CN116809388A - 一种茶叶智能筛分方法及系统 - Google Patents

一种茶叶智能筛分方法及系统 Download PDF

Info

Publication number
CN116809388A
CN116809388A CN202311099503.4A CN202311099503A CN116809388A CN 116809388 A CN116809388 A CN 116809388A CN 202311099503 A CN202311099503 A CN 202311099503A CN 116809388 A CN116809388 A CN 116809388A
Authority
CN
China
Prior art keywords
screening
target
tea
optimizing
level
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
Application number
CN202311099503.4A
Other languages
English (en)
Other versions
CN116809388B (zh
Inventor
孔晓君
牟丽云
尚晓阳
庄美琪
王慧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Liuyuan Ecological Agriculture Co ltd
Original Assignee
Shandong Liuyuan Ecological Agriculture Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Liuyuan Ecological Agriculture Co ltd filed Critical Shandong Liuyuan Ecological Agriculture Co ltd
Priority to CN202311099503.4A priority Critical patent/CN116809388B/zh
Publication of CN116809388A publication Critical patent/CN116809388A/zh
Application granted granted Critical
Publication of CN116809388B publication Critical patent/CN116809388B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • A—HUMAN NECESSITIES
    • A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
    • A23F—COFFEE; TEA; THEIR SUBSTITUTES; MANUFACTURE, PREPARATION, OR INFUSION THEREOF
    • A23F3/00—Tea; Tea substitutes; Preparations thereof
    • A23F3/06—Treating tea before extraction; Preparations produced thereby
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07B—SEPARATING SOLIDS FROM SOLIDS BY SIEVING, SCREENING, SIFTING OR BY USING GAS CURRENTS; SEPARATING BY OTHER DRY METHODS APPLICABLE TO BULK MATERIAL, e.g. LOOSE ARTICLES FIT TO BE HANDLED LIKE BULK MATERIAL
    • B07B1/00—Sieving, screening, sifting, or sorting solid materials using networks, gratings, grids, or the like
    • B07B1/28—Moving screens not otherwise provided for, e.g. swinging, reciprocating, rocking, tilting or wobbling screens
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07B—SEPARATING SOLIDS FROM SOLIDS BY SIEVING, SCREENING, SIFTING OR BY USING GAS CURRENTS; SEPARATING BY OTHER DRY METHODS APPLICABLE TO BULK MATERIAL, e.g. LOOSE ARTICLES FIT TO BE HANDLED LIKE BULK MATERIAL
    • B07B1/00—Sieving, screening, sifting, or sorting solid materials using networks, gratings, grids, or the like
    • B07B1/46—Constructional details of screens in general; Cleaning or heating of screens
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Food Science & Technology (AREA)
  • Polymers & Plastics (AREA)
  • Tea And Coffee (AREA)

Abstract

本发明公开了一种茶叶智能筛分方法及系统，涉及智能控制技术领域，该方法包括：获得原料茶图像集，并同步至茶梗参数识别子网络，以获得目标茶梗尺寸参数集，分析目标茶梗尺寸参数集，获得第一层级控制参数以及第一层级筛网尺寸；交互确定目标筛分规格等级，包括K级筛分规格及对应的K个茶叶粒度约束；根据K个茶叶粒度约束配置K个层级筛网尺寸；交互确定目标筛分成本约束，获取目标湿度指数；以目标湿度指数和目标筛分成本约束为基准，寻优确定目标层级控制参数。本发明解决了现有技术中由于无法对茶叶进行有效的分级筛选，导致茶叶生产效率和质量低的技术问题，达到了通过多级筛分控制参数寻优，提高茶叶筛分质量和生产效率的技术效果。

