CN113962638B - 一种智能果蔬质量检测方法及系统 - Google Patents
一种智能果蔬质量检测方法及系统 Download PDFInfo
- Publication number
- CN113962638B CN113962638B CN202111575174.7A CN202111575174A CN113962638B CN 113962638 B CN113962638 B CN 113962638B CN 202111575174 A CN202111575174 A CN 202111575174A CN 113962638 B CN113962638 B CN 113962638B
- Authority
- CN
- China
- Prior art keywords
- fruit
- storage area
- vegetable
- vegetables
- training
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
- G06N20/00—Machine learning
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Storage Of Fruits Or Vegetables (AREA)
Abstract
本发明涉及人工智能技术领域,具体涉及一种智能果蔬质量检测方法及系统,该方法包括:基于不同存放时间,采集仓库中不同储放区域处的果蔬图像,构成训练数据集;获取训练数据集中每张果蔬图像的训练参与度,所述训练参与度表征果蔬图像中果蔬的变质是否是环境温湿度导致的;构建孪生网络,利用训练数据集中每张果蔬图像的训练参与度对对比损失进行加权后监督训练孪生网络;利用训练好的孪生网络对果蔬图像进行质量检测,基于果蔬质量进行果蔬售卖价格的估计和推广摆放位置的确定;其中,质量检测结果表征仅由环境温湿度导致的果蔬的变质情况。本发明可对果蔬质量进行准确检测。
Description
技术领域
本发明涉及人工智能领域,具体涉及一种智能果蔬质量检测方法及系统。
背景技术
瓜果蔬菜作为生活的必需品,任何人都离不开它,在越来越重视营养健康的今天,瓜果蔬菜的新鲜度和无公害是消费者消费时首要侧重的选择,而商家在具体销售时,仅仅能通过货源确定是否无公害进行定价,而新鲜度会随着时间的变化逐渐变差,从而会导致定价与实际产品不符,可能造成买卖双方的损失。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种智能果蔬质量检测方法及系统,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种智能果蔬质量检测方法,该方法包括以下具体步骤:
基于不同存放时间,采集仓库中不同储放区域处的果蔬图像,构成训练数据集;
获取训练数据集中每张果蔬图像的训练参与度,所述训练参与度表征果蔬图像中果蔬的变质是否是环境温湿度导致的;
构建所述孪生网络,利用训练数据集中每张果蔬图像的训练参与度对对比损失进行加权后监督训练孪生网络;
利用训练好的孪生网络对果蔬图像进行质量检测;其中,质量检测结果表征仅由环境温湿度导致的果蔬的变质情况。
进一步地,在每个储放区域采集的每张果蔬图像的训练参与度的获取具体为:
基于采集果蔬图像时果蔬的存放时间,获取各个储放区域对应的果蔬质量亏损度序列、环境温度序列和环境湿度序列;存放一段时间后果蔬重量与果蔬入库重量差值绝对值与果蔬入库重量的比值为果蔬质量亏损度;
基于果蔬质量亏损度序列计算每个储放区域与仓库整体存放条件的相似度S,基于相似度对储放区域进行分组;
对于每个分组中的每个储放区域,基于环境温度序列和环境湿度序列计算该储放区域与组内其他储放区域环境温湿度变化情况的相似度H;
根据每个储放区域对应的S和H计算在该储放区域采集的果蔬图像的训练参与度;对于每个储放区域,该储放区域与仓库整体存放条件越相似,该储放区域与所属组内其他储放区域环境温湿度变化情况越相似,所采集的果蔬图像中果蔬的变质越是环境温湿度导致的。
进一步地,基于果蔬质量亏损度序列计算每个储放区域与仓库整体存放条件的相似度S,具体地:
进一步地,对于每个分组中的每个储放区域,基于环境温度序列和环境湿度序列计算该储放区域与组内其他储放区域环境温湿度变化情况的相似度H,具体地:
和分别为当前储放区域与所属组内其他第个储放区域对应的环境湿度序列;和分别为当前储放区域与所属组内其他第个储放区域对应的环境温度序列;为基于动态时间规整算法计算的两个序列之间的距离,为均值函数;当前储放区域所属组内除了当前储放区域,还有个储放区域。
进一步地,利用训练数据集中每张果蔬图像的训练参与度对对比损失进行加权后监督训练孪生网络,具体为:
第二方面,本发明另一个实施例提供了一种智能果蔬质量检测系统,该系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被处理器执行时实现一种智能果蔬质量检测方法的步骤。
