CN108171693B - 一种自动检测劣质蘑菇的方法 - Google Patents
一种自动检测劣质蘑菇的方法 Download PDFInfo
- Publication number
- CN108171693B CN108171693B CN201711440417.XA CN201711440417A CN108171693B CN 108171693 B CN108171693 B CN 108171693B CN 201711440417 A CN201711440417 A CN 201711440417A CN 108171693 B CN108171693 B CN 108171693B
- Authority
- CN
- China
- Prior art keywords
- mushroom
- detecting
- image
- pileus
- point
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明一种自动检测劣质蘑菇的方法,包括如下步骤:a)杂质检测;b)整体尺寸判断;c)正反面检测;d)虫洞检测;e)正面破损检测;f)反面破损检测;g)由正面对蘑菇质量分类;h)由反面对蘑菇质量分类。通过本发明方法能够检测劣质蘑菇:破损,有缺口的蘑菇;有虫洞的蘑菇;尺寸过小的蘑菇。通过本发明方法大大的提高了检测效率。
Description
技术领域
本发明涉及食品安全检测,涉及蘑菇,具体涉及一种自动检测劣质蘑菇的方法。
背景技术
蘑菇是中国人常用的食物。对种植人员采集的蘑菇进行自动检测和分类,可以极大的提高食品安全,降低食物风险。
发明内容
本发明目的是提供一种自动检测劣质蘑菇的方法,检测效率高,提高了食品安全,降低食物风险。
为了实现以上目的,本发明采用的技术方案为:一种自动检测劣质蘑菇的方法,包括如下步骤:
a)杂质检测:反光性检测;亮度均匀性检测;直线边缘检测;
b)整体尺寸判断:捕获背景图像;当前图像与背景图像做差;前景检测,得到蘑菇对应的像素点;连通域检测,得到蘑菇的尺寸;与经验阈值进行比较,过滤小尺寸蘑菇;
c)正反面检测:对蘑菇图像进行二值化;检测二值化图像中,是否存在沟纹;统计整个蘑菇正面,亮度的直方图分布;对蘑菇连通域的中心区域进行亮度分析;对蘑菇图像,提取边缘;
d)虫洞检测:对蘑菇图像进行二值化;提取蘑菇连通域;对连通域进行反转;再次提取连通域;内部连通域尺寸大于阈值,则说明内部存在孔洞,需要预警;
e)正面破损检测:蘑菇外轮廓检测;外轮廓凹陷检测;沟纹检测;内部破损区域检测;
f)反面破损检测:菌盖检测;破损区域检测;
g)由正面对蘑菇质量分类:根据蘑菇正面图像的外部轮廓点,进行圆形拟合;亮度深浅的统计;
h)由反面对蘑菇质量分类:根据蘑菇反面图像的外部轮廓点,进行圆形拟合;蘑菇反面图像中,菌盖部分呈现圆环形状,通过计算圆环的宽度,来判断其品级;菌盖对应的圆环区域,考察其中心对称性;菌褶是被菌盖所包围的内部区域,对其圆形度进行考察;计算菌褶的中心对称性。
进一步的,步骤b)中背景图像的获取步骤如下:
b11)利用摄像机,对着背景连续拍摄图像;
b12)检测b11)中的图像,是否存在运动目标,如果存在,则需要重新拍摄;
b13)如果b11)中的图像都是静止的,则通过对所有图像计算均值,得到背景图。
进一步的,步骤f)中菌盖检测的方法包括如下步骤:
f11)提取前景区域像素,进行连通域提取;
f12)外部轮廓提取;
f13)外部轮廓的长宽比例,是否在[1,3]之间,如果是,则下一步,否则,直接预警,当做劣质品处理;
f14)前景区域亮度反转,进一步进行连通域扫描;
f15)是否有面积阈值大于500像素的连通域,如果有,则下一步,否则,作为劣质品处理。
f16)得到内部连通域的轮廓;
f17)内外轮廓所围成的面积的比例,在[0.5,0.9]之间,则菌盖检测成功。
进一步的,步骤h)中蘑菇反面图像中,菌盖部分呈现圆环形状,通过计算圆环的宽度,来判断其品级的具体步骤为:
h21)对反面图像进行二值化,将亮度值低于50的像素,作为前景像素;
