CN114169618A - 基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法 - Google Patents

基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法 Download PDF

Info

Publication number
CN114169618A
CN114169618A CN202111510664.9A CN202111510664A CN114169618A CN 114169618 A CN114169618 A CN 114169618A CN 202111510664 A CN202111510664 A CN 202111510664A CN 114169618 A CN114169618 A CN 114169618A
Authority
CN
China
Prior art keywords
kiwi fruit
maturity
model
fruit
kiwi
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
CN202111510664.9A
Other languages
English (en)
Other versions
CN114169618B (zh
Inventor
蔡晓权
徐圣兵
王振友
李金漳
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202111510664.9A priority Critical patent/CN114169618B/zh
Publication of CN114169618A publication Critical patent/CN114169618A/zh
Application granted granted Critical
Publication of CN114169618B publication Critical patent/CN114169618B/zh
Priority to US17/886,701 priority patent/US20230186656A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及水果成熟度鉴别技术领域，且公开了基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法，包括以下步骤：S1：收集猕猴桃数据，在3‑6天里，每天同一时间段分别采集40‑80个猕猴桃的图像，并在同一位置按压判断猕猴桃是否成熟，做好标签记录并按标签保存图像文件，得到原始数据集；S2：提取数据，提取原始数据集中猕猴桃表皮的颜色、纹理；S3：判断，使用经验判断法将样本数据各个时间各个猕猴桃贴上成熟度标签，成熟度分为三个阶段——未熟、微熟和成熟。本发明排除人主观性干扰，降低人力成本，适合大批量识别操作，识别正确率远高于人工经验识别，避免了识别过程中对猕猴桃造成损伤，识别成本低。

