CN118090730A - 一种基于机器视觉的石榴发酵红茶成熟度检测方法及系统 - Google Patents
一种基于机器视觉的石榴发酵红茶成熟度检测方法及系统 Download PDFInfo
- Publication number
- CN118090730A CN118090730A CN202410458434.XA CN202410458434A CN118090730A CN 118090730 A CN118090730 A CN 118090730A CN 202410458434 A CN202410458434 A CN 202410458434A CN 118090730 A CN118090730 A CN 118090730A
- Authority
- CN
- China
- Prior art keywords
- fermentation
- color channel
- environment
- volatile organic
- state
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 244000269722 Thea sinensis Species 0.000 title claims abstract description 28
- 235000006468 Thea sinensis Nutrition 0.000 title claims abstract description 28
- 235000020279 black tea Nutrition 0.000 title claims abstract description 28
- 235000014360 Punica granatum Nutrition 0.000 title claims abstract description 16
- 244000294611 Punica granatum Species 0.000 title abstract 2
- 238000000855 fermentation Methods 0.000 claims abstract description 218
- 230000004151 fermentation Effects 0.000 claims abstract description 218
- 239000012855 volatile organic compound Substances 0.000 claims abstract description 80
- 238000011156 evaluation Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000013209 evaluation strategy Methods 0.000 claims abstract description 26
- 238000013524 data verification Methods 0.000 claims abstract description 21
- 238000012795 verification Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 15
- 241000219991 Lythraceae Species 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 13
- 241000508269 Psidium Species 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000005286 illumination Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 13
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 101100379081 Emericella variicolor andC gene Proteins 0.000 description 2
- 101100001673 Emericella variicolor andH gene Proteins 0.000 description 2
- 101100001676 Emericella variicolor andK gene Proteins 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于机器视觉的石榴发酵红茶成熟度检测方法及系统,涉及图像处理技术领域,该系统运行时,通过图像采集模块、环境采集模块和气味分析模块对发酵物状态信息和发酵物的环境信息进行采集,并通过统计获取:挥发性有机化合物浓度波动值Ndbd,数据校验模块对整合的数据信息进行预处理和校验,组成第一数据集和第二数据集,再通过处理模块进行处理和拟合,获取:发酵物状态指数Ztzs,最后通过评估模块预设的发酵物状态过程阈值F进行对比,获取发酵物状态评估策略方案,并根据内容进行具体执行,有助于防止发酵过程中的问题和事故发生,同时能够自动化地收集和处理发酵过程的信息,降低了人力成本和劳动强度。
Description
技术领域
本发明涉及图像处理技术领域,具体为一种基于机器视觉的石榴发酵红茶成熟度检测方法及系统。
背景技术
当前,石榴发酵红茶的成熟度通常依赖于工作人员进行人工判断,尽管这种方式能够提供一定程度的准确评估,但却存在一些显著的局限性。
首先,人工判断受主观因素的影响较大,因此可能导致评估结果的不稳定性和一致性不足,不同工作人员的经验水平和判断标准可能存在差异,从而引发评估结果的偏差。其次,人工判断需要大量的时间和人力资源,尤其在大规模生产场景中,这种方式的效率较低。
