CN110006899A - 皮蛋内部品质的无损视觉检测分级方法 - Google Patents
皮蛋内部品质的无损视觉检测分级方法 Download PDFInfo
- Publication number
- CN110006899A CN110006899A CN201910291900.9A CN201910291900A CN110006899A CN 110006899 A CN110006899 A CN 110006899A CN 201910291900 A CN201910291900 A CN 201910291900A CN 110006899 A CN110006899 A CN 110006899A
- Authority
- CN
- China
- Prior art keywords
- lime
- preserved egg
- image
- egg
- quality
- 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
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
Landscapes
- 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)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种皮蛋内部品质的无损视觉检测分级方法,涉及皮蛋加工分级技术领域。本方法是:①搭建好皮蛋图像采集装置;②获取皮蛋图片;③对图像进行预处理并提取皮蛋的颜色参数;④建立分类模型;⑤皮蛋品质的检测判断。本发明将机器视觉和BP神经网络结合起来对皮蛋品质进行检测判断,对应用环境具有不挑剔性,有着良好的应用推广前景;BP神经网络具有很强的学习能力和处理线性不可分问题的能力,高效率和高智能;能够实现无损检测,准确率较高,适用于皮蛋的检测和分类。
Description
技术领域
本发明涉及皮蛋加工分级技术领域,尤其涉及一种皮蛋内部品质的无损视觉检测分级方法。
背景技术
皮蛋作为我国独创的一种蛋类加工产品,在我国蛋品行业中占有重要地位,其口感独特,营养价值高,并具有清凉开胃、解热消火等功效;皮蛋豆腐、皮蛋沙拉和油炸皮蛋等菜肴很受欢迎,深受消费者的喜爱,大量销往国内外地区。
皮蛋的制作方法主要有两种:
1)涂层法:这种方法需要将制作皮蛋所需的化学物质混合在一起,将其涂在新鲜的鸭蛋表面,然后将蛋在容器内密封大约 7 周的时间就制作完成了;
2)浸泡法:这种方法需要将新鲜的鸭蛋浸泡在含有灰、苏打、氢氧化钠和盐的化学溶液中。经过 45 天的浸泡,鸭蛋中的白蛋白变成了凝胶状,这样生产过程也就完成了。
在皮蛋制作完成后,需要对皮蛋按照品质进行分级,工人们通常使用灯光照射皮蛋,通过观察皮蛋的内部特征对皮蛋进行分级。一般分为三级:优质蛋、次品蛋、劣质蛋。优质蛋去除外壳后看上去晶莹剔透,香气扑鼻,并具有一定的弹性;次品蛋有一定的食用性,去壳后外观完整,但有轻微的异味,口感稍差;而劣质蛋内部呈液状,去除外壳后会有刺激性气味。这种检测方法劳动强度大、检测精度不高、效率低下,而且人工检测具有主观性,难以准确把握住分级的标准。因此,对皮蛋品质进行无损视觉检测分级不仅可满足不同需求的消费者,而且还具有很高的应用价值。
胡道栋(胡道栋-基于DSP的皮蛋破损检测技术研究[D].华中农业大学,2011.)和王芳(王芳-基于光技术的皮蛋蛋壳破损检测方法研究[D].华中农业大学,2013.)分别利用了声学特性、自然光和偏振光图像建立了皮蛋蛋壳裂纹的无损检测模型。乐立强(乐立强-皮蛋表面斑点成分分析与控制方法的研究[D].华中农业大学,2011.)采用机器视觉技术来考察金属添加剂种类和含量、NaOH含量、食盐含量等因素对皮蛋表面斑点形成的影响。刘龙(刘龙-皮蛋溏心和蛋壳裂纹检测技术研究[D].华中农业大学,2012.)以超声波检测技术对皮蛋溏心与否进行检测,测试了溏心皮蛋和硬心皮蛋在长径方向和短径方向的超声波声速;确定了适于皮蛋敲击振动信号处理的小波基;比较了小波阈值去噪、模极大值去噪和平移不变三种常用的小波去噪方法的去噪效果对好壳皮蛋和破损皮蛋的声音信号进行小波变换的处理;分别计算每层小波分解信号的能量所占信号总能量的比值;基于MATLAB构建了网络结构为6-24-2的神经网络,且结果表明该方法能有效地对皮蛋破损进行识别。目前虽然已经建立蛋壳裂纹、斑点等的无损检测模型。上面的研究者都仅仅在皮蛋裂纹、斑点等方面的研究,没有涉及到多种品质皮蛋的分级,因此对于基于机器视觉的皮蛋品质检测分级模型的建立仍是一个亟待解决的问题。
