本發(fā)明涉及一種谷物收割清選損失實(shí)時在線檢測方法，尤其是一種基于圖像處理的谷物收割清選損失實(shí)時在線檢測方法。

背景技術(shù)：

農(nóng)業(yè)機(jī)械化的大力發(fā)展提高了勞動生產(chǎn)率和經(jīng)濟(jì)效益。同時，隨著農(nóng)業(yè)機(jī)械化水平的提高，對于農(nóng)業(yè)裝備的智能化、信息化提出了更高的要求，不僅有利于豐產(chǎn)豐收，而且有利于減少對環(huán)境的污染和農(nóng)業(yè)持續(xù)高效地發(fā)展。長期以來，谷物收割損失率一直是收獲裝備的重要指標(biāo)值之一，也是農(nóng)業(yè)工程研究領(lǐng)域的難題。

當(dāng)前谷物收獲裝備的損失檢測多采用后程人工檢測方法，缺點(diǎn)是效率低、誤差大，無實(shí)時數(shù)據(jù)，無法向收獲裝備實(shí)時反饋狀態(tài)數(shù)據(jù)。國內(nèi)外的研究中，提出了根據(jù)尾部清選排出物沖擊壓電傳感器檢測的方法，但該方法易受各種干擾，如潮濕且重量較大的莖、葉雜余對傳感器的沖擊，環(huán)境電磁噪聲對傳感器和調(diào)理電路的干擾等。該方法雖能實(shí)時檢測，但易受干擾，誤差較大。因此，如何設(shè)計(jì)一種能夠?qū)崟r檢測同時誤差小的谷物收割損失檢測方法是改善現(xiàn)有谷物收割損失率檢測性能、減少糧食浪費(fèi)的一個重要研究課題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是：當(dāng)前谷物收獲裝備的損失檢測多采用后程人工檢測方法，缺點(diǎn)是效率低、誤差大，無實(shí)時數(shù)據(jù)，無法向收獲裝備實(shí)時反饋狀態(tài)數(shù)據(jù)。

為了解決上述技術(shù)問題，本發(fā)明提供了一種基于圖像處理的谷物收割清選損失實(shí)時在線檢測方法，包括如下步驟：

步驟1，獲取樣本數(shù)據(jù)，通過攝像頭實(shí)時采集雜余排出口處的清選排出物圖像，然后將谷物從排出物中分離，并分別對谷物和雜物進(jìn)行稱重，建立各稱重?cái)?shù)據(jù)間的函數(shù)關(guān)系；

步驟2，圖像處理，對清選排出物圖像依次進(jìn)行灰度化處理、圖像去噪處理以及圖像增強(qiáng)處理，再通過自適應(yīng)閾值分割算法對處理后的清選排出物圖像進(jìn)行二值化處理，再利用二值化后的清選排出物圖像求出谷物橫截面積；

步驟3，相關(guān)性分析，利用相關(guān)系數(shù)檢驗(yàn)法建立谷物橫截面積與稱重獲得的損失量之間的相關(guān)性，計(jì)算出回歸系數(shù)并建立回歸方程，從而進(jìn)一步求得清選損失率。

該在線檢測方法克服了傳統(tǒng)谷物收割損失檢測滯后、誤差大的缺點(diǎn)，能夠?qū)崟r計(jì)算清選損失率，從而隨著損失率的改變實(shí)時調(diào)整收割機(jī)前進(jìn)速度、割幅寬度、鼓風(fēng)機(jī)出風(fēng)量和角度等工作參數(shù)，從而降低谷物脫粒不凈率，夾帶率，減少谷粒損失，提高糧食產(chǎn)量。

作為本發(fā)明的進(jìn)一步限定方案，步驟1中，各稱重?cái)?shù)據(jù)間的函數(shù)關(guān)系為：

m1＝m2+m3

f喂入量＝d*v*b

m3＝f(f喂入量，l,θ)

其中，m1是谷物樣本毛重，m2是分離谷物后的雜物重量，m3是谷物重，即為損失量，f喂入量是收割機(jī)的喂入量，d是農(nóng)作物密度，v是聯(lián)合收割機(jī)的行進(jìn)速度，b是收割機(jī)的割幅寬度，l是鼓風(fēng)機(jī)的出風(fēng)量，θ是鼓風(fēng)機(jī)的出風(fēng)角度，k是谷物損失率。

