CN114627469A - 一种水果状态无损识别方法 - Google Patents
一种水果状态无损识别方法 Download PDFInfo
- Publication number
- CN114627469A CN114627469A CN202210525324.1A CN202210525324A CN114627469A CN 114627469 A CN114627469 A CN 114627469A CN 202210525324 A CN202210525324 A CN 202210525324A CN 114627469 A CN114627469 A CN 114627469A
- Authority
- CN
- China
- Prior art keywords
- fruit
- internal
- damage
- appearance
- detection model
- 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
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65C—LABELLING OR TAGGING MACHINES, APPARATUS, OR PROCESSES
- B65C9/00—Details of labelling machines or apparatus
- B65C9/20—Gluing the labels or articles
- B65C9/22—Gluing the labels or articles by wetting, e.g. by applying liquid glue or a liquid to a dry glue coating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65C—LABELLING OR TAGGING MACHINES, APPARATUS, OR PROCESSES
- B65C9/00—Details of labelling machines or apparatus
- B65C9/26—Devices for applying labels
- B65C9/36—Wipers; Pressers
-
- 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
- G06F18/24—Classification techniques
-
- 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
Abstract
本申请提供一种水果状态无损识别方法,包括以下步骤:获取水果的视觉图像;根据视觉图像,识别水果的外观损伤类型;外观损伤类型包括外观有损和外观无损;获取外观无损的水果的X射线图像;根据X射线图像,识别水果的内部损伤类型;内部损伤类型包括内部有损和内部无损;根据内部有损的水果的X射线图像,识别水果的具体损伤类型;具体损伤类型包括内部碰伤和内部木栓。通过上述步骤,使得提高了检测识别的可靠性,避免了冗杂的计算量的介入,进而提高了检测效率,避免计算资源占用量大,也便于对识别后的水果状态进行分类处理。
Description
技术领域
本公开一般涉及水果状态无损识别技术领域,具体涉及一种水果状态无损识别方法。
背景技术
随着当今世界的经济发展,人们生活质量的提高,消费者对水果品质的要求也愈来愈高,因此需要对水果进行损伤检测,满足不同消费者的需求。无损检测技术为实现这些需求提供了一种省时省力、高效、无损和无污染的检测手段。
现有技术中,通常通过建立无损检测模型,以“横向”检测方式对待检测水果的所有损伤类型,即一个无损检测模型即可检测待检测水果的所有损伤类型;这种“横向”检测方式下,导致对无损检测模型的要求较高,需要较大数据量的训练集样本支持,而训练过程或识别过程也由于数据量较大,使得计算过程复杂且冗余,效率较低。同时输出待检测水果的所有损伤类型后也不利于分级分类。
发明内容
鉴于现有技术中的上述缺陷或不足,期望提供一种可解决上述技术问题的一种水果状态无损识别方法。
本申请提供一种水果状态无损识别方法,包括以下步骤:
s1:获取水果的视觉图像;
s2:根据所述视觉图像,识别水果的外观损伤类型;所述外观损伤类型包括外观有损和外观无损;
s3:获取所述外观无损的水果的X射线图像;
s4:根据所述X射线图像,识别水果的内部损伤类型;所述内部损伤类型包括内部有损和内部无损;
s5:根据内部有损的水果的X射线图像,识别水果的具体损伤类型;所述具体损伤类型包括内部碰伤和内部木栓。
根据本申请实施例提供的技术方案,根据所述视觉图像,识别水果的外观损伤类型的方法为:
获取第一数据集,将所述第一数据集分为第一训练集和第一测试集;所述第一数据集包括外观有损和外观无损的视觉样本图像;
基于第一卷积神经网络构建外观检测模型;
