CN112464706A - 果实筛选、分拣方法、装置、系统、存储介质及设备 - Google Patents

果实筛选、分拣方法、装置、系统、存储介质及设备 Download PDF

Info

Publication number
CN112464706A
CN112464706A CN202011094391.XA CN202011094391A CN112464706A CN 112464706 A CN112464706 A CN 112464706A CN 202011094391 A CN202011094391 A CN 202011094391A CN 112464706 A CN112464706 A CN 112464706A
Authority
CN
China
Prior art keywords
fruit
characteristic information
screening
image
screening result
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
CN202011094391.XA
Other languages
English (en)
Inventor
何德裕
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.)
Robotics Robotics Shenzhen Ltd
Original Assignee
Robotics Robotics Shenzhen Ltd
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 Robotics Robotics Shenzhen Ltd filed Critical Robotics Robotics Shenzhen Ltd
Priority to CN202011094391.XA priority Critical patent/CN112464706A/zh
Publication of CN112464706A publication Critical patent/CN112464706A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • 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
    • 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
    • G06N3/08—Learning methods
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本申请涉及一种果实筛选、分拣方法、装置、系统、存储介质及设备。其中，果实筛选方法包括量化果实图像中的果实的特征信息，得到特征信息的量化值；基于特征信息的量化值，生成果实的筛选结果。采用本申请的技术方案通过基于特征信息的量化值，生成果实的筛选结果，提高了针对多种情况下果实筛选的适应性。

