CN114519820B - 一种基于机器视觉的柑橘筛选自动修正控制方法及系统 - Google Patents
一种基于机器视觉的柑橘筛选自动修正控制方法及系统 Download PDFInfo
- Publication number
- CN114519820B CN114519820B CN202210127934.6A CN202210127934A CN114519820B CN 114519820 B CN114519820 B CN 114519820B CN 202210127934 A CN202210127934 A CN 202210127934A CN 114519820 B CN114519820 B CN 114519820B
- Authority
- CN
- China
- Prior art keywords
- parameter
- sample
- citrus
- screening
- information
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请公开了一种基于机器视觉的柑橘筛选自动修正控制方法及系统,通过基于初步筛选参数,生成第一控制信息用于按照所述初步筛选参数进行柑橘初筛分类,得到初筛柑橘;对初筛柑橘进行随机样本提取,获得柑橘样本;对柑橘样本进行机器视觉评估,获得采样特征;将所述采样特征、初步筛选参数输入参数影响控制模型,获得参数修正信息;基于参数修正信息,生成第二控制信息。解决通过筛选设备进行柑橘自动筛选时存在筛选参数设定准确性低,影响柑橘筛选结果精准度的技术问题。达到了对筛选控制参数的自动修正,不断优化筛选参数,以提高控制参数设定的可靠性,使得设备筛选的结果与预期的筛选目标更加契合,保障了筛选结果准确性的技术效果。
Description
技术领域
本申请涉及自动控制技术领域,尤其涉及一种基于机器视觉的柑橘筛选自动修正控制方法及系统。
背景技术
随着控制技术的发展,工农业均采用自动化智能机器代替了人工操作,提高工作效率,机器的操作中主要靠输入参数的控制,参数的细微调整都回对结果产生影响。柑橘按照光泽度、大小、颜色等可以分为多种不同的等级,对于不同的等级对应了不同的营销方向和用途,如精品礼盒、零售业、加工果汁等,通过针对不同要求设定对应的筛选参数实现自动筛选,通过筛选后直接进行处理,存在筛选精准度不高的情况而影响分拣效果,为此会加入人工检验环节,以提高分拣结果的准确性,但其虽然分拣准确度提高但工作效率会受到影响。
发现上述技术至少存在如下技术问题:
现有技术中通过筛选设备进行柑橘自动筛选时存在筛选参数设定准确性低,影响柑橘筛选结果精准度的技术问题。
发明内容
本申请的目的是提供一种基于机器视觉的柑橘筛选自动修正控制方法及系统,用以解决现有技术中通过筛选设备进行柑橘自动筛选时存在筛选参数设定准确性低,影响柑橘筛选结果精准度的技术问题。达到了对筛选控制参数的自动修正,不断优化筛选参数,以提高控制参数设定的可靠性,使得设备筛选的结果与预期的筛选目标更加契合,保障了筛选结果的准确性的技术效果。
鉴于上述问题,本申请实施例提供了一种基于机器视觉的柑橘筛选自动修正控制方法及系统。
第一方面,本申请提供了一种基于机器视觉的柑橘筛选自动修正控制方法,所述方法包括:获得初步筛选参数;基于所述初步筛选参数,生成第一控制信息,所述第一控制信息用于按照所述初步筛选参数进行柑橘初筛分类,得到初筛柑橘;对所述初筛柑橘进行随机样本提取,获得柑橘样本;对所述柑橘样本进行机器视觉评估,获得采样特征;将所述采样特征、所述初步筛选参数输入参数影响控制模型,获得输出结果,所述输出结果包括参数修正信息;基于所述参数修正信息,生成第二控制信息,所述第二控制信息为修正控制信息。
另一方面,本申请还提供了一种基于机器视觉的柑橘筛选自动修正控制系统,用于执行如第一方面所述的一种基于机器视觉的柑橘筛选自动修正控制方法,所述系统包括:
第一获得单元,所述第一获得单元用于获得初步筛选参数;
第一执行单元,所述第一执行单元用于基于所述初步筛选参数,生成第一控制信息,所述第一控制信息用于按照所述初步筛选参数进行柑橘初筛分类,得到初筛柑橘;
第二获得单元,所述第二获得单元用于对所述初筛柑橘进行随机样本提取,获得柑橘样本;
第三获得单元,所述第三获得单元用于对所述柑橘样本进行机器视觉评估,获得采样特征;
第二执行单元,所述第二执行单元用于将所述采样特征、所述初步筛选参数输入参数影响控制模型,获得输出结果,所述输出结果包括参数修正信息;
第一修正单元,所述第一修正单元用于基于所述参数修正信息,生成第二控制信息,所述第二控制信息为修正控制信息。
