CN113643287A - 水果的分拣方法、装置和计算机可读存储介质 - Google Patents

水果的分拣方法、装置和计算机可读存储介质 Download PDF

Info

Publication number
CN113643287A
CN113643287A CN202111189737.9A CN202111189737A CN113643287A CN 113643287 A CN113643287 A CN 113643287A CN 202111189737 A CN202111189737 A CN 202111189737A CN 113643287 A CN113643287 A CN 113643287A
Authority
CN
China
Prior art keywords
fruit
image
sorted
sorting
target 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.)
Granted
Application number
CN202111189737.9A
Other languages
English (en)
Other versions
CN113643287B (zh
Inventor
钟石明
李海龙
王艳强
潘玲
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.)
Shenzhen Julifang Vision Technology Co ltd
Original Assignee
Shenzhen Julifang Vision Technology 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 Shenzhen Julifang Vision Technology Co ltd filed Critical Shenzhen Julifang Vision Technology Co ltd
Priority to CN202111189737.9A priority Critical patent/CN113643287B/zh
Publication of CN113643287A publication Critical patent/CN113643287A/zh
Application granted granted Critical
Publication of CN113643287B publication Critical patent/CN113643287B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/04—Sorting according to size
    • B07C5/10—Sorting according to size measured by light-responsive means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/34—Sorting according to other particular properties
    • B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
    • 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
    • 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
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C2501/00—Sorting according to a characteristic or feature of the articles or material to be sorted
    • B07C2501/009—Sorting of fruit
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Sorting Of Articles (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本申请公开了一种水果的分拣方法、装置和计算机可读存储介质，水果的分拣方法包括：获取待分拣水果的图像，根据预存储的图像处理算法和图像显示参数对待分拣水果的图像进行调整，得到目标图像；获取目标图像的二值化图像，根据二值化图像确定待分拣水果的表皮受损信息，并根据表皮受损信息对待分拣水果进行第一次分拣；识别目标图像的形状特征和像素点的颜色特征，根据颜色特征和/或形状特征对待分拣水果进行第二次分拣。本申请通过采用图像识别技术对水果进行分拣，提高了水果的分拣效率，降低了人工成本。

