CN112488233A - 一种基于果纹图谱信息的编码和识别方法及装置 - Google Patents

一种基于果纹图谱信息的编码和识别方法及装置 Download PDF

Info

Publication number
CN112488233A
CN112488233A CN202011447866.9A CN202011447866A CN112488233A CN 112488233 A CN112488233 A CN 112488233A CN 202011447866 A CN202011447866 A CN 202011447866A CN 112488233 A CN112488233 A CN 112488233A
Authority
CN
China
Prior art keywords
fruit
image
coding table
feature
base part
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.)
Granted
Application number
CN202011447866.9A
Other languages
English (en)
Other versions
CN112488233B (zh
Inventor
钱建平
吴文斌
史云
余强毅
杨鹏
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.)
Institute of Agricultural Resources and Regional Planning of CAAS
Original Assignee
Institute of Agricultural Resources and Regional Planning of CAAS
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 Institute of Agricultural Resources and Regional Planning of CAAS filed Critical Institute of Agricultural Resources and Regional Planning of CAAS
Priority to CN202011447866.9A priority Critical patent/CN112488233B/zh
Publication of CN112488233A publication Critical patent/CN112488233A/zh
Priority to PCT/CN2021/103363 priority patent/WO2022121290A1/zh
Application granted granted Critical
Publication of CN112488233B publication Critical patent/CN112488233B/zh
Priority to US17/698,142 priority patent/US20220207789A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/50—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using hash chains, e.g. blockchains or hash trees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06V10/32—Normalisation of the pattern dimensions
    • 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
    • G06V10/44—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
    • G06V10/443—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 by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/80—Recognising image objects characterised by unique random patterns
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/06—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols the encryption apparatus using shift registers or memories for block-wise or stream coding, e.g. DES systems or RC4; Hash functions; Pseudorandom sequence generators
    • H04L9/0643—Hash functions, e.g. MD5, SHA, HMAC or f9 MAC
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
    • H04L9/3247—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials involving digital signatures
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30128—Food products

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Security & Cryptography (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Power Engineering (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于果纹图谱信息的编码和识别方法和装置，该方法包括步骤：A、夹持水果并进行转动，对每个待编码水果的果蒂部分和果脐部分分别摄取一幅图像；B、分别对果蒂部分图像和果脐部分图像转换为果蒂部分矩形图像和果脐部分矩形图像；C、分别提取果蒂部分矩形图像和果脐部分矩形图像特征形成特征编码表；D、对待识别的水果进行图像特征编码，将获得的特征编码表与存储的特征编码表进行匹配，用于果纹图谱特征信息的识别。本发明的基于果纹图谱信息的编码和识别方法和装置，基于果品的自然纹路形成特征编码，具有精度高、防篡改等优点。