第三方面,本申请还提供了一种基于机器视觉的柑橘筛选自动修正控制系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现上述第一方面所述方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面任一项所述的方法。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1.通过设定柑橘的初步筛选参数,如:颜色均匀度、外观缺陷、大小、形状规则度、重量、筛选时间等参数进行柑橘的初筛分类,通过随机采样进行机器视觉的采样结果抽检评估,根据抽检评估的数量进行输入参数影响控制模型进行初步筛选参数的自动化修正,达到了对筛选控制参数的自动修正,不断优化筛选参数,以提高控制参数设定的可靠性,使得设备筛选的结果与预期的筛选目标更加契合,保障了筛选结果的准确性的技术效果。
2.通过参数修正信息集合,获得参数修正信息的置信区间;基于所述参数修正信息的置信区间,获得预处理参数修正信息集;根据所述预处理参数修正信息集,获得协方差矩阵;对所述协方差矩阵进行运算,获得协方差矩阵的特征向量;将所述参数修正信息集合投影至所述特征向量,获得降维参数修正信息;利用所述降维参数修正信息进行均值计算,确定所述参数修正信息。达到了将高维度的数据映射到低维的空间内,使用较少数据维度而保留住较多的原数据点的特征,使降维后信息量损失最小,保证了其数据的精准度,将修正参数中的干扰数据进行降噪,以提高特征分析的可靠性,从而保障修正参数的修正方向的技术效果。
3.通过基于所述第二控制信息,获得更新柑橘样本;利用所述更新柑橘样本通过机器视觉评估,获得更新采样特征;基于所述更新采样特征通过所述参数影响控制模型进行参数自动修正,达到了不断对控制参数进行自动更新优化,使得设备筛选的结果与预期的筛选目标完全契合,筛选精准度高的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,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地介绍,显而易见地,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例的一种基于机器视觉的柑橘筛选自动修正控制方法的流程示意图;
图2为本申请实施例一种基于机器视觉的柑橘筛选自动修正控制系统的结构示意图;
图3为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第一执行单元12,第二获得单元13,第三获得单元14,第二执行单元15,第一修正单元16,总线300,接收器301,处理器302,发送器303,存储器304,总线接口305。
具体实施方式
本申请实施例通过提供一种基于机器视觉的柑橘筛选自动修正控制方法及系统,解决了现有技术中通过筛选设备进行柑橘自动筛选时存在筛选参数设定准确性低,影响柑橘筛选结果精准度的技术问题。
下面,将参考附图对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。基于本申请的实施例,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,都属于本申请保护的范围。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部。
本申请提供的技术方案总体思路如下:
通过设定柑橘的初步筛选参数,如:颜色均匀度、外观缺陷、大小、形状规则度、重量、筛选时间等参数进行柑橘的初筛分类,通过随机采样进行机器视觉的采样结果抽检评估,根据抽检评估的数量进行输入参数影响控制模型进行初步筛选参数的自动化修正,利用修正的控制参数对第一控制信息进行更新,得到修正后的第二控制信息控制筛选设备进行柑橘筛选。达到了对筛选控制参数的自动修正,不断优化筛选参数,以提高控制参数设定的可靠性,使得设备筛选的结果与预期的筛选目标更加契合,保障了筛选结果的准确性的技术效果。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
请参阅附图1,本申请实施例提供了一种基于机器视觉的柑橘筛选自动修正控制方法,所述方法包括:
步骤S100:获得初步筛选参数;
具体而言,初步筛选参数为设定的分拣要求,如颜色均匀度、外观缺陷、大小、形状规则度、重量、筛选时间等。
步骤S200:基于所述初步筛选参数,生成第一控制信息,所述第一控制信息用于按照所述初步筛选参数进行柑橘初筛分类,得到初筛柑橘;
进一步的,所述基于所述初步筛选参数,生成第一控制信息,包括:根据所述初步筛选参数,获得参数特征;基于所述参数特征进行数字化信号转换,获得筛选参数数字信号;根据所述筛选参数数字信号,生成所述第一控制信息。
具体而言,根据筛选分拣的要求进行数字化信号的转换,将具体的参数要求转换为数字型信号通过控制信号发送给具体的操作机器进行智能化处理。根据初步筛选参数中的具体要求,如颜色均匀度,转换为监测的参数信息,对柑橘进行边框像素的确定,在像素确定的边框内,颜色变化要小,保持颜色参数的稳定性,设定对应颜色的参数识别要求,符合颜色参数识别要求的则进行选取,不符合颜色参数识别要求的则进行筛除。利用筛选参数的具体数字化信号要求生成控制信息对筛选的机器进行现场动作的控制,实现柑橘的自动筛选操作。