其次,石榴发酵红茶的制作过程受环境条件的影响较大,包括温度、湿度等因素会对工作人员的判断产生影响,进而影响到产品质量的稳定性和一致性。综上所述,当前的人工判断方式存在着一系列的挑战和不足,因此有必要探索更加客观、准确和高效的成熟度评估方式。
发明内容
针对现有技术的不足,本发明提供了一种基于机器视觉的石榴发酵红茶成熟度检测方法及系统,解决了背景技术中提到的问题。
为实现以上目的,本发明通过以下技术方案予以实现:一种基于机器视觉的石榴发酵红茶成熟度检测系统,包括图像采集模块、环境采集模块、气味分析模块、数据校验模块、处理模块和评估模块;
所述图像采集模块通过在发酵区域设置的图像采集设备,采集发酵物的实时图像信息,组成实时发酵图像信息组;
所述环境采集模块通过在发酵区域设置的环境传感器设备,采集发酵物的实时环境信息,并提取发酵物环境波动信息,组成发酵物环境波动信息组;
所述气味分析模块对发酵区域内的挥发性有机化合物浓度进行记录,并标记挥发性有机化合物浓度的波动信息,统计后获取:挥发性有机化合物浓度波动值Ndbd;
所述数据校验模块对实时发酵图像信息组和发酵物环境波动信息组进行预处理和校验,将处理后的实时发酵图像信息组整合成第一数据集,将处理后的实时发酵环境信息组整合成第二数据集;
所述处理模块对第一数据集、第二数据集和挥发性有机化合物浓度波动值Ndbd使用深度学习技术,建立发酵物状态识别模型,进行训练和拟合后,获取:发酵物状态指数Ztzs;
所述评估模块通过预设的发酵物状态过程阈值F与发酵物状态指数Ztzs进行匹配,获取发酵物状态评估策略方案,并根据发酵物状态评估策略方案内容进行具体执行通知和提示。
优选的,所述图像采集模块包括画面获取单元;
所述画面获取单元通过在发酵物进行发酵过程区域内设置的图像采集设备,包括高清摄像头和红外摄像头,实时获取发酵物的发酵过程的图像信息,组成实时发酵图像信息组,并将当前图像采集设备的位置和拍摄图像的参数与实时发酵图像信息组进行集成,发送至所述数据校验模块。
优选的,所述环境采集模块包括环境传感器单元;
所述环境传感器单元通过在发酵物进行发酵区域设置的若干个环境传感器实时采集发酵物和发酵区域内的环境信息,组成发酵物环境波动信息组,环境传感器包括:温度传感器、湿度传感器和光照度计传感器,并标记环境信息在发酵物的相对值与发酵物环境波动信息组进行集成,发送至所述数据校验模块。
优选的,所述气味分析模块包括分析仪单元;
所述分析仪单元通过在发酵物的发酵区域内设置的气体浓度分析仪器,实时采集挥发性有机化合物浓度信息,并进行固定周期统计挥发性有机化合物浓度的波动信息,获取:挥发性有机化合物浓度波动值Ndbd;
所述挥发性有机化合物浓度波动值Ndbd具体通过以下统计方式获取:
;
式中,Tn表示固定周期内统计的挥发性有机化合物浓度值总次数,和Ti分别
表示第次挥发性有机化合物浓度值和第Ti次挥发性有机化合物浓度值,通过计算第次挥发性有机化合物浓度值和第Ti次挥发性有机化合物浓度值差值的绝对值之和,
并除以固定周期内统计的挥发性有机化合物浓度值总次数,获取固定周期内的挥发
性有机化合物浓度的波动信息:挥发性有机化合物浓度波动值Ndbd。
优选的,所述数据校验模块包括图像校验单元和环境校验单元;
所述图像校验单元对实时发酵图像信息组进行切割和预处理,包括图像去噪、图像增强、边缘检测和图像校准,再对切割的图像数据进行色彩空间转换,获取发酵物的颜色分布情况、颜色比例情况和RGB颜色通道信息,再进行整合,组成第一数据集;
所述第一数据集包括:R颜色通道像素值Rtd,G颜色通道像素值Gtd和B颜色通道像素值Btd;
所述环境校验单元对发酵物环境波动信息组进行预处理和校验,包括数据平滑、异常值剔除和数据差值相关处理操作,再对环境波动信息组进行归一化处理,组成第二数据集;
所述第二数据集包括:温度波动值Wdz、湿度波动值Sdz和光照强度波动值Gzz。
优选的,所述处理模块包括建模单元;
所述建模单元通过使用深度学习技术对第一数据集、第二数据集和挥发性有机化合物浓度波动值Ndbd建立发酵物状态识别模型,进行训练后,获取:发酵图像状态系数Txxs和发酵环境状态系数Hjxs,再对发酵图像状态系数Txxs、发酵环境状态系数Hjxs和挥发性有机化合物浓度波动值Ndbd进行拟合,获取:发酵物状态指数Ztzs;
所述发酵物状态指数Ztzs通过以下计算公式获取:
;
式中,Txxs表示发酵图像状态系数,Hjxs表示发酵环境状态系数,Ndbd表示挥发性有机化合物浓度波动值,z1、z2和z3分别表示发酵图像状态系数Txxs、发酵环境状态系数Hjxs和挥发性有机化合物浓度波动值Ndbd的比例系数;
其中,,,,且,C表
示第一修正常数。
优选的,所述发酵图像状态系数Txxs通过以下计算公式获取:
;
式中,Blyz表示RGB颜色通道比例因子,Rtd表示R颜色通道像素值,Gtd表示G颜色通道像素值,Btd表示B颜色通道像素值,通过R颜色通道像素值Rtd,G颜色通道像素值Gtd和B颜色通道像素值Btd的计算,获取RGB颜色通道的比例状态差值表现:RGB颜色通道比例因子Blyz;
;
式中,Czyz表示RGB颜色通道差值因子,Rtd表示R颜色通道像素值,Gtd表示G颜色通道像素值,Btd表示B颜色通道像素值,通过R颜色通道像素值Rtd,G颜色通道像素值Gtd和B颜色通道像素值Btd的计算,获取RGB颜色通道的像素差值表现:RGB颜色通道差值因子Czyz;
;
式中,Blyz表示RGB颜色通道比例因子,Czyz表示RGB颜色通道差值因子,Rtd表示R颜色通道像素值,Gtd表示G颜色通道像素值,Btd表示B颜色通道像素值,t1和t2分别表示颜色通道比例因子Blyz和RGB颜色通道差值因子Czyz的比例系数,t3表示R颜色通道像素值Rtd,G颜色通道像素值Gtd和B颜色通道像素值Btd计算结果的比例系数;
其中,,,,且,H表示
第二修正常数。
优选的,所述发酵环境状态系数Hjxs通过以下计算公式获取:
;
式中,Wdz表示温度波动值,Sdz表示湿度波动值,Gzz表示光照强度波动值,h1、h2和h3分别表示温度波动值Wdz、湿度波动值Sdz和光照强度波动值Gzz的比例系数;