Description

一种基于果纹图谱信息的编码和识别方法及装置
技术领域
本发明涉及植物特征提取和识别技术，特别是涉及到基于水果天然纹路的信息编码和识别技术。
背景技术
建立“从田间到餐桌”的全过程质量安全追溯体系，已成为确保民众“舌尖上安全”的迫切需要。个体或者批次识别是实现追溯的基础，已有识别手段多以条码或无线射频识别(radio frequency identification,RFID)技术为基础。
条码技术功能强大，例如输入方式具有速度快、准确率高、可靠性强等特点，在商品流通、工业生产、仓储管理、信息服务等领域得到了广泛的应用。一维条码通常只是对物品的类别进行标识，而不能对物品的属性进行描述。二维条码的出现大大弥补了一维条码的不足，二维条码能水平和垂直方向的二维空间存储信息。RFID是一种非接触式的自动识别技术，具有存储容量大、可加密访问、支持多标签识读等特性，但其成本也较高。
但是对于水果等植物品种，如果附加条码信息以进行编码、识别和溯源，则会存在各种困难和缺点，首先，果品自身形状不规则，贴制条码或RFID标签易脱落，而且果品不规则表面不利于条码的读取；其次，果品表面贴制标签容易污染果品表皮，影响果品品质，也容易产生质量安全问题；另外，单个果品贴制标签，既增加了标签等耗材的成本，也增加了人力成本；另外，条码还可能存在伪造和复制，相同条码信息不一定意味着相同的水果，因此降低了条码信息的可信度。
发明内容
为了解决现有技术中对于水果等植物品种，如果附加条码信息以进行编码、识别和溯源，则会存在各种困难，例如由于果品自身形状不规则，贴制条码或RFID标签易脱落，而且果品不规则表面不利于条码的读取；另外果品表面贴制标签容易污染果品表皮，影响果品品质，也容易产生质量安全问题；另外，单个果品贴制标签，既增加了标签等耗材的成本，也增加了人力成本；另外，条码还可能存在伪造和复制，相同条码信息不一定意味着相同的水果，因此降低了条码信息的可信度等技术问题。本发明提出了一种基于果纹图谱信息的编码和识别方法及装置，能够利用利用果品自身的果纹特征，构建基于果纹特征的图谱的编码方法，建立每个果品的“身份证”，进而实现果品的单果识别；设计果纹图谱获取与生成装置，用于快速获取果品表面图像、图像特征提取、生成果纹图谱。
为了实现这一目标，本发明采取了如下的技术方案。
一种基于果纹图谱信息的编码和识别方法，该方法包括以下步骤：
A、夹持水果并进行转动，对每个待编码水果的果蒂部分和果脐部分分别摄取一幅图像；
B、分别对果蒂部分图像和果脐部分图像进行灰度化，并对图像进行归一化处理，转换为果蒂部分矩形图像和果脐部分矩形图像；
C、分别提取果蒂部分矩形图像和果脐部分矩形图像特征，进行图像特征编码，获得果蒂部分特征编码表和果脐部分特征编码表，对于果蒂部分特征编码表和果脐部分特征编码表进行并操作，获得合并后的双向特征编码表；存储双向特征编码表、果蒂部分特征编码表和果脐部分特征编码表；
D、对待识别的水果进行图像特征编码，将获得的特征编码表与存储的特征编码表进行匹配，用于果纹图谱特征信息的识别。
本发明的特点之一在于利用水果的天然纹路作为基准，将该天然纹路中提取出图像特征，并进行图像特征编码，一般说来，没有纹路完全相同的两个水果，因此只要控制果蒂部分和果脐部分图像具有足够的分辨率，可以将世上所有的水果都编出不同的特征编码出来，因此本发明的技术效果在于准确性、唯一性。
因为水果的天然纹路不易篡改，无法复制，即使水果生长发生了形状改变也基本保持原有纹路信息，因此本发明具有能够防伪、便于溯源的突出优点。对于纹路比较显著的水果，例如西瓜、哈密瓜、苹果等水果的编码和识别，特别适合。
另外，本发明的特点之一在于，分别利用了水果果蒂部分矩形图像和果脐部分矩形图像的特征，进行图像特征编码，获得果蒂部分特征编码表和果脐部分特征编码表，对于果蒂部分特征编码表和果脐部分特征编码表进行并操作，获得合并后的双向特征编码表，因此进行特征编码表匹配以识别水果时，可以首先利用合并后的双向特征编码表进行匹配，如果合并后的双向特征编码表能匹配，则说明待识别水果与数据库中所存储的水果完全匹配，能够用于快速匹配；但如果发生了水果的局部外皮擦伤，例如水果果蒂部分矩形图像和果脐部分矩形图像中的一个发生了形状或花纹改变，导致合并后的双向特征编码表不能匹配时，也可以考虑分别利用果蒂部分特征编码表和果脐部分特征编码表来进行识别，当仅有一种特征编码表能够匹配并符合其他条件时，也能被视作识别成功，因此本发明的编码和识别方法还具有一定的容错性，能够兼容检测效率和鲁棒性。
另外，所述对图像进行归一化处理，转换为果蒂部分矩形图像和果脐部分矩形图像的步骤包括：
B1、在果蒂部分图像和果脐部分图像中，根据果蒂和果脐的灰度与外围表皮的灰度存在的差异，对果蒂和果脐核心的外边缘进行定位，并提取果蒂和果脐的中心位置；
B2、分别以提取的果蒂和果脐的中心位置为圆心，以中心到边缘的预定距离R1和R2为半径绘制同心圆，提取两个同心圆之间的圆环为待处理区域；
B3、对待处理区域进行归一化处理为：
I(x(r,θ),y(r,θ))→I(r,θ)，
其中，
Figure BDA0002825388740000041
其中，I(x,y)表示圆环图像；(r,θ)表示归一化后的极坐标，r∈[0,1],θ∈[0°,360°]，当r＝0时，表示I(x(r,θ),y(r,θ))为圆环图像内边缘的像素点；当r＝1时，表示I(x(r,θ),y(r,θ))为圆环图像外边缘的像素点；对于待处理区域中的每一个点(xi,yi)，分别考虑与中心点(x0,y0)的关系，确定其(r,θ)，并以r和θ为直角坐标，将圆环图像变换为直角坐标下的矩形图像I(r,θ)。
另外，对于转换后的果蒂部分矩形图像和果脐部分矩形图像，分别进一步采取直方图均衡化来增强图像，用于获得更清晰的纹理；所述采取直方图均衡化为：
Figure BDA0002825388740000042
其中N是所述待增强图像像素的总数，N(rk)为图像出现灰度级为rk的像素数，k为灰度级数，T(rk)为对于灰度级rk的转换函数，S(rk)为转换后的灰度级。
另外，所述分别提取果蒂部分矩形图像和果脐部分矩形图像特征，进行图像特征编码，获得果蒂部分特征编码表和果脐部分特征编码表的步骤包括：
C1、首先用哈尔小波变换提取各通道的能量均值μ及方差σ，使用K均值聚类方法进行聚类，得到小样本集的圆环图像；
C2、使用二维Gabor滤波提取圆环图像的纹理信息，得到相应的纹理特征参数；其中所述二维Gabor滤波的表达式为：
Figure BDA0002825388740000043
其中，x1＝x cosθ+ysinθ,y1＝-xsinθ+ycosθ；波长λ以像素为单位指定，λ表示Gabor核函数中余弦函数的波长参数，以像素为单位指定，通常大于等于2，但不能大于输入图像尺寸的五分之一；而θ为方向；指定了Gabor函数并行条纹的方向，它的取值为0到360度。另外，σ表示Gabor函数的高斯因子的标准差。
