CN110110810B - 一种鱿鱼质量等级识别分选方法 - Google Patents
一种鱿鱼质量等级识别分选方法 Download PDFInfo
- Publication number
- CN110110810B CN110110810B CN201910413183.2A CN201910413183A CN110110810B CN 110110810 B CN110110810 B CN 110110810B CN 201910413183 A CN201910413183 A CN 201910413183A CN 110110810 B CN110110810 B CN 110110810B
- Authority
- CN
- China
- Prior art keywords
- squid
- length
- area
- squids
- point
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种鱿鱼识别分选方法,首先从包含有鱿鱼的图像中提取出鱿鱼区域,然后通过区域特征判断鱿鱼的朝向和完整度,对于完整的鱿鱼,通过形态学算法提取颈部、并计算身体长度,根据身体长度分成若干等级;对于不完整的鱿鱼,则直接标记为最低等级;根据分级情况,控制外部分选设备对鱿鱼进行分发,从而完成分类。该方法可以自动对鱿鱼进行识别、分级并控制抓取分发,全程不需要人工操作,智能化程度高、大大节省人力,并且识别的准确性高、分类结果可靠;对于不同品种的鱿鱼,以及与鱿鱼形态相似的墨鱼、章鱼等水产,应用该方法均可以准确、有效地进行分选。
Description
技术领域
本发明属于物体识别分选领域,特别涉及一种鱿鱼质量等级识别分选方法。
背景技术
随着人们生活水平的提高,饮食种类也得到了极大的丰富,海鲜等传统的高价食材也逐渐端上了普通家庭的餐桌,这也促进了根据品质对同种食材进行分级销售的销售策略。以鱿鱼为例,根据鱿鱼的完整度、重量、长度以及是否有质量瑕疵均可以分成若干等级,在销售时也可以分别制定不同的价格,完整度高、重量大、长度长、瑕疵少的鱿鱼可以指定高价,而完整度差、个头小的品相不佳的鱿鱼则可以低价销售,从而既保证了商家的收益,又能让更多中低收入群体能用低价获得同样的营养与风味。目前,对鱿鱼等海产品的分类大多依靠人工分拣,现有的自动分拣设备也主要是根据重量进行分类,尚不能分辨鱿鱼的完整度,也无法自动计算长度,通过单一指标不能全面地反映鱿鱼的品相,仍然需要耗费大量的人力,作用有限。
发明内容
为了解决上述技术问题,本发明提供了一种鱿鱼质量等级识别分选方法。
本发明具体技术方案如下:
本发明提供了一种鱿鱼质量等级识别分选方法,包括如下步骤:
S1:获取待识别图像,并从中提取鱿鱼区域;
S2:通过所述鱿鱼区域的区域特征,判断鱿鱼的朝向和完整度;若判断结果为“完整”,则通过形态学算法提取颈部,并据此计算所述鱿鱼的身体长度;若判断结果为“不完整”,则标记为异常;
S3:根据所述鱿鱼的完整度、朝向以及身体长度,判断当前鱿鱼的等级并进行分选;
S4:根据分选结果,控制外部分选设备抓取鱿鱼并送至相应的分装区域内。
进一步地,步骤S1中采用饱和度阈值提取鱿鱼区域,具体方法如下:
采用平行光方式对目标物体打光,采用饱和度230以上的颜色作为背景色,设置饱和度阈值,并以此进行提取、获得鱿鱼区域。
进一步地,步骤S1中还可以采用边缘特征提取鱿鱼区域,具体方法如下:
通过边缘提取算法提取所述待识别图像中的所有边缘,将所述边缘分解成多个不相交的边缘,将获得的所有边缘闭合,计算边缘的长度并选取长度大于预设阈值的边缘,进而获得长度大于预设阈值的每个边缘的最小外接矩形并计算长宽比,选取所述长宽比大于预设阈值的边缘作为鱿鱼区域的边缘,从而获得鱿鱼区域。
进一步地,步骤S1中还可以采用特征分类提取鱿鱼区域,具体方法如下:
构造包含鱿鱼区域的颜色-纹理样本、记为正样本,并构造背景区域的颜色-纹理样本、记为负样本,据此构建包含正负样本的训练样本集;通过所述训练样本集训练分类器,使用经过训练的分类器识别所述待识别图像中的鱿鱼纹理,从而获得鱿鱼区域。
进一步地,步骤S2中,判断鱿鱼的朝向和完整度的具体方法如下:
获得所述鱿鱼区域的最小外接矩形,从长轴的中点处垂直于长轴将所述鱿鱼区域分成两部分,分别计算两部分区域与所述鱿鱼区域的紧密度,结合所述两部分区域的孔洞数量、周长以及骨架长度,比较所述两部分的紧密度判断其属于鱿鱼的身体或头部;当同时存在身体和头部时,即判断为“完整”,否则判断为“不完整”。