步骤S300:对所述初筛柑橘进行随机样本提取,获得柑橘样本;
具体而言,根据第一控制信息进行筛选后会进行初筛的结果进行验证,通过随机选择抽检样本进行评估,是否满足筛选的要求。柑橘样本可以为一个也可以为多个,通常为了提高抽检结果的可靠性会选择多个抽检样本进行评估,因而柑橘样本中包括了多个样本。每组样本数量为相同的,根据预设的样本数量从通过筛选的柑橘中随机进行抽取,以确保样本评估的加过的参考性。在进行柑橘样本的提取中还可以设定抽取位置,通过多个位置和分区的抽取,以提高样本的范围覆盖率,能够全面对初步筛选的结果进行表征。
步骤S400:对所述柑橘样本进行机器视觉评估,获得采样特征;
进一步的,所述对所述柑橘样本进行机器视觉评估,获得采样特征,包括:通过图像采集设备对所述柑橘样本进行图像采集,获得样本图像信息;对所述样本图像信息进行特征提取,获得像素分布信息、亮度特征信息、颜色特征信息;根据所述像素分布信息、亮度特征信息、颜色特征信息,获得所述采样特征。
具体而言,利用机器视觉对选取的柑橘样本进行分析处理,评价初步筛选的柑橘是否达到了筛选的要求,利用机器视觉取代人工验证,应理解,机器视觉是人工智能一个分支,用机器代替人眼来做测量和判断,通过图像摄取装置,如CMOS、CCD,将被摄取目标转换成图像信号,传送给专用的图像处理系统,得到被摄目标的形态信息,图像系统对这些信号进行各种运算来抽取目标的特征,从而得到了验证和评估的结果。通过图像采集设备包括CMOS和CCD设备对选取的柑橘样本进行图像采集,得到柑橘样本多方位的图像信息,再利用图像分析系统对采集到的图像信息进行图像特征分析,像素分布、亮度、颜色等信息特征的分析处理,得到柑橘样本的图像特征信息,实现从图像信息到数字化信息的转换,利用转换的像素分布信息、亮度特征信息、颜色特征信息,组成采集特征,对柑橘样本的分拣结果进行描述。
步骤S500:将所述采样特征、所述初步筛选参数输入参数影响控制模型,获得输出结果,所述输出结果包括参数修正信息;
进一步的,所述将所述采样特征、所述初步筛选参数输入参数影响控制模型,获得输出结果,所述输出结果包括参数修正信息,包括:将所述采样特征与所述筛选参数特征进行匹配,构建参数特征映射关系;基于所述参数特征映射关系,获得参数差异性;根据所述参数差异性,获得修正参数;基于所述修正参数、所述参数差异性,获得所述参数修正信息。
具体而言,利用机器视觉进行抽样评估得到的采样特征与初步筛选参数中的要求进行对比分析,得到当前的初步筛选结果是否达到了初步筛选参数的要求利用分析比对的结果对参数进行自动修正。其中参数影响控制模型为通过大量训练数据经过训练收敛获得的,训练过程为机器学习过程,对历史数据采集特征、初步筛选参数之间的比较关系,和如何对应控制信号参数的转换规则进行学习,不断的修正后,利用训练数据的参数控制变化来作为验证的标准,当通过机器学习得到的参数影响控制模型能够利用输入的采集特征和筛选参数经过处理后,准确的到了训练数据给出的修正参数,则此时模型训练结果,利用参数影响控制模型实现了自动对控制参数进行修正输出的结果。在学习过程中构建起参数特征映射关系,利用采样特征与筛选参数特征之间的关系进行学习构建,对于不同的筛选参数均对应了一个或者多个采集特征进行对应描述,利用该采集特征的数字结果来反应是否达到了筛选参数的要求,对于没有满足的进行标记,利用历史数据中的参数改变逻辑关系能够实现该参数差异性的,则学习到其中的修正关系,对参数进行修正,输出参数修正信息。
步骤S600:基于所述参数修正信息,生成第二控制信息,所述第二控制信息为修正控制信息。
具体而言,利用参数修正信息中的控制参数的调整内容对应生成第二控制信息,从而完成了自动对参数的修正过程,按照修正优化的参数进行筛选设备自动控制,达到了对筛选控制参数的自动修正,不断优化筛选参数,以提高控制参数设定的可靠性,使得设备筛选的结果与预期的筛选目标更加契合,保障了筛选结果的准确性的技术效果。从而解决了现有技术中通过筛选设备进行柑橘自动筛选时存在筛选参数设定准确性低,影响柑橘筛选结果精准度的技术问题。
进一步的,所述对所述初筛柑橘进行随机样本提取,获得柑橘样本,包括:获得预设样本数量;根据所述预设样本数量从所述初筛柑橘中随机提取样本,获得第一样本、第二样本、直到第N样本;根据所述第一样本、第二样本、直到第N样本,获得所述柑橘样本,所述柑橘样本包括多组随机提取样本。
进一步的,所述方法还包括:分别对所述第一样本、第二样本、直到第N样本进行样本特征提取,获得多组采样特征;分别将所述多组采样特征作为输入数据通过参数影响控制模型进行参数修正分析,获得参数修正信息集合;根据所述参数修正信息集合,获得参数修正信息的置信区间;基于所述参数修正信息的置信区间,获得预处理参数修正信息集;根据所述预处理参数修正信息集,获得协方差矩阵;对所述协方差矩阵进行运算,获得协方差矩阵的特征向量;将所述参数修正信息集合投影至所述特征向量,获得降维参数修正信息;利用所述降维参数修正信息进行均值计算,确定所述参数修正信息,并生成所述第二控制信息。