Description

一种茶叶智能筛分方法及系统
技术领域
本发明涉及智能控制技术领域，具体涉及一种茶叶智能筛分方法及系统。
背景技术
茶叶筛分目的是分离茶叶大小，以便分别加工，提高茶叶的商品价值，使茶叶品质规格化。采用茶叶筛选机对茶叶进行筛分，可以提高茶叶的筛分效率，但现有技术基于振动筛进行茶叶筛分时，设备的控制参数通常基于历史经验设定，筛分的稳定性较低，易造成茶叶碰撞碎裂，影响茶叶的质量，且无法对茶叶进行有效的分级筛选，导致实际筛选过程生产效率较低。
发明内容
本申请提供了一种茶叶智能筛分方法及系统，用于解决现有技术中由于无法对茶叶进行有效的分级筛选，导致茶叶生产效率和质量低的技术问题。
本申请的第一个方面，提供了一种茶叶智能筛分方法，所述方法包括：获得原料茶图像集，其中，所述原料茶图像集通过对待筛分原料茶进行多次翻滚混合后，进行图像采集生成；将所述原料茶图像集同步至茶梗参数识别子网络，以获得目标茶梗尺寸参数集；获得第一层级控制参数，其中，所述第一层级控制参数通过分析所述目标茶梗尺寸参数集确定，所述第一层级控制参数具有第一层级筛网尺寸标识；交互确定目标筛分规格等级，其中，所述目标筛分规格等级包括K级筛分规格，所述K级筛分规格具有K个茶叶粒度约束；根据所述K个茶叶粒度约束对应配置K个层级筛网尺寸，所述第一层级筛网尺寸和所述K个层级筛网尺寸构成层级筛网配置约束；交互确定目标筛分成本约束，其中，所述目标筛分成本约束包括目标筛分效率约束和目标筛分损耗约束；获取目标湿度指数，其中，所述目标湿度指数通过交互湿度采集装置确定；以所述目标湿度指数和所述目标筛分成本约束为基准，寻优确定目标层级控制参数，其中，所述目标层级控制参数包括K级层级控制参数。
本申请的第二个方面，提供了一种茶叶智能筛分系统，所述系统包括：原料茶图像集获取模块，所述原料茶图像集获取模块用于获得原料茶图像集，其中，所述原料茶图像集通过对待筛分原料茶进行多次翻滚混合后，进行图像采集生成；目标茶梗尺寸参数集获取模块，所述目标茶梗尺寸参数集获取模块用于将所述原料茶图像集同步至茶梗参数识别子网络，以获得目标茶梗尺寸参数集；第一层级控制参数获取模块，所述第一层级控制参数获取模块用于获得第一层级控制参数，其中，所述第一层级控制参数通过分析所述目标茶梗尺寸参数集确定，所述第一层级控制参数具有第一层级筛网尺寸标识；目标筛分规格等级确定模块，所述目标筛分规格等级确定模块用于交互确定目标筛分规格等级，其中，所述目标筛分规格等级包括K级筛分规格，所述K级筛分规格具有K个茶叶粒度约束；层级筛网尺寸配置模块，所述层级筛网尺寸配置模块用于根据所述K个茶叶粒度约束对应配置K个层级筛网尺寸，所述第一层级筛网尺寸和所述K个层级筛网尺寸构成层级筛网配置约束；目标筛分成本约束确定模块，所述目标筛分成本约束确定模块用于交互确定目标筛分成本约束，其中，所述目标筛分成本约束包括目标筛分效率约束和目标筛分损耗约束；目标湿度指数获取模块，所述目标湿度指数获取模块用于获取目标湿度指数，其中，所述目标湿度指数通过交互湿度采集装置确定；目标层级控制参数寻优模块，所述目标层级控制参数寻优模块用于以所述目标湿度指数和所述目标筛分成本约束为基准，寻优确定目标层级控制参数，其中，所述目标层级控制参数包括K级层级控制参数。
本申请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：
本申请提供的一种茶叶智能筛分方法，涉及智能控制技术领域，通过将原料茶图像集同步至茶梗参数识别子网络，以获得目标茶梗尺寸参数集，进而确定茶梗筛分的第一层级控制参数及第一层级筛网尺寸，通过交互确定茶叶筛分的K级筛分规格及对应的K个茶叶粒度约束，配置K个层级筛网尺寸，然后获取目标筛分成本约束和目标湿度指数，并以目标湿度指数和目标筛分成本约束为基准进行寻优，确定目标层级控制参数，解决了现有技术中由于无法对茶叶进行有效的分级筛选，导致茶叶生产效率和质量低的技术问题，实现了通过多级筛分控制参数寻优，提高茶叶筛分的稳定性，进而提高茶叶质量和生产效率，降低成本损耗的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种茶叶智能筛分方法流程示意图；
图2为本申请实施例提供的一种茶叶智能筛分方法中获得目标茶梗尺寸参数集的流程示意图；
图3为本申请实施例提供的一种茶叶智能筛分方法中获得第一层级控制参数的流程示意图；
图4为本申请实施例提供的一种茶叶智能筛分系统结构示意图。
附图标记说明：原料茶图像集获取模块11，目标茶梗尺寸参数集获取模块12，第一层级控制参数获取模块13，目标筛分规格等级确定模块14，层级筛网尺寸配置模块15，目标筛分成本约束确定模块16，目标湿度指数获取模块17，目标层级控制参数寻优模块18。
具体实施方式
本申请提供了一种茶叶智能筛分方法，用于解决现有技术中由于无法对茶叶进行有效的分级筛选，导致茶叶生产效率和质量低的技术问题。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的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。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一：
如图1所示，本申请提供了一种茶叶智能筛分方法，所述方法包括：
S10：获得原料茶图像集，其中，所述原料茶图像集通过对待筛分原料茶进行多次翻滚混合后，进行图像采集生成；
示例性地，对待筛分原料茶进行多次翻滚混合，并在每次翻滚后使用图像采集设备对待筛分原料茶进行图像采集，获取多张待筛分原料茶的外观图像，并由此组成原料茶图像集，所述原料茶图像集中包含多张待筛分原料茶的茶叶、茶梗等的尺寸、数量及分布情况，可以作为茶叶尺寸识别的基础数据。