以第一训练集和第一测试集对所述外观检测模型进行训练和测试,得到训练后的外观检测模型;
将步骤s1中得到的视觉图像输入至所述训练后的外观检测模型中,输出所述水果的外观损伤类型。
根据本申请实施例提供的技术方案,根据所述X射线图像,识别水果的内部损伤类型的方法为:
获取第二数据集,将所述第二数据集分为第二训练集和第二测试集;所述第二数据集包括内部有损和内部无损的三通道X射线图像;
基于第二卷积神经网络构建内部损伤预检测模型;
以第二训练集和第二测试集对所述内部损伤预检测模型进行训练和测试,得到训练后的内部损伤预检测模型;
将步骤s3中的X射线图像由单通道调整为三通道并输入至训练后的内部损伤预检测模型中,输出所述水果的内部损伤类型。
根据本申请实施例提供的技术方案,根据内部有损的水果的X射线图像,识别水果的具体损伤类型的方法为:
获取第三数据集,将所述第三数据集分为第三训练集和第三测试集;所述第三数据集包括内部碰伤和内部木栓的单通道X射线图像;
基于第三卷积神经网络构建内部损伤深度检测模型;
以第三训练集和第三测试集对所述内部损伤深度检测模型进行训练和测试,得到训练后的内部损伤深度检测模型;
将内部有损的水果的X射线图像由三通道调整为单通道并输入至内部损伤深度检测模型中,输出所述水果的具体损伤类型。
根据本申请实施例提供的技术方案,将X射线图像由单通道调整为三通道之前,还包括:对所述X射线图像进行灰度梯度重构。
根据本申请实施例提供的技术方案,将外观有损的水果信息存入至外观有损标签数据库中;将内部碰伤的水果信息存入至内部碰伤标签数据库中;将内部木栓的水果信息存入至内部木栓标签数据库中;将外观无损且内部无损的水果信息存入至无损标签数据库中。
根据本申请实施例提供的技术方案,所述水果为梨子;所述水果状态无损识别方法还包括以下步骤:
将具有相同损伤状态的梨子放入至卡板中,所述卡板上排列设有若干个放置孔,所述梨子的果柄朝下的放置在所述放置孔内;所述损伤状态包括外观有损状态、内部碰伤状态、内部木栓状态以及无损状态;
将所述卡板放置在传送装置上,所述传送装置用于带动所述卡板沿水平方向运动;
通过贴标装置对所述梨子的果柄贴附标识;
其中,所述贴标装置包括:
胶水池,所述胶水池设置在所述传送装置下方,所述胶水池内沿竖直方向可升降安装有涂胶杆;
纸筒,所述纸筒套设于所述涂胶杆上,所述标识设置在所述纸筒外侧壁上;
纸筒夹持机构,所述纸筒夹持机构安装在所述胶水池上,用于夹持所述纸筒的顶端;
驱动机构,所述驱动机构用于驱动所述纸筒夹持机构沿竖直方向运动,以使所述纸筒套设于所述果柄上;
挤压机构,所述挤压机构用于挤压所述纸筒,以使所述纸筒与所述果柄胶粘固定。
根据本申请实施例提供的技术方案,所述纸筒夹持机构具有沿水平设置且用于放置所述纸筒的环形夹持件,所述纸筒顶部边缘向外延伸形成限位边沿,所述限位边沿用于与环形夹持件顶面抵接。
根据本申请实施例提供的技术方案,所述第一卷积神经网络为VGG-16卷积神经网络;所述VGG-16卷积神经网络具有全局平均池化层,第二层全连接层以及第三层全连接层;所述第二层全连接层的神经元数量设定为1024,所述第三层全连接层的神经元数量设定为2。
根据本申请实施例提供的技术方案,所述第二卷积神经网络为VGG-16、Resnet-18、Resnet-50、Resnet-101、Inception-resnet-v2、Alexnet、Xception中的一种;
所述第三卷积神经网络为VGG-16、Resnet-18、Resnet-50、Resnet-101、Inception-resnet-v2、Alexnet、Xception中的一种。
本申请的有益效果在于:通过获取水果的视觉图像,识别水果的外观损伤类型为外观有损还是外观无损;仅获取外观无损的水果的X射线图像,并基于该X射线图像判断该外观无损的水果内部有无损伤;根据内部有损的水果的X摄像图像,识别其具体损伤类型为内部碰伤还是内部木栓。使得基于逐步二分设计思路,对水果的损伤状态进行“纵向”的分步检测,以避免现有技术中“横向”检测方式下由于冗杂的计算量的介入,有效降低了计算的复杂程度,进而提高了检测效率,避免计算资源占用量大,也便于对识别后的水果状态进行分类处理。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1为本申请提供的一种水果状态无损识别方法的流程图;
图2为内部无损的梨子的X射线图像;
图3为内部木栓的梨子的X射线图像;
图4为内部碰伤的梨子的X射线图像;
图5为第一卷积神经网络的训练与测试结果的示意图;
图6为第二卷积神经网络的训练与测试结果的示意图;
图7为第三卷积神经网络的训练与测试结果的示意图;
图8为所述涂胶杆42移动至胶水池41内的结构示意图;
图9为所述涂胶杆42移动至纸筒43内的结构示意图;
图10为所述环形夹持件44带动所述纸筒43套设于果柄1上的结构示意图;
图11为所述传送装置3的侧视结构示意图;
图12为图8所示传送装置3的俯视结构示意图。
图中标号:
1、果柄;2、卡板;22、放置孔;3、传送装置;41、胶水池;42、涂胶杆;43、纸筒;44、环形夹持件;45、支架;46、安装板;47、压紧块。51、第一气缸;52、第二气缸;53、第三气缸。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
实施例1
请参考图1为本申请提供的一种水果状态无损识别方法,包括以下步骤:
s1:获取水果的视觉图像;
s2:根据所述视觉图像,识别水果的外观损伤类型;所述外观损伤类型包括外观有损和外观无损;
s3:获取所述外观无损的水果的X射线图像;
s4:根据所述X射线图像,识别水果的内部损伤类型;所述内部损伤类型包括内部有损和内部无损;
s5:根据内部有损的水果的X射线图像,识别水果的具体损伤类型;所述具体损伤类型包括内部碰伤和内部木栓。
具体的,获取水果的视觉图像的方法可以采用相机拍摄;所述视觉图像为三通道视觉图像,其像素大小为3023*4032*3;
具体的,所述水果的视觉图像拍摄角度有四个,分别为沿水平方向的左右两个角度,以及沿竖直方向的上下两个角度;
具体的,所述X射线图像可通过X射线探测器拍照、采集得到;所述X射线图像为单通道X射线图像,其像素大小为1000*1000*1;以所述水果为梨子为例,内部无损的X射线图像如图2所示,内部碰伤的X射线图像如图3所示,内部木栓的X射线图像如图4所示。
具体的,X射线探测器的管电压为140KV,X射线图像采集来自水平交叉两个角度。
具体的,在一些实施例中所述水果例如可以为梨子;在另一些实施例中,所述水果还可以为其他水果,例如苹果,桃子等。
本申请的发明构思为:基于逐步二分设计思路,对水果的损伤状态进行“纵向”的分步检测,以避免现有技术中“横向”检测方式下由于冗杂的计算量的介入,使得检测效率低,计算资源占用量大的缺陷;也便于对识别后的水果状态进行分类处理;
本申请中,首先通过水果的视觉图像,识别水果的外观损伤类型为外观有损还是外观无损;其次仅获取外观无损的水果的X射线图像,并基于该X射线图像判断该外观无损的水果内部有无损伤;最后根据内部有损的水果的X摄像图像,识别其具体损伤类型为内部碰伤还是内部木栓。这种方式下:
1、采用分步识别的方式即通过三步识别,每一步均输出两种确定结果,每一步的输入由上一步的输出决定;由此减少了计算量,提高了识别效率;例如:仅获取外观无损水果的X射线图像,并判断其内部有无损伤,该过程计算复杂程度较低;而在此基础上,仅获取外观无损且内部有损的X射线图像,并进一步判断其内部为木栓还是碰伤,该过程同样计算复杂程度较低。由此形成的分步识别方式克服了现有技术中计算量较大,计算过程过于复杂的缺陷,提高了识别效率、
2、避免了对同一水果进行多类别损伤类型的检测,迎合了市场需求;例如现有技术中当水果的外观损伤类型为外观有损时,则已经可以预见性判断其市场价值较低,再判断其是否有内部损伤在主要应用场景下仅带来了复杂的计算量;
3、通过三步识别可最终得到水果状态为:内部碰伤、内部无损、外观有损以及完好无损四种类型;这种方式下便于对水果进行分类整理,例如:将步骤s2中输出的外观有损的水果标记为“外观有损类别”;将步骤s4中输出的内部无损的水果标记为“完好无损类别”;将步骤s5中输出的内部碰伤的水果标记为“内部碰伤类别”;将步骤s5中输出的内部木栓的水果标记为“内部木栓类别”。现有技术中当检测结果既包括外观有损又包括内部木栓或既包括内部碰伤又包括外观有损等,势必会对水果分类过程产生较大干扰,不便于进行水果的分类处理。
在一些实施例中,所述水果状态无损识别方法还包括以下步骤:将外观有损的水果信息存入至外观有损标签数据库中;将内部碰伤的水果信息存入至内部碰伤标签数据库中;将内部木栓的水果信息存入至内部木栓标签数据库中;将外观无损且内部无损的水果信息存入至无损标签数据库中。
具体的,通过将对应损伤类型的水果信息分别存入至不同的标签数据库中,以便于后续对水果进行分类处理。
在一些实施例中,所述水果状态无损识别方法还包括以下步骤:
将所述内部木栓标签数据库中水果信息标记为二等品;
将标记为二等品的水果进行降价处理。
内部木栓的水果不影响正常食用,只是口感略差,因此通过将其标记为二等品,可以与完好无损的水果进行区分,进而对其进行降价处理。
在一些实施例中,所述水果状态无损识别方法还包括以下步骤:
将所述内部碰伤标签数据库中水果信息标记为次等品;
将标记为次等品的水果用于榨汁或用于制作饲料等。
内部碰伤的水果已经影响了正常售卖,因此通过将其标记为次等品,可以与其他水果进行区分,进而将其用于榨汁或制作饲料等。
在一些实施例中,所述水果状态无损识别方法还包括以下步骤:
将所述外观有损数据库中的水果信息标记为下等品;
将标记为下等品的水果用于喂养牲畜等。
实施例2
在实施例1的基础上,在一些实施例中,根据所述视觉图像,识别水果的外观损伤类型的方法为:
获取第一数据集,将所述第一数据集分为第一训练集和第一测试集;所述第一数据集包括外观有损和外观无损的视觉样本图像;
基于第一卷积神经网络构建外观检测模型;
以第一训练集和第一测试集对所述外观检测模型进行训练和测试,得到训练后的外观检测模型;
将步骤s1中得到的视觉图像输入至所述训练后的外观检测模型中,输出所述水果的外观损伤类型。
