CN117314923A - 一种基于机器视觉的荔枝智能分拣与配送优化方法 - Google Patents
一种基于机器视觉的荔枝智能分拣与配送优化方法 Download PDFInfo
- Publication number
- CN117314923A CN117314923A CN202311617193.0A CN202311617193A CN117314923A CN 117314923 A CN117314923 A CN 117314923A CN 202311617193 A CN202311617193 A CN 202311617193A CN 117314923 A CN117314923 A CN 117314923A
- Authority
- CN
- China
- Prior art keywords
- litchi
- sorting
- information
- root
- obtaining
- 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
- 241001629511 Litchi Species 0.000 title claims abstract description 375
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000009826 distribution Methods 0.000 title claims abstract description 18
- 238000005457 optimization Methods 0.000 title claims abstract description 11
- 230000005856 abnormality Effects 0.000 claims description 28
- 238000001514 detection method Methods 0.000 claims description 18
- 230000007547 defect Effects 0.000 claims description 13
- 238000007405 data analysis Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000005303 weighing Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims 1
- 230000008569 process Effects 0.000 description 15
- 238000011156 evaluation Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002420 orchard Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/16—Sorting according to weight
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
- B07C5/3422—Sorting according to other particular properties according to optical properties, e.g. colour using video scanning devices, e.g. TV-cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C2501/00—Sorting according to a characteristic or feature of the articles or material to be sorted
- B07C2501/009—Sorting of fruit
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30242—Counting objects in image