C3、得到纹理特征参数后，判断其系数的实部和虚部的正负进行量化编码，具体为：
Figure BDA0002825388740000051
Figure BDA0002825388740000052
其中，hRe,hIm分别表示为滤波后特征参数的实部和虚部，fft表示傅里叶变换，ifft表示为傅里叶反变换。其中，G(f)表示滤波器，与前述的G(x,y)对应；I(r)表示归一化后的图像。
另外，所述对于果蒂部分特征编码表和果脐部分特征编码表进行并操作，获得合并后的双向特征编码表为：
C4、T＝TA∪TB＝{X(i,j)|X(i,j)∈TA或X(i,j)∈TB}，
其中T为合并后的双向特征编码表，TA、TB分别为果蒂部分和果脐部分的特征编码表，X(i,j)为双向编码表中第i行第j列对应的值。
另外，所述对待识别的水果进行图像特征编码，将获得的特征编码表与存储的特征编码表进行匹配，用于果纹图谱特征信息的识别包括步骤：
D1、使用基于汉明距离的分类器进行匹配，其距离计算公式为：
Figure BDA0002825388740000053
其中，N为特征编码位数，XOR表示异或运算，Pj、Qj分辨表示纹理特征编码P、Q的第j位；
确定距离大于预定第一阈值，则属于不同的果品，确定距离小于预定第一阈值，则属于同一果品。
另外，所述对待识别的水果进行图像特征编码，将获得的特征编码表与存储的特征编码表进行匹配，用于果纹图谱特征信息的识别包括步骤：
首先根据合并后的双向特征编码表进行果纹图谱特征信息的识别，若判断属于同一果品，则结束识别；否则如果确定距离与第一阈值之差小于预定差值时，则进一步分别根据果蒂部分特征编码表和果脐部分特征编码表进行果纹图谱特征信息的识别，如果依据果蒂部分特征编码表或果脐部分特征编码表得到的确定距离中的一个小于预定第一阈值，则只需确定距离中的另一个小于第二预定阈值即判断属于同一果品，结束识别。
一种基于果纹图谱信息的编码和识别装置，所述基于果纹图谱信息的编码和识别装置包括图像获取装置、果纹图谱特征编码生成装置和果纹图谱特征信息识别装置，其中，
所述图像获取装置用于夹持水果并进行转动，对每个待编码水果的果蒂部分和果脐部分分别摄取一幅图像；
所述图谱特征编码生成装置用于分别对果蒂部分图像和果脐部分图像进行灰度化，并对图像进行归一化处理，转换为果蒂部分矩形图像和果脐部分矩形图像；以及用于分别提取果蒂部分矩形图像和果脐部分矩形图像特征，进行图像特征编码，获得果蒂部分特征编码表和果脐部分特征编码表，对于果蒂部分特征编码表和果脐部分特征编码表进行并操作，获得合并后的双向特征编码表；存储双向特征编码表、果蒂部分特征编码表和果脐部分特征编码表；
所述果纹图谱特征信息识别装置用于对待识别的水果进行图像特征编码，将获得的特征编码表与存储的特征编码表进行匹配，用于果纹图谱特征信息的识别。
另外，所述所述图像获取装置包括柔性夹持单元、同步转动单元、图像获取单元，其中，
所述柔性夹持单元具有双向伸缩功能，用于根据不同果品的大小、形状夹持果品的两侧；
所述同步转动单元能实现180度旋转，用于将夹持住的果品进行转动，以便于获取每个果品的瓜蒂和瓜脐部分两幅图像；
所述图像获取单元用于每隔一定间隔触发图像获取，用于对每个待编码水果的果蒂部分和果脐部分分别摄取一幅图像。
另外，所述果纹图谱特征信息识别装置用于对待识别的水果进行图像特征编码，将获得的特征编码表与存储的特征编码表进行匹配，用于果纹图谱特征信息的识别包括：
首先根据合并后的双向特征编码表进行果纹图谱特征信息的识别，若判断属于同一果品，则结束识别；否则如果确定距离与第一阈值之差小于预定差值时，则进一步分别根据果蒂部分特征编码表和果脐部分特征编码表进行果纹图谱特征信息的识别，综合考虑识别结果进一步判断是否属于同一果品。
本发明的技术效果包括如下：
1.利用果类自身具有的外表纹理特性建立图谱特征信息，解决果类识别的唯一性和便捷性。所述果纹信息不易遗失，难以篡改，能充分保障水果识别和溯源过程中的准确性。
2.通过果蒂部分特征编码表和果脐部分特征编码表建立合并后的双向特征编码表，提高识别的准确性，首先根据合并后的双向特征编码表进行果纹图谱特征信息的识别，若判断属于同一果品，则结束识别；否则如果确定距离与第一阈值之差小于预定差值时，则进一步分别根据果蒂部分特征编码表和果脐部分特征编码表进行果纹图谱特征信息的识别，综合考虑识别结果进一步判断是否属于同一果品；因此首先提高了准确度，同时保证了一定的纠错能力。
3.采用二维Gabor函数，其特征参数有频率和方向，提升了纹理提取的精度和编码的效率。
附图说明
图1为根据本发明具体实施方式中基于果纹图谱信息的编码和识别装置工作原理的示意图。
图2为根据本发明具体实施方式中基于果纹图谱信息的编码和识别方法的原理示意图。
图3为根据本发明具体实施方式中基于果纹图谱信息的编码和识别方法的流程示意图。
图4为根据本发明具体实施方式中基于果纹图谱信息的编码和识别方法的部分流程示意图。
具体实施方式
下面结合附图，对本发明作详细说明。
以下公开详细的示范实施例。然而，此处公开的具体结构和功能细节仅仅是出于描述示范实施例的目的。
然而，应该理解，本发明不局限于公开的具体示范实施例，而是覆盖落入本公开范围内的所有修改、等同物和替换物。在对全部附图的描述中，相同的附图标记表示相同的元件。
参阅附图，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的位置限定用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
同时应该理解，如在此所用的术语“和/或”包括一个或多个相关的列出项的任意和所有组合。另外应该理解，当部件或单元被称为“连接”或“耦接”到另一部件或单元时，它可以直接连接或耦接到其他部件或单元，或者也可以存在中间部件或单元。此外，用来描述部件或单元之间关系的其他词语应该按照相同的方式理解(例如，“之间”对“直接之间”、“相邻”对“直接相邻”等)。
图2为根据本发明具体实施方式中基于果纹图谱信息的编码和识别方法的原理示意图。图3为根据本发明具体实施方式中基于果纹图谱信息的编码和识别方法的流程示意图。如图所示，本发明具体实施方式中包括一种基于果纹图谱信息的编码和识别方法，该方法包括以下步骤：
A、夹持水果并进行转动，对每个待编码水果的果蒂部分和果脐部分分别摄取一幅图像；
B、分别对果蒂部分图像和果脐部分图像进行灰度化，并对图像进行归一化处理，转换为果蒂部分矩形图像和果脐部分矩形图像；
C、分别提取果蒂部分矩形图像和果脐部分矩形图像特征，进行图像特征编码，获得果蒂部分特征编码表和果脐部分特征编码表，对于果蒂部分特征编码表和果脐部分特征编码表进行并操作，获得合并后的双向特征编码表；存储双向特征编码表、果蒂部分特征编码表和果脐部分特征编码表；
D、对待识别的水果进行图像特征编码，将获得的特征编码表与存储的特征编码表进行匹配，用于果纹图谱特征信息的识别。
