CN113177925A - 一种无损检测水果表面缺陷的方法 - Google Patents
一种无损检测水果表面缺陷的方法 Download PDFInfo
- Publication number
- CN113177925A CN113177925A CN202110508664.9A CN202110508664A CN113177925A CN 113177925 A CN113177925 A CN 113177925A CN 202110508664 A CN202110508664 A CN 202110508664A CN 113177925 A CN113177925 A CN 113177925A
- Authority
- CN
- China
- Prior art keywords
- image
- fruit
- area
- defect
- formula
- 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
Links
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 79
- 230000007547 defect Effects 0.000 title claims abstract description 66
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000013589 supplement Substances 0.000 claims abstract description 12
- 238000003708 edge detection Methods 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 9
- 230000001678 irradiating effect Effects 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000001066 destructive effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 abstract 1
- 241000220225 Malus Species 0.000 description 30
- 235000021016 apples Nutrition 0.000 description 23
- 230000000052 comparative effect Effects 0.000 description 5
- 208000027418 Wounds and injury Diseases 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 230000002950 deficient Effects 0.000 description 4
- 208000014674 injury Diseases 0.000 description 4
- 208000006877 Insect Bites and Stings Diseases 0.000 description 3
- 208000034693 Laceration Diseases 0.000 description 3
- 206010042496 Sunburn Diseases 0.000 description 3
- 208000035874 Excoriation Diseases 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000001125 extrusion Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
Abstract
本发明公开一种无损检测水果表面缺陷的方法，属于水果检测技术领域，本发明所述方法包括以下步骤：S1、通过补光灯对被检测水果进行照射补光产生局部阴影；S2、通过中央处理器对面阵相机的曝光时间进行调节；S3、依次进行图像处理、边缘检测和外形检测；S4、根据图像不同区域的特性，对其边界区域进行分割。本发明通过补光灯对被检测水果进行照射补光产生局部阴影，面阵相机采集水果筛选机或输送机上水果运动的图像，通过中央处理器实时调节面阵相机的曝光时间，再进行图像处理、边缘检测和外形检测以及对边界区域进行分割，从而实现水果的无损伤检测，自动化程度高，对水果缺陷的分辨率高。
Description
技术领域
本发明涉及水果检测技术领域，具体是一种无损检测水果表面缺陷的方法。
背景技术
随着我们人们的生活水平不断提高，水果的消耗量也不断增加，但是收购来的水果往往质量参差不齐，因此，在销售水果之前，需要对水果分类分级，并挑出缺陷的水果，从而有利于提高水果整体品质，如果采摘后的水果不经过分级分等，会使水果整体的品质变差，并且难以吸引消费者。传统的检测方法通过筛选机或输送机的缝隙大小进行水果大小的分级，由于检测人员自身的原因，以及水果的数量大，导致检测的结果出现误差。中国专利公开了一种无损检测水果表面缺陷的方法(公告号CN109827971A)，该专利技术利用稀有气体通电后的光辐照水果，并能够依据线性弧度偏移数组来对水果的表面等级缺陷程度划分，分级相对可靠，且实现无损检测，但是其检测效率不高，不能有效地分辨出水果中的各种缺陷。
