CN108311411A - 一种冬虫夏草智能化分拣系统及其使用方法 - Google Patents

一种冬虫夏草智能化分拣系统及其使用方法 Download PDF

Info

Publication number
CN108311411A
CN108311411A CN201810122817.4A CN201810122817A CN108311411A CN 108311411 A CN108311411 A CN 108311411A CN 201810122817 A CN201810122817 A CN 201810122817A CN 108311411 A CN108311411 A CN 108311411A
Authority
CN
China
Prior art keywords
cordyceps sinensis
sorting
camera
host computer
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.)
Granted
Application number
CN201810122817.4A
Other languages
English (en)
Other versions
CN108311411B (zh
Inventor
张开生
薛杨
杨帆
李霞
陈晓屹
梁加力
李媛媛
杨晓瑜
成立
姜莎莎
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 CN201810122817.4A priority Critical patent/CN108311411B/zh
Publication of CN108311411A publication Critical patent/CN108311411A/zh
Application granted granted Critical
Publication of CN108311411B publication Critical patent/CN108311411B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • B07C5/34—Sorting according to other particular properties
    • B07C5/3412—Sorting according to other particular properties according to a code applied to the object which indicates a property of the object, e.g. quality class, contents or incorrect indication
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Physiology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Sorting Of Articles (AREA)
  • Control Of Conveyors (AREA)

Abstract

一种冬虫夏草智能化分拣系统及其使用方法，包括：传送带，传送需要分拣的冬虫夏草；电机用于控制传送带的运行；滑靴用于对相应道口的冬虫夏草进行分拣；摄像头，设置于分拣道口上方，用于获取冬虫夏草图像；微处理器，与摄像机通过串口相连，移植OpenCV进行图像处理，通过基于SURF算法的卷积神经网络识别冬虫夏草类型，Canny边缘检测和Hu矩算法进行等级分拣，并控制滑靴进行分拣；LCD显示屏用于显示获取到的冬虫夏草信息；上位机摄像头用于监控分拣情况，并实时反馈给上位机；上位机用于实时显示当前分拣情况，并通过图像处理获取当前传送带上的冬虫夏草数量，以控制电机速度；本发明能够识别定位不同物种和不同等级冬虫夏草，降低分拣错误率。

