CN110020604B - 一种蔬菜品质检测方法及系统 - Google Patents
一种蔬菜品质检测方法及系统 Download PDFInfo
- Publication number
- CN110020604B CN110020604B CN201910179187.9A CN201910179187A CN110020604B CN 110020604 B CN110020604 B CN 110020604B CN 201910179187 A CN201910179187 A CN 201910179187A CN 110020604 B CN110020604 B CN 110020604B
- Authority
- CN
- China
- Prior art keywords
- vegetable
- detected
- texture
- vegetables
- degree
- 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.)
- Expired - Fee Related
Links
- 235000013311 vegetables Nutrition 0.000 title claims abstract description 164
- 238000001514 detection method Methods 0.000 title claims abstract description 66
- 239000000447 pesticide residue Substances 0.000 claims abstract description 31
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 16
- 230000037303 wrinkles Effects 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims description 30
- 238000001819 mass spectrum Methods 0.000 claims description 11
- 239000007789 gas Substances 0.000 claims description 6
- 239000000575 pesticide Substances 0.000 claims description 6
- 238000007664 blowing Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 235000011389 fruit/vegetable juice Nutrition 0.000 claims description 3
- 239000001307 helium Substances 0.000 claims description 3
- 229910052734 helium Inorganic materials 0.000 claims description 3
- SWQJXJOGLNCZEY-UHFFFAOYSA-N helium atom Chemical compound [He] SWQJXJOGLNCZEY-UHFFFAOYSA-N 0.000 claims description 3
- 238000004949 mass spectrometry Methods 0.000 abstract 1
- 238000003672 processing method Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
Images
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
- G06T7/40—Analysis of texture
- G06T7/49—Analysis of texture based on structural texture description, e.g. using primitives or placement rules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30128—Food products
