CN112818154A - 一种果品表面高效处理的方法及装置 - Google Patents

一种果品表面高效处理的方法及装置 Download PDF

Info

Publication number
CN112818154A
CN112818154A CN202110110725.6A CN202110110725A CN112818154A CN 112818154 A CN112818154 A CN 112818154A CN 202110110725 A CN202110110725 A CN 202110110725A CN 112818154 A CN112818154 A CN 112818154A
Authority
CN
China
Prior art keywords
fruit
information
obtaining
image information
image
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
CN202110110725.6A
Other languages
English (en)
Inventor
韦小东
李英艺
陈天安
覃绍平
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.)
Guangxi Rong'an Ant Agriculture Development Co ltd
Original Assignee
Guangxi Rong'an Ant Agriculture Development Co 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 Guangxi Rong'an Ant Agriculture Development Co ltd filed Critical Guangxi Rong'an Ant Agriculture Development Co ltd
Priority to CN202110110725.6A priority Critical patent/CN112818154A/zh
Publication of CN112818154A publication Critical patent/CN112818154A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes

Abstract

本发明公开了一种果品表面高效处理的方法及装置，其中，所述方法包括：根据所述第一图像信息，确定所述第一果品的品种信息；根据所述第一果品的品种信息，获得所述第一果品的表皮污染数据库；通过所述图像采集装置获得第一果品的第二图像信息，所述第二图像信息包括所述第一果品表皮的图像信息；将所述第二图像信息输入卫生等级评估模型，获得所述第一果品的第一卫生等级信息；根据所述第一果品的表皮污染数据库和所述第一卫生等级信息，获得第一果品表面处理方法。解决了现有技术存在果皮表面污染残留物处理不干净且处理效率低进而危害身体健康的技术问题。