具体的,所述第一数据集为预先对外观有损水果和外观无损水果拍照得到的视觉样本图像;
具体的,所述第一训练集与第一测试集的比例为7:3;
进一步的,所述将步骤s1中得到的视觉图像输入至所述训练后的外观检测模型中,具体为:
将步骤s1中得到的视觉图像的像素大小调整为303*404*3;其中,调整像素大小的方式采用最近邻插值法,即按照图像分辨率缩放比例,缩放后图像位置点的灰度值采用与原图位置点的最接近的像素点的灰度值。
将调整后的视觉图像输入至所述训练后的外观检测模型中。
在一些实施例中,所述第一卷积神经网络为VGG-16卷积神经网络;所述VGG-16卷积神经网络具有全局平均池化层,第二层全连接层以及第三层全连接层;所述第二层全连接层的神经元数量设定为1024,所述第三层全连接层的神经元数量设定为2。对其进行训练过程例如可以为采用Adam优化器,学习率为0.00001,训练与测试结果如图5所示,图中相对位于上的曲线为训练过程,相对位于下的曲线为测试过程,图中可以看出随着迭代次数的增加,最终测试结果的准确率可达87.5%;
需要进一步说明的是,所述第一卷积神经网络也可以采用预训练卷积神经网络,所述预训练卷积神经网络是指预先进行训练过的卷积神经网络;例如在对苹果外观损伤检测过程中,需要按照上述步骤,构建用于检测苹果的外部损伤检测模型;当需要对梨子进行外部损伤检测时,可将苹果的外观损伤检测模型作为所述第二卷积神经网络,并以第一训练集和第一测试集对所述该网络进行进一步的训练,以提高训练效率。在一些实施例中,所述第一卷积神经网络还可以为Resnet-18、Resnet-50、Resnet-101、Inception-resnet-v2、Alexnet、Xception中的一种。
实施例3
在实施例2的基础上,在一些实施例中,根据所述X射线图像,识别水果的内部损伤类型的方法为:
获取第二数据集,将所述第二数据集分为第二训练集和第二测试集;所述第二数据集包括内部有损和内部无损的三通道X射线图像;
基于第二卷积神经网络构建内部损伤预检测模型;
以第二训练集和第二测试集对所述内部损伤预检测模型进行训练和测试,得到训练后的内部损伤预检测模型;
将步骤s3中的X射线图像由单通道调整为三通道并输入至训练后的内部损伤预检测模型中,输出所述水果的内部损伤类型。
具体的,所述第二数据集为预先拍摄的内部有损和内部无损的X射线图像,并将该X射线图像调整为三通道。
具体的,所述第二训练集与第二测试集的比例为7:3;
进一步的,将步骤s3中的X射线图像由单通道调整为三通道并输入至训练后的内部损伤预检测模型中的方法具体为:
将步骤s3中的X射线图像由单通道图像调整为三通道;
将其像素大小调整为224*224*3;其中,调整像素大小的方式采用最近邻插值法;
将调整后的X射线图像输入至训练后的内部损伤预检测模型中。
在一些实施例中,所述第二卷积神经网络为VGG-16、Resnet-18、Resnet-50、Resnet-101、Inception-resnet-v2、Alexnet、Xception中的一种;
优选的,所述第二卷积神经网络采用Resnet-101型卷积神经网络。
需要进一步说明的是,所述第二卷积神经网络也可以采用预训练卷积神经网络,所述预训练卷积神经网络是指预先进行训练过的卷积神经网络;例如在对苹果内部损伤预检测过程中,需要按照上述步骤,构建用于检测苹果的内部损伤预检测模型;当需要对梨子进行内部损伤预检测时,可将苹果的内部损伤预检测模型作为所述第二卷积神经网络,并以第二训练集和第二测试集对所述该网络进行进一步的训练,以提高训练效率。
以Resnet-101型卷积神经网络为例,其训练过程具体为;将所述Resnet-101型卷积神经网络的全连接层神经元数量设定为2;采用Sgdm优化器,学习率设定为0.01,训练与测试结果如图6所示,图中相对位于上的曲线为训练过程,相对位于下的曲线为测试过程,可以看出随着迭代次数的增加,最终测试结果的准确率可达90%。
在一些实施例中,将X射线图像由单通道调整为三通道之前,还包括:对所述X射线图像进行灰度梯度重构。
所述梯度重构的方法具体为:将所述X射线图像中像素点的灰度值调整为:当前像素点位置的灰度值加上其与水平方向相邻两个像素点、垂直方向相邻两个像素点的灰度梯度平方和的平方根值;且梯度重构过程中所调整的像素点不连续,即相邻两个所要调整的像素点之间间隔一个像素点。
实施例4
在实施例3的基础上,在一些实施例中,根据内部有损的水果的X射线图像,识别水果的具体损伤类型的方法为:
获取第三数据集,将所述第三数据集分为第三训练集和第三测试集;所述第三数据集包括内部碰伤和内部木栓的单通道X射线图像;
基于第三卷积神经网络构建内部损伤深度检测模型;
以第三训练集和第三测试集对所述内部损伤深度检测模型进行训练和测试,得到训练后的内部损伤深度检测模型;
将内部有损的水果的X射线图像由三通道调整为单通道并输入至内部损伤深度检测模型中,输出所述水果的具体损伤类型。