h22)得到圆环区域的内部轮廓和外部轮廓;
h23)统计圆环上,每一个方向的圆环的宽度值;
h24)得到最大圆环宽度,和最小圆环宽度;
h25)如果最大、最小宽度值的差值小于20个像素,是一等品,否则是二等品。
进一步的,步骤h)中菌盖的中心对称性的计算步骤如下:
h31)记录下步骤h)中根据蘑菇反面图像的外部轮廓点,进行圆形拟合而得到的中心点位置;
h32)在菌盖区域随机选择一点;
h33)计算得到该点相对于中心点的对称点;
h34)计算两个点的亮度差值。如果亮度差小于20,则配对成功;
h35)随机考察500个点对,记录下能够成功配对的点的数目;
h36)如果配对成功的点数目超过70%,则说明菌盖满足中心对称性,是一等品,否则为二等品。
进一步的,步骤h)中菌褶的中心对称性的计算步骤如下:
h51)记录下步骤h)中根据蘑菇反面图像的外部轮廓点,进行圆形拟合而得到的中心点位置;
h52)在菌褶区域随机选择一点;
h53)计算得到该点相对于中心点的对称点;
h54)计算两个点的亮度差值,如果亮度差小于20,则配对成功;
h55)随机考察500个点对,记录下能够成功配对的点的数目;
h56)如果配对成功的点数目超过70%,则说明菌褶满足中心对称性,是一等品,否则为二等品。
本发明的技术效果在于:本发明是利用视觉机器对蘑菇进行自动分类的方法,通过本发明方法能够检测如下种类的劣质蘑菇:破损,有缺口的蘑菇;有虫洞的蘑菇;尺寸过小的蘑菇。通过本发明方法大大的提高了检测效率。
具体实施方式
本发明的具体实施步骤:
a)杂质检测
在蘑菇的加工过程中,很可能会出现诸如薄膜等杂质的干扰。在对蘑菇进行检测之前,需要提前将杂质过滤掉。
采用如下方法,过滤杂质:
a1、反光性检测
薄膜由于是人造材料,当光源从某个方向打光时,总是可以在薄膜的某个位置,看到高亮的反光区域。因此可以对待检测目标,进行二值化,通过检测高亮白色区域的尺寸,来判断是否为蘑菇。(蘑菇上不会存在高亮区域)
a2、亮度均匀性检测
杂质往往因为其材料的单一性,亮度分布均匀。而蘑菇的表面,由于具有特殊的纹理,亮度值的分布,并不是绝对均匀的。因此可以通过分析蘑菇表面所有像素的亮度值的变化率,来判断其是否为杂质。变化率较小的,肯定是杂质。
a3、直线边缘检测
分析目标的外部轮廓,检查外部轮廓的某个子片段,是否存在直线段的情形。如果外部轮廓上有长度超过30个像素的直线段,则说明目标是杂质。蘑菇的外部轮廓,不存在直线段。
b)整体尺寸判断:
b1、捕获背景图像
在进行蘑菇检测之前,需要提前获取背景图像。背景图像的获取方法如下:
b11)利用摄像机,对着背景连续拍摄一段时间的图像。
b12)检测该段时间的图像,是否存在运动目标。如果存在,则需要重新拍摄。
b13)如果该段图像都是静止的,则通过对所有图像计算均值,得到背景图。
b2、当前图像与背景图像做差
b3、前景检测,得到蘑菇对应的像素点
对当前图与背景图进行逐像素比较。如果某个像素位置,当前像素点的亮度值,与背景像素点的亮度值之差大于阈值(阈值默认为200),则记为前景像素。
b4、连通域检测,得到蘑菇的尺寸
对二值化图像中的前景像素进行连通域分析,将尺寸最大的连通域提取出来,作为蘑菇区域。然后,计算该连通域的最小外接矩形。计算得到该矩形的宽度和长度。
b5、与经验阈值进行比较,过滤小尺寸蘑菇
如果遇蘑菇的宽度和长度,都小于经验阈值(200个像素),则需要作为小尺寸蘑菇进行分类。
c)正反面检测:
由于蘑菇在检测的过程中,哪一面朝上,是不知道的。为了防止检测过程中,正反面差异对结果造成影响,检测之前需要知道是正面还是反面。
用来判断正反面的信息包括如下:
是否存在沟纹
整体亮度分布
中心区域的亮度分布
纹理
具体方法如下:
c1、对蘑菇图像进行二值化;
c2、检测二值化图像中,是否存在长条状结构
长条状结构,就是沟纹。沟纹可以利用屋脊型边缘检测器提取得到。具有沟纹结构的是蘑菇的正面。
c3、统计整个蘑菇正面,亮度的直方图分布
蘑菇正面区域,由于像素点亮度值普遍较低,因此整个直方图的重心集中在低亮度区域。
而蘑菇的反面图像,则有较大差异。由于菌褶和菌柄的存在,反面的中心区域有较大的一部分的白色区域。因此反面直方图会形成明显的双峰分布。