Description

一种冬虫夏草智能化分拣系统及其使用方法
技术领域
本发明涉及自动分拣技术领域，特别涉及一种冬虫夏草智能化分拣系统及其使用方法。
背景技术
冬虫夏草是冬虫夏草菌侵染、寄生蝠蛾幼虫形成的菌虫复合体，是冬虫夏草属400多种冬虫夏草中的一个特定品种，药用价值和经济价值极高。现今，市面上常常混有冬虫夏草的相似物种，并且冬虫夏草也因大小，虫体所占比例等分为不同等级，这就需要对收购的冬虫夏草进行拣选，而目前，国内尚无成熟的安全高效的分拣设备，我国主要以人工分拣为主，导致分拣速度低，错误率高，企业需花费大量的财力、时间在拣选阶段。因此，需要一种智能化的分拣设备。
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冬虫夏草智能化分拣系统及其使用方法，通过工业摄像头获取分拣时冬虫夏草多角度图像，搭建了基于SURF算法的卷积神经网络的识别模型，该系统实现了分拣智能化，特别适用于批量分拣，弥补了人工分拣带来的效率低、错误率高的不足。
为了达到上述目的，本发明采用的技术方案是：
一种冬虫夏草智能化分拣系统，包括图像信息采集模块，分拣控制模块，上位机监控模块，图像信息采集模块包括分拣摄像头4，显示屏6，微处理器5；分拣控制模块包括传送带1，电机2，称重装置，分拣装置，分拣装置为滑靴3；所述的上位机监控模块包括上位机摄像头7与上位机8；
所述传送带1，由多个入口和分拣道口组成，传送需要分拣的冬虫夏草；
所述电机2，设置于传送带两端，用于控制传送带1的运行；
所述滑靴3，设置于每个传送分拣道口处，用于对相应道口的冬虫夏草进行分拣，并由称重装置获取冬虫夏草质量，以对冬虫夏草进行识别及等级分级；
所述摄像头4，设置于分拣道口上方，用于获取冬虫夏草图像；
所述微处理器5，选用STM32微处理器进行冬虫夏草分拣，通过基于SURF算法的卷积神经网络识别冬虫夏草物种，运用Canny算法和Hu矩进行冬虫夏草等级分拣处理冬虫夏草图像，并控制滑靴3进行分拣；
所述LCD显示屏6，设置于分拣道口处，用于显示获取到的冬虫夏草信息；
所述上位机摄像头7，设置于整个系统的上方，用于监控分拣情况，并实时反馈给上位机8；
所述上位机8，连接摄像头7，用于实时显示当前分拣情况，以控制电机7速度。
所述的显示屏6为LCD显示屏。
所述的微处理器5为嵌入式微处理器，所述的电机2为步进电机。
所述的摄像头4选用OV7670摄像头。
所述的冬虫夏草分拣包括基于SURF算法的卷积神经网络模型的冬虫夏草识别和基于Canny边缘检测和Hu矩的冬虫夏草等级分拣，将工业摄像头拍摄多角度冬虫夏草图像，经图像预处理，归一化后，通过SURF算法获取冬虫夏草特征点区域图作为卷积神经网络的输入样本，运用人工蜂群ABC(Artificial Bee Colony)算法替代传统的梯度下降法，搭建卷积神经网络模型，通过对同一冬虫夏草多角度比对，运用投票机制，判断物种性状，提高识别准确度，将识别是冬虫夏草的品种经Canny边缘检测和Hu矩算法得到冬虫夏草大小及虫体虫体所占比例，并结合冬虫夏草质量，判断冬虫夏草等级。
所述SURF算法是一种图像检索算法，通过提取12点最强特征点区域作为卷积神经网络的输入，以便于获取更加准确的冬虫夏草特征图。
