CN114354628B - 一种基于机器视觉的根茎类农产品缺陷检测方法 - Google Patents
一种基于机器视觉的根茎类农产品缺陷检测方法 Download PDFInfo
- Publication number
- CN114354628B CN114354628B CN202210008577.1A CN202210008577A CN114354628B CN 114354628 B CN114354628 B CN 114354628B CN 202210008577 A CN202210008577 A CN 202210008577A CN 114354628 B CN114354628 B CN 114354628B
- Authority
- CN
- China
- Prior art keywords
- image
- rhizome
- agricultural products
- agricultural product
- machine vision
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 53
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000007246 mechanism Effects 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000010191 image analysis Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 abstract description 3
- 244000000626 Daucus carota Species 0.000 description 37
- 235000002767 Daucus carota Nutrition 0.000 description 37
- 241000220225 Malus Species 0.000 description 9
- 235000021016 apples Nutrition 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 235000013399 edible fruits Nutrition 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 231100000241 scar Toxicity 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 208000032544 Cicatrix Diseases 0.000 description 1
- 244000241257 Cucumis melo Species 0.000 description 1
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 1
- 235000014678 Fruitflow® Nutrition 0.000 description 1
- 244000017020 Ipomoea batatas Species 0.000 description 1
- 235000002678 Ipomoea batatas Nutrition 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 235000012015 potatoes Nutrition 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000037387 scars Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Sorting Of Articles (AREA)
Abstract
本发明提供一种基于机器视觉的根茎类农产品缺陷检测方法,其解决了现有农产品缺陷检测效率及质量不高的技术问题,步骤主要包括:S1、图像拍摄;S2、图像预处理;S3、图像分析;S4、指令发送。通过机器视觉检测农产品表面缺陷,实现快速且准确的筛选。本发明方法步骤简单,执行效率较高,依靠根茎农作物常见的跌落式输送机构,进行下落过程拍摄,可获得较为全面的图像,识别准确度高,具备较好的表面缺陷检测能力,可广泛应用于农产品分拣技术领域。
Description
技术领域
本发明涉及农产品分拣技术领域,特别涉及一种基于机器视觉的根茎类农产品缺陷检测方法。
背景技术
农产品上市销售前,一般要经过分拣包装环节,借助这个过程,可以有效剔除问题产品,同时更加精细化划分出产品等级,有利于后期分级销售,实现利润最大化。早期我国农产品分拣大都采用人工分拣,不仅费时费力,效率低下,而且分拣的标准因人而异,导致分拣质量不一。近年来,我国在农业蔬菜领域逐步增加了专业分拣系统投入,使其可以代替一部分人工分拣,起到了良好的作用。
目前,市场上现有的分拣系统一般采用定制的分拣机构完成分拣工作,虽然效率比较高,但受限于特定场景应用,大都应用在水果或者果菜分拣领域,因为瓜果类外形较为统一,分拣标准更易指定。而对于根茎类农产品,如胡萝卜、马铃薯、地瓜等,由于整体外形不规则、特征复杂、难以定制专业分拣机构,同时其外表面还存在水烂点、裂口、烂头和大、小黑斑等外观缺陷,使传统机械分拣装置不能胜任分拣工作;而现有的视觉和光谱分拣技术只能识别出其中的一个或几个特征,因此分拣误差较大。
