CN107694962A - 一种基于机器视觉与bp神经网络的水果自动分拣方法 - Google Patents

一种基于机器视觉与bp神经网络的水果自动分拣方法 Download PDF

Info

Publication number
CN107694962A
CN107694962A CN201711087227.4A CN201711087227A CN107694962A CN 107694962 A CN107694962 A CN 107694962A CN 201711087227 A CN201711087227 A CN 201711087227A CN 107694962 A CN107694962 A CN 107694962A
Authority
CN
China
Prior art keywords
fruit
edge
mrow
camera
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.)
Pending
Application number
CN201711087227.4A
Other languages
English (en)
Inventor
李颀
强华
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.)
Shaanxi University of Science and Technology
Original Assignee
Shaanxi University of Science and Technology
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 Shaanxi University of Science and Technology filed Critical Shaanxi University of Science and Technology
Priority to CN201711087227.4A priority Critical patent/CN107694962A/zh
Publication of CN107694962A publication Critical patent/CN107694962A/zh
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/04—Sorting according to size
    • B07C5/12—Sorting according to size characterised by the application to particular articles, not otherwise provided for
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/34—Sorting according to other particular properties
    • B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
    • B07C5/3422—Sorting according to other particular properties according to optical properties, e.g. colour using video scanning devices, e.g. TV-cameras
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/36—Sorting apparatus characterised by the means used for distribution
    • B07C5/361—Processing or control devices therefor, e.g. escort memory
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/36—Sorting apparatus characterised by the means used for distribution
    • B07C5/361—Processing or control devices therefor, e.g. escort memory
    • B07C5/362—Separating or distributor mechanisms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C2501/00—Sorting according to a characteristic or feature of the articles or material to be sorted
    • B07C2501/009—Sorting of fruit
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Manipulator (AREA)

Abstract

一种基于机器视觉与BP神经网络的水果自动分拣方法，首先，安装工业相机，对工作区域的水果图像进行实时的采集。然后进行数字图像处理算法的设计，包括相机标定、图像预处理及不同类型水果特征提取；其次，确定BP神经网络的结构，用特征数据训练网络的权值；最后，把得到水果的位置和种类发送给工业机器人，由工业机器人完成分拣；具有自动识别、定位及分类，对传统靠人工进行分拣的方法进行改进的特点。