发明内容
本发明的目的在于提供一种无损检测水果表面缺陷的方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种无损检测水果表面缺陷的方法，包括以下步骤：
S1、通过补光灯对被检测水果进行照射补光产生局部阴影，通过编码器触发面阵相机，面阵相机采集水果筛选机或输送机上水果运动的图像，并将光信号转换成电信号。
S2、通过图像采集卡将电信号转化成数字信号，再通过中央处理器对数字信号进行拼接处理，根据处理后的数字信号对面阵相机的曝光时间进行调节；
其中，曝光时间调节的公式如下：
在公式(1)中，εi为灰度分析值，Nh为图像灰度值在[75，255]之间的像素点的个数，Ni为图像灰度值在[0，35]之间的像素点的个数。
在公式(2)中，Δi为灰度分析值的变化率，当Δi的变化范围控制在设定值 2.1％～4.7％内，便可获得优异的εi，通过曝光时间使得图像的平均灰度值控制在设定的范围内。
S3、根据图像上缺陷的灰度值与周边正常区域的灰度值的差别，再对采集的图像进行图像处理、边缘检测和外形检测，采集水果的颜色和筛选机或输送机背景的颜色以及水果的外形形状和大小。
S4、根据图像不同区域的特性，对其边界区域进行分割，对缺陷部分进行定位，并从中提取所需目标，从而检测出水果的大小和缺陷，再根据缺陷的大小对其进行划分，实现缺陷的量化。
进一步的，本发明S3步骤中图像处理包括以下步骤：
(1)在水平方向上，对图像进行逐行扫描，搜寻满足公式(3)中GV(i，j)的点，在垂直方向上，对图像进行逐列扫描，搜寻满足公式(4)中GV(i，j)的像素点，并将这些像素点记录下来，其公式如下：
|GV(i,j)-GV(i，j-1)|＞αhl (3)
|GV(i,j)-GV(i-1,j)|＞αhl (4)
其中，αhl为设定的阈值，GV(i，j)为第i行、第j列的图像灰度值；
(2)再逐行扫描整幅图像，搜寻满足公式(4)和公式(5)中GV(i，j)的像素点，并将这些像素点记录下来，其公式如下：
GV(i，j)＞αh (5)
GV(i，j)＞αl (6)
其中，αh为设定的高亮度阈值，αl为设定的低亮度阈值；
(3)将(1)和(2)步骤中记录的相邻的像素点连接起来，进而把背景色、缺陷颜色与水果本身的颜色分割开来；
(4)再对图像中的噪声点进行消除后，将缺陷图像截图并保存下来，从而使得移动高度与宽度内的缺陷轮廓记录在一幅缺陷图片中。
进一步的，本发明所述步骤中(4)噪声点的消除包括腐蚀运算和膨胀运算，所述腐蚀运算用于对图像内部作滤波处理，消除图像所有的边界点，使剩下的图像沿其周边比原图像小一个像素的面积；所述膨胀运算用于将与图像中接触的所有背景像素点合并到该图像中，使得图像的面积增大到相应数量的点，实现对图像的外部作滤波处理。
进一步的，本发明S3步骤中边缘检测的方法如下：
通过Krisch边缘检测算子把图像中每个像素点都用8个掩膜进行卷积，每个掩膜都对某个特定边缘方向作出最大响应，所有8个方向中的最大值作为边缘幅度图像的输出最大响应掩膜的序号构成了边缘方向的编码。
进一步的，本发明S3步骤中外形检测的方法如下：
通过采集水果的二维平面图，再通过对投影面积的计算，近似反映水果表面积的大小，投影面积通过统计水果的像素点来计算。
与现有技术相比，本发明的有益效果：
本发明通过补光灯对被检测水果进行照射补光产生局部阴影，面阵相机采集水果筛选机或输送机上水果运动的图像，通过中央处理器实时调节面阵相机的曝光时间，再进行图像处理、边缘检测和外形检测以及对边界区域进行分割，从而实现水果的无损伤检测，自动化程度高，且对水果缺陷的分辨率高，不易出现错检、漏检，减少工作量，提高工作效率，保证水果的品质，增加产品的竞争力。
附图说明
图1为一种无损检测水果表面缺陷的方法中曝光时间调节的流程示意图。
具体实施方式
下面结合具体实施例本发明作进一步的详细说明，但本发明的保护范围并不限于所述内容。
一种无损检测水果表面缺陷的方法，涉及的设备包括面阵相机、补光灯、中央处理器、编码器和图像采集卡，具体包括以下步骤：
S1、通过补光灯对被检测水果进行照射补光产生局部阴影，从而提高水果表面反射的有效信息，通过编码器触发面阵相机，面阵相机采集水果筛选机或输送机上水果运动的图像，并将光信号转换成电信号。
S2、通过图像采集卡将电信号转化成数字信号，再通过中央处理器对数字信号进行拼接处理，再根据处理后的数字信号对面阵相机的曝光时间进行调节，从而保证图像灰度值的均匀性；
其中，曝光时间调节的公式如下：
在公式(1)中，εi为灰度分析值，Nh为图像灰度值在[75,255]之间的像素点的个数，Nl为图像灰度值在[0,35]之间的像素点的个数。
在公式(2)中，Δi为灰度分析值的变化率，当Δi的变化范围控制在设定值 2.1％～4.7％内，便可获得优异的εi，通过曝光时间使得图像的平均灰度值控制在设定的范围内。
S3、根据图像上缺陷的灰度值与周边正常区域的灰度值的差别，再对采集的图像进行图像处理，包括以下步骤：
(1)在水平方向上，对图像进行逐行扫描，搜寻满足公式(3)中GV(i,j)的点，在垂直方向上，对图像进行逐列扫描，搜寻满足公式(4)中GV(i,j)的像素点，并将这些像素点记录下来，其公式如下：
|GV(i,j)-GV(i,j-1)|＞αhl (3)
|GV(i,j)-GV(i-1,j)|＞αhl (4)