Description

水果的分拣方法、装置和计算机可读存储介质
技术领域
本申请涉及水果分拣技术领域，尤其涉及一种水果的分拣方法、装置和计算机可读存储介质。
背景技术
水果在运输的过程中，很容易被压坏、磕碰等，导致水果变质，给人们带来损失，同时，由于水果存在尺寸大小不一，受外力作用易受损、变形甚至腐烂，不同规格的水果价格上存在着较大的差异。因此，水果在上市之前，需要对水果不同规格的进行分类挑选和包装。目前，对水果的分拣通常是采用人工确定水果品质，然后人工采用塑料发泡网、白色包装纸、热收缩膜对水果进行包装，但是，采用此分拣方式需要耗费大量的劳动力，且分拣效率低下，人工成本高。
发明内容
本申请实施例通过提供一种水果的分拣方法、装置和计算机可读存储介质，旨在解决水果分拣效率低下，人工成本高的问题。
为实现上述目的，本申请一方面提供一种水果的分拣方法，所述方法包括：
获取待分拣水果的图像，根据预存储的图像处理算法和图像显示参数对所述待分拣水果的图像进行调整，得到目标图像；
获取所述目标图像的二值化图像，根据所述二值化图像确定所述待分拣水果的表皮受损信息，并根据所述表皮受损信息对所述待分拣水果进行第一次分拣；
识别所述目标图像的形状特征和像素点的颜色特征，根据所述颜色特征和/或所述形状特征对所述待分拣水果进行第二次分拣。
可选地，所述获取所述目标图像的二值化图像的步骤包括：
获取所述目标图像的灰度图像；
遍历所述目标图像的所有像素点，并获取每个所述像素点的灰度值；
根据每个所述像素点的灰度值确定二值化阈值，根据所述二值化阈值对所述灰度图像二值化得到所述二值化图像。
可选地，所述根据所述二值化图像确定所述待分拣水果的表皮受损信息的步骤包括：
根据所述二值化图像获取所述待分拣水果的表皮的缺陷特征信息；
根据所述缺陷特征信息获取所述表皮的缺陷类型；
根据所述缺陷类型确定所述表皮受损信息。
可选地，所述根据所述表皮受损信息对所述待分拣水果进行第一次分拣的步骤包括：
根据所述表皮受损信息确定表皮受损的待分拣水果，将表皮受损的待分拣水果分拣至目标分拣箱。
可选地，所述识别所述目标图像的形状特征和像素点的颜色特征的步骤包括：
在所述目标图像中确定所述待分拣水果所在的特征区域，识别所述特征区域的轮廓信息和像素点的颜色；
根据每种所述颜色的像素点的数量确定所述待分拣水果的颜色特征；
根据所述轮廓信息确定所述待分拣水果的形状特征。
可选地，所述根据所述颜色特征和/或所述形状特征对所述待分拣水果进行第二次分拣的步骤包括：
根据所述颜色特征和/或所述形状特征与预设对应关系确定所述待分拣水果的等级，其中，所述预设对应关系为所述颜色特征和/或所述形状特征与所述等级的对应关系；
根据所述等级对所述待分拣水果进行第二次分拣。
可选地，所述根据预存储的图像处理算法和图像显示参数对所述待分拣水果的图像进行调整，得到目标图像的步骤之后，包括：
获取所述目标图像的拍摄特征信息；
根据所述拍摄特征信息更新存储的所述图像处理算法和所述图像显示参数。
可选地，所述根据所述拍摄特征信息更新存储的所述图像处理算法和所述图像显示参数的步骤包括：
在所述目标图像中存在所述待分拣水果时，获取与所述拍摄特征信息匹配的预测图像处理算法和预测图像显示参数；
根据所述预测图像处理算法更新存储的所述图像处理算法，以及根据所述预测图像显示参数更新存储的所述图像显示参数。
此外，为实现上述目的，本申请另一方面还提供一种水果的分拣装置，所述装置包括存储器、处理器及存储在存储器上并在所述处理器上运行水果的分拣程序，所述处理器执行所述水果的分拣程序时实现如上所述水果的分拣方法的步骤。
此外，为实现上述目的，本申请另一方面还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有水果的分拣程序，所述水果的分拣程序被处理器执行时实现如上所述水果的分拣方法的步骤。
本申请提出一种水果的分拣方法，通过获取待分拣水果的图像，根据预存储的图像处理算法和图像显示参数对待分拣水果的图像进行调整，得到目标图像；获取目标图像的二值化图像，根据二值化图像确定待分拣水果的表皮受损信息，并根据表皮受损信息对待分拣水果进行第一次分拣；识别目标图像的形状特征和像素点的颜色特征，根据颜色特征和/或形状特征对待分拣水果进行第二次分拣。本申请通过采用图像识别技术对水果进行分拣，提高了水果的分拣效率，降低了人工成本。
附图说明
图1为本申请实施例方案涉及的硬件运行环境的终端结构示意图；
图2为本申请水果的分拣方法第一实施例的流程示意图；
图3为本申请水果的分拣方法第二实施例中步骤S10之后的细化流程示意图；
图4为本申请的目标图像的二值化图像。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本申请实施例的主要解决方案是：获取待分拣水果的图像，根据预存储的图像处理算法和图像显示参数对所述待分拣水果的图像进行调整，得到目标图像；获取所述目标图像的二值化图像，根据所述二值化图像确定所述待分拣水果的表皮受损信息，并根据所述表皮受损信息对所述待分拣水果进行第一次分拣；识别所述目标图像的形状特征和像素点的颜色特征，根据所述颜色特征和/或所述形状特征对所述待分拣水果进行第二次分拣。