Description

果实筛选、分拣方法、装置、系统、存储介质及设备
技术领域
本申请涉及果实筛选技术领域，特别是涉及一种果实筛选、分拣方法、装置、系统、存储介质及设备。
背景技术
随着社会的发展，果实筛选逐渐实现自动化，目前的果实筛选还只停留在基于预设标准对果实进行简单的分类。但是，一旦出现果实因产地、收成情况发生变化或者不同的厂商对果实的品质要求不同等情况变动时，果实的分类如果还采用原来的标准，可能无法完成理想的分类，因此需要修改图像算法或者当基于人工智能的方法进行果实筛选时，需要重新采集大量的训练样本等，降低了效率、提高了成本。
发明内容
有鉴于此，本发明提供一种果实筛选、分拣方法、装置、系统、存储介质及设备。
本发明第一方面提供一种果实筛选方法，所述果实筛选方法包括：
量化果实图像中的果实的特征信息，得到所述特征信息的量化值；
基于所述特征信息的量化值，生成所述果实的筛选结果。
在一个实施例中，所述果实筛选方法还包括：
基于所述果实的初始图像，生成所述果实的初始筛选结果；
基于所述初始筛选结果，获取所述初始图像中符合预设条件的所述果实图像。
在一个实施例中，所述果实筛选方法还包括：
基于所述果实图像，生成所述果实的初始筛选结果；
所述基于所述特征信息的量化值，生成所述果实的筛选结果包括：
结合所述初始筛选结果和所述特征信息的量化值，生成所述果实的筛选结果。
在一个实施例中，所述基于所述特征信息的量化值，生成所述果实的筛选结果包括：
基于预设指标评估所述特征信息的量化值，得到所述果实的筛选结果；或
将所述特征信息的量化值输入量化筛选模型，得到所述果实的筛选结果。
在一个实施例中，所述量化所述果实图像中的所述果实的特征信息包括：
基于所述果实图像提取所述特征信息；
量化所述特征信息，得到所述特征信息的量化值；或
基于所述果实图像，生成所述特征信息的量化值。
在一个实施例中，当所述量化所述果实图像中的所述果实的特征信息包括所述基于所述果实图像提取所述特征信息，所述基于所述果实图像提取所述特征信息包括：
将所述果实图像输入特征提取模型，得到所述特征信息；或
基于图像处理算法，提取所述果实图像的所述特征信息。
在一个实施例中，所述量化所述特征信息之前还包括：对所述特征信息进行预处理；或
所述量化所述特征信息之前还包括：对所述特征信息进行预处理；所述预处理包括：去除所述特征信息中位于果实轮廓的外部的杂质；和/或修正不完整和/或多余的特征信息；和/或去除所述特征信息中的冗余数据。
在一个实施例中，所述基于所述特征信息的量化值，生成所述果实的筛选结果之前还包括：
对所述特征信息的量化值进行预处理。
在一个实施例中，当某个所述果实对应多张果实图像；所述果实筛选方法还包括：
结合所述多张果实图像分别对应的所述筛选结果，确定所述某个果实的最终的所述筛选结果。
在一个实施例中，所述特征信息包括：所述果实的颜色信息、形状信息、瑕疵信息和/或细节信息；和/或
所述果实的筛选结果包括：所述果实的种类分类和/或所述果实的品质分类；和/或
所述果实为槟榔。
本发明第二方面提供一种果实分拣方法，所述果实分拣方法包括：
上面任一项所述的果实的筛选方法；
基于所述果实的筛选结果生成指令，通过所述指令控制执行机构对所述果实进行分拣。
本发明第三方面提供一种果实筛选装置，所述果实筛选装置包括：
特征量化模块，用于量化所述果实图像中的所述果实的特征信息，得到特征信息的量化值；
特征评估模块，用于基于所述特征信息的量化值，生成所述果实的筛选结果。
本发明第四方面提供一种果实分拣装置，所述果实分拣装置包括：
特征量化模块，用于量化所述果实图像中的所述果实的特征信息，得到特征信息的量化值；
特征评估模块，用于基于所述特征信息的量化值，生成所述果实的筛选结果；
指令生成模块，用于基于所述果实的筛选结果生成指令，通过所述指令控制执行机构对所述果实进行分拣。
本发明第五方面提供一种果实筛选系统，所述果实筛选系统包括：图像传感器和控制装置；
所述图像传感器和所述控制装置通信连接；
所述图像传感器，用于采集果实的果实图像或初始图像；
所述控制装置，用于获取所述果实图像；量化所述果实图像中的所述果实的特征信息，得到特征信息的量化值；基于所述特征信息的量化值，生成所述果实的筛选结果；或
用于基于所述初始图像，生成所述果实的初始筛选结果；基于所述初始筛选结果，获取所述初始图像中符合预设条件的果实图像；量化所述果实图像中的所述果实的特征信息，得到特征信息的量化值；基于所述特征信息的量化值，生成所述果实的筛选结果。
本发明第六方面提供一种果实分拣系统，所述果实分拣系统包括：图像传感器、执行机构和控制装置；
所述图像传感器和所述执行机构分别通信连接所述控制装置；
所述图像传感器，用于采集果实的果实图像或初始图像；
所述控制装置，用于量化所述果实图像中的所述果实的特征信息，得到特征信息的量化值；基于所述特征信息的量化值，生成所述果实的筛选结果；基于所述果实的筛选结果生成指令，通过所述指令控制所述执行机构对所述果实进行分拣；或
用于基于所述初始图像，生成所述果实的初始筛选结果；基于所述初始筛选结果，获取所述初始图像中符合预设条件的果实图像；量化所述果实图像中的所述果实的特征信息，得到特征信息的量化值；基于所述特征信息的量化值，生成所述果实的筛选结果；基于所述果实的筛选结果生成指令，通过所述指令控制所述执行机构对所述果实进行分拣。
本发明第七方面提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上面任一项所述的果实筛选方法；或上面所述的果实分拣方法。
本发明第八方面提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上面任一项所述的果实筛选方法；或上面所述的果实分拣方法。
通过基于特征信息的量化值，生成果实的筛选结果，提高了针对多种情况下果实筛选的适应性；另外，提高了效率，降低了成本。
附图说明
图1A为一个实施例中果实筛选系统的第一结构框图；图1B为一个实施例中果实筛选系统的第二结构框图；图1C为一个实施例中果实分拣系统的第一结构框图；图1D为一个实施例中果实分拣系统的第二结构框图；
图2为一个实施例中计算机设备的第一结构框图；
图3A为一个实施例中槟榔图像的第一示意图；图3B为一个实施例中基于槟榔图像提取骨骼线特征信息的第一示意图；图3C为一个实施例中基于槟榔图像提取轮廓线特征信息的第一示意图；图3D为一个实施例中基于槟榔图像提取斑点特征信息的第一示意图；图3E为一个实施例中基于槟榔图像提取纹路特征信息的第一示意图；
图4为一个实施例中果实筛选方法的第一流程示意图；
图5为一个实施例中果实筛选方法的第二流程示意图；
图6为一个实施例中果实筛选方法的第三流程示意图；
图7为一个实施例中果实筛选方法的第四流程示意图；
图8为一个实施例中果实筛选方法的第五流程示意图；
图9为一个实施例中果实筛选方法的第六流程示意图；
图10为一个实施例中果实筛选方法的第七流程示意图；
图11为一个实施例中果实筛选方法的第八流程示意图；
图12为一个实施例中果实筛选方法的第九流程示意图；
图13为一个实施例中果实分拣方法的第一流程示意图；
图14为一个实施例中果实筛选装置的第一结构框图；
图15为一个实施例中果实筛选装置的第二结构框图；
图16为一个实施例中果实筛选装置的第三结构框图；
图17为一个实施例中果实筛选装置的第四结构框图；
图18为一个实施例中果实筛选装置的第五结构框图；
图19为一个实施例中果实筛选装置的第六结构框图；
图20为一个实施例中果实筛选装置的第七结构框图；
