CN108572174A - 一种农产品品质指标无损检测方法 - Google Patents

一种农产品品质指标无损检测方法 Download PDF

Info

Publication number
CN108572174A
CN108572174A CN201810378890.8A CN201810378890A CN108572174A CN 108572174 A CN108572174 A CN 108572174A CN 201810378890 A CN201810378890 A CN 201810378890A CN 108572174 A CN108572174 A CN 108572174A
Authority
CN
China
Prior art keywords
agricultural product
image
shape
quality
fruit
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
CN201810378890.8A
Other languages
English (en)
Inventor
阙小峰
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.)
Suzhou Polytechnic Institute of Agriculture
Original Assignee
Suzhou Polytechnic Institute of Agriculture
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 Suzhou Polytechnic Institute of Agriculture filed Critical Suzhou Polytechnic Institute of Agriculture
Priority to CN201810378890.8A priority Critical patent/CN108572174A/zh
Publication of CN108572174A publication Critical patent/CN108572174A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种农产品品质指标无损检测方法，包括以下步骤：步骤1：搭建机器视觉检测平台，然后全方位采集视觉传感器中的农产品RGB图像；步骤2：利用步骤1中采集的图像进行图像分割，然后划分出农产品感兴趣区域，提取农产品果实轮廓；步骤3：利用步骤2所提取的农产品果实轮廓，使用形状不变特征提取算子提取形状特征向量，克服农产品大小、位置和朝向各异问题；步骤4：利用步骤1中采集不同形状农产品样本图像，利用步骤2和步骤3中提取的特征向量，训练支持向量机，确定支持向量机最优参数和检测正确率。本发明采用机器视觉技术实现对农产品品质进行无损检测，具有非常和的实时性，且方法合理、检测的正确率高。

