CN102519971A - 食用菌杂质在线识别装置及方法 - Google Patents
食用菌杂质在线识别装置及方法 Download PDFInfo
- Publication number
- CN102519971A CN102519971A CN2011104031556A CN201110403155A CN102519971A CN 102519971 A CN102519971 A CN 102519971A CN 2011104031556 A CN2011104031556 A CN 2011104031556A CN 201110403155 A CN201110403155 A CN 201110403155A CN 102519971 A CN102519971 A CN 102519971A
- Authority
- CN
- China
- Prior art keywords
- edible fungi
- impurity
- image
- online recognition
- recognition device
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 241000233866 Fungi Species 0.000 title claims abstract description 83
- 239000012535 impurity Substances 0.000 title claims abstract description 69
- 210000004209 Hair Anatomy 0.000 claims abstract description 16
- 238000004140 cleaning Methods 0.000 claims abstract description 14
- 238000004519 manufacturing process Methods 0.000 claims abstract description 10
- 239000002362 mulch Substances 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 24
- 238000005286 illumination Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 9
- 240000001498 Asparagus officinalis Species 0.000 claims description 7
- 235000005340 Asparagus officinalis Nutrition 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- CBENFWSGALASAD-UHFFFAOYSA-N ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 claims description 6
- 230000001954 sterilising Effects 0.000 claims description 6
- 238000004659 sterilization and disinfection Methods 0.000 claims description 6
- 238000004506 ultrasonic cleaning Methods 0.000 claims description 6
- 241000628997 Flos Species 0.000 claims description 5
- 230000001131 transforming Effects 0.000 claims description 5
- 240000007902 Ilex paraguariensis Species 0.000 claims description 4
- 240000006794 Volvariella volvacea Species 0.000 claims description 4
- 238000004061 bleaching Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 235000012343 cottonseed oil Nutrition 0.000 abstract 1
- 239000000047 product Substances 0.000 description 17