中国专利CN113319013A公开了一种基于机器视觉的苹果智能分拣的方法,通过提取苹果图像轮廓区域的最小外接矩形,得到苹果的像素即果径特征。采用S均值μs和方差δs作为苹果中疤痕、划痕和果锈区域识别分类的颜色特征。采用基于双树复小波变换提取苹果纹理特征。将果径特征、颜色特征以及纹理特征进行融合,将融合后的特征向量输入到SVM分类器中进行分类识别。双机械臂将表面合格的苹果进行抓取,并通过深度卷积神经网络对苹果底部图像进行疤痕检测。双机械臂根据路径规划的结果将底部合格的苹果准确装盒,不合格苹果放回传送带进入残次果流程。上述技术方案通过特征提取和支持向量机分类算法进行筛选分类,一定程度上提升了分拣准确性,改善了分拣质量,但是将其应用于根茎类农产品中,并不能很好满足全部需求,同时搭配机械手二次筛选效率不高,故还需进一步改进。
发明内容
本发明的目的是为了解决上述技术的不足,结合机器视觉技术,实现根茎类农产品缺陷快速精确检测。
为此,本发明提供一种基于机器视觉的根茎类农产品缺陷检测方法,主要包括以下步骤:
S1、图像拍摄,根茎类农产品通过跌落式输送机运输,并在下落过程中通过工业相机拍摄所述根茎类农产品的表面图像;
S2、图像预处理,将S1中获得的图像进行预先处理;
S3、图像分析,通过机器学习算法搭建的图像分析模型分析所述S2中获得的图像,反馈当前通过的根茎类农产品的缺陷类型和缺陷尺寸;
S4、指令发送,根据所述S3获得的所述缺陷类型和所述缺陷尺寸判断当前通过的根茎类农产品是否需要剔除,并向执行机构发送动作指令。
优选的,所述S2中的图像预处理包括:
S21、根据二分类算法识别图像中背景和所述根茎类农产品,并对像素点标记类别标签;
S22、将所述S21中的图像进行灰度处理,获得灰度图;
S23、对所述S22中灰度图进行图像开运算和中值滤波;
S24、将所述S23处理后的灰度图进行二值化处理。
优选的,在进行所述S21处理前,将所述S1获得的图像转换为HSV颜色模型。
优选的,所述S21中还包括根据所述类别标签对图像进行二值化处理。
优选的,所述S3中还包括,根据图像中所述根茎类农产品轮廓点空间关系计算形状曲率,并与设定阈值比较。
优选的,计算形状曲率包括以下步骤:
S31、对所述S24处理后的图像进行轮廓线提取;
S32、取所述S31中轮廓线上的多个点计算曲率。
优选的,所述S31中还包括图像旋转,根据椭圆拟合法确定根茎类农产品图像的旋转矩阵;通过旋转矩阵将所述根茎类农产品的图像旋转至水平。
优选的,所述S32中,在计算曲率前提取根茎类农产品图像中垂直和水平方向上的几何顶点;对所述几何顶点间的轮廓曲线采取步进式的方式计算最大曲率。
优选的,所述S1中的工业相机对所述根茎类农产品单次下落拍摄多幅图像,且每幅图像均进入后续步骤中。
优选的,所述S3中机器学习算法为Yolo算法;所述图像分析模型预先通过根茎类农产品缺陷图像库进行训练。
本发明的有益效果是:
本发明方法步骤简单,执行效率较高,依靠根茎农作物常见的跌落式输送机构,进行下落过程拍摄,可获得较为全面的图像,识别准确度高,具备较好的表面缺陷检测能力;进一步,结合形状曲率检测使缺陷检测更完善,有利于分拣质量的提高。
附图说明
图1为本发明具体实施例中方法流程图;
图2为本发明具体实施例中步骤S21的二值化图;
图3为本发明具体实施例中步骤S22的灰度图;
图4为本发明具体实施例中步骤S23的降噪灰度图;
图5为本发明具体实施例中步骤S24的二值化图;
图6为本发明具体实施例中步骤S24的反色二值化图;
图7为本发明具体实施例中步骤S31的水平旋转图;
图8为本发明具体实施例中步骤S31的轮廓图(边界图);
图9为本发明具体实施例中步骤S32的顶点标注图;
图10为本发明具体实施例中步骤S32的取点图;
图11为本发明具体实施例中曲率计算结果图;
图12为本发明具体实施例中尺寸计算效果图;
图13为本发明具体实施例中缺陷比对流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以助于理解本发明的内容。本发明中所使用的方法如无特殊规定,均为常规的方法;所使用的原料和装置,如无特殊规定,均为常规的市售产品。
本实施例中将通过单一品种的根茎类农产品(胡萝卜)为例进行说明,仅用于展示本发明方法步骤和对应结果,并不能理解为限制条件。
如图1所示,一种基于机器视觉的根茎类农产品缺陷检测方法,主要包括以下步骤:
S1、图像拍摄,根茎类农产品常见的运输机构中,一般存在跌落式运输机,即第一传输机构的出口与第二传输机构的入口存在垂直方向上的落差,如两个垂直位置不同的传送带组成的运输机,胡萝卜是在其中一条传送带上连续输送,当胡萝卜从较高处的传送带上掉落的时候会触发一个激光触发器,系统接收到信号会控制工业相机(CCD相机)进行拍摄,记录胡萝卜的表面图像。
S2、图像预处理,将S1中获得的图像进行预先处理;优选的,图像预处理包括:
S21、首先将图片从BGR色彩模型转成HSV色彩模型,这一步的目的是使图片更容易进行色彩分割,因为HSV在进行色彩分割时作用比较大;
再根据k均值聚类算法识别图像中胡萝卜(也就是前景)和非胡萝卜(也就是背景),将图片内容分成两类,并对像素点标记类别标签;根据类别标签对图像进行二值化处理,即分类完成后,每个像素都会有个类别标签,二分类即为0或1,这一步将标签为0的像素颜色设为黑色(0,0,0),标签为1的像素颜色设为白色(255,255,255);进一步,由于k均值聚类算法分类是不固定的,也就是说胡萝卜可能会分为A类,也可能分成B类,具体在后续步骤处理,当前步骤获得图像假定胡萝卜区域为黑色,背景为白色,效果如图2所示;
