CN112560896A - 一种基于图像处理的水果品质筛选分类系统 - Google Patents

一种基于图像处理的水果品质筛选分类系统 Download PDF

Info

Publication number
CN112560896A
CN112560896A CN202011307681.8A CN202011307681A CN112560896A CN 112560896 A CN112560896 A CN 112560896A CN 202011307681 A CN202011307681 A CN 202011307681A CN 112560896 A CN112560896 A CN 112560896A
Authority
CN
China
Prior art keywords
fruit
quality
screening
grade
image processing
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
CN202011307681.8A
Other languages
English (en)
Inventor
徐涛
洪炎
苏静明
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.)
Anhui University of Science and Technology
Original Assignee
Anhui University of Science and Technology
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 Anhui University of Science and Technology filed Critical Anhui University of Science and Technology
Priority to CN202011307681.8A priority Critical patent/CN112560896A/zh
Publication of CN112560896A publication Critical patent/CN112560896A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • 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
    • 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
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明要解决的技术问题是，提供一种基于图像处理的水果品质筛选分类系统，利用目标检测和图像处理的方法，实现水果品质的筛选分类，且具有成本低，筛选效果好等优点。为解决上述技术问题，本发明采用的技术方案是：一种基于图像处理的水果品质筛分类系统，具体包括以下步骤：(1)利用高精度相机拍取水果表面图像，构建数据集。(2)对采集来的图像进行预处理，提取水果表面疤痕和病块的特征(3)以一定的标准，将水果品质等级分为一级、二级、三级、四级。(4)利用预处理后的图像训练一个具有水果品质等级辨识能力的模型。(5)利用训练好的网络模型进行水果品质等级的筛选分类，从而完成基于图像处理的水果品质筛选分类系统的设计。