- 238000004458 analytical method Methods 0.000 description 5
- 235000013399 edible fruits Nutrition 0.000 description 5
- 240000008962 Nicotiana tabacum Species 0.000 description 4
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 4
- 239000000835 fiber Substances 0.000 description 4
- 244000144730 Amygdalus persica Species 0.000 description 3
- 229920000742 Cotton Polymers 0.000 description 3
- 235000006040 Prunus persica var persica Nutrition 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 235000008534 Capsicum annuum var annuum Nutrition 0.000 description 2
- 240000008384 Capsicum annuum var. annuum Species 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 240000008529 Triticum aestivum Species 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009313 farming Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 235000007926 Craterellus fallax Nutrition 0.000 description 1
- 240000007175 Datura inoxia Species 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 241000270295 Serpentes Species 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 244000098345 Triticum durum Species 0.000 description 1
- 235000007264 Triticum durum Nutrition 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000003695 hair diameter Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 239000002516 radical scavenger Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002965 rope Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- HNBDQABBWNOTRU-UHFFFAOYSA-N thalline Chemical compound C1=CC=[Tl]C=C1 HNBDQABBWNOTRU-UHFFFAOYSA-N 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 235000021307 wheat Nutrition 0.000 description 1
Abstract
本发明提供了一种食用菌杂质在线识别装置以及方法，该装置包括食用菌清洗生产线，在所述的食用菌清洗生产线上安装有照明装置、数字摄像机，所述装置还包括图像采集卡和工控机，所述数字摄像机将拍摄的图像经图像采集卡，送入工控机进行图像处理以及杂质识别，所述识别方法采用机器视觉技术，能够将食用菌中的多种杂质，例如头发、绵子壳、编织袋丝、地膜碎片等杂质识别并检测出来。
Description