进一步地,判断所述鱿鱼身体或头部的方法如下:
设定紧密度阈值,当计算得到的紧密度小于所述紧密度阈值时,判断该部分为鱿鱼身体;当计算得到的紧密度大于所述紧密度阈值时,判断该部分为鱿鱼头部;
对两部分的孔洞数量、周长以及骨架长度进行比较,当某部分的孔洞数量、周长以及骨架长度均大于另一部分时,则判断该部分为鱿鱼头部、另一部分为鱿鱼身体,据此对前述判断结果进行核对。
进一步地,步骤S2中,当判断结果为“完整”时,提取所述鱿鱼的颈部的具体方法如下:
确定所述鱿鱼的中轴线,根据所述中轴线构建拟合函数,并求解一阶导数和二阶导数;找到一阶导数的零点,并筛选出所述零点处二阶导大于给定值点,如有符合标准的点,则将第一个点的位置设为所述鱿鱼的颈部;如未找到符合标准的点,则将计算范围内距离最短的点的位置设为所述鱿鱼的颈部。
进一步地,所述中轴线的确定方法以及所述拟合函数的构建方法如下:
将鱿鱼轮廓旋转到竖直方向,并进行平滑处理,获得每个点的坐标;从上至下按照整体长度的预设比例截取要计算的纵坐标位置、确定中轴线的纵坐标,并将鱿鱼的身体的中心作为所述中轴线的横坐标;获取中轴线纵轴端左右的坐标点,在中轴线上循环取计算点,在每个计算点上多次求取不同斜率交于左右轮廓的长度,找到当前点上最短距离,计算中轴线上每个点的最短距离,并将所述最短距离拟合成函数。
进一步地,计算所述鱿鱼的身体长度的具体方法如下:
根据手眼标定结果,测量所述颈部与所述鱿鱼身体顶端的图形长度,并换算为实际长度。
本发明的有益效果如下:本发明提供了一种鱿鱼质量等级识别分选方法,首先从包含有鱿鱼的图像中提取出鱿鱼区域,然后通过区域特征判断鱿鱼的朝向和完整度,对于完整的鱿鱼,通过形态学算法提取颈部、并计算身体长度,根据身体长度分成若干等级;对于不完整的鱿鱼,则直接标记为最低等级;根据分级情况,控制外部分选设备对鱿鱼进行分发,从而完成分类。该方法可以自动对鱿鱼进行识别、分级并控制抓取分发,全程不需要人工操作,智能化程度高、大大节省人力,并且识别的准确性高、分类结果可靠;对于不同品种的鱿鱼,以及与鱿鱼形态相似的墨鱼、章鱼等水产,应用该方法均可以准确、有效地进行分选。
附图说明
图1为实施例所述的一种鱿鱼质量等级识别分选方法的流程图;
图2为根据实施例所述方法对鱿鱼的朝向和完整度的识别结果示例。
具体实施方式
下面结合附图和以下实施例对本发明作进一步详细说明。需要说明的是,下述实施例中未进行详细阐述的分析方法和算法等均属于本领域的常规技术手段,本领域技术人员应当熟知这些技术,实施例中的公开程度不会对本领域技术人员对该技术方案的理解构成影响。
实施例
如图1所示,本发明实施例1提供了一种鱿鱼质量等级识别分选方法,该方法由软件进行实施,需配合外部抓取分选设备进行鱿鱼分选操作,具体包括如下步骤:
S1:通过外设相机等设备对鱿鱼进行拍摄、获取待识别图像,并从中提取出鱿鱼区域。采用如下几种方法均可以实现去除背景、获得鱿鱼区域:
(1)通过饱和度阈值进行提取:
由于待检测的鱿鱼的外观颜色主要为白色、褐色、棕色等饱和度较低的颜色,整体饱和度在120以下,因此为了识别鱿鱼区域,可将背景设置为色彩饱和度较高(达到230以上)的颜色(优选为蓝、绿、黄),以使其与鱿鱼的表面的低饱和度色彩形成鲜明对比;采用平行光方式进行打光,使光源的中心线与相机的光轴平行但不重合,从而可避开较大的反光面,同时优选非垂直角度打光的方式提高鱿鱼区域分割效果;此时可以通过人工设定阈值或自动阈值算法(OTSU法、直方图法等)设定饱和度阈值(可设为120),并据此提取低饱和度的部分,即为鱿鱼部分。
(2)通过边缘特征进行提取:
图像中鱿鱼背景纹理较为单一,因此可通过提取鱿鱼边缘的方法获得鱿鱼区域。首先通过边缘提取算法(Canny法、Sobel法等)提取待识别图像中的所有边缘,将所述边缘分解成多个不相交的边缘,将获得的所有边缘闭合,计算边缘的长度并选取长度大于预设阈值的边缘,进而获得长度大于预设阈值的每个边缘的最小外接矩形并计算长宽比,选取所述长宽比大于预设阈值(优选为3)的边缘作为鱿鱼区域的边缘,从而获得鱿鱼区域.
(3)通过特征分类进行提取:
鱿鱼区域与背景区域的颜色和纹理特征均不同,颜色特征包括图像的R、G、B、H、S、V、L、A、B等颜色通道特征,并构建基于纹理的灰度共生矩阵(Law`s Texture Filter),从而获得鱿鱼区域的纹理特征。首先构造包含鱿鱼区域的颜色-纹理样本、记为正样本,并构造背景区域的颜色-纹理样本、记为负样本,据此构建包含正负样本的训练样本集;通过所述训练样本集训练分类器(MLP或SVM),使用经过训练的分类器识别图像中的鱿鱼纹理,从而获得鱿鱼区域。
