陳進(jìn)，張帥，李耀明，朱林軍，夏慧，朱亞輝

(1. 江蘇大學(xué)機(jī)械工程學(xué)院，江蘇鎮(zhèn)江，212013； 2. 江蘇大學(xué)農(nóng)業(yè)工程學(xué)院，江蘇鎮(zhèn)江，212013；3. 江蘇沃得農(nóng)業(yè)機(jī)械股份有限公司，江蘇鎮(zhèn)江，212013)

0 引言

隨著我國(guó)農(nóng)業(yè)機(jī)械化程度的提升[1-2]，目前谷物大多采用收獲機(jī)進(jìn)行收獲。當(dāng)收獲機(jī)作業(yè)狀況異?；蛘邊?shù)設(shè)置不恰當(dāng)時(shí)，會(huì)導(dǎo)致收獲到的谷物的含雜率、破碎率升高。而收獲的谷物中雜質(zhì)和破碎籽粒的含量會(huì)直接影響到收獲的谷物的品質(zhì)，進(jìn)而影響谷物出售的價(jià)格；同時(shí)谷物中雜質(zhì)和破碎籽粒的含量也是衡量收獲機(jī)作業(yè)性能指標(biāo)的兩個(gè)重要參數(shù)。因此，對(duì)其的實(shí)時(shí)監(jiān)測(cè)不僅可以給機(jī)手提供有效的控制依據(jù)，提升收獲的谷物品質(zhì)，還可以提高收獲機(jī)的作業(yè)效率。然而，目前國(guó)產(chǎn)收獲機(jī)的智能化程度還不高[3-5]，聯(lián)合收獲機(jī)作業(yè)過(guò)程的控制主要依賴(lài)于機(jī)手的感覺(jué)和經(jīng)驗(yàn)，沒(méi)有可靠的控制依據(jù)。

國(guó)內(nèi)對(duì)聯(lián)合收獲機(jī)作業(yè)過(guò)程中谷物中雜質(zhì)以及破碎的檢測(cè)手段也進(jìn)行了探索，顧琰將采集的RGB水稻圖像轉(zhuǎn)為HSV圖像后進(jìn)行水稻識(shí)別算法的設(shè)計(jì)；練毅對(duì)水稻圖像的連通區(qū)域特征進(jìn)行研究并使用決策樹(shù)算法進(jìn)行訓(xùn)練，實(shí)現(xiàn)了收獲的水稻中不同成分的識(shí)別；韓夢(mèng)娜等[6]采用電磁鐵帶動(dòng)擋板的結(jié)構(gòu)截取谷物，待谷物靜止后再采集谷物圖像，并利用U-net網(wǎng)絡(luò)模型對(duì)圖像進(jìn)行分割，該方式雖然可以在線(xiàn)識(shí)別出水稻圖像中的雜質(zhì)以及破碎，但是檢測(cè)的實(shí)時(shí)性略有不足，單幅圖像的采集處理周期較長(zhǎng)，約5 s左右，無(wú)法很好的滿(mǎn)足實(shí)時(shí)檢測(cè)的需求。

為了提升檢測(cè)的實(shí)時(shí)性和精度，降低檢測(cè)時(shí)間，提出了基于圖像特征差異的水稻破碎雜質(zhì)實(shí)時(shí)識(shí)別方法，采用圖像采集裝置、嵌入式處理器[7]以及顯示器搭建圖像處理系統(tǒng)，對(duì)聯(lián)合收獲機(jī)輸糧攪龍出糧口流出的谷物進(jìn)行圖像采集，研究了完整籽粒、破碎籽粒與雜質(zhì)圖像中R、G、B三通道的分布差異以及面積差異，并根據(jù)差異進(jìn)行識(shí)別。

1 系統(tǒng)搭建

系統(tǒng)組成框圖如圖1所示，主要包括圖像采集裝置、嵌入式[8]圖像處理器，交互顯示屏以及CAN通訊模塊。其中，圖像采集裝置由谷物導(dǎo)流模塊以及圖像采集模塊組成。