Description

基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法
技术领域
本发明涉及水果成熟度鉴别技术领域，具体为基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法。
背景技术
猕猴桃对于人体来说是一种非常好的水果，能够起到养生和保健的功效，无论是老人还是小孩儿都非常适合食用。而且果肉饱满细腻，口感酸甜，也深受人们的喜爱，但是为了方便运输和保存，所以大多数市面上所销售的猕猴桃都是不成熟的。因此在购买之后，都需要在家里放置几天才能够食用。因此猕猴桃成熟程度的鉴别无论对于卖方还是买方都具有很大的意义。
猕猴桃在未熟到成熟的阶段上，表皮颜色、纹理等会随着时间逐渐变化，成熟的猕猴桃表皮颜色相对较黄，表皮相对皱，而未成熟的表皮颜色会偏绿，表皮相对光滑。此外，猕猴桃原本是否损伤也会对表皮颜色、纹路和绒毛状态造成影响。
目前对于消费者来说，判断是否成熟的方法主要为经验判断：使用手捏法判断猕猴桃的软硬程度进而判断猕猴桃是否成熟。而手捏法容易造成猕猴桃手捏部位损伤，影响口感。且手捏法依靠经验判断经常无法在猕猴桃最佳成熟度时食用，也会影响消费者的体验，目前已知其他水果成熟度检测方法主要有化学检测和力、光、声、电学检测，其中化学检测为提取果内汁液进行化学分析，会对水果造成损伤，而力、光、声、电学等无损伤鉴别方法却需要对应的相对昂贵的器材，对于消费者来说，这显然是不被接受的，不能满足人们的要求。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法，解决了现有已知其他水果成熟度检测方法主要有化学检测和力、光、声、电学检测，其中化学检测为提取果内汁液进行化学分析，会对水果造成损伤，而力、光、声、电学等无损伤鉴别方法却需要对应的相对昂贵的器材，对于消费者来说，这显然是不被接受的，不能满足人们的要求的问题。
(二)技术方案
为实现上述目的，本发明提供如下技术方案：
基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法，包括以下步骤：
S1：收集猕猴桃数据，在3-6天里，每天同一时间段分别采集40-80个猕猴桃的图像，并在同一位置按压判断猕猴桃是否成熟，做好标签记录并按标签保存图像文件，得到原始数据集；
S2：提取数据，提取原始数据集中猕猴桃表皮的颜色、纹理；
S3：判断，使用经验判断法将样本数据各个时间各个猕猴桃贴上成熟度标签，成熟度分为三个阶段——未熟、微熟和成熟，利用学习算法学习猕猴桃成熟度的阈值θ(θ1，θ2)，及平均成熟耗时n天；
S4：深度训练学习，通过提取的猕猴桃表皮的颜色、纹理，然后与经验判断法判断的结果，学习出猕猴桃表皮颜色、纹理与成熟度之间的关系，S4中进行训练学习时搭建模型，搭建模型时分为三个模型进行搭建，分别为：
model-1——判断水果是否有损伤；
model-2——判断有损伤水果成熟程度；
model-3——判断无损伤水果成熟程度；
为了更好地描述猕猴桃状态，将猕猴桃是否损伤分为有损伤和无损伤，并在程序中编码为1和0，将水果成熟程度分为未熟、微熟和成熟，并在程序中编码为0、1和2，使用python的Tensorflow模块来实现深度学习；
在训练时判别指标model-1为：
model-1输出为
Figure BDA0003405548590000031
model-1表示为
Figure BDA0003405548590000032
model-2、model-3：
由于原数据过于离散，现通过拟合进行数据扩充：
各猕猴桃标签值变化一个单位平均时间差Δt：
Figure BDA0003405548590000033
标签扩充函数为
Figure BDA0003405548590000034
模型表示为
Figure BDA0003405548590000035
S5：输出结果，输出各阶段的猕猴桃成熟度阀值及平均成熟耗时。
作为本发明再进一步的方案，所述S1中在收集猕猴桃数据时优选为在4天里，每天同一时间段分别采集60个猕猴桃的图像。
进一步的，所述S1中在采集猕猴桃图像时猕猴桃包装测试盒必须颜色与猕猴桃颜色反差较大，采集猕猴桃信息摄像头像素必须从猕猴桃包装盒正上方采集。
在前述方案的基础上，所述S4中未熟猕猴桃推荐为不能食用，微熟猕猴桃推荐为未来几天内可食用，成熟猕猴桃推荐为当天内食用。
进一步的，所述S4中model-2、model-3输出的猕猴桃成熟度为β，计算出猕猴桃D天后可食用，方案如下：
当β＜θ2时，则可启动成熟时间预测提示；
成熟时间预测阈值
Figure BDA0003405548590000041
预测值为
