一种联合收割机粮箱中谷物破碎在线监测系统的利记博彩app
【专利摘要】本实用新型提供了一种联合收割机粮箱中谷物破碎在线监测系统，包括谷物传送机构、图像摄取单元和处理器ARM；谷物传送机构包括滚筒、倾斜传送带和激振器；滚筒位于粮仓出口处，倾斜传送带位于滚筒的下方，倾斜传送带的底部安装有激振器；图像摄取单元位于倾斜传送带上方，且在垂直于倾斜传送带的方向上；图像摄取单元依次包括CCD摄像机、镜头、光源以及数据采集卡；图像摄取单元用于对谷物进行周期性的摄取，并将摄取图片传送至处理器ARM；滚筒、CCD摄像机、光源均与处理器ARM连接；处理器ARM用于控制滚筒、CCD摄像机和光源的开启和关闭，并分析处理图像摄取单元传送的摄取图片。利用本装置能够实时在线监测谷物操作简单方便，且准确率高。
【专利说明】
一种联合收割机粮箱中谷物破碎在线监测系统
技术领域
[0001]本实用新型属于联合收获机工作性能自动监测装置领域，尤其是涉及一种联合收割机粮箱中谷物破碎在线监测系统，用于在线监测谷物破碎率。
【背景技术】
[0002]目前的联合收获机工作参数和作业性能监测研究中，大多仅是针对单一作业参数的监测或预测模型的研究，没有根据监测到的当前作业参数值对相关部件进行反馈控制而且对多作业参数融合控制的研究也相对较少。对联合收割机作业性能的监测而言，并没有考虑一个重要的参数--谷粒破碎率。
[0003]联合收割机作业时，当出现割台搅龙与底板之间间隙过大、转速过快等工作参数异常的情况，会导致谷物的破碎率增大，而根据国家农业标准NY/T 498-2002，有如下规定:
[0004]将去掉杂志的籽粒样品混合后，用四分法从中取出样品5份，每份100g，挑选出其中的破碎籽粒并称量，按照下式计算破碎率，取5份样品破碎率的平均值。
[0005]Z(%)=ml/m2*100
[0006]式中，Z——破碎率，％;
[0007]ml——样品中破碎籽粒质量，g;
[0008]m2--样品质量，g。
[0009]—般作业条件下，水稻全喂入式联合收割机的收获作业破碎率应小于2.5%。破碎率较高的谷物，一方面在粮站出售时售价低，会给农民带来直接的经济损失，另一方面，农民用破碎率较低的谷物育种时，发芽率较低，严重者会影响下一季的种植，研究表明，在收获过程中尽量降低谷物破碎率是解决上述问题的重要途径之一。
[0010]目前，我国的谷物破碎率检测普遍停留在通过肉眼目测进行鉴定，此工作主要靠主观判断，繁琐重复率高，误差大，效率低，耗时长，为农业科研人员增加了太大的负担，结果却不尽人意，严重影响联合收割机的作业效率且在联合收割机作业过程中不能实时获得当前粮箱内的谷粒破碎情况，联合收割机驾驶人员也无法根据当前谷物破碎情况采取相应措施。
【实用新型内容】
[0011]针对现有技术中存在不能实时获得当前粮箱内的谷粒破碎情况等不足，本实用新型提供了一种联合收割机粮箱中谷物破碎在线监测系统，利用本方法监测谷物操作简单方便，且准确率高。
[0012]本实用新型是通过以下技术手段实现上述技术目的的。
[0013]—种联合收割机粮箱中谷物破碎在线监测系统，包括谷物传送机构、图像摄取单元和处理器ARM;所述谷物传送机构包括滚筒、倾斜传送带和激振器;所述滚筒位于粮仓出口处，所述倾斜传送带位于滚筒的下方，倾斜传送带的底部安装有激振器;所述谷物传送机构用于将粮箱谷物传送到图像摄取单元的摄区；
[0014]所述图像摄取单元位于倾斜传送带上方，且在垂直于倾斜传送带的方向上;所述图像摄取单元依次包括CCD摄像机、镜头、光源以及数据采集卡；图像摄取单元用于对谷物进行周期性的摄取，并将摄取图片传送至处理器ARM;所述滚筒、CCD摄像机、光源均与处理器ARM连接;所述处理器ARM用于控制滚筒、CXD摄像机和光源的开启和关闭，并分析处理图像摄取单元传送的摄取图片。
[0015]进一步的，所述激振器位于倾斜传送带的中间位置;所述图像摄取单元位于倾斜传送带的中间位置。
[0016]上述联合收割机粮箱中谷物破碎在线监测方法，包括如下步骤:
[0017]S1:处理器ARM控制谷物传送机构将采样谷物周期性的传送至图像处理单元的摄区，图像摄取单元周期性地采集谷物图像；
[0018]S2:图像摄取单元将谷物图像传送至图像预处理单元，图像预处理单元对图像预处理；
[0019]S3:图像预处理单元将预处理后的图像传递至处理器ARM，处理器ARM对图像进一步分析、处理，随后输出谷物破碎率；
