CN111067131B - 一种烟叶等级自动识别分拣方法 - Google Patents
一种烟叶等级自动识别分拣方法 Download PDFInfo
- Publication number
- CN111067131B CN111067131B CN201911351413.3A CN201911351413A CN111067131B CN 111067131 B CN111067131 B CN 111067131B CN 201911351413 A CN201911351413 A CN 201911351413A CN 111067131 B CN111067131 B CN 111067131B
- Authority
- CN
- China
- Prior art keywords
- tobacco
- grade
- tobacco leaves
- automatic
- leaves
- 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
-
- A—HUMAN NECESSITIES
- A24—TOBACCO; CIGARS; CIGARETTES; SIMULATED SMOKING DEVICES; SMOKERS' REQUISITES
- A24B—MANUFACTURE OR PREPARATION OF TOBACCO FOR SMOKING OR CHEWING; TOBACCO; SNUFF
- A24B3/00—Preparing tobacco in the factory
- A24B3/16—Classifying or aligning leaves
-
- A—HUMAN NECESSITIES
- A24—TOBACCO; CIGARS; CIGARETTES; SIMULATED SMOKING DEVICES; SMOKERS' REQUISITES
- A24B—MANUFACTURE OR PREPARATION OF TOBACCO FOR SMOKING OR CHEWING; TOBACCO; SNUFF
- A24B1/00—Preparation of tobacco on the plantation
- A24B1/04—Sifting, sorting, cleaning or removing impurities from tobacco
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Sorting Of Articles (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Manufacture Of Tobacco Products (AREA)
Abstract
本发明公开一种烟叶等级自动识别分拣方法,待处理烟叶进烟包抖散、精片分离、光谱图像采集、光谱图像预处理、光谱图像特征提取、综合判定实现烟叶等级自动识别;通过等级识别数据传输与自动化物流系统相结合,实现不同类别、等级烟叶自动分拣分类;通过人工判别与自动识别对比结合,优化等级识别模型,提高自动识别准确率。本发明实现了烟叶等级在烟叶挑选环节的自动识别和分拣,用智能设备代替人工,极大地降低劳动成本,彻底解决人工分拣标准不一致问题,提高烟叶分拣质量。
Description
技术领域
本发明涉及烟草行业原烟挑选工艺技术领域,尤其涉及一种烟叶等级自动识别分拣方法。
背景技术
随着中式卷烟品牌升级创新进入新的发展阶段,卷烟品牌发展和产品创新对打叶复烤提出了新的更高、更难的要求,工业企业对原烟挑选越来越重视,为了满足客户要求,打叶复烤企业投入越来越多的人力物力保障清选质量,而目前原烟挑选采用的人工或人机结合挑选方式,属于劳动密集型工作,用工量大,用工成本高,生产效率较低,并且人工挑选由于每个人眼光具有差异性,挑选质量一致性难以保障。随着生活水平的不断提高,加之烟叶挑选工作环境和薪酬限制,企业招工越来越困难,特别是随着具有丰富经验的年龄较大临时员工的逐步退出,这个问题将越来越严重,烟叶挑选质量也越来越难以保障。
发明内容