Figure BDA0003405548590000042
在前述方案的基础上，所述S1中包括手持智能终端，手持智能终端包括图像采集模块，图像采集模块包括图像传感器，所述图像采集模块连接有处理器、主控电路、显示模块、电源模块和传输模块。
本发明再进一步的方案，所述S4中包括储存模块和比对模块，比对模块与图像采集模块相连接。
(三)有益效果
与现有技术相比，本发明提供了基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法，具备以下有益效果：
1、本发明在收集大量不同成熟期的猕猴桃图像数据的基础上，运用深度学习的办法得到阈值，能够保证识别正确率高于人工经验识别。
2、本发明中，由于猕猴桃本身是否损伤会对表皮颜色、纹路和绒毛状态造成影响，通过三个模型的搭建能够消除该方面对系统精度的影响。
3、本发明中通过猕猴桃的原始图片数据，建立不同成熟度猕猴桃表皮颜色、纹理判别指标，利用深度学习算法学习各个猕猴桃成熟度指标阈值，从而达到根据猕猴桃成熟度进行成熟时间预测的目的。
4、本发明排除人主观性干扰，降低人力成本，适合大批量识别操作，识别正确率远高于人工经验识别，避免了识别过程中对猕猴桃造成损伤，识别成本低。
附图说明
图1为本发明提出的基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法的流程结构示意图；
图2为本发明提出的基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法的训练流程结构示意图。
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。
实施例1
参照图1-2，基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法，包括以下步骤：
S1：收集猕猴桃数据，在6天里，每天同一时间段分别采集80个猕猴桃的图像，并在同一位置按压判断猕猴桃是否成熟，做好标签记录并按标签保存图像文件，得到原始数据集；
S2：提取数据，提取原始数据集中猕猴桃表皮的颜色、纹理；
S3：判断，使用经验判断法将样本数据各个时间各个猕猴桃贴上成熟度标签，成熟度分为三个阶段——未熟、微熟和成熟，利用学习算法学习猕猴桃成熟度的阈值θ(θ1，θ2)，及平均成熟耗时n天，本发明在收集大量不同成熟期的猕猴桃图像数据的基础上，运用深度学习的办法得到阈值，能够保证识别正确率高于人工经验识别；
S4：深度训练学习，通过提取的猕猴桃表皮的颜色、纹理，然后与经验判断法判断的结果，学习出猕猴桃表皮颜色、纹理与成熟度之间的关系，进行训练学习时搭建模型，搭建模型时分为三个模型进行搭建，分别为：
model-1——判断水果是否有损伤；
model-2——判断有损伤水果成熟程度；
model-3——判断无损伤水果成熟程度；由于猕猴桃本身是否损伤会对表皮颜色、纹路和绒毛状态造成影响，通过三个模型的搭建能够消除该方面对系统精度的影响；
为了更好地描述猕猴桃状态，将猕猴桃是否损伤分为有损伤和无损伤，并在程序中编码为1和0，将水果成熟程度分为未熟、微熟和成熟，并在程序中编码为0、1和2，使用python的Tensorflow模块来实现深度学习；
在训练时判别指标model-1为：
model-1输出为
Figure BDA0003405548590000061
model-1表示为
Figure BDA0003405548590000062
model-2、model-3：
由于原数据过于离散，现通过拟合进行数据扩充：
各猕猴桃标签值变化一个单位平均时间差Δt：
Figure BDA0003405548590000063
标签扩充函数为
Figure BDA0003405548590000064
模型表示为
Figure BDA0003405548590000065
通过猕猴桃的原始图片数据，建立不同成熟度猕猴桃表皮颜色、纹理判别指标，利用深度学习算法学习各个猕猴桃成熟度指标阈值，从而达到根据猕猴桃成熟度进行成熟时间预测的目的；
S5：输出结果，输出各阶段的猕猴桃成熟度阀值及平均成熟耗时，本发明排除人主观性干扰，降低人力成本，适合大批量识别操作，识别正确率远高于人工经验识别，避免了识别过程中对猕猴桃造成损伤，识别成本低。
本发明的S1中在采集猕猴桃图像时猕猴桃包装测试盒必须颜色与猕猴桃颜色反差较大，采集猕猴桃信息摄像头像素必须从猕猴桃包装盒正上方采集，防止与猕猴桃颜色相似的测试盒的颜色影响猕猴桃图像采集的对比度，而且从上方采集能够使得图像更加清晰，S4中未熟猕猴桃推荐为不能食用，微熟猕猴桃推荐为未来几天内可食用，成熟猕猴桃推荐为当天内食用，S4中model-2、model-3输出的猕猴桃成熟度为β，计算出猕猴桃D天后可食用，方案如下：
