FR3130377A1 - Procédé d’estimation automatique de la qualité d’un produit agricole - Google Patents
Procédé d’estimation automatique de la qualité d’un produit agricole Download PDFInfo
- Publication number
- FR3130377A1 FR3130377A1 FR2113185A FR2113185A FR3130377A1 FR 3130377 A1 FR3130377 A1 FR 3130377A1 FR 2113185 A FR2113185 A FR 2113185A FR 2113185 A FR2113185 A FR 2113185A FR 3130377 A1 FR3130377 A1 FR 3130377A1
- Authority
- FR
- France
- Prior art keywords
- quality
- product
- neural network
- image
- boxes
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 241000219094 Vitaceae Species 0.000 claims abstract description 8
- 235000021021 grapes Nutrition 0.000 claims abstract description 8
- 239000012855 volatile organic compound Substances 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000000844 transformation Methods 0.000 claims description 2
- 230000006735 deficit Effects 0.000 claims 2
- 238000013527 convolutional neural network Methods 0.000 description 4
- 235000013305 food Nutrition 0.000 description 4
- 238000003306 harvesting Methods 0.000 description 4
- 238000013145 classification model Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 235000012055 fruits and vegetables Nutrition 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 241000219095 Vitis Species 0.000 description 1
- 235000009754 Vitis X bourquina Nutrition 0.000 description 1
- 235000012333 Vitis X labruscana Nutrition 0.000 description 1
- 235000014787 Vitis vinifera Nutrition 0.000 description 1
- 235000021028 berry Nutrition 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 235000000346 sugar Nutrition 0.000 description 1
- 150000008163 sugars Chemical class 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000005303 weighing 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30128—Food products
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Sorting Of Articles (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
Procédé d’estimation automatique de la qualité d’un produit agricole Procédé d’estimation automatique de la qualité d’un produit agricole (7), notamment du raisin, contenu en vrac dans des caisses (3), le procédé comportant : l’acquisition d’au moins une image (2) sur laquelle le produit (7) contenu dans chacune des caisses (3) est visible, la segmentation de ladite au moins une image (2) par un premier réseau de neurones (4) entraîné pour isoler une zone d’intérêt représentant au moins une caisse et dans laquelle seul le produit (7) contenu dans la caisse (3) est visible, etla classification du contenu de chaque caisse visible sur la zone d’intérêt en générant un score (A ; C) représentatif de la qualité du produit (7) à l’aide d’un deuxième réseau de neurones (6) entraîné pour ce faire. Figure pour l’abrégé : Fig. 1
Description
La présente invention concerne l’estimation de la qualité d’un produit agricole, notamment un produit agricole frais comme le raisin.
L'invention concerne plus particulièrement un procédé d’estimation automatique de la qualité d’un produit agricole, un procédé d’apprentissage de réseaux de neurones en vue de la mise en œuvre du procédé d’estimation, ainsi qu’un dispositif pour la mise en œuvre du procédé d’estimation.
La qualité des produits agricoles est appréciée à l’aune de différents critères tels que les taux de leurs constituants (eau, sucres, minéraux) et les conditions environnementales dans lesquelles ils sont conservés.
Après sa récolte, un produit agricole tel que le raisin est stocké dans des caisses. Avant de le passer au pressoir, un opérateur expert inspecte le produit visuellement dans le but de détecter d’éventuelles maladies. Il peut mesurer le degré d’alcool avec une sonde. Une note est alors attribuée au produit.
Une telle évaluation est non seulement assez subjective mais aussi chronophage et relativement peu fiable.
Il est connu de l’état de l’art des procédés visant à automatiser l’estimation de la qualité d’un produit agricole.
On peut citer à titre d’exemple la demande WO 2018/002841 proposant une méthode de détection de fruits et légumes endommagés à partir d’une image capturée de ces fruits et légumes et à l’aide d’un classifieur non linéaire CNN (réseau de neurones convolutif), en numérisant des fenêtres de l’image de tailles variables.
Le modèle d’utilité DE 20 2004 021 395 divulgue une méthode pour déterminer automatiquement et quantitativement la qualité de grains, comprenant l'enregistrement des grains à l'aide d'un dispositif d'imagerie, la segmentation des images en comparant l'image originale avec un masque d'image obtenu à partir de l'image originale, la détermination des caractéristiques des grains en tant qu'objets de l'enregistrement d'image, la classification en comparant les caractéristiques des objets avec les caractéristiques stockées et l'affichage et/ou le stockage des objets en fonction de la qualité.