因此我们根据当前人工检测的依据,基于机器视觉提取皮蛋的颜色参数,利用BP神经网络找到其中的规律,进而实现分级的目的,提高了分级的准确性,降低了工人的劳动强度。
发明内容
本发明的目的就在于克服现有技术存在的缺点和不足,提供一种皮蛋内部品质的无损视觉检测分级方法,实现皮蛋品质的无损检测分级。
本发明的目的是这样实现的:
利用机器视觉技术采集皮蛋的彩色透光图像,利用图像处理技术去除图像背景分离出图像中的透光部分,并提取透光部分的RGB和HSV各分量的平均值,再将所提取的参数作为神经网络的输入,皮蛋的品质等级作为神经网络的输出,创建并训练一个BP神经网络找到颜色分量与皮蛋品质之间的映射规律进行皮蛋品质的判断。
具体地说,本方法包括下列步骤:
①搭建好皮蛋图像采集装置
本装置包括被检测对象——皮蛋;
设置有暗箱、托板、工业相机、光源和计算机;
其位置及连接关系是:
在暗箱的底面放置光源,在暗箱的顶面放置工业相机,在暗箱的中间设置有托板,在托板上面放置有皮蛋;
光源、皮蛋和工业相机依次交互;
工业相机和计算机连接;
②获取皮蛋图片
首先打开光源,将皮蛋放在托板上面的透光孔处,然后关闭暗箱,排除外部光线的干扰,再通过计算机控制工业相机拍照,将获取的图像进行命名存储;
③对图像进行预处理并提取皮蛋的颜色参数
首先将获取的图像用MATLAB软件打开,将彩色图像转化为仅含R分量的图像和仅含B分量的图像,用仅含R分量的图像减去仅含G分量的图像,得到的新图像将其值进行放大,再将放大后的图像转化为二值图像进行适当的膨胀腐蚀处理后得到透光区域,将二值图像与原图像求并,将原图像中的皮蛋透光部分分离出来,最后将去除背景后的图像转化为6张单一颜色分量的图像:仅含R、G、B、H、S、V分量的图像,分别计算出各分量图像的均值即完成图像颜色分量提取;
④建立分类模型
将人工分级完成的含有劣质蛋、次品蛋、优质蛋的三种品质的皮蛋图片提取并存储其颜色参数,创建一个BP神经网络模型,设置其误差、隐含层神经元个数和最大迭代次数,再设置期望输出:劣质蛋期望输出为0、次品蛋期望输出为1、优质蛋期望输出为2,将图片数据中80%的数据用于训练神经网络,剩下20%的数据用来检验神经网络的准确性,若检验结果的准确率大于0.9,则神经网络训练成功,否则重新设置神经网络,重新进行训练;
⑤皮蛋品质的检测判断
打开光源,将皮蛋放置在托板上面的透光孔处,用工业相机摄取皮蛋的图像,计算机提取图像的颜色参数,将参数作为神经网络的输入,将输出进行取整即可输出皮蛋的品质等级,进而判断皮蛋品质:输出0则为劣质蛋,输出1则为次品蛋,输出2则为优质蛋。
本发明具有下列优点和积极效果:
①将机器视觉和BP神经网络结合起来对皮蛋品质进行检测判断,对应用环境具有不挑剔性,有着良好的应用推广前景;
②BP神经网络具有很强的学习能力和处理线性不可分问题的能力,高效率
和高智能;
③能够实现无损检测,准确率较高,适用于皮蛋的检测和分类。
附图说明
图1是皮蛋图像采集装置的结构示意图;
图中
1—暗箱;
2—托板;
3—工业相机;
4—皮蛋;
5—光源;
6—计算机。
图2是BP神经网络训练的流程图。
图3是计算机内嵌有基于MATLAB软件的图像处理程序的工作流程图。
注释:
1、RGB图像空间:由红(R)、绿(G)和蓝(B)三个颜色分量参数组成的颜色空间;
2、HSV图像空间:由色调(H)、饱和度(S)、明度(V)三个参数组成的颜色空间;
3、BP神经网络:BP神经网络是含有输入层、输出层和若干个隐含层的前向神经网络,采用误差反向传播的学习算法,具有处理线性不可分问题的能力。
具体实施方式
下面结合附图和实施详细说明:
一、皮蛋图像采集装置
1、总体
如图1,本装置包括被检测对象——皮蛋4;
设置有暗箱1、托板2、工业相机3、光源5和计算机6;
