CN102680488A - 一种基于pca的块状农产品在线识别装置及方法 - Google Patents
一种基于pca的块状农产品在线识别装置及方法 Download PDFInfo
- Publication number
- CN102680488A CN102680488A CN2012100935630A CN201210093563A CN102680488A CN 102680488 A CN102680488 A CN 102680488A CN 2012100935630 A CN2012100935630 A CN 2012100935630A CN 201210093563 A CN201210093563 A CN 201210093563A CN 102680488 A CN102680488 A CN 102680488A
- Authority
- CN
- China
- Prior art keywords
- agricultural products
- massive agricultural
- massive
- image
- pca
- 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.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于PCA块状农产品在线识别装置及方法,其方法包括:S1:根据PCA计算标准块状农产品的特征空间,提取主要特征和计算主要特征的特征参数;S2:对待识别块状农产品进行几何特征和矩不变特征组成的特征向量的采集,并根据S1中的特征参数,进行在线识别。本发明不仅实现了传统方法对块状农产品的分级、结果更客观公正、系统实时性高,并且不会对人的健康和块状农产品的卫生情况造成损害。
Description
技术领域
本发明涉及自动化生产过程在线质量检测领域,特别涉及一种基于PCA的块状农产品在线识别装置及方法。
背景技术
块状农产品无损分类、识别是指:在不接触、不破坏块状农产品的前提下,对块状农产品的颜色、尺寸、形状等外部品质参数进行检测,这些指标对块状农产品的分级和定价有着决定性的影响。PCA:主成分分析(Principal Component Analysis,PCA)是一种掌握事物主要矛盾的统计分析方法,它可以从多元事物中解析出主要影响因素,揭示事物的本质,简化复杂的问题。
机器视觉是一项融合了机械、控制、照明、光学、计算机软硬件等技术的综合技术,涉及到计算机、图像处理、模式识别、人工智能等多个领域。机器视觉系统可以实现对产品的无损害分类和识别,快速、鲁棒地获取大量信息,因此,机器视觉技术作为一种重要的检测手段已经日益引起人们的重视,并广泛地应用于成品检验和质量控制等领域。
鲜切块状农产品的合格率主要由块状农产品的尺寸、颜色和形状三种外观特征决定。目前块状农产品的识别、分选主要依靠感官评判的方法。感官评判是由训练有素的专业分选人员对块状农产品的尺寸、颜色和形状等外观特征进行逐一评判来分选合格的块状农产品和不合格的块状农产品,但人的感觉器官的灵敏度受到经验、精神状态、身体状况以及周围环境等因素的干扰,并且长时间单调乏味的重复劳动,容易使人产生视觉疲劳,从而影响分选结果的准确性。因此,研究开发能够准确、高效、快捷的识别块状农产品的方法,对块状农产品合格率检测以及块状农产品的大批量、自动化生产加工,具有重要意义。
鉴于现有技术的上述缺陷,需要一种新的块状农产品识别方法,以能够有效地对块状农产品尺寸、颜色和形状进行无损识别,并依据识别的匹配度量化块状农产品的合格率。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是:提供一种基于PCA的块状农产品在线识别装置及方法,以能够有效地对块状农产品尺寸、颜色和形状进行无损识别,并依据识别的匹配度量化块状农产品的合格率。
(二)技术方案
为达到上述目的,本发明提供了一种基于PCA的块状农产品在线识别装置,包括:切割系统,用于将农产品切割成块状;输送系统,用于输送所述块状农产品;机器视觉系统,用于采集所述块状农产品图像;图像识别系统,用于根据所述图像数据计算块状农产品的几何特征及矩不变特征,并根据主成分分析PCA对块状农产品进行识别。
更好地,所述图像识别系统包括:图像输入输出控制模块,用于采集机器视觉系统中的块状农产品图像并将所述图像输出至图像分割模块,以及用于显示最终识别结果;图像分割模块,用于将所述块状农产品图像中的块状农产品目标从图像背景中分割出来,并进行预处理;图像特征提取模块,提取块状农产品的边界信息和重心,并计算得到块状农产品的面积、周长和弧度几何特征及矩不变特征;主成分分析模块,用于根据所述几何特征和矩不变特征计算块状农产品的特征空间,并采用PCA方法提取块状农产品的主要特征;图像特征匹配模块,用于计算待识别块状农产品的几何特征和矩不变特征与标准块状农产品的主要特征在所述标准块状农产品的特征空间的距离,根据待识别块状农产品与标准块状农产品的相似度得出最终识别结果。
更好地,所述切割系统包括:切丁机和漏斗,所述切丁机用于将农产品切割成块状,所述漏斗将块状农产品均匀洒落给所述输送系统。
更好地,所述输送系统包括:振动器、第一传送台、第二传送台、直流电机和调节滤板,所述振动器通过振动运动将从所述第一传送台上掉落下来的块状农产品振散、平铺,并且将所述块状农产品振动移动到所述第二传送台上,所述直流电机带动所述第二传送台运送块状农产品,所述调节滤板调节允许通过的块状农产品的大小及个数。
更好地,所述机器视觉系统包括:机器视觉支撑单元、CCD摄像机、LED平面光源和DSP高速图像处理单元,所述CCD摄像机和LED平面光源位于机器视觉支撑单元上方,所述DSP高速图像处理单元通过IEEE1394标准接口与所述图像识别系统连接。
本发明还提供一种基于PCA的块状农产品在线识别方法,包括:
S1:根据PCA计算标准块状农产品的特征空间,提取主要特征和计算主要特征的特征参数;
S2:对待识别块状农产品进行几何特征和矩不变特征组成的特征向量的采集,并根据S1中的特征参数,进行在线识别。
更好地,在S1中包括:
S12:采集一帧标准块状农产品的图像,并转换到灰度空间,将所述标准块状农产品图像从图像背景中分离,并进行预处理;
S13:提取标准块状农产品的边界信息和重心,并利用所述边界信息和重心计算面积、周长和弧度几何特征及矩不变特征。
S14:利用S13中的几何特征及矩不变特征组成特征矩阵,并基于PCA,根据所述特征矩阵计算标准块状农产品的特征空间,提取所述标准块状农产品的主要特征并计算特征参数。
更好地,在S12之前,还包括:S11:将农产品切割成块状,并选取出标准块状农产品。
更好地,在S2中包括:
S22:采集一帧待识别块状农产品的图像,转换到灰度空间,将所述待识别块状农产品图像从图像背景中分离,并进行预处理;
S23:提取待识别块状农产品的边界信息和重心,并利用所述的边界信息和重心计算面积、周长和弧度几何特征及矩不变特征;
S24:将S23中的几何特征和矩不变特征组成的特征向量投影到标所述准块状农产品的特征空间,并计算待识别块状农产品与标准块状农产品在所述特征空间的距离,根据待识别块状农产品与标准块状农产品的相似度得出最终识别结果。
更好地,在S22之前,还包括:S21:将待识别农产品切割成块状。
(三)有益效果
本发明的装置及方法利用高精度在线模式识别系统处理图像数据,通过利用标准块状农产品特征的统计信息建立精确的数学模型,将待识别块状农产品的特征投影到特征空间,并用欧氏距离量化相似度,以识别合格的块状农产品和不合格的块状农产品,得到块状农产品的合格率。
本发明装置及方法与人工检测相比,结果更客观公正,并且不会对人的健康和块状农产品的卫生情况造成损害,将机器视觉用于块状农产品分选过程中,既可以解放劳动力,使人脱离重复乏味的简单劳动,又可以排除人的主观因素干扰,提高检测的可信度,该发明可以应用于块状农产品的自动化生产、检测过程。
附图说明
图1为依照本发明一种实施方式的基于PCA的块状农产品在线识别装置结构示意图;
图2为依照本发明一种实施方式的基于PCA的块状农产品在线识别装置中的图像识别系统结构框图;
图3为建立基于PCA的块状农产品在线识别特征空间及特征参数的方法流程图;
图4为依照本发明一种实施方式的基于PCA的块状农产品在线识别方法流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本发明提供一种基于PCA的块状农产品在线识别装置,其包括:切割系统、输送系统、机器视觉系统和图像识别系统。切割系统用于将农产品切割成块状;输送系统用于输送块状农产品;机器视觉系统用于采集块状农产品的图像数据;图像识别系统用于识别机器视觉系统采集的图像数据。
如图1所示,在本实施方式的装置中,切割系统包括:切丁机1和漏斗2,切丁机1用于将农产品切割成块状,漏斗2将块状农产品均匀洒落在第一传送台41上。
输送系统包括:振动器3、第一传送台41、第二传送台42、直流电机5和调节滤板6,振动器3通过振动运动将从第一传送台41上掉落下来的块状农产品振散、平铺,并且将块状农产品振动移动到第二传送台42上,直流电机5带动第二传送台42运送块状农产品,也就是说控制直流电机5,可以调节第二传送台42的速度;调节滤板6调节允许通过的块状农产品的大小及个数,换句话说,通过调节可调节滤板6的高度,控制一次只能通过一层的块状农产品。
机器视觉系统包括:机器视觉支撑单元7、CCD摄像机8、LED平面光源9和DSP高速图像处理单元10,CCD摄像机8和LED平面光源9位于机器视觉支撑单元7的上方,DSP高速图像处理单元10通过IEEE1394标准接口11与图像识别系统13连接。当块状农产品通过第二传送台42传送到CCD摄像机8下方时,机器视觉支撑系统7自动调整高度,CCD摄像机8自动调整焦距,使CCD摄像机8镜头的上边界与第二传送台42保持在一个水平面上,并使待测块状农产品在CCD摄像机8中的图像大小合适,同时根据当前的光照环境调整LED平面光源9的亮度,为测量提供稳定可靠的光照条件,通过设置时钟触发CCD摄像机8在一定的时间间隔内采集图像,并且将该图像通过具有IEEE1394标准接口11的DSP高速图像处理系统10传输到图像识别系统13中,所述图像识别系统13模拟人的大脑对图像数据进行模式识别处理,并计算出被测块状农产品的合格率,最后输出显示。
如图2所示,图像识别系统13包括:图像输入输出控制模块、图像分割模块、图像特征提取模块、主成分分析模块、以及图像特征匹配模块。其中:
图像输入输出控制模块,用于采集机器视觉系统中的块状农产品图像并将所述图像输出至图像分割模块,以及用于显示最终识别结果;
图像分割模块,用于将所述块状农产品图像中的块状农产品目标从图像背景中分割出来,并进行预处理;
图像特征提取模块,提取块状农产品的边界信息和重心,并计算得到块状农产品的面积、周长和弧度几何特征和矩不变特征;
主成分分析模块,用于根据所述几何特征和矩不变特征计算块状农产品的特征空间,并根据PCA提取块状农产品的主要特征;
图像特征匹配模块,用于计算待识别块状农产品的几何特征和矩不变特征与标准块状农产品的主要特征在所述标准块状农产品的特征空间的距离,根据待识别块状农产品与标准块状农产品的相似度得出最终识别结果。
一种基于PCA的块状农产品在线识别方法,包括:
S1:计算标准块状农产品的特征空间,提取主要特征和计算主要特征的特征参数;
S2:对待识别块状农产品进行几何特征和矩不变特征组成的特征向量的采集并根据S1中的特征参数,进行在线识别。
如图3所示,S1:计算标准块状农产品的特征空间,提取主要特征和计算主要特征的特征参数包括如下步骤:
S11:将农产品切割成块状,并由人工选取出标准块状农产品(例如:1cm*1cm*1cm)。
S12:由图像输入输出控制模块采集一帧标准块状农产品的图像,并转换到灰度空间,采用自适应阈值法将所述块状农产品图像从复杂背景中分离,并进行预处理,这是由于:当背景发生变化,如照明不均匀、有突发噪声,或者背景灰度变化较大、块状农产品灰度变化、阴影影响时,把块状农产品的图像从背景中分割的阈值也可能发生变化,并且整幅图像用单一阈值不可能很好的分割,因此需要用自适应阈值的方法进行背景分割,使分割更加鲁棒。具体地,需要把图像分成一个个小区域,针对每一个小区域,选取一个阈值进行分割;然后将自适应阈值分割得到的二值图像采用中值滤波法进行预处理,这是由于图像信息在采集过程中会受到很多噪声源的干扰,若不经过去噪,会对后续的图像特征提取带来影响。中值滤波法是一种基于排序统计理论的能有效抑制噪声的非线性平滑技术,其基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近真实值,从而消除孤立的噪声点,即可做到噪声抑制、滤波脉冲干扰及图像扫描噪声,又可以克服线性滤波器带来的图像细节模糊,保持图像边界信息。
S13:图像特征提取模块采用形态学开闭运算填充空洞,利用八连通序贯算法提取连通区域,(八连通序贯算法:采用二次扫描图像的方式,将图像中八连通的连通区域标上不同的记号从而将不同的前景分割的方法,该方法的速度受图像中连通区域的个数和面积影响较小)得到独立标准块状农产品的边界信息和重心。具体地说:由于背景分割之后的二值图像,可能存在空洞,如果直接提取连通区域,将会对计算连通区域的面积产生较大的影响,直接影响了后期块状农产品特征的提取结果,因此,采用数学形态学的开闭运算进行孔径的填充。利用Hu矩不变特征算法计算标准块状农产品的7个矩不变特征。
也就是说,利用标准块状农产品的边界信息和重心计算面积、周长和弧度等几何特征及7个矩不变特征。
S14:利用S13中的几何特征及7个矩不变特征组成特征矩阵,并根据所述特征矩阵计算标准块状农产品的特征空间,提取该标准块状农产品的主要特征并计算特征参数。具体地说:用PCA方法分析学习矩阵,提取标准块状农产品的特征空间,从而得到该类学习样本在特征空间中的主要特征和主要特征的特征参数。这是由于:光照的变换、阴影的影响、噪声的干扰、边界特征在二维形态上的细微差别以及需求的变更都会使分类依据的特征发生变化,同时,分类过程中,如果特征太多则影响速度,对识别效果没有显著的提升,因此,用PCA方法提取主要特征并计算主要特征的特征参数。
如图4所示,S2:对待识别块状农产品进行几何特征和矩不变特征组成的特征向量的采集并根据S1中的特征参数,进行在线识别步骤如下:
S21:该方法步骤与S11相同,请参考S11。
S22:该方法步骤与S12相同,请参考S12,在此不再赘述。
S23:该方法步骤与S13相同,请参考S13,在此不再赘述。
S24:根据S23中的几何特征和7个矩不变特征组成的特征向量投影到标准块状农产品的特征空间,采用欧氏距离(欧几里得度量Euclidean distance)计算待识别块状农产品与标准块状农产品在相应特征空间的距离,用该距离来描述待识别块状农产品与标准块状农产品的相似度,得到合格/不合格的块状农产品,并由图像输入输出控制模块显示出识别结果。
本发明可通用于所有可切成块状的农产品,具体针对某一个所测农产品的切块特征,可改变相关参数,便可以对新的切块尺寸、颜色和形状进行识别。本发明与人工检测相比,结果更客观公正,并且不会对人的健康和块状农产品的卫生情况造成损害,将机器视觉用于块状农产品分选过程中,既可以解放劳动力,使人脱离重复乏味的简单劳动,又可以排除人的主观因素干扰,提高检测的可信度,该发明可以应用于块状农产品的自动化生产、检测过程。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (10)
1.一种基于PCA的块状农产品在线识别装置,其特征在于,包括:
切割系统,用于将农产品切割成块状;
输送系统,用于输送所述块状农产品;
机器视觉系统,用于采集所述块状农产品图像;
图像识别系统,用于根据所述图像数据计算块状农产品的几何特征及矩不变特征,并根据主成分分析PCA方法对块状农产品进行识别。
2.如权利要求1所述的基于PCA的块状农产品在线识别装置,其特征在于,所述图像识别系统包括:
图像输入输出控制模块,用于采集机器视觉系统中的块状农产品图像并将所述图像输出至图像分割模块,以及用于显示最终识别结果;
图像分割模块,用于将所述块状农产品图像中的块状农产品目标从图像背景中分割出来,并进行预处理;
图像特征提取模块,提取块状农产品的边界信息和重心,并计算块状农产品的面积、周长和弧度几何特征及矩不变特征;
主成分分析模块,用于根据所述几何特征和矩不变特征计算块状农产品的特征空间,并采用PCA提取块状农产品的主要特征;
图像特征匹配模块,用于计算待识别块状农产品的几何特征和矩不变特征与标准块状农产品的主要特征在所述标准块状农产品的特征空间的距离,根据待识别块状农产品与标准块状农产品的相似度得出最终识别结果。
3.如权利要求1所述的基于PCA的块状农产品在线识别装置,其特征在于,所述切割系统包括:切丁机和漏斗,所述切丁机用于将农产品切割成块状,所述漏斗将块状农产品均匀洒落给所述输送系统。
4.如权利要求1所述的基于PCA的块状农产品在线识别装置,其特征在于,所述输送系统包括:振动器、第一传送台、第二传送台、直流电机和调节滤板,所述振动器通过振动运动将从所述第一传送台上掉落下来的块状农产品振散、平铺,并且将所述块状农产品振动移动到所述第二传送台上,所述直流电机带动所述第二传送台运送块状农产品,所述调节滤板调节允许通过的块状农产品的大小及个数。
5.如权利要求1所述的基于PCA的块状农产品在线识别装置,其特征在于,所述机器视觉系统包括:机器视觉支撑单元、CCD摄像机、LED平面光源和DSP高速图像处理单元,所述CCD摄像机和LED平面光源位于机器视觉支撑单元上方,所述DSP高速图像处理单元通过IEEE1394标准接口与所述图像识别系统连接。
6.一种基于PCA的块状农产品在线识别方法,其特征在于,包括:
S1:根据PCA计算标准块状农产品的特征空间,提取主要特征和计算主要特征的特征参数;
S2:对待识别块状农产品进行几何特征和矩不变特征组成的特征向量的采集,并根据S1中的特征参数,进行在线识别。
7.如权利要求6所述的基于PCA块状农产品在线识别方法,其特征在于,在S1中包括:
S12:采集一帧标准块状农产品的图像,并转换到灰度空间,将所述标准块状农产品图像从图像背景中分离,并进行预处理;
S13:提取标准块状农产品的边界信息和重心,并利用所述边界信息和重心计算面积、周长和弧度几何特征及矩不变特征。
S14:利用S13中的几何特征及矩不变特征组成特征矩阵,并基于PCA,根据所述特征矩阵计算标准块状农产品的特征空间,提取所述标准块状农产品的主要特征并计算特征参数。
8.如权利要求7所述的基于PCA的块状农产品在线识别方法,其特征在于,在S12之前,还包括:
S11:将农产品切割成块状,并选取出标准块状农产品。
9.如权利要求5所述的基于PCA块状农产品在线识别方法,其特征在于,在S2中包括:
S22:采集一帧待识别块状农产品的图像,转换到灰度空间,将所述待识别块状农产品图像从图像背景中分离,并进行预处理;
S23:提取待识别块状农产品的边界信息和重心,并利用所述的边界信息和重心计算面积、周长和弧度几何特征及矩不变特征;
S24:将S23中的几何特征和矩不变特征组成的特征向量投影到标所述准块状农产品的特征空间,并计算待识别块状农产品与标准块状农产品在所述特征空间的距离,根据待识别块状农产品与标准块状农产品的相似度得出最终识别结果。
10.如权利要求9所述的基于PCA的块状农产品在线识别方法,其特征在于,在S22之前,还包括:
S21:将待识别农产品切割成块状。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210093563.0A CN102680488B (zh) | 2012-03-31 | 2012-03-31 | 一种基于pca的块状农产品在线识别装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210093563.0A CN102680488B (zh) | 2012-03-31 | 2012-03-31 | 一种基于pca的块状农产品在线识别装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102680488A true CN102680488A (zh) | 2012-09-19 |
CN102680488B CN102680488B (zh) | 2015-06-17 |
Family
ID=46812746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210093563.0A Active CN102680488B (zh) | 2012-03-31 | 2012-03-31 | 一种基于pca的块状农产品在线识别装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102680488B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105954252A (zh) * | 2016-04-21 | 2016-09-21 | 北京航空航天大学 | 一种饲料原料中非法添加物苏丹红的定性检测方法 |
CN107064144A (zh) * | 2017-04-20 | 2017-08-18 | 浙江工商大学 | 适用于保持架正反面判别的led灯亮度自适应调整方法 |
CN108399184A (zh) * | 2017-11-29 | 2018-08-14 | 安徽景隆金属材料有限公司 | 一种钢材的表面处理方法 |
CN109511630A (zh) * | 2017-09-20 | 2019-03-26 | 南京理工大学 | 具有目标跟踪功能的智能喷头 |
CN113096111A (zh) * | 2021-04-25 | 2021-07-09 | 深圳市永丰盈电子有限公司 | 物料检测方法、系统、计算机程序产品及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101183427A (zh) * | 2007-12-05 | 2008-05-21 | 浙江工业大学 | 基于计算机视觉的违章停车检测装置 |
CN101907453A (zh) * | 2010-07-23 | 2010-12-08 | 北京农业信息技术研究中心 | 基于机器视觉的块状农产品尺寸在线测量方法与装置 |
CN102393908A (zh) * | 2011-06-29 | 2012-03-28 | 湖南大学 | 混合生产线上的基于机器视觉检测的三种瓶体识别方法 |
-
2012
- 2012-03-31 CN CN201210093563.0A patent/CN102680488B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101183427A (zh) * | 2007-12-05 | 2008-05-21 | 浙江工业大学 | 基于计算机视觉的违章停车检测装置 |
CN101907453A (zh) * | 2010-07-23 | 2010-12-08 | 北京农业信息技术研究中心 | 基于机器视觉的块状农产品尺寸在线测量方法与装置 |
CN102393908A (zh) * | 2011-06-29 | 2012-03-28 | 湖南大学 | 混合生产线上的基于机器视觉检测的三种瓶体识别方法 |
Non-Patent Citations (3)
Title |
---|
王枚 等: "利用图像相关等级的目标判别方法及其应用", 《海军航空工程学院学报》 * |
赵敏等: "玉米籽粒特征提取及主成分分析", 《农业机械》 * |
高异等: "基于PCA的带钢表面缺陷RBF神经网络分类器研究", 《PROCEEDINGS OF THE 8TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105954252A (zh) * | 2016-04-21 | 2016-09-21 | 北京航空航天大学 | 一种饲料原料中非法添加物苏丹红的定性检测方法 |