图21为一个实施例中果实分拣装置的第一结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本发明实施例提供的果实筛选、分拣方法、装置、系统、存储介质及设备，可以应用于果实筛选技术领域，通过基于特征信息的量化值，生成果实的筛选结果，提高了针对多种情况下果实筛选的适应性；另外，提高了效率，降低了成本。
需要说明的是，果实可以为任意水果、蔬菜、经济作物、粮食作物等农产品或食品，为方便理解，本具体实施例下面以槟榔为例进一步详细说明。
如图1A-1D所示，本发明实施例提供一种果实筛选系统，该系统包括控制装置11和图像传感器21。
图像传感器21通过有线或者无线的方式通信连接控制装置11。
控制装置11，用于量化果实图像中的果实的特征信息，得到特征信息的量化值；基于特征信息的量化值，生成果实的筛选结果；或者用于基于初始图像，生成果实的初始筛选结果；基于初始筛选结果，获取初始图像中符合预设条件的果实图像；量化果实图像中的果实的特征信息，得到特征信息的量化值；基于特征信息的量化值，生成果实的筛选结果。有关控制装置的其它具体限定可以参见下面实施例中果实筛选方法的限定。
具体的，本发明实施例所述的控制装置可以为计算机终端(Personal Computer，PC)、工业控制计算机终端(Industrial Personal Computer，IPC)、移动终端、服务器、包括终端和服务器的系统，并通过终端和服务器的交互实现、可编程逻辑控制器(ProgrammableLogic Controller，PLC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、数字信号处理器(Digital Signal Processer，DSP)或微控制单元(Microcontroller unit，MCU)等类似的控制装置11中执行。为方便理解，本具体实施例以控制装置11为工业控制计算机终端11(以下简称“终端”)为例，进一步详细说明。控制装置根据预先固定的程序，结合人工输入的信息、参数或者外部的图像传感器等采集的数据等生成数据、程序指令等。
其中，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)，以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音响、智能手表等，但并不局限于此。终端以及服务器可以通过有线或者无线通信方式进行直接或间接地连接，本申请在此不做限定。
具体的，可以应用于如图2所示的计算机设备中，该计算机设备可以是各种终端,也可以是服务器等。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其它技术实现。该计算机程序被处理器执行时以实现一种标记优化方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的安检、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等等。
需要说明的是，控制装置11可以是独立的一个或者多个控制单元，也可以包括图像传感器21和/或执行机构31的控制单元部分，为方便理解，本具体实施例统称控制装置11。
图像传感器21用于采集果实的果实图像或初始图像，并将采集的果实图像或初始图像直接或者间接的发送给控制装置11。
具体的，图像传感器21可以包括但不限于：照相机、摄像机、扫描仪或其他带有相关功能的设备(手机、电脑)等等。图像传感器可以为各种2D图像传感器，在一些实施例中，图像传感器还可以为3D图像传感器(比如：3D激光传感器、深度传感器)。图像传感器的数量可以根据需要设计为一组或者多组，每组可以包括一个或者多个相机(比如：如图1D所示，为双目相机，基于双目相机采集的图像的匹配还可以得到果实的三维姿态信息，基于果实的三维姿态信息可以对筛选识别后的果实进行抓取、分装等动作)。示例性的，如图1A所示，本具体实施例以1个2D照相机12为例进行说明；或者如图1B所示，也可以围绕果实M设置多组相机12，这样可以从多个方位对果实采集图像，从而得到多个方位的多张果实图像，或者将果实放置在滚轮传动组件上(省略附图)，通过滚轮转动带动果实翻滚，这样可以减少图像传感器的数量，通过至少一组图像传感器组件对翻滚的果实不断采集图像，也同样可以采集到某个果实的多个方位的多张果实图像。
如图1C或1D所示，本发明实施例提供一种果实分拣系统，该系统包括控制装置11、图像传感器21和执行机构31。
图像传感器21和执行机构31通过有线或者无线的方式通信连接控制装置11。
图像传感器21用于采集果实的果实图像或初始图像，并将采集的果实图像或初始图像直接或者间接的发送给控制装置11。
控制装置11，用于量化果实图像中的果实的特征信息，得到特征信息的量化值；基于特征信息的量化值，生成果实的筛选结果；基于果实的筛选结果生成指令，通过指令控制执行机构对果实进行分拣；或者用于基于初始图像，生成果实的初始筛选结果；基于初始筛选结果，获取初始图像中符合预设条件的果实图像；量化果实图像中的果实的特征信息，得到特征信息的量化值；基于特征信息的量化值，生成果实的筛选结果；基于果实的筛选结果生成指令，通过指令控制执行机构对果实进行分拣。有关控制装置的其它具体限定可以参见下面实施例中果实分拣方法的限定。
具体的，执行机构31可以为各种现在已有或将来开发的可基于控制装置11生成的指令进行分拣的机构，比如:由传送组件313和线性电机、线性模组311等构建的平台或XYZ平台；传送组件313和气动、液压组件或以气动、液压等传动方式构建的平台；或者传送组件313和机械手312等构成的模组；或者直接由机械手对果实进行传送和/或抓取，通过机械手抓取果实，并带动果实转动，从而可以采集果实全方位的图像等。为方便理解，本具体实施例以执行机构包括传送组件313和机械手312等构成的模组为例进一步详细说明。
有关控制装置11和图像传感器21的其它相关描述可以参见上面实施例果实筛选系统中的描述，在此不再重复赘述。
本领域技术人员可以理解，图1A-1D、图2中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的系统、计算机设备等的限定，具体的系统、计算机设备等可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
如图4所示，在一个实施例中，提供一种果实筛选方法，以该方法应用于图1A-1D所示的系统中的终端11为例，该方法包括以下步骤：
步骤S110量化果实图像中的果实的特征信息，得到特征信息的量化值；
步骤S120基于特征信息的量化值，生成果实的筛选结果。
通过基于特征信息的量化值，生成果实的筛选结果，提高了针对多种情况下果实筛选的适应性；另外，提高了效率，降低了成本。
为方便理解，下面对上述果实筛选方法的各个步骤进行进一步详细描述。
步骤S110量化果实图像中的果实的特征信息，得到特征信息的量化值；
在一个实施例中，终端11按照预设地址从存储器获取在此之前通过图像传感器21直接采集并发送的果实图像或者经过某些图像预处理、筛选后得到的果实图像，或者获取通过服务器发送的上述果实图像(省略附图)。
如图10所示，在一个实施例中，果实筛选方法还包括：
步骤S140基于果实图像，生成果实的初始筛选结果；
具体的，初始筛选结果可以为根据需要而设计的任意初步筛选结果，比如：可以基于果实图像判断果实大小是否满足预设要求，满足预设要求的视为合格，而不满足预设要求的视为不合格，后面可以对基于初始筛选结果为合格的果实图像进行进一步筛选，从而实现更精细的筛选划分。
具体的，可以基于各种图像处理算法或者人工智能等现在已有或者将来开发的方法生成初始筛选结果。