S20：将所述原料茶图像集同步至茶梗参数识别子网络，以获得目标茶梗尺寸参数集；
具体的，将采集到的所述原料茶图像集同步传输至茶梗参数识别子网络，通过所述茶梗参数识别子网络进行待筛分原料茶的茶梗参数识别，来得到待筛分原料茶的目标茶梗尺寸参数集，所述茶梗参数识别子网络是用来对所述原料茶图像集中图像进行简化处理并提取图像中数据的模块，所述目标茶梗尺寸参数集可以用作进行茶梗筛除的筛孔孔径确定。
进一步的，如图2所示，本申请实施例步骤S20还包括：
S21：所述茶梗参数识别子网络包括图像预处理层、像素颜色统一层、轮廓识别层和尺寸参数识别层；
S22：获得第一原料茶图像，其中，所述第一原料茶图像从所述原料茶图像集调用获得；
S23：生成第一RGB色彩空间，其中，所述第一RGB色彩空间经由所述图像预处理层对所述第一原料茶图像进行图像转换生成；
S24：所述像素颜色统一层预设颜色分离阈值，将所述第一RGB色彩空间输入所述像素颜色统一层进行像素点颜色统一化处理，获得第一颜色分离图像；
S25：获得第一茶梗轮廓图像集，其中，所述第一茶梗轮廓图像集通过将所述第一颜色分离图像输入所述轮廓识别层进行茶梗轮廓提取获得；
S26：基于所述尺寸参数识别层进行所述第一茶梗轮廓图像集的尺寸识别和序列化处理，获得第一茶梗轮廓尺寸约束；
S27：以此类推，获得映射于所述原料茶图像集的所述目标茶梗尺寸参数集。
应当理解的是，所述茶梗参数识别子网络包括图像预处理层、像素颜色统一层、轮廓识别层和尺寸参数识别层，所述图像预处理层用来对图像进行简化处理，来降低数据维度，以减少数据处理的计算量和复杂度。所述像素颜色统一层用来对图像中茶叶和茶梗的颜色范围进行划分，以方便进行茶梗轮廓的提取。所述轮廓识别层和尺寸参数识别层分别用来进行图片中茶梗的轮廓识别和茶梗轮廓尺寸测量。
进一步的，从所述原料茶图像集中随机调用一张图像作为第一原料茶图像，将所述第一原料茶图像输入所述图像预处理层进行图像转换，示例性地，将图像进行灰度处理，也就是将图像从多通道的彩色图像转换为单通道的灰度图像，灰度范围为0-255，以此作为第一RGB色彩空间。进一步的，根据图片中茶叶和茶梗的颜色分布情况，为所述像素颜色统一层预设颜色分离阈值，也就是茶叶和茶梗的颜色分离阈值，然后将所述第一RGB色彩空间输入所述像素颜色统一层进行像素点颜色统一化处理，将RGB值高于颜色分离阈值的图像像素点的颜色统一为茶叶的颜色，将RGB值低于颜色分离阈值的图像像素点的颜色统一为茶叶梗的颜色，由此将茶叶和茶叶梗的颜色分别标记出来，以此获得第一颜色分离图像。
进一步的，将所述第一颜色分离图像输入所述轮廓识别层，由所述轮廓识别层根据所述第一颜色分离图像中茶叶梗的颜色标记进行茶梗轮廓提取，获得第一茶梗轮廓图像集，然后将是第一茶梗轮廓图像集输入所述尺寸参数识别层进行茶梗尺寸识别和序列化处理，也就是通过第一茶梗轮廓图像集中的图像显示的茶梗轮廓，进行茶梗尺寸测量，获得多个茶梗尺寸，并将多个茶梗尺寸进行序列化处理，也就是将多个茶梗尺寸按照大小顺序进行排列，获得最小的茶梗尺寸，并以此作为第一茶梗轮廓尺寸约束。以此类推，将所述原料茶图像集中的所有图像进行识别，获得多个茶梗轮廓尺寸约束，并将多个茶梗轮廓尺寸约束进行合并，获得映射于所述原料茶图像集的所述目标茶梗尺寸参数集，用来匹配茶梗筛除的筛孔孔径。
S30：获得第一层级控制参数，其中，所述第一层级控制参数通过分析所述目标茶梗尺寸参数集确定，所述第一层级控制参数具有第一层级筛网尺寸标识；
可选的，通过分析所述目标茶梗尺寸参数集，确定第一层级控制参数，也就是对茶梗进行筛选的控制参数，包括筛网的孔径和筛分速度等，所述第一层级控制参数具有对应的第一层级筛网尺寸标识，所述第一层级筛网是用来进行茶梗筛除的筛网，因此可以使用所述第一层级控制参数与所述第一层级筛网尺寸配合进行所述待筛分原料茶的茶梗筛分，去除待筛分原料茶中的茶梗。
进一步的，如图3所示，本申请实施例步骤S30还包括：
S31：序列化所述目标茶梗尺寸参数集，并进行最小茶梗参数调用，获得第一层级筛网约束；
S32：预构建标准筛网参数集，其中，所述标准筛网参数集包括多组标准筛网参数信息；
S33：序列化所述标准筛网参数集，并将所述第一层级筛网约束穿插进序列化后的所述标准筛网参数集，获得层级约束穿插节点；
S34：基于所述层级约束穿插节点调用获得所述第一层级筛网尺寸；
S35：将所述第一层级筛网尺寸同步至历史控制参数数据库，匹配获得第一层级控制参数，采用所述第一层级筛网尺寸进行所述第一层级控制参数的标识处理。
具体的，将所述目标茶梗尺寸参数集中的所有茶梗尺寸进行序列化处理，由此筛选出最小的茶梗尺寸进行调用，作为第一层级筛网约束，也就是第一层的茶梗筛网的孔径约束范围。进一步的，根据所述目标茶梗尺寸参数集中的茶梗尺寸范围，预构建标准筛网参数集，所述标准筛网参数集包括多组标准筛网参数信息，所述标准筛网参数信息是指标准的筛网孔径，进一步的，序列化所述标准筛网参数集，并将所述第一层级筛网约束穿插进序列化后的所述标准筛网参数集内，并以此作为层级约束穿插节点，然后根据所述层级约束穿插节点所在的序列位置进行筛网尺寸调用，获得所述第一层级筛网尺寸。
进一步的，通过历史筛分记录，获得过去一段时间该筛网尺寸进行茶梗筛分时的振动筛控制参数，所述振动筛控制参数包括振动幅度、振动频率和筛网倾斜角度，构建历史控制参数数据库，并将所述第一层级筛网尺寸同步至历史控制参数数据库中进行匹配，获得第一层级控制参数，并采用所述第一层级筛网尺寸将所述第一层级控制参数进行标识处理，可使用所述第一层级控制参数与所述第一层级筛网尺寸配合进行所述待筛分原料茶的茶梗筛分。