Le brevet EP 2 188 067 décrit une machine de tri sélectif de récolte de baies comprenant un système d'amenée agencé pour permettre d'étaler la récolte sur une seule couche, d'aligner, d'isoler individuellement et de déplacer les composants de la récolte, afin de faire défiler individuellement lesdits composants au travers d’un système comportant un dispositif de vision artificielle permettant d'acquérir des images des composants issus du système d'amenée, et un dispositif de traitement apte à analyser ces images pour reconnaître les composants de la récolte et les discriminer en fonction de critères préétablis.
La demande IN201841024812 divulgue un procédé comprenant l'obtention, par un dispositif électronique, d'au moins une image d’un objet tel qu’un fruit ou un légume ou une graine, la segmentation de l’image, l'extraction d'au moins une particule de l’image segmentée et la classification de la particule extraite dans au moins une catégorie. Le procédé comprend en outre la mesure de la qualité de l'objet en fonction de la catégorie classée.
La demande IN201811003366 décrit un système de détection des aliments opérationnel via une interface utilisateur pour identifier et détecter la fraîcheur des aliments sous observation. Le système de détection comprend un capteur d’images des aliments et un serveur pour la mise en correspondance de l'image avec un ensemble prédéfini de données d'image et à l'aide de réseaux neuronaux convolutifs (CNN) ou d'un outil d'apprentissage machine, et un composant d'affichage des résultats sur la fraîcheur et la qualité des aliments.
Il existe un besoin pour perfectionner encore les procédés d’estimation automatique de la qualité d’un produit agricole, afin notamment de s’affranchir le plus possible des aléas pouvant biaiser l’estimation, tout en assurant un moindre coût, une simplicité d’utilisation, une rapidité de traitement et une fiabilité des résultats.
L’invention vise à répondre à cet objectif et a pour objet, selon l’un de ses aspects, un procédé d’estimation automatique de la qualité d’un produit agricole, notamment du raisin, contenu en vrac dans des caisses, le procédé comportant :
- l’acquisition d’au moins une image sur laquelle le produit contenu dans chacune des caisses est visible,
- la segmentation de ladite au moins une image par un premier réseau de neurones entraîné pour isoler une zone d’intérêt représentant au moins une caisse et dans laquelle seul le produit contenu dans la caisse est visible, et
- la classification du contenu de chaque caisse visible sur la zone d’intérêt en générant un score représentatif de la qualité du produit à l’aide d’un deuxième réseau de neurones entraîné pour ce faire.
Grâce à l’implémentation de deux étapes successives gérées par deux réseaux de neurones différents (une segmentation suivie d’une classification), le procédé selon l’invention permet d’analyser des images en conditions réelles représentant plusieurs caisses simultanément. En outre, cela permet d’avoir une estimation plus rapide, plus fiable et plus précise.
Par ailleurs, le procédé selon l’invention permet d’estimer la qualité des produits à l’entrepôt ou sur le site de pressurage.
De préférence, la segmentation se fait par un modèle encodeur-décodeur, l’encodeur permettant d’extraire des caractéristiques à partir de l’image, ces caractéristiques étant ensuite placées en entrée du décodeur chargé de générer un masque de segmentation comprenant la zone d’intérêt et une zone de fond.
De préférence, le premier réseau de neurones est préalablement entraîné pour prendre en compte toute variation de la luminosité. Ainsi, le procédé peut être mis en œuvre à n’importe quel moment de la journée, qu’il y ait du soleil ou que le ciel soit couvert, ou le soir, sans que les performances du procédé d’estimation ne soient affectées par les différences de luminosité.
Les caisses sont avantageusement éclairées par la lumière du jour, sans nécessiter d’autre éclairage.
Le premier réseau de neurones est de préférence préalablement entraîné pour ignorer tout objet externe pouvant cacher une surface du produit. Cela permet de supprimer les éléments inutiles, comme les feuilles de vigne ou la couleur de la caisse ou le sol, pouvant biaiser le modèle de segmentation et fausser l’estimation.
De préférence, le score attribué à la majorité des caisses de l’image est attribué à l’ensemble des caisses de cette image.
En cas d’égalité de scores, un modèle ensembliste est préférentiellement adopté prenant une décision sur le score à attribuer par un vote majoritaire sur les prédictions d’un nombre impair de sous-modèles, notamment trois sous-modèles, choisis pour la classification.
Les scores attribués peuvent être choisis parmi : « sains », « malades faiblement », « malades conséquents » et « malades trop conséquents ».
Les scores attribués peuvent alternativement être choisis parmi : « excellente qualité », « qualité moyenne », « mauvaise qualité », « très mauvaise qualité » et « non qualitatif ».
