CN110133049B - 基于电子鼻和机器视觉的茶叶等级快速无损检测方法 - Google Patents
基于电子鼻和机器视觉的茶叶等级快速无损检测方法 Download PDFInfo
- Publication number
- CN110133049B CN110133049B CN201910286808.3A CN201910286808A CN110133049B CN 110133049 B CN110133049 B CN 110133049B CN 201910286808 A CN201910286808 A CN 201910286808A CN 110133049 B CN110133049 B CN 110133049B
- Authority
- CN
- China
- Prior art keywords
- tea
- electronic nose
- sample
- grade
- information
- 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
- 241001122767 Theaceae Species 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 18
- 230000000007 visual effect Effects 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims description 17
- 238000000513 principal component analysis Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000007789 sealing Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims 1
- 238000012372 quality testing Methods 0.000 claims 1
- 238000010998 test method Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 101100054292 Arabidopsis thaliana ABCG36 gene Proteins 0.000 description 2
- 101100351526 Arabidopsis thaliana PEN3 gene Proteins 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 229910044991 metal oxide Inorganic materials 0.000 description 2
- 150000004706 metal oxides Chemical class 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000282320 Panthera leo Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/041—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body
Abstract
本发明公开了一种基于电子鼻和机器视觉的茶叶等级快速无损检测方法。收集不同等级的龙井茶样品，分别用电子鼻和机器视觉采集样品的气味和图像信息，提取用于描述不同等级茶叶香气和外观的特征值，分别采用特征级融合策略和决策级融合策略基于电子鼻信号和视觉图像信号建立茶叶等级区分模型。本发明同时考虑了茶叶的香气和茶叶的外观对茶叶品质的影响，能够准确和快速的对茶叶的品质等级进行客观的评价和鉴别，并且不需要对茶叶样品进行任何的预处理，具有较高的实际应用和推广价值。
Description
技术领域
本发明属于食品领域，涉及一种基于电子鼻和机器视觉的茶叶等级快速无损检测方法。
背景技术