S2:获得鱿鱼区域的最小外接矩形,从长轴的终点处垂直于长轴将所述鱿鱼区域分成两部分,分别计算两部分区域与鱿鱼区域的紧密度(compactness)。
经统计,鱿鱼身体部分的紧密度均在1.3~2.0之间,而头部紧密度范围均在2.3~9.8之间,因此设定最佳的紧密度阈值为2.1。骨架长度和孔洞数量均可以通过迭代腐蚀边界中的图像细化(Thinning)算法获得。
首先比较一条鱿鱼分割后两部分的紧密度、周长和骨架长度,若这些参数的值较为接近(比值小于1.1)则判断为残缺鱿鱼,若上述参数差异较大(比值大于等于1.1)则判断为完整鱿鱼。对于残缺鱿鱼,当紧密度大于2.3时,认为其只有头部;当紧密度小于2.0且区域无孔洞,则认为其只有身体。
对于完整鱿鱼,还需根据紧密度阈值进一步分辨头部和身体,从而判断朝向。此时再通过如下方法提取鱿鱼颈部:首先将鱿鱼轮廓旋转到竖直方向,并进行平滑处理,获得每个点的坐标;根据正常的鱿鱼尺寸,按照从上至下0.5~0.75倍整体长度比例截取要计算的纵坐标位置,确定中轴线的纵坐标,并将鱿鱼的身体的中心作为中轴线的横坐标,从而确定鱿鱼的中轴线。
确定中轴线后,获取中轴线纵轴端左右的坐标点,在中轴线上循环取计算点,在每个计算点上多次求取不同斜率交于左右轮廓的长度,找到当前点上最短距离,计算中轴线上每个点的最短距离,并将所述最短距离拟合成函数。
对拟合函数求解一阶导数和二阶导数;找到一阶导数的零点,并筛选出所述零点处二阶导大于给定值点,如有符合标准的点,则将第一个点的位置设为鱿鱼的颈部;如未找到符合标准的点,则将计算范围内距离最短的点的位置设为鱿鱼的颈部。
针对完整的鱿鱼,其分级主要以身体长度为标准,因此可以根据手眼标定的结果,测量鱿鱼颈部与身体顶端的图形长度,并换算为实际长度。
S3:根据鱿鱼的完整度、朝向以及身体长度,判断当前鱿鱼的等级并进行分选。
针对不完整的鱿鱼,则不需要计算其身体长度,可以直接归类到最低等级;针对完整的鱿鱼,可以根据身体长度划分2~3个等级,身体长度越大、等级越高。
S4:将分选结果放入系统的任务队列中,并向外部分选设备发送动作(抓取和放置)指令,控制外部分选设备抓取鱿鱼并送至相应等级的分装区域内。
应用该方法对50条鱿鱼进行分选,并通过人工分选进行对比,结果表明分选准确率可达到100%,并且对每条鱿鱼进行识别的时间均不超过1s,表明该方法可以准确、高效地对鱿鱼进行识别和分选(部分示例如图2所示)。
该方法可以自动对鱿鱼进行识别、分级,并控制抓取分发,全程不需要人工操作,智能化程度高、大大节省人力,并且识别的准确性高、分类结果可靠。对于不同品种的鱿鱼,以及与鱿鱼形态相似的墨鱼、章鱼等水产,通过修改相应的参数,也可以应用该方法准确、有效地进行分选。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种鱿鱼质量等级识别分选方法,其特征在于,包括如下步骤:
S1:获取待识别图像,并从中提取鱿鱼区域;
S2:通过所述鱿鱼区域的区域特征,判断鱿鱼的朝向和完整度;若判断结果为“完整”,则通过形态学算法提取颈部,并据此计算所述鱿鱼的身体长度;若判断结果为“不完整”,则标记为异常;
S3:根据所述鱿鱼的完整度、朝向以及身体长度,判断当前鱿鱼的等级并进行分选;
S4:根据分选结果,控制外部分选设备抓取鱿鱼并送至相应的分装区域内;
步骤S2中,判断鱿鱼的朝向和完整度的具体方法如下:
获得所述鱿鱼区域的最小外接矩形,从长轴的中点处垂直于长轴将所述鱿鱼区域分成两部分,分别计算两部分区域与所述鱿鱼区域的紧密度,结合所述两部分区域的孔洞数量、周长以及骨架长度,比较所述两部分的紧密度判断其属于鱿鱼的身体或头部;当同时存在身体和头部时,即判断为“完整”,否则判断为“不完整”;
当判断结果为“完整”时,提取所述鱿鱼的颈部的具体方法如下:
确定所述鱿鱼的中轴线,根据所述中轴线构建拟合函数,并求解一阶导数和二阶导数;找到一阶导数的零点,并筛选出所述零点处二阶导大于给定值点,如有符合标准的点,则将第一个点的位置设为所述鱿鱼的颈部;如未找到符合标准的点,则将计算范围内距离最短的点的位置设为所述鱿鱼的颈部。
2.如权利要求1所述的鱿鱼质量等级识别分选方法,其特征在于,步骤S1中采用饱和度阈值提取鱿鱼区域,具体方法如下:
采用平行光方式对目标物体打光,采用饱和度230以上的颜色作为背景色,设置饱和度阈值,并以此进行提取、获得鱿鱼区域。
3.如权利要求1所述的鱿鱼质量等级识别分选方法,其特征在于,步骤S1中采用边缘特征提取鱿鱼区域,具体方法如下:
通过边缘提取算法提取所述待识别图像中的所有边缘,将所述边缘分解成多个不相交的边缘,将获得的所有边缘闭合,计算边缘的长度并选取长度大于预设阈值的边缘,进而获得长度大于预设阈值的每个边缘的最小外接矩形并计算长宽比,选取所述长宽比大于预设阈值的边缘作为鱿鱼区域的边缘,从而获得鱿鱼区域。
4.如权利要求1所述的鱿鱼质量等级识别分选方法,其特征在于,步骤S1中采用特征分类提取鱿鱼区域,具体方法如下:
构造包含鱿鱼区域的颜色-纹理样本、记为正样本,并构造背景区域的颜色-纹理样本、记为负样本,据此构建包含正负样本的训练样本集;通过所述训练样本集训练分类器,使用经过训练的分类器识别所述待识别图像中的鱿鱼纹理,从而获得鱿鱼区域。
5.如权利要求1所述的鱿鱼质量等级识别分选方法,其特征在于,判断所述鱿鱼身体或头部的方法如下:
设定紧密度阈值,当计算得到的紧密度小于所述紧密度阈值时,判断该部分为鱿鱼身体;当计算得到的紧密度大于所述紧密度阈值时,判断该部分为鱿鱼头部;
对两部分的孔洞数量、周长以及骨架长度进行比较,当某部分的孔洞数量、周长以及骨架长度均大于另一部分时,则判断该部分为鱿鱼头部、另一部分为鱿鱼身体,据此对前述判断结果进行核对。
6.如权利要求1所述的鱿鱼质量等级识别分选方法,其特征在于,所述中轴线的确定方法以及所述拟合函数的构建方法如下:
将鱿鱼轮廓旋转到竖直方向,并进行平滑处理,获得每个点的坐标;从上至下按照整体长度的预设比例截取要计算的纵坐标位置、确定中轴线的纵坐标,并将鱿鱼的身体的中心作为所述中轴线的横坐标;获取中轴线纵轴端左右的坐标点,在中轴线上循环取计算点,在每个计算点上多次求取不同斜率交于左右轮廓的长度,找到当前点上最短距离,计算中轴线上每个点的最短距离,并将所述最短距离拟合成函数。
7.如权利要求6所述的鱿鱼质量等级识别分选方法,其特征在于,计算所述鱿鱼的身体长度的具体方法如下:
根据手眼标定结果,测量所述颈部与所述鱿鱼身体顶端的图形长度,并换算为实际长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910413183.2A CN110110810B (zh) | 2019-05-17 | 2019-05-17 | 一种鱿鱼质量等级识别分选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910413183.2A CN110110810B (zh) | 2019-05-17 | 2019-05-17 | 一种鱿鱼质量等级识别分选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110110810A CN110110810A (zh) | 2019-08-09 |
CN110110810B true CN110110810B (zh) | 2021-03-26 |
Family
ID=67490822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910413183.2A Active CN110110810B (zh) | 2019-05-17 | 2019-05-17 | 一种鱿鱼质量等级识别分选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110110810B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113551615B (zh) * | 2021-07-05 | 2022-11-11 | 浙江大学舟山海洋研究中心 | 一种用于鱿鱼白片加工的线激光轮廓传感器数据处理装置 |
CN114694016A (zh) * | 2022-04-18 | 2022-07-01 | 浙江省农业科学院 | 一种水下无接触式高效采集黄鱼生长表型的方法及装置 |