具体的,所述第三数据集为预先拍摄的内部木栓和内部碰伤的单通道X射线图像,或者,从所述第二数据集中内部有损类别中筛选得到内部木栓和内部碰伤的三通道X射线图像,并将该三通道X图像调整为单通道。
具体的,所述第三训练集与第三测试集的比例为7:3;
将内部有损的水果的X射线图像由三通道调整为单通道并输入至内部损伤深度检测模型中,输出所述水果的具体损伤类型。
进一步的,将内部有损的水果的X射线图像由三通道调整为单通道并输入至内部损伤深度检测模型中的方法具体为:
将内部有损的水果的X射线图像由三通道调整为单通道;
将其像素大小调整为200*200*1;其中,调整像素大小的方式采用最近邻插值法;
将调整后的X射线图像输入至内部损伤深度检测模型中。
在一些实施例中,所述第三卷积神经网络为VGG-16、Resnet-18、Resnet-50、Resnet-101、Inception-resnet-v2、Alexnet、Xception中的一种。
优选的,所述第三卷积神经网络采用Resnet-18型卷积神经网络。其训练过程具体为:将所述Resnet-18型卷积神经网络的全连接层神经元数量设定为2;初始化训练,采用Sgdm优化器,学习率为0.001;训练与测试结果如图7所示,图中相对位于上的曲线为训练过程,相对位于下的曲线为测试过程,如图可以看出随着迭代次数的增加,最终测试结果的准确率可达96.19%。
实施例5
在实施例1的基础上,在一些实施例中,还包括:对所述水果的损伤状态进行分类,所述分类的方法为:将外观有损的水果分类为外观有损状态;将内部碰伤的水果分类为内部碰伤状态;将内部木栓的水果分类为内部木栓状态;将外观无损且内部无损的水果分类为无损状态。
在一些实施例中,所述水果为梨子;所述水果状态无损识别方法还包括以下步骤:
将具有相同损伤状态的梨子放入至卡板2中,所述卡板2上排列设有若干个放置孔22,所述梨子的果柄1朝下的放置在所述放置孔22内;所述损伤状态包括外观有损状态、内部碰伤状态、内部木栓状态以及无损状态;
将所述卡板2放置在传送装置3上,所述传送装置3用于带动所述卡板2沿水平方向运动;
通过贴标装置对所述梨子的果柄1贴附标识;
其中,如图8-图12所示,所述贴标装置包括:
胶水池41,所述胶水池41设置在所述传送装置3下方,所述胶水池41内沿竖直方向可升降安装有涂胶杆42;
纸筒43,所述纸筒43套设于所述涂胶杆42上,所述标识设置在所述纸筒43外侧壁上;
纸筒夹持机构,所述纸筒夹持机构安装在所述胶水池41上,用于夹持所述纸筒43的顶端;
驱动机构,所述驱动机构用于驱动所述纸筒夹持机构沿竖直方向运动,以使所述纸筒43套设于所述果柄1上;
挤压机构,所述挤压机构用于挤压所述纸筒43,以使所述纸筒43与所述果柄1胶粘固定。
具体的,对于不同损伤状态的水果可分别贴附不同的标识,以起到区分的作用。
工作原理:使用时,将纸筒43套设在所述涂胶杆42上,所述纸筒夹持机构夹持所述纸筒43,此时所述涂胶杆42沿竖直方向升降,使得可将其侧壁上胶水粘附至所述纸筒43内壁上;此时控制所述驱动机构动作,以使所述纸筒夹持机构沿竖直方向运动,进而使所述纸筒43套设于所述果柄1上;最后驱动所述挤压机构动作,以挤压所述纸筒43,将纸筒43与果柄1胶粘固定。
通过上述方式,使得可将标识紧紧贴附至梨子上,该方式下,标识不易脱落,避免不同水果状态的梨子混杂而影响输出质量。
在一些实施例中,所述传送装置3包括沿水平方向设置的传送带,所述传送带上沿其长度方向上设有开口,当卡板2放置在所述传送带上时,可带动卡板2沿水平方向移动,同时使所述卡板2内梨子的果柄1伸出至传送带下方,以便于对其进行标识贴附。
在一些实施例中,所述卡板2为木质薄板结构,所述放置孔22内固定安装环形垫,用于对梨子起到卡紧和缓冲的作用。同时木质薄板结构成本较低,可随梨子一起售卖,也避免了运输过程中出现磕碰等情况。
在一些实施例中,所述胶水池41设置在所述传送装置3下方,所述胶水池41内盛装有胶水,所述胶水池41底部沿竖直方向安装有第一气缸51,所述第一气缸51的输出端与所述涂胶杆42同轴连接;
在一些实施例中,所述纸筒夹持机构具有沿水平设置且用于放置所述纸筒43的环形夹持件44,所述纸筒43顶部边缘向外延伸形成限位边沿,所述限位边沿用于与环形夹持件44顶面抵接。
进一步的,所述纸筒夹持机构机构还包括沿竖直方向安装在所述胶水池41侧壁顶部的第二气缸52,所述第二气缸52的输出端侧壁上安装有固定杆,所述环形夹持件44与所述固定杆固定连接;
使用时,将所述纸筒43以限位边沿朝上的安装在所述环形夹持件内,以使所述纸筒43套设于所述涂胶杆42上;
在一些实施例中,所述挤压机构包括支架45,所述支架45上沿水平方向排列安装有安装板46,所述安装板46位于所述传送装置3与所述胶水池41之间,两个安装板46相互靠近一侧均水平安装有第三气缸53,所述第三气缸53的端部安装有压紧块47,用于压扁所述纸筒43,进而使其与所述果柄1胶粘固定。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种水果状态无损识别方法,其特征在于,包括以下步骤:
s1:获取水果的视觉图像;