我国是世界上主要的茶叶生产，消费和出口大国，有着悠久的茶文化历史和深厚的茶文化底蕴。随着人们生活水平的逐渐提高，对于茶叶品质的要求也越来越高。由于市场监管不利以及商家利益驱使，名优茶市场时常出现茶叶以次充好，以假乱真的现象，严重损害消费者利益并对国内茶文化的发展产生不良影响。人工感官评审通常应用于对茶叶质量等级进行评价，但是评审结果容易受到评审员生理状态，心理状态以及评审环境的影响，因此难以满足当下茶叶品质检测中对检测精度以及重复性的要求。
随着传感器技术与智能检测仪器的深入研究与发展，其在茶叶等级品质检测中的应用也越来越广泛，与传统的感官分析相比，智能检测仪器能够提供更客观且精度较高的检测结果。电子鼻是一种模拟人嗅觉器官而被开发的一种智能检测仪器，机器视觉则是一种用于模拟人视觉器官的智能检测仪器，这两种智能检测技术都具有检测时间短和不需要对样品进行预处理等优点，因此，在茶叶品质等级检测中有广泛的应用。它们主要通过获取茶叶香气或者茶叶外观信息来实现对茶叶品质等级的鉴别，但是茶叶品质是由多个因素共同决定的，因此将电子鼻与机器视觉技术进行联合使用能够从多个维度更全面的获取茶叶品质信息，对于茶叶品质等级鉴别有更重大的意义。
发明内容
为了克服现有技术的不足，本发明的目的在于提供一种基于电子鼻和机器视觉的茶叶等级快速无损检测方法，以解决现有技术存在的鉴别结果主观性强，检测时间长以及单一电子鼻或者机器视觉技术提供的结果比较片面的问题。该方法同时考虑了茶叶的香气和茶叶的外观对茶叶品质的影响，能够准确和快速的对茶叶的品质等级进行客观的评价和鉴别，并且不需要对茶叶样品进行任何的预处理。
本发明为解决上述技术问题，提出了一种基于电子鼻和机器视觉的茶叶等级快速无损检测方法，采集不同等级的茶叶样品，分别用电子鼻采集样品的气味信息和机器视觉采集样品的图像信息，提取用于描述茶叶的气味特征值和外观特征值，分别采用特征级融合策略和决策级融合策略建立茶叶等级区分模型，其中特征级融合具体为：将从电子鼻信号和图像信号中得到的特征值经过PCA预处理，然后直接串联作为原始数据输入，采用支持向量机建立茶叶品质区分模型；决策级融合具体为：将经过PCA处理后的电子鼻信号特征与图像信号特征分别作为支持向量机模型的输入，建立基于电子鼻特征信息的茶叶等级区分模型与基于视觉图像信息的茶叶等级区分模型，将依据这两个区分模型得到的鉴别结果串联融合形成新的特征矩阵，然后基于融合信息的特征矩阵，采用多元逻辑回归建立最终的茶叶品质等级区分模型。
进一步地，所述的茶叶等级根据国家标准(GB/T 23776-2009,2377)确定。
进一步地，所述的电子鼻采集样品的气味信息，其步骤如下：将待检测茶叶样品5g放入500mL烧杯中，密封，室温静置60min，使烧杯中的顶空气体达到饱和，然后用电子鼻抽取顶空气体进行检测，抽取顶空气体的流速、抽取时间和电子鼻清洗时间分别为200mL/min、70s和70s。
进一步地，所述的机器视觉采集样品的图像信息，其步骤如下：将经过电子鼻检测后的茶叶样品放入机器视觉图像采集系统以获取茶叶的视觉图像信息，该机器视觉图像采集系统主要包括样品台、CMOS工业相机、LED光源系统和电脑。
进一步地，所述的气味特征值由电子鼻传感器信号的第35s值、第70s值和面积值组成。
进一步地，所述的外观特征值由茶叶视觉图像信息中的颜色RGB色彩特征信号和采用离散小波处理后获取的纹理特征组成。对于色彩特征，分别计算出图像的R，G和B通道中各像素点灰度值的均值
和方差
用于表示图像的颜色特征，具体如公式(1)和(2)所示；图像的纹理信息采用离散小波技术获取，通过小波分解将每根传感器的信号分解为2层，分别将次级频带HH1和HH2中包含的信息用于统计纹理特征计算，提取每根频带中的均值(Mv)，标准差(Sd)和能量(En)信息作为描述茶叶纹理的特征值，具体如公式(3)，(4)和(5)所示：
其中m表示总的像素点数，xij表示第i个颜色通道中的第j个像素点；其中p(x,y)表示坐标点(x,y)处的像素值，X和Y分别表示图像二维平面两个维度的像数的数目。
进一步地，所述的茶叶等级快速无损检测方法，对于未知样本，分别用电子鼻采集待测样品的气味信息和机器视觉采集待测样品的图像信息，提取用于茶叶香气特征值和外观特征值，输入所述的茶叶快速无损检测模型进行检测，可以得到未知茶叶样品所属品质等级。
本发明可以应用于茶叶工业生产中品质的快速实时检测，降低人工成本。
本发明的有益效果是：能够同时获取茶叶香气和外观对茶叶品质的贡献，无需对茶叶样品进行预处理，分析结果可靠，操作简单，具有比较高的实际应用价值，如在实际生产中茶叶品质的在线实时监测等。