CN116740473B (zh) * | 2023-08-10 | 2024-01-09 | 中国水产科学研究院南海水产研究所 | 一种基于机器视觉的渔获物自动分拣方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101539529A (zh) * | 2009-04-28 | 2009-09-23 | 江苏大学 | 基于led的小型水果在线检测光源系统 |
CN102921645A (zh) * | 2012-11-19 | 2013-02-13 | 桂林电子科技大学 | 基于图像视觉识别的罗汉果分选方法及其分选机 |
CN104056789A (zh) * | 2013-03-19 | 2014-09-24 | 青岛农业大学 | 一种胡萝卜缺陷的图像量化检测方法与分拣装置 |
CN104324894A (zh) * | 2014-10-30 | 2015-02-04 | 浙江大学舟山海洋研究中心 | 新型冻干鱿鱼片表面污渍检测装置 |
CN104338689A (zh) * | 2014-10-08 | 2015-02-11 | 舟山汇丰冷藏物流发展有限公司 | 一种鱿鱼鱼块分级装置 |
CN109115775A (zh) * | 2018-08-08 | 2019-01-01 | 长沙理工大学 | 一种基于机器视觉的槟榔等级检测方法 |
CN109191459A (zh) * | 2018-09-30 | 2019-01-11 | 东北大学 | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 |
CN109332200A (zh) * | 2018-11-30 | 2019-02-15 | 西南大学 | 一种流动式柑橘品质现场检测分级方法 |
-
2019
- 2019-05-17 CN CN201910413183.2A patent/CN110110810B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101539529A (zh) * | 2009-04-28 | 2009-09-23 | 江苏大学 | 基于led的小型水果在线检测光源系统 |
CN102921645A (zh) * | 2012-11-19 | 2013-02-13 | 桂林电子科技大学 | 基于图像视觉识别的罗汉果分选方法及其分选机 |
CN104056789A (zh) * | 2013-03-19 | 2014-09-24 | 青岛农业大学 | 一种胡萝卜缺陷的图像量化检测方法与分拣装置 |
CN104338689A (zh) * | 2014-10-08 | 2015-02-11 | 舟山汇丰冷藏物流发展有限公司 | 一种鱿鱼鱼块分级装置 |
CN104324894A (zh) * | 2014-10-30 | 2015-02-04 | 浙江大学舟山海洋研究中心 | 新型冻干鱿鱼片表面污渍检测装置 |
CN109115775A (zh) * | 2018-08-08 | 2019-01-01 | 长沙理工大学 | 一种基于机器视觉的槟榔等级检测方法 |
CN109191459A (zh) * | 2018-09-30 | 2019-01-11 | 东北大学 | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 |
CN109332200A (zh) * | 2018-11-30 | 2019-02-15 | 西南大学 | 一种流动式柑橘品质现场检测分级方法 |
Non-Patent Citations (3)
Title |
---|
Development of an Image Processing System in Splendid Squid Grading;Nootcharee Thammachot 等;《Springer-Verlag Berlin Heidelberg》;20131231;第175-183页 * |
Development of an image processing system in splendid squid quality classification;Niyada Masunee 等;《Fifth International Conference on Digital Image Processing》;20131231;正文第1-7页 * |