Description

一种农产品品质指标无损检测方法
技术领域
本发明涉及一种农产品品质指标无损检测方法，属于检测方法和技术领域。
背景技术
农产品(如花生、瓜子、松子、开心果、核桃等)由于大都富含丰富的油脂和蛋白质，在高水分和新陈代谢较强的情况下，其品质易发生变化。国内外学者在对农产品品质进行检测时，普遍采用感官评定或综合测定酸价和过氧化值的方法，后者己作为检测壳类农产品品质的重要指标被纳入国家标准。然而使用以上这些方法进行品质检测时，会存在着一些问题：感官评定结果受个人和环境因素影响较大，难以形成统一的标准；而酸价和过氧化值测定耗时长、操作要求高，且仪器不易清洗。除了上述传统检测方法外，一些快速检测方法也常被国内外学者用于农产品品质的检测中，如机器视觉技术和近红外光谱分析法。但这些检测方法的样品用量多，检测时间长，且在检测壳类农产品时，必须脱壳进行检测，为实际操作带来了极大的不便。为此，需要设计一种新的技术方案给予解决。
发明内容
本发明正是针对现有技术存在的不足，提供一种检测效率、实时且无损的农产品品质检测方法，具有较好安全使用性能，满足了实际使用要求。
为解决上述问题，本发明所采取的技术方案如下：
一种农产品品质指标无损检测方法，具体包括以下步骤：
步骤1：搭建机器视觉检测平台，然后全方位采集视觉传感器中的农产品RGB图像；
步骤2：利用步骤1中所采集的图像进行图像分割，然后划分出农产品感兴趣区域，提取农产品果实轮廓；
步骤3：利用步骤2中所提取的农产品果实轮廓，使用形状不变特征提取算子提取形状特征向量，克服农产品大小、位置和朝向各异的问题；
步骤4：利用步骤1中采集不同形状农产品样本图像，利用步骤2和步骤3中提取的特征向量，训练支持向量机，确定支持向量机最优参数和分类正确率。
作为上述技术方案的改进，步骤1中所述机器视觉检测平台是由视觉传感器、光照系统、CCD摄像机、图像采集卡、计算机及控制机构组成，其中，所述CCD摄像机的帧速120fps、分辨率656*492、型号MER-030-120UM，所述图像采集卡与所述控制机构均是电连接在所述计算机上，所述CCD摄像机是电连接在所述图像采集卡上，所述视觉传感器位于所述CCD摄像机正下方200mm位置，所述光照系统与所述CCD摄像机位于同一水平高度且与所述视觉传感器呈45度角；
利用所述机器视觉检测平台采集农产品图像过程中，每次可以拍摄一个或多个农产品。
作为上述技术方案的改进，步骤2中所述图像分割过程包括选择合适的颜色模型、阈值分割、形态学闭运算、边缘提取和轮廓提取；所述颜色模型采用具有显著波峰波谷形态的2R-G-B图像；所述阈值分割是指用固定阈值T分割2R-G-B图像，得到农产品果实感兴趣区域，该区域通常会受花萼遮挡影响而被过分割；所述形态学闭运算采用5*5方形结构元素填充果实感兴趣区域的细小孔洞；所述边缘提取是指用Canny算子提取农产品果实感兴趣区域边缘；所述轮廓提取是指用凸包算法求解包含农产品果实边缘并且顶点属于果实边缘的最小凸多边形，以该凸多边形来近似农产品形状，克服农产品果实被花萼遮挡造成的过分割问题。
作为上述技术方案的改进，步骤3中所述形状不变特征提取算子指Hu不变矩和椭圆傅里叶描述子，所述Hu不变矩将7个几何矩作为形状特征向量，所述椭圆傅里叶描述子将图像轮廓的傅里叶展开式的前20个系数组合作为农产品形状特征向量。
作为上述技术方案的改进，步骤4中所述支持向量机是一种模式分类算法，其训练过程包括：①获取不同形状农产品样本特征向量；②线性缩放特征向量每个属性值到区间[-1,1]；③选用RBF核函数；④采用网格搜索法设定支持向量机两个未知参数(即惩罚因子C和函数参数γ)变化范围，运用K交叉验证求不同参数组合条件下的分类正确率，选用预测正确率最高的组合参数作为支持向量机的最优参数；⑤利用80％样本特征向量训练最优参数条件下的支持向量机，利用20％样本特征向量验证支持向量机，确定分类正确率；
其中，所述缩放特征向量采用如下方法：
1)求样本特征向量每个属性值的最大值Xmax＝[x1_max,x2_max,…,xn_max]，每个属性值最小值Xmin＝[x1_min，x2_min，…，xn_min]，n是特征向量维数；
2)对样本任意特征向量X进行缩放
本发明与现有技术相比较，本发明的实施效果如下：
