CN112734688A - 基于机器视觉的马铃薯褐变检测方法 - Google Patents
基于机器视觉的马铃薯褐变检测方法 Download PDFInfo
- Publication number
- CN112734688A CN112734688A CN202011441959.0A CN202011441959A CN112734688A CN 112734688 A CN112734688 A CN 112734688A CN 202011441959 A CN202011441959 A CN 202011441959A CN 112734688 A CN112734688 A CN 112734688A
- Authority
- CN
- China
- Prior art keywords
- potato
- browning
- machine vision
- detection
- sample
- 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
- 244000061456 Solanum tuberosum Species 0.000 title claims abstract description 75
- 235000002595 Solanum tuberosum Nutrition 0.000 title claims abstract description 75
- 238000001514 detection method Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 22
- 235000012015 potatoes Nutrition 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000004519 manufacturing process Methods 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 238000002474 experimental method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004451 qualitative analysis Methods 0.000 claims description 4
- 238000004445 quantitative analysis Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 235000013372 meat Nutrition 0.000 claims description 3
- 239000008399 tap water Substances 0.000 claims description 3
- 235000020679 tap water Nutrition 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 2
- 238000011895 specific detection Methods 0.000 claims description 2
- 239000013589 supplement Substances 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 241000282414 Homo sapiens Species 0.000 abstract description 4
- 235000013305 food Nutrition 0.000 abstract description 3
- 238000009659 non-destructive testing Methods 0.000 abstract description 2
- 239000000047 product Substances 0.000 description 8
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 241000366676 Justicia pectoralis Species 0.000 description 3
- KRKNYBCHXYNGOX-UHFFFAOYSA-N citric acid Chemical compound OC(=O)CC(O)(C(O)=O)CC(O)=O KRKNYBCHXYNGOX-UHFFFAOYSA-N 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000012071 phase Substances 0.000 description 2
- 235000013573 potato product Nutrition 0.000 description 2
