一种谷物品质实时检测装置[实用新型专利]

(12)实用新型专利

(10)授权公告号 CN 212255107 U(45)授权公告日 2020.12.29

(21)申请号 202022181286.1(22)申请日 2020.09.28

(73)专利权人 江苏大学

地址 212013 江苏省镇江市京口区学府路

301号(72)发明人 陈进　张帅　武志平　(51)Int.Cl.

G01N 21/85(2006.01)G01N 21/(2006.01)G01N 21/88(2006.01)G06K 9/62(2006.01)

(ESM)同样的发明创造已同日申请发明专利

权利要求书1页 说明书5页 附图5页

()实用新型名称

一种谷物品质实时检测装置(57)摘要

本实用新型提供了一种谷物品质实时检测装置，包括流动谷物图像捕获装置、嵌入式处理器以及交互显示屏，流动谷物图像捕获装置中的谷物流道底板通过固定铁丝与谷物输送器的出口固定，谷物流道底板还通过可调节铁丝与谷物收集仓两侧的松紧螺栓缠绕，实现流动谷物图像捕获装置的安装；实时检测过程中，谷物输送器内的谷物流出，部分谷物被谷物流道下底板截获，CCD工业相机以固定的周期对流道内进行曝光捕获图像，并将图像传输至嵌入式处理器中。本实用新型能够快速截取流动中的谷物图像，适应多种应用场景、不同品种的谷物实时检测。CN 212255107 UCN 212255107 U

权　利　要　求　书

1/1页

1.一种谷物品质实时检测装置，其特征在于，包括流动谷物图像捕获装置、嵌入式处理器以及交互显示屏，流动谷物图像捕获装置包括CCD工业相机(1)，CCD工业相机(1)与嵌入式处理器进行信号连接，嵌入式处理器与交互显示屏连接；

所述CCD工业相机(1)固定在相机固定支架(6)内部，相机固定支架(6)固定在谷物流道顶板(7)水平板上方，固定相机固定支架(6)处的谷物流道顶板(7)水平板设有方形开口(11)，靠近方形开口(11)的谷物流道顶板(7)水平板内侧固定多个LED光源(3)；谷物流道顶板(7)两侧竖板与谷物流道底板(8)固定连接，谷物流道底板(8)一端的长度比谷物流道顶板(7)水平板的长度大，且该端与谷物输送器(13)的出口对齐，与该端对应的谷物流道顶板(7)水平板下端焊接有折弯的谷物导流板(12)，谷物导流板(12)的折弯方向远离谷物输送器(13)出口，且谷物导流板(12)的折弯角度为45-65°；谷物导流板(12)底端距离谷物流道底板(8)的高度为0.5-1.5cm；

所述CCD工业相机(1)下方固定相机镜头(2)；

所述谷物流道底板(8)通过固定铁丝(15)与谷物输送器(13)的出口固定，所述谷物流道底板(8)还通过可调节铁丝(16)与谷物收集仓(18)两侧的松紧螺栓(17)缠绕；

所述流动谷物图像捕获装置的安装角度α在20°-90°之间。2.根据权利要求1所述的谷物品质实时检测装置，其特征在于，所述相机固定支架(6)下半部一侧面上开设有镜头调节窗(10)。

3.根据权利要求1所述的谷物品质实时检测装置，其特征在于，所述谷物流道底板(8)一端的长度比谷物流道顶板(7)水平板的长度大3-8cm。

4.根据权利要求1所述的谷物品质实时检测装置，其特征在于，所述谷物导流板(12)的材质为不锈钢板。

2

CN 212255107 U

说　明　书

一种谷物品质实时检测装置

1/5页

技术领域

[0001]本实用新型属于农业智能装备领域，具体涉及一种谷物品质实时检测装置。背景技术

[0002]中国是农业大国，农业机械化进程已经得到了长足的进展，但是农业机械智能化程度仍然较低，主要原因还是因为以农业为背景的传感器较少。农业智能传感器在农业领域的重要性日益显现出来，并且农业领域对智能传感器的需求也在逐渐增加。在收获机械作业时，对收获谷物的品质检测一直是一个难题，如何获取合适的谷物特征以供后续品质检测成为首要攻克的问题。

