前言：尋找寫作靈感？中文期刊網用心挑選的機器視覺的農作物播種精度檢測方法，希望能為您的閱讀和創作帶來靈感，歡迎大家閱讀并分享。
摘要：在對農作物播種精度檢測中，由于外界環境干擾因素較多，加之檢測方法本身存在精度低、相對誤差較大等問題，嚴重影響檢測結果可靠性。文章針對這一問題，引入機器視覺技術，開展對農作物播種精度檢測方法的設計研究。通過農作物播種圖像預處理、基于機器視覺的農作物播種目標區域提取、單粒種子下落精度檢測、多粒種子同時下落精度檢測等，提出一種全新的檢測方法。再通過對比實驗的方式證明，新的檢測方法在應用中能夠有效降低檢測結果的相對誤差，提高檢測結果的精度，為農作物播種質量提升提供重要依據。
關鍵詞：機器視覺；農作物播種；精度檢測
為了實現對農作物播種精度的測定，劉偉等[1]人紛紛嘗試引入傳感器、圖像采集裝置等方式對農作物播種精度檢測方法進行設計和研究。目前真正應用到農業生產領域當中的檢測方法極少，并且在實際應用中存在操作復雜性強、檢測結果精度無法得到保障等問題，嚴重影響農作物播種的質量。部分檢測方法雖然具備了操作簡單的優勢，但無法實現對多粒農作物種子同時下落、同時檢測的效果。由于當前農作物播種技術逐漸成熟，各類現代化播種設備的引入，使得田間的工況條件日益復雜，而各類傳感器裝置會受到振動、光線、溫度等多方面的影響，進而造成最終的檢測結果無法得到保證[2]?；诖?，針對當前農作物播種過程中存在的精度低，檢測方法得出的結果有效性較差等問題，引入機器視覺技術開展對農作物播種精度檢測方法的優化設計研究。
1農作物播種精度檢測方法
1.1農作物播種圖像預處理
為實現對農作物播種精度的檢測，首先需要對獲取到的農作物播種圖像進行預處理。由于在農作物播種區域中，機器視覺技術應用時，其視覺導航初始化階段為未知狀態，無法實現對農作物與土壤之間的圖像區分，并且與其他圖像相比，農作物播種圖像具有更明顯的多樣性和不一致性[3]。針對這一特點，在對其進行區域提取以及后續精度檢測時，需要對其圖像分割和圖像灰度處理。在農作物播種區域內，通過機器視覺導航觀察農作物播種情況基本上以綠色為主，而土壤以及周圍環境的顏色為非綠色。因此，基于這一特點，在農作物播種圖像當中，基于2GRB顏色的特征，將原本三維的彩色圖像轉變為一維的灰度圖像。通過上述操作處理，不僅能夠減少后期精度檢測的數據處理量，同時還能夠進一步突從圖1可以看出，圖像當中存在明顯的峰值，但低谷不明顯，并且其相應的區域難以直觀判定。農作物播種區域的灰度值通常較大，而其他區域的灰度值較小，因此像素在0~25的區域大多為土壤區域，將這一部分區域視為非精度檢測對象；像素值在95~255的區域大多為農作物種植區域，因此將這一部分區域視為精度檢測對象[4]。本文采用動態閾值與區域分割相結合的方式，基于子區域獨立分割的基本思想，針對相對復雜的農作物播種圖像進行分割。利用Otsu算法，對需要進行檢測的圖像區域進行閾值選擇，為了提高后續檢測的精度，還需要對這一區域進行降噪處理。結合3×3的函數窗對其噪聲去除，并提取機器視覺導航線及相應離散點，將農作物播種圖像大小設置為M×N，以此按照上述內容完成對農作物播種圖像的預處理，為后續目標區域提取以及精度檢測提供依據[5]。
1.2基于機器視覺的農作物播種目標區域提取
結合機器視覺中的移動窗口方法，從上到下，從左到右完成對預處理后的農作物播種圖像掃描。設定掃描區域的大小為W×H，在掃描的過程中，針對圖像上的陰影區域，窗口可適當調整，以此能夠有效抑制噪聲，得到更加精確的掃描信息。結合下述公式（1），對掃描區域中的目標像素總數據確定：公式（1）中，I（i，j）表示為機器視覺窗口掃描過程中包含的像素點個數；f（u，a）表示為某一像素點（u，a）在像素圖像當中的索引值。根據上述公式，明確被檢測區域當中具體含有的像素點個數。根據上述分析可知，農作物播種灰度圖像中檢測區域與非檢測區域存在明顯的像素差異。因此，基于這一特點，將目標檢測區域像素值設置為255，將非目標區域的像素值設置為0，以此實現對目標區域與非目標區域的區分。