- IOVCWXUNBOPUCH-UHFFFAOYSA-M Nitrite anion Chemical compound [O-]N=O IOVCWXUNBOPUCH-UHFFFAOYSA-M 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000012356 Product development Methods 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000012993 chemical processing Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000007791 liquid phase Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 235000013606 potato chips Nutrition 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
-
- 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
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了基于机器视觉的马铃薯褐变检测方法，属于食品农产品无损检测技术领域，可以应用于各种需要去皮的马铃薯加工行业中。本方法采用计算机视觉系统采集去皮后马铃薯表面的特征情况，模拟人眼的识别方式，建立马铃薯表面颜色特征与马铃薯褐变的相关关系。在不同是生产环节中，针对不同的对象，都能将被测对象的颜色信息检测出，配合人工感官或其他生产标准确定的褐变分级，实时检测马铃薯褐变情况。本发明所述方法着眼于马铃薯加工工业中存在的实际问题，基于先进高效的快速无损检测技术，对加工环节中去皮马铃薯的褐变检测问题提出了一种新的解决方法，对提高马铃薯加工质量以及智能化水平起到积极作用。
Description
技术领域
本发明涉及一种基于机器视觉的马铃薯褐变检测方法，主要针对马铃薯行业中去皮、剖切操作后的马铃薯褐变问题，属于农产品无损检测技术领域。
背景技术
马铃薯是世界第四大粮食作物，仅次于水稻，小麦和玉米。自2015年起，我国逐渐推进马铃薯主粮化发展战略，鼓励马铃薯加工产业进行技术革新和产品升级。随着人们对马铃薯及其加工产品的需求量不断增加，产品的质量也越来越重要，无缺陷的马铃薯产品受到市场的广泛关注。在马铃薯产业的加工环节中，褐变问题一直是新品开发和工艺优化的主要制约。因此，如何削弱乃至消除褐变对马铃薯产品的影响是产业发展的关键性技术难题。
马铃薯褐变广泛存在于马铃薯鲜切产业以及其他产业的去皮，剖切环节中。国内外针对褐变问题主要采用声、光、电、热等物理加工方法和亚硝酸盐、柠檬酸等化学处理方法。不管采用何种处理方法，其目的都是为了抑制褐变、提高产品质量。然而，未经处理的马铃薯本身褐变速度存在差异，经过处理的马铃薯也会发生一定程度的褐变，这些未知因素对质量管理明显是不利的。因此对马铃薯褐变进行实时监测是必要的。
现有的马铃薯褐变检测方法有测色仪，紫外分光光度计，高效液相等，这些传统方法繁琐、昂贵、耗时，在实验室使用较多。现场的工业检测，大多使用人工目测，一定程度上解决了生产控制问题。但是，人工在工业发展中必然越来越珍贵，以更加先进、智能的技术替代人力是行业发展的必然趋势。
近年来，机器视觉技术在各个行业受到广泛应用。利用相机实时采集图像，再对图像进行定性或定量分析，从而对被检测物进行评价，是一种快速、无损的检测方法。目前，机器视觉技术在马铃薯检测上已有应用，但大多针对个体大小、缺陷等检测，对褐变的检测尚未有应用。本申请专利将机器视觉技术应用于马铃薯褐变检测，具有方便快捷、成本低、可实时采集分析等优点，有助于提高马铃薯加工产品质量。
发明内容
为了克服现有技术的不足，本发明公开了一种基于机器视觉的马铃薯褐变检测方法，可以广泛应用于马铃薯加工工业。本方法利用图像采集装置获取马铃薯图像，再由图像处理程序对获得的图像进行分析，即可得到马铃薯褐变的具体程度，快速、无损、操作简单，无需其他昂贵的专业仪器或试剂。
本发明提供了一种基于机器视觉的马铃薯褐变检测方法，按照下述步骤进行：
(1)搭建机器视觉检测装置，准备实验样品。
(2)在机器视觉检测装置中进行马铃薯样品图像采集，由CCD(电荷藕合器件图像传感器)摄像头拍摄图像并保存至计算机中。
(3)对图像进行预处理，将RGB(红绿蓝)图像转化为灰度图像，使用滤波算法去除噪声。
(4)背景分割，使用大津法阈值分割获得目标区域，少部分噪点干扰以及目标缺失使用腐蚀、膨胀算子进行进一步精确处理。
(5)特征值提取，将提取出的目标物图像转换到三种颜色空间进行表达，即RGB、HSV(色相、饱和度、亮度)、Lab(亮度、红绿度、黄蓝度)，并将它们分割成单通道图像。从以上的三种颜色空间9副单通道图像中分别提取各通道下的灰度平均值和标准差，从不同角度对色彩进行分析，共同组成描述一个样品的图像信息。
(6)建立褐变程度判别模型，对每一样品进行定性或定量分析。
进一步的，步骤(1)所述用于机器视觉检测的装置为一体化装置，且为可可拆卸式装置。该装置根据具体的检测环境与检测对象进行设计与组装而成，如在不同的实验地、生产线或一次检测多个对象，都可以随时拆卸和更换以满足图像采集需求。