正反面的区分方法为:观察直方图的分布,如果集中在低亮度,则为正面,否则为反面。
c4、对蘑菇连通域的中心区域进行亮度分析
如果直方图集中在高亮度区域,则为反面;否则为正面。
c5、对蘑菇图像,提取边缘
蘑菇反面菌褶区域,存在大量的平行同心线条。对提取的边缘进行方向检测,计算它们是否汇聚都汇聚到蘑菇的中心区域。同时计算相邻边缘的平行度。如果当前图像的边缘,满足这一点,则说明是蘑菇的反面;否则为正面。
d)虫洞检测:
具有虫洞的蘑菇,在蘑菇的中间区域,会出现一个较大的孔洞。可以采用如下方法,找到当前蘑菇图像中的孔洞:
d1、对蘑菇图像进行二值化;
d2、提取蘑菇连通域。
d3、对连通域进行反转。
d4、再次提取连通域。
d5、内部连通域尺寸大于阈值(宽度阈值20个像素),则说明内部存在孔洞,需要预警。
e)正面破损检测:
本发明对蘑菇的背面图像进行分析,实现破损检测。在蘑菇背面图像中,缺口处会出现大面积的白色像素(蘑菇内部都是白色的)。破损区域可能发生在两个部分:外部轮廓处、内部区域。
破损处的检测方法如下:
e1、蘑菇外轮廓检测
采用高阈值(220),对蘑菇正面图像进行二值化。低于阈值的像素变成前景像素。该前景区域进行连通域检测,然后提取外部轮廓。
e2、外轮廓凹陷检测
对外轮廓的点序列进行多边形拟合。然后将该多边形围成的内部区域,与外轮廓的内部区域做差。对差分图进行分析。
如果差分图中,存在较大的前景连通域(面积阈值300),则该区域就是破损区域。此时需要预警,将蘑菇提前分类。
e3、沟纹检测
在检测蘑菇的内部破损区域之前,需要提前将沟纹检测出来。因为沟纹也是白色的,容易被错误检测为破损区域。因此需要提前过滤沟纹区域。在二值化结果中,利用屋脊型边缘检测器,得到沟纹所在的位置像素,然后过滤掉沟纹对应的像素。
e4、内部破损区域检测
在过滤沟纹之后的正面图像中,检测是否存在内部大面积连通域(面积阈值300)。如果存在,则说明是破损,需要分拣。如果不是,则说明该蘑菇是正常的。
f)反面破损检测:
在对蘑菇反面进行检测时,为了不受到菌褶和菌柄的干扰(二者亮度值较高,可能会被错误检测),需要提前将菌盖检测出来。
按照如下步骤,对蘑菇的反面进行破损检测:
f1、菌盖检测
利用经验阈值(50),对图像进行二值化。低于阈值的变成前景。通过判断前景区域是否为圆环结构,从而确定是否检测到菌盖。方法如下:
f11)提取前景区域像素,进行连通域提取。
f12)外部轮廓提取。
f13)外部轮廓的长宽比例,是否在[1,3]之间。是,则下一步。否则,直接预警,当做劣质品处理。
f14)前景区域亮度反转,进一步进行连通域扫描。
f15)是否有大面积连通域(面积阈值500像素)。有,则下一步。否则,作为劣质品处理。
f16)得到内部连通域的轮廓。
f17)内外轮廓所围成的面积的比例,在[0.5,0.9]之间,则菌盖检测成功。
f2、破损区域检测
在菌盖区域内检测是否有白色区域。如果存在面积大于100的白色区域,这说明蘑菇的反面,也发生了破损,需要挑选出来。如果不存在大面积白色区域,则反面不存在破损,是正常的蘑菇。
g)由正面对蘑菇质量分类:
在最终鉴定发现当前蘑菇是正常的之后,依然需要对蘑菇进行分类,区分为优质品种与正常品种。主要依靠如下几个方面的信息:
外轮廓的圆形度
亮度的深浅
沟纹的数量和密度
沟纹的长度和宽度
具体方法如下:
g1、根据蘑菇正面图像的外部轮廓点,进行圆形拟合。
采用RANSAC方法拟合圆形。然后统计位于圆周的轮廓点的比例。如果该比值超过80%,这说明蘑菇的外形圆度很高,是一等品。而如果蘑菇的外形圆度较低,则属于二等品。
g2、亮度深浅的统计
计算正面图像中,蘑菇区域的亮度平均值。如果该亮度平均值高于阈值(设定为50),则归属为二等品。否则为一等品。
g3、一等品蘑菇,其沟纹分布均匀,数量适中。
采用前述方法,得到正面图像中的沟纹。然后利用屋脊型边缘检测子(拉普拉斯边缘检测算法),将每一条沟纹提取出来。然后统计沟纹的总数。沟纹的条数在5条以内,认为是一等品。否则为二等品。