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Geometry (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器视觉的荔枝智能分拣与配送优化方法,具体涉及荔枝分拣技术领域,包括步骤1、信息采集:基于机器视觉采集荔枝的基础信息;步骤2、从采集的信息中,分析得到荔枝的根蒂颜色信息、荔枝位姿信息、荔枝表面外观信息、荔枝的重量;步骤3、基于正常荔枝的根蒂颜色信息、荔枝位姿信息、荔枝表面外观信息,设置荔枝质量不合格条件,完成荔枝的一级分拣;步骤4、根据荔枝的特征参数,计算得到荔枝的质量评级系数,基于质量评级系数完成荔枝的等级分拣;步骤5、将一级分拣和二级分拣得到的荔枝配送至规定区域,完成荔枝的配送,解决了荔枝分拣不够精确、耗费大量人工的问题。
Description
技术领域
本发明涉及荔枝分拣技术领域,更具体地说,本发明涉及一种基于机器视觉的荔枝智能分拣与配送优化方法。
背景技术
荔枝的生长特性决定荔枝在采摘时都是集中采摘,导致各种质量的荔枝混合在一起。不同质量的荔枝混合在一起,导致荔枝的品控不稳定,因此需要对荔枝进行分拣,在果园里,荔枝会被采摘下来,并放入塑料筐中储存。现有的荔枝分拣系统多采用人工分拣的方式,这种方式不仅效率低下,而且容易出现误差。同时,由于人工分拣的成本较高,也增加了企业的运营成本。基于机器视觉的荔枝分拣系统,通过对荔枝会进行预冷和清洗,以快速去除其表面的灰尘和其他杂质。然后,荔枝会被放入自动分拣流水线,通过机器的标准化筛检,将不同等级的荔枝进行分类。根据不同的销售需求,荔枝会被装入不同的塑料筐或其他包装中。
但是现有的荔枝质量分拣技术存在的问题有:现有的荔枝分拣只能对荔枝的外观进行简单的判断,如大小、形状等,这使得分拣出的荔枝品质参差不齐,影响了消费者的购买体验,荔枝分拣不准确,导致不新鲜、有损坏的荔枝没有及时被分拣出。
发明内容
为了克服现有技术的上述缺陷,本发明提供一种基于机器视觉的荔枝智能分拣与配送优化方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于机器视觉的荔枝智能分拣与配送优化方法,包括下列步骤:
步骤S001、信息采集:基于机器视觉采集荔枝的基础信息,包括荔枝的图像信息、重量信息、个数信息;
步骤S002、数据分析:从采集的信息中,分析得到荔枝的根蒂颜色信息、荔枝位姿信息、荔枝表面外观信息、荔枝的重量;
步骤S003、一级分拣:基于正常荔枝的根蒂颜色信息、荔枝位姿信息、荔枝表面外观信息,设置荔枝质量不合格条件,完成荔枝的一级分拣;
步骤S004、二级分拣:根据荔枝的特征参数,计算得到荔枝的质量评级系数,基于质量评级系数完成荔枝的等级分拣;
步骤S005、将一级分拣和二级分拣得到的荔枝配送至规定区域,完成荔枝的配送。
优选的,在信息采集过程中,将荔枝平铺在传送带上,依次经过检测区域,检测区域上方有高清摄像头,用于采集检测区域内的荔枝高清图像并进行计数,检测区域的下方是称重设备,用于称量在检测区域中的荔枝重量。
优选的,在数据分析过程中,获取荔枝的根蒂信息,获取荔枝的高清图像,判断有无荔枝根蒂,获取根蒂的颜色,获取根蒂异常指数的获取方式为:
对荔枝图像进行分割,得到根蒂位置图像,获取根蒂的RGB值,记为,其中,RGB测表示待测荔枝的RGB值,r表示待测荔枝根蒂的红色值,g表示待测荔枝根蒂的绿色值,b表示待测荔枝根蒂的蓝色值;
获取新鲜荔枝根蒂的RGB值,记为,其中,RGB标1表示新鲜荔枝根蒂的RGB值,r0表示标准荔枝根蒂的红色值,g0表示标准荔枝根蒂的绿色值,b0表示标准荔枝根蒂的蓝色值;
获取不新鲜荔枝根蒂的RGB值,记为,其中,RGB标2表示不新鲜荔枝根蒂的RGB值,r´表示不新鲜荔枝根蒂的红色值,g´表示不新鲜荔枝根蒂的绿色值,b´表示不新鲜荔枝根蒂的蓝色值;
通过公式计算得到荔枝的根蒂异常指数,其中Gd表示荔枝的根蒂异常指数。
优选的,在数据分析过程中,获取荔枝的位姿信息,包括下列步骤:
利用计算机视觉技术对图像中的荔枝进行特征提取和识别,确定荔枝在空间中的位置和方向,基于荔枝的位置和方向信息建立得到荔枝的位姿模型,所述位姿模型包括荔枝在三维空间中的位置坐标和方向角度信息;