由上述公式可知，喂入量與農(nóng)作物密度、聯(lián)合收割機(jī)前進(jìn)速度和聯(lián)合收割機(jī)割幅寬成正比。損失量與f喂入量、鼓風(fēng)機(jī)出風(fēng)量和鼓風(fēng)機(jī)角度有關(guān)。因此，聯(lián)合收割機(jī)在作業(yè)過程中可以通過調(diào)節(jié)聯(lián)合收割機(jī)行進(jìn)速度、聯(lián)合收割機(jī)割幅寬度繼而改變喂入量，或者調(diào)節(jié)鼓風(fēng)機(jī)吹風(fēng)量和角度來保證損失率在可接受的范圍內(nèi)。

作為本發(fā)明的進(jìn)一步限定方案，步驟2中，利用中值濾波法與小波閾值降噪法對清選排出物圖像進(jìn)行圖像去噪處理；利用小波變換法對清選排出物圖像進(jìn)行圖像增強(qiáng)處理?；叶然?，針對采集到的谷物圖像受光照、內(nèi)部噪聲等影響，采用中值濾波與小波變換結(jié)合算法進(jìn)行圖像去噪。為了改善圖像的視覺效果，提高圖像成分的清晰度，使圖像有利于計(jì)算機(jī)計(jì)算。采用小波變換來增強(qiáng)圖像。由于圖像經(jīng)過二維小波分解后，圖像的輪廓主要體現(xiàn)在低頻部分，而細(xì)節(jié)部分則體現(xiàn)了高頻部分，因此，在逆變換之前，可以通過對低頻分解系數(shù)進(jìn)行增強(qiáng)處理，對高頻分解系數(shù)進(jìn)行衰減處理，即可達(dá)到圖像增強(qiáng)的作用。

作為本發(fā)明的進(jìn)一步限定方案，步驟2中，利用中值濾波法對清選排出物圖像進(jìn)行圖像去噪處理時，利用3×3十字菱形窗口進(jìn)行遍歷，小波變換的閾值計(jì)算公式為：

其中，σ為噪聲標(biāo)準(zhǔn)差，n為信號的長度，對于二維圖像，式中的n應(yīng)為m*n，m、n分別為圖像的行列數(shù)，噪聲標(biāo)準(zhǔn)差為：

其中，yij∈第一層細(xì)節(jié)信號，median()為中值函數(shù)。

作為本發(fā)明的進(jìn)一步限定方案，步驟2中，通過自適應(yīng)閾值分割算法對處理后的清選排出物圖像進(jìn)行二值化處理時，將谷物和參考框圖像設(shè)置為1，將莖、葉和雜草作為背景設(shè)置為0，再利用形態(tài)學(xué)方法去除谷物外部的參考框圖像，自適應(yīng)閾值分割算法通過迭代算法自動選取分割閾值。

作為本發(fā)明的進(jìn)一步限定方案，通過迭代算法自動選取分割閾值的具體步驟為：

a，載入清選排出物圖像f；

b，求出圖像f的最大灰度值以及最小灰度值，分別記為fmax和fmin，并設(shè)置初始閾值t＝0.5*(fmax+fmin)；

c，根據(jù)初始閾值t將圖像分割為前景a和背景b，再分別求出前景a和背景b區(qū)域的平均灰度值u1和u2；

d，求出新閾值tnext＝0.5*(u1+u2)，若新閾值與初始閾值的差的絕對值相差小于0.5，則確定t為分割閾值，若新閾值與初始閾值的差的絕對值相差大于0.5，則以新閾值tnext分割圖像為前景a和背景b進(jìn)行迭代計(jì)算。

作為本發(fā)明的進(jìn)一步限定方案，步驟2中，利用二值化后的清選排出物圖像求出谷物橫截面積時，谷物橫截面積是取連通區(qū)域內(nèi)像素點(diǎn)的個數(shù)，并與參照物面積相對比求得谷物橫截面積為：