s2:根据所述视觉图像,识别水果的外观损伤类型;所述外观损伤类型包括外观有损和外观无损;
s3:获取所述外观无损的水果的X射线图像;
s4:根据所述X射线图像,识别水果的内部损伤类型;所述内部损伤类型包括内部有损和内部无损;
s5:根据内部有损的水果的X射线图像,识别水果的具体损伤类型;所述具体损伤类型包括内部碰伤和内部木栓。
2.根据权利要求1所述水果状态无损识别方法,其特征在于,根据所述视觉图像,识别水果的外观损伤类型的方法为:
获取第一数据集,将所述第一数据集分为第一训练集和第一测试集;所述第一数据集包括外观有损和外观无损的视觉样本图像;
基于第一卷积神经网络构建外观检测模型;
以第一训练集和第一测试集对所述外观检测模型进行训练和测试,得到训练后的外观检测模型;
将步骤s1中得到的视觉图像输入至所述训练后的外观检测模型中,输出所述水果的外观损伤类型。
3.根据权利要求1所述的水果状态无损识别方法,其特征在于,根据所述X射线图像,识别水果的内部损伤类型的方法为:
获取第二数据集,将所述第二数据集分为第二训练集和第二测试集;所述第二数据集包括内部有损和内部无损的三通道X射线图像;
基于第二卷积神经网络构建内部损伤预检测模型;
以第二训练集和第二测试集对所述内部损伤预检测模型进行训练和测试,得到训练后的内部损伤预检测模型;
将步骤s3中的X射线图像由单通道调整为三通道并输入至训练后的内部损伤预检测模型中,输出所述水果的内部损伤类型。
4.根据权利要求3所述的水果状态无损识别方法,其特征在于,根据内部有损的水果的X射线图像,识别水果的具体损伤类型的方法为:
获取第三数据集,将所述第三数据集分为第三训练集和第三测试集;所述第三数据集包括内部碰伤和内部木栓的单通道X射线图像;
基于第三卷积神经网络构建内部损伤深度检测模型;
以第三训练集和第三测试集对所述内部损伤深度检测模型进行训练和测试,得到训练后的内部损伤深度检测模型;
将内部有损的水果的X射线图像由三通道调整为单通道并输入至内部损伤深度检测模型中,输出所述水果的具体损伤类型。
5.根据权利要求3所述的水果状态无损识别方法,其特征在于,将X射线图像由单通道调整为三通道之前,还包括:对所述X射线图像进行灰度梯度重构。
6.根据权利要求1所述的水果状态无损识别方法,其特征在于,还包括以下步骤:将外观有损的水果信息存入至外观有损标签数据库中;将内部碰伤的水果信息存入至内部碰伤标签数据库中;将内部木栓的水果信息存入至内部木栓标签数据库中;将外观无损且内部无损的水果信息存入至无损标签数据库中。
7.根据权利要求1所述的水果状态无损识别方法,其特征在于,所述水果为梨子;所述水果状态无损识别方法还包括以下步骤:
将具有相同损伤状态的梨子放入至卡板(2)中,所述卡板(2)上排列设有若干个放置孔(22),所述梨子的果柄(1)朝下的放置在所述放置孔(22)内;所述损伤状态包括外观有损状态、内部碰伤状态、内部木栓状态以及无损状态;
将所述卡板(2)放置在传送装置(3)上,所述传送装置(3)用于带动所述卡板(2)沿水平方向运动;
通过贴标装置对所述梨子的果柄(1)贴附标识;
其中,所述贴标装置包括:
胶水池(41),所述胶水池(41)设置在所述传送装置(3)下方,所述胶水池(41)内沿竖直方向可升降安装有涂胶杆(42);
纸筒(43),所述纸筒(43)套设于所述涂胶杆(42)上,所述标识设置在所述纸筒(43)外侧壁上;
纸筒夹持机构,所述纸筒夹持机构安装在所述胶水池(41)上,用于夹持所述纸筒(43)的顶端;
驱动机构,所述驱动机构用于驱动所述纸筒夹持机构沿竖直方向运动,以使所述纸筒(43)套设于所述果柄(1)上;
挤压机构,所述挤压机构用于挤压所述纸筒(43),以使所述纸筒(43)与所述果柄(1)胶粘固定。
8.根据权利要求7所述的水果状态无损识别方法,其特征在于,所述纸筒夹持机构具有沿水平设置且用于放置所述纸筒(43)的环形夹持件(44),所述纸筒(43)顶部边缘向外延伸形成限位边沿,所述限位边沿用于与环形夹持件(44)顶面抵接。
9.根据权利要求2所述的水果状态无损识别方法,其特征在于,所述第一卷积神经网络为VGG-16卷积神经网络;所述VGG-16卷积神经网络具有全局平均池化层,第二层全连接层以及第三层全连接层;所述第二层全连接层的神经元数量设定为1024,所述第三层全连接层的神经元数量设定为2。
10.根据权利要求4所述的水果状态无损识别方法,其特征在于,
所述第二卷积神经网络为VGG-16、Resnet-18、Resnet-50、Resnet-101、Inception-resnet-v2、Alexnet、Xception中的一种;