设定一个尺寸80*80的小的矩形窗口,对蘑菇正面图像进行遍历,统计其中的沟纹的数量,用于进行沟纹密度计算。当沟纹的密度大于2条时,认为是二等品。否则为一等品。
g4、一等品蘑菇,其沟纹的长度和宽度,都可以通过设定经验值来进行判定。
当蘑菇上每条沟纹的长度,都小于100像素,并且宽度小于20像素时,判定为一等品。否则为二等品。
h)由反面对蘑菇质量分类:
从反面对蘑菇进行分类,需要如下几方面的信息:
外轮廓的圆形度
菌盖的圆环部分的宽度
菌盖部分的中心对称性
菌褶部分的圆形度
菌褶部分的中心对称性。
具体方法如下:
h1、根据蘑菇反面图像的外部轮廓点,进行圆形拟合。
采用RANSAC策略拟合圆形。然后统计位于圆周的轮廓点的比例。如果该比值超过80%,这说明蘑菇的外形圆度很高,是一等品。而如果蘑菇的外形圆度较低,则属于二等品。
h2、蘑菇反面图像中,菌盖部分呈现圆环形状。可以通过计算圆环的宽度,来判断其品级。
h21)对反面图像进行二值化。将亮度值低于50的像素,作为前景像素。
h22)得到圆环区域的内部轮廓和外部轮廓。
h23)统计圆环上,每一个方向的圆环的宽度值。
h24)得到最大圆环宽度,和最小圆环宽度。
h25)如果最大、最小宽度值的差值小于20个像素,这说明圆环的均匀性较好,是一等品,否则是二等品。
h3、菌盖对应的圆环区域,还需要考察其中心对称性。菌盖的中心对称性的计算方法如下:
h31)记录下前述圆形拟合得到的中心点位置。
h32)在菌盖区域随机选择一点。
h33)计算得到该点相对于中心点的对称点。
h34)计算两个点的亮度差值。如果亮度差小于20,则配对成功。
h35)随机考察500个点对,记录下能够成功配对的点的数目。
h36)如果配对成功的点数目超过70%,则说明菌盖满足中心对称性,是一等品。否则为二等品。
h4、菌褶是被菌盖所包围的内部区域。也需要对其圆形度进行考察。
采用RANSAC策略拟合菌褶轮廓。然后统计位于圆周的轮廓点的比例。如果该比值超过80%,这说明菌褶的外形圆度很高,是一等品。而如果菌褶的外形圆度较低,则属于二等品。
h5、菌褶的中心对称性的计算方法如下:
h51)记录下前述圆形拟合得到的中心点位置。
h52)在菌褶区域随机选择一点。
h53)计算得到该点相对于中心点的对称点。
h54)计算两个点的亮度差值。如果亮度差小于20,则配对成功。
h55)随机考察500个点对,记录下能够成功配对的点的数目。
h56)如果配对成功的点数目超过70%,则说明菌褶满足中心对称性,是一等品。否则为二等品。
Claims (3)
1.一种自动检测劣质蘑菇的方法,包括如下步骤:
a)杂质检测:反光性检测;亮度均匀性检测;直线边缘检测;
b)整体尺寸判断:捕获背景图像;当前图像与背景图像做差;前景检测,得到蘑菇对应的像素点;连通域检测,得到蘑菇的尺寸;与经验阈值进行比较,过滤小尺寸蘑菇;
c)正反面检测:对蘑菇图像进行二值化;检测二值化图像中,是否存在沟纹;统计整个蘑菇正面,亮度的直方图分布;对蘑菇连通域的中心区域进行亮度分析;对蘑菇图像,提取边缘;
d)虫洞检测:对蘑菇图像进行二值化;提取蘑菇连通域;对连通域进行反转;再次提取连通域;内部连通域尺寸大于阈值,则说明内部存在孔洞,需要预警;
e)正面破损检测:蘑菇外轮廓检测;外轮廓凹陷检测;沟纹检测;内部破损区域检测;
f)反面破损检测:菌盖检测;破损区域检测;
g)由正面对蘑菇质量分类:根据蘑菇正面图像的外部轮廓点,进行圆形拟合;亮度深浅的统计;
h)由反面对蘑菇质量分类:根据蘑菇反面图像的外部轮廓点,进行圆形拟合;蘑菇反面图像中,菌盖部分呈现圆环形状,通过计算圆环的宽度,来判断其品级;菌盖对应的圆环区域,考察其中心对称性;菌褶是被菌盖所包围的内部区域,对其圆形度进行考察;计算菌褶的中心对称性;
步骤h)中蘑菇反面图像中,菌盖部分呈现圆环形状,通过计算圆环的宽度,
来判断其品级的具体步骤为:
h21)对反面图像进行二值化,将亮度值低于50的像素,作为前景像素;
h22)得到圆环区域的内部轮廓和外部轮廓;
h23)统计圆环上,每一个方向的圆环的宽度值;
h24)得到最大圆环宽度,和最小圆环宽度;
h25)如果最大、最小宽度值的差值小于20个像素,是一等品,否则是二等品;
