本发明专利技术涉及农作物检测技术领域，公开了一种基于图像的输送槽喂入量检测方法及检测系统，包括：获取物料经过光源模块照射后的历史透光图像；基于历史透光图像构建数据集，并构建透光率与喂入量相关的深度学习模型，通过构建的数据集对深度学习模型进行训练得到训练完成的深度学习模型；获取输送槽中物料的运输速度，基于运输速度确定视觉模块的图像采集间隔时间；图像采集间隔时间获取输送槽内物料经过光源模块照射后的原始透光图像，并对原始透光图像进行图像重叠拼接得到最终透光图像；通过将最终透光图像输入训练完成的深度学习模型中确定单位时间内输送槽的喂入量；本发明专利技术解决了现有的输送槽喂入量检测方法存在检测结果精度较低的问题。
1、喂入量是影响联合收割机对农作物收获作业性能的重要参数，由于联合收割机的作业机构大小恒定，使得单位时间内能够处理的农作物量也同样恒定，联合收割机中单位时间内能够处理的农作物量便称为额定喂入量，在作业过程中，若喂入量大于额定喂入量，会造成收割机的切割输送、脱离分离及清选系统的工作部件超负荷，容易发生堵塞，甚至导致机械故障，若喂入量小于额定喂入量，则会降低联合收割机的作业效率，影响农作物的收割作业。因此，需要通过对喂入量进行准确测量以减少工作部件超负荷的情况，并提升作业效率。目前，在进行喂入量的检测时，大多采用接触式传感器实时检测喂入量与物料行进速度以及滚筒转速之间的关系，但利用接触式传感器进行喂入量的检测需要实时对传感器上获取到的数据进行计算，大大增加了喂入量检测过程的计算量，而随着计算量的增加，喂入量检测的实时性便会有所降低，导致检测结果精确性较差，同时，由于利用接触式传感器进行实时检测，过于依赖接触式传感器获取的数据，而当接触式传感器与收获的农作物之间出现接触不良的情况时，更会使得检测结果的精度进一步下降。可见，现有的输送槽喂入量检测方法存在检测结果精度较低的问题。
>3、第一方面，本专利技术提供一种基于图像的输送槽喂入量检测方法，应用于一种基于图像的输送槽喂入量检测系统，系统包括：设置于输送槽中的光源模块、相对于光源模块设置的视觉模块、安装于输送槽上的霍尔传感器模块以及与视觉模块和霍尔传感器模块电连接的数据处理模块，方法包括：4、通过视觉模块获取输送槽内物料经过光源模块照射后的历史透光图像；
5、数据处理模块基于历史透光图像构建数据集，并构建透光率与喂入量相关的深度学习模型，通过构建的数据集对深度学习模型进行训练得到训练完成的深度学习模型；
6、通过霍尔传感器模块获取输送槽中物料的运输速度，数据处理模块基于运输速度确定视觉模块的图像采集间隔时间；
7、视觉模块基于图像采集间隔时间获取输送槽内物料经过光源模块照射后的原始透光图像，并对原始透光图像进行图像重叠拼接得到最终透光图像；
8、将最终透光图像输入训练完成的深度学习模型中对单位时间内输送槽喂入量进行检测。
9、可选的，历史透光图像与原始透光图像的获取方法包括：
10、利用光源模块在输送槽中物料的一侧对物料发射光线，使光线照射到物料的表面；
11、通过视觉模块在输送槽中物料的另一侧获取光线透过物料产生的图像。
12、可选的，通过霍尔传感器模块获取输送槽中物料的运输速度，并基于运输速度确定视觉模块的图像采集间隔时间，包括：
13、通过霍尔传感器模块获取输送槽中主动轮的转速，并将主动轮的转速作为输送槽中物料的运输速度；
14、基于运输速度计算视觉模块的图像采集间隔时间，其计算式满足如下关系式：
15、
16、式中，w表示图像采集间隔时间，v表示主动轮的转速。
17、可选的，对原始透光图像进行图像重叠拼接得到最终透光图像，包括：
18、获取连续两个原始透光图像，并提取连续两个原始透光图像的surf特征点；
19、将连续两个原始透光图像的surf特征点进行匹配得到匹配点对，并基于匹配点对确定连续两个原始透光图像的变换矩阵；
20、将变换矩阵应用到连续两个原始透光图像中的其中一个原始透光图像中得到两个原始透光图像的图像映射关系；
21、通过sobel算子确定连续两个原始透光图像的梯度信息和重叠区域，根据所述梯度信息计算连续两个原始透光图像的权重信息；
22、基于权重信息和映射关系对连续两个原始透光图像进行融合，融合过程中，对于非重叠区域，只保留连续两个原始透光图像中其中一个原始透光图像的信息，对于重叠区域，根据权重信息加权平均连续两个原始透光图像的像素值，并将融合后的图像作为最终透光图像。
23、可选的，透光率与喂入量相关的深度学习模型为yolov5模型，yolov5模型包括：backbone部分、neck部分以及head部分；
24、backbone部分为跨阶段局部网络cspdarknet53，该跨阶段局部网络对输入的由所述历史透光图像构建数据集进行卷积处理后再进行5次残差网络结构训练；
