进行淘汰筛选。3.基于图像和近红外光谱表型的秧苗品质分级监测方法，其特征在于包括如下步骤：步骤1：通过yolov5s训练方法进行训练得到识别模型；通过SVM机器学习训练得到分类模型；步骤2：将秧苗放置到检测台上后，按动上位机的“拍照”按钮，发送获取图片的命令；步骤3：当拍摄图片后，访问服务器的图片上传接口并进行图片上传，之后图片保存到服务器中，并进行图像畸变矫正；步骤4：服务器调用YOLOv5识别模型对图片进行分析，查看图中是否真的有秧苗来防止恶意或错误使用，如无秧苗会输出err信息到装置，请求让用户重新拍摄图片，反之进入下一步；步骤5：服务器发送命令使用近红外光谱传感器模块从近叶端获取秧苗近红外光谱曲线，并对近红外光谱仪进行频域变换，使用快速傅里叶法FFT将曲线变为频域范围序列，之后由服务器保存接收；步骤6：服务器调用表型量化处理命令接口，开始进行图像处理算法量化图片表型；步骤7：服务器调用表型量化处理命令接口，开始进行信号处理算法量化近红外光谱表型；步骤8：服务器调用分类命令接口，对所有的数据进行处理和分类，载入到SVM机器学习后的分类模型中进行分类，得出秧苗的品质情况；步骤9：服务器调用驱动命令接口，根据品质结果分别发送A、B、C三种等级对应驱动命令给装置，使得装置操纵分类驱动设备进行分类动作；步骤10：服务器调用表型输出接口，将结果反馈到上位机中，上位机获取到分类检测结果。4.根据权利要求3所述的基于图像和近红外光谱表型的秧苗品质分级监测方法，其特征在于，所述识别模型训练过程如下：
步骤101：随机选择一定数量的秧苗并进行筛选，将其分为A、B、C三个不同品质组别；步骤102：对各组的秧苗从顶部拍摄RGB图像，得到秧苗图片样本集；步骤103：对所有秧苗图片中的秧苗主体进行框选，并标记统一标签，生成内含选框四角的坐标和标签的文本文件；步骤104：将图片和标签文本文件一一对应作为数据集，按照比例将其分成训练集和测试集两部分；步骤105：设置训练程序，将数据集作为输入，并选择yolov5s训练方法模型进行训练；训练完成后查看训练结果报告，直至实际秧苗识别率达90％以上。5.根据权利要求4所述的基于图像和近红外光谱表型的秧苗品质分级监测方法，其特征在于，所述分类模型的学习训练过程如下：步骤106：对步骤102中得到的秧苗图片样本集进行图像预处理；步骤107：对样本集进行颜色增强；步骤108：对样本集进行表型遮罩Mask提取；步骤109：对样本集进行表型遮罩Mask边缘检测；步骤110：对样本集进行表型图片量化；步骤111：获取秧苗叶片的近红外光谱；步骤112：进行一阶导光谱计算，计算公式：其中：L(w)为近红外光谱曲线，L
′
(w)光谱曲线一阶导函数，w0为取样点...

【专利技术属性】
技术研发人员：朱鼎龙，
申请(专利权)人：南京农业大学，
类型：发明
国别省市：