步骤h)中菌盖的中心对称性的计算步骤如下:
h31)记录下步骤h)中根据蘑菇反面图像的外部轮廓点,进行圆形拟合而得到的中心点位置;
h32)在菌盖区域随机选择一点;
h33)计算得到该点相对于中心点的对称点;
h34)计算两个点的亮度差值, 如果亮度差小于20,则配对成功;
h35)随机考察500个点对,记录下能够成功配对的点的数目;
h36)如果配对成功的点数目超过70%,则说明菌盖满足中心对称性,是一等品,否则为二等品;
步骤h)中菌褶的中心对称性的计算步骤如下:
h51)记录下步骤h)中根据蘑菇反面图像的外部轮廓点,进行圆形拟合而得到的中心点位置;
h52)在菌褶区域随机选择一点;
h53)计算得到该点相对于中心点的对称点;
h54)计算两个点的亮度差值,如果亮度差小于20,则配对成功;
h55)随机考察500个点对,记录下能够成功配对的点的数目;
h56)如果配对成功的点数目超过70%,则说明菌褶满足中心对称性,是一等品,否则为二等品。
2.根据权利要求1所述的一种自动检测劣质蘑菇的方法,其特征在于:步骤b)中背景图像的获取步骤如下:
b11)利用摄像机,对着背景连续拍摄图像;
b12)检测b11)中的图像,是否存在运动目标,如果存在,则需要重新拍摄;
b13)如果b11)中的图像都是静止的,则通过对所有图像计算均值,得到背景图。
3.根据权利要求1所述的一种自动检测劣质蘑菇的方法,其特征在于:步骤f)中菌盖检测的方法包括如下步骤:
f11)提取前景区域像素,进行连通域提取;
f12)外部轮廓提取;
f13)外部轮廓的长宽比例,是否在[1,3]之间,如果是,则下一步,否则,直接预警,当做劣质品处理;
f14)前景区域亮度反转,进一步进行连通域扫描;
f15)是否有面积阈值大于500像素的连通域,如果有,则下一步,否则,作为劣质品处理;
f16)得到内部连通域的轮廓;
f17)内外轮廓所围成的面积的比例,在[0.5,0.9]之间,则菌盖检测成功。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711440417.XA CN108171693B (zh) | 2017-12-27 | 2017-12-27 | 一种自动检测劣质蘑菇的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711440417.XA CN108171693B (zh) | 2017-12-27 | 2017-12-27 | 一种自动检测劣质蘑菇的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108171693A CN108171693A (zh) | 2018-06-15 |
CN108171693B true CN108171693B (zh) | 2020-09-11 |
Family
ID=62522037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711440417.XA Active CN108171693B (zh) | 2017-12-27 | 2017-12-27 | 一种自动检测劣质蘑菇的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108171693B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108896564A (zh) * | 2018-07-16 | 2018-11-27 | 山东理工大学 | 一种基于机器视觉的玉米种子双面破损检测方法 |
CN109752391B (zh) * | 2018-12-25 | 2020-06-30 | 中国农业大学 | 一种基于机器视觉的胡萝卜表面缺陷识别量化方法 |
CN110430369B (zh) * | 2019-07-19 | 2020-12-22 | 合肥工业大学 | 基于中央处理器单元的腔镜光源协同控制方法及装置 |
