CN111160450A - 一种基于神经网络的果蔬称重方法及储存介质、装置 - Google Patents
一种基于神经网络的果蔬称重方法及储存介质、装置 Download PDFInfo
- Publication number
- CN111160450A CN111160450A CN201911374027.6A CN201911374027A CN111160450A CN 111160450 A CN111160450 A CN 111160450A CN 201911374027 A CN201911374027 A CN 201911374027A CN 111160450 A CN111160450 A CN 111160450A
- Authority
- CN
- China
- Prior art keywords
- fruit
- vegetable
- fruits
- vegetables
- 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.)
- Pending
Links
- 235000012055 fruits and vegetables Nutrition 0.000 title claims abstract description 193
- 238000005303 weighing Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 29
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 241000132456 Haplocarpha Species 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 11
- 238000013461 design Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 244000000626 Daucus carota Species 0.000 description 1
- 235000002767 Daucus carota Nutrition 0.000 description 1
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 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
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- 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
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (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)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于神经网络的果蔬称重方法及储存介质、装置,包括以下步骤:S1、获取多张不同角度的果蔬照片;S2、基于神经网络模型至少对一张果蔬照片进行识别,得出果蔬的种类信息;S3、从多张不同角度的果蔬照片中获取果蔬的轮廓信息;S4、根据果蔬的轮廓信息计算果蔬体积,由与该果蔬的种类信息匹配的果蔬预设密度信息以及果蔬体积得出果蔬重量信息;本设计利用了神经网络模型来相对准确地匹配果蔬的种类,同时使用多张不同角度的果蔬照片,利用多个轮廓信息分析果蔬的立体模型,得出果蔬的体积,从而减少视觉称重的误差。
Description
技术领域
本发明涉及一种视觉称重领域,特别是一种基于神经网络的果蔬称重方法及储存介质。
背景技术
传统的果蔬称重方法,都是采用称重仪器进行称重;然而对果蔬运输分类的过程中,需要在传送机构上布置专门的称重机构,具有难度,并且成本大大增加,同时也会占用较多空间。
而后,由于在运输分类过程中,只需要得知果蔬的大致重量,即可进行分类,并且随着视觉识别技术的日益发展,视觉称重的概念应运而生,但是,现今还没有较为合理的对果蔬进行称重的处理方法,称重误差较大,还不能满足市场需求。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一,提供一种基于神经网络的果蔬称重方法及储存介质、装置,称重误差较小,结果相对准确。
本发明采用的技术方案是:
一种基于神经网络的果蔬称重方法,包括以下步骤:S1、获取多张不同角度的果蔬照片;S2、基于神经网络模型至少对一张果蔬照片进行识别,得出果蔬的种类信息;S3、从多张不同角度的果蔬照片中获取果蔬的轮廓信息;S4、根据果蔬的轮廓信息计算果蔬体积,由与该果蔬的种类信息匹配的果蔬预设密度信息以及果蔬体积得出果蔬重量信息。
在S1中,获取三张果蔬照片,分别是与x、y轴平行的第一图片、与y、z轴平行的第二图片以及与x、z轴平行的第三图片;在S3中,从第一图片、第二图片以及第三图片中分别提取第一轮廓信息、第二轮廓信息和第三轮廓信息,在S4中,利用第一轮廓信息、第二轮廓信息和第三轮廓信息计算果蔬体积。
在S4中,对轮廓信息进行像素个数计算得出轮廓内的像素个数,从轮廓信息得出图像像素长度,根据像素个数与图像像素长度得出果蔬实际长度。
在S4中,对多张不同角度的果蔬照片的轮廓信息处理得出果蔬的实际长预估值、实际宽预估值以及实际高预估值,根据实际长预估值、实际宽预估值以及实际高预估值计算果蔬体积。
每种果蔬均设置相对应的果蔬预设密度信息,在S2中,得出果蔬的种类信息后,匹配出相对应的果蔬预设密度信息。
在S1中,在获取果蔬照片后,对果蔬照片进行图质增强和/或滤波和/或去噪处理。
根据本发明实施例的一种基于神经网络的果蔬称重方法,至少具有如下有益效果:
本发明基于神经网络的果蔬称重方法,采集对待检测果蔬拍摄的多张不同角度的果蔬照片,基于神经网络模型对至少一张果蔬照片进行识别,判断为何种果蔬,对不同角度的果蔬照片中获取果蔬额定轮廓信息,从而可以从轮廓信息中大致计算出果蔬的体积,再由果蔬预设密度信息以及果蔬体积得出果蔬重量信息,利用了神经网络模型来相对准确地匹配果蔬的种类,同时使用多张不同角度的果蔬照片,利用多个轮廓信息分析果蔬的立体模型,得出果蔬的体积,从而减少视觉称重的误差。
本发明具体实施例还公开了一种储存介质,储存有上述任一实施例公开的一种基于神经网络的果蔬称重方法,并且能够被计算机读取运行。
根据本发明实施例的一种储存介质,至少具有如下有益效果:
本发明的储存介质,计算机能够读取运行基于神经网络的果蔬称重方法,对拍摄的多张不同角度的果蔬照片,基于神经网络模型对至少一张果蔬照片进行识别,判断为何种果蔬,对不同角度的果蔬照片中获取果蔬额定轮廓信息,从而可以从轮廓信息中大致计算出果蔬的体积,再由果蔬预设密度信息以及果蔬体积得出果蔬重量信息,利用了神经网络模型来相对准确地匹配果蔬的种类,同时使用多张不同角度的果蔬照片,利用多个轮廓信息分析果蔬的立体模型,得出果蔬的体积,输出称重结果,从而减少视觉称重的误差。
本发明具体实施例还公开了一种装置,包括主控模块、多个摄像模块以及显示模块,多个摄像模块能够分别以不同拍摄角度朝向待称重果蔬,主控模块分别与多个摄像模块以及显示模块电性连接,主控模块运行上述任一实施例公开的一种基于神经网络的果蔬称重方法,得出果蔬重量信息,并且通过显示模块输出。
根据本发明实施例的一种装置,至少具有如下有益效果:
本发明装置,多个摄像模块以不同角度朝向待称重果蔬拍摄,并且将拍摄的图像输给主控模块,主控模块运行基于神经网络的果蔬称重方法得出待称重果蔬的重量,能够相对准确地反映果蔬的重量,减少视觉称重的误差。
附图说明
下面结合附图对本发明的具体实施方式做进一步的说明。
图1是本发明基于神经网络的果蔬称重方法的流程图。
图2是本发明基于神经网络的果蔬称重方法的果蔬拍摄角度及体积计算分析的示意图。
具体实施方式
本部分将详细描述本发明的具体实施例,本发明之较佳实施例在附图中示出,附图的作用在于用图形补充说明书文字部分的描述,使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案,但其不能理解为对本发明保护范围的限制。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
如图1、图2所示,一种基于神经网络的果蔬称重方法,包括以下步骤:S1、获取多张不同角度的果蔬照片;S2、基于神经网络模型至少对一张果蔬照片进行识别,得出果蔬的种类信息;S3、从多张不同角度的果蔬照片中获取果蔬的轮廓信息;S4、根据果蔬的轮廓信息计算果蔬体积,由与该果蔬的种类信息匹配的果蔬预设密度信息以及果蔬体积得出果蔬重量信息。
本发明基于神经网络的果蔬称重方法,采集对待检测果蔬拍摄的多张不同角度的果蔬照片,基于神经网络模型对至少一张果蔬照片进行识别,判断为何种果蔬,对不同角度的果蔬照片中获取果蔬额定轮廓信息,从而可以从轮廓信息中大致计算出果蔬的体积,再由果蔬预设密度信息以及果蔬体积得出果蔬重量信息,利用了神经网络模型来相对准确地匹配果蔬的种类,同时使用多张不同角度的果蔬照片,利用多个轮廓信息分析果蔬的立体模型,得出果蔬的体积,从而减少视觉称重的误差。
其中,本设计在应用中,采用摄像机摄取果蔬照片,为了提高程序执行的效率和识别的准确率,在打开摄像机时可以预先设置白平衡、调整ROI、设置曝光时间等,使得获取的图片和物体本身色泽、形状、颜色等特征更加接近。
在某些实施例中,在S1中,获取三张果蔬照片,分别是与x、y轴平行的第一图片、与y、z轴平行的第二图片以及与x、z轴平行的第三图片;在S3中,从第一图片、第二图片以及第三图片中分别提取第一轮廓信息、第二轮廓信息和第三轮廓信息,在S4中,利用第一轮廓信息、第二轮廓信息和第三轮廓信息计算果蔬体积。
其中,如图2所示,建立x、y、z坐标系,由于拍摄的是平面图像,为了得到立体效果需要使用一组三个相机分别从正面、上面、侧面(右面或者左面)三个不同的角度进行同时采集,这样可以得到水果的三维平面图,利用数学几何知识可以重构出果蔬的立体图。
在某些实施例中,在S1中,也可以只获取两张果蔬照片,两张果蔬照片的拍摄角度相互垂直,也能够大致得出果蔬体积。
在某些实施例中,在S4中,对多张不同角度的果蔬照片的轮廓信息处理得出果蔬的实际长预估值、实际宽预估值以及实际高预估值,根据实际长预估值、实际宽预估值以及实际高预估值计算果蔬体积。
此处可以直接利用实际长预估值、实际宽预估值以及实际高预估值的乘积直接得出果蔬体积的大概值。
在某些实施例中,通过第一轮廓信息、第二轮廓信息和第三轮廓信息可以进行积分运算,例如得出各个轮廓信息后,将长、宽、高以1mm或者其他的单元间隔切割成各个立体单元,再计算立体单元的个数,通过求和精细化求出果蔬体积。
其中,由于摄像设备拍摄的图像与果蔬实际大小存在偏差,在某些实施例中,在S4中,对轮廓信息进行像素个数计算得出轮廓内的像素个数,从轮廓信息得出图像像素长度,根据像素个数与图像像素长度得出果蔬实际长度。
此处可以利用图像处理库中的函数countNonZeros()或者其它的函数可以计算出像素个数,然后利用像素长度计算公式:果蔬实际长度=像素个数*图像像素长度,从而得出果蔬实际长度,得知果蔬的实际大小。
每种果蔬均设置相对应的果蔬预设密度信息,在S2中,得出果蔬的种类信息后,匹配出相对应的果蔬预设密度信息。
由于密度是一个物体的固有属性,无法通过视觉处理直接得到,可以通过查阅相关文献获取特定水果的密度,分类记录在数据库中,例如胡萝卜的密度大致为1.03kg/m3,得知果蔬的种类信息,即可匹配出果蔬的预设密度信息。
在S1中,在获取果蔬照片后,对果蔬照片进行图质增强和/或滤波和/或去噪处理,从而便于后续对图像的处理。
在神经网络模型的构架上,可以采用YOLO模型。
YOLO模型将果蔬照片的图像分成SxS个格子,每个格子负责检测落入该格子的物体。若某个物体的中心位置的坐标落入到某个格子,那么这个格子就负责检测出这个物体。
每个格子输出B个bounding box/BBX包围盒(包含物体的矩形区域)信息,以及C个物体属于某种类别的概率信息。
Bounding box信息包含5个数据值,分别是x,y,w,h,和confidence。
其中x,y是指当前格子预测得到的物体的BBX包围盒的中心位置的坐标。w,h是BBX包围盒的宽度和高度。
实际训练过程中,w和h的值使用图像的宽度和高度进行归一化到[0,1]区间内;x,y是BBX包围盒中心位置相对于当前格子位置的偏移值,并且被归一化到[0,1]。
confidence反映当前BBX是否包含物体以及物体位置的准确性,计算方式如下:confidence=P(object)*IOU;
其中,若BBX包围盒包含物体,则P(object)=1;否则P(object)=0。IOU(intersection over union)为预测BBX包围盒与物体真实区域的交集面积(以像素为单位,用真实区域的像素面积归一化到[0,1]区间)。
YOLO模型最终的全连接层的输出维度是S*S*(B*5+C)。
YOLO模型使用均方和误差MSE作为loss函数来优化模型参数,即网络输出的S*S*(B*5+C)维向量与真实图像的对应S*S*(B*5+C)维向量的均方和误差。如下式所示:
其中,corrdError、iouError和classError分别代表预测数据与标定数据之间的坐标误差、IOU误差和分类误差。
具体计算公式如下:
其中,x,y,w,C,p为网络预测值,为标注值,表示物体落入网络预测的范围i中,表示物体落入网络预测范围i的第j个BBX包围盒内。表四物体未落入网络预测范围i的第j个BBX包围盒内。基于此的神经网络称重方法依赖于物体识别标注数据。
利用YOLO模型,具有以下优点:
简单方便快,YOLO模型将物体检测作为回归问题进行求解,整个检测网络pipeline简单。在titan x GPU上,在保证检测准确率的前提下,可以达到45fps的检测速度。
背景误检率低,YOLO模型在训练和推理过程中能看到整张图像的整体信息,而基于region proposal的物体检测方法(如rcnn/fast rcnn),在检测过程中,只看到候选框内的局部图像信息。因此,若当图像背景(非物体)中的部分数据被包含在候选框中送入检测网络进行检测时,容易被误检测成物体。测试证明,YOLO模型对于背景图像的误检率低于fast rcnn误检率的一半。
本发明具体实施例还公开了一种储存介质,储存有上述任一实施例公开的一种基于神经网络的果蔬称重方法,并且能够被计算机读取运行。
本发明的储存介质,计算机能够读取运行基于神经网络的果蔬称重方法,对拍摄的多张不同角度的果蔬照片,基于神经网络模型对至少一张果蔬照片进行识别,判断为何种果蔬,对不同角度的果蔬照片中获取果蔬额定轮廓信息,从而可以从轮廓信息中大致计算出果蔬的体积,再由果蔬预设密度信息以及果蔬体积得出果蔬重量信息,利用了神经网络模型来相对准确地匹配果蔬的种类,同时使用多张不同角度的果蔬照片,利用多个轮廓信息分析果蔬的立体模型,得出果蔬的体积,输出称重结果,从而减少视觉称重的误差。
本发明具体实施例还公开了一种装置,包括主控模块、多个摄像模块以及显示模块,多个摄像模块能够分别以不同拍摄角度朝向待称重果蔬,主控模块分别与多个摄像模块以及显示模块电性连接,主控模块运行上述任一实施例公开的一种基于神经网络的果蔬称重方法,得出果蔬重量信息,并且通过显示模块输出。
在某些实施例中,果蔬还可以放置在传送带上,摄像模块拍摄在传送带上输送的果蔬,再计算出果蔬的重量。
本发明装置,多个摄像模块以不同角度朝向待称重果蔬拍摄,并且将拍摄的图像输给主控模块,主控模块运行基于神经网络的果蔬称重方法得出待称重果蔬的重量,能够相对准确地反映果蔬的重量,减少视觉称重的误差
本领域的技术人员容易理解的是,在不冲突的前提下,上述优选方式可以自由地组合和叠加。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在所述技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (8)
1.一种基于神经网络的果蔬称重方法,其特征在于,包括以下步骤:
S1、获取多张不同角度的果蔬照片;
S2、基于神经网络模型至少对一张果蔬照片进行识别,得出果蔬的种类信息;
S3、从多张不同角度的果蔬照片中获取果蔬的轮廓信息;
S4、根据果蔬的轮廓信息计算果蔬体积,由与该果蔬的种类信息匹配的果蔬预设密度信息以及果蔬体积得出果蔬重量信息。
2.根据权利要求1所述的一种基于神经网络的果蔬称重方法,其特征在于:在S1中,获取三张果蔬照片,分别是与x、y轴平行的第一图片、与y、z轴平行的第二图片以及与x、z轴平行的第三图片;在S3中,从第一图片、第二图片以及第三图片中分别提取第一轮廓信息、第二轮廓信息和第三轮廓信息,在S4中,利用第一轮廓信息、第二轮廓信息和第三轮廓信息计算果蔬体积。
3.根据权利要求1所述的一种基于神经网络的果蔬称重方法,其特征在于:在S4中,对轮廓信息进行像素个数计算得出轮廓内的像素个数,从轮廓信息得出图像像素长度,根据像素个数与图像像素长度得出果蔬实际长度。
4.根据权利要求3所述的一种基于神经网络的果蔬称重方法,其特征在于:在S4中,对多张不同角度的果蔬照片的轮廓信息处理得出果蔬的实际长预估值、实际宽预估值以及实际高预估值,根据实际长预估值、实际宽预估值以及实际高预估值计算果蔬体积。
5.根据权利要求1所述的一种基于神经网络的果蔬称重方法,其特征在于:每种果蔬均设置相对应的果蔬预设密度信息,在S2中,得出果蔬的种类信息后,匹配出相对应的果蔬预设密度信息。
6.根据权利要求1所述的一种基于神经网络的果蔬称重方法,其特征在于:在S1中,在获取果蔬照片后,对果蔬照片进行图质增强和/或滤波和/或去噪处理。
7.一种储存介质,其特征在于:储存有如权利要求1-6任一项所述的一种基于神经网络的果蔬称重方法,并且能够被计算机读取运行。
8.一种装置,其特征在于,包括主控模块、多个摄像模块以及显示模块,多个摄像模块能够分别以不同拍摄角度朝向待称重果蔬,主控模块分别与多个摄像模块以及显示模块电性连接,主控模块运行如权利要求1-6任一项所述的一种基于神经网络的果蔬称重方法,得出果蔬重量信息,并且通过显示模块输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911374027.6A CN111160450A (zh) | 2019-12-27 | 2019-12-27 | 一种基于神经网络的果蔬称重方法及储存介质、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911374027.6A CN111160450A (zh) | 2019-12-27 | 2019-12-27 | 一种基于神经网络的果蔬称重方法及储存介质、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111160450A true CN111160450A (zh) | 2020-05-15 |
Family
ID=70558512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911374027.6A Pending CN111160450A (zh) | 2019-12-27 | 2019-12-27 | 一种基于神经网络的果蔬称重方法及储存介质、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160450A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814862A (zh) * | 2020-06-30 | 2020-10-23 | 平安国际智慧城市科技股份有限公司 | 果蔬识别方法及装置 |
CN111964760A (zh) * | 2020-07-17 | 2020-11-20 | 武汉爱农云联科技有限公司 | 一种基于智慧种植机的果蔬重量计算方法和装置 |
CN112304224A (zh) * | 2020-09-22 | 2021-02-02 | 广东石油化工学院 | 一种橘红鲜果胚囊参数预测方法及系统 |
CN114433502A (zh) * | 2021-12-31 | 2022-05-06 | 深圳云天励飞技术股份有限公司 | 货品拣选方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10137695A (ja) * | 1996-11-14 | 1998-05-26 | Kubota Corp | 選果装置 |
CN109816439A (zh) * | 2019-01-14 | 2019-05-28 | 珠海格力电器股份有限公司 | 果蔬智能计价方法、装置、存储介质及设备 |
CN110139552A (zh) * | 2016-11-08 | 2019-08-16 | 道格图斯科技有限公司 | 机器人水果采摘系统 |
-
2019
- 2019-12-27 CN CN201911374027.6A patent/CN111160450A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10137695A (ja) * | 1996-11-14 | 1998-05-26 | Kubota Corp | 選果装置 |
CN110139552A (zh) * | 2016-11-08 | 2019-08-16 | 道格图斯科技有限公司 | 机器人水果采摘系统 |
CN109816439A (zh) * | 2019-01-14 | 2019-05-28 | 珠海格力电器股份有限公司 | 果蔬智能计价方法、装置、存储介质及设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814862A (zh) * | 2020-06-30 | 2020-10-23 | 平安国际智慧城市科技股份有限公司 | 果蔬识别方法及装置 |
CN111964760A (zh) * | 2020-07-17 | 2020-11-20 | 武汉爱农云联科技有限公司 | 一种基于智慧种植机的果蔬重量计算方法和装置 |
CN112304224A (zh) * | 2020-09-22 | 2021-02-02 | 广东石油化工学院 | 一种橘红鲜果胚囊参数预测方法及系统 |
CN114433502A (zh) * | 2021-12-31 | 2022-05-06 | 深圳云天励飞技术股份有限公司 | 货品拣选方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160450A (zh) | 一种基于神经网络的果蔬称重方法及储存介质、装置 | |
CN111340126B (zh) | 物品识别方法、装置、计算机设备和存储介质 | |
AU2022202588B2 (en) | Item identification and tracking system | |
CN107492091B (zh) | 基于机器视觉的标签外观检测方法及终端设备 | |
CN113498530A (zh) | 基于局部视觉信息的对象尺寸标注系统和方法 | |
CN113435282B (zh) | 基于深度学习的无人机影像麦穗识别方法 | |
US11869256B2 (en) | Separation of objects in images from three-dimensional cameras | |
TW201537140A (zh) | 用於物件包裝之物件三維尺寸估測系統及方法 | |
CN111339839A (zh) | 一种密集型目标检测计量方法 | |
CN114978037B (zh) | 太阳能电池性能数据监控方法及系统 | |
CN113705669A (zh) | 一种数据匹配方法、装置、电子设备以及存储介质 | |
CN111612000B (zh) | 一种商品分类方法、装置、电子设备及存储介质 | |
US11861668B2 (en) | Method, device, electronic apparatus and storage medium for generating order | |
CN111428743B (zh) | 商品识别方法、商品处理方法、装置及电子设备 | |
CN115752683A (zh) | 一种基于深度相机的体重预估方法、系统及终端 | |
KR102597692B1 (ko) | 영상을 이용한 물건 부피의 측정 장치, 방법, 및 컴퓨터 프로그램 | |
CN111783528B (zh) | 监控货架上的物品的方法、计算机和系统 | |
CN117218633A (zh) | 一种物品检测方法、装置、设备及存储介质 | |
CN117522860A (zh) | 工件孔洞检测方法、装置及电子设备 | |
US11790642B2 (en) | Method for determining a type and a state of an object of interest | |
US20220128347A1 (en) | System and method to measure object dimension using stereo vision | |
CN117011216A (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
CN113160414A (zh) | 货物余量自动识别方法、装置、电子设备以及计算机可读介质 | |
CN114529787A (zh) | 查验物品检测方法、装置及电子设备 | |
CN114240907A (zh) | 一种基于电子秤的商品展示图自动生成的算法 |
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 | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240614 |