附图说明
图1是电子鼻对茶叶的响应信号图；
图2是机器视觉检测平台的结构示意图；
1表示样品台，2表示LED光源系统，3表示CMOS工业相机，4表示电脑。
具体实施方式
以下结合附图和具体实施方式对本发明做进一步的阐述。
本发明提出了一种基于电子鼻和机器视觉的茶叶等级快速无损检测方法，采集不同等级的茶叶样品，分别用电子鼻采集样品的气味信息和机器视觉采集样品的图像信息，提取用于描述茶叶的气味特征值和外观特征值，分别采用特征级融合策略和决策级融合策略建立茶叶等级区分模型，其中特征级融合具体为：将从电子鼻信号和图像信号中得到的特征值经过PCA预处理，然后直接串联作为原始数据输入，采用支持向量机建立茶叶品质区分模型；决策级融合具体为：将经过PCA处理后的电子鼻信号特征与图像信号特征分别作为支持向量机模型的输入，建立基于电子鼻特征信息的茶叶等级区分模型与基于视觉图像信息的茶叶等级区分模型，将依据这两个区分模型得到的鉴别结果串联融合形成新的特征矩阵，然后基于融合信息的特征矩阵，采用多元逻辑回归建立最终的茶叶品质等级区分模型。
所述的茶叶等级根据国家标准(GB/T 23776-2009,2377)确定。
所述的电子鼻采集样品的气味信息，其步骤如下：将待检测茶叶样品5g放入500mL烧杯中，密封，室温静置60min，使烧杯中的顶空气体达到饱和，然后用电子鼻抽取顶空气体进行检测，抽取顶空气体的流速、抽取时间和电子鼻清洗时间分别为200mL/min、70s和70s。
所述的机器视觉采集样品的图像信息，其步骤如下：将经过电子鼻检测后的茶叶样品放入机器视觉图像采集系统以获取茶叶的视觉图像信息，该机器视觉图像采集系统主要包括样品台，CMOS工业相机，LED光源系统和电脑。
所述的茶叶等级快速无损检测方法，所述的气味特征值由电子鼻传感器信号的第35s值、第70s值和面积值组成。
所述的茶叶等级快速无损检测方法，所述的外观特征值由茶叶视觉图像信息中的颜色RGB色彩特征信号和采用离散小波处理后获取的纹理特征组成。对于色彩特征，分别计算出图像的R，G和B通道中各像素点灰度值的均值
和方差
用于表示图像的颜色特征，具体如公式(1)和(2)所示；图像的纹理信息采用离散小波技术获取，通过小波分解将每根传感器的信号分解为2层，分别将次级频带HH1和HH2中包含的信息用于统计纹理特征计算，提取每根频带中的均值(Mv)，标准差(Sd)和能量(En)信息作为描述茶叶纹理的特征值，具体如公式(3)，(4)和(5)所示：
其中m表示总的像素点数，xij表示第i个颜色通道中的第j个像素点；其中p(x,y)表示坐标点(x,y)处的像素值，X和Y分别表示图像二维平面两个维度的像数的数目。
所述的茶叶等级快速无损检测方法，对于未知样本，分别用电子鼻采集待测样品的气味信息和机器视觉采集待测样品的图像信息，提取用于茶叶香气特征值和外观特征值，输入所述的茶叶快速无损检测模型进行检测，可以得到未知茶叶样品所属品质等级。本发明可以应用于茶叶工业生产中品质的快速实时检测，降低人工成本。
实施例
1.收集6个不同品质等级的龙井茶茶样作为实验对象，这些茶样采摘自杭州狮峰山。对于每个茶叶样品，取5g茶叶放入500mL密闭容器中静置，使样品气体在容器顶空达到饱和状态，然后采用电子鼻抽取容器内的样品顶空气体进行检测，电子鼻抽取顶空气体流速为200mL/min，样品检测时间和清洗时间分别为70s和70s。对于每个等级的龙井茶样准备32个茶叶样品重复。电子鼻传感器与样品气体接触会产生响应信号，该响应信号用以描述茶叶样品的香气信息，如图1所示。选取第35s，第70s和传感器响应曲线与x轴形成的区域面积值作为特征值用于后期的模型建立。
本案例中应用的是德国AIRSENSE公司的PEN3型电子鼻为检测仪器，该电子鼻系统由10个金属氧化物传感器，其型号与相应特性如表1所示：
表1.PEN3型电子鼻各传感器响应特性
2.电子鼻检测结束后，将样品放入机器视觉图片采集样品台用于获取茶叶的图像信号，该机器视觉图像采集系统主要由一个样品台1、LED光源系统2、CMOS工业相机和一台电脑4组成，如图2所示。将获取的图像信息传入电脑之后，提取茶叶图像的颜色和纹理信息。图像的颜色信息采用RGB色彩空间表示，分别计算出图像的R，G和B通道中各像素点灰度值的均值
和方差
用于表示图像的颜色特征，具体为：