[0003]视觉检测由于其无接触、准确度较高、原理简单等特点，近年来已经成为一项热门的检测手段，但是在农业智能检测领域中使用较少。目前视觉处理方法已经非常成熟，因此只要能得到合适的谷物图片，即可解决谷物品质检测的关键问题。但是现有技术中谷物图片的获取多采用拍摄的静置图片，从而对谷物进行外观检测，效率低下、步骤繁琐，且采集谷物的样品随机性不够，无法满足谷物品质实时快速的检测需求。实用新型内容

[0004]针对现有技术中存在不足，本实用新型提供了一种谷物品质实时检测装置，快速截取流动中的谷物图像，实现谷物品质实时快速的检测。

[0005]本实用新型是通过以下技术手段实现上述技术目的的。[0006]一种谷物品质实时检测装置，包括流动谷物图像捕获装置、嵌入式处理器以及交互显示屏，流动谷物图像捕获装置包括CCD工业相机，CCD工业相机与嵌入式处理器进行信号连接，嵌入式处理器与交互显示屏连接；

[0007]所述CCD工业相机固定在相机固定支架内部，相机固定支架固定在谷物流道顶板水平板上方，固定相机固定支架处的谷物流道顶板水平板设有方形开口，靠近方形开口的谷物流道顶板水平板内侧固定多个LED光源；谷物流道顶板两侧竖板与谷物流道底板固定连接，谷物流道底板一端的长度比谷物流道顶板水平板的长度大，且该端与谷物输送器的出口对齐，与该端对应的谷物流道顶板水平板下端焊接有折弯的谷物导流板，谷物导流板的折弯方向远离谷物输送器出口，且谷物导流板的折弯角度为45-65°；谷物导流板底端距离谷物流道底板的高度为0.5-1.5cm；

[0008]所述CCD工业相机下方固定相机镜头；

[0009]所述谷物流道底板通过固定铁丝与谷物输送器的出口固定，所述谷物流道底板还通过可调节铁丝与谷物收集仓两侧的松紧螺栓缠绕；[0010]所述流动谷物图像捕获装置的安装角度α在20°-90°之间。[0011]上述技术方案中，所述相机固定支架下半部一侧面上开设有镜头调节窗。[0012]上述技术方案中，所述谷物流道底板一端的长度比谷物流道顶板水平板的长度大3-8cm。

3

CN 212255107 U[0013]

说　明　书

2/5页

上述技术方案中，所述谷物导流板的材质为不锈钢板。

[0014]本实用新型的有益效果为：本实用新型设计的流动谷物图像采集装置可以以一定频率采集截取流动中的谷物图像，并且传送至处理器中用于图像处理，并将采集的原图和检测结果实时显示出来，相较于采集静止的谷物图片大大提升了效率，且采集得的图片相比于静止的图片质量没有下降，没有拖影，提升了采样的随机性，对于后续的图片处理没有增加工作量，保证了检测的实时性。本实用新型可以应用于谷物品质实时检测场景中，比如收割机收割时安装在粮箱搅龙出口处检测收割机的作业性能指标、安装在储粮粮仓进粮处检测谷物品质等。

附图说明

[0015]图1为本实用新型流动谷物图像捕获装置侧视图；[0016]图2为本实用新型流动谷物图像捕获装置立体图；

[0017]图3为本实用新型流动谷物图像捕获装置的安装示意图；[0018]图4为本实用新型谷物品质实时检测的整体流程图；

[0019]图5为本实用新型流动谷物图像捕获装置采集的谷物图；[0020]图6为本实用新型图像处理流程图；

[0021]图7为本实用新型参数自动调优训练好的XGBoost分类识别模型的获取流程图。[0022]其中：1-CCD工业相机，2-相机镜头，3-LED光源，4-紧固螺栓，5-固定螺丝，6-相机固定支架，7-谷物流道顶板，8-谷物流道底板，9-固定螺栓，10-镜头调节窗，11-方形开口，12-谷物导流板，13-谷物输送器，14-方形槽，15-固定铁丝，16-可调节铁丝，17-松紧螺栓，18-谷物收集仓，19-装置安装角度α，20-谷物，21-升运刮板。具体实施方式