[0020]S4:将谷物破碎率的数值结果反馈给驾驶室，驾驶员进行相关操作。
[0021]进一步的，步骤S2中所述图像预处理单元对图像预处理过程如下:灰度图像处理，并通过中值滤波对其去除噪声，形成去噪声图像数据;通过最大类间方差法提取去噪声图像中的合适阈值，将要检测的谷物从背景中分离出来，形成去除背景的监测二值图像;利用形态学操作去除二值图像中谷物的细小毛刺使轮廓变光滑，并填补谷粒中小的空洞，形成平滑完整的谷物二值图像，计算图像中所含谷物总数量。
[0022]进一步的，步骤S3中所述处理器ARM对图像处理过程如下:对预处理后的图像提取各谷物颗粒的大小、形状、色度三类形态学特征参数输入建立在神经网络分类器，由该类分类器从各种谷物颗粒中分理出破碎谷物颗粒大小、形状、色度三类形态学特征参数;分离出来的破碎谷物颗粒的大小、形状、色度三类形态学特征参数输入建立在模糊聚类基础上的特征融合器，由该特征融合器将每一类多维形态学特征参数进行归一化处理，得到一维特征向量;将归一化后的所述谷物颗粒的一维特征向量送入神经网络分类器，识别出谷物颗粒中的破碎谷物颗粒，并计算得到破碎谷物占谷物总数的百分比，即破碎率。
[0023]进一步的，所述大小特征参数包括面积、周长、等效直径、长轴、短轴;所述形状特征参数包括圆率、离心率;所述色度特征参数包括基于HSV目标区域颜色直方图、基于概率窗的区域目标主色特征提取。
[0024]进一步的，所述神经网络分类器具体如下:使用概率神经网络PNN方法建立预测模型，采用三层神经网络结构，包括I个输入层、I个隐含层节点和I个输出层;将谷物样本大小、形状、色度三方面的特征参数值作为神经网络分类器的输入值，经过反复的训练和测试后，进行概率神经网络训练，得到谷物的状态，得到预测模型;谷物是否破碎作为输出值;神经网络的具体参数为:学习效率=0.001;训练次数=2000 ；目标最小误差=0.0001;动量因子= 0.9;最大失败次数= 1000。
[0025]本实用新型的有益效果:
[0026]本实用新型所述的一种联合收割机粮箱中谷物破碎在线监测系统及方法，利用图像摄取单元对采样谷物摄取后传送至图像预处理单元和处理器ARM分析处理，通过选取特征参数和建立神经网络分类器等获取破碎谷物的数量，进而得到粮箱中破碎谷物颗粒的破碎率，通过分析得到的破碎率高低，能够对联合收割机的工作状态做出及时的反馈;相比传统利用人工、烘干称重的方法获得破碎率，本实用新型方法操作简单方便、快捷且准确率尚O
【附图说明】
[0027]图1为本实用新型所述联合收割机粮箱中谷物破碎在线监测系统流程图。
[0028]图2为联合收割机粮箱中谷物破碎在线监测系统结构示意图。
[0029]图3为本实用新型的实施例的神经网络结构图。
[0030]附图标记说明如下:
[0031 ] 1-CCD摄像机，2-镜头，3-光源，4_激振器，5_倾斜传送带，6_滚筒。
【具体实施方式】
[0032]下面结合附图以及具体实施例对本实用新型作进一步的说明，但本实用新型的保护范围并不限于此。
[0033]如图1和图2所示，一种联合收割机粮箱中谷物破碎在线监测系统，包括谷物传送机构、图像摄取单元和处理器ARM;该整套装置系统位于联合谷物收割机粮箱中，可以通过监测粮箱中谷物的破碎率判断联合收割机的工作状况。
[0034]谷物传送机构包括滚筒6、倾斜传送带5和激振器4;滚筒6位于粮仓出口处，所述倾斜传送带5入口位于滚筒6的下方，倾斜传送带5的底部中间位置处安装有激振器4;所述谷物传送机构用于将粮箱谷物传送到图像摄取单元的摄区。所述图像摄取单元位于倾斜传送带5中间位置上方，且与倾斜传送带5的方向相垂直;所述图像摄取单元依次包括CCD摄像机
1、镜头2、光源3以及数据采集卡；图像摄取单元用于对谷物进行周期性的摄取，并将摄取图片传送至处理器ARM7;所述滚筒6、CCD摄像机1、光源3均与处理器ARM连接;所述处理器ARM用于控制滚筒6、CCD摄像机I和光源3的开启和关闭，并分析处理图像摄取单元传送的摄取图片。
[0035]利用该在线监测系统的检测方法，包括如下步骤:
[0036]S1:处理器ARM控制谷物传送机构将采样谷物周期性的传送至图像处理单元的摄区，采用每分钟4次即每15秒一次的周期通过谷物传送机构将谷物传送到图像摄取单元的摄区，每次采样200粒;在密闭的空间里进行，避免灰尘、风速等不可避免的因素影响；图像摄取单元周期性地采集谷物图像。