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开一种蔬菜品质检测方法及系统。该方法利用图像处理方法确定蔬菜的种类，以及纹理中褶皱纹路类与总纹理数的比值从而确定蔬菜的含水程度；利用气味检测方法确定蔬菜的腐烂度；利用质谱分析方法确定蔬菜的农药残留量，最后结合含水程度、腐烂度和农药残留量综合判断蔬菜的品质是否合格。本发明的蔬菜品质检测方法及系统能够对蔬菜的品质进行全面检测。
Description
技术领域
本发明涉及农产品品质检测领域，特别是涉及一种蔬菜品质检测方法及系统。
背景技术
随着人们生活水平的提高，人们对蔬菜的质量的要求也越来越高。蔬菜的质量涉及到农药残留量、含水量、气味、色泽等各个方面。目前针对蔬菜品质的检测方法多是仅针对某一项进行检测，而无法全面对蔬菜的品质进行检测。
发明内容
本发明的目的是提供一种蔬菜品质检测方法及系统，对蔬菜的品质进行全面检测。
为实现上述目的，本发明提供了如下方案：
一种蔬菜品质检测方法，应用于一种蔬菜品质检测装置，该蔬菜品质检测装置包括图像采集装置、电子鼻、质谱仪和处理器；所述图像采集装置、所述电子鼻和所述质谱仪均与所述处理器连接；所述蔬菜品质检测方法包括：
获取所述图像采集装置拍摄的待测蔬菜的图像；
提取所述图像的纹理特征、形状特征和颜色特征；
对所述纹理特征、所述形状特征和所述颜色特征进行分析确定所述待测蔬菜的种类；
根据所述种类的蔬菜的纹理特征，将所述纹理划分为褶皱纹路类和自身纹路类；
利用所述褶皱纹路类的纹理数量与纹理总数的比值确定所述待测蔬菜的含水程度；
获取所述电子鼻采集的所述待测蔬菜的气味；
将所述气味与所述待测蔬菜的标准气味进行对比确定所述待测蔬菜的腐烂度；
获取所述质谱仪对所述待测蔬菜进行检测所得到的质谱图；
将所述质谱图与农药标准质谱图进行对比确定所述待测蔬菜的农药残留量；
综合所述含水程度、所述腐烂度和所述农药残留量确定所述待测蔬菜的品质是否合格。
可选的，所述对所述纹理特征、所述形状特征和所述颜色特征进行分析确定所述待测蔬菜的种类，具体包括：
将所述纹理特征、所述形状特征和所述颜色特征输入训练好的神经网络模型中，得到经所述训练好的神经网络模型的输出，从而确定所述待测蔬菜的种类。
可选的，在所述获取所述质谱仪对所述待测蔬菜进行检测所得到的质谱图之前，还包括：
取所述待测蔬菜的部分叶片进行压榨，并将压榨后的液汁滴于进样带上；
利用氦气将进样带上挥发出的气体吹入质谱仪内；
利用质谱仪检测吹入气体的质谱图。
可选的，所述神经网络模型的训练过程为：
采集各种蔬菜的纹理特征、形状特征和颜色特征；
将蔬菜种类以及对应的纹理特征、形状特征和颜色特征输入神经网络模型中进行训练，得到训练好的神经网络模型。
可选的，蔬菜品质检测装置还包括音频播放器；所述音频播放器与所述处理器连接；
在所述综合所述含水程度、所述腐烂度和所述农药残留量确定所述待测蔬菜的品质是否合格之后，所述蔬菜品质检测方法还包括：
控制所述音频播放器报出合格或不合格的检测结果。
本发明还公开一种蔬菜品质检测系统，包括：
图像获取模块，用于获取图像采集装置拍摄的待测蔬菜的图像；
特征提取模块，用于提取所述图像的纹理特征、形状特征和颜色特征；
种类确定模块，用于对所述纹理特征、所述形状特征和所述颜色特征进行分析确定所述待测蔬菜的种类；
纹理分类模块，用于根据所述种类的蔬菜的纹理特征，将所述纹理划分为褶皱纹路类和自身纹路类；
含水度确定模块，用于利用所述褶皱纹路类的纹理数量与纹理总数的比值确定所述待测蔬菜的含水程度；
气味获取模块，用于获取电子鼻采集的所述待测蔬菜的气味；
腐烂度确定模块，用于将所述气味与所述待测蔬菜的标准气味进行对比确定所述待测蔬菜的腐烂度；
质谱获取模块，用于获取质谱仪对所述待测蔬菜进行检测所得到的质谱图；
农药残留确定模块，用于将所述质谱图与农药标准质谱图进行对比确定所述待测蔬菜的农药残留量；
品质确定模块，用于综合所述含水程度、所述腐烂度和所述农药残留量确定所述待测蔬菜的品质是否合格。
可选的，所述种类确定模块具体包括：
种类确定单元，用于将所述纹理特征、所述形状特征和所述颜色特征输入训练好的神经网络模型中，得到经所述训练好的神经网络模型的输出，从而确定所述待测蔬菜的种类。
可选的，所述蔬菜品质检测系统还包括模型训练模块，所述模型训练模块用于对神经网络模型进行训练；所述模型训练模块包括：
样本采集单元，用于采集各种蔬菜的纹理特征、形状特征和颜色特征；
训练单元，用于将蔬菜种类以及对应的纹理特征、形状特征和颜色特征输入神经网络模型中进行训练，得到训练好的神经网络模型。
可选的，所述蔬菜品质检测系统还包括：
广播模块，用于控制所述音频播放器报出合格或不合格的检测结果。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明所公开的蔬菜品质检测方法及系统，综合蔬菜的含水程度、腐烂度和农药残留量三者实现蔬菜品质的检测，实现了蔬菜品质的全面检测，提高了检测结果的可信赖性，提高了检测准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明蔬菜品质检测方法实施例中所采用的蔬菜品质检测装置的结构图；
