具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在谷物机械化收获过程中，驾驶员了解收获质量时需要停机，依靠肉眼判断，没有实时破碎率和含杂率的数据支撑，不能及时发现收获过程存在的问题，造成了收获质量参差不齐，影响经济效益；此外还将制约联合收割机参数自适应调控技术发展，影响联合收割机智能化水平。

因此，本发明的目的是提供一种谷物联合收割机破碎含杂在线检测方法与系统，能够实现谷物联合收割机破碎含杂质量的在线检测，提高联合收割机的智能化水平。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1

本发明实施例提供了一种谷物联合收割机破碎含杂在线检测系统，如图1所示，所述系统包括：

谷物采样仓1，安装于谷物联合收割机出粮口下方，用于采集所述谷物联合收割机收割的谷物；

所述谷物采样仓1侧面开口形成谷物样本拍照窗16；

所述摄像装置透过所述谷物样本拍照窗16获取谷物样本图像；

所述摄像装置通信连接数据处理模块13，所述数据处理模块13用于接收所述谷物样本图像并计算破碎率和含杂率。数据处理模块13可选择嵌入式数据处理模块，数据处理模块13通过CAN总线数据接头9与外部实现数据通信。

为了达到更好的拍照效果，获取更精确的谷物样本图像，同时降低系统对硬件的要求，降低成本，可以在谷物采样仓1底部设置一伸缩板3，所述伸缩板3连接有驱动器，所述驱动器控制所述伸缩板3周期性伸缩，所述伸缩板3用于承托或释放所述谷物采样仓1中的谷物样本；所述摄像装置透过所述谷物样本拍照窗16拍摄所述伸缩板3上的谷物样本。伸缩板3的设置使得谷物在下落过程中受到阻拦，从而使得在拍摄时所述摄像装置与谷物样本处于相对静止的状态，避免谷物运动带来的图像模糊等情况带来的误差。同时，由于谷物与摄像装置处于相对静止状态，那么系统对于摄像装置抓拍速率的要求也将大大降低，此时完全可以采用工业相机10来实现对谷物样本图像的采集。

为了延长系统的使用寿命，将所述摄像装置、所述驱动器、所述数据处理模块13置于一壳体12中，壳体12置于底座4上，所述壳体12紧贴所述谷物采样仓1设有谷物样本拍照窗16的一侧设置，且所述壳体12上设置有一与所述谷物样本拍照窗16对应的窗口，所述摄像装置正对所述谷物样本拍照窗16设置。

为了避免下落的谷物落入壳体12内部影响系统的运行，在谷物样本拍照窗16上设置一层透明材料15，在不影响摄像装置获取谷物样本图像的前提下隔绝谷物进入壳体12内。

由于壳体12可能为不透光材料，为了进一步提高谷物样本图像采集的准确度，在壳体12内设置一光源，光源可安装于壳体12的侧面，只要不阻碍摄像装置对谷物样本的拍摄即可。本实施例中具体选用了LED视觉光源14，任何能够实现照明功能的光源都将落入本实施例的保护范围内。

摄像装置与所述谷物样本拍照窗16之间还可以设置有偏振镜11，以便于减弱、消除摄像过程中的强反光造成的光斑，提高摄像精度。

为了便于伸缩板3移动，壳体12底部设置有导轨6，伸缩板3通过滑块2滑动设置于所述导轨6上；所述壳体12上与所述谷物采样仓1底部对应位置有一开口，所述伸缩板3通过所述开口进出壳体12。为了更好的图像采集效果，需要令尽可能多的谷物样本被拍摄，因此伸缩板3伸出所述壳体12的部分至少覆盖所述谷物采样仓1的底部。

导轨6通过导轨座5设置于所述壳体12内，以便于使得伸缩板3与谷物采样仓1的底部位置相对应，为了提高系统的灵活性，还可以设置可调节高度的导轨座5，以便于配合不同位置的谷物采样仓1。