采用离散小波技术获取图像的纹理信息，通过小波分解将每根传感器的信号分解为2层，分别将次级频带HH1和HH2中包含的信息用于统计纹理特征计算，取每根频带中的均值(Mv)，标准差(Sd)和能量(En)信息，具体为：
3.特征级融合策略：将从电子鼻信号和图像信号中得到的特征值经过PCA预处理，然后直接串联作为原始数据输入，采用支持向量机建立茶叶品质区分模型。
4.决策级融合策略：将经过PCA处理后的电子鼻信号特征与图像信号特征分别作为支持向量机模型的输入，建立基于电子鼻特征信息的茶叶等级区分模型与基于视觉图像信息的茶叶等级区分模型，将依据这两个区分模型得到的鉴别结果串联融合形成新的特征矩阵，然后基于融合信息的特征矩阵，采用多元逻辑回归建立茶叶品质等级区分模型。
表2总结了本发明实例测试中基于电子鼻信号，机器视觉信号以及两者的融合信号对茶叶等级的区分结果，其中10-折交互验证用于衡量模型的稳定性。从表中训练集，预测集以及交互验证的结果可以看出，基于融合信号的茶叶等级区分准确率优于基于单独电子鼻和机器视觉信号的区分准确率，其中基于决策级信号融合策略得到的模型最稳定，在训练集和预测集上都有很好的效果。本发明在较短时间内即可完成一个样品的测试，结果表明基于电子鼻和机器视觉技术结合信号融合策略即可实现对茶叶品质的快速检测。
表2.基于电子鼻，机器视觉和两者融合信号对茶叶等级的区分结果
Claims (3)
1.一种基于电子鼻和机器视觉的茶叶等级快速无损检测方法，其特征在于，采集不同等级的茶叶样品，分别用电子鼻采集样品的气味信息和机器视觉采集样品的图像信息，提取用于描述茶叶的气味特征值和外观特征值，分别采用特征级融合策略和决策级融合策略建立茶叶等级区分模型，其中特征级融合具体为：将从电子鼻信号和图像信号中得到的特征值经过PCA预处理，然后直接串联作为原始数据输入，采用支持向量机建立茶叶品质区分模型；决策级融合具体为：将经过PCA处理后的电子鼻信号特征与图像信号特征分别作为支持向量机模型的输入，建立基于电子鼻特征信息的茶叶等级区分模型与基于视觉图像信息的茶叶等级区分模型，将依据这两个区分模型得到的鉴别结果串联融合形成新的特征矩阵，然后基于融合信息的特征矩阵，采用多元逻辑回归建立最终的茶叶品质等级区分模型；
所述的茶叶等级根据国家标准GB/T 23776-2009确定；
所述的电子鼻采集样品的气味信息，其步骤如下：将待检测茶叶样品5g放入500mL烧杯中，密封，室温静置60min，使烧杯中的顶空气体达到饱和，然后用电子鼻抽取顶空气体进行检测，抽取顶空气体的流速、抽取时间和电子鼻清洗时间分别为200mL/min、70s和70s；
所述的机器视觉采集样品的图像信息，其步骤如下：将经过电子鼻检测后的茶叶样品放入机器视觉图像采集系统以获取茶叶的视觉图像信息，该机器视觉图像采集系统主要包括样品台、CMOS工业相机、LED光源系统和电脑；
所述的气味特征值由电子鼻传感器信号的第35s值、第70s值和面积值组成；
所述的外观特征值由茶叶视觉图像信息中的颜色RGB色彩特征信号和采用离散小波处理后获取的纹理特征组成，对于色彩特征，分别计算出图像的R，G和B通道中各像素点灰度值的均值
和标准差
用于表示图像的颜色特征，具体如公式(1)和(2)所示；图像的纹理信息采用离散小波技术获取，通过小波分解将每根传感器的信号分解为2层，分别将次级频带HH1和HH2中包含的信息用于统计纹理特征计算，提取每根频带中的均值(Mv)，标准差(Sd)和能量(En)信息作为描述茶叶纹理的特征值，具体如公式(3)，(4)和(5)所示：
其中m表示总的像素点数，xij表示第i个颜色通道中的第j个像素点；其中p(x,y)表示坐标点(x,y)处的像素值，X和Y分别表示图像二维平面两个维度的像数的数目。
2.根据权利要求1所述的茶叶等级快速无损检测方法，其特征在于，对于未知样本，分别用电子鼻采集待测样品的气味信息和机器视觉采集待测样品的图像信息，提取用于茶叶香气特征值和外观特征值，输入所述的茶叶品质等级区分模型进行检测，得到未知茶叶样品所属品质等级。
