《基于遗传算法的水稻联合收割机喂入密度检测方法研究》由会员分享，可在线阅读，更多相关《基于遗传算法的水稻联合收割机喂入密度检测方法研究（56页珍藏版）》请在金锄头文库上搜索。
1、安徽农业大学 硕士学位论文 基于遗传算法的水稻联合收割机喂入密度检测方法研究 姓名：潘静 申请学位级别：硕士 专业：农业机械化工程 指导教师：邵陆寿 2011-06 I 摘 要 为了实现水稻联合收割机作业时喂入量的实时控制，降低作业时谷物的破碎率和损 失率，首先要解决喂入密度的实时获取问题。本文通过对水稻密度图像进行分析处理， 提取图像中谷、叶的总像素值来表示该区域的喂入密度特征，并与实际测得的喂入密度 值进行拟合，建立喂入密度实时检测模型。 研究学习了国内外在图像分割方面的应用概况，分析比较传统的图像分割算法在分 割质量和分割速度上存在的不足，其中迭代阈值法获取的阈值较大，目标轮廓不清晰，
2、谷、叶从背景中分割效果不明显。而最大类间方差法的阈值更为合理，较好的保留目标 形状，目标的轮廓清晰，减少了背景的影响，但分割速度不能满足实时性的需求。 在保证分割质量的前提下，为了进一步缩短阈值获取的时间，引入了遗传算法，对 于遗传算法的理论基础和实现步骤进行了研究，提出了基于遗传算法的水稻联合收割机 喂入密度检测方法。遗传算法以其固有的自适应性、鲁棒性、和并行性，使之非常适用 于在大规模搜索空间的快速寻优问题，为研究水稻密度图像分割提供了一种新的有效的 方法，可以提高水稻喂入密度检测的实时性和可靠性。 对于试验采集的不同品种、不同成熟期、不同密度区域的水稻图像利用遗传算法快 速准确地找到全局
3、最佳阈值，分割图像并得到相应的二值化图像，通过计算统计图像中 的谷、叶的总像素值来表示该区域的密度特征，提取相应的喂入密度特征值，利用 DPS 数据处理软件，将通过遗传算法提取的喂入密度特征值与实际测得的水稻联合收割机喂 入密度值进行相关性分析，建立喂入密度拟合模型。 实验表明，遗传算法获取的最佳分割阈值与最大类间方差法完全相同，但最大类间 方差法获取阈值，方差计算次数为256T。而基于最大类间方差的遗传算法，其方差计算 次数在 140T 以内，比最大类间方差法快近一倍，能够更快速的提取图像喂入密度特征 值，充分证明了遗传算法分割图像的优越性。 喂入密度特征值与实际喂入密度的相关性分析，决定系
4、数达到 0.90 以上，相关性 很高，两者呈正相关性，即特征值越大，其喂入密度值越大，实现了通过喂入密度特征 值大小反映水稻联合收割机喂入密度的疏密程度，检测实时喂入密度，为喂入量的检测 和控制提供了科学基础。 关键词：喂入密度测定，最大类间方差，遗传算法，水稻联合收割机，图像处理 II Abstract In order to realize control of suitable feed quantity and decrease breakage and lose rate,feed density should be obtained firstly. According to th
5、e technology of image processing,total pixels of target area were extracted as the feature of feed density of combine. Functional relationships between the feature values of feed density and actual feed density were established. Studying of the application of image segmentation in domestic and abroa
6、d, shortcomings in segmentation quality and segmentation speed were found by comparing of traditional image segmentation method. Iterative threshold method got the larger threshold and vague target profile.It is difficult to cut up the target area from the image of rice. Otsu method got right thresh
7、old,clear target profile.This method redeced the influence of background image.But real-time of traditional image segmentation could not meet the demands of combine. In the premise of ensuring the quality of segmentation, genetic algorithm can cut down time of obtaining the threshold. Researching of
8、 theoretical basis and implenentation steps, feed density detection method of rice combine by genetic algorithm was proposed.In line with adaptability,robustness and parallelism of genetic algorithm,this algorithm is very suitable for optimization problem in large-scale search space. A new effective
9、 method of rice image segmentation was proposed to improve the real-time and reliability of feed density detection. Images of differen species,mature stages and density regions obtained the global optimum threshold quickly and accurately using genetic algorithm.Divided the gray image into binary ima
10、ge. Calculated total pixels of target area as the feature of feed density of combine.Using DPS data processing software, correlation between the feature values of feed density and actual feed density was analyzed.Fitting model of feed density was established. Results showed that the best segmenting
11、threshold from genetic algorithm was the same as the threshold from Ostu. But numbers of variance calculation of genetic algorithm were about 140T.The speed was twice as fast as the numbers of variance calculation which were 256T. Genetic algorithm can obtain feature values of feed density quickly.
12、Results proved the superiority of genetic algorithms in terms of image segmentation. Correlation coefficient between the feature values of feed density and actual feed density was higher than 0.91.Both of them showed the positive correlation.The more feature values of feed density,the more actual fe
13、ed density.So the feature values of feed density can reflect actual feed density level.Detection method of feed density for Rice Combine can provide III references to control of feed quantity. Keywords: feed density measurement, Ostu, genetic algorithm, rice combines, image processing VI 插图清单 图 2-1
14、标准遗传算法流程图4 图 2-2 空间映射图6 图 3-1 晚稻 RGB 图像11 图 3-2 早稻 RGB 图像11 图 3-3 水稻喂入密度检测方法的技术路线13 图 4-1 皖粳 97 彩色图像14 图 4-2 彩色图像的灰度图像14 图 4-3 灰度图像的直方图 15 图 4-4 2R+G 组合图 15 图 4-5 2R+G 组合图的直方图15 图 4-6 迭代阈值法的二值化图像 16 图 4-7 最大类间方差法的二值化图21 图 4-8 遗传算法图像分割流程图29 图 4-9 遗传算法图像分割的实验结果30 图 5-1 DPS 曲线估计功能37 图 5-2 早稻植株喂入密度拟合模型38 图 5-3 晚稻植株喂入密度拟合模型40 VII 附表清单 表 3-1 数据处理结果13 表 4-1 迭代法的晚稻“皖粳 97”图像分割16 表 4-2 迭代法的晚稻 “武香粳 9 号” 图像分割17 表 4-3 迭代法的晚稻“皖稻 48”图像分割17 表 4-4 迭代法的晚稻“优明 86”图像分割18 表 4-5 迭代法的早稻“两优 036“图像分割18 表 4-6 迭代法的早稻 “新两优 6 号” 图像分割