基于光谱和高光谱成像技术的海水鱼品质快速无损检测;朱逢乐;《中国博士学位论文全文数据库 程科技Ⅰ辑》;20141215;正文第1-100页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110110810A (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106093066B (zh) | 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法 | |
CN110110810B (zh) | 一种鱿鱼质量等级识别分选方法 | |
Zion et al. | Real-time underwater sorting of edible fish species | |
Laykin et al. | Image–processing algorithms for tomato classification | |
Yu et al. | Automatic grading of apples based on multi-features and weighted K-means clustering algorithm | |
JP5706860B2 (ja) | 白米及び玄米の外観品位測定方法 | |
Mhaski et al. | Determination of ripeness and grading of tomato using image analysis on Raspberry Pi | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN108319973A (zh) | 一种树上柑橘果实检测方法 | |
CN111192251B (zh) | 基于水平集图像分割的卵泡超声处理方法和系统 | |
Hannan et al. | A real-time machine vision algorithm for robotic citrus harvesting | |
Galsgaard et al. | Circular hough transform and local circularity measure for weight estimation of a graph-cut based wood stack measurement | |
CN107730499A (zh) | 一种基于nu‑支持向量机的白细胞分类方法 | |
Wang et al. | Vision-based judgment of tomato maturity under growth conditions | |
CN109871900A (zh) | 一种基于图像处理的复杂背景下苹果的识别定位方法 | |
CN111784764A (zh) | 一种茶叶嫩芽识别与定位算法 | |
CN109089992A (zh) | 一种基于机器视觉的鱼类新鲜度的分类方法及系统 | |
CN114581376B (zh) | 基于图像识别的纺织用蚕茧自动拣选方法及系统 | |
CN112816487B (zh) | 一种基于机器视觉的皮蛋内部品质无损检测方法 | |
Nawawi et al. | Comprehensive pineapple segmentation techniques with intelligent convolutional neural network | |
Wang et al. | Research on the evaluation method of eggshell dark spots based on machine vision | |
Thanasarn et al. | Automated discrimination of deveined shrimps based on grayscale image parameters | |
CN114088714B (zh) | 一种谷物颗粒表面规则度的检测方法 | |
CN115601690A (zh) | 一种基于智慧农业的食用菌环境检测方法 | |
Bama et al. | 3D Color co-occurrence texture features as tool to evaluate quality of fruits |
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 |