3.根据权利要求1所述的茶叶等级快速无损检测方法，其特征在于，应用于茶叶工业生产中品质的快速实时检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910286808.3A CN110133049B (zh) | 2019-04-10 | 2019-04-10 | 基于电子鼻和机器视觉的茶叶等级快速无损检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910286808.3A CN110133049B (zh) | 2019-04-10 | 2019-04-10 | 基于电子鼻和机器视觉的茶叶等级快速无损检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110133049A CN110133049A (zh) | 2019-08-16 |
| CN110133049B true CN110133049B (zh) | 2020-09-18 |
Family
ID=67569593
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910286808.3A Expired - Fee Related CN110133049B (zh) | 2019-04-10 | 2019-04-10 | 基于电子鼻和机器视觉的茶叶等级快速无损检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110133049B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111693661A (zh) * | 2020-06-11 | 2020-09-22 | 上海交通大学 | 基于智能感官的干腌火腿风味评价方法 |
| CN111693658A (zh) * | 2020-06-11 | 2020-09-22 | 上海交通大学 | 基于多种智能感官数据融合的食品品质鉴定方法 |
| CN111855757B (zh) * | 2020-07-21 | 2023-11-14 | 广西壮族自治区亚热带作物研究所（广西亚热带农产品加工研究所） | 一种基于电子鼻的六堡茶陈香香味识别方法 |
| CN112033911A (zh) * | 2020-07-29 | 2020-12-04 | 浙江大学 | 一种基于色差和紫外光谱的茶叶等级快速鉴别方法 |
| CN112006120B (zh) * | 2020-08-27 | 2022-05-31 | 江南大学 | 基于气味及3d结构光的茶叶锅式杀青系统 |
| CN115062656B (zh) * | 2022-06-10 | 2023-08-11 | 安徽农业大学 | 一种基于电子鼻信号空间域的茶多酚含量预测方法和装置 |
| CN115213115A (zh) * | 2022-07-14 | 2022-10-21 | 淮南师范学院 | 基于机器视觉技术的多功能自动检测平台 |
| CN116026787B (zh) * | 2023-03-29 | 2023-07-21 | 湖南汇湘轩生物科技股份有限公司 | 一种香精品级检测方法及系统 |
| CN116577473B (zh) * | 2023-07-14 | 2023-11-17 | 北京市农林科学院 | 一种草莓机械损伤发生时间的检测方法及装置 |
| CN117517245B (zh) * | 2023-11-08 | 2024-05-03 | 广东省农业科学院茶叶研究所 | 评估茶叶滋味、香气和整体感官方法、系统、设备及介质 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2829578B1 (fr) * | 2001-09-07 | 2004-07-02 | Univ La Rochelle | Procede et dispositif pour controle non destructif de la qualite de fraicheur d'une unite de produits perissables |
| CN1995987B (zh) * | 2007-02-08 | 2010-05-12 | 江苏大学 | 基于高光谱图像技术的农畜产品无损检测方法 |
| CN101692053B (zh) * | 2009-10-09 | 2012-01-18 | 江苏大学 | 基于多传感信息融合的名优茶品质仪器智能化审评方法 |