其位置及连接关系是:
在暗箱1的底面放置光源5,在暗箱1的顶面放置工业相机3,在暗箱1的中间设置有托板2,在托板2上面放置有皮蛋4;
光源5、皮蛋4和工业相机3依次交互;
工业相机3和计算机6连接。
工作机理:
暗箱1被托板2分为上下两层,托板2的中部有一个比皮蛋4略小的透光孔,皮蛋4放置在透光孔的上方,在暗箱1的底面放置透射性较强的光源5,并放置在皮蛋4的正下方;光源5发射的光线可直接通过透光孔透射皮蛋4,在皮蛋4的正上方为一个工业相机3与暗箱1密封固定,可拍摄到皮蛋透射图像,工业相机3与计算机6通过数据线相连,可将拍摄到的图像直接传送到计算机6上进行存储。
2、功能部件
1)暗箱1
暗箱1是一个不锈钢制的长方体箱子,是托板2、工业相机3、皮蛋4和光源5的支撑体,设置有侧门,便于开关和放置皮蛋4;在暗箱1的顶面中间设置有透光孔,便于工业相机3拍摄到皮蛋透射的图像;在暗箱1的上部空间为黑色背景,吸收内部的反射光,阻挡光源的多余光线,防止产生干扰,保障采集的图像不受外界光的影响。
2)托板2
托板2是一种平板,将暗箱1分为上下两个独立的空间,并用于支撑固定皮
蛋4,在托板2中间开有透光孔,便于光源5的光线照在皮蛋4上。
3)工业相机3
工业相机3是一种通用外购件,选用GIGE接口相机(德国UEyeRE,UI-6210RE-C-HQ POERev 3),镜头(日本computar M0814-MP2);
其功能是采集皮蛋4的彩色图像。
4)皮蛋4
皮蛋4为被检测对象。
5)光源5
光源5是一种通用外购件,选用帕灯;
其功能是透射皮蛋4。
6)计算机6
计算机6是一种通用外购件,如选用CPU英特尔酷睿I5-4200H主频2.80GHz双核处理器,Windows 10系统。
计算机6内嵌有基于MATLAB软件的图像处理程序的工作流程。
如图3,图像处理程序的工作流程是:
A、获取皮蛋图像-301;
B、去除皮蛋图像背景,分离出皮蛋的透光部分-302;
C、提取皮蛋图像的RGB值和HSV值-303;
D、将RGB值和HSV值作为神经网络的输入-304
将数据输入到训练完成的BP神经网络中;
E、输出皮蛋的品质等级-305;
F、判断皮蛋品质-306
判断皮蛋的品质等级:
当期望输出=0时,为劣质蛋-3061;
当期望输出=1时,为次品蛋-3062;
当期望输出=2时,为优质蛋-3063;
G、结束-307。
二、方法
步骤④
如图2,BP神经网络训练的流程是:
a、训练开始-201;
b、设置权值并对网络初始化-202;
c、随机选取全部样本的80%作为训练集,20%作为测试集-203;
d、对比网络的实际输出与期望输出,判断精度是否满足要求-204,是则进入步骤e,否则经过调整权值-205,跳转到步骤c;
e、保存权值-206;
f、训练完成-207。
三、检测结果
本试验的试验样品是由湖北武汉神丹公司提供的已经由专业人员分级完成的多种不同类别的皮蛋,将皮蛋分为劣质蛋、次品蛋、优质蛋三个品质等级;将其中80%的皮蛋用于训练BP神经网络,20%的皮蛋用于测试神经网络的准确性;经检验该方法获得的品质分类准确率达到了90%以上,实际分级工程只需经过皮蛋的图像采集、图像处理、输入到神经网络进行判别等过程就可以无损快速判断皮蛋的类别;经检验,该方法基本满足了实际生产的要求。
Claims (3)
1.一种皮蛋内部品质的无损视觉检测分级方法,其特征在于包括下列步骤:
①搭建好皮蛋图像采集装置
本装置包括被检测对象——皮蛋(4);
设置有暗箱(1)、托板(2)、工业相机(3)、光源(5)和计算机(6);
其位置及连接关系是:
在暗箱(1)的底面放置光源(5),在暗箱(1)的顶面放置工业相机(3),在暗箱(1)的中间设置有托板(2),在托板(2)上面放置有皮蛋(4);
光源(5)、皮蛋(4)和工业相机(3)依次交互;
工业相机(3)和计算机(6)连接;
②获取皮蛋图片
首先打开光源(5),将皮蛋(4)放在托板(2)上面的透光孔处,然后关闭暗箱(1),排除外部光线的干扰,再通过计算机(6)控制工业相机(3)拍照,将获取的图像进行命名存储;
③对图像进行预处理并提取皮蛋的颜色参数