由于对水果的分拣通常是采用人工确定水果品质，然后人工采用塑料发泡网、白色包装纸、热收缩膜对水果进行包装，但是，采用此分拣方式需要耗费大量的劳动力，且分拣效率低下，人工成本高。
而本申请通过获取待分拣水果的图像，根据预存储的图像处理算法和图像显示参数对待分拣水果的图像进行调整，得到目标图像；获取目标图像的二值化图像，根据二值化图像确定待分拣水果的表皮受损信息，并根据表皮受损信息对待分拣水果进行第一次分拣；识别目标图像的形状特征和像素点的颜色特征，根据颜色特征和/或形状特征对待分拣水果进行第二次分拣。本申请通过采用图像识别技术对水果进行分拣，提高了水果的分拣效率，降低了人工成本。
如图1所示，图1为本申请实施例方案涉及的硬件运行环境的终端设备结构示意图。
如图1所示，该终端设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的终端设备结构并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机可读存储介质的存储器1005中可以包括水果的分拣程序。
在图1所示的终端设备中，网络接口1004主要用于与后台服务器进行数据通信；用户接口1003主要用于与客户端(用户端)进行数据通信；处理器1001可以用于调用存储器1005中水果的分拣程序，并执行以下操作：
获取待分拣水果的图像，根据预存储的图像处理算法和图像显示参数对所述待分拣水果的图像进行调整，得到目标图像；
获取所述目标图像的二值化图像，根据所述二值化图像确定所述待分拣水果的表皮受损信息，并根据所述表皮受损信息对所述待分拣水果进行第一次分拣；
识别所述目标图像的形状特征和像素点的颜色特征，根据所述颜色特征和/或所述形状特征对所述待分拣水果进行第二次分拣。
参考图2，图2为本申请水果的分拣方法第一实施例的流程示意图。
本申请实施例提供了一种水果的分拣方法，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例的水果的分拣方法运行于终端设备侧，包括以下步骤：
步骤S10，获取待分拣水果的图像，根据预存储的图像处理算法和图像显示参数对所述待分拣水果的图像进行调整，得到目标图像；
需要说明的是，水果的分拣装置包括至少一个可旋转摄像头、水果下落滑道、水果输送翻转部件、位置传感器、重量传感器、控制器等。
当分拣装置在输送通道中检测到待分拣水果时，控制位置传感器自动检测待分拣水果的位置信息，并将检测到的位置信息发送至控制器，此时，控制器根据待分拣水果的位置信息确定摄像头的拍摄方向，并向至少一个摄像头发送包括拍摄方向的拍摄指令。摄像头在接收到拍摄指令后，根据拍摄指令调整当前的拍摄方向，并按照调整后的拍摄方向拍摄待分拣水果的图像，其中，由于待分拣水果是翻滚传输的，因此，摄像头可以拍摄到待分拣水果不同部位的图像。
进一步地，待分拣水果的图像有可能是在背光（逆光）、低光照度、高光照度等光线变化比较大的场景下拍摄的，如此，无法保证图像清晰度，从而影响图像识别的准确性。因此，需要采用预存储的图像处理算法和图像显示参数对待分拣水果的图像进行调整，其中，图像处理算法包括图像增强和复原算法、自动白平衡算法、自动曝光算法等其它算法，图像显示参数包括分比率、空域降噪、宽动态、亮度、对比度、色彩矫正、时域降噪等参数。一实施例中，将待分拣水果的图像发送至图像处理装置，由图像处理装置根据预存储的图像处理算法和图像显示参数对待分拣水果的图像进行调整。例如，采用自动白平衡算法增加或者减小目标图像的色温；采用自动曝光算法增加或者减小目标图像的曝光参数；基于存储的空域降噪、宽动态、色彩矫正、时域降噪等参数，依次调节（增加或者减小）目标图像当前的空域降噪、宽动态、色彩矫正、时域降噪等参数。在对待分拣水果的图像调整完成后，输出调整后的目标图像，通过调整后的目标图像可以清楚的看到拍摄目标的细节，提高了图像的清晰度，继而提高图像识别的准确性。
步骤S20，获取所述目标图像的二值化图像，根据所述二值化图像确定所述待分拣水果的表皮受损信息，并根据所述表皮受损信息对所述待分拣水果进行第一次分拣；
需要说明的是，水果在采摘的过程中，可能会出现磕碰、摩擦、挤压等现象，导致水果表皮损坏、变形甚至腐烂，从而不满足上市要求。因此，在进行水果分拣时，需要将不合格的水果挑选出来，如表皮受损的水果。
在本实施例中，获取目标图像的二值化图像，具体地，获取目标图像的灰度图像，然后遍历目标图像的所有像素点，并获取每个像素点的灰度值，再根据每个像素点的灰度值确定二值化阈值，根据二值化阈值对灰度图像二值化得到二值化图像。例如，对目标图像进行灰度化处理得到灰度图像，灰度化处理是指将彩色图像转化成为灰度图像，其中，灰度处理的方法为获取目标图像的R值、G值和B值，然后按照公式（1）-（3）分别计算灰度变化后的R值、G值和B值：