图2为本发明蔬菜品质检测方法实施例的方法流程图；
图3为本发明蔬菜品质检测系统实施例的系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种蔬菜品质检测方法及系统，对蔬菜的品质进行全面检测。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明蔬菜品质检测方法实施例中所采用的蔬菜品质检测装置的结构图。
参见图1，该蔬菜品质检测装置，该蔬菜品质检测装置包括图像采集装置1、电子鼻2、质谱仪3、音频播放器4和处理器5；所述图像采集装1置、所述电子鼻2、所述质谱仪3、音频播放器4均与所述处理器5连接。
图2为本发明蔬菜品质检测方法实施例的方法流程图。
参见图2，该蔬菜品质检测方法，包括：
步骤201：获取所述图像采集装置拍摄的待测蔬菜的图像；
步骤202：提取所述图像的纹理特征、形状特征和颜色特征；
步骤203：对所述纹理特征、所述形状特征和所述颜色特征进行分析确定所述待测蔬菜的种类；
步骤204：根据所述种类的蔬菜的纹理特征，将所述纹理划分为褶皱纹路类和自身纹路类；
步骤205：利用所述褶皱纹路类的纹理数量与纹理总数的比值确定所述待测蔬菜的含水程度；
步骤206：获取所述电子鼻采集的所述待测蔬菜的气味；
步骤207：将所述气味与所述待测蔬菜的标准气味进行对比确定所述待测蔬菜的腐烂度；
步骤208：获取所述质谱仪对所述待测蔬菜进行检测所得到的质谱图；
步骤209：将所述质谱图与农药标准质谱图进行对比确定所述待测蔬菜的农药残留量；
步骤210：综合所述含水程度、所述腐烂度和所述农药残留量确定所述待测蔬菜的品质是否合格。
合格的判断方法为：当含水程度、腐烂度和农药残留量中的任意一者超标后，确定待测蔬菜为不合格蔬菜；当含水程度、腐烂度和农药残留量均未超标时，以含水程度为分子，以腐烂度和农药残留量的积为分母，判断得出的结果与对应种类的蔬菜的预设值的大小，若大于预设值，则确定合格，若小于预设值则确定为不合格。
作为一种可选的实施方式，步骤203具体包括：
将所述纹理特征、所述形状特征和所述颜色特征输入训练好的神经网络模型中，得到经所述训练好的神经网络模型的输出，从而确定所述待测蔬菜的种类。
作为一种可选的实施方式，在步骤208之前，还包括：
取所述待测蔬菜的部分叶片进行压榨，并将压榨后的液汁滴于进样带上；
利用氦气将进样带上挥发出的气体吹入质谱仪内；
利用质谱仪检测吹入气体的质谱图。
作为一种可选的实施方式，所述神经网络模型的训练过程为：
采集各种蔬菜的纹理特征、形状特征和颜色特征；
将蔬菜种类以及对应的纹理特征、形状特征和颜色特征输入神经网络模型中进行训练，得到训练好的神经网络模型。
作为一种可选的实施方式，蔬菜品质检测装置还包括音频播放器；所述音频播放器与所述处理器连接；
在步骤210之后，所述蔬菜品质检测方法还包括：
控制所述音频播放器报出合格或不合格的检测结果。
图3为本发明蔬菜品质检测系统实施例的系统结构图。
参见图3，该蔬菜品质检测系统，包括：
图像获取模块301，用于获取图像采集装置拍摄的待测蔬菜的图像；
特征提取模块302，用于提取所述图像的纹理特征、形状特征和颜色特征；
种类确定模块303，用于对所述纹理特征、所述形状特征和所述颜色特征进行分析确定所述待测蔬菜的种类；
纹理分类模块304，用于根据所述种类的蔬菜的纹理特征，将所述纹理划分为褶皱纹路类和自身纹路类；
含水度确定模块305，用于利用所述褶皱纹路类的纹理数量与纹理总数的比值确定所述待测蔬菜的含水程度；
气味获取模块306，用于获取电子鼻采集的所述待测蔬菜的气味；
腐烂度确定模块307，用于将所述气味与所述待测蔬菜的标准气味进行对比确定所述待测蔬菜的腐烂度；
质谱获取模块308，用于获取质谱仪对所述待测蔬菜进行检测所得到的质谱图；
农药残留确定模块309，用于将所述质谱图与农药标准质谱图进行对比确定所述待测蔬菜的农药残留量；
品质确定模块310，用于综合所述含水程度、所述腐烂度和所述农药残留量确定所述待测蔬菜的品质是否合格。
作为一种可选的实施方式，所述种类确定模块303具体包括：
种类确定单元，用于将所述纹理特征、所述形状特征和所述颜色特征输入训练好的神经网络模型中，得到经所述训练好的神经网络模型的输出，从而确定所述待测蔬菜的种类。
作为一种可选的实施方式，所述蔬菜品质检测系统还包括模型训练模块，所述模型训练模块用于对神经网络模型进行训练；所述模型训练模块包括：