CN114838664B (zh) * | 2022-07-04 | 2022-09-23 | 江西农业大学 | 一种基于黑皮鸡枞菌的菌盖尺寸原位测量方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0511907B2 (zh) * | 1987-03-24 | 1993-02-16 | Sumitomo Metal Ind | |
CN202570628U (zh) * | 2011-09-26 | 2012-12-05 | 华中农业大学 | 基于计算机视觉技术的香菇分级机 |
CN103177257A (zh) * | 2013-04-09 | 2013-06-26 | 江苏大学 | 一种鸡腿菇图像识别方法与分级方法 |
WO2016193602A1 (fr) * | 2015-05-29 | 2016-12-08 | Université De Bordeaux | Système et méthode pour l'estimation d'un volume de récolte au sein d'une exploitation viticole |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101929849B (zh) * | 2010-07-30 | 2012-02-01 | 浙江大学 | 一种香菇外形检测方法 |
CN107046933B (zh) * | 2017-04-19 | 2019-08-06 | 南京航空航天大学 | 基于机器视觉的蘑菇自动采摘系统及方法 |
CN107316043A (zh) * | 2017-07-04 | 2017-11-03 | 上海大学 | 一种采摘机器人的堆叠蘑菇快速识别方法 |
-
2017
- 2017-12-27 CN CN201711440417.XA patent/CN108171693B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0511907B2 (zh) * | 1987-03-24 | 1993-02-16 | Sumitomo Metal Ind | |
CN202570628U (zh) * | 2011-09-26 | 2012-12-05 | 华中农业大学 | 基于计算机视觉技术的香菇分级机 |
CN103177257A (zh) * | 2013-04-09 | 2013-06-26 | 江苏大学 | 一种鸡腿菇图像识别方法与分级方法 |
WO2016193602A1 (fr) * | 2015-05-29 | 2016-12-08 | Université De Bordeaux | Système et méthode pour l'estimation d'un volume de récolte au sein d'une exploitation viticole |
Non-Patent Citations (3)
Title |
---|
Consumers’ visual attention to fruit defects and disorders: A case study with apple images;Sara R.Jaeger et al;《Postharvest Biology and Technology》;20160630;第36-44页 * |
THE DEVELOPMENT OF A MACHINE VISION SYSTEM FOR SHIITAKE GRADING;HO-HSIEN CHEN et al;《Journal of Food Quality》;20041031;第352-365页 * |
基于机器视觉的蘑菇单体检测定位算法及其边界描述;俞高红等;《农业工程学报》;20050630;第21卷(第6期);第101-104页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108171693A (zh) | 2018-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108171693B (zh) | 一种自动检测劣质蘑菇的方法 | |