以基于图像处理算法为例，可以预先设置某个阈值或者阈值范围，根据提取的初步特征信息的量化值来得到初步的筛选结果，初始筛选结果往往比较粗略，精度要求也没那么高，筛选依据也往往比较单一，因此筛选效率更高，比如：基于果实图像提取果实的轮廓，然后计算果实的面积，若计算出的面积小于某个阈值的可以视为不合格。
以人工智能方法为例，可以将果实图像输入预先经过训练的初始筛选模型中，经模型输出得到初始筛选结果。基于人工智能的方法，可以对果实的各种变化情况具有更高的适应性，在某些情况下，相对图像处理算法具有更高的筛选效率。示例性的，以槟榔为例，可以将槟榔图像输入初始筛选模型，从而得到槟榔为合格或者不合格的初步的分类筛选结果。
具体的，初始筛选模型可以但不限于是：卷积神经网络(Convolutional NeuralNetworks,CNN)，常见的CNN模型可以包括但不限于：LeNet，AlexNet，ZFNet，VGG，GoogLeNet，Residual Net，DenseNet，R-CNN，SPP-NET，Fast-RCNN，Faster-RCNN，YOLO，SSD，BB8，YOLO-6D，Deep-6dPose，PoseCNN，Hourglass,CPN以及其他现在已知或将来开发的网络模型结构。
初步筛选模型的训练方法可以根据模型的用途等的不同而不同，可以采用现在已有或将来开发的各种模型的训练方法，比如：监督学习、半监督学习。以监督学习为例，可以取各种不同大小、形状、颜色和/或亮度等的多张槟榔图像作为训练样本，预先对各个训练样本进行槟榔合格或者不合格的标注，将训练数据输入到具有初始参数的神经网络模型中，将模型的输出结果与预先已经标注的标准输出结果进行对比，根据差值不断更新模型的参数，直到满足预设条件(比如:达到预设的更新次数或者差值小于某个阈值)，从而完成模型的训练。
需要说明的是，上述步骤S140可以与步骤S110同步实现，在步骤S110之前实现，或者在步骤S110之后实现等，本具体实施例不做限定。后续在步骤S120中，可以结合步骤S140得到的初始筛选结果和基于步骤S110的特征信息的量化值，生成果实的筛选结果。由于初始筛选往往比较粗略，精度要求也没那么高，筛选依据也往往比较单一，因此筛选效率更高，在初始筛选结果的基础上进一步筛选，可以提高整个筛选的效率；另外，通过将初始筛选结果与基于特征信息的量化值进行筛选的结果相结合，可以使得筛选分类更加细化，提高筛选结果调整的灵活性、适应性；另外，通过与初始筛选结果结合判断，可以帮助提高最终的筛选结果的准确度等，比如：只有当初步筛选结果和基于特征信息量化的筛选结果都判断为合格时，才能视为合格；或者在基于初步筛选结果判断为合格的基础上，再根据特征信息量化的筛选结果对果实的品质、等级等进一步进行更细化的筛选分类。
如图11所示，在一个实施例中，步骤S110之前，还包括：
步骤S150基于果实的初始图像，生成果实的初始筛选结果；
在一个实施例中，终端11按照预设地址从存储器获取在此之前通过图像传感器21直接采集并发送的果实的初始图像或者进行某些图像预处理后得到的初始图像，或者获取通过服务器发送的上述初始图像(省略附图)。
具体的，可以基于各种图像处理算法或者人工智能等现在已有或者将来开发的方法生成初始筛选结果。
有关初始筛选结果生成方法的其它相关描述参见上面的实施例，在此不再赘述。
步骤S160基于初始筛选结果，获取初始图像中符合预设条件的果实图像。
具体的，可以基于预设条件，根据初始的筛选结果，从初始图像中获取符合预设条件的果实图像进行进一步的筛选。
示例性的，继续以槟榔为例，可以将判断槟榔图像“合格”作为预设条件，获取上面实施例中判断为合格的槟榔图像，然后针对获取的合格的槟榔图像进行特征信息的量化，基于特征信息的量化值，对槟榔进行更细化、多样的筛选。
通过上面实施例所述的方法，基于初始筛选获取的果实图像基础上进行特征信息的量化，在实现最终筛选结果更加细化、筛选结果调整的灵活性、适应性等更高的基础上，通过减少后续进行特征信息量化的图像的数量，可以提高特征信息量化的效率，进而提高整个筛选的效率；另外，通过减少后续特征信息量化和筛选的计算量，可以降低系统硬件的要求；另外，通过与初步筛选结果结合判断，还可以帮助提高最终的筛选结果的准确度等。
需要说明的是，上述特征信息可以包括但不限于：果实的颜色信息、形状信息、瑕疵信息和/或细节信息。
示例性的，以果实为槟榔为例，这些特征信息可以包括但不限于：槟榔的颜色信息；槟榔的形状信息(比如，槟榔的外轮廓的提取)；槟榔的斑点等的瑕疵信息(比如，斑点的提取)；和/或槟榔的纹路等的细节信息(比如，槟榔上的纹路的提取)等。进一步，上述槟榔特征信息的量化值，可以包括但不限于：槟榔的颜色信息量化值(比如，色调值)；槟榔的形状相关信息量化值(比如，槟榔的轮廓的面积、宽高比、重心偏移量；槟榔的骨骼线的弯曲度)；槟榔的斑点等瑕疵信息量化值(比如：斑点的数量，斑点的面积)；和/或槟榔的纹路等细节信息量化值(比如，纹路数量、纹路方向、纹路弯曲度)等。
在一个实施例中，继续以槟榔的特征信息为形状信息为例，形状信息可以包括槟榔的外轮廓和槟榔的骨骼线。比如：根据外轮廓的面积的量化值可以判断槟榔的大小；根据骨骼线的弯曲度可以判断槟榔是否弯曲等。
进一步，在一个实施例中，对于某些具有蒂的果实，果实的蒂中往往包括过多干扰因素，且对果实的检测往往属于无用信息，通常在果实的轮廓提取时，可以直接设置提取的果实的轮廓中不包括果实的蒂部分(比如：以人工智能方法为例，可以通过训练使得模型输出的果实的轮廓不包括蒂的部分)，从而可以提高骨骼线、斑点或纹路等基于此的其它特征信息的提取及基于此的特征信息的量化的准确度等。
进一步，在一个实施例中，可以先提取果实的轮廓，然后基于果实的轮廓图像进一步提取果实的骨骼线、斑点或纹路等特征信息或特征信息的量化值；或者，在一个实施例中，基于下面实施例所述的各种图像预处理的方法，将轮廓的外部杂质去除，然后基于去除杂质后的果实的轮廓图像进一步提取特征信息或特征信息的量化值。
需要说明的是，在一个实施例中，可以基于果实图像直接得到特征信息的量化值，比如：可以直接基于果实图像识别出果实的有关颜色的具体色调值；在另一个实施例中，可以先基于果实图像提取特征信息，然后再基于特征信息进行量化，得到量化结果。
具体的，上述特征信息提取或量化方法可以但不限于是通过人工智能、各种图像处理算法等现在已有或将来开发的方法实现。
需要说明的是，对于上述各特征信息，不同的特征信息可以优选不同的方法进行特征信息的提取或量化，比如：对于颜色信息，可以优选用图像处理算法直接进行特征信息的量化(比如，直接检测目标部分对应的像素点通道的色调值)；而对果实的缺陷(比如，斑点)或者某些细节(比如，纹路)特征信息的提取或量化优选基于人工智能的方法，相对于传统的图像处理算法，基于人工智能的算法进行特征提取或量化，能够更好的对果实的缺陷或者某些细节等的特征信息进行提取或量化，而这些特征信息，一方面，由于人工难以定义各种场景，即使可以定义，人也不一定会想全；另一方面，由于规则参数太多，提取过程中工作量过大；再者，由于场景过多，某些情况下某些参数的设置可能会出现互斥的情况，因此采用传统的图像处理算法往往无法准确提取或量化特征信息；在一个实施例中，也可以采用人工智能与其它算法相结合的方法，比如，基于人工智能的方法提取特征信息，然后再采用其他算法对特征信息进行量化，采用这种方法，即可以实现上面实施例所述的基于人工智能方法进行特征信息提取的有益效果，又可以通过其它算法使得提取后的特征信息的量化值更加准确，后面实施例会有进一步详细的说明。
