基于机器视觉的天冬收获系统技术方案

基于机器视觉的天冬收获系统，包括：图像采集模块采集刚收获的天冬图像；神经网络模块内置有，含泥量识别模型输入刚收获的天冬图像，输出天冬表面的含泥量结果；完整性识别模型输入刚收获的天冬图像，输出天冬根块的完整性结果；决策模块内置有决策数据库，决策数据库存储有含泥量

【技术实现步骤摘要】
基于机器视觉的天冬收获系统


[0001]本专利技术涉及农业机械设备领域，尤其涉及基于机器视觉的天冬收获系统
。

技术介绍

[0002]天冬为百合科植物天冬的干燥块根，具有养阴润燥，清肺生津之功效
。
天冬呈长纺锤形，略弯曲，长
5~18cm
，小段直径
0.5~2cm。
一般年数越低，根嫩折干率越低，产量也低
。
因此一般都会种4年以上再收获，故而，品相较好的天冬市场价较高
。
[0003]目前天冬收获主要包括两种方式：
[0004]其一是传统的人工采挖，这种收获方法需要大量的人力进行高强度作业，用人成本高，效率低，劳动强度大，难以满足农时需要，市场竞争力不强，严重阻碍天冬产业的高质量可持续发展
。
[0005]其二是通用的根茎类收获机械，这种收获方法虽然自动化程度较高，收获效率较高，但其收获质量较差
。
究其原因在于：其执行根土分离的部件（如筛分链轮等），工作参数在工作过程中无法适应性调整，导致在土块粘接程度较低的区域收获时由于工作频率相对较高，易使天冬受损
、
不完整从而影响品相，而在土块粘接程度较高的区域收获时由于工作频率相对较低，导致天冬表面覆盖过多的泥土，影响收获质量
。
进一步的是，当根土分离不足时，特别是如果秧秆不能全部清除，将与根茎缠绕在一起，在分离过程中造成堵塞，影响根茎的分离效果，造成天冬损失
。