25、neck部分包括空间金字塔池化层spp和路径聚合网络pane，在cspdarknet53中处理所述历史透光图像构建数据集得到的最后一层特征层经过3次卷积运算后被导入spp进行池化和堆叠处理得到池化堆叠图像，经过池化和堆叠处理后的池化堆叠图像再经过3次卷积运算后被导入panet与cspdarknet53处理所述历史透光图像构建数据集得到的特征层1和特征层2进行多次上采样与下采样，完成特征融合并得到融合特征；
26、head部分利用提取的融合特征进行预测得到最终结果。
27、第二方面，本申请实施例提供一种基于图像的输送槽喂入量检测系统，检测系统安装于输送槽的内部，输送槽包括：输送槽外壳、主动轴、安装于主动轴上跟随主动轴转动的主动轮、从动轴、安装于输送槽外壳内跟随主动轴和从动轴一起转动的链条以及安装于链条上的耙齿，其特征在于，检测系统包括：光源模块、视觉模块、霍尔传感器模块以及数据处理模块；
28、光源模块安装于输送槽外壳上靠近链条的一侧，用于向链条上输送的物料表面发射光线；
29、视觉模块安装于输送槽外壳的内部并与光源模块的位置相对应，用于拍摄光线照射物料后光线透过物料产生的图像；
30、霍尔传感器模块安装于主动轮上，用于获取主动轮的转速，并将主动轮的转速作为物料的运输速度；
31、数据处理模块安装于输送槽外壳的表面，用于读取霍尔传感器模块中的运输速度，并根据运输速度确定视觉模块的图像采集间隔时间，还用于根据图像采集间隔时间控制视觉模块拍摄光线照射物料后光线透过物料产生的图像；
32、数据处理模块还用于构建数据集，并构建透光率与喂入量相关的深度学习模型，通过构建的数据集对深度学习模型进行训练得到训练完成的深度学习模型；
33、数据处理模块还用于读取视觉模块拍摄的图像，并将视觉模块拍摄的图像输入训练完成的深度学习模型中对单位时间内输送槽喂入量进行检测。
34、可选的，检测系统还包括亚克力板和透明玻璃；
35、亚克力板安装于光源模块靠近链条的一侧，透明玻璃安装于视觉模块用于拍摄图像的镜头一侧。
36、可选的，检测系统还包括电刷；
37、电刷安装于透明玻璃远离视觉模块的一侧，且电刷的本文档来自技高网...
【技术保护点】
1.一种基于图像的输送槽喂入量检测方法，应用于一种基于图像的输送槽喂入量检测系统，其特征在于，所述系统包括：设置于输送槽中的光源模块、相对于光源模块设置的视觉模块、安装于输送槽上的霍尔传感器模块以及与视觉模块和霍尔传感器模块电连接的数据处理模块，所述方法包括：
2.根据权利要求1所述的基于图像的输送槽喂入量检测方法，其特征在于，所述历史透光图像与所述原始透光图像的获取方法包括：
3.根据权利要求1所述的基于图像的输送槽喂入量检测方法，其特征在于，所述通过霍尔传感器模块获取输送槽中物料的运输速度，并基于所述运输速度确定视觉模块的图像采集间隔时间，包括：
4.根据权利要求1所述的基于图像的输送槽喂入量检测方法，其特征在于，所述对所述原始透光图像进行图像重叠拼接得到最终透光图像，包括：
5.根据权利要求1所述的基于图像的输送槽喂入量检测方法，其特征在于，所述透光率与喂入量相关的深度学习模型为YOLOv5模型，YOLOv5模型包括：BackBone部分、Neck部分以及Head部分；
6.一种基于图像的输送槽喂入量检测系统，所述检测系统安装于输送槽的内部，所述输送槽包括：输送槽外壳、主动轴、安装于主动轴上跟随主动轴转动的主动轮、从动轴、安装于输送槽外壳内跟随主动轴和从动轴一起转动的链条以及安装于链条上的耙齿，其特征在于，所述检测系统包括：光源模块、视觉模块、霍尔传感器模块以及数据处理模块；
7.根据权利要求6所述的基于图像的输送槽喂入量检测系统，其特征在于，所述检测系统还包括亚克力板和透明玻璃；
8.根据权利要求6所述的基于图像的输送槽喂入量检测系统，其特征在于，所述检测系统还包括电刷；
...
【技术特征摘要】
1.一种基于图像的输送槽喂入量检测方法，应用于一种基于图像的输送槽喂入量检测系统，其特征在于，所述系统包括：设置于输送槽中的光源模块、相对于光源模块设置的视觉模块、安装于输送槽上的霍尔传感器模块以及与视觉模块和霍尔传感器模块电连接的数据处理模块，所述方法包括：
2.根据权利要求1所述的基于图像的输送槽喂入量检测方法，其特征在于，所述历史透光图像与所述原始透光图像的获取方法包括：
3.根据权利要求1所述的基于图像的输送槽喂入量检测方法，其特征在于，所述通过霍尔传感器模块获取输送槽中物料的运输速度，并基于所述运输速度确定视觉模块的图像采集间隔时间，包括：
4.根据权利要求1所述的基于图像的输送槽喂入量检测方法，其特征在于，所述对所述原始透光图像进行图像重叠拼接得到最终透光图像，包括：
5.根...
【专利技术属性】
技术研发人员：谢方平，刘安稳，曾炼成，王修善，季邦，
申请(专利权)人：湖南农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。