CN110736709A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110736709A
CN110736709A CN201911026968.0A CN201911026968A CN110736709A CN 110736709 A CN110736709 A CN 110736709A CN 201911026968 A CN201911026968 A CN 201911026968A CN 110736709 A CN110736709 A CN 110736709A
Authority
CN
China
Prior art keywords
blueberry
chlorophyll
prediction
maturity
chlorophyll content
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
CN201911026968.0A
Other languages
English (en)
Inventor
王波
牟昌红
袁泽斌
欧阳秀琴
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.)
Soochow University ( Suzhou Univ)
Original Assignee
Soochow University ( Suzhou Univ)
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 Soochow University ( Suzhou Univ) filed Critical Soochow University ( Suzhou Univ)
Priority to CN201911026968.0A priority Critical patent/CN110736709A/zh
Publication of CN110736709A publication Critical patent/CN110736709A/zh
Pending legal-status Critical Current

Links

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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • 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
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本发明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，先采摘不同成熟期的蓝莓样本，同时采集每时期采摘前蓝莓果实的彩色图像信息，对每时期的蓝莓进行叶绿素测定，构建蓝莓叶绿素预测含量网络BCPN，并输入蓝莓图像，随后进行框标记和打标签得到叶绿素含量预测数据集，训练叶绿素含量模型并对输出的叶绿素含量与果实的成熟度进行映射，通过值与值之间的映射之后，通过最终的预测结果映射值判断当前映射值所处的成熟度。本发明提供的基于深度卷积神经网络的蓝莓成熟度的无损检测方法，对蓝莓皮叶绿素的预测准确率达96％以上，对不同品种的蓝莓果实成熟度的无损检测有很好的通用性，精度高，提高果实成熟度检测的准确性和效率。