本发明实施例至少具有如下有益效果:本发明对孪生网络进行训练时考虑了训练样本即果蔬图像的训练参与度,训练参与度表征果蔬图像中果蔬的变质是否是环境温湿度导致的,若采集果蔬图像时的果蔬变质是环境温湿度导致的,则根据果蔬图像的训练参与度对对比损失进行加权后进行孪生网络的训练,即基于果蔬图像进行网络参数的调整,若采集果蔬图像时的果蔬变质不是环境温湿度导致的,则基于果蔬图像不调整或小幅度调整网络的参数,使得网络的学习更加准确,进行对果蔬质量进行准确检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明方法实施例的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种智能果蔬质量检测方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种智能果蔬质量检测方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种智能果蔬质量检测方法的步骤流程图,该方法包括以下步骤:
基于不同存放时间,采集仓库中不同储放区域处的果蔬图像,构成训练数据集;
获取训练数据集中每张果蔬图像的训练参与度,所述训练参与度表征果蔬图像中果蔬的变质是否是环境温湿度导致的;
构建孪生网络,利用训练数据集中每张果蔬图像的训练参与度对对比损失进行加权后监督训练孪生网络;
利用训练好的孪生网络对果蔬图像进行质量检测,基于果蔬质量进行果蔬售卖价格的估计和推广摆放位置的确定;其中,质量检测结果表征仅由环境温湿度导致的果蔬的变质情况。
下面对上述各个步骤进行详细展开:
步骤S1,基于不同存放时间,采集仓库中不同储放区域处的果蔬图像,构成训练数据集。
例如,可以在存放时间为1天、3天、5天、7天时,对仓库中不同储放区域处的果蔬进行图像采集,得到多张果蔬图像,基于多张果蔬图像构建训练数据集。
步骤S2,获取训练数据集中每张果蔬图像的训练参与度,所述训练参与度表征果蔬图像中果蔬的变质是否是环境温湿度导致的。
在每个储放区域采集的每张果蔬图像的训练参与度的获取具体为:
实施例基于温湿度传感器获取环境温度和环境湿度,温湿度传感器在库房内以网格状均匀分布,分布间隔以每两个传感器相差两筐瓜果蔬菜的距离,从而获得库房内所有位置上的湿度信息,对于每个储放区域,该区域内所有温湿度传感器获取的温度数据的均值为该区域的温度数据,湿度数据的均值为该区域的湿度数据;传感器的数据每5s采集一次,仓库内每个区域都能记录一段时间的温湿度变化,从而得到环境温度序列和环境湿度序列。
对于刚入库的果蔬,认定其质量几乎未亏损,即果蔬的水分未流失;而经过一段时间的存放,因为环境的影响,瓜果蔬菜的质量会发生一定变化,例如周围环境湿度越小,瓜果蔬菜越容易失水,导致其质量下降,存放的温度同样影响着瓜果蔬菜的质量,如果库房内温度不稳定,例如温度高于储放推荐温度时,瓜果蔬菜的质量下降程度会加剧,从而缩短了存放时间,而质量下降的同时,其重量也会有一定的亏损。因此,需要定期对该批次入库的果蔬进行称重,在一定程度上能够表示该批次瓜果蔬菜的新鲜程度。对瓜果蔬菜进行称重,获得当前重量m与入库时重量m0进行比较,得到重量差ΔM=|m0-m|,从而得到果蔬质量亏损度ΔM/m;实施例中果蔬质量亏损程度每半天统计一次,进而可根据存放时间确定每个储放区域的果蔬质量亏损度序列。需要注意,不同的存放时间对应的果蔬质量亏损度序列、环境温度序列和环境湿度序列的序列长度不同。
(2)基于果蔬质量亏损度序列计算每个储放区域与仓库整体存放条件的相似度S,基于相似度对储放区域进行分组。
优选地,基于果蔬质量亏损度序列计算每个储放区域与仓库整体存放条件的相似度S,具体为:
为基于果蔬质量亏损度序列和得到的皮尔逊相关系数,为极差函数,为标准差函数,计算时引用两个序列的极差和标准差,能够进一步表现出两个序列在数值上的差异。的取值范围为[-1,1],值越大,说明两个序列越相似,相应的,两个储放区域的存放条件越相似;进而,值越小,说明当前储放区域与仓库整体存放条件越相似,当前储放区域与整个库房整体情况相近,反之,值越大,说明当前储放区域与仓库整体存放条件越不相似。
由于在库房同一储放区域内,环境情况即存放条件相似,果蔬质量亏损度也相似,而对于不同储放区域,果蔬质量亏损度会表现出差异,因此,根据果蔬质量亏损度对储放区域进行分组,以组为单位,对果蔬变质的原因进行分析。基于每个储放区域对应的值,实施例使用DBSCAN算法进行聚类后,得到多个分组,每个组中储放区域处果蔬的质量亏损度变化是相似的。
(3)对于每个分组中的每个储放区域,基于环境温度序列和环境湿度序列计算该储放区域与组内其他储放区域环境温湿度变化情况的相似度H。
优选地,对于每个分组中的每个储放区域,基于环境温度序列和环境湿度序列计算该储放区域与组内其他储放区域环境温湿度变化情况的相似度H,具体为:
和分别为当前储放区域与所属组内其他第个储放区域对应的环境湿度序列;和分别为当前储放区域与所属组内其他第个储放区域对应的环境温度序列;为基于动态时间规整算法计算的两个序列之间的距离,为均值函数;当前储放区域所属组内除了当前储放区域,还有个储放区域。
表示当前储放区域与所属组内其他第个储放区域的温湿度变化情况的相似度,和越相似,值越小,标准差差异越小,该项乘积的值越大,同理,和越相似,值越小,均值差异越小,该项乘积的值越大。式子中处理使用两种方式,这里考虑到两者影响权重不一样,温度对果蔬质量的影响比较高,因此,为温度分配一个函数下落比较快的,其精度比反比例函数要高一些,即同样的差异距离,温度所获得的结果要小。通过计算两个储放区域的温湿度变化相似度,确定两个储放区域内果蔬的变质条件即果蔬的质量亏损条件是否相似,温湿度变化相似度越高,表示组内两个区域果蔬的变质条件一致,湿度变化相似度越低,表示某一储放区域的变质条件由其他因素造成,例如外来的细菌直接影响。
