TWI796111B - 咖啡瑕疵豆篩選機及其篩選方法 - Google Patents
咖啡瑕疵豆篩選機及其篩選方法 Download PDFInfo
- Publication number
- TWI796111B TWI796111B TW111102687A TW111102687A TWI796111B TW I796111 B TWI796111 B TW I796111B TW 111102687 A TW111102687 A TW 111102687A TW 111102687 A TW111102687 A TW 111102687A TW I796111 B TWI796111 B TW I796111B
- Authority
- TW
- Taiwan
- Prior art keywords
- beans
- bean
- coffee
- defective
- camera
- Prior art date
Links
Images
Landscapes
- Sorting Of Articles (AREA)
- Tea And Coffee (AREA)
Abstract
本發明涉及一種咖啡瑕疵豆篩選機及其篩選方法,係先將咖啡豆以一特定速度依序排列於一透明輸送帶;再以相隔特定距離的一第一相機及一第二相機配合一順序匹配演算法針對每顆咖啡豆的反面與正面拍攝影像;再以一偵豆演算法針對每顆咖啡豆的正面與反面影像偵測並尋找該咖啡豆在影像中的位置且擷取裁切輸出該咖啡豆的合格影像後,再將之正規化以輸入於一CNN模型;再由該CNN模型針對每顆咖啡豆所擷取的正面、反面影像經過辨識後,分別輸出一類別值;最後以一分選器針對該CNN模型所輸出的類別值來進行正常豆、瑕疵豆之分類。
Description
本發明涉及一種豆篩選機,尤指咖啡瑕疵豆篩選之技術範疇。
按,咖啡豆為目前經濟產值最龐大的農作物之一,每年台灣會進口為數不少的咖啡豆,而咖啡豆會因種植、處理、運輸或儲存等過程而有瑕疵,例如:如圖12所示的破裂豆、蟲蛀豆、未熟豆、真菌感染豆等之瑕疵咖啡豆,該等之瑕疵豆不僅會影響咖啡風味,也會危害身體健康。一般咖啡豆瑕疵越少,價格就相對的越高。
然而,傳統色選機價格高達百萬,例如:勁勝科技有限公司TL型大產能高智能CCD色彩選別機等,只有中大型咖啡公司才買得起,不僅價格昂貴,且因設計要求同時可篩選不同種類穀類,而影響咖啡瑕疵豆篩選準確率。
而當前為數龐大的小型咖啡烘培廠或咖啡店仍多仰賴人工挑選,因此成本合理且高效率的瑕疵豆專用篩選機,具有相當龐大的市場需求,實有必要開發之。
鑑於小型咖啡烘培廠需要價格親民的高效率的瑕疵豆專用篩選機,故本發明人乃窮其心思開發出一種咖啡瑕疵豆篩選機及其篩選方法,故本發明之主要目的在於:提供小型簡易、低製造與維修成本的一種咖啡瑕疵豆篩選機及其篩選方法;而本發明之次要目的在於:提供快速、高識別度及高準確率的一種咖啡瑕疵豆篩選機及其篩選方法。
為達上述目的,本發明運用如下技術手段:一種咖啡瑕疵豆的篩選方法,係包含有:一咖啡豆輸送供給步驟,係將咖啡豆以一特定速度依序排列於一透明輸送帶;一咖啡豆取像步驟,係以相隔特定距離的一第一相機及一第二相機配合一順序匹配演算法針對每顆咖啡豆的反面與正面拍攝影像;一偵豆暨擷取步驟,係以一偵豆演算法針對每顆咖啡豆的正面與反面影像偵測並尋找該咖啡豆在影像中的位置且擷取裁切輸出該咖啡豆的合格影像後,再將之正規化以輸入於一CNN模型;一瑕疵豆識別步驟,係由該CNN模型針對每顆咖啡豆所擷取的正面、反面影像經過辨識後,分別輸出一類別值;及一分類步驟,係以一分選器針對該CNN模型所輸出的類別值來進行正常豆、瑕疵豆之分類。
上述在該咖啡豆取像步驟中,在不同的該透明帶的輸送速度下,以調整該第一相機及該第二相機的取像訊框率隔開該透明帶上前後顆的咖啡豆,此無須依靠PLC控制咖啡豆輸送的斷續機制,如此可以提升篩選效率。
上述該偵豆暨擷取步驟中,使用影像增強技術,即將拍攝完成的原始影像框取感興趣的區域,並且裁切成450*450,再將圖片壓縮成224*224;裁切完畢後,將一張原始圖像進行4次的90度的翻轉,以及將圖片水平翻轉後再重複旋轉4次的90度的翻轉,可將原本一張原始圖擴張為七種不同的視角的圖像。
上述該CNN模型的訓練參數設定共有一訓練影像數據集、一訓練影像總數、一驗證影像總數、一外部測試總數,以及一每批輸入資料(Batch Size)、一訓練次數(Epoch)、一優化器(Optimizers)、一學習率(Learning rate)。
本發明一種使用上述篩選方法的咖啡瑕疵豆篩選機,係包含有:一供料裝置,係提供每顆咖啡豆供料的動能;一透明輸送帶組,係接設於該供
料裝置的後端,以提供線性輸送每顆咖啡豆;一攝像組,係包含有一第一相機及一第二相機,且該第一相機、該第二相機相隔一距離並分別設於該透明帶的下方處及上方處,據以提供對每顆咖啡豆進行反面、正面拍攝影像;一光源模組,係設於該透明帶的下方處,且能穿透該透明帶以提供該攝像組的補光作用;及一分選器,係接設於該透明輸送帶組的後端,以提供咖啡的正常豆及瑕疵豆之分類;及一控制器,係電性連接該供料裝置、該透明輸送帶組、該攝像組、該光源模組及該分選器,又該控制器內建有該順序匹配演算法、該偵豆演算法及該CNN模型。
上述該供料裝置、該透明輸送帶組之間銜接有一平推機。
上述該透明輸送帶組係更包含有一透明帶及一輪組,又該輪組更包含有一驅動輪、一調整輪及數個被動輪,並由該透明帶環繞於該輪組來形成輸送作用。
上述該光源模組係選用Ra95的LED環形燈,而該CNN模型則選用Alexnet架構。
上述該分選器設為立式或臥式;其中該立式分選器係由中空穿透狀的一盒體內置一立式篩選板,且該立式篩選板朝上延伸一擋板,又該立式篩選板的周圍佈設有數凹槽;而該臥式分選器係由一盒體內置其周圍佈設有數凹槽的一臥式篩選板,且該盒體的上方處設有一螺旋型入料口,又該臥式篩選板朝該螺旋型入料口延伸一擋板,另在該盒體的下方處設有一分料出口。
據此,本發明可以達成如下功效:
1.本發明使用專用偵豆演算法,可以取代傳統成本昂貴且繁瑣不易維修PLC控制的分選機;另本發明採用體積很小的伺服馬達搭配分選器,以取代一般需要空
氣壓縮機的噴(吸)氣裝置,以簡化本發明篩選機的機構;藉由簡化並降低本發明篩選機的製造及維修成本,以適用於小型咖啡烘培廠或咖啡店。
2.本發明在供料裝置(即震動盤)輸出端加入平推機,以確保咖啡豆給料快速平穩循序地進入輸送帶;又本發明自行開發透明輸送帶,讓咖啡豆正反兩面皆能穩定且清晰取像;另本發明選用Alexnet架構之CNN模型,以縮減訓練時間與運算時間,且提升識別準確率。
A:咖啡瑕疵豆篩選機
1:供料裝置
11:平推機
2:透明輸送帶組
21:透明帶
22:輪組
221:驅動輪
222:調整輪
223:被動輪
224:護欄
225:黑色不織布
3:攝像組
31:第一相機
32:第二相機
4:光源模組
5:分選器
50:伺服馬達
51:立式分選器
511:盒體內置
512:立式篩選板
513:凹槽
514:擋板
52:臥式分選
521:盒體
5211:螺旋型入料口
5212:分料出口
522:臥式篩選板
523:凹槽
524:擋板
6:控制器
61:順序匹配演算法