其中，αhl为设定的阈值，GV(i,j)为第i行、第j列的图像灰度值。
(2)再逐行扫描整幅图像，搜寻满足公式(4)和公式(5)中GV(i,j)的像素点，并将这些像素点记录下来，其公式如下：
GV(i,j)＞αh (5)
GV(i,j)＞αl (6)
其中，αh为设定的高亮度阈值，αl为设定的低亮度阈值。
(3)将(1)和(2)步骤中记录的相邻的像素点连接起来，进而把背景色、缺陷颜色与水果本身的颜色分割开来。
(4)再对图像中的噪声点进行消除后，将缺陷图像截图并保存下来，从而使得移动高度与宽度内的缺陷轮廓记录在一幅缺陷图片中。其中，所述噪声点的消除包括腐蚀运算和膨胀运算，所述腐蚀运算用于对图像内部作滤波处理，消除图像所有的边界点，使剩下的图像沿其周边比原图像小一个像素的面积；所述膨胀运算用于将与图像中接触的所有背景像素点合并到该图像中，使得图像的面积增大到相应数量的点，实现对图像的外部作滤波处理。
S4、对图像进行边缘检测和外形检测，采集水果的颜色和筛选机或输送机背景的颜色以及水果的外形形状和大小；
所述边缘检测的具体方法为：通过Krisch边缘检测算子把图像中每个像素点都用8个掩膜进行卷积，每个掩膜都对某个特定边缘方向作出最大响应，所有 8个方向中的最大值作为边缘幅度图像的输出最大响应掩膜的序号构成了边缘方向的编码。
所述外形检测的具体方法为：通过采集水果的二维平面图，再通过对投影面积的计算，近似反映水果表面积的大小，投影面积通过统计水果的像素点来计算。
S5、根据图像不同区域的特性，对其边界区域进行分割，对缺陷部分进行定位，并从中提取所需目标，从而检测出水果的大小和缺陷，再根据缺陷的大小对其进行划分，实现缺陷的量化。
为了更好地说明本发明的技术效果，通过下述试验进行阐述：
选择一批样品苹果，并使用人力从这批苹果中，把挤压伤、磨伤、局部腐烂、虫咬、裂伤和日灼的表面缺陷苹果一一挑选出来，并分门别类地把缺陷苹果分开，再把品相完好的苹果均匀地分成三组，每组中苹果的数量不少于200颗，然后，再把挤压伤、磨伤、局部腐烂、虫咬、裂伤和日灼的表面缺陷苹果分别拿出20 颗，混入到一组中，使得每组中混有各类型的坏苹果120颗，另两组同样如此；
接着，使用本发明采用的检测方法对三组水果中的其中一组进行检测作为实施例，使用对比文件1(公开了无损检测水果表面缺陷的方法，公告号 CN109827971A)所采用的检测方法对三组水果中的另一组进行检测作为对比例一，使用对比文件2(公开了基于激光图像的水果表面缺陷检测方法，公告号 CN100427931C)所采用的检测方法对三组水果中的剩下一组进行检测作为对比例二，把各类缺陷苹果检测出来的数量和缺陷苹果的识别比例(即识别率，准确率＝检测出的各类缺陷苹果数量/每组中的总苹果数量×100％)的结果记入下表1 中；
表1实施例、对比例一和对比例二苹果缺陷检测的结果
通过表1分析可以得出：实施例、对比例一和对比例二苹果的各类表面缺陷，如挤压伤、磨伤、局部腐烂、虫咬、裂伤和日灼，均具有较好的识别功能，但实施例对苹果表面的缺陷具有更高地识别率，在实施例的组别中，120颗表面具有缺陷的苹果中，仅有1颗磨伤的苹果没有检测处理，其余的缺陷苹果全部被检出来，识别率高达99.17％，而对比例一组别中，120颗表面具有缺陷的苹果中，只有局部腐烂的苹果全部检测出，其余有缺陷的苹果均有未检测出的，识别率为 91.67％，比例二组别中，120颗表面具有缺陷的苹果中，各类缺陷苹果均有未检测出的，识别率只有90.83％，进而可以得出：本发明工艺所采用的检测方法对水果缺陷的分辨率高，不易出现错检、漏检，准确率高。
以上所述的，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种无损检测水果表面缺陷的方法，其特征在于，具体包括以下步骤：
S1、通过补光灯对被检测水果进行照射补光产生局部阴影，通过编码器触发面阵相机，面阵相机采集水果筛选机或输送机上水果运动的图像，并将光信号转换成电信号；
S2、通过图像采集卡将电信号转化成数字信号，再通过中央处理器对数字信号进行拼接处理，根据处理后的数字信号对面阵相机的曝光时间进行调节；
其中，曝光时间调节的公式如下：
在公式(1)中i为曝光时间，εi为相应的曝光时间对应的灰度分析值，Nh为图像灰度值在[75，255]之间的像素点的个数，Nl为图像灰度值在[0，35]之间的像素点的个数；
在公式(2)中，Δi为灰度分析值的变化率，当Δi的变化范围控制在设定值2.1％～4.7％内，便可获得优异的εi，通过曝光时间使得图像的平均灰度值控制在设定的范围内；
S3、根据图像上缺陷的灰度值与周边正常区域的灰度值的差别，再对采集的图像进行图像处理、边缘检测和外形检测，采集水果的颜色和筛选机或输送机背景的颜色以及水果的外形形状和大小；
S4、根据图像不同区域的特性，对其边界区域进行分割，对缺陷部分进行定位，并从中提取所需目标，从而检测出水果的大小和缺陷，再根据缺陷的大小对其进行划分，实现缺陷的量化。
2.根据权利要求1所述的无损检测水果表面缺陷的方法，其特征在于：所述S3步骤中图像处理包括以下步骤：
(1)在水平方向上，对图像进行逐行扫描，搜寻满足公式(3)中GV(i，j)的点，在垂直方向上，对图像进行逐列扫描，搜寻满足公式(4)中GV(i，j)的像素点，并将这些像素点记录下来，其公式如下：
|GV(i，j)-GV(i，j-1)|＞αhl (3)
|GV(i，j)-GV(i-1，j)|＞αhl (4)