技术实现思路

[0006]为了现有技术存在的上述问题，本专利技术旨在提供一种基于机器视觉的天冬收获系统，具体技术方案如下：
[0007]基于机器视觉的天冬收获系统，包括依次信号连接的图像采集模块
、
神经网络模块
、
决策模块和根土分离装置；
[0008]所述图像采集模块设置为采集刚收获的天冬图像，预处理后传输给神经网络模块；
[0009]所述神经网络模块内置有训练好的含泥量识别模型和完整性识别模型，所述含泥量识别模型设置为输入刚收获的天冬图像，输出天冬表面的含泥量结果；所述完整性识别模型设置为输入刚收获的天冬图像，输出天冬根块的完整性结果；
[0010]所述决策模块内置有决策数据库，所述决策数据库存储有含泥量
、
完整性与根土分离装置工作参数的第一映射列表；所述决策模块设置为根据含泥量结果和完整性结果在所述第一映射列表中匹配根土分离装置的最佳工作参数，并传输给根土分离装置；
[0011]所述根土分离装置设置为根据所述最佳工作参数调整走行速度
、
筛分振幅和筛选频率，以收获含泥量最少且最完整的天冬根块
。
[0012]在一些较优的实施例中，还包括环境信息采集模块；
[0013]所述环境信息采集模块设置为在收获作业前采集当前环境信息，所述环境信息包
括空气温湿度
、
土壤水分
、
土壤温度和土壤粘结程度；
[0014]所述决策数据库还存储有环境信息与根土分离装置初始工作参数的第二映射列表；
[0015]所述决策模块设置为在收获作业前根据所述环境信息在所述第二映射列表中匹配根土分离装置的初始工作参数，并传输给根土分离装置；
[0016]所述根土分离装置设置为根据所述初始工作参数初始化走行速度
、
筛分振幅和筛选频率，开始进行天冬根块的收获作业
。
[0017]在一些较优的实施例中，所述图像采集模块对采集到的刚收获的天冬图像进行预处理的方法包括：
[0018]将采集到的刚收获的天冬图像进行灰度化处理，以将彩色图像转变为灰度图像，并将
24
位图像转换位8位图像，得到第一图像；
[0019]对第一图像进行统一比例的缩放，以得到相同尺寸的第二图像；
[0020]对第二图像进行膨胀和腐蚀操作，以增强分辨率，并进行滤波操作去除图像中的噪声，得到第三图像；
[0021]对第三图像进行二值化处理，以得到增强对比度后的第四图像；
[0022]将第四图像传输给神经网络模块
。
[0023]在一些较优的实施例中，所述含泥量识别模型和完整性识别模型的结构相同，均包括四层卷积层和一层全连接层；其中，所述卷积层完成卷积后均采用
PReLU
来对神经元进行激活操作，且前两层的卷积层还包含步长为2的最大池化操作
。
[0024]在一些较优的实施例中，所述决策模块还包括交互单元；所述交互单元设置为向用户反馈最佳工作参数和
/
或初始工作参数，接收并转发用户对最佳工作参数和
/
或初始工作参数的调整
。
[0025]在一些较优的实施例中，所述第一映射列表的设置方法包括：
[0026]设置含泥量标度
Sn
，含泥量
0%
‑
10%
时，含泥量标度
Sn
为0；含泥量
0%
‑
10%
时，含泥量标度
Sn
为1；含泥量
10%
‑
20%
时，含泥量标度
Sn
为2；含泥量
20%
‑
30%
时，含泥量标度
Sn
为3；
[0027]设置完整性标度
Sw
，完整性
100%
时，完整性标度
Sw
为0；完整性
90%
‑
100%
时，完整性标度
Sw
为1；完整性
80%
‑
90%
时，完整性标度
Sw
为2；完整性
<80%
时，完整性标度
Sw
为3；
[0028]第一映射列表中走行速度
V、
筛分振幅
Z
和筛选频率
P
与标度的映射关系计算方法为：
[0029]V=V
初
‑
10%*Sn
‑
10%*Sw
；
Z=Z
初
‑
5%*Sn
‑
5%*Sw
；
P=P
初
‑
5%*Sn
‑
5%*Sw
；
[0030]其中，
V
初为根土分离装置启动时的初始走行速度；
Z
初为根土分离装置启动时的初始筛分振幅；
P
初为根土分离装置启动时的初始筛选频率
。
[0031]在一些较优的实施例中，所述图像采集模块还包括用于在自然光线较差时提供额外光源的照明单元
。
[0032]有益效果
[0033]本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于机器视觉的天冬收获系统，其特征在于：包括依次信号连接的图像采集模块
、
神经网络模块
、
决策模块和根土分离装置；所述图像采集模块设置为采集刚收获的天冬图像，预处理后传输给神经网络模块；所述神经网络模块内置有训练好的含泥量识别模型和完整性识别模型，所述含泥量识别模型设置为输入刚收获的天冬图像，输出天冬表面的含泥量结果；所述完整性识别模型设置为输入刚收获的天冬图像，输出天冬根块的完整性结果；所述决策模块内置有决策数据库，所述决策数据库存储有含泥量
、
完整性与根土分离装置工作参数的第一映射列表；所述决策模块设置为根据含泥量结果和完整性结果在所述第一映射列表中匹配根土分离装置的最佳工作参数，并传输给根土分离装置；所述根土分离装置设置为根据所述最佳工作参数调整走行速度
、
筛分振幅和筛选频率，以收获含泥量最少且最完整的天冬根块
。2.
如权利要求1所述的基于机器视觉的天冬收获系统，其特征在于：还包括环境信息采集模块；所述环境信息采集模块设置为在收获作业前采集当前环境信息，所述环境信息包括空气温湿度
、
土壤水分
、
土壤温度和土壤粘结程度；所述决策数据库还存储有环境信息与根土分离装置初始工作参数的第二映射列表；所述决策模块设置为在收获作业前根据所述环境信息在所述第二映射列表中匹配根土分离装置的初始工作参数，并传输给根土分离装置；所述根土分离装置设置为根据所述初始工作参数初始化走行速度
、
筛分振幅和筛选频率，开始进行天冬根块的收获作业
。3.
如权利要求1或2所述的基于机器视觉的天冬收获系统，其特征在于，所述图像采集模块对采集到的刚收获的天冬图像进行预处理的方法包括：将采集到的刚收获的天冬图像进行灰度化处理，以将彩色图像转变为灰度图像，并将
24
位图像转换位8位图像，得到第一图像；对第一图像进行统一比例的缩放，以得到相同尺寸的第二图像；对第二图像进行膨胀和腐蚀操作，以增强分辨率，并进行滤波操作去除图像中的噪声，得到第三图像；对第三图像进行二值化处理，以得到增强对比度后的第四图像；将第四图像传输给神经网络模块
。4.
如权利要求1或2所述的基于机器视觉的天冬收获系统，其特征在于：所述含泥量识别模型和完整性识别模型的结构相同，均包括四层卷积层和一层全连接层；其中，所述卷积层完成卷积后均采用
PReLU
来对神经元进行激活操作，且前两层的卷积层还包含步长为2的最大池化操作
。5.
如权利要求1或2所述的基于机器视觉...

【专利技术属性】
技术研发人员：蒋辉霞，蒋金巧，李光辉，谭杰，随顺涛，高新，万先起，
申请(专利权)人：四川省农业机械科学研究院，
类型：发明
国别省市：