圖1 系統(tǒng)框圖

嵌入式處理器以及顯示屏部署在駕駛室內(nèi)，圖像采集裝置安裝于輸糧攪龍出糧口的下方。圖像采集裝置包括谷物導(dǎo)流模塊以及圖像采集模塊，谷物導(dǎo)流模塊引導(dǎo)部分從出糧口流出的谷物流入，同時(shí)嵌入式處理器控制圖像采集模塊采集谷物導(dǎo)流模塊中流動(dòng)的谷物的圖像，并通過(guò)研究的谷物圖像識(shí)別算法對(duì)圖像進(jìn)行處理，然后將處理的數(shù)據(jù)以及圖像顯示在駕駛室內(nèi)的顯示屏上，同時(shí)將數(shù)據(jù)上傳至收獲機(jī)機(jī)載CAN總線(xiàn)上與其它控制單元通信。

圖2為圖像采集裝置的結(jié)構(gòu)示意圖，可以采集流動(dòng)中的谷物圖像。采集流動(dòng)過(guò)程中的谷物圖像可以極大的降低圖像中谷物的粘連與堆疊程度。谷物導(dǎo)流模塊主要包括谷物流動(dòng)通道以及谷物流道頂板。谷物導(dǎo)流模塊實(shí)則為一方形通道，用于引導(dǎo)部分?jǐn)圐埩鞒龅墓任镏凉任锪鞯纼?nèi)，其安裝于輸糧攪龍的出糧口斜下方，谷物從輸糧攪龍流出，其中部分谷物被谷物流動(dòng)通道所截取并流入，刮板用于阻擋過(guò)多谷物同時(shí)流入，可以引導(dǎo)谷物以薄薄一層的狀態(tài)流入，光源安裝在上側(cè)擋板的底部，上側(cè)擋板開(kāi)一方槽為圖像傳感器提供視窗，圖像傳感器通過(guò)固定支架固定，并對(duì)在谷物流動(dòng)通道上流動(dòng)中的谷物不斷曝光采集圖像。

圖2 圖像采集裝置結(jié)構(gòu)示意圖

2 圖像采集與處理

2.1 圖像采集

由于在聯(lián)合收獲機(jī)收獲時(shí)，輸糧攪龍[9]出糧口處的谷物流動(dòng)速度都較快，若采用截取部分谷物使其靜止再采集圖像處理的方式反饋的結(jié)果有較大的滯后性。為了保證采集到的谷物的圖像和處理所得的結(jié)果的實(shí)時(shí)性，設(shè)計(jì)了一種采集流動(dòng)中谷物圖像的圖像采集方案，拍攝谷物收集裝置中流動(dòng)的谷物圖像可以減少谷物的堆疊和粘連程度，為后續(xù)的圖像處理降低難度。而要獲取流動(dòng)狀態(tài)下谷物清晰無(wú)拖影的圖像需要滿(mǎn)足如下條件：在曝光時(shí)間內(nèi)谷物流動(dòng)的距離小于相機(jī)的精度，即曝光時(shí)間t×谷物流動(dòng)速度v≤相機(jī)分辨率p。

本文利用彩色工業(yè)相機(jī)及其配套的SDK，編寫(xiě)圖像采集程序，獲取清晰的圖片。驅(qū)動(dòng)相機(jī)曝光存圖程序的流程如圖3所示，首先初始化SDK工具包和工業(yè)相機(jī)，然后設(shè)定相關(guān)曝光參數(shù)。

圖3 圖像采集流程圖

相機(jī)觸發(fā)模式設(shè)置為軟觸發(fā)，即觸發(fā)信號(hào)由程序控制直接發(fā)出。谷物的運(yùn)動(dòng)速度v不超過(guò)100 mm/s，即0.1 mm/ms，相機(jī)的分辨率為200萬(wàn)像素(1 600 p×1 200 p)，視野大小為60 mm×60 mm，所以相機(jī)的精度p=60/1 600=0.037 5 mm/像素，根據(jù)tv≤p，得到t≤0.375 ms，因此只要將相機(jī)的曝光時(shí)間設(shè)置在0.375 ms以?xún)?nèi)就可以避免拖影，因此設(shè)定相機(jī)的曝光時(shí)間為0.1 ms。