其中,,,,且,K表
示第三修正常数。
优选的,所述评估模块包括匹配单元和执行单元;
所述匹配单元通过预设的相关信息与需要的对比值进行匹配,包括通过预设的发酵物状态过程阈值F与发酵物状态指数Ztzs进行匹配,获取发酵物状态评估策略方案:
发酵物状态指数Ztzs<发酵物状态过程阈值F,获取发酵物的发酵进程无异常因素影响发酵评估结果;
发酵物状态指数Ztzs≥发酵物状态过程阈值F,获取发酵物的发酵进程有异常因素影响发酵评估结果,其中,异常因素包括:发酵物发酵区域温度波动异常、发酵物发酵区域湿度波动异常、发酵物发酵区域光照强度波动异常、发酵物颜色异常和发酵物区域存在一定比例异常颜色,当发酵物状态指数Ztzs≥发酵物状态过程阈值F两倍时,执行发酵物的发酵进行预警评估结果,发送通知和提示至相关工作人员;
所述执行单元根据发酵物状态评估策略方案内容,进行具体执行,包括通知和提示,其中,通知包括:预设语音广播、短信通知和内部软件推送通知,提示包括:交互显示屏幕弹窗提示、交互屏幕闪烁提示和工作人员随身设备震动提示。
一种基于机器视觉的石榴发酵红茶成熟度检测方法,包括以下步骤:
步骤一:图像采集模块通过在发酵区域设置的图像采集设备,采集发酵物的实时图像信息,组成实时发酵图像信息组;
步骤二:环境采集模块通过在发酵区域设置的环境传感器设备,采集发酵物的实时环境信息,并提取发酵物环境波动信息,组成发酵物环境波动信息组;
步骤三:气味分析模块对发酵区域内的挥发性有机化合物浓度进行记录,并标记挥发性有机化合物浓度的波动信息,统计获取:挥发性有机化合物浓度波动值Ndbd;
步骤四:数据校验模块对实时发酵图像信息组和发酵物环境波动信息组进行预处理和校验,将处理后的实时发酵图像信息组整合成第一数据集,将处理后的实时发酵环境信息组整合成第二数据集;
步骤五:处理模块对第一数据集、第二数据集和挥发性有机化合物浓度波动值Ndbd使用深度学习技术,建立发酵物状态识别模型,进行训练和拟合后,获取:发酵物状态指数Ztzs;
步骤六:评估模块通过预设的发酵物状态过程阈值F与发酵物状态指数Ztzs进行匹配,获取发酵物状态评估策略方案,并根据发酵物状态评估策略方案内容进行具体执行通知和提示。
本发明具备以下有益效果:
(1)系统运行时,通过图像采集模块、环境采集模块和气味分析模块对发酵物状态信息和发酵物的环境信息进行采集,并通过统计获取:挥发性有机化合物浓度波动值Ndbd,数据校验模块对整合的数据信息进行预处理和校验,组成第一数据集和第二数据集,再通过处理模块进行处理和拟合,获取:发酵物状态指数Ztzs,最后通过评估模块预设的发酵物状态过程阈值F进行对比,获取发酵物状态评估策略方案,并根据内容进行具体执行,及时发现异常情况并进行预警和提醒,有助于防止发酵过程中的问题和事故发生,保证生产的顺利进行,同时能够自动化地收集和处理发酵过程的信息,减少了人工监测和记录的工作量,降低了人力成本和劳动强度。
(2)通过预设的发酵物状态过程阈值F与发酵物状态指数Ztzs进行匹配,获取发酵物状态评估策略方案,能够有效的对发酵物的发酵区域内进行有效评估,从而做出合理的适应决策评估方案,使其保持了持续的自适应判断和决策性能,达到为生产管理者提供相应的决策依据,实现对发酵生产过程的精细化管控。
(3)通过步骤一至步骤六,获取发酵物的实时发酵图像信息和发酵物环境波动信息,并统计发酵区域内的挥发性有机化合物浓度获取:挥发性有机化合物浓度波动值Ndbd,再进行预处理和校验整合成第一数据集和第二数据集,同时建立发酵物状态识别模型,训练后获取:发酵物状态指数Ztzs,并与预设的发酵物状态过程阈值F进行匹配,获取发酵物状态评估策略方案,进行自适应通知和提示,达到实时监测发酵过程,减少了人工干预的需要和降低了人工巡检的次数,从而提高了生产效率。
附图说明
图1为本发明一种基于机器视觉的石榴发酵红茶成熟度检测系统框图流程示意图;
图2为本发明一种基于机器视觉的石榴发酵红茶成熟度检测方法步骤示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
当前,石榴发酵红茶的成熟度通常依赖于工作人员进行人工判断,尽管这种方式能够提供一定程度的准确评估,但却存在一些显著的局限性。
首先,人工判断受主观因素的影响较大,因此可能导致评估结果的不稳定性和一致性不足,不同工作人员的经验水平和判断标准可能存在差异,从而引发评估结果的偏差。其次,人工判断需要大量的时间和人力资源,尤其在大规模生产场景中,这种方式的效率较低。
其次,石榴发酵红茶的制作过程受环境条件的影响较大,包括温度、湿度等因素会对工作人员的判断产生影响,进而影响到产品质量的稳定性和一致性。综上所述,当前的人工判断方式存在着一系列的挑战和不足,因此有必要探索更加客观、准确和高效的成熟度评估方式。
实施例1
本发明提供一种基于机器视觉的石榴发酵红茶成熟度检测系统,请参阅图1,包括图像采集模块、环境采集模块、气味分析模块、数据校验模块、处理模块和评估模块;
所述图像采集模块通过在发酵区域设置的图像采集设备,采集发酵物的实时图像信息,组成实时发酵图像信息组;
所述环境采集模块通过在发酵区域设置的环境传感器设备,采集发酵物的实时环境信息,并提取发酵物环境波动信息,组成发酵物环境波动信息组;
所述气味分析模块对发酵区域内的挥发性有机化合物浓度进行记录,并标记挥发性有机化合物浓度的波动信息,统计后获取:挥发性有机化合物浓度波动值Ndbd;
所述数据校验模块对实时发酵图像信息组和发酵物环境波动信息组进行预处理和校验,将处理后的实时发酵图像信息组整合成第一数据集,将处理后的实时发酵环境信息组整合成第二数据集;
所述处理模块对第一数据集、第二数据集和挥发性有机化合物浓度波动值Ndbd使用深度学习技术,提取相关发酵物特征信息,包括颜色特征、纹理特征和环境特征,建立发酵物状态识别模型,进行训练和拟合后,获取:发酵物状态指数Ztzs;
所述评估模块通过预设的发酵物状态过程阈值F与发酵物状态指数Ztzs进行匹配,获取发酵物状态评估策略方案,并根据发酵物状态评估策略方案内容进行具体执行通知和提示。
本实施例中,通过图像采集模块、环境采集模块和气味分析模块对发酵物状态信息和发酵物的环境信息进行采集,并通过统计获取:挥发性有机化合物浓度波动值Ndbd,数据校验模块对整合的数据信息进行预处理和校验,组成第一数据集和第二数据集,再通过处理模块进行处理和拟合,获取:发酵物状态指数Ztzs,最后通过评估模块预设的发酵物状态过程阈值F进行对比,获取发酵物状态评估策略方案,并根据内容进行具体执行,及时发现异常情况并进行预警和提醒,有助于防止发酵过程中的问题和事故发生,保证生产的顺利进行,同时能够自动化地收集和处理发酵过程的信息,减少了人工监测和记录的工作量,降低了人力成本和劳动强度。
实施例2
本实施例是在实施例1中进行的解释说明,请参照图1,具体的:所述图像采集模块包括画面获取单元;
所述画面获取单元通过在发酵物进行发酵过程区域内设置的图像采集设备,包括高清摄像头和红外摄像头,实时获取发酵物的发酵过程的图像信息,组成实时发酵图像信息组,并将当前图像采集设备的位置和拍摄图像的参数与实时发酵图像信息组进行集成,发送至所述数据校验模块。
所述环境采集模块包括环境传感器单元;
所述环境传感器单元通过在发酵物进行发酵区域设置的若干个环境传感器实时采集发酵物和发酵区域内的环境信息,组成发酵物环境波动信息组,环境传感器包括:温度传感器、湿度传感器和光照度计传感器,并标记环境信息在发酵物的相对值与发酵物环境波动信息组进行集成,发送至所述数据校验模块。
所述气味分析模块包括分析仪单元;
所述分析仪单元通过在发酵物的发酵区域内设置的气体浓度分析仪器,实时采集挥发性有机化合物浓度信息,并进行固定周期统计挥发性有机化合物浓度的波动信息,获取:挥发性有机化合物浓度波动值Ndbd;
所述挥发性有机化合物浓度波动值Ndbd具体通过以下统计方式获取:
;
式中,Tn表示固定周期内统计的挥发性有机化合物浓度值总次数,和Ti分别
表示第次挥发性有机化合物浓度值和第Ti次挥发性有机化合物浓度值,通过计算第次挥发性有机化合物浓度值和第Ti次挥发性有机化合物浓度值差值的绝对值之和,
并除以固定周期内统计的挥发性有机化合物浓度值总次数,获取固定周期内的挥发
性有机化合物浓度的波动信息:挥发性有机化合物浓度波动值Ndbd。
实施例3
本实施例是在实施例1中进行的解释说明,请参照图1,具体的:所述数据校验模块包括图像校验单元和环境校验单元;
所述图像校验单元对实时发酵图像信息组进行切割和预处理,包括图像去噪、图像增强、边缘检测和图像校准,再对切割的图像数据进行色彩空间转换,获取发酵物的颜色分布情况、颜色比例情况和RGB颜色通道信息,再进行整合,组成第一数据集;
所述第一数据集包括:R颜色通道像素值Rtd,G颜色通道像素值Gtd和B颜色通道像素值Btd;
所述环境校验单元对发酵物环境波动信息组进行预处理和校验,包括数据平滑、异常值剔除和数据差值相关处理操作,再对环境波动信息组进行归一化处理,组成第二数据集;
数据平滑:减少数据中的噪声和波动,使其更适合后续处理,数据平滑采用若干个技术,包括移动平均和加权平均,来消除瞬时的波动,从而更好地反映环境的趋势变化;
异常值剔除:在发酵过程中,环境波动信息可能受到异常值的影响,这些异常值可能是由于传感器故障、数据采集错误或环境异常等原因造成的,因此,在进行预处理和校验时,需要对这些异常值进行识别和剔除,以确保数据的准确性和可靠性;
数据差值相关处理:通过计算数据之间的差异或相关性来进一步理解环境的变化趋势,这有助于发现数据之间的关联性和规律性,为后续的分析和建模提供更多的信息;
归一化处理:归一化处理确保数据在相同的尺度范围内,并消除不同变量之间的量纲影响,使得不同变量之间的比较更具有可比性,更便于后续的数据分析和模型建立;
所述第二数据集包括:温度波动值Wdz、湿度波动值Sdz和光照强度波动值Gzz。
所述处理模块包括建模单元;
所述建模单元通过使用深度学习技术对第一数据集、第二数据集和挥发性有机化合物浓度波动值Ndbd建立发酵物状态识别模型,进行训练后,获取:发酵图像状态系数Txxs和发酵环境状态系数Hjxs,再对发酵图像状态系数Txxs、发酵环境状态系数Hjxs和挥发性有机化合物浓度波动值Ndbd进行拟合,获取:发酵物状态指数Ztzs;
所述发酵物状态指数Ztzs通过以下计算公式获取:
;
式中,Txxs表示发酵图像状态系数,Hjxs表示发酵环境状态系数,Ndbd表示挥发性有机化合物浓度波动值,z1、z2和z3分别表示发酵图像状态系数Txxs、发酵环境状态系数Hjxs和挥发性有机化合物浓度波动值Ndbd的比例系数;
其中,,,,且,C表
示第一修正常数。
所述发酵图像状态系数Txxs通过以下计算公式获取:
;
式中,Blyz表示RGB颜色通道比例因子,Rtd表示R颜色通道像素值,Gtd表示G颜色通道像素值,Btd表示B颜色通道像素值,通过R颜色通道像素值Rtd,G颜色通道像素值Gtd和B颜色通道像素值Btd的计算,获取RGB颜色通道的比例状态差值表现:RGB颜色通道比例因子Blyz;
;
式中,Czyz表示RGB颜色通道差值因子,Rtd表示R颜色通道像素值,Gtd表示G颜色通道像素值,Btd表示B颜色通道像素值,通过R颜色通道像素值Rtd,G颜色通道像素值Gtd和B颜色通道像素值Btd的计算,获取RGB颜色通道的像素差值表现:RGB颜色通道差值因子Czyz;
;
式中,Blyz表示RGB颜色通道比例因子,Czyz表示RGB颜色通道差值因子,Rtd表示R颜色通道像素值,Gtd表示G颜色通道像素值,Btd表示B颜色通道像素值,t1和t2分别表示颜色通道比例因子Blyz和RGB颜色通道差值因子Czyz的比例系数,t3表示R颜色通道像素值Rtd,G颜色通道像素值Gtd和B颜色通道像素值Btd计算结果的比例系数;
其中,,,,且,H表示
第二修正常数。
所述发酵环境状态系数Hjxs通过以下计算公式获取:
;
式中,Wdz表示温度波动值,Sdz表示湿度波动值,Gzz表示光照强度波动值,h1、h2和h3分别表示温度波动值Wdz、湿度波动值Sdz和光照强度波动值Gzz的比例系数;
其中,,,,且,K表
示第三修正常数。
实施例4
本实施例是在实施例1中进行的解释说明,请参照图1,具体的:所述评估模块包括匹配单元和执行单元;
所述匹配单元通过预设的相关信息与需要的对比值进行匹配,包括通过预设的发酵物状态过程阈值F与发酵物状态指数Ztzs进行匹配,获取发酵物状态评估策略方案:
发酵物状态指数Ztzs<发酵物状态过程阈值F,获取发酵物的发酵进程无异常因素影响发酵评估结果;
发酵物状态指数Ztzs≥发酵物状态过程阈值F,获取发酵物的发酵进程有异常因素影响发酵评估结果,其中,异常因素包括:发酵物发酵区域温度波动异常、发酵物发酵区域湿度波动异常、发酵物发酵区域光照强度波动异常、发酵物颜色异常和发酵物区域存在一定比例异常颜色,当发酵物状态指数Ztzs≥发酵物状态过程阈值F两倍时,执行发酵物的发酵进行预警评估结果,发送通知和提示至相关工作人员,并同步提供具体发酵区域内的预警位置信息;
所述执行单元根据发酵物状态评估策略方案内容,进行具体执行,包括通知和提示,其中,通知包括:预设语音广播、短信通知和内部软件推送通知,提示包括:交互显示屏幕弹窗提示、交互屏幕闪烁提示和工作人员随身设备震动提示。
本实施例中,通过预设的发酵物状态过程阈值F与发酵物状态指数Ztzs进行匹配,获取发酵物状态评估策略方案,能够有效的对发酵物的发酵区域内进行有效评估,从而做出合理的适应决策评估方案,使其保持了持续的自适应判断和决策性能,达到为生产管理者提供相应的决策依据,实现对发酵生产过程的精细化管控。
实施例5
一种基于机器视觉的石榴发酵红茶成熟度检测方法,请参照图2,具体的:包括以下步骤:
步骤一:图像采集模块通过在发酵区域设置的图像采集设备,采集发酵物的实时图像信息,组成实时发酵图像信息组;
步骤二:环境采集模块通过在发酵区域设置的环境传感器设备,采集发酵物的实时环境信息,并提取发酵物环境波动信息,组成发酵物环境波动信息组;
步骤三:气味分析模块对发酵区域内的挥发性有机化合物浓度进行记录,并标记挥发性有机化合物浓度的波动信息,统计获取:挥发性有机化合物浓度波动值Ndbd;
步骤四:数据校验模块对实时发酵图像信息组和发酵物环境波动信息组进行预处理和校验,将处理后的实时发酵图像信息组整合成第一数据集,将处理后的实时发酵环境信息组整合成第二数据集;
步骤五:处理模块对第一数据集、第二数据集和挥发性有机化合物浓度波动值Ndbd使用深度学习技术,建立发酵物状态识别模型,进行训练和拟合后,获取:发酵物状态指数Ztzs;
步骤六:评估模块通过预设的发酵物状态过程阈值F与发酵物状态指数Ztzs进行匹配,获取发酵物状态评估策略方案,并根据发酵物状态评估策略方案内容进行具体执行通知和提示。
本实施例中,通过步骤一至步骤六,获取发酵物的实时发酵图像信息和发酵物环境波动信息,并统计发酵区域内的挥发性有机化合物浓度获取:挥发性有机化合物浓度波动值Ndbd,再进行预处理和校验整合成第一数据集和第二数据集,同时建立发酵物状态识别模型,训练后获取:发酵物状态指数Ztzs,并与预设的发酵物状态过程阈值F进行匹配,获取发酵物状态评估策略方案,进行自适应通知和提示,达到实时监测发酵过程,减少了人工干预的需要和降低了人工巡检的次数,从而提高了生产效率。
具体示例:某某石榴发酵红茶生产制造基地使用的一种基于机器视觉的石榴发酵红茶成熟度检测系统,将使用一些具体的参数和值来演示如何计算:发酵物状态指数Ztzs、发酵图像状态系数Txxs和发酵环境状态系数Hjxs;
假设拥有以下参数值:
挥发性有机化合物浓度波动值Ndbd:10;
第一数据集包括:R颜色通道像素值Rtd:110,G颜色通道像素值Gtd:100和B颜色通道像素值Btd:90;
第二数据集包括:温度波动值Wdz:4、湿度波动值Sdz:3和光照强度波动值Gzz:5;
比例系数:z1:0.39、z2:0.35、z3:0.19、t1:0.32、t2:0.37、t3:0.25、h1:0.36、h2:0.31和h3:0.25;
修正常数:第一修正常数C:0.46,第二修正常数H:0.12,第三修正常数K:0.07;
根据发酵图像状态系数Txxs的计算公式获取:
Blyz=[|110/(110+100+90)-100/(110+100+90)-90/(110+100+90)|]=26;
Czyz=[(|110-100|)+(|100-90|)+(|90-110|)]=40;
Txxs=[(0.32*26+0.37*40)/(0.32+0.37)]+0.25*((110+100+90)/(3*3))+0.12≈42;
根据发酵环境状态系数Hjxs的计算公式获取:
Hjxs=[(0.36*4+0.31*3+0.25*5)/(0.36+0.31+0.25)]+0.07≈4;
根据发酵物状态指数Ztzs的计算公式获取:
Ztzs=[(0.39*42+0.35*4)/(0.42+0.35)]+(0.25*10)+0.46≈27;
将发酵物状态过程阈值F设置为49,与发酵物状态指数Ztzs进行匹配,获取发酵物状态评估策略方案:获取发酵物的发酵进程无异常因素影响发酵评估结果。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于机器视觉的石榴发酵红茶成熟度检测系统,其特征在于:包括图像采集模块、环境采集模块、气味分析模块、数据校验模块、处理模块和评估模块;
所述图像采集模块通过在发酵区域设置的图像采集设备,采集发酵物的实时图像信息,组成实时发酵图像信息组;
所述环境采集模块通过在发酵区域设置的环境传感器设备,采集发酵物的实时环境信息,并提取发酵物环境波动信息,组成发酵物环境波动信息组;
所述气味分析模块对发酵区域内的挥发性有机化合物浓度进行记录,并标记挥发性有机化合物浓度的波动信息,统计后获取:挥发性有机化合物浓度波动值Ndbd;
所述数据校验模块对实时发酵图像信息组和发酵物环境波动信息组进行预处理和校验,将处理后的实时发酵图像信息组整合成第一数据集,将处理后的实时发酵环境信息组整合成第二数据集;
所述处理模块对第一数据集、第二数据集和挥发性有机化合物浓度波动值Ndbd使用深度学习技术,建立发酵物状态识别模型,进行训练和拟合后,获取:发酵物状态指数Ztzs;
所述评估模块通过预设的发酵物状态过程阈值F与发酵物状态指数Ztzs进行匹配,获取发酵物状态评估策略方案,并根据发酵物状态评估策略方案内容进行具体执行通知和提示。
2.根据权利要求1所述的一种基于机器视觉的石榴发酵红茶成熟度检测系统,其特征在于:所述图像采集模块包括画面获取单元;
所述画面获取单元通过在发酵物进行发酵过程区域内设置的图像采集设备,包括高清摄像头和红外摄像头,实时获取发酵物的发酵过程的图像信息,组成实时发酵图像信息组,并将当前图像采集设备的位置和拍摄图像的参数与实时发酵图像信息组进行集成,发送至所述数据校验模块。
3.根据权利要求1所述的一种基于机器视觉的石榴发酵红茶成熟度检测系统,其特征在于:所述环境采集模块包括环境传感器单元;
所述环境传感器单元通过在发酵物进行发酵区域设置的若干个环境传感器实时采集发酵物和发酵区域内的环境信息,组成发酵物环境波动信息组,环境传感器包括:温度传感器、湿度传感器和光照度计传感器,并标记环境信息在发酵物的相对值与发酵物环境波动信息组进行集成,发送至所述数据校验模块。
4.根据权利要求1所述的一种基于机器视觉的石榴发酵红茶成熟度检测系统,其特征在于:所述气味分析模块包括分析仪单元;
所述分析仪单元通过在发酵物的发酵区域内设置的气体浓度分析仪器,实时采集挥发性有机化合物浓度信息,并进行固定周期统计挥发性有机化合物浓度的波动信息,获取:挥发性有机化合物浓度波动值Ndbd;
所述挥发性有机化合物浓度波动值Ndbd具体通过以下统计方式获取:
;
式中,Tn表示固定周期内统计的挥发性有机化合物浓度值总次数,和Ti分别表示第/>次挥发性有机化合物浓度值和第Ti次挥发性有机化合物浓度值,通过计算第/>次挥发性有机化合物浓度值和第Ti次挥发性有机化合物浓度值差值的绝对值之和,并除以固定周期内统计的挥发性有机化合物浓度值总次数/>,获取固定周期内的挥发性有机化合物浓度的波动信息:挥发性有机化合物浓度波动值Ndbd。
5.根据权利要求1所述的一种基于机器视觉的石榴发酵红茶成熟度检测系统,其特征在于:所述数据校验模块包括图像校验单元和环境校验单元;
所述图像校验单元对实时发酵图像信息组进行切割和预处理,包括图像去噪、图像增强、边缘检测和图像校准,再对切割的图像数据进行色彩空间转换,获取发酵物的颜色分布情况、颜色比例情况和RGB颜色通道信息,再进行整合,组成第一数据集;
所述第一数据集包括:R颜色通道像素值Rtd,G颜色通道像素值Gtd和B颜色通道像素值Btd;
所述环境校验单元对发酵物环境波动信息组进行预处理和校验,包括数据平滑、异常值剔除和数据差值相关处理操作,再对环境波动信息组进行归一化处理,组成第二数据集;
所述第二数据集包括:温度波动值Wdz、湿度波动值Sdz和光照强度波动值Gzz。
6.根据权利要求1所述的一种基于机器视觉的石榴发酵红茶成熟度检测系统,其特征在于:所述处理模块包括建模单元;
所述建模单元通过使用深度学习技术对第一数据集、第二数据集和挥发性有机化合物浓度波动值Ndbd建立发酵物状态识别模型,进行训练后,获取:发酵图像状态系数Txxs和发酵环境状态系数Hjxs,再对发酵图像状态系数Txxs、发酵环境状态系数Hjxs和挥发性有机化合物浓度波动值Ndbd进行拟合,获取:发酵物状态指数Ztzs;
所述发酵物状态指数Ztzs通过以下计算公式获取:
;
式中,Txxs表示发酵图像状态系数,Hjxs表示发酵环境状态系数,Ndbd表示挥发性有机化合物浓度波动值,z1、z2和z3分别表示发酵图像状态系数Txxs、发酵环境状态系数Hjxs和挥发性有机化合物浓度波动值Ndbd的比例系数;
其中,,/>,/>,且/>,C表示第一修正常数。
7.根据权利要求6所述的一种基于机器视觉的石榴发酵红茶成熟度检测系统,其特征在于:所述发酵图像状态系数Txxs通过以下计算公式获取:
;
式中,Blyz表示RGB颜色通道比例因子,Rtd表示R颜色通道像素值,Gtd表示G颜色通道像素值,Btd表示B颜色通道像素值,通过R颜色通道像素值Rtd,G颜色通道像素值Gtd和B颜色通道像素值Btd的计算,获取RGB颜色通道的比例状态差值表现:RGB颜色通道比例因子Blyz;
;
式中,Czyz表示RGB颜色通道差值因子,Rtd表示R颜色通道像素值,Gtd表示G颜色通道像素值,Btd表示B颜色通道像素值,通过R颜色通道像素值Rtd,G颜色通道像素值Gtd和B颜色通道像素值Btd的计算,获取RGB颜色通道的像素差值表现:RGB颜色通道差值因子Czyz;
;
式中,Blyz表示RGB颜色通道比例因子,Czyz表示RGB颜色通道差值因子,Rtd表示R颜色通道像素值,Gtd表示G颜色通道像素值,Btd表示B颜色通道像素值,t1和t2分别表示颜色通道比例因子Blyz和RGB颜色通道差值因子Czyz的比例系数,t3表示R颜色通道像素值Rtd,G颜色通道像素值Gtd和B颜色通道像素值Btd计算结果的比例系数;
其中,,/>,/>,且/>,H表示第二修正常数。
8.根据权利要求6所述的一种基于机器视觉的石榴发酵红茶成熟度检测系统,其特征在于:所述发酵环境状态系数Hjxs通过以下计算公式获取:
;
式中,Wdz表示温度波动值,Sdz表示湿度波动值,Gzz表示光照强度波动值,h1、h2和h3分别表示温度波动值Wdz、湿度波动值Sdz和光照强度波动值Gzz的比例系数;
其中,,/>,/>,且/>,K表示第三修正常数。
9.根据权利要求1所述的一种基于机器视觉的石榴发酵红茶成熟度检测系统,其特征在于:所述评估模块包括匹配单元和执行单元;
所述匹配单元通过预设的相关信息与需要的对比值进行匹配,包括通过预设的发酵物状态过程阈值F与发酵物状态指数Ztzs进行匹配,获取发酵物状态评估策略方案:
发酵物状态指数Ztzs<发酵物状态过程阈值F,获取发酵物的发酵进程无异常因素影响发酵评估结果;
发酵物状态指数Ztzs≥发酵物状态过程阈值F,获取发酵物的发酵进程有异常因素影响发酵评估结果,其中,异常因素包括:发酵物发酵区域温度波动异常、发酵物发酵区域湿度波动异常、发酵物发酵区域光照强度波动异常、发酵物颜色异常和发酵物区域存在一定比例异常颜色,当发酵物状态指数Ztzs≥发酵物状态过程阈值F两倍时,执行发酵物的发酵进行预警评估结果,发送通知和提示至相关工作人员;
所述执行单元根据发酵物状态评估策略方案内容,进行具体执行,包括通知和提示,其中,通知包括:预设语音广播、短信通知和内部软件推送通知,提示包括:交互显示屏幕弹窗提示、交互屏幕闪烁提示和工作人员随身设备震动提示。
10.一种基于机器视觉的石榴发酵红茶成熟度检测方法,包括上述权利要求1~9任一项所述的一种基于机器视觉的石榴发酵红茶成熟度检测系统,其特征在于:包括以下步骤:
步骤一:图像采集模块通过在发酵区域设置的图像采集设备,采集发酵物的实时图像信息,组成实时发酵图像信息组;
步骤二:环境采集模块通过在发酵区域设置的环境传感器设备,采集发酵物的实时环境信息,并提取发酵物环境波动信息,组成发酵物环境波动信息组;
步骤三:气味分析模块对发酵区域内的挥发性有机化合物浓度进行记录,并标记挥发性有机化合物浓度的波动信息,统计获取:挥发性有机化合物浓度波动值Ndbd;
步骤四:数据校验模块对实时发酵图像信息组和发酵物环境波动信息组进行预处理和校验,将处理后的实时发酵图像信息组整合成第一数据集,将处理后的实时发酵环境信息组整合成第二数据集;
步骤五:处理模块对第一数据集、第二数据集和挥发性有机化合物浓度波动值Ndbd使用深度学习技术,建立发酵物状态识别模型,进行训练和拟合后,获取:发酵物状态指数Ztzs;
步骤六:评估模块通过预设的发酵物状态过程阈值F与发酵物状态指数Ztzs进行匹配,获取发酵物状态评估策略方案,并根据发酵物状态评估策略方案内容进行具体执行通知和提示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410458434.XA CN118090730A (zh) | 2024-04-17 | 2024-04-17 | 一种基于机器视觉的石榴发酵红茶成熟度检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410458434.XA CN118090730A (zh) | 2024-04-17 | 2024-04-17 | 一种基于机器视觉的石榴发酵红茶成熟度检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118090730A true CN118090730A (zh) | 2024-05-28 |
Family
ID=91153345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410458434.XA Pending CN118090730A (zh) | 2024-04-17 | 2024-04-17 | 一种基于机器视觉的石榴发酵红茶成熟度检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118090730A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104155299A (zh) * | 2014-08-19 | 2014-11-19 | 中国农业科学院茶叶研究所 | 一种基于色相直方图的红茶发酵适度判别方法及装置 |
CN104897660A (zh) * | 2015-05-04 | 2015-09-09 | 江苏大学 | 一种基于成像化气体传感器阵列的发酵过程在线监测的方法 |
CN113349267A (zh) * | 2021-04-09 | 2021-09-07 | 三江侗族自治县仙池茶业有限公司 | 一种智能调节红茶发酵室环境的方法及系统 |
CN115308197A (zh) * | 2022-08-05 | 2022-11-08 | 安徽农业大学 | 一种红茶发酵程度判定方法 |
CN116678874A (zh) * | 2023-05-29 | 2023-09-01 | 安徽农业大学 | 一种定量监测红茶发酵特征挥发性化合物的方法 |
CN117179083A (zh) * | 2023-10-11 | 2023-12-08 | 婺源县正稀茗茶有限公司 | 红茶自动发酵控制系统及其方法 |
CN117611578A (zh) * | 2024-01-17 | 2024-02-27 | 深圳市新良田科技股份有限公司 | 一种图像处理方法及图像处理系统 |
CN117854006A (zh) * | 2024-01-15 | 2024-04-09 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种基于图像处理的烟草生长状态监测系统 |
-
2024
- 2024-04-17 CN CN202410458434.XA patent/CN118090730A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104155299A (zh) * | 2014-08-19 | 2014-11-19 | 中国农业科学院茶叶研究所 | 一种基于色相直方图的红茶发酵适度判别方法及装置 |
CN104897660A (zh) * | 2015-05-04 | 2015-09-09 | 江苏大学 | 一种基于成像化气体传感器阵列的发酵过程在线监测的方法 |
CN113349267A (zh) * | 2021-04-09 | 2021-09-07 | 三江侗族自治县仙池茶业有限公司 | 一种智能调节红茶发酵室环境的方法及系统 |
CN115308197A (zh) * | 2022-08-05 | 2022-11-08 | 安徽农业大学 | 一种红茶发酵程度判定方法 |
CN116678874A (zh) * | 2023-05-29 | 2023-09-01 | 安徽农业大学 | 一种定量监测红茶发酵特征挥发性化合物的方法 |
CN117179083A (zh) * | 2023-10-11 | 2023-12-08 | 婺源县正稀茗茶有限公司 | 红茶自动发酵控制系统及其方法 |
CN117854006A (zh) * | 2024-01-15 | 2024-04-09 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种基于图像处理的烟草生长状态监测系统 |
CN117611578A (zh) * | 2024-01-17 | 2024-02-27 | 深圳市新良田科技股份有限公司 | 一种图像处理方法及图像处理系统 |
Non-Patent Citations (4)
Title |
---|
G. JIN, ET AL.: "Intelligent evaluation of black tea fermentation degree by FT-NIR and computer vision based on data fusion strategy", 《LWT - FOOD SCIENCE AND TECHNOLOGY》, 3 March 2020 (2020-03-03), pages 1 - 7 * |
Q. ZHOU ET AL.: "Monitoring black tea fermentation quality by intelligent sensors: Comparison of image, e-nose and data fusion", 《FOOD BIOSCIENCE》, 6 February 2023 (2023-02-06), pages 1 - 12 * |
张 柏等: "基于数据融合策略的红茶发酵程度判别", 《农业工程学报》, vol. 38, no. 15, 31 August 2022 (2022-08-31), pages 339 - 347 * |
雷攀登等: "高湿高雾环境下红茶发酵图像实时采集系统研制", 《农业工程学报》, vol. 38, no. 12, 30 June 2022 (2022-06-30), pages 207 - 215 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100596192C (zh) | 一种基于视频的智能数人系统及其处理方法 | |
CN110826538A (zh) | 一种用于电力营业厅的异常离岗识别系统 | |
US20160260306A1 (en) | Method and device for automated early detection of forest fires by means of optical detection of smoke clouds | |
CN111122490B (zh) | 一种室内气体泄漏信息采集方法及其装置 | |
CN115018844B (zh) | 一种基于人工智能的塑料薄膜质量评估方法 | |
CN109507192A (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
US20200178511A1 (en) | Pest monitoring method based on machine vision | |
CN111242123A (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
CN115876258B (zh) | 基于多源数据的畜禽养殖环境异常监测及报警系统 | |
CN113506046A (zh) | 一种基于质量管理规范数据追踪的药品质量控制分析系统 | |
CN117250208B (zh) | 基于机器视觉的纳米压印晶圆缺陷精准检测系统及方法 | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
CN116054417A (zh) | 一种变电站用的监控系统及方法 | |
CN112967176A (zh) | 一种利用Image J和Photoshop对植物盖度分析的方法 | |
CN115015286A (zh) | 基于机器视觉的芯片检测方法及系统 | |
CN114062366B (zh) | 烟草制丝生产风选剔梗质量在线检测方法及系统 | |
CN108664886A (zh) | 一种适应变电站进出监控需求的人脸快速识别方法 | |
CN111461487A (zh) | 一种基于bim的室内装修工程智慧管理系统 | |
CN118090730A (zh) | 一种基于机器视觉的石榴发酵红茶成熟度检测方法及系统 | |
CN116106319A (zh) | 一种合成革瑕疵自动化检测方法及系统 | |
CN111091601B (zh) | 一种实时白天室外手机图像的pm2.5指数估计方法 | |
CN114821025A (zh) | 一种基于深度学习的表计识别方法和系统 | |
CN103136439B (zh) | 植物病症辨识方法及其系统 | |
CN117740811B (zh) | 一种新能源汽车遮阳篷性能检测方法、系统及存储介质 | |
CN113077002B (zh) | 基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法 |
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 |