CN110651815A - 基于视频图像感知的自动分鱼系统及装置 - Google Patents

基于视频图像感知的自动分鱼系统及装置 Download PDF

Info

Publication number
CN110651815A
CN110651815A CN201910894769.5A CN201910894769A CN110651815A CN 110651815 A CN110651815 A CN 110651815A CN 201910894769 A CN201910894769 A CN 201910894769A CN 110651815 A CN110651815 A CN 110651815A
Authority
CN
China
Prior art keywords
fish
neural network
convolutional neural
video image
network model
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
CN201910894769.5A
Other languages
English (en)
Inventor
申渝
杨虹燕
陈猷鹏
于歆
陈佳
王建辉
郭智威
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.)
Chongqing Nanxiangtai Environmental Protection Technology Research Institute Co Ltd
Chongqing University
Chongqing Technology and Business University
Original Assignee
Chongqing Nanxiangtai Environmental Protection Technology Research Institute Co Ltd
Chongqing University
Chongqing Technology and Business University
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 Chongqing Nanxiangtai Environmental Protection Technology Research Institute Co Ltd, Chongqing University, Chongqing Technology and Business University filed Critical Chongqing Nanxiangtai Environmental Protection Technology Research Institute Co Ltd
Priority to CN201910894769.5A priority Critical patent/CN110651815A/zh
Publication of CN110651815A publication Critical patent/CN110651815A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A22—BUTCHERING; MEAT TREATMENT; PROCESSING POULTRY OR FISH
    • A22C—PROCESSING MEAT, POULTRY, OR FISH
    • A22C29/00—Processing shellfish or bivalves, e.g. oysters, lobsters; Devices therefor, e.g. claw locks, claw crushers, grading devices; Processing lines
    • A22C29/005—Grading or classifying shellfish or bivalves
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Zoology (AREA)
  • Wood Science & Technology (AREA)
  • Food Science & Technology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Processing Of Meat And Fish (AREA)

Abstract

本发明涉及图像识别技术领域，具体公开了基于视频图像感知的自动分鱼系统及装置，其中系统包括：采集模块，用于获取预先采集的鱼类训练图像，构建鱼类图像训练集；其中，鱼类训练图像中，同一类别的鱼类包括若干不同的姿态图像；采集模块还用于采集鱼类的实时图像；模型构建模块，用于建立卷积神经网络模型，将鱼类图像训练集输入卷积神经网络模型内进行迭代训练，并输出训练完成的卷积神经网络模型；分类模块，用于获取鱼类的实时图像，将鱼类实时图像时输入训练完成的卷积神经网络模型，从训练完成的卷积神经网络模型中获取分类结果并输出。采用本发明的技术方案能解决准确对活鱼进行分类的问题。