灰度化后的R=（处理前的R +处理前的G +处理前的B）/ 3 （1）；
灰度化后的G=（处理前的R +处理前的G +处理前的B）/ 3 （2）；
灰度化后的B=（处理前的R +处理前的G +处理前的B）/ 3 （3）；
或者，按照公式（4）-（6）分别计算灰度变化后的R值、G值和B值：
灰度化后的R=处理前的R*0.3+处理前的G*0.59+处理前的B*0.11 （4）；
灰度化后的G=处理前的R*0.3+处理前的G* 0.59+处理前的B*0.11 （5）；
灰度化后的B=处理前的R*0.3+处理前的G* 0.59+处理前的B*0.11 （6）；
确定二值化阈值，一实施例中，遍历目标图像的所有像素点，计算每个像素点的灰度值，然后通过迭代法收敛得到一个二值化阈值，其中，迭代法获取二值化阈值的方式为：设最小灰度值为Gmin，最大灰度值为Gmax，将阈值初始化为：T(0)=(Gmin+Gmax)/2；然后，以阈值T(k)将图像分割为前景和背景，求出整个前景像素的平均灰度值Gf和整个背景像素的平均灰度值Gb，此时阈值T(k)=(Gf+Gb)/2 ，其中，k=0，1，2...N；若此时T(k)=T(k+1)，那么此时收敛得到二值化阈值；若T(k)≠T(k+1)，则继续计算T(k)，直到阈值收敛到某一个值。
然后采用二值化阈值对灰度图像二值化得到二值化图像，例如，将灰度值大于二值化阈值的像素点设为白色，将灰度值小于二值化阈值的像素点设为黑色，其中，白色为异常的像素点，黑色为正常的像素点。
进一步地，根据二值化图像确定待分拣水果的表皮受损信息，具体地，根据二值化图像获取待分拣水果的表皮的缺陷特征信息，然后根据缺陷特征信息获取表皮的缺陷类型，再根据缺陷类型确定表皮受损信息。例如，参考图4，图4为本申请的目标图像的二值化图像，二值化图像为黑白图像，其中区域A的像素点的颜色为黑色，区域B的像素点的颜色为白色，然后，从区域B中获取待分拣水果的表皮的缺陷特征信息，如区域B的形状、面积、数量等。其中，出现像素点为白色的情况包括水果表皮有划痕、有异物、被压坏等，也即区域B不一定是水果表皮受损区域，有可能是由于水果表面有异物（如叶子、泥土）或者其他情况导致的。因此，在确定水果表皮的缺陷特征信息后，需要基于该缺陷特征信息获取表皮的缺陷类型，例如，假设区域B的形状为长度比较大，宽度比较小的长方形或者弧形，则确定水果表面有划痕，判定为表皮受损的水果；假设区域B的面积比较大，形状为圆形，则确定水果表面被压坏，判定为表皮受损的水果；假设区域B的数量比较小，面积比较小，则确定水果表面有异物，判定为表皮正常的水果。
最后，根据表皮受损信息对待分拣水果进行第一次分拣，具体地，根据表皮受损信息确定表皮受损的待分拣水果，将表皮受损的待分拣水果分拣至目标分拣箱，例如，基于表皮受损信息确定表皮受损的待分拣水果后，使用机械臂抓取表皮受损的待分拣水果，然后放置废弃分拣箱中；或者，在检测到表皮受损的待分拣水果达到废弃分拣箱的传输通道口时，将表皮受损的待分拣水果通过该传输通道口传输至废弃水果箱。
步骤S30，识别所述目标图像的形状特征和像素点的颜色特征，根据所述颜色特征和/或所述形状特征对所述待分拣水果进行第二次分拣。
需要说明的是，水果在生长的过程中，由于生长环境等原因，导致水果畸形生长（如外观畸形）或者尺寸太小，此类水果是不满足上市需求的。其次，水果未成熟的颜色与成熟后的颜色是不一样，而一般未成熟的水果也是不满足上市需求的。因此，在进行水果分拣时，需要将不合格的水果挑选出来，如颜色不合格或者外观不合格的水果。
在本实施例中，识别目标图像的形状特征和像素点的颜色特征，具体地，在目标图像中确定待分拣水果所在的特征区域，识别特征区域的像素点的颜色和轮廓信息，然后根据每种所述颜色的像素点的数量确定待分拣水果的颜色特征，再根据轮廓信息确定待分拣水果的形状特征。例如，在目标图像中截取待分拣水果所在的特征区域，将特征区域对应的图像输入至预先训练的颜色识别模型，该颜色识别模型是通过采用训练数据训练神经网络模型得到的。获取颜色识别模型输出的每种颜色的像素点的数量，基于该数量确定每种颜色的像素点的所占比例，从而确定待分拣水果的颜色特征（包括颜色名称、颜色类型、饱和度等）。其次，检测特征区域对应的图像的轮廓像素点，连接检测到的轮廓像素点得到待分拣水果的轮廓，然后基于该轮廓确定待分拣水果的形状特征（包括外观、尺寸等）。
进一步地，根据颜色特征和/或形状特征对待分拣水果进行第二次分拣，具体地，根据颜色特征和/或形状特征与预设对应关系确定所述待分拣水果的等级，如一级、二级、三级，然后，根据等级对待分拣水果进行第二次分拣，其中，预设对应关系为颜色特征和/或形状特征与等级的对应关系。例如，以苹果为例，基于苹果的形状特征获取苹果的形状和大小（基于苹果的横向尺寸与纵向尺寸确定苹果的大小），再基于苹果的颜色特征获取苹果的色泽，然后，基于苹果的形状、大小以及色泽确定苹果的品质等级。其中，基于不同类型的水果，其对应的分类条件也不同，例如，还可以基于表面光滑度、重量、口感等对水果进行分类。参考表1，表1为颜色特征和形状特征与等级的对应关系。