所述的卷积神经网络模型设计由输入层、3个卷积层、3个池化层和全连接层四部分组成，输入层图像大小均为64*64像素，卷积层为C1、C3和C5，其中C1和C3选用大小为5*5的卷积核，C5卷积核的大小是4*4，以确保最后池化层输出为1*1的特征图，模型中S2、S4、S6为池化层，选用2*2的最大池化窗口，取出4个中最大的数据信息作为特征图输出，将C1的60*60特征图通过S2、S4、S6降为得到1*1的结果，全连接层类似于BP神经网络架构，由输入层、隐层和输出层三部分组成，其中输入层为S6池化后特征图得到的列向量，隐层为一层非线性映射，输出层为整个神经网络的输出结果，输出值为1、2，其中1代表冬虫夏草种类，2代表非冬虫夏草种类。
所述的上位机摄像头7记录分拣状况，通过图像处理技术，判断当前传送带上的冬虫夏草数量，根据冬虫夏草数量，时间等约束条件，通过粒子群算法，控制优化电机2速度。
一种冬虫夏草智能化分拣系统的使用方法，包括如下步骤：
步骤一：将冬虫夏草放入传送带1入口处，冬虫夏草到达分拣道口；
步骤二：分拣道口上方装有摄像头4，摄像头4获取当前快冬虫夏草的图像，通过串口送入微处理器5进行图像处理、基于SURF算法的卷积神经网络处理，以得到为冬虫夏草种类的物种，并运用Canny算法和Hu矩进行冬虫夏草等级分拣处理冬虫夏草图像，显示在LCD显示屏上，控制滑靴3分拣，并且通过无线传输技术发送给上位机8的数据库；
步骤三：上位机摄像头7记录分拣状况，通过图像处理技术，判断当前传送带1上的冬虫夏草数量，根据冬虫夏草数量，时间等约束条件，通过粒子群算法，控制优化电机2速度。
本发明的有益效果是：
本发明通过对冬虫夏草的识别分拣算法进行了研究，通过工业摄像头获取分拣时冬虫夏草多角度图像，搭建了基于SURF算法的卷积神经网络的识别模型，通过人工蜂群算法优化学习速率，并将识别为冬虫夏草的品种通过Canny边缘检测算法和Hu矩得到冬虫夏草大小以及虫体所占比例，按照一定参数进行冬虫夏草等级划分，提高了卷积神经网络的识别效率和分拣准确度。在算法上，与传统的卷积神经网络相比，优化了神经网络收敛速度，通过投票机制提高了识别正确率，并将Canny边缘检测算法和Hu矩运用于冬虫夏草等级分拣中，能够更加准确地进行等级分拣，该系统实现了分拣智能化，特别适用于批量分拣，弥补了人工分拣带来的效率低、错误率高的不足。
附图说明
图1为本发明的总体硬件框图。
图2为本发明的总体连接示意图。
图3为本发明的流程框图。
图4为图像信息获取传送流程图。
图5为图像处理流程图。
图6为上位机监控设计流程图。
图7为控制分拣模块软件设计流程图。
图8为传送带驱动电路图。
图9为图像信息采集模块电路图。
图10为卷积神经网络模型。
图11为SURF算法提取特征点图。
具体实施方式
下面结合附图对本发明的结构原理和工作原理作详细叙述。
如图1图2所示：一种冬虫夏草智能化分拣系统，包括图像信息采集模块，分拣控制模块，上位机监控模块，图像信息采集模块包括分拣摄像头4，显示屏6，微处理器5；分拣控制模块包括传送带1，电机2，称重装置，分拣装置，分拣装置为滑靴3；所述的上位机监控模块包括上位机摄像头7与上位机8；
所述传送带1，由多个入口和分拣道口组成，传送需要分拣的冬虫夏草；
所述电机2，设置于传送带两端，用于控制传送带1的运行；
所述滑靴3，设置于每个传送分拣道口处，用于对相应道口的冬虫夏草进行分拣，并由称重装置获取冬虫夏草质量，以对冬虫夏草进行识别及等级分级；