Description

一种基于机器视觉与BP神经网络的水果自动分拣方法
技术领域
本发明涉及自动分拣技术领域，特别涉及一种基于机器视觉与BP神经网络的水果自动分拣方法。
背景技术
长期以来，由于我国乡村劳动力资源丰富，水果的产后处理主要采用人工方式，而人工分拣存在明显的缺点：需要大量的劳动力，劳动强度大，经济效益不好。同时这种主观评定受到个人的视力、颜色鉴别能力、情绪等因素的影响较大。
随着计算机技术与图像处理技术的快速发展，机器视觉在工农业的应用越来越普遍。国内外众多学者对利用机器视觉提高果蔬分级速度和质量等进行了多方面的研究，无论在理论还是在应用上都取得了较大进展。而我国对水果自动分级技术研究则较晚，国内从20世纪90年代开始利用计算机视觉技术进行水果的分级研究。本发明利用机器视觉与BP神经网络对不同的水果进行分拣，可大大提高水果分拣的效率。并利用机器人完成对水果的抓取，可完成水果的自动装箱。
发明内容
为了克服上述现有技术的不足，本发明的目的在于提供一种基于机器视觉与BP神经网络的水果自动分拣方法，利用数字图像处理和神经网络的方法，对不同类型的水果进行自动识别、定位及分类，对传统靠人工进行分拣的方法进行改进，最后利用工业机器人完成对水果的分拣。
为了实现上述目的，本发明采用的技术方案是：
Step1、安装工业相机，将相机安装在机器人工作区域的正上方，调整相机的焦距使整个工作区域处在相机的视野范围内，通过相机将工作区域照片采集到计算机；
Step 2、进行相机标定主要通过相机对不同方位的标定板进行拍照，使用标定算子完成标定，得到摄像机的参数，即图像坐标上每个像素在世界坐标系下对应的实际距离m；
Step 3、对采集到的图片进行高斯滤波，去除图像中的干扰；
Step 4、对图片进行图像增强和锐化处理，使水果的特征更加明显；
Step 5、采用阈值分割的方法得到包含水果的图像区域，去除图像中的背景；
Step 6、进行轮廓提取，对水果进行定位；
使用Sobel算子对阈值分割后的图像进行处理，可以返回X和Y方向的像素灰度值GX与GY，用下面的公式计算当前像素点的灰度值和梯度方向；
搜索边缘梯度方向的局部极大值，抑制非极大值元素，可以细化边缘，跟踪边缘方向的左右像素，如果当前像素的灰度值小于左、右像素灰度值，则抑制当前像素灰度；
经过上一步处理后可能会有少量的非边缘像素被包含到结果中，所以要通过选取阈值进行取舍，通过假设两个阈值其中一个为高阈值TH另外一个为低阈值TL，则有对于任意边缘像素低于TL的则丢弃，对于任意边缘像素高于TH的则保留，任意边缘像素值在TL与TH之间的，如果能通过边缘连接到一个像素大于TH而且边缘所有像素大于最小阈值TL的则保留，否则丢弃。最终可以得到清晰的水果边缘图像，然后保存边缘。
通过水果图像的边缘来计算水果的中心点坐标，根据相机标定的结果得到水果的机器人坐标；
Step 7、提取不同种类水果的特征，对每一种水果提取水果的颜色、大小、周长以及弯曲程度四个特征，对每种水果的不同大小、不同角度和不同光照的图像采集300张，并分别提取以上四种特征，选取260张图片作为神经网络训练样本，选取剩下的四十张为测试样本；
Step 8、建立BP神经网络和训练；
首先建立三层BP神经网络，包含输入层、隐层和输出层。输入层包含四个特征输入节点，隐层包含20个节点；
用Step 7得到的训练样本对神经网络进行训练，采用梯度下降的方法对各个权值进行调整；
最终用Step 7得到的四十张图片对网络进行测试，验证网络；
Step 9、利用训练好的网络对水果进行实时的分拣，对相机采集的水果图片进行实时分类和定位，最终给出水果种类和位置信息；
Step 10、通过Socket通信将水果的种类与位置信息发送给工业机器人；
Step 11、机器人根据接收到的水果种类和坐标数据，移动末端执行器抓取水果并放置在包装箱内，完成对水果的自动分拣。
本发明的有益效果：
本发明涉及的一种基于机器视觉与BP神经网络的水果自动分拣方法，可以实现对水果的自动识别与定位，从而实现水果的自动分拣功能。与传统的靠人工分拣系统相比，机器人自动分拣可极大的提高生产效率。若将本发明应用于工业现场的水果分拣系统中，将大大提高水果分拣的效率，为基于机器人的水果自动分拣提出新的解决方案。
附图说明
图1为本发明水果自动分拣的流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1所示：一种基于机器视觉与BP神经网络的水果自动分拣方法，包括以下步骤；
Step1、安装工业相机，将相机安装在机器人工作区域的正上方，调整相机的焦距使整个工作区域处在相机的视野范围内，通过相机将工作区域照片采集到计算机；
Step 2、进行相机标定主要通过相机对不同方位的标定板进行拍照，使用标定算子完成标定，得到摄像机的参数，即图像坐标上每个像素在世界坐标系下对应的实际距离m；
Step 3、对采集到的图片进行高斯滤波，去除图像中的干扰；
Step 4、对图片进行图像增强和锐化处理，使水果的特征更加明显；
Step 5、采用阈值分割的方法得到包含水果的图像区域，去除图像中的背景；
Step 6、进行轮廓提取，对水果进行定位；
使用Sobel算子对阈值分割后的图像进行处理，可以返回X和Y方向的像素灰度值GX与GY，用下面的公式计算当前像素点的灰度值和梯度方向；
搜索边缘梯度方向的局部极大值，抑制非极大值元素，可以细化边缘，跟踪边缘方向的左右像素，如果当前像素的灰度值小于左、右像素灰度值，则抑制当前像素灰度；
经过上一步处理后可能会有少量的非边缘像素被包含到结果中，所以要通过选取阈值进行取舍，通过假设两个阈值其中一个为高阈值TH另外一个为低阈值TL，则有对于任意边缘像素低于TL的则丢弃，对于任意边缘像素高于TH的则保留，任意边缘像素值在TL与TH之间的，如果能通过边缘连接到一个像素大于TH而且边缘所有像素大于最小阈值TL的则保留，否则丢弃。最终可以得到清晰的水果边缘图像，然后保存边缘。
通过水果图像的边缘来计算水果的中心点坐标，根据相机标定的结果得到水果的机器人坐标；
Step 7、提取不同种类水果的特征，对每一种水果提取水果的颜色、大小、周长以及弯曲程度四个特征，对每种水果的不同大小、不同角度和不同光照的图像采集300张，并分别提取以上四种特征，选取260张图片作为神经网络训练样本，选取剩下的四十张为测试样本；
Step 8、建立BP神经网络和训练；
首先建立三层BP神经网络，包含输入层、隐层和输出层。输入层包含四个特征输入节点，隐层包含20个节点；
用Step 7得到的训练样本对神经网络进行训练，采用梯度下降的方法对各个权值进行调整；
最终用Step 7得到的四十张图片对网络进行测试，验证网络；
Step 9、利用训练好的网络对水果进行实时的分拣，对相机采集的水果图片进行实时分类和定位，最终给出水果种类和位置信息；
Step 10、通过Socket通信将水果的种类与位置信息发送给工业机器人；
Step 11、机器人根据接收到的水果种类和坐标数据，移动末端执行器抓取水果并放置在包装箱内，完成对水果的自动分拣。
首先，安装工业相机，对工作区域的水果图像进行实时的采集。然后进行数字图像处理算法的设计，包括相机标定、图像预处理及不同类型水果特征提取。
其次，确定BP神经网络的结构，用特征数据训练网络的权值。
最后，把得到水果的位置和种类发送给工业机器人，由工业机器人完成分拣。