食用菌杂质在线识别装置及方法技术领域[0001] 本申请涉及一种农产品杂质在线识别装置，特别是一种采用了机器视觉技术的食用菌杂质在线识别装置。背景技术[0002] 在农产品加工业中，从原材料的分级、筛选到加工过程中的烘培、杂质监测、成品分份、成品质量检测等场合，都有机器视觉技术的应用。农产品种类繁多，从蔬菜、水果到肉类等规格不一、千变万化，用机器视觉技术对这类产品进行自动分类、检测、分析和处理是有挑战性的。Tao等（1995)研制成功了 Merling高速高频机器视觉水果分级系统.该系统采用了频谱增强、彩色图像分析、噪声过滤与变换等技术。该设备的处理能力为44t/h，目前已广泛用于苹果、桔子、桃子、西红柿等水果的分级。据报导，美国每年有50%以上的苹果经该设备处理，并已推广到加拿大等其他国家。ZayaS(19^)根据2种不同品种的冬硬麦、冬软麦的形状特征，将它们从8种其它品种小麦中分离出来。Miller等（1989)在桃分级研究中，用彩色摄像机获得桃子表面的灰度图像，提出新算法确定损伤面积。Shearer等 (1990)将圆椒置于透明管内，用彩色CCD摄像机从六个角度拍摄其彩色数字图像，然后将 RGB值转化为HSI三个参数，根据H值及其频率分布判断圆椒的颜色类别，正确率达96%。 张帆等O000)对外形较小的烟叶，利用烟叶面积、周长和缺损等质量特征值的神经元网络提取技术研究也取得了理想的结果。目前已经成功用于农产品加工业的机器视觉产品有大米色选机、水果分选机等。大米色选机主要根据被选物的颜色进行区分，水果分选机的被选物外形较大、颜色区别也较大，因此技术难度不高。而其他的基本上还处于研究阶段，真正产品化的尚不多见。[0003] 在杂质检测方面，棉花异纤维清除机是成功应用于纺织行业的机器视觉系统，其原理主要是通过颜色区分棉花和异纤维，普通的摄像机不能区分和棉花颜色接近的异纤维，如果用紫外摄像机，还可以检测出含荧光的异纤维。陈文涛000；3)研究了烟草在线异物剔除系统，该系统采用HSI颜色模型，以色度为主要特征量，设定阈值对烟草和异物的像素点进行判别，然后统计单元中异物像素点的比例，再进行二次判别。上述异物检测方法都是基于颜色的。[0004] 较上述的农产品分级检测、杂质的检测任务，食用菌在线异物检测的技术难度更大。识别难度主要来自于四个方面：1、作为图像背景的食用菌（主要有金针菇、草菇，冬菇等）外形不规则、尺寸大小不一、位置散乱无序；2、典型杂质头发的形状和颜色易与食用菌图像中的菌体阴影或边界混淆；3、其它杂质如绵子壳、编织袋丝、地膜碎片等，基本上都无固定的形状和大小；4、食用菌半成品含水率较高，反光严重。为了解决这些问题，在光源设计、图像采集处理和识别上都需要更加细致的考虑，为了适应在线识别的要求，识别算法的复杂度和识别速度之间需要权衡考虑。采用计算机识别技术的食用菌在线异物检测系统目前国内外尚无相关报导和产品，国外我们也未找到相同或相近的产品。4发明内容[0005] 本发明的目的在于提供一种食用菌杂质在线识别装置以及方法，所述方法采用机器视觉技术，能够将食用菌中的多种杂质，例如头发、绵子壳、编织袋丝、地膜碎片等杂质识别并检测出来，从而提高食用菌产品生产效率与质量，降低劳动强度和人工成本，降低出口风险，有助提升我国食用菌出口企业的国际形象和市场核心竞争力。[0006] 本发明提供了一种食用菌杂质在线识别装置，该装置包括食用菌清洗生产线，其特征在于：在所述的食用菌清洗生产线上安装有照明装置、数字摄像机，所述装置还包括图像采集卡和工控机，其中所述照明装置位于待识别的食用菌的上方，所述照明装置能够削弱阴影、反光、光照不均勻给图像分割和识别带来的干扰，数字摄像机包括多个摄像头，所述数字摄像机通过数据连接线连接图像采集卡，从而将拍摄的图像经图像采集卡，送入工控机进行图像处理以及杂质识别。[0007] 进一步的，所述照明装置选择无影的均勻扩散照明方式，采用条形光、环形荧光灯或圆顶照明，并加装漫射板，并且采用不同波长的滤镜。[0008] 进一步的，根据所述食用菌清洗生产线的宽度和生产线的移动速度，调整所述数字摄像头的焦距和光圈大小，设定镜头距离检测目标的距离，并调节照明系统的亮度和照明角度，以便获取清晰的图像。[0009] 进一步的，所述数字摄像机采用2/3"彩色面阵(XD，配5百万像素镜头，镜头距离检测目标20cm〜30cm，视场为50mmX50mm，以每秒9帧的速度拍摄图像，每帧图像为 2452X2056像素，每像素8bit。[0010] 进一步的，所述食用菌清洗生产线的运动速度为约M米/分钟。[0011] 进一步的，工控机还负责人机界面、历史数据和图像数据的管理、网络通讯、控制功能和打印输出功能。[0012] 进一步的，先将不同规格的食用菌经过超声清洗，臭氧杀菌、脱色漂白，再进行杂质的在线识别。[0013] 进一步的，所述食用菌包括金针菇、草菇和平菇。[0014] 进一步的，所述的杂质包括头发、绵子壳、编织袋丝和地膜碎片。