基于机器视觉的大豆籽粒精选方法
【专利摘要】基于机器视觉的大豆籽粒精选方法，涉及农业自动化领域。它是为了解决传统大豆精选方法的选择精度低的问题。本发明对正常豆粒、霉变豆粒、灰斑和虫蚀豆粒进行分类，有效地提高了大豆籽粒精选精度，同比提高了20%；对大豆籽粒无损伤的分类，不破坏籽粒的外观。本发明适用于农业自动化领域。
【专利说明】 基于机器视觉的大豆籽粒精选方法
【技术领域】
[0001 ] 本发明涉及农业自动化领域。
【背景技术】
[0002]大豆是我国主要的经济作物，东北地区是我国大豆的主产区，近年来，在农业部实施大豆振兴计划的带动下，我省大豆的种植面积逐年猛增。同时对大豆的选种、出口、加工的质量标准也越来越严格。目前，市场上的大豆选种、精选方法，较多利用震动、离心、摩擦等机械原理，但该方法设计的设备体积大，笨重且精度低，一般用于前期分选去除杂质。
[0003]通过对农产品表面的缺陷、颜色、饱和度等信息进行检测可以用于质量评估和分级，近20年来，国内外研究者将目光集中于利用机算机视觉技术实现对农产品的高效自动检测，而图像处理分析是计算机视觉技术的核心。就此研究者们针对不同的检测对象展开了大量的研究。
[0004]日美等发达国家率先在粮食籽粒检测方面展开研究。Zayas等利用计算机图像处理技术从小麦籽粒图片中提取出形态学特征参数，应用这些特征区分小麦的品种及非小麦成分。Liao K.等将玉米籽粒图像用34个特征参数作为神经网络的输入变量，可将籽粒形态分为5类，经过学习的神经网络对完整籽粒分类的准确率达93%。Nair M.等基于形态参数和彩色参数研究了小麦表面污点的检测技术。在单独使用形态参数时，识别准确率为89.4% ;在单独使用彩色参数时，识别准确率为71.4% ;在结合形态参数和彩色参数时，识别准确率为93.2%。Cardarelli等研究了稻米破损粒的检测技术，提出了以R、G、B分量的均值作为判别参数，对三种稻米破损籽粒的识别准确率均达到80%以上。Paliwal等研究了不同品种小麦的识别技术，基于彩色参数和傅立叶描述子，利用最小距离分类器，对五种加拿大小麦的识别准确率分别为100%、94%、93%、99%和95%。Steenhoek等研究了玉米霉变粒、破损粒的检测技术。直接将原始图像的R、G、B像素值作为特征参数，采用概率神经网络分类器，识别准确率达到了 92%。Chtioui Y.等提出了用Rough sets理论作为模式分类工具通过计算机视觉技术来评价蚕豆品质的方法。这一理论提出用两种不同的离散方法来区分合格、破损、过小、异类蚕豆和石头。利用从彩色图像中提取的35个特征参数进行分类，分类结果与判别分析统计分类结果相比有较好的一致度。Tahir等基于机器视觉研究了三种小麦中不同水分含量和颜色、构造特性、形态学特性的关系，得出散装谷物与单个去壳谷物相比颜色、构造特性与水分的关系明显。
[0005]国内，方如明提出了检测米粒的三种方法，即直方图傅里叶系数判别法，直方图波峰检出法及灰度突变法，对稻米爆腰情况进行了检测。宋韬应用机器视觉进行作物籽粒形态识别的研究，用人工神经网络识别完整和破损玉米颗粒，对作物籽粒表面病变进行了分形描述与识别。许俐等应用机器视觉技术与色度学理论结合，研究了染色后稻米的胚乳、皮层以及胚芽所呈现的不同颜色特征的区分方法。黄星奕等研究了稻米留胚率、粒型和垩白度的检测技术。利用遗传神经网络对垩白像素和胚乳像素进行了识别，实现了至白度的自动无损检测，检测结果与人工检测结果的误差小于0.05。张弓等分析了谷物纹理特征，建立了综合纹理识别模型，对小麦、燕麦和大麦三种谷物的平均识别率达到95%。侯彩云等利用微切片3维图象处理系统对稻米品质特性进行了探索，结果可定性描述粒形、粒长、白米粒垩白度、透明度、蛋白质分布密度等外观、营养品质参数。
【发明内容】
[0006]本发明是为了解决传统大豆精选方法的选择精度低的问题，进而提供了一种基于机器视觉的大豆籽粒精选方法。
[0007]基于机器视觉的大豆籽粒精选方法，该方法是基于下述装置实现的，所述装置包括:变频器9、异步电机10、进种器11、光电传感器1、单片机2、智能摄像头3、步进电机控制器4、步进电机5、运送带6、暗箱7、第一吹气筒a、第二吹气筒b、第一气泵和第二气泵；
[0008]变频器9接入三相电源，所述变频器9电源信号输出端连接异步电机10的电源信号输入端；所述异步电机10带动进种器11工作；
[0009]进种器11的出种口 8位于运送带6的上方，所述运送带6水平设置，且运送带6设直在暗箱7中；位于运送带6末端的暗箱7上开有出种口 8 ；