[0023]下面结合附图以及具体实施例对本实用新型作进一步的说明，但本实用新型的保护范围并不限于此。

[0024]本实用新型一种谷物品质实时检测装置包括流动谷物图像捕获装置、嵌入式处理器以及交互显示屏，如图1、2所示，流动谷物图像捕获装置包括CCD工业相机1、相机镜头2、LED光源3、紧固螺栓4、固定螺丝5、相机固定支架6、谷物流道顶板7、谷物流道底板8、固定螺栓9、镜头调节窗10、方形开口11和谷物导流板12；CCD工业相机1与嵌入式处理器进行信号连接，嵌入式处理器与交互显示屏连接。[0025]如图1、2所示，CCD工业相机1通过固定螺丝5固定在相机固定支架6内部，相机镜头2固定在CCD工业相机1下方；谷物流道顶板7由上方的水平板和两侧的竖板固连而成，相机固定支架6通过固定螺栓9固定在谷物流道顶板7水平板上方，且相机固定支架6固定位置位于谷物流道顶板7上方开设的方形开口11处；相机固定支架6下半部一侧面上开设有镜头调节窗10，镜头调节窗10为一方形开口，用于调整相机镜头2的焦距和光圈；靠近方形开口11的谷物流道顶板7水平板内侧通过纳米双面胶固定多个LED光源3，LED光源3在CCD工业相机1工作时常亮；谷物流道顶板7两侧竖板通过紧固螺栓4与谷物流道底板8固定连接，且谷物流道底板8一端与竖板对齐，另一端的长度比谷物流道顶板7水平板的长度大3-8cm(本实施例优选5cm)，在使用时，谷物流道底板8较长的一端与谷物输送器13的出口对齐，实现谷物