表1
Figure 965001DEST_PATH_IMAGE001
参考表2，表2为颜色特征与等级的对应关系。
表2
Figure 32315DEST_PATH_IMAGE002
参考表3，表3为形状特征与等级的对应关系。
表3
Figure 49949DEST_PATH_IMAGE003
其中，上述表格中的形状相似度是指待分拣水果的形状与目标形状（基准图像的形状）的相似度，颜色相似度是指待分拣水果的颜色与目标颜色（基准图像的颜色）的相似度，其中，相似度越大，等级越高。
在完成水果分类后，需要确定各类水果的分拣材料，如塑料发泡网、白色包装纸、热收缩膜、塑料泡沫、纸箱等。一实施例中，获取待分拣水果的类型，然后，根据待分拣水果的类型和水果品质特征确定待分拣水果的分拣材料的类型和/或包装材料的尺寸。例如，对于易压坏的水果来说，如香蕉、火龙果、苹果等，需要选择包装材料的类型包括塑料发泡网、塑料泡沫以及纸箱。同时，在确定包装材料的类型后，还需要进一步确定包装材料的尺寸，如根据待分拣水果的形状、大小等确定包装材料的尺寸。
本实施例获取待分拣水果的图像，根据预存储的图像处理算法和图像显示参数对待分拣水果的图像进行调整，得到目标图像；获取目标图像的二值化图像，根据二值化图像确定待分拣水果的表皮受损信息，并根据表皮受损信息对待分拣水果进行第一次分拣；识别目标图像的形状特征和像素点的颜色特征，根据颜色特征和/或形状特征对待分拣水果进行第二次分拣。本实施例通过采用图像识别技术对水果进行分拣，提高了水果的分拣效率，降低了人工成本。
进一步地，参考图3，提出本申请水果的分拣方法第二实施例。
所述水果的分拣方法第二实施例与第一实施例的区别在于，所述根据预存储的图像处理算法和图像显示参数对所述待分拣水果的图像进行调整，得到目标图像的步骤之后，包括：
步骤S11，获取所述目标图像的拍摄特征信息；
在对待分拣水果的图像进行调整后，得到目标图像，从该目标图像中获取拍摄特征信息，具体基于预设的图像识别模型从该目标图像中获取拍摄特征信息。其中，拍摄特征信息包括拍摄场景的场景类型和拍摄目标，拍摄场景包括光线方向、亮度等多个维度的类型；拍摄目标是指可以移动的待分拣水果。一实施例中，检测目标图像中是否包含噪声，如果包含噪声，则对噪声进行去除，其中，噪声是指存在于目标图像中不必要的或多余的干扰信息，例如遮挡拍摄目标的斑点、事物等，然后，基于预设的图像识别模型从降噪后的目标图像中获取拍摄特征信息，其中，图像识别模型是预先建立的，用于对图像中拍摄场景的场景类型和拍摄目标进行识别，其通过海量拍摄场景素材和拍摄目标素材训练得到，图像识别模型训练完成之后，存储有拍摄场景的场景类型和拍摄目标。本实施例通过对目标图像进行降噪处理，再从降噪后的目标图像中提取拍摄特征信息，提高了获取拍摄特征信息的准确性。
步骤S12，根据所述拍摄特征信息更新存储的所述图像处理算法和所述图像显示参数。
在本实施例中，在目标图像中存在待分拣水果时，获取与拍摄特征信息匹配的预测图像处理算法和预测图像显示参数，然后，根据预测图像处理算法更新存储的图像处理算法，以及根据预测图像显示参数更新存储的图像显示参数。一实施例中，检测目标图像中是否存在待分拣水果，如果存在，则根据拍摄特征信息预测用于调整下一张待分拣水果的图像的图像处理算法和图像显示参数，即下一张待分拣水果的图像的预测图像处理算法和预测图像显示参数，其中，下一张待分拣水果的图像是在目标图像输出之后输出的。例如，输出的目标图像是拍摄资源的第一张图像，那么下一张待分拣水果的图像就是视频资源的第二张图像。之后，每输出一张目标图像，就根据从目标图像中获取的拍摄特征信息预测调整下一张待分拣水果的图像的预测图像显示数据，并采用当前预测得到的预测图像处理算法和预测图像显示参数，更新调整上一张待分拣水果的图像的预测图像显示数据。
本实施例通过获取目标图像的拍摄特征信息，然后根据拍摄特征信息更新存储的图像处理算法和图像显示参数，实现了实时在低光照度、高光照度、逆光等光线变化比较大的场景下，保持监控目标的清晰度，从而提高图像识别的准确性。
此外，本申请还提供一种水果的分拣装置，所述装置包括存储器、处理器及存储在存储器上并在所述处理器上运行水果的分拣程序，所述装置通过获取待分拣水果的图像，根据预存储的图像处理算法和图像显示参数对待分拣水果的图像进行调整，得到目标图像；获取目标图像的二值化图像，根据二值化图像确定待分拣水果的表皮受损信息，并根据表皮受损信息对待分拣水果进行第一次分拣；识别所述目标图像的形状特征和像素点的颜色特征，根据颜色特征和/或形状特征对待分拣水果进行第二次分拣。本装置通过采用图像识别技术对水果进行分拣，提高了水果的分拣效率，降低了人工成本。