Description

一种基于图像处理的水果品质筛选分类系统
技术领域
本发明涉及目标检测和图像处理的领域，具体涉及一种基于图像处理的水果品质筛选分类系统。
背景技术
随着人们生活水平的提高，消费者对水果品质不断有了新要求，较好的外观与风味及较少损伤和污染的水果愈发受到青睐。但目前世界大多数国家尤其是发展中国家在水果种植上多以散户种植为主，种植标准不统一，使水果品质良莠不齐。此外，水果品质形成受阳光、温度、水份、土壤等诸多因素影响，无法保证所有水果果实均处于高品质状态。因此，严重了影响水果市场竞争力、品牌树立和消费者享用程度。根据水果品质进行售前分级可有效保证市场品质、促进品牌打造、提升商品竞争力、指导采后处理，具有重要意义。
在20世纪80—90年代，美国、日本、韩国等国家掀起了水果品质无损检测与分级技术的研究热潮。无损检测技术是一种在不破坏被测对象的前提下根据被测样本品质相关的物理特性对其进行快速、智能检测，达到分级的目的。通过过去几十年的发展，涌现了一大批基于声、光、电、热、磁等技术的水果品质无损检方法，如光谱检测技术、机器视觉、高光谱成像、电子鼻、声特征、介电特性和低场核磁共振等。针对水果结构、外形、检测对象等，这些方法各有利弊，未全部实际应用。在国内，水果品质检测技术起步较晚，依然存在着问题：
(1)在对水果的品质等级分类过程中，不少果农仍采用传统的手工方法来区分水果品质等级，不仅劳动量大、准确率低，而且每个人的判断标准会造成水果分类的差异较大。
(2)目前所应用的水果品质检测技术，如理性化指标检测技术，其操作繁琐、检测速度慢、检测成本较高、且通常会破坏水果造成果实浪费，更适用于抽检，无法满足大批量水果品质无损检测与分选的要求。
因此，有必要开发出一种准确率高、成本低的水果品质筛选分类系统
发明内容
本发明要解决的技术问题是，提供一种基于图像处理的水果品质筛选分类系统。利用目标检测和图像处理的方法，实现在水果采摘的过程中，可以自动的将水果按照不同品质等级进行筛选分类，且具有成本低，筛选效果好等优点。为解决上述技术问题，本发明采用的技术方案是：一种基于图像处理的水果品质筛分类选统，具体包括以下步骤，相关流程图参见图1：
(1)将采摘的水果送入仓体，利用高精度相机从水果的四周进行拍照，利用采集来图片构成一个数据集。
(2)对采集来的图像数据进行预处理，将每张图片中，具有疤痕和病块部位的特征提取出来，将完好部位的特征抹去。将处理好后的图像重新构成一个新的数据集。
(3)根据一定的标准，将预处理后的图像，进行水果品质等级的划分，分别为一级品质、二级品质、三级品质、四级品质，这四个等级。其中，水果表面出现病块和疤痕的数量越多，其水果品质的等级就越高。
(4)利用预处理后的图像来训练一个具有水果品质等级辨识能力的模型，其中该模型的选择，有很多种，常见的有卷积神经网络的VGG16模型、VGG19模型、ResNet模型、EfficientNet模型等。
(5)利用训练好的网络模型进行水果品质等级的筛选分类，从而完成基于图像处理的水果品质筛选分类系统的设计。
本发明提出的一种基于图像处理的水果品质筛选分类系统，首先，利用图像采集模块采集数据，利用高精度相机对利用高精度相机对对采摘水果的四周进行多方位拍照，拍取水果表面的状况，利用采集来的图像构建数据集。其次，利用图像处理模块对数据集进行处理，将采取来的图像数据进行预处理，首先对水果表面的疤痕及病块进行目标识别，然后将识别目标的特征进行提取，将其他完好部位背景进行剔除，以减少对筛选分类结果的影响。最后，利用中心控制器对采集来的数据进行筛选分类，评估水果处于哪一类品质等级，在通过无线传感模块将水果品质等级信息上传至终端，终端也可以通过无线传感模块对分类系统进行实时的控制。其具体的过程为：
将采摘的水果放入仓体，高精度相机对水果表面进行图像采集，其中每个水果具有上下左右四个方向上的图像，目的是为了水果表面的每一个部位都能检测到，随后将采集的数据图像送入该基于图像处理的水果品质筛选分类系统；当有数据输入时，该系统进行检测，检测图像中具有疤痕和病块的部位，并进行特征提取，随后系统会根据相应的标准将水果进行筛选分类，当分类为一级品质时，该水果品质最好，当分类为二级品质时，该水果表面只有轻微的痕迹，当分类为三、四级品质时，该水果品质具有较大问题的；将筛选分类好的信息通过无线通信设备(如NB-IOT)上传至终端，终端会根据水果不同品质等级，计算出不同的价格，随后将水果的信息上传至各大网络平台，对水果进行线上售卖。与此同时终端也根据线上水果出售的情况，来控制该系统是否继续筛选分类。
附图说明
下面结合附图和本发明的实施方式进一步详细说明：
图1为基于图像处理的水果品质筛选分类系统的流程示意图
图2为基于图像处理的水果品质筛选分类系统的结构图
图3为水果表皮疤痕和病块检测后的效果图
图4为水果表皮疤痕和病块特征的提取效果图
具体实施方式
下面结合实施实例对本发明做进一步详细阐述。
(1)利用相机拍取水果的图像，利用目标定位的技术将水果表皮的疤痕和病块寻找出来，利用红色的点对病块和疤痕部位进行标注，目的是为了更容易检测。其疤痕检测后的效果图如图3所示。根据标注红点的数量，可以将水果分为不同的品质等级，表面检测不到疤痕和病块的为一等品质，具有一两个疤痕的为二等品质，其次为三、四等级品质。
(2)对目标识别后的图像进行特征提取，将具有疤痕和病块部位的特征提取出来，将完好部位的背景抹去，从而减少无关因素的影响。其水果表皮疤痕特征提取如图4所示。
(3)将处理好的图像整理成一个新的数据集，利用该数据集进行神经网络模型的训练，从而得到一个具有辨识水果品质等级的网络模型，同时测试该网络模型。从而实现基于图像处理的水果品质筛选分类系统的设计。
上面结合附图对本发明的实施方式作了详细的说明，但是本发明不限于上述实施方式，在所属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做出各种变化。

Claims (6)

1.一种基于图像处理的水果品质筛选分类系统，其特征在于，具体包括以下步骤：
将采摘的水果送入仓体，利用高精度相机从水果的四周进行拍照，利用采集来图片构成一个数据集。
对采集来的图像数据进行预处理，将每张图片中，具有疤痕和病块部位的特征提取出来，将完好部位的特征抹去。将处理好后的图像重新构成一个新的数据集。
根据一定的标准，将预处理后的图像，进行水果品质等级的划分，分别为一级品质、二级品质、三级品质、四级品质，这四个等级。其中，水果表面出现病块和疤痕的数量越多，其水果品质的等级就越高。
利用预处理后的图像来训练一个具有水果品质等级辨识能力的模型，其中该模型的选择，有很多种，常见的有卷积神经网络的VGG16模型、VGG19模型、ResNet模型、EfficientNet模型等。
利用训练好的网络模型进行水果品质等级的筛选分类，从而完成基于图像处理的水果品质筛选分类系统的设计。
2.根据权利要求1所述的基于图像处理的水果品质筛选分类系统，其特征在于，所述步骤(1)中将采摘来水果放入仓体中，仓体中放有高精度相机，在不同的角度拍取水果的图像，其仓体具有相同的拍照条件，这样保证了每个水果的拍照条件相同。将拍好的图像构建成一个数据集。
3.根据权利要求1所述的基于图像处理的水果品质筛选分类系统，其特征在于，所述步骤(2)中对所采集的数据进行预处理，首先将水果外表具有疤痕和病块部位识别出来，再将其部位的特征提取出来，从而构成新的数据集。利用图像增强等方法进一步对数据集处理，去除图像中干扰筛选分类结果的无关因素。
4.根据权利要求1所述的基于图像处理的水果品质筛选分类系统，其特征在于，所述步骤(3)中根据一定的标准，这个标准可以根据事实情况进行人为的设置。随后将预处理后的图像，进行水果品质等级的划分，分别为一级品质、二级品质、三级品质、四级品质，这四个等级。其中，水果表面出现病块和疤痕的数量越多，其水果品质的等级就越高。
5.根据权利要求1所述的基于图像处理的水果品质筛选分类系统，其特征在于，所述步骤(4)中利用处理好的数据集对神经网络模型进行训练，这个过程需要大量的时间和数据集来完成。其中最常用的神经网络是卷积神经网络，该网络具有更高的精度。诸如，卷积神经网络的VGG16模型、VGG19模型、ResNet模型、EfficientNet模型等。
6.根据权利要求1所述的基于图像处理的水果品质筛选分类系统，其特征在于，所述步骤(5)中利用训练好的网络模型，来进行水果品质等级的筛选分类。利用处理好的图像作为该网络模型的输入，从而检测该网络模型是否具有筛选分类水果等级的能力，并且输出筛选分类水果等级的精度为多少。最终实现基于图像处理的水果品质筛选分类系统的设计。
CN202011307681.8A 2020-11-19 2020-11-19 一种基于图像处理的水果品质筛选分类系统 Pending CN112560896A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011307681.8A CN112560896A (zh) 2020-11-19 2020-11-19 一种基于图像处理的水果品质筛选分类系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011307681.8A CN112560896A (zh) 2020-11-19 2020-11-19 一种基于图像处理的水果品质筛选分类系统

Publications (1)

Publication Number Publication Date
CN112560896A true CN112560896A (zh) 2021-03-26

Family

ID=75044098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011307681.8A Pending CN112560896A (zh) 2020-11-19 2020-11-19 一种基于图像处理的水果品质筛选分类系统

Country Status (1)

Country Link
CN (1) CN112560896A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113624759A (zh) * 2021-08-09 2021-11-09 西安工程大学 一种基于机器学习的苹果无损检测方法
CN114550166A (zh) * 2022-04-25 2022-05-27 科大天工智能装备技术（天津）有限公司 一种面向智慧大棚的果实检测方法、装置及存储介质
CN115639207A (zh) * 2022-12-26 2023-01-24 广东省农业科学院设施农业研究所 一种用于多种产品同时检测的机器视觉检测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110348503A (zh) * 2019-07-02 2019-10-18 西京学院 一种基于卷积神经网络的苹果品质检测方法
CN111680738A (zh) * 2020-06-03 2020-09-18 安徽中青检验检测有限公司 一种用于苹果品质检测的筛选装置及其检测方法
CN111753794A (zh) * 2020-06-30 2020-10-09 创新奇智(成都)科技有限公司 水果品质分类方法、装置、电子设备及可读存储介质
CN111915704A (zh) * 2020-06-13 2020-11-10 东北林业大学 一种基于深度学习的苹果分级识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110348503A (zh) * 2019-07-02 2019-10-18 西京学院 一种基于卷积神经网络的苹果品质检测方法
CN111680738A (zh) * 2020-06-03 2020-09-18 安徽中青检验检测有限公司 一种用于苹果品质检测的筛选装置及其检测方法
CN111915704A (zh) * 2020-06-13 2020-11-10 东北林业大学 一种基于深度学习的苹果分级识别方法
CN111753794A (zh) * 2020-06-30 2020-10-09 创新奇智(成都)科技有限公司 水果品质分类方法、装置、电子设备及可读存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113624759A (zh) * 2021-08-09 2021-11-09 西安工程大学 一种基于机器学习的苹果无损检测方法
CN114550166A (zh) * 2022-04-25 2022-05-27 科大天工智能装备技术（天津）有限公司 一种面向智慧大棚的果实检测方法、装置及存储介质
CN114550166B (zh) * 2022-04-25 2022-08-19 科大天工智能装备技术（天津）有限公司 一种面向智慧大棚的果实检测方法、装置及存储介质
CN115639207A (zh) * 2022-12-26 2023-01-24 广东省农业科学院设施农业研究所 一种用于多种产品同时检测的机器视觉检测方法及系统

Similar Documents

Publication Publication Date Title
CN107016405B (zh) 一种基于分级预测卷积神经网络的害虫图像分类方法
CN112560896A (zh) 一种基于图像处理的水果品质筛选分类系统
CN108074231B (zh) 一种基于卷积神经网络的磁片表面缺陷检测方法
CN107486415A (zh) 基于机器视觉的篾片缺陷在线检测系统及检测方法
CN106610969A (zh) 基于多模态信息的视频内容审查系统及方法
CN111667455A (zh) 一种刷具多种缺陷的ai检测方法
CN106874929B (zh) 一种基于深度学习的珍珠分类方法
CN106846313A (zh) 工件表面缺陷检测方法和装置
CN108932712A (zh) 一种转子绕组质量检测系统及方法
CN113706490B (zh) 一种晶片缺陷检测方法
CN112634237A (zh) 一种基于YOLOv3改进网络的长竹条表面缺陷检测方法及系统
CN106872473A (zh) 一种基于机器视觉的马铃薯缺陷检测识别系统设计
CN110321944A (zh) 一种基于接触网画质评估的深度神经网络模型的构建方法
Chen et al. A surface defect detection system for golden diamond pineapple based on CycleGAN and YOLOv4
CN104952754A (zh) 基于机器视觉的镀膜后硅片分选方法
CN110929787B (zh) 一种基于图像的苹果客观定级系统
CN104048966A (zh) 一种基于大律法的布面疵点检测及分类方法
CN110866547A (zh) 基于多特征和随机森林的中药饮片自动分类系统及方法
Zhang et al. Fabric defect detection based on visual saliency map and SVM
Huang et al. Mango surface defect detection based on HALCON
Nie et al. Machine vision-based apple external quality grading
Zhang et al. Design of tire damage image recognition system based on deep learning
CN110555384A (zh) 基于图像数据的牛肉大理石纹自动分级系统及方法
Liang et al. Automated detection of coffee bean defects using multi-deep learning models
CN115049879A (zh) 基于卷积的Swin Transformer植物叶片病害程度和种类的识别与分类方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210326