Description

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
技术领域
本发明属于领域，具体涉及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。
背景技术
随着人们生活水平的提高，蓝莓以其独特的风味和强大的营养保健功能吸引着越来越多的消费者。然而蓝莓果实小而软，颜色深，个体间差异不大，人工采摘不仅浪费了大量的人力、物力和财力，而且在高温、潮湿的环境下，采摘效率较低。另外，蓝莓果实成熟度分级时，人工凭肉眼分类误差较大，不能保证产品质量的稳定性，不利于产品的真正提档。
果实无损检测方法是用光学、化学、声学、电学、物理、图像和视觉等方法检测水果的表面和内在质量，而不破坏被检测物体的方法，主要包括近红外光谱、声振动、电特性、计算机视觉等技术。与其他无损检测技术相比，计算机视觉技术利用算法与被测果实的品质指标建立相关性模型，从而对其品质等级进行分类，具有快速、准确、绿色、安全、可靠的显著特点。
水果的颜色是消费者用来判断水果成熟度的最初质量评估，而水果表面的颜色变化主要是由果皮中不同的色素含量引起的。在许多水果中，由于叶绿素降解和类胡萝卜素或多酚等色素含量的增加，在成熟过程中会发生颜色变化。但目前有关机器视觉无损检测的研究多采用传统的计算机视觉技术，有关新的计算机视觉技术—深度学习的研究很少涉及，且在深度神经网络的基础上通过果皮中叶绿素变化对蓝莓果实的成熟度进行无损检测的研究几乎没有。因此，开发快速、高效、无损、廉价的基于深度学习的蓝莓果实成熟度检测新方法是非常必要的，这将有助于提高收获蓝莓的质量，同时也为蓝莓采摘机器人的研制提供理论依据。
发明内容
针对上述现有技术的不足，本发明提供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，利用计算机视觉技术以及深度学习技术对蓝莓果皮叶绿素进行预测，通过蓝莓皮叶绿素含量的下降来预测蓝莓果实的成熟度。
为了实现技术目的，本发明通过如下技术方案来实现：
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，包括以下步骤：
(1)采样并采集蓝莓果实的图像：挑选大小、成熟度相对一致、无病虫害、无机械伤的蓝莓果实，具体操作如下：从蓝莓果实盛花期10d后开始采样，每隔 10d取样1次(即蓝莓果实着色期至完全成熟期)，同时采集每时期采摘前蓝莓果实的彩色图像信息，备用；
(2)测定蓝莓果皮中的叶绿素含量：蓝莓果皮中叶绿素的测定采用分光光度法,采用现有技术即可测定，在此不做赘述，每时期重复3次，求平均值，尽量降低同时期蓝莓果实间的误差，用测量的平均值分别标记相应时期蓝莓果实的彩色图片；
(3)图像预处理：将步骤(1)拍摄的图片的分辨率调整为1000*500的最终分辨率，作为训练样本，输入蓝莓叶绿素预测含量网络BCPN，所述网络主要包含特征提取模块、特征预测模块、特征与叶绿素以及边界框关联模块，通过将叶绿素含量预测数据集中图片数据以及标签数据输入到网络中，图片输入采用去平均的方法，即首先计算整个数据集中蓝莓图片的平均值数据，将输入图片统一减去平均值数据，作为最终输入，从而减少输入蓝莓图像数据在拍摄过程中因相机问题以及人为原因导致的噪声；
(4)构建叶绿素含量预测数据集BCPD：利用Label-Image脚本对步骤(3) 中处理好的图片进行框标记，然后用测量的每个时期叶绿素的平均值分别对相应时期的图片进行打标签，在蓝莓叶绿素预测含量网络BCPN中构建叶绿素含量预测数据集BCPD，并且将叶绿素含量预测数据集分成训练数据集和测试数据集两部分；
(5)训练叶绿素含量预测网络模型：将人工标记边界框以及叶绿素含量作为蓝莓图像标记信息输入到蓝莓叶绿素预测含量网络BCPN中，首先通过Mobile网络Mobilenet进行训练和特征提取，由区域推荐网络层RPN生成相应的蓝莓边界框，随后将边界框的相关信息映射到原始图像的特征图上，通过新提出的感兴趣区域对齐层ROIAlign将映射后的蓝莓特征转化为高维特征向量，生成的高维向量可以作为预测叶绿素含量的特征信息；为减少RPN层生成边界框的数量，缩小边界框检测误差，通过非最大值抑制的方式减少最终生成边界框数目，并通过框回归损失函数Lboxes(u,v)＝smoothL1(ui-vj)计算得到：
Figure BDA0002248963360000031
其中，x,y分别为左上角坐标，w和h分别为宽和高，对预测框结果进行补充以进行最终预测。利用预测回归框(u)和人工标记边界框(v)计算框误差损失,并将预测的叶绿素含量与人工标记的叶绿素含量信息进行比较，得到预测的叶绿素含量损失Lpig(p,t)＝-logPt，其中P为预测输出，t为人工标记叶绿素含量，最终利用最小化损失函数值Lfinal(p,u,t,v)＝Lboxes(u,v)+Lpig(p,t)反向传播来调整网络参数得到训练整个网络的目的；
在训练数据集训练数据上经过40000次微调迭代后，网络充分的拟合蓝莓的特征，即训练和测试的损失值和精度值趋于稳定为止，并且经过外部验证后精确度达到96％以上；
(6)测试叶绿素含量预测网络模型：为检测训练好的叶绿素预测模型精确度，首先将去均值的蓝莓图片测试数据集输入到蓝莓叶绿素预测含量网络BCPN，通过特征提取以及特征预测模块之后，得到蓝莓预测边界框以及叶绿素浓度预测值，将叶绿素含量预测网络模型输出的叶绿素含量与果实的成熟度进行映射，通过值与值之间的映射之后，能够通过最终的预测结果映射值，判断当前映射值所处的成熟度。
与现有技术相比，本发明的有益效果为：
本发明公开了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，先采摘不同成熟期的蓝莓样本，同时采集每时期采摘前蓝莓果实的彩色图像信息，对每时期的蓝莓进行叶绿素测定，构建蓝莓叶绿素预测含量网络BCPN并输入蓝莓图像，随后进行框标记和打标签得到叶绿素含量预测数据集，训练叶绿素含量模型并对输出的叶绿素含量与果实的成熟度进行映射，通过值与值之间的映射之后，通过最终的预测结果映射值判断当前映射值所处的成熟度。本发明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，能够对蓝莓果实的成熟度进行快速无损检测，采集了七种不同成熟期的蓝莓果实，并测定了蓝莓果皮的叶绿素含量，建立蓝莓叶绿素预测含量网络，通过训练好的叶绿素含量模型对输出的叶绿素含量与果实的成熟度进行映射，判断当前映射值所处的成熟度，对蓝莓皮叶绿素的预测准确率可达96％以上，对不同品种的蓝莓果实成熟度的无损检测具有很好的通用性，分类精度高，提高蓝莓果实成熟度检测的准确性和效率。
