CN107576600B - 一种抹茶粒度等级的快速检测方法 - Google Patents

一种抹茶粒度等级的快速检测方法 Download PDF

Info

Publication number
CN107576600B
CN107576600B CN201710660214.5A CN201710660214A CN107576600B CN 107576600 B CN107576600 B CN 107576600B CN 201710660214 A CN201710660214 A CN 201710660214A CN 107576600 B CN107576600 B CN 107576600B
Authority
CN
China
Prior art keywords
matcha
image
granularity
hyperspectral
occurrence matrix
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
CN201710660214.5A
Other languages
English (en)
Other versions
CN107576600A (zh
Inventor
陈全胜
孙浩
陈敏
郭志明
李欢欢
程武
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.)
Jiangsu University
Original Assignee
Jiangsu 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 Jiangsu University filed Critical Jiangsu University
Priority to CN201710660214.5A priority Critical patent/CN107576600B/zh
Publication of CN107576600A publication Critical patent/CN107576600A/zh
Application granted granted Critical
Publication of CN107576600B publication Critical patent/CN107576600B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Abstract

本发明提供了一种抹茶粒度等级的快速检测方法。采用粒状分子筛粒度测定方法,测定不同等级的抹茶粒度;结合显微技术,利用高光谱图像检测系统,采集抹茶的高光谱图像数据;经黑白标定后,对抹茶高光谱图像进行感兴趣区域提取、数据降维;最后对特征光谱图像进行纹理特征提取,构建图像纹理特征与不同等级抹茶粒度等级定性分析模型,实现抹茶粒度等级的检测。本发明的方法,基于显微和高光谱图像技术,可对抹茶粒度等级进行快速的定性检测,相比于传统粒状分子筛粒度测定方法,可显著提高检测效率,更适用于抹茶深加工领域的在线检测分析。

