基于机器视觉的无人插秧机作业质量监控系统研究

发布时间：2021-04-24 05:22

　　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... 

【文章来源】：江苏大学江苏省

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究背景与意义
    1.2 智能化农业机械国内外发展现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
    1.3 机器视觉研究现状及其应用
        1.3.1 机器学习、深度学习研究现状
        1.3.2 深度卷积神经网络在监控系统中的应用
    1.4 论文研究内容
    1.5 论文组织结构
第2章 无人插秧机作业质量监控系统的总体设计方案
    2.1 引言
    2.2 系统总体设计
        2.2.1 系统需求分析
        2.2.2 系统结构组成
        2.2.3 系统工作原理
    2.3 基于OpenCV视觉库的研究
        2.3.1 OpenCV简介
        2.3.2 为什么选择OpenCV
        2.3.3 OpenCV在无人插秧机远程监控系统中的应用
    2.4 基于RGB的颜色通道算法
        2.4.1 RGB颜色通道介绍
        2.4.2 腐蚀膨胀算法原理
        2.4.3 识别缺秧的简单方法
    2.5 报警系统的设置
    2.6 本章小结
第3章 基于深度学习的无人插秧机作业质量监控系统
    3.1 秧苗图像的采集和获取
        3.1.1 无人插秧机作业环境特点和要求
        3.1.2 图像采集的方式和要求
    3.2 CNN卷积神经网络
        3.2.1 CNN卷积神经网络的原理
        3.2.2 RCNN目标检测算法介绍
        3.2.3 利用RCNN识别秧苗状态
    3.3 基于YOLO的缺秧漂秧识别算法的研究和设计
        3.3.1 YOLO目标检测算法介绍
        3.3.2 环境搭建与数据集制作
    3.4 基于YOLOv3 的缺秧漂秧识别网络训练
    3.5 本章小结
第4章 秧苗图像二次定位技术研究
    4.1 引言
    4.2 秧苗图片的局部图像预处理
    4.3 图像降噪
        4.3.1 方框滤波
        4.3.2 均值滤波
        4.3.3 高斯滤波
        4.3.4 中值滤波
        4.3.5 双边滤波
    4.4 秧苗轮廓提取
        4.4.1 图像二值化
        4.4.2 秧苗轮廓的查找与拟合
    4.5 本章小结
第5章 实验结果与分析
    5.1 实验环境准备
    5.2 基于RGB的颜色通道,RCNN与 YOLOv3 秧苗状态算法实验结果对比分析
    5.3 本章小结
第6章 总结与展望
    6.1 论文总结
    6.2 论文展望
参考文献
致谢
攻读硕士学位期间发表论文及参加科研项目


【参考文献】：
期刊论文
[1]基于大津法分割和局部最大梯度的自动聚焦算法[J]. 包丞啸,姜威,王玉潇.  光学技术. 2019(06)
[2]基于深度学习的图像识别技术研究综述[J]. 张琦,张荣梅,陈彬.  河北省科学院学报. 2019(03)
[3]基于CNN和农作物光谱纹理特征进行作物分布制图[J]. 周壮,李盛阳,张康,邵雨阳.  遥感技术与应用. 2019(04)
[4]基于Mask R-CNN的复杂背景下柑橘树枝干识别与重建[J]. 杨长辉,王卓,熊龙烨,刘艳平,康曦龙,赵万华.  农业机械学报. 2019(08)
[5]人工智能在农业领域的应用现状与未来趋势[J]. 马菁泽,甘诗润,魏霖静.  软件导刊. 2019(10)
[6]全卷积神经网络仿真与迁移学习[J]. 付鹏飞,许斌.  软件. 2019(05)
[7]基于大数据的智慧农业物联网系统实现[J]. 徐建国,肖海峰.  软件导刊. 2018(08)
[8]卷积神经网络架构及其应用的研究[J]. 刘方园,王水花,张煜东.  新型工业化. 2017(11)
[9]智能革命:人工智能、机器学习、生物学习和智能材料的合力[J]. 黄广斌.  软件和集成电路. 2017(04)
[10]基于机器视觉的冻干粉中的异物检测分类技术研究[J]. 丁金如,孟志刚,杨燕鹤.  计算机与数字工程. 2017(01)

硕士论文
[1]基于无人驾驶的步行插秧机辅助行走机构及其控制系统优化设计[D]. 陈训教.东北农业大学 2017
[2]插秧机智能作业的远程监控系统研究[D]. 熊中刚.湖南农业大学 2013
[3]小型无人插秧机关键部件动力学分析与实验研究[D]. 蒋鹏鹏.浙江理工大学 2012
[4]基于GPS与GPRS的车载终端的设计[D]. 马志强.武汉理工大学 2012
[5]基于嵌入式系统的智能巡检机器人研制[D]. 矫德余.中国石油大学 2010



本文编号：3156759