| CN101957313B (zh) * | 2010-09-21 | 2012-07-04 | 吉林大学 | 鲜玉米果穗质量的计算机视觉检测分级方法及装置 |
| CN106525849B (zh) * | 2016-11-02 | 2019-03-05 | 江苏大学 | 茶叶智能化拼配方法与系统 |
| CN107748165A (zh) * | 2017-11-15 | 2018-03-02 | 江苏大学 | 基于机器视觉与电子鼻融合技术的马铃薯龙葵素检测方法 |
| CN109490306B (zh) * | 2018-12-27 | 2021-07-23 | 山东炎黄工业设计有限公司 | 一种基于色泽和气味数据融合的猪肉新鲜度检测方法 |
-
2019
- 2019-04-10 CN CN201910286808.3A patent/CN110133049B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN110133049A (zh) | 2019-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN107607554A (zh) | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 | |
| CN108564565A (zh) | 一种基于深度学习的电力设备红外图像多目标定位方法 | |
| CN108074231A (zh) | 一种基于卷积神经网络的磁片表面缺陷检测方法 | |
| WO2011041925A1 (zh) | 基于多传感信息融合的名优茶品质仪器智能化审评方法 | |
| CN110378232B (zh) | 改进的ssd双网络的考场考生位置快速检测方法 | |
| CN110133050B (zh) | 一种基于多传感器指纹图谱定性定量检测茶叶品质的方法 | |
| CN106355579A (zh) | 烟条表面褶皱的缺陷检测方法 | |
| CN105067531A (zh) | 一种芒果品质无损检测方法及装置 | |
| CN105954412B (zh) | 用于山核桃新鲜度检测的传感器阵列优化方法 | |
| CN106370668A (zh) | 一种咸蛋内部品质的在线视觉检测装置及其方法 | |
| CN113158980A (zh) | 一种基于高光谱图像和深度学习的茶叶分类方法 | |
| CN104849318B (zh) | 基于味觉嗅觉指纹图谱检测不同成熟度柑橘品质的方法 | |
| 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 | |
| CN108932712A (zh) | 一种转子绕组质量检测系统及方法 | |
| CN112691939A (zh) | 果蔬品质智能感知分拣机器人系统 | |
| CN105466921A (zh) | 一种多样品同时检测的方法 | |
| CN112560896A (zh) | 一种基于图像处理的水果品质筛选分类系统 | |
| CN108960413A (zh) | 一种应用于螺钉表面缺陷检测的深度卷积神经网络方法 | |
| CN109859199B (zh) | 一种sd-oct图像的淡水无核珍珠质量检测的方法 | |
| CN102735340A (zh) | 一种基于压缩传感的水果颜色分级方法 | |
| CN116091506B (zh) | 一种基于yolov5的机器视觉缺陷质检方法 | |
| CN116883394A (zh) | 一种基于图像数据处理的金刚石质量检测方法 | |
| CN117252459A (zh) | 一种基于深度学习的水果质量评估系统 | |
| Rashvand et al. | The feasibility of using image processing and artificial neural network for detecting the adulteration of sesame oil |
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: 20200918 |