本发明的目的在于提供一种烟叶等级自动识别分拣方法,以大幅减少用工量,降低人工成本,解决烟叶挑选质量一致性难以保障问题,提高烟叶挑选自动化水平,显著改善现有烟叶挑选工艺现状,满足市场需求。
本发明采用的技术方案是:
一种烟叶等级自动识别分拣方法,其包括以下步骤:
步骤1、将原烟包进行人工解包,上料至皮带输送机,利用震动装置将烟叶进行抖散处理;
步骤2,将抖散的烟叶分别夹持,进行精片分离;
步骤3,精片分离后的烟叶输送至烟叶识别系统,同时采集烟叶的近红外光谱和图像信息,采集清晰的烟叶图像和近红外光谱信息;
步骤4,对采集后的近红外光谱和图像进行预处理,剔除干扰信息;
步骤5,提取预处理后的近红外光谱和图像关键特征;
步骤6,利用近红外光谱和图像视觉等级智能识别模型对烟叶等级进行综合判定,等级识别模型为由烟叶整片图像青、霉、杂、烂等副组识别模型、烟叶图像数字化特征部位识别模型、图像信息和近红外光谱信息利用大量数据训练成熟的深度学习等级识别模型形成的综合模型;
步骤7,等级综合判定为含有杂物的烟叶自动进入杂物分拣框内,由人工剔除杂物并定级;
步骤8,等级综合判定为正常识别等级的烟叶分别进入不同等级框内,按一定比例进行抽检,不符合人工判别的烟叶重新定级,并加入等级识别模型内;
步骤9,等级综合判定为难以判别等级的烟叶自动进入人工判别框内,由人工进行等级判别,并加入等级识别模型内。
进一步地,在步骤1中,人工解包后需对烟叶水分、烟叶黏连程度进行测定,保证烟叶水分为15%-17%;当水分过小或过大,则对应进行增湿或除湿操作;当烟叶黏连较为严重,如出现板结情况,则对应进行微波加热,降低烟叶黏连力度。利用振槽对拆解后的烟叶进行抖散操作,抖散后的烟叶进入皮带输送机运送至精片分离工序。
进一步地,在步骤2中,抓住抖散烟叶的叶基部,将整把烟叶叶柄卡入夹持装置内,并通过小齿轮将烟叶进行单片分离,保持每个二级卡位一片烟叶。
进一步地,在步骤3中,烟叶分级系统为一个相对密闭空间,烟叶入、出口处采用轻质档帘,保持内部光线不受外部光线变化影响,在密闭空间内部亦用轻质档帘划分为两个空间,空间一采用恒定标准光源,利用工业相机采集烟叶图像信息,空间二不设置光源,利用在线近红外光谱仪自有光源采集烟叶近红外光谱信息。
进一步地,在步骤4中,在对烟叶近红外光谱预处理时采用平滑处理等,在对烟叶图像预处理时采用灰度分析和透射分析等,剔除异常干扰信息。
进一步地,在步骤5中,提取近红外光谱反射特征,对不同波段光谱信息进行提取和分析,提取烟叶图像中的色度、色彩分布、几何特征、脉象信息等数据。
进一步地,在步骤6中,利用烟叶整片图像青、霉、杂、烂等副组识别模型剔除青、霉、杂、烂等副组等烟叶,再利用烟叶图像数字化特征部位识别模型确定烟叶的准确部位,再利用近红外光谱等级识别模型模糊判别烟叶等级,确定烟叶等级大致范围,最后利用图像视觉等级识别模型对烟叶等级进行二次精确判别,综合判定烟叶等级。
进一步地,在步骤7中,等级综合判定为含有杂物,特别是烟叶上附有虫茧的,进行单独分流,杂物判定主要依据图像视觉进行,由人工剔除相应杂物,人工定级后进入分拣线。
进一步地,在步骤8中,不同等级烟叶通过自动化输送系统进入相应等级框内,每个等级框具有不同颜色,并且烟叶摆放方向一致。每批次分拣烟叶按照一定比例进行人工抽检,由分级专家进行等级二次判定,如专家判定等级与自动识别等级不符,则以专家眼光为准,重新定级后的烟叶送入分拣线进行机器学习,更新等级识别模型。
进一步地,在步骤9中,等级综合判别中近红外光谱模型难以模糊判别烟叶等级或者图像视觉确定等级可信度较低的烟叶自动进入人工判别框内,有分级专家对烟叶等级进行判定,以专家眼光为准,重新定级后的烟叶送入分拣线进行机器学习,更新等级识别模型。
本发明采用以上技术方案,采用本发明的分拣识别定级方法,一方面利用机器对易识别的烟叶进行快速识别定级,同时通过抽检保证机器识别的可靠型;另一方面,采用人工识别收到对经机器识别后无法识别的烟叶进行人工定级,即减小了人工的工作量又保证了烟叶整体定级率及可靠性。本发明并不单单依赖机器识别也不纯粹依赖人工识别,而是将两者有机的结合,大大提高识别准确率以及整体的效率,解决了人工成本。与现有技术相比,具有以下有益效果:用智能化分级和自动化分拣系统替代人工,提高劳动生产率,实现烟叶等级判别标准一致,达到降本增效效果,本发明显著优点为机器智能化、分拣自动化、结构紧凑,少量人工干扰,挑选效率高,极大降低用工量和人工成本,极大改善现有烟叶挑选工艺现状。