Description

基于视频图像感知的自动分鱼系统及装置
技术领域
本发明涉及图像识别技术领域，特别涉及基于视频图像感知的自动分鱼系统及装置。
背景技术
无论是从混养的养殖场捕鱼,还是海里的捕鱼,都会存在打捞到不同种类和大小的鱼的情况，即鱼的种类、尺寸和重量方面存在着相当大的差异。
由于出售时都是同种鱼进行出售，而且即使同种鱼尺寸和重量不同售价也不同，因此需要对捕获的鱼进行分类。目前，绝大部分按照鱼品种的分类需要人工来完成，劳动强度大，效率低，人工成本相对较高。
为此，公开号为CN110125025A的中国专利公开了一种基于图像识别的鱼类自动分拣系统，包括分拣系统和云服务器，所述云服务器与分拣系统通讯连接，所述分拣系统包括图像识别模块、称重模块、测量模块、图像采集模块、库房、分拣模块、图像搜索模块和通讯模块；该方案利用图像识别技术与分拣系统结合对鱼类进行识别分拣，可以同时对鱼进行分类识别等。不再需要人工来完成分类，节省了运营成本，提高了工作效率高。
目前多在传送带上对鱼进行运送，然后拍摄鱼的图像，通过图像识别鱼的种类后再自动分类，但是，在需要活鱼出售时，传送带上的鱼处于存活状态；鱼容易在传送带上跳动，导致拍摄的鱼的图像不完整，或不清楚，导致目前的图像识别技术是通过将拍摄的图像与存储的图像进行一一比对来识别的，如果图像不完整，或不清楚，会影响识别的准确率；也会导致分类准确率低。
为此，需要一种能准确对活鱼进行分类的自动分鱼系统及装置。
发明内容
本发明的目的在于提供基于视频图像感知的自动分鱼系统及装置，以解决准确对活鱼进行分类的问题。
为解决上述技术问题，本发明技术方案如下：
基于视频图像感知的自动分鱼系统，包括：
采集模块，用于获取预先采集的鱼类训练图像，构建鱼类图像训练集；其中，鱼类训练图像中，同一类别的鱼类包括若干不同的姿态图像；采集模块还用于采集鱼类的实时图像；
模型构建模块，用于建立卷积神经网络模型，将鱼类图像训练集输入卷积神经网络模型内进行迭代训练，并输出训练完成的卷积神经网络模型；
分类模块，用于获取鱼类的实时图像，将鱼类实时图像时输入训练完成的卷积神经网络模型，从训练完成的卷积神经网络模型中获取分类结果并输出。
基础方案原理及有益效果如下：
本方案中，由于鱼类训练图像中，同一类别的鱼类包括若干不同的姿态图像；卷积神经网络模型在训练后，可以具备同一鱼类不同姿态的识别能力。当采集模块采集活鱼的实时图像后，虽然活鱼容易跳动，导致图像的姿态不确定，但是卷积神经网络模型仍然能够识别，可以对活鱼进行分类。与人工分类相比，效率更高；与传统的图像处理分类相比，准确率更高。
进一步，所述卷积神经网络包括5-10个卷积层，3-8个池化层和2-4个全连接层。
通过设置多个卷积层、池化层和全连接层，充分迭代训练后，可以提高卷积神经网络模型对实时图像的处理能力，提高分类的准确率。
进一步，所述鱼类图像训练集中，鱼类训练图像大于10000张。
通过丰富的鱼类训练图像对卷积神经网络模型进行迭代训练，能保证训练完成的卷积神经网络模型能达到准确对活鱼进行分类的目的。
进一步，所述每一鱼类训练图像均包括类别标签。
通过设置类别标签，可以区分鱼的类别，便于对卷积神经网络模型进行训练。
进一步，所述采集模块构建鱼类图像训练集时，还对鱼类训练图像进行预处理；预处理包括图像灰度化。
灰度化之后的图像与彩色图像相比，数据量更小，能提高卷积神经网络的识别速度。