此外，本申请还提供一种计算机可读存储介质，该计算机可读存储介质上存储有水果的分拣方法程序，水果的分拣方法程序被处理器执行时实现如上水果的分拣方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、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水果的分拣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水果的分拣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装置。
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水果的分拣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装置的制造品，该指令装置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水果的分拣设备上，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。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本申请可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本申请的可选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括可选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种水果的分拣方法，其特征在于，所述方法包括：
获取待分拣水果的图像，根据预存储的图像处理算法和图像显示参数对所述待分拣水果的图像进行调整，得到目标图像；
获取所述目标图像的二值化图像，根据所述二值化图像确定所述待分拣水果的表皮受损信息，并根据所述表皮受损信息对所述待分拣水果进行第一次分拣；
识别所述目标图像的形状特征和像素点的颜色特征，根据所述颜色特征和/或所述形状特征对所述待分拣水果进行第二次分拣。
2.如权利要求1所述的水果的分拣方法，其特征在于，所述获取所述目标图像的二值化图像的步骤包括：
获取所述目标图像的灰度图像；
遍历所述目标图像的所有像素点，并获取每个所述像素点的灰度值；
根据每个所述像素点的灰度值确定二值化阈值，根据所述二值化阈值对所述灰度图像二值化得到所述二值化图像。
3.如权利要求1所述的水果的分拣方法，其特征在于，所述根据所述二值化图像确定所述待分拣水果的表皮受损信息的步骤包括：
根据所述二值化图像获取所述待分拣水果的表皮的缺陷特征信息；
根据所述缺陷特征信息获取所述表皮的缺陷类型；
根据所述缺陷类型确定所述表皮受损信息。
4.如权利要求1所述的水果的分拣方法，其特征在于，所述根据所述表皮受损信息对所述待分拣水果进行第一次分拣的步骤包括：
根据所述表皮受损信息确定表皮受损的待分拣水果，将表皮受损的待分拣水果分拣至目标分拣箱。
5.如权利要求1所述的水果的分拣方法，其特征在于，所述识别所述目标图像的形状特征和像素点的颜色特征的步骤包括：
在所述目标图像中确定所述待分拣水果所在的特征区域，识别所述特征区域的轮廓信息和像素点的颜色；
根据每种所述颜色的像素点的数量确定所述待分拣水果的颜色特征；
根据所述轮廓信息确定所述待分拣水果的形状特征。
6.如权利要求1所述的水果的分拣方法，其特征在于，所述根据所述颜色特征和/或所述形状特征对所述待分拣水果进行第二次分拣的步骤包括：
根据所述颜色特征和/或所述形状特征与预设对应关系确定所述待分拣水果的等级，其中，所述预设对应关系为所述颜色特征和/或所述形状特征与所述等级的对应关系；
根据所述等级对所述待分拣水果进行第二次分拣。
7.如权利要求1所述的水果的分拣方法，其特征在于，所述根据预存储的图像处理算法和图像显示参数对所述待分拣水果的图像进行调整，得到目标图像的步骤之后，包括：
获取所述目标图像的拍摄特征信息；
根据所述拍摄特征信息更新存储的所述图像处理算法和所述图像显示参数。
8.如权利要求7所述的水果的分拣方法，其特征在于，所述根据所述拍摄特征信息更新存储的所述图像处理算法和所述图像显示参数的步骤包括：
在所述目标图像中存在所述待分拣水果时，获取与所述拍摄特征信息匹配的预测图像处理算法和预测图像显示参数；
根据所述预测图像处理算法更新存储的所述图像处理算法，以及根据所述预测图像显示参数更新存储的所述图像显示参数。
9.一种水果的分拣装置，其特征在于，所述装置包括存储器、处理器及存储在存储器上并在所述处理器上运行水果的分拣程序，所述处理器执行所述水果的分拣程序时实现如权利要求1至8中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有水果的分拣程序，所述水果的分拣程序被处理器执行时实现如权利要求1至8中任一项所述的方法的步骤。