Claims (1)

1.一种基于机器视觉与BP神经网络的水果自动分拣方法，其特征在于，包括以下步骤；
Step1、安装工业相机，将相机安装在机器人工作区域的正上方，调整相机的焦距使整个工作区域处在相机的视野范围内，通过相机将工作区域照片采集到计算机；
Step2、进行相机标定主要通过相机对不同方位的标定板进行拍照，使用标定算子完成标定，得到摄像机的参数，即图像坐标上每个像素在世界坐标系下对应的实际距离m；
Step3、对采集到的图片进行高斯滤波，去除图像中的干扰；
Step4、对图片进行图像增强和锐化处理，使水果的特征更加明显；
Step5、采用阈值分割的方法得到包含水果的图像区域，去除图像中的背景；
Step6、进行轮廓提取，对水果进行定位；
使用Sobel算子对阈值分割后的图像进行处理，可以返回X和Y方向的像素灰度值GX与GY，用下面的公式计算当前像素点的灰度值和梯度方向；
<mrow> <mi>M</mi> <mi>a</mi> <mi>g</mi> <mi>n</mi> <mi>i</mi> <mi>t</mi> <mi>u</mi> <mi>d</mi> <mi>e</mi> <mo>=</mo> <msqrt> <mrow> <msup> <mi>Gx</mi> <mn>2</mn> </msup> <mo>+</mo> <msup> <mi>Gy</mi> <mn>2</mn> </msup> </mrow> </msqrt> </mrow>
<mrow> <mi>D</mi> <mi>i</mi> <mi>r</mi> <mi>e</mi> <mi>c</mi> <mi>t</mi> <mi>i</mi> <mi>o</mi> <mi>n</mi> <mo>=</mo> <mi>arctan</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <mi>G</mi> <mi>y</mi> </mrow> <mrow> <mi>G</mi> <mi>x</mi> </mrow> </mfrac> <mo>)</mo> </mrow> </mrow>
搜索边缘梯度方向的局部极大值，抑制非极大值元素，可以细化边缘，跟踪边缘方向的左右像素，如果当前像素的灰度值小于左、右像素灰度值，则抑制当前像素灰度；
经过上一步处理后可能会有少量的非边缘像素被包含到结果中，所以要通过选取阈值进行取舍，通过假设两个阈值其中一个为高阈值TH另外一个为低阈值TL，则有对于任意边缘像素低于TL的则丢弃，对于任意边缘像素高于TH的则保留，任意边缘像素值在TL与TH之间的，如果能通过边缘连接到一个像素大于TH而且边缘所有像素大于最小阈值TL的则保留，否则丢弃，最终可以得到清晰的水果边缘图像，然后保存边缘；
通过水果图像的边缘来计算水果的中心点坐标，根据相机标定的结果得到水果的机器人坐标；
Step7、提取不同种类水果的特征，对每一种水果提取水果的颜色、大小、周长以及弯曲程度四个特征，对每种水果的不同大小、不同角度和不同光照的图像采集300张，并分别提取以上四种特征，选取260张图片作为神经网络训练样本，选取剩下的四十张为测试样本；
Step8、建立BP神经网络和训练；
首先建立三层BP神经网络，包含输入层、隐层和输出层，输入层包含四个特征输入节点，隐层包含20个节点；
用Step7得到的训练样本对神经网络进行训练，采用梯度下降的方法对各个权值进行调整；
最终用Step7得到的四十张图片对网络进行测试，验证网络；
Step9、利用训练好的网络对水果进行实时的分拣，对相机采集的水果图片进行实时分类和定位，最终给出水果种类和位置信息；
Step10、通过Socket通信将水果的种类与位置信息发送给工业机器人；
Step11、机器人根据接收到的水果种类和坐标数据，移动末端执行器抓取水果并放置在包装箱内，完成对水果的自动分拣。
CN201711087227.4A 2017-11-07 2017-11-07 一种基于机器视觉与bp神经网络的水果自动分拣方法 Pending CN107694962A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711087227.4A CN107694962A (zh) 2017-11-07 2017-11-07 一种基于机器视觉与bp神经网络的水果自动分拣方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711087227.4A CN107694962A (zh) 2017-11-07 2017-11-07 一种基于机器视觉与bp神经网络的水果自动分拣方法

Publications (1)

Publication Number Publication Date
CN107694962A true CN107694962A (zh) 2018-02-16

Family

ID=61179950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711087227.4A Pending CN107694962A (zh) 2017-11-07 2017-11-07 一种基于机器视觉与bp神经网络的水果自动分拣方法

Country Status (1)

Country Link
CN (1) CN107694962A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108480227A (zh) * 2018-03-30 2018-09-04 烟台维度机器人有限公司 一种基于图像识别的苹果分拣方法及系统
CN108491892A (zh) * 2018-04-05 2018-09-04 聊城大学 基于机器视觉的水果分拣系统
CN108636830A (zh) * 2018-05-10 2018-10-12 苏州大学 基于机器视觉的胶囊缺陷检测分拣的方法、装置及设备
CN108734710A (zh) * 2018-06-14 2018-11-02 厦门理工学院 一种智能果蔬挑选方法
CN108772840A (zh) * 2018-07-02 2018-11-09 常州普旺科技有限公司 一种基于计算机视觉和机器学习的自适应分拣系统及方法
CN109086736A (zh) * 2018-08-17 2018-12-25 深圳蓝胖子机器人有限公司 目标获取方法、设备和计算机可读存储介质
CN109220226A (zh) * 2018-10-31 2019-01-18 哈尔滨理工大学 果实自动识别分类及采摘的果园智能化系统
CN109740681A (zh) * 2019-01-08 2019-05-10 南方科技大学 一种水果分拣方法、装置、系统、终端及存储介质
CN109767424A (zh) * 2018-12-13 2019-05-17 西安电子科技大学 基于fpga的双目视觉列车注水口检测定位方法
CN110070558A (zh) * 2019-04-11 2019-07-30 西安星舟天启智能装备有限责任公司 一种基于图像处理和分区检测的统计分拣方法及装置
CN110170456A (zh) * 2019-04-30 2019-08-27 南京邮电大学 基于图像处理的水果分拣装置
CN110171001A (zh) * 2019-06-05 2019-08-27 闽南师范大学 一种基于CornerNet的智能分拣机械臂系统和抓取控制方法
CN110575973A (zh) * 2019-10-21 2019-12-17 台州学院 一种农作物种子品质检测与筛选系统
CN112295949A (zh) * 2020-10-13 2021-02-02 广州纳诺科技股份有限公司 一种基于深度神经网络的视觉智能分拣方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1603013A (zh) * 2004-11-02 2005-04-06 江苏大学 基于三个摄像系统在线水果品质检测分级的装置与方法
CN101912847A (zh) * 2010-08-02 2010-12-15 扬州福尔喜果蔬汁机械有限公司 基于dsp机器视觉的水果分级系统及方法
CN102855641A (zh) * 2012-08-10 2013-01-02 上海电机学院 基于外在品质的水果等级分类系统
CN104424458A (zh) * 2013-08-23 2015-03-18 希姆通信息技术（上海）有限公司 图像识别方法及装置、网络服务器、图像识别设备及系统
CN106238347A (zh) * 2016-07-27 2016-12-21 合肥高晶光电科技有限公司 一种ccd色选机的图像处理方法
CN107263468A (zh) * 2017-05-23 2017-10-20 陕西科技大学 一种利用数字图像处理技术的scara机器人装配方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1603013A (zh) * 2004-11-02 2005-04-06 江苏大学 基于三个摄像系统在线水果品质检测分级的装置与方法
CN101912847A (zh) * 2010-08-02 2010-12-15 扬州福尔喜果蔬汁机械有限公司 基于dsp机器视觉的水果分级系统及方法
CN102855641A (zh) * 2012-08-10 2013-01-02 上海电机学院 基于外在品质的水果等级分类系统
CN104424458A (zh) * 2013-08-23 2015-03-18 希姆通信息技术（上海）有限公司 图像识别方法及装置、网络服务器、图像识别设备及系统
CN106238347A (zh) * 2016-07-27 2016-12-21 合肥高晶光电科技有限公司 一种ccd色选机的图像处理方法
CN107263468A (zh) * 2017-05-23 2017-10-20 陕西科技大学 一种利用数字图像处理技术的scara机器人装配方法

