CN117380578A - 一种基于机器视觉技术的芦笋分级打捆一体装置及方法 - Google Patents
一种基于机器视觉技术的芦笋分级打捆一体装置及方法 Download PDFInfo
- Publication number
- CN117380578A CN117380578A CN202311334737.2A CN202311334737A CN117380578A CN 117380578 A CN117380578 A CN 117380578A CN 202311334737 A CN202311334737 A CN 202311334737A CN 117380578 A CN117380578 A CN 117380578A
- Authority
- CN
- China
- Prior art keywords
- asparagus
- bundling
- baffle
- motor
- blanking
- 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
- 235000005340 Asparagus officinalis Nutrition 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005516 engineering process Methods 0.000 title claims abstract description 18
- 244000003416 Asparagus officinalis Species 0.000 title 1
- 241000234427 Asparagus Species 0.000 claims abstract description 133
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000010409 ironing Methods 0.000 claims description 15
- 230000000149 penetrating effect Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000013139 quantization Methods 0.000 claims description 11
- 238000000926 separation method Methods 0.000 claims description 9
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 229910052742 iron Inorganic materials 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 241000196324 Embryophyta Species 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims 1
- 238000009434 installation Methods 0.000 claims 1
- 238000004804 winding Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000010354 integration Effects 0.000 abstract description 3
- 239000000463 material Substances 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 15
- 238000001514 detection method Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005476 soldering Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65B—MACHINES, APPARATUS OR DEVICES FOR, OR METHODS OF, PACKAGING ARTICLES OR MATERIALS; UNPACKING
- B65B25/00—Packaging other articles presenting special problems
- B65B25/02—Packaging agricultural or horticultural products
- B65B25/04—Packaging fruit or vegetables
-
- 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
- B07C5/02—Measures preceding sorting, e.g. arranging articles in a stream orientating
-
- 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
-
- 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
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/361—Processing or control devices therefor, e.g. escort memory
-
- 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
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/38—Collecting or arranging articles in groups
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B26—HAND CUTTING TOOLS; CUTTING; SEVERING
- B26D—CUTTING; DETAILS COMMON TO MACHINES FOR PERFORATING, PUNCHING, CUTTING-OUT, STAMPING-OUT OR SEVERING
- B26D1/00—Cutting through work characterised by the nature or movement of the cutting member or particular materials not otherwise provided for; Apparatus or machines therefor; Cutting members therefor
