CN106290359B - 一种苹果脆片品质无损分级的方法 - Google Patents

一种苹果脆片品质无损分级的方法 Download PDF

Info

Publication number
CN106290359B
CN106290359B CN201610589466.9A CN201610589466A CN106290359B CN 106290359 B CN106290359 B CN 106290359B CN 201610589466 A CN201610589466 A CN 201610589466A CN 106290359 B CN106290359 B CN 106290359B
Authority
CN
China
Prior art keywords
value
crisp chip
crisp
apple
image
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.)
Active
Application number
CN201610589466.9A
Other languages
English (en)
Other versions
CN106290359A (zh
Inventor
潘磊庆
魏康丽
屠康
王振杰
孙柯
肖慧
赵保民
陈飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Agricultural University
Original Assignee
Nanjing Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Agricultural University filed Critical Nanjing Agricultural University
Priority to CN201610589466.9A priority Critical patent/CN106290359B/zh
Publication of CN106290359A publication Critical patent/CN106290359A/zh
Application granted granted Critical
Publication of CN106290359B publication Critical patent/CN106290359B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及苹果脆片外部品质分级标准及计算机视觉技术对苹果脆片品质的无损分级方法，属于一种新型的苹果脆片品质无损分级技术。通过计算机视觉装置，获取脆片图像，对脆片图像进行处理，提取大小、形状、颜色和纹理特征参数，优选特征参数。利用模式识别技术对各等级苹果脆片图像特征进行分析，从而实现对苹果脆片的无损分级。本方法操作简便、检测迅速、分级准确，弥补了传统分级方式耗时、费力、费用高、易受主观因素影响、机械损伤较大等不足。