具体而言,在进行控制参数的修正过程中,为了提高参数修正的准确性,通过多组柑橘样本进行特征采集,对应的进行参数的调整,对所有采集的特征、参数调整信息进行主成分分析,将其中的干扰数据进行降噪,以提高特征分析的可靠性,从而保障修正参数的修正方向的可靠性。对经过多次随机样本的抽取,构成多个样本,对每个样本进行机器视觉的采集特征分析,得到所有参数修正信息集合,对参数修正信息集合进行主成分分析,也可以对所有采集特征进行主成分分析,以实现对样本的降维处理,提高样本的可靠性同时降低运算处理量。利用参数修正信息集合进行置信区间的计算处理,确定参数修正信息集合数据的置信区间,确定预处理参数修正信息集,构建协方差矩阵进行协方差运算,得到协方差矩阵的特征值和特征向量,按照方差运算结果中的特征值大小进行排序,选取特征值排序靠前的一定量的特征值对应的特征向量,作为确定的特征向量,将原始数据转换到选定的一定量的特征向量构建的新空间中,从而完成了数据降维处理,将高维度的数据映射到低维的空间内,使用较少数据维度而保留住较多的原数据点的特征,使降维后信息量损失最小,保证了其数据的精准度。
进一步的,所述方法还包括:基于所述第二控制信息,获得更新柑橘样本;利用所述更新柑橘样本通过机器视觉评估,获得更新采样特征;基于所述更新采样特征通过所述参数影响控制模型进行参数自动修正。
具体而言,利用修正后的数据进行筛选处理后,对筛选结果继续进行采样,更新柑橘样本即在修正后的控制指令下进行随机抽样的样本信息,通过机器视觉对更新柑橘样本进行特征分析和采集,继续进行修正,直到修正结果满足了筛选要求为止,输出的修正信息达到了不需要进行修正的结果时,则利用该控制参数进行控制,达到了不断对控制参数进行自动更新优化,使得设备筛选的结果与预期的筛选目标完全契合,筛选精准度高的技术效果。
综上,本申请实施例具有如下技术效果:
1.通过设定柑橘的初步筛选参数,如:颜色均匀度、外观缺陷、大小、形状规则度、重量、筛选时间等参数进行柑橘的初筛分类,通过随机采样进行机器视觉的采样结果抽检评估,根据抽检评估的数量进行输入参数影响控制模型进行初步筛选参数的自动化修正,达到了对筛选控制参数的自动修正,不断优化筛选参数,以提高控制参数设定的可靠性,使得设备筛选的结果与预期的筛选目标更加契合,保障了筛选结果的准确性的技术效果。
2.通过参数修正信息集合,获得参数修正信息的置信区间;基于所述参数修正信息的置信区间,获得预处理参数修正信息集;根据所述预处理参数修正信息集,获得协方差矩阵;对所述协方差矩阵进行运算,获得协方差矩阵的特征向量;将所述参数修正信息集合投影至所述特征向量,获得降维参数修正信息;利用所述降维参数修正信息进行均值计算,确定所述参数修正信息。达到了将高维度的数据映射到低维的空间内,使用较少数据维度而保留住较多的原数据点的特征,使降维后信息量损失最小,保证了其数据的精准度,将修正参数中的干扰数据进行降噪,以提高特征分析的可靠性,从而保障修正参数的修正方向的技术效果。
3.通过基于所述第二控制信息,获得更新柑橘样本;利用所述更新柑橘样本通过机器视觉评估,获得更新采样特征;基于所述更新采样特征通过所述参数影响控制模型进行参数自动修正,达到了不断对控制参数进行自动更新优化,使得设备筛选的结果与预期的筛选目标完全契合,筛选精准度高的技术效果。
实施例二
基于与前述实施例中一种基于机器视觉的柑橘筛选自动修正控制方法,同样发明构思,本发明还提供了一种基于机器视觉的柑橘筛选自动修正控制系统,请参阅附图2,所述系统包括:
第一获得单元11,所述第一获得单元11用于获得初步筛选参数;
第一执行单元12,所述第一执行单元12用于基于所述初步筛选参数,生成第一控制信息,所述第一控制信息用于按照所述初步筛选参数进行柑橘初筛分类,得到初筛柑橘;
第二获得单元13,所述第二获得单元13用于对所述初筛柑橘进行随机样本提取,获得柑橘样本;
第三获得单元14,所述第三获得单元14用于对所述柑橘样本进行机器视觉评估,获得采样特征;
第二执行单元15,所述第二执行单元15用于将所述采样特征、所述初步筛选参数输入参数影响控制模型,获得输出结果,所述输出结果包括参数修正信息;
第一修正单元16,所述第一修正单元16用于基于所述参数修正信息,生成第二控制信息,所述第二控制信息为修正控制信息。
进一步的,所述系统还包括:
第四获得单元,所述第四获得单元用于获得预设样本数量;
第五获得单元,所述第五获得单元用于根据所述预设样本数量从所述初筛柑橘中随机提取样本,获得第一样本、第二样本、直到第N样本,其中,N为正整数;
第六获得单元,所述第六获得单元用于根据所述第一样本、第二样本、直到第N样本,获得所述柑橘样本,所述柑橘样本包括多组随机提取样本。
进一步的,所述系统还包括:
第七获得单元,所述第七获得单元用于通过图像采集设备对所述柑橘样本进行图像采集,获得样本图像信息;
第八获得单元,所述第八获得单元用于对所述样本图像信息进行特征提取,获得像素分布信息、亮度特征信息、颜色特征信息;
第九获得单元,所述第九获得单元用于根据所述像素分布信息、亮度特征信息、颜色特征信息,获得所述采样特征。