Description

一种抹茶粒度等级的快速检测方法
技术领域
本发明涉及抹茶粒度等级的检测方法,具体是基于显微与高光谱技术,快速、无损的鉴定抹茶粒度等级的高低。
背景技术
抹茶,即采用覆盖栽培的茶树鲜叶经蒸汽(或热风)杀青后、干燥制成的叶片为原料,经研磨工艺加工而成的微粉状茶产品,富含人体多种必需微量元素和营养成分,具有很高的营养保健价值。其中,抹茶加工生产过程中最为关键的工序是对碾茶的研磨,抹茶茶粉颗粒的大小直接影响着抹茶质量等级的划分。因此有必要去研究抹茶粒度等级的快速检测方法,这对于抹茶加工过程的等级鉴定具有十分重要的意义。
传统方法大多采用GB/T 6288-1986《粒状分子筛粒度测定方法》测定抹茶粒度,使用直径为200mm的不锈钢筛作为标准筛,以不同规格的尼龙布孔径进行筛分,该法耗时费力、主观性强、检测速度慢,在抹茶加工过程品质的快速检测领域存在一定的局限性。
高光谱成像技术,是光谱分析技术和图像处理技术在最低层面上的融合技术,其中光谱技术能检测农畜产品物理结构、化学成分等,图像技术能全面反映农畜产品的外在特征。因此,高光谱图像既能对农畜产品的内外部特征进行可视化分析,也能进行其内部有效成分的定量预测。基于此,高光谱成像技术已应用于农畜产品的大小、形状、纹理、颜色和表面缺陷等外观质量特征的检测,但在抹茶品质检测研究方面未见报道。
如中国专利申请号为CN201410603209.7的“一种基于高光谱图像对腐败真菌生长预测的方法”专利,通过三种真菌不同生长阶段的高光谱图像,构建了真菌的生长模型,实现了水果腐败真菌病害的检测、监测和控制,但该检测方法局限于微生物的分类与鉴定,且微生物的生长较为耗时,该系统对于抹茶加工过程的在线检测不具有较高的应用价值。
如中国专利申请号为CN201410151741.X的“一种基于高光谱的果蔬表面损伤检测装置”专利,利用基于高光谱的果蔬表面损伤检测装置,获得待测果蔬表面的全部光谱图像,避免了食品检测中出现盲点,减少了食品分级中的误判,但是该平台结构复杂、操作繁琐,且仅适用于较大类型的果蔬检测,不适用抹茶微小颗粒等级的快速检测应用。
因此寻找一种简便快速检测抹茶粒度等级的方法,对满足实际市场需求有着重要的显示意义。本发明基于显微与高光谱技术采集抹茶的高光谱图像数据,经黑白标定后,对抹茶高光谱图像进行感兴趣区域提取、数据降维,得到特征光谱图像;再对特征光谱图像进行纹理特征提取,构建图像纹理特征与不同等级抹茶粒度等级定性分析模型,实现抹茶粒度等级的检测。
发明内容
本发明的目的是提供了一种基于高光谱成像技术的抹茶粒度等级检测方法,实现了抹茶粒度等级的快速检测分析,适用于抹茶深加工领域的现场检测。
针对本发明的方法,具体采用的技术方案如下:
步骤一,采用粒状分子筛粒度测定方法,测定不同等级的抹茶粒度大小,得到国标方法测定的抹茶粒度等级划分数据;
步骤二,打开高光谱图像检测系统,将样品放置于样品杯内,以卤素灯进行照明,结合显微镜头模块,瞬时视场下的样品通过步进电机到达高光谱相机扫描区域,通过二者的相对位移,得到抹茶高光谱图像;
步骤三,先对抹茶高光谱图像进行感兴趣区域提取;再进行数据降维,得到特征光谱图像;最后进行纹理特征提取,构建图像纹理特征与抹茶粒度等级定性分析模型;
步骤四,采用K最邻近法,对模型优化分析,实现抹茶粒度等级的检测。
进一步,步骤二中,所述抹茶高光谱图像的采集,须提前将高光谱图像检测系统打开并预热40min;所述样品杯,为直径高为15mm的玻璃器皿;所述器皿,置于黑色底面不产生镜面反射的底板上;所述卤素灯,采用三个功率为120W的光纤卤素灯,两两水平面夹角为120°。
进一步,步骤二中,所述显微镜头,选取80倍作为最佳放大倍数;所述最佳倍数,是依次筛选10倍、40倍、80倍、100倍的结果。
进一步,步骤二中,所述步进电机,移动速度为0.58mm/s的速度通过高光谱相机扫描区域;所述移动速度,可使圆柱形器皿的采集形状与真实器皿形态所匹配;所述移动距离,设置为6-12mm。
进一步,步骤二中,所述高光谱相机,包括CCD相机和光谱模块;所述CCD相机,光谱分辨率为2.8nm,狭缝宽度为30um,样品采集信息较佳;所述CCD相机的曝光时间设置为15ms。
进一步,步骤二中,所述高光谱图像,由618个波长下的图像拼接完成;所述拼接,在于由线型图像形成一个三维数据块。