当β＜θ2时，则可启动成熟时间预测提示；
成熟时间预测阈值
Figure BDA0003405548590000071
预测值为
Figure BDA0003405548590000072
实施例2
参照图1-2，基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法，包括以下步骤：
S1：收集猕猴桃数据，在4天里，每天同一时间段分别采集60个猕猴桃的图像，并在同一位置按压判断猕猴桃是否成熟，做好标签记录并按标签保存图像文件，得到原始数据集；
S2：提取数据，提取原始数据集中猕猴桃表皮的颜色、纹理；
S3：判断，使用经验判断法将样本数据各个时间各个猕猴桃贴上成熟度标签，成熟度分为三个阶段——未熟、微熟和成熟，利用学习算法学习猕猴桃成熟度的阈值θ(θ1，θ2)，及平均成熟耗时n天，本发明在收集大量不同成熟期的猕猴桃图像数据的基础上，运用深度学习的办法得到阈值，能够保证识别正确率高于人工经验识别；
S4：深度训练学习，通过提取的猕猴桃表皮的颜色、纹理，然后与经验判断法判断的结果，学习出猕猴桃表皮颜色、纹理与成熟度之间的关系，进行训练学习时搭建模型，搭建模型时分为三个模型进行搭建，分别为：
model-1——判断水果是否有损伤；
model-2——判断有损伤水果成熟程度；
model-3——判断无损伤水果成熟程度；由于猕猴桃本身是否损伤会对表皮颜色、纹路和绒毛状态造成影响，通过三个模型的搭建能够消除该方面对系统精度的影响；
为了更好地描述猕猴桃状态，将猕猴桃是否损伤分为有损伤和无损伤，并在程序中编码为1和0，将水果成熟程度分为未熟、微熟和成熟，并在程序中编码为0、1和2，使用python的Tensorflow模块来实现深度学习；
在训练时判别指标model-1为：
model-1输出为
Figure BDA0003405548590000081
model-1表示为
Figure BDA0003405548590000082
model-2、model-3：
由于原数据过于离散，现通过拟合进行数据扩充：
各猕猴桃标签值变化一个单位平均时间差Δt：
Figure BDA0003405548590000083
标签扩充函数为
Figure BDA0003405548590000084
模型表示为
Figure BDA0003405548590000085
通过猕猴桃的原始图片数据，建立不同成熟度猕猴桃表皮颜色、纹理判别指标，利用深度学习算法学习各个猕猴桃成熟度指标阈值，从而达到根据猕猴桃成熟度进行成熟时间预测的目的；
S5：输出结果，输出各阶段的猕猴桃成熟度阀值及平均成熟耗时，本发明排除人主观性干扰，降低人力成本，适合大批量识别操作，识别正确率远高于人工经验识别，避免了识别过程中对猕猴桃造成损伤，识别成本低。
本发明的S1中在采集猕猴桃图像时猕猴桃包装测试盒必须颜色与猕猴桃颜色反差较大，采集猕猴桃信息摄像头像素必须从猕猴桃包装盒正上方采集，防止与猕猴桃颜色相似的测试盒的颜色影响猕猴桃图像采集的对比度，而且从上方采集能够使得图像更加清晰，S4中未熟猕猴桃推荐为不能食用，微熟猕猴桃推荐为未来几天内可食用，成熟猕猴桃推荐为当天内食用，S4中model-2、model-3输出的猕猴桃成熟度为β，计算出猕猴桃D天后可食用，方案如下：
当β＜θ2时，则可启动成熟时间预测提示；
成熟时间预测阈值
Figure BDA0003405548590000091
预测值为
Figure BDA0003405548590000092
本发明中，S1中包括手持智能终端，手持智能终端包括图像采集模块，图像采集模块包括图像传感器，所述图像采集模块连接有处理器、主控电路、显示模块、电源模块和传输模块，S4中包括储存模块和比对模块，比对模块与图像采集模块相连接，手持智能终端对猕猴桃进行拍照，然后通过传输模块传到比对模块，比对模块把图像和储存模块储存的训练模型进行对比，然后通过显示模块显示比对结果，省时省力，方便快捷，准确度高。
在该文中的描述中，需要说明的是，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法，其特征在于，包括以下步骤：
S1：收集猕猴桃数据，在3-6天里，每天同一时间段分别采集40-80个猕猴桃的图像，并在同一位置按压判断猕猴桃是否成熟，做好标签记录并按标签保存图像文件，得到原始数据集；
S2：提取数据，提取原始数据集中猕猴桃表皮的颜色、纹理；
S3：判断，使用经验判断法将样本数据各个时间各个猕猴桃贴上成熟度标签，成熟度分为三个阶段——未熟、微熟和成熟，利用学习算法学习猕猴桃成熟度的阈值θ(θ1，θ2)，及平均成熟耗时n天；