本实施例具体选择直流舵机8作为驱动器，直流舵机8通过拨杆7与所述伸缩板3连接，如图1所示，当拨杆7与导轨6成45°角时，伸缩板3完全遮挡住谷物采样仓1下方，阻止谷物继续下落，谷物在采样仓中迅速堆积，从而获得一个相对稳定的状态，数据处理模块13控制工业相机10进行一次谷物图像采集并进行图像处理、识别和显示。一次图像采集结束后，数据处理模块13控制直流舵机8动作，使得拨杆7与导轨6成90°角，移开伸缩板3，释放掉谷物采样仓内的谷物，等待下一次图像采集和处理。

由此，本实施例通过对谷物样本图像的实时采集与处理计算，实现了谷物联合收割机作业过程中破碎含杂率的在线检测，提高了谷物联合收割机的智能化水平。

实施例2

本实施例提供了一种谷物联合收割机破碎含杂在线检测方法，如图2所示，所述方法包括：

①接收检测指令，包括驱动器控制指令和摄像装置控制指令。

②获取谷物样本图像；根据驱动器控制指令，控制驱动器带动伸缩板3缩回，谷物采样仓1释放谷物样本，延时100ms；根据驱动器控制指令，控制驱动器带动伸缩板3伸出，谷物采样仓1装载谷物样本，延时100ms。

根据摄像装置控制指令，拍摄谷物样本的图片，进行图像预处理；判断所拍摄的图像是否满足要求（即谷物采样仓1内谷物完全遮盖拍摄窗口，所拍摄图片满幅都是谷物样本信息），如不满足重新拍摄照片，直到图像满足要求。

③根据优化模型对所述谷物样本图像中的谷物样本成分进行识别，得到谷物样本破碎含杂参数；调用Mask R-CNN模型库，进行谷物样本中完整籽粒、破碎籽粒、杂质的分割识别工作，获得谷物样本各成分像素数。本实施例采集机械化作业过程的谷物样本图像，对图像中谷物样本进行标注获得带标注的图像文件，用图像原文件和标注文件构建谷物破碎含杂率识别数据集，建立了Mask R-CNN优化模型，该模型将ResNet和DenseNet网络结构相结合代替原有的主干网进行特征抽取，以提高特征的传递性和重用性；将获取的特征图像输入RPN网络生成相应的对象区域；利用全卷积网络生成掩模得到各个成分的所在的位置从而实现谷物样本的成分识别。

④将所述谷物样本破碎含杂参数代入破碎含杂率计算模型中，得到谷物样本的破碎率与含杂率；调用破碎含杂率计算模型，计算出实时的破碎率含杂率数据，并将结果输入数据存储区。具体的，在分析谷物样本图像信息，准确分割和识别完整谷物籽粒、破碎谷物籽粒和杂质后，建立如下的破碎含杂率计算模型：

其中，P _z 表示含杂率，P _s 为破碎率，T _w 为系统识别的完整籽粒像素数，T _s 为系统识别的破碎籽粒像素数，T _z 为系统识别的杂质像素数，为图像每1000像素点的完整籽粒平均质量，为图像每1000像素点的破碎籽粒平均质量，为图像每1000像素点的杂质平均质量。、、均采用人工标定的方式得到。

⑤判断是否收到停止检测指令，若是，则停止检测；否则，返回②步骤。

为了进一步提高检测的准确度，避免随机误差的影响，可以引入识别数。在每次计算出实时破碎率与含杂率后，识别计数器加1，然后判断识别数是否大于预设阈值，如未达到，则顺序执行③、④步骤；如符合要求，分别计算数据存储区破碎率和含杂率多次测量结果的均值，将均值作为本次检测结果输出并将数据写入SD卡，对数据存储区和识别计数器清零。

为了保证检测准确率，在开始检测之前，还包括系统上电后进行自检，并对系统进行初始化处理，完成数据存储区和识别计数器的清零工作。然后检测CAN总线通信是否正常、GPS模块是否就绪、工业相机10是否正常，如果不正常输出相应的提示信息；各工作组件工作正常，则继续执行检测。

本实施例通过摄像装置实时获取谷物样本图像，由数据处理模块13对谷物样本图像进行实时计算分析，得到谷物联合收割机的实时破碎含杂率，实现了谷物联合收割机作业质量破碎含杂的在线检测，提高了收割机的工作效率，能够及时发现收获过程中存在的问题，提高了收获质量，有利于提高谷物联合收割机的智能化水平。

本说明书中每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。