进一步,步骤三中,所述感兴趣区域,选取200×200pixel范围内的区域进行处理;所述数据降维,选取主成分为5的主成分分析方法,删除冗余信息效果明显;所述主成分分析,依据方差贡献率提取第一主成分所对应的的5个特征波长。
进一步,步骤三中,所述特征图像,为5个特征波长592.48nm、631.88nm、714.79nm、787.06nm、817.66nm下的灰度图像;所述纹理特征,采用灰度共生矩阵方法进行提取5个特征波长下的特征图像;所述灰度共生矩阵方法,采用glcms=graycomatrix(I,param1,val1,param2,val2,...)产生图像I的灰度共生矩阵GLCM,其中灰度界限设为[]、灰度归一范围设为8、坐标为右上角45°方向。
进一步,步骤三中,所述纹理特征,包括样品特征图像的对比度、相关性、熵和能量;所述对比度,依据进行特征提取,其中Con表示图像的对比度、i表示共生矩阵的行、j表示共生矩阵的列、P(i,j)表示共生概率;所述相关性,依据进行特征提取,其中Corr表示图像的相关性、i表示共生矩阵的行、j表示共生矩阵的列、ui表示在某行方向的灰度、uj表示在某列方向的灰度、σi表示行的标准差、σj表示列的标准差、P(i,j)表示共生概率;所述熵,依据进行特征提取,其中Ent表示图像的熵、i表示共生矩阵的行、j表示共生矩阵的列、logP(i,j)表示共生概率的对数;所述能量,依据进行特征提取,其中Asm表示图像的能量、i表示共生矩阵的行、j表示共生矩阵的列、P(i,j)表示共生概率。
进一步,步骤四中,所述K邻近法,是比较LDA、SVM、BP-ANN之后选择出最优的算法;所述K邻近法,在主成分为3,K为3的时候,模型的识别率最佳。
本发明的有益效果,具体如下:
其一,对于抹茶高光谱图像的采集:针对抹茶粒度的特有属性,结合显微与高光谱相融合的技术,配置相应的扫描参数,采用高光谱图像检测系统得到抹茶高光谱图像;
其二,对于抹茶高光谱成像数据的处理:先对抹茶高光谱图像进行感兴趣区域提取;再进行数据降维,得到特征光谱图像;最后对特征光谱图像进行纹理特征提取,构建图像纹理特征与抹茶粒度等级定性分析模型;
其三,对于抹茶粒度等级的快速检测:本发明基于高光谱成像技术,可为抹茶加工过程中粒度等级的评定提供新的检测方法,以辅助或代替专业评判人员,可控制从原料到工艺的整个生产过程,从而使产品质量得到保证。
附图说明
图1为本发明高光谱图像检测系统装置示意图;
图2为本发明抹茶粒度等级模型预测方法示意图;
图3为本发明抹茶粒度等级KNN模型的训练集(a)和预测集(b)数据图。
具体实施方式
以下将结合附图和具体实施方式对本发明的技术方案作进一步详细说明。本发明对粉状颗粒等级检测具有通用性。本实施案例所选的抹茶粒度等级为抹茶品质评判的重要指标,其它粉状颗粒可参考此实例进行。
本实施案例利用高光谱图像检测系统采集抹茶茶粉的高光谱图像,进行感兴趣区域提取、数据降维,构建图像纹理特征与抹茶粒度等级定性分析模型,实现抹茶粒度等级的检测。具体技术方案如下:
步骤一,采用粒状分子筛粒度测定方法,测定不同等级的抹茶粒度大小,得到国标方法测定的抹茶粒度等级划分数据;
步骤二,打开高光谱图像检测系统,将样品放置于样品杯内,以卤素灯进行照明,结合显微镜头模块,瞬时视场下的样品通过步进电机到达高光谱相机扫描区域,通过二者的相对位移,得到抹茶高光谱图像;所述抹茶高光谱图像的采集,须提前将高光谱图像检测系统打开并预热40min;所述样品杯,为直径高为15mm的玻璃器皿;所述器皿,置于黑色底面不产生镜面反射的底板上;所述卤素灯,采用三个功率为120W的光纤卤素灯,两两水平面夹角为120°;所述显微镜头,选取80倍作为最佳放大倍数;所述最佳倍数,是依次筛选10倍、40倍、80倍、100倍的结果;所述步进电机,移动速度为0.58mm/s的速度通过高光谱相机扫描区域;所述移动速度,可使圆柱形器皿的采集形状与真实器皿形态所匹配;所述移动距离,设置为6-12mm;所述高光谱相机,包括CCD相机和光谱模块;所述CCD相机,光谱分辨率为2.8nm,狭缝宽度为30um,样品采集信息较佳;所述CCD相机的曝光时间设置为15ms;所述高光谱图像,由618个波长下的图像拼接完成;所述拼接,在于由线型图像形成一个三维数据块。