其中，αhl为设定的阈值，GV(i，j)为第i行、第j列的图像灰度值；
(2)再逐行扫描整幅图像，搜寻满足公式(4)和公式(5)中GV(i，j)的像素点，并将这些像素点记录下来，其公式如下：
GV(i，j)＞αh (5)
GV(i，j)＞αl (6)
其中，αh为设定的高亮度阈值，αl为设定的低亮度阈值；
(3)将(1)和(2)步骤中记录的相邻的像素点连接起来，进而把背景色、缺陷颜色与水果本身的颜色分割开来；
(4)再对图像中的噪声点进行消除后，将缺陷图像截图并保存下来，从而使得移动高度与宽度内的缺陷轮廓记录在一幅缺陷图片中。
3.根据权利要求1所述的无损检测水果表面缺陷的方法，其特征在于：所述S3步骤中边缘检测的方法如下：
通过Krisch边缘检测算子把图像中每个像素点都用8个掩膜进行卷积，每个掩膜都对某个特定边缘方向作出最大响应，所有8个方向中的最大值作为边缘幅度图像的输出最大响应掩膜的序号构成了边缘方向的编码。
4.根据权利要求1所述的无损检测水果表面缺陷的方法，其特征在于：所述S3步骤中外形检测的方法如下：
通过采集水果的二维平面图，再通过对投影面积的计算，近似反映水果表面积的大小，投影面积通过统计水果的像素点来计算。
5.根据权利要求2所述无损检测水果表面缺陷的方法，其特征在于：所述步骤中(4)噪声点的消除包括腐蚀运算和膨胀运算，所述腐蚀运算用于对图像内部作滤波处理，消除图像所有的边界点，使剩下的图像沿其周边比原图像小一个像素的面积；所述膨胀运算用于将与图像中接触的所有背景像素点合并到该图像中，使得图像的面积增大到相应数量的点，实现对图像的外部作滤波处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110508664.9A CN113177925B (zh) | 2021-05-11 | 2021-05-11 | 一种无损检测水果表面缺陷的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110508664.9A CN113177925B (zh) | 2021-05-11 | 2021-05-11 | 一种无损检测水果表面缺陷的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113177925A true CN113177925A (zh) | 2021-07-27 |
| CN113177925B CN113177925B (zh) | 2022-11-11 |
Family
ID=76928678
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110508664.9A Active CN113177925B (zh) | 2021-05-11 | 2021-05-11 | 一种无损检测水果表面缺陷的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113177925B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117274257A (zh) * | 2023-11-21 | 2023-12-22 | 山西集智数据服务有限公司 | 基于机器视觉的图书品相自动分级系统 |
| CN117475240A (zh) * | 2023-12-26 | 2024-01-30 | 创思(广州)电子科技有限公司 | 基于图像识别的蔬菜核对方法及系统 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6098370A (en) * | 1998-02-16 | 2000-08-08 | Max Co., Ltd. | Binding machine |
| CN1430723A (zh) * | 2000-03-13 | 2003-07-16 | 奥特莱有限公司 | 用可见光/近红外光谱测量和相关水果特性的方法和装置 |
| CN1844900A (zh) * | 2006-04-10 | 2006-10-11 | 浙江大学 | 基于激光图像的水果表面缺陷检测方法及装置 |
| CN2923067Y (zh) * | 2006-06-21 | 2007-07-18 | 中国农业大学 | 一种多通道水果视觉分级图像采集装置 |
| CN101984346A (zh) * | 2010-10-19 | 2011-03-09 | 浙江大学 | 基于低通滤波的水果表面缺陷检测方法 |
| CN102590218A (zh) * | 2012-01-16 | 2012-07-18 | 安徽中科智能高技术有限责任公司 | 基于机器视觉的金属零件光洁表面微缺陷检测装置及方法 |
| CN102788806A (zh) * | 2012-07-19 | 2012-11-21 | 北京农业智能装备技术研究中心 | 基于类球形亮度变换的水果表面缺陷检测方法 |
| CN103149214A (zh) * | 2013-02-27 | 2013-06-12 | 上海交通大学 | 水果表面缺陷检测方法 |
| CN104036492A (zh) * | 2014-05-21 | 2014-09-10 | 浙江大学 | 一种基于斑点提取与邻近点向量法的水果图像匹配方法 |