附图说明
图1是本发明的蓝莓叶绿素预测网络BCPN的结构图；
图2是本发明的蓝莓在不同成熟时期的预测折线图。
具体实施方式
下面结合附图对技术方案的实施作进一步详细描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
名词解释：
BCPD：叶绿素含量预测数据集；
BCPN：蓝莓叶绿素预测含量网络；
Mobilenet：Mobile网络；
RPN：区域推荐网络；
ROIAlign Layer：感兴趣区域对齐层。
如图1-2所示，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，包括以下步骤：
(1)采摘从蓝莓果实着色期至完全成熟期的蓝莓样本，取样N次，同时采集每时期采摘前蓝莓果实的彩色图像信息，备用；
(2)测定步骤(1)中采摘的每时期的蓝莓果皮中的叶绿素含量并记录；
(3)图像预处理：调整步骤(1)拍摄的图片的分辨率，作为训练样本，输入蓝莓叶绿素预测含量网络BCPN中，在图像的训练和测试过程中，采用去平均方法对输入蓝莓叶绿素预测含量网络BCPN的图像数据进行处理；
(4)构建叶绿素含量预测数据集BCPD：利用Label-Image脚本对步骤(3) 中处理好的图片进行框标记，然后用测量的每个时期的叶绿素值分别对相应时期的图片进行打标签，构建叶绿素含量预测数据集，并且将叶绿素含量预测数据集分成训练数据集和测试数据集两部分；
(5)训练叶绿素含量预测网络模型：为检测训练好的叶绿素预测模型精确度，首先将去均值的蓝莓图片测试数据集输入到蓝莓叶绿素预测含量网络BCPN，通过特征提取以及特征预测模块之后，得到蓝莓预测边界框以及叶绿素含量预测值，将叶绿素含量模型输出的叶绿素含量与果实的成熟度进行映射，通过值与值之间的映射之后，能通过最终的预测结果映射值判断当前映射值所处的成熟度；
(6)测试叶绿素含量预测网络模型：为检测训练好的叶绿素含量预测模型的精确度，首先将去均值的蓝莓图片测试数据集输入到蓝莓叶绿素预测含量网络B CPN，通过特征提取以及特征预测模块之后，得到蓝莓预测边界框以及叶绿素浓度预测值，将叶绿素含量预测网络模型输出的叶绿素含量与果实的成熟度进行映射，通过值与值之间的映射之后，能够通过最终的预测结果映射值，判断当前映射值所处的成熟度。
步骤(1)中，挑选大小、成熟度相对一致、无病虫害、无机械伤的蓝莓果实，从蓝莓果实盛花期10d后开始采样，每隔10d取样1次，同时采集每时期采摘前蓝莓果实的彩色图像信息，备用。
将步骤(1)拍摄的图片的分辨率调整为1000*500的最终分辨率，输入蓝莓叶绿素预测网络BCPN中。
步骤(5)中，将边界框GT作为标记信息输入到蓝莓叶绿素预测含量网络B CPN中，通过Mobilenet进行训练和特征提取，由区域推荐网络层生成相应的边界框，随后将边界框的相关信息映射到原始图像的特征图上，通过RoiAlign层将其转化为高维特征向量，通过非最大值抑制减少最终框数，并通过框回归对预测结果进行补充以进行最终预测。利用预测回归框和人工标记边界框计算框误差损失, 并将预测的叶绿素含量与人工标记的叶绿素含量信息进行比较，得到预测的叶绿素含量损失，并利用损失反向传播来调整网络参数。通过将训练好的叶绿素含量模型对输出的叶绿素含量与果实的成熟度进行映射，通过值与值之间的映射之后，能够通过最终的预测结果映射值，判断当前映射值所处的成熟度。在训练数据集训练数据上经过40000次微调迭代后，网络不断拟合蓝莓的特征，至训练数据集训练数据和测试数据集测试数据的损失值和精度值趋于稳定为止。
实施例1
如图1-2所示，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，以一个蓝莓品种“梯夫蓝”为实施例1，其他品种的蓝莓果实成熟度的无损检测可参照该实施例1的方法进行，首先根据所测蓝莓品种建立一个适用于该品种的蓝莓成熟度的无损检测模型，根据该模型即可进行该品种成熟度的无损检测，具体包括以下步骤：
(1)挑选大小、成熟度相对一致、无病虫害、无机械伤的蓝莓果实。在梯夫蓝蓝莓的盛花期10d后开始采样，每隔10d取样1次，共取样7次，同时采集采摘前蓝莓果实的彩色图像信息，备用。
(2)蓝莓果皮中叶绿素的测定采用分光光度法，每时期重复3次，求出的平均值作为对应时期的蓝莓果皮的叶绿素含量值。
(3)将步骤(1)拍摄的700张图片的分辨率调整为1000*500的最终分辨率，作为训练样本，输入蓝莓叶绿素预测网络BCPN，在图像的训练和测试过程中，采用去平均方法对输入蓝莓叶绿素预测网络BCPN中的图像数据进行处理；
(4)利用Label-Image脚本对步骤(3)处理好的图片进行框标记，然后用测量的每个时期的叶绿素的平均值分别对相应时期的图片进行打标签。每个时期有 700个框，因取样7次，总计4900个框，构建叶绿素含量预测数据集BCPD，并且将叶绿素含量预测数据集分成训练数据集训练数据和测试训练集测试数据两部分；
(5)将边界框GT作为标记信息输入到蓝莓叶绿素预测含量网络BCPN中，通过Mobilenet进行训练和特征提取，由RPN层生成相应的边界框，然后此基础上，将边界框的相关信息映射到原始图像的特征图上，通过RoiAlign层将其转化为高维特征向量，通过非最大值抑制减少最终框数，并通过框回归对预测结果进行补充以进行最终预测。利用预测回归框和人工标记边界框计算框误差损失，并将预测的叶绿素含量与人工标记的叶绿素含量信息进行比较，得到预测的叶绿素含量损失，并利用损失反向传播来调整网络参数。通过将训练好的叶绿素含量模型，可以对输出的叶绿素含量与果实的成熟度进行映射，通过值与值之间的映射之后，能够通过最终的预测结果映射值，判断当前映射值所处的成熟度。在训练数据集上经过40000次微调迭代后，蓝莓叶绿素预测网络BCPN充分拟合蓝莓的特征，即训练和测试的损失值和精度值趋于稳定为止；
(6)最后要进行外部验证：首先，采集15张蓝莓彩色图像作为测试集放入蓝莓叶绿素预测网络BCPN中进行成熟度的预测，然后从中筛选出100个蓝莓果实进行叶绿素含量的检测，并按测量出的数据进行成熟度分类，对每个果实的序号进行标记。最后用蓝莓叶绿素预测含量网络BCPN的预测值与实际值做折线精度图，网络预测精度达96.8％。
上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围。