基于视频图像感知的自动分鱼装置，包括用于运送鱼类的主传送带，还包括控制模块和若干分鱼模块；
分鱼模块沿主传动带的传送方向均匀分布；分鱼模块包括正对且固定在主传送带两侧的分选机构和承接机构；分选机构用于将主传送带上的鱼类移动至承接机构内；
控制模块用于从分类模块中获取分类结果，基于分类结果驱动对应的分选机构。
当鱼类在主传送带上被传送时，采集模块采集鱼类的实时图像，分类模块通过训练完成的卷积神经网络模型对鱼进行分类；控制模块获取分类结果后，基于分类结果驱动对应的分选机构，分选机构将主传送带上的鱼类移动至承接机构内，从而完成鱼类分选的整个过程。全程自动化实现、效率高。
进一步，所述分选机构包括基座、电动推杆和推板；电动推杆包括固定端和活动端，固定端固定在基座的顶部，活动端与推板固定连接。
通过设置推板，便于将鱼从主传送带推入承接结构内。
进一步，所述承接机构包括收集框或副传送带。
收集框可以方便的将鱼收集起来；采用副传送带，推板将鱼入副传送带上，副传送带可以方便的将分类好的鱼传送至下一加工区域。
进一步，所述分选机构还包括红外传感器。
设置红外传感器能便于判断鱼是否经过分选机构，便于确定电动推杆的启动时机。
进一步，所述推板的横截面为圆弧形。
圆弧形的推板可以对鱼进行半包围，防止鱼从推板的两侧逃出。
附图说明
图1为基于视频图像感知的自动分鱼系统实施例一的逻辑框图；
图2为基于视频图像感知的自动分鱼装置实施例一的俯视图。
图3为基于视频图像感知的自动分鱼装置实施例三的纵剖图。
具体实施方式
下面通过具体实施方式进一步详细说明：
说明书附图中的附图标记包括：
主传送带1、基座2、电动推杆3、推板4、红外传感器5、收集框6、第一储鱼箱7、连接槽8、第二储鱼箱9、挡鱼板10。
实施例一
如图1所示，基于视频图像感知的自动分鱼系统，包括采集模块、模型构建模块和分类模块。
采集模块用于获取预先采集的鱼类训练图像，还对鱼类训练图像进行预处理，然后构建鱼类图像训练集。其中，鱼类训练图像中，同一类别的鱼类包括若干不同的姿态图像；每一鱼类训练图像均包括类别标签。本实施例中，鱼类图像训练集中，鱼类训练图像总数大于10000张，类别标签包括鲤鱼、鲫鱼、草鱼和鲶鱼等。本实施例中，预处理包括图像灰度化。采集模块还用于采集鱼类的实时图像。本实施例中，采集模块采用摄像头。本实施例中，不同姿态图像是指鱼的形态不同，例如平躺、尾部卷曲、侧躺、头部抬起等。
模型构建模块用于建立卷积神经网络模型，卷积神经网络包括5-10个卷积层，3-8个池化层和2-4个全连接层；本实施例中为8个卷积层，4个池化层和4个全连接层。将鱼类图像训练集输入卷积神经网络模型内进行迭代训练，并输出训练完成的卷积神经网络模型。本实施例中，卷积神经网络模型采用现有的卷积神经网络模型进行建立。
分类模块用于获取鱼类实时图像，将鱼类实时图像时输入训练完成的卷积神经网络模型，从训练完成的卷积神经网络模型中获取分类结果并输出。
如图2所示，基于视频图像感知的自动分鱼系统，本实施例还提供基于视频图像感知的自动分鱼装置，包括用于运送鱼类的主传送带1，还包括控制模块和若干分鱼模块。
分鱼模块沿主传动带的传送方向均匀分布；本实施例中，分鱼模块的数量为4个，分别用于筛选鲤鱼、鲫鱼、草鱼和鲶鱼。
采集模块固定在主传送带1的正上方，本实施中固定的方式为挂，本领域技术人员可以根据现场实际环境选择挂在主传送带1的正上方的屋顶还是机架上。采集模块位于分鱼模块的前方，换句话说，鱼在传送带上传送时，先经过采集模块，再经过分鱼模块。