[0037]S2:图像摄取单元将谷物图像传送至图像预处理单元，图像预处理单元对图像进行如下预处理;灰度图像处理，并通过中值滤波对其去除噪声，形成去噪声图像数据;通过最大类间方差法提取去噪声图像中的合适阈值，将要检测的谷物从背景中分离出来，形成去除背景的监测二值图像;利用形态学操作去除二值图像中谷物的细小毛刺使轮廓变光滑，并填补谷粒中小的空洞，形成平滑完整的谷物二值图像，计算图像中所含谷物总数量。
[0038]S3:图像预处理单元将预处理后的图像传递至处理器ARM，处理器ARM对图像进一步分析、处理:对预处理后的图像提取各谷物颗粒的大小、形状、色度三类形态学特征参数输入建立在神经网络分类器，由该类分类器从各种谷物颗粒中分理出破碎谷物颗粒大小、形状、色度三类形态学特征参数;具体的:大小特征参数包括面积、周长、等效直径、长轴、短轴;形状特征参数包括圆率、离心率;色度特征参数包括基于HSV目标区域颜色直方图、基于概率窗的区域目标主色特征提取。分离出来的破碎谷物颗粒的大小、形状、色度三类形态学特征参数输入建立在模糊聚类基础上的特征融合器，由该特征融合器将每一类多维形态学特征参数进行归一化处理，得到一维特征向量;将归一化后的所述谷物颗粒的一维特征向量送入神经网络分类器，识别出谷物颗粒中的破碎谷物颗粒，并计算得到破碎谷物占谷物总数的百分比，即破碎率。
[0039]S4:随后将破碎率数值传送联合收割机驾驶室，反馈给驾驶员进行相关操作。
[0040]其中，所述计算谷物破碎率，其特征在于，包括:计算出图像中所含的谷物总数量N，通过所述破碎率在线监测系统得到破碎谷物的数量η，可得谷物破碎率:Z( % ) =n/m*100；
[0041 ] 式中，Z——破碎率，％;
[0042]η一一样品中破碎籽粒个数，个；
[0043]N——谷物样品总数量，个。
[0044]神经网络分类器具体为:使用概率神经网络PNN方法建立预测模型，采用三层神经网络结构，包括I个输入层、I个隐含层节点和I个输出层;将谷物样本大小、形状、色度三方面的特征参数值作为神经网络分类器的输入值，经过反复的训练和测试后，进行概率神经网络训练，得到谷物的状态，得到预测模型;谷物是否破碎作为输出值;神经网络的具体参数为:学习效率=0.001;训练次数= 2000;目标最小误差=0.0001;动量因子= 0.9;最大失败次数=1000。该建立在神经网络基础上的分类器包括一反馈过程，该反馈过程是对分类出来的可疑目标及识别错误目标进行细化、分类、补充特征参数，并建立相应的数学模型，对神经网络进行训练，神经网络自动学习并记忆该些细化、分类、补充的特征参数进入模型数据库，再返回基于神经网络的分类器进行谷物颗粒分类。
[0045]所述实施例为本实用新型的优选的实施方式，但本实用新型并不限于上述实施方式，在不背离本实用新型的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本实用新型的保护范围。
【主权项】
1.一种联合收割机粮箱中谷物破碎在线监测系统，其特征在于，包括谷物传送机构、图像摄取单元和处理器ARM(7);所述谷物传送机构包括滚筒(6)、倾斜传送带(5)和激振器(4);所述滚筒(6)位于粮仓出口处，所述倾斜传送带(5)位于滚筒(6)的下方，倾斜传送带(5)的底部安装有激振器(4);所述谷物传送机构用于将粮箱谷物传送到图像摄取单元的摄区； 所述图像摄取单元位于倾斜传送带(5)上方，且在垂直于倾斜传送带(5)的方向上；所述图像摄取单元依次包括CCD摄像机(I)、镜头(2)、光源(3)以及数据采集卡；图像摄取单元用于对谷物进行周期性的摄取，并将摄取图片传送至处理器ARM;所述滚筒(6)、CCD摄像机(I)、光源(3)均与处理器ARM连接;所述处理器ARM用于控制滚筒(6)、CCD摄像机(I)和光源(3)的开启和关闭，并分析处理图像摄取单元传送的摄取图片。2.根据权利要求1所述的一种联合收割机粮箱中谷物破碎在线监测系统，其特征在于，所述激振器(4)位于倾斜传送带(5)的中间位置;所述图像摄取单元位于倾斜传送带(5)的中间位置。
【文档编号】G01N15/00GK205538564SQ201620233431
【公开日】2016年8月31日
【申请日】2016年3月24日
【发明人】陈璇, 吴静静, 陈进
【申请人】江苏大学