首先将获取的图像用MATLAB软件打开,将彩色图像转化为仅含R分量的图像和仅含B分量的图像,用仅含R分量的图像减去仅含G分量的图像,得到的新图像将其值进行放大,再将放大后的图像转化为二值图像进行适当的膨胀腐蚀处理后得到透光区域,将二值图像与原图像求并,将原图像中的皮蛋透光部分分离出来,最后将去除背景后的图像转化为6张单一颜色分量的图像:仅含R、G、B、H、S、V分量的图像,分别计算出各分量图像的均值即完成图像颜色分量提取;
④建立分类模型
将人工分级完成的含有劣质蛋、次品蛋、优质蛋的三种品质的皮蛋图片提取并存储其颜色参数,创建一个BP神经网络模型,设置其误差、隐含层神经元个数和最大迭代次数,再设置期望输出:劣质蛋期望输出为0、次品蛋期望输出为1、优质蛋期望输出为2,将图片数据中80%的数据用于训练神经网络,剩下20%的数据用来检验神经网络的准确性,若检验结果的准确率大于0.9,则神经网络训练成功,否则重新设置神经网络,重新进行训练;
⑤皮蛋品质的检测判断
打开光源(5),将皮蛋(4)放置在托板(2)上面的透光孔处,用工业相机(3)摄取皮蛋(4)的图像,计算机(6)提取图像的颜色参数,将参数作为神经网络的输入,将输出进行取整即可输出皮蛋的品质等级,进而判断皮蛋品质:输出0则为劣质蛋,输出1则为次品蛋,输出2则为优质蛋。
2.按权利要求1所述的一种皮蛋内部品质的无损视觉检测分级方法,其特征在于:
所述的计算机(6)内嵌有基于MATLAB软件的图像处理程序的工作流程:
A、获取皮蛋图像(301);
B、去除皮蛋图像背景,分离出皮蛋的透光部分(302);
C、提取皮蛋图像的RGB值和HSV值(303);
D、将RGB值和HSV值作为神经网络的输入(304)
将数据输入到训练完成的BP神经网络中;
E、输出皮蛋的品质等级(305);
F、判断皮蛋品质(306)
判断皮蛋的品质等级:
当期望输出=0时,为劣质蛋(3061);
当期望输出=1时,为次品蛋(3062);
当期望输出=2时,为优质蛋(3063);
G、结束-307。
3.按权利要求1所述的一种皮蛋内部品质的无损视觉检测分级方法,其特征在于所述步骤④中创建一个BP神经网络模型,其BP神经网络训练的流程是:
a、训练开始(201);
b、设置权值并对网络初始化(202);
c、随机选取全部样本的80%作为训练集,20%作为测试集(203);
d、对比网络的实际输出与期望输出,判断精度是否满足要求(204),是则进入步骤e,否则经过调整权值(205),跳转到步骤c;
e、保存权值(206);
f、训练完成(207)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910291900.9A CN110006899A (zh) | 2019-04-12 | 2019-04-12 | 皮蛋内部品质的无损视觉检测分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910291900.9A CN110006899A (zh) | 2019-04-12 | 2019-04-12 | 皮蛋内部品质的无损视觉检测分级方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110006899A true CN110006899A (zh) | 2019-07-12 |
Family
ID=67171273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910291900.9A Pending CN110006899A (zh) | 2019-04-12 | 2019-04-12 | 皮蛋内部品质的无损视觉检测分级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110006899A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111136027A (zh) * | 2020-01-14 | 2020-05-12 | 广东技术师范大学 | 一种基于卷积神经网络的咸鸭蛋品质分检装置及方法 |