S40：交互确定目标筛分规格等级，其中，所述目标筛分规格等级包括K级筛分规格，所述K级筛分规格具有K个茶叶粒度约束；
应当理解的是，基于大数据，交互确定不同价格茶叶的尺寸范围，进而确定待筛分原料茶的筛分规格等级，所述目标筛分规格等级包括K级筛分规格，每级筛分规格对应一个茶叶尺寸规格和茶叶价格，并且所述K级筛分规格具有K个茶叶粒度约束，所述茶叶粒度约束也就是每个规格等级的茶叶的尺寸范围，比如2cm～4cm，可以用来进行筛网的尺寸匹配。
S50：根据所述K个茶叶粒度约束对应配置K个层级筛网尺寸，所述第一层级筛网尺寸和所述K个层级筛网尺寸构成层级筛网配置约束；
其中，根据所述K个茶叶粒度约束，分别为每个茶叶粒度约束匹配对应的层级筛网尺寸，也就是对应层级筛网的孔径，得到K个层级筛网尺寸，将用来进行茶梗筛除的第一层筛网的所述第一层级筛网尺寸，以及用来进行不同规格茶叶筛分的所述K个层级筛网尺寸，共同作为层级筛网配置约束，也就是筛网的各层尺寸配置。
S60：交互确定目标筛分成本约束，其中，所述目标筛分成本约束包括目标筛分效率约束和目标筛分损耗约束；
可选的，通过询问商家，确定待筛分原料茶的目标筛分成本约束，也就是待筛分原料茶在筛分过程中的期望成本损耗阈值，包括目标筛分效率约束和目标筛分损耗约束，也就是茶叶的期望筛分效率的阈值和期望筛分损耗率阈值，以此作为控制参数寻优参考。
进一步的，本申请实施例还包括步骤S60还包括：
S61：根据所述K级筛分规格交互确定K级筛分茶叶单价；
S62：确定K级筛选权重参数，其中，所述K级筛选权重参数根据所述K级筛分茶叶单价计算获取；
S63：根据所述K级筛选权重参数和所述目标筛分效率约束反向计算获得K级筛分效率约束；
S64：根据所述K级筛选权重参数和所述目标筛分损耗约束正向计算获得K级筛分损耗约束；
S65：根据所述K级筛分效率约束和所述K级筛分损耗约束，寻优确定所述K级层级控制参数；
S66：根据所述K级筛选权重参数进行标准寻优步长调节，获得K组控制寻优步长。
其中，通过所述K级筛分规格以及待筛分原料茶的价格标准，分别确定K级筛分茶叶单价，也就是每个尺寸规格下的茶叶单价，并根据所述K级筛分茶叶单价进行筛选权重分配，茶叶单价越高，说明该等级的茶叶筛分要求越高，相应的筛选权重参数越大。进一步的，参照所述K级筛选权重参数和所述目标筛分效率约束反向计算获得K级筛分效率约束，并参照所述K级筛选权重参数和所述目标筛分损耗约束正向计算获得K级筛分损耗约束，也就是说，层级越高的茶叶完整度和叶片尺寸越大越优质，相应的筛选权重参数越大，筛分要求越高，对应的茶叶筛分效率应当越慢，来避免茶叶破碎，茶叶原料的损耗量限制越高，来避免茶叶破碎产生的损耗影响待处理原料茶这一批茶叶的售出总价。
进一步的，根据所述K级筛选权重参数进行标准寻优步长调节，获得K组控制寻优步长，所述标准寻优步长是指标准的筛选参数调整步长，所述筛选参数包括筛网的振幅、振动频率和斜度，筛选权重参数越大，对应的寻优步长应当越小，以保证筛选的精细度，所述K组控制寻优步长可以分别用于所述K级筛分规格的层级控制参数寻优。
S70：获取目标湿度指数，其中，所述目标湿度指数通过交互湿度采集装置确定；
示例性的，通过湿度采集装置进行待筛分原料茶的湿度采集，所述湿度采集装置可以是茶叶水分检测仪，通过交互获取湿度采集装置的检测数据，可以得到待筛分原料茶的目标湿度指数，所述目标湿度指数可以用来作为筛分控制参数寻优的参考数据，示例性的，不同湿度的茶叶的易破损程度不同，湿度高的茶叶相对湿度低的茶叶更不容易在筛分振动的过程中发生破碎，因此可以设置较高的振动频率和幅度来加快筛分速度，而湿度低的茶叶相反，需要更低的振动频率和幅度来保证茶叶的完整性。
S80：以所述目标湿度指数和所述目标筛分成本约束为基准，寻优确定目标层级控制参数，其中，所述目标层级控制参数包括K级层级控制参数。
进一步的，本申请实施例步骤S80还包括：
S81：构建第一层级控制寻优起始，其中，所述第一层级控制寻优起始包括第一振幅寻优起始、第一振频寻优起始和第一斜度寻优起始；
S82：基于所述K组控制寻优步长调用获得第一级寻优步长；
S83：基于所述第一层级控制寻优起始调用振幅寻优方向，并基于所述振幅寻优方向在所述第一级寻优步长对应调用振幅寻优步长；
S84：以所述第一层级控制寻优起始为寻优基准，根据所述振幅寻优步长进行所述振幅寻优方向的参数寻优，获得第一振幅控制参数；
S85：构建振幅优化控制参数集，其中，所述振幅优化控制参数集通过采用所述第一振幅控制参数对所述第一振幅寻优起始进行对应替换生成；
S86：调用振频寻优方向，并基于所述振频寻优方向在所述第一级寻优步长对应调用振频寻优步长；
S87：以所述振幅优化控制参数集为基准，基于所述振频寻优步长进行所述振频寻优方向的参数寻优，获得第一振频控制参数；
S88：采用所述第一振频控制参数进行所述第一振频寻优起始的对应替换，获得振频优化控制参数集；
S89：调用斜度寻优方向，并基于所述斜度寻优方向在所述第一级寻优步长对应调用斜度寻优步长；
S810：以所述振频优化控制参数集为基准，基于所述斜度寻优步长进行所述斜度寻优方向的参数寻优，获得第一斜度控制参数；
S811：采用所述第一斜度控制参数进行所述第一斜度寻优起始的对应替换，获得第一级层级控制参数；
S812：以此类推，获得所述K级层级控制参数。
示例性的，以所述目标湿度指数和所述目标筛分成本约束为基准进行筛分控制参数寻优，基于茶叶筛分经验数据，构建第一层级控制寻优起始，也就是确定第一筛分层级的控制参数，包括第一振幅寻优起始、第一振频寻优起始和第一斜度寻优起始，并从所述K组控制寻优步长调用第一筛分层级对应的第一级寻优步长。
进一步的，基于所述第一层级控制寻优起始，确定振幅的寻优方向，例如振幅增强的方向，并基于所述振幅寻优方向在所述第一级寻优步长中调用振幅寻优步长，以所述第一层级控制寻优起始为寻优基准点，根据所述振幅寻优步长进行所述振幅寻优方向的参数寻优，通过调整振幅，筛选出最符合所述目标湿度指数和所述目标筛分成本约束的振幅，作为第一振幅控制参数。进一步的，构建振幅优化控制参数集，所述振幅优化控制参数集由各个层级的优化后的振幅控制参数组成，使用将所述第一振幅控制参数将所述第一振幅寻优起始进行替换，以完成第一层级的振幅参数的寻优。
同理，确定振频寻优方向，例如振动频率加大，并基于所述振频寻优方向在所述第一级寻优步长中调用振频寻优步长，以所述振幅优化控制参数集为基准，基于所述振频寻优步长进行所述振频寻优方向的参数寻优，获得最符合所述目标湿度指数和所述目标筛分成本约束的振频，作为第一振频控制参数。进一步的，采用所述第一振频控制参数进行所述第一振频寻优起始的对应替换，获得振频优化控制参数集，所述振频优化控制参数集由各个层级的优化后的振频控制参数组成。
同理，确定斜度寻优方向，如斜度增大，并基于所述斜度寻优方向在所述第一级寻优步长对应调用斜度寻优步长，以所述振频优化控制参数集为基准，基于所述斜度寻优步长进行所述斜度寻优方向的参数寻优，获得第一斜度控制参数，采用所述第一斜度控制参数进行所述第一斜度寻优起始的对应替换，获得第一级层级斜度控制参数。以此类推，进行各个层级的振幅控制参数、振频控制参数、斜度控制参数优化，获得各个层级的优化控制参数，并由此组成所述K级层级控制参数，通过所述K级层级控制参数进行待筛分原料茶的筛分，可以提高茶叶筛分的稳定性，提高茶叶质量，降低成本损耗，提升生产效率。
进一步的，本申请实施例步骤S812还包括：
S812-1：预构建一级寻优迭代频次约束；
S812-2：基于所述K级筛分效率约束和所述K级筛分损耗约束调用获得一级筛分效率约束和一级筛分损耗约束；
S812-3：所述一级寻优迭代频次约束、所述一级筛分效率约束和所述一级筛分损耗约束构成一级迭代合格约束；
S812-4：若一级寻优迭代频次符合所述一级寻优迭代频次，或一级寻优迭代测试结果同时符合所述一级筛分效率约束和所述一级筛分损耗约束，则停止寻优。
可选的，根据待筛分原料茶的筛选速度要求和筛选质量需求，预构建一级寻优迭代频次约束，也就是寻优迭代次数的最大值，进一步的，基于所述K级筛分效率约束和所述K级筛分损耗约束，提取一级筛分效率约束和一级筛分损耗约束，并使用所述一级寻优迭代频次约束、所述一级筛分效率约束和所述一级筛分损耗约束作为一级迭代合格约束，也就是迭代合格的判定约束值。在寻优过程中，当一级寻优迭代频次达到所述一级寻优迭代频次，或一级寻优迭代测试结果同时符合所述一级筛分效率约束和所述一级筛分损耗约束，则停止寻优，以当前的寻优结果作为层级控制参数。
进一步的，本申请实施例还包括步骤S90，步骤S90还包括：
S91：基于所述目标层级控制参数和所述第一层级控制参数进行所述待筛分原料茶的多级筛分；
S92：预设筛分监测窗口，并基于所述筛分监测窗口进行多级筛分监测，获得N个实时筛分效率和N个实时筛分损耗；
S93：以所述目标筛分效率约束为基准，进行所述N个实时筛分效率的稳定性分析，获得第一稳定性指数；
S94：以所述目标筛分损耗约束为基准，进行所述N个实时筛分损耗的稳定性分析，获得第二稳定性指数；
S95：根据所述第一稳定性指数和所述第二稳定性指数生成筛网故障运维预警。
在本申请一种可能的实施例中，使用所述目标层级控制参数和所述第一层级控制参数进行所述待筛分原料茶的多级筛分，并提前预设筛分监测窗口，基于所述筛分监测窗口对多级筛分效果进行监测，并根据监测结果计算获得N个实时筛分效率和N个实时筛分损耗。进一步的，以所述目标筛分效率约束为基准，进行所述N个实时筛分效率的稳定性分析，例如通过方差计算，获得第一稳定性指数，也就是筛分效率的稳定性指数。以所述目标筛分损耗约束为基准，进行所述N个实时筛分损耗的稳定性分析，获得第二稳定性指数，也就是筛分损耗的稳定性系数。
进一步的，通过所述第一稳定性指数和所述第二稳定性指数，进行茶叶筛分质量评估，若当前筛分参数已经达到最优，但筛分效率和损耗率不达标，说明设备存在故障，则生成筛网故障运维预警，对筛分设备进行维护修理。
综上所述，本申请实施例至少具有如下技术效果：
本申请通过将原料茶图像集同步至茶梗参数识别子网络，以获得目标茶梗尺寸参数集，进而确定茶梗筛分的第一层级控制参数及第一层级筛网尺寸，通过交互确定茶叶筛分的K级筛分规格及对应的K个茶叶粒度约束，配置K个层级筛网尺寸，然后获取目标筛分成本约束和目标湿度指数，并以目标湿度指数和目标筛分成本约束为基准进行寻优，确定目标层级控制参数。
达到了通过多级筛分控制参数寻优，提高茶叶筛分的稳定性，进而提高茶叶质量和生产效率，降低成本损耗的技术效果。
实施例二
基于与前述实施例中一种茶叶智能筛分方法相同的发明构思，如图4所示，本申请提供了一种茶叶智能筛分系统，本申请实施例中的系统与方法实施例基于同样的发明构思。其中，所述系统包括：
原料茶图像集获取模块11，所述原料茶图像集获取模块11用于获得原料茶图像集，其中，所述原料茶图像集通过对待筛分原料茶进行多次翻滚混合后，进行图像采集生成；
目标茶梗尺寸参数集获取模块12，所述目标茶梗尺寸参数集获取模块12用于将所述原料茶图像集同步至茶梗参数识别子网络，以获得目标茶梗尺寸参数集；
第一层级控制参数获取模块13，所述第一层级控制参数获取模块13用于获得第一层级控制参数，其中，所述第一层级控制参数通过分析所述目标茶梗尺寸参数集确定，所述第一层级控制参数具有第一层级筛网尺寸标识；
目标筛分规格等级确定模块14，所述目标筛分规格等级确定模块14用于交互确定目标筛分规格等级，其中，所述目标筛分规格等级包括K级筛分规格，所述K级筛分规格具有K个茶叶粒度约束；
层级筛网尺寸配置模块15，所述层级筛网尺寸配置模块15用于根据所述K个茶叶粒度约束对应配置K个层级筛网尺寸，所述第一层级筛网尺寸和所述K个层级筛网尺寸构成层级筛网配置约束；
目标筛分成本约束确定模块16，所述目标筛分成本约束确定模块16用于交互确定目标筛分成本约束，其中，所述目标筛分成本约束包括目标筛分效率约束和目标筛分损耗约束；
目标湿度指数获取模块17，所述目标湿度指数获取模块17用于获取目标湿度指数，其中，所述目标湿度指数通过交互湿度采集装置确定；
目标层级控制参数寻优模块18，所述目标层级控制参数寻优模块18用于以所述目标湿度指数和所述目标筛分成本约束为基准，寻优确定目标层级控制参数，其中，所述目标层级控制参数包括K级层级控制参数。
进一步的，所述目标茶梗尺寸参数集获取模块12还用于执行以下步骤：
所述茶梗参数识别子网络包括图像预处理层、像素颜色统一层、轮廓识别层和尺寸参数识别层；
获得第一原料茶图像，其中，所述第一原料茶图像从所述原料茶图像集调用获得；
生成第一RGB色彩空间，其中，所述第一RGB色彩空间经由所述图像预处理层对所述第一原料茶图像进行图像转换生成；
所述像素颜色统一层预设颜色分离阈值，将所述第一RGB色彩空间输入所述像素颜色统一层进行像素点颜色统一化处理，获得第一颜色分离图像；
获得第一茶梗轮廓图像集，其中，所述第一茶梗轮廓图像集通过将所述第一颜色分离图像输入所述轮廓识别层进行茶梗轮廓提取获得；
基于所述尺寸参数识别层进行所述第一茶梗轮廓图像集的尺寸识别和序列化处理，获得第一茶梗轮廓尺寸约束；
以此类推，获得映射于所述原料茶图像集的所述目标茶梗尺寸参数集。
进一步的，所述第一层级控制参数获取模块13还用于执行以下步骤：
序列化所述目标茶梗尺寸参数集，并进行最小茶梗参数调用，获得第一层级筛网约束；
预构建标准筛网参数集，其中，所述标准筛网参数集包括多组标准筛网参数信息；
序列化所述标准筛网参数集，并将所述第一层级筛网约束穿插进序列化后的所述标准筛网参数集，获得层级约束穿插节点；
基于所述层级约束穿插节点调用获得所述第一层级筛网尺寸；
将所述第一层级筛网尺寸同步至历史控制参数数据库，匹配获得第一层级控制参数，采用所述第一层级筛网尺寸进行所述第一层级控制参数的标识处理。
进一步的，所述目标筛分成本约束确定模块16还用于执行以下步骤：
根据所述K级筛分规格交互确定K级筛分茶叶单价；
确定K级筛选权重参数，其中，所述K级筛选权重参数根据所述K级筛分茶叶单价计算获取；
根据所述K级筛选权重参数和所述目标筛分效率约束反向计算获得K级筛分效率约束；
根据所述K级筛选权重参数和所述目标筛分损耗约束正向计算获得K级筛分损耗约束；
根据所述K级筛分效率约束和所述K级筛分损耗约束，寻优确定所述K级层级控制参数；
根据所述K级筛选权重参数进行标准寻优步长调节，获得K组控制寻优步长。
进一步的，所述目标层级控制参数寻优模块18还用于执行以下步骤：
构建第一层级控制寻优起始，其中，所述第一层级控制寻优起始包括第一振幅寻优起始、第一振频寻优起始和第一斜度寻优起始；
基于所述K组控制寻优步长调用获得第一级寻优步长；
基于所述第一层级控制寻优起始调用振幅寻优方向，并基于所述振幅寻优方向在所述第一级寻优步长对应调用振幅寻优步长；
以所述第一层级控制寻优起始为寻优基准，根据所述振幅寻优步长进行所述振幅寻优方向的参数寻优，获得第一振幅控制参数；
构建振幅优化控制参数集，其中，所述振幅优化控制参数集通过采用所述第一振幅控制参数对所述第一振幅寻优起始进行对应替换生成；
调用振频寻优方向，并基于所述振频寻优方向在所述第一级寻优步长对应调用振频寻优步长；
以所述振幅优化控制参数集为基准，基于所述振频寻优步长进行所述振频寻优方向的参数寻优，获得第一振频控制参数；
采用所述第一振频控制参数进行所述第一振频寻优起始的对应替换，获得振频优化控制参数集；
调用斜度寻优方向，并基于所述斜度寻优方向在所述第一级寻优步长对应调用斜度寻优步长；
以所述振频优化控制参数集为基准，基于所述斜度寻优步长进行所述斜度寻优方向的参数寻优，获得第一斜度控制参数；
采用所述第一斜度控制参数进行所述第一斜度寻优起始的对应替换，获得第一级层级斜度控制参数；
以此类推，获得所述K级层级控制参数。
进一步的，所述目标层级控制参数寻优模块18还用于执行以下步骤：
预构建一级寻优迭代频次约束；
基于所述K级筛分效率约束和所述K级筛分损耗约束调用获得一级筛分效率约束和一级筛分损耗约束；
所述一级寻优迭代频次约束、所述一级筛分效率约束和所述一级筛分损耗约束构成一级迭代合格约束；
若一级寻优迭代频次符合所述一级寻优迭代频次，或一级寻优迭代测试结果同时符合所述一级筛分效率约束和所述一级筛分损耗约束，则停止寻优。
进一步的，所述系统还包括：
多级筛分模块，所述多级筛分模块用于基于所述目标层级控制参数和所述第一层级控制参数进行所述待筛分原料茶的多级筛分；
多级筛分监测模块，所述多级筛分监测模块用于预设筛分监测窗口，并基于所述筛分监测窗口进行多级筛分监测，获得N个实时筛分效率和N个实时筛分损耗；
第一稳定性指数获取模块，所述第一稳定性指数获取模块用于以所述目标筛分效率约束为基准，进行所述N个实时筛分效率的稳定性分析，获得第一稳定性指数；
第二稳定性指数获取模块，所述第二稳定性指数获取模块用于以所述目标筛分损耗约束为基准，进行所述N个实时筛分损耗的稳定性分析，获得第二稳定性指数；
筛网故障运维预警生成模块，所述筛网故障运维预警生成模块用于根据所述第一稳定性指数和所述第二稳定性指数生成筛网故障运维预警。
需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (8)

1.一种茶叶智能筛分方法，其特征在于，所述方法包括：
获得原料茶图像集，其中，所述原料茶图像集通过对待筛分原料茶进行多次翻滚混合后，进行图像采集生成；
将所述原料茶图像集同步至茶梗参数识别子网络，以获得目标茶梗尺寸参数集；
获得第一层级控制参数，其中，所述第一层级控制参数通过分析所述目标茶梗尺寸参数集确定，所述第一层级控制参数具有第一层级筛网尺寸标识；
交互确定目标筛分规格等级，其中，所述目标筛分规格等级包括K级筛分规格，所述K级筛分规格具有K个茶叶粒度约束；
根据所述K个茶叶粒度约束对应配置K个层级筛网尺寸，所述第一层级筛网尺寸和所述K个层级筛网尺寸构成层级筛网配置约束；
交互确定目标筛分成本约束，其中，所述目标筛分成本约束包括目标筛分效率约束和目标筛分损耗约束；
获取目标湿度指数，其中，所述目标湿度指数通过交互湿度采集装置确定；
以所述目标湿度指数和所述目标筛分成本约束为基准，寻优确定目标层级控制参数，其中，所述目标层级控制参数包括K级层级控制参数。
2.如权利要求1所述的方法，其特征在于，将所述原料茶图像集同步至茶梗参数识别子网络，以获得目标茶梗尺寸参数集，所述方法还包括：
所述茶梗参数识别子网络包括图像预处理层、像素颜色统一层、轮廓识别层和尺寸参数识别层；
获得第一原料茶图像，其中，所述第一原料茶图像从所述原料茶图像集调用获得；
生成第一RGB色彩空间，其中，所述第一RGB色彩空间经由所述图像预处理层对所述第一原料茶图像进行图像转换生成；
所述像素颜色统一层预设颜色分离阈值，将所述第一RGB色彩空间输入所述像素颜色统一层进行像素点颜色统一化处理，获得第一颜色分离图像；
获得第一茶梗轮廓图像集，其中，所述第一茶梗轮廓图像集通过将所述第一颜色分离图像输入所述轮廓识别层进行茶梗轮廓提取获得；
基于所述尺寸参数识别层进行所述第一茶梗轮廓图像集的尺寸识别和序列化处理，获得第一茶梗轮廓尺寸约束；
以此类推，获得映射于所述原料茶图像集的所述目标茶梗尺寸参数集。
3.如权利要求2所述的方法，其特征在于，获得第一层级控制参数，其中，所述第一层级控制参数通过分析所述目标茶梗尺寸参数集确定，所述第一层级控制参数具有第一层级筛网尺寸的标识，所述方法还包括：
序列化所述目标茶梗尺寸参数集，并进行最小茶梗参数调用，获得第一层级筛网约束；
预构建标准筛网参数集，其中，所述标准筛网参数集包括多组标准筛网参数信息；
序列化所述标准筛网参数集，并将所述第一层级筛网约束穿插进序列化后的所述标准筛网参数集，获得层级约束穿插节点；
基于所述层级约束穿插节点调用获得所述第一层级筛网尺寸；
将所述第一层级筛网尺寸同步至历史控制参数数据库，匹配获得第一层级控制参数，采用所述第一层级筛网尺寸进行所述第一层级控制参数的标识处理。
4.如权利要求1所述的方法，其特征在于，交互确定目标筛分成本约束，其中，所述目标筛分成本约束包括目标筛分效率约束和目标筛分损耗约束，之后，所述方法还包括：
根据所述K级筛分规格交互确定K级筛分茶叶单价；
确定K级筛选权重参数，其中，所述K级筛选权重参数根据所述K级筛分茶叶单价计算获取；
根据所述K级筛选权重参数和所述目标筛分效率约束反向计算获得K级筛分效率约束；
根据所述K级筛选权重参数和所述目标筛分损耗约束正向计算获得K级筛分损耗约束；
根据所述K级筛分效率约束和所述K级筛分损耗约束，寻优确定所述K级层级控制参数；
根据所述K级筛选权重参数进行标准寻优步长调节，获得K组控制寻优步长。
5.如权利要求4所述的方法，其特征在于，以所述目标湿度指数和所述目标筛分成本约束为基准，寻优确定目标层级控制参数，其中，所述目标层级控制参数包括K级层级控制参数，所述方法还包括：
构建第一层级控制寻优起始，其中，所述第一层级控制寻优起始包括第一振幅寻优起始、第一振频寻优起始和第一斜度寻优起始；
基于所述K组控制寻优步长调用获得第一级寻优步长；
基于所述第一层级控制寻优起始调用振幅寻优方向，并基于所述振幅寻优方向在所述第一级寻优步长对应调用振幅寻优步长；
以所述第一层级控制寻优起始为寻优基准，根据所述振幅寻优步长进行所述振幅寻优方向的参数寻优，获得第一振幅控制参数；
构建振幅优化控制参数集，其中，所述振幅优化控制参数集通过采用所述第一振幅控制参数对所述第一振幅寻优起始进行对应替换生成；
调用振频寻优方向，并基于所述振频寻优方向在所述第一级寻优步长对应调用振频寻优步长；
以所述振幅优化控制参数集为基准，基于所述振频寻优步长进行所述振频寻优方向的参数寻优，获得第一振频控制参数；
采用所述第一振频控制参数进行所述第一振频寻优起始的对应替换，获得振频优化控制参数集；
调用斜度寻优方向，并基于所述斜度寻优方向在所述第一级寻优步长对应调用斜度寻优步长；
以所述振频优化控制参数集为基准，基于所述斜度寻优步长进行所述斜度寻优方向的参数寻优，获得第一斜度控制参数；
采用所述第一斜度控制参数进行所述第一斜度寻优起始的对应替换，获得第一级层级控制参数；
以此类推，获得所述K级层级控制参数。
6.如权利要求4所述的方法，其特征在于，所述方法还包括：
预构建一级寻优迭代频次约束；
基于所述K级筛分效率约束和所述K级筛分损耗约束调用获得一级筛分效率约束和一级筛分损耗约束；
所述一级寻优迭代频次约束、所述一级筛分效率约束和所述一级筛分损耗约束构成一级迭代合格约束；
若一级寻优迭代频次符合所述一级寻优迭代频次，或一级寻优迭代测试结果同时符合所述一级筛分效率约束和所述一级筛分损耗约束，则停止寻优。
7.如权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述目标层级控制参数和所述第一层级控制参数进行所述待筛分原料茶的多级筛分；
预设筛分监测窗口，并基于所述筛分监测窗口进行多级筛分监测，获得N个实时筛分效率和N个实时筛分损耗；
以所述目标筛分效率约束为基准，进行所述N个实时筛分效率的稳定性分析，获得第一稳定性指数；
以所述目标筛分损耗约束为基准，进行所述N个实时筛分损耗的稳定性分析，获得第二稳定性指数；
根据所述第一稳定性指数和所述第二稳定性指数生成筛网故障运维预警。
8.一种茶叶智能筛分系统，其特征在于，所述系统包括：
原料茶图像集获取模块，所述原料茶图像集获取模块用于获得原料茶图像集，其中，所述原料茶图像集通过对待筛分原料茶进行多次翻滚混合后，进行图像采集生成；
目标茶梗尺寸参数集获取模块，所述目标茶梗尺寸参数集获取模块用于将所述原料茶图像集同步至茶梗参数识别子网络，以获得目标茶梗尺寸参数集；
第一层级控制参数获取模块，所述第一层级控制参数获取模块用于获得第一层级控制参数，其中，所述第一层级控制参数通过分析所述目标茶梗尺寸参数集确定，所述第一层级控制参数具有第一层级筛网尺寸标识；
目标筛分规格等级确定模块，所述目标筛分规格等级确定模块用于交互确定目标筛分规格等级，其中，所述目标筛分规格等级包括K级筛分规格，所述K级筛分规格具有K个茶叶粒度约束；
层级筛网尺寸配置模块，所述层级筛网尺寸配置模块用于根据所述K个茶叶粒度约束对应配置K个层级筛网尺寸，所述第一层级筛网尺寸和所述K个层级筛网尺寸构成层级筛网配置约束；
目标筛分成本约束确定模块，所述目标筛分成本约束确定模块用于交互确定目标筛分成本约束，其中，所述目标筛分成本约束包括目标筛分效率约束和目标筛分损耗约束；
目标湿度指数获取模块，所述目标湿度指数获取模块用于获取目标湿度指数，其中，所述目标湿度指数通过交互湿度采集装置确定；
目标层级控制参数寻优模块，所述目标层级控制参数寻优模块用于以所述目标湿度指数和所述目标筛分成本约束为基准，寻优确定目标层级控制参数，其中，所述目标层级控制参数包括K级层级控制参数。
CN202311099503.4A 2023-08-30 2023-08-30 一种茶叶智能筛分方法及系统 Active CN116809388B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311099503.4A CN116809388B (zh) 2023-08-30 2023-08-30 一种茶叶智能筛分方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311099503.4A CN116809388B (zh) 2023-08-30 2023-08-30 一种茶叶智能筛分方法及系统

Publications (2)

Publication Number Publication Date
CN116809388A true CN116809388A (zh) 2023-09-29
CN116809388B CN116809388B (zh) 2023-11-07

Family

ID=88120728

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311099503.4A Active CN116809388B (zh) 2023-08-30 2023-08-30 一种茶叶智能筛分方法及系统

Country Status (1)

Country Link
CN (1) CN116809388B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106417693A (zh) * 2016-09-09 2017-02-22 安徽农业大学 一种茶叶加工方法
CN109376257A (zh) * 2018-10-24 2019-02-22 贵州省机电研究设计院 基于图像处理的茶叶识别方法
KR102162605B1 (ko) * 2020-06-30 2020-10-07 이상원 골재 선별 장치
CN113807215A (zh) * 2021-08-31 2021-12-17 贵州大学 一种结合改进注意力机制和知识蒸馏的茶叶嫩芽分级方法
CN114535062A (zh) * 2022-01-26 2022-05-27 湖北飞来钟粮油设备有限公司 谷糙机流量控制方法、装置、谷糙机以及存储介质
CN114720419A (zh) * 2022-03-09 2022-07-08 浙江大学 一种基于近红外光谱特征选择和参数寻优的茶叶分类方法
CN115184283A (zh) * 2022-09-09 2022-10-14 张家港市绿色中药饮片有限公司 一种中药饮片的智能筛选方法及系统
CN115712248A (zh) * 2023-01-10 2023-02-24 昆山市恒达精密机械工业有限公司 一种基于反馈优化的研磨智能控制方法及系统
CN115815112A (zh) * 2022-11-25 2023-03-21 安徽华星选矿科技有限公司 一种用于煤料筛选装置的控制管理系统
CN116241526A (zh) * 2023-05-12 2023-06-09 苏州海卓伺服驱动技术有限公司 一种智能化的伺服阀模式调节方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106417693A (zh) * 2016-09-09 2017-02-22 安徽农业大学 一种茶叶加工方法
CN109376257A (zh) * 2018-10-24 2019-02-22 贵州省机电研究设计院 基于图像处理的茶叶识别方法
KR102162605B1 (ko) * 2020-06-30 2020-10-07 이상원 골재 선별 장치
CN113807215A (zh) * 2021-08-31 2021-12-17 贵州大学 一种结合改进注意力机制和知识蒸馏的茶叶嫩芽分级方法
CN114535062A (zh) * 2022-01-26 2022-05-27 湖北飞来钟粮油设备有限公司 谷糙机流量控制方法、装置、谷糙机以及存储介质
CN114720419A (zh) * 2022-03-09 2022-07-08 浙江大学 一种基于近红外光谱特征选择和参数寻优的茶叶分类方法
CN115184283A (zh) * 2022-09-09 2022-10-14 张家港市绿色中药饮片有限公司 一种中药饮片的智能筛选方法及系统
CN115815112A (zh) * 2022-11-25 2023-03-21 安徽华星选矿科技有限公司 一种用于煤料筛选装置的控制管理系统
CN115712248A (zh) * 2023-01-10 2023-02-24 昆山市恒达精密机械工业有限公司 一种基于反馈优化的研磨智能控制方法及系统
CN116241526A (zh) * 2023-05-12 2023-06-09 苏州海卓伺服驱动技术有限公司 一种智能化的伺服阀模式调节方法及系统

Also Published As

Publication number Publication date
CN116809388B (zh) 2023-11-07

Similar Documents

Publication Publication Date Title
CN114549522B (zh) 基于目标检测的纺织品质量检测方法
Sahu et al. Defect identification and maturity detection of mango fruits using image analysis
Waghmare et al. Detection and classification of diseases of grape plant using opposite colour local binary pattern feature and machine learning for automated decision support system
Zhang et al. Date maturity and quality evaluation using color distribution analysis and back projection
Pujari et al. Grading and classification of anthracnose fungal disease of fruits based on statistical texture features
EP2548147B1 (en) Method to recognize and classify a bare-root plant
CN109813717A (zh) 缺陷检查方法
Sahu et al. Identification and classification of mango fruits using image processing
CN101085442B (zh) 基于rgb复合模型的柑橘图像处理分级的方法
CN110647851B (zh) 生产线产能监控方法、装置及系统
CN107544464A (zh) 一种工业故障的检测方法及系统
Font et al. An image processing method for in-line nectarine variety verification based on the comparison of skin feature histogram vectors
Pizzaia et al. Arabica coffee samples classification using a Multilayer Perceptron neural network
CN104048966B (zh) 一种基于大律法的布面疵点检测及分类方法
Dang-Ngoc et al. Citrus leaf disease detection and classification using hierarchical support vector machine
CN116809388B (zh) 一种茶叶智能筛分方法及系统
Arlimatti Window based method for automatic classification of apple fruit
Ignacio et al. A YOLOv5-based deep learning model for in-situ detection and maturity grading of mango
Pandit et al. Vision system for automatic counting of silkworm eggs
CN112101125B (zh) 一种快递货物堆积程度的检测方法及装置
Kalia et al. Fruit quality evaluation using Machine Learning: A review
CN109146871A (zh) 裂纹的识别方法及装置
Khalid et al. Image processing techniques for Harumanis disease severity and weighting estimation for automatic grading system application
CN115290579A (zh) 一种烟叶烘烤过程阶段的判断方法
KR20160096260A (ko) 불량 콩 선별 장치

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