Les scores attribués peuvent dépendre d’au moins deux critères d’évaluation tels que la présence d’une atteinte à la qualité et la quantité de produit touché par l’atteinte à la qualité.
La zone d’intérêt représente préférentiellement quatre caisses.
De préférence, la caméra est placée au-dessus des caisses, notamment surplombant une table de pesée des caisses.
Les caisses sont notamment ouvertes sur le dessus.
Le produit agricole dont on estime la qualité est en particulier du raisin.
L’image peut être une image en couleur, notamment de type RGB.
L’invention a encore pour objet, selon un autre de ses aspects, un procédé d’apprentissage de réseaux de neurones en vue de la mise en œuvre du procédé d’estimation selon l’invention dans lequel la taille de la base de données d’apprentissage est artificiellement augmentée par l’obtention de nouvelles images synthétiques en appliquant, de préférence de façon aléatoire, des transformations aux images existantes, notamment des rotations et/ou des symétries et/ou des variations de luminosité et/ou des agrandissements et/ou remplacement du fond de l’image et/ou l’ajout de faux objets externes au produit comme des feuilles.
Ledit au moins un réseau de neurones est préférentiellement de type CNN.
De préférence, l’entrainement dudit au moins un réseau de neurones se fait par apprentissage profond et une régularisation L2 est préférentiellement appliquée sur une couche entièrement connectée dudit au moins un réseau de neurones. La couche entièrement connectée étant celle contenant le plus de paramètres, la régularisation L2 qui lui est appliquée permet de limiter le sur-apprentissage causé par un manque de données.
De manière avantageuse, lors de l’entrainement dudit au moins un réseau de neurones, la pondération la plus importante de la fonction de coût est attribuée aux images associées au score minoritaire. Ceci permet de résoudre le problème de déséquilibre entre les classes de produit, une classe correspondant à un score donné indiquant la qualité du produit.
De préférence, le procédé d’apprentissage comporte une étape d’évaluation de la qualité de segmentation, notamment via l’emploi de l’indice de Jaccard, connu en anglais sous le nom de la métriqueIntersection over Uniondéfinie par le rapport entre la surface de chevauchement entre le masque prédit par le modèle de segmentation et le masque étiqueté, et la surface de ces deux masques unis.
L’invention a également pour objet, selon un autre de ses aspects, un dispositif pour la mise en œuvre du procédé d’estimation selon l’invention, comportant :
- au moins une caméra,
- un premier réseau de neurones pour traiter les images provenant de la caméra afin d’isoler une zone d’intérêt représentant chacune des caisses et dans laquelle seul le produit contenu dans la caisse est visible, et
- un deuxième réseau de neurones pour classifier le contenu d’au moins une caisse visible sur la zone d’intérêt en générant un score représentatif de la qualité du produit.
De préférence, les réseaux de neurones sont intégrés à la caméra.
Le dispositif peut comporter un capteur de composés organiques volatils. Ce capteur permet d’affiner les résultats de la classification en détectant les composés organiques volatils des maladies affectant le produit.
L’invention pourra être mieux comprise à la lecture de la description détaillée qui va suivre, d’exemples non limitatifs de mise en œuvre de celle-ci, et à l’examen du dessin annexé, sur lequel :
Claims (18)
- Procédé d’estimation automatique de la qualité d’un produit agricole (7), notamment du raisin, contenu en vrac dans des caisses (3), le procédé comportant :
- l’acquisition d’au moins une image (2) sur laquelle le produit (7) contenu dans chacune des caisses (3) est visible,
- la segmentation de ladite au moins une image (2) par un premier réseau de neurones (4) entraîné pour isoler une zone d’intérêt représentant au moins une caisse et dans laquelle seul le produit (7) contenu dans la caisse (3) est visible, et
- la classification du contenu de chaque caisse visible sur la zone d’intérêt en générant un score (A ; C) représentatif de la qualité du produit (7) à l’aide d’un deuxième réseau de neurones (6) entraîné pour ce faire.
- Procédé selon la revendication précédente, la segmentation se faisant par un modèle encodeur-décodeur, l’encodeur permettant d’extraire des caractéristiques à partir de l’image (2), ces caractéristiques étant ensuite placées en entrée du décodeur chargé de générer un masque de segmentation (5) comprenant la zone d’intérêt et une zone de fond.
- Procédé selon l'une des deux revendications précédentes, le premier réseau de neurones (4) étant préalablement entraîné pour prendre en compte toute variation de la luminosité.