US20230368361A1 (en) | Screen defect detection method, apparatus, and electronic device | |
CN105784713B (zh) | 基于机器视觉的密封圈表面缺陷检测方法 | |
CN109872300B (zh) | 一种摩擦片外观缺陷的视觉显著性检测方法 | |
Patel et al. | Automatic segmentation and yield measurement of fruit using shape analysis | |
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
CN110033439B (zh) | 一种制丝过程中皮带输送机堵料的视觉检测方法 | |
CN103759644A (zh) | 一种滤光片表面缺陷的分离细化智能检测方法 | |
CN111122590B (zh) | 一种陶瓷表面缺陷检测装置及检测方法 | |
CN106442561A (zh) | 用于检测柑橘表皮缺陷的在线图像采集系统及方法 | |
CN115330772A (zh) | 一种在线焊点质量检测方法 | |
CN109523524A (zh) | 一种基于集成学习的眼底图像硬性渗出检测方法 | |
Wang et al. | Vision-based judgment of tomato maturity under growth conditions | |
CN106918602A (zh) | 一种鲁棒的基于机器视觉的表面缺陷检测方法 | |
CN110858395A (zh) | 一种卷装长丝的污丝缺陷检测方法 | |
CN111665251A (zh) | 一种表面缺陷视觉检测方法 | |
CN109682821B (zh) | 一种基于多尺度高斯函数的柑橘表面缺陷检测方法 | |
CN115601412A (zh) | 基于多光谱图像处理对结晶聚合物粉体杂质的检测方法 | |
CN102788806A (zh) | 基于类球形亮度变换的水果表面缺陷检测方法 | |
CN110765887A (zh) | 隧道衬砌裂纹自动识别技术及检测方法 | |
CN102184389B (zh) | 用于心材与边材高色差树种的年轮自动识别方法 | |
CN113610843A (zh) | 一种光纤编织层的实时缺陷识别系统及其方法 | |
KR101543896B1 (ko) | 스캡 결함 검출 장치 및 방법 | |
Puchalski et al. | Image analysis for apple defect detection | |
CN110857919A (zh) | 一种卷装长丝的尾丝缺陷检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20201208 Address after: Room 611-293, R & D center building, China (Hefei) international intelligent voice Industrial Park, 3333 Xiyou Road, high tech Zone, Hefei City, Anhui Province Patentee after: Hefei jinguoyuan Visual Technology Co.,Ltd. Address before: 230000 Hefei 10 high tech park, Anhui Patentee before: HEFEI ASORTING INTELLIGENT TECHNOLOGY Co.,Ltd. |
|
TR01 | Transfer of patent right |