基于深度学习的滴灌带滴孔质量检测方法研究

发布时间：2021-04-16 08:42

　　滴灌带在生产过程中需要对内镶的滴片进行打孔操作,滴孔的漏打或者打偏,在使用时会影响农作物的生长,目前还没有高效的在线滴孔质量检测的方法。文章对深度学习模型卷积神经网络和用于目标检测的YOLO算法进行了研究,提出了一种基于深度学习的滴孔质量快速检测算法。该方法首先采用YOLO算法对滴槽和滴孔定位,获取二者的坐标位置,然后获取二者的中心坐标差值,通过与预设值进行比较,判断滴孔是否合格。并将该算法应用于滴灌带生产线上进行实验分析,结果表明该方法在滴孔质量检测应用上达到了良好的效果。 

【文章来源】：河北省科学院学报. 2020,37(04)

【文章页数】：5 页

【部分图文】：

检测系统的主要构成

图2 滴孔孔位状态YOLO算法检测出滴孔和滴槽区域后,还需要对滴孔和滴槽矩形框的坐标位置进行比较,从而判断滴孔位置是否合格。实际生产线上,滴孔可分为四种状态:无孔、正常、偏差和超差。无孔是指滴孔未被打穿或者滴孔面积太小;超差和偏差是指滴孔与滴槽相对位置大于预设值的情况。通过对检测出的滴孔、滴槽的坐标和预设阈值进行比较,来判断滴孔状态,假设坐标偏差分别以Δx、Δy表示,若Δx、Δy其中一个大于偏差阈值且不大于超差阈值,则认为是偏差,若Δx、Δy其中一个大于超差阈值,则认为是超差。如图2所示,其中2(a)表示孔位正常,2(b)表示孔位偏差,2(c)表示孔位超差。设在x和y方向的偏差阈值分别为,超差阈值分别为,则判断流程如图3所示。

滴孔孔位状态

【参考文献】：
期刊论文
[1]论我国滴灌带生产技术的产生及其在农业领域的发展[J]. 杨冬,王显超.  种子科技. 2020(04)
[2]一种基于机器视觉的滴灌带孔位在线检测方法[J]. 潘俊朋,董洁.  机床与液压. 2019(07)
[3]基于深度学习的安全帽检测方法研究[J]. 郝存明,朱继军,张伟平.  河北省科学院学报. 2018(03)
[4]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[5]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正.  计算机应用研究. 2012(08)
[6]对我国节水灌溉技术发展的几点思考[J]. 李世英.  节水灌溉. 2001(01)



本文编号：3141109