Description

一种苹果脆片品质无损分级的方法
技术领域
本发明涉及苹果脆片五个级别和三个级别的外部品质分级标准及一种基于计算机视觉技术的苹果脆片无损分级方法，属于农产品贮藏与加工无损检测的技术领域。
背景技术
苹果脆片是苹果深精加工制品之一，在国内市场出现较少。它保持了苹果的营养成分、生鲜风味，口感酥脆、形态饱满、膨化均匀，可以满足消费者对脆片食品营养、方便、天然、低脂肪、高膳食纤维的需求。对苹果脆片实现有效的定级是提高苹果脆片品质的第一关。而目前我国尚未出台苹果脆片的外部品质等级规格标准。
目前，传统的果蔬质量分级的方法有：人工分级和机器分级。人工分级方法全凭人的视觉判断，将产品按其颜色、大小等进行分级。耗时长、劳动强度较大，且受人的主观因素影响较大，精度较低，分级标准难以严格执行。机器分级方法以机械判断装置为主，主要有尺寸分级机、重量分级机等，但都对产品的机械损伤很大。因此，传统的分级方法不能满足市场的要求。
计算机视觉又称机器视觉，它是利用图像传感器来代替人眼获取目标图像，然后将图像信息转换成数字信息，结合模式识别等数据处理方法，最终达到分析和做出结论的目的。计算机视觉具有快速、使用简便、制样少等优势，一次可以对大小、形状、颜色、纹理等多个指标进行检测，已广泛应用于果蔬的质量评价，包括苹果、橙子、浆果、香蕉、枣、黄瓜等。
虽然，目前国内外利用计算机视觉技术对果蔬品质检测和分级的研究都比较成熟，但是将计算机视觉系统运用于果蔬脆片等深精加工产品的研究尚未见报道。
发明内容
本发明的目的在于提高苹果脆片的品质，提供苹果脆片五个级别和三个级别的外部品质分级标准，同时克服传统分级技术中存在的不足，提供一种基于计算机视觉的苹果脆片品质无损分级方法。
本发明的技术方案是：
首先确定苹果脆片质量分级标准，其特征是根据大小、形状、颜色、纹理特征将苹果脆片分为五个级别和三个级别，分别为：
五个级别为一等、二等、三等、四等和等外，即：
一等品的品质特征为：
大小：直径≥4.5cm；形状：环形、边缘形态较完整；颜色：均匀，亮度大(浅黄或白色)；纹理：光滑；
二等品的品质特征为：
大小：2.5cm≤直径＜4.5cm；形状：环形、边缘形态缺损较多；颜色：较均匀；纹理：较光滑；
三等品的品质特征为：
大小：直径≥4.5cm；形状：非环形；颜色：均匀，亮度大(浅黄或白色)；纹理：光滑；
四等品的品质特征为：
大小：2.5cm≤直径＜4.5cm；形状：非环形；颜色：较均匀；纹理：较光滑；
等外品的品质特征为：
大小：直径＜2.5cm；形状：环形或非环形；颜色：不均匀或发暗(褐色)；纹理：不光滑。
三个级别为一等、二等和等外，即：
一等品的品质特征为：
大小：直径≥4.5cm；颜色：均匀，亮度大(浅黄或白色)；纹理：光滑；
二等品的品质特征为：
大小：2.5cm≤直径＜4.5cm；颜色：较均匀；纹理：较光滑；
等外品的品质特征为：
大小：直径＜2.5cm；颜色：不均匀或发暗(褐色)；纹理：不光滑。
然后根据确定的苹果脆片外部品质分级标准，开发基于计算机视觉的苹果脆片无损分级方法，其特征是它包括以下步骤：利用计算机视觉图像采集系统采集各级别脆片图像信息；对图像信息进行处理后，提取脆片图像特征参数，然后将优选后的特征参数值输入脆片品质分级模型，分级模型的输出即为脆片等级信息，即：
计算机视觉系统由计算机、相机、光源、支架和底座组件构成；其中，
计算机型号为Dell Optiplex 7010、3.4GHz、内存8G、显卡256M GeForce GT240；
相机型号为NEX-6的索尼相机，自动白平衡，光圈f/9.0，曝光时间为1/50s，曝光补偿为-2.0，ISO 100，焦距为30mm；
光源由两条LED灯组成，每条功率12W，长度为33cm，可手动调节亮度；
底座是由一块30cm×30cm×1.1cm的金属板组成，底座上有螺孔，用来调节和固定支架；
支架为6根35cm的不锈钢支架，一端带有螺纹，另一端带有螺孔；
图像处理主要有转灰度、中值滤波、实验法阈值分割；
图像特征参数提取，其中，分别提取苹果脆片大小、形状、颜色和纹理四方面的特征参数；
所述大小特征参数的提取具体为提取脆片图像像素点个数的总和，以表示脆片的面积记为A，即脆片的大小；
所述形状特征参数的提取包括圆形度和前10项傅里叶系数的提取，具体步骤：
提取脆片区域的外边界周长记为L；
提取前10项傅里叶系数：进行傅里叶变换，并分别选取不同组数的傅里叶系数进行脆片边界重构，根据重构效果选取前10项傅里叶系数作为形状特征参数；
所述颜色特征参数的提取包括红色分量R、绿色分量G、蓝色分量B和色调H的均值的提取，具体步骤：
分别提取RGB图像中所有像素点的R、G、B的均值；
将RGB色彩空间值转换为HIS色彩空间值，提取H的均值；
所述纹理特征参数的提取具体为分别计算灰度共生矩阵的熵，相关性，能量和对比度在0°、45°、90°、135°四个方向上的均值和均方差，即为纹理特征参数；
图像特征参数的优选，其中，五个级别分类确定了面积A、圆形度P、G分量均值、相关性的均值CM、相关性的标准差CMS、能量的标准差ASMMS、第6项傅里叶系数f6共7个特征参数，各个参数的取值范围分别为：
一等：100000≤A≤200000、0.72≤P≤0.80、78≤G≤110、0.984≤CM≤0.997、8.10E-04≤CMS≤2.84E-03、2.52E-04≤ASMMS≤5.60E-04、-243≤f6≤28；
二等：70000≤A≤170000、0.68≤P≤0.78、74≤G≤108、0.979≤CM≤0.996、7.95E-04≤CMS≤2.80E-03、2.40E-04≤ASMMS≤4.18E-04、-285≤f6≤6；
三等：70000≤A≤150000、0.44≤P≤0.80、78≤G≤110、0.984≤CM≤0.997、8.10E-04≤CMS≤2.84E-03、1.99E-04≤ASMMS≤3.628E-04、-350≤f6≤207；
四等：50000≤A≤85000、0.43≤P≤0.69、74≤G≤108、0.979≤CM≤0.996、7.95E-04≤CMS≤2.80E-03、1.60E-04≤ASMMS≤2.74E-04、-350≤f6≤110；
等外：25000≤A≤70000、0.43≤P≤0.80、65≤G≤100、0.984≤CM≤0.997、7.95E-04≤CMS≤3.23E-03、1.20E-05≤ASMMS≤2.23E-04、-303≤f6≤-46；
其中，三个级别分类确定了面积A、H分量均值、熵的均值EM共3个特征参数，各参数的取值范围分别为：
一等：70000≤A≤200000、0.1777≤H≤0.3944、0.3413≤EM≤0.6100；
二等：50000≤A≤170000、0.1558≤H≤0.4155、0.2767≤EM≤0.7369；
等外：25000≤A≤70000、0.1642≤H≤0.4328、0.1598≤EM≤0.3485；
脆片品质分级模型为支持向量机模型(SVM)；将优选后的特征变量集v输入SVM，输出值即为脆片等级，其中SVM核函数为径向基函数，核函数参数gamma值为1，惩罚系数cost值为31.6228。
本发明的有益效果：
本发明根据苹果脆片大小、形状、颜色和纹理特征提出了一种苹果脆片外部品质五个级别的分级标准，同时根据苹果脆片大小、颜色和纹理特征提出了一种苹果脆片外部品质三个级别的分级标准。两种分级标准为实现苹果脆片的分级提供了科学、可行的依据。
然后根据确定的苹果脆片分级标准，利用计算机视觉技术采集苹果脆片图像，对采集到的图像进行相关所需处理，利用大小、形状、颜色和纹理特征进行分析，实现了苹果脆片的无损分级。本发明提高了分级准确性和客观性，检测迅速，分级准确，弥补了传统分级方式耗时、费力、费用高、易受主观因素影响、机械损伤较大等不足。
本发明中通过特征参数的优选，大大地减少了分级模型的复杂度，提高了分级效率。
附图说明
图1：计算机视觉系统示意图。
图2：五个级别苹果脆片图像。
图3：三个级别苹果脆片图像。
图4：基于SPA选取不同数量特征参数对苹果脆片五个级别分级的RMSECV值。
图5：基于SPA选取不同数量特征参数对苹果脆片三个级别分级的RMSECV值。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
如图1所示，一种基于计算机视觉的苹果脆片分级方法，所采用的计算机视觉系统由计算机、相机、光源、支架和底座组件构成；
计算机型号为Dell Optiplex 7010、3.4GHz、内存8G、显卡256M GeForce GT240；
相机型号为NEX-6的索尼相机，自动白平衡，光圈f/9.0，曝光时间为1/50s，曝光补偿为-2.0，ISO 100，焦距为30mm；
光源由两条LED灯组成，每条功率12W，长度为33cm，可手动调节亮度；
底座是由一块30cm×30cm×1.1cm的金属板组成，底座上有螺孔，用来调节和固定支架；
支架为6根35cm的不锈钢支架，一端带有螺纹，另一端带有螺孔。
采用以上所述计算机视觉系统采集到的五个级别和三个级别的苹果脆片图像如图2和图3所示，经过转灰度、中值滤波、实验法阈值分割等图像处理，进行脆片图像特征参数提取，分别提取大小、形状、颜色和纹理四方面的特征参数；
所述大小特征参数的提取具体为提取脆片图像像素点个数的总和，以表示脆片的面积记为A，即脆片的大小；
所述形状特征参数的提取包括圆形度和前10项傅里叶系数的提取，具体步骤：
提取脆片区域的外边界周长记为L；
提取前10项傅里叶系数：进行傅里叶变换，并分别选取不同组数的傅里叶系数进行脆片边界重构，根据重构效果选取前10项傅里叶系数作为形状特征参数；
所述颜色特征参数的提取包括红色分量R、绿色分量G、蓝色分量B和色调H的均值的提取，具体步骤：
第一、分别提取RGB图像中所有像素点的R、G、B的均值；
第二、将RGB色彩空间值转换为HIS色彩空间值，提取H的均值；
所述纹理特征参数的提取具体为分别计算灰度共生矩阵的熵，相关性，能量和对比度在0°、45°、90°、135°四个方向上的均值和均方差，即为纹理特征参数。
如图4和图5所示，将苹果脆片的大小、形状、颜色和纹理特征数据组成的数据矩阵输入连续投影算法(SPA)软件进行特征数据分析筛选。处理前指定最终选取结果的最小变量数为1，最大变量数为10。其中，五个级别分类确定了面积A、圆形度P、G分量均值、相关性的均值CM、相关性的标准差CMS、能量的标准差ASMMS、第6项傅里叶系数f6共7个特征参数，各个参数的取值范围分别为：
一等：100000≤A≤200000、0.72≤P≤0.80、78≤G≤110、0.984≤CM≤0.997、8.10E-04≤CMS≤2.84E-03、2.52E-04≤ASMMS≤5.60E-04、-243≤f6≤28；
二等：70000≤A≤170000、0.68≤P≤0.78、74≤G≤108、0.979≤CM≤0.996、7.95E-04≤CMS≤2.80E-03、2.40E-04≤ASMMS≤4.18E-04、-285≤f6≤6；
三等：70000≤A≤150000、0.44≤P≤0.80、78≤G≤110、0.984≤CM≤0.997、8.10E-04≤CMS≤2.84E-03、1.99E-04≤ASMMS≤3.628E-04、-350≤f6≤207；
四等：50000≤A≤85000、0.43≤P≤0.69、74≤G≤108、0.979≤CM≤0.996、7.95E-04≤CMS≤2.80E-03、1.60E-04≤ASMMS≤2.74E-04、-350≤f6≤110；
等外：25000≤A≤70000、0.43≤P≤0.80、65≤G≤100、0.984≤CM≤0.997、7.95E-04≤CMS≤3.23E-03、1.20E-05≤ASMMS≤2.23E-04、-303≤f6≤-46；
其中，三个级别分类确定了面积A、H分量均值、熵的均值EM共3个特征参数，各参数的取值范围分别为：
一等：70000≤A≤200000、0.1777≤H≤0.3944、0.3413≤EM≤0.6100；
二等：50000≤A≤170000、0.1558≤H≤0.4155、0.2767≤EM≤0.7369；
等外：25000≤A≤70000、0.1642≤H≤0.4328、0.1598≤EM≤0.3485；
所述脆片品质分级模型为支持向量机模型(SVM)；将优选后的特征变量集输入SVM，输出值即为脆片等级。基于SVM模型的五个级别和三个级别的苹果脆片分级结果如表1和表2所示。其中建模集样本数为150个，预测集样本数为50个。
在五个级别的苹果脆片分级中(表1)，建模集准确率达到92.9％，预测集准确率达到91.6％。
在三个级别的苹果脆片分级中(表2)，建模集准确率达到96.2％，预测集准确率达到91.3％。
表1基于SVM模型的苹果脆片五个级别的分级结果
表2基于SVM模型的苹果脆片三个级别的分级结果

Claims (1)

1.一种苹果脆片品质无损分级的方法，包括计算机视觉对苹果外观品质的分级，其特征是包括以下步骤：利用计算机视觉图像系统采集各个级别脆片图像；对图像进行处理后，提取脆片特征参数，然后将优选后的特征参数值输入脆片品质分级模型，模型的输出结果为脆片等级信息，即：
1)计算机视觉系统由计算机、相机、光源、支架和底座组件构成，其中，计算机型号为Dell Optiplex 7010、3.4GHz、内存8G、显卡256M GeForce GT240；相机型号为NEX-6的索尼相机，自动白平衡，光圈f/9.0，曝光时间为1/50s，曝光补偿为-2.0，ISO 100，焦距为30mm；光源由两条LED灯组成，每条功率12W，长度为33cm，可手动调节亮度；底座是由一块30cm×30cm×1.1cm的金属板组成，底座上有螺孔，用来调节和固定支架；支架为6根35cm的不锈钢支架，一端带有螺纹，另一端带有螺孔；
2)图像处理主要有灰度转化、中值滤波、实验法阈值分割；
3)图像特征参数提取，其中，分别提取苹果脆片大小、形状、颜色和纹理四方面的特征参数；所述的大小特征参数提取具体为提取脆片图像像素点个数的总和表示脆片的面积，记为A，即脆片的大小；所述的形状特征参数提取包括圆形度和前10项傅里叶系数的提取，具体步骤为提取脆片区域的外边界周长记为L，计算脆片圆形度提取前10项傅里叶系数，进行傅里叶变换并分别选取不同组数的傅里叶系数进行脆片边界重构，根据重构效果选取前10项傅里叶系数作为形状特征参数；所述的颜色特征参数提取包括红色分量R、绿色分量G、蓝色分量B和色调H的均值，具体步骤为分别提取RGB图像中所有像素点R、G、B的均值，并将RGB色彩空间值转换为HIS色彩空间值，提取H的均值；所述的纹理特征参数提取具体为分别计算灰度共生矩阵的熵、相关性、能量和对比度在0°、45°、90°、135°四个方向上的均值和均方差，即为纹理特征参数；
4)图像特征参数的优选，其中，对五个级别分类确定了面积A、圆形度P、G分量均值、相关性的均值CM、相关性的标准差CMS、能量的标准差ASMMS、第6项傅里叶系数f6共7个特征参数，各个参数的取值范围分别为：
一等：100000≤A≤200000、0.72≤P≤0.80、78≤G≤110、0.984≤CM≤0.997、8.10E-04≤CMS≤2.84E-03、2.52E-04≤ASMMS≤5.60E-04、-243≤f6≤28；
二等：70000≤A≤170000、0.68≤P≤0.78、74≤G≤108、0.979≤CM≤0.996、7.95E-04≤CMS≤2.80E-03、2.40E-04≤ASMMS≤4.18E-04、-285≤f6≤6；
三等：70000≤A≤150000、0.44≤P≤0.80、78≤G≤110、0.984≤CM≤0.997、8.10E-04≤CMS≤2.84E-03、1.99E-04≤ASMMS≤3.628E-04、-350≤f6≤207；
四等：50000≤A≤85000、0.43≤P≤0.69、74≤G≤108、0.979≤CM≤0.996、7.95E-04≤CMS≤2.80E-03、1.60E-04≤ASMMS≤2.74E-04、-350≤f6≤110；
等外：25000≤A≤70000、0.43≤P≤0.80、65≤G≤100、0.984≤CM≤0.997、7.95E-04≤CMS≤3.23E-03、1.20E-05≤ASMMS≤2.23E-04、-303≤f6≤-46；
其中，对三个级别分类确定了面积A、H分量均值、熵的均值EM共3个特征参数，各参数的取值范围分别为：
一等：70000≤A≤200000、0.1777≤H≤0.3944、0.3413≤EM≤0.6100；
二等：50000≤A≤170000、0.1558≤H≤0.4155、0.2767≤EM≤0.7369；
等外：25000≤A≤70000、0.1642≤H≤0.4328、0.1598≤EM≤0.3485；
5)脆片品质分级模型为支持向量机模型(SVM)：将优选后的特征参数值输入SVM，输出值即为脆片等级，其中SVM核函数为径向基函数，核函数参数gamma值为1，惩罚系数cost值为31.6228。
CN201610589466.9A 2016-07-22 2016-07-22 一种苹果脆片品质无损分级的方法 Active CN106290359B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610589466.9A CN106290359B (zh) 2016-07-22 2016-07-22 一种苹果脆片品质无损分级的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610589466.9A CN106290359B (zh) 2016-07-22 2016-07-22 一种苹果脆片品质无损分级的方法

Publications (2)

Publication Number Publication Date
CN106290359A CN106290359A (zh) 2017-01-04
CN106290359B true CN106290359B (zh) 2019-01-11

Family

ID=57652126

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610589466.9A Active CN106290359B (zh) 2016-07-22 2016-07-22 一种苹果脆片品质无损分级的方法

Country Status (1)