进一步的,所述系统还包括:
第一构建单元,所述第一构建单元用于将所述采样特征与所述筛选参数特征进行匹配,构建参数特征映射关系;
第十获得单元,所述第十获得单元用于基于所述参数特征映射关系,获得参数差异性;
第十一获得单元,所述第十一获得单元用于根据所述参数差异性,获得修正参数;
第十二获得单元,所述第十二获得单元用于基于所述修正参数、所述参数差异性,获得所述参数修正信息。
进一步的,所述系统还包括:
第十三获得单元,所述第十三获得单元用于根据所述初步筛选参数,获得参数特征;
第十四获得单元,所述第十四获得单元用于基于所述参数特征进行数字化信号转换,获得筛选参数数字信号;
第一生成单元,所述第一生成单元用于根据所述筛选参数数字信号,生成所述第一控制信息。
进一步的,所述系统还包括:
第十五获得单元,所述第十五获得单元用于分别对所述第一样本、第二样本、直到第N样本进行样本特征提取,获得多组采样特征;
第十六获得单元,所述第十六获得单元用于分别将所述多组采样特征作为输入数据通过参数影响控制模型进行参数修正分析,获得参数修正信息集合;
第十七获得单元,所述第十七获得单元用于根据所述参数修正信息集合,获得参数修正信息的置信区间;
第十八获得单元,所述第十八获得单元用于基于所述参数修正信息的置信区间,获得预处理参数修正信息集;
第十九获得单元,所述第十九获得单元用于根据所述预处理参数修正信息集,获得协方差矩阵;
第二十获得单元,所述第二十获得单元用于对所述协方差矩阵进行运算,获得协方差矩阵的特征向量;
第二十一获得单元,所述第二十一获得单元用于将所述参数修正信息集合投影至所述特征向量,获得降维参数修正信息;
第三执行单元,所述第三执行单元用于利用所述降维参数修正信息进行均值计算,确定所述参数修正信息,并生成所述第二控制信息。
进一步的,所述系统还包括:
第二十二获得单元,所述第二十二获得单元用于基于所述第二控制信息,获得更新柑橘样本;
第二十三获得单元,所述第二十三获得单元用于利用所述更新柑橘样本通过机器视觉评估,获得更新采样特征;
第二修正单元,所述第二修正单元用于基于所述更新采样特征通过所述参数影响控制模型进行参数自动修正。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是预期他实施例的不同之处,前述图1实施例一中的一种基于机器视觉的柑橘筛选自动修正控制方法和具体实例同样适用于本实施例的一种基于机器视觉的柑橘筛选自动修正控制系统,通过前述对一种基于机器视觉的柑橘筛选自动修正控制方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于机器视觉的柑橘筛选自动修正控制系统,所以为了说明书的简洁,在此不再详述。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
示例性电子设备
下面参考图3来描述本申请实施例的电子设备。
图3图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种基于机器视觉的柑橘筛选自动修正控制方法的发明构思,本发明还提供一种基于机器视觉的柑橘筛选自动修正控制系统,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种基于机器视觉的柑橘筛选自动修正控制方法的任一方法的步骤。
其中,在图3中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。
处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
综上,本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请提供了一种基于机器视觉的柑橘筛选自动修正控制方法及系统,通过获得初步筛选参数如:颜色均匀度、外观缺陷、大小、形状规则度、重量、筛选时间等参数,生成第一控制信息进行柑橘的初筛分类,得到初筛柑橘;对所述初筛柑橘进行随机样本提取,获得柑橘样本;对所述柑橘样本进行机器视觉评估,获得采样特征;将所述采样特征、所述初步筛选参数输入参数影响控制模型,获得输出结果,所述输出结果包括参数修正信息;基于所述参数修正信息,生成第二控制信息,所述第二控制信息为修正控制信息。达到了对筛选控制参数的自动修正,不断优化筛选参数,以提高控制参数设定的可靠性,使得设备筛选的结果与预期的筛选目标更加契合,保障了筛选结果的准确性的技术效果。从而解决了现有技术中通过筛选设备进行柑橘自动筛选时存在筛选参数设定准确性低,影响柑橘筛选结果精准度的技术问题。
从而解决了现有技术中缺乏针对企业特征进行符合大环境转型要素的转型决策分析,存在转型策略与企业状态不符而造成转型失败的技术问题。