1.3單粒種子下落精度檢測
計算時，需要先采集約2000.0個樣本數據（沒有種子下落時的數據），根據此部分數據，計算電容裝置的初始化運行數值，將其表示為C。獲取種子以單粒下降時的信號，當信號的差分值大于原始信號的0.7倍數時，提取信號集合中的前10.0個脈沖信號值。根據前10個脈沖信號值的變化幅度與變化趨勢，分析電容的變化量。通過上述的方式，可以得到電容裝置在此過程中的多個變化數值，將其表示為C1~C5，采用計算平均值的方式，得到電容算數平均值，將其表示為C。去掉集合中的峰值與低谷值，將剩余的幅度值記為H，對H的描述可以用H1~H5表示。根據電容裝置的初始化數值，得到信號的一階差分閾值，將其表示為γ，則H與γ的關系需要滿足下述不等式。Hi+1-H>γ，（2）公式（2）中，Hi+1表示為種子下落過程中傳感器對其的差分閾值采樣點。將Hi+1作為中心點，對其前后的數據進行連續采樣，采樣后可以得到5個呈現連續狀態的采樣點。將此采樣點表示為脈沖信號，對信號的有效閾值進行更新，對比更新前后信號的變化，得到有效幅值的上限與下限，將上限值與下限值作為檢測依據，根據種子下落過程中，電容裝置檢測結果幅度值的變化，即可實現對其下落過程的精準檢測。
1.4多粒種子同時下落精度檢測
為了滿足檢測需求，可根據播種過程中批量種子的下落數量，結合電容裝置在運行中檢測的差分數值，建立一個最小二乘回歸計算模型。由電容裝置對其進行采樣處理，將裝置在運行中自身具備的微小波動作為精度檢測誤差值，采用設定閾值的方式，降低裝置運行微小波動與檢測結果精度的影響。根據試驗中人工統計種子數量G與電容裝置積分差值的關系，根據兩者的關系，對其進行建模處理，得到如下計算公式（3）所示的線性計算模型，模型表達式如下:G＝β0+β1C+A，（3）公式（3）中，β0表示為線性模型額定系數；β1表示為模型線性值上限；A表示為精度檢測過程中產生的隨機誤差值。使用樣本統計法，對β0與β1進行計量與校正，得到針對已知參數的未知數值。將未知數值導入最小二乘計算公式中，將未知參數作為檢測精度的參照值，將參數的最小值與最大值作為檢測過程中精度有效范圍。對電容裝置顯示的結果進行平方和計算，當計算得到的結果在參數的最小值與最大值（精度有效范圍）內時，輸出此時的檢測結果，將此結果作為多粒種子同時下落精度檢測結果。
2對比實驗
為了驗證該方法在實際應用中的效果，選擇將上述檢測方法與基于行程自校準的檢測方法應用到相同的實驗環境當中，針對兩種檢測方法的應用效果進行對比。首先，針對種子以單粒的方式播種的精度進行檢測并得到理論層面上的農作物播種粒數，再通過人工方式，對接收盒當中的農作物種子實際粒數進行統計，得到實際農作物粒數。通過理論農作物粒數和實際農作物粒數計算得出兩組檢測方法的檢測精度。按照上述實驗內容完成對以單粒的方式播種的檢測效果對比實驗，相關實驗數據記錄見表1。從表1可知，實驗組的檢測方法能夠為農作物播種提供更有利的數據依據，確保種植效果。在初步實現對單粒種子下落精度檢測效果對比后，針對多粒種子同時下落精度進行檢測，檢測結果見表2。從表2中可知，本文提出的基于機器視覺的檢測方法在實際應用中，無論是對單粒種子下落精度檢測還是對多粒種子同時下落精度檢測，其檢測效果均明顯好于基于行程自校準的檢測方法。將該檢測方法應用到實際農作物種植當中，可為農作物種植質量提升提供保障條件。
3結束語
綜合本文上述論述，在引入機器視覺技術的基礎上，提出了一種全新的農作物播種精度檢測方法，并通過對比實驗的方式驗證了該方法的應用效果。將這種檢測方法應用于實際，不僅適用于對單粒農作物播種的精度檢測，也適用于多粒農作物種子同時播種的精度檢測，具有更高的應用適用性。在今后的研究當中，為了進一步提高檢測方法的應用效果，還將從降低外界環境因素干擾因素影響的角度出發，提出一種適用性更強的檢測方法，以此提升檢測方法對應用環境的魯棒性。
作者：楊奧棋 李冰 單位：河南職業技術學院 現代信息技術學院