本发明采用机器视觉技术实现对农产品品质进行无损检测，本发明所述检测方法具有非常和的实时性，且方法合理、检测的正确率高，首先使用搭建的机器视觉检测平台无死角拍摄农产品果实，接着在2R-G-B颜色空间分割图像，提取果实边缘，并用凸包算法求边缘的最小凸多边形以近似农产品果实形状，克服了农产品果实被花萼遮挡造成的过分割问题，然后使用Hu不变矩或椭圆傅里叶描述子提取农产品的形状特征，克服了农产品大小、朝向和位置各异的问题，最后采用支持向量机进行区分。
附图说明
图1为本发明所述农产品品质指标无损检测方法流程示意图；
图2为本发明所述机器视觉检测平台结构示意图。
具体实施方式
下面将结合具体的实施例来说明本发明的内容。
如图1和图2所示，为本发明所述的农产品品质指标无损检测方法流程及设备示意图。
本发明所述的农产品品质指标无损检测方法，包括以下步骤：
步骤1：搭建机器视觉检测平台，然后全方位采集视觉传感器10中的农产品RGB图像；
步骤2：利用步骤1中所采集的图像进行图像分割，然后划分出农产品感兴趣区域，提取农产品果实轮廓；
步骤3：利用步骤2中所提取的农产品果实轮廓，使用形状不变特征提取算子提取形状特征向量，克服农产品大小、位置和朝向各异的问题；
步骤4：利用步骤1中采集不同形状农产品样本图像，利用步骤2和步骤3中提取的特征向量，训练支持向量机，确定支持向量机最优参数和检测正确率。
进一步改进地，步骤1中所述机器视觉检测平台是由视觉传感器(10)、光照系统20、CCD摄像机30、图像采集卡40、计算机50及控制机构60组成，其中，所述CCD摄像机30的帧速120fps、分辨率656*492、型号MER-030-120UM，所述图像采集卡40与所述控制机构60均电连接在计算机50上，所述CCD摄像机30是电连接在图像采集卡40上，所述视觉传感器10位于CCD摄像机30正下方200mm位置，所述光照系统20与CCD摄像机30位于同一水平高度且与视觉传感器10呈45度角；
利用所述机器视觉检测平台采集农产品图像过程中，每次可以拍摄一个或多个农产品。
具体地，步骤2中所述图像分割过程包括选择合适的颜色模型、阈值分割、形态学闭运算、边缘提取和轮廓提取；所述颜色模型采用具有显著波峰波谷形态的2R-G-B图像；所述阈值分割是指用固定阈值T分割2R-G-B图像，得到农产品果实感兴趣区域，该区域通常会受花萼遮挡影响而被过分割；所述形态学闭运算采用5*5方形结构元素填充果实感兴趣区域的细小孔洞；所述边缘提取是指用Canny算子提取农产品果实感兴趣区域边缘；所述轮廓提取是指用凸包算法求解包含农产品果实边缘并且顶点属于果实边缘的最小凸多边形，以该凸多边形来近似农产品形状，克服农产品果实被花萼遮挡造成的过分割问题。
具体地，步骤3中所述形状不变特征提取算子指Hu不变矩和椭圆傅里叶描述子，所述Hu不变矩将7个几何矩作为形状特征向量，所述椭圆傅里叶描述子将图像轮廓的傅里叶展开式的前20个系数组合作为农产品形状特征向量。
更具体地，步骤4中所述支持向量机是一种模式分类算法，其训练过程包括：①获取不同形状农产品样本特征向量；②线性缩放特征向量每个属性值到区间[-1,1]；③选用RBF核函数；④采用网格搜索法设定支持向量机两个未知参数(即惩罚因子C和函数参数γ)变化范围，运用K交叉验证求不同参数组合条件下的分类正确率，选用预测正确率最高组合参数作为支持向量机的最优参数；⑤利用80％样本特征向量训练最优参数条件下的支持向量机，利用20％样本特征向量验证支持向量机，确定分类正确率；
其中，所述缩放特征向量采用如下方法：
1)求样本特征向量每个属性值的最大值Xmax＝[x1_max,x2_max,…,xn_max]，每个属性值最小值Xmin＝[x1_min，x2_min，…，xx_min]，n是特征向量维数；
2)对样本任意特征向量X进行缩放
本发明采用机器视觉技术实现对农产品品质进行无损检测，本发明所述检测方法具有非常和的实时性，且方法合理、检测的正确率高，首先使用搭建的机器视觉检测平台无死角拍摄农产品果实，接着在2R-G-B颜色空间分割图像，提取果实边缘，并用凸包算法求边缘的最小凸多边形以近似农产品果实形状，克服了农产品果实被花萼遮挡造成的过分割问题，然后使用Hu不变矩或椭圆傅里叶描述子提取农产品的形状特征，克服了农产品大小、朝向和位置各异的问题，最后采用支持向量机进行预测。
表1为花生的Hu不变矩
表2为核桃的Hu不变矩
表3为瓜子的Hu不变矩
以上内容是结合具体的实施例对本发明所作的详细说明，不能认定本发明具体实施仅限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明保护的范围。