进一步的，步骤(1)所述的机器视觉检测一体化装置，包括硬件装置与软件系统，硬件装置包括机器视觉检测一体化装置外壳，环形灯，CCD摄像头，计算机，软件部分由电气控制模块与图像处理模块组成。所述机器视觉检测一体化装置外壳顶部通过卡口安装有CCD摄像头，且CCD摄像头通过数据线与计算机连接，所述机器视觉检测一体化装置外壳壁上还装有环形灯。
进一步的，步骤(1)所述的样品为新鲜马铃薯，品种为荷兰薯，肉质呈黄色。在挑选样品时尽量选择品质较好、具有相同的外观特征(尺寸、颜色和形状)的样本。将购买的样本储存于阴凉干燥的环境中，室温控制在13℃(±2)持续一周，选择品相无明显变化的样本进行实验。在实验开始前，将挑选好的马铃薯样本用自来水清洗干净并削去表皮。清理后的马铃薯切成统一的3毫米厚的薄片，所使用的设备是机械切片机(美国NEMCO-55200AN)。再使用统一的模板将薄片切成长宽均为3.5厘米的方形，将制备好的样品放入4℃的冰箱中冷藏备用。马铃薯样品在0、2、4、6、8天时测试，每次从备用的样品中随机挑选15片。
进一步的，步骤(2)所述对样品进行视觉信息采集时，光照的形式、强度、角度，相机的高度以及焦距均为可调模式，保证马铃薯表面颜色信息、纹理信息的全面清晰获取。
进一步的，步骤(3)所述滤波算法可根据不同测试情况获得的不同图像进行调节，优选的为中值滤波。
进一步的，步骤(4)所述背景分割，优选的在黑色背景下进行检测，若背景较为复杂，则根据具体情况精确处理。
进一步的，步骤(5)所述18个特征值为样品颜色信息的一部分，可根据需要增加其它特征值如极大值、极小值等，补充样本信息以增加精确度。
进一步的，步骤(6)所述褐变程度判别模型，将我们制备的0、2、4、6、8天的马铃薯褐变程度作为5个等级与机器视觉检测结果进行建模，从而以训练获得的模型对其他样品进行定性判别。
进一步的，步骤(6)所述褐变程度判别模型，如需获得更精确的褐变程度，则以人工对样品进行评分或用其他仪器方法获得褐变评分，再将评分结果与机器视觉检测结果进行回归建模，从而获得褐变定量评分模型。
与现有技术相比，本发明设计的一种基于机器视觉的马铃薯褐变检测方法，以模拟的视觉感官代替人眼，较传统技术具有更高的精确性，对样品是非接触的、无损的，可以实现快速检测。若将本发明应用于马铃薯褐变检测，可以较好的进行生产监测、产品分级，增加马铃薯行业自动化、智能化程度，提高生产力和产品质量，扩大经济效益。
附图说明
图1为基于机器视觉的马铃薯褐变检测方法装置图，其中1-被检测样本，2-机器视觉检测一体化装置外壳，3-环形灯，4-CCD摄像头，5-计算机。
图2为实验样品图，分别表示0、2、4、6、8天鲜切马铃薯褐变程度，每天15片马铃薯。
图3为机器视觉对5个等级实验样本定性分析模型结果，其中A-LDA(线性判别分析)模型分类结果，B-SVM(支持向量机)模型分类结果。
图4为机器视觉对5个等级实验样本专家评分定量分析模型结果，其中A-训练集结果，B-预测集结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅图1，本发明的一种实施例。机器视觉检测一体化装置，包括硬件装置与软件系统，硬件装置包括1-被检测样本，2-机器视觉检测一体化装置外壳，3-环形灯，4-CCD摄像头，5-计算机。软件部分由电气控制模块与图像处理模块组成。所述机器视觉检测一体化装置外壳顶部通过卡口安装有4-CCD摄像头，且4-CCD摄像头通过数据线与5-计算机连接，所述机器视觉检测一体化装置外壳壁上还装有3-环形灯。
本发明对马铃薯褐变检测具有通用性，马铃薯加工时形态多样，本发明中机器视觉检测一体化装置列举了以鲜切马铃薯片为对象的具体结构和尺寸。具体实施步骤叙述如下：
(1)实验样本制备。样品为新鲜马铃薯，品种为荷兰薯，肉质呈黄色。在挑选样品时尽量选择品质较好、具有相同的外观特征(尺寸、颜色和形状)的样本。将购买的样本储存于阴凉干燥的环境中，室温控制在13℃(±2)持续一周，选择品相无明显变化的样本进行实验。在实验开始前，将挑选好的马铃薯样本用自来水清洗干净并削去表皮。清理后的马铃薯切成统一的3毫米厚的薄片，所使用的设备是机械切片机(美国NEMCO-55200AN)。再使用统一的模板将薄片切成长宽均为3.5厘米的方形，将制备好的样品放入4℃的冰箱中冷藏备用。选取存储第0、2、4、6、8天的马铃薯样品进行测试，每次从备用的样品中随机挑选15片。
(2)将样本放入机器视觉检测一体化装置内，由CCD摄像头拍摄图像并保存至计算机中。
(3)对步骤(2)所获得的样本图像进行预处理、背景分割和特征值提取。首先对图像进行预处理，将RGB图像转化为灰度图像，使用滤波算法去除噪声。再进行背景分割，使用大津法阈值分割获得目标区域，少部分噪点干扰以及目标缺失使用腐蚀、膨胀算子进行进一步精确处理。然后提取特征值，将提取出的目标物图像转换到RGB、HSV、Lab三种颜色空间进行表达，并将它们分割成单通道图像。从以上的三种颜色空间9副单通道图像中分别提取各通道下的灰度平均值和标准差，从不同角度对色彩进行分析，共同组成描述一个样品的图像信息。
(4)马铃薯褐变程度定性判别。将我们制备的0、2、4、6、8天的马铃薯褐变程度作为5个等级与机器视觉检测结果进行建模，采用支持向量机分类方法构建马铃薯褐变程度非线性决策系统，从而以训练获得的模型对其他样品进行定性判别。
(5)马铃薯褐变程度定量判别。由专家对实验样品进行评分，将样品的专家评分作为训练输出值，使用PLS(偏最小二乘法)构建回归模型。模型训练好后，输入机器视觉获得的特征值即可获得专家的评分结果。
应当注意，为了清楚的目的，附图和说明中省略了与本发明无关的、本领域普通技术人员已知的部件或处理的表示和描述。
尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于机器视觉的马铃薯褐变检测方法，其特征在于按照下述步骤进行：
(1)搭建机器视觉检测装置，准备实验样品；
(2)在机器视觉检测装置中进行马铃薯样品图像采集，由CCD摄像头拍摄图像并保存至计算机中；
(3)对图像进行预处理，将RGB图像转化为灰度图像，使用滤波算法去除噪声；
(4)背景分割，使用大津法阈值分割获得目标区域，少部分噪点干扰以及目标缺失使用腐蚀、膨胀算子进行进一步精确处理；
(5)特征值提取，将提取出的目标物图像转换到三种颜色空间进行表达，即RGB、HSV、Lab，并将它们分割成单通道图像；从以上的三种颜色空间9副单通道图像中分别提取各通道下的灰度平均值和标准差，从不同角度对色彩进行分析，共同组成描述一个样品的图像信息；
(6)建立褐变程度判别模型，对每一样品进行定性或定量分析。
2.根据权利要求1所述的一种基于机器视觉的马铃薯褐变检测方法，其特征在于步骤(1)所述用于机器视觉检测的装置为一体化装置，且为可可拆卸式装置；该装置根据具体的检测环境与检测对象进行设计与组装而成，如在不同的实验地、生产线或一次检测多个对象，都可以随时拆卸和更换以满足图像采集需求。
3.根据权利要求1所述的一种基于机器视觉的马铃薯褐变检测方法，其特征在于步骤(1)所述的机器视觉检测一体化装置，包括硬件装置与软件系统，硬件装置包括机器视觉检测一体化装置外壳，环形灯，CCD摄像头，计算机，软件部分由电气控制模块与图像处理模块组成；所述机器视觉检测一体化装置外壳顶部通过卡口安装有CCD摄像头，且CCD摄像头通过数据线与计算机连接，所述机器视觉检测一体化装置外壳壁上还装有环形灯。
4.根据权利要求1所述的一种基于机器视觉的马铃薯褐变检测方法，其特征在于步骤(1)所述的样品为新鲜马铃薯，品种为荷兰薯，肉质呈黄色；在挑选样品时尽量选择品质较好、具有相同的外观特征(尺寸、颜色和形状)的样本；将购买的样本储存于阴凉干燥的环境中，室温控制在13℃(±2)持续一周，选择品相无明显变化的样本进行实验；在实验开始前，将挑选好的马铃薯样本用自来水清洗干净并削去表皮；清理后的马铃薯切成统一的3毫米厚的薄片，所使用的设备是机械切片机(美国NEMCO-55200AN)；再使用统一的模板将薄片切成长宽均为3.5厘米的方形，将制备好的样品放入4℃的冰箱中冷藏备用；马铃薯样品在0、2、4、6、8天时测试，每次从备用的样品中随机挑选15片。
5.根据权利要求1所述的一种基于机器视觉的马铃薯褐变检测方法，其特征在于步骤(2)所述对样品进行视觉信息采集时，光照的形式、强度、角度，相机的高度以及焦距均为可调模式，保证马铃薯表面颜色信息、纹理信息的全面清晰获取。
6.根据权利要求1所述的一种基于机器视觉的马铃薯褐变检测方法，其特征在于步骤(3)所述滤波算法可根据不同测试情况获得的不同图像进行调节，优选的为中值滤波。
7.根据权利要求1所述的一种基于机器视觉的马铃薯褐变检测方法，其特征在于步骤(4)所述背景分割，优选的在黑色背景下进行检测，若背景较为复杂，则根据具体情况精确处理。
8.根据权利要求1所述的一种基于机器视觉的马铃薯褐变检测方法，其特征在于步骤(5)所述18个特征值为样品颜色信息的一部分，可根据需要增加其它特征值如极大值、极小值等，补充样本信息以增加精确度。
9.根据权利要求1所述的一种基于机器视觉的马铃薯褐变检测方法，其特征在于步骤(6)所述褐变程度判别模型，将我们制备的0、2、4、6、8天的马铃薯褐变程度作为5个等级与机器视觉检测结果进行建模，从而以训练获得的模型对其他样品进行定性判别。
10.根据权利要求1所述的一种基于机器视觉的马铃薯褐变检测方法，其特征在于步骤(6)所述褐变程度判别模型，如需获得更精确的褐变程度，则以人工对样品进行评分或用其他仪器方法获得褐变评分，再将评分结果与机器视觉检测结果进行回归建模，从而获得褐变定量评分模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011441959.0A CN112734688A (zh) | 2020-12-11 | 2020-12-11 | 基于机器视觉的马铃薯褐变检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011441959.0A CN112734688A (zh) | 2020-12-11 | 2020-12-11 | 基于机器视觉的马铃薯褐变检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112734688A true CN112734688A (zh) | 2021-04-30 |
Family
ID=75599089