Claims (5)

1.一种基于深度卷积神经网络的蓝莓成熟度的无损检测方法，其特征在于，包括以下步骤：
(1)采摘从蓝莓果实着色期至完全成熟期的蓝莓样本，取样N次，同时采集每时期采摘前蓝莓果实的彩色图像信息，备用；
(2)测定步骤(1)中采摘的每时期的蓝莓果皮中的叶绿素含量并记录；
(3)图像预处理：调整步骤(1)拍摄的图片的分辨率，作为训练样本，输入蓝莓叶绿素预测含量网络中，在图像的训练和测试过程中，采用去平均方法对输入蓝莓叶绿素预测网络的图像数据进行处理；
(4)构建叶绿素含量预测数据集：利用Label-Image脚本对步骤(3)中处理好的图片进行框标记，然后用测量的每个时期的叶绿素值分别对相应时期的图片进行打标签，构建叶绿素含量预测数据集，并且将叶绿素含量预测数据集分成训练数据集和测试数据集两部分；
(5)训练、测试叶绿素含量预测模型：将边界框作为标记信息输入到蓝莓叶绿素预测含量网络中，进行蓝莓特征提取，在生成的特征基础上生成相应的蓝莓边界框，随后将边界框的相关信息映射到原始图像的特征图上，将映射后的蓝莓特征转化为高维特征向量，生成的高维向量可以作为预测叶绿素含量的特征信息，将训练好的叶绿素含量预测模型对输出的叶绿素含量与果实的成熟度进行映射，通过值与值之间的映射之后，能够通过最终的预测结果映射值，判断当前映射值所处的成熟度。
2.根据权利要求1所述的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，其特征在于，步骤(1)中，挑选大小、成熟度相对一致、无病虫害、无机械伤的蓝莓果实，从蓝莓果实盛花期10d后开始采样，每隔10d取样1次，同时采集每时期采摘前蓝莓果实的彩色图像信息，备用。
3.根据权利要求1所述的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，其特征在于，采用分光光度法测定蓝莓果皮中的叶绿素，每时期重复3次，求取平均值作为对应时期的叶绿素含量值。
4.根据权利要求1所述的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，其特征在于，将步骤(1)拍摄的图片的分辨率调整为1000*500的最终分辨率，输入蓝莓叶绿素预测含量网络中。
5.根据权利要求1所述的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，其特征在于，步骤(5)中，将人工标记边界框及叶绿素含量作为蓝莓图像标记信息输入到蓝莓叶绿素预测含量网络中，Mobile网络进行训练和特征提取，由RPN层生成相应的边界框，随后将边界框的相关信息映射到原始图像的特征图上，通过RoiAlign层将其转化为高维特征向量，通过非最大值抑制减少最终框数，并通过框回归对预测结果进行补充以进行最终预测，利用预测回归框和人工标记边界框计算框误差损失，并将预测的叶绿素含量与人工标记的叶绿素含量信息进行比较，得到预测的叶绿素含量损失，并利用损失反向传播来调整网络参数，通过将训练好的叶绿素含量预测模型对输出的叶绿素含量与果实的成熟度进行映射，判断当前映射值所处的成熟度，在训练数据集上经过40000次微调迭代后，网络不断拟合蓝莓的特征，至训练数据集和测试数据集的损失值和精度值趋于稳定为止。
CN201911026968.0A 2019-10-26 2019-10-26 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 Pending CN110736709A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911026968.0A CN110736709A (zh) 2019-10-26 2019-10-26 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911026968.0A CN110736709A (zh) 2019-10-26 2019-10-26 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