样本采集单元，用于采集各种蔬菜的纹理特征、形状特征和颜色特征；
训练单元，用于将蔬菜种类以及对应的纹理特征、形状特征和颜色特征输入神经网络模型中进行训练，得到训练好的神经网络模型。
作为一种可选的实施方式，所述蔬菜品质检测系统还包括：
广播模块，用于控制所述音频播放器报出合格或不合格的检测结果。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明所公开的蔬菜品质检测方法及系统，综合蔬菜的含水程度、腐烂度和农药残留量三者实现蔬菜品质的检测，实现了蔬菜品质的全面检测，提高了检测结果的可信赖性，提高了检测准确度。
对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种蔬菜品质检测方法，其特征在于，应用于一种蔬菜品质检测装置，该蔬菜品质检测装置包括图像采集装置、电子鼻、质谱仪和处理器；所述图像采集装置、所述电子鼻和所述质谱仪均与所述处理器连接；所述蔬菜品质检测方法包括：
获取所述图像采集装置拍摄的待测蔬菜的图像；
提取所述图像的纹理特征、形状特征和颜色特征；
对所述纹理特征、所述形状特征和所述颜色特征进行分析确定所述待测蔬菜的种类；
根据所述种类的蔬菜的纹理特征，将纹理划分为褶皱纹路类和自身纹路类；
利用所述褶皱纹路类的纹理数量与纹理总数的比值确定所述待测蔬菜的含水程度；
获取所述电子鼻采集的所述待测蔬菜的气味；
将所述气味与所述待测蔬菜的标准气味进行对比确定所述待测蔬菜的腐烂度；
获取所述质谱仪对所述待测蔬菜进行检测所得到的质谱图；
将所述质谱图与农药标准质谱图进行对比确定所述待测蔬菜的农药残留量；
综合所述含水程度、所述腐烂度和所述农药残留量确定所述待测蔬菜的品质是否合格；
合格的判断方法为：当含水程度、腐烂度和农药残留量中的任意一者超标后，确定待测蔬菜为不合格蔬菜；当含水程度、腐烂度和农药残留量均未超标时，以含水程度为分子，以腐烂度和农药残留量的积为分母，判断得出的结果与对应种类的蔬菜的预设值的大小，若大于预设值，则确定合格，若小于预设值则确定为不合格。
2.根据权利要求1所述的蔬菜品质检测方法，其特征在于，所述对所述纹理特征、所述形状特征和所述颜色特征进行分析确定所述待测蔬菜的种类，具体包括：
将所述纹理特征、所述形状特征和所述颜色特征输入训练好的神经网络模型中，得到经所述训练好的神经网络模型的输出，从而确定所述待测蔬菜的种类。
3.根据权利要求1所述的蔬菜品质检测方法，其特征在于，在所述获取所述质谱仪对所述待测蔬菜进行检测所得到的质谱图之前，还包括：
取所述待测蔬菜的部分叶片进行压榨，并将压榨后的液汁滴于进样带上；
利用氦气将进样带上挥发出的气体吹入质谱仪内；
利用质谱仪检测吹入气体的质谱图。
4.根据权利要求2所述的蔬菜品质检测方法，其特征在于，所述神经网络模型的训练过程为：
采集各种蔬菜的纹理特征、形状特征和颜色特征；
将蔬菜种类以及对应的纹理特征、形状特征和颜色特征输入神经网络模型中进行训练，得到训练好的神经网络模型。
5.根据权利要求1所述的蔬菜品质检测方法，其特征在于，蔬菜品质检测装置还包括音频播放器；所述音频播放器与所述处理器连接；
在所述综合所述含水程度、所述腐烂度和所述农药残留量确定所述待测蔬菜的品质是否合格之后，所述蔬菜品质检测方法还包括：
控制所述音频播放器报出合格或不合格的检测结果。
6.一种蔬菜品质检测系统，其特征在于，包括：
图像获取模块，用于获取图像采集装置拍摄的待测蔬菜的图像；
特征提取模块，用于提取所述图像的纹理特征、形状特征和颜色特征；
种类确定模块，用于对所述纹理特征、所述形状特征和所述颜色特征进行分析确定所述待测蔬菜的种类；
纹理分类模块，用于根据所述种类的蔬菜的纹理特征，将纹理划分为褶皱纹路类和自身纹路类；
含水度确定模块，用于利用所述褶皱纹路类的纹理数量与纹理总数的比值确定所述待测蔬菜的含水程度；
气味获取模块，用于获取电子鼻采集的所述待测蔬菜的气味；
腐烂度确定模块，用于将所述气味与所述待测蔬菜的标准气味进行对比确定所述待测蔬菜的腐烂度；
质谱获取模块，用于获取质谱仪对所述待测蔬菜进行检测所得到的质谱图；
农药残留确定模块，用于将所述质谱图与农药标准质谱图进行对比确定所述待测蔬菜的农药残留量；
品质确定模块，用于综合所述含水程度、所述腐烂度和所述农药残留量确定所述待测蔬菜的品质是否合格；
合格的判断方法为：当含水程度、腐烂度和农药残留量中的任意一者超标后，确定待测蔬菜为不合格蔬菜；当含水程度、腐烂度和农药残留量均未超标时，以含水程度为分子，以腐烂度和农药残留量的积为分母，判断得出的结果与对应种类的蔬菜的预设值的大小，若大于预设值，则确定合格，若小于预设值则确定为不合格。
7.根据权利要求6所述的蔬菜品质检测系统，其特征在于，所述种类确定模块具体包括：