- B26D1/01—Cutting through work characterised by the nature or movement of the cutting member or particular materials not otherwise provided for; Apparatus or machines therefor; Cutting members therefor involving a cutting member which does not travel with the work
- B26D1/04—Cutting through work characterised by the nature or movement of the cutting member or particular materials not otherwise provided for; Apparatus or machines therefor; Cutting members therefor involving a cutting member which does not travel with the work having a linearly-movable cutting member
- B26D1/06—Cutting through work characterised by the nature or movement of the cutting member or particular materials not otherwise provided for; Apparatus or machines therefor; Cutting members therefor involving a cutting member which does not travel with the work having a linearly-movable cutting member wherein the cutting member reciprocates
- B26D1/08—Cutting through work characterised by the nature or movement of the cutting member or particular materials not otherwise provided for; Apparatus or machines therefor; Cutting members therefor involving a cutting member which does not travel with the work having a linearly-movable cutting member wherein the cutting member reciprocates of the guillotine type
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65B—MACHINES, APPARATUS OR DEVICES FOR, OR METHODS OF, PACKAGING ARTICLES OR MATERIALS; UNPACKING
- B65B13/00—Bundling articles
- B65B13/18—Details of, or auxiliary devices used in, bundling machines or bundling tools
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65B—MACHINES, APPARATUS OR DEVICES FOR, OR METHODS OF, PACKAGING ARTICLES OR MATERIALS; UNPACKING
- B65B57/00—Automatic control, checking, warning, or safety devices
- B65B57/10—Automatic control, checking, warning, or safety devices responsive to absence, presence, abnormal feed, or misplacement of articles or materials to be packaged
- B65B57/14—Automatic control, checking, warning, or safety devices responsive to absence, presence, abnormal feed, or misplacement of articles or materials to be packaged and operating to control, or stop, the feed of articles or material to be packaged
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65B—MACHINES, APPARATUS OR DEVICES FOR, OR METHODS OF, PACKAGING ARTICLES OR MATERIALS; UNPACKING
- B65B63/00—Auxiliary devices, not otherwise provided for, for operating on articles or materials to be packaged
Abstract
本发明提供了一种基于机器视觉技术的芦笋分级打捆一体装置及方法，利用相机捕获芦笋的图像，搭建YOLOv5算法，实现对芦笋的精准分级，根据分级结果，在计算机控制下，通过输送装置、采集装置、分级装置、切割装置、第一层挡板、打捆装置、第二层可调动挡板实现对芦笋的自动化分级、切割、对齐排列、打捆操作；具有流程一体化的鲜明优势，智能化程度高，节省人力物力，机器视觉还能够消除主观因素的干扰，提高分级结果的一致性和准确性。
Description
技术领域
本发明属于农业装备领域，尤其涉及一种基于机器视觉技术的芦笋分级打捆一体装置及方法。
背景技术
芦笋作为一种常见的蔬菜品种，在市场上的需求量越来越大。然而，传统的芦笋分级大多依赖人工目视判断，需要大量的人力投入来进行分级操作，这导致了高昂的人力成本和劳动密集的生产过程；而且传统的人工目视分级过程需要一定的时间和精力，使得芦笋分级的生产效率较低；手工操作速度受限，无法满足大规模生产的需求。另外，由于芦笋的形状和大小各异，人工分级容易受个人主观判断的影响，导致分级结果的不一致性，这会对产品质量和市场竞争力造成负面影响；人工目视分级还容易受到主观因素的干扰，如疲劳、情绪等，导致分级结果的不准确性。虽然目前市面也有一些利用机械设备进行的分级打捆技术，但是这些设备大多是只能实现分级或者只能实现打捆或者实现分级切割，无法做到分级、切割、排列对齐、打捆集成一体化，整体结构也较为复杂，占用空间较大。因此，亟需设计一种成本低、准确度高、智能化、自动化的分级装置和方法，打破传统的人工分级的缺陷，以满足实际使用需要。
发明内容
针对现有技术中存在的不足，本发明提供了一种基于机器视觉技术的芦笋分级打捆一体装置及方法，通过相机对芦笋信息采集，将信号输入到判别模型中，根据判别结果对芦笋进行分级，进而进行切割和打捆操作，更加智能化，节省人力物力。