[0015] 本发明还提供了一种一种使用所述的食用菌杂质在线识别装置进行在线识别食用菌中杂质的方法，其特征在于，步骤为：[0016] (a)通过照明系统削弱图像中阴影、反光、光照不均勻等干扰因素；[0017] (b)使用数字摄像机获取含杂质的食用菌的图像；[0018] (c)进行色彩空间转换、图像增强、图像滤波等有利于处理和识别的图像预处理；[0019] (d)应用边缘检测和活动轮廓模型进行食用菌图像中异物的区域分割；[0020] (e)利用几何形状、边缘信息、颜色、纹理等区域信息，提取食用菌和典型杂质的特征；[0021] (f)采用上述步骤（a)-(e)进行离线样本训练，建立代表杂质的混合高斯模型，以取得杂质的边缘特征、区域特征等信息；[0022] (g)针对上述离线样本，构造食用菌阴影区域的神经元网络对比模型，使系统具有对阴影和异物的区分能力；[0023] (f)采用上述步骤（a)-(e)对经过超声清洗、臭氧杀菌、脱色漂白后的在食用菌清洗生产线上以一定速度移动的食用菌在线样本进行分析，将获得的在线样本的边缘特征、 区域特征等信息与上述离线样本训练得到的混合高斯模型进行匹配，得到的匹配概率结合上述神经元网络得到的阴影概率，最后采用多特征模糊推理判决有无杂质。附图说明[0024] 图1为荧光灯照明条件下拍摄的含头发杂质的金针菇图像。[0025] 图2为食用菌杂质在线识别装置结构示意图。[0026] 图3为食用菌杂质在线识别装置的用户界面功能图。[0027] 图4为食用菌杂质在线识别装置的识别算法流程图。[0028] 图5为金针菇中含头发杂质的识别结果举例。具体实施方式[0029] 食用菌清洗生产线将不同规格的食用菌（金针菇、草菇、平菇等）先经过超声清洗，臭氧杀菌、脱色漂白后送入本发明的食用菌杂质在线识别装置。食用菌水平放置在生产线上，生产线运动速度约为M米/分钟。[0030] 如图2所示，食用菌杂质在线识别装置还包括照明系统、CXD摄像机、图像采集卡、 工控机。其中照明系统采用图像处理专用照明光源，并采用无影的均勻扩散照明方式。数字摄像机传感器采用2/3 “彩色面阵CCD，配5百万像素镜头，镜头距离检测目标20cm〜 30cm，视场为50mmX50mm。可根据实际生产线宽度，按需要选用2〜4路摄像头。C⑶摄像机摄像头以每秒9帧的速度拍摄图像，每帧图像为M52 X 2056像素，每像素8bit，该图像经图像采集卡，送入工控机进行处理和识别。工控机还负责人机界面、历史数据和图像数据的管理、网络通讯、控制功能和打印输出功能。[0031] 如图3所示，工控机软件实现用户交互、系统输入输出控制、图像处理、分析、识别、历史数据管理、报表输出及打印、网络通讯功能。[0032] 照明在机器视觉中有着重要地位。设计照明系统，首先要选择合适的光源。照明系统设计的目的是使得测量面光照均勻、强度稳定，并尽量减少图像里的阴影和反光的效果。总体方向上应选择无影的均勻扩散照明方式，具体实施中，可采用条形光、环形荧光灯、 圆顶照明等，并加装漫射板，并且采用不同波长的滤镜。[0033] 本发明使用了先进的图像处理技术，并且研究了针对食用菌中常有的杂质的识别算法。[0034] 本发明的食用菌杂质在线识别装置的进行杂质识别的步骤包括：(a)通过照明系统削弱图像中阴影、反光、光照不均勻等干扰因素；[0035] (b)使用数字摄像机获取含杂质的食用菌的图像；[0036] (c)进行色彩空间转换、图像增强、图像滤波等有利于处理和识别的图像预处理；[0037] (d)应用边缘检测和活动轮廓模型进行食用菌图像中异物的区域分割；[0038] (e)利用几何形状、边缘信息、颜色、纹理等区域信息，提取食用菌和典型杂质的特征；[0039] (f)采用上述步骤（a)-(e)进行离线样本训练，建立代表杂质的混合高斯模型，以取得杂质的边缘特征、区域特征等信息；[0040] (g)针对上述离线样本，构造食用菌阴影区域的神经元网络对比模型，使系统具有对阴影和异物的区分能力；[0041] (f)采用上述步骤（a)-(e)对经过超声清洗、臭氧杀菌、脱色漂白后的在食用菌清洗生产线上以一定速度移动的食用菌在线样本进行分析，将获得的在线样本的边缘特征、 区域特征等信息与上述离线样本训练得到的混合高斯模型进行匹配，得到的匹配概率结合上述神经元网络得到的阴影概率，最后采用多特征模糊推理判决有无杂质。[0042] 本发明的食用菌杂质在线识别装置的识别算法流程图如图4所示。首先是图像处理过程，CCD摄像机得到的原始彩色图像属于RGB色彩空间，不符合人眼视觉色彩区分特性，可将它转换到HSI或YUV色彩空间，以方便颜色特征提取。直接采用色彩图像，由于维数高，数据量大，给分析和搜索带来不便，通常先将彩色图像转化为灰度图像并进行预处理。图像预处理包括灰度归一化处理、线性滤波或非线性滤波进行图像增强，以去除无用的细节（噪声）并增强含特征信息的细节。也可以用色彩空间中的其中一个分量，如YUV空间的U分量进行形状特征提取实验。[0043] 边缘信息是一类重要的底层图像特征信息。本发明采用多尺度边缘提取方法提取边缘信息，该方法可以采用边缘检测算子、小波分析等工具，从灰度梯度信息中提取边缘强度、方向和边缘类型信息。