CN111257339A (zh) * | 2020-02-25 | 2020-06-09 | 华中农业大学 | 一种基于机器视觉的皮蛋裂纹在线检测方法及检测装置 |
CN111678876A (zh) * | 2020-07-21 | 2020-09-18 | 福州大学 | 一种基于机器学习的水环境中六价铬的快速检测方法 |
CN112816487A (zh) * | 2021-01-05 | 2021-05-18 | 华中农业大学 | 一种基于机器视觉的皮蛋内部品质无损检测方法 |
CN113702377A (zh) * | 2021-08-05 | 2021-11-26 | 华中农业大学 | 基于深度学习的葡萄糖度无损检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001211776A (ja) * | 2000-01-31 | 2001-08-07 | Hokkaido | 鶏卵の内部欠陥検査方法 |
CN101561402A (zh) * | 2009-05-07 | 2009-10-21 | 浙江大学 | 基于机器视觉的猪肉外观品质实时检测分级方法与装置 |
CN102147402A (zh) * | 2011-03-08 | 2011-08-10 | 江苏大学 | 机器视觉技术快速检测鸡蛋新鲜度的方法 |
CN102680414A (zh) * | 2012-05-30 | 2012-09-19 | 华中农业大学 | 基于机器视觉的红提葡萄自动分级装置及其方法 |
CN103076288A (zh) * | 2012-12-26 | 2013-05-01 | 中国科学院海洋研究所 | 一种基于计算机视觉的鱼肉自动分级装置和方法 |
CN106370668A (zh) * | 2016-08-22 | 2017-02-01 | 华中农业大学 | 一种咸蛋内部品质的在线视觉检测装置及其方法 |
-
2019
- 2019-04-12 CN CN201910291900.9A patent/CN110006899A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001211776A (ja) * | 2000-01-31 | 2001-08-07 | Hokkaido | 鶏卵の内部欠陥検査方法 |
CN101561402A (zh) * | 2009-05-07 | 2009-10-21 | 浙江大学 | 基于机器视觉的猪肉外观品质实时检测分级方法与装置 |
CN102147402A (zh) * | 2011-03-08 | 2011-08-10 | 江苏大学 | 机器视觉技术快速检测鸡蛋新鲜度的方法 |
CN102680414A (zh) * | 2012-05-30 | 2012-09-19 | 华中农业大学 | 基于机器视觉的红提葡萄自动分级装置及其方法 |
CN103076288A (zh) * | 2012-12-26 | 2013-05-01 | 中国科学院海洋研究所 | 一种基于计算机视觉的鱼肉自动分级装置和方法 |
CN106370668A (zh) * | 2016-08-22 | 2017-02-01 | 华中农业大学 | 一种咸蛋内部品质的在线视觉检测装置及其方法 |
Non-Patent Citations (2)
Title |
---|
段宇飞: "鸡蛋多品质高通量在线快速无损检测研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 * |
王巧华等: "基于BP神经网络的鸡蛋新鲜度无损检测方法", 《农业机械学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111136027A (zh) * | 2020-01-14 | 2020-05-12 | 广东技术师范大学 | 一种基于卷积神经网络的咸鸭蛋品质分检装置及方法 |
CN111136027B (zh) * | 2020-01-14 | 2024-04-12 | 广东技术师范大学 | 一种基于卷积神经网络的咸鸭蛋品质分检装置及方法 |