所述摄像头4，设置于分拣道口上方，用于获取冬虫夏草图像；
所述微处理器5，选用STM32微处理器进行冬虫夏草分拣，通过基于SURF算法的卷积神经网络识别冬虫夏草物种，运用Canny算法和Hu矩进行冬虫夏草等级分拣处理冬虫夏草图像，并控制滑靴3进行分拣；
所述LCD显示屏6，设置于分拣道口处，用于显示获取到的冬虫夏草信息；
所述上位机摄像头7，设置于整个系统的上方，用于监控分拣情况，并实时反馈给上位机8；
所述上位机8，连接摄像头7，用于实时显示当前分拣情况，以控制电机7速度。
所述的显示屏6为LCD显示屏6。
所述的微处理器5为嵌入式微处理器，所述的电机2为步进电机。
所述的摄像头4选用OV7670摄像头。
如图2所示，传送带为树状结构。
如图5所示：所述的冬虫夏草分拣包括基于SURF算法的卷积神经网络模型的冬虫夏草识别和基于Canny边缘检测和Hu矩的冬虫夏草等级分拣，将工业摄像头拍摄多角度冬虫夏草图像，经图像预处理，归一化后，通过SURF算法获取冬虫夏草特征点区域图作为卷积神经网络的输入样本，运用人工蜂群ABC(Artificial Bee Colony)算法替代传统的梯度下降法，搭建卷积神经网络模型，通过对同一冬虫夏草多角度比对，运用投票机制，判断物种性状，提高识别准确度，将识别是冬虫夏草的品种经Canny边缘检测和Hu矩算法得到冬虫夏草大小及虫体虫体所占比例，并结合冬虫夏草质量，判断冬虫夏草等级。
如图11所示：所述SURF算法是一种图像检索算法，通过提取12点最强特征点区域作为卷积神经网络的输入，以便于获取更加准确的冬虫夏草特征图。
如图10所示：所述的卷积神经网络模型设计由输入层、3个卷积层、3个池化层和全连接层四部分组成，输入层图像大小均为64*64像素，卷积层为C1、C3和C5，其中C1和C3选用大小为5*5的卷积核，C5卷积核的大小是4*4，以确保最后池化层输出为1*1的特征图，模型中S2、S4、S6为池化层，选用2*2的最大池化窗口，取出4个中最大的数据信息作为特征图输出，将C1的60*60特征图通过S2、S4、S6降为得到1*1的结果，全连接层类似于BP神经网络架构，由输入层、隐层和输出层三部分组成，其中输入层为S6池化后特征图得到的列向量，隐层为一层非线性映射，输出层为整个神经网络的输出结果，输出值为1、2，其中1代表冬虫夏草种类，2代表非冬虫夏草种类。
如图6图7所示：所述的上位机摄像头7记录分拣状况，通过图像处理技术，判断当前传送带上的冬虫夏草数量，根据冬虫夏草数量，时间等约束条件，通过粒子群算法，控制优化电机2速度。
如图3图4所示：一种冬虫夏草智能化分拣系统的使用方法，包括如下步骤：
步骤一：将冬虫夏草放入传送带1入口处，冬虫夏草到达分拣道口；
步骤二：分拣道口上方装有摄像头4，摄像头4获取当前快冬虫夏草的图像，通过串口送入微处理器5进行图像处理、基于SURF算法的卷积神经网络处理，以得到为冬虫夏草种类的物种，并运用Canny算法和Hu矩进行冬虫夏草等级分拣处理冬虫夏草图像，显示在LCD显示屏6上，控制滑靴3分拣，并且通过无线传输技术发送给上位机8的数据库；
步骤三：上位机摄像头7记录分拣状况，通过图像处理技术，判断当前传送带1上的冬虫夏草数量，根据冬虫夏草数量，时间等约束条件，通过粒子群算法，控制优化电机2速度。
如图8所示为传送带驱动电路图。
如图9所示为图像信息采集模块电路图。

