Способы оптико-электронного анализа при сортировке семян сельскохозяйственных культур

Размещено на http://www.allbest.ru/

Способы оптико-электронного анализа при сортировке семян сельскохозяйственных культур

Лебедев Д.В.,

Рожков Е.А.,

Харченко С.Н.

Аннотация

Повышение качества сельхозпродукции является важнейшей проблемой сельскохозяйственного производства, которая не потеряет своей актуальности в любых уголках планеты, где вообще возможно земледелие.

От технического уровня приборов контроля и оборудования сортировки, их функциональных возможностей во многом зависят качество н конкурентоспособность сельхозпродукции.

Наиболее совершенным методом сортировки семян является оптико-электронное распознавание семян сельскохозяйственных культур. В статье рассматриваются основные виды алгоритмов обработки оптического сигнала при сортировке семян.

Ключевые слова: СЕПАРАТОР, ОПТИКО-ЭЛЕКТРОНИКА, СОРТИРОВКА, ЦВЕТОВОЙ АНАЛИЗ, ПАРАМЕТРЫ, НЕЙРОСЕТЕВОЕ РАСПОЗНАВАНИЕ

При уборке и хранении сельскохозяйственных культур возникает проблема зараженности различными болезнями, такими, как фузариоз, ржавчина, головня. Помимо того, что болезни напрямую влияют на всхожесть семян при посеве, возникает прямое и косвенное распространение болезни на незараженные семена. Именно поэтому важно проводить сортировку семян различных сельскохозяйственных культур как после сбора урожая, так и непосредственно перед посадкой. Наиболее современный и эффективный метод сортировки семян - оптико-электронный. Рассмотрим его и выделим в нем наиболее эффективные алгоритмы.

При сортировке семян сельскохозяйственных культур оптико-электронным способом возникает необходимость обработки полученного изображения зерна для его дальнейшего анализа.

Автоматической обработке и анализу визуальной информации в настоящее время уделяется большое внимание, что вызвано интенсивным использованием таких систем в различных областях науки и техники [1]. Принципы оптико-электронной обработки визуальной информации используются при выполнении обзорно-поисковых операций, решении задач анализа и распознавания изображений объектов и сцен, задач слежения за сложными объектами на различных фонах. Такие системы получили название систем машинного видения. Основными функциями, реализуемыми системами машинного видения, являются обнаружение объектов, их идентификация, а также определение ориентации, координат, цвета семян [2].

На основании проведенного анализа научно-технической литературы составлена классификация существующих алгоритмов обработки оптических сигналов (рис. 1).

Размещено на http://www.allbest.ru/

Рис. 1. Классификация методов обработки оптических сигналов

Процесс нейросетевого анализа включает ряд этапов, реализация которых необходима для решения проблемы. Сочетание этих этапов в определенной последовательности, диктуемой структурой проблемы и причинно-следственными связями, и приводит к системному анализу изображения семени [3].

Алгоритм распознавания изображений состоит из трех компонентов:

1) преобразование исходного изображения (предобработка и/или математическое преобразование);

2) выделение ключевых характеристик (анализ главных компонент, генетический алгоритм и др.);

3) механизм классификации (статистические методы, метод дискриминационных функций, нейронная сеть и т.п.) (рис. 2).

Рис. 2. Структура метода распознавания семян

Каждый компонент системы должен быть таким, чтобы система в целом могла обеспечить достижение поставленных перед ней целей с требуемой эффективностью.

Для обеспечения инвариантности объектов по отношению к геометрическим трансформациям необходимы предварительная обработка изображения и приведение его к стандартной позиции, масштабу и ориентации. Для начальной обработки изображения применяется метод цветовых гистограмм для выполнения пороговой бинаризации полутоновых изображений [4]. Алгоритм определяет наличие в изображении пикселей двух классов: текстовых и фоновых. После проведения операции бинаризации происходит поиск смежных областей в изображении. На основе разделения изображения на смежные области создается массив объектов, который представляет собой изображение, сохраненное в отдельной матрице (отдельный объект и его контур) [5]..

Окраска объекта представлена в виде матрицы пикселей М (рис. 3):

(1)

Применение стандартной топологии нейронной сети с использованием методов обучения первого и второго порядка позволяет провести качественную классификацию и выделение примеси для зерновых культур.

Данный метод не универсален, так как при сепарации семян пшеницы с помощью нейросетевого распознавания невозможно отличить примеси, похожие по цвету на семена пшеницы, от качественных семян, предназначенных для дальнейшего посева.

Рис. 3. Представление окраски зерна пиксельной матрицей

Следующий алгоритм основан на идентификации отдельных объектов.

Идентификация объектов на изображении может быть очень трудной задачей. Один из способов упростить данную проблему заключается в изменении градаций серого в бинарное изображение. На этой фазе можно определить отдельный объект [6].

В данном алгоритме работы фон объекта может быть принят как его часть, что является препятствием для идентификации отдельных элементов [7].

Для того, чтобы исключить ошибку, требуется обработка изображения в два этапа:

1) операция сжатия - для удаления пикселей, находящихся от центра на расстоянии, большем, чем радиус объекта;

2) заполнение удаленных пикселей.

В результате обработки все элементы оказываются отделенными друг от друга, что позволит точно их классифицировать: зерновой материал кондиционный или некондиционный, требующий дальнейшей обработки.

Для реализации данного алгоритма требуется сложная обработка изображения, которая занимает много времени. Использование данного метода снижает производительность оптико-электронной сортировки зерна перед посевом.

Одним из примеров данного алгоритма является экспресс-анализ семян люцерны, который предполагает описание семян культурных растений и сорняков с возможностью последующего их разделения на классы [2].

Для сортировки семян пшеницы следующим алгоритмом является цветовой анализ, который основывается на оценке контраста цветовых компонентов зерновой смеси (рис. 4).