CN111257339A (zh) * | 2020-02-25 | 2020-06-09 | 华中农业大学 | 一种基于机器视觉的皮蛋裂纹在线检测方法及检测装置 |
CN111257339B (zh) * | 2020-02-25 | 2021-07-23 | 华中农业大学 | 一种基于机器视觉的皮蛋裂纹在线检测方法及检测装置 |
CN111678876A (zh) * | 2020-07-21 | 2020-09-18 | 福州大学 | 一种基于机器学习的水环境中六价铬的快速检测方法 |
CN112816487A (zh) * | 2021-01-05 | 2021-05-18 | 华中农业大学 | 一种基于机器视觉的皮蛋内部品质无损检测方法 |
CN113702377A (zh) * | 2021-08-05 | 2021-11-26 | 华中农业大学 | 基于深度学习的葡萄糖度无损检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110006899A (zh) | 皮蛋内部品质的无损视觉检测分级方法 | |
CN104764744B (zh) | 一种禽蛋新鲜度的视觉检测装置及其方法 | |
CN109187553B (zh) | 一种基于机器视觉的变质鸡蛋在线智能识别方法 | |
CN102334422B (zh) | 基于机器视觉的蔬菜叶部病害实时诊断方法与系统 | |
CN101603927B (zh) | 一种无损检测丰水梨缺陷的装置与用法 | |
CN102147402A (zh) | 机器视觉技术快速检测鸡蛋新鲜度的方法 | |
CN103076288B (zh) | 一种基于计算机视觉的鱼肉自动分级装置和方法 | |
CN101059424A (zh) | 多光谱肉类新鲜度人工智能测量方法及系统 | |
CN105181912B (zh) | 一种大米储藏过程中的新鲜度检测方法 | |
CN108318494B (zh) | 红提果粉的在线视觉检测分级装置及其方法 | |
CN104749190B (zh) | 一种禽蛋表面裂纹的在线视觉检测装置及其方法 | |
CN108663367A (zh) | 一种基于鸡蛋容重的鸡蛋品质无损检测方法 | |
CN112691939A (zh) | 果蔬品质智能感知分拣机器人系统 | |
CN109142533A (zh) | 一种铸件内部缺陷的快速检测方法及设备 | |
JP7081196B2 (ja) | 超音波スキャン・データを使った欠陥検出 | |
US10866314B2 (en) | Ultrasound testing | |
CN104833724B (zh) | 一种禽蛋蛋壳裂纹检测方法 | |
CN204613160U (zh) | 一种禽蛋蛋壳裂纹检测装置 | |
CN109557098A (zh) | 基于机器视觉的金属表面检测系统 | |
JP6523063B2 (ja) | 微細藻類成分量測定方法およびその装置 | |
Duan et al. | High-throughput online detection method of egg size and shape based on convex hull algorithm | |
CN112816487B (zh) | 一种基于机器视觉的皮蛋内部品质无损检测方法 | |
Razali et al. | Modeling of oil palm fruit maturity for the development of an outdoor vision system | |
CN112734688A (zh) | 基于机器视觉的马铃薯褐变检测方法 | |
CN109447467A (zh) | 基于haccp对发酵食品进行数智化质控的系统及方法 |
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: 20190712 |
|
RJ01 | Rejection of invention patent application after publication |