CN107064144A (zh) * | 2017-04-20 | 2017-08-18 | 浙江工商大学 | 适用于保持架正反面判别的led灯亮度自适应调整方法 |
CN109511630A (zh) * | 2017-09-20 | 2019-03-26 | 南京理工大学 | 具有目标跟踪功能的智能喷头 |
CN109511630B (zh) * | 2017-09-20 | 2021-09-21 | 南京理工大学 | 具有目标跟踪功能的智能喷头 |
CN108399184A (zh) * | 2017-11-29 | 2018-08-14 | 安徽景隆金属材料有限公司 | 一种钢材的表面处理方法 |
CN113096111A (zh) * | 2021-04-25 | 2021-07-09 | 深圳市永丰盈电子有限公司 | 物料检测方法、系统、计算机程序产品及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN102680488B (zh) | 2015-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101907453B (zh) | 基于机器视觉的块状农产品尺寸在线测量方法与装置 | |
CN110807353B (zh) | 一种基于深度学习的变电站异物识别方法、装置及系统 | |
US9527115B2 (en) | Computer vision and machine learning software for grading and sorting plants | |
CN103801520B (zh) | 虾的自动精选分级方法与装置 | |
CN106918594B (zh) | 一种在线分析籽棉色特征和杂质的方法 | |
CN102680488B (zh) | 一种基于pca的块状农产品在线识别装置及方法 | |
KR20200084940A (ko) | Cnn 기반 병해 및 손상 과일 분류 장치 및 방법 | |
CN102509085A (zh) | 基于轮廓不变矩特征的猪行走姿态识别系统和方法 | |
CN104198497A (zh) | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 | |
CN110349125A (zh) | 一种基于机器视觉的led芯片外观缺陷检测方法及系统 | |
CN104056790A (zh) | 一种马铃薯智能分选方法与装置 | |
CN108020556A (zh) | 一种基于机器视觉的玉米种子在线破损检测分类方法 | |
CN103177266A (zh) | 储藏物害虫智能识别系统 | |
CN110736709A (zh) | 一种基于深度卷积神经网络的蓝莓成熟度的无损检测方法 | |
CN107330478A (zh) | 一种圣女果分类方法、系统及圣女果在线分拣系统 | |
CN113222938A (zh) | 芯片缺陷检测方法及系统与计算机可读存储介质 | |
TWI747686B (zh) | 缺陷檢測方法及檢測裝置 | |
CN106872473A (zh) | 一种基于机器视觉的马铃薯缺陷检测识别系统设计 | |
Maheshwari et al. | Non-destructive quality analysis of Indian Gujarat-17 Oryza sativa SSP Indica (Rice) using image processing | |
CN114062366A (zh) | 烟草制丝生产风选剔梗质量在线检测方法及系统 | |
Zhou et al. | Research on cucumber downy mildew detection system based on SVM classification algorithm | |
CN113298077A (zh) | 一种基于深度学习的变电站异物识别定位方法及装置 | |
CN115953627A (zh) | 一种可对辣椒进行品级分类的图像识别系统 | |
de la Cruz et al. | Convolutional neural networks for the Hass avocado classification using LabVIEW in an agro-industrial plant | |
Ignacio et al. | A YOLOv5-based deep learning model for in-situ detection and maturity grading of mango |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |