ES2523390B2 - Procedimiento automático para determinar la compacidad de un racimo de uva en modo continuo, sobre una cinta transportadora sita en bodega - Google Patents
Procedimiento automático para determinar la compacidad de un racimo de uva en modo continuo, sobre una cinta transportadora sita en bodega Download PDFInfo
- Publication number
- ES2523390B2 ES2523390B2 ES201400692A ES201400692A ES2523390B2 ES 2523390 B2 ES2523390 B2 ES 2523390B2 ES 201400692 A ES201400692 A ES 201400692A ES 201400692 A ES201400692 A ES 201400692A ES 2523390 B2 ES2523390 B2 ES 2523390B2
- Authority
- ES
- Spain
- Prior art keywords
- cluster
- compactness
- image
- conveyor belt
- color
- 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.)
- Active
Links
Landscapes
- Image Analysis (AREA)
- Sorting Of Articles (AREA)
Abstract
Procedimiento automático para determinar la compacidad de un racimo de uva en modo continuo, sobre una cinta transportadora sita en bodega (1), que comprende las etapas siguientes:#a) Capturar una imagen en color (imagen RGB original) (100A) de un racimo (3), con una cámara (41), en una campana de adquisición (4), ubicada dicha campana sobre una cinta transportadora (22) sita en bodega;#b) Segmentar la imagen RGB original (100A) para obtener una imagen de clases con racimo segmentado (100B) con los píxeles que conforman el racimo (3), los del raquis y con los que corresponden al fondo (45);#c) Clasificar los píxeles correspondientes a huecos;#d) Extraer las características morfológicas principales;#e) Extraer las características por clasificación de color;#e) Obtener el valor cuantitativo de compacidad.
Description
Procedimiento automatico para determinar la compacidad de un racimo de uva en modo continuo, sobre una cinta transportadora sita en bodega.
s
Objeto de la invención
La presente invención se refiere a un procedimiento que permite determinar de fonna automática, sin manipulación del racimo, la compacidad de un racimo de uva mediante 10 visión artificial de forma objeti va y cuantitativa.
La presente invención resulta de gran interés para el sector de la viticultura en general, y especialmente para la estimación de producción de cantidad y calidad de uva.
15 Generalidades y estado de la técnica anterior más próximo
La compacidad del racimo de uva es un parámetro de gran importancia, que influye en la calidad de la uva y del vino. Se puede definir como la densidad en la distribución de las bayas dentro del racimo, su movilidad y defonnación, así como la visibilidad del 2 O pedicelo (1). En los racimos compactos las bayas se presentan de fonna que se tocan unas a otras en muchos puntos del racimo, quedando algunas bayas ocultas en capas interiores del racimo, con aireación limitada y afectando a la maduración por la ausencia de exposición solar. Por lo anteriormente descrito, los racimos compactos son más susceptibles a las plagas, como la polilla del racimo (21 y enfermedades fúngicas, 25 como Boflylis cil1erea (31 y oídio 141. y además de la pérdida de calidad y producción de la uva causada por la incidencia de patógenos, la heterogeneidad en la maduración de las bayas en los racimos compactos produce un detrimento en la calid ad del vino, por lo que los enólogos consideran que los racimos más sueltos son de mayor calidad
30 Hasta ahora el único método utilizado para detenninar la compacidad del rac imo es la escala de inspección visual propuesta por la Organización Internacional de la Vid yel Vino 111. Sin embargo, la subjetividad inherente a estos métodos invalida su uso a escala industrial. Por tanto se hace necesario un nuevo método capaz de estimar la
35 compacidad de un racimo de fonna cuantitativa, objetiva, precisa y robusta. Recientemente también se ha fracasado en la evaluación de la compacidad a partir de medidas morfométricas del racimo medidas manualmente en laboratorio (61.
La visión por ordenador se utiliza ampliamente en la inspección automatizada en
4 O agricultura. Esta tecnología permite la creación de sistemas capaces de estimar o predecir características de los objetos inspeccionados sin la necesidad de contacto, de una manera rápida, precisa y repetible. La mayoría de las aplicaciones se relacionan Con la medición de propiedades externas como el cotor, tamaño o detección de defectos 17). Algunas de esas propiedades se relacionan con la fonna de los objetos.
45 Las características morfológicas más comunes utilizadas para caracterizar la fonna de
un objeto son: el área, perímetro, longitud de los ejes mayor y menor, y la relación de aspecto (8) . Sin embargo, existen pocos trabajos sobre el análisis de los racimos utilizando análisis de imagen, la mayoría centrados en el análisis morfológico. Wycislo el al. 19) utilizan diferentes ralios para estimar la forma de los racimos de uva de mesa, S como el ratio entre las longitudes de los ejes mayor/menor, el factor de forma y el valor de la compacidad de la forma. Chen el al. 110) han diseñado un sistema automatizado de inspección para valorar racimos de uva en función de su color, fonna y tamaño. Las características de forma utilizadas se calculaban a partir del área proyectada y la curva de acumulación de píxeles. Miao el al. )11). con la intención de
1 0 obtener medidas geométricas de frutas de fonna dinámica, se basan en la aplicación de un algoritmo .make tras la segmentación de las imágenes, con la intención de discriminar cada baya y obtener características morfológicas de las bayas individuales del racimo.
1 5 Referencias bibliográficas
(1) OIV, 2nd edition of the OIV descriptor list for grape varieties and Vitis species. Organisation intemationale de la vigne el du vin, Paris, (2007).
20 12) Fennaud M, Cultivar susceptibility of grape berry cJusters to larvae of Lobesia bOlrana (Lepidoptera: Tortricidae). J Econ Entomol91 :974-980 (1998).
13) Tardaguila J, Blanco .1, Poni S and Diago M, Mechanical yield regulation in winegrapes: comparison of early defoliation and crop thitming. Aust J Grape Wine Res 25 18:344-352 (2012).
14) Austin CN and Wilcox WF, EtTects of sunlight exposure on grapevine powdery mildew developmenl. Phytopathology 102:857-866 (2012).
30 15) Vail M and Marois J, Grape cluster architecture and the susceptibility ofberries to Botrytis cinerea. Phytopathology 81: 188-191 (1991).
16) Tello J and Ibanez J, Evaluation of indexes for the quantitative and objective estimation ofgrapevine bunch compactness. Vitis 53:9-16 (2014). 35
17) Cubero S, Aleixos N, Moltó E, Gómez-Sanchis J and Blasco J, Advances in machine vision applications for automatic inspection and quality evaluation of fruits and vegetables. Food Bioprocess Tech 4:487-504 (2011).
4 O (8) Costa C, Antonucci F, Pallottino F, Aguzzi J, Sun D and Menesatti P, Shape analysis of agricultural products: a review of recent research advances and potential application to computer visiono Food and Bioprocess Technology 4:673-692 (2011).
19) Wycislo AP, Clark JR and Karcher DE, Fruit shape analysis of vitis using digital 45 photography. HortScience 43:677-680 (2008).
{lO) Chen Y, Liao T, Lin e, Wan H and Li W, Grape Inspcction and Grading Syst cm Based 0 0 Computer Vision [J]. Transactions of the Chincsc Socicty for Agricultural Machinery 41:169-172 (2010).
5 (111 Miao Y, Xu M and Zhai P, GVF Snake Model Bascd on the Constraint ofPnor Shapc for Ovcrlapping Grape ¡mage Scgmcntation AIgorithm*, J lnfonnation Comput Sci 9:5865-5872 (2012).