种类确定单元，用于将所述纹理特征、所述形状特征和所述颜色特征输入训练好的神经网络模型中，得到经所述训练好的神经网络模型的输出，从而确定所述待测蔬菜的种类。
8.根据权利要求7所述的蔬菜品质检测系统，其特征在于，还包括模型训练模块，所述模型训练模块用于对神经网络模型进行训练；所述模型训练模块包括：
样本采集单元，用于采集各种蔬菜的纹理特征、形状特征和颜色特征；
训练单元，用于将蔬菜种类以及对应的纹理特征、形状特征和颜色特征输入神经网络模型中进行训练，得到训练好的神经网络模型。
9.根据权利要求6所述的蔬菜品质检测系统，其特征在于，还包括：
广播模块，用于控制音频播放器报出合格或不合格的检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910179187.9A CN110020604B (zh) | 2019-03-11 | 2019-03-11 | 一种蔬菜品质检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910179187.9A CN110020604B (zh) | 2019-03-11 | 2019-03-11 | 一种蔬菜品质检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110020604A CN110020604A (zh) | 2019-07-16 |
| CN110020604B true CN110020604B (zh) | 2021-09-17 |
Family
ID=67189452
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910179187.9A Expired - Fee Related CN110020604B (zh) | 2019-03-11 | 2019-03-11 | 一种蔬菜品质检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110020604B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112541381A (zh) * | 2020-04-10 | 2021-03-23 | 深圳优地科技有限公司 | 基于机器人的商品采购方法及机器人 |
| CN112541380A (zh) * | 2020-04-10 | 2021-03-23 | 深圳优地科技有限公司 | 一种物品选取方法、选取装置及终端设备 |
| CN111896694A (zh) * | 2020-07-06 | 2020-11-06 | 珠海格力电器股份有限公司 | 食品储存设备及其食品新鲜状态判断方法、装置和介质 |
| CN117745658B (zh) * | 2022-05-20 | 2024-07-19 | 连云港银丰食用菌科技有限公司 | 一种食用菌品质检测及分拣方法和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105067531A (zh) * | 2014-12-31 | 2015-11-18 | 广西师范学院 | 一种芒果品质无损检测方法及装置 |
| CN106174270A (zh) * | 2016-07-26 | 2016-12-07 | 惠州市黑娜尔科技有限公司 | 包菜的腌制方法 |
| CN109002851A (zh) * | 2018-07-06 | 2018-12-14 | 东北大学 | 一种基于图像多特征融合的水果分类方法及应用 |
| CN109190476A (zh) * | 2018-08-02 | 2019-01-11 | 福建工程学院 | 一种蔬菜识别的方法及装置 |
-
2019
- 2019-03-11 CN CN201910179187.9A patent/CN110020604B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105067531A (zh) * | 2014-12-31 | 2015-11-18 | 广西师范学院 | 一种芒果品质无损检测方法及装置 |
| CN106174270A (zh) * | 2016-07-26 | 2016-12-07 | 惠州市黑娜尔科技有限公司 | 包菜的腌制方法 |
| CN109002851A (zh) * | 2018-07-06 | 2018-12-14 | 东北大学 | 一种基于图像多特征融合的水果分类方法及应用 |