其中，人工智能的方法是指将果实图像输入预先经过训练的特征提取模型或特征量化模型，输出上述特征信息或者直接输出特征信息的量化值。具体的，特征提取模型或特征量化模型可以但不限于是：卷积神经网络(Convolutional Neural Networks,CNN)，常见的CNN模型可以包括但不限于：LeNet，AlexNet，ZFNet，VGG，GoogLeNet，Residual Net，DenseNet，R-CNN，SPP-NET，Fast-RCNN，Faster-RCNN，YOLO，SSD，BB8，YOLO-6D，Deep-6dPose，PoseCNN，Hourglass,CPN以及其他现在已知或将来开发的网络模型结构。
需要说明的是，对多个不同的特征信息的提取或量化，可以选用几个模型来提取或量化，除此之外，也可以选用一个模型来提取或量化，本具体实施例不做限定。
有关特征提取模型或特征量化模型的训练方法可以参见上面实施例中有关初始筛选模型的训练方法，在此不再赘述。示例性的，可以将上面实施例所述的槟榔的轮廓和/或骨骼线作为特征提取模型的标注，对特征提取模型进行训练。
在一个实施例中，可以基于各种图像处理算法提取特征信息，比如：轮廓提取、归一化、二值化和/或去噪处理。示例性的，以特征信息为果实的轮廓为例，可以基于某些算子(比如：Canny算子、Sobel算子或robert算子)对图像进行处理，然后经过阈值处理得到轮廓图；基于某些已经开发的软件提取的边缘，比如：Matlab；或者可以为表示边缘信息的梯度图。
如图5所示，为方便理解，对于上面实施例所述的步骤S110可以包括先基于果实图像提取特征信息，然后再基于特征信息进行量化，得到量化结果进行进一步详细说明。在一个实施例中，步骤S110可以包括如下方法步骤：
步骤S111基于果实图像提取特征信息；
具体的，特征信息提取方法可以但不限于是通过人工智能、各种图像处理算法等现在已有或将来开发的方法实现。
有关特征信息提取的其它相关描述可以参见上面的实施例，在此不再重复赘述。
步骤S112量化特征信息。
具体的，可以根据各种现在已有或将来开发的方法和/或函数等对特征信息进行量化，比如，对于提取的果实的轮廓，可以基于函数cv2.drawContours(image,contours,contourIdx,color,thickness)进行轮廓标记，再基于函数cv2.contourArea(contour)计算轮廓的面积。
在某些情况下，基于提取的特征信息，进一步对特征信息进行量化，可以提高特征信息提取的精度，和/或提高特征信息量化的精度，相对直接对果实图像进行特征信息量化可以得到更精确的量化结果。
需要说明的是，对于基于人工智能模型的特征信息的量化，优选采用步骤步骤S111-步骤S112的方法，即先基于特征提取模型提取特征信息，再针对特征信息进行量化，后面实施例会有进一步详细的说明。
示例性的，如图3A所示，继续以果实为槟榔为例，如图3B所述，当特征信息为槟榔的骨骼线特征，进一步，可以测量该骨骼线的长度和弯曲度等，得到骨骼线的长度：578和弯曲度：2.171的量化值；再如图3C所示，当特征信息为槟榔的轮廓特征，进一步，可以测量该轮廓的面积、宽高比、重心偏移量等得到面积：123392，宽高比：0.493，重心偏移量：20.88的量化值；再如图3D所示，当特征信息为槟榔的斑点特征，进一步，可以测量该该斑点的个数、总面积或最大面积等，得到斑点的个数：2，总面积:5676，最大面积：3962的量化值；如图3E所示，当特征信息为槟榔的纹路特征，进一步，可以测量该纹路的面积、重心偏移或纹理分布等，得到纹路的面积占比：0.125，重心偏移：42.93纹理分布(水平/竖直)：0.254 0.746等量化值。
如图6所示，在一个实施例中，步骤S112之前可以包括：
步骤S113对特征信息进行预处理；
一些情况下，在图像采集或者特征信息提取的过程中，因为存在某些干扰信息或者提取特征信息的算法等本身存在一定的缺陷，使得特征信息的提取可能不够准确，因此通过对特征信息进行进一步的预处理，使得经过预处理后的特征信息更加接近真实、完整的特征信息。
具体的，步骤S113可以采用现在已有或者将来开发的各种方法对特征信息进行预处理，比如：去除位于果实的轮廓的外部的杂质、修正不完整和/或多余的特征信息、去除特征信息中的冗余数据、调整亮度、调整对比度、调整饱和度、图像归一化、降噪、二值化、区域修正和/或区域删除。
如图7所示，在一个实施例中，以去除位于轮廓的外部的杂质为例，步骤S113可以包括如下方法步骤：
步骤S1131，去除特征信息中位于果实轮廓的外部的杂质。
通常在图像采集的过程中或者特征信息提取的过程中，因为某些干扰，使得图像中提取的特征信息包括杂质，这些杂质会影响最终的量化结果，通过基于果实的轮廓特征信息，将位于果实轮廓的外部的干扰杂质去除，进而可以提高最终特征信息量化结果的准确度。
如图8所示，在一个实施例中，步骤S113可以包括：
步骤S1132修正不完整和/或多余的特征信息；
对于提取的轮廓、中线等等可能存在不完整、多余或重叠的部分的特征信息，可以进一步基于拟合和/或插值等的图像处理算法，对这些不完整、多余或重叠的部分进行修正，从而得到相对完整、准确或确定的特征信息，进而可以帮助更好的进行特征信息的量化或者提高量化的精度等。
步骤S120基于特征信息的量化值，生成果实的筛选结果。
具体的，果实的筛选结果包括但不限于：果实的种类、果实的品质(比如，果实的等级品质)。
具体的，可以采用各种现在已有或者将来开发的方法基于特征信息的量化值进行果实筛选，比如:可以基于人工智能的方法，或者基于与预设的指标值进行对比筛选的方法。
需要说明的是，可以基于某一个特征信息的量化值进行果实的筛选，除此之外，也可以结合多个特征信息的量化值综合评价从而得到果实的筛选结果。
在一个实施例中，以人工智能的方法为例，可以将特征信息的量化值输入预先经过训练的量化筛选模型中，从而得到果实的筛选结果。具体的，量化筛选模型可以采用各种现在已有或者将来开发的神经网络(Neural Networks,NN),有关模型的训练方法可以参照上面实施例所述的初始筛选模型的训练方法的相关描述，在此不再赘述。通过将特征信息的量化值输入量化筛选模型，得到果实的筛选结果，可以提高针对特征信息的量化值的各种变换进行果实筛选的适应性；并为有效结合多个特征信息的量化值(比如，有些特征信息的量化值甚至可能是相互冲突的)进行综合评估筛选提供可能，从而提高了筛选的灵活性；另外，当某个筛选所依据的特征信息的量化值过多的情况下，可以减少针对每个量化值与预设指标进行比较的过程，提高了筛选的效率。
在一个实施例中，以将特征信息的量化值与预设的指标值进行对比筛选为例。通过对特征信息进行量化，然后根据实际需要对应调整预设指标值(比如某个阈值)，再将量化后的特征信息与预设指标值进行比较、筛选，可以灵活、快速的实现各种用户基于各种果实筛选标准提出的果实筛选需求，提高了针对多种情况下果实筛选的适应性；另外，提高了效率，降低了成本。
示例性的，继续以槟榔为例，可以根据量化的槟榔的轮廓的面积的值与预设的指标值进行比较，可以设定面积值大于该指标值的为优等的槟榔，而面积值小于该指标值的为低等槟榔；或者结合面积值、宽高比、重心偏移量等综合判断，只有上述几个量化值都大于预设指标值时，才能评为优等槟榔等；或者可以将上述骨骼线的弯曲度与预设指标进行对比，判断骨骼线的弯曲度是否在预设指标值内，如果在预设指标值内，则可以判断该果实为合格品，如果在预设指标外，即过度弯曲的，可以判断为不合格品；或者可以将上述槟榔的纹路的量化值与预设的指标值进行比较，通常优质的槟榔的纹路均匀分布，如果量化后的槟榔的纹路发生过大的重心偏移(即重心偏移量大于预设的指标值)和/或纹路的面积过小(即纹路面积小于预设的指标值)等，则可以判定该槟榔为低等品；或者可以将上述槟榔的斑点的量化值与预设的指标值进行比较，如果所有斑点面积总和/或者单个斑点的面积的量化值大于预设指标值，则可以判定该该槟榔为不合格产品。
如图10所示，在一个实施例中，根据上面实施例所述，如果果实筛选方法包括步骤S140，则步骤S120可以为结合初始筛选结果和特征信息的量化值，生成果实的筛选结果，有关该方法可以参见上面的实施例中的相关描述，在此不再赘述。
如图9所示，在一个实施例中，步骤S120之前可以包括：
步骤S130对特征信息的量化值进行预处理。
具体的，步骤S130可以采用各种现在已有或者将来开发的方法实现，比如，当生成的特征信息的量化值偏离某个预设的范围，则该特征信息的量化值视为无效的信息，可以重复上面实施例所述的方法重新进行特征信息的量化值的提取，或者通过某些方法对特征信息的量化值进行修正，以达到对特征信息的量化值进行预处理的目的。通过对特征信息的量化值进行预处理，可以提高特征信息的量化值的准确度、精度等。
如图12所示，在一个实施例中，根据前面实施例所述，当某个果实对应多张果实图像时，步骤S120之后还包括：
步骤S170结合多张果实图像分别对应的筛选结果，确定某个果实的最终的筛选结果。
在一个实施例中，可以选取多张果实图像分别对应的筛选结果中最差的筛选结果作为该果实的最终的筛选结果。
具体的，根据前面实施例所述，每个果实可以对应一张果实图像，也可以对应多张果实图像(比如，多个视角下的果实图像)，对于对应多个视角的多张果实图像，选取多张果实图像分别对应的多个筛选结果中最差的筛选结果作为果实的最终的筛选结果，比如，当某个果实的其中一张果实图像对应的筛选结果为不合格品，即使其它方位的果实图像对应的筛选结果都判断该果实为合格，仍然认为该果实的筛选结果为不合格。则后面实施例中步骤S180基于果实的筛选结果生成指令为基于果实的最终的筛选结果生成指令
在一个实施例中，可以取与大多数筛选结果一致的筛选结果作为该果实的最终的筛选结果等。
如图13所示，在一个实施例中，还提供一种果实分拣方法，以该方法应用于如图1C或1D所示的系统中的终端11为例，该果实分拣方法除包括上面实施例所述的果实筛选方法之外，还包括：
步骤S180基于果实的筛选结果生成指令，通过指令控制执行机构基于对果实进行分拣。
如图1C所示，在一个实施例中，可以预先建立图像传感器21和执行机构31的关联关系，比如：基于图像传感器21采集的果实图像中的果实的位置和关联关系可以判断该果实在采集图像当前到达的传送组件313的位置，再结合传送组件的运动速度，可以计算出被筛选的果实在哪个时间会到达分选部(比如：某个线性模组311)，再通过分选部将该果实分选到对应的位置。
如图1D所示，在一个实施例中，也可以当某个果实随传送组件运动到图像传感器21的视野对应的某个位置时，停止传送组件313的传送，然后基于上面实施例所述的方法进行筛选，按照筛选的分类结果由机械手312抓取果实M，并将果实放置到相应的分装处。示例性的，以上面实施例所述的双目相机21为例，可以求取在双目相机21采集图象时果实M的姿态，再结合传送组件的运动速度，可以求取在某个时刻果实M的姿态，然后控制机械手312根据该姿态抓取果实M,并按照预设的分类结果对应的操作模式，将果实M放置到相应的分装处。
有关果实筛选方法参见上面的实施例，在此不再重复赘述。
应该理解的是，虽然图4-13的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图4-13的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
如图14所示，在一个实施例中，提供一种果实筛选装置，该果实筛选装置包括：
特征量化模块110，用于量化果实图像中的果实的特征信息，得到特征信息的量化值；
特征评估模块120，用于基于特征信息的量化值，生成果实的筛选结果。
如图15所示，在一个实施例中，果实筛选装置还包括：
量值处理模块130，用于对特征信息的量化值进行预处理。
如图16所示，在一个实施例中，果实筛选装置还包括：
第一初始筛选模块140，用于基于果实图像，生成果实的初始筛选结果。
如图17所示，在一个实施例中，果实筛选装置还包括：
第二初始筛选模块150，用于基于果实的初始图像，生成果实的初始筛选结果；
图像选取模块160，用于基于初始筛选结果，获取初始图像中符合预设条件的果实图像。
如图18所示，在一个实施例中，特征量化模块110包括：
特征提取单元111，用于基于果实图像提取特征信息；
特征量化单元112，用于量化特征信息。
如图19所示，在一个实施例中，特征量化模块110还包括：
特征处理单元113，用于对特征信息进行预处理。
在一个实施例中，特征处理单元113包括：
杂质去除部分1131，用于去除特征信息中位于果实的轮廓外部的杂质；
在一个实施例中，特征优化单元113包括：
特征修正部分1132，用于修正不完整和/或多余的特征信息。
在一个实施例中，特征评估模块120包括：
量化评估单元121，用于基于预设指标评估特征信息的量化值，得到果实的筛选结果；
在一个实施例中，特征评估模块120包括：
量化输出单元122，用于将所述特征信息的量化值输入量化筛选模型，得到果实的筛选结果。
如图20所示，在一个实施例中，当某个果实对应多张果实图像时，果实筛选装置还包括：
结果确定模块170，用于结合所述多张果实图像分别对应的所述筛选结果，确定所述某个果实的最终的所述筛选结果。
如图21所示，在一个实施例中，提供一种果实分拣装置200，该果实分拣装置包括果实筛选装置100和指令生成模块180。
指令生成模块180，用于基于果实的筛选结果生成指令，通过指令控制执行器按照所述筛选结果对果实进行分拣。
有关果实筛选装置参见上面的实施例，在此不再重复赘述。
关于上述果实筛选、分拣装置的具体限定可以参见上文中对于果实筛选、分拣方法的限定，在此不再赘述。上述果实筛选、分拣装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，如图2所示，提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述果实筛选和/或果实分拣方法的步骤。
在一个实施例中，提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述果实筛选和/或果实分拣方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
除非另有定义，本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本说明书中在本发明的说明书中所使用的属于只是为了描述具体的实施方式的目的，不是用于限制本发明。
本发明的权利要求书和说明书及上述附图中的术语“第一”、“第二”、“第三”、“S110”、“S120”“S130”等等(如果存在)是用来区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换或在某些情况下同时发生，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”“具有”以及他们的任何变形，意图在于覆盖不排他的包含。例如：包括了一系列步骤或者模块的过程、方法、系统、产品或机器人不必限于清楚地列出的那些步骤或者模块，而是包括没有清楚地列出的或对于这些过程、方法、系统、产品或机器人固有的其它步骤或模块。
需要说明的是，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的结构和模块并不一定是本发明所必须的。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (17)

1.一种果实筛选方法，其特征在于，所述果实筛选方法包括：
量化果实图像中的果实的特征信息，得到所述特征信息的量化值；
基于所述特征信息的量化值，生成所述果实的筛选结果。
2.根据权利要求1所述的果实筛选方法，其特征在于，所述果实筛选方法还包括：
基于所述果实的初始图像，生成所述果实的初始筛选结果；
基于所述初始筛选结果，获取所述初始图像中符合预设条件的所述果实图像。
3.根据权利要求1所述的果实筛选方法，其特征在于，所述果实筛选方法还包括：
基于所述果实图像，生成所述果实的初始筛选结果；
所述基于所述特征信息的量化值，生成所述果实的筛选结果包括：
结合所述初始筛选结果和所述特征信息的量化值，生成所述果实的筛选结果。
4.根据权利要求1所述的果实筛选方法，其特征在于，所述基于所述特征信息的量化值，生成所述果实的筛选结果包括：
基于预设指标评估所述特征信息的量化值，得到所述果实的筛选结果；或
将所述特征信息的量化值输入量化筛选模型，得到所述果实的筛选结果。
5.根据权利要求1-4任一项所述的果实筛选方法，其特征在于，所述量化所述果实图像中的所述果实的特征信息包括：
基于所述果实图像提取所述特征信息；
量化所述特征信息，得到所述特征信息的量化值；或
基于所述果实图像，生成所述特征信息的量化值。
6.根据权利要求5所述的果实筛选方法，其特征在于，当所述量化所述果实图像中的所述果实的特征信息包括所述基于所述果实图像提取所述特征信息，所述基于所述果实图像提取所述特征信息包括：
将所述果实图像输入特征提取模型，得到所述特征信息；或
基于图像处理算法，提取所述果实图像的所述特征信息。
7.根据权利要求5所述的果实筛选方法，其特征在于，所述量化所述特征信息之前还包括：对所述特征信息进行预处理；或
所述量化所述特征信息之前还包括：对所述特征信息进行预处理；所述预处理包括：去除所述特征信息中位于果实轮廓的外部的杂质；和/或修正不完整和/或多余的特征信息；和/或去除所述特征信息中的冗余数据。
8.根据权利要求1-4任一项所述的果实筛选方法，其特征在于，所述基于所述特征信息的量化值，生成所述果实的筛选结果之前还包括：
对所述特征信息的量化值进行预处理。
9.根据权利要求1-4任一项所述的果实筛选方法，其特征在于，当某个所述果实对应多张果实图像；所述果实筛选方法还包括：
结合所述多张果实图像分别对应的所述筛选结果，确定所述某个果实的最终的所述筛选结果。
10.根据权利要求1-4任一项所述的果实筛选方法，其特征在于，所述特征信息包括：所述果实的颜色信息、形状信息、瑕疵信息和/或细节信息；和/或
所述果实的筛选结果包括：所述果实的种类分类和/或所述果实的品质分类；和/或
所述果实为槟榔。
11.一种果实分拣方法，其特征在于，所述果实分拣方法包括：
权利要求1-10任一项所述的果实的筛选方法；
基于所述果实的所述筛选结果生成指令，通过所述指令控制执行机构对所述果实进行分拣。
12.一种果实筛选装置，其特征在于，所述果实筛选装置包括：
特征量化模块，用于量化所述果实图像中的所述果实的特征信息，得到特征信息的量化值；
特征评估模块，用于基于所述特征信息的量化值，生成所述果实的筛选结果。
13.一种果实分拣装置，其特征在于，所述果实分拣装置包括：
特征量化模块，用于量化所述果实图像中的所述果实的特征信息，得到特征信息的量化值；
特征评估模块，用于基于所述特征信息的量化值，生成所述果实的筛选结果；
指令生成模块，用于基于所述果实的所述筛选结果生成指令，通过所述指令控制执行机构对所述果实进行分拣。
14.一种果实筛选系统，其特征在于，所述果实筛选系统包括：图像传感器和控制装置；
所述图像传感器和所述控制装置通信连接；
所述图像传感器，用于采集果实的果实图像或初始图像；
所述控制装置，用于获取所述果实图像；量化所述果实图像中的所述果实的特征信息，得到特征信息的量化值；基于所述特征信息的量化值，生成所述果实的筛选结果；或
用于基于所述初始图像，生成所述果实的初始筛选结果；基于所述初始筛选结果，获取所述初始图像中符合预设条件的果实图像；量化所述果实图像中的所述果实的特征信息，得到特征信息的量化值；基于所述特征信息的量化值，生成所述果实的筛选结果。
15.一种果实分拣系统，其特征在于，所述果实分拣系统包括：图像传感器、执行机构和控制装置；
所述图像传感器和所述执行机构分别通信连接所述控制装置；
所述图像传感器，用于采集果实的果实图像或初始图像；
所述控制装置，用于量化所述果实图像中的所述果实的特征信息，得到特征信息的量化值；基于所述特征信息的量化值，生成所述果实的筛选结果；基于所述果实的所述筛选结果生成指令，通过所述指令控制所述执行机构对所述果实进行分拣；或
用于基于所述初始图像，生成所述果实的初始筛选结果；基于所述初始筛选结果，获取所述初始图像中符合预设条件的果实图像；量化所述果实图像中的所述果实的特征信息，得到特征信息的量化值；基于所述特征信息的量化值，生成所述果实的筛选结果；基于所述果实的所述筛选结果生成指令，通过所述指令控制所述执行机构对所述果实进行分拣。
16.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-10任一项所述的果实筛选方法；或权利要求11所述的果实分拣方法。
17.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-10任一项所述的果实筛选方法；或权利要求11所述的果实分拣方法。
CN202011094391.XA 2020-10-14 2020-10-14 果实筛选、分拣方法、装置、系统、存储介质及设备 Pending CN112464706A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011094391.XA CN112464706A (zh) 2020-10-14 2020-10-14 果实筛选、分拣方法、装置、系统、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011094391.XA CN112464706A (zh) 2020-10-14 2020-10-14 果实筛选、分拣方法、装置、系统、存储介质及设备

Publications (1)

Publication Number Publication Date
CN112464706A true CN112464706A (zh) 2021-03-09

Family

ID=74833080

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011094391.XA Pending CN112464706A (zh) 2020-10-14 2020-10-14 果实筛选、分拣方法、装置、系统、存储介质及设备

Country Status (1)

Country Link
CN (1) CN112464706A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113109240A (zh) * 2021-04-08 2021-07-13 国家粮食和物资储备局标准质量中心 一种计算机实施的粮食不完善粒测定方法和系统
CN114088714A (zh) * 2021-11-09 2022-02-25 北京中检葆泰生物技术有限公司 一种谷物颗粒表面规则度的检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101926836B1 (ko) * 2018-02-09 2018-12-07 (주)마인드엘리베이션 심리 스크리닝을 위한 인공지능기반 그림 심리검사 서비스 제공 시스템 및 방법
CN109885709A (zh) * 2019-01-08 2019-06-14 五邑大学 一种基于自编码预降维的图像检索方法、装置和存储介质
CN111161007A (zh) * 2019-01-31 2020-05-15 深圳碳云智能数字生命健康管理有限公司 产品信息处理方法、装置、计算机设备和存储介质
CN111242948A (zh) * 2020-04-29 2020-06-05 腾讯科技（深圳）有限公司 图像处理、模型训练方法、装置、设备和存储介质
CN111242057A (zh) * 2020-01-16 2020-06-05 南京理工大学 产品分拣系统、方法、计算机设备和存储介质
CN111311578A (zh) * 2020-02-17 2020-06-19 腾讯科技（深圳）有限公司 基于人工智能的对象分类方法以及装置、医学影像设备
CN111507288A (zh) * 2020-04-22 2020-08-07 上海眼控科技股份有限公司 图像检测方法、装置、计算机设备和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101926836B1 (ko) * 2018-02-09 2018-12-07 (주)마인드엘리베이션 심리 스크리닝을 위한 인공지능기반 그림 심리검사 서비스 제공 시스템 및 방법
CN109885709A (zh) * 2019-01-08 2019-06-14 五邑大学 一种基于自编码预降维的图像检索方法、装置和存储介质
CN111161007A (zh) * 2019-01-31 2020-05-15 深圳碳云智能数字生命健康管理有限公司 产品信息处理方法、装置、计算机设备和存储介质
CN111242057A (zh) * 2020-01-16 2020-06-05 南京理工大学 产品分拣系统、方法、计算机设备和存储介质
CN111311578A (zh) * 2020-02-17 2020-06-19 腾讯科技（深圳）有限公司 基于人工智能的对象分类方法以及装置、医学影像设备
CN111507288A (zh) * 2020-04-22 2020-08-07 上海眼控科技股份有限公司 图像检测方法、装置、计算机设备和存储介质
CN111242948A (zh) * 2020-04-29 2020-06-05 腾讯科技（深圳）有限公司 图像处理、模型训练方法、装置、设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113109240A (zh) * 2021-04-08 2021-07-13 国家粮食和物资储备局标准质量中心 一种计算机实施的粮食不完善粒测定方法和系统
CN114088714A (zh) * 2021-11-09 2022-02-25 北京中检葆泰生物技术有限公司 一种谷物颗粒表面规则度的检测方法

Similar Documents

Publication Publication Date Title
CN109583489B (zh) 缺陷分类识别方法、装置、计算机设备和存储介质
CN109086656B (zh) 机场异物检测方法、装置、计算机设备及存储介质
WO2021000524A1 (zh) 孔位保护门检测方法、装置、计算机设备和存储介质
CN109034078B (zh) 年龄识别模型的训练方法、年龄识别方法及相关设备
CN109543627B (zh) 一种判断驾驶行为类别的方法、装置、及计算机设备
CN108734283B (zh) 神经网络系统
CN110148130B (zh) 用于检测零件缺陷的方法和装置
KR102166458B1 (ko) 인공신경망 기반의 영상 분할을 이용한 불량 검출 방법 및 불량 검출 장치
CN108304754A (zh) 车型的识别方法和装置
CN112464706A (zh) 果实筛选、分拣方法、装置、系统、存储介质及设备
CN111915572B (zh) 一种基于深度学习的自适应齿轮点蚀定量检测系统及方法
CN111667464A (zh) 危险品三维图像检测方法、装置、计算机设备及存储介质
CN116664559B (zh) 基于机器视觉的内存条损伤快速检测方法
CN114902279A (zh) 基于机器视觉的自动化缺陷检测
CN112329782A (zh) 一种原料粒度确定方法、系统、终端及介质
CN110807139A (zh) 图片识别方法、装置、计算机可读存储介质和计算机设备
CN111199523A (zh) 电力设备识别方法、装置、计算机设备和存储介质
CN112686890A (zh) 一种基于奇异值分解的人造板表面缺陷检测方法
CN111144398A (zh) 目标检测方法、装置、计算机设备和存储介质
US20210279855A1 (en) Neural network-based systems and computer-implemented methods for identifying and/or evaluating one or more food items present in a visual input
CN112712513A (zh) 产品缺陷检测方法、装置、设备及计算机可读存储介质
CN114926441A (zh) 一种注塑件加工成型的缺陷检测方法及系统
CN115302963A (zh) 一种基于机器视觉的条形码印刷控制方法、系统及介质
CN108052918A (zh) 一种笔迹比对系统及方法
CN110807463B (zh) 图像分割方法、装置、计算机设备和存储介质

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