分鱼模块包括正对且固定在主传送带1两侧的分选机构和承接机构；分选机构用于将主传送带1上的鱼类移动至承接机构内。
分选机构包括基座2、红外传感器5、电动推杆3和推板4；基座2的底部螺栓固定在底面上。电动推杆3包括固定端和活动端，电动推杆3垂直于主传送带1传送方向设置；固定端螺钉固定在基座2的顶部。推板4的横截面为圆弧形，包括外弧面和内弧面，电动推杆3的活动端与推板4的外弧面通过螺钉固定连接。红外传感器5粘接在推板4的内弧面上。
承接机构为收集框6。控制模块用于从分类模块中获取分类结果，并基于分类结果驱动对应的分选机构工作。具体的，控制模块获取分类结果后，从对应的分选机构获取红外传感器5的检测信号，当红外传感器5检测到有通过时，控制模块驱动电动推杆3伸长，通过推板4将鱼推入收集框6内。
例如，鱼类间隔的在主传送带上传送时，其中一只鲫鱼先经过采集模块，采集模块采集鱼类的实时图像，分类模块输出的分类结果为鲫鱼；控制模块获取分类结果为鲫鱼的信息后，再获取鲫鱼分选机构处红外传感器5的检测信号，当鲫鱼继续被传送至鲫鱼分选机构时，红外传感器5检测到有鱼通过，控制模块驱动鲫鱼分选机构处的电动推杆3伸长，通过推板4将鲫鱼推入收集框6内。
实施例二
基于视频图像感知的自动分鱼装置，与实施例一的区别在于，承接机构为副传送带。副传送带的传送方向垂直于主传送带的传送方向。推板4将鱼推入副传送带上，副传送带可以将分类好的鱼传送至下一加工区域。
实施例三
如图3所示，基于视频图像感知的自动分鱼装置，与实施例一的区别在于，承接机构包括第一储鱼箱7、第二储鱼箱9、连接槽8和水泵。
第一储鱼箱7的高度低于第二储鱼箱9的高度，第一储鱼箱7的深度小于第二储鱼箱9的深度；第一储鱼箱7和第二储鱼箱9内均装满水。连接槽8一端与第一储鱼箱7的一侧壁的顶部焊接，连接槽8的另一端与第二储鱼箱9的一侧壁的顶部焊接。第一储鱼箱7、第二储鱼箱9和连接槽8的顶部均焊接有挡鱼板10。第一储鱼箱7相比与第二储鱼箱9更靠近主传送带1。水泵用于将第一储鱼箱7内的水抽入第二储鱼箱9内。水泵的抽水端固定有过滤网，过滤网能避免杂物进入水泵内。水泵抽水属于现有技术，这里不再赘述。
由于第二储鱼箱9的高度高于第一储鱼箱7的高度，当水泵将水抽入第二储鱼箱9后，水会顺着连接槽8流回到第一储鱼箱7内，实现水的循环使用。连接槽8的倾斜度小于25°，本实施例中具体为15°。
当鱼被推板4从主传送带1上推入第一储鱼箱7时，由于第一储鱼箱7内装满水，可以起到缓冲的作用，避免鱼掉落第一储鱼箱7时被摔伤。由于分选的鱼里面存在正常的鱼和快要死掉的鱼，鱼存在着逆流游动的天性，正常的鱼体力充沛，能够从第一储鱼箱7沿连接槽8游动到第二储鱼箱9内。而快要死掉的鱼游动困难，无法进入第二储鱼箱9内，实现了正常的鱼和快要死掉的鱼的分选。由于鱼被打捞后，直接送入主传送带1上被分类，鱼打捞时容易沾染淤泥，在主传送带1上被传送时也容易沾染杂物(包括其他鱼的鱼鳞、水草等)，鱼在通过连接槽8时，水流可以对鱼进行清洗，冲掉鱼身上的杂物，也可以冲掉鱼身上即将掉落的鱼鳞。经过清洗的鱼再进行后续的运输或加工等，能保证鱼不会污染后续运输或加工等中的水，使鱼能在一个干净的水环境中较长时间的存活。
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (10)