对当前储放区域与所属组内每个其他储放区域环境温湿度变化情况的相似度进行求和,得到当前储放区域对应的值,值越大,说明当前储放区域与其所属组内其他储放区域环境温湿度变化情况越相似,值越小,说明当前储放区域与其所属组内其他储放区域环境温湿度变化情况越不相似,即与组内整体温湿度变化情况差异越大。
(4)根据每个储放区域对应的S和H计算在该储放区域采集的果蔬图像的训练参与度;对于每个储放区域,该储放区域与仓库整体存放条件越相似,该储放区域与所属组内其他储放区域环境温湿度变化情况越相似,所采集的果蔬图像中果蔬的变质越是环境温湿度导致的。
根据每个储放区域对应的S和H计算在该储放区域采集的果蔬图像的训练参与度,具体地:每个储放区域对应的H和S的比值为相应的存放时间对应的所述训练参与度,即,值越大,说明当前对某一储放区域的果蔬进行图像采集时,果蔬的变质越是由环境温湿度导致的,反之,值越小,说明当前对某一储放区域的果蔬进行图像采集时,果蔬的变质越不是由环境温湿度导致的,即越是由其他因素导致的果蔬变质。
至此,训练数据集中每张果蔬图像都对应一个训练参与度,需要说明,获取的训练参与度需要进行归一化处理。
需要注意,对于一个储放区域,在该储放区域处采集的多张果蔬图像对应的存放时间不同,每张果蔬图像对应的训练参与度也可能不同;且计算训练参与度的过程中,不同的存放时间对应的分组情况可能也不同。
步骤S3,构建孪生网络,利用训练数据集中每张果蔬图像的训练参与度对对比损失进行加权后监督训练孪生网络。
利用训练数据集中每张果蔬图像的训练参与度对对比损失进行加权后监督训练孪生网络,具体为:
基于训练数据集进行分批次训练,每个批次包括张果蔬图像;为一个批次中第张果蔬图像的训练参与度,为根据参考果蔬图像和一个批次中第张果蔬图像得到的对比损失;为最终监督训练孪生网络所用损失。基于进行孪生网络的监督训练;其中,训练时孪生网络的两张输入图像分别为参考果蔬图像和训练数据集中的一张果蔬图像,所述参考果蔬图像为果蔬未变质时采集的果蔬图像。
需要说明,每种果蔬类型对应一个孪生网络。
步骤S4,利用训练好的孪生网络对果蔬图像进行质量检测,基于果蔬质量进行果蔬售卖价格的估计和推广摆放位置的确定;其中,质量检测结果表征仅由环境温湿度导致的果蔬的变质情况。
训练好孪生网络后,将实时采集的果蔬图像与参考图像输入孪生网络中,孪生网络输出质量评分,得到实时采集的果蔬图像中果蔬的质量。
基于果蔬质量进行果蔬售卖价格的估计和推广摆放位置的确定:
如果质量评分比较高,即分数在0.9以上,可以安排原价销售,或者给予一定的溢价,推广摆放位置为正常位置。
如果质量评分一般,即在0.7或0.8左右,说明果蔬质量受到一定程度的影响,但影响不大,可以定一个稍低于原价进行售卖,推广摆放位置稍微靠前。
如果质量评分较低,即在0.6至0.7左右,说明果蔬存放不当或者存放时间过长,但还能够进行售卖,因此给予较大的折扣,同时,将果蔬放置于醒目位置,同时大力宣传折扣内容,以便快速售出。
如果质量评分极低,即小于0.5,表明果蔬已经变质,不适合售卖,可以进行内部消化或进行其他处理。
基于与上述方法实施例相同的发明构思,本发明一个实施例提供了一种智能果蔬质量检测系统,该系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被处理器执行时实现一种智能果蔬质量检测方法的步骤。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (6)
1.一种智能果蔬质量检测方法,其特征在于,该方法包括:
基于不同存放时间,采集仓库中不同储放区域处的果蔬图像,构成训练数据集;
获取训练数据集中每张果蔬图像的训练参与度,所述训练参与度表征果蔬图像中果蔬的变质是否是环境温湿度导致的;在每个储放区域采集的每张果蔬图像的训练参与度的获取具体为:基于采集果蔬图像时果蔬的存放时间,获取各个储放区域对应的果蔬质量亏损度序列、环境温度序列和环境湿度序列;存放一段时间后果蔬重量与果蔬入库重量差值绝对值与果蔬入库重量的比值为果蔬质量亏损度;基于果蔬质量亏损度序列计算每个储放区域与仓库整体存放条件的相似度S,基于相似度对储放区域进行分组;对于每个分组中的每个储放区域,基于环境温度序列和环境湿度序列计算该储放区域与组内其他储放区域环境温湿度变化情况的相似度H;根据每个储放区域对应的S和H计算在该储放区域采集的果蔬图像的训练参与度;对于每个储放区域,该储放区域与仓库整体存放条件越相似,该储放区域与所属组内其他储放区域环境温湿度变化情况越相似,所采集的果蔬图像中果蔬的变质越是环境温湿度导致的;
构建孪生网络,利用训练数据集中每张果蔬图像的训练参与度对对比损失进行加权后监督训练孪生网络;
利用训练好的孪生网络对果蔬图像进行质量检测;其中,质量检测结果表征仅由环境温湿度导致的果蔬的变质情况。