本发明通过以下技术手段实现上述技术目的。
一种基于机器视觉技术的芦笋分级打捆一体装置，包括输送装置，输送装置的支架上安装有计算机、相机、第一光电传感器、分级装置，输送装置靠近末端位置处的支架上安装有分隔挡板，输送装置末端安装有倾斜布置的落料收集打捆装置，落料收集打捆装置包括落料支架，落料支架上通过安装多块连接板形成供不同等级芦笋通过的多道倾斜的落料通道，每个落料通道上部侧边均安装有第二光电传感器；落料收集打捆装置还包括自上而下依次设置在落料通道上的切割装置、第一层挡板、打捆装置第二层可调动挡板。
进一步地，落料通道上都安装一个打捆装置，所述打捆装置包括固定安装在落料通道两侧连接板上的第二支板，第二支板)中部设有缺口，缺口一侧安装有第三电动机，第三电动机连接转轴，转轴横跨安装在缺口处，转轴上固定有两个凸轮；打捆装置还包括卡接在第二支板上的两个卡槽顶部的切刀和烫头，切刀和烫头下部均连接有连接杆，连接杆穿过卡槽后均连接有滚轮，滚轮与对应的凸轮接触；第三电动机上方安装有第四电动机，第四电动机与第二丝杠连接，第二丝杠螺纹配合有滑块，滑块与L型连杆连接，连杆另一端连接有挡片，且挡片位于切刀与烫头正上方；
第二支板顶部安装倒凹字形束带架，束带架内壁设有凹槽；缺口另一侧安装有捆带架，捆带架上缠绕有捆扎带，捆带架上方安装有第五电动机、滚轮组以及由两块挡板组成的导槽，第五电动机与滚轮组相连；捆扎带依次穿过滚轮组、导槽、挡片下部、束带架内壁凹槽、导槽上表面后，环绕一周最终再次进入挡片下方；挡片下方安装有微型电机，微型电机输出端固定有卡块，卡块与挡片内壁压紧，压紧固定进入挡片下方的捆扎带。
进一步地，每个落料通道上都安装一个第二层可调动挡板，所述第二层可调动挡板包括安装在落料通道底部连接板上的贯穿式步进电机，贯穿式步进电机内部转子设有内螺纹，第三丝杠插入贯穿式步进电机内部，第三丝杠端部固定安装有第二挡板。
进一步地，所述第一层挡板包括固定安装在落料支架一侧的落料通道外壁上的第二电动机，第二电动机连接有第一丝杆，落料支架另一侧的落料通道外壁上安装有与第一丝杆对称布置的光杆，第一丝杆与光杆之间安装有第一支板，且第一支板一侧与第一丝杆螺纹配合，另一侧与光杆滑动配合；第一支板下部通过第二螺线管滑动安装有多块第一挡板，第一挡板的数量以及尺寸与落料通道相匹配。
进一步地，所述分级装置包括对称安装在输送装置支架上的支撑板，支撑板上均转动安装有一导向挡板，支撑板上还安装有第一螺线管，第一螺线管的第一活塞末端与对应的导向挡板连接。
进一步地，所述切割装置包括分别固定在落料支架两侧落料通道外壁上的滑杆、第一电动机，滑杆上开设有滑槽，闸刀一端滑动安装在滑槽中，另一端与从动杆固定连接，从动杆与主动凸轮共同组成凸轮机构，在第一电动机的驱动下带动闸刀沿着滑槽上下往复运动。
进一步地，所述束带架一侧连接有一块安装板，安装板上固定有用于感应芦笋的第三光电传感器。
一种利用上述基于机器视觉技术的芦笋分级打捆一体装置的芦笋分级打捆方法，包括如下过程：
步骤1：相机获取原始芦笋图像，预处理为灰度图像，灰度图像图像被传递至计算机中进行分析处理，通过YOLOV5图像处理算法将图像中的芦笋进行提取和分割，形成芦笋的区域或轮廓；
步骤2：利用YOLOV5算法将灰度图像划分成网格，并在每个网格上预测边界框和类别，边界框由5个特征参数表示：边界框的位置和边界框包含物体的置信度；
步骤3：根据芦笋图像的特征参数，通过阈值化方法计算出相应的量化参数；
步骤4：基于量化参数进行YOLOV5模型训练；
步骤5：基于步骤1获取的灰度图像的信息，利用Gamma校正算法来获取该灰度图像的灰度值；
步骤6：基于步骤2和步骤5获取到的特征参数和灰度值，计算机利用训练好的YOLOV5模型对芦笋灰度图像进行选择及置信度误差分析，YOLOV5模型根据预先设定的阈值或分类规则进行分级判断，分级决策完成后，计算机根据所判定的分级类别，向分级装置发送控制指令；
步骤7：第一螺线管的第一活塞做直线运动，带动导向挡板转动，改变芦笋在输送装置上的运动方向，引导相应级别芦笋进入对应落料通道口，实现按照不同等级进行分级；
落料通道上的第二光电传感器感应到芦笋落下后，第二螺线管带动第一挡板落下，收集芦笋束；然后切割装置工作，切割芦笋根部；
接着，第五电动机正向转动，使捆扎带经过滚轮组、导槽、挡片、束带架向右输送，直到环绕一圈后再次到达挡片下方后停止，然后，微型电机带动卡块旋转，压紧固定住捆扎带；然后，第二螺线管带动第一挡板恢复原位，芦笋继续下落，经过第三光电传感器，第三光电传感器检测到信号后，贯穿式步进电机控制第三丝杆运动，调节第二挡板位置，使得芦笋排列整齐，与此同时，打捆装置开始打捆操作，第五电动机反转，使捆扎带收紧，将芦笋捆住，接着，第三电动机间接控制电烙铁向上运动，将捆扎带首尾熔接固定，控制切刀向上运动割断下层捆扎带，完成打捆；然后，第四电动机工作，控制挡片抽出，然后取出打捆好的芦笋束，继续进行下一分级打捆操作。
进一步地，所述步骤6中，YOLOV5模型分级存在一定误差，引入置信度误差来优化模型，置信度误差为：
其中，C参考置信度的真实值，S是YOLOV5模型划分的网格数，B是每个网格要预测的bounding box数，P是预测结果为真的值，是第i个网格中的第j个box，λcoobj是负责检测物体的box中心定位误差。
进一步地，所述步骤3中，根据芦笋图像的特征参数，采用硬阈值函数，通过阈值化方法计算出相应的量化参数，硬阈值函数是将大于阈值δ的小波系数保留原值，将小于阈值δ的小波系数置0，用公式表示为：
阈值的选择过程通过风险函数来定义：
其中，Wδ为处理后的变量值，W为变量值，δj为风险函数值，Nj为第j层子带上小波系数的个数，σj为噪声的方差；
所述步骤5中，Gamma校正算法的处理公式为：
其中，Gray为灰度；zz表示不同RGB对应的幂值；R、G、B分别代表红色、绿色、蓝色。
本发明具有如下有益效果：
本发明利用相机捕获芦笋的图像，搭建YOLOv5算法，实现对芦笋的精准分级，后续进行自动化的切割打捆操作，具有流程一体化的鲜明优势，智能化程度高，节省人力物力；基于机器视觉技术的芦笋分级装置能够准确、快速地识别和测量芦笋的大小、形状等特征，从而实现精确的分级，相比传统的人工目视判断，机器视觉能够消除主观因素的干扰，提高分级结果的一致性和准确性。传统芦笋分级过程需要大量的人力投入，而采用机器视觉技术可以减少人力需求，降低人力成本，而且本发明整体结构简单，建造成本也不高，这对生产商而言是一项重要的经济效益，能够降低生产成本，提高利润空间，具有较好的应用前景；采用先进的机器视觉技术进行芦笋分级，可以提高产品的一致性和准确性，满足消费者对高品质产品的需求，这有助于提升企业的市场竞争力，在激烈的市场竞争中占据更有利的地位。
附图说明
图1为本发明所述芦笋分级打捆一体装置整体示意图；
图2为本发明所述第二层可调动挡板结构示意图；
图3为本发明所述第一层挡板结构示意图；
图4为本发明所述切割装置结构示意图；
图5为本发明所述分级装置结构示意图；
图6为本发明所述打捆装置整体结构示意图；
图7为本发明所述打捆装置的第二支板上结构布置示意图；
图8为本发明所述挡片结构示意图；
图9为本发明所述微型电机布置示意图；
