CN116500052A - 一种食用油杂质视觉检测系统及其使用方法 - Google Patents
一种食用油杂质视觉检测系统及其使用方法 Download PDFInfo
- Publication number
- CN116500052A CN116500052A CN202310525873.3A CN202310525873A CN116500052A CN 116500052 A CN116500052 A CN 116500052A CN 202310525873 A CN202310525873 A CN 202310525873A CN 116500052 A CN116500052 A CN 116500052A
- Authority
- CN
- China
- Prior art keywords
- image
- detection
- impurity
- bottle
- oil
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 84
- 239000012535 impurity Substances 0.000 title claims abstract description 84
- 239000008157 edible vegetable oil Substances 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims description 23
- 230000000007 visual effect Effects 0.000 title abstract description 21
- 239000003921 oil Substances 0.000 claims abstract description 45
- 230000000877 morphologic effect Effects 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000009499 grossing Methods 0.000 claims abstract description 4
- 230000008859 change Effects 0.000 claims description 16
- 230000002146 bilateral effect Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 6
- 238000011179 visual inspection Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000011109 contamination Methods 0.000 claims 1
- 239000007788 liquid Substances 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 235000012206 bottled water Nutrition 0.000 description 4
- 239000008367 deionised water Substances 0.000 description 4
- 229910021641 deionized water Inorganic materials 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 210000000746 body region Anatomy 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000003708 ampul Substances 0.000 description 1
- 239000007864 aqueous solution Substances 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000006193 liquid solution Substances 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 235000012434 pretzels Nutrition 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/90—Investigating the presence of flaws or contamination in a container or its contents
- G01N21/9018—Dirt detection in containers
- G01N21/9027—Dirt detection in containers in containers after filling
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种食用油杂质视觉检测系统，所述检测系统通过动态视觉传感器采集油瓶底部图像，并将图像处理及检测相关算法嵌入边缘视觉盒子，对选取的图像帧进行平滑、形态学及图像代数运算，去除瓶底影响，将输出的结果进行标注，并输入YOLO网络进行检测。本发明采用上述一种食用油杂质视觉检测系统，采用动态视觉传感器进行图像采集，减少了背景颜色干扰，采用瓶底拍摄方式采集图像，更容易检测到杂质点，减少气泡的影响，且采集的杂质图像比较全面，可检测到的杂质直径最小可达0.2mm。
Description
技术领域
本发明涉及杂质检测技术领域，尤其是涉及一种食用油杂质视觉检测系统及其使用方法。
背景技术
我国的食用油生产工业基本实现了自动化，但是油质杂质检测环节目前大多仍是采用人工检测方式。随着机器视觉理论的发展与完善，用机器代替人眼做检测和判断成为未来发展的趋势，这将减少人力劳动，降低检测成本，提高检测精度与效率，产业的自动化与智能化程度随之得到进一步提高。
专利公开号CN105973904A提出了一种基于图像背景概率图的食用油杂质检测方法。首先是建立背景概率图，对采集图像进行目标检测油体区域ROI提取，对提取的油体区域进行图像预处理，提取瓶身纹路，而后进行阈值分割，进一步突出纹路部分，取100-300张作为样本图像集，采用基于学习函数更新背景图方式重建背景，将背景图像归一化得到背景概率图；紧接着进行异物检测，对待检测图像进行ROI提取以及预处理，异物以及纹路部分突出；将处理后的图像与背景概率图相乘后做阈值分割去除干扰，选取不同特征作为SVM分类器的输入向量，训练后识别异物。
现有文献中基于机器视觉的液体杂质检测技术多是针对于酒类、瓶装水以及安瓿瓶内部的透明液体所设计，图像拍摄多采用瓶身拍摄方式，使用面光源照射。为了使瓶内杂质运动，已有方法多采用快速运动后急停的方式，并根据杂质的运动轨迹或者杂质和气泡的形态学特点进行两者的区分，从而进行杂质的检测。
专利公开号CN115496897A公布的基于数字图像处理的去离子水固体杂质检测方法和系统是针对于去离子水的固体杂质检测，为了使杂质在瓶体内有效运动，需要对瓶装去离子水进行摇晃、翻转，使杂质随着去离子水的流动一起运动，以产生杂质运动轨迹。相对于水而言油液的质地较为粘稠，且食用油瓶体较大、体积较重，对该瓶体进行摇晃、旋转的操作较为困难，因此较难捕捉油液杂质的运动轨迹。
专利公开号CN108896574A提出的基于机器视觉的瓶装白酒杂质检测方法及系统通过比较长轴与短轴的比值对气泡和杂质进行区分，若杂质较为密集且整体形状与气泡相似，则该方法无法很好地实现杂质与气泡的区分。
专利公开号CN105973904A提出的基于图像背景概率图的食用油杂质检测采取瓶身拍摄的方式采集杂质图像，而杂质并不是全部处于悬浮状态，部分杂质会沉淀于油瓶底部，该情况下瓶身拍摄所采集的图像无法进行有效检测。
由于现有文献中机器视觉杂质检测技术多是基于瓶装水的透明液体，与瓶装水等透明液体相比，油液较为粘稠，杂质在其内部的运动不像在水中运动一样明显，没有较好的方式进行杂质追踪。且油瓶构造不似水瓶般规则，且体积较大、重量较重，因此不便于进行高速运行并急停的操作。
随着生活水平的提高，消费者对食品安全的重视程度日益增长，其中对于食用油的品质也更加看重。现有食用油杂质检测方法效率较低、成本较高、准确度不佳。此外，市面上大部分检测方式更适用于瓶装水、药液中包含的杂质，而油液与水溶液在比重、粘度、透光率、粘滞性等诸多参数方面都明显不同，因此常规检测方式并不适用。本发明设计了一种食用油杂质视觉检测系统，来解决上述问题。
发明内容
本发明的目的是提供一种食用油杂质视觉检测系统及其使用方法，采用动态视觉传感器进行图像采集，减少了背景干扰，采用瓶底拍摄方式采集图像，更容易检测到杂质点，减少气泡的影响，且采集的杂质图像比较全面，可检测到的杂质直径最小可达0.2mm。
为实现上述目的，本发明提供了一种食用油杂质视觉检测系统，所述检测系统通过动态视觉传感器采集油瓶底部图像，并将图像处理及检测相关算法嵌入边缘视觉盒子，对选取的图像帧进行平滑、形态学及图像代数运算，去除瓶底影响，将输出的结果进行标注，并输入YOLO网络进行检测。
一种食用油杂质视觉检测系统的使用方法，所述使用方法包括如下步骤：
步骤S1，通过动态视觉传感器采集油液底部视频图像，选取一帧作为检测帧并读入系统；
步骤S2，将采集的图像输入边缘视觉盒子进行检测；
步骤S3，输出杂质检测结果。
优选的，所述步骤S1中，动态视觉传感器的工作原理如下：
(1)最基本原理为对于每个像素的光照对数的变化，根据每个像素的变化，若当前像素的亮度信息变化超过阈值C且为增大，则记为on事件，若为减小，则记为off事件；当场景中由物体运动或光照改变造成大量像素变化时，会产生一系列的事件，这些事件以事件流方式输出，事件流的数据量远小于传统相机传输的数据，且没有最小时间单位，与传统相机定时输出数据不同，具有低延迟特性；
(2)对于图中的位置信息设X＝(x，y)T，事件抽象为3D函数E＝logI(X，t)或者是4D函数E＝logI(X，t，p)，p＝1时表示on信号，p＝-1时表示off信号；
(3)事件输出：logI(x，t)-logI(x，t-Δt)＝±C。
优选的，所述步骤S2中，将采集图像输入边缘视觉盒子进行检测包括如下步骤：
步骤S2-1，将读入系统的检测帧图像进行预处理；
步骤S2-2，采集无杂质时油瓶底部的十字花纹图像；
步骤S2-3，将图像预处理的结果进行图像代数运算；
步骤S2-4，将标注后的图像输入YOLOv5进行检测并生成油液检测模型。
优选的，所述步骤S2-1中，图像预处理的具体步骤如下：
(1)对输入图像进行双边滤波，双边滤波公式为：
式中，(k，l)为其他点坐标，(i，j)为模板窗口中心点坐标，g(k，l)为最终输出图像的每个位置的像素值；
(2)对双边滤波输出的结果进行形态学操作。
优选的，所述步骤S2-2中，采集无杂质油瓶底部的十字花纹图像时预先使用动态视觉传感器拍摄瓶底模板图像。
优选的，所述步骤S2-3中，代数运算的具体步骤如下：
(1)将形态学处理后的结果及动态视觉传感器所拍摄的无杂质瓶底花纹图像导入，形态学处理后图像与瓶底花纹图像的像素值大小须保持一致；
(2)发现瓶底十字花纹图像的边界，给定边界初始值，并循环计算边界，得到边界后停止；
(3)将所计算出十字花纹的边界用长方形框出；
(4)提取油瓶底部图像的特征点，并将形态学处理后图像的相同部分进行图像减法，保留两张图像的差异部分，图像相减公式：
g(x，y)＝f(x，y)-h(x，y)
式中，g(x，y)为杂质图像，f(x，y)为形态学处理后图像，h(x，y)为油瓶底部花纹模板；
(5)输出图像代数运算操作后的结果。
优选的，所述步骤S2-4中，检测模型包括如下步骤：
(1)将图像代数运算后的结果进行杂质点标注；
(2)将数据集划分为训练集、测试集；
(3)将作为训练集的数据集输入YOLOv5网络进行训练；
(4)生成油液杂质检测模型。
优选的，所述YOLOv5网络训练后生成油液杂质检测模型，将测试集输入油液杂质检测模型进行杂质检测。
本发明所述的一种食用油杂质视觉检测系统及其使用方法的优点和积极效果是：
1、降低了背景图像对于杂质检测的干扰，杂质点采集全面，可检测到的杂质点直径最小可达0.2mm，检测更加准确，漏检率低。
2、本发明的检测方式只需要在原有的食用油生产线上增加一部相机进行油瓶底部拍摄，将原本传送的履带部分变为透明，不用对本身的生产线进行大的改造，实用性较好，简单易使用。
3、本发明的检测方式不仅适用于食用油检测，还可推广至机械类润滑油等各类液体的检测中。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明检测系统使用方法流程图；
图2为本发明预处理所产生的图，a为采集到的原始图，b为双边滤波后的图，c为开运算操作后的图；
图3为本发明代数运算流程图；
图4为本发明代数运算结果图，a为形态学处理后油瓶底部图，b为油瓶底部花纹图，c为相减一次结果图，d为相减两次结果图；
图5为本发明检测后结果图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
实施例
一种食用油杂质视觉检测系统，检测系统通过动态视觉传感器采集油瓶底部图像，并将图像处理及检测相关算法嵌入边缘视觉盒子，对选取的图像帧进行平滑、形态学及图像代数运算，去除瓶体影响，将输出的结果进行标注，并输入YOLO网络进行检测。
一种食用油杂质视觉检测系统的使用方法，包括如下步骤：
步骤S1，通过动态视觉传感器采集油液底部视频图像，选取一帧作为检测帧并读入系统。将动态视觉传感器置于食用油生产线传送带下方，由瓶盖处自顶向下打光，采集油瓶底部图像，并将视频图像序列化，从中挑选较为清晰的一帧图像作为检测帧。
动态视觉传感器的工作原理如下：
(1)最基本原理为对于每个像素的光照对数的变化，根据每个像素的变化，若当前像素的亮度信息变化超过阈值C且为增大，则记为on事件，若为减小，则记为off事件；当场景中由物体运动或光照改变造成大量像素变化时，会产生一系列的事件，这些事件以事件流方式输出，事件流的数据量远小于传统相机传输的数据，且没有最小时间单位，与传统相机定时输出数据不同，具有低延迟特性；
(2)对于图中的位置信息设X＝(x，y)T，事件抽象为3D函数E＝logI(X，t)或者是4D函数E＝logI(X，t，p)，p＝1时表示on信号，p＝-1时表示off信号；
(3)事件输出：logI(x，t)-logI(x，t-Δt)＝±C。
步骤S2，将图像处理及杂质检测所需的预处理、形态学运算、图像代数运算以及YOLO网络嵌入边缘视觉盒子。将采集的图像输入边缘视觉盒子进行检测，共包含4个子步骤。
步骤S2-1，将读入系统的检测帧图像进行预处理。由于动态视觉传感器自身器件因素以及环境的干扰，因此所采集的图像帧包含有较多的噪声点，无法直接进行检测因此需要进行预处理。
预处理的具体步骤如下：
(1)对输入图像进行双边滤波。由于动态视觉传感器的设备及环境因素的影响，拍摄出的图像具有强烈的背景噪声，噪声大部分为椒盐噪声。因此，使用双边滤波进行图像平滑处理。图2(a)为采集到的原始图像，图2(b)为双边滤波后图像。双边滤波公式为：
式中，(k，l)为其他点坐标，(i，j)为模板窗口中心点坐标，g(k，l)为最终输出图像的每个位置的像素值。
(2)对双边滤波输出的结果进行形态学操作。当瓶体随着食用油生产线传送带或是转盘机构运行时，瓶底部轮廓及纹路也会产生亮度变化，对于杂质检测的结果也会产生干扰，因此对双边滤波结果进行形态学的开运算操作。先进行腐蚀再膨胀，进一步消去干扰，并保持图像原有形状。开运算操作后的图像如图2(c)所示。
步骤S2-2，采集无杂质时油瓶底部的十字花纹图像。采集无杂质油瓶底部的十字花纹图像时预先使用动态视觉传感器拍摄瓶底模板图像。
步骤S2-3，将图像预处理的结果进行图像代数运算。
代数运算的流程图如图3所示，具体步骤如下：
(1)将形态学处理后的结果及动态视觉传感器所拍摄的无杂质瓶底花纹图像导入，形态学处理后图像与瓶底花纹图像的像素值大小须保持一致。形态学处理结果如图4(a)所示，油瓶底部花纹图像如图4(b)所示。
(2)发现瓶底十字花纹图像的边界，给定边界初始值，并循环计算边界，得到边界后停止。
(3)将所计算出十字花纹的边界用长方形框出。如图4(b)所示。
(4)提取油瓶底部图像的特征点，并将形态学处理后图像的相同部分进行图像减法，保留两张图像的差异部分，图像相减公式：
g(x，y)＝f(x，y)-h(x，y)
式中，g(x，y)为杂质图像，f(x，y)为形态学处理后图像，h(x，y)为油瓶底部花纹模板。
(5)输出图像代数运算操作后的结果。相减一次的结果如图4(c)所示，相减两次的结果，如图4(d)所示，视觉检测系统采用图4(d)结果。将图像代数运算后的结果中的一部分作为训练集，另一部分作为测试集。油瓶在灌装过程中不可避免的会产生气泡，采用瓶底拍摄方式减少气泡的影响。
步骤S2-4，将标注后的图像输入YOLOv5进行检测并生成油液检测模型。检测模型包括如下步骤：
(1)将图像代数运算后的结果进行杂质点标注；
(2)将数据集划分为训练集、测试集；
(3)将作为训练集的数据集输入YOLOv5网络进行训练；
(4)生成油液杂质检测模型。
步骤S3，将作为测试集的图片集输入训练好的油液杂质检测模型进行检测，输出杂质检测结果。
因此，本发明采用上述一种食用油杂质视觉检测系统及其使用方法，采用动态视觉传感器进行图像采集，减少了背景干扰，采用瓶底拍摄方式采集图像，更容易检测到杂质点，减少气泡的影响，且采集的杂质图像比较全面，可检测到的杂质直径最小可达0.2mm。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (9)
1.一种食用油杂质视觉检测系统，其特征在于：所述检测系统通过动态视觉传感器采集油瓶底部图像，并将图像处理及检测相关算法嵌入边缘视觉盒子，对选取的图像帧进行平滑、形态学及图像代数运算，去除瓶底影响，将输出的结果进行标注，并输入YOLO网络进行检测。
2.一种如权利要求1所述的食用油杂质视觉检测系统的使用方法，其特征在于，所述使用方法包括如下步骤：
步骤S1，通过动态视觉传感器采集油液底部视频图像，选取一帧作为检测帧并读入系统；
步骤S2，将采集的图像输入边缘视觉盒子进行检测；
步骤S3，输出杂质检测结果。
3.根据权利要求2所述的一种食用油杂质视觉检测系统的使用方法，其特征在于，所述步骤S1中，动态视觉传感器的工作原理如下：
(1)最基本原理为对于每个像素的光照对数的变化，根据每个像素的变化，若当前像素的亮度信息变化超过阈值C且为增大，则记为on事件，若为减小，则记为off事件；当场景中由物体运动或光照改变造成大量像素变化时，会产生一系列的事件，这些事件以事件流方式输出，事件流的数据量远小于传统相机传输的数据，且没有最小时间单位，与传统相机定时输出数据不同，具有低延迟特性；
(2)对于图中的位置信息设X＝(x，y)T，事件抽象为3D函数E＝logI(X，t)或者是4D函数E＝logI(X，t，p)，p＝1时表示on信号，p＝-1时表示off信号；
(3)事件输出：logI(x，t)-logI(x，t-Δt)＝±C。
4.根据权利要求2所述的一种食用油杂质视觉检测系统的使用方法，其特征在于，所述步骤S2中，将采集图像输入边缘视觉盒子进行检测包括如下步骤：
步骤S2-1，将读入系统的检测帧图像进行预处理；
步骤S2-2，采集无杂质时油瓶底部的十字花纹图像；
步骤S2-3，将图像预处理的结果进行图像代数运算；
步骤S2-4，将标注后的图像输入YOLOv5进行检测并生成油液杂质检测模型。
5.根据权利要求4所述的一种食用油杂质视觉检测系统的使用方法，其特征在于，所述步骤S2-1中，图像预处理的具体步骤如下：
(1)对输入图像进行双边滤波，双边滤波公式为：
式中，(k，l)为其他点坐标，(i，j)为模板窗口中心点坐标，g(k，l)为最终输出图像的每个位置的像素值；
(2)对双边滤波输出的结果进行形态学操作。
6.根据权利要求4所述的一种食用油杂质视觉检测系统的使用方法，其特征在于，所述步骤S2-2中，采集无杂质油瓶底部的十字花纹图像时预先使用动态视觉传感器拍摄瓶底模板图像。
7.根据权利要求4所述的一种食用油杂质视觉检测系统的使用方法，其特征在于，所述步骤S2-3中，代数运算的具体步骤如下：
(1)将形态学处理后的结果及动态视觉传感器所拍摄的无杂质瓶底花纹图像导入，形态学处理后图像与瓶底花纹图像的像素值大小须保持一致；
(2)发现瓶底十字花纹图像的边界，给定边界初始值，并循环计算边界，得到边界后停止；
(3)将所计算出十字花纹的边界用长方形框出；
(4)提取油瓶底部图像的特征点，并将形态学处理后图像的相同部分进行图像减法，保留两张图像的差异部分，图像相减公式：
g(x，y)＝f(x，y)-h(x，y)
式中，g(x，y)为杂质图像，f(x，y)为形态学处理后图像，h(x，y)为油瓶底部花纹模板；
(5)输出图像代数运算操作后的结果。
8.根据权利要求4所述的一种食用油杂质视觉检测系统的使用方法，其特征在于，所述步骤S2-4中，检测模型包括如下步骤：
(1)将图像代数运算后的结果进行杂质点标注；
(2)将数据集划分为训练集、测试集；
(3)将作为训练集的数据集输入YOLOv5网络进行训练；
(4)生成油液杂质检测模型。
9.根据权利要求8所述的一种食用油杂质视觉检测系统的使用方法，其特征在于：所述YOLOv5网络训练后生成油液杂质检测模型，将测试集输入油液杂质检测模型进行杂质检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310525873.3A CN116500052A (zh) | 2023-05-11 | 2023-05-11 | 一种食用油杂质视觉检测系统及其使用方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310525873.3A CN116500052A (zh) | 2023-05-11 | 2023-05-11 | 一种食用油杂质视觉检测系统及其使用方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116500052A true CN116500052A (zh) | 2023-07-28 |
Family
ID=87316357
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310525873.3A Pending CN116500052A (zh) | 2023-05-11 | 2023-05-11 | 一种食用油杂质视觉检测系统及其使用方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116500052A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116952785A (zh) * | 2023-09-20 | 2023-10-27 | 深圳市华加生物科技有限公司 | 基于图像数据的电子烟油变质检测方法 |
-
2023
- 2023-05-11 CN CN202310525873.3A patent/CN116500052A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116952785A (zh) * | 2023-09-20 | 2023-10-27 | 深圳市华加生物科技有限公司 | 基于图像数据的电子烟油变质检测方法 |
| CN116952785B (zh) * | 2023-09-20 | 2023-12-12 | 深圳市华加生物科技有限公司 | 基于图像数据的电子烟油变质检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110992329B (zh) | 一种产品表面缺陷检测方法、电子设备及可读存储介质 | |
| Cho et al. | Development of real-time vision-based fabric inspection system | |
| CN109598715B (zh) | 基于机器视觉的物料粒度在线检测方法 | |
| CN108896574B (zh) | 一种基于机器视觉的瓶装白酒杂质检测方法及系统 | |
| CN111260640B (zh) | 基于cyclegan的树状生成器网络齿轮点蚀图像测量方法及装置 | |
| CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
| CN105973904B (zh) | 一种基于图像背景概率图的食用油杂质检测方法 | |
| WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
| CN112734761B (zh) | 工业品图像边界轮廓提取方法 | |
| CN110310275B (zh) | 一种基于图像处理的链式传送带缺陷检测方法 | |
| CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
| CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
| CN210071686U (zh) | 基于正交双目机器视觉的水果分级装置 | |
| WO2017120796A1 (zh) | 路面病害的检测方法及其装置、电子设备 | |
| CN116500052A (zh) | 一种食用油杂质视觉检测系统及其使用方法 | |
| CN114998314A (zh) | 一种基于计算机视觉的pcb电路板缺陷检测方法 | |
| Li et al. | Metal surface defect detection based on MATLAB | |
| CN113947598B (zh) | 基于图像处理的塑料餐盒缺陷检测方法、装置及系统 | |
| CN111739003A (zh) | 一种用于外观检测的机器视觉算法 | |
| CN112288726B (zh) | 一种井下带式输送机带面异物检测方法 | |
| CN114140373A (zh) | 一种基于LabVIEW深度学习的开关缺陷检测方法 | |
| CN116311212B (zh) | 基于高速摄像机实现运动状态下的船号识别方法及装置 | |
| CN104102911A (zh) | 一种基于aoi的子弹表观缺陷检测系统的图像处理算法 | |
| CN116580006A (zh) | 一种基于机器视觉的瓶装产品贴标质量检测方法 | |
| Cao | Detection of fruit surface defects based on machine 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 |