S22、将S21中的图像进行灰度处理,获得灰度图,如图3所示;
S23、对S22中灰度图进行图像开运算和中值滤波,作用是去除噪声,消除孤立的点,效果如图4所示;
S24、将S23处理后的灰度图进行二值化处理;这一步针对S21中分类不固定问题进行处理;其中,二值化处理后理想结果是胡萝卜区域为白色,背景为黑色,但本实施例中二值化后图像如图5所示,故需要增加一步判别过程:由于胡萝卜占图片的面积小于背景,所以可以统计图片中黑色和白色像素点各有多少,如果黑色多于白色,就说明分类是想要的结果;反之,就将黑色像素转换成白色,白色像素转换成黑色,获得如图6所示图像。
S3、图像分析,通过机器学习算法搭建的图像分析模型分析获得的图像,反馈当前通过的根茎类农产品的缺陷类型和缺陷尺寸;优选的,机器学习算法采用yolo的v5版目标检测算法,并使用TensorRT对GPU进行加速以提高吞吐量。相应的预先需要搭建训练集,通过选取胡萝卜缺陷图像集合,并对应将各缺陷进行目标标定,种类包括但不限于断裂、黑斑、分叉、水烂点、自然裂口、后天裂口、青头,形成有效的训练集,进而训练图像分析模型,最终通过S2中预处理前的图像进行识别判断,比对缺陷列表给出当前下落的胡萝卜是否有缺陷,及其缺陷类型。
优选的,根据S2中预处理后的图像进行轮廓点空间关系计算,以求得形状曲率,其包括以下步骤:
S31、首先对S24处理后的图像进行旋转;主要由于拍摄的胡萝卜图片位姿不确定,通过这步让胡萝卜在图片中整体呈水平状态,以便后面进行曲率计算,获取前景的步骤是:a.获取图片中的最长边界,如图8所示;b.将最长边界用椭圆拟合,获取图像绕椭圆中心旋转至水平的旋转矩阵;c.根据旋转矩阵对图片进行旋转,获得如图7所示效果图;
S32、取S31中轮廓线上的多个点计算曲率;首选,在计算曲率前提取胡萝卜图像中垂直和水平方向上的几何顶点,如图9中四个白圈标注处;以上四个顶点也可以判断胡萝卜在图片中成像是否完整,也就是判断获取的四个顶点是否在整张图片的边缘处,如果在边缘表示成像不完整,此时不对其进行后续计算;如果四个顶点只在胡萝卜图像的边缘,就进行后续计算,其中最左侧点和最右侧点之间轮廓边界上的点连成的曲线就是胡萝卜的上曲线和下曲线;然后对上曲线和下曲线上的点,每隔一定步长进行取点,取出的点连成的曲线用于计算曲率,如图10所示;最后,基于上曲线和下曲线,计算最大上曲率和最大下曲率,步骤是:从上、下曲线的起点开始,以一定步长取三个点,如图11所示,为A,B,C;分别求出AB、BC、AC的距离disAB,disBC,disAC;
求出圆周长(circumference):
circumference=(disAB+disAC+disBC)/2
求出面积(area):
求出ABC间曲率(curvature):
curvature=4*area/(disAB*disAC*disBC);
上述计算原理参考期刊《模式识别》第40卷,2007年7月第7期,第1911-1920页,“Shape Retrieval Using Triangle-Area Representation and Dynamic SpaceWarping”论文。
之后改变步长再求,通过步进式迭代法最终获得最大上曲率和最大下曲率。
进一步,以胡萝卜缺陷类型青头、黑斑为例,并非出现青头或黑斑就需要剔除,只有缺陷尺寸大于设定阈值才需要划归剔除行列,故要对具体类型的缺陷进行尺寸识别,通过缺陷边界内所占像素点数量,
并根据空间换算关系计算缺陷尺寸,带入后续步骤。
S4、指令发送,根据S3获得的缺陷类型和缺陷尺寸对照缺陷列表判断当前通过的胡萝卜是否需要剔除,并向执行机构发送动作指令,判断流程如图13所示。其中,本实施例中执行机构为设置于位置较低的传送带上的气动挡板,这样,当气动挡板收到剔除指令的时候会启动,并将下落的胡萝卜挡住,改变胡萝卜下落轨迹,使胡萝卜下落到传送带的剔除区;无剔除指令的时候,气动挡板处于关闭状态,胡萝卜正常下落到传送带继续前进,从而达到分拣的目的。
分拣合格的胡萝卜进入下一个输送环节时,同时进行整体尺寸记录,具体如图12所示,使用OpenCV的旋转边界矩阵将多边形的胡萝卜图像框起来,得到边界矩阵的长和宽(单位是像素)。再根据像素和物理尺寸的比例得到实际胡萝卜的尺寸;其中,像素和物理尺寸的比例是事先实验得到的,需要用相机拍一张已知物理尺寸的胡萝卜图片,然后看图片上胡萝卜的像素尺寸是多少,然后得到了这个比例,此后只要相机位置固定,此比例不变;相应的根据先验获得的尺寸换算关系可以作为S3中缺陷尺寸换算依据。
优选的,考虑到提升缺陷检测准确度,降低漏检情况,针对单根胡萝卜下落过程中拍摄多幅照片,以便完整或接近完整地获取单根胡萝卜表面图像,具体地,在下落处设置三个不同方位的工业相机,同时对下落的胡萝卜进行拍摄,得到三幅不同角度的照片,之后将每幅图像均带入后续步骤中验证,任意一副图像检测缺陷结果不满足,均向执行机构发送动作指令剔除该胡萝卜。或也可结合根茎类农产品特点,由于其跌落过程中会有翻滚现象,这是其他种类蔬菜或水果不具备的特点,故在S1中的拍摄过程中,设定工业相机对单次下落的胡萝卜拍摄多幅图像,具体拍摄策略可考虑间隔相同时间拍摄一次,这样也可获得较为完整的胡萝卜表面图像,后续处理如上所述。
在本发明的描述中,需要理解的是,术语“左”、“右”、“上”、“下”、“顶”、“底”、“前”、“后”、“内”、“外”、“背”、“中间”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具备特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