例如，采用小波分析工具，由于小波变换具有的多尺度特性，图像的每个尺度的小波变换都提供了一定的边缘信息，当尺度小时，图像的边缘细节信息较为丰富，边缘定位精度较高，但易受噪声的干扰；大尺度时，图像的边缘稳定，抗噪声好，但定位精度差，将各尺度的边缘图像的结果综合起来，发挥大小尺度的优势，就能得到精确的边缘图像信息。例如对于头发等杂质，由于头发具有细带状特征，而且头发比食用菌较细，头发直径大约为0. 07毫米，根据距离相对较近的两条平行边缘，很快就能定位头发杂质的中轴，据此可以得到中轴的曲率信息、光滑度。这种启发式信息的利用，使得头发杂质的搜索范围大大减小，为后续头发的识别提供了有利条件。[0044] 根据实际杂质图像库，综合出一套杂质模板，再采用匹配滤波，初步确定可能是杂质的区域的中心。然后用活动轮廓模型（snake模型），求出杂质的实际轮廓。得到了可能是杂质的图像区域后，可以进一步提取基于该区域的高级特征，如形状特征、颜色特征、纹理特征等，例如颜色特征的提取对彩色的杂质，如地膜，玻璃绳等的识别有着重要作用。[0045] 然后，针对食用菌中常有的各种杂质，例如，头发、绵子壳、编织袋丝、地膜碎片等， 采用上述图像处理技术进行离线样本训练，建立代表杂质的混合高斯模型，其中包含边缘特征、区域特征等信息。另外，为了区分头发和线状的蘑菇边缘、颗粒状杂质和蘑菇阴影，本发明用蘑菇阴影图像训练了一个神经元网络模型作为阴影对比模型，该神经元网络模型输出值越高，则表明备选区域为食用菌图像阴影的概率越高。进一步地，对于在线样本，在上述图像处理的基础上，基于获得的在线样本的区域形状特征、区域颜色特征以及中轴曲率、 光滑度等信息，将在线样本的这些信息和上述离线样本训练得到的混合高斯模型进行匹配，得到的匹配概率结合神经元网络得到的阴影概率，最后采用多特征模糊推理判决有无杂质。[0046] 目前根据本发明的食用菌杂质在线识别装置在金针菇中含黑色头发杂质情况下的识别率已达到95%，图6是一例识别结果，它所对应的原始图像为图1。[0047] 我国食用菌生产遍布全国，福建、浙江、湖北、山东、河南、四川和云南等省为主产7区。我国也是世界第一蘑菇罐头生产国和出口国，据中国海关统计，2007年前10个月，我国蘑菇罐头出口创汇3. 7亿美元；而2008年和2009年中国食用菌外销遇挫，其中原因之一是国际市场提高了食品安全要求。因此食用菌生产迫切需要自动化的生产设施和自动化质量检测设备。在这样迫切形势下，本发明中的食用菌加工过程中异物在线识别装置有着良好的产业化前景和社会效益。[0048] 利用本发明的采用机器视觉技术的食用菌杂质在线识别装置，解决了食用菌生产过程中异物在线识别这个难题，进一步目标在于开发机器视觉技术在农产品加工行业质量监控中的应用，并进行推广。可针对具体应用进行系统硬软件的组合、裁减和优化，以适用于食品行业、农产品检测等各种应用，因此本发明的技术应用和产业化前景非常广阔。
Claims (10)
1. 一种食用菌杂质在线识别装置，该装置包括食用菌清洗生产线，其特征在于：在所述的食用菌清洗生产线上安装有照明装置、数字摄像机，所述装置还包括图像采集卡和工控机，其中所述照明装置位于待识别的食用菌的上方，所述照明装置能够削弱阴影、反光、 光照不均勻给图像分割和识别带来的干扰，数字摄像机包括多个摄像头，所述数字摄像机通过数据连接线连接图像采集卡，从而将拍摄的图像经图像采集卡，送入工控机进行图像处理以及杂质识别。
2. 一种如权利要求1所述的食用菌杂质在线识别装置，其特征在于：所述照明装置选择无影的均勻扩散照明方式，采用条形光、环形荧光灯或圆顶照明，并加装漫射板，并且采用不同波长的滤镜。
3. —种如权利要求1所述的食用菌杂质在线识别装置，其特征在于根据所述食用菌清洗生产线的宽度和生产线的移动速度，调整所述数字摄像头的焦距和光圈大小，设定镜头距离检测目标的距离，并调节照明系统的亮度和照明角度，以便获取清晰的图像。
4. 一种如权利要求1所述的食用菌杂质在线识别装置，其特征在于所述数字摄像机采用2/3 “彩色面阵CCD，配5百万像素镜头，镜头距离检测目标20cm〜30cm，视场为 50mmX 50mm,以每秒9帧的速度拍摄图像，每帧图像为M52X2056像素，每像素8bit。
5. 一种如权利要求1所述的食用菌杂质在线识别装置，其特征在于所述食用菌清洗生产线的运动速度为约M米/分钟。
6. 一种如权利要求1所述的食用菌杂质在线识别装置，其特征在于工控机还负责人机界面、历史数据和图像数据的管理、网络通讯、控制功能和打印输出功能。
7. —种如权利要求1所述的食用菌杂质在线识别装置，其特征在于先将不同规格的食用菌经过超声清洗，臭氧杀菌、脱色漂白，再进行杂质的在线识别。
8. —种如权利要求1-7中任一项所述的食用菌杂质在线识别装置，其特征在于所述食用菌包括金针菇、草菇和平菇。