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108480227A (zh) * 2018-03-30 2018-09-04 烟台维度机器人有限公司 一种基于图像识别的苹果分拣方法及系统
CN108491892A (zh) * 2018-04-05 2018-09-04 聊城大学 基于机器视觉的水果分拣系统
CN108636830A (zh) * 2018-05-10 2018-10-12 苏州大学 基于机器视觉的胶囊缺陷检测分拣的方法、装置及设备
CN108734710A (zh) * 2018-06-14 2018-11-02 厦门理工学院 一种智能果蔬挑选方法
CN108772840A (zh) * 2018-07-02 2018-11-09 常州普旺科技有限公司 一种基于计算机视觉和机器学习的自适应分拣系统及方法
CN109086736A (zh) * 2018-08-17 2018-12-25 深圳蓝胖子机器人有限公司 目标获取方法、设备和计算机可读存储介质
CN109220226A (zh) * 2018-10-31 2019-01-18 哈尔滨理工大学 果实自动识别分类及采摘的果园智能化系统
CN109767424A (zh) * 2018-12-13 2019-05-17 西安电子科技大学 基于fpga的双目视觉列车注水口检测定位方法
CN109740681A (zh) * 2019-01-08 2019-05-10 南方科技大学 一种水果分拣方法、装置、系统、终端及存储介质
CN110070558A (zh) * 2019-04-11 2019-07-30 西安星舟天启智能装备有限责任公司 一种基于图像处理和分区检测的统计分拣方法及装置
CN110170456A (zh) * 2019-04-30 2019-08-27 南京邮电大学 基于图像处理的水果分拣装置
CN110171001A (zh) * 2019-06-05 2019-08-27 闽南师范大学 一种基于CornerNet的智能分拣机械臂系统和抓取控制方法
CN110575973A (zh) * 2019-10-21 2019-12-17 台州学院 一种农作物种子品质检测与筛选系统
CN110575973B (zh) * 2019-10-21 2021-08-10 台州学院 一种农作物种子品质检测与筛选系统
CN112295949A (zh) * 2020-10-13 2021-02-02 广州纳诺科技股份有限公司 一种基于深度神经网络的视觉智能分拣方法及系统

Similar Documents

Publication Publication Date Title
CN107694962A (zh) 一种基于机器视觉与bp神经网络的水果自动分拣方法
CN105046700B (zh) 基于亮度校正与颜色分类的水果表面缺陷检测方法及系统
CN105388162B (zh) 基于机器视觉的原料硅片表面划痕检测方法
CN109447945B (zh) 基于机器视觉和图形处理的小麦基本苗快速计数方法
CN108491892A (zh) 基于机器视觉的水果分拣系统
CN110276386A (zh) 一种基于机器视觉的苹果分级方法及系统
Hassankhani et al. Potato sorting based on size and color in machine vision system
CN108109137A (zh) 车辆部件的机器视觉检测系统及方法
CN108280856A (zh) 基于混合信息输入网络模型的未知物体抓取位姿估计方法
CN107729854A (zh) 一种机器人的手势识别方法、系统及机器人
CN108596880A (zh) 基于图像处理的焊接缺陷特征提取与焊接质量分析方法
CN108491788A (zh) 一种用于财务报表单元格的智能提取方法及装置
CN106599773A (zh) 用于智能驾驶的深度学习图像识别方法、系统及终端设备
CN107437094A (zh) 基于机器学习的木板分拣方法及系统
CN102855640A (zh) 基于神经网络的水果等级分类系统
CN109684941B (zh) 一种基于matlab图像处理荔枝果实采摘区域划分方法
CN114067207A (zh) 一种基于深度学习和图像处理的蔬菜苗田杂草检测方法
CN107330478A (zh) 一种圣女果分类方法、系统及圣女果在线分拣系统
CN105678767A (zh) 一种基于SoC软硬件协同设计的布匹表面瑕疵检测方法
Vyas et al. Quality inspection and classification of mangoes using color and size features
CN106991428A (zh) 基于自适应池化模型的害虫图像识别方法
CN102855641A (zh) 基于外在品质的水果等级分类系统
CN106645180A (zh) 检查基板玻璃缺陷的方法、现场终端及服务器
CN116129260A (zh) 基于深度学习的牧草图像识别方法
CN103177435B (zh) 一种基于机器视觉的苹果表面无冗余信息图像处理方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180216

RJ01 Rejection of invention patent application after publication