论文部分内容阅读
随着农业智能机械化水平的持续提升,有关无人驾驶农机进行独立作业的研究也在飞速发展。及时、精准地对插秧机的栽植状况和工况进行监测,以及在故障发生时能实时地报警是插秧机安全、高效作业的重要保证,可以有效提升作业效率、降低安全风险。本文在江苏省重点研发计划(现代农业)重点项目“无人插秧机研制”(BE2015351)研究经费的支持下,设计并研制了一套基于机器视觉的无人插秧机作业质量监控系统。插秧机是现代农业自动化发展的重要手段,由于地理环境和设备等因素的影响,插秧机在工作中难免会出现缺秧和漂秧等情况。传统的缺秧和漂秧识别主要依靠经验和人工作业,效率低下、准确度不高,因此本文以机器学习和深度学习相关算法为基础,设计出了一套有效识别缺秧和漂秧的监控系统。本文主要研究内容如下:1.缺秧和漂秧样本的制作。因为水田秧苗样本没有公开的数据集,因此本文在水田现场采集秧苗原始图片,然后结合OpenCV数据库对秧苗进行标注,制作了大量的数据集,为之后的训练测试奠定了基础。2.基于传统机器视觉的缺秧识别算法的设计与实现。首先利用基于RGB的颜色通道算法将采集的秧苗图片中的绿色秧苗和背景进行分离,然后利用腐蚀膨胀算法对样本图片进行优化,接着计算缺秧数据图像样本的质心位置,根据质心间距离是否在合理范围内来识别缺秧。3.基于深度学习的缺秧和漂秧识别算法的设计与实现。首先提取秧苗样本特征建立样本库,对采集的秧苗图像数据进行分析处理,再与样本库进行对比,以此判断插秧机在工作过程中是否存在缺秧和漂秧的情况。本文通过对仿真算例进行了测试,验证了算法的有效性。本文还对利用YOLOv3算法识别漂秧进行了深入研究,它是卷积神经网络中的一类代表算法,其识别漂秧的精准度略高于RCNN算法。4.水田秧苗二次定位技术的实现。对初始的秧苗图片进行图像增强处理,降低图像中的噪声,对精度进行提升,再对正常秧苗进行轮廓的提取,通过得到的秧苗轮廓信息完成对秧苗的拟合,进一步提高水田秧苗定位的精度。5.缺秧与漂秧识别与定位算法的实验分析。本文对基于RGB的颜色通道、RCNN和YOLOv3这三种识别缺秧和漂秧的算法进行了综合实验测试。综合上述实验结论,基于RGB颜色通道识别缺秧的正确率为82%,RCNN方法识别缺秧和漂秧的正确率都为88%,YOLOv3识别缺秧的正确率为97%,识别漂秧的正确率为90.2%,识别正确率是三种方法中最高的,其中基于YOLOv3的识别算法在实时性和准确度上更为理想。本文还为基于机器视觉的无人插秧机作业质量监控系统设置了报警装置。当监测到水田中出现异常秧苗或者插秧机的作业路线偏离了正常轨迹就会发出警报,提醒工作人员对插秧机发出停止或者避障命令。本文设计的基于机器视觉的无人插秧机作业质量监控系统为识别秧苗状态提供了理论方法和数据参考,这对于农业自动化的发展具有重要的意义和实践推进作用。