由于相機(jī)的曝光時(shí)間設(shè)置較短，相機(jī)進(jìn)光量欠缺，導(dǎo)致采集的圖像過(guò)暗，如圖4(a)所示。圖像過(guò)暗因此還需設(shè)置相機(jī)另一參數(shù)即相機(jī)的曝光增益來(lái)增強(qiáng)光照，曝光增益可調(diào)節(jié)范圍為1～8倍，圖4(b)，圖4(c)以及圖4(d)分別為曝光增益為5倍、6倍、7倍時(shí)采集的圖像，當(dāng)曝光增益為5時(shí)，圖像過(guò)暗，當(dāng)曝光增益為7時(shí)，圖像局部產(chǎn)生過(guò)曝現(xiàn)象，當(dāng)曝光增益為6時(shí)，圖像亮度適中，圖像細(xì)節(jié)完整，因此相機(jī)的曝光增益設(shè)置為6倍最佳。曝光參數(shù)設(shè)置完成后相機(jī)收到觸發(fā)信號(hào)開(kāi)始曝光并保存谷物圖片。

(c) 6倍增益效果圖

圖像采集工作于2020年11月使用上述的圖像采集裝置在丹陽(yáng)水稻試驗(yàn)田完成，圖像采集裝置安裝方式如圖5所示，一共采集了200幅水稻的圖像。

圖5 圖像采集裝置安裝圖

2.2 水稻圖像特征研究

從谷物圖像中識(shí)別出破碎籽粒以及雜質(zhì)，因此需要對(duì)其圖像特征進(jìn)行研究，利用圖像特征的差異進(jìn)行識(shí)別。從田間采集的200幅圖像中隨機(jī)選取20張進(jìn)行研究，其中一張水稻原圖如圖6所示，圖像中包含了破碎籽粒、稻稈雜質(zhì)以及稻梗雜質(zhì)。

圖6 水稻原圖

本文采集的谷物圖像為RGB[10]彩色圖像，設(shè)每個(gè)像素RGB色彩空間三通道的值分別R，G，B。首先從20張圖片中截取出所有的完整籽粒、破損籽粒以及雜質(zhì)圖像，然后使用VS2013以及OpenCV3.1.0分別將完整籽粒、破損籽粒以及雜質(zhì)區(qū)域中各個(gè)像素的R，G，B值提取并存入CSV文件中。

提取三個(gè)通道數(shù)據(jù)后，通過(guò)直方圖分別統(tǒng)計(jì)完整籽粒、破損籽粒、稻稈雜質(zhì)以及稻梗雜質(zhì)的R，G，B值分布情況，如圖7～圖10所示。直方圖中橫坐標(biāo)為各通道的通道值，縱坐標(biāo)為像素個(gè)數(shù)。圖7為隨機(jī)選取的一顆完整籽粒的圖像以及三個(gè)通道的色階分布直方圖，該籽粒在圖像中的面積為10 038個(gè)像素。

(a) 完整籽粒

(a) 破碎籽粒

(a) 稻稈雜質(zhì)

(a) 稻梗雜質(zhì)

圖8為隨機(jī)選擇的一顆破損籽粒圖像及其三個(gè)通道色階分布直方圖，在圖像中的面積為5 728個(gè)像素。圖9為隨機(jī)選擇的一個(gè)稻稈雜質(zhì)圖像及其三個(gè)通道的色階分布直方圖，在圖像中的面積為77 592個(gè)像素。圖10為隨機(jī)選擇的一個(gè)稻梗雜質(zhì)圖像及其三個(gè)通道的色階分布直方圖，在圖像中的面積為2 903個(gè)像素。

對(duì)20張圖片中所有的完整籽粒、破碎籽粒、稻稈雜質(zhì)以及稻梗雜質(zhì)進(jìn)行統(tǒng)計(jì)發(fā)現(xiàn)，形狀上完整籽粒在圖像中的面積均在10 000個(gè)像素左右，破碎籽粒在圖像中的面積均在6 000個(gè)左右；顏色上完整籽粒、破碎籽粒、稻稈雜質(zhì)以及稻梗雜質(zhì)在G通道的G值分布情況相近，差異較小，不利于區(qū)分，因此主要研究R值與B值[11]的分布差異，對(duì)R值和B值統(tǒng)計(jì)之后的結(jié)果如圖11所示。

圖11 R值和B值范圍統(tǒng)計(jì)圖

完整籽粒R值主要分布于[75, 150]之間，B值主要分布于[40, 120]之間；破碎籽粒R值主要分布于[35, 65]，B值主要分布于[55, 120]；稻稈雜質(zhì)的R值主要分布于[55, 125]，B主要分布于[2, 43]；稻梗雜質(zhì)的R主要分布于[63, 79]，B主要分布于[47, 113]。從圖中觀(guān)察發(fā)現(xiàn)圖中完整籽粒、破碎籽粒、稻稈雜質(zhì)以及稻梗雜質(zhì)的R值與B值分布范圍重疊部分較小，破損籽粒、稻梗雜質(zhì)、稻稈雜質(zhì)、完整籽?？梢酝ㄟ^(guò)R值與B值的分布差異區(qū)分。