| US8988523B1 (en) * | 2013-03-01 | 2015-03-24 | The United States Of America, As Represented By The Secretary Of Agriculture | Single-camera multi-mirror imaging method and apparatus for whole-surface inspection of rotating objects |
| CN105046700A (zh) * | 2015-07-09 | 2015-11-11 | 北京农业智能装备技术研究中心 | 基于亮度校正与颜色分类的水果表面缺陷检测方法及系统 |
| CN105424709A (zh) * | 2015-11-20 | 2016-03-23 | 陕西科技大学 | 一种基于图像标记的水果表面缺陷检测方法 |
| CN109406533A (zh) * | 2018-10-25 | 2019-03-01 | 北京阿丘机器人科技有限公司 | 一种产品表面缺陷的检测系统及方法 |
| CN109827971A (zh) * | 2019-03-19 | 2019-05-31 | 湖州灵粮生态农业有限公司 | 一种无损检测水果表面缺陷的方法 |
| CN109993725A (zh) * | 2017-12-31 | 2019-07-09 | 邹成加 | 基于图像处理技术的马铃薯品质检测方法 |
| CN210377552U (zh) * | 2019-07-22 | 2020-04-21 | 重庆科创职业学院 | 一种水果分类用多面图像获取装置 |
| 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 |
-
2021
- 2021-05-11 CN CN202110508664.9A patent/CN113177925B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6098370A (en) * | 1998-02-16 | 2000-08-08 | Max Co., Ltd. | Binding machine |
| CN1430723A (zh) * | 2000-03-13 | 2003-07-16 | 奥特莱有限公司 | 用可见光/近红外光谱测量和相关水果特性的方法和装置 |
| CN1844900A (zh) * | 2006-04-10 | 2006-10-11 | 浙江大学 | 基于激光图像的水果表面缺陷检测方法及装置 |
| CN2923067Y (zh) * | 2006-06-21 | 2007-07-18 | 中国农业大学 | 一种多通道水果视觉分级图像采集装置 |
| CN101984346A (zh) * | 2010-10-19 | 2011-03-09 | 浙江大学 | 基于低通滤波的水果表面缺陷检测方法 |
| CN102590218A (zh) * | 2012-01-16 | 2012-07-18 | 安徽中科智能高技术有限责任公司 | 基于机器视觉的金属零件光洁表面微缺陷检测装置及方法 |
| CN102788806A (zh) * | 2012-07-19 | 2012-11-21 | 北京农业智能装备技术研究中心 | 基于类球形亮度变换的水果表面缺陷检测方法 |
| CN103149214A (zh) * | 2013-02-27 | 2013-06-12 | 上海交通大学 | 水果表面缺陷检测方法 |
| US8988523B1 (en) * | 2013-03-01 | 2015-03-24 | The United States Of America, As Represented By The Secretary Of Agriculture | Single-camera multi-mirror imaging method and apparatus for whole-surface inspection of rotating objects |
| CN104036492A (zh) * | 2014-05-21 | 2014-09-10 | 浙江大学 | 一种基于斑点提取与邻近点向量法的水果图像匹配方法 |
| CN105046700A (zh) * | 2015-07-09 | 2015-11-11 | 北京农业智能装备技术研究中心 | 基于亮度校正与颜色分类的水果表面缺陷检测方法及系统 |
| CN105424709A (zh) * | 2015-11-20 | 2016-03-23 | 陕西科技大学 | 一种基于图像标记的水果表面缺陷检测方法 |
| CN109993725A (zh) * | 2017-12-31 | 2019-07-09 | 邹成加 | 基于图像处理技术的马铃薯品质检测方法 |
| CN109406533A (zh) * | 2018-10-25 | 2019-03-01 | 北京阿丘机器人科技有限公司 | 一种产品表面缺陷的检测系统及方法 |
| CN109827971A (zh) * | 2019-03-19 | 2019-05-31 | 湖州灵粮生态农业有限公司 | 一种无损检测水果表面缺陷的方法 |