[0010]智能摄像头3悬挂在暗箱7上，且所述智能摄像头3的拍摄面面向传送带；第一吹气筒a和第二吹气筒b相互平行设置，且均位于运送带6的侧面；
[0011]步进电机5接入三相电源,用于带动传动带6工作；第一气泵用于给第一吹气筒a提供气体；第二气泵用于给第二吹气筒a提供气体；
[0012]光电传感器I的检测信号输出端连接单片机2的检测信号输入端；智能摄像头3的控制信号输出端连接单片机2的控制信号输入端，所述单片机2的第一气泵控制信号输出端连接第一气泵的控制信号输入端，单片机2的第二气泵控制信号输出端连接第二气泵的控制信号输入端，单片机2的步进电机控制信号输出端连接步进电机控制器4的控制信号输入端，所述步进电机控制器4的控制信号输出端连接步进电机5的控制信号输入端；
[0013]包括以下步骤:
[0014]步骤一、进种器11向传动带上下落一粒大豆仔粒，智能摄像头3拍摄该的豆粒图像信息，并进行图像处理，然后将图像处理结果发送给单片机2 ；
[0015]所述图像处理的方法为:
[0016]步骤一一、根据豆粒图像信息获得豆粒的特征参数，对豆粒的特征参数进行神经网络分析，获得大豆仔粒的质量数据；
[0017]步骤一二、判断大豆仔粒为灰斑或虫蚀的豆粒、霉变的豆粒还是正常的豆粒；并将判断的结果作为图像处理结果输出给单片机2 ;
[0018]步骤二、单片机2接收智能摄像头3的图像处理结果，如果图像处理结果为灰斑或虫蚀的豆粒，则控制第一气泵开启，将该大豆仔粒从传动带上吹落；如果图像处理结果为霉变的豆粒，则控制第二气泵开启，将该大豆仔粒从传动带上吹落；如果图像处理结果为正常的豆粒，则将该大豆仔粒从暗箱7上的出种口 8输出，并返回执行步骤一。
[0019]本发明的有益效果是:本发明对正常豆粒、霉变豆粒、灰斑和虫蚀豆粒进行分类，有效地提高了大豆籽粒精选精度，同比提高了 20% ;对大豆籽粒无损伤的分类，不破坏籽粒的外观。【专利附图】
【附图说明】
[0020]图1为基于机器视觉的大豆籽粒精选方法的软件流程图；
[0021]图2为图1的具体软件流程图；
[0022]图3为基于机器视觉的大豆籽粒精选方法所采用装置第一结构框图；
[0023]图4为基于机器视觉的大豆籽粒精选方法所采用装置第二结构框图；
[0024]图5为基于机器视觉的大豆籽粒精选方法所采用装置的机械结构图。
【具体实施方式】
[0025]【具体实施方式】一:下面结合图1、图2和图3说明本实施方式，本实施方式所述的基于机器视觉的大豆籽粒精选方法，该方法是基于下述装置实现的，所述装置包括:变频器
9、异步电机10、进种器11、光电传感器1、单片机2、智能摄像头3、步进电机控制器4、步进电机5、运送带6、暗箱7、第一吹气筒a、第二吹气筒b、第一气泵和第二气泵；
[0026]变频器9接入三相电源，所述变频器9电源信号输出端连接异步电机10的电源信号输入端；所述异步电机10带动进种器11工作；
[0027]进种器11的出种口 8位于运送带6的上方，所述运送带6水平设置，且运送带6设直在暗箱7中；位于运送带6末端的暗箱7上开有出种口 8 ；
[0028]智能摄像头3悬挂在暗箱7上，且所述智能摄像头3的拍摄面面向传送带；第一吹气筒a和第二吹气筒b相互平行设置，且均位于运送带6的侧面；
[0029]步进电机5接入三相电源,用于带动传动带6工作；第一气泵用于给第一吹气筒a提供气体；第二气泵用于给第二吹气筒a提供气体；
[0030]光电传感器I的检测信号输出端连接单片机2的检测信号输入端；智能摄像头3的控制信号输出端连接单片机2的控制信号输入端，所述单片机2的第一气泵控制信号输出端连接第一气泵的控制信号输入端，单片机2的第二气泵控制信号输出端连接第二气泵的控制信号输入端，单片机2的步进电机控制信号输出端连接步进电机控制器4的控制信号输入端，所述步进电机控制器4的控制信号输出端连接步进电机5的控制信号输入端；
[0031]包括以下步骤:
[0032]步骤一、进种器11向传动带上下落一粒大豆仔粒，智能摄像头3拍摄该的豆粒图像信息，并进行图像处理，然后将图像处理结果发送给单片机2 ；
[0033]所述图像处理的方法为:
[0034]步骤一一、根据豆粒图像信息获得豆粒的特征参数，对豆粒的特征参数进行神经网络分析，获得大豆仔粒的质量数据；
[0035]步骤一二、判断大豆仔粒为灰斑或虫蚀的豆粒、霉变的豆粒还是正常的豆粒；并将判断的结果作为图像处理结果输出给单片机2 ;