附图说明
以下结合附图和具体实施方式对本发明做进一步详细说明;
图1为本发明一种烟叶等级自动识别分拣方法的结构示意图。
具体实施方式
为了客服现有技术的缺陷,本发明主要涉及烟草行业中一种烟叶等级自动识别分拣方法及工艺,具体是一种高通量、能够智能学习、自动识别、自动化分拣分类的在线检测和挑选原烟的方法,通过烟叶光谱、机器视觉识别烟叶等级,并通过自动化模块设计,使识别烟叶自动分拣装框,从而降低人工成本和工人劳动强度,提高选叶质量。如图1所示,本发明公开了一种烟叶等级自动识别分拣方法,其包括以下步骤:
步骤1、将原烟包进行人工解包,上料至皮带输送机,利用震动装置将烟叶进行抖散处理;
步骤2,将抖散的烟叶分别夹持,进行精片分离;
步骤3,精片分离后的烟叶输送至烟叶识别系统,同时采集烟叶的近红外光谱和图像信息;
步骤4,对采集后的近红外光谱和图像进行预处理,剔除干扰信息;
步骤5,提取预处理后的近红外光谱和图像关键特征;
步骤6,利用近红外光谱和图像视觉等级智能识别模型对烟叶等级进行综合判定;等级识别模型为由烟叶整片图像青、霉、杂、烂等副组识别模型、烟叶图像数字化特征部位识别模型、图像信息和近红外光谱信息利用大量数据训练成熟的深度学习等级识别模型形成的综合模型;
作为一种实施方式可参考采用专利号: 201110004173.7的“利用光谱和图像特征进行烟叶分级的方法”的模型进行等级识别;
步骤7,等级综合判定为含有杂物的烟叶自动进入杂物分拣框内,由人工剔除杂物并定级;
步骤8,等级综合判定为正常识别等级的烟叶分别进入不同等级框内,按一定比例进行抽检,不符合人工判别的烟叶重新定级,并加入等级识别模型内;现有技术中过分依赖人工智能进行定级分类,由于烟叶个体性差异会导致烟叶识别的等级存在误差,故而本发明进行抽检以保证烟叶等级定级的整体可靠,同时可根据抽检情况逐步更新识别模型;
步骤9,等级综合判定为难以判别等级的烟叶自动进入人工判别框内,由人工进行等级判别,并加入等级识别模型内。此外,本发明进一步针对机器识别无法的烟叶设置了人工识别框,实新人机的良型互动结合,主体采用机器识别,筛选出无法机器识别的烟叶,由人工进一步定级,并在此更新模型。
进一步地,在步骤1中,人工解包后需对烟叶水分、烟叶黏连程度进行测定,保证烟叶水分为15%-17%;当水分过小或过大,则对应进行增湿或除湿操作;当烟叶黏连较为严重,如出现板结情况,则对应进行微波加热,降低烟叶黏连力度。利用振槽对拆解后的烟叶进行抖散操作,抖散后的烟叶进入皮带输送机运送至精片分离工序。
进一步地,在步骤2中,抓住抖散烟叶的叶基部,将整把烟叶叶柄卡入夹持装置内,并通过小齿轮将烟叶进行单片分离,保持每个二级卡位一片烟叶。
进一步地,在步骤3中,烟叶分级系统为一个相对密闭空间,烟叶入、出口处采用轻质档帘,保持内部光线不受外部光线变化影响,在密闭空间内部亦用轻质档帘划分为两个空间,空间一采用恒定标准光源,利用工业相机采集烟叶图像信息,空间二不设置光源,利用在线近红外光谱仪自有光源采集烟叶近红外光谱信息。
进一步地,在步骤4中,在对烟叶近红外光谱预处理时采用平滑处理等,在对烟叶图像预处理时采用灰度分析和透射分析等,剔除异常干扰信息。
进一步地,在步骤5中,提取近红外光谱反射特征,对不同波段光谱信息进行提取和分析,提取烟叶图像中的色度、色彩分布、几何特征、脉象信息等数据。
进一步地,在步骤6中,利用烟叶整片图像青、霉、杂、烂等副组识别模型剔除青、霉、杂、烂等副组等烟叶,再利用烟叶图像数字化特征部位识别模型确定烟叶的准确部位,再利用近红外光谱等级识别模型模糊判别烟叶等级,确定烟叶等级大致范围,最后利用图像视觉等级识别模型对烟叶等级进行二次精确判别,综合判定烟叶等级。
进一步地,在步骤7中,等级综合判定为含有杂物,特别是烟叶上附有虫茧的,进行单独分流,杂物判定主要依据图像视觉进行,由人工剔除相应杂物,人工定级后进入分拣线。
进一步地,在步骤8中,不同等级烟叶通过自动化输送系统进入相应等级框内,每个等级框具有不同颜色,并且烟叶摆放方向一致。每批次分拣烟叶按照一定比例进行人工抽检,由分级专家进行等级二次判定,如专家判定等级与自动识别等级不符,则以专家眼光为准,重新定级后的烟叶送入分拣线进行机器学习,更新等级识别模型。