惟以上所述者,仅为本发明的具体实施例而已,当不能以此限定本发明实施的范围,故其等同组件的置换,或依本发明专利保护范围所作的等同变化与修改,皆应仍属本发明权利要求书涵盖之范畴。
Claims (8)
1.一种基于机器视觉的根茎类农产品缺陷检测方法,其特征在于,包括以下步骤:
S1、图像拍摄,根茎类农产品通过跌落式输送机运输,并在下落过程中通过工业相机拍摄所述根茎类农产品的表面图像;
S2、图像预处理,将S1中获得的图像进行预先处理;
S3、图像分析,通过机器学习算法搭建的图像分析模型分析所述S2中获得的图像,反馈当前通过的根茎类农产品的缺陷类型和缺陷尺寸;并基于根茎类农产品图像中根茎类农产品轮廓边界上的点连成的曲线,每隔一定步长进行取点,对取出的点连成的曲线进行最大曲率计算,将最大曲率与设定阈值进行对比,对最大曲率超过设定阈值的根茎类农产品进行剔除;
其中,所述最大曲率计算方法为:
在农产品图像轮廓边界连成的曲线上,以一定步长取三个点,为A,B,C;分别求出AB、BC、AC的距离disAB,disBC,disAC;
求出圆周长(circumference):
circumference=(disAB+disAC+disBC)/2
求出面积(area):
求出ABC间曲率(curvature):
curvature=4*area/(disAB*disAC*disBC);
S4、指令发送,根据所述S3获得的所述缺陷类型和所述缺陷尺寸判断当前通过的根茎类农产品是否需要剔除,并向执行机构发送动作指令。
2.根据权利要求1所述的一种基于机器视觉的根茎类农产品缺陷检测方法,其特征在于,所述S2中的图像预处理包括:
S21、根据二分类算法识别图像中背景和所述根茎类农产品,并对像素点标记类别标签;
S22、将所述S21中的图像进行灰度处理,获得灰度图;
S23、对所述S22中灰度图进行图像开运算和中值滤波;
S24、将所述S23处理后的灰度图进行二值化处理。
3.根据权利要求2所述的一种基于机器视觉的根茎类农产品缺陷检测方法,其特征在于,在进行所述S21处理前,将所述S1获得的图像转换为HSV颜色模型。
4.根据权利要求3所述的一种基于机器视觉的根茎类农产品缺陷检测方法,其特征在于,所述S21中还包括根据所述类别标签对图像进行二值化处理。
5.根据权利要求4所述的一种基于机器视觉的根茎类农产品缺陷检测方法,其特征在于,所述S31中还包括图像旋转,根据椭圆拟合法确定根茎类农产品图像的旋转矩阵;通过旋转矩阵将所述根茎类农产品的图像旋转至水平。
6.根据权利要求5所述的一种基于机器视觉的根茎类农产品缺陷检测方法,其特征在于,所述S32中,在计算曲率前提取根茎类农产品图像中垂直和水平方向上的几何顶点;对所述几何顶点间的轮廓曲线采取步进式的方式计算最大曲率。
7.根据权利要求1-6任一项所述的一种基于机器视觉的根茎类农产品缺陷检测方法,其特征在于,所述S1中的工业相机对所述根茎类农产品单次下落拍摄多幅图像,且每幅图像均进入后续步骤中。
8.根据权利要求1所述的一种基于机器视觉的根茎类农产品缺陷检测方法,其特征在于,所述S3中机器学习算法为Yolo算法;所述图像分析模型预先通过根茎类农产品缺陷图像库进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210008577.1A CN114354628B (zh) | 2022-01-05 | 2022-01-05 | 一种基于机器视觉的根茎类农产品缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210008577.1A CN114354628B (zh) | 2022-01-05 | 2022-01-05 | 一种基于机器视觉的根茎类农产品缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114354628A CN114354628A (zh) | 2022-04-15 |
CN114354628B true CN114354628B (zh) | 2023-10-27 |
Family
ID=81107402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210008577.1A Active CN114354628B (zh) | 2022-01-05 | 2022-01-05 | 一种基于机器视觉的根茎类农产品缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114354628B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5732147A (en) * | 1995-06-07 | 1998-03-24 | Agri-Tech, Inc. | Defective object inspection and separation system using image analysis and curvature transformation |
US5903341A (en) * | 1996-12-06 | 1999-05-11 | Ensco, Inc. | Produce grading and sorting system and method |
CN102680414A (zh) * | 2012-05-30 | 2012-09-19 | 华中农业大学 | 基于机器视觉的红提葡萄自动分级装置及其方法 |
CN103323457A (zh) * | 2013-05-20 | 2013-09-25 | 中国农业大学 | 水果外观缺陷实时在线检测系统及检测方法 |