[0036]步骤二、单片机2接收智能摄像头3的图像处理结果，如果图像处理结果为灰斑或虫蚀的豆粒，则控制第一气泵开启，将该大豆仔粒从传动带上吹落；如果图像处理结果为霉变的豆粒，则控制第二气泵开启，将该大豆仔粒从传动带上吹落；如果图像处理结果为正常的豆粒，则将该大豆仔粒从暗箱7上的出种口 8输出，并返回执行步骤一。
[0037]【具体实施方式】二:本实施方式对【具体实施方式】一所述的基于机器视觉的大豆籽粒精选方法作进一步限定，本实施方式中，智能摄像头3的型号为VC2065/E。[0038]本实施方式中，智能摄像头3可脱离PC机独立工作，内部含有可编程控制的高性能DSP，集成RS-232硬件接口与单片机进行串口数据传输。
[0039]【具体实施方式】三:本实施方式对【具体实施方式】一所述的基于机器视觉的大豆籽粒精选方法作进一步限定，本实施方式中，运送带6的传送速度为40cm/s。
[0040]【具体实施方式】四:本实施方式对【具体实施方式】二所述的基于机器视觉的大豆籽粒精选方法作进一步限定，本实施方式中，运送带6的厚度为2_。
[0041]【具体实施方式】五:本实施方式对【具体实施方式】一所述的基于机器视觉的大豆籽粒精选方法作进一步限定，本实施方式中，进种器11的型号为2QXP-1。
【权利要求】
1.基于机器视觉的大豆籽粒精选方法，该方法是基于下述装置实现的，所述装置包括:变频器(9)、异步电机(10)、进种器(11)、光电传感器(I)、单片机(2)、智能摄像头(3)、步进电机控制器(4)、步进电机(5)、运送带(6)、暗箱(7)、第一吹气筒(a)、第二吹气筒(b)、第一气泵和第二气泵； 变频器(9)接入三相电源，所述变频器(9)电源信号输出端连接异步电机(10)的电源信号输入端；所述异步电机(10 )带动进种器(11)工作； 进种器(11)的出种口( 8 )位于运送带(6 )的上方，所述运送带(6 )水平设置，且运送带(6)设置在暗箱(7)中；位于运送带(6)末端的暗箱(7)上开有出种口(8)； 智能摄像头(3)悬挂在暗箱(7)上，且所述智能摄像头(3)的拍摄面面向传送带；第一吹气筒(a)和第二吹气筒(b)相互平行设置，且均位于运送带(6)的侧面； 步进电机(5)接入三相电源，用于带动传动带(6)工作；第一气泵用于给第一吹气筒Ca)提供气体；第二气泵用于给第二吹气筒(a)提供气体； 光电传感器(I)的检测信号输出端连接单片机(2)的检测信号输入端；智能摄像头(3)的控制信号输出端连接单片机(2)的控制信号输入端，所述单片机(2)的第一气泵控制信号输出端连接第一气泵的控制信号输入端，单片机(2)的第二气泵控制信号输出端连接第二气泵的控制信号输入端，单片机(2)的步进电机控制信号输出端连接步进电机控制器(4)的控制信号输入端，所述步进电机控制器(4)的控制信号输出端连接步进电机(5)的控制信号输入端； 其特征在于:包括以下步骤: 步骤一、进种器(11)向传动带上下落一粒大豆仔粒，智能摄像头(3)拍摄该的豆粒图像信息，并进行图像处理，然后将图像处理结果发送给单片机(2); 所述图像处理的方法为: 步骤一一、根据豆粒图像信息获得豆粒的特征参数，对豆粒的特征参数进行神经网络分析，获得大豆仔粒的质量数据； 步骤一二、判断大豆仔粒为灰斑或虫蚀的豆粒、霉变的豆粒还是正常的豆粒；并将判断的结果作为图像处理结果输出给单片机(2)； 步骤二、单片机(2)接收智能摄像头(3)的图像处理结果，如果图像处理结果为灰斑或虫蚀的豆粒，则控制第一气泵开启，将该大豆仔粒从传动带上吹落；如果图像处理结果为霉变的豆粒，则控制第二气泵开启，将该大豆仔粒从传动带上吹落；如果图像处理结果为正常的豆粒，则将该大豆仔粒从暗箱(7)上的出种口(8)输出，并返回执行步骤一。
2.根据权利要求1所述的基于机器视觉的大豆籽粒精选方法，其特征在于:智能摄像头(3)的型号为VC2065/E。
3.根据权利要求1所述的基于机器视觉的大豆籽粒精选方法，其特征在于:运送带(6)的传送速度为40cm/S。
4.根据权利要求2所述的基于机器视觉的大豆籽粒精选方法，其特征在于:运送带(6)的厚度为2mm。
5.根据权利要求1所述的基于机器视觉的大豆籽粒精选方法，其特征在于:进种器(11)的型号为2QXP-1。
【文档编号】B07C5/342GK103752535SQ201410037954
【公开日】2014年4月30日 申请日期:2014年1月26日 优先权日:2014年1月26日
【发明者】房俊龙, 赵朝阳, 李明, 周蔷, 王润涛 申请人:东北农业大学