图中：1-传送带支架；2-传送带；3-计算机；4-相机；5-相机支撑架；6-导向挡板；7-分级装置；701-支撑板；702-第一螺线管；703-第一活塞；8-分隔挡板；9-第二光电传感器；10-切割装置；1001-第一电动机；1002-主动凸轮；1003-从动杆；1004-闸刀；1005-滑杆；11-第一层挡板；1101-第二电动机；1102第一丝杆；1103-第二螺线管；1104-第一挡板；1105-光杆；1106-第一支板；12-打捆装置；1201-第三电动机；1202-第四电动机；1203-第二丝杠；1204-连杆；1205-束带架；1206-挡片；1207-烫头；1208-切刀；1209-第五电动机；1210-捆扎带；1211-捆带架；1212-第二支板；1213-转轴；1214-凸轮；1215-第三光电传感器；1216-挡板；1217-滚轮组；1218-微型电机；13-第二层可调动挡板；1301-第二挡板；1302-第三丝杆；1303-步进电机；14-传送带驱动电机；15-第一光电传感器。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。
如图1所示，参照图1，本发明所述基于机器视觉技术的芦笋分级打捆一体装置，包括输送装置、采集装置、分级装置7、落料收集打捆装置。
如图1、5所示，输送装置包括传送带支架1，传送带支架1上安装有由传送带驱动电机14驱动的传送带2，用于传送芦笋，传送带支架1侧边均安装有支撑板701，用于放置计算机3以及分级装置7，计算机3用于实现图像处理和分类算法的执行。
如图1所示，采集装置包括横跨支撑在传送带2两侧的传送带支架1上的相机支撑架5，相机支撑架5上安装有相机4，相机4用于采集芦笋图像并传递回计算机3进行分析处理；采集装置还包括安装在传送带2一侧的传送带支架1上的第一光电传感器15，通过感知芦笋的运动来给计算机3发送信号，再由计算机3控制相机4工作。
如图1、5所示，分级装置7包括对称安装在传送带支架1两侧支撑板701上的第一螺线管702，第一螺线管702是一种具有螺旋状结构的管道，给其通电，产生电流，螺线管通过通电和断电来实现挡板的扭转；分级装置7还包括对称布置且转动安装在传送带支架1两侧支撑板701上的两块导向挡板6，第一螺线管702的第一活塞703末端与对应的导向挡板6连接，通过计算机3控制第一活塞703直线运动来改变导向挡板6的转角，进而引导芦笋在传送带2上的运动方向。分级装置7还包括分隔挡板8，分隔挡板8安装在传送带2末端位置处的传送带支架1上，用于将不同等级的芦笋分隔开，使其进入传送带2后方不同的落料通道中。
如图1所示，落料收集打捆装置包括落料支架，落料支架上通过安装多块连接板形成供不同等级芦笋通过的倾斜布置的落料通道，每个落料通道上部侧边均安装有第二光电传感器9，用于识别芦笋的进料，便于控制后续装置的进行。落料收集打捆装置还包括自上而下依次设置的切割装置10、第一层挡板11、打捆装置12、第二层可调动挡板13。
如图1、4所示，切割装置10用于对芦笋的尾部进行切割，它可以是一个刀片、切割刀或其他适当的机械装置，其位置和操作方式可以根据需要进行调整，确保在正确的位置进行切割。本实施例中，切割装置10包括第一电动机1001、主动凸轮1002、从动杆1003、闸刀1004、滑杆1005，滑杆1005、第一电动机1001分别固定在落料通道两侧，滑杆1005上开设有滑槽，闸刀1004一端滑动安装在滑槽中，另一端与从动杆1003固定连接，主动凸轮1002与从动杆1003共同组成凸轮机构，在第一电动机1001的驱动下，能够带动闸刀1004沿着滑槽上下往复运动，切割芦笋。
如图1、3所示，第一层挡板11包括第二电动机1101、第一丝杆1102、第二螺线管1103、第一挡板1104、光杆1105、第一支板1106。第二电动机1101固定安装在落料通道其中一外侧边，第二电动机1101输出端通过联轴器连接有第一丝杆1102，第一丝杆1102通过轴承座安装在落料通道其中一外侧边，落料通道另一外侧边安装有光杆1105，光杆1105与第一丝杆1102对称布置；第一丝杆1102与光杆1105之间安装有第一支板1106，且第一支板1106一侧与第一丝杆1102螺纹配合，另一侧与光杆1105滑动配合；第一支板1106下部滑动安装有多块第一挡板1104，具体地，第一支板1106表面安装有多个第二螺线管1103，每个第二螺线管1103的第二活塞末端均与对应的第一挡板1104连接。通过计算机3控制第二活塞直线运动，能够带动第一挡板1104上下运动，实现支撑芦笋或下放切割完成的芦笋的功能，当第一挡板1104处理支撑芦笋的状态下时，通过第二电动机1101能够带动第一丝杆1102旋转，使得第一支板1106以及第一挡板1104整体移动，进而调整芦笋与切割装置10之间的距离，即调整芦笋尾部切割长度，决定芦笋切割的位置。其中，第一挡板1104数量以及尺寸与落料通道数量以及尺寸相匹配。当第二光电传感器9感应到芦笋落下后，第二螺线管1103带动第一挡板1104落下，收集芦笋束，便于切割，当芦笋计数达到生产要求且切割完成后，则第二螺线管1103带动第一挡板1104上升，芦笋下落，进入下一道工序。
如图1、2所示，每个落料通道上都安装一个第二层可调动挡板13，第二层可调动挡板13起到支撑芦笋并为打捆装置12的实施提供支持的作用，包括第二挡板1301、第三丝杆1302、贯穿式步进电机1303，贯穿式步进电机1303安装在落料通道底部连接板上，通过控制贯穿式步进电机1303来控制第三丝杆1302运动：贯穿式步进电机1303内部转子设有内螺纹，将第三丝杠1302插入后转子旋转，第三丝杠1302不发生旋转，只做相对伸缩运动，进而可以调节安装在第三丝杠1302端部的第二挡板1301的位置，即调节芦笋与打捆装置12之间的位置，以适应打捆的不同位置和方式。
如图1、6、7、8、9所示，每个落料通道上都安装一个打捆装置12，用于绑扎芦笋束，具体的打捆装置12类型可以根据实际需求来确定，例如绳索绑扎、塑料绑扎或其他相关方式，本实施例中采用的是塑料捆绑方式。打捆装置12包括第三电动机1201、第四电动机1202、第二丝杠1203、连杆1204、束带架1205、挡片1206、烫头1207、切刀1208、第五电动机1209、捆扎带1210、捆带架1211、第二支板1212、转轴1213、凸轮1214、第三光电传感器1215、挡板1216、滚轮组1217。
如图1、6、7、8、9所示，第二支板1212固定安装在落料通道两侧连接板上，束带架1205安装在第二支板1212顶部，第二支板1212中部开设有缺口，缺口一侧的第二支板1212上安装有第三电动机1201，第三电动机1201输出端通过联轴器连接有转轴1213，转轴1213通过轴承座横跨安装在缺口处。转轴1213上固定有两个凸轮1214，挡片1206位于切刀1208和烫头1207上方，切刀1208和烫头1207均卡接在第二支板1212上的两个卡槽顶部，且切刀1208和烫头1207下部均连接有连接杆，连接杆穿过卡槽后均连接有一滚轮，滚轮与对应的凸轮1214接触，第三电动机1201带动转轴1213转动，转轴1213上的凸轮1214相应转动，进而带动切刀1208和烫头1207上下运动，实现对捆扎带1210的切割和热熔。所述烫头1207一般采用电烙铁等设备，用于将上下层捆扎带1210热熔连接起来，实现捆扎。用于控制所述切刀1208和烫头1207的凸轮1214的尺寸并不相同，进而保证切刀1208和烫头1207进程不同，能够先后做上下运动，先熔接捆扎带1210然后再切割捆扎带1210。
如图1、6、7、8、9所示，缺口另一侧的第二支板1212上安装有捆带架1211，捆带架1211上缠绕有捆扎带1210；捆带架1211上方的第二支板1212上安装有支撑架、滚轮组1217以及两块挡板1216(上层挡板1216长度较长，伸入挡片1206下方且开设有供烫头1207穿过的孔洞)，支撑架上安装有第五电动机1209，第五电动机1209输出端与滚轮组1217相连，能够带动滚轮组1217转动，用于输送捆扎带1210；捆扎带1210依次穿过滚轮组1217、两块挡板1216之间间隙(即导槽)、挡片1206下部后拉出。
如图1、6、7、8、9所示，束带架1205内部设有供捆扎带1210穿过的凹槽，从挡片1206下部穿出的捆扎带1210继续从束带架1205一端穿入其内部凹槽，然后由束带架1205另一端穿出，从导槽上部经过，最终进入挡片1206下方；挡片1206下方安装有微型电机1218，微型电机1218输出端固定有卡块，微型电机1218能够带动卡块旋转，使得卡块与挡片1206内壁压紧，进而将进入挡片1206下方的捆扎带1210压紧固定住。
如图1、6、7、8、9所示，第三电动机1201上方的第二支板1212上也安装支撑板，该支撑板上安装有第四电动机1202，第四电动机1202输出端通过联轴器与第二丝杠1203连接，第二丝杠1203上螺纹配合有滑块，滑块与L型连杆1204连接，连杆1204另一端连接有挡片1206，且挡片1206位于切刀1208与烫头1207上方，不直接接触，捆扎带1210穿过挡片1206与切刀1208、烫头1207之间。
如图1、6、7、8、9所示，束带架1205一侧连接有一块安装板，安装板上固定有用于感应芦笋的第三光电传感器1215，当芦笋接触到第三光电传感器1215时，打捆装置12进行打捆操作，在此过程中，通过调整第二挡板1301的位置可以帮助定位芦笋束，确保打捆装置12的实施正确可靠。
利用上述基于机器视觉技术的芦笋分级打捆一体装置的芦笋分级打捆方法，包括如下过程：
步骤1：相机4获取芦笋在传送带2上的图像，可以是一幅彩色图像或者经过预处理后的灰度图像，本实施例中选用的是灰度图像，图像被传递至计算机3中进行分析处理，通过YOLOV5图像处理算法将图像中的芦笋进行提取和分割，形成芦笋的区域或轮廓。
步骤2：利用YOLOV5算法将步骤1预处理后的灰度图像划分成网格，并在每个网格上预测边界框和类别，边界框由5个特征参数表示：边界框的位置(中心坐标x和y、宽度w、高度h)和边界框包含物体的置信度；对于每个网格，算法预测多个边界框来包围被识别物体，使用卷积神经网络不断卷积和池化编码提取物体图像的宏观特征和语义。
步骤3：根据芦笋图像的特征参数，通过阈值化方法计算出相应的量化参数，量化参数包括物体框中心相对其所在网格单元格边界的偏移，即相对于单元格左上角坐标点的位置偏移、检测框真实宽高相对于整幅图像的比例、每个格子预测检测框的置信度和IOU；这些量化参数可以是基于芦笋的形状、纹理或其他特征的测量结果，将被用于后续的分级判定。
阈值化方法用于将芦笋图像转换为二值图像，将芦笋与背景区分开来以便后续处理，得到二值图像后，使用图像处理算法来计算芦笋的长度，阈值化的目标是将芦笋部分标记为白色，背景部分标记为黑色，当图像某点的像素值高于或者低于某一个值(阈值)时取值，其他时候变为0，通过这一方法可以从芦笋图片中得到想要的部分，并且该部分与背景灰度值有较大的差异，这一过程通过Opnecv中的函数thresold()实现；
现有的阈值函数主要有硬阈值函数、软阈值函数，它们的基本思想都是去除小的小波系数，对大的小波系数进行收缩和保留；本实施例采用硬阈值函数进行阈值化处理；
硬阈值函数是将大于阈值δ的小波系数保留原值，将小于阈值δ的小波系数置0，用公式表示为：
阈值的选择过程可以通过一个风险函数来定义：
其中，Wδ为处理后的变量值，W为变量值，δj为风险函数值，Nj为第j层子带上小波系数的个数，σj为噪声的方差。
步骤4：基于步骤3获取的量化参数进行模型训练：YOLOV5的卷积神经网络将输入芦笋图像中的参数(即量化参数)进行压缩和组合，提取出更高层次的特征，然后行通道分离、卷积、通道拼接等操作，使模型记住芦笋图像的特征，通过喂入大量图片经行多次训练，得到能充分学习记忆图像特征和参数的YOLOV5模型。
步骤5：基于步骤1获取的灰度图像的信息，利用Gamma校正算法来获取该灰度图像的灰度值，灰度值可以提供芦笋区域的亮度和对比度等信息，计算机可以根据这些灰度值来判断芦笋的成熟度或其他分级标准；
Gamma校正算法的处理公式为：
其中，Gray为灰度；zz表示不同RGB对应的幂值；R、G、B分别代表红色、绿色、蓝色，它们是RGB(Red,Green,Blue)颜色模型中的三个基本色彩通道；在彩色图像中，每个像素由这三个颜色通道的数值组成，它们的取值范围通常是0到255(8位颜色深度)，表示不同强度或亮度的颜色。
步骤6：基于上述步骤2和步骤5获取到的特征参数和灰度值，计算机3利用训练好的YOLOV5模型对芦笋灰度图像进行选择及置信度误差分析，因为一张图片的检测可能会有多种结果，所以需要给定一个范围，只有达到这个范围才能显示：置信度设置为0.85，那么只有当算法判断对芦笋进行正确分级概率超过0.85的时候才会说明检测结果正确；
YOLOV5模型根据预先设定的阈值或分类规则进行判断，比如针对芦笋长度，当YOLOV5模型生成的芦笋边界框长度大于某一值且置信度达标时判定为“长”，以此类推判断芦笋所属的分级类别，一旦分级决策完成，计算机3将根据所判定的分级类别，向分级装置7发送控制信号；但YOLOV5算法生成的边界框并不一定能完全包围图像中的芦笋，只有当IOU大于阈值，即检测框包围了绝大部分芦笋时，才认为检测有效，因此分级存在一定误差，所以引入置信度误差来优化模型，置信度误差为：
其中，C参考置信度的真实值，S是YOLOV5模型划分的网格数，B是每个网格要预测的bounding box数，P是预测结果为真的值，是第i个网格中的第j个box，λcoobj是负责检测物体的box中心定位误差。
不论YOLOV5模型生成的边界框是否负责某个目标，都会计算置信度，对于一张图像，一般而言大部分内容不包含待检测物体，这样在训练神经网络时会导致神经网络倾向于预测单元格不包含物体，所以需要在YOLOV5模型中引入权重系数来限制无目标检测的权重大小，即减少芦笋图像中非芦笋部分的计算量，降低计算成本，使算法专注于分析图像中有芦笋的部分。
步骤7：计算机3根据上述分析得到的芦笋分级结果下发指令至分级装置7，分级装置7中的第一螺线管702的第一活塞703做直线运动，带动导向挡板6转动，改变芦笋在传送到2上的运动方向，引导相应级别芦笋进入对应落料通道口，实现按照不同等级进行分级的目的；在此过程中，为了最大程度地减少分级误差并提高分级效率，可以通过调整传送带驱动电机14转速控制传送带2的运动速度，以适应当前的分级要求；
芦笋进入倾斜的落料通道，第二光电传感器9感应到芦笋落下后，计算机3控制第二螺线管1103带动第一挡板1104落下，收集芦笋束；然后，计算机3控制切割装置10工作，驱动第一电动机1001，第一电动机1001带动闸刀1004沿着滑槽上下运动，切割芦笋根部；
接着，第五电动机1209正向转动，使捆扎带1210经过滚轮组1217、导槽1216、挡片1206、束带架1205向右输送，直到环绕一圈后再次到达挡片1206下方后停止，然后，微型电机1218带动卡块旋转，压紧固定住捆扎带1210；然后，第二螺线管1103带动第一挡板1104恢复原位，芦笋继续下落，经过第三光电传感器1215，第三光电传感器1215检测到信号后，贯穿式步进电机1303控制第三丝杆1302运动，调节第二挡板1301位置，使得芦笋排列整齐，与此同时，打捆装置12开始打捆操作，第五电动机1209反转，使捆扎带1210收紧，将芦笋捆住，接着，第三电动机1201间接控制电烙铁1207向上运动，将捆扎带1210首尾熔接固定，控制切刀1208向上运动割断下层捆扎带，完成打捆；然后，第四电动机1202工作，控制挡片1206抽出，然后取出打捆好的芦笋束，即可继续进行下一分级打捆操作。
所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (9)
1.一种基于机器视觉技术的芦笋分级打捆一体装置，其特征在于，包括输送装置，输送装置的支架上安装有计算机(3)、相机(4)、第一光电传感器(15)、分级装置(7)，输送装置靠近末端位置处的支架上安装有分隔挡板(8)，输送装置末端安装有倾斜布置的落料收集打捆装置，落料收集打捆装置包括落料支架，落料支架上通过安装多块连接板形成供不同等级芦笋通过的多道倾斜的落料通道，每个落料通道上部侧边均安装有第二光电传感器(9)；落料收集打捆装置还包括自上而下依次设置在落料通道上的切割装置(10)、第一层挡板(11)、打捆装置(12)第二层可调动挡板(13)；
每个落料通道上都安装一个打捆装置(12)，打捆装置(12)包括固定安装在落料通道两侧连接板上的第二支板(1212)，第二支板(1212)中部设有缺口，缺口一侧安装有第三电动机(1201)，第三电动机(1201)连接转轴(1213)，转轴(1213)横跨安装在缺口处，转轴(1213)上固定有两个凸轮(1214)；打捆装置(12)还包括卡接在第二支板(1212)上的两个卡槽顶部的切刀(1208)和烫头(1207)，切刀(1208)和烫头(1207)下部均连接有连接杆，连接杆穿过卡槽后均连接有滚轮，滚轮与对应的凸轮(1214)接触；第三电动机(1201)上方安装有第四电动机(1202)，第四电动机(1202)与第二丝杠(1203)连接，第二丝杠(1203)螺纹配合有滑块，滑块与L型连杆(1204)连接，连杆(1204)另一端连接有挡片(1206)，且挡片(1206)位于切刀(1208)与烫头(1207)正上方；
第二支板(1212)顶部安装倒凹字形束带架(1205)，束带架(1205)内壁设有凹槽；缺口另一侧安装有捆带架(1211)，捆带架(1211)上缠绕有捆扎带(1210)，捆带架(1211)上方安装有第五电动机(1209)、滚轮组(1217)以及由两块挡板(1216)组成的导槽，第五电动机(1209)与滚轮组(1217)相连；捆扎带(1210)依次穿过滚轮组(1217)、导槽、挡片(1206)下部、束带架(1205)内壁凹槽、导槽上表面后，环绕一周最终再次进入挡片(1206)下方；挡片(1206)下方安装有微型电机(1218)，微型电机(1218)输出端固定有卡块，卡块与挡片(1206)内壁压紧，压紧固定进入挡片(1206)下方的捆扎带(1210)。
2.根据权利要求1所述的基于机器视觉技术的芦笋分级打捆一体装置，其特征在于，每个落料通道上都安装一个第二层可调动挡板(13)，所述第二层可调动挡板(13)包括安装在落料通道底部连接板上的贯穿式步进电机(1303)，贯穿式步进电机(1303)内部转子设有内螺纹，第三丝杠(1302)插入贯穿式步进电机(1303)内部，第三丝杠(1302)端部固定安装有第二挡板(1301)。
3.根据权利要求2所述的基于机器视觉技术的芦笋分级打捆一体装置，其特征在于，所述第一层挡板(11)包括固定安装在落料支架一侧的落料通道外壁上的第二电动机(1101)，第二电动机(1101)连接有第一丝杆(1102)，落料支架另一侧的落料通道外壁上安装有与第一丝杆(1102)对称布置的光杆(1105)，第一丝杆(1102)与光杆(1105)之间安装有第一支板(1106)，且第一支板(1106)一侧与第一丝杆(1102)螺纹配合，另一侧与光杆(1105)滑动配合；第一支板(1106)下部通过第二螺线管(1103)滑动安装有多块第一挡板(1104)，第一挡板(1104)的数量以及尺寸与落料通道相匹配。
4.根据权利要求3所述的基于机器视觉技术的芦笋分级打捆一体装置，其特征在于，所述分级装置(7)包括对称安装在输送装置支架上的支撑板(701)，支撑板(701)上均转动安装有一导向挡板(6)，支撑板(701)上还安装有第一螺线管(702)，第一螺线管(702)的第一活塞(703)末端与对应的导向挡板(6)连接。
5.根据权利要求1所述的基于机器视觉技术的芦笋分级打捆一体装置，其特征在于，所述切割装置(10)包括分别固定在落料支架两侧落料通道外壁上的滑杆(1005)、第一电动机(1001)，滑杆(1005)上开设有滑槽，闸刀(1004)一端滑动安装在滑槽中，另一端与从动杆(1003)固定连接，从动杆(1003)与主动凸轮(1002)共同组成凸轮机构，在第一电动机(1001)的驱动下带动闸刀(1004)沿着滑槽上下往复运动。
6.根据权利要求1所述的基于机器视觉技术的芦笋分级打捆一体装置，其特征在于，所述束带架(1205)一侧连接有一块安装板，安装板上固定有用于感应芦笋的第三光电传感器(1215)。
7.一种利用权利要求4所述基于机器视觉技术的芦笋分级打捆一体装置的芦笋分级打捆方法，其特征在于，包括如下过程：
步骤1：相机(4)获取原始芦笋图像，预处理为灰度图像，灰度图像图像被传递至计算机(3)中进行分析处理，通过YOLOV5图像处理算法将图像中的芦笋进行提取和分割，形成芦笋的区域或轮廓；
步骤2：利用YOLOV5算法将灰度图像划分成网格，并在每个网格上预测边界框和类别，边界框由5个特征参数表示：边界框的位置和边界框包含物体的置信度；
步骤3：根据芦笋图像的特征参数，通过阈值化方法计算出相应的量化参数；
步骤4：基于量化参数进行YOLOV5模型训练；
步骤5：基于步骤1获取的灰度图像的信息，利用Gamma校正算法来获取该灰度图像的灰度值；
步骤6：基于步骤2和步骤5获取到的特征参数和灰度值，计算机(3)利用训练好的YOLOV5模型对芦笋灰度图像进行选择及置信度误差分析，YOLOV5模型根据预先设定的阈值或分类规则进行分级判断，分级决策完成后，计算机(3)根据所判定的分级类别，向分级装置(7)发送控制指令；
步骤7：第一螺线管(702)的第一活塞(703)做直线运动，带动导向挡板(6)转动，改变芦笋在输送装置上的运动方向，引导相应级别芦笋进入对应落料通道口，实现按照不同等级进行分级；
落料通道上的第二光电传感器(9)感应到芦笋落下后，第二螺线管(1103)带动第一挡板(1104)落下，收集芦笋束；然后切割装置(10)工作，切割芦笋根部；
接着，第五电动机(1209)正向转动，使捆扎带(1210)经过滚轮组(1217)、导槽(1216)、挡片(1206)、束带架(1205)向右输送，直到环绕一圈后再次到达挡片(1206)下方后停止，然后，微型电机(1218)带动卡块旋转，压紧固定住捆扎带(1210)；然后，第二螺线管(1103)带动第一挡板(1104)恢复原位，芦笋继续下落，经过第三光电传感器(1215)，第三光电传感器(1215)检测到信号后，贯穿式步进电机(1303)控制第三丝杆(1302)运动，调节第二挡板(1301)位置，使得芦笋排列整齐，与此同时，打捆装置(12)开始打捆操作，第五电动机(1209)反转，使捆扎带(1210)收紧，将芦笋捆住，接着，第三电动机(1201)间接控制电烙铁(1207)向上运动，将捆扎带(1210)首尾熔接固定，控制切刀(1208)向上运动割断下层捆扎带，完成打捆；然后，第四电动机(1202)工作，控制挡片(1206)抽出，然后取出打捆好的芦笋束，继续进行下一分级打捆操作。
8.根据权利要求7所述的芦笋分级打捆方法，其特征在于，所述步骤6中，YOLOV5模型分级存在一定误差，引入置信度误差来优化模型，置信度误差为：
其中，C参考置信度的真实值，S是YOLOV5模型划分的网格数，B是每个网格要预测的bounding box数，P是预测结果为真的值，是第i个网格中的第j个box，λcoobj是负责检测物体的box中心定位误差。
9.根据权利要求7所述的芦笋分级打捆方法，其特征在于，所述步骤3中，根据芦笋图像的特征参数，采用硬阈值函数，通过阈值化方法计算出相应的量化参数，硬阈值函数是将大于阈值δ的小波系数保留原值，将小于阈值δ的小波系数置0，用公式表示为：
阈值的选择过程通过风险函数来定义：
其中，Wδ为处理后的变量值，W为变量值，δj为风险函数值，Nj为第j层子带上小波系数的个数，σj为噪声的方差；
所述步骤5中，Gamma校正算法的处理公式为：
其中，Gray为灰度；zz表示不同RGB对应的幂值；R、G、B分别代表红色、绿色、蓝色。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311334737.2A CN117380578B (zh) | 2023-10-16 | 2023-10-16 | 一种基于机器视觉技术的芦笋分级打捆一体装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311334737.2A CN117380578B (zh) | 2023-10-16 | 2023-10-16 | 一种基于机器视觉技术的芦笋分级打捆一体装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117380578A true CN117380578A (zh) | 2024-01-12 |
| CN117380578B CN117380578B (zh) | 2024-03-19 |
Family
ID=89438469
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311334737.2A Active CN117380578B (zh) | 2023-10-16 | 2023-10-16 | 一种基于机器视觉技术的芦笋分级打捆一体装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117380578B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117754643A (zh) * | 2024-02-22 | 2024-03-26 | 福建农业职业技术学院 | 一种可切削根部的杏鲍菇加工设备 |
| CN117754643B (zh) * | 2024-02-22 | 2024-04-30 | 福建农业职业技术学院 | 一种可切削根部的杏鲍菇加工设备 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3911773A (en) * | 1973-03-15 | 1975-10-14 | Eisai Co Ltd | Apparatus for cutting material at fixed length |
| US4288270A (en) * | 1979-06-04 | 1981-09-08 | Interlake, Inc. | Heat-sealing strapping machine |
| CN1112041A (zh) * | 1994-03-07 | 1995-11-22 | 塞恩德公司 | 带有多刃切割器的压力切割机械 |
| WO2011032226A1 (en) * | 2009-09-18 | 2011-03-24 | Fada Pty Ltd | A process and apparatus for grading and packing fruit |
| CN102501997A (zh) * | 2011-10-28 | 2012-06-20 | 杭州永创智能设备股份有限公司 | 一种打包机 |
| CN203486182U (zh) * | 2013-09-30 | 2014-03-19 | 林香礼 | 烫带机 |
| CN107008661A (zh) * | 2017-05-19 | 2017-08-04 | 山东省农业科学院 | 一种大葱的分级、打捆装置 |
| CN208462415U (zh) * | 2018-03-01 | 2019-02-05 | 中联重机浙江有限公司 | 一种快速进料打捆机 |
| CN111112120A (zh) * | 2019-12-19 | 2020-05-08 | 长兴远近农业发展有限公司 | 一种芦笋分级机 |
| CN210618577U (zh) * | 2019-08-29 | 2020-05-26 | 郑州轻工业学院 | 基于机器视觉和plc控制的水果分拣与大小分级包装系统 |
| CN212401728U (zh) * | 2020-06-25 | 2021-01-26 | 至上重工有限公司 | 一种扎带自动包装设备 |
| CN114044215A (zh) * | 2021-11-24 | 2022-02-15 | 台州旭田包装机械有限公司 | 一种束带机 |
| CN216233173U (zh) * | 2021-11-18 | 2022-04-08 | 四川卡库机器人科技有限公司 | 一种束带机 |
| CN218369203U (zh) * | 2022-07-20 | 2023-01-24 | 雷波县沃土农业科技有限责任公司 | 一种芦笋加工用转移堆放支架 |
| CN218353294U (zh) * | 2022-08-01 | 2023-01-24 | 南京农业大学 | 一种入土旋切式绿芦笋采收末端装置 |
| CN116687015A (zh) * | 2023-08-08 | 2023-09-05 | 宜宾有正农业开发有限公司 | 一种切根加工包装设备 |
-
2023
- 2023-10-16 CN CN202311334737.2A patent/CN117380578B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3911773A (en) * | 1973-03-15 | 1975-10-14 | Eisai Co Ltd | Apparatus for cutting material at fixed length |
| US4288270A (en) * | 1979-06-04 | 1981-09-08 | Interlake, Inc. | Heat-sealing strapping machine |
| CN1112041A (zh) * | 1994-03-07 | 1995-11-22 | 塞恩德公司 | 带有多刃切割器的压力切割机械 |
| WO2011032226A1 (en) * | 2009-09-18 | 2011-03-24 | Fada Pty Ltd | A process and apparatus for grading and packing fruit |
| CN102501997A (zh) * | 2011-10-28 | 2012-06-20 | 杭州永创智能设备股份有限公司 | 一种打包机 |
| CN203486182U (zh) * | 2013-09-30 | 2014-03-19 | 林香礼 | 烫带机 |
| CN107008661A (zh) * | 2017-05-19 | 2017-08-04 | 山东省农业科学院 | 一种大葱的分级、打捆装置 |
| CN208462415U (zh) * | 2018-03-01 | 2019-02-05 | 中联重机浙江有限公司 | 一种快速进料打捆机 |
| CN210618577U (zh) * | 2019-08-29 | 2020-05-26 | 郑州轻工业学院 | 基于机器视觉和plc控制的水果分拣与大小分级包装系统 |
| CN111112120A (zh) * | 2019-12-19 | 2020-05-08 | 长兴远近农业发展有限公司 | 一种芦笋分级机 |
| CN212401728U (zh) * | 2020-06-25 | 2021-01-26 | 至上重工有限公司 | 一种扎带自动包装设备 |
| CN216233173U (zh) * | 2021-11-18 | 2022-04-08 | 四川卡库机器人科技有限公司 | 一种束带机 |
| CN114044215A (zh) * | 2021-11-24 | 2022-02-15 | 台州旭田包装机械有限公司 | 一种束带机 |
| CN218369203U (zh) * | 2022-07-20 | 2023-01-24 | 雷波县沃土农业科技有限责任公司 | 一种芦笋加工用转移堆放支架 |
| CN218353294U (zh) * | 2022-08-01 | 2023-01-24 | 南京农业大学 | 一种入土旋切式绿芦笋采收末端装置 |
| CN116687015A (zh) * | 2023-08-08 | 2023-09-05 | 宜宾有正农业开发有限公司 | 一种切根加工包装设备 |
Non-Patent Citations (2)
| Title |
|---|
| 李扬等: ""白芦笋采收机器人视觉定位与采收路径优化方法"", 《智慧农业》, vol. 2, no. 4, 31 December 2020 (2020-12-31), pages 65 - 78 * |
| 汪小旵等: ""基于改进 YOLACT＋＋的成熟芦笋检测-判别-定位方法"", 《农业机械学报》, vol. 54, no. 7, 31 July 2023 (2023-07-31), pages 259 - 271 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117754643A (zh) * | 2024-02-22 | 2024-03-26 | 福建农业职业技术学院 | 一种可切削根部的杏鲍菇加工设备 |
| CN117754643B (zh) * | 2024-02-22 | 2024-04-30 | 福建农业职业技术学院 | 一种可切削根部的杏鲍菇加工设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117380578B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107804514B (zh) | 一种基于图像识别的牙刷分拣方法 | |
| CN109584258B (zh) | 草地边界识别方法及应用其的智能割草装置 | |
| CN114820606B (zh) | 基于视觉定位的激光切割设备控制系统及方法 | |
| CN103308525A (zh) | 一种用于金属线材生产的在线检测方法和装置 | |
| CN106333372B (zh) | 一种基于图像识别的核类水果挖核流水线机器人 | |
| CN117380578B (zh) | 一种基于机器视觉技术的芦笋分级打捆一体装置及方法 | |
| CN115330790B (zh) | 基于图像的电缆绞线质量检测方法及系统 | |
| CN112189951B (zh) | 一种带视觉检测功能的拉链生产设备及拉链加工方法 | |
| CN116703911A (zh) | 一种led灯生产质量检测系统 | |
| CN2774657Y (zh) | 葡萄干分拣装置 | |
| CN115018872A (zh) | 一种用于市政施工的吸尘设备智能控制方法 | |
| CN111985406B (zh) | 一种锌渣图像识别及分类方法 | |
| CN113592854A (zh) | 基于深度学习的木材优选锯视觉检测方法 | |
| CN114985300B (zh) | 一种瓦楞纸板生产线出口纸板分类方法及系统 | |
| CN112634241A (zh) | 基于人工智能的光伏电池功率衰减分析方法及系统 | |
| CN115330768B (zh) | 一种太阳能电池板质量分级方法 | |
| CN113902765B (zh) | 基于全景分割的半导体自动分区方法 | |
| CN115254655A (zh) | 一种基于机器视觉的多指标百香果品质分级方法 | |
| CN114972246A (zh) | 一种基于深度学习的模切产品表面缺陷检测方法 | |
| CN113569880A (zh) | 一种烤后自然卷曲烟叶的快速初分系统及初分方法 | |
| CN116202978A (zh) | 基于深度学习多源光谱融合鸡肉品质检测方法及分拣设备 | |
| CN115194290B (zh) | 一种数控火焰切割机参数控制方法 | |
| CN110544242B (zh) | 一种实时线缆节距提取方法 | |
| CN211028839U (zh) | 一种用于压接琴键键帽的装置 | |
| CN220690817U (zh) | 一种液晶显示屏外观工艺测定装置 |
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 |