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、装置、或计算机程序产品。因此,本申请可采用完全软件实施例、完全硬件实施例、或结合软件和硬件方面实施例的形式。此外,本申请为可以在一个或多个包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。而所述的计算机可用存储介质包括但不限于:U盘、移动硬盘、只读存储器(Read-0nly Memory,简称ROM)、随机存取存储器(Random AccessMemory,简称RAM)、磁盘存储器、只读光盘(Compact Disc Read-Only Memory,简称CD-ROM)、光学存储器等各种可以存储程序代码的介质。
本发明是参照本发明实施例的方法、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数据处理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数据处理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系统。
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数据处理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系统的制造品,该指令系统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数据处理设备上,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。尽管已描述了本发明的优选实施例,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。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于机器视觉的柑橘筛选自动修正控制方法,其特征在于,所述方法包括:
获得初步筛选参数;
基于所述初步筛选参数,生成第一控制信息,所述第一控制信息用于按照所述初步筛选参数进行柑橘初筛分类,得到初筛柑橘;
对所述初筛柑橘进行随机样本提取,获得柑橘样本;
对所述柑橘样本进行机器视觉评估,获得采样特征;
将所述采样特征、所述初步筛选参数输入参数影响控制模型,获得输出结果,所述输出结果包括参数修正信息;
基于所述参数修正信息,生成第二控制信息,所述第二控制信息为修正控制信息;
其中,所述对所述初筛柑橘进行随机样本提取,获得柑橘样本,包括:
获得预设样本数量;
根据所述预设样本数量从所述初筛柑橘中随机提取样本,获得第一样本、第二样本、直到第N样本,其中,N为正整数;
根据所述第一样本、第二样本、直到第N样本,获得所述柑橘样本,所述柑橘样本包括多组随机提取样本;
所述方法还包括:分别对所述第一样本、第二样本、直到第N样本进行样本特征提取,获得多组采样特征;
分别将所述多组采样特征作为输入数据通过参数影响控制模型进行参数修正分析,获得参数修正信息集合;
根据所述参数修正信息集合,获得参数修正信息的置信区间;
基于所述参数修正信息的置信区间,获得预处理参数修正信息集;
根据所述预处理参数修正信息集,获得协方差矩阵;
对所述协方差矩阵进行运算,获得协方差矩阵的特征向量;
将所述参数修正信息集合投影至所述特征向量,获得降维参数修正信息;
利用所述降维参数修正信息进行均值计算,确定所述参数修正信息,并生成所述第二控制信息。
2.如权利要求1所述的方法,其特征在于,所述对所述柑橘样本进行机器视觉评估,获得采样特征,包括:
通过图像采集设备对所述柑橘样本进行图像采集,获得样本图像信息;
对所述样本图像信息进行特征提取,获得像素分布信息、亮度特征信息、颜色特征信息;
根据所述像素分布信息、亮度特征信息、颜色特征信息,获得所述采样特征。
3.如权利要求2所述的方法,其特征在于,所述将所述采样特征、所述初步筛选参数输入参数影响控制模型,获得输出结果,所述输出结果包括参数修正信息,包括:
将所述采样特征与筛选参数特征进行匹配,构建参数特征映射关系;
基于所述参数特征映射关系,获得参数差异性;
根据所述参数差异性,获得修正参数;
基于所述修正参数、所述参数差异性,获得所述参数修正信息。
4.如权利要求1所述的方法,其特征在于,所述基于所述初步筛选参数,生成第一控制信息,包括:
根据所述初步筛选参数,获得参数特征;
基于所述参数特征进行数字化信号转换,获得筛选参数数字信号;
根据所述筛选参数数字信号,生成所述第一控制信息。
5.如权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述第二控制信息,获得更新柑橘样本;
利用所述更新柑橘样本通过机器视觉评估,获得更新采样特征;
基于所述更新采样特征通过所述参数影响控制模型进行参数自动修正。
6.一种基于机器视觉的柑橘筛选自动修正控制系统,其特征在于,所述系统包括:
第一获得单元,所述第一获得单元用于获得初步筛选参数;
第一执行单元,所述第一执行单元用于基于所述初步筛选参数,生成第一控制信息,所述第一控制信息用于按照所述初步筛选参数进行柑橘初筛分类,得到初筛柑橘;