Claims (5)

1.一种农产品品质指标无损检测方法，其特征在于：包括以下步骤：
步骤1：搭建机器视觉检测平台，然后全方位采集视觉传感器(10)中的农产品RGB图像；
步骤2：利用步骤1中所采集的图像进行图像分割，然后划分出农产品感兴趣区域，提取农产品果实轮廓；
步骤3：利用步骤2中所提取的农产品果实轮廓，使用形状不变特征提取算子提取形状特征向量，克服农产品大小、位置和朝向各异的问题；
步骤4：利用步骤1中采集不同形状农产品样本图像，利用步骤2和步骤3中提取的特征向量，训练支持向量机，确定支持向量机最优参数和检测正确率。
2.根据权利要求1所述农产品品质指标无损检测方法，其特征在于：步骤1中所述机器视觉检测平台是由视觉传感器(10)、光照系统(20)、CCD摄像机(30)、图像采集卡(40)、计算机(50)及控制机构(60)组成，其中，所述CCD摄像机(30)的帧速120fps、分辨率656*492、型号MER-030-120UM，所述图像采集卡(40)与所述控制机构(60)均是电连接在所述计算机(50)上，所述CCD摄像机(30)是电连接在所述图像采集卡(40)上，所述视觉传感器(10)位于所述CCD摄像机(30)正下方200mm位置，所述光照系统(20)与所述CCD摄像机(30)位于同一水平高度且与所述视觉传感器(10)呈45度角；
利用所述机器视觉检测平台采集农产品图像过程中，每次可以拍摄一个或多个农产品。
3.根据权利要求1所述农产品品质指标无损检测方法，其特征在于：步骤2中所述图像分割过程包括选择合适的颜色模型、阈值分割、形态学闭运算、边缘提取和轮廓提取；所述颜色模型采用具有显著波峰波谷形态的2R-G-B图像；所述阈值分割是指用固定阈值T分割2R-G-B图像，得到农产品果实感兴趣区域，该区域通常会受花萼遮挡影响而被过分割；所述形态学闭运算采用5*5方形结构元素填充果实感兴趣区域的细小孔洞；所述边缘提取是指用Canny算子提取农产品果实感兴趣区域边缘；所述轮廓提取是指用凸包算法求解包含农产品果实边缘并且顶点属于果实边缘的最小凸多边形，以该凸多边形来近似农产品形状，克服农产品果实被花萼遮挡造成的过分割问题。
4.根据权利要求1所述农产品品质指标无损检测方法，其特征在于：步骤3中所述形状不变特征提取算子指Hu不变矩和椭圆傅里叶描述子，所述Hu不变矩将7个几何矩作为形状特征向量，所述椭圆傅里叶描述子将图像轮廓的傅里叶展开式的前20个系数组合作为农产品形状特征向量。
5.根据权利要求1所述农产品品质指标无损检测方法，其特征在于：步骤4中所述支持向量机是一种模式分类算法，其训练过程包括：①获取不同形状农产品样本特征向量；②线性缩放特征向量每个属性值到区间[-1,1]；③选用RBF核函数；④采用网格搜索法设定支持向量机两个未知参数(即惩罚因子C和函数参数γ)变化范围，运用K交叉验证求不同参数组合条件下的分类正确率，选用预测正确率最高的组合参数作为支持向量机的最优参数；⑤利用80％样本特征向量训练最优参数条件下的支持向量机，利用20％样本特征向量验证支持向量机，确定分类正确率；
其中，所述缩放特征向量采用如下方法：
1)求样本特征向量每个属性值的最大值Xmax＝[x1_max,x2_max,…,xn_max]，每个属性值最小值Xmin＝[x1_min，x2_min，…，xn_min]，n是特征向量维数；
2)对样本任意特征向量X进行缩放
CN201810378890.8A 2018-04-25 2018-04-25 一种农产品品质指标无损检测方法 Pending CN108572174A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810378890.8A CN108572174A (zh) 2018-04-25 2018-04-25 一种农产品品质指标无损检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810378890.8A CN108572174A (zh) 2018-04-25 2018-04-25 一种农产品品质指标无损检测方法

Publications (1)

Publication Number Publication Date
CN108572174A true CN108572174A (zh) 2018-09-25

Family

ID=63575155

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810378890.8A Pending CN108572174A (zh) 2018-04-25 2018-04-25 一种农产品品质指标无损检测方法

Country Status (1)

Country Link
CN (1) CN108572174A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685174A (zh) * 2018-12-26 2019-04-26 天津市农业科学院信息研究所 一种黄瓜丰产性自动分析装置及方法
CN110060294A (zh) * 2019-04-30 2019-07-26 中国农业科学院农业环境与可持续发展研究所 一种果树作物的产量评估方法
CN112774173A (zh) * 2021-01-28 2021-05-11 深圳市瑞驰文体发展有限公司 一种带有台球检测功能的台球盒
CN113692222A (zh) * 2019-02-15 2021-11-23 阿普哈维斯特技术股份有限公司 使用色调色彩空间和峰值查找的成熟度检测系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101726251A (zh) * 2009-11-13 2010-06-09 江苏大学 基于支持向量机的苹果采摘机器人果实自动识别方法
CN105004733A (zh) * 2015-07-31 2015-10-28 济南博沃能源科技有限公司 一种便携式绝缘防护织物缺陷测试方法及测试仪
CN106372635A (zh) * 2016-08-24 2017-02-01 滁州学院 一种基于机器视觉的草莓外形品质判别方法
CN106596575A (zh) * 2016-12-15 2017-04-26 南通维新自动化科技有限公司 一种木材板的表面缺陷检测装置
CN107671672A (zh) * 2017-11-03 2018-02-09 天津市三木森电炉股份有限公司 一种小型铸件打磨机及其智能管理系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101726251A (zh) * 2009-11-13 2010-06-09 江苏大学 基于支持向量机的苹果采摘机器人果实自动识别方法
CN105004733A (zh) * 2015-07-31 2015-10-28 济南博沃能源科技有限公司 一种便携式绝缘防护织物缺陷测试方法及测试仪
CN106372635A (zh) * 2016-08-24 2017-02-01 滁州学院 一种基于机器视觉的草莓外形品质判别方法
CN106596575A (zh) * 2016-12-15 2017-04-26 南通维新自动化科技有限公司 一种木材板的表面缺陷检测装置
CN107671672A (zh) * 2017-11-03 2018-02-09 天津市三木森电炉股份有限公司 一种小型铸件打磨机及其智能管理系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685174A (zh) * 2018-12-26 2019-04-26 天津市农业科学院信息研究所 一种黄瓜丰产性自动分析装置及方法
CN109685174B (zh) * 2018-12-26 2021-09-21 天津市农业科学院信息研究所 一种黄瓜丰产性自动分析装置及方法
CN113692222A (zh) * 2019-02-15 2021-11-23 阿普哈维斯特技术股份有限公司 使用色调色彩空间和峰值查找的成熟度检测系统
CN110060294A (zh) * 2019-04-30 2019-07-26 中国农业科学院农业环境与可持续发展研究所 一种果树作物的产量评估方法
CN112774173A (zh) * 2021-01-28 2021-05-11 深圳市瑞驰文体发展有限公司 一种带有台球检测功能的台球盒
CN112774173B (zh) * 2021-01-28 2022-05-17 深圳市瑞驰文体发展有限公司 一种带有台球检测功能的台球盒

Similar Documents

Publication Publication Date Title
CN108572174A (zh) 一种农产品品质指标无损检测方法
Sahu et al. Defect identification and maturity detection of mango fruits using image analysis
CN109978822B (zh) 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法
CN105389581B (zh) 一种胚芽米胚芽完整度智能识别系统及其识别方法
CN109191421B (zh) 柱形锂电池圆周面凹坑视觉检测方法
CN102854148A (zh) 基于多光谱图像技术的生鲜牛肉嫩度检测分级系统
CN101944231A (zh) 小麦穗部形态参数提取方法
CN106372635A (zh) 一种基于机器视觉的草莓外形品质判别方法
Vyas et al. Quality inspection and classification of mangoes using color and size features
Wang et al. Recognition of worm-eaten chestnuts based on machine vision
Dubey Fruit defect detection based on speeded up robust feature technique
CN103528967A (zh) 基于高光谱图像的过熟蓝靛果果实识别方法
CN102788806B (zh) 基于类球形亮度变换的水果表面缺陷检测方法
CN110929787B (zh) 一种基于图像的苹果客观定级系统
Jin et al. Methodology for potatoes defects detection with computer vision
CN110060294A (zh) 一种果树作物的产量评估方法
Li et al. Development of a real-time fruit recognition system for pineapple harvesting robots
Ji et al. Apple color automatic grading method based on machine vision
Huang et al. Mango surface defect detection based on HALCON
Nie et al. Machine vision-based apple external quality grading
CN110118735B (zh) 一种检测香梨公母的高光谱成像检测方法及装置
CN115254655A (zh) 一种基于机器视觉的多指标百香果品质分级方法
Zhang et al. Date quality evaluation using short-wave infrared imaging
Zhu et al. Inspection and classification of wheat quality using image processing
CN114088714A (zh) 一种谷物颗粒表面规则度的检测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180925