Claims (9)

1.一种冬虫夏草智能化分拣系统，其特征在于，包括图像信息采集模块、分拣控制模块和上位机监控模块，图像信息采集模块包括分拣摄像头(4)、显示屏(6)和微处理器(5)；分拣控制模块包括传送带(1)、电机(2)、称重装置和分拣装置，分拣装置为滑靴(3)；上位机监控模块包括上位机摄像头(7)与上位机(8)；
所述传送带(1)，传送需要分拣的冬虫夏草，设置有多个入口和分拣道口；
所述电机(2)，设置于传送带(1)两端，用于控制传送带(1)的运行；
所述滑靴(3)，设置于每个分拣道口处，用于对相应分拣道口的冬虫夏草进行分拣，并由称重装置获取冬虫夏草质量，以对冬虫夏草进行识别及等级分级；
所述分拣摄像头(4)，设置于分拣道口上方，用于获取冬虫夏草图像；
所述微处理器(5)，选用STM32微处理器进行冬虫夏草分拣，通过基于SURF算法的卷积神经网络识别冬虫夏草物种，运用Canny算法和Hu矩进行冬虫夏草等级分拣处理冬虫夏草图像，并控制滑靴(3)进行分拣；
所述LCD显示屏(6)，设置于分拣道口处，用于显示获取到的冬虫夏草信息；
所述上位机摄像头(7)，设置于整个系统的上方，用于监控分拣情况，并实时反馈给上位机(8)；
所述上位机(8)，连接上位机摄像头(7)，用于实时显示当前分拣情况，以控制电机(2)速度。
2.根据权利要求1所述的一种冬虫夏草智能化分拣系统，其特征在于，所述的显示屏(6)为LCD显示屏。
3.根据权利要求1所述的一种冬虫夏草智能化分拣系统，其特征在于，所述的微处理器(5)为嵌入式微处理器，所述的电机(2)为步进电机。
4.根据权利要求1所述的一种冬虫夏草智能化分拣系统，其特征在于，所述的摄像头(4)选用OV7670摄像头。
5.根据权利要求1所述的一种冬虫夏草智能化分拣系统，其特征在于，所述的冬虫夏草分拣包括基于SURF算法的卷积神经网络模型的冬虫夏草识别和基于Canny边缘检测和Hu矩的冬虫夏草等级分拣，将工业摄像头拍摄多角度冬虫夏草图像，经图像预处理，归一化后，通过SURF算法获取冬虫夏草特征点区域图作为卷积神经网络的输入样本，运用人工蜂群ABC(Artificial Bee Colony)算法替代传统的梯度下降法，搭建卷积神经网络模型，通过对同一冬虫夏草多角度比对，运用投票机制，判断物种性状，提高识别准确度，将识别是冬虫夏草的品种经Canny边缘检测和Hu矩算法得到冬虫夏草大小及虫体虫体所占比例，并结合冬虫夏草质量，判断冬虫夏草等级。
6.根据权利要求5所述的一种冬虫夏草智能化分拣系统，其特征在于，所述的卷积神经网络模型设计由输入层、3个卷积层、3个池化层和全连接层四部分组成，输入层图像大小均为64*64像素，卷积层为C1、C3和C5，其中C1和C3选用大小为5*5的卷积核，C5卷积核的大小是4*4，以确保最后池化层输出为1*1的特征图，模型中S2、S4、S6为池化层，选用2*2的最大池化窗口，取出4个中最大的数据信息作为特征图输出，将C1的60*60特征图通过S2、S4、S6降为得到1*1的结果，全连接层类似于BP神经网络架构，由输入层、隐层和输出层三部分组成，其中输入层为S6池化后特征图得到的列向量，隐层为一层非线性映射，输出层为整个神经网络的输出结果，输出值为1、2，其中1代表冬虫夏草种类，2代表非冬虫夏草种类。
7.根据权利要求1所述的一种冬虫夏草智能化分拣系统，其特征在于，所述SURF算法是一种图像检索算法，通过提取12点最强特征点区域作为卷积神经网络的输入，以便于获取更加准确的冬虫夏草特征图。
8.根据权利要求1所述的一种冬虫夏草智能化分拣系统，其特征在于，所述的上位机摄像头(7)记录分拣状况，通过图像处理技术，判断当前传送带上的冬虫夏草数量，根据冬虫夏草数量，时间等约束条件，通过粒子群算法，控制优化电机(2)速度。
9.一种冬虫夏草智能化分拣系统的使用方法，其特征在于，包括如下步骤：
步骤一：将冬虫夏草放入传送带(1)入口处，冬虫夏草到达分拣道口；
步骤二：分拣道口上方装有摄像头(4)，摄像头(4)获取当前快冬虫夏草的图像，通过串口送入微处理器(5)进行图像处理、基于SURF算法的卷积神经网络算法处理，以得到为冬虫夏草种类的物种，并运用Canny算法和Hu矩进行冬虫夏草等级分拣处理冬虫夏草图像，显示在LCD显示屏上，控制滑靴(3)分拣，并且通过无线传输技术发送给上位机(8)的数据库；
步骤三：上位机摄像头(7)记录分拣状况，通过图像处理技术，判断当前传送带(1)上的冬虫夏草数量，根据冬虫夏草数量，时间等约束条件，通过粒子群算法，控制优化电机(2)速度。
CN201810122817.4A 2018-02-07 2018-02-07 一种冬虫夏草智能化分拣系统及其使用方法 Active CN108311411B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810122817.4A CN108311411B (zh) 2018-02-07 2018-02-07 一种冬虫夏草智能化分拣系统及其使用方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810122817.4A CN108311411B (zh) 2018-02-07 2018-02-07 一种冬虫夏草智能化分拣系统及其使用方法

Publications (2)

Publication Number Publication Date
CN108311411A true CN108311411A (zh) 2018-07-24
CN108311411B CN108311411B (zh) 2020-01-21

Family

ID=62902006

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810122817.4A Active CN108311411B (zh) 2018-02-07 2018-02-07 一种冬虫夏草智能化分拣系统及其使用方法

Country Status (1)

Country Link
CN (1) CN108311411B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109794437A (zh) * 2018-10-30 2019-05-24 泉州装备制造研究所 基于计算机视觉的智能分拣系统
CN109794436A (zh) * 2018-10-30 2019-05-24 泉州装备制造研究所 基于计算机视觉的一次性纸尿裤智能分拣系统
CN110288009A (zh) * 2019-06-12 2019-09-27 安阳鑫炬环保设备制造有限公司 基于神经网络的链板式物料筛选传送方法
CN110694921A (zh) * 2019-09-06 2020-01-17 北京农业智能装备技术研究中心 蔬菜分拣系统及其控制方法
CN113231341A (zh) * 2021-06-02 2021-08-10 黎一川 一种基于卷积神经网络的禽苗分拣系统
CN113674339A (zh) * 2020-05-14 2021-11-19 因特利格雷特总部有限责任公司 基于强化学习的传送控制
CN114063179A (zh) * 2021-10-27 2022-02-18 福建省农业科学院植物保护研究所 一种入侵生物跨境智能监测设备
CN114985303A (zh) * 2022-05-24 2022-09-02 广东省农业科学院蔬菜研究所 黑皮鸡枞外观品质分级系统及其方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678304A (zh) * 2015-12-30 2016-06-15 浙江宇视科技有限公司 一种车标识别方法及装置
CN206382252U (zh) * 2016-11-18 2017-08-08 广东东阳光药业有限公司 一种冬虫夏草分拣设备
CN107230205A (zh) * 2017-05-27 2017-10-03 国网上海市电力公司 一种基于卷积神经网络的输电线路螺栓检测方法
CN107247957A (zh) * 2016-12-16 2017-10-13 广州中国科学院先进技术研究所 一种基于深度学习和云计算的智能农产品分类方法及系统
CN107328787A (zh) * 2017-07-05 2017-11-07 北京科技大学 一种基于深度卷积神经网络的金属板带表面缺陷检测系统
CN107392896A (zh) * 2017-07-14 2017-11-24 佛山市南海区广工大数控装备协同创新研究院 一种基于深度学习的木材缺陷检测方法和系统
JP2018005639A (ja) * 2016-07-04 2018-01-11 タカノ株式会社 画像分類装置、画像検査装置、及び、プログラム

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678304A (zh) * 2015-12-30 2016-06-15 浙江宇视科技有限公司 一种车标识别方法及装置
JP2018005639A (ja) * 2016-07-04 2018-01-11 タカノ株式会社 画像分類装置、画像検査装置、及び、プログラム
CN206382252U (zh) * 2016-11-18 2017-08-08 广东东阳光药业有限公司 一种冬虫夏草分拣设备
CN107247957A (zh) * 2016-12-16 2017-10-13 广州中国科学院先进技术研究所 一种基于深度学习和云计算的智能农产品分类方法及系统
CN107230205A (zh) * 2017-05-27 2017-10-03 国网上海市电力公司 一种基于卷积神经网络的输电线路螺栓检测方法
CN107328787A (zh) * 2017-07-05 2017-11-07 北京科技大学 一种基于深度卷积神经网络的金属板带表面缺陷检测系统
CN107392896A (zh) * 2017-07-14 2017-11-24 佛山市南海区广工大数控装备协同创新研究院 一种基于深度学习的木材缺陷检测方法和系统

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109794437A (zh) * 2018-10-30 2019-05-24 泉州装备制造研究所 基于计算机视觉的智能分拣系统
CN109794436A (zh) * 2018-10-30 2019-05-24 泉州装备制造研究所 基于计算机视觉的一次性纸尿裤智能分拣系统
CN109794437B (zh) * 2018-10-30 2024-02-06 泉州装备制造研究所 基于计算机视觉的智能分拣系统
CN110288009A (zh) * 2019-06-12 2019-09-27 安阳鑫炬环保设备制造有限公司 基于神经网络的链板式物料筛选传送方法
CN110694921A (zh) * 2019-09-06 2020-01-17 北京农业智能装备技术研究中心 蔬菜分拣系统及其控制方法
CN113674339A (zh) * 2020-05-14 2021-11-19 因特利格雷特总部有限责任公司 基于强化学习的传送控制
CN113231341A (zh) * 2021-06-02 2021-08-10 黎一川 一种基于卷积神经网络的禽苗分拣系统
CN114063179A (zh) * 2021-10-27 2022-02-18 福建省农业科学院植物保护研究所 一种入侵生物跨境智能监测设备
CN114063179B (zh) * 2021-10-27 2023-10-27 福建省农业科学院植物保护研究所 一种入侵生物跨境智能监测设备
CN114985303A (zh) * 2022-05-24 2022-09-02 广东省农业科学院蔬菜研究所 黑皮鸡枞外观品质分级系统及其方法
CN114985303B (zh) * 2022-05-24 2024-04-26 广东省农业科学院蔬菜研究所 黑皮鸡枞外观品质分级系统及其方法

Also Published As

Publication number Publication date
CN108311411B (zh) 2020-01-21

Similar Documents

Publication Publication Date Title
CN108311411A (zh) 一种冬虫夏草智能化分拣系统及其使用方法
Liu et al. A detection method for apple fruits based on color and shape features
CN110472575B (zh) 一种基于深度学习和计算机视觉的串番茄成熟度检测方法
CN110479636B (zh) 基于神经网络自动分拣烟叶的方法及装置
CN111652326B (zh) 基于MobileNet v2网络改进的果实成熟度识别方法和识别系统
Kangune et al. Grapes ripeness estimation using convolutional neural network and support vector machine
CN106997475B (zh) 一种基于并行卷积神经网络的害虫图像识别方法
CN110705655A (zh) 一种基于光谱和机器视觉耦合的烟叶分类方法
Thakur et al. An innovative approach for fruit ripeness classification
CN103646251B (zh) 基于嵌入式的苹果采后田间分级检测方法及系统
Raut et al. Assessment of fruit maturity using digital image processing
Zhang et al. Deep learning based rapid diagnosis system for identifying tomato nutrition disorders
Ramirez et al. Agroindustrial plant for the classification of hass avocados in real-time with ResNet-18 architecture
CN107545281A (zh) 一种基于深度学习的单一有害气体红外图像分类识别方法
CN109272496A (zh) 一种煤矿火灾视频监控用火灾图像识别方法
Chen et al. Automatic classification and detection of oranges based on computer vision
Ji et al. Apple color automatic grading method based on machine vision
Nawawi et al. Comprehensive pineapple segmentation techniques with intelligent convolutional neural network
CN110111263A (zh) 一种基于图像处理的烤烟种植指导系统
Kangune et al. Automated estimation of grape ripeness
CN107016401B (zh) 一种基于数码相机图像的水稻冠层识别方法
CN115330868A (zh) 一种基于深度学习与深度信息融合的葡萄采摘方法
CN115457542A (zh) 一种基于改进YOLOv4果园复杂环境下葡萄成熟度的检测方法
Yihang et al. Automatic recognition of rape seeding emergence stage based on computer vision technology
Mohanapriya et al. Identification of Fruit Disease Using Instance Segmentation

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
GR01 Patent grant
GR01 Patent grant