Publications (1)

Publication Number Publication Date
CN110736709A true CN110736709A (zh) 2020-01-31

Family

ID=69271550

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911026968.0A Pending CN110736709A (zh) 2019-10-26 2019-10-26 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

Country Status (1)

Country Link
CN (1) CN110736709A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111476153A (zh) * 2020-04-07 2020-07-31 中科汇智(重庆)信息技术合伙企业(有限合伙) 一种水果成熟度计算方法
CN111489329A (zh) * 2020-03-13 2020-08-04 江山博达电子商务有限公司 一种基于互联网果园西红柿成熟度图像分析方法和分析系统
CN111783693A (zh) * 2020-07-06 2020-10-16 深圳市多彩汇通实业有限公司 果蔬采摘机器人的智能识别方法
CN113781492A (zh) * 2020-06-10 2021-12-10 阿里巴巴集团控股有限公司 目标元素含量测量方法、训练方法、相关装置及存储介质
CN113963239A (zh) * 2021-12-23 2022-01-21 北京林业大学 一种智能化检测油茶果实成熟度的方法
CN115114395A (zh) * 2022-04-15 2022-09-27 腾讯科技（深圳）有限公司 内容检索及模型训练方法、装置、电子设备和存储介质
CN115205716A (zh) * 2022-08-11 2022-10-18 北京林业大学 油橄榄果实含油率预估方法、装置及系统和存储介质
CN118329833A (zh) * 2024-06-13 2024-07-12 华东交通大学 水果品质连续化检测方法
CN113781492B (zh) * 2020-06-10 2024-10-22 阿里巴巴集团控股有限公司 目标元素含量测量方法、训练方法、相关装置及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104597217A (zh) * 2014-12-05 2015-05-06 塔里木大学 一种基于成熟规律的水果成熟度评价方法
CN109409365A (zh) * 2018-10-25 2019-03-01 江苏德劭信息科技有限公司 一种基于深度目标检测的待采摘水果识别和定位方法
CN109800778A (zh) * 2018-12-03 2019-05-24 浙江工业大学 一种基于难分样本挖掘的Faster RCNN目标检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104597217A (zh) * 2014-12-05 2015-05-06 塔里木大学 一种基于成熟规律的水果成熟度评价方法
CN109409365A (zh) * 2018-10-25 2019-03-01 江苏德劭信息科技有限公司 一种基于深度目标检测的待采摘水果识别和定位方法
CN109800778A (zh) * 2018-12-03 2019-05-24 浙江工业大学 一种基于难分样本挖掘的Faster RCNN目标检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SEBASTIAN GONZALEZ ET.AL: "Deepblueberry: Quantification of Blueberries in the Wild Using Instance Segmentation", 《IEEE ACCESS》 *
陈慧岩等: "《智能车辆理论与应用》", 31 July 2018, 北京理工大学出版社 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111489329B (zh) * 2020-03-13 2024-03-22 江山博达电子商务有限公司 一种基于互联网果园西红柿成熟度图像分析方法和系统
CN111489329A (zh) * 2020-03-13 2020-08-04 江山博达电子商务有限公司 一种基于互联网果园西红柿成熟度图像分析方法和分析系统
CN111476153A (zh) * 2020-04-07 2020-07-31 中科汇智(重庆)信息技术合伙企业(有限合伙) 一种水果成熟度计算方法
CN113781492A (zh) * 2020-06-10 2021-12-10 阿里巴巴集团控股有限公司 目标元素含量测量方法、训练方法、相关装置及存储介质
CN113781492B (zh) * 2020-06-10 2024-10-22 阿里巴巴集团控股有限公司 目标元素含量测量方法、训练方法、相关装置及存储介质
CN111783693A (zh) * 2020-07-06 2020-10-16 深圳市多彩汇通实业有限公司 果蔬采摘机器人的智能识别方法
CN113963239A (zh) * 2021-12-23 2022-01-21 北京林业大学 一种智能化检测油茶果实成熟度的方法
CN113963239B (zh) * 2021-12-23 2022-03-29 北京林业大学 一种智能化检测油茶果实成熟度的方法
CN115114395A (zh) * 2022-04-15 2022-09-27 腾讯科技（深圳）有限公司 内容检索及模型训练方法、装置、电子设备和存储介质
CN115114395B (zh) * 2022-04-15 2024-03-19 腾讯科技（深圳）有限公司 内容检索及模型训练方法、装置、电子设备和存储介质
CN115205716B (zh) * 2022-08-11 2023-04-07 北京林业大学 油橄榄果实含油率预估方法、装置及系统和存储介质
CN115205716A (zh) * 2022-08-11 2022-10-18 北京林业大学 油橄榄果实含油率预估方法、装置及系统和存储介质
CN118329833A (zh) * 2024-06-13 2024-07-12 华东交通大学 水果品质连续化检测方法