所述第三卷积神经网络为VGG-16、Resnet-18、Resnet-50、Resnet-101、Inception-resnet-v2、Alexnet、Xception中的一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210525324.1A CN114627469B (zh) | 2022-05-16 | 2022-05-16 | 一种水果状态无损识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210525324.1A CN114627469B (zh) | 2022-05-16 | 2022-05-16 | 一种水果状态无损识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114627469A true CN114627469A (zh) | 2022-06-14 |
CN114627469B CN114627469B (zh) | 2022-08-12 |
Family
ID=81907058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210525324.1A Active CN114627469B (zh) | 2022-05-16 | 2022-05-16 | 一种水果状态无损识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114627469B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116673232A (zh) * | 2023-08-01 | 2023-09-01 | 杭州灵西机器人智能科技有限公司 | 用于复杂工件分拣的复合无损检测方法及系统、存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103521457A (zh) * | 2013-10-25 | 2014-01-22 | 江南大学 | 基于机器视觉和近红外光谱仪的苹果分级装置 |
CN106091843A (zh) * | 2016-05-18 | 2016-11-09 | 郭建堤 | 烟花纸筒及其封口模具、封口方法和该烟花纸筒的效果筒 |
CN108177946A (zh) * | 2018-01-17 | 2018-06-19 | 龙利得包装印刷股份有限公司 | 一种信息化全智能纸箱生产联动管理方法 |
CN108364274A (zh) * | 2018-02-10 | 2018-08-03 | 东北大学 | 微纳米尺度下光学图像的无损清晰重构方法 |
CN109813655A (zh) * | 2019-04-01 | 2019-05-28 | 赣州逸豪新材料股份有限公司 | 一种铜箔全自动质检示损设备 |
CN110745330A (zh) * | 2019-10-29 | 2020-02-04 | 滁州卷烟材料厂 | 一种瓦楞纸箱的贴标装置 |
CN211808160U (zh) * | 2019-12-24 | 2020-10-30 | 嘉善永易胶粘制品有限公司 | 一种用于生产粘胶纸筒的成型机 |
CN212767256U (zh) * | 2020-06-16 | 2021-03-23 | 吉林省蓝浦浩业科技有限公司 | 一种面膜生产用外包装贴标装置 |
CN112697984A (zh) * | 2020-12-11 | 2021-04-23 | 河北工业大学 | 基于神经网络的水果缺陷无损检测方法及水果分级方法 |
CN113744204A (zh) * | 2021-08-13 | 2021-12-03 | 华中农业大学 | 基于x光和造影增强剂的果实表皮微损伤检测方法 |
CN114354637A (zh) * | 2022-01-20 | 2022-04-15 | 河北工业大学 | 基于机器视觉和x射线的水果品质综合分级方法和装置 |
-
2022
- 2022-05-16 CN CN202210525324.1A patent/CN114627469B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103521457A (zh) * | 2013-10-25 | 2014-01-22 | 江南大学 | 基于机器视觉和近红外光谱仪的苹果分级装置 |
CN106091843A (zh) * | 2016-05-18 | 2016-11-09 | 郭建堤 | 烟花纸筒及其封口模具、封口方法和该烟花纸筒的效果筒 |
CN108177946A (zh) * | 2018-01-17 | 2018-06-19 | 龙利得包装印刷股份有限公司 | 一种信息化全智能纸箱生产联动管理方法 |
CN108364274A (zh) * | 2018-02-10 | 2018-08-03 | 东北大学 | 微纳米尺度下光学图像的无损清晰重构方法 |
CN109813655A (zh) * | 2019-04-01 | 2019-05-28 | 赣州逸豪新材料股份有限公司 | 一种铜箔全自动质检示损设备 |
CN110745330A (zh) * | 2019-10-29 | 2020-02-04 | 滁州卷烟材料厂 | 一种瓦楞纸箱的贴标装置 |