| CN109190476A (zh) * | 2018-08-02 | 2019-01-11 | 福建工程学院 | 一种蔬菜识别的方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| Farmers" safe vegetable production and information behavior: An empirical analysis for supervision improvement;Yang Zhen-gang et al.;《2013 International Conference on Management Science and Engineering 20th Annual Conference Proceedings》;20130829;第2216-2222页 * |
| 高光谱成像技术在果蔬品质与安全无损检测中的原理及应用;张保华 等;《光谱学与光谱分析》;20141031;第2743-2751页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110020604A (zh) | 2019-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110020604B (zh) | 一种蔬菜品质检测方法及系统 | |
| CN108133313B (zh) | 一种人工智能感官评价食品风味系统及其构建方法 | |
| CN110133049B (zh) | 基于电子鼻和机器视觉的茶叶等级快速无损检测方法 | |
| CN108181263B (zh) | 基于近红外光谱的烟叶部位特征提取及判别方法 | |
| CN103134850A (zh) | 一种基于特征香气的茶叶品质快速检测装置及检测方法 | |
| CN102692488A (zh) | 基于电子鼻技术的金华火腿分级与鉴别方法 | |
| CN102998350B (zh) | 利用电化学指纹图谱鉴别食用油和地沟油的方法 | |
| CN105954412B (zh) | 用于山核桃新鲜度检测的传感器阵列优化方法 | |
| CN102749370A (zh) | 壳类农产品品质指标无损快速检测的方法 | |
| CN110736709A (zh) | 一种基于深度卷积神经网络的蓝莓成熟度的无损检测方法 | |
| CN105044024A (zh) | 一种基于近红外光谱技术对葡萄果实进行无损检测的方法 | |
| CN105181761A (zh) | 一种利用电子鼻快速鉴别茶叶辐照吸收剂量的方法 | |
| CN105138834A (zh) | 基于近红外光谱波数k均值聚类的烟草化学值定量方法 | |
| CN108181260B (zh) | 一种鉴别压榨茶油与浸出茶油的方法 | |
| CN106940292A (zh) | 基于多光谱成像技术的虫蛀巴旦木原料快速无损鉴别方法 | |
| CN109409216B (zh) | 基于子载波动态选择的速度自适应室内人体检测方法 | |
| Ta et al. | Wine component tracing method based on near infrared spectrum fusion machine learning | |
| CN103543106A (zh) | 基于光谱成像技术的瓜子品质特征快速无损检测方法 | |
| CN116541750A (zh) | 一种薏苡仁产地的鉴别方法、终端设备及存储介质 | |
| Tudu et al. | Comparison of multivariate normalization techniques as applied to electronic nose based pattern classification for black tea | |
| CN111289451B (zh) | 复杂光谱组分浓度定量计算的方法 | |
| CN102621193A (zh) | 食用菌风味成分指纹图谱 | |
| Li et al. | Detection and identification for electromagnetic interference of equipment area on-site | |
| CN103869053B (zh) | 区域地球化学调查样品分析异常点抽检方法 | |
| CN102768212B (zh) | 一种基于压缩传感的水果缺陷分级方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210917 |