Country Link
CN (1) CN106290359B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107527362A (zh) * 2017-08-14 2017-12-29 西安交通大学 一种基于图像纹理特征指标的苹果口感定性鉴别方法
CN110837768B (zh) * 2018-08-16 2023-06-20 武汉大学 一种面向珍稀动物保护的在线检测与识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201156043Y (zh) * 2008-02-26 2008-11-26 浙江大学 食品综合品质无损检测装置
CN101701916A (zh) * 2009-12-01 2010-05-05 中国农业大学 一种玉米品种快速鉴定、鉴别方法
CN102519971A (zh) * 2011-12-01 2012-06-27 浙江工商大学 食用菌杂质在线识别装置及方法
CN102773217A (zh) * 2012-08-20 2012-11-14 四川农业大学 猕猴桃自动分级系统
CN102928431A (zh) * 2012-10-24 2013-02-13 浙江工业大学 基于单目多视角机器视觉的珍珠大小形状在线自动分级装置
CN103514452A (zh) * 2013-07-17 2014-01-15 浙江大学 一种水果形状检测方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201156043Y (zh) * 2008-02-26 2008-11-26 浙江大学 食品综合品质无损检测装置
CN101701916A (zh) * 2009-12-01 2010-05-05 中国农业大学 一种玉米品种快速鉴定、鉴别方法
CN102519971A (zh) * 2011-12-01 2012-06-27 浙江工商大学 食用菌杂质在线识别装置及方法
CN102773217A (zh) * 2012-08-20 2012-11-14 四川农业大学 猕猴桃自动分级系统
CN102928431A (zh) * 2012-10-24 2013-02-13 浙江工业大学 基于单目多视角机器视觉的珍珠大小形状在线自动分级装置
CN103514452A (zh) * 2013-07-17 2014-01-15 浙江大学 一种水果形状检测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
苹果脆片品质评价技术现状及展望;王沛等;《食品与发酵工业》;20101231;第36卷(第9期);全文

Also Published As

Publication number Publication date
CN106290359A (zh) 2017-01-04

Similar Documents

Publication Publication Date Title
Bhargava et al. Fruits and vegetables quality evaluation using computer vision: A review
Ma et al. Applications of computer vision for assessing quality of agri-food products: a review of recent research advances
Zheng et al. A least-squares support vector machine (LS-SVM) based on fractal analysis and CIELab parameters for the detection of browning degree on mango (Mangifera indica L.)
Haidar et al. Image-based date fruit classification
Kim et al. Classification of grapefruit peel diseases using color texture feature analysis
CN102435713B (zh) 中药品质自动检测系统
CN106525732B (zh) 基于高光谱成像技术的苹果内外品质快速无损检测方法
CN105606473B (zh) 一种基于机器视觉的红提葡萄硬度无损检测方法
Eissa et al. Understanding color image processing by machine vision for biological materials
CN103528967B (zh) 基于高光谱图像的过熟蓝靛果果实识别方法
CN105427274A (zh) 一种由青霉感染引起腐烂的柑橘图像检测方法
Rafiq et al. Application of computer vision system in food processing
CN106290359B (zh) 一种苹果脆片品质无损分级的方法
Ropelewska et al. Effect of lacto-fermentation and freeze-drying on the quality of beetroot evaluated using machine vision and sensory analysis
Nasirahmadi et al. Identification of bean varieties according to color features using artificial neural network
Sarkar et al. Supervised learning aided multiple feature analysis for freshness class detection of Indian gooseberry (Phyllanthus emblica)
Pedreschi et al. Grading of potatoes
CN108460380A (zh) 一种基于主颜色的竹条颜色分类方法及系统
Wu et al. Food colour measurement using computer vision
CN110118735B (zh) 一种检测香梨公母的高光谱成像检测方法及装置
Yu et al. Nondestructive testing of external defects on Nanguo pear
CN112816487B (zh) 一种基于机器视觉的皮蛋内部品质无损检测方法
Narendra et al. An intelligent system for identification of Indian Lentil types using Artificial Neural Network (BPNN)
KR101226697B1 (ko) 농산물 선별 방법
Saito et al. Eggplant classification using artificial neural network

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant