CN115880282B - 一种用于火锅底料均匀装料的监测方法及其监测装置 - Google Patents
一种用于火锅底料均匀装料的监测方法及其监测装置 Download PDFInfo
- Publication number
- CN115880282B CN115880282B CN202310062502.6A CN202310062502A CN115880282B CN 115880282 B CN115880282 B CN 115880282B CN 202310062502 A CN202310062502 A CN 202310062502A CN 115880282 B CN115880282 B CN 115880282B
- Authority
- CN
- China
- Prior art keywords
- image
- color gamut
- monitoring
- pixel point
- primer
- 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
- 235000013409 condiments Nutrition 0.000 title claims abstract description 86
- 238000012544 monitoring process Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012806 monitoring device Methods 0.000 title claims abstract description 10
- 238000011068 loading method Methods 0.000 title claims description 20
- 239000000463 material Substances 0.000 claims abstract description 144
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 235000002566 Capsicum Nutrition 0.000 claims description 58
- 239000006002 Pepper Substances 0.000 claims description 57
- 241000722363 Piper Species 0.000 claims description 57
- 235000016761 Piper aduncum Nutrition 0.000 claims description 57
- 235000017804 Piper guineense Nutrition 0.000 claims description 57
- 235000008184 Piper nigrum Nutrition 0.000 claims description 57
- 238000013507 mapping Methods 0.000 claims description 48
- 238000012545 processing Methods 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 31
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 230000001502 supplementing effect Effects 0.000 claims description 10
- 241000159443 Myrcia Species 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 7
- 239000007787 solid Substances 0.000 claims description 7
- 241000208152 Geranium Species 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 238000010801 machine learning Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 6
- 238000011049 filling Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 239000000796 flavoring agent Substances 0.000 description 3
- 235000019634 flavors Nutrition 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 235000011194 food seasoning agent Nutrition 0.000 description 3
- 239000004615 ingredient Substances 0.000 description 3
- 239000003921 oil Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 235000014347 soups Nutrition 0.000 description 2
- 241000272520 Aix galericulata Species 0.000 description 1
- 241000234282 Allium Species 0.000 description 1
- 235000002732 Allium cepa var. cepa Nutrition 0.000 description 1
- 244000295724 Allium chinense Species 0.000 description 1
- 235000016790 Allium chinense Nutrition 0.000 description 1
- 240000002234 Allium sativum Species 0.000 description 1
- 244000141331 Amomum villosum Species 0.000 description 1
- 244000304337 Cuminum cyminum Species 0.000 description 1
- 235000007129 Cuminum cyminum Nutrition 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 240000006927 Foeniculum vulgare Species 0.000 description 1
- 235000004204 Foeniculum vulgare Nutrition 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 240000007232 Illicium verum Species 0.000 description 1
- 235000008227 Illicium verum Nutrition 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 244000179970 Monarda didyma Species 0.000 description 1
- 235000010672 Monarda didyma Nutrition 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 241000758706 Piperaceae Species 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 244000223014 Syzygium aromaticum Species 0.000 description 1
- 235000016639 Syzygium aromaticum Nutrition 0.000 description 1
- 244000273928 Zingiber officinale Species 0.000 description 1
- 235000006886 Zingiber officinale Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 235000015278 beef Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000004611 garlic Nutrition 0.000 description 1
- 235000008397 ginger Nutrition 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 235000013599 spices Nutrition 0.000 description 1
- 239000003760 tallow Substances 0.000 description 1
- 235000019640 taste Nutrition 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种用于火锅底料均匀装料的监测方法及其监测装置，涉及制造业信息技术领域。本发明未采用现有基于机器学习的通用图像识别方法，而是根据火锅底料的固定图像特征，通过固定识别流程步骤实现装料均匀的识别判断，通过上层干料、块料尺寸和料层结构三个维度来衡量均匀装料情况，并设置了不同的检测流程，实现了不同图像目标的检测；通过目标参数识别得到对应的监测目标参数，通过比较参考数据和监测目标参数是否匹配，便能判断是否装料均匀。该方法由于采用了固定监测流程、固定监测目标参数，摆脱复杂的识别模型，因此具备很高的识别速率；且不需要进行数据训练拟合便能有很高的识别准确率，具备部署简单和部署成本低等优点。
Description
技术领域
本发明涉及制造业信息技术领域，尤其涉及一种用于火锅底料均匀装料的监测方法及其监测装置。
背景技术
火锅底料有清汤锅、麻辣锅、番茄锅、菌汤锅、鸳鸯锅等不同的种类，人们通过选择不同的火锅底料，并将切好的生食材投入火锅中烫熟食用，它有很强的驱寒效果，而且火锅中烫熟的食材营养流失少，能更好的为我们补充营养。其中，麻辣锅兴起于川渝地区，并以辣、鲜、香、醇等多种口味融合与平衡的特点，深受广大民众喜爱；后文在未做说明时，火锅底料即默认指代块状固体型麻辣火锅底料。
火锅底料通常由醇厚的牛油为核心原料，配合适量猪油、郫县豆瓣酱和各种辣椒，并辅以花椒、姜、蒜、葱、大葱等辛香料；通过添加八角、香叶、香果、丁香、砂仁、孜然、茴香、陈皮等促进风味的爆发。通过上述背景我们不难看出：火锅底料有着复杂的组成成分，各成分之间需要得到均匀分配，才能保障其独特的风味。采用现代工艺的火锅底料加工厂，通常由专业厨师调试配方，并借助各种设备保障不同成分配比精确；但是，由于其成分占比不同、沉淀程度不同，在对火锅底料进行装料时，难免出现装料不均的情况。
为了避免装料不均的火锅底料流向市场，现有的做法是设置质检员，并在火锅底料脱模后，装袋前对火锅底料固体块进行检查，并将未均匀装料的火锅底料挑出。但是该方法依赖质检员的经验判断，且流水线生成极易导致质检员疲劳错检。
为此，申请号为：CN202111469173.4的发明申请提供了一种食品运输动态平衡测控装置、系统及方法，该申请通过运输速度检测装置、相邻间距检测装置、筛排加速装置之间的配合，可保证在下一个待测火锅底料包达到金属检测仪的检测筛排区之前完成筛排动作，避免了火锅底料包在筛排过程中的漏洞。
但是，火锅底料装料时会出现不同类别的装料不均；该申请未提出如何监测装料不均的判断依据和监测方法，也未提及如何识别装料不均的类别；因此，有必要提供一种用于火锅底料均匀装料的监测方法及其监测装置来解决上述技术问题。
发明内容
为解决上述之一技术问题，本发明提供的一种用于火锅底料均匀装料的监测方法，用于对块状固体麻辣型的火锅底料进行均匀装料监测，通过对火锅底料进行图像识别，并根据识别结果判断是否装料均匀；其中，识别判断步骤包括：底料图像采集步骤、底料图像识别步骤、参考数据生成步骤和均匀装料监测步骤；
底料图像采集步骤：在火锅底料脱模后与装袋前之间进行底料图像采集，底料图像包括摄像头从顶面和侧面采集的图像；具体子步骤包括：背光检测调节步骤、顶面图像采集步骤和侧面图像采集步骤；
底料图像识别步骤：对底料图像中不同对象的图像目标进行分类识别，并计算各图像目标的目标参数；其中，图像识别的对象为上层干料、块料尺寸和料层结构；具体子步骤包括：图像目标设置步骤、底料图像处理步骤和目标参数识别步骤；
参考数据生成步骤：得到参考数据；
均匀装料监测步骤：通过底料图像采集步骤采集火锅底料的监测图像；通过底料图像识别步骤对监测图像进行目标参数识别，得到对应的监测目标参数；将参考数据与监测目标参数进行实时参数对比，判断是否装料均匀。
作为更进一步的解决方案，背光检测调节步骤，用于检测并调节底料图像采集时的背光强度，维持背光强度在标准背光强度附近；其中，背光调节通过如下步骤进行：
步骤A1：检测当前背光强度；
步骤A2：将当前背光强度和标准背光强度进行对比，得到背光强度差；
步骤A3：根据调节模式，计算背光强度差对应的电能调节量；
步骤A4：将电能调节量用于补光灯的电能调节；
步骤A5：进行反馈调节，检测经过电能调节后的反馈背光强度；
步骤A6：将反馈背光强度和标准背光强度进行对比，得到反馈强度差；
步骤A7：进行反馈判断：
若反馈强度差在误差范围外，则返回至步骤A1；
若反馈强度差在误差范围内，则完成背光调节。
作为更进一步的解决方案，底料图像通过顶面图像采集步骤和侧面图像采集步骤进行采集，得到顶面底料图像和侧面底料图像；其中，通过RGB摄像头采集底料图像，并通过像素矩阵与RGB颜色空间进行表示。
作为更进一步的解决方案，在图像目标设置步骤中，各识别对象的图像目标分别包括：
上层干料：设置上层干料图像目标和上层椒段图像目标，并根据香叶和椒段的特征颜色，设置香叶图像隶属色域与椒段图像隶属色域；
块料尺寸：设置块料厚度图像目标和块料形状图像目标，并根据底料图像中的背景图像颜色，设置背景图像隶属色域；
料层结构：设置料层厚度图像目标和料层层序图像目标，并根据各料层图像的特征颜色，设置对应的料层图像隶属色域。
作为更进一步的解决方案，底料图像处理步骤，用于底料图像的标准化处理，通过如下步骤进行：
步骤B1：对底料图像进行主图截取、边缘裁剪和旋转矫正，得到矫正底料图像；
步骤B2：将矫正底料图像的RGB颜色空间转换至HSV颜色空间，得到HSV底料图像；
步骤B3：HSV底料图像进行滤波、降噪，得到标准底料图像。
作为更进一步的解决方案，目标参数识别步骤通过包括：上层干料参数识别、块料尺寸参数识别和料层结构参数识别；
上层干料参数识别通过如下步骤进行：
步骤C1.1：获取标准底料图像，其中，标准底料图像为顶面底料图像；
步骤C1.2：获取香叶图像隶属色域与椒段图像隶属色域；
步骤C1.3：遍历扫描标准底料图像的像素矩阵和HSV颜色空间：
若当前像素点的所属色域位于香叶图像隶属色域内，则加入香叶像素点集合中；
若当前像素点的所属色域位于椒段图像隶属色域内，则加入椒段像素点集合中；
若当前像素点的所属色域位于上层干料隶属色域外，则视为无效像素点舍弃掉；
步骤C1.4：将香叶像素点集合映射入像素矩阵，得到香叶映射图像；
将椒段像素点集合映射入像素矩阵，得到椒段映射图像；
步骤C1.5：对香叶映射图像进行开操作和闭操作，得到上层香叶图像；
对椒段映射图像进行开操作和闭操作，得到上层椒段图像；
其中，开操作去除像素噪点，闭操作连通像素断点；
步骤C1.6：通过边缘检测算子对上层香叶图像进行轮廓识别，得到香叶轮廓包围面积；
通过边缘检测算子对上层椒段图像进行轮廓识别，得到椒段轮廓包围面积；
步骤C1.7：计算香叶轮廓包围面积在标准底料图像中的面积占比，得到香叶占比参数；
计算椒段轮廓包围面积在标准底料图像中的面积占比，得到椒段占比参数；
块料尺寸参数识别通过如下步骤进行：
步骤C2.1：获取标准底料图像；其中，标准底料图像为顶面底料图像和侧面底料图像；
步骤C2.2：获取背景图像隶属色域；
步骤C2.3：遍历扫描顶面底料图像的像素矩阵和HSV颜色空间：
若当前像素点的所属色域位于背景图像隶属色域内，则视为无效像素点舍弃掉；
若当前像素点的所属色域位于背景图像隶属色域外，则加入顶面像素点集合中；
遍历扫描侧面底料图像的像素矩阵和HSV颜色空间：
若当前像素点的所属色域位于背景图像隶属色域内，则视为无效像素点舍弃掉；
若当前像素点的所属色域位于背景图像隶属色域外，则加入侧面像素点集合中；
步骤C2.4：将顶面像素点集合映射入像素矩阵，得到顶面映射图像；
将侧面像素点集合映射入像素矩阵，得到侧面映射图像；
步骤C2.5：对顶面映射图像进行开操作和闭操作，得到顶面形状图像；
对侧面映射图像进行开操作和闭操作，得到侧面形状图像；
其中，开操作去除像素噪点，闭操作连通像素断点；
步骤C2.6：通过形状检测算子对顶面形状图像进行形状检测，得到块料形状参数；
通过厚度检测算子对侧面形状图像进行厚度检测，得到块料厚度参数；
料层结构参数识别通过如下步骤进行：
步骤C3.1：获取标准底料图像，其中，标准底料图像为侧面底料图像；
步骤C3.2：获取各料层图像隶属色域和背景图像隶属色域；
步骤C3.3：遍历扫描标准底料图像的像素矩阵和HSV颜色空间：
若当前像素点的所属色域位于料层图像隶属色域内，则加入对应的料层像素点集合中；
若当前像素点的所属色域位于背景图像隶属色域内，则视为无效像素点舍弃掉；
步骤C3.4：将各料层像素点集合映射入像素矩阵，得到对应的料层映射图像；
步骤C3.5：对各料层映射图像进行开操作和闭操作，得到对应的料层结构图像；
其中，开操作去除像素噪点，闭操作连通像素断点；
步骤C3.6：通过厚度检测算子对料层结构图像进行厚度识别，得到对应料层层厚参数；
记录各料层结构图像在侧面底料图像的排列顺序，得到对应料层层序参数。
作为更进一步的解决方案，参考数据生成步骤通过参考图像/用户设置进行生成；
参考图像生成：通过参考图像生成参考数据：通过底料图像采集步骤采集火锅底料的参考图像；通过底料图像识别步骤对参考图像进行底料图像识别，得到对应的参考目标参数；通过参考目标参数生成对应的参考数据；
用户设置生成：用户直接编辑参考目标参数，通过参考目标参数生成对应的参考数据。
作为更进一步的解决方案，参考数据为结构化数据，数据结构包括：参考数据ID、上层干料参考参数、块料尺寸参考参数和料层结构参考参数；均匀装料监测步骤：通过参考数据ID对进行数据调用和参数对比；其中，
上层干料参考参数包括：香叶参考占比和椒段参考占比；
块料尺寸参考参数包括：参考形状参数和参考厚度参数；
料层结构参考参数包括：参考层厚参数和参考层序参数。
作为更进一步的解决方案，在参数不匹配时，还执行异常装料识别步骤：根据异常参数，识别出对应的异常装料类型；
上层干料参数不匹配：上层香叶不均和/或上层椒段不均；
块料尺寸参数不匹配：块料形状不均和/或块料厚度不均；
料层结构参数不匹配：料层层厚不均和/或料层序厚不均。
作为更进一步的解决方案，一种用于火锅底料均匀装料的监测装置，用于对火锅块料进行均匀装料监测，包括运载单元、背光单元、拍摄单元、处理单元、存储单元和通信单元；
运载单元通过传送带进行设置，火锅块料放置在传送带上；背光单元包括补光灯和遮光罩，其中，遮光罩设置在传送带沿途，补光灯设置在遮光罩的内壁上；拍摄单元通过第一摄像头和第二摄像头进行设置，第一摄像头设置在火锅块料的正上方，第二摄像头设置在火锅块料正侧方；处理单元分别与运载单元、背光单元、拍摄单元、存储单元和通信单元电性连接；存储单元用于向处理单元提供存储空间；通信单元用于向处理单元提供通信服务；
其中，处理单元执行如上任一项所述的一种用于火锅底料均匀装料的监测方法，得到监测数据对比结果，并输出异常结果对应的异常装料类型。
与相关技术相比较，本发明提供的一种用于火锅底料均匀装料的监测方法及其监测装置具有如下有益效果：
本发明未采用现有基于机器学习的通用图像识别方法，而是根据火锅底料的固定图像特征，通过固定识别流程步骤实现装料均匀的识别判断，通过上层干料、块料尺寸和料层结构三个维度来衡量均匀装料情况，并设置了不同的检测流程，实现了不同图像目标的检测；通过目标参数识别得到对应的监测目标参数，通过比较参考数据和监测目标参数是否匹配，便能判断是否装料均匀。该方法由于采用了固定监测流程、固定监测目标参数，摆脱复杂的识别模型，因此具备很高的识别速率；且不需要进行数据训练拟合便能有很高的识别准确率，具备部署简单和部署成本低等优点。
附图说明
图1为本发明提供的一种用于火锅底料均匀装料的监测方法的较佳流程示意图；
图2为本发明提供的较佳火锅底料结构示意图；
图3为本发明提供的参考火锅底料立体示意图；
图4为本发明提供的参考火锅底料的侧面底料图像；
图5为本发明提供的监测火锅底料立体示意图；
图6为本发明提供的料层结构参数对比图；
图7为本发明提供的上层椒段图像处理图；
左：顶面底料图像；中：椒段映射图像；右：上层椒段图像；
图8为本发明提供的上层香叶图像处理图；
左：顶面底料图像；中：香叶映射图像；右：上层香叶图像；
图9为本发明提供的顶面形状图像处理图；
左：顶面底料图像；中：顶面映射图像；右：顶面形状图像；
图10本发明提供的监测装置示意图；
其中，附图标记号：1、火锅块料；2、遮光罩；3、补光灯；4、第一摄像头；5、第二摄像头。
具体实施方式
下面结合附图和实施方式对本发明作进一步说明。
如图1所示，本实施例提供的一种用于火锅底料均匀装料的监测方法，用于对块状固体麻辣型的火锅底料进行均匀装料监测，通过对火锅底料进行图像识别，并根据识别结果判断是否装料均匀；其中，识别判断步骤包括：底料图像采集步骤、底料图像识别步骤、参考数据生成步骤和均匀装料监测步骤；
底料图像采集步骤：在火锅底料脱模后与装袋前之间进行底料图像采集，底料图像包括摄像头从顶面和侧面采集的图像；具体子步骤包括：背光检测调节步骤、顶面图像采集步骤和侧面图像采集步骤；
底料图像识别步骤：对底料图像中不同对象的图像目标进行分类识别，并计算各图像目标的目标参数；其中，图像识别的对象为上层干料、块料尺寸和料层结构；具体子步骤包括：图像目标设置步骤、底料图像处理步骤和目标参数识别步骤；
参考数据生成步骤：得到参考数据；
均匀装料监测步骤：通过底料图像采集步骤采集火锅底料的监测图像；通过底料图像识别步骤对监测图像进行目标参数识别，得到对应的监测目标参数；将参考数据与监测目标参数进行实时参数对比，判断是否装料均匀。
需要说明的是：火锅底料是否装料均匀直接影响产品的外观与品质，传统的监测方式无法满足现代化的生产标准；图像识别是现代生产流水线常用到的产品质量监测手段，现有技术未通过OpenCV等手段对各式商品进行图像识别与监测，极大地减少生产人员的工作强度，同时还能提供稳定可靠的稳定的识别准确率。
类似于OpenCV等基于机器学习的图像识别方法较为通用，能适应于各个不同的领域，但是，该监测方法需要大量的数字化训练数据，并需要对数据进行准确标注，且需要反复训练拟合才能得到合格的识别模型，且识别速率存在限制，若在大规模生产流水线上，则可能无法满足速率需求。
火锅底料生产线往往产品较为固定，最常见的产品便是块状固体麻辣型的火锅底料，图2提供了块状固体麻辣型的火锅底料各层颜色分明，干料位于上层，并且具有清晰的分层结构、规则的外观形状和鲜明的色域分布，具备火锅底料典型的图像特征；因此，本实施例未采用现有基于机器学习的通用图像识别方法，而是根据火锅底料的固定图像特征，通过固定识别流程步骤实现装料均匀的识别判断，通过上层干料、块料尺寸和料层结构三个维度来衡量均匀装料情况，并设置了不同的检测流程，实现了不同图像目标的检测；通过目标参数识别得到对应的监测目标参数，通过比较参考数据和监测目标参数是否匹配，便能判断是否装料均匀。该方法由于采用了固定监测流程、固定监测目标参数，摆脱复杂的识别模型，因此具备很高的识别速率；且不需要进行数据训练拟合便能有很高的识别准确率，具备部署简单和部署成本低等优点。
作为更进一步的解决方案，背光检测调节步骤，用于检测并调节底料图像采集时的背光强度，维持背光强度在标准背光强度附近；其中，背光调节通过如下步骤进行：
步骤A1：检测当前背光强度；
步骤A2：将当前背光强度和标准背光强度进行对比，得到背光强度差；
步骤A3：根据调节模式，计算背光强度差对应的电能调节量；
步骤A4：将电能调节量用于补光灯3的电能调节；
步骤A5：进行反馈调节，检测经过电能调节后的反馈背光强度；
步骤A6：将反馈背光强度和标准背光强度进行对比，得到反馈强度差；
步骤A7：进行反馈判断：
若反馈强度差在误差范围外，则返回至步骤A1；
若反馈强度差在误差范围内，则完成背光调节。
需要说明的是：维持背光强度在标准背光强度附近，能极大地提高图像识别准确性和图像处理难度，此外，由于后续处理涉及到HSV色彩空间，因此需要稳定的背光环境，以便能正确提取不同色域，是后续处理必不可少的基础步骤；调节模式包括：固定值调节模式和自适应值调节模式；固定值调节模式即每次的调整量是固定值，该调整方式简单，但是可能需要多次调整才能得到合适的光强；自适应值调节模式则是根据反馈强度差进行调整，反馈强度差大，则调整值大，反馈强度差小，则调整值小。
作为更进一步的解决方案，底料图像通过顶面图像采集步骤和侧面图像采集步骤进行采集，得到顶面底料图像和侧面底料图像；其中，通过RGB摄像头采集底料图像，并通过像素矩阵与RGB颜色空间进行表示。
需要说明的是：RGB摄像头作为最常见的彩色摄像头，其工艺成熟价格低廉稳定性好，非常适合采集底料图像，该摄像头输出的图像数据通过像素矩阵与RGB颜色空间进行表示，后续便在该基础上对图像进行进一步处理。
作为更进一步的解决方案，在图像目标设置步骤中，各识别对象的图像目标分别包括：
上层干料：设置上层干料图像目标和上层椒段图像目标，并根据香叶和椒段的特征颜色，设置香叶图像隶属色域与椒段图像隶属色域；
块料尺寸：设置块料厚度图像目标和块料形状图像目标，并根据底料图像中的背景图像颜色，设置背景图像隶属色域；
料层结构：设置料层厚度图像目标和料层层序图像目标，并根据各料层图像的特征颜色，设置对应的料层图像隶属色域。
需要说明的是：火锅底料和背景图像均有着鲜明的分层结构和色彩对比，因此可以根据隶属色域作为识别特征来对不同的图像目标进行识别提取，该方法适用于检测对象相对固定，且颜色特征变化小的场景；因此，火锅底料适用于“隶属色域-图像目标”的监测方法。
作为更进一步的解决方案，底料图像处理步骤，用于底料图像的标准化处理，通过如下步骤进行：
步骤B1：对底料图像进行主图截取、边缘裁剪和旋转矫正，得到矫正底料图像；
步骤B2：将矫正底料图像的RGB颜色空间转换至HSV颜色空间，得到HSV底料图像；
步骤B3：HSV底料图像进行滤波、降噪，得到标准底料图像。
需要说明的是：该步骤为标准处理步骤，其目的在于将RGB颜色空间转换至HSV颜色空间，以便后续的色域分类提取；各操作均为现有手段，不做赘述。
作为更进一步的解决方案，目标参数识别步骤通过包括：上层干料参数识别、块料尺寸参数识别和料层结构参数识别；
如图7与图8所示，上层干料参数识别通过如下步骤进行：
步骤C1.1：获取标准底料图像，其中，标准底料图像为顶面底料图像；
步骤C1.2：获取香叶图像隶属色域与椒段图像隶属色域；
步骤C1.3：遍历扫描标准底料图像的像素矩阵和HSV颜色空间：
若当前像素点的所属色域位于香叶图像隶属色域内，则加入香叶像素点集合中；
若当前像素点的所属色域位于椒段图像隶属色域内，则加入椒段像素点集合中；
若当前像素点的所属色域位于上层干料隶属色域外，则视为无效像素点舍弃掉；
步骤C1.4：将香叶像素点集合映射入像素矩阵，得到香叶映射图像；
将椒段像素点集合映射入像素矩阵，得到椒段映射图像；
步骤C1.5：对香叶映射图像进行开操作和闭操作，得到上层香叶图像；
对椒段映射图像进行开操作和闭操作，得到上层椒段图像；
其中，开操作去除像素噪点，闭操作连通像素断点；
步骤C1.6：通过边缘检测算子对上层香叶图像进行轮廓识别，得到香叶轮廓包围面积；
通过边缘检测算子对上层椒段图像进行轮廓识别，得到椒段轮廓包围面积；
步骤C1.7：计算香叶轮廓包围面积在标准底料图像中的面积占比，得到香叶占比参数；
计算椒段轮廓包围面积在标准底料图像中的面积占比，得到椒段占比参数。
需要说明的是：上层干料最主要包括香叶和椒段，香叶和椒段的占比会影响火锅底料风味，此外，上层干料还具备装饰作用，会直接影响火锅底料的外观美感，干料露出还利于保存；因此，需要保证上层干料装料均匀，由于香叶和椒段均具备鲜明的颜色特征，因此，本实施例通过采集顶面底料图像，并通过隶属色域对香叶和椒段进行图像识别，判断是否露出和出露面积是否正常，若香叶占比参数和椒段占比参数均正常，则说明上层干料装料均匀。本实施例所用算子为现有算子，可以通过Canny边缘检测算子来进行轮廓检测，色域识别则可以通过findContours函数进行检测，这里对各算子不做限制。
如图9所示，块料尺寸参数识别通过如下步骤进行：
步骤C2.1：获取标准底料图像；其中，标准底料图像为顶面底料图像和侧面底料图像；
步骤C2.2：获取背景图像隶属色域；
步骤C2.3：遍历扫描顶面底料图像的像素矩阵和HSV颜色空间：
若当前像素点的所属色域位于背景图像隶属色域内，则视为无效像素点舍弃掉；
若当前像素点的所属色域位于背景图像隶属色域外，则加入顶面像素点集合中；
遍历扫描侧面底料图像的像素矩阵和HSV颜色空间：
若当前像素点的所属色域位于背景图像隶属色域内，则视为无效像素点舍弃掉；
若当前像素点的所属色域位于背景图像隶属色域外，则加入侧面像素点集合中；
步骤C2.4：将顶面像素点集合映射入像素矩阵，得到顶面映射图像；
将侧面像素点集合映射入像素矩阵，得到侧面映射图像；
步骤C2.5：对顶面映射图像进行开操作和闭操作，得到顶面形状图像；
对侧面映射图像进行开操作和闭操作，得到侧面形状图像；
其中，开操作去除像素噪点，闭操作连通像素断点；
步骤C2.6：通过形状检测算子对顶面形状图像进行形状检测，得到块料形状参数；
通过厚度检测算子对侧面形状图像进行厚度检测，得到块料厚度参数。
需要说明的是：块料尺寸主要是影响火锅底料的外观、重量等；若块料尺寸主要是通过形状和厚度进行衡量；本实施例通过将背景图像像素点进行抠出，凸显块料主体，再通过形状检测算子和厚度检测算子进行检测，得到块料形状参数和块料厚度参数。
料层结构参数识别通过如下步骤进行：
步骤C3.1：获取标准底料图像，其中，标准底料图像为侧面底料图像；
步骤C3.2：获取各料层图像隶属色域和背景图像隶属色域；
步骤C3.3：遍历扫描标准底料图像的像素矩阵和HSV颜色空间：
若当前像素点的所属色域位于料层图像隶属色域内，则加入对应的料层像素点集合中；
若当前像素点的所属色域位于背景图像隶属色域内，则视为无效像素点舍弃掉；
步骤C3.4：将各料层像素点集合映射入像素矩阵，得到对应的料层映射图像；
步骤C3.5：对各料层映射图像进行开操作和闭操作，得到对应的料层结构图像；
其中，开操作去除像素噪点，闭操作连通像素断点；
步骤C3.6：通过厚度检测算子对料层结构图像进行厚度识别，得到对应料层层厚参数；
记录各料层结构图像在侧面底料图像的排列顺序，得到对应料层层序参数。
作为更进一步的解决方案，参考数据生成步骤通过参考图像/用户设置进行生成；
参考图像生成：通过参考图像生成参考数据：通过底料图像采集步骤采集火锅底料的参考图像；通过底料图像识别步骤对参考图像进行底料图像识别，得到对应的参考目标参数；通过参考目标参数生成对应的参考数据；
用户设置生成：用户直接编辑参考目标参数，通过参考目标参数生成对应的参考数据。
作为更进一步的解决方案，参考数据为结构化数据，数据结构包括：参考数据ID、上层干料参考参数、块料尺寸参考参数和料层结构参考参数；均匀装料监测步骤：通过参考数据ID对进行数据调用和参数对比；其中，
上层干料参考参数包括：香叶参考占比和椒段参考占比；
块料尺寸参考参数包括：参考形状参数和参考厚度参数；
料层结构参考参数包括：参考层厚参数和参考层序参数。
作为更进一步的解决方案，在参数不匹配时，还执行异常装料识别步骤：根据异常参数，识别出对应的异常装料类型；
上层干料参数不匹配：上层香叶不均和/或上层椒段不均；
块料尺寸参数不匹配：块料形状不均和/或块料厚度不均；
料层结构参数不匹配：料层层厚不均和/或料层序厚不均。
如图10所示，作为更进一步的解决方案，一种用于火锅底料均匀装料的监测装置，用于对火锅块料1进行均匀装料监测，包括运载单元、背光单元、拍摄单元、处理单元、存储单元和通信单元；
运载单元通过传送带进行设置，火锅块料1放置在传送带上；背光单元包括补光灯3和遮光罩2，其中，遮光罩2设置在传送带沿途，补光灯3设置在遮光罩2的内壁上；拍摄单元通过第一摄像头4和第二摄像头5进行设置，第一摄像头4设置在火锅块料1的正上方，第二摄像头5设置在火锅块料1正侧方；处理单元分别与运载单元、背光单元、拍摄单元、存储单元和通信单元电性连接；存储单元用于向处理单元提供存储空间；通信单元用于向处理单元提供通信服务；
其中，处理单元执行如上任一项所述的一种用于火锅底料均匀装料的监测方法，得到监测数据对比结果，并输出异常结果对应的异常装料类型。
本发明结合如图3至图6对料层结构参数的对比进行具体说明：
图3为参考火锅底料的图像（立体图，非参考图像），其侧面底料图像如图4所述；图5为监测火锅底料的图像（立体图，非参考图像）；图6则为参考图像和监测图像的层料结构参数对比图，其中，左侧为料层结构参考参数，右侧则为料层结构参数；
通过图4我们不难看出：白油层为第一层，底料层则为第二层，红油层为第三层，干料层则未进行设置，A、B、C则为对应的层厚，因此，料层结构参考参数与之一一对应，未设置的干料层填写NULL，其余参数则对应填写；通过图5我们不难看出：干料层为一层，红油层为二层，白油层为三层，底料层为四层；层厚则一层为空，二层为C，三层与四层由于层厚不均，无法识别层厚，填写为ERRO；通过料层结构参数对比，我们便能判断被监测的火锅底料存在层厚不匹配与层序不匹配，因此，异常装料识别步骤判断为：料层层厚不均和料层序厚不均。
以上仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种用于火锅底料均匀装料的监测方法，用于对块状固体麻辣型的火锅底料进行均匀装料监测，其特征在于，通过对火锅底料进行图像识别，并根据识别结果判断是否装料均匀；其中，识别判断步骤包括：底料图像采集步骤、底料图像识别步骤、参考数据生成步骤和均匀装料监测步骤；
底料图像采集步骤：在火锅底料脱模后与装袋前之间进行底料图像采集，底料图像包括摄像头从顶面和侧面采集的图像；具体子步骤包括：背光检测调节步骤、顶面图像采集步骤和侧面图像采集步骤；
底料图像识别步骤：对底料图像中不同对象的图像目标进行分类识别，并计算各图像目标的目标参数；其中，图像识别的对象为上层干料、块料尺寸和料层结构；具体子步骤包括：图像目标设置步骤、底料图像处理步骤和目标参数识别步骤；
参考数据生成步骤：得到参考数据；
均匀装料监测步骤：通过底料图像采集步骤采集火锅底料的监测图像；通过底料图像识别步骤对监测图像进行目标参数识别，得到对应的监测目标参数；将参考数据与监测目标参数进行实时参数对比，判断是否装料均匀。
2.根据权利要求1所述的一种用于火锅底料均匀装料的监测方法，其特征在于，背光检测调节步骤，用于检测并调节底料图像采集时的背光强度，维持背光强度在标准背光强度附近；其中，背光调节通过如下步骤进行：
步骤A1：检测当前背光强度；
步骤A2：将当前背光强度和标准背光强度进行对比，得到背光强度差；
步骤A3：根据调节模式，计算背光强度差对应的电能调节量；
步骤A4：将电能调节量用于补光灯（3）的电能调节；
步骤A5：进行反馈调节，检测经过电能调节后的反馈背光强度；
步骤A6：将反馈背光强度和标准背光强度进行对比，得到反馈强度差；
步骤A7：进行反馈判断：
若反馈强度差在误差范围外，则返回至步骤A1；
若反馈强度差在误差范围内，则完成背光调节。
3.根据权利要求2所述的一种用于火锅底料均匀装料的监测方法，其特征在于，底料图像通过顶面图像采集步骤和侧面图像采集步骤进行采集，得到顶面底料图像和侧面底料图像；其中，通过RGB摄像头采集底料图像，并通过像素矩阵与RGB颜色空间进行表示。
4.根据权利要求3所述的一种用于火锅底料均匀装料的监测方法，其特征在于，在图像目标设置步骤中，各识别对象的图像目标分别包括：
上层干料：设置上层香叶图像目标和上层椒段图像目标，并根据香叶和椒段的特征颜色，设置香叶图像隶属色域与椒段图像隶属色域；
块料尺寸：设置块料厚度图像目标和块料形状图像目标，并根据底料图像中的背景图像颜色，设置背景图像隶属色域；
料层结构：设置料层厚度图像目标和料层层序图像目标，并根据各料层图像的特征颜色，设置对应的料层图像隶属色域。
5.根据权利要求4所述的一种用于火锅底料均匀装料的监测方法，其特征在于，底料图像处理步骤，用于底料图像的标准化处理，通过如下步骤进行：
步骤B1：对底料图像进行主图截取、边缘裁剪和旋转矫正，得到矫正底料图像；
步骤B2：将矫正底料图像的RGB颜色空间转换至HSV颜色空间，得到HSV底料图像；
步骤B3：HSV底料图像进行滤波、降噪，得到标准底料图像。
6.根据权利要求5所述的一种用于火锅底料均匀装料的监测方法，其特征在于，目标参数识别步骤通过包括：上层干料参数识别、块料尺寸参数识别和料层结构参数识别；
上层干料参数识别通过如下步骤进行：
步骤C1.1：获取标准底料图像，其中，标准底料图像为顶面底料图像；
步骤C1.2：获取香叶图像隶属色域与椒段图像隶属色域；
步骤C1.3：遍历扫描标准底料图像的像素矩阵和HSV颜色空间：
若当前像素点的所属色域位于香叶图像隶属色域内，则加入香叶像素点集合中；
若当前像素点的所属色域位于椒段图像隶属色域内，则加入椒段像素点集合中；
若当前像素点的所属色域位于上层干料隶属色域外，则视为无效像素点舍弃掉；
步骤C1.4：将香叶像素点集合映射入像素矩阵，得到香叶映射图像；
将椒段像素点集合映射入像素矩阵，得到椒段映射图像；
步骤C1.5：对香叶映射图像进行开操作和闭操作，得到上层香叶图像；
对椒段映射图像进行开操作和闭操作，得到上层椒段图像；
其中，开操作去除像素噪点，闭操作连通像素断点；
步骤C1.6：通过边缘检测算子对上层香叶图像进行轮廓识别，得到香叶轮廓包围面积；
通过边缘检测算子对上层椒段图像进行轮廓识别，得到椒段轮廓包围面积；
步骤C1.7：计算香叶轮廓包围面积在标准底料图像中的面积占比，得到香叶占比参数；
计算椒段轮廓包围面积在标准底料图像中的面积占比，得到椒段占比参数；
块料尺寸参数识别通过如下步骤进行：
步骤C2.1：获取标准底料图像；其中，标准底料图像为顶面底料图像和侧面底料图像；
步骤C2.2：获取背景图像隶属色域；
步骤C2.3：遍历扫描顶面底料图像的像素矩阵和HSV颜色空间：
若当前像素点的所属色域位于背景图像隶属色域内，则视为无效像素点舍弃掉；
若当前像素点的所属色域位于背景图像隶属色域外，则加入顶面像素点集合中；
遍历扫描侧面底料图像的像素矩阵和HSV颜色空间：
若当前像素点的所属色域位于背景图像隶属色域内，则视为无效像素点舍弃掉；
若当前像素点的所属色域位于背景图像隶属色域外，则加入侧面像素点集合中；
步骤C2.4：将顶面像素点集合映射入像素矩阵，得到顶面映射图像；
将侧面像素点集合映射入像素矩阵，得到侧面映射图像；
步骤C2.5：对顶面映射图像进行开操作和闭操作，得到顶面形状图像；
对侧面映射图像进行开操作和闭操作，得到侧面形状图像；
其中，开操作去除像素噪点，闭操作连通像素断点；
步骤C2.6：通过形状检测算子对顶面形状图像进行形状检测，得到块料形状参数；
通过厚度检测算子对侧面形状图像进行厚度检测，得到块料厚度参数；
料层结构参数识别通过如下步骤进行：
步骤C3.1：获取标准底料图像，其中，标准底料图像为侧面底料图像；
步骤C3.2：获取各料层图像隶属色域和背景图像隶属色域；
步骤C3.3：遍历扫描标准底料图像的像素矩阵和HSV颜色空间：
若当前像素点的所属色域位于料层图像隶属色域内，则加入对应的料层像素点集合中；
若当前像素点的所属色域位于背景图像隶属色域内，则视为无效像素点舍弃掉；
步骤C3.4：将各料层像素点集合映射入像素矩阵，得到对应的料层映射图像；
步骤C3.5：对各料层映射图像进行开操作和闭操作，得到对应的料层结构图像；
其中，开操作去除像素噪点，闭操作连通像素断点；
步骤C3.6：通过厚度检测算子对料层结构图像进行厚度识别，得到对应料层层厚参数；
记录各料层结构图像在侧面底料图像的排列顺序，得到对应料层层序参数。
7.根据权利要求1所述的一种用于火锅底料均匀装料的监测方法，其特征在于，参考数据生成步骤通过参考图像/用户设置进行生成；
参考图像生成：通过参考图像生成参考数据：通过底料图像采集步骤采集火锅底料的参考图像；通过底料图像识别步骤对参考图像进行底料图像识别，得到对应的参考目标参数；通过参考目标参数生成对应的参考数据；
用户设置生成：用户直接编辑参考目标参数，通过参考目标参数生成对应的参考数据。
8.根据权利要求1所述的一种用于火锅底料均匀装料的监测方法，其特征在于，参考数据为结构化数据，数据结构包括：参考数据ID、上层干料参考参数、块料尺寸参考参数和料层结构参考参数；均匀装料监测步骤：通过参考数据ID对进行数据调用和参数对比；其中，
上层干料参考参数包括：香叶参考占比和椒段参考占比；
块料尺寸参考参数包括：参考形状参数和参考厚度参数；
料层结构参考参数包括：参考层厚参数和参考层序参数。
9.根据权利要求1所述的一种用于火锅底料均匀装料的监测方法，其特征在于，在参数不匹配时，还执行异常装料识别步骤：根据异常参数，识别出对应的异常装料类型；
上层干料参数不匹配：上层香叶不均和/或上层椒段不均；
块料尺寸参数不匹配：块料形状不均和/或块料厚度不均；
料层结构参数不匹配：料层层厚不均和/或料层序厚不均。
10.一种用于火锅底料均匀装料的监测装置，用于对火锅块料（1）进行均匀装料监测，其特征在于，包括运载单元、背光单元、拍摄单元、处理单元、存储单元和通信单元；
运载单元通过传送带进行设置，火锅块料（1）放置在传送带上；背光单元包括补光灯（3）和遮光罩（2），其中，遮光罩（2）设置在传送带沿途，补光灯（3）设置在遮光罩（2）的内壁上；拍摄单元通过第一摄像头（4）和第二摄像头（5）进行设置，第一摄像头（4）设置在火锅块料（1）的正上方，第二摄像头（5）设置在火锅块料（1）正侧方；处理单元分别与运载单元、背光单元、拍摄单元、存储单元和通信单元电性连接；存储单元用于向处理单元提供存储空间；通信单元用于向处理单元提供通信服务；
其中，处理单元执行如权利要求1至权利要求9任一项所述的一种用于火锅底料均匀装料的监测方法，得到监测数据对比结果，并输出异常结果对应的异常装料类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310062502.6A CN115880282B (zh) | 2023-01-16 | 2023-01-16 | 一种用于火锅底料均匀装料的监测方法及其监测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310062502.6A CN115880282B (zh) | 2023-01-16 | 2023-01-16 | 一种用于火锅底料均匀装料的监测方法及其监测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115880282A CN115880282A (zh) | 2023-03-31 |
| CN115880282B true CN115880282B (zh) | 2023-05-12 |
Family
ID=85758720
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310062502.6A Active CN115880282B (zh) | 2023-01-16 | 2023-01-16 | 一种用于火锅底料均匀装料的监测方法及其监测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115880282B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116912235B (zh) * | 2023-09-08 | 2023-11-24 | 金乡县金禧园食品有限公司 | 基于计算机视觉的脱水蒜状态智能检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004003899A (ja) * | 2002-06-03 | 2004-01-08 | Nikkei Denki Kk | 包装食品等の外観検査方法および装置 |
| CN113283818A (zh) * | 2021-07-21 | 2021-08-20 | 四川远方云天食品科技有限公司 | 一种用于食品的产品质量监控方法及监控系统 |
| CN113349331A (zh) * | 2021-05-12 | 2021-09-07 | 江苏大学 | 一种柔性自适应无菌米饭的生产方法 |
| CN214865393U (zh) * | 2021-06-10 | 2021-11-26 | 重庆周君记火锅食品有限公司 | 调料外包装袋检测与剔除系统 |
| CN216426119U (zh) * | 2021-11-23 | 2022-05-03 | 锦岸机械科技江苏有限公司 | 一种火锅底料生产用香叶定量上料机构 |
| CN114632716A (zh) * | 2022-03-19 | 2022-06-17 | 莆田市农汇食品有限公司 | 一种真空包装食品气密性视觉检测装置 |
-
2023
- 2023-01-16 CN CN202310062502.6A patent/CN115880282B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004003899A (ja) * | 2002-06-03 | 2004-01-08 | Nikkei Denki Kk | 包装食品等の外観検査方法および装置 |
| CN113349331A (zh) * | 2021-05-12 | 2021-09-07 | 江苏大学 | 一种柔性自适应无菌米饭的生产方法 |
| CN214865393U (zh) * | 2021-06-10 | 2021-11-26 | 重庆周君记火锅食品有限公司 | 调料外包装袋检测与剔除系统 |
| CN113283818A (zh) * | 2021-07-21 | 2021-08-20 | 四川远方云天食品科技有限公司 | 一种用于食品的产品质量监控方法及监控系统 |
| CN216426119U (zh) * | 2021-11-23 | 2022-05-03 | 锦岸机械科技江苏有限公司 | 一种火锅底料生产用香叶定量上料机构 |
| CN114632716A (zh) * | 2022-03-19 | 2022-06-17 | 莆田市农汇食品有限公司 | 一种真空包装食品气密性视觉检测装置 |
Non-Patent Citations (2)
| Title |
|---|
| Renewable, sustainable and natural materials on food packaging: Primary data for robotically detect packaging shape in logistics;Thanapong Chaichana;《2020 The 6th International Conference on Chemical Materials and Process》;第1681卷;1-6 * |
| 预制沙拉包装工艺优化及品质评价;范红梅;《中国优秀硕士学位论文全文数据库_工程科技Ⅰ辑》;B024-112 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115880282A (zh) | 2023-03-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220287498A1 (en) | Method and device for automatically cooking food | |
| Lee et al. | Rapid color grading for fruit quality evaluation using direct color mapping | |
| KR101650679B1 (ko) | 동적 제조 라인에서 식품 제품의 품질을 채점 및 제어하는 방법 | |
| Wu et al. | Colour measurements by computer vision for food quality control–A review | |
| CN110646416B (zh) | 一种用于评价熏鸡品质的比色卡及应用 | |
| CN115880282B (zh) | 一种用于火锅底料均匀装料的监测方法及其监测装置 | |
| Zhang et al. | Date maturity and quality evaluation using color distribution analysis and back projection | |
| Eissa et al. | Understanding color image processing by machine vision for biological materials | |
| Lukinac et al. | Application of computer vision and image analysis method in cheese-quality evaluation: a review | |
| CN109213015B (zh) | 一种烹饪器具的控制方法及烹饪器具 | |
| CN111860125A (zh) | 基于机器视觉识别水果成熟度的方法 | |
| Siswantoro | Application of color and size measurement in food products inspection | |
| CN109100350B (zh) | 一种面粉麸星检测方法 | |
| Udayakumar | Visible light imaging | |
| CN106290359B (zh) | 一种苹果脆片品质无损分级的方法 | |
| CN113828520A (zh) | 一种咖啡生豆分选烘焙分装和标示方法 | |
| Manamohana et al. | Applications of colour models in the food processing industry: A systematic review | |
| Faridi et al. | Application of machine vision in agricultural products | |
| Savchenko et al. | Construction of a linear food quality classifier based on their color analysis | |
| CN115722458A (zh) | 一种高辣度辣椒椒包果糖的快速处理方法 | |
| US11897648B2 (en) | Adaptive quantitative sub-packaging method for fried rice with multiple side dishes in central kitchen and apparatus therefor | |
| CN106482643B (zh) | 鸡冠大小和颜色测定板及测定方法 | |
| CN110009596A (zh) | 基于图像处理技术的马铃薯品质检测系统 | |
| Judal et al. | Role of machine vision system in food quality and safety evaluation | |
| CN111435447A (zh) | 识别留胚米的方法、装置和烹饪器具 |
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 |