CN106124511A (zh) * | 2016-05-24 | 2016-11-16 | 浙江大学 | 一种基于自适应亮度回归矫正的水果表面缺陷检测方法 |
KR20160140232A (ko) * | 2015-05-29 | 2016-12-07 | 조선대학교산학협력단 | 이미지 세분화 방법 |
CN109752391A (zh) * | 2018-12-25 | 2019-05-14 | 中国农业大学 | 一种基于机器视觉的胡萝卜表面缺陷识别量化方法 |
CN110596120A (zh) * | 2019-09-06 | 2019-12-20 | 深圳新视智科技术有限公司 | 玻璃边界缺陷检测方法、装置、终端及存储介质 |
CN111161237A (zh) * | 2019-12-27 | 2020-05-15 | 中山德著智能科技有限公司 | 一种果蔬表面质检方法及其储存介质、分拣装置 |
CN113569922A (zh) * | 2021-07-08 | 2021-10-29 | 陕西科技大学 | 一种苹果智能无损分拣的方法 |
CN113838034A (zh) * | 2021-09-27 | 2021-12-24 | 力度工业智能科技(苏州)有限公司 | 基于机器视觉的糖果包装表面缺陷快速检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11531317B2 (en) * | 2019-05-31 | 2022-12-20 | University Of Maryland, College Park | Automatic vision guided intelligent fruits and vegetables processing system and method |
-
2022
- 2022-01-05 CN CN202210008577.1A patent/CN114354628B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5732147A (en) * | 1995-06-07 | 1998-03-24 | Agri-Tech, Inc. | Defective object inspection and separation system using image analysis and curvature transformation |
US5903341A (en) * | 1996-12-06 | 1999-05-11 | Ensco, Inc. | Produce grading and sorting system and method |
CN102680414A (zh) * | 2012-05-30 | 2012-09-19 | 华中农业大学 | 基于机器视觉的红提葡萄自动分级装置及其方法 |
CN103323457A (zh) * | 2013-05-20 | 2013-09-25 | 中国农业大学 | 水果外观缺陷实时在线检测系统及检测方法 |
KR20160140232A (ko) * | 2015-05-29 | 2016-12-07 | 조선대학교산학협력단 | 이미지 세분화 방법 |
CN106124511A (zh) * | 2016-05-24 | 2016-11-16 | 浙江大学 | 一种基于自适应亮度回归矫正的水果表面缺陷检测方法 |
CN109752391A (zh) * | 2018-12-25 | 2019-05-14 | 中国农业大学 | 一种基于机器视觉的胡萝卜表面缺陷识别量化方法 |
CN110596120A (zh) * | 2019-09-06 | 2019-12-20 | 深圳新视智科技术有限公司 | 玻璃边界缺陷检测方法、装置、终端及存储介质 |
CN111161237A (zh) * | 2019-12-27 | 2020-05-15 | 中山德著智能科技有限公司 | 一种果蔬表面质检方法及其储存介质、分拣装置 |
CN113569922A (zh) * | 2021-07-08 | 2021-10-29 | 陕西科技大学 | 一种苹果智能无损分拣的方法 |
CN113838034A (zh) * | 2021-09-27 | 2021-12-24 | 力度工业智能科技(苏州)有限公司 | 基于机器视觉的糖果包装表面缺陷快速检测方法 |
Non-Patent Citations (2)
Title |
---|
A Fourier analysis based algorithm to separate touching kernels in digital images;H.K. Mebatsion;Biosystems Engineering;第108卷(第1期);66-74 * |
Shape retrieval using triangle-area representation and dynamic space warping;Naif Alajlan;Pattern Recognition;第40卷(第7期);1911-1920 * |
Also Published As
Publication number | Publication date |
---|---|