其中，谷物像素總數(shù)就是統(tǒng)計(jì)f(x,y)＝1的個數(shù)，是谷物圖像包含的像素總數(shù)，b是參照物包含的像素總數(shù)，s參考物是參考物面積，s是谷物橫截面積。

作為本發(fā)明的進(jìn)一步限定方案，步驟3中，利用相關(guān)系數(shù)檢驗(yàn)法建立谷物橫截面積與稱重獲得的損失量之間的相關(guān)性時，相關(guān)系數(shù)的計(jì)算公式為：

其中，n為拍攝圖片數(shù)，si為第i張圖片谷物橫截面積，為n張圖片谷物橫截平均面積，m3i為第i張照片谷物損失量，為n張圖片谷物平均損失量，在實(shí)驗(yàn)數(shù)據(jù)基礎(chǔ)上，利用logistic回歸分析出損失量m3與圖片中谷物橫截面積s的線性關(guān)系，建立回歸方程：

m3＝as³+bs²+cs+d

其中，m3為損失量，s為所拍攝圖片中谷物的橫截面積，a，b，c和d為回歸系數(shù)，并計(jì)算清選損失率為：

本發(fā)明的有益效果在于：該在線檢測方法克服了傳統(tǒng)谷物收割損失檢測滯后、誤差大的缺點(diǎn)，能夠?qū)崟r計(jì)算清選損失率，從而隨著損失率的改變實(shí)時調(diào)整收割機(jī)前進(jìn)速度、割幅寬度、鼓風(fēng)機(jī)出風(fēng)量和角度等工作參數(shù)，從而降低谷物脫粒不凈率，夾帶率，減少谷粒損失，提高糧食產(chǎn)量。

附圖說明

圖1為本發(fā)明的方法流程圖；

圖2為本發(fā)明的圖像處理技術(shù)分析谷物損失率技術(shù)路線圖；

圖3為本發(fā)明的圖像處理過程圖；

圖4為本發(fā)明的中值濾波與小波變化結(jié)合法示意圖；

圖5為本發(fā)明的中值濾波3*3菱形窗口；

圖6為本發(fā)明的自適應(yīng)閾值分割算法。

具體實(shí)施方式

如圖1-6所示，本發(fā)明公開的基于圖像處理的谷物收割清選損失實(shí)時在線檢測方法，包括如下步驟：

步驟1，獲取樣本數(shù)據(jù)，通過攝像頭實(shí)時采集雜余排出口處的清選排出物圖像，然后將谷物從排出物中分離，并分別對谷物和雜物進(jìn)行稱重，建立各稱重?cái)?shù)據(jù)間的函數(shù)關(guān)系；

步驟2，圖像處理，對清選排出物圖像依次進(jìn)行灰度化處理、圖像去噪處理以及圖像增強(qiáng)處理，再通過自適應(yīng)閾值分割算法對處理后的清選排出物圖像進(jìn)行二值化處理，再利用二值化后的清選排出物圖像求出谷物橫截面積；

步驟3，相關(guān)性分析，利用相關(guān)系數(shù)檢驗(yàn)法建立谷物橫截面積與稱重獲得的損失量之間的相關(guān)性，計(jì)算出回歸系數(shù)并建立回歸方程，從而進(jìn)一步求得清選損失率。

其中，步驟1中，各稱重?cái)?shù)據(jù)間的函數(shù)關(guān)系為：

m1＝m2+m3

f喂入量＝d*v*b

m3＝f(f喂入量，l,θ)

其中，m1是谷物樣本毛重，m2是分離谷物后的雜物重量，m3是谷物重，即為損失量，f喂入量是收割機(jī)的喂入量，d是農(nóng)作物密度，v是聯(lián)合收割機(jī)的行進(jìn)速度，b是收割機(jī)的割幅寬度，l是鼓風(fēng)機(jī)的出風(fēng)量，θ是鼓風(fēng)機(jī)的出風(fēng)角度，k是谷物損失率。

步驟2中，利用中值濾波法與小波閾值降噪法對清選排出物圖像進(jìn)行圖像去噪處理；利用小波變換法對清選排出物圖像進(jìn)行圖像增強(qiáng)處理；利用中值濾波法對清選排出物圖像進(jìn)行圖像去噪處理時，利用3×3十字菱形窗口進(jìn)行遍歷，小波變換的閾值計(jì)算公式為：