Breve descripción de las figuras 10
Glosario de referellcias
- Procedimi ento automático para determ inar la compaci dad de un racimo
- de uva en modo continuo, sobre una cinta transportadora sita en bodega;
- 15 ill
- Máqu ina transportadora ;
- (2 1 )
- Bandeja vibratoria;
- (22)
- Cinta transportadora;
- Q)
- Racimo;
- ®
- Campana de adquisición;
- 2 O (40)
- Carcasa;
- (41)
- Cámara;
- (42)
- Lámparas compuestas por LEO;
- (43)
- Entrada;
- (44)
- Salida;
- 25 (45)
- Fondo adaptati vo mediante pantalla TFT LeO o LED;
- (46)
- Sensor óptico de barrera;
- (100)
- Imagen;
- (JOOA)
- Imagen RGB original ;
- (JOOB)
- Imagen segmentada;
- 30 ( IQOC)
- Imagen segmentada con búsqueda de caja (bO/lIldil1g box) que contiene
- el racimo;
- (lOOD)
- Imagen segmentada con identificación del fondo;
- ( IOOE)
- Imagen segmentada con identificación de los huecos;
- ( IOOF)
- Imagen segmentada con eje princi pal de inercia y anchuras al 25%, 50%
- 3 5
- Y75% del eje principal de in ercia.
Figura I (Fig.I).-muestra una vista de un plano exterior longitud inal de una máquina transportadora (2) de racimos (3), cualquiera del estado de la técnica anterior, en el que se ha dispuesto una campana de adquisición (4).
Figura 2 (Fig.2).-muestra una vista de un plano de corte longitudinal de una campana de adquisición (4).
Figura 3 (Fig.3). -muestra una vista de un plano de corte transversal de una campana 45 de adquisición (4).
Figura 4 (Fig.4).-muestra un conjunto de imágenes del proceso reivindicado, donde:
- Fig.4A.
- Imagen RGB original (1 OOA);
- 5
- Fíg.4B. Imagen segmentada (1008);
- FigAC.
- Imagen segmentada con bú squeda de caja (bollllding box) que
- contiene el racimo
- (IOOC);
- Fig.4D.
- Imagen segmentada con identificación del fondo (1000);
- FigAE.
- Imagen segmentada con identificación de los huecos (1 QOE);
- 10
- Fig.4F. Imagen segmentada con eje principal de inercia y anchuras al
25%, 50% Y 75% del eje principal de inercia (1 OOF).
Descripción detallada de la invención y exposición de un modo de realización preferente de la invención
Se describe detalladamente una realización preferente de la invención, de entre las
distintas alternativas posibles, mediante enumeración de sus elapas, en base a
referencias a las figuras.
2 O El procedimiento comprende seis etapas:
Etapa "a". Capturar una imagen en color<imagen RGB original) (1 OOA) de un racimo (3), con una cámara (41), en una campana de adquisición (4), ubicada dicha campana sobre una cinta transportadora (22) sita en bodega. 25
En la Fig.4A se observa una imagen RGB original (lOOA) de un racimo (3) adquirida
según se describe a continuación.
Se captura una única imagen RGB original (100A) por racimo (3) sobre un fondo 3 O adaptativo mediante pantalla TFT LCO o LEO (45) que contrasta con el racimo.
Un modelo preferente de cámara (41) es el siguiente: cámara industrial color AlIied Vision Technologies modelo Manta G-125 con conexión Giga Ethernet (GigE), sensor CCO progresivo de 1/3" y entrada para el disparo asíncrono de imágenes (disparo
35 remoto). La óptica utilizada es de 8 mm con focal fija.
La configuración preferente de los parámetros de captura de la cámara (41) es: velocidad de obturación entre 2 y 4 ms para evitar que las imágenes aparezcan movidas por el efecto de la velocidad de la cinta, enfoque fijo y ganancia y balance de 4 O blancos automático desactivado, y una resolución de las imágenes de 1292 x 964
píxeles yO, 126 mm/pixel.