9. 一种如权利要求1-7中任一项所述的食用菌杂质在线识别装置，其特征在于所述的杂质包括头发、绵子壳、编织袋丝和地膜碎片。
10. 一种使用如权利要求1-9中任一项所述的食用菌杂质在线识别装置进行在线识别食用菌中杂质的方法，其特征在于，步骤为：(a)通过照明系统削弱图像中阴影、反光、光照不均勻等干扰因素；(b)使用数字摄像机获取含杂质的食用菌的图像；(c)进行色彩空间转换、图像增强、图像滤波等有利于处理和识别的图像预处理；(d)应用边缘检测和活动轮廓模型进行食用菌图像中异物的区域分割；(e)利用几何形状、边缘信息、颜色、纹理等区域信息，提取食用菌和典型杂质的特征；(f)采用上述步骤（a)-(e)进行离线样本训练，建立代表杂质的混合高斯模型，以取得杂质的边缘特征、区域特征等信息；(g)针对上述离线样本，构造食用菌阴影区域的神经元网络对比模型，使系统具有对阴影和异物的区分能力；(f)采用上述步骤（a)-(e)对经过超声清洗、臭氧杀菌、脱色漂白后的在食用菌清洗生产线上以一定速度移动的食用菌在线样本进行分析，将获得的在线样本的边缘特征、区域特征等信息与上述离线样本训练得到的混合高斯模型进行匹配，得到的匹配概率结合上述神经元网络得到的阴影概率，最后采用多特征模糊推理判决有无杂质。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2011104031556A CN102519971A (zh) | 2011-12-01 | 2011-12-01 | 食用菌杂质在线识别装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2011104031556A CN102519971A (zh) | 2011-12-01 | 2011-12-01 | 食用菌杂质在线识别装置及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN102519971A true CN102519971A (zh) | 2012-06-27 |
Family
ID=46290961
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2011104031556A Pending CN102519971A (zh) | 2011-12-01 | 2011-12-01 | 食用菌杂质在线识别装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102519971A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103325123A (zh) * | 2013-07-09 | 2013-09-25 | 江南大学 | 一种基于自适应神经模糊推理系统的图像边缘检测方法 |
| CN105352461A (zh) * | 2015-12-15 | 2016-02-24 | 重庆志成机械有限公司 | 一种用于摩托车配件外观合格检测的图像获取装置 |
| CN105372251A (zh) * | 2015-12-15 | 2016-03-02 | 重庆志成机械有限公司 | 一种用于摩托车配件外观检测系统 |
| CN105758717A (zh) * | 2016-04-09 | 2016-07-13 | 温州经济技术开发区滨海雄杰机电研发工作室 | 盘轮转台光环摄像镍合金v型槽转角靠钳玻璃检验装置 |
| CN105953753A (zh) * | 2016-06-06 | 2016-09-21 | 宁波大学 | 一种坛紫菜叶状体面积的测量装置与方法 |
| CN106290359A (zh) * | 2016-07-22 | 2017-01-04 | 南京农业大学 | 一种苹果脆片品质无损分级的方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102495067A (zh) * | 2011-11-29 | 2012-06-13 | 浙江工商大学 | 一种食用菌杂质在线识别系统 |
-
2011
- 2011-12-01 CN CN2011104031556A patent/CN102519971A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102495067A (zh) * | 2011-11-29 | 2012-06-13 | 浙江工商大学 | 一种食用菌杂质在线识别系统 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103325123A (zh) * | 2013-07-09 | 2013-09-25 | 江南大学 | 一种基于自适应神经模糊推理系统的图像边缘检测方法 |