步骤三,先对抹茶高光谱图像进行感兴趣区域提取;再进行数据降维,得到特征光谱图像;最后进行纹理特征提取,构建图像纹理特征与抹茶粒度等级定性分析模型;所述感兴趣区域,选取200×200pixel范围内的区域进行处理;所述数据降维,选取主成分为5的主成分分析方法,删除冗余信息效果明显;所述主成分分析,依据方差贡献率提取第一主成分所对应的的5个特征波长;所述特征图像,为5个特征波长592.48nm、631.88nm、714.79nm、787.06nm、817.66nm下的灰度图像;所述纹理特征,采用灰度共生矩阵方法进行提取5个特征波长下的特征图像;所述灰度共生矩阵方法,采用glcms=graycomatrix(I,param1,val1,param2,val2,...)产生图像I的灰度共生矩阵GLCM,其中灰度界限设为[]、灰度归一范围设为8、坐标为右上角45°方向;所述纹理特征,包括样品特征图像的对比度、相关性、熵和能量;所述对比度,依据进行特征提取,其中Con表示图像的对比度、i表示共生矩阵的行、j表示共生矩阵的列、P(i,j)表示共生概率;所述相关性,依据进行特征提取,其中Corr表示图像的相关性、i表示共生矩阵的行、j表示共生矩阵的列、ui表示在某行方向的灰度、uj表示在某列方向的灰度、σi表示行的标准差、σj表示列的标准差、P(i,j)表示共生概率;所述熵,依据进行特征提取,其中Ent表示图像的熵、i表示共生矩阵的行、j表示共生矩阵的列、logP(i,j)表示共生概率的对数;所述能量,依据进行特征提取,其中Asm表示图像的能量、i表示共生矩阵的行、j表示共生矩阵的列、P(i,j)表示共生概率。
步骤四,采用K最邻近法,对模型优化分析,实现抹茶粒度等级的检测;所述K邻近法,是比较LDA、SVM、BP-ANN之后选择出最优的算法;所述K邻近法,在主成分为3,K为3的时候,模型的识别率最佳。
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
图1为本发明高光谱图像检测系统装置示意图,所述暗箱,放置光源模块、高光谱相机和步进电机;所述光源模块,为三个卤素灯且呈水平面夹角120°;所述高光谱相机包括,CCD相机模块与光谱模块;所述CCD相机模块,经C-mount接口与光谱模块相连;所述CCD相机模块,经USB与计算机相连;所述步进电机,经由运动控制模块与计算机相连;
图2为本发明抹茶粒度等级模型预测方法示意图,所述校正抹茶粒度样本,经高光谱图像检测系统,采集相应样本的显微下的高光谱图像;所述高光谱图像,经过感兴趣区域提取、数据降维、纹理特征提取,构建图像纹理特征与抹茶粒度等级定性分析模型,实现抹茶粒度等级的检测。
下面将结合具体的实施案例对本发明进行详细描述。但这些实施案例并不限制本发明,本领域的普通技术人员根据这些实施案例所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
实施案例:不同等级的抹茶粒度等级的检测
一种新型的抹茶粒度等级的快速检测方法,包括如下步骤:
(1)取4种不同等级的抹茶样品,每个等级的抹茶样品,分别取15个平行试验样本;采用粒状分子筛粒度测定方法,检测不同样品中粒度等级。
(2)进行图像扫描之前,将系统预热40min;将不同等级的抹茶茶粉置于显微镜的样品杯内,采用显微80倍镜头,步进电机移动速度设置为0.58mm/s,高光谱相机曝光时间设置为15ms,物距设置为30cm,进行样品的高光谱图像获取。
(3)先对抹茶高光谱图像进行感兴趣区域提取,选取200×200pixel范围内的区域进行处理;再利用主成分分析,进行数据降维,得到特征波长592.48nm、631.88nm、714.79nm、787.06nm、817.66nm下的特征光谱图像;最后对特征光谱图像进行对比度、相关性、熵和能量等纹理特征提取,构建图像纹理特征与抹茶粒度等级定性分析模型。
(4)对抹茶的高光谱图像进行纹理特征提取后,运用K邻近法,在主成分为3,K为3时,模型训练集的相关系数为0.8462,预测集的相关系数为0.7966,模型鲁棒性较好。图3为抹茶粒度等级KNN模型的训练集(a)和预测集(b)数据图。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。

