前言：寻找写作灵感？中文期刊网用心挑选的机器视觉的农作物播种精度检测方法，希望能为您的阅读和创作带来灵感，欢迎大家阅读并分享。
摘要：在对农作物播种精度检测中，由于外界环境干扰因素较多，加之检测方法本身存在精度低、相对误差较大等问题，严重影响检测结果可靠性。文章针对这一问题，引入机器视觉技术，开展对农作物播种精度检测方法的设计研究。通过农作物播种图像预处理、基于机器视觉的农作物播种目标区域提取、单粒种子下落精度检测、多粒种子同时下落精度检测等，提出一种全新的检测方法。再通过对比实验的方式证明，新的检测方法在应用中能够有效降低检测结果的相对误差，提高检测结果的精度，为农作物播种质量提升提供重要依据。
关键词：机器视觉；农作物播种；精度检测
为了实现对农作物播种精度的测定，刘伟等[1]人纷纷尝试引入传感器、图像采集装置等方式对农作物播种精度检测方法进行设计和研究。目前真正应用到农业生产领域当中的检测方法极少，并且在实际应用中存在操作复杂性强、检测结果精度无法得到保障等问题，严重影响农作物播种的质量。部分检测方法虽然具备了操作简单的优势，但无法实现对多粒农作物种子同时下落、同时检测的效果。由于当前农作物播种技术逐渐成熟，各类现代化播种设备的引入，使得田间的工况条件日益复杂，而各类传感器装置会受到振动、光线、温度等多方面的影响，进而造成最终的检测结果无法得到保证[2]。基于此，针对当前农作物播种过程中存在的精度低，检测方法得出的结果有效性较差等问题，引入机器视觉技术开展对农作物播种精度检测方法的优化设计研究。
1农作物播种精度检测方法
1.1农作物播种图像预处理
为实现对农作物播种精度的检测，首先需要对获取到的农作物播种图像进行预处理。由于在农作物播种区域中，机器视觉技术应用时，其视觉导航初始化阶段为未知状态，无法实现对农作物与土壤之间的图像区分，并且与其他图像相比，农作物播种图像具有更明显的多样性和不一致性[3]。针对这一特点，在对其进行区域提取以及后续精度检测时，需要对其图像分割和图像灰度处理。在农作物播种区域内，通过机器视觉导航观察农作物播种情况基本上以绿色为主，而土壤以及周围环境的颜色为非绿色。因此，基于这一特点，在农作物播种图像当中，基于2GRB颜色的特征，将原本三维的彩色图像转变为一维的灰度图像。通过上述操作处理，不仅能够减少后期精度检测的数据处理量，同时还能够进一步突从图1可以看出，图像当中存在明显的峰值，但低谷不明显，并且其相应的区域难以直观判定。农作物播种区域的灰度值通常较大，而其他区域的灰度值较小，因此像素在0~25的区域大多为土壤区域，将这一部分区域视为非精度检测对象；像素值在95~255的区域大多为农作物种植区域，因此将这一部分区域视为精度检测对象[4]。本文采用动态阈值与区域分割相结合的方式，基于子区域独立分割的基本思想，针对相对复杂的农作物播种图像进行分割。利用Otsu算法，对需要进行检测的图像区域进行阈值选择，为了提高后续检测的精度，还需要对这一区域进行降噪处理。结合3×3的函数窗对其噪声去除，并提取机器视觉导航线及相应离散点，将农作物播种图像大小设置为M×N，以此按照上述内容完成对农作物播种图像的预处理，为后续目标区域提取以及精度检测提供依据[5]。
1.2基于机器视觉的农作物播种目标区域提取
结合机器视觉中的移动窗口方法，从上到下，从左到右完成对预处理后的农作物播种图像扫描。设定扫描区域的大小为W×H，在扫描的过程中，针对图像上的阴影区域，窗口可适当调整，以此能够有效抑制噪声，得到更加精确的扫描信息。结合下述公式（1），对扫描区域中的目标像素总数据确定：公式（1）中，I（i，j）表示为机器视觉窗口扫描过程中包含的像素点个数；f（u，a）表示为某一像素点（u，a）在像素图像当中的索引值。根据上述公式，明确被检测区域当中具体含有的像素点个数。根据上述分析可知，农作物播种灰度图像中检测区域与非检测区域存在明显的像素差异。因此，基于这一特点，将目标检测区域像素值设置为255，将非目标区域的像素值设置为0，以此实现对目标区域与非目标区域的区分。
1.3单粒种子下落精度检测
计算时，需要先采集约2000.0个样本数据（没有种子下落时的数据），根据此部分数据，计算电容装置的初始化运行数值，将其表示为C。获取种子以单粒下降时的信号，当信号的差分值大于原始信号的0.7倍数时，提取信号集合中的前10.0个脉冲信号值。根据前10个脉冲信号值的变化幅度与变化趋势，分析电容的变化量。通过上述的方式，可以得到电容装置在此过程中的多个变化数值，将其表示为C1~C5，采用计算平均值的方式，得到电容算数平均值，将其表示为C。去掉集合中的峰值与低谷值，将剩余的幅度值记为H，对H的描述可以用H1~H5表示。根据电容装置的初始化数值，得到信号的一阶差分阈值，将其表示为γ，则H与γ的关系需要满足下述不等式。Hi+1-H>γ，（2）公式（2）中，Hi+1表示为种子下落过程中传感器对其的差分阈值采样点。将Hi+1作为中心点，对其前后的数据进行连续采样，采样后可以得到5个呈现连续状态的采样点。将此采样点表示为脉冲信号，对信号的有效阈值进行更新，对比更新前后信号的变化，得到有效幅值的上限与下限，将上限值与下限值作为检测依据，根据种子下落过程中，电容装置检测结果幅度值的变化，即可实现对其下落过程的精准检测。
1.4多粒种子同时下落精度检测
为了满足检测需求，可根据播种过程中批量种子的下落数量，结合电容装置在运行中检测的差分数值，建立一个最小二乘回归计算模型。由电容装置对其进行采样处理，将装置在运行中自身具备的微小波动作为精度检测误差值，采用设定阈值的方式，降低装置运行微小波动与检测结果精度的影响。根据试验中人工统计种子数量G与电容装置积分差值的关系，根据两者的关系，对其进行建模处理，得到如下计算公式（3）所示的线性计算模型，模型表达式如下:G＝β0+β1C+A，（3）公式（3）中，β0表示为线性模型额定系数；β1表示为模型线性值上限；A表示为精度检测过程中产生的随机误差值。使用样本统计法，对β0与β1进行计量与校正，得到针对已知参数的未知数值。将未知数值导入最小二乘计算公式中，将未知参数作为检测精度的参照值，将参数的最小值与最大值作为检测过程中精度有效范围。对电容装置显示的结果进行平方和计算，当计算得到的结果在参数的最小值与最大值（精度有效范围）内时，输出此时的检测结果，将此结果作为多粒种子同时下落精度检测结果。
2对比实验
为了验证该方法在实际应用中的效果，选择将上述检测方法与基于行程自校准的检测方法应用到相同的实验环境当中，针对两种检测方法的应用效果进行对比。首先，针对种子以单粒的方式播种的精度进行检测并得到理论层面上的农作物播种粒数，再通过人工方式，对接收盒当中的农作物种子实际粒数进行统计，得到实际农作物粒数。通过理论农作物粒数和实际农作物粒数计算得出两组检测方法的检测精度。按照上述实验内容完成对以单粒的方式播种的检测效果对比实验，相关实验数据记录见表1。从表1可知，实验组的检测方法能够为农作物播种提供更有利的数据依据，确保种植效果。在初步实现对单粒种子下落精度检测效果对比后，针对多粒种子同时下落精度进行检测，检测结果见表2。从表2中可知，本文提出的基于机器视觉的检测方法在实际应用中，无论是对单粒种子下落精度检测还是对多粒种子同时下落精度检测，其检测效果均明显好于基于行程自校准的检测方法。将该检测方法应用到实际农作物种植当中，可为农作物种植质量提升提供保障条件。
3结束语
综合本文上述论述，在引入机器视觉技术的基础上，提出了一种全新的农作物播种精度检测方法，并通过对比实验的方式验证了该方法的应用效果。将这种检测方法应用于实际，不仅适用于对单粒农作物播种的精度检测，也适用于多粒农作物种子同时播种的精度检测，具有更高的应用适用性。在今后的研究当中，为了进一步提高检测方法的应用效果，还将从降低外界环境因素干扰因素影响的角度出发，提出一种适用性更强的检测方法，以此提升检测方法对应用环境的鲁棒性。
作者：杨奥棋 李冰 单位：河南职业技术学院 现代信息技术学院