CN114354628A (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ireri et al. | A computer vision system for defect discrimination and grading in tomatoes using machine learning and image processing | |
Blasco et al. | Recognition and classification of external skin damage in citrus fruits using multispectral data and morphological features | |
Fan et al. | Real-time defects detection for apple sorting using NIR cameras with pruning-based YOLOV4 network | |
Laykin et al. | Image–processing algorithms for tomato classification | |
Sahu et al. | Defect identification and maturity detection of mango fruits using image analysis | |
Zhang et al. | Computer vision detection of defective apples using automatic lightness correction and weighted RVM classifier | |
Bennedsen et al. | Performance of a system for apple surface defect identification in near-infrared images | |
CN109002851B (zh) | 一种基于图像多特征融合的水果分类方法及应用 | |
Mhaski et al. | Determination of ripeness and grading of tomato using image analysis on Raspberry Pi | |
Zhang et al. | Computer vision recognition of stem and calyx in apples using near-infrared linear-array structured light and 3D reconstruction | |
Deng et al. | A carrot sorting system using machine vision technique | |
CN107505325B (zh) | 冬枣果实的全方位品质检测方法 | |
Abbas et al. | Automated sorting and grading of agricultural products based on image processing | |
Pavithra et al. | Machine vision based automatic sorting of cherry tomatoes | |
CN108613989A (zh) | 一种稻谷不完善粒的检测方法 | |
Ünal et al. | Classification of hazelnut kernels with deep learning | |
CN113222959B (zh) | 一种基于高光谱图像卷积神经网络的鲜枣虫眼检测方法 | |
CN110929787B (zh) | 一种基于图像的苹果客观定级系统 | |
Chopde et al. | Developments in computer vision system, focusing on its applications in quality inspection of fruits and vegetables-A review | |
Mohamed et al. | Development of a real-time machine vision prototype to detect external defects in some agricultural products | |
Hassoon | Classification and Diseases Identification of Mango Based on Artificial Intelligence: A Review | |
Aleixos et al. | Assessment of citrus fruit quality using a real-time machine vision system | |
Peterson et al. | Identifying apple surface defects using principal components analysis and artificial neural networks | |
CN114354628B (zh) | 一种基于机器视觉的根茎类农产品缺陷检测方法 | |
Septiarini et al. | Classifying the swallow nest quality using support vector machine based on computer vision |
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 |