Description

一种果品表面高效处理的方法及装置
技术领域
本发明涉及表面处理领域，尤其涉及一种果品表面高效处理的方法及装置。
背景技术
随着科技的发展，我们不但能吃到当季的新鲜果蔬，还可以吃到许多用科技栽培的跨季果实，但是这些果蔬虽然可口，却隐藏着不少表面残留物，想要吃的开心，还要吃的健康，对于果蔬表面的清理至关重要。
但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
现有技术存在果皮表面污染残留物处理不干净且处理效率低进而危害身体健康的技术问题。
发明内容
本申请实施例通过提供一种果品表面高效处理的方法及装置，解决了现有技术存在果皮表面污染残留物处理不干净且处理效率低进而危害身体健康的技术问题，达到高效干净的处理果皮表面污染残留物进而保证食用健康的技术效果。
鉴于上述问题，提出了本申请实施例提供一种果品表面高效处理的方法及装置。
第一方面，本申请实施例提供了一种果品表面高效处理的方法，所述方法包括：通过所述图像采集装置获得第一果品的第一图像信息，所述第一图像信息包括所述第一果品的图像信息；根据所述第一图像信息，确定所述第一果品的品种信息；根据所述第一果品的品种信息，获得所述第一果品的表皮污染数据库；通过所述图像采集装置获得第一果品的第二图像信息，所述第二图像信息包括所述第一果品表皮的图像信息；将所述第二图像信息输入卫生等级评估模型，获得所述第一果品的第一卫生等级信息；根据所述第一果品的表皮污染数据库和所述第一卫生等级信息，获得第一果品表面处理方法。
另一方面，本申请还提供了一种果品表面高效处理的装置，所述装置包括：第一获得单元，所述第一获得单元用于通过图像采集装置获得第一果品的第一图像信息，所述第一图像信息包括所述第一果品的图像信息；第一确定单元，所述第一确定单元用于根据所述第一图像信息，确定所述第一果品的品种信息；第二获得单元，所述第二获得单元用于根据所述第一果品的品种信息，获得所述第一果品的表皮污染数据库；第三获得单元，所述第三获得单元用于通过所述图像采集装置获得第一果品的第二图像信息，所述第二图像信息包括所述第一果品表皮的图像信息；第四获得单元，所述第四获得单元用于将所述第二图像信息输入卫生等级评估模型，获得所述第一果品的第一卫生等级信息；第五获得单元，所述第五获得单元用于根据所述第一果品的表皮污染数据库和所述第一卫生等级信息，获得第一果品表面处理方法。
第三方面，本发明提供了一种果品表面高效处理的装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现第一方面所述方法的步骤。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了通过所述图像采集装置获得第一果品的第一图像信息，所述第一图像信息包括所述第一果品的图像信息；根据所述第一图像信息，确定所述第一果品的品种信息；根据所述第一果品的品种信息，获得所述第一果品的表皮污染数据库；通过所述图像采集装置获得第一果品的第二图像信息，所述第二图像信息包括所述第一果品表皮的图像信息；将所述第二图像信息输入卫生等级评估模型，获得所述第一果品的第一卫生等级信息；根据所述第一果品的表皮污染数据库和所述第一卫生等级信息，获得第一果品表面处理方法，进而达到高效干净的处理果皮表面污染残留物进而保证食用健康的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种果品表面高效处理的方法的流程示意图；
图2为本申请实施例一种果品表面高效处理的装置的结构示意图；
图3为本申请实施例示例性电子设备的结构示意图。
附图标记说明：第一获得单元11，第一确定单元12，第二获得单元13，第三获得单元14，第四获得单元15，第五获得单元16，总线300，接收器301，处理器302，发送器303，存储器304，总线接口306。
具体实施方式
本申请实施例通过提供一种果品表面高效处理的方法及装置，解决了现有技术存在果皮表面污染残留物处理不干净且处理效率低进而危害身体健康的技术问题，达到高效干净的处理果皮表面污染残留物进而保证食用健康的技术效果。下面，将参考附图详细的描述根据本申请的示例实施例。显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
随着科技的发展，我们不但能吃到当季的新鲜果蔬，还可以吃到许多用科技栽培的跨季果实，但是这些果蔬虽然可口，却隐藏着不少表面残留物，想要吃的开心，还要吃的健康，对于果蔬表面的清理至关重要。但现有技术存在果皮表面污染残留物处理不干净且处理效率低进而危害身体健康的技术问题。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请实施例提供了一种果品表面高效处理的方法，所述方法包括：通过所述图像采集装置获得第一果品的第一图像信息，所述第一图像信息包括所述第一果品的图像信息；根据所述第一图像信息，确定所述第一果品的品种信息；根据所述第一果品的品种信息，获得所述第一果品的表皮污染数据库；通过所述图像采集装置获得第一果品的第二图像信息，所述第二图像信息包括所述第一果品表皮的图像信息；将所述第二图像信息输入卫生等级评估模型，获得所述第一果品的第一卫生等级信息；根据所述第一果品的表皮污染数据库和所述第一卫生等级信息，获得第一果品表面处理方法。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种果品表面高效处理的方法，其中，所述方法包括：