获取荔枝的方向角度:得到荔枝中心线与水平面的角度,记为θ,所述中心线是荔枝的几何中心线;
获取荔枝的尺寸信息:基于荔枝在三维空间的位置坐标,计算得到荔枝的尺寸信息,获取荔枝的长、宽、高。
优选的,基于荔枝的位姿信息获取荔枝的位姿异常指数的方式为:通过公式获取位姿异常指数,其中,m表示荔枝的重量,x1、y1、z1分别表示荔枝标准最佳的长、宽、高,其中Wz表示荔枝的位姿异常指数,λ表示荔枝的尺寸系数,λ的取值为[1,λmax],计算公式为/>,其中x2、y2、z2分别表示荔枝标准最低的长、宽、高,通过调整λ,得到最小的位姿异常指数,记为Wz。
说明:荔枝的根蒂颜色随着时间变化逐渐变成深褐色或黑色,此时荔枝不够新鲜了,其中Gd表示荔枝的根蒂异常指数,数值越大表明荔枝越不新鲜;荔枝的形状大体呈圆形或近圆形。一般来说,荔枝的直径通常在2-4厘米之间,形状类似球体或近球体。另外,荔枝表面粗糙,外形凸凹不平,但也有部分品种荔枝的形状比较接近圆形)荔枝的位姿模型是指荔枝在空间中的位置和姿态的描述,用于确定荔枝的空间位置和方向,其位姿模型包括荔枝在三维空间中的位置坐标和方向角度信息。其中,位置坐标描述了荔枝在空间中的位置,包括x、y、z三个方向的坐标值;方向角度则描述了荔枝相对于荔枝中心线旋转角度。
优选的,在数据分析过程中,基于机器视觉获取荔枝的外观状态偏移指数,包括下列步骤:
灰度图像处理:通过将荔枝的表面图像转化为灰度图像,突出缺陷与正常区域的对比度,采用图像分割和边缘检测算法,将荔枝缺陷从图像中提取出来;
彩色图像处理:通过分析荔枝表面图像的RGB三个颜色分量,可以检测颜色变化和色斑缺陷,采用主成分分析方法,将图像转化为低维特征向量;
深度学习:采用深度学习算法,对荔枝表面图像进行分类和识别,通过训练深度学习模型,识别出荔枝表面的不同类型缺陷,如裂纹、凹陷、凸起,设置损失函数,以最小化损失函数为训练目标,完成对深度学习模型的训练;
将荔枝有n组低维特征向量记为Ti,Ti表示第i组低维特征向量对应的荔枝外观状态,用S0表示标准等级荔枝的荔枝外观状态,通过公式计算得到荔枝外观状态偏移指数Wy,其中Δc表示荔枝的外观状态偏移常数。
优选的,在一级分拣过程中,荔枝的一级分拣:基于正常荔枝的根蒂颜色信息、荔枝位姿信息、荔枝表面外观信息,设置荔枝质量不合格条件,完成荔枝的一级分拣,例如设置荔枝质量不合格条件为:无根蒂、位姿异常、根蒂颜色异常、表面颜色异常、表面破损中的一种或多种,将满足荔枝质量不合格条件的荔枝分拣出去,完成荔枝的一级分拣。
说明:基于人工分拣将荔枝按照等级分拣得到各等级荔枝,获取每个等级荔枝的特征参数,根据待测荔枝的特征参数对荔枝进行分级,特征参数包括不限于:荔枝的重量、荔枝的外观颜色、根蒂的颜色,基于特征参数计算得到荔枝质量评级系数,获取每个等级荔枝的质量评级系数的阈值范围,完成荔枝的二级分拣,二级分拣是荔枝的等级分拣。
优选的,在二级分拣过程中,获取各等级荔枝的质量评级系数,通过公式计算得到荔枝的质量评级系数,其中ZP表示荔枝的质量评级系数,Gd表示荔枝根蒂异常指数,Wz表示荔枝位姿异常指数,Wy表示荔枝的外观状态偏移指数。
优选的,在二级分拣过程中,基于荔枝的质量评级系数将荔枝划分为不同质量等级,基于人工分拣得到各质量等级的荔枝,分别获取各等级荔枝的质量评级系数阈值,计算待等级分拣的荔枝的质量评级系数,根据各等级荔枝的质量评级系数阈值,完成荔枝的等级分拣,例如将等级1的荔枝的质量评级系数阈值记为[a1,b1],当检测区域中荔枝的质量评级系数落入区间[a1,b1],则表示该荔枝属于等级1。
本发明的技术效果和优点:
本发明提供了一种荔枝智能分拣技术,基于机器视觉采集荔枝的基础信息,从采集的信息中,分析得到荔枝的根蒂颜色信息、荔枝位姿信息、荔枝表面外观信息、荔枝的重量;基于正常荔枝的根蒂颜色信息、荔枝位姿信息、荔枝表面外观信息,设置荔枝质量不合格条件,完成荔枝的一级分拣;根据荔枝的特征参数,计算得到荔枝的质量评级系数,基于质量评级系数完成荔枝的等级分拣;将一级分拣和二级分拣得到的荔枝配送至规定区域,完成荔枝的配送,能够解决现有技术中荔枝分拣不准确,需要消耗大量的人力的问题。
附图说明