62:偵豆演算法
63:CNN模型
B:咖啡瑕疵豆的篩選方法
a:咖啡豆輸送供給步驟
b:咖啡豆取像步驟
c:偵豆暨擷取步驟
d:瑕疵豆識別步驟
e:分類步驟
〔圖1〕本發明咖啡瑕疵豆篩選機之硬體架構示意圖。
〔圖2〕本發明圖1之局部放大圖。
〔圖3〕本發明立式分選器之剖面示意圖。
〔圖4〕本發明臥式分選器之立體圖暨俯視剖面示意圖。
〔圖5〕本發明咖啡瑕疵豆篩選機之運作流程示意圖。
〔圖6〕本發明調整取像訊框率(Frame Rate)所產全黑之無豆間隔訊框示意圖。
〔圖7〕本發明關於偵豆演算法之輸入與輸出示意圖。
〔圖8〕本發明關於偵豆過程的中心在AB範圍內即可裁切出N*N影像(HSV)圖。
〔圖9〕本發明關於咖啡豆於透明輸送帶上的可能態樣示意圖。
〔圖10〕本發明關於順序匹配演算法之流程示意圖。
〔圖11〕本發明咖啡瑕疵豆的篩選方法之步驟流程圖。
〔圖12〕咖啡正常豆與瑕疵豆之對照圖。
〔圖13〕本發明CNN模型製作訓練與測試影像集之步驟流程圖。
首先,請參閱圖1及圖2所示,本發明涉及一種咖啡瑕疵豆篩選機及其篩選方法,係提供小型咖啡烘培廠或咖啡店來進行咖啡瑕疵豆(包含生豆及烘培豆)篩選的一種低製造成本的篩選技術,其中該咖啡瑕疵豆篩選機A係主要包含有:一供料裝置1、一透明輸送帶組2、一攝像組3、一光源模組4、一分選器5及一控制器6,茲將上述構件配合圖式,分別說明如後。
所述該供料裝置1,係提供每顆咖啡豆供料的動能,而該供料裝置1較佳態樣則選用震動盤,且其強度調整不能太高,太高則咖啡豆會有亂跳情形且送料速度有限;進一步,該供料裝置1、該透明輸送帶組2之間銜接有一平推機11,後續加上該平推機11會讓整體送料的過程能夠平穩地將咖啡豆送進該透明輸送帶組2,也能提高整體送料的速度。
所述該透明輸送帶組2,係接設於該供料裝置1的後端,以提供線性輸送每顆咖啡豆,且確保該攝像組3能夠拍攝到咖啡豆的正面、反面的影像;進一步,該透明輸送帶組2係更包含有一透明帶21及一輪組22,又該輪組22更包含有一驅動輪221、一調整輪222及數個被動輪223,並由該透明帶21環繞於該輪組22來形成輸送作用;另在該透明帶21的兩側加入兩道護欄224,防止咖啡豆輸送過程掉落,且在該護欄224上加上一黑色不織布225作為背景,以利於偵豆。
所述該攝像組3,係包含有一第一相機31及一第二相機32,且該第一相機31、該第二相機32相隔一距離並分別設於該透明帶21的下方處及上方處,據以提供對每顆咖啡豆進行反面、正面拍攝清晰影像,再由CNN模型進行識別,以作為篩選的依據,另在視景範圍內貼上該黑色不織布225當作背景,以方便分別咖啡豆與背景。通常該第一相機31與該第二相機32皆具有影像
解析度調整、快門時間調整、幀速率調整、焦距與光圈及物體與其鏡頭拍攝距離之調整。
所述該光源模組4,係設於該透明帶21的下方處,且能穿透該透明帶以提供該攝像組的補光作用;進一步,該光源模組係選用Ra95的LED環形燈。
所述該分選器5,係接設於該透明輸送帶組2的後端,當咖啡瑕疵豆辨識完畢後,該控制器6會以控制訊號來驅動該分選器5的伺服馬達50運轉,以此來讓咖啡正常豆與咖啡瑕疵豆分到各別的容器,以提供正常豆及瑕疵豆之分類;
進一步配合如圖3及圖4所示,該分選器5可設為立式或臥式,又該立式分選器51係由中空穿透狀的一盒體511內置一立式篩選板512,且該立式篩選板512朝上延伸一擋板514,又該立式篩選板512的周圍佈設有數凹槽513;而該臥式分選器52係由一盒體521內置其周圍佈設有數凹槽523的一臥式篩選板522,且該盒體521的上方處設有一螺旋型入料口5211,又該臥式篩選板522朝該螺旋型入料口5211延伸一擋板524,另在該盒體521的下方處設有一分料出口5212。