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011441959.0A Pending CN112734688A (zh) | 2020-12-11 | 2020-12-11 | 基于机器视觉的马铃薯褐变检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112734688A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114022389A (zh) * | 2021-11-17 | 2022-02-08 | 河北农业大学 | 一种基于数码相机进行植物叶色等级判别的方法 |
-
2020
- 2020-12-11 CN CN202011441959.0A patent/CN112734688A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114022389A (zh) * | 2021-11-17 | 2022-02-08 | 河北农业大学 | 一种基于数码相机进行植物叶色等级判别的方法 |
| CN114022389B (zh) * | 2021-11-17 | 2022-08-09 | 河北农业大学 | 一种基于数码相机进行植物叶色等级判别的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020207293A1 (zh) | 一种用于自动烹饪食物的方法和装置 | |
| Yu et al. | Identification of crack features in fresh jujube using Vis/NIR hyperspectral imaging combined with image processing | |
| CN108663339B (zh) | 基于光谱和图像信息融合的霉变玉米在线检测方法 | |
| Ganiron | Size properties of mangoes using image analysis | |
| CN110705655A (zh) | 一种基于光谱和机器视觉耦合的烟叶分类方法 | |
| CN110243805B (zh) | 基于拉曼高光谱成像技术的鱼刺检测方法 | |
| Xu et al. | Computer vision detection of salmon muscle gaping using convolutional neural network features | |
| CN112691939A (zh) | 果蔬品质智能感知分拣机器人系统 | |
| Militante | Fruit grading of Garcinia Binucao (Batuan) using image processing | |
| Rafiq et al. | Application of computer vision system in food processing | |
| CN104297439A (zh) | 一种基于计算机视觉的双黄鸭蛋自动识别检测方法 | |
| Pedreschi et al. | Grading of potatoes | |
| CN111076670A (zh) | 一种苹果内外品质在线无损检测方法 | |
| CN112560896A (zh) | 一种基于图像处理的水果品质筛选分类系统 | |
| CN104089925A (zh) | 一种基于高光谱成像检测虾仁品质的目标区域提取方法 | |
| CN110929787B (zh) | 一种基于图像的苹果客观定级系统 | |
| CN112734688A (zh) | 基于机器视觉的马铃薯褐变检测方法 | |
| CN105118028A (zh) | 一种全自动嫁接机的嫁接苗接缝识别装置及接缝识别方法 | |
| Khadabadi et al. | Disease detection in vegetables using image processing techniques: A review | |
| CN113092432A (zh) | 一种基于荧光响应的罗非鱼除鳞效果可视化方法 | |
| CN110987957A (zh) | 基于机器视觉和激光加工的智能化去缺陷方法 | |
| CN112816487B (zh) | 一种基于机器视觉的皮蛋内部品质无损检测方法 | |
| CN112529838A (zh) | 一种基于图像处理技术的烟叶成熟度在线判别方法 | |
| CN113866122A (zh) | 一种鸡品种快速鉴别方法及其应用 | |
| Balbin et al. | Assessment of the standard level of oreochromis niloticus and chanos chanos located in fish pen and wet market storage based on viola-jones, thresholding and L* a* b* color space |
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 |