步骤S100：通过所述图像采集装置获得第一果品的第一图像信息，所述第一图像信息包括所述第一果品的图像信息；
步骤S200：根据所述第一图像信息，确定所述第一果品的品种信息；
具体而言，所述第一果品为需要进行果皮表面高效处理的果品对象，所述第一果品的第一图像信息为通过所述图像采集装置获得的所述第一果品的图像信息，包括所述第一果品的形态、颜色等图像信息，根据所述第一图像信息，确定所述第一果品的品种信息，如浆果类：如草莓、桑椹、蔓越莓、蓝莓、黑莓、覆盆子、红醋莓等；柑橘类：如橘子、橙子、金桔、柠檬、葡萄柚、文旦、柚子、莱姆等；核果：如樱桃、桃、李、梅、枣、橄榄、龙眼、荔枝等；仁果：如苹果、梨、柿子、枇杷等；瓜类：如西瓜、甜瓜、香瓜、哈密瓜等。
步骤S300：根据所述第一果品的品种信息，获得所述第一果品的表皮污染数据库；
进一步而言，其中，所述根据所述第一果品的品种信息，获得所述第一果品的表皮污染数据库，本申请实施例步骤S300还包括：
步骤S310：通过大数据获得所述第一果品的基本种植手段；
步骤S320：获得所述第一果品的种植环境信息；
步骤S330：获得所述第一果品的健康信息；
步骤S340：根据所述种植环境信息和所述健康信息，获得所述第一果品的特定种植手段；
步骤S350：根据所述基本种植手段，获得所述第一果品的基础污染数据库；
步骤S360：根据所述特定种植手段，获得所述第一果品的特定污染数据库；
步骤S370：根据所述基础污染数据库和所述特定污染数据库，获得所述第一果品的表皮污染数据库。
具体而言，所述大数据方法为统一管理、集中存储大数据资源，满足高并发，海量数据对高性能计算能力和大容量存储能力的需求，提供数据采集，数据计算，数据存储，数据分析，数据可视化等大量开放能力，确保各系统之间数据的互联互通和共享，为数据的全链条透明化、运营决策的高度智能化提供依据的方法，所述第一果品的基本种植手段为通过大数据得到的所述果品的种植方法，如定期施肥、定期上药打针、温室、大棚栽种反季节水果温度湿度等。所述第一果品的种植环境信息为种植所述果品的环境条件信息，如土壤要求、温度要求、光照要求、水分要求等，所述第一果品的健康信息为所述果品的生长健康状态信息，如所述果品生长速度、营养吸收情况、是否有虫害等，所述第一果品的特定种植手段为根据所述果品种植环境信息和所述果品健康信息对所述果品基本种植手段进行特定调整的技术手段，如调节生长温度、定期喷杀虫剂、打营养针等。所述第一果品的基础污染数据库为根据所述果品的所述基本种植手段得到的果品表面污染残留物的数据集合库，所述第一果品的特定污染数据库为根据所述果品的所述特定种植手段得到的果品表面污染残留物的数据集合库，所述第一果品的表皮污染数据库为根据所述基础污染数据库和所述特定污染数据库的组合得到的所述果品的表面污染残留物的数据集合总库，达到结合果品基本种植手段和特定种植手段，使得到的果品表面污染物数据库更加全面准确的技术效果。
步骤S400：通过所述图像采集装置获得第一果品的第二图像信息，所述第二图像信息包括所述第一果品表皮的图像信息；
具体而言，所述第一果品的第二图像信息为通过所述图像采集装置获得的所述第一果品表皮的图像信息，包括所述第一果品表皮的光滑程度、呈现颜色等图像信息，如苹果表皮色泽均匀鲜艳，表面洁净光亮；柑表皮近似于球形，皮质粗厚，表面凹凸不平，橘表皮呈米红色或橙色，皮质细薄，较光滑且无坚硬感；柚子果皮呈不规则圆球状或梨形，似葫芦状，皮质粗糙而肥厚等。
步骤S500：将所述第二图像信息输入卫生等级评估模型，获得所述第一果品的第一卫生等级信息；
进一步而言，其中，所述将所述第二图像信息输入卫生等级评估模型，获得所述第一果品的第一卫生等级信息，本申请实施例步骤S500还包括：
步骤S510：对所述第二图像信息进行分割，获得N个子图像信息；
步骤S520：将所述N个子图像信息输入卫生等级评估模型中，所述卫生等级评估模型通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述N个子图像信息和用来标识第一卫生等级的标识信息；
步骤S530：获得所述卫生等级评估模型中的输出信息，其中，所述输出信息包括所述第一结果，其中，所述第一结果为所述第一果品的第一卫生等级信息。