本发明的特点之一在于利用水果的天然纹路作为基准，将该天然纹路中提取出图像特征，并进行图像特征编码，一般说来，没有纹路完全相同的两个水果，因此只要控制果蒂部分和果脐部分图像具有足够的分辨率，可以将世上所有的水果都编出不同的特征编码出来，因此本发明的技术效果在于准确性、唯一性。
因为水果的天然纹路不易篡改，无法复制，即使水果生长发生了形状改变也基本保持原有纹路信息，因此本发明具有能够防伪、便于溯源的突出优点。对于纹路比较显著的水果，例如西瓜、哈密瓜、苹果等水果的编码和识别，特别适合。
另外，本发明的特点之一在于，分别利用了水果果蒂部分矩形图像和果脐部分矩形图像的特征，进行图像特征编码，获得果蒂部分特征编码表和果脐部分特征编码表，对于果蒂部分特征编码表和果脐部分特征编码表进行并操作，获得合并后的双向特征编码表，因此进行特征编码表匹配以识别水果时，可以首先利用合并后的双向特征编码表进行匹配，如果合并后的双向特征编码表能匹配，则说明待识别水果与数据库中所存储的水果完全匹配，能够用于快速匹配；但如果发生了水果的局部外皮擦伤，例如水果果蒂部分矩形图像和果脐部分矩形图像中的一个发生了形状或花纹改变，导致合并后的双向特征编码表不能匹配时，也可以考虑分别利用果蒂部分特征编码表和果脐部分特征编码表来进行识别，当仅有一种特征编码表能够匹配并符合其他条件时，也能被视作识别成功，因此本发明的编码和识别方法还具有一定的容错性，能够兼容检测效率和鲁棒性。
另外，图4为根据本发明具体实施方式中基于果纹图谱信息的编码和识别方法的部分流程示意图。如图琐事，在本发明具体实施方式中，所述对图像进行归一化处理，转换为果蒂部分矩形图像和果脐部分矩形图像的步骤包括：
B1、在果蒂部分图像和果脐部分图像中，根据果蒂和果脐的灰度与外围表皮的灰度存在的差异，对果蒂和果脐核心的外边缘进行定位，并提取果蒂和果脐的中心位置；
B2、分别以提取的果蒂和果脐的中心位置为圆心，以中心到边缘的预定距离R1和R2为半径绘制同心圆，提取两个同心圆之间的圆环为待处理区域；
B3、对待处理区域进行归一化处理为：
I(x(r,θ),y(r,θ))→I(r,θ)，
其中，
Figure BDA0002825388740000111
其中，I(x,y)表示圆环图像；(r,θ)表示归一化后的极坐标，r∈[0,1],θ∈[0°,360°]，当r＝0时，表示I(x(r,θ),y(r,θ))为圆环图像内边缘的像素点；当r＝1时，表示I(x(r,θ),y(r,θ))为圆环图像外边缘的像素点；对于待处理区域中的每一个点(xi,yi)，分别考虑与中心点(x0,y0)的关系，确定其(r,θ)，并以r和θ为直角坐标，将圆环图像变换为直角坐标下的矩形图像I(r,θ)。
获得果蒂部分图像和果脐部分图像后，根据果蒂和果脐的灰度与外围表皮的灰度存在的差异，对果蒂和果脐核心的外边缘进行定位，并提取果蒂和果脐的中心位置，例如采用阈值法、数学形态学运算以及Hough变换对果蒂和果脐核心的外边缘进行定位。因为果蒂和果脐核心的外边缘一般形状大致为圆形，因此通过简单的数学计算即可确定果蒂和果脐核心的圆心。
所述预定距离R1和R2根据需要选取，首先确定距离R1，当R1较小时，水果纹路容易出现聚集未分开，而当R1较大时，可能导致计算、编码的工作量过大。确定R1后，可以选择R2为R1的一定倍数，例如1.2～1.8倍R1。进而提取两个同心圆之间的圆环为待处理区域；
所述归一化处理，实际上是一种圆形坐标向直角坐标下的变换映射关系，通过变换映射后可以发现，例如西瓜的放射状纹理基本上形成了直角坐标系中的条带状的纹理。
另外，本发明具体实施方式中，对于转换后的果蒂部分矩形图像和果脐部分矩形图像，分别进一步采取直方图均衡化来增强图像，用于获得更清晰的纹理；所述采取直方图均衡化为：
Figure BDA0002825388740000112
其中N是所述待增强图像像素的总数，N(rk)为图像出现灰度级为rk的像素数，k为灰度级数，T(rk)为对于灰度级rk的转换函数，S(rk)为转换后的灰度级。
为了便于对果蒂部分矩形图像和果脐部分矩形图像进行图形特征提取，本发明首先对于矩形图像进行了增强，采用直方图均衡化的原因在于一副图像中，往往灰度比较集中，例如暗图像直方图的分量集中在灰度较低的一端，而亮图像直方图分量偏向于灰度较高的一端，在灰度上的分布不均匀会导致区分度低，如果使用均匀编码则编码精度较低，为此直方图均衡化可以让图像的灰度分布更加均匀。如果一幅图像的灰度直方图几乎覆盖了整个灰度的取值范围，并且除了个别灰度值的个数较为突出，整个灰度值分布近似于均匀分布，那么这幅图像就具有较大的灰度动态范围和较高的对比度，同时图像的细节更为丰富。仅仅依靠输入图像的直方图信息，就可以得到一个变换函数，利用该变换函数可以将输入图像达到上述效果，因此本发明具体实施方式中采用了上述直方图均衡化作为图像特征提取前的预操作。
另外，本发明具体实施方式中，所述分别提取果蒂部分矩形图像和果脐部分矩形图像特征，进行图像特征编码，获得果蒂部分特征编码表和果脐部分特征编码表的步骤包括：
C1、首先用哈尔小波变换提取各通道的能量均值μ及方差σ，使用K均值聚类方法进行聚类，得到小样本集的圆环图像；
C2、使用二维Gabor滤波提取圆环图像的纹理信息，得到相应的纹理特征参数；其中所述二维Gabor滤波的表达式为：
Figure BDA0002825388740000121
其中，x1＝x cosθ+ysinθ,y1＝-xsinθ+ycosθ；波长λ以像素为单位指定，例如波长取值通常大于等于2，但不能大于输入图像尺寸的五分之一，而θ为方向；
C3、得到纹理特征参数后，判断其系数的实部和虚部的正负进行量化编码，具体为：
Figure BDA0002825388740000131
Figure BDA0002825388740000132
其中，hRe,hIm分别表示为滤波后特征参数的实部和虚部，fft表示傅里叶变换，ifft表示为傅里叶反变换。
本发明具体实施方式中，特别使用了二维Gabor滤波器来提取图像纹理特征参数。经过检验发现，用Gabor函数形成的二维Gabor滤波器具有在空间域和频率域同时取得最优局部化的特性，因此能够很好地描述对应于空间频率(尺度)、空间位置及方向选择性的局部结构信息。二维Gabor滤波器的频率和方向表示接近人类视觉系统对于频率和方向的表示，因此可以被用于纹理表示和描述。实际上在空域，一个2维的Gabor滤波器是一个正弦平面波和高斯核函数的乘积。
在一维情况中，Gabor变换代表着时频分析的优化方法，而二维情况中则是空间频域分析的方法。对于图像来说，窗函数决定了它在空域的局部性，所以可以通过移动窗口的中心來获得不同位置的空间域信息。因此本发明中使用了二维Gabor滤波器，相对于某些情况下的一维Gabor滤波器而言，能够生成二维空间的特征信息，获得的特征编码表相对于一维图像信号而言，信息量大、区分度高，符合水果自然生长的天然纹理的特点。