CN202111189737.9A 2021-10-13 2021-10-13 水果的分拣方法、装置和计算机可读存储介质 Active CN113643287B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111189737.9A CN113643287B (zh) 2021-10-13 2021-10-13 水果的分拣方法、装置和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111189737.9A CN113643287B (zh) 2021-10-13 2021-10-13 水果的分拣方法、装置和计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN113643287A true CN113643287A (zh) 2021-11-12
CN113643287B CN113643287B (zh) 2022-03-01

Family

ID=78426473

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111189737.9A Active CN113643287B (zh) 2021-10-13 2021-10-13 水果的分拣方法、装置和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113643287B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114998614A (zh) * 2022-08-08 2022-09-02 浪潮电子信息产业股份有限公司 一种图像处理方法、装置、设备及可读存储介质
CN117314923A (zh) * 2023-11-30 2023-12-29 广州城建职业学院 一种基于机器视觉的荔枝智能分拣与配送优化方法
CN117422757A (zh) * 2023-10-31 2024-01-19 安徽唯嵩光电科技有限公司 一种果蔬大小分选方法、装置、计算机设备及存储介质
CN117437217A (zh) * 2023-12-18 2024-01-23 武汉博源新材料科技集团股份有限公司 一种基于图像识别的纸塑产品分拣方法及系统

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI823750B (zh) * 2023-01-11 2023-11-21 訊力科技股份有限公司 自動化水果選別方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108480227A (zh) * 2018-03-30 2018-09-04 烟台维度机器人有限公司 一种基于图像识别的苹果分拣方法及系统
CN108686978A (zh) * 2018-05-02 2018-10-23 广州慧睿思通信息科技有限公司 基于arm的水果类别和色泽的分拣方法及系统
CN109740681A (zh) * 2019-01-08 2019-05-10 南方科技大学 一种水果分拣方法、装置、系统、终端及存储介质
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
CN113145473A (zh) * 2021-02-20 2021-07-23 广州大学华软软件学院 一种水果智能分拣系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108480227A (zh) * 2018-03-30 2018-09-04 烟台维度机器人有限公司 一种基于图像识别的苹果分拣方法及系统
CN108686978A (zh) * 2018-05-02 2018-10-23 广州慧睿思通信息科技有限公司 基于arm的水果类别和色泽的分拣方法及系统
CN109740681A (zh) * 2019-01-08 2019-05-10 南方科技大学 一种水果分拣方法、装置、系统、终端及存储介质
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
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
CN113145473A (zh) * 2021-02-20 2021-07-23 广州大学华软软件学院 一种水果智能分拣系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
倪云峰 等: "基于图像识别的水果分拣系统", 《江苏农业科学》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114998614A (zh) * 2022-08-08 2022-09-02 浪潮电子信息产业股份有限公司 一种图像处理方法、装置、设备及可读存储介质