具体而言，所述第二图像信息包含所述图像采集装置获得的所有的果品表皮图像数据信息，对所述第二图像信息进行分割，获得N个子图像信息，根据N个子图像信息的排列组合得到目标所述第一果品表皮的图像信息，类似于所述图像采集装置从不同角度采集到的所述第一果品表皮的图像信息，所述卫生等级评估模型为神经网络模型，所述神经网络模型即机器学习中的神经网络模型，神经网络(Neural Networks，NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(Artificial Neural Networks，ANN)，是对人类大脑系统的一阶特性的一种描述。简单地讲，它是一个数学模型。通过大量训练数据的训练，将所述N个子图像信息输入神经网络模型，则输出所述第一果品的第一卫生等级信息。
更进一步而言，所述训练的过程实质为监督学习的过程，每一组监督数据均包括所述N个子图像信息和用来标识第一卫生等级的标识信息，将所述N个子图像信息输入到神经网络模型中，根据用来标识第一卫生等级的标识信息，所述神经网络模型进行不断的自我修正、调整，直至获得的第一结果与所述标识信息一致，则结束本组数据监督学习，进行下一组数据监督学习；当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时，则监督学习过程结束。通过对所述神经网络模型的监督学习，进而使得所述神经网络模型处理所述输入信息更加准确，进而使得输出的第一卫生等级信息更加合理、准确，进而达到对果品卫生等级的确定更加准确，进而使卫生等级模型的建立更加细腻准确的技术效果。
步骤S600：根据所述第一果品的表皮污染数据库和所述第一卫生等级信息，获得第一果品表面处理方法。
具体而言，所述第一果品表面处理方法为通过所述第一果品的表皮污染数据库和所述第一卫生等级信息结合确定的所述果皮表面处理方法，按照所述果品的种植的表面污物染程度和所述果品表面的卫生程度对所述果品表面进行高效处理。
进一步而言，本申请实施例还包括：
步骤S710：获得所述第一果品的果皮厚度信息；
步骤S720：获得所述第一果品的果质韧性信息；
步骤S730：根据所述第一果品的果皮厚度信息和果质韧性信息获得处理强度信息；
步骤S740：根据所述处理强度信息，调整所述第一果品表面处理方法，获得第二果品表面处理方法。
具体而言，所述第一果品的果皮厚度信息为所述第一果品的果皮厚薄程度信息，所述第一果品的果质韧性信息为所述第一果品的果实质地的韧性强度信息，所述处理强度信息为根据所述第一果品的果皮厚度信息和果质韧性信息对所述果品表面进行处理的强度，所述第二果品表面处理方法为根据所述处理强度信息的调整，对所述第一果品表面处理方法进行改进调整后得到的果品表面处理方法，达到结合果皮厚度和果质韧性对果皮表面进行处理，使得对果皮表面的处理方法更加专业准确的技术效果。
进一步而言，其中，所述根据所述第一果品的果皮厚度信息和果质韧性信息获得处理强度信息，本申请实施例步骤S730还包括：
步骤S731：将所述果皮厚度信息作为横坐标；
步骤S732：将所述果质韧性信息作为纵坐标构建二维直角坐标系；
步骤S733：根据逻辑回归模型在所述二维直角坐标系构建逻辑回归线，其中，所述逻辑回归线的一侧代表所述第一输出结果，所述逻辑回归线的另一侧代表所述第二输出结果，所述第一输出结果为第一处理强度信息，所述第二输出结果为第二处理强度信息。
具体而言，所述逻辑回归模型是机器学习中的一种分类模型，将所述果皮厚度信息作为横坐标，所述果质韧性信息作为纵坐标，构建坐标系，基于逻辑回归模型在所述坐标系中获得逻辑回归线，所述逻辑回归线的一侧代表所述第一输出结果，所述第一输出结果为第一处理强度信息，所述逻辑回归线的另一侧代表所述第二输出结果，所述第二输出结果为第二处理强度信息，所述逻辑回归线受第一位置和第一角度控制，根据所述果皮厚度信息和所述果质韧性信息可对所述逻辑回归线的第一位置和第一角度进行调整，进而使得所述逻辑回归线更加准确，进而使得获得的输出结果更加准确，进而达到结合逻辑回归模型，智能高效准确的得出果品表面处理强度的技术效果。
进一步而言，本申请实施例还包括：
步骤S810：获得所述第一果品的种植地区；
步骤S820：获得所述种植地区空气质量；
步骤S830：根据所述空气质量，获得所述第一果品表皮灰尘指数；
步骤S840：根据所述灰尘指数，对所述第一果品表面处理方法进行调整，获得第三果品表面处理方法。
具体而言，所述第一果品的种植地区为种植所述果品的区域，如苹果种植地区主要集中在邻近渤海湾的山东、辽宁、河北等省，秦岭北麓的豫西、关中等地，西北黄土高原的渭北、陇中、青海、宁夏部分地区，葡萄种植地区主要在新疆、山东、河北、河南、辽宁、山西、安徽、江苏等省，柿种植地区主要集中于陕西、山西、河北、河南、山东等省，所述种植地区空气质量为所述果品种植地区空气质量指数或空气污染指数信息，它将空气污染程度和空气质量状况分级表示,反映了空气污染程度、空气质量状况和变化趋势。所述第一果品表皮灰尘指数为表征所述第一果品表皮灰尘杂质浓度的指标，所述第三果品表面处理方法为根据所述灰尘指数，对所述第一果品表面处理方法进行调整后得到的果品表面处理方法，达到综合果品表皮灰尘指数对果皮表面进行处理，使得对果皮表面的处理方法更加高效准确的技术效果。