Суть данного метода заключается в следующем:

· получить изображение исследуемого объекта;

· выполнить статистическую обработку числовых значений R-, G-, B-, полученных в результате анализа цветных кадров при помощи программного обеспечения аналитического блока;

· выявить закономерность изменения числовых значений цветовых компонентов;

· рассчитать значение контрастов R-G-B- составляющих изображения объекта;

· сортировать зерновую смесь по рассчитанному R-G-B контрасту.

Рис. 4. Схема реализации сепарации семян методом оценки контраста цветовых компонентов

Исходя из основных этапов цветового анализа зерновой смеси, данный алгоритм подходит для сортировки семян пшеницы с целью выявления фузариоза. Причинами выбора алгоритма являются:

· критерий сортировки обеспечивает однозначное определение кондиционного и некондиционного зерна;

· отсутствие сложной обработки изображения, что способствует увеличению производительности сортировочного аппарата.

Для цветового анализа семян пшеницы существуют фотосепараторы - оптико-электронные приборы для измерения характеристик цвета зерна и разделения зерновой смеси по данному признаку.

Для ввода цветного изображения используют специальные системы, которые анализируют интенсивность потока в разных спектрах, а потом их суммируют. На сегодняшний день в аппаратах используются матрицы с 1024 или 2048 пикселей по горизонтали. Матрица ССD осматривает полностью ширину лотка, а не отдельный канал. Рассмотрим принцип работы такой установки. сельскохозяйственный сортировка оптический

Световые излучатели создают световые лучи разной длины волн, которые с помощью оптоволоконной и оптической систем развертки преобразуются в плоский световой поток [8]. Из бункеров вибропитателя семена тонким слоем подаются на скатные лотки. При сходе с этих лотков зерновки попадают в зону светового потока.

Часть светового потока, прошедшего сквозь зерновки, фиксируется быстродействующей камерой. Некондиционные семена пшеницы, в отличие от качественных семян, пропускают меньшее количество света, поэтому камера фиксирует их как более темные объекты по сравнению с качественными зерновками и с помощью системы обработки изображения, подает сигнал на блок пневмоэжекторов [9].

После подачи этого сигнала через расположенные напротив некачественных зерновок пневмоэжекторы подается воздушный поток, с помощью которого примеси и часть зерновок направляются в приемник промежуточной фракции, а качественные семена под действием силы тяжести попадают в приемник чистого продукта.

Промежуточная фракция необходима для уменьшения потерь качественных семян в отход. Промежуточная фракция в процессе работы сепаратора направляется в бункеры вибропитателя [10].

Отделение примесей из промежуточной фракции осуществляется следующим образом. Световые излучатели с помощью развертки создают плоский световой поток. Из бункеров вибропитателя промежуточная фракция тонким слоем подается на скатные лотки. При сходе с этих лотков зерновки попадают в зону светового потока. С помощью камеры и блока пневмоэжекторов некондиционные семена пшеницы направляются в приемник отходов, а качественные семена под действием силы тяжести попадают в приемник чистого продукта, обеспечивая сортировку семян по фракциям с точностью 95% (рис. 5).

Рис. 5. Сравнение семян пшеницы: здоровых и пораженных болезнью

Выводы

1. Рассмотрены 3 основных алгоритма обработки оптического сигнала при распознавании семян сельскохозяйственных культур.

2. Использование данных алгоритмов при сортировке семян существенно снижает потери урожая от различных болезней (фузариоз, головня, ржавчина), а также увеличивает всхожесть семян благодаря использованию только кондиционного и незараженного зерна.

3. Существующие алгоритмы сортировки семян обладают определенными особенностями и в настоящее время широко используются в фотосепараторах зерноочистительных предприятий.

Список использованных источников

1. Бурлин С.В., Лебедев Д.В., Лобунец В.А. Способ сортировки семян // Патент РФ №2245198, 03.09.2003. Бюл. №3.

2. Рутковский И.А., Цыганков Б.К., Бурлин В.Д., Лебедев Д.В. Оптико-электронный экспресс-анализ засоренности семян люцерны трудноотделимыми сорняками // Механизация и электрификация сельского хозяйства. - 2003, №11. - С. 8-9.

3. Можейко В.И., Фисенко В.Т., Фисенко Т.Ю. Автоматическое сопровождение объектов в компьютерных системах обработки изображений // Оптический журнал. - 2007, том 74, № 11. - С. 39-46.

4. Малла С. Вэйвлеты в обработке сигналов: Пер. с англ. - М.: Мир. - 2005. - 671 с.

5. Горьян И.С., Межов Ф.Д., Фисенко В.Т. Введение в цифровую обработку изображений. Учебное пособие. - СПб.: ЭИС им. М.Бонч- Бруевича. - 1992. - 60 c.

6. Домасев М.В., Гнатюк С.П. Управление цветом, цветовые расчеты и измерения. - Спб.: Питер. - 2009. - 224 с.

7. Красильников Н.Н. Цифровая обработка изображений. - М.: Вузовская книга. - 2001. - 320 с.

8. Руденко О.В., Усатиков C.В. Нейросетевое распознавание в технических системах зерноперерабатывающей и пищевой промышленности // Современные проблемы науки и образования. - 2011, №3. - С. 34.

9. Цыганков Б.К., Бурлин С.В., Лебедев Д.В., Новокрещенов О.В. Способ сортировки семян // Патент РФ №2199404, 11.06.2002. Бюл. №7.

10. Лебедев Д.В. Параметры процесса распознавания семян люцерны в семенном материале высокоточным оптико-электронным способом: диссертация на соискание ученой степени кандидата технических наук. - Краснодар. - 2005. - 149 с.

Размещено на Allbest.ru