6.一种智能果蔬质量检测系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111575174.7A CN113962638B (zh) | 2021-12-22 | 2021-12-22 | 一种智能果蔬质量检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111575174.7A CN113962638B (zh) | 2021-12-22 | 2021-12-22 | 一种智能果蔬质量检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113962638A CN113962638A (zh) | 2022-01-21 |
CN113962638B true CN113962638B (zh) | 2022-03-18 |
Family
ID=79473568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111575174.7A Active CN113962638B (zh) | 2021-12-22 | 2021-12-22 | 一种智能果蔬质量检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113962638B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117035618B (zh) * | 2023-10-09 | 2024-01-12 | 山东爱福地生物股份有限公司 | 一种有机水溶肥储存料仓管理方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111043830A (zh) * | 2019-12-23 | 2020-04-21 | 四川虹美智能科技有限公司 | 冰箱及检测冰箱内食物的变质情况的方法 |
CN112740229A (zh) * | 2018-09-21 | 2021-04-30 | 三星电子株式会社 | 用于提供与冰箱中的物体的状态有关的信息的方法和系统 |
CN112966541A (zh) * | 2020-09-23 | 2021-06-15 | 北京豆牛网络科技有限公司 | 果蔬自动验货方法、系统、电子设备以及计算机可读介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3693907B1 (en) * | 2019-02-06 | 2024-08-21 | Tata Consultancy Services Limited | System and method for monitoring and quality evaluation of perishable food items |
US11422517B2 (en) * | 2019-06-05 | 2022-08-23 | International Business Machines Corporation | Automated transfer of items between compartments of a smart appliance |
CN113447084A (zh) * | 2021-08-31 | 2021-09-28 | 季华实验室 | 预估食品货架期的检测装置、系统、方法和存储介质 |
-
2021
- 2021-12-22 CN CN202111575174.7A patent/CN113962638B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112740229A (zh) * | 2018-09-21 | 2021-04-30 | 三星电子株式会社 | 用于提供与冰箱中的物体的状态有关的信息的方法和系统 |
CN111043830A (zh) * | 2019-12-23 | 2020-04-21 | 四川虹美智能科技有限公司 | 冰箱及检测冰箱内食物的变质情况的方法 |
CN112966541A (zh) * | 2020-09-23 | 2021-06-15 | 北京豆牛网络科技有限公司 | 果蔬自动验货方法、系统、电子设备以及计算机可读介质 |
Non-Patent Citations (2)
Title |
---|
Predicting Cherry Quality Using Siamese Networks;Yerren van Sint Annaland等;《2020 35th International Conference on Image and Vision Computing New Zealand (IVCNZ)》;20201217;第1-6页 * |
基于图像处理技术的冷冻冷藏果蔬品质研究;岳林珊;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》;20200115(第1期);B024-579 * |
Also Published As
Publication number | Publication date |
---|---|