2.3 圖像處理

2.3.1 識(shí)別算法整體設(shè)計(jì)

谷物圖像識(shí)別的總體算法流程如圖12所示，主要思路為利用谷物中完整籽粒、破碎籽粒、稻稈雜質(zhì)以及稻梗雜質(zhì)圖像的R與B通道的分布差異進(jìn)行圖像粗提取，然后通過(guò)圖像二值化以及形態(tài)學(xué)操作進(jìn)行處理，精確提取破碎籽粒以及雜質(zhì)。

首先利用R和B的閾值粗提取出破碎籽粒和雜質(zhì)圖像，然后將粗提取的圖像轉(zhuǎn)為灰度圖像后對(duì)其二值化，分割出圖像中的前景以及背景。圖像二值化需要選擇一個(gè)合適的閾值，然而使用固定閾值作為圖像前景和背景分割閾值的適應(yīng)能力較差，同一個(gè)閾值無(wú)法滿(mǎn)足多幅圖像。因此使用動(dòng)態(tài)閾值法對(duì)圖像進(jìn)行二值化處理。最大類(lèi)間方差法[12-14]又稱(chēng)為大津法，可以動(dòng)態(tài)地確定最佳分割閾值，其主要思想找到一個(gè)閾值t使得兩類(lèi)像素平均灰度的類(lèi)間方差最大。因?yàn)榉讲羁梢院饬炕叶鹊姆植季鶆虺潭?，方差越大則說(shuō)明圖中兩類(lèi)像素的灰度差異越大，即前景以及背景被錯(cuò)分割的幾率越小。其具體過(guò)程為：對(duì)于灰度圖像P(x,y)，圖像大小為a×b，灰度分割閾值為t，灰度小于閾值t的像素點(diǎn)個(gè)數(shù)為p個(gè)，其平均灰度為m；灰度大于等于閾值t的像素點(diǎn)個(gè)數(shù)為q個(gè)，其平均灰度為n；整幅圖像的平均灰度為g，類(lèi)間方差記為s，則有

p+q=a×b

(1)

(2)

(3)

t的取值范圍為0～255，將式(1)和式(2)代入式(3)求得s最大時(shí)的t為最佳分割閾值。

圖12 算法總體流程圖

圖像形態(tài)學(xué)處理可以對(duì)圖像的形狀特征進(jìn)行處理，例如可以將二值圖像局部區(qū)域放大縮小等操作，其基本思想為使用一個(gè)結(jié)構(gòu)元素與圖像進(jìn)行卷積運(yùn)算，結(jié)構(gòu)元素可以為任意形狀，常用的結(jié)構(gòu)元素有十字形和矩形。

圖像膨脹與圖像腐蝕為最基本的形態(tài)學(xué)操作，圖像膨脹就是求局部最大值的操作，實(shí)現(xiàn)方式為在圖像的左上角開(kāi)一個(gè)與結(jié)構(gòu)元素相同大小的滑動(dòng)窗口，將結(jié)構(gòu)元素為1的位置所對(duì)應(yīng)的滑動(dòng)窗口中相應(yīng)像素的最大值賦給錨點(diǎn)；圖像腐蝕與圖像膨脹相反，為求局部最小值，將結(jié)構(gòu)元素中為1的位置所對(duì)應(yīng)的滑動(dòng)窗口中相應(yīng)像素中的最小值賦給錨點(diǎn)。