进一步而言，其中，根据所述种植环境信息和所述健康信息，获得所述第一果品的特定种植手段，本申请实施例步骤S340还包括：
步骤S341：将所述种植环境信息和所述健康信息输入种植手段评估模型中，所述种植手段评估模型通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述种植环境信息、所述健康信息和用来标识特定种植手段的标识信息；
步骤S342：获得所述种植手段评估模型中的输出信息，其中，所述输出信息包括所述第二结果，其中，所述第二结果为所述第一果品的特定种植手段信息。
具体而言，所述种植手段评估模型为神经网络模型，通过大量训练数据的训练，将所述种植环境信息和所述健康信息输入神经网络模型，则输出所述第一果品的特定种植手段信息，通过对所述神经网络模型的监督学习，进而使得所述神经网络模型处理所述输入信息更加准确，进而使得输出的特定种植手段信息更加合理、准确，进而达到结合果品种植环境和果品健康信息得到更加准确的特定种植手段，为果品表面污染物的高效处理奠定了基础的技术效果。
进一步而言，其中，获得所述第一果品的特定污染数据库，本申请实施例步骤S360还包括：
步骤S361：获得所述第一果品的果农业务信息；
步骤S362：根据所述果农业务信息，获得所述果农的业务能力考核；
步骤S363：根据所述业务能力考核，获得第一修正参数；
步骤S364：根据所述第一修正参数，对所述第一果品的特定污染数据库进行修正。
具体而言，所述第一果品的果农业务信息为种植所述第一果品的农民业务信息，包括所述果农的种植业务、采摘业务、果品销售等业务信息，所述果农的业务能力考核为根据所述果农业务信息得到的所述果农的种植习惯信息包括打药频次、施肥营养情况等，种植成品合格率等业务能力考核结果，所述第一修正参数为根据所述果农的业务能力考核所得到的修正参数，根据所述第一修正参数，对所述第一果品的特定污染数据库进行修正处理，达到综合考虑果农的业务水平能力对所述果品表面污染的影响效果。
综上所述，本申请实施例所提供的一种果品表面高效处理的方法及装置具有如下技术效果：
1、由于采用了通过所述图像采集装置获得第一果品的第一图像信息，所述第一图像信息包括所述第一果品的图像信息；根据所述第一图像信息，确定所述第一果品的品种信息；根据所述第一果品的品种信息，获得所述第一果品的表皮污染数据库；通过所述图像采集装置获得第一果品的第二图像信息，所述第二图像信息包括所述第一果品表皮的图像信息；将所述第二图像信息输入卫生等级评估模型，获得所述第一果品的第一卫生等级信息；根据所述第一果品的表皮污染数据库和所述第一卫生等级信息，获得第一果品表面处理方法，进而达到高效干净的处理果皮表面污染残留物进而保证食用健康的技术效果。
2、由于采用了将所述第二图像信息输入神经网络模型的方式，进而使得输出的第一卫生等级信息更加合理、准确，进而达到对果品卫生等级的确定更加准确，进而使卫生等级模型的建立更加细腻准确的技术效果。
3、由于采用了通过所述果皮厚度信息和所述果质韧性信息构建逻辑回归模型的方式，进而使得输出的果品表面处理强度信息更加准确，进而达到结合逻辑回归模型，智能高效准确的得出果品表面处理强度的技术效果。
实施例二
基于与前述实施例中一种果品表面高效处理的方法同样发明构思，本发明还提供了一种果品表面高效处理的装置，如图2所示，所述系统包括：
第一获得单元11，所述第一获得单元11用于通过图像采集装置获得第一果品的第一图像信息，所述第一图像信息包括所述第一果品的图像信息；
第一确定单元12，所述第一确定单元12用于根据所述第一图像信息，确定所述第一果品的品种信息；
第二获得单元13，所述第二获得单元13用于根据所述第一果品的品种信息，获得所述第一果品的表皮污染数据库；
第三获得单元14，所述第三获得单元14用于通过所述图像采集装置获得第一果品的第二图像信息，所述第二图像信息包括所述第一果品表皮的图像信息；
第四获得单元15，所述第四获得单元15用于将所述第二图像信息输入卫生等级评估模型，获得所述第一果品的第一卫生等级信息；
第五获得单元16，所述第五获得单元16用于根据所述第一果品的表皮污染数据库和所述第一卫生等级信息，获得第一果品表面处理方法。
进一步的，所述系统还包括：
第六获得单元，所述第六获得单元用于对所述第二图像信息进行分割，获得N个子图像信息；
第一输入单元，所述第一输入单元用于将所述N个子图像信息输入卫生等级评估模型中，所述卫生等级评估模型通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述N个子图像信息和用来标识第一卫生等级的标识信息；
第七获得单元，所述第七获得单元用于获得所述卫生等级评估模型中的输出信息，其中，所述输出信息包括所述第一结果，其中，所述第一结果为所述第一果品的第一卫生等级信息。
进一步的，所述系统还包括：
第八获得单元，所述第八获得单元用于通过大数据获得所述第一果品的基本种植手段；
第九获得单元，所述第九获得单元用于获得所述第一果品的种植环境信息；
第十获得单元，所述第十获得单元用于获得所述第一果品的健康信息；
第十一获得单元，所述第十一获得单元用于根据所述种植环境信息和所述健康信息，获得所述第一果品的特定种植手段；
第十二获得单元，所述第十二获得单元用于根据所述基本种植手段，获得所述第一果品的基础污染数据库；
第十三获得单元，所述第十三获得单元用于根据所述特定种植手段，获得所述第一果品的特定污染数据库；
第十四获得单元，所述第十四获得单元用于根据所述基础污染数据库和所述特定污染数据库，获得所述第一果品的表皮污染数据库。
进一步的，所述系统还包括：
第十五获得单元，所述第十五获得单元用于获得所述第一果品的果皮厚度信息；
第十六获得单元，所述第十六获得单元用于获得所述第一果品的果质韧性信息；
第十七获得单元，所述第十七获得单元用于根据所述第一果品的果皮厚度信息和果质韧性信息获得处理强度信息；
第十八获得单元，所述第十八获得单元用于根据所述处理强度信息，调整所述第一果品表面处理方法，获得第二果品表面处理方法。
进一步的，所述系统还包括：
第一作为单元，所述第一作为单元用于将所述果皮厚度信息作为横坐标；
第一构建单元，所述第一构建单元用于将所述果质韧性信息作为纵坐标构建二维直角坐标系；
第二构建单元，所述第二构建单元用于根据逻辑回归模型在所述二维直角坐标系构建逻辑回归线，其中，所述逻辑回归线的一侧代表所述第一输出结果，所述逻辑回归线的另一侧代表所述第二输出结果，所述第一输出结果为第一处理强度信息，所述第二输出结果为第二处理强度信息。
进一步的，所述系统还包括：
第十九获得单元，所述第十九获得单元用于获得所述第一果品的种植地区；
第二十获得单元，所述第二十获得单元用于获得所述种植地区空气质量；
第二十一获得单元，所述第二十一获得单元用于根据所述空气质量，获得所述第一果品表皮灰尘指数；
第二十二获得单元，所述第二十二获得单元用于根据所述灰尘指数，对所述第一果品表面处理方法进行调整，获得第三果品表面处理方法。
进一步的，所述系统还包括：
第二输入单元，所述第二输入单元用于将所述种植环境信息和所述健康信息输入种植手段评估模型中，所述种植手段评估模型通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述种植环境信息、所述健康信息和用来标识特定种植手段的标识信息；
第二十三获得单元，所述第二十三获得单元用于获得所述种植手段评估模型中的输出信息，其中，所述输出信息包括所述第二结果，其中，所述第二结果为所述第一果品的特定种植手段信息。
前述图1实施例一中的一种果品表面高效处理的方法的各种变化方式和具体实例同样适用于本实施例的一种果品表面高效处理的装置，通过前述对一种果品表面高效处理的方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种果品表面高效处理的装置的实施方法，所以为了说明书的简洁，在此不再详述。
示例性电子设备
下面参考图3来描述本申请实施例的电子设备。
图3图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种果品表面高效处理的方法的发明构思，本发明还提供一种果品表面高效处理的装置，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种果品表面高效处理的方法的任一方法的步骤。
其中，在图3中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他系统通信的单元。
处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本发明实施例提供的一种果品表面高效处理的方法，所述方法包括：通过所述图像采集装置获得第一果品的第一图像信息，所述第一图像信息包括所述第一果品的图像信息；根据所述第一图像信息，确定所述第一果品的品种信息；根据所述第一果品的品种信息，获得所述第一果品的表皮污染数据库；通过所述图像采集装置获得第一果品的第二图像信息，所述第二图像信息包括所述第一果品表皮的图像信息；将所述第二图像信息输入卫生等级评估模型，获得所述第一果品的第一卫生等级信息；根据所述第一果品的表皮污染数据库和所述第一卫生等级信息，获得第一果品表面处理方法。解决了现有技术存在果皮表面污染残留物处理不干净且处理效率低进而危害身体健康的技术问题，达到高效干净的处理果皮表面污染残留物进而保证食用健康的技术效果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种果品表面高效处理的方法，其中，所述方法应用于一种果品表面高效处理装置，所述装置包括一图像采集装置，所述方法包括：
通过所述图像采集装置获得第一果品的第一图像信息，所述第一图像信息包括所述第一果品的图像信息；
根据所述第一图像信息，确定所述第一果品的品种信息；
根据所述第一果品的品种信息，获得所述第一果品的表皮污染数据库；
通过所述图像采集装置获得第一果品的第二图像信息，所述第二图像信息包括所述第一果品表皮的图像信息；
将所述第二图像信息输入卫生等级评估模型，获得所述第一果品的第一卫生等级信息；
根据所述第一果品的表皮污染数据库和所述第一卫生等级信息，获得第一果品表面处理方法。
2.如权利要求1所述的方法，其中，所述将所述第二图像信息输入卫生等级评估模型，获得所述第一果品的第一卫生等级信息，包括：
对所述第二图像信息进行分割，获得N个子图像信息；
将所述N个子图像信息输入卫生等级评估模型中，所述卫生等级评估模型通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述N个子图像信息和用来标识第一卫生等级的标识信息；
获得所述卫生等级评估模型中的输出信息，其中，所述输出信息包括所述第一结果，其中，所述第一结果为所述第一果品的第一卫生等级信息。
3.如权利要求1所述的方法，其中，所述根据所述第一果品的品种信息，获得所述第一果品的表皮污染数据库，包括：
通过大数据获得所述第一果品的基本种植手段；
获得所述第一果品的种植环境信息；
获得所述第一果品的健康信息；
根据所述种植环境信息和所述健康信息，获得所述第一果品的特定种植手段；
根据所述基本种植手段，获得所述第一果品的基础污染数据库；
根据所述特定种植手段，获得所述第一果品的特定污染数据库；
根据所述基础污染数据库和所述特定污染数据库，获得所述第一果品的表皮污染数据库。
4.如权利要求1所述的方法，其中，所述方法包括：
获得所述第一果品的果皮厚度信息；
获得所述第一果品的果质韧性信息；
根据所述第一果品的果皮厚度信息和果质韧性信息获得处理强度信息；
根据所述处理强度信息，调整所述第一果品表面处理方法，获得第二果品表面处理方法。
5.如权利要求4所述的方法，其中，所述根据所述第一果品的果皮厚度信息和果质韧性信息获得处理强度信息，包括：
将所述果皮厚度信息作为横坐标；
将所述果质韧性信息作为纵坐标构建二维直角坐标系；
根据逻辑回归模型在所述二维直角坐标系构建逻辑回归线，其中，所述逻辑回归线的一侧代表所述第一输出结果，所述逻辑回归线的另一侧代表所述第二输出结果，所述第一输出结果为第一处理强度信息，所述第二输出结果为第二处理强度信息。
6.如权利要求1所述的方法，其中，所述方法包括：
获得所述第一果品的种植地区；
获得所述种植地区空气质量；
根据所述空气质量，获得所述第一果品表皮灰尘指数；
根据所述灰尘指数，对所述第一果品表面处理方法进行调整，获得第三果品表面处理方法。
7.如权利要求3所述的方法，其中，根据所述种植环境信息和所述健康信息，获得所述第一果品的特定种植手段，包括：
将所述种植环境信息和所述健康信息输入种植手段评估模型中，所述种植手段评估模型通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述种植环境信息、所述健康信息和用来标识特定种植手段的标识信息；
获得所述种植手段评估模型中的输出信息，其中，所述输出信息包括所述第二结果，其中，所述第二结果为所述第一果品的特定种植手段信息。
8.一种果品表面高效处理的装置，其中，所述装置包括：
第一获得单元，所述第一获得单元用于通过图像采集装置获得第一果品的第一图像信息，所述第一图像信息包括所述第一果品的图像信息；
第一确定单元，所述第一确定单元用于根据所述第一图像信息，确定所述第一果品的品种信息；
第二获得单元，所述第二获得单元用于根据所述第一果品的品种信息，获得所述第一果品的表皮污染数据库；
第三获得单元，所述第三获得单元用于通过所述图像采集装置获得第一果品的第二图像信息，所述第二图像信息包括所述第一果品表皮的图像信息；
第四获得单元，所述第四获得单元用于将所述第二图像信息输入卫生等级评估模型，获得所述第一果品的第一卫生等级信息；
第五获得单元，所述第五获得单元用于根据所述第一果品的表皮污染数据库和所述第一卫生等级信息，获得第一果品表面处理方法。
9.一种果品表面高效处理的装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。
CN202110110725.6A 2021-01-27 2021-01-27 一种果品表面高效处理的方法及装置 Pending CN112818154A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110110725.6A CN112818154A (zh) 2021-01-27 2021-01-27 一种果品表面高效处理的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110110725.6A CN112818154A (zh) 2021-01-27 2021-01-27 一种果品表面高效处理的方法及装置

Publications (1)

Publication Number Publication Date
CN112818154A true CN112818154A (zh) 2021-05-18

Family

ID=75859646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110110725.6A Pending CN112818154A (zh) 2021-01-27 2021-01-27 一种果品表面高效处理的方法及装置

Country Status (1)

Country Link
CN (1) CN112818154A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113137836A (zh) * 2021-04-23 2021-07-20 柳州东风容泰化工股份有限公司 一种制备邻氯苯腈的干燥方法及系统
CN113380393A (zh) * 2021-06-28 2021-09-10 南通市第一人民医院 一种妇科用医疗器械监管方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109592376A (zh) * 2018-11-06 2019-04-09 首钢集团有限公司 一种磁滚筒自动分料控制方法和装置
CN110340322A (zh) * 2019-08-22 2019-10-18 联峰钢铁（张家港）有限公司 一种连铸自动开浇的方法和装置
CN110404688A (zh) * 2019-07-12 2019-11-05 塔里木大学 一种融合静电与风力的机采棉清杂信息处理方法和装置
CN111964209A (zh) * 2020-07-16 2020-11-20 厦门理工学院 一种智能空气净化方法和装置
CN112159415A (zh) * 2020-10-27 2021-01-01 广西仙草堂制药有限责任公司 一种提高青蒿素提取纯度的方法和装置
CN112185476A (zh) * 2020-11-02 2021-01-05 广西仙草堂制药有限责任公司 一种提高青蒿素副产物利用率的方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109592376A (zh) * 2018-11-06 2019-04-09 首钢集团有限公司 一种磁滚筒自动分料控制方法和装置
CN110404688A (zh) * 2019-07-12 2019-11-05 塔里木大学 一种融合静电与风力的机采棉清杂信息处理方法和装置
CN110340322A (zh) * 2019-08-22 2019-10-18 联峰钢铁（张家港）有限公司 一种连铸自动开浇的方法和装置
CN111964209A (zh) * 2020-07-16 2020-11-20 厦门理工学院 一种智能空气净化方法和装置
CN112159415A (zh) * 2020-10-27 2021-01-01 广西仙草堂制药有限责任公司 一种提高青蒿素提取纯度的方法和装置
CN112185476A (zh) * 2020-11-02 2021-01-05 广西仙草堂制药有限责任公司 一种提高青蒿素副产物利用率的方法和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113137836A (zh) * 2021-04-23 2021-07-20 柳州东风容泰化工股份有限公司 一种制备邻氯苯腈的干燥方法及系统
CN113380393A (zh) * 2021-06-28 2021-09-10 南通市第一人民医院 一种妇科用医疗器械监管方法及系统

Similar Documents

Publication Publication Date Title
Wei et al. Influence of irrigation during the growth stage on yield and quality in mango (Mangifera indica L)
Jhuria et al. Image processing for smart farming: Detection of disease and fruit grading
CN112818154A (zh) 一种果品表面高效处理的方法及装置
CN112001242B (zh) 一种智能园艺管理方法和装置
Langford et al. Price analysis of the Indonesian carrageenan seaweed industry
Reddy et al. Precision method for pest detection in plants using the clustering algorithm in image processing
Qulmatova et al. DATA ANALYSIS AND FORECASTING IN AGRICULTURAL ENTERPRISES
Handayanto Nondestructive Banana Ripeness Classification using Neural Network
Sannakki et al. Disease identification and grading of pomegranate leaves using image processing and fuzzy logic
Neto et al. Fuzzy modeling of the effects of irrigation and water salinity in harvest point of tomato crop. Part I: Description of the method
Mangueira et al. Description of the growth curve of the biquinho-type pepper plant under water stress
Sharma et al. Tomato Leaf Disease Detection using Machine Learning.
Gamara et al. Vision-based shrimp feed type classification using fuzzy logic
Sajindra et al. A novel deep learning model to predict the soil nutrient levels (N, P, and K) in cabbage cultivation
Monjezi Diagnose and Prioritizing of Effective Managerial and Executive Factors on Water Productivity in Sugarcane Production and Providing Practical Solutions to Increase It
Palaniappan et al. Prediction of Soil Properties Using Image Processing with ANN (Artificial Neural Network) for Crop Cultivation
Phasinam et al. Supervised Machine Learning in Precision Agriculture
Priya et al. IoT based agriculture robot using neural networks
Ranjbar Malekshah et al. Investigating the efficiency of rice producers in Sari Goharbaran accounting for uncertainty
ZIN et al. Artificial Intelligence Fusion in Digital Transformation Techniques for Lameness Detection in Dairy Cattle
Niedbała et al. Application of artificial neural networks for the prediction of quality characteristics of potato tubers-Innovator variety.
Mohanasuganthi et al. A state-of-the-art survey of machine learning in the agricultural sector
Yeşil et al. Recognition of Hereford and Simmental cattle breeds via computer vision.
Chouksey et al. Forecasting of nitrogen content in the soil by hybrid time series model
Cuong The Model for The Classification of The Ripeness Stage of Pomegranate Fruits In Orchards Using

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210518