所述該控制器6,係電性連接該供料裝置1、該透明輸送帶組2、該攝像組3、該光源模組4及該分選器5,又該控制器6內建有該順序匹配演算法61、該偵豆演算法62及該CNN模型63,且該CNN模型則選用Alexnet架構;前述CNN係指卷積神經網路(Convolutional Neural Network,簡稱CNN),所謂卷積神經網路係由一個或多個卷積層和頂端的全連通層(對應經典的神經網路)所組成,同時也包括關聯權重和池化層(pooling layer),這一結構使得卷積神經網路能夠利用輸入資料的二維結構;與其他深度學習結構相比,卷積神經網路在圖
像和語音辨識方面能夠給出更好的結果;相比較其他深度、前饋神經網路,卷積神經網路所需要考量的參數更少,使之成為一種頗具吸引力的深度學習結構。
因此,藉由上述所構成本發明咖啡瑕疵豆篩選機A,據以提供低製造成本篩選機的較佳解決方案,配合如圖5所示,待該咖啡瑕疵豆篩選機A啟動其硬體含電腦控制器6、送料機構(包含置入咖啡豆、震動盤、平推機11)及該透明輸送帶組2的馬達等後,則該控制器6會載入系統軟體參數,包含該第一相機31與該第二相機32之焦距、快門、光圈等參數及該CNN模型63的參數,然後再進行軟體程式全域變數(Global Variables)初始化。
接著,進行取像:調整該第一相機31、該第二相機32的取像訊框率(Frame Rate),如圖6所示,必須讓每顆咖啡豆被拍攝到多張影像,且前後至少一張以上全黑(無豆)影像,即在不同的該透明帶21的輸送速度下,運用調整該第一相機31、該第二相機32的取像訊框率隔開該透明帶21上前後顆的咖啡豆,此無須依靠PLC控制咖啡豆輸送的斷續機制,如此可以提升篩選效率。
然後,進行偵豆與擷取:以該偵豆演算法62偵測並過濾每張影像,如圖7及圖8,尋找每顆咖啡豆之前即之後的全黑影像,每顆咖啡豆只擷取裁切輸出一張「合格」450*450的子影像,並正規化為224*224來適用於該CNN模型63的影像,再將該第一相機31的正規化影像傳送給該CNN模型63識別以輸出類別值C1後;再進入處理該第二相機32輸入之連續影像,其過程與該第一相機31相同偵豆與擷取及CNN模型63識別方式,以輸出類別值C2。
然而,前述流水式篩選會遇到一個問題:因輸送帶機構第1台與第2台相機間隔為15cm,如圖9所示,所以會有以下狀況出現:第一相機31已依序拍攝並辨識了A、B、C之三顆咖啡豆,而該第二相機32才拍攝並辨識到第A顆
咖啡豆,其解決方法可以使用該相機咖啡豆的順序匹配演算法61來確保該第一相機31及該第二相機32係對同一顆豆子,即該第一相機31辨識結果C1與該第二相機32稍後拍的影像辨識結果C2,能匹配屬同一顆咖啡豆,如此才能算是完成正反兩面的完整辨識。
請再配合參閱圖10所示,所以在啟動本發明機器之前要預先定義咖啡豆正面、反面與CNN模型63輸出類別值C如下:定義正常豆的類別值C為0和1,瑕疵豆則為2和3,且在本發明機器進行偵豆與擷取的過程中,還須配合該順序匹配演算法61,在咖啡豆正反兩面辨識完畢時,再做邏輯運算AND,故當該第一相機31與該第二相機32影像辨識結果分別為C1與C2都小於等於1時,則這顆咖啡豆被辨識為正常豆,否則這顆咖啡豆為瑕疵豆。
最後,該控制器6會依據該第一相機31與第二相機32的類別值C1,C2來判斷咖啡豆為正常豆或瑕疵豆,以控制該分選器5的伺服馬達50翻轉該立式篩選板512或臥式篩選板522,讓咖啡豆落入正常豆或瑕疵豆的容器內。
綜合上述關於本發明咖啡瑕疵