进一步地,在步骤9中,等级综合判别中近红外光谱模型难以模糊判别烟叶等级或者图像视觉确定等级可信度较低的烟叶自动进入人工判别框内,有分级专家对烟叶等级进行判定,以专家眼光为准,重新定级后的烟叶送入分拣线进行机器学习,更新等级识别模型。
本发明采用以上技术方案,采用本发明的分拣识别定级方法,一方面利用机器对易识别的烟叶进行快速识别定级,同时通过抽检保证机器识别的可靠型;另一方面,采用人工识别收到对经机器识别后无法识别的烟叶进行人工定级,即减小了人工的工作量又保证了烟叶整体定级率及可靠性。本发明并不单单依赖机器识别也不纯粹依赖人工识别,而是将两者有机的结合,大大提高识别准确率以及整体的效率,解决了人工成本。与现有技术相比,具有以下有益效果:用智能化分级和自动化分拣系统替代人工,提高劳动生产率,实现烟叶等级判别标准一致,达到降本增效效果,本发明显著优点为机器智能化、分拣自动化、结构紧凑,少量人工干扰,挑选效率高,极大降低用工量和人工成本,极大改善现有烟叶挑选工艺现状。
Claims (9)
1.一种烟叶等级自动识别分拣方法,其特征在于:其包括以下步骤:
步骤1,将原烟包进行人工解包,上料至皮带输送机,利用震动装置将烟叶进行抖散处理;
步骤2,将抖散的烟叶分别夹持,进行精片分离;
步骤3,精片分离后的烟叶输送至烟叶识别系统分别采集烟叶的近红外光谱和图像信息;具体地,烟叶识别系统为一个相对密闭空间,烟叶入、出口处采用轻质档帘,保持内部光线不受外部光线变化影响,在密闭空间内部亦用轻质档帘划分为两个空间,空间一采用恒定标准光源,利用工业相机采集烟叶图像信息,空间二不设置光源,利用在线近红外光谱仪自有光源采集烟叶近红外光谱信息;
步骤4,对采集后的近红外光谱和图像进行预处理,剔除干扰信息;
步骤5,提取预处理后的近红外光谱和图像关键特征;
步骤6,利用近红外光谱等级识别模型和图像视觉等级智能识别模型对烟叶等级进行综合判定,图像信息和近红外光谱信息利用大量数据训练成熟的深度学习等级识别模型形成的综合模型;等级识别模型包括烟叶整片图像青、霉、杂、烂副组识别模型和烟叶图像数字化特征部位识别模型;
步骤7,等级综合判定为含有杂物的烟叶自动进入杂物分拣框内,由人工剔除杂物并定级;
步骤8,等级综合判定为正常识别等级的烟叶分别进入不同等级框内,按一定比例进行抽检,不符合人工判别的烟叶重新定级,并加入等级识别模型内;
步骤9,等级综合判定为难以判别等级的烟叶自动进入人工判别框内,由人工进行等级判别,并加入等级识别模型内。
2.根据权利要求1所述的一种烟叶等级自动识别分拣方法,其特征在于:在步骤1中,人工解包后需对烟叶水分、烟叶黏连程度进行测定,保证烟叶水分为15%-17%;当水分过小或过大,则对应进行增湿或除湿操作;当烟叶黏连较为严重,则对应进行微波加热,降低烟叶黏连力度,利用振槽对拆解后的烟叶进行抖散操作,抖散后的烟叶进入皮带输送机运送至精片分离工序。
3.根据权利要求1所述的一种烟叶等级自动识别分拣方法,其特征在于:在步骤2中,抓住抖散烟叶的叶基部,将整把烟叶叶柄卡入夹持装置内,并通过小齿轮将烟叶进行单片分离,保持每个二级卡位一片烟叶。
4.根据权利要求1所述的一种烟叶等级自动识别分拣方法,其特征在于:在步骤4中,在对烟叶近红外光谱预处理时采用平滑处理,在对烟叶图像预处理时采用灰度分析和透射分析,剔除异常干扰信息。
5.根据权利要求1所述的一种烟叶等级自动识别分拣方法,其特征在于:在步骤5中,提取近红外光谱反射特征,对不同波段光谱信息进行提取和分析,提取烟叶图像中的色度、色彩分布、几何特征、脉象信息数据。
6.根据权利要求1所述的一种烟叶等级自动识别分拣方法,其特征在于:在步骤6中,利用烟叶整片图像青、霉、杂、烂副组识别模型剔除青、霉、杂、烂副组烟叶,再利用烟叶图像数字化特征部位识别模型确定烟叶的准确部位,再利用近红外光谱等级识别模型模糊判别烟叶等级,确定烟叶等级大致范围,最后利用图像视觉等级识别模型对烟叶等级进行二次精确判别,综合判定烟叶等级。
7.根据权利要求1所述的一种烟叶等级自动识别分拣方法,其特征在于:在步骤7中,等级综合判定为含有杂物,特别是烟叶上附有虫茧的,进行单独分流;杂物判定主要依据图像视觉进行,由人工剔除相应杂物,人工定级后进入分拣线。