Similar Documents

Publication Publication Date Title
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
CN110276386A (zh) 一种基于机器视觉的苹果分级方法及系统
CN110781889B (zh) 一种基于深度学习的蓝莓果实中总糖含量的无损检测方法
CN110705655A (zh) 一种基于光谱和机器视觉耦合的烟叶分类方法
WO2023084543A1 (en) System and method for leveraging neural network based hybrid feature extraction model for grain quality analysis
CN114419311B (zh) 一种基于多源信息的百香果成熟度无损检测方法及装置
CN111199192A (zh) 一种采用平行线取样的田间红提葡萄整体成熟度检测方法
CN115908257A (zh) 缺陷识别模型训练方法及果蔬缺陷识别方法
CN112184627A (zh) 基于图像处理与神经网络的柑橘保鲜品质检测方法及应用
CN117152735A (zh) 一种基于改进yolov5s的番茄成熟度分级方法
CN114359235A (zh) 一种基于改进YOLOv5l网络的木材表面缺陷检测方法
Barré et al. Automated phenotyping of epicuticular waxes of grapevine berries using light separation and convolutional neural networks
Deulkar et al. An automated tomato quality grading using clustering based support vector machine
CN113763384B (zh) 工业质检中的缺陷检测方法、缺陷检测装置
CN115587988A (zh) 基于数字图像处理的分辨烟叶成熟度高低的方法
Bautista et al. Automated sorter and grading of tomatoes using image analysis and deep learning techniques
CN115545383A (zh) 一种草莓脆外观品质的双目立体视觉检测方法
CN112858311A (zh) 一种基于机器视觉技术的稻米表型监测系统及方法
CN117392104A (zh) 一种基于深度学习的计算机视觉水稻质量测定方法
Menon et al. Digital grading and sorting of fruits
E. Angelia et al. Dried Robusta Coffee Bean Quality Classification Using Convolutional Neural Network Algorithm
Shelke et al. Detection of Artificially Ripened Fruits using Machine Learning
Putra et al. Feature Extraction for Quality Modeling of Malang Oranges on an Automatic Fruit Sorting System
CN114119490A (zh) 苹果表面缺陷在线检测方法及装置
CN112115824A (zh) 果蔬检测方法、装置、电子设备以及计算机可读介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200131