[发明专利]一种水稻插秧机性能检测系统及方法

权利要求书

1.一种水稻插秧机性能检测系统，包括无人机，在无人机下方设置一相机，相机具有图像存储介质，其特征在于：图像存贮存储介质通过有线或无线与计算机进行通信，计算机具有数据处理单元，对所获得的图像进行数据处理，并根据处理结果判断水稻插秧机性能是否达到设定标准；

所述数据处理单元包括以下程序模块：

预处理模块：对原始图像进行预处理，将水稻秧苗图像从泥田背景中分离出来；

特征参数提取模块：通过提取图像特征参数，完成对预处理后的秧苗图像的量化表示，确定每一穴秧苗质心坐标，计算相邻质心间距离，用于判断有无漏秧状况；同时提取秧苗轮廓和形态特征，利用秧苗轮廓和形态特征判断是否存在漂秧、伤秧；

分类模型建立模块：建立BP神经网络模型，将特征参数提取模块提取的秧苗轮廓和形态特征参数作为神经网络中的输入层，秧苗形态类别作为输出层；

秧苗形态识别模块：利用分类模型建立模块得到的最优BP神经网络模型，将预处理模块处理得到的秧苗图像进行训练，完成对水稻秧苗形态的识别，最终显示识别结果。

2.根据权利要求1所述的水稻插秧机性能检测系统，其特征在于：

在预处理模块中，预处理过程依次包括灰度化处理、阈值分割、二值化、形态学滤波处理。

3.根据权利要求2所述的水稻插秧机性能检测系统，其特征在于：

形态学滤波过程为：

1)开运算：通过半径为m1像素的圆盘形滤波器对二值图像进行开运算处理，利用滤波器B对图像A进行开运算，定义为：

式中，表示做开运算，表示腐蚀操作表示膨胀操作，即开运算是先对图像进行腐蚀，然后再进行膨胀操作；

2)闭运算：通过长度为m2、角度为β的线形滤波器，对二值图像进行闭运算处理，填充秧苗内部区域并对区域边缘进行光滑处理，利用滤波器B对图像A进行闭运算，定义为：

式中，·表示做闭运算，表示膨胀运算表示腐蚀运算，即闭运算是先对图像进行膨胀，然后再进行腐蚀操作。

4.根据权利要求1所述的水稻插秧机性能检测系统，其特征在于：

在分类模型建立模块中，建立分类模型具体步骤为：

1)对前期采集到稻田秧苗原图A进行裁剪，将合格秧苗单穴图像B、漂秧单穴图像C、伤秧单穴图像D分离出来，将合格秧苗单穴图像B、漂秧单穴图像C、伤秧单穴图像D类图像分别置于Data文件夹内的合格秧苗子文件夹、漂秧子文件夹和伤秧子文件夹中；

2)在MATLAB环境下创建BP神经网络，包括输入层、隐含层和输出层，各层之间互连，输入层节点个数选择输入有效特征向量维数，隐含层节点个数通过试凑选择出准确度最高、误差最小的结果，输出层节点个数取输出结果向量维数，对于一张单穴秧苗图片输出结果为三种秧苗类别的其中之一；

3)将步骤1)中训练集中经过归一化处理后的特征参数数据集载入输入层；在三层BP神经网络中，隐含层神经元的激活函数为logsig函数，输出层激活函数为purelin函数，所述激活函数用于对神经元输出做线性和非线性变换；

4)选择BP神经网络的训练函数为traingdx函数，学习函数为learngdm函数，学习函数利用神经元的输入与误差、权值或阈值的学习速率来修改权值和阈值的增量，使单个神经元输出误差最小，当误差对权值的偏导数大于零时，权值调整量为负，实际输出大于期望输出，权值向减少方向调整，使得实际输出与期望输出的差减少；当误差对权值的偏导数小于零时，权值调整量为正，实际输出小于期望输出，权值向增大方向调整，使实际输出与期望输出的差减少；

5)设置网络权系数，所述网络权系数包括隐藏节点数、最大训练次数、训练要求精度、显示训练迭代过程和训练学习率；在训练过程中训练函数不断调用学习函数，通过检测是否达到设定的训练步数或训练结果是否达到精度要求，判断是否结束训练，得到最终的合格秧苗、漂秧和伤秧BP神经网络模型；

6)读取步骤1)裁剪好的验证集单穴秧苗图像，计算相关特征参数数据，将所述特征值数据送入BP神经网络的输入层，与步骤5)得到的BP神经网络模型匹配，输出秧苗类型的判断结果，判断结果为合格秧苗、漂秧、伤秧三种中的一种；将判断结果与单穴秧苗图像所在的步骤1)中子文件夹名称进行对比，对训练效果进行优劣评价；根据验证集的正确率再次调整超参数得到BP神经网络模型为最优；

7)依次读取测试数据集中未参与训练、验证过程的单穴秧苗图像，判断识别若干张，统计正确率。