其中，σ為噪聲標(biāo)準(zhǔn)差，n為信號的長度，對于二維圖像，式中的n應(yīng)為m*n，m、n分別為圖像的行列數(shù)，噪聲標(biāo)準(zhǔn)差為：

其中，yij∈第一層細(xì)節(jié)信號，median()為中值函數(shù)。

通過自適應(yīng)閾值分割算法對處理后的清選排出物圖像進(jìn)行二值化處理時，將谷物和參考框圖像設(shè)置為1，將莖、葉和雜草作為背景設(shè)置為0，再利用形態(tài)學(xué)方法去除谷物外部的參考框圖像，自適應(yīng)閾值分割算法通過迭代算法自動選取分割閾值。

通過迭代算法自動選取分割閾值的具體步驟為：

a，載入清選排出物圖像f；

b，求出圖像f的最大灰度值以及最小灰度值，分別記為fmax和fmin，并設(shè)置初始閾值t＝0.5*(fmax+fmin)；

c，根據(jù)初始閾值t將圖像分割為前景a和背景b，再分別求出前景a和背景b區(qū)域的平均灰度值u1和u2；

d，求出新閾值tnext＝0.5*(u1+u2)，若新閾值與初始閾值的差的絕對值相差小于0.5，則確定t為分割閾值，若新閾值與初始閾值的差的絕對值相差大于0.5，則以新閾值tnext分割圖像為前景a和背景b進(jìn)行迭代計(jì)算。

步驟2中，利用二值化后的清選排出物圖像求出谷物橫截面積時，谷物橫截面積是取連通區(qū)域內(nèi)像素點(diǎn)的個數(shù)，并與參照物面積相對比求得谷物橫截面積為：

其中，谷物像素總數(shù)就是統(tǒng)計(jì)f(x,y)＝1的個數(shù)，是谷物圖像包含的像素總數(shù)，b是參照物包含的像素總數(shù)，s參考物是參考物面積，s是谷物橫截面積。

步驟3中，利用相關(guān)系數(shù)檢驗(yàn)法建立谷物橫截面積與稱重獲得的損失量之間的相關(guān)性時，相關(guān)系數(shù)的計(jì)算公式為：

其中，n為拍攝圖片數(shù)，si為第i張圖片谷物橫截面積，為n張圖片谷物橫截平均面積，m3i為第i張照片谷物損失量，為n張圖片谷物平均損失量，在大量實(shí)驗(yàn)數(shù)據(jù)基礎(chǔ)上，利用logistic回歸分析出損失量m3與圖片中谷物橫截面積s的線性關(guān)系，建立回歸方程：

m3＝as³+bs²+cs+d

其中，m3為損失量，s為所拍攝圖片中谷物的橫截面積，a，b，c和d為回歸系數(shù)，從而計(jì)算出清選損失率為：

該在線檢測方法克服了傳統(tǒng)谷物收割損失檢測滯后、誤差大的缺點(diǎn)，能夠?qū)崟r計(jì)算清選損失率，從而隨著損失率的改變實(shí)時調(diào)整收割機(jī)前進(jìn)速度、割幅寬度、鼓風(fēng)機(jī)出風(fēng)量和角度等工作參數(shù)，從而降低谷物脫粒不凈率，夾帶率，減少谷粒損失，提高糧食產(chǎn)量。

本發(fā)明將圖像處理算法應(yīng)用到了聯(lián)合收割機(jī)谷物收割損失檢測當(dāng)中，通過高性能的嵌入式圖像處理系統(tǒng)和科學(xué)的數(shù)學(xué)模型，實(shí)時檢測損失總量和清算損失率，相對于傳統(tǒng)人工方法和沖擊壓電傳感器檢測方法，大大提高了時效性和準(zhǔn)確性，而且抗干擾能力強(qiáng)，提高了系統(tǒng)的穩(wěn)定性，為聯(lián)合收割機(jī)提供實(shí)時的損失率，指導(dǎo)收獲裝備，提高工作效率。