Claims (5)

1.一种抹茶粒度等级的快速检测方法,其特征在于,包括以下步骤:
步骤一,采用粒状分子筛粒度测定方法,测定不同等级的抹茶粒度大小,得到国标方法测定的抹茶粒度等级划分数据;步骤二,打开高光谱图像检测系统,将样品放置于样品杯内,以卤素灯进行照明,结合显微镜头模块,瞬时视场下的样品通过步进电机到达高光谱相机扫描区域,通过二者的相对位移,得到抹茶高光谱图像;步骤三,先对抹茶高光谱图像进行感兴趣区域提取;再进行数据降维,得到特征光谱图像;最后进行纹理特征提取,构建图像纹理特征与抹茶粒度等级定性分析模型;步骤四,采用K最邻近法,对模型优化分析,实现抹茶粒度等级的检测;
步骤二中,所述高光谱图像,由618个波长下的图像拼接完成;所述拼接,在于由线型图像形成一个三维数据块;
步骤三中,所述感兴趣区域,选取200×200pixel范围内的区域进行处理;所述数据降维,选取主成分为5的主成分分析方法;所述主成分分析,依据方差贡献率提取第一主成分所对应的5个特征波长;
步骤三中,所述特征光谱图像,为5个特征波长592.48nm、631.88nm、714.79nm、787.06nm、817.66nm下的灰度图像;所述纹理特征,采用灰度共生矩阵方法进行提取5个特征波长下的特征图像;所述灰度共生矩阵方法,采用glcms=graycomatrix(I,param1,val1,param2,val2,...)产生图像I的灰度共生矩阵GLCM,其中灰度界限设为[]、灰度归一范围设为8、坐标为右上角45°方向;
步骤三中,所述纹理特征,包括样品特征图像的对比度、相关性、熵和能量;所述对比度,依据进行特征提取,其中Con表示图像的对比度、i表示共生矩阵的行、j表示共生矩阵的列、P(i,j)表示共生概率;所述相关性,依据进行特征提取,其中Corr表示图像的相关性、i表示共生矩阵的行、j表示共生矩阵的列、ui表示在某行方向的灰度、uj表示在某列方向的灰度、σi表示行的标准差、σj表示列的标准差、P(i,j)表示共生概率;所述熵,依据进行特征提取,其中Ent表示图像的熵、i表示共生矩阵的行、j表示共生矩阵的列、logP(i,j)表示共生概率的对数;所述能量,依据进行特征提取,其中Asm表示图像的能量、i表示共生矩阵的行、j表示共生矩阵的列、P(i,j)表示共生概率;
步骤四中,所述K最邻近法在主成分为3时,K为3。
2.根据权利要求1所述的一种抹茶粒度等级的快速检测方法,其特征在于,步骤二中,须提前将高光谱图像检测系统打开并预热40min;所述样品杯,为直径高为15mm的玻璃器皿;所述器皿,置于黑色底面不产生镜面反射的底板上;所述卤素灯,采用三个功率为120W的光纤卤素灯,两两水平面夹角为120°。
3.根据权利要求1所述的一种抹茶粒度等级的快速检测方法,其特征在于,步骤二中,所述显微镜头,选取80倍的放大倍数。
4.根据权利要求1所述的一种抹茶粒度等级的快速检测方法,其特征在于,步骤二中,所述步进电机,移动速度为0.58mm/s的速度通过高光谱相机扫描区域;所述移动速度,可使圆柱形器皿的采集形状与真实器皿形态所匹配;移动距离,设置为6-12mm。
5.根据权利要求1所述的一种抹茶粒度等级的快速检测方法,其特征在于,步骤二中,所述高光谱相机,包括CCD相机和光谱模块;所述CCD相机,光谱分辨率为2.8nm,狭缝宽度为30um;所述CCD相机的曝光时间设置为15ms。
CN201710660214.5A 2017-08-04 2017-08-04 一种抹茶粒度等级的快速检测方法 Active CN107576600B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710660214.5A CN107576600B (zh) 2017-08-04 2017-08-04 一种抹茶粒度等级的快速检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710660214.5A CN107576600B (zh) 2017-08-04 2017-08-04 一种抹茶粒度等级的快速检测方法

Publications (2)

Publication Number Publication Date
CN107576600A CN107576600A (zh) 2018-01-12
CN107576600B true CN107576600B (zh) 2021-01-15

Family

ID=61035796

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710660214.5A Active CN107576600B (zh) 2017-08-04 2017-08-04 一种抹茶粒度等级的快速检测方法