La máquina transportadora (2) sobre la que se sitúa la campana de adquisición (4) está compuesta por una cinta transportadora (22) de 600 nun de ancho, compuesta por
material translúcido de manera que se puedan iluminar los racimos (3) tanto desde la parte superior como utilizando un panel posterior. Los racimos (3) deben ir separados entre sí de fonna que se pueda sincronizar la adquisición de imágenes con el paso de cada racimo. Para ello se sitúa un sensor óptico de barrera (46) que detecta el 5 comienzo de cada racimo y dispara la captura de la imagen por la cámara (41). Para conseguir individualizar correctamente los racimos se utiliza una bandeja vibratoria
(21) que oscila con una frecuencia adecuada para no dañar los racimos y depositarlos uno a uno sobre la cinta transportadora principal que viaja a una velocidad recomendada de 0,5 mIs para conseguir una óptima separación de los racimos. La
10 orientación del racimo sobre la cinta transportadora no es importante para la inspección. En la Fig.l se observa un plano longitudinal de la máquina transportadora
(2) completa. Con cada disparo de la cámara, se captura un único racimo. La frecuencia con la que se capturan y procesan las imágenes dependerá de la velocidad de la cinta transportadora y del número de racimos que se inspeccionen. La cámara
15 está conectada a un ordenador de control de la máquina a través de la conexión GigE de alta velocidad y el resultado del análisis de las imágenes de los racimos se obtiene en tiempo real, es decir, antes de la siguiente caplura.
Una configuración prefere nte de la campana de adquisición (4) es la que se muestra en 2 O la Fig.3.
La cámara (41) está situada en la parte superior de una campana de adquisición (4) de construcción preferente de 600 x 600 mm y 800 mm de altura realizada en acero inoxidable para uso alimentario del tipo 304 que está cerrado por los cuatro laterales y 25 por la parte superior para impedir la entrada de iluminación del exterior; es decir es opaca. En la parte inferior y en el sentido de avance de la cinta, existen dos aberturas para permitir el paso de los racimos (3) por la cinta transportadora (22). En los cuatro lados se sitúan lámparns compuestas por LED (42) (lightillg emitting diode) de alta luminosidad y temperatura de color blanco frío (alrededor de 6000 K) Y su encendido
30 está sincronizado con la adquisición de las imágenes (modo estroboscópico). La disposición de estas lámparas es de 45° respecto a la nOnTIal de la cinta transportadora para evitar la componente de la reflexión directa de la luz a la cámara.
Debajo de la cinta transportadora (22), trnnslúcida, se sitúa un fondo adaptativo
35 mediante pantalla TFT LCO o LEO (45) controlada por el ordenador principal del sistema, capaz de adaptarse al color que más diferencias presenta respecto de los racimos bajo análisis. Este color se establece cargando una configuración almacenada en el ordenador en función de la variedad sobre la que se va a trabajar, con el objetivo de proporcionar en todo momento el mayor contraste entre el racimo y el fondo de las
4 O imágenes (100). Otra ventaja de dicho fondo adaptativo es la posibilidad de adaptarse a cada racimo (3) de forma individualizada, cambiando el color del mismo, antes de la captura de la imagen RGB original (IOOA), y pudiendo cambiarse de forma automática para el siguiente racimo (3), proveniente de la cinta transportadora (22), y así sucesivamente.
Por ejemplo, en el caso de racimos (3) de uva de una variedad tinta, se produce un valor óptimo al elegir un fondo adaptativo mediante pantalla TFT LeO (45) de color naranja que contenga las siguientes componentes de color RGB:
R:240±15
5 G: 160± 15
B:70±15
y por ejemplo, en el caso de racimos (3) de uva de una variedad blanca, se produce un valor óptimo al elegir un fondo adaptativo mediante pantalla TFT LeO (45) de color 10 cian que contenga las siguientes componentes de color RGB:
R:80±15
G: 11 5±15
B:165±15
15 La iluminación requerida es de unos 4000 -4500 lux (unos 12000 lúmenes para una superficie de 600 x 600 mm).
Etapa "b". Segmentar la imagen RGB original (IODA) para obtener una imagen de
2 O clases con racimo segmentado (1008) con los píxeles que confonnan el racimo (3), los del raquis y con los que corresponden al fondo (45),
Partiendo de la imagen RGB original (JOOA), Fig.4A, se obtiene una imagen segmentada (1008), Fig.48. Para ello, lo primero es realizar un entrenamiento previo
25 consistente en clasificar de forma supervisada pixeles representativos de las distintas áreas de interés de la imagen en cada una de las clases predefinidas en las imágenes (fondo, baya y raquis).