CN117422757A (zh) * 2023-10-31 2024-01-19 安徽唯嵩光电科技有限公司 一种果蔬大小分选方法、装置、计算机设备及存储介质
CN117422757B (zh) * 2023-10-31 2024-05-03 安徽唯嵩光电科技有限公司 一种果蔬大小分选方法、装置、计算机设备及存储介质
CN117314923A (zh) * 2023-11-30 2023-12-29 广州城建职业学院 一种基于机器视觉的荔枝智能分拣与配送优化方法
CN117314923B (zh) * 2023-11-30 2024-03-08 广州城建职业学院 一种基于机器视觉的荔枝智能分拣与配送优化方法
CN117437217A (zh) * 2023-12-18 2024-01-23 武汉博源新材料科技集团股份有限公司 一种基于图像识别的纸塑产品分拣方法及系统
CN117437217B (zh) * 2023-12-18 2024-03-08 武汉博源新材料科技集团股份有限公司 一种基于图像识别的纸塑产品分拣方法及系统

Also Published As

Publication number Publication date
CN113643287B (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
CN113643287B (zh) 水果的分拣方法、装置和计算机可读存储介质
US8111943B2 (en) Smart image enhancement process
US20160334546A1 (en) Weather recognition method and device based on image information detection
US8244044B2 (en) Feature selection and extraction
US9251614B1 (en) Background removal for document images
CN109829914A (zh) 检测产品缺陷的方法和装置
US20180150696A1 (en) Detection of logos in a sequence of video frames
US11003958B2 (en) Food quality image classification
MXPA02008296A (es) Metodo mejorado para binarizacion de imagen.
da Costa Barbon et al. Development of a flexible computer vision system for marbling classification
US11203494B2 (en) System and method for sorting moving objects
US10726535B2 (en) Automatically generating image datasets for use in image recognition and detection
JP2018506046A (ja) タイヤ表面の欠陥を検出する方法
CN115019160B (zh) 一种工厂仓库入库货物图像质量的控制方法
CN106331746B (zh) 用于识别视频文件中的水印位置的方法和装置
CN110717865A (zh) 图片检测方法及装置
CN113808153A (zh) 番茄成熟检测方法、装置、计算机设备及存储介质
CN114359235A (zh) 一种基于改进YOLOv5l网络的木材表面缺陷检测方法
CN113537037A (zh) 路面病害识别方法、系统、电子设备及存储介质
Sun et al. Sequenced wave signal extraction and classification algorithm for duck egg crack on-line detection
Kumar et al. Haze elimination model-based color saturation adjustment with contrast correction
CN111161233A (zh) 一种用于冲孔皮革缺陷检测方法及系统
Reyes et al. Image analysis of real-time classification of cherry fruit from colour features
CA2997335C (en) Automatically generating image datasets for use in image recognition and detection
CN112164025A (zh) 螺纹连接件的缺陷检测方法及装置、电子设备和存储介质

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