- Procédé selon l'une quelconque des revendications précédentes, les caisses (3) étant éclairées par la lumière du jour.
- Procédé selon l'une quelconque des revendications précédentes, le premier réseau de neurones (4) étant préalablement entraîné pour ignorer tout objet externe pouvant cacher une surface du produit.
- Procédé selon l'une quelconque des revendications précédentes, le score (A ; C) attribué à la majorité des caisses (3) de l’image (2) étant attribué à l’ensemble des caisses (3) de cette image (2).
- Procédé selon l'une quelconque des revendications précédentes, dans lequel en cas d’égalité de scores (A ; C), un modèle ensembliste est adopté, prenant une décision sur le score (A ; C) à attribuer par un vote majoritaire sur les prédictions d’un nombre impair de sous-modèles, notamment trois sous-modèles, choisis pour la classification.
- Procédé selon l'une quelconque des revendications précédentes, les scores attribués étant choisis parmi : « sains », « malades faiblement », « malades conséquents » et « malades trop conséquents ».
- Procédé selon l'une quelconque des revendications 1 à 7, les scores attribués étant choisis parmi : « excellente qualité », « qualité moyenne », « mauvaise qualité », « très mauvaise qualité » et « non qualitatif ».
- Procédé selon l'une quelconque des revendications précédentes, les scores attribués dépendant d’au moins deux critères d’évaluation tels que la présence d’une atteinte à la qualité et la quantité de produit touché par l’atteinte à la qualité.
- Procédé selon l'une quelconque des revendications précédentes, le produit (7) étant du raisin.
- Procédé d’apprentissage de réseaux de neurones en vue de la mise en œuvre du procédé d’estimation selon l’une quelconque des revendications précédentes, dans lequel la taille de la base de données d’apprentissage est artificiellement augmentée par l’obtention de nouvelles images synthétiques en appliquant, de préférence de façon aléatoire, des transformations aux images existantes, notamment des rotations et/ou des symétries et/ou des variations de luminosité et/ou des agrandissements et/ou remplacement du fond de l’image et/ou l’ajout de faux objets externes au produit comme des feuilles.
- Procédé d’apprentissage selon la revendication précédente, l’entrainement dudit au moins un réseau de neurones se faisant par apprentissage profond et une régularisation L2 étant appliquée sur une couche entièrement connectée dudit au moins un réseau de neurones.
- Procédé d’apprentissage selon la revendication 12 ou 13, lors de l’entrainement dudit au moins un réseau de neurones, la pondération la plus importante de la fonction de coût étant attribuée aux images associées au score minoritaire.
- Procédé d’apprentissage selon l’une quelconque des revendications 12 à 14, comportant une étape d’évaluation de la qualité de segmentation, notamment via l’emploi de l’indice de Jaccard.
- Dispositif pour la mise en œuvre du procédé d’estimation selon l'une quelconque des revendications 1 à 11, comportant :
- au moins une caméra (1),
- un premier réseau de neurones (4) pour traiter les images (2) provenant de la caméra (1) afin d’isoler une zone d’intérêt représentant chacune des caisses (3) et dans laquelle seul le produit (7) contenu dans la caisse est visible, et
- un deuxième réseau de neurones (6) pour classifier le contenu d’au moins une caisse visible sur la zone d’intérêt en générant un score (A ; C) représentatif de la qualité du produit (7).
- Dispositif selon la revendication précédente, les réseaux de neurones étant intégrés à la caméra (1).