另外，本发明具体实施方式中，所述对于果蒂部分特征编码表和果脐部分特征编码表进行并操作，获得合并后的双向特征编码表为：
C4、T＝TA∪TB＝{X(i,j)|X(i,j)∈TA或X(i,j)∈TB}，
其中T为合并后的双向特征编码表，TA、TB分别为果蒂部分和果脐部分的特征编码表，X(i,j)为双向编码表中第i行第j列对应的值。
另外，本发明具体实施方式中所述对待识别的水果进行图像特征编码，将获得的特征编码表与存储的特征编码表进行匹配，用于果纹图谱特征信息的识别包括步骤：
D1、使用基于汉明距离的分类器进行匹配，其距离计算公式为：
Figure BDA0002825388740000141
其中，N为特征编码位数，XOR表示异或运算，Pj、Qj分辨表示纹理特征编码P、Q的第j位；
确定距离HD大于预定第一阈值，则属于不同的果品，确定距离小于预定第一阈值，则属于同一果品。
所述第一阈值可以根据经验选取，也可以通过机器学习的方式来进行。例如通过一定数量的水果进行编码和识别，调整所述第一阈值的取值，并检查不同阈值下的准确率，由此选择第一阈值的最优解。
本发明具体实施方式中，对于要识别的水果首先执行前述编码步骤，得到合并后的双向特征编码表，以及果蒂部分特征编码表和果脐部分特征编码表，然后将合并后的双向特征编码表，以及果蒂部分特征编码表和果脐部分特征编码表与存储在存储的各个双向特征编码表、果蒂部分特征编码表和果脐部分特征编码表进行匹配比较，由此进行水果的识别操作。
另外，本发明具体实施方式中，所述对待识别的水果进行图像特征编码，将获得的特征编码表与存储的特征编码表进行匹配，用于果纹图谱特征信息的识别包括步骤：
首先根据合并后的双向特征编码表进行果纹图谱特征信息的识别，若判断属于同一果品，则结束识别；否则如果确定距离与第一阈值之差小于预定差值时，则进一步分别根据果蒂部分特征编码表和果脐部分特征编码表进行果纹图谱特征信息的识别，如果依据果蒂部分特征编码表或果脐部分特征编码表得到的确定距离中的一个小于预定第一阈值，则只需确定距离中的另一个小于第二预定阈值即判断属于同一果品，结束识别。
如前所述，本发明一个明显的优点在于准确性与容错性都具备，当使用合并后的双向特征编码表进行果纹图谱特征信息的识别，能够准确地识别水果，但是当水果发生了一定的损伤，导致根据双向特征编码表确定的距离HD虽然大于第一预定阈值，但接近所述第一预定阈值时，例如所述确定距离HD与第一阈值之差小于预定差值时，亦即，根据双向特征编码表确定的距离HD比预定第一阈值增大的量较为有限。则进一步分别根据果蒂部分特征编码表和果脐部分特征编码表进行果纹图谱特征信息的识别，如果依据果蒂部分特征编码表或果脐部分特征编码表得到的确定距离中的一个小于预定第一阈值，则只需确定距离中的另一个小于第二预定阈值即判断属于同一果品，结束识别。所述第二预定阈值大于第一预定阈值，表明只要果蒂和果脐中只要一个被识别，则可以适度放开另一个的识别要求。
因此本发明的方法进行特征编码表匹配以识别水果时，可以首先利用合并后的双向特征编码表进行匹配，如果合并后的双向特征编码表能匹配，则说明待识别水果与数据库中所存储的水果完全匹配，能够用于快速匹配；但如果发生了水果的局部外皮擦伤，例如水果果蒂部分矩形图像和果脐部分矩形图像中的一个发生了形状或花纹改变，导致合并后的双向特征编码表不能匹配时，也可以考虑分别利用果蒂部分特征编码表和果脐部分特征编码表来进行识别，当仅有一种特征编码表能够匹配并符合其他条件时，也能被视作识别成功，因此本发明的编码和识别方法还具有一定的容错性，能够兼容检测效率和鲁棒性。
图1为根据本发明具体实施方式中基于果纹图谱信息的编码和识别装置工作原理的示意图。如图所示，与本发明具体实施方式中的基于果纹图谱信息的编码和识别方法相适应，本发明具体实施方式中还包括一种基于果纹图谱信息的编码和识别装置，所述基于果纹图谱信息的编码和识别装置包括图像获取装置、果纹图谱特征编码生成装置4和果纹图谱特征信息识别装置，其中，
所述图像获取装置用于夹持水果并进行转动，对每个待编码水果的果蒂部分和果脐部分分别摄取一幅图像；
所述图谱特征编码生成装置4用于分别对果蒂部分图像和果脐部分图像进行灰度化，并对图像进行归一化处理，转换为果蒂部分矩形图像和果脐部分矩形图像；以及用于分别提取果蒂部分矩形图像和果脐部分矩形图像特征，进行图像特征编码，获得果蒂部分特征编码表和果脐部分特征编码表，对于果蒂部分特征编码表和果脐部分特征编码表进行并操作，获得合并后的双向特征编码表；存储双向特征编码表、果蒂部分特征编码表和果脐部分特征编码表；
所述果纹图谱特征信息识别装置用于对待识别的水果进行图像特征编码，将获得的特征编码表与存储的特征编码表进行匹配，用于果纹图谱特征信息的识别。
另外，本发明具体实施方式中，所述所述图像获取装置包括柔性夹持单元1、同步转动单元2、图像获取单元3，其中，
所述柔性夹持单元具有双向伸缩功能，用于根据不同果品的大小、形状夹持果品的两侧；
所述同步转动单元能实现180度旋转，用于将夹持住的果品进行转动，以便于获取每个果品的瓜蒂和瓜脐部分两幅图像；
所述图像获取单元用于每隔一定间隔触发图像获取，用于对每个待编码水果的果蒂部分和果脐部分分别摄取一幅图像。
另外，本发明具体实施方式中，所述果纹图谱特征信息识别装置用于对待识别的水果进行图像特征编码，将获得的特征编码表与存储的特征编码表进行匹配，用于果纹图谱特征信息的识别包括：
首先根据合并后的双向特征编码表进行果纹图谱特征信息的识别，若判断属于同一果品，则结束识别；否则根据预定条件满足时，分别根据果蒂部分特征编码表和果脐部分特征编码表进行果纹图谱特征信息的识别，综合考虑识别结果进一步判断是否属于同一果品。
因此，图谱特征信息的识别，综合考虑识别结果进一步判断是否属于同一果品。
本发明的技术效果包括如下：
1.利用果类自身具有的外表纹理特性建立图谱特征信息，解决果类识别的唯一性和便捷性。所述果纹信息不易遗失，难以篡改，能充分保障水果识别和溯源过程中的准确性。
2.通过果蒂部分特征编码表和果脐部分特征编码表建立合并后的双向特征编码表，提高识别的准确性，首先根据合并后的双向特征编码表进行果纹图谱特征信息的识别，若判断属于同一果品，则结束识别；否则如果确定距离与第一阈值之差小于预定差值时，则进一步分别根据果蒂部分特征编码表和果脐部分特征编码表进行果纹图谱特征信息的识别，综合考虑识别结果进一步判断是否属于同一果品；因此首先提高了准确度，同时保证了一定的纠错能力。
3.采用二维Gabor函数，其特征参数有频率和方向，提升了纹理提取的精度和编码的效率。
上述说明示出并描述了本发明的若干优选实施例，但如前所述，应当理解本发明并非局限于本说明书所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本说明书所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (10)

1.一种基于果纹图谱信息的编码和识别方法，其特征在于，该方法包括步骤：
A、夹持水果并进行转动，对每个待编码水果的果蒂部分和果脐部分分别摄取一幅图像；
B、分别对果蒂部分图像和果脐部分图像进行灰度化，并对图像进行归一化处理，转换为果蒂部分矩形图像和果脐部分矩形图像；
C、分别提取果蒂部分矩形图像和果脐部分矩形图像特征，进行图像特征编码，获得果蒂部分特征编码表和果脐部分特征编码表，对于果蒂部分特征编码表和果脐部分特征编码表进行并操作，获得合并后的双向特征编码表；存储双向特征编码表、果蒂部分特征编码表和果脐部分特征编码表；
D、对待识别的水果进行图像特征编码，将获得的特征编码表与存储的特征编码表进行匹配，用于果纹图谱特征信息的识别。
2.根据权利要求1中所述的基于果纹图谱信息的编码和识别方法，其特征在于，所述对图像进行归一化处理，转换为果蒂部分矩形图像和果脐部分矩形图像的步骤包括：
B1、在果蒂部分图像和果脐部分图像中，根据果蒂和果脐的灰度与外围表皮的灰度存在的差异，对果蒂和果脐核心的外边缘进行定位，并提取果蒂和果脐的中心位置；
B2、分别以提取的果蒂和果脐的中心位置为圆心，以中心到边缘的预定距离R1和R2为半径绘制同心圆，提取两个同心圆之间的圆环为待处理区域；
B3、对待处理区域进行归一化处理为：
I(x(r,θ),y(r,θ))→I(r,θ)，
其中，
Figure FDA0002825388730000021
其中，I(x,y)表示圆环图像；(r,θ)表示归一化后的极坐标，r∈[0,1],θ∈[0°,360°]，当r＝0时，表示I(x(r,θ),y(r,θ))为圆环图像内边缘的像素点；当r＝1时，表示I(x(r,θ),y(r,θ))为圆环图像外边缘的像素点；对于待处理区域中的每一个点(xi,yi)，分别考虑与中心点(x0,y0)的关系，确定其(r,θ)，并以r和θ为直角坐标，将圆环图像变换为直角坐标下的矩形图像I(r,θ)。
3.根据权利要求2中所述的基于果纹图谱信息的编码和识别方法，其特征在于，对于转换后的果蒂部分矩形图像和果脐部分矩形图像，分别进一步采取直方图均衡化来增强图像，用于获得更清晰的纹理；所述采取直方图均衡化为：
Figure FDA0002825388730000022
其中N是所述待增强图像像素的总数，N(rk)为图像出现灰度级为rk的像素数，k为灰度级数，T(rk)为对于灰度级rk的转换函数，S(rk)为转换后的灰度级。
4.根据权利要求1中所述的基于果纹图谱信息的编码和识别方法，其特征在于，所述分别提取果蒂部分矩形图像和果脐部分矩形图像特征，进行图像特征编码，获得果蒂部分特征编码表和果脐部分特征编码表的步骤包括：
C1、首先用哈尔小波变换提取各通道的能量均值μ及方差σ，使用K均值聚类方法进行聚类，得到小样本集的圆环图像；
C2、使用二维Gabor滤波提取圆环图像的纹理信息，得到相应的纹理特征参数；其中所述二维Gabor滤波的表达式为：
Figure FDA0002825388730000023
其中，x1＝xcosθ+ysinθ,y1＝-xsinθ+ycosθ；波长λ以像素为单位指定，θ为方向；
C3、得到纹理特征参数后，判断其系数的实部和虚部的正负进行量化编码，具体为：
Figure FDA0002825388730000031
Figure FDA0002825388730000032
其中，hRe,hIm分别表示为滤波后特征参数的实部和虚部，fft表示傅里叶变换，ifft表示为傅里叶反变换。
5.根据权利要求1中所述的基于果纹图谱信息的编码和识别方法，其特征在于，所述对于果蒂部分特征编码表和果脐部分特征编码表进行并操作，获得合并后的双向特征编码表为：
C4、T＝TA∪TB＝{X(i,j)|X(i,j)∈TA或X(i,j)∈TB}，
其中T为合并后的双向特征编码表，TA、TB分别为果蒂部分和果脐部分的特征编码表，X(i,j)为双向编码表中第i行第j列对应的值。
6.根据权利要求1中所述的基于果纹图谱信息的编码和识别方法，其特征在于，所述对待识别的水果进行图像特征编码，将获得的特征编码表与存储的特征编码表进行匹配，用于果纹图谱特征信息的识别包括步骤：
D1、使用基于汉明距离的分类器进行匹配，其距离计算公式为：
Figure FDA0002825388730000033
其中，N为特征编码位数，XOR表示异或运算，Pj、Qj分辨表示纹理特征编码P、Q的第j位；
确定距离大于预定第一阈值，则属于不同的果品，确定距离小于预定第一阈值，则属于同一果品。
7.根据权利要求6中所述的基于果纹图谱信息的编码和识别方法，其特征在于，所述对待识别的水果进行图像特征编码，将获得的特征编码表与存储的特征编码表进行匹配，用于果纹图谱特征信息的识别包括步骤：
首先根据合并后的双向特征编码表进行果纹图谱特征信息的识别，若判断属于同一果品，则结束识别；否则如果确定距离与预定第一阈值之差小于预定差值时，则进一步分别根据果蒂部分特征编码表和果脐部分特征编码表进行果纹图谱特征信息的识别，如果依据果蒂部分特征编码表或果脐部分特征编码表得到的确定距离中的一个小于预定第一阈值，则只需确定距离中的另一个小于预定第二阈值即判断属于同一果品，结束识别。
8.一种基于果纹图谱信息的编码和识别装置，其特征在于，所述装置包括图像获取装置、果纹图谱特征编码生成装置和果纹图谱特征信息识别装置，其中，
所述图像获取装置用于夹持水果并进行转动，对每个待编码水果的果蒂部分和果脐部分分别摄取一幅图像；
所述图谱特征编码生成装置用于分别对果蒂部分图像和果脐部分图像进行灰度化，并对图像进行归一化处理，转换为果蒂部分矩形图像和果脐部分矩形图像；以及用于分别提取果蒂部分矩形图像和果脐部分矩形图像特征，进行图像特征编码，获得果蒂部分特征编码表和果脐部分特征编码表，对于果蒂部分特征编码表和果脐部分特征编码表进行并操作，获得合并后的双向特征编码表；存储双向特征编码表、果蒂部分特征编码表和果脐部分特征编码表；
所述果纹图谱特征信息识别装置用于对待识别的水果进行图像特征编码，将获得的特征编码表与存储的特征编码表进行匹配，用于果纹图谱特征信息的识别。
9.根据权利要求8中所述的基于果纹图谱信息的编码和识别装置，其特征在于，所述所述图像获取装置包括柔性夹持单元、同步转动单元、图像获取单元，其中，
所述柔性夹持单元具有双向伸缩功能，用于根据不同果品的大小、形状夹持果品的两侧；
所述同步转动单元能实现180度旋转，用于将夹持住的果品进行转动，以便于获取每个果品的瓜蒂和瓜脐部分两k65幅图像；
所述图像获取单元用于每隔一定间隔触发图像获取，用于对每个待编码水果的果蒂部分和果脐部分分别摄取一幅图像。
10.根据权利要求8中所述的基于果纹图谱信息的编码和识别装置，其特征在于，所述果纹图谱特征信息识别装置用于对待识别的水果进行图像特征编码，将获得的特征编码表与存储的特征编码表进行匹配，用于果纹图谱特征信息的识别包括：
首先根据合并后的双向特征编码表进行果纹图谱特征信息的识别，若判断属于同一果品，则结束识别；否则根据预定条件满足时，进一步分别根据果蒂部分特征编码表和果脐部分特征编码表进行果纹图谱特征信息的识别，综合根据识别结果进一步判断是否属于同一果品。
CN202011447866.9A 2020-12-09 2020-12-09 一种基于果纹图谱信息的编码和识别方法及装置 Active CN112488233B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011447866.9A CN112488233B (zh) 2020-12-09 2020-12-09 一种基于果纹图谱信息的编码和识别方法及装置
PCT/CN2021/103363 WO2022121290A1 (zh) 2020-12-09 2021-06-30 一种基于果纹图谱和区块链的果品可信追溯方法及装置
US17/698,142 US20220207789A1 (en) 2020-12-09 2022-03-18 Credible fruit traceability method and device based on fruit texture atlas and blockchain

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011447866.9A CN112488233B (zh) 2020-12-09 2020-12-09 一种基于果纹图谱信息的编码和识别方法及装置

Publications (2)

Publication Number Publication Date
CN112488233A true CN112488233A (zh) 2021-03-12
CN112488233B CN112488233B (zh) 2021-12-17

Family

ID=74941542

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011447866.9A Active CN112488233B (zh) 2020-12-09 2020-12-09 一种基于果纹图谱信息的编码和识别方法及装置

Country Status (3)

Country Link
US (1) US20220207789A1 (zh)
CN (1) CN112488233B (zh)
WO (1) WO2022121290A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022121290A1 (zh) * 2020-12-09 2022-06-16 中国农业科学院农业资源与农业区划研究所 一种基于果纹图谱和区块链的果品可信追溯方法及装置

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115983874B (zh) * 2023-02-17 2023-06-30 江苏秀圆果信息科技有限公司 酒类防伪溯源方法及其系统
CN116562716B (zh) * 2023-07-10 2023-09-19 北京佳格天地科技有限公司 一种基于物联网的产品质量溯源系统以及方法
CN116976917B (zh) * 2023-07-31 2024-05-24 金景(海南)科技发展有限公司 基于区块链技术的农业品牌存证体系建设方法
CN116976919B (zh) * 2023-09-25 2024-01-02 国品优选(北京)品牌管理有限公司 基于区块链的口服液防伪溯源方法及系统
CN117347312B (zh) * 2023-12-06 2024-04-26 华东交通大学 基于多光谱结构光的柑橘连续检测方法和设备

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5845002A (en) * 1994-11-03 1998-12-01 Sunkist Growers, Inc. Method and apparatus for detecting surface features of translucent objects
JP2015088084A (ja) * 2013-11-01 2015-05-07 株式会社ブレイン 物品識別システムとそのプログラム
CN104636716A (zh) * 2014-12-08 2015-05-20 宁波工程学院 绿色果实识别方法
CN106529547A (zh) * 2016-10-14 2017-03-22 天津师范大学 一种基于完备局部特征的纹理识别方法
CN107527362A (zh) * 2017-08-14 2017-12-29 西安交通大学 一种基于图像纹理特征指标的苹果口感定性鉴别方法
CN108305148A (zh) * 2018-02-06 2018-07-20 赵航 一种基于物联网的农产品贸易系统
CN108509927A (zh) * 2018-04-09 2018-09-07 中国民航大学 一种基于局部对称图结构的手指静脉图像识别方法
CN108596250A (zh) * 2018-04-24 2018-09-28 深圳大学 图像特征编码方法、终端设备及计算机可读存储介质
CN109784204A (zh) * 2018-12-25 2019-05-21 江苏大学 一种用于并联机器人的堆叠串类水果主果梗识别和提取方法
US10360900B1 (en) * 2011-07-03 2019-07-23 Reality Analytics, Inc. System and method for taxonomically distinguishing sample data captured from sources
CN111351766A (zh) * 2020-02-27 2020-06-30 浙江大学 一种快速识别南瓜种子身份的方法
CN111626085A (zh) * 2019-02-28 2020-09-04 中科院微电子研究所昆山分所 一种检测方法、装置、设备及介质
CN111721728A (zh) * 2020-07-16 2020-09-29 陈皓 一种水果在线检测装置及其使用方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4741042A (en) * 1986-12-16 1988-04-26 Cornell Research Foundation, Inc. Image processing system for detecting bruises on fruit
CN103679144B (zh) * 2013-12-05 2017-01-11 东南大学 一种基于计算机视觉的复杂环境下果蔬识别方法
CN105004737B (zh) * 2015-07-14 2017-06-23 浙江大学 基于自适应改进型梯度信息的水果表面缺陷检测方法
CN108389062A (zh) * 2018-05-10 2018-08-10 江南大学 一种基于图像处理的水果防伪溯源系统及方法
CN109493082A (zh) * 2018-09-25 2019-03-19 西安纸贵互联网科技有限公司 一种农产品区块链溯源方法及装置
CN112488233B (zh) * 2020-12-09 2021-12-17 中国农业科学院农业资源与农业区划研究所 一种基于果纹图谱信息的编码和识别方法及装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5845002A (en) * 1994-11-03 1998-12-01 Sunkist Growers, Inc. Method and apparatus for detecting surface features of translucent objects
US10360900B1 (en) * 2011-07-03 2019-07-23 Reality Analytics, Inc. System and method for taxonomically distinguishing sample data captured from sources
JP2015088084A (ja) * 2013-11-01 2015-05-07 株式会社ブレイン 物品識別システムとそのプログラム
CN104636716A (zh) * 2014-12-08 2015-05-20 宁波工程学院 绿色果实识别方法
CN106529547A (zh) * 2016-10-14 2017-03-22 天津师范大学 一种基于完备局部特征的纹理识别方法
CN107527362A (zh) * 2017-08-14 2017-12-29 西安交通大学 一种基于图像纹理特征指标的苹果口感定性鉴别方法
CN108305148A (zh) * 2018-02-06 2018-07-20 赵航 一种基于物联网的农产品贸易系统
CN108509927A (zh) * 2018-04-09 2018-09-07 中国民航大学 一种基于局部对称图结构的手指静脉图像识别方法
CN108596250A (zh) * 2018-04-24 2018-09-28 深圳大学 图像特征编码方法、终端设备及计算机可读存储介质
CN109784204A (zh) * 2018-12-25 2019-05-21 江苏大学 一种用于并联机器人的堆叠串类水果主果梗识别和提取方法
CN111626085A (zh) * 2019-02-28 2020-09-04 中科院微电子研究所昆山分所 一种检测方法、装置、设备及介质
CN111351766A (zh) * 2020-02-27 2020-06-30 浙江大学 一种快速识别南瓜种子身份的方法
CN111721728A (zh) * 2020-07-16 2020-09-29 陈皓 一种水果在线检测装置及其使用方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JIANPING QIAN等: "Filling the trust gap of food safety in food trade between the EU and China: An interconnected conceptual traceability framework based on blockchain", 《FOOD AND ENERGY SECURITY》 *
S.ARIVAZHAGAN 等: "Fruit Recognition using Color and Texture Features", 《JOURNAL OF EMERGING TRENDS IN COMPUTING AND INFORMATION SCIENCES》 *
李松涛 等: "基于二维码和云端技术的水果身份识别技术", 《农业技术与装备》 *
王坤: "水果智能采摘质量识别技术", 《科技通报》 *
陶华伟 等: "基于颜色及纹理特征的果蔬种类识别方法", 《农业工程学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022121290A1 (zh) * 2020-12-09 2022-06-16 中国农业科学院农业资源与农业区划研究所 一种基于果纹图谱和区块链的果品可信追溯方法及装置

Also Published As

Publication number Publication date
WO2022121290A1 (zh) 2022-06-16
US20220207789A1 (en) 2022-06-30
CN112488233B (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
CN112488233B (zh) 一种基于果纹图谱信息的编码和识别方法及装置
Okawa Synergy of foreground–background images for feature extraction: Offline signature verification using Fisher vector with fused KAZE features
CN102254188B (zh) 掌纹识别方法及装置
Nasirzadeh et al. Woods recognition system based on local binary pattern
CN102521561B (zh) 基于多尺度韦伯局部特征和分层决策融合的人脸识别方法
CN105740753A (zh) 指纹识别方法及指纹识别系统
CN103955496B (zh) 一种快速的现场轮胎痕迹花纹检索算法
CN110348289B (zh) 一种基于二值图的手指静脉识别方法
CN105512599A (zh) 人脸识别方法及人脸识别系统
Priyankara et al. Computer assisted plant identification system for Android
CN104517287A (zh) 一种图像匹配的方法及装置
CN110084587B (zh) 一种基于边缘上下文的餐盘自动结算方法
Hu et al. A 2D barcode extraction method based on texture direction analysis
Zhu et al. A robust stamp detection framework on degraded documents
CN115731198A (zh) 一种皮革表面缺陷智能检测系统
CN109871825B (zh) 一种基于改进的局部二维模式的人像识别方法
CN108921006B (zh) 手写签名图像真伪鉴别模型建立方法及真伪鉴别方法
Tribak et al. QR code patterns localization based on Hu Invariant Moments
Ullah et al. Gender recognition from face images with dyadic wavelet transform and local binary pattern
CN112396638A (zh) 一种图像处理方法、终端和计算机可读存储介质
CN111199228A (zh) 一种车牌定位的方法及装置
CN111753842B (zh) 票据文本区域检测方法及装置
Obulesu et al. Facial image retrieval based on local and regional features
Tahmasebi et al. An ear identification system using local-Gabor features and KNN classifier
RP et al. Image feature extraction and recognition of abstractionism and realism style of indonesian paintings

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