联合收获机收获的籽粒中含有杂质与破碎籽粒,杂质与破碎籽粒的含量反映联合收获机的工作性能,实时了解收获过程中的水稻杂质、破碎含量有利于驾驶员及时调整工作参数,提高联合收获机的收获质量。目前国外有的联合收获机安装了带有含杂、破碎监测装置,但只能显示是否超标的状态,无法记录监测处理的过程,也没有含杂率、破碎率具体的处理结果显示。国内少量的联合收获机含杂率、破碎率在线监测装置还处于试验研究阶段,取样装置和处理精度有待于进一步提高。本文对联合收获机籽粒含杂率、破碎率监测方法进行研究,运用机器视觉技术实时监测含杂率、破碎率,提出了基于U-Net深度学习网络的图像分割算法。建立图像分割与像素质量数学关系计算含杂率、破碎率,将结果显示在驾驶室的显示屏上,同时将结果保存到SD卡并通过CAN总线传输至上位机,为驾驶员或联合收获机作业参数自动控制系统提供调控依据,保存的结果和图像便于离线分析与后续研究。本文主要研究内容及得到的结论如下:1.研究联合收获机水稻含杂率、破碎率的实时监测方案并完成硬件装置的搭建。分析了人工及基于机器视觉的含杂率、破碎率监测原理,搭建了含杂率、破碎率实时监测硬件装置,该装置由籽粒取样-弃样装置、工业相机、LED光源、嵌入式处理器、显示屏组成。籽粒取样-弃样装置安装在出粮口下方,嵌入式控制取样-弃样装置周期性收集和释放籽粒,工业相机抓拍籽粒静态图像,嵌入式处理器实时分割图像,将处理结果在显示屏上显示,保存结果到SD卡,并通过CAN总线传输到上位机。2.研究含杂率、破碎率实时监测系统图像分割算法。基于U-Net深度学习模型对图像中的水稻、枝梗、茎秆三类对象预测分割,再对预测得到的水稻对象采用HSV颜色模型色调、饱和度、亮度三通道设定阈值的方法提取破碎籽粒。结合籽粒几何特征进行形态学处理得到水稻破碎籽粒分割结果。鉴于水稻图像训练数据匮乏,提出改进U-Net模型,在原始网络基础上增加网络深度并加入Batch Normalization层,从而在小数据集上获得更丰富的语义信息,解决训练过拟合的问题。在50张800?600水稻图像中随机裁剪1000张256?256小样本,700张作为训练样本,300张作为验证样本。随机测试120张800?600田间实时收获的水稻图像,采用综合评价指标₁F值评价图像各类别分割结果,试验结果表明,水稻分割₁F值为99.42%,枝梗分割₁F值为88.56%,茎秆分割₁F值为86.84%,水稻破碎籽粒分割₁F值为85.58%。设计的算法可以对水稻图像中的不同目标进行有效分割。3.设计并部署含杂率、破碎率监测系统的软件算法。使用Python语言设计,将系统软件分为UI界面设计和逻辑设计两大部分,采用独立进程的方式将图像采集功能、图像处理功能、图像及数据保存功能放入到独立进程中,独立进程及主进程之间采用先进先出的队列方式进行通信,确保处理的数据实时传输到上位机并保存到SD卡。实现UI程序设计、籽粒收集释放程序设计、采集图像程序设计、图像处理程序、CAN通讯程序设计、图像及数据保存程序设计软件设计实时处理结果在显示屏显示并通过CAN总线传输结果,保存的数据可供离线分析。4.试验验证含杂率、破碎率实时监测系统的性能。进行室内试验,统计分析得到含杂率平均相对误差分别为7.00%,破碎率平均相对误差为6.72%。田间试验使用本文的含杂率、破碎率监测装置每5秒取样处理,保存结果并将结果通过CAN总线实时传送到上位机。统计分析得到含杂率、破碎率监测值与读图值平均相对误差分别为7.76%,7.93%。田间试验表明,本文研究的算法测量准确度优于已有算法,设计的籽粒含杂率、破碎率实时监测系统满足预期设计需求。