1.基于视频图像感知的自动分鱼系统，其特征在于，包括：
采集模块，用于获取预先采集的鱼类训练图像，构建鱼类图像训练集；其中，鱼类训练图像中，同一类别的鱼类包括若干不同的姿态图像；采集模块还用于采集鱼类的实时图像；
模型构建模块，用于建立卷积神经网络模型，将鱼类图像训练集输入卷积神经网络模型内进行迭代训练，并输出训练完成的卷积神经网络模型；
分类模块，用于获取鱼类的实时图像，将鱼类实时图像时输入训练完成的卷积神经网络模型，从训练完成的卷积神经网络模型中获取分类结果并输出。
2.根据权利要求1所述的基于视频图像感知的自动分鱼系统，其特征在于：所述卷积神经网络包括5-10个卷积层，3-8个池化层和2-4个全连接层。
3.根据权利要求2所述的基于视频图像感知的自动分鱼系统，其特征在于：所述鱼类图像训练集中，鱼类训练图像大于10000张。
4.根据权利要求3所述的基于视频图像感知的自动分鱼系统，其特征在于：所述每一鱼类训练图像均包括类别标签。
5.根据权利要求4所述的基于视频图像感知的自动分鱼系统，其特征在于：所述采集模块构建鱼类图像训练集时，还对鱼类训练图像进行预处理；预处理包括图像灰度化。
6.基于视频图像感知的自动分鱼装置，包括用于运送鱼类的主传送带，其特征在于，还包括控制模块和若干分鱼模块；
分鱼模块沿主传动带的传送方向均匀分布；分鱼模块包括正对且固定在主传送带两侧的分选机构和承接机构；分选机构用于将主传送带上的鱼类移动至承接机构内；
控制模块用于从权利要求1-5任一项所述的分类模块中获取分类结果，基于分类结果驱动对应的分选机构。
7.根据权利要求6所述的基于视频图像感知的自动分鱼系统及装置，其特征在于：所述分选机构包括基座、电动推杆和推板；电动推杆包括固定端和活动端，固定端固定在基座的顶部，活动端与推板固定连接。
8.根据权利要求6所述的基于视频图像感知的自动分鱼系统及装置，其特征在于：所述承接机构包括收集框或副传送带。
9.根据权利要求6所述的基于视频图像感知的自动分鱼系统及装置，其特征在于：所述分选机构还包括红外传感器。
10.根据权利要求7所述的基于视频图像感知的自动分鱼系统及装置，其特征在于：所述推板的横截面为圆弧形。
CN201910894769.5A 2019-09-20 2019-09-20 基于视频图像感知的自动分鱼系统及装置 Pending CN110651815A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910894769.5A CN110651815A (zh) 2019-09-20 2019-09-20 基于视频图像感知的自动分鱼系统及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910894769.5A CN110651815A (zh) 2019-09-20 2019-09-20 基于视频图像感知的自动分鱼系统及装置