8.根据权利要求1所述的一种烟叶等级自动识别分拣方法,其特征在于:在步骤8中,不同等级烟叶通过自动化输送系统进入相应等级框内,每个等级框具有不同颜色,并且烟叶摆放方向一致;每批次分拣烟叶按照一定比例进行人工抽检,由分级专家进行等级二次判定,当专家判定等级与自动识别等级不符,则以专家眼光为准,重新定级后的烟叶送入分拣线进行机器学习,更新等级识别模型。
9.根据权利要求1所述的一种烟叶等级自动识别分拣方法,其特征在于:在步骤9中,等级综合判别中近红外光谱模型难以模糊判别烟叶等级或者图像视觉确定等级可信度较低的烟叶自动进入人工判别框内,由分级专家对烟叶等级进行判定,以专家眼光为准,重新定级后的烟叶送入分拣线进行机器学习,更新等级识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911351413.3A CN111067131B (zh) | 2019-12-25 | 2019-12-25 | 一种烟叶等级自动识别分拣方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911351413.3A CN111067131B (zh) | 2019-12-25 | 2019-12-25 | 一种烟叶等级自动识别分拣方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111067131A CN111067131A (zh) | 2020-04-28 |
CN111067131B true CN111067131B (zh) | 2022-03-11 |
Family
ID=70317401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911351413.3A Active CN111067131B (zh) | 2019-12-25 | 2019-12-25 | 一种烟叶等级自动识别分拣方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111067131B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111567846A (zh) * | 2020-05-29 | 2020-08-25 | 安徽中烟工业有限责任公司 | 一种三段式烟叶二次分选方法 |
CN112539785B (zh) * | 2020-12-11 | 2022-09-09 | 云南中烟工业有限责任公司 | 一种基于多维度特征信息的烟叶等级识别系统及方法 |
CN112540971B (zh) * | 2020-12-11 | 2023-06-09 | 云南中烟工业有限责任公司 | 一种基于烟叶特征的全信息在线采集系统及方法 |
CN112704259B (zh) * | 2020-12-11 | 2022-09-13 | 杭州安脉盛智能技术有限公司 | 一种密集烟叶识别的打叶质量评价方法及系统 |
CN113516617B (zh) * | 2021-04-02 | 2023-05-05 | 云南省烟草质量监督检测站 | 一种基于机器视觉和ai深度学习的烤烟等级识别建模方法 |
CN113210264B (zh) * | 2021-05-19 | 2023-09-05 | 江苏鑫源烟草薄片有限公司 | 烟草杂物剔除方法及装置 |
CN113569971B (zh) * | 2021-08-02 | 2022-03-25 | 浙江索思科技有限公司 | 一种基于图像识别的渔获目标分类检测方法及系统 |
CN114128915A (zh) * | 2021-11-30 | 2022-03-04 | 云南省烟草农业科学研究院 | 一种基于图像识别的雪茄烟鲜叶自动分级方法 |
CN117314923B (zh) * | 2023-11-30 | 2024-03-08 | 广州城建职业学院 | 一种基于机器视觉的荔枝智能分拣与配送优化方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1544353A1 (ru) * | 1988-04-14 | 1990-02-23 | Краснодарский политехнический институт | Способ составлени табачной смеси |
CN102590211B (zh) * | 2011-01-11 | 2014-10-22 | 郑州大学 | 利用光谱和图像特征进行烟叶分级的方法 |
CN103323455A (zh) * | 2013-04-24 | 2013-09-25 | 南京文采科技有限责任公司 | 基于反射、透视和显微图像的烟叶分级方法 |
CN103743486B (zh) * | 2014-01-02 | 2015-12-02 | 上海大学 | 一种基于海量烟叶数据的自动定级系统和方法 |
CN110101111A (zh) * | 2019-04-28 | 2019-08-09 | 南京焦耳科技有限责任公司 | 一种农作物单叶分级的工艺 |
CN110479636B (zh) * | 2019-07-19 | 2021-11-09 | 深圳市微蓝智能科技有限公司 | 基于神经网络自动分拣烟叶的方法及装置 |
CN110479635B (zh) * | 2019-07-19 | 2023-10-20 | 深圳市微蓝智能科技有限公司 | 基于神经网络自动分拣烟叶的方法及装置 |
-
2019
- 2019-12-25 CN CN201911351413.3A patent/CN111067131B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111067131A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111067131B (zh) | 一种烟叶等级自动识别分拣方法 | |
CN100506401C (zh) | 基于机器视觉的珍珠实时检测和分级系统 | |
CN106918594B (zh) | 一种在线分析籽棉色特征和杂质的方法 | |
CN106198448A (zh) | 一种自动高速无损分拣活体雌雄蚕蛹或者活体雌雄蚕茧的工艺 | |
CN107486415A (zh) | 基于机器视觉的篾片缺陷在线检测系统及检测方法 | |
CN107952696A (zh) | 一种适用于鲜烟叶的检测分级装置及检测方法 | |
CN102253052B (zh) | 基于fpga的粮食品质在线检测装置 | |
CN201041551Y (zh) | 一种基于机器视觉的珍珠实时检测和分级系统 | |
CN101627832A (zh) | 烟片在线自动识别分级系统 | |
CN101301109A (zh) | 原烟去把头在线片选分级工艺及装置 | |
CN113820325B (zh) | 一种玉米籽粒直收含杂率和破碎率在线检测系统及其方法 | |
CN110479635B (zh) | 基于神经网络自动分拣烟叶的方法及装置 | |
CN105806751A (zh) | 一种联合收割机粮箱中谷物破碎在线监测系统及方法 | |
CN108198176A (zh) | 一种基于图像分析烟草成熟度的判别方法 | |
CN114128915A (zh) | 一种基于图像识别的雪茄烟鲜叶自动分级方法 | |
CN110575965A (zh) | 一种基于近红外光谱鉴别的蚕蛹雌雄筛选机及其筛选方法 | |
CN114778561A (zh) | 一种基于机器视觉的烟丝质量追溯方法及系统 | |
CN207222383U (zh) | 木板分拣系统 | |
CN115494008A (zh) | 近红外光谱仪与机器视觉结合的烟叶质量检测方法及系统 | |
CN203658250U (zh) | 漫透射光谱与图像信息融合的蜜瓜内部品质在线检测装置 | |
CN110009609B (zh) | 一种快速检测黄粒米的方法 | |
CN203120696U (zh) | 一种血斑蛋在线无损检测分选设备 | |
CN114985283A (zh) | 一种多特征图像识别技术的茶叶识别方法 | |
CN114378002A (zh) | 一种基于机器视觉的猴头菇分级系统及分级方法 | |
CN108204977A (zh) | 基于机器视觉的玉米籽粒品质自动检测装置 |
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 |