第二获得单元,所述第二获得单元用于对所述初筛柑橘进行随机样本提取,获得柑橘样本;
第三获得单元,所述第三获得单元用于对所述柑橘样本进行机器视觉评估,获得采样特征;
第二执行单元,所述第二执行单元用于将所述采样特征、所述初步筛选参数输入参数影响控制模型,获得输出结果,所述输出结果包括参数修正信息;
第一修正单元,所述第一修正单元用于基于所述参数修正信息,生成第二控制信息,所述第二控制信息为修正控制信息;
第四获得单元,所述第四获得单元用于获得预设样本数量;
第五获得单元,所述第五获得单元用于根据所述预设样本数量从所述初筛柑橘中随机提取样本,获得第一样本、第二样本、直到第N样本,其中,N为正整数;
第六获得单元,所述第六获得单元用于根据所述第一样本、第二样本、直到第N样本,获得所述柑橘样本,所述柑橘样本包括多组随机提取样本;
第十五获得单元,所述第十五获得单元用于分别对所述第一样本、第二样本、直到第N样本进行样本特征提取,获得多组采样特征;
第十六获得单元,所述第十六获得单元用于分别将所述多组采样特征作为输入数据通过参数影响控制模型进行参数修正分析,获得参数修正信息集合;
第十七获得单元,所述第十七获得单元用于根据所述参数修正信息集合,获得参数修正信息的置信区间;
第十八获得单元,所述第十八获得单元用于基于所述参数修正信息的置信区间,获得预处理参数修正信息集;
第十九获得单元,所述第十九获得单元用于根据所述预处理参数修正信息集,获得协方差矩阵;
第二十获得单元,所述第二十获得单元用于对所述协方差矩阵进行运算,获得协方差矩阵的特征向量;
第二十一获得单元,所述第二十一获得单元用于将所述参数修正信息集合投影至所述特征向量,获得降维参数修正信息;
第三执行单元,所述第三执行单元用于利用所述降维参数修正信息进行均值计算,确定所述参数修正信息,并生成所述第二控制信息。
7.一种基于机器视觉的柑橘筛选自动修正控制系统,包括存储器、处理器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,所述处理器执行所述程序时实现权利要求1-5任一项所述方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210127934.6A CN114519820B (zh) | 2022-02-11 | 2022-02-11 | 一种基于机器视觉的柑橘筛选自动修正控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210127934.6A CN114519820B (zh) | 2022-02-11 | 2022-02-11 | 一种基于机器视觉的柑橘筛选自动修正控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114519820A CN114519820A (zh) | 2022-05-20 |
CN114519820B true CN114519820B (zh) | 2023-05-16 |
Family
ID=81595959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210127934.6A Active CN114519820B (zh) | 2022-02-11 | 2022-02-11 | 一种基于机器视觉的柑橘筛选自动修正控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114519820B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112903602A (zh) * | 2021-01-22 | 2021-06-04 | 北京工商大学 | 基于机器学习和高光谱成像的多种类柑橘病叶识别方法及系统 |
CN113298429A (zh) * | 2021-06-21 | 2021-08-24 | 柳州市索创智能科技有限公司 | 一种自动化生产线的智能模拟评估方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339185B (zh) * | 2008-06-23 | 2011-03-02 | 武汉呵尔医疗科技发展有限公司 | 用于脱落细胞检测的自动显微成像仪及检测方法 |
CN108445444B (zh) * | 2018-03-09 | 2020-05-05 | 中国人民解放军战略支援部队信息工程大学 | 修正容积卡尔曼滤波直接定位方法 |
CN113406682B (zh) * | 2021-06-22 | 2024-03-12 | 腾讯科技(深圳)有限公司 | 一种定位方法、装置、电子设备及存储介质 |
CN113342799B (zh) * | 2021-08-09 | 2021-12-21 | 明品云(北京)数据科技有限公司 | 一种数据修正方法及系统 |