4

CN 212255107 U

说　明　书

3/5页

的截取；谷物流道底板8较长的一端对应的谷物流道顶板7水平板下端焊接有谷物导流板12，谷物导流板12向谷物流道底板8另一端折弯角度为45-65°(本实施例优选53°)，谷物导流板12底端距离谷物流道底板8的高度为0.5-1.5cm(本实施例优选1cm)；本实施例中，方形开口11的尺寸为5cm*5cm，谷物导流板12的材质为不锈钢板，紧固螺栓4的个数优选为4个。[0026]如图3所示，流动谷物图像捕获装置的安装示意图，谷物输送器13出口处两侧各设有一方形槽14，方形槽14缠绕固定固定铁丝15的一端，固定铁丝15另一端缠绕固定在谷物流道底板8较长一端的紧固螺栓4上，另一对紧固螺栓4缠绕可调节铁丝16的一端，可调节铁丝16的另一端缠绕在谷物收集仓18两侧的松紧螺栓17上，通过调节可调节铁丝16绕在松紧螺栓17上的长度，调整流动谷物图像捕获装置与水平面的角度，以此达到最好的图像捕获效果。谷物流速调节由谷物输送器13的输送速度决定，输送器的升运刮板21速度V2可调节范围为10cm/s-60cm/s，装置安装角度α19在20°-90°之间，根据不同的应用场景调节合适的谷物输送速度以及安装角度，可以使得采集到的图片分布比较合理，便于后续处理；如果谷物流速较快，将松紧螺栓17拧紧，使得安装角度α19变小，减缓过快的谷物流速；如果谷物流速较慢，将松紧螺栓17放松，使得安装角度α19变大，加快流速缓慢的谷物流动。[0027]如图4所示，为谷物品质实时检测的总体流程图，首先谷物输送器13内的谷物20在升运刮板21的带动下流出，部分谷物被谷物流道下底板8所截获并在谷物流道下底板8上流动，然后经过导流板12固定流动形态，流至方形开口11正下方，CCD工业相机1以固定的周期对流道内进行曝光捕获图像，并将图像传送至嵌入式处理器中，处理器利用OPENCV以及XGBoost算法对图像进行处理，并将采集到的原图以及处理结果实时显示在交互显示屏上，然后谷物流出流道滑入谷物收集仓18内；如图5所示，为本实用新型流动谷物图像捕获装置采集的图片，采集到的图片中谷物分布较为均匀，堆叠较少，大大便捷了后续的处理。[0028]如图6所示，处理器利用OPENCV以及XGBoost算法对图像进行处理的具体过程为：[0029]S1，初始化CCD工业相机1，获取CCD工业相机1的状态，若CCD工业相机1连接不正常，则交互显示屏提示无相机，若连接正常，设置CCD工业相机1曝光方式为软触发，即CCD工业相机1收到来自嵌入式处理器的触发信号才会触发，接下来设置曝光时间；由于本实用新型中CCD工业相机1所拍摄的物体是运动中的谷物，若设定的曝光时间不合适会造成图像的拖影模糊问题，因此需要设定合适的曝光时间t：即在相机曝光时间内，物体运动的距离小于相机的精度，则相机无法识别出物体运动的距离，不会产生拖影，即谷物的流动速度v*曝光时间t≤相机精度p(v*t≤p)；本实用新型中，谷物的运动速度v不超过100mm/s，即0.1mm/ms，相机的分辨率为200万像素(1600*1200)，视野大小为60mm*60mm，所以相机的精度p＝60/1600＝0.0375mm/像素；根据t*v≤p，得到t≤0.375ms，因此只要将相机的曝光时间设置在0.375ms以内，就可以避免拖影。[0030]S2，CCD工业相机1根据设置好的曝光时间曝光采集图片，并传输给嵌入式处理器，将收到的图片保存到本地。[0031]S3，对图片进行预处理，使用OPENCV的函数GaussianBlur对图像去噪，然后用BGR2GRAY函数将图像灰度化，再使用THRESHOLD|BINARY对图像二值化，以区分图像的前景和背景，有用的前景信息为白色，无用的背景信息为黑色，接着使用FindContours函数提取连通域，并存入容器中，最后遍历所有连通域，并且提取各个连通区域的特征数据存入CSV文件。

5

CN 212255107 U[0032]

说　明　书

4/5页

S4，将提取的特征数据导入参数自动调优训练好的XGBoost分类识别模型中，

XGBoost识别出各个连通区域中的杂质、破碎、完整谷物。[0033]S5，使用OPENCV统计出各个类别的像素个数，并且换算成比例，用于获取谷物的实时品质。

[0034]S6，将求得的结果保存到本地的文本中，显示在显示屏上，返回S2，进行下一次曝光。

[0035]如图7所示，参数自动调优训练好的XGBoost分类识别模型的获取过程，包含以下几个步骤：[0036]S1，样本图像采集：在室内使用谷物图像采集装置采得100张图片，利用OPENCV对图像预处理、二值化、去除背景、保留前景，然后提取所有图片中的连通区域并保存。[0037]S2，样本数据制作：将提取到的连通区域按照7：3的比例划分为训练集和测试集；分别新建训练集和测试集CSV数据文件并且打好列标签，列标签为选取好的、可以区分不同类别谷物的特征依据，分别为R、G、B、像素点个数、外接矩形长宽比、曲率、人工判断结果，然后提取各个连通区域的R、G、B、像素点个数、外接矩形长宽比、曲率，与该连通区域人工判断结果一起按对应的列存入CSV数据文件的一行中；测试集以及训练集均包含了人工判断为杂质、破碎以及完整谷物的数据。[0038]S3，通过训练集和测试集改进XGBoost算法：使用XGBoost算法对训练集进行训练，结合参数自动调优算法调整训练参数，提升训练精度，以此改进XGBoost算法，然后保存好改进的XGBoost模型，即参数自动调优训练好的XGBoost分类识别模型；再使用参数自动调优训练好的XGBoost分类识别模型对测试集进行测试，判断精度(若精度达不到要求，则重新对训练集训练)，防止出现过拟合的情况。

[0039]XGBoost算法的主要思想为对目标损失函数loss根据下述公式进行二阶泰勒展开：

[0040]