Publications (1)

Publication Number Publication Date
CN110651815A true CN110651815A (zh) 2020-01-07

Family

ID=69037525

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910894769.5A Pending CN110651815A (zh) 2019-09-20 2019-09-20 基于视频图像感知的自动分鱼系统及装置

Country Status (1)

Country Link
CN (1) CN110651815A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464805A (zh) * 2020-11-26 2021-03-09 江苏卓高新材料科技有限公司 一种智能分类方法、装置、存储器、处理器、系统和设备
CN113261527A (zh) * 2021-05-17 2021-08-17 中国农业大学 一种无水保活运输过程中分级剔除装置及分级方法
CN114145333A (zh) * 2021-11-24 2022-03-08 山东省海洋科学研究院(青岛国家海洋科学研究中心) 刺参提取多糖的预处理设备及工艺
CN114419364A (zh) * 2021-12-24 2022-04-29 华南农业大学 一种基于深层特征融合的鱼类智能分选方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203618563U (zh) * 2013-12-30 2014-06-04 中国水产科学研究院黑龙江水产研究所 野杂鱼活鱼筛选网箱
CN104624515A (zh) * 2013-11-08 2015-05-20 华中农业大学 一种基于机器视觉的淡水鱼品种在线分类系统
CN105104288A (zh) * 2015-09-01 2015-12-02 中国水产科学研究院渔业机械仪器研究所 一种用于循环水养殖系统的收集死鱼装置
CN107232110A (zh) * 2017-06-26 2017-10-10 王子祎 鱼苗批量分类的筛选方法及鱼苗批量分选装置
CN206882193U (zh) * 2017-03-24 2018-01-16 中国水产科学研究院南海水产研究所 一种鱼类分拣装置
CN107691612A (zh) * 2017-11-23 2018-02-16 陈华勤 一种鱼类分拣设备
CN109117877A (zh) * 2018-08-02 2019-01-01 南京师范大学 一种基于深度卷积生成对抗网络的黄颡鱼及其套养种识别方法
JP2019135624A (ja) * 2018-02-05 2019-08-15 株式会社シー・テック 魚選別装置、魚選別方法、魚種類推定装置、及び、魚種類推定方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104624515A (zh) * 2013-11-08 2015-05-20 华中农业大学 一种基于机器视觉的淡水鱼品种在线分类系统
CN203618563U (zh) * 2013-12-30 2014-06-04 中国水产科学研究院黑龙江水产研究所 野杂鱼活鱼筛选网箱
CN105104288A (zh) * 2015-09-01 2015-12-02 中国水产科学研究院渔业机械仪器研究所 一种用于循环水养殖系统的收集死鱼装置
CN206882193U (zh) * 2017-03-24 2018-01-16 中国水产科学研究院南海水产研究所 一种鱼类分拣装置
CN107232110A (zh) * 2017-06-26 2017-10-10 王子祎 鱼苗批量分类的筛选方法及鱼苗批量分选装置
CN107691612A (zh) * 2017-11-23 2018-02-16 陈华勤 一种鱼类分拣设备
JP2019135624A (ja) * 2018-02-05 2019-08-15 株式会社シー・テック 魚選別装置、魚選別方法、魚種類推定装置、及び、魚種類推定方法
CN109117877A (zh) * 2018-08-02 2019-01-01 南京师范大学 一种基于深度卷积生成对抗网络的黄颡鱼及其套养种识别方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464805A (zh) * 2020-11-26 2021-03-09 江苏卓高新材料科技有限公司 一种智能分类方法、装置、存储器、处理器、系统和设备
CN113261527A (zh) * 2021-05-17 2021-08-17 中国农业大学 一种无水保活运输过程中分级剔除装置及分级方法
CN113261527B (zh) * 2021-05-17 2022-03-29 中国农业大学 一种无水保活运输过程中分级剔除装置及分级方法
CN114145333A (zh) * 2021-11-24 2022-03-08 山东省海洋科学研究院(青岛国家海洋科学研究中心) 刺参提取多糖的预处理设备及工艺
CN114419364A (zh) * 2021-12-24 2022-04-29 华南农业大学 一种基于深层特征融合的鱼类智能分选方法及系统

Similar Documents

Publication Publication Date Title
CN110651815A (zh) 基于视频图像感知的自动分鱼系统及装置
US11069053B2 (en) Systems and methods for optical material characterization of waste materials using machine learning
CN106238342B (zh) 全景视觉马铃薯分选和缺陷检测装置及其分选检测方法
CN206139527U (zh) 全景视觉马铃薯分选和缺陷检测装置
CN110743818A (zh) 基于视觉及深度学习的垃圾分选系统、垃圾分选方法
CN203243847U (zh) 一种灯光诱虫自动识别与计数装置
KR102139519B1 (ko) 편평어 자동 분류장치
CN208786952U (zh) 一种智能快递分拣机
CN112893159B (zh) 一种基于图像识别的煤矸石分拣方法
CN204294513U (zh) 小件快件自动分拣机
CN110516625A (zh) 一种垃圾识别分类的方法、系统、终端及存储介质
CN110125044A (zh) 一种基于双目视觉的苹果分选设备
CN105857153A (zh) 一种快递揽物收集运输车
CN111940339B (zh) 一种基于人工智能的红枣分拣系统
CN105964557A (zh) 邮包自助收寄系统以及邮包自助收寄方法
WO2022041501A1 (zh) 一种冻鱼分拣装置
CN204685517U (zh) 一种冬枣分选装置
CN212944157U (zh) 一种多级自动分拣系统
CN105954288B (zh) 电解锰阴极板剥离后空板检测与分拣系统及检测方法
CN113128578A (zh) 一种花生优良种子筛选系统及其筛选方法
CN209550027U (zh) 基于计算机视觉的一次性纸尿裤智能分拣系统
CN215819781U (zh) 一种鱼类分拣系统
JP4812083B2 (ja) いりこ等の選別方法とその装置
CN105010256A (zh) 一种捕鱼装置
CN109794436A (zh) 基于计算机视觉的一次性纸尿裤智能分拣系统

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: 20200107

RJ01 Rejection of invention patent application after publication