Los valores de las componentes R, G Y 8 de los píxeles seleccionados, junto con la
30 clase asociada de forma supervisada, se utilizan como entrada a un clasificador bayesiano para la obtención de unas funciones de probabilidad de pertenencia a cada una de las clases predefmidas. Las funciones generadas tienen como entrada los valores R, G y B del pixel que se desea clasificar, y su salida es la probabilidad de pertenencia a cada una de las clases (baya, raquis o fondo). Con el fin de reducir el
35 ruido introducido en la clasificación y suavizar los contornos como paso previo a la obtención del perímetro, se realiza un filtrado con un filtro de moda de tamaño 3x3. De esta forma el valor de la clasificación de un pixel dctenninado se sustituye por la clase que presente mayor número de pertenencia en la vecindad de 3x3 de ese pixel.
4 O Etapa "c". Clasificar los píxeles correspondientes a huecos.
Partiendo de la imagen segmentada (1 OOB), Fig.48, se obtiene una clasificación en tres etapas. La primera consiste en la búsqueda de la caja (bOl/1/ding box) que contiene el racimo, la segunda la identificación dcl fondo y la última la creación de una nueva
45 clase llamada hueco.
Los huecos que se encuentran en el interior del racimo son clasificados inicialmente como pertenecientes a la clase fondo, como se observa en la Fig.4C. Para proceder a su clasificación correcta (huecos) se utili<!:a un algoritmo de transformación divisoria 5 basado en la estrategia denominada l1'atershed que toma como ongen el contorno del menor rectángulo de lados paralelos que contiene todos los píxeles etiquetados como bayas. Este algoritmo funciona de forma iterativa, etiquetando aquellos píxe1es que están en la vecindad del actual y que pertenecen a la clase fondo como verdaderamente fondo, Fig.4D. Cuando el proceso iterativo ha concluido, los píxeles de clase fondo,
10 dentro del rectángulo, que no han sido evaluados, se etiquetan como huecos, Fig.4E.
Etapa "d". Extraer las características morfológicas principales.
Una vez se tiene la imagen con todos los píxeles clasificados en una de las cuatro
15 clases (fondo, baya, raquis y hueco), como se observa en la Fig.4E, se realiza una búsqueda de los objetos contenidos en la imagen y la extracción de s us características morfológicas principales.
El área del racimo se calcula como el total de píxeles que pertenecen a las clases baya
2 O Y raquis. Para detenninar qué píxeles pertenecen al borde del racimo se utiliza un algoritmo de cadena iterativo. A partir de los píxeles del perímetro del racimo se calculan valores como centro de masas, ejes principales, anchura en las longitudes correspondientes al 25%, 50% Y 75% del eje principal. Fig.4F. el ratio área/perímetro, el ratio de aspecto (anchura máxima/longitud), el factor de compacidad de la fonna
25 (perímetro2/área) y la redondez (4·1[·área/perímetro2).
Etapa "e". Extraer las características por clasificación de color.
Partiendo nuevamente de la imagen mostrada en la Fig.4E se extraen otras 3 O características según la clasificación de color.
Estos datos son porcentaje de píxeles correspondiente a las bayas, porcentaje de píxeles correspondiente al raquís y porcentaje de píxeles correspondiente a huecos.
35 Etapa uf". Obtener el valor cuantitativo de compacidad.
Por último. todos los datos obtenidos en las etapas "d" y ""e" se analizan para conseguir estimar un valor cuantitativo de compacidad.
4 O Esta estimación de la compacidad se reali za por medio de un modelo de regresión de mínimos cuadrados parciales (Partial Leasl Sqllares, PLS), maximizando la covarianza entre espacios latentes de X e Y. En este caso, como se comenta, la estructura X está formada por los datos obtenidos en "d" y "e", mientras que Y es el valor medio de compacidad de cada racimo estimado por diferentes inspectores. Una
4 5 vez construido el modelo PLS a partir del set de calibración, se obtiene un vector de coeficientes del modelo PLS, BPLs, de manera que, a partir de un nuevo vector de caracteristicas o btenidas en "d" y "e", se obtiene el valor predicho de compacidad a partir de la expresión:
5 Y",..J = XBI~_~ =TQT = XW(pTW)-lQT.
donde
• X es la matriz formada por tantas filas como compacidades de racimos se tenga 10 para predecir;
- •
- T es la matriz de variables latemes;
- •
- \V es la matriz de pesos de la estructura X;
- •
- P es la matriz de carga de X, con el fin de obtener la probabilidad de
pertenencia de un nuevo racimo al modelo y, por tanto, la viabi lidad de la 15 predicción realizada por el modelo;
• Q es la matriz de pesos de la estructura Y.
Claims (5)
- REIVINDICACIONES1. Procedimiento automático para detenninar la compacidad de un racimo de uvaen modo continuo, sobre una cinta transportadora sita en bodega (1), 5 caracterizado porque comprende las etapas siguientes:a) Capturar una imagen en color (imagen ROS original) (lODA) de un racimo (3), con una cámara (41), en una campana de rtdquisición (4), ubicada dicha campana sobre una cinta transportadora (22) sita en10 bodega:b) Segmentar la imagen RGB original (IOOA) para obtener una imagende clases con racimo segmentado (1 OOB) con los píxeles que conformanel racimo (3). Jos del raquis y con los que corresponden al fondo (45);15 e) Clasificar los píxeJes correspondientes a huecos;d) Extraer las características morfológicas principales;20 e) Extraer las características por clasificación de color;f) Obtener el valor cuantitativo de compacidad.
- 2. Procedimiento según la reivindic.1ción 1, caracterizado porque debajo de la25 cinta transportadora (22), translúcida, se sitúa un fondo adaptativo mediante pantalla TFf LeD oLED (45) controlada por el ordenador principal del sistema, capaz de adaptarse al color que más diferencias presenta respecto de los racimos (3) bajo análisis, y porque este color se establece cargando una configuración almacenada en el ordenador en función de la variedad sobre la30 que se va a trabajar con el objetivo de proporcionar en todo momento el mayor contraste entre el racimo yel fondo de las imágenes (100).
- 3. Procedimiento según cualquiera de las reivindicaciones 1 o 2, caracterizado porque la captura de la imagen ROS original (IOOA) del racimo (3) se realiza35 en una campana de adquisición (4), opaca con iluminación controlada, sobre una cinta transp0l1adora (22), translúcida, sita en bodega.
- 4. Procedimiento según cualquiera de las reivindicaciones I a 3, caracterizado porque el color fondo adaptativo mediante pantalla TFT LeO o LEO (45) para4 O la captura de una imagen ROS original ( IOOA), se adapta para cada racimo (3) de fanna individualizada, cambiando el color del mismo antes de la captura de la imagen ROS original (IOOA), y pudiendo cambiarse de fanna automática para el siguiente racimo (3) proveniente de la cinta transportadora (22), y así sucesivamente.
-
- 5.
- Procedimiento según cualqu iera de las reivindicaciones anteriores,
- caracterizado porque la estimación de la compacidad se real iza por medio de
- un modelo de regresión de mín imos cuad rados parciales, Partial Leas! Squares,
- PLS, maximizando
- la covarianza entre espacios latentes de X e Y donde la
- 5
- estructura X está fonnada por los datos obtenidos en las etapas (d) y (e),
- mientras que Y es el valor med io de compacidad de cada racimo, estimado por
- diferentes inspectores y porque una vez construido el modelo PLS a partir del
- sel de calibración, se obtiene un vector de coeficientes del mode lo PLS, BpLS, de
- manera
- que, a partir de un lluevo vector de características obtenidas en las
- 10
- elapas (d) y (e), se obtiene el valor predicho de compacidad a partir de la
- ex presión: Y r ,....J =XB /15
- =TQT =XW(p TW)-l Q T.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
ES201400692A ES2523390B2 (es) | 2014-08-22 | 2014-08-22 | Procedimiento automático para determinar la compacidad de un racimo de uva en modo continuo, sobre una cinta transportadora sita en bodega |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
ES201400692A ES2523390B2 (es) | 2014-08-22 | 2014-08-22 | Procedimiento automático para determinar la compacidad de un racimo de uva en modo continuo, sobre una cinta transportadora sita en bodega |
Publications (2)
Publication Number | Publication Date |
---|---|
ES2523390A1 ES2523390A1 (es) | 2014-11-25 |
ES2523390B2 true ES2523390B2 (es) | 2015-04-07 |
Family
ID=51904486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES201400692A Active ES2523390B2 (es) | 2014-08-22 | 2014-08-22 | Procedimiento automático para determinar la compacidad de un racimo de uva en modo continuo, sobre una cinta transportadora sita en bodega |
Country Status (1)
Country | Link |
---|---|
ES (1) | ES2523390B2 (es) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2550903B1 (es) * | 2015-07-15 | 2016-06-21 | Universidad De La Rioja | Procedimiento para la estimación automática de la porosidad del viñedo mediante visión artificial |
-
2014
- 2014-08-22 ES ES201400692A patent/ES2523390B2/es active Active
Also Published As
Publication number | Publication date |
---|---|
ES2523390A1 (es) | 2014-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Three-dimensional photogrammetric mapping of cotton bolls in situ based on point cloud segmentation and clustering | |
Nuske et al. | Automated visual yield estimation in vineyards | |
Nandi et al. | An automated machine vision based system for fruit sorting and grading | |
Bac et al. | Robust pixel-based classification of obstacles for robotic harvesting of sweet-pepper | |
Van De Vijver et al. | In-field detection of Alternaria solani in potato crops using hyperspectral imaging | |
ES2539118T3 (es) | Método para el análisis de imagen digital del maíz | |
Zabawa et al. | Detection of single grapevine berries in images using fully convolutional neural networks | |
Wang et al. | Outdoor color rating of sweet cherries using computer vision | |
US20210019523A1 (en) | Method for imaging a corn ear and apparatus for implementing such method | |
CN106663192B (zh) | 用闪光灯、相机和自动化图像分析检测水果的方法和系统 | |
CN103698009B (zh) | 一种基于线扫描高光谱成像的多光谱图像获取方法和系统 | |
Soltani Firouz et al. | Defect detection in fruit and vegetables by using machine vision systems and image processing | |
CN111488766A (zh) | 目标检测方法和装置 | |
Pujari et al. | Recognition and classification of produce affected by identically looking powdery mildew disease | |
Miranda et al. | Fruit sizing using AI: a review of methods and challenges | |
CN104677920B (zh) | 一种基于果面局部灰度突变的水果表面虫眼检测标记方法 | |
Arango et al. | Quality control of apples by means of convolutional neural networks-Comparison of bruise detection by color images and near-infrared images | |
ES2523390B2 (es) | Procedimiento automático para determinar la compacidad de un racimo de uva en modo continuo, sobre una cinta transportadora sita en bodega | |
Teet et al. | Recent advances of application of optical imaging techniques for disease detection in fruits and vegetables: A review | |
Lee et al. | A simple multispectral imaging algorithm for detection of defects on red delicious apples | |
JP6731134B2 (ja) | 芋判断装置及び芋選別装置 | |
Pavitra et al. | An overview on detection, counting and categorization of silkworm eggs using image analysis approach | |
CN107079121A (zh) | 用于检测有缺陷像素的方法 | |
Swarnalakshmi et al. | A review on fruit grading systems for quality inspection | |
Puchalski et al. | Image analysis for apple defect detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PC2A | Transfer of patent |
Owner name: UNIVERSITAT POLITECNICA DE VALENCIA Effective date: 20150119 |
|
FG2A | Definitive protection |
Ref document number: 2523390 Country of ref document: ES Kind code of ref document: B2 Effective date: 20150407 |