2.3.2 破碎籽粒識(shí)別

谷物原圖如圖13(a)所示，根據(jù)上述R值與B值的范圍統(tǒng)計(jì)結(jié)果，設(shè)定RGB谷物圖像的R通道的閾值范圍為R∈[35, 65]，B通道的閾值范圍為B∈[55, 120]，對(duì)圖像中的每一個(gè)像素的R與B值進(jìn)行判斷，若某個(gè)像素的R或者B不在閾值范圍內(nèi)，則令該像素的R，B，B值均為0，即可粗提取出破損籽粒的圖像，然后對(duì)粗提取后的圖像使用最大類(lèi)間方差法二值化，如圖13(b)所示，由于破損籽粒中有少部分像素點(diǎn)的R與B的值不在閾值范圍內(nèi)，在圖中顯示為黑色的空洞，而非破損籽粒中也會(huì)有少部分像素點(diǎn)的R與B的值在設(shè)定閾值范圍內(nèi)，則在圖像中會(huì)有部分殘留像素。進(jìn)一步提取二值圖中所有的連通區(qū)域[15]，由于破碎籽粒在圖像中的面積約為6 000個(gè)像素，考慮到會(huì)有漏識(shí)別的像素，因此設(shè)定連通區(qū)域面積閾值為3 500，保留所有面積大于3 500個(gè)像素的連通區(qū)域，去除所有小于3 500的連通區(qū)域，如圖13(c)所示。最后使用5×5大小的十字形結(jié)構(gòu)元素對(duì)圖10(c)進(jìn)行三次膨脹操作后再進(jìn)行三次腐蝕操作，即可精確提取破碎籽粒的圖像，如圖13(d)所示。

(a) 谷物原圖

2.3.3 雜質(zhì)識(shí)別

稻稈與稻梗雜質(zhì)的識(shí)別方法與破損籽粒識(shí)別方法相同，識(shí)別谷物原圖13(a)中的稻稈雜質(zhì)，首先分別設(shè)定R和B通道的閾值范圍為R∈[55, 125]和B∈[2, 43]，稻稈雜質(zhì)粗提取后的圖像如圖14(a)所示，二值化之后的圖像如圖14(b)所示。然后提取二值圖像中所有的連通區(qū)域，由于稻稈雜質(zhì)的面積通常較大，因此設(shè)定連通區(qū)域面積的閾值為6 000個(gè)像素，剔除面積小于6 000個(gè)像素的連通區(qū)域后的圖像如圖14(c)所示，最后使用5×5的十字結(jié)構(gòu)元素對(duì)圖像進(jìn)行六次膨脹操作后再進(jìn)行六次腐蝕操作后填補(bǔ)圖像中的空洞，提取出的雜質(zhì)圖像如圖14(d)所示。

(a) 粗提取稻稈雜質(zhì)

設(shè)定稻梗雜質(zhì)的R和B通道的閾值范圍為R∈[63, 79]和B∈[47, 113]，稻梗雜質(zhì)粗提取后的圖像如圖15(a)所示，二值化后的圖像如圖15(b)所示，提取二值圖像中所有的連通區(qū)域，并且設(shè)定連通區(qū)域面積閾值，由于稻梗雜質(zhì)的面積較小，一般為2 000～3 000 個(gè)像素左右，因此剔除連通區(qū)域面積小于1 500個(gè)像素或者大于3 500個(gè)像素的連通區(qū)域，如圖15(c)所示；最后使用5×5的十字結(jié)構(gòu)元素對(duì)圖像進(jìn)行兩次膨脹操作后再進(jìn)行兩次腐蝕操作提取出稻梗雜質(zhì)，如圖15(d)所示。

(a) 粗提取稻梗雜質(zhì)

3 識(shí)別結(jié)果分析

3.1 識(shí)別功能驗(yàn)證

對(duì)田間采集的200幅圖像進(jìn)行識(shí)別，圖像識(shí)別程序運(yùn)行于嵌入式圖像處理器上，在程序中加入處理時(shí)間計(jì)算程序，單幅圖像的平均處理時(shí)間為1.86 s，滿(mǎn)足了實(shí)時(shí)識(shí)別的要求。圖16為從200幅圖像中隨機(jī)抽取的3幅圖像以及相對(duì)應(yīng)的處理結(jié)果。

從圖16中可以看出，水稻破碎籽粒以及雜質(zhì)的大部分區(qū)域均被正確識(shí)別，但是有一些誤識(shí)別的區(qū)域。圖16(a)中圓圈標(biāo)記處的破碎籽粒未被識(shí)別出，原因?yàn)樵擃w破碎籽粒面積過(guò)小，被設(shè)定的連通區(qū)域閾值剔除；圖16(a)中長(zhǎng)方形標(biāo)記處為田間的枯草雜質(zhì)，未被識(shí)別出，原因?yàn)樗惴ㄔO(shè)計(jì)時(shí)未考慮這種偶發(fā)的情況；圖16(c)中圓圈標(biāo)記處的稻稈雜質(zhì)有分叉，而在圖16(d)中對(duì)應(yīng)的提取結(jié)果分叉消失，原因?yàn)樵谶M(jìn)行膨脹操作時(shí)將分叉裂隙縫合，后續(xù)的腐蝕操作無(wú)法再使其裂開(kāi)。

(a) 原圖1

3.2 識(shí)別結(jié)果量化評(píng)價(jià)

使用精確率(precision)和召回率(recall)作為圖像識(shí)別的評(píng)價(jià)指標(biāo)，并以F1值[16]對(duì)精確率和召回率進(jìn)行評(píng)估。

1) 精確率[17]是預(yù)測(cè)正確的正樣本數(shù)占預(yù)測(cè)為正樣本總數(shù)的比值，其公式定義

(4)

2) 召回率[18]是預(yù)測(cè)正確的正樣本數(shù)占實(shí)際正樣本總量的比值，其公式定義

(5)

3)F1值[19]是precision和recall的綜合指標(biāo)，其公式定義

(6)

式中：TP——正確識(shí)別的像素個(gè)數(shù)；

FP——誤識(shí)別的像素個(gè)數(shù)；

FN——未識(shí)別到的像素個(gè)數(shù)。

對(duì)田間試驗(yàn)采集到的200幅圖像進(jìn)行統(tǒng)計(jì)，使用Photoshop手動(dòng)摳選每一幅圖像中的破碎籽粒、稻稈雜質(zhì)以及稻梗雜質(zhì)并統(tǒng)計(jì)各自的TP、FP、FN值，使用式(4)～式(6)計(jì)算量化評(píng)價(jià)結(jié)果，平均量化結(jié)果如表1所示。

表1 識(shí)別結(jié)果評(píng)估Tab. 1 Evaluation of identification results

對(duì)各成分識(shí)別的F1值均達(dá)到了90%以上，大部分都可以被正確識(shí)別出，但是仍然存在部分誤差，對(duì)于部分顏色特征極為相近的雜質(zhì)和完整籽?？赡軙?huì)產(chǎn)生誤識(shí)別，利用圖像中不同成分的R、G、B值的分布差異以及面積差異完成識(shí)別，為了進(jìn)一步提高識(shí)別精度，后續(xù)可以結(jié)合相關(guān)機(jī)器學(xué)習(xí)算法尋找最佳的R、G、B閾值以及面積閾值。

4 結(jié)論

1) 聯(lián)合收獲機(jī)在進(jìn)行水稻收獲時(shí)，水稻破碎和雜質(zhì)情況無(wú)法實(shí)時(shí)獲取。為了可以實(shí)時(shí)獲取收獲的水稻破碎以及雜質(zhì)含量，對(duì)聯(lián)合收獲機(jī)水稻破碎以及雜質(zhì)的在線(xiàn)識(shí)別方法進(jìn)行了研究。研究設(shè)計(jì)流動(dòng)水稻圖像采集裝置，裝置對(duì)從聯(lián)合收獲機(jī)輸糧攪龍流入糧箱內(nèi)的谷物隨機(jī)采樣并完成其圖像采集。研究水稻圖像的處理算法，通過(guò)水稻中完整籽粒、破碎籽粒、稻稈雜質(zhì)以及稻梗雜質(zhì)的圖像RGB分布差異以及面積差異設(shè)計(jì)水稻圖像識(shí)別算法。

2) 研究設(shè)計(jì)的流動(dòng)谷物圖像采集裝置圖像采集的速度較快，保證了檢測(cè)的實(shí)時(shí)性；同時(shí)該裝置也降低了所采集的圖像中水稻粘連以及堆疊的程度，便于后續(xù)的圖像處理。研究的基于RGB水稻圖像特征差異的處理算法能夠成功識(shí)別水稻中的破碎籽粒以及雜質(zhì)，平均單幅圖片的處理周期在1.86 s左右。對(duì)200幅圖像的識(shí)別結(jié)果進(jìn)行了像素級(jí)別的評(píng)估，破碎籽粒、稻稈雜質(zhì)以及稻梗雜質(zhì)的識(shí)別F1值分別為92.92%，90.65%，90.52%。

3) 研究的谷物圖像采集裝置及水稻破碎雜質(zhì)在線(xiàn)識(shí)別算法可以在線(xiàn)識(shí)別水稻中完整籽粒、破碎籽粒、稻稈稻梗等雜質(zhì)，為水稻聯(lián)合收獲機(jī)作業(yè)參數(shù)在線(xiàn)自動(dòng)調(diào)控提供技術(shù)支撐。