| CN105352461A (zh) * | 2015-12-15 | 2016-02-24 | 重庆志成机械有限公司 | 一种用于摩托车配件外观合格检测的图像获取装置 |
| CN105372251A (zh) * | 2015-12-15 | 2016-03-02 | 重庆志成机械有限公司 | 一种用于摩托车配件外观检测系统 |
| CN105758717A (zh) * | 2016-04-09 | 2016-07-13 | 温州经济技术开发区滨海雄杰机电研发工作室 | 盘轮转台光环摄像镍合金v型槽转角靠钳玻璃检验装置 |
| CN105953753A (zh) * | 2016-06-06 | 2016-09-21 | 宁波大学 | 一种坛紫菜叶状体面积的测量装置与方法 |
| CN106290359A (zh) * | 2016-07-22 | 2017-01-04 | 南京农业大学 | 一种苹果脆片品质无损分级的方法 |
| CN106290359B (zh) * | 2016-07-22 | 2019-01-11 | 南京农业大学 | 一种苹果脆片品质无损分级的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102495067B (zh) | 一种食用菌杂质在线识别系统 | |
| CN102519971A (zh) | 食用菌杂质在线识别装置及方法 | |
| Sahu et al. | Defect identification and maturity detection of mango fruits using image analysis | |
| CN107486415A (zh) | 基于机器视觉的篾片缺陷在线检测系统及检测方法 | |
| CN104715239B (zh) | 一种基于去雾处理和权重分块的车辆颜色识别方法 | |
| CN201935873U (zh) | 瓶盖在线影像检测系统 | |
| CN104574389A (zh) | 基于彩色机器视觉的电池片色差分选控制方法 | |
| CN103034838B (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
| CN102521564A (zh) | 基于颜色和形状识别茶叶的方法 | |
| CN101984346A (zh) | 基于低通滤波的水果表面缺陷检测方法 | |
| CN110276386A (zh) | 一种基于机器视觉的苹果分级方法及系统 | |
| CN104048966B (zh) | 一种基于大律法的布面疵点检测及分类方法 | |
| CN103914708A (zh) | 基于机器视觉的食品品种检测方法及系统 | |
| CN106370667A (zh) | 一种玉米籽粒品质视觉检测装置及方法 | |
| CN104646315A (zh) | 一种具有黄曲霉素检测功能的农产品智能分选机 | |
| CN102601063B (zh) | 一种竹片自动识别分级方法 | |
| Sahu et al. | Identification and classification of mango fruits using image processing | |
| CN103440035A (zh) | 一种三维空间中的手势识别系统及其识别方法 | |
| CN114627116B (zh) | 一种基于人工智能的织物疵点识别方法及系统 | |
| CN104952754A (zh) | 基于机器视觉的镀膜后硅片分选方法 | |
| CN207238542U (zh) | 一种基于机器视觉的篾片缺陷在线检测系统 | |
| CN202614694U (zh) | 数字式食用菌杂质识别装置 | |
| CN204699963U (zh) | 一种具有黄曲霉素检测功能的农产品智能分选机 | |
| CN103543107A (zh) | 基于机器视觉和高光谱技术的烟叶智能分级系统和方法 | |
| CN102788806A (zh) | 基于类球形亮度变换的水果表面缺陷检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C12 | Rejection of a patent application after its publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20120627 |