Country Status (1)

Country Link
CN (1) CN107576600B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108470173B (zh) * 2018-04-17 2021-06-15 北京矿冶科技集团有限公司 一种矿石颗粒的分割方法
WO2020082264A1 (zh) * 2018-10-24 2020-04-30 合刃科技(深圳)有限公司 基于高光谱光学传感器的涂层区域定位方法和装置、及除胶系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101915738A (zh) * 2010-06-23 2010-12-15 江苏大学 基于高光谱成像技术的茶树营养信息快速探测方法及装置
CN103389255A (zh) * 2013-08-05 2013-11-13 浙江大学 基于近红外高光谱纹理特征建模的预测茶叶含水率的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BRPI1006077B1 (pt) * 2009-01-10 2020-10-27 Goldfinch Solutions, Llc system for analyzing one or more meat properties

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101915738A (zh) * 2010-06-23 2010-12-15 江苏大学 基于高光谱成像技术的茶树营养信息快速探测方法及装置
CN103389255A (zh) * 2013-08-05 2013-11-13 浙江大学 基于近红外高光谱纹理特征建模的预测茶叶含水率的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于近红外光谱技术的抹茶掺伪定性判别研究;赵开飞 等;《食品工业科技》;20170526;第38卷(第17期);241-244 *
高光谱成像技术在茶叶中的应用研究进展;刘飞 等;《核农学报》;20161231;第30卷(第7期);1386-1394 *

Also Published As

Publication number Publication date
CN107576600A (zh) 2018-01-12

Similar Documents

Publication Publication Date Title
Mahendran et al. Application of computer vision technique on sorting and grading of fruits and vegetables
Marcos et al. Automated pollen identification using microscopic imaging and texture analysis
CN103063585B (zh) 瓜果成熟度快速无损检测装置及检测系统建立方法
CN102854192B (zh) 一种基于苹果表面缺陷检测系统的苹果表面缺陷检测方法
CN103808669B (zh) 一种基于高光谱成像技术的苹果虫眼快速无损检测方法
Zhang et al. Applications of computer vision techniques to cotton foreign matter inspection: A review
CN107576600B (zh) 一种抹茶粒度等级的快速检测方法
CN105931225B (zh) 一种基于实时图像检测技术分析晶体生长形状和尺寸分布的方法
Kukkonen et al. Color features for quality control in ceramic tile industry
CN104897583B (zh) 一种微量血迹无损检测装置及方法
Pedreschi et al. Computer vision classification of potato chips by color
Hobson et al. Characterisation and identification of rice grains through digital image analysis
WO2009045035A1 (en) White and brown rice appearance characteristics measurement system and method
Liang et al. 3D plant modelling via hyperspectral imaging
Zhang et al. Automatic detection of defective apples using NIR coded structured light and fast lightness correction
Zhang et al. Development of a hyperspectral imaging system for the early detection of apple rottenness caused by P enicillium
CN106404779B (zh) 基于形态分析的玉米种子纯度辅助检测的方法
Wang et al. Application of hybrid image features for fast and non-invasive classification of raisin
CN110174065B (zh) 基于正交双目机器视觉的水果大小无损检测方法
Chong et al. Surface gloss measurement on eggplant fruit
Janardhana et al. Computer aided inspection system for food products using machine vision—A review
Baek et al. A novel hyperspectral line-scan imaging method for whole surfaces of round shaped agricultural products
Prasobhkumar et al. Automated quality assessment of cocoons using a smart camera based system
CN111967288A (zh) 智能三维物体识别和定位系统和方法
Zhang et al. Computer Vision Estimation of the Volume and Weight of Apples by Using 3D Reconstruction and Noncontact Measuring Methods

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Chen Quansheng

Inventor after: Sun Hao

Inventor after: Chen Min

Inventor after: Guo Zhiming

Inventor after: Li Huanhuan

Inventor after: Cheng Wu

Inventor before: Sun Hao

Inventor before: Chen Quansheng

Inventor before: Chen Min

Inventor before: Guo Zhiming

Inventor before: Li Huanhuan

Inventor before: Cheng Wu

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant