CN111860125A - 基于机器视觉识别水果成熟度的方法 - Google Patents
基于机器视觉识别水果成熟度的方法 Download PDFInfo
- Publication number
- CN111860125A CN111860125A CN202010500666.9A CN202010500666A CN111860125A CN 111860125 A CN111860125 A CN 111860125A CN 202010500666 A CN202010500666 A CN 202010500666A CN 111860125 A CN111860125 A CN 111860125A
- Authority
- CN
- China
- Prior art keywords
- fruit
- image
- color
- color intensity
- machine vision
- 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
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 claims description 12
- 239000007787 solid Substances 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 8
- 230000035800 maturation Effects 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 241000220225 Malus Species 0.000 description 24
- 238000005192 partition Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 235000021016 apples Nutrition 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 235000013569 fruit product Nutrition 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
-
- 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
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/40—Investigating hardness or rebound hardness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Multimedia (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提出一种基于机器视觉识别水果成熟度的方法,包括如下步骤:确定水果的主色;获取水果的多张不同角度的照片,获取每张照片中主色的颜色强度均值,合并计算多张照片的颜色强度均值;计算水果的平均主色强度占比,并将同一水果的多张照片的颜色强度均值的平均值输入成熟度预测模型,根据对应的成熟度等级规则,获取对应的成熟度等级。本发明具有步骤合理、成熟度识别的准确率高的优点。
Description
技术领域
本发明涉及成熟度检测设备领域,特别涉及一种基于机器视觉识别水果成熟度的方法。
背景技术
我国是世界上数一数二的水果生产大国,根据大量的市场调研后发现,水果的产值是由产后处理以及产后加工创造而来。在这些加工过程中,如何对水果进行快速以及准确的分拣是其中的重要步骤。通过这一过程,可以将水果进行分级并筛选出混杂其中的品质较差的水果,从而保障后续果制产品的品质。水果分拣在水果产后加工过程中占据极其重要的地位,事实上我国大部分的果制品加工厂往往通过人工分拣来进行水果好坏的分筛以及成熟度的分级,这不仅效率低下,而且分筛的品质参差不齐,也难以保障后续产品的品质。
发明内容
本发明的目的是提供一种基于机器视觉识别水果成熟度的方法,解决上述问题中的一个或多个。
一种基于机器视觉识别水果成熟度的方法,包括如下步骤:
确定水果的主色;
获取水果的多张不同角度的照片,获取每张照片中主色的颜色强度均值,合并计算多张照片的颜色强度均值;
计算水果的平均主色强度占比,并将同一水果的多张照片的颜色强度均值的平均值输入成熟度预测模型,
根据对应的成熟度等级规则,获取对应的成熟度等级。
一种方式,所述主色的颜色强度均值的获取方法包括如下步骤:
读取水果的照片作为实验图像;
读取背景图像;
删除实验图像中的背景图像,得到处理图像;
将处理图像二值化得到二值化图像;
填补二值化图像;
寻找填补后的二值化图像的图形边界;
取出填补后的二值化图像的内部边界,并保存当前的图像为内部边界图像;
将实验图像按照RGB模型,提取出所有主颜色通道的颜色信息,保存当前图像为实验图像主颜色通道图像;
选择内部边界图像的所有背景区域的像素位置,然后将寻得的地址映射到实验图像主颜色通道图像里面,将实验图像主颜色通道图像的背景填充为黑色;
然后重构内部边界图像的颜色信息,提取出主颜色通道的颜色强度序列,并计算均值,即主色的颜色强度均值。
一种方式,所述二值化处理时二值化阈值范围为0.04-0.15。
一种方式,所述二值化图像与填补二值化图像之间需要对二值化图像进行中值滤波。
一种方式,所述将同一水果的多张照片的颜色强度均值的平均值输入成熟度预测模型,包括如下步骤:
提取水果的主色的颜色强度均值,并输入成熟度预测模型;
得出苹果的可溶性固形物含量,并输出。
一种方式,所述成熟度预测模型包括如下设置:
设置神经元数目;
设置欧式距离;
建立前传神经网络模型;
设置网络的最大训练步数和网络训练的容忍误差;
执行上述步骤,得到智能预测的神经网络模型;
将训练得到的模型封装。
一种方式,所述计算水果的平均主色强度占比,包括算法如下:
Ra=Rm/(Rm+Gm+Bm)。
一种方式,所述成熟度等级规则包括如下:
获取可溶性固形物含量,若可溶性固形物大于某一数值,则为成熟;
获取平均主色强度占比Ra;
若0.45≤Ra≤0.5,则为三级成熟;
若0.5<Ra≤0.55,则为二级成熟;
若0.55<Ra≤0.6,则为一级成熟。
一种方式,所述步骤确定水果的主色之前,能用预筛选过熟水果的方法,包括如下步骤:
固定苹果,使得相机305对准苹果,苹果的底部与硬度计304接触;
硬度计304通过4点测定苹果底部的硬度,并传输至电脑1,在电脑1中计算并记录四个硬度计四点的硬度均值Hn,n表示对同一苹果进行的第n次取值,可用于对水果成熟度的拍照进行水果的颜色强度检测之前,对水果进行预筛选,节省时间成本和计算机的计算成本。
本发明所述的一种基于机器视觉识别水果成熟度的方法的优点为:通过多角度颜色强度的提取和不同区域的硬度的提取进行综合计算判断有效提高了检验识别结果的准确度。
附图说明
图1为本发明的一种实施方式中基于机器视觉识别水果成熟度的方法的结构示意图;
图2为本发明的一种实施方式中检测设备使用时的主视图;
图3为本发明的一种实施方式中检测设备不使用时的剖面结构示意图;
图4为本发明的一种实施方式中获取单张照片的颜色强度均值的流程图;
图5为本发明的一种实施方式中基于机器视觉识别水果成熟度的方法的流程图;
图6为本发明的一种实施方式中图像figure4的示意图;
图7为本发明的一种实施方式中图像figure5的示意图;
图8为本发明的一种实施方式中图像figure6的示意图;
图9为本发明的一种实施方式中图像figure1至figure6的示意图。
具体实施方式
如图1至图3所示的检测设备获取照片和硬度值,检测设备包括电脑1和检测设备,检测设备包括一个检测台架301、一个相机305、四个硬度计304以及补光设备,相机305和硬度计304均与电脑1通信连接,
检测台架301设置在底座3014上,检测台架301上设有一块隔板3012、一块顶板3013以及两块侧板3011,两块侧板3011分别为设置在右侧的第一侧板和设置在左侧的第二侧板,顶板3013设置在隔板3012的正上方,第一侧板和第二侧板设置在顶板3013和隔板3012之间,且第一侧板和第二侧板的上端分别与顶板3013连接,第一侧板和第二侧板的下端分别与隔板3012连接,
第一侧板和第二侧板之间的隔板3012的中间位置设旋转工作台303,旋转工作台303包括台面和连接柱,台面嵌设在隔板3012的上表面上,台面的底部的中心位置与连接柱连接,连接柱的底部与舵机308,台面呈圆盘形,水果4放置在台面的中心位置,水果4放置于台面上,旋转工作台303以水果4为中心旋转,硬度计304以水果4为中心环向均匀设置在旋转工作台303上,且硬度计304与水果4接触,
相机305通过固定架306固定设置在检测台架301的一侧,相机305的镜头穿过第一侧板,对准水果4设置,第二侧板的右侧面成白色,作为背景板,
补光设备包括四个补光灯302,补光灯302通过灯座307以水果4为中心环向均匀设置于检测台架301上,补光灯302的光线均聚焦在水果4的表面,使得水果在隔板3012、第一侧板、第二侧板以及旋转工作台303上产生倒影,进一步提升检测识别的准确率。
当苹果在工作台固定后,相机拍照,并提取水果表面的红色、绿色以及蓝色强度信息,分别计算强度均值Rm1,Gm1以及Bm1,一次测定完毕后,工作台由舵机带动旋转120°,重复上述步骤。
本实施方式中可以设定舵机工作一次带动旋转工作台303旋转的次数K,每次旋转(360/K)°,相邻的两次旋转之间的时间间隔长度为n分钟,相机305在每个时间间隔中对准水果4拍摄一张照片并实时传输给电脑,硬度计304在每个时间间隔中测一次硬度数值并实时传输给电脑。
设定K为2,以苹果作为水果4为例,确定苹果的主色为红色,相机305拍摄一张没有水果的照片作为背景照片并传输给电脑1,通过电脑1运行基于机器视觉识别水果成熟度的方法,如图5所示,具体操作步骤如下:
步骤1、固定苹果,使得相机305对准苹果,苹果的底部与硬度计304接触;
步骤2、拍摄照片,提取苹果表面红色强度信息,计算并记录颜色强度均值Rm,如图4所示,以获取R通道的颜色强度均值为例,获取颜色强度均值Rm的步骤如下:
步骤2.1、相机305拍摄的获取苹果的照片n,并传输至电脑1,在电脑1中获取照片的颜色强度均值Rm,并在电脑1中进行存储,其中n代表通过相机305获取的同一水果的第n张照片;
步骤2.2、读取照片n作为实验图像Figure1,如图9;
步骤2.3、读取背景照片作为背景图像figure2,如图9;
步骤2.4、删除实验图像Figure1中的背景图像figure2,得到处理图像figure3如图9;
步骤2.5、将处理图像figure3二值化得到图像figure4,如图6所示,二值化阈值在0.04-0.15之间,本实施例二值化阈值以0.1为例;
步骤2.6、为减小图像figure4的背景噪音和光干扰,采用中值滤波,以减少干扰,并增强二值化的图像;
步骤2.7、采用imfill函数填补取反后的图像figure4;
步骤2.8、采用bwboundaries函数寻找figure4的图形边界;
步骤2.9、从图形边界中取出图像figure4的内部边界,并保存当前的图像figure5,如图7所示;
步骤2.10、将实验图像figure1按照RGB模型,提取出所有R通道的颜色信息,保存当前图像为实验图像R通道图像figure6,如图8所示;
步骤2.11、采用find函数,选择图像figure5的所有背景区域的像素位置,然后将寻得的地址映射到实验图像R通道图像figure6里面,并将figure6的背景填充为黑色(在步骤2.11中,地址映射的寻得如下:在MATLAB图像处理中,0为黑色,255为白色。Figure5中背景区域均为黑色,采用‘find’函数寻找figure5中所有值为0的像素地址,然后将寻得的地址对应到figure6中,以此将figure6中的背景颜色全部替换为黑色。);
步骤2.12、采用reshape函数重构figure5的颜色信息,分别提取出R、G、B通道的颜色强度序列,分别计算颜色强度均值Rm、Gm、Bm(其中,颜色强度均值Rm、Gm、Bm通过mean函数获得。)。
步骤3、判断n是否小于2(即K),
等于2则进入步骤5;
小于2则工作台旋转180°(即(360/K)°),然后再一次进行步骤2和步骤3的操作,直至n等于2;
步骤4、计算2(即K)次计算到的颜色强度均值的平均值Rm、Gm、Bm,计算2(即K)次计算到的硬度均值的平均值Hm,m指的是均值mean;
步骤5、输入Rm至成熟度预测模型中判定成熟等级。
一种实施例,计算两次检测的颜色强度均值Rm,Gm以及Bm。其中Rm作为输入,通过智能预测模型计算得到预测的可溶性固形物T,根据GB/T 10651-2008,如果T大于11%,则说明该苹果是成熟的。
计算苹果的平均红色强度占比,计算公式如下:
根据红色强度占比,对成熟的苹果进行分级,标准如下:
0.45≤Ra≤0.5三级成熟
0.5<Ra≤0.55二级成熟
0.55<Ra≤0.6一级成熟。
成熟度预测模型实现如下:
首先根据上述的机器视觉设备,提取水果的红色强度均值Rm,作为输入集;
然后根据国家的农业标准GB/T10651-2008,测定苹果的可溶性固形物含量,作为输出集;
采用自适应的神经网络智能算法,训练合适的预测模型,模型主要设置如下:
2.设置欧式距离为1~8。
3.建立前传神经网络模型,输入层和隐含层的激励函数为tansig,输出层的激励函数为purelin。网络的训练函数为trainlm。
4.网络的最大训练步数为1000步。
5.网络训练的容忍误差为0.0001。
6.执行上述步骤,得到智能预测的神经网络模型。
7.将训练得到的模型封装进控制电脑。
8.通过sim函数,可直接使用训练好的模型进行计算。
一种实施例中,糖分就是固体可溶物,用糖度仪可以测定。
表1神经网络预测处理实例
由表1可见设计的自适应神经网络模型具有相当高的准确性。
一种实施例,用于预筛选过熟水果的方法,包括如下步骤:
1、固定苹果,使得相机305对准苹果,苹果的底部与硬度计304接触;
2、硬度计304通过4点测定苹果底部的硬度,并传输至电脑1,在电脑1中计算并记录四点的硬度均值Hn,n表示对同一苹果进行的第n次取值,步骤3中的n与步骤2中的n为同一数值。可用于对水果成熟度的拍照进行水果的颜色强度检测之前,对水果进行预筛选,节省时间成本和计算机的计算成本。
以上所述仅是本发明的优选方式,应当指出,对于本领域普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干相似的变形和改进,这些也应视为本发明的保护范围之内。
Claims (9)
1.一种基于机器视觉识别水果成熟度的方法,其特征在于,包括如下步骤:
确定水果的主色;
获取水果的多张不同角度的照片,获取每张照片中主色的颜色强度均值,合并计算多张照片的颜色强度均值;
计算水果的平均主色强度占比,并将同一水果的多张照片的颜色强度均值的平均值输入成熟度预测模型,
根据对应的成熟度等级规则,获取对应的成熟度等级。
2.根据权利要求1所述的基于机器视觉识别水果成熟度的方法,其特征在于,所述主色的颜色强度均值的获取方法包括如下步骤:
读取水果的照片作为实验图像;
读取背景图像;
删除实验图像中的背景图像,得到处理图像;
将处理图像二值化得到二值化图像;
填补二值化图像;
寻找填补后的二值化图像的图形边界;
取出填补后的二值化图像的内部边界,并保存当前的图像为内部边界图像;
将实验图像按照RGB模型,提取出所有主颜色通道的颜色信息,保存当前图像为实验图像主颜色通道图像;
选择内部边界图像的所有背景区域的像素位置,然后将寻得的地址映射到实验图像主颜色通道图像里面,将实验图像主颜色通道图像的背景填充为黑色;
然后重构内部边界图像的颜色信息,提取出主颜色通道的颜色强度序列,并计算均值,即主色的颜色强度均值。
3.根据权利要求2所述的基于机器视觉识别水果成熟度的方法,其特征在于,所述二值化处理时二值化阈值范围为0.04-0.15。
4.根据权利要求2所述的基于机器视觉识别水果成熟度的方法,其特征在于,所述二值化图像与填补二值化图像之间需要对二值化图像进行中值滤波。
5.根据权利要求1所述的基于机器视觉识别水果成熟度的方法,其特征在于,所述将同一水果的多张照片的颜色强度均值的平均值输入成熟度预测模型,包括如下步骤:
提取水果的主色的颜色强度均值,并输入成熟度预测模型;
得出苹果的可溶性固形物含量,并输出。
6.根据权利要求5所述的基于机器视觉识别水果成熟度的方法,其特征在于,所述成熟度预测模型包括如下设置:
设置神经元数目;
设置欧式距离;
建立前传神经网络模型;
设置网络的最大训练步数和网络训练的容忍误差;
执行上述步骤,得到智能预测的神经网络模型;
将训练得到的模型封装。
7.根据权利要求1所述的基于机器视觉识别水果成熟度的方法,其特征在于,所述计算水果的平均主色强度占比,包括算法如下:
Ra=Rm/(Rm+Gm+Bm)。
8.根据权利要求7所述的基于机器视觉识别水果成熟度的方法,其特征在于,所述成熟度等级规则包括如下:
获取可溶性固形物含量,若可溶性固形物大于某一数值,则为成熟;
获取平均主色强度占比Ra;
若0.45≤Ra≤0.5,则为三级成熟;
若0.5<Ra≤0.55,则为二级成熟;
若0.55<Ra≤0.6,则为一级成熟。
9.根据权利要求1所述的基于机器视觉识别水果成熟度的方法,其特征在于,所述步骤确定水果的主色之前,能用预筛选过熟水果的方法,包括如下步骤:
固定苹果,使得相机(305)对准苹果,苹果的底部与硬度计(304)接触;
硬度计(304)测定苹果底部的硬度,并传输至电脑(1),在电脑(1)中计算硬度均值Hn,能用于对水果成熟度的拍照进行水果的颜色强度检测之前,对水果进行预筛选,节省时间成本和计算机的计算成本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010500666.9A CN111860125A (zh) | 2020-06-04 | 2020-06-04 | 基于机器视觉识别水果成熟度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010500666.9A CN111860125A (zh) | 2020-06-04 | 2020-06-04 | 基于机器视觉识别水果成熟度的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111860125A true CN111860125A (zh) | 2020-10-30 |
Family
ID=72985104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010500666.9A Pending CN111860125A (zh) | 2020-06-04 | 2020-06-04 | 基于机器视觉识别水果成熟度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860125A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418130A (zh) * | 2020-11-30 | 2021-02-26 | 华南农业大学 | 一种基于bp神经网络的香蕉成熟度检测方法及装置 |
CN112676179A (zh) * | 2021-01-13 | 2021-04-20 | 山东理工大学 | 一种基于新型上料及取像方式的水果品质检测分级设备 |
CN113390834A (zh) * | 2021-06-23 | 2021-09-14 | 长江师范学院 | 一种基于视觉识别的脆李成熟度检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101153851A (zh) * | 2007-06-15 | 2008-04-02 | 中国农业大学 | 一种基于机器视觉的苹果检测分级方法 |
CN102735621A (zh) * | 2011-04-13 | 2012-10-17 | 广东工业大学 | 一种基于颜色传感器的水果成熟度检测方法 |
JP2017134585A (ja) * | 2016-01-27 | 2017-08-03 | 秋田県 | 収穫適期判定支援装置及び収穫適期判定支援プログラム |
CN108279238A (zh) * | 2018-01-30 | 2018-07-13 | 深圳春沐源控股有限公司 | 一种果实成熟度判断方法及装置 |
CN108535250A (zh) * | 2018-04-27 | 2018-09-14 | 浙江大学 | 基于Streif指数的‘富士’苹果成熟度无损检测方法 |
-
2020
- 2020-06-04 CN CN202010500666.9A patent/CN111860125A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101153851A (zh) * | 2007-06-15 | 2008-04-02 | 中国农业大学 | 一种基于机器视觉的苹果检测分级方法 |
CN102735621A (zh) * | 2011-04-13 | 2012-10-17 | 广东工业大学 | 一种基于颜色传感器的水果成熟度检测方法 |
JP2017134585A (ja) * | 2016-01-27 | 2017-08-03 | 秋田県 | 収穫適期判定支援装置及び収穫適期判定支援プログラム |
CN108279238A (zh) * | 2018-01-30 | 2018-07-13 | 深圳春沐源控股有限公司 | 一种果实成熟度判断方法及装置 |
CN108535250A (zh) * | 2018-04-27 | 2018-09-14 | 浙江大学 | 基于Streif指数的‘富士’苹果成熟度无损检测方法 |
Non-Patent Citations (6)
Title |
---|
张敬斋 等: "《摄影摄像技术基础教程》", 30 September 2018, 北京理工大学出版社, pages: 79 * |
张燕翔 等: "《虚拟/增强现实技术及其应用》", 31 January 2017, 中国科学技术大学出版社, pages: 27 - 28 * |
曾祥民 等: "《Adobe创意大学Photoshop产品专家认证标准教材(CS6修订版)》", 31 December 2012, 印刷工业出版社, pages: 184 - 186 * |
李在铭 等: "《数字图像处理、压缩与识别技术》", 30 November 2000, 电子科技大学出版社, pages: 237 - 238 * |
李敏 等: "《食品分析实验指导》", 31 January 2019, 中国轻工业出版社, pages: 23 * |
马旭: "《高等农业机械学》", 31 August 2006, 吉林大学出版社, pages: 29 - 32 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418130A (zh) * | 2020-11-30 | 2021-02-26 | 华南农业大学 | 一种基于bp神经网络的香蕉成熟度检测方法及装置 |
CN112676179A (zh) * | 2021-01-13 | 2021-04-20 | 山东理工大学 | 一种基于新型上料及取像方式的水果品质检测分级设备 |
CN113390834A (zh) * | 2021-06-23 | 2021-09-14 | 长江师范学院 | 一种基于视觉识别的脆李成熟度检测方法 |
CN113390834B (zh) * | 2021-06-23 | 2023-04-28 | 长江师范学院 | 一种基于视觉识别的脆李成熟度检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860125A (zh) | 基于机器视觉识别水果成熟度的方法 | |
WO2022062812A1 (zh) | 屏幕缺陷检测方法、装置和电子设备 | |
CN109772733B (zh) | 一种基于视觉的缺陷竹块检测分拣装置及方法 | |
Miller et al. | A color vision system for peach grading | |
Arjenaki et al. | Online tomato sorting based on shape, maturity, size, and surface defects using machine vision | |
CN103914708B (zh) | 基于机器视觉的食品品种检测方法及系统 | |
CN104899871B (zh) | 一种ic元件焊点空焊检测方法 | |
CN102890092B (zh) | 利用特征角余弦值检测水蜜桃褐腐病缺陷的方法 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
KR20100015628A (ko) | 목재의 검사 방법, 장치 및 프로그램 | |
CN109089992A (zh) | 一种基于机器视觉的鱼类新鲜度的分类方法及系统 | |
CN106442561A (zh) | 用于检测柑橘表皮缺陷的在线图像采集系统及方法 | |
CN105466950A (zh) | 一种基于视觉的竹块在线检测方法及系统 | |
CN115330772B (zh) | 一种在线焊点质量检测方法 | |
WO2020005773A1 (en) | Food quality image classification | |
CN104952754A (zh) | 基于机器视觉的镀膜后硅片分选方法 | |
CN110009609B (zh) | 一种快速检测黄粒米的方法 | |
García-Alegre et al. | Eggshell defects detection based on color processing | |
Mohamed et al. | Development of a real-time machine vision prototype to detect external defects in some agricultural products | |
JPH11101689A (ja) | 果菜類の検査装置 | |
CN101915823A (zh) | 一种外壳带菌蛋的紫外检测方法及其装置 | |
CN108491846B (zh) | 成熟果实机器识别方法 | |
CN116797575A (zh) | 一种基于机器视觉的碎米率智能检测方法 | |
CN115330721A (zh) | 基于形状和颜色信息的香蕉果梳饱满度检测方法与系统 | |
KR20090124335A (ko) | 과실 색상 선별용 색 인자 결정 방법 및 과실 색상 등급판별 방법 |
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 |