[0041]

目标函数选取logloss，所以有：

[0042][0043]

其中，Obj(t)为目标函数，w(yi，yit-1+ft(xi))为损失函数，ft(xi)为正则化函数，ω(ft)

为每个样本的一阶偏导，

为结构函数，C为常数项，

为每个样本的二阶偏导；

[0044]XGBoost算法需要调整的训练参数如下：[0045](1)n_estimator：也称作num_boosting_rounds，是生成的最大树的数目，即最大的迭代次数。[0046](2)learning_rate：也称作eta，即每一步迭代的步长。

6

CN 212255107 U[0047]

说　明　书

5/5页

(3)gamma：在节点时，只有后损失函数的值下降了，才会这个节点；

gamma指定了节点所需的最小损失函数下降值；gamma的值越大，算法越保守；因为gamma值越大的时候，损失函数下降更多才可以节点。[0048](4)subsample：该参数控制对于每棵树随机采样的比例，减小subsample的值可以避免过拟合；但是，如果这个值设置得过小，它可能会导致欠拟合。[0049](5)colsample_bytree：默认值为1，一般设置成0.8左右，用来控制每棵随机采样的列数的占比。[0050](6)max_depth：默认值为6，常用3-10之间的数字，max_depth为树的最大深度，用来控制过拟合；max_depth越大，模型学习的更加具体。[0051](7)max_delta_step：该参数了每棵树权重改变的最大步长，如果这个参数的值为0，则意味着没有约束。[0052](8)lambda：也称reg_lambda,默认值为0，权重的L2正则化项，该参数是用来控制XGBoost的正则化部分的，在减少过拟合上很有帮助。[0053](9)alpha：也称reg_alpha，默认为0，权重的L1正则化项。[00]参数自动调优算法的主要思想为：初始集合是根据均匀分布随机产生的，然后从当前集合中选择一个拟定解，选择可以采用进化算法的各种选择方法，然后对选择后的集合建立网络概率模型，新的拟定解就从模型的采样中获取，最后，将采样得到的解重新加入到原来的集合中，重复这个过程，直到满足终止条件。算法的主要流程如下：设t＝0，随机产生初始种群p(0)，从p(t)中选择候选解S(t)；在一定的选择规则和条件下构建符合要求的网格B；根据网络B的联合分布函数产生新的解O(t)；用O(t)取代p(t)中的部分解，形成新的种群p(t+1)；若终止条件(训练精度连续50次不上升)不满足，则重新选取S(t)并继续。[0055]通过参数自动调优算法与XGBoost算法相结合，根据参数自动调优算法的思想，先设定好要选择的训练参数区间，在训练XGBoost算法的过程中，结合参数自动调优算法的思想，不断地训练参数，通过评分函数对每个训练参数得到的识别结果进行打分，最终得到最优的训练参数；主要流程如下：首先设定t＝0，设置参数的初始组合P(0)，从p(t)中选择拟定解S(t)；根据公式：

[0056][0057]

其中，Xt为下一次的采样位置，μt-1(x)为位置输入位置上的均值，σt-1(x)为标准

差，为权重参数。对于下一次的采样位置Xt，考虑函数最大化的情况，构建一个高斯过程的回归模型，并预测输入位置上的均值和标准差，选择均值和标准差的加和最大的输入位置来作为下一个采样的点；然后根据网络B的联合分布函数产生新的解O(t)，用O(t)取代P(t)，形成新的组合P(t+1)；若终止条件不满足则重新选取S(t)并继续。[0058]所述实施例为本实用新型的优选的实施方式，但本实用新型并不限于上述实施方式，在不背离本实用新型的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本实用新型的保护范围。

7

CN 212255107 U

说　明　书　附　图

1/5页

图1

图2

8

CN 212255107 U

说　明　书　附　图

2/5页

图3

图4

9

CN 212255107 U

说　明　书　附　图

3/5页

图5

10

CN 212255107 U

说　明　书　附　图

4/5页

图6

11

CN 212255107 U

说　明　书　附　图

5/5页

图7

12