CN113962638A (zh) | 2022-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Monchuk et al. | Explaining production inefficiency in China's agriculture using data envelopment analysis and semi-parametric bootstrapping | |
CN108760655B (zh) | 一种苹果味觉图谱信息可视化方法 | |
CN113962638B (zh) | 一种智能果蔬质量检测方法及系统 | |
CN111882363A (zh) | 销量预测方法、系统及终端 | |
CN115261522B (zh) | 一种微生物发酵的环境控制方法及系统 | |
CN109064226A (zh) | 农副产品供需预测及监控方法、装置、设备、存储介质 | |
US20220067610A1 (en) | Retail product assortment generation and recommendation | |
CN114898000A (zh) | 考虑环境因素的红枣成熟采摘分析方法、系统及终端 | |
CN113033903A (zh) | 一种LSTM模型和seq2seq模型的水果价格预测方法、介质及设备 | |
CN116596580A (zh) | 一种基于天气预报信息的季节性服装短期销量预测方法 | |
CN106290749A (zh) | 基于特定气味指纹对水果进行货架期预测的方法及装置 | |
CN109313773A (zh) | 食用时期计算方法、食用时期计算系统、食用时期计算程序以及记录介质 | |
CN114219520A (zh) | 基于大数据分析的鲜活农产品数据挖掘整合系统 | |
Saville et al. | Recognition of Japanese sake quality using machine learning based analysis of physicochemical properties | |
Agarwal et al. | Time series forecasting of agriculture yield of cotton with regression model implementation | |
Kumari et al. | CertiMart: Use Computer Vision to Digitize and Automate Supermarket with Fruit Quality Measuring and Maintaining | |
CN112446735A (zh) | 一种农产品价格预测方法、存储介质及计算设备 | |
Dabrowski et al. | Deep Learning for Prawn Farming: Forecasting and Anomaly Detection | |
Audy | Analysis Quality of Corn Based on IoT, SSD Mobilenet Models and Histogram | |
Du et al. | How to Set Reasonable Prices for Vegetable Products? A Comprehensive Model Study Based on Multiple Algorithms | |
Jeyanathan et al. | Automated Crop Recommender System using Pattern Classifiers | |
CN111667167B (zh) | 一种农业粮食产量估算方法和系统 | |
Abewickrama | Analyzing and Predicting the Market Price of Fruits and Vegetables | |
CN111062554B (zh) | 农作物产期产量管理分析系统 | |
Hennayaka et al. | AGventure: Creating a Sustainable Economy by Reducing Food Surpluses and Food Wastages through the Crop Management |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230602 Address after: No. 426 Zhangzhuang Village, Moshan Town, Lanling County, Linyi City, Shandong Province, 277700 Patentee after: Lanling Shenghui Food Co.,Ltd. Address before: 510000 room 905, No. 1 Pazhou Avenue East, Haizhu District, Guangzhou, Guangdong Patentee before: GUANGZHOU JUNTIAN TECHNOLOGY Co.,Ltd. |
|
TR01 | Transfer of patent right |