图1为本发明的荔枝智能分拣与配送优化方法流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整地传达给本领域的技术人员。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本申请及其应用或使用的任何限制。
计算机系统/服务器可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等,它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施,分布式云计算环境中,任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
实施例:本发明提供了如图1所示的一种基于机器视觉的荔枝智能分拣与配送优化方法,包括下列步骤:
步骤S001、信息采集:基于机器视觉采集荔枝的基础信息,包括荔枝的图像信息、重量信息、个数信息;
步骤S002、数据分析:从采集的信息中,分析得到荔枝的根蒂颜色信息、荔枝位姿信息、荔枝表面外观信息、荔枝的重量;
步骤S003、一级分拣:基于正常荔枝的根蒂颜色信息、荔枝位姿信息、荔枝表面外观信息,设置荔枝质量不合格条件,完成荔枝的一级分拣;
步骤S004、二级分拣:根据荔枝的特征参数,计算得到荔枝的质量评级系数,基于质量评级系数完成荔枝的等级分拣;
步骤S005、将一级分拣和二级分拣得到的荔枝配送至规定区域,完成荔枝的配送。
在本发明实施例中需要解释说明的是,在数据分析过程中,基于机器视觉获取荔枝的根蒂异常指数、位姿异常指数、外观状态偏移指数。
在本发明实施例中需要解释说明的是,在信息采集过程中,将荔枝平铺在传送带上,依次经过检测区域,检测区域上方有高清摄像头,用于采集检测区域内的荔枝高清图像并进行计数,检测区域的下方是称重设备,用于称量在检测区域中的荔枝重量。
在本发明实施例中需要解释说明的是,在数据分析过程中,获取荔枝的根蒂信息,获取荔枝的高清图像,判断有无荔枝根蒂,获取根蒂的颜色,获取根蒂异常指数的获取方式为:
对荔枝图像进行分割,得到根蒂位置图像,获取根蒂的RGB值,记为,其中,RGB测表示待测荔枝的RGB值,r表示待测荔枝根蒂的红色值,g表示待测荔枝根蒂的绿色值,b表示待测荔枝根蒂的蓝色值;
获取新鲜荔枝根蒂的RGB值,记为,其中,RGB标1表示新鲜荔枝根蒂的RGB值,r0表示标准荔枝根蒂的红色值,g0表示标准荔枝根蒂的绿色值,b0表示标准荔枝根蒂的蓝色值;
获取不新鲜荔枝根蒂的RGB值,记为,其中,RGB标2表示不新鲜荔枝根蒂的RGB值,r´表示不新鲜荔枝根蒂的红色值,g´表示不新鲜荔枝根蒂的绿色值,b´表示不新鲜荔枝根蒂的蓝色值;
通过公式计算得到荔枝的根蒂异常指数,其中Gd表示荔枝的根蒂异常指数。
在本发明实施例中需要解释说明的是,在数据分析过程中,获取荔枝的位姿信息,包括下列步骤:
利用计算机视觉技术对图像中的荔枝进行特征提取和识别,确定荔枝在空间中的位置和方向,基于荔枝的位置和方向信息建立得到荔枝的位姿模型,所述位姿模型包括荔枝在三维空间中的位置坐标和方向角度信息;
获取荔枝的方向角度:得到荔枝中心线与水平面的角度,记为θ,所述中心线是荔枝的几何中心线;
获取荔枝的尺寸信息:基于荔枝在三维空间的位置坐标,计算得到荔枝的尺寸信息,获取荔枝的长、宽、高。
在本发明实施例中需要解释说明的是,基于荔枝的位姿信息获取荔枝的位姿异常指数的方式为:通过公式获取位姿异常指数,其中,m表示荔枝的重量,x1、y1、z1分别表示荔枝标准最佳的长、宽、高,其中Wz表示荔枝的位姿异常指数,λ表示荔枝的尺寸系数,λ的取值为[1,λmax],计算公式为/>,其中x2、y2、z2分别表示荔枝标准最低的长、宽、高,通过调整λ,得到最小的位姿异常指数,记为Wz。
说明:荔枝的根蒂颜色随着时间变化逐渐变成深褐色或黑色,此时荔枝不够新鲜了,其中Gd表示荔枝的根蒂异常指数,数值越大表明荔枝越不新鲜;荔枝的形状大体呈圆形或近圆形。一般来说,荔枝的直径通常在2-4厘米之间,形状类似球体或近球体。另外,荔枝表面粗糙,外形凸凹不平,但也有部分品种荔枝的形状比较接近圆形)荔枝的位姿模型是指荔枝在空间中的位置和姿态的描述,用于确定荔枝的空间位置和方向,其位姿模型包括荔枝在三维空间中的位置坐标和方向角度信息。其中,位置坐标描述了荔枝在空间中的位置,包括x、y、z三个方向的坐标值;方向角度则描述了荔枝相对于荔枝中心线旋转角度。
在本发明实施例中需要解释说明的是,在数据分析过程中,基于机器视觉获取荔枝的外观状态偏移指数,包括下列步骤:
灰度图像处理:通过将荔枝的表面图像转化为灰度图像,突出缺陷与正常区域的对比度,采用图像分割和边缘检测算法,将荔枝缺陷从图像中提取出来;
彩色图像处理:通过分析荔枝表面图像的RGB三个颜色分量,可以检测颜色变化和色斑缺陷,采用主成分分析方法,将图像转化为低维特征向量;
深度学习:采用深度学习算法,对荔枝表面图像进行分类和识别,通过训练深度学习模型,识别出荔枝表面的不同类型缺陷,如裂纹、凹陷、凸起,设置损失函数,以最小化损失函数为训练目标,完成对深度学习模型的训练;
将荔枝有n组低维特征向量记为Ti,Ti表示第i组低维特征向量对应的荔枝外观状态,用S0表示标准等级荔枝的荔枝外观状态,通过公式计算得到荔枝的外观状态偏移指数Wy,其中Δc表示荔枝的外观状态偏移常数。
在本发明实施例中需要解释说明的是,在一级分拣过程中,荔枝的一级分拣:基于正常荔枝的根蒂颜色信息、荔枝位姿信息、荔枝表面外观信息,设置荔枝质量不合格条件,完成荔枝的一级分拣,例如设置荔枝质量不合格条件为:无根蒂、位姿异常、根蒂颜色异常、表面颜色异常、表面破损中的一种或多种,将满足荔枝质量不合格条件的荔枝分拣出去,完成荔枝的一级分拣。
说明:基于人工分拣将荔枝按照等级分拣得到各等级荔枝,获取每个等级荔枝的特征参数,根据待测荔枝的特征参数对荔枝进行分级,特征参数包括不限于:荔枝的重量、荔枝的外观颜色、根蒂的颜色,基于特征参数计算得到荔枝质量评级系数,获取每个等级荔枝的质量评级系数的阈值范围,完成荔枝的二级分拣,二级分拣是荔枝的等级分拣。
在本发明实施例中需要解释说明的是,在二级分拣过程中,获取各等级荔枝的质量评级系数,通过公式计算得到荔枝的质量评级系数,其中ZP表示荔枝的质量评级系数,Gd表示荔枝根蒂异常指数,Wz表示荔枝位姿异常指数,Wy表示荔枝的外观状态偏移指数。
在本发明实施例中需要解释说明的是,在二级分拣过程中,基于荔枝的质量评级系数将荔枝划分为不同质量等级,基于人工分拣得到各质量等级的荔枝,分别获取各等级荔枝的质量评级系数阈值,计算待等级分拣的荔枝的质量评级系数,根据各等级荔枝的质量评级系数阈值,完成荔枝的等级分拣,例如将等级1的荔枝的质量评级系数阈值记为[a1,b1],当检测区域中荔枝的质量评级系数落入区间[a1,b1],则表示该荔枝属于等级1。
需要解释说明的是,本发明通过分拣机器人对荔枝进行分拣,根据分拣工作量评价指数分配分拣机器人的分配,获取检测区域中需要进行分拣操作的次数记为n,将第i次分拣消耗的时间记为XTi,通过公式获取分拣时间FT,其中L表示传送带的长度,Vc表示传送带的速度,通过公式/>计算得到分拣工作量评价指数,其中,Gp表示分拣工作量评价指数,数值越小,则提示管理人员分配更多的分拣资源。
需要解释说明的是,分拣机器人对荔枝的位置进行定位,需要获取荔枝中心点的三维坐标以及表面在绕 x、y 和 z 的旋转角度。采用圆搜索区域检测目标水果的圆心边缘点,通过拟合这个圆心获取目标物体的坐标位置。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于机器视觉的荔枝智能分拣与配送优化方法,其特征在于:包括下列步骤:
步骤S001、信息采集:基于机器视觉采集荔枝的基础信息,包括荔枝的图像信息、重量信息、个数信息;
步骤S002、数据分析:从采集的信息中,分析得到荔枝的根蒂颜色信息、荔枝位姿信息、荔枝表面外观信息、荔枝的重量;
步骤S003、一级分拣:基于正常荔枝的根蒂颜色信息、荔枝位姿信息、荔枝表面外观信息,设置荔枝质量不合格条件,完成荔枝的一级分拣;
步骤S004、二级分拣:根据荔枝的特征参数,计算得到荔枝的质量评级系数,基于质量评级系数完成荔枝的等级分拣;
步骤S005、将一级分拣和二级分拣得到的荔枝配送至规定区域,完成荔枝的配送。
2.根据权利要求1所述的一种基于机器视觉的荔枝智能分拣与配送优化方法,其特征在于:将荔枝平铺在传送带上,依次经过检测区域,检测区域上方有高清摄像头,用于采集检测区域内的荔枝高清图像并进行计数,检测区域的下方是称重设备,用于称量在检测区域中的荔枝重量。
3.根据权利要求1所述的一种基于机器视觉的荔枝智能分拣与配送优化方法,其特征在于:获取荔枝的根蒂信息,获取荔枝的高清图像,判断有无荔枝根蒂,获取根蒂的颜色,获取根蒂异常指数的获取方式为:
对荔枝图像进行分割,得到根蒂位置图像,获取根蒂的RGB值,记为,其中,RGB测表示待测荔枝的RGB值,r表示待测荔枝根蒂的红色值,g表示待测荔枝根蒂的绿色值,b表示待测荔枝根蒂的蓝色值;
获取新鲜荔枝根蒂的RGB值,记为,其中,RGB标1表示新鲜荔枝根蒂的RGB值,r0表示标准荔枝根蒂的红色值,g0表示标准荔枝根蒂的绿色值,b0表示标准荔枝根蒂的蓝色值;
获取不新鲜荔枝根蒂的RGB值,记为,其中,RGB标2表示不新鲜荔枝根蒂的RGB值,r´表示不新鲜荔枝根蒂的红色值,g´表示不新鲜荔枝根蒂的绿色值,b´表示不新鲜荔枝根蒂的蓝色值;
通过公式计算得到荔枝的根蒂异常指数,其中Gd表示荔枝的根蒂异常指数。
4.根据权利要求1所述的一种基于机器视觉的荔枝智能分拣与配送优化方法,其特征在于:获取荔枝的位姿信息,包括下列步骤:
利用计算机视觉技术对图像中的荔枝进行特征提取和识别,确定荔枝在空间中的位置和方向,基于荔枝的位置和方向信息建立得到荔枝的位姿模型,所述位姿模型包括荔枝在三维空间中的位置坐标和方向角度信息;
获取荔枝的方向角度:得到荔枝中心线与水平面的角度,记为θ,所述中心线是荔枝的几何中心线;
获取荔枝的尺寸信息:基于荔枝在三维空间的位置坐标,计算得到荔枝的尺寸信息,获取荔枝的长、宽、高。
5.根据权利要求4所述的一种基于机器视觉的荔枝智能分拣与配送优化方法,其特征在于:基于荔枝的位姿信息获取荔枝的位姿异常指数的方式为:通过公式获取位姿异常指数,其中,m表示荔枝的重量,x1、y1、z1分别表示荔枝标准最佳的长、宽、高,其中Wz表示荔枝的位姿异常指数,λ表示荔枝的尺寸系数,λ的取值为[1,λmax],计算公式为/>,其中x2、y2、z2分别表示荔枝标准最低的长、宽、高,通过调整λ,得到最小的位姿异常指数,记为Wz。
6.根据权利要求1所述的一种基于机器视觉的荔枝智能分拣与配送优化方法,其特征在于:基于机器视觉获取荔枝的外观状态偏移指数,包括下列步骤:
灰度图像处理:通过将荔枝的表面图像转化为灰度图像,突出缺陷与正常区域的对比度,采用图像分割和边缘检测算法,将荔枝缺陷从图像中提取出来;
彩色图像处理:通过分析荔枝表面图像的RGB三个颜色分量,可以检测颜色变化和色斑缺陷,采用主成分分析方法,将图像转化为低维特征向量;
深度学习:采用深度学习算法,对荔枝表面图像进行分类和识别,通过训练深度学习模型,识别出荔枝表面的不同类型缺陷,如裂纹、凹陷、凸起,设置损失函数,以最小化损失函数为训练目标,完成对深度学习模型的训练;
计算外观状态偏移指数:将荔枝有n组低维特征向量记为Ti,Ti表示第i组低维特征向量对应的荔枝外观状态,用S0表示标准等级荔枝的荔枝外观状态,通过公式计算得到荔枝外观状态偏移指数Wy,其中Δc表示荔枝的外观状态偏移常数。
7.根据权利要求1所述的一种基于机器视觉的荔枝智能分拣与配送优化方法,其特征在于:获取各等级荔枝的质量评级系数,通过公式计算得到荔枝的质量评级系数,其中ZP表示荔枝的质量评级系数,Gd表示荔枝根蒂异常指数,Wz表示荔枝位姿异常指数,Wy表示荔枝的外观状态偏移指数。
8.根据权利要求1所述的一种基于机器视觉的荔枝智能分拣与配送优化方法,其特征在于:基于荔枝的质量评级系数将荔枝划分为不同质量等级,基于人工分拣得到各质量等级的荔枝,分别获取各等级荔枝的质量评级系数阈值,计算待等级分拣的荔枝的质量评级系数,根据各等级荔枝的质量评级系数阈值,完成荔枝的等级分拣。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311617193.0A CN117314923B (zh) | 2023-11-30 | 2023-11-30 | 一种基于机器视觉的荔枝智能分拣与配送优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311617193.0A CN117314923B (zh) | 2023-11-30 | 2023-11-30 | 一种基于机器视觉的荔枝智能分拣与配送优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117314923A true CN117314923A (zh) | 2023-12-29 |
CN117314923B CN117314923B (zh) | 2024-03-08 |
Family
ID=89274155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311617193.0A Active CN117314923B (zh) | 2023-11-30 | 2023-11-30 | 一种基于机器视觉的荔枝智能分拣与配送优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117314923B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117960610A (zh) * | 2024-01-29 | 2024-05-03 | 广州市从化华隆果菜保鲜有限公司 | 一种荔枝浸渍用速冻生产系统与方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
CN108480227A (zh) * | 2018-03-30 | 2018-09-04 | 烟台维度机器人有限公司 | 一种基于图像识别的苹果分拣方法及系统 |
CN111067131A (zh) * | 2019-12-25 | 2020-04-28 | 福建武夷烟叶有限公司 | 一种烟叶等级自动识别分拣方法 |
CN111112105A (zh) * | 2019-12-25 | 2020-05-08 | 华南农业大学 | 一种基于机器视觉识别荔枝果核大小的分拣装置及方法 |
CN113569922A (zh) * | 2021-07-08 | 2021-10-29 | 陕西科技大学 | 一种苹果智能无损分拣的方法 |
CN113643287A (zh) * | 2021-10-13 | 2021-11-12 | 深圳市巨力方视觉技术有限公司 | 水果的分拣方法、装置和计算机可读存储介质 |
WO2023194693A1 (fr) * | 2022-04-07 | 2023-10-12 | Suez | Procédé d'estimation de la qualité d'un flux d'objets dans une ligne de tri |
KR20230150625A (ko) * | 2022-04-22 | 2023-10-31 | 주식회사 칸정보기술 | 수하물 분류 시스템 |
-
2023
- 2023-11-30 CN CN202311617193.0A patent/CN117314923B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
CN108480227A (zh) * | 2018-03-30 | 2018-09-04 | 烟台维度机器人有限公司 | 一种基于图像识别的苹果分拣方法及系统 |
CN111067131A (zh) * | 2019-12-25 | 2020-04-28 | 福建武夷烟叶有限公司 | 一种烟叶等级自动识别分拣方法 |
CN111112105A (zh) * | 2019-12-25 | 2020-05-08 | 华南农业大学 | 一种基于机器视觉识别荔枝果核大小的分拣装置及方法 |
CN113569922A (zh) * | 2021-07-08 | 2021-10-29 | 陕西科技大学 | 一种苹果智能无损分拣的方法 |
CN113643287A (zh) * | 2021-10-13 | 2021-11-12 | 深圳市巨力方视觉技术有限公司 | 水果的分拣方法、装置和计算机可读存储介质 |
WO2023194693A1 (fr) * | 2022-04-07 | 2023-10-12 | Suez | Procédé d'estimation de la qualité d'un flux d'objets dans une ligne de tri |
KR20230150625A (ko) * | 2022-04-22 | 2023-10-31 | 주식회사 칸정보기술 | 수하물 분류 시스템 |
Non-Patent Citations (2)
Title |
---|
李志强 等: "乡村振兴背景下从化荔枝产业发展分析", 《辽宁农业科学》, no. 4, pages 59 - 61 * |
顾六平 等: "基于机器视觉的纽扣电池托盘分拣系统", 《包装工程》, vol. 39, no. 15, pages 178 - 182 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117960610A (zh) * | 2024-01-29 | 2024-05-03 | 广州市从化华隆果菜保鲜有限公司 | 一种荔枝浸渍用速冻生产系统与方法 |
CN117960610B (zh) * | 2024-01-29 | 2024-06-21 | 广州市从化华隆果菜保鲜有限公司 | 一种荔枝浸渍用速冻生产系统与方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117314923B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117314923B (zh) | 一种基于机器视觉的荔枝智能分拣与配送优化方法 | |
CN105046700B (zh) | 基于亮度校正与颜色分类的水果表面缺陷检测方法及系统 | |
CN110334680B (zh) | 基于爬壁机器人的船舶水尺识别方法、系统、装置 | |
CN110969660B (zh) | 一种基于三维立体视觉和点云深度学习的机器人上料系统 | |
CN115082719B (zh) | 一种木材质量分级方法 | |
CN107218894A (zh) | 一种快速稳定的亚像素级精度器件厚度检测方法 | |
CN102324032A (zh) | 一种基于极坐标系下灰度共生矩阵的纹理特征提取方法 | |
Mizushima et al. | A low-cost color vision system for automatic estimation of apple fruit orientation and maximum equatorial diameter | |
CN114581376B (zh) | 基于图像识别的纺织用蚕茧自动拣选方法及系统 | |
CN116805204B (zh) | 一种智慧厂务监控方法及系统 | |
CN113569922A (zh) | 一种苹果智能无损分拣的方法 | |
CN115018826B (zh) | 一种基于图像识别的织物瑕疵检测方法及系统 | |
CN102855485A (zh) | 一种小麦抽穗的自动检测方法 | |
CN110110810B (zh) | 一种鱿鱼质量等级识别分选方法 | |
CN114842337A (zh) | 基于深度学习与多维信息融合聚类的果实采摘点识别方法 | |
CN113822842A (zh) | 一种基于多任务学习的工业缺陷检测方法 | |
CN112989881A (zh) | 一种无监督可迁移的3d视觉物体抓取方法 | |
CN108362232B (zh) | 一种用于汽车球铰接头的球座涂色面积及其分区检测方法 | |
CN115082841B (zh) | 一种仓储物流机器人工作区域异常监测方法 | |
CN114494405A (zh) | 一种草莓外形估测与自动分级方法、装置以及计算机存储介质 | |
CN117745658B (zh) | 一种食用菌品质检测及分拣方法和系统 | |
CN107243461B (zh) | 一种自动分级装置 | |
CN115330721A (zh) | 基于形状和颜色信息的香蕉果梳饱满度检测方法与系统 | |
CN112775032A (zh) | 一种水果分拣方法、装置及柔性机器人 | |
CN111257339B (zh) | 一种基于机器视觉的皮蛋裂纹在线检测方法及检测装置 |
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 |