CN211808160U (zh) * | 2019-12-24 | 2020-10-30 | 嘉善永易胶粘制品有限公司 | 一种用于生产粘胶纸筒的成型机 |
CN212767256U (zh) * | 2020-06-16 | 2021-03-23 | 吉林省蓝浦浩业科技有限公司 | 一种面膜生产用外包装贴标装置 |
CN112697984A (zh) * | 2020-12-11 | 2021-04-23 | 河北工业大学 | 基于神经网络的水果缺陷无损检测方法及水果分级方法 |
CN113744204A (zh) * | 2021-08-13 | 2021-12-03 | 华中农业大学 | 基于x光和造影增强剂的果实表皮微损伤检测方法 |
CN114354637A (zh) * | 2022-01-20 | 2022-04-15 | 河北工业大学 | 基于机器视觉和x射线的水果品质综合分级方法和装置 |
Non-Patent Citations (2)
Title |
---|
丁湘燕等: ""基于四元数的单轴对称水果定向控制力矩分析"", 《振动、测试与诊断》 * |
徐春梅: ""杏果定向输送的稳定性分析"", 《机械设计与制造》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116673232A (zh) * | 2023-08-01 | 2023-09-01 | 杭州灵西机器人智能科技有限公司 | 用于复杂工件分拣的复合无损检测方法及系统、存储介质 |
CN116673232B (zh) * | 2023-08-01 | 2023-11-14 | 杭州灵西机器人智能科技有限公司 | 用于复杂工件分拣的复合无损检测方法及系统、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114627469B (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Al Ohali | Computer vision based date fruit grading system: Design and implementation | |
CN114627469B (zh) | 一种水果状态无损识别方法 | |
CN108335300A (zh) | 一种基于cnn的食品高光谱信息分析系统与方法 | |
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 | |
CN103528967B (zh) | 基于高光谱图像的过熟蓝靛果果实识别方法 | |
Ünal et al. | Classification of hazelnut kernels with deep learning | |
CN111526357A (zh) | 一种基于pca学习的显卡接口机器测试方法 | |
CN111438072A (zh) | 一种称重产品分拣设备 | |
CN114354637A (zh) | 基于机器视觉和x射线的水果品质综合分级方法和装置 | |
CN106645180A (zh) | 检查基板玻璃缺陷的方法、现场终端及服务器 | |
CN102788806B (zh) | 基于类球形亮度变换的水果表面缺陷检测方法 | |
CN111680738A (zh) | 一种用于苹果品质检测的筛选装置及其检测方法 | |
CN111476119A (zh) | 一种基于时空上下文的昆虫行为识别方法及装置 | |
Hakami et al. | Automatic inspection of the external quality of the date fruit | |
CN110882948B (zh) | 一种柚子品质分类方法与装置 | |
CN111805541A (zh) | 一种基于深度学习的中药饮片净选装置及净选方法 | |
JP4171806B2 (ja) | 果実そ菜類の等級判別方法。 | |
CN106940292A (zh) | 基于多光谱成像技术的虫蛀巴旦木原料快速无损鉴别方法 | |
CN113469208A (zh) | 玉米种子品种真实性鉴定方法及设备 | |
CN107228809B (zh) | 一种适宜休闲花生加工的花生品质评价方法及装置 | |
CN116735122A (zh) | 一种包装袋气密性检测设备及其检测方法 | |
CN110070086A (zh) | 一种基于图像识别的猕猴桃叶片病害识别方法 | |
CN115760724A (zh) | 食品质量检测方法和系统 | |
Srinivas et al. | Deep learning based fruit quality inspection | |
Shao et al. | Deep learning based coffee beans quality screening |
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 |