- Dispositif selon la revendication 16 ou 17, comportant un capteur de composés organiques volatils.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2113185A FR3130377B1 (fr) | 2021-12-09 | 2021-12-09 | Procédé d’estimation automatique de la qualité d’un produit agricole |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2113185 | 2021-12-09 | ||
| FR2113185A FR3130377B1 (fr) | 2021-12-09 | 2021-12-09 | Procédé d’estimation automatique de la qualité d’un produit agricole |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR3130377A1 true FR3130377A1 (fr) | 2023-06-16 |
| FR3130377B1 FR3130377B1 (fr) | 2024-05-17 |
Family
ID=81851042
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2113185A Active FR3130377B1 (fr) | 2021-12-09 | 2021-12-09 | Procédé d’estimation automatique de la qualité d’un produit agricole |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3130377B1 (fr) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE202004021395U1 (de) | 2004-12-30 | 2007-12-27 | Perner, Petra, Dr.-Ing. | Einrichtung zur automatischen und quantitativen Erfassung des Anteils von Saatgütern oder Körnerfrüchten bestimmter Qualität |
| EP2188067A2 (fr) | 2007-09-06 | 2010-05-26 | PELLENC (Société Anonyme) | Machine de tri selectif de recolte, et chaine de tri comprenant une telle machine |
| WO2018002841A1 (fr) | 2016-06-29 | 2018-01-04 | Ser.Mac S.R.L. | Appareil de détection de produits de fruits et de légumes endommagés |
-
2021
- 2021-12-09 FR FR2113185A patent/FR3130377B1/fr active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE202004021395U1 (de) | 2004-12-30 | 2007-12-27 | Perner, Petra, Dr.-Ing. | Einrichtung zur automatischen und quantitativen Erfassung des Anteils von Saatgütern oder Körnerfrüchten bestimmter Qualität |
| EP2188067A2 (fr) | 2007-09-06 | 2010-05-26 | PELLENC (Société Anonyme) | Machine de tri selectif de recolte, et chaine de tri comprenant une telle machine |
| WO2018002841A1 (fr) | 2016-06-29 | 2018-01-04 | Ser.Mac S.R.L. | Appareil de détection de produits de fruits et de légumes endommagés |
Non-Patent Citations (4)
| Title |
|---|
| LONG ET AL., FULLY CONVOLUTIONAL NETWORKS FOR SEMANTIC SEGMENTATION, 2014 |
| SANDLER, M. ET AL., MOBILENETV2: INVERTED RESIDUALS AND LINEAR BOTTLENECKS, 2018 |
| SIMONYAN, K.ZISSERMAN, A. VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RÉCOGNITION, 2014 |
| STEFFENEL ANGELO ET AL: "Vers des Modèles IA pour l'Estimation du Rendement en Viticulture", TERINT 2021 COLLOQUE SUR L'ÉMERGENCE DES TERRITOIRES INTELLIGENTS, 25 July 2021 (2021-07-25), XP055956096, Retrieved from the Internet <URL:https://portailweb.universita.corsica/stockage_public/portail/bqaaa200/files/TERINT-Steffenel.pdf> [retrieved on 20220830] * |
Also Published As
| Publication number | Publication date |
|---|---|
| FR3130377B1 (fr) | 2024-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11454594B2 (en) | Method for identifying frostbite condition of grain seeds using spectral feature wavebands of seed embryo hyperspectral images | |
| Mahendran et al. | Application of computer vision technique on sorting and grading of fruits and vegetables | |
| Omid et al. | An expert egg grading system based on machine vision and artificial intelligence techniques | |
| Sahu et al. | Identification and classification of mango fruits using image processing | |
| Ramos et al. | Non‐invasive setup for grape maturation classification using deep learning | |
| CN110736709A (zh) | 一种基于深度卷积神经网络的蓝莓成熟度的无损检测方法 | |
| US11707768B2 (en) | Systems and methods for peanut sorting and grading | |
| Mahirah et al. | Monitoring harvested paddy during combine harvesting using a machine vision-Double lighting system | |
| Alfatni et al. | Real-time oil palm FFB ripeness grading system based on ANN, KNN and SVM classifiers | |
| CN106940292A (zh) | 基于多光谱成像技术的虫蛀巴旦木原料快速无损鉴别方法 | |
| Ghazali et al. | Image analysis techniques for ripeness detection of palm oil fresh fruit bunches | |
| Al-Mallahi et al. | Detection of potato tubers using an ultraviolet imaging-based machine vision system | |
| Chong et al. | Features extraction for eggplant fruit grading system using machine vision | |
| Fu et al. | Color based classification for berries of Japanese Blue Honeysuckle | |
| Velásquez et al. | Enhancing anthracnose detection in mango at early stages using hyperspectral imaging and machine learning | |
| FR3130377A1 (fr) | Procédé d’estimation automatique de la qualité d’un produit agricole | |
| Thinh et al. | Sorting and classification of mangoes based on artificial intelligence | |
| Díaz | Classification and quality evaluation of table olives | |
| E. Angelia et al. | Dried Robusta Coffee Bean Quality Classification Using Convolutional Neural Network Algorithm | |
| Puchalski et al. | Image analysis for apple defect detection | |
| 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 | |
| Rojas-Cid et al. | Design of a size sorting machine based on machine vision for mexican exportation mangoes | |
| Royo et al. | Design and implementation of a smart system for watermelon recognition | |
| Fu et al. | Distinguishing overripe berries of Japanese blue honeysuckle using hyperspectral imaging analysis | |
| Caguioa et al. | Duck Egg Quality Classification Based on its Shell Visual Property Through Transfer Learning Using ResNet-50 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20230616 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |