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 PDFInfo
- 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
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
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。
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)
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)
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 |
-
2018
- 2018-02-07 CN CN201810122817.4A patent/CN108311411B/zh active Active
Patent Citations (7)
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)
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 |