Erforschung von Schlüsseltechnologien zur Erkennung von Kornmengen auf der Grundlage der Laser -Bereiche -Technologie

Die Getreideproduktion ist eine bedeutende Branche in der Landwirtschaft Chinas, und die Erkennung von Getreidemenge ist einer der grundlegendsten und wichtigsten Aspekte bei der Kornmanagement und der Bestandskontrolle. Der traditionelle Erkennung der Kornmenge beruht in erster Linie auf Waageverfahren, die Mängel wie geringer Genauigkeit, niedriger Arbeitseffizienz und übermäßige manuelle Eingriffe aufweisen. Mit der kontinuierlichen Entwicklung der Technologie sind neue Methoden zur Erkennung neuer Kornmenge entstanden und bieten Möglichkeiten zur Verbesserung der Genauigkeit und Effizienz der Kornerkennung. Dieses Papier schlägt ein Kornmengen -Nachweisschema vor, das auf dem Laser -Sensor basiert, um eine schnelle, genaue und automatisierte Messung des Kornpfahlvolumens und der Menge zu erreichen.

0

1. Das Kornmengen -Nachweisungsschema basierend auf der Laser -Fernstufetechnologie

①technisches Prinzip

Der Laserentfernungssensor ist eine Messmethode, die auf der Wechselwirkung zwischen Lichtstrahlung und Materie basiert. Aufgrund der Spezifität der Laserwellenlänge und der linearen Ausbreitungseigenschaften von Laserstrahlen kann es die Abstandsinformationen von Zielobjekten genau widerspiegeln. Daher haben wir uns für die Laser -Rangentechnologie für die Volumenmessung von Getreidepfählen entschieden.

② Measurement -Ausrüstung

Die Kernausrüstung für die Erkennung von Kornmengen ist der Laser -Entfernungsmesser und die Kamera. Der Laser-Entfernungsmesser ist für die Messung der Höhe und Länge des Getreidempfahls verantwortlich, während die Kamera verwendet wird, um die dreidimensionale Form des Getreidestils für die nachfolgende algorithmische Verarbeitung zu erfassen.

③Measurement -Prozess

Der Messvorgang umfasst drei Schritte: automatische Ausrichtung des Laser -Entfernungsmessers und der Kamera, des Laserscannings und der Kamerafotografie. Der spezifische Prozess ist wie folgt:

(1) Der Laser -Entfernungsmesser führt ein Laserscanning durch, während Daten aus dem gescannten Bereich aufgezeichnet werden.
(2) Die Kamera erfasst Bilder des gescannten Bereichs;
(3) Die erhaltenen Messdaten werden durch Algorithmen verarbeitet, um das Volumen des Getreides zu bestimmen.

In den tatsächlichen Messvorgängen müssen wir, da es viele Faktoren gibt, die die Genauigkeit beeinflussen, die Messumgebung kontrollieren, um Messfehler zu verringern. Die Hauptkontrollmaßnahmen umfassen:

(1) Sicherstellung einer sauberen und trockenen Messumgebung, um Störungen wie Reflexionen während des Scannens zu vermeiden;
(2) Vermeidung von Störungen durch Umgebungslicht so weit wie möglich, was durch die Verwendung von Schattierungsbrettern usw. erreicht werden kann;
(3) Einsatz hochpräziser Laser-Entfernungsfinder und Kameras zur Verbesserung der Messgenauigkeit.

④Algorithmusverarbeitung

Nachdem wir die Daten aus Laser -Scan- und Kamerafotografie erhalten haben, müssen wir eine algorithmische Verarbeitung durchführen, um den Volumenwert des Getreidestils zu erhalten. Im Experiment verwendeten wir eine adaptive mediane Filtermethode, um Rauschen zu entfernen, und berechneten das Volumen des Kornstapels durch dreidimensionale Bildrekonstruktion.

2. Analyse der experimentellen Ergebnisse

Um die Genauigkeit und Effizienz des auf dem Lasersensors basierenden Kornmengenerfassungsschemas zu überprüfen, führten wir Experimente durch. Das Messobjekt war ein Haufen von 20 Tonnen Mais. Die experimentellen Ergebnisse zeigten, dass das Schema eine hohe Berechnungsgenauigkeit, Stabilität und Zuverlässigkeit aufwies und den Volumenwert des Getreidestils schnell und genau berechnen konnte. Der Genauigkeitsfehler betrug weniger als 2%.

3. Abschluss

Das auf dem Laser -Entfernungsmodul basierende Kornmengen -Erkennungsschema hat die Merkmale hoher Genauigkeit, hoher Effizienz und Automatisierung, die für die Mengenkennung und das Korninventarmanagement verschiedener Arten von Getreidepfählen geeignet sind. In zukünftigen praktischen Anwendungen werden wir dieses Schema weiter optimieren, um die Anforderungen des Getreidemanagements in verschiedenen komplexen Umgebungen besser anzupassen.