-
2022
- 2022-02-11 CN CN202210127934.6A patent/CN114519820B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112903602A (zh) * | 2021-01-22 | 2021-06-04 | 北京工商大学 | 基于机器学习和高光谱成像的多种类柑橘病叶识别方法及系统 |
CN113298429A (zh) * | 2021-06-21 | 2021-08-24 | 柳州市索创智能科技有限公司 | 一种自动化生产线的智能模拟评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114519820A (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aquino et al. | vitisBerry: An Android-smartphone application to early evaluate the number of grapevine berries by means of image analysis | |
JP5458905B2 (ja) | 画像におけるシャドーの検知装置および検知方法 | |
Aquino et al. | A new methodology for estimating the grapevine-berry number per cluster using image analysis | |
CN104598908B (zh) | 一种农作物叶部病害识别方法 | |
CN107516103B (zh) | 一种影像分类方法和系统 | |
CN111695633A (zh) | 基于rpf-cam的低照度目标检测方法 | |
Cointault et al. | In‐field Triticum aestivum ear counting using colour‐texture image analysis | |
Alipasandi et al. | Classification of three varieties of peach fruit using artificial neural network assisted with image processing techniques. | |
CN109872326B (zh) | 基于深度强化网络跳跃连接的轮廓检测方法 | |
Suksawat et al. | Pineapple quality grading using image processing and fuzzy logic based on Thai Agriculture Standards | |
CN113920378B (zh) | 基于注意力机制的柴胡种子识别方法 | |
CN108665450A (zh) | 一种玉米果穗机械损伤区域识别方法 | |
CN109934835B (zh) | 基于深度强化网络邻接连接的轮廓检测方法 | |
CN114519820B (zh) | 一种基于机器视觉的柑橘筛选自动修正控制方法及系统 | |
Pandit et al. | Vision system for automatic counting of silkworm eggs | |
CN116563293B (zh) | 一种基于机器视觉的光伏载具生产质量检测方法及系统 | |
US11922680B2 (en) | Image determination device, image determination method, and non-transitory computer readable medium storing program | |
JP2023508641A (ja) | データ増強基盤事物分析モデル学習装置及び方法 | |
JP7362924B2 (ja) | データ増強基盤空間分析モデル学習装置及び方法 | |
Yang et al. | Cherry recognition based on color channel transform | |
CN103927544A (zh) | 皮棉轧工质量的机器视觉分级方法 | |
CN111476253B (zh) | 服装图像分类、图像分类方法、装置及设备 | |
CN114004463A (zh) | 一种可视化智慧农业大数据分析管理系统及方法 | |
Abhyankar et al. | Spatial domain decision based image fusion using superimposition | |
CN107516305A (zh) | 批量源图像降模糊程度处理方法 |
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 |