基于语义分割的粮仓粮食数量变化动态监测方法

为了高效、准确且低成本监测粮仓粮食数量变化情况,研究提出一种基于语义分割的粮仓粮食数量变化动态监测方法,利用深度学习技术对粮仓仓内摄像机采集的图像进行分析,实现对粮仓仓内粮食数量变化情况的动态监测。通过将监测结果与仓内近期业务数据进行比对,可及时发现违法违规行为线索并预警,提高日常监管的针对性和效率。本研究选取粮仓仓内监控摄像机采集的图像作为数据集,构建了基于DeepLabV3+的粮仓粮食数量变化动态监测模型,通过提取判断粮面变化的参照边界,利用参照边界像素值的变化判断仓内粮食数量变化情况,并通过引入基于MobileNetV2的特征提取网络,提高了模型识别的准确性和计算效率。实验结果表明,该模型平均交并比和平均像素准确率分别达到89.57%和94.53%,参数量为5.818 M,MIoU分别比PSPNet模型和UNet模型高0.95%和0.88%。通过对50个粮仓的测试分析,模型识别得到的仓内粮食数量变化情况与实际情况的一致性为96%,验证了该方法的有效性,为粮仓粮食数量的动态监测提供了新的思路。

基于机器视觉的散装粮随机扦样方法研究

针对粮食收购过程中扦样设区选点不科学、不合理导致的扦取样品代表性不足和存在人为舞弊风险的问题,提出一种结合双目视觉与图像分割技术的散装粮随机扦样方法。首先使用双目相机获取装粮区域图像信息并校正,利用Unet网络模型实现校正后左图像目标分割,再使用Opencv计算目标区域4个角点像素坐标,根据扦样规则将目标区域划分为多个扦样区域并随机生成扦样点,最后针对BM匹配算法生成视差图效果较差的问题,采用SGBM(Semi-Global Matching)半全局立体匹配算法对校正后左右图像立体匹配,根据匹配结果完成扦样点三维空间定位。实验结果表明,所述方法针对装粮区域有较好的识别效果,并且实现了在3 m范围内扦样点的随机选取与定位,对粮食扦样环节的自动化和智能化发展提供了技术支撑。

粮仓粮食数量监测技术研究现状与展望

数量真实是保障国家粮食安全的重要组成部分,对粮食库存数量的监管也影响着国家粮食安全。但是,由于粮食存储点多、面广,监管难度较大,“转圈粮”、擅自动用、未轮报轮等涉及粮食库存数量的违法违规案件时有发生,因此需要加强粮食监管,以避免此类事件发生。近年来,随着科技快速发展,粮仓粮食数量监测的相关技术不断涌现,并在保障国家粮食安全方面发挥了显著作用。文章主要针对压力传感器、三维激光扫描、超声波、雷达、图像处理等技术,阐述了这几种粮仓粮食数量监测技术的主要原理和优缺点,并对粮仓粮食数量监测技术领域存在的问题和未来应用研究趋势进行了展望。

基于双目立体视觉的粮食智能随机扦样方法

针对粮食收购入库环节,传统扦样方式常存在扦样区域划分不科学、扦取样品代表性不足、扦样效率不高等问题,以及“人情粮”等舞弊风险,提出一种基于双目立体视觉的粮食智能随机扦样方法。首先使用双目立体相机获取散粮运输车的左右图像,利用图像分割技术自动识别车厢厢体及装粮区域,然后按照预先设定的随机扦样规则划分扦样区域并得到一系列扦样点,接着通过视差分析和立体匹配得到扦样点的三维坐标信息,最后自动生成扦样机控制指令,实现全过程智能随机扦样。