S4：深度训练学习，通过提取的猕猴桃表皮的颜色、纹理，然后与经验判断法判断的结果，学习出猕猴桃表皮颜色、纹理与成熟度之间的关系，S4中进行训练学习时搭建模型，搭建模型时分为三个模型进行搭建，分别为：
model-1——判断水果是否有损伤；
model-2——判断有损伤水果成熟程度；
model-3——判断无损伤水果成熟程度；
为了更好地描述猕猴桃状态，将猕猴桃是否损伤分为有损伤和无损伤，并在程序中编码为1和0，将水果成熟程度分为未熟、微熟和成熟，并在程序中编码为0、1和2，使用python的Tensorflow模块来实现深度学习；
在训练时判别指标model-1为：
model-1输出为
Figure FDA0003405548580000011
model-1表示为
Figure FDA0003405548580000012
model-2、model-3：
由于原数据过于离散，现通过拟合进行数据扩充：
各猕猴桃标签值变化一个单位平均时间差Δt：
Figure FDA0003405548580000021
标签扩充函数为
Figure FDA0003405548580000022
模型表示为
Figure FDA0003405548580000023
S5：输出结果，输出各阶段的猕猴桃成熟度阀值及平均成熟耗时。
2.根据权利要求1所述的基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法，其特征在于，所述S1中在收集猕猴桃数据时优选为在4天里，每天同一时间段分别采集60个猕猴桃的图像。
3.根据权利要求2所述的基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法，其特征在于，所述S1中在采集猕猴桃图像时猕猴桃包装测试盒必须颜色与猕猴桃颜色反差较大，采集猕猴桃信息摄像头像素必须从猕猴桃包装盒正上方采集。
4.根据权利要求1所述的基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法，其特征在于，所述S4中未熟猕猴桃推荐为不能食用，微熟猕猴桃推荐为未来几天内可食用，成熟猕猴桃推荐为当天内食用。
5.根据权利要求4所述的基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法，其特征在于，所述S4中model-2、model-3输出的猕猴桃成熟度为β，计算出猕猴桃D天后可食用，方案如下：
当β＜θ2时，则可启动成熟时间预测提示；
成熟时间预测阈值k：
Figure FDA0003405548580000024
预测值为
Figure FDA0003405548580000025
6.根据权利要求1所述的基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法，其特征在于，所述S1中包括手持智能终端，手持智能终端包括图像采集模块，图像采集模块包括图像传感器，所述图像采集模块连接有处理器、主控电路、显示模块、电源模块和传输模块。
7.根据权利要求6所述的基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法，其特征在于，所述S4中包括储存模块和比对模块，比对模块与图像采集模块相连接。
CN202111510664.9A 2021-12-11 2021-12-11 基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法 Active CN114169618B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111510664.9A CN114169618B (zh) 2021-12-11 2021-12-11 基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法
US17/886,701 US20230186656A1 (en) 2021-12-11 2022-08-12 Method for non-destructive ripeness identification of kiwifruit based on machine vision learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111510664.9A CN114169618B (zh) 2021-12-11 2021-12-11 基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法

Publications (2)

Publication Number Publication Date
CN114169618A true CN114169618A (zh) 2022-03-11
CN114169618B CN114169618B (zh) 2022-08-09

Family

ID=80485539

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111510664.9A Active CN114169618B (zh) 2021-12-11 2021-12-11 基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法

Country Status (2)

Country Link
US (1) US20230186656A1 (zh)
CN (1) CN114169618B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115719451A (zh) * 2022-11-21 2023-02-28 佳木斯大学 一种软枣猕猴桃成熟度检测方法及系统

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116523910B (zh) * 2023-07-03 2023-09-08 湖北省林业科学研究院 基于图像数据的核桃成熟度智能检测方法
CN116612191B (zh) * 2023-07-18 2023-09-22 山东芝圣堂生物科技有限公司 一种车载式采摘机器人自动定位方法及装置
CN118090672A (zh) * 2024-04-25 2024-05-28 奥谱天成（厦门）光电有限公司 猕猴桃特征检测方法、装置、介质及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201822121A (zh) * 2016-12-13 2018-06-16 國立勤益科技大學 水果成熟度與品質優劣辨識系統及方法
CN109005933A (zh) * 2018-08-15 2018-12-18 四川省农业科学院农产品加工研究所 红阳猕猴桃的采收方法及采收期的检测方法
US20200057663A1 (en) * 2018-08-15 2020-02-20 Royal Bank Of Canada System and methods for improved adoption of cloud container profiles
CN111650190A (zh) * 2020-05-07 2020-09-11 西北农林科技大学 一种用于跃变型果实成熟度检测的检测标签及其制作方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201822121A (zh) * 2016-12-13 2018-06-16 國立勤益科技大學 水果成熟度與品質優劣辨識系統及方法
CN109005933A (zh) * 2018-08-15 2018-12-18 四川省农业科学院农产品加工研究所 红阳猕猴桃的采收方法及采收期的检测方法
US20200057663A1 (en) * 2018-08-15 2020-02-20 Royal Bank Of Canada System and methods for improved adoption of cloud container profiles
CN111650190A (zh) * 2020-05-07 2020-09-11 西北农林科技大学 一种用于跃变型果实成熟度检测的检测标签及其制作方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘东来: "基于机器视觉的烟叶自动分级方法", 《广东蚕业》 *
霍迎秋等: "高光谱图像结合机器学习方法无损检测猕猴桃", 《中国农机化学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115719451A (zh) * 2022-11-21 2023-02-28 佳木斯大学 一种软枣猕猴桃成熟度检测方法及系统

Also Published As

Publication number Publication date
US20230186656A1 (en) 2023-06-15
CN114169618B (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
CN114169618B (zh) 基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法
CN110648069B (zh) 一种基于运输车的蔬菜质量分析系统
CN111091109A (zh) 基于人脸图像进行年龄和性别预测的方法、系统和设备
CN112381589A (zh) 一种基于云计算的商品交易平台商品智能估值管理系统
CN112464762A (zh) 基于图像处理的农产品筛选系统及其方法
CN110675400A (zh) 一种基于手机app的羊肉品质指标快速智能检测方法
CN112691939A (zh) 果蔬品质智能感知分拣机器人系统
CN112529838A (zh) 一种基于图像处理技术的烟叶成熟度在线判别方法
CN115545383A (zh) 一种草莓脆外观品质的双目立体视觉检测方法
CN114965346A (zh) 基于深度学习和高光谱成像技术的猕猴桃品质检测方法
Mehendran et al. Banana freshness identification using image processing techniques
CN112697984B (zh) 基于神经网络的水果缺陷无损检测方法及水果分级方法
CN110096946A (zh) 一种基于压感和视觉融合的无人售货系统
TW201822121A (zh) 水果成熟度與品質優劣辨識系統及方法
Jayalakshmi et al. Monitoring Ripeness in Fruits and Vegetables Using the Raspberry Pi
CN110118735B (zh) 一种检测香梨公母的高光谱成像检测方法及装置
Díaz Classification and quality evaluation of table olives
CN115330721A (zh) 基于形状和颜色信息的香蕉果梳饱满度检测方法与系统
Savchenko et al. Construction of a linear food quality classifier based on their color analysis
CN109856144A (zh) 一种基于手机的猕猴桃膨大果检测方法和装置
CN109523320A (zh) 一种基于综合传感器的商品监测方法、装置及系统
KR100400861B1 (ko) 과실 외관품질 인자의 온라인 검출 및 정량화를 위한시스템 및 방법
Chong et al. Surface gloss measurement on eggplant fruit
AU2021103379A4 (en) Non-destructive method for generating description of mango and device there of
LU504378B1 (en) Colorimetric card for evaluating freshness of sugar-smoked meat product, and preparation method and application thereof

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