| CN210377552U (zh) * | 2019-07-22 | 2020-04-21 | 重庆科创职业学院 | 一种水果分类用多面图像获取装置 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| WENZHUO ZHANG等: "Detection of Apple Defects Based on the FCM-NPGA and a Multivariate Image Analysis", 《IEEE》 * |
| 董腾等: "基于机器视觉的水果分拣系统", 《聊城大学学报(自然科学版)》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117274257A (zh) * | 2023-11-21 | 2023-12-22 | 山西集智数据服务有限公司 | 基于机器视觉的图书品相自动分级系统 |
| CN117274257B (zh) * | 2023-11-21 | 2024-01-23 | 山西集智数据服务有限公司 | 基于机器视觉的图书品相自动分级系统 |
| CN117475240A (zh) * | 2023-12-26 | 2024-01-30 | 创思(广州)电子科技有限公司 | 基于图像识别的蔬菜核对方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113177925B (zh) | 2022-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4095860B2 (ja) | 欠陥検査方法及びその装置 | |
| CN109598715B (zh) | 基于机器视觉的物料粒度在线检测方法 | |
| KR930000543B1 (ko) | 공작물의 표면균열을 검출 및 평가하기 위한 방법 및 장치 | |
| CN113177925B (zh) | 一种无损检测水果表面缺陷的方法 | |
| CN108846397B (zh) | 一种基于图像处理的电缆半导电层自动检测方法 | |
| CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
| Ali et al. | A cascading fuzzy logic with image processing algorithm–based defect detection for automatic visual inspection of industrial cylindrical object’s surface | |
| Samarawickrama et al. | Matlab based automated surface defect detection system for ceremic tiles using image processing | |
| Kumar et al. | Flaws classification using ANN for radiographic weld images | |
| KR101146081B1 (ko) | 마이크로-검사 입력을 이용한 매크로 결함 검출 방법 및시스템 | |
| CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
| CN112014407A (zh) | 一种集成电路晶圆表面缺陷检测的方法 | |
| CN111968100A (zh) | 机器视觉检测方法与系统 | |
| Hashmi et al. | Computer-vision based visual inspection and crack detection of railroad tracks | |
| CN112858351A (zh) | 一种基于机器视觉的x射线无损探伤方法 | |
| Tang et al. | Surface inspection system of steel strip based on machine vision | |
| Xia et al. | An automatic machine vision-based algorithm for inspection of hardwood flooring defects during manufacturing | |
| Lee et al. | Robust defect detection method for a non-periodic TFT-LCD pad area | |
| CN113916127A (zh) | 一种气门导管成品外观视觉检测系统及检测方法 | |
| CN107545565B (zh) | 一种太阳能网版检测方法 | |
| CN106501278B (zh) | 基于旋转不变纹理特征的灯管表面瑕疵分类方法及系统 | |
| JP2008517285A (ja) | 卵を分析し仕分ける方法 | |
| CN111833350A (zh) | 机器视觉检测方法与系统 | |
| CN114764802A (zh) | 一种设备缺陷检测重复图像剔除方法 | |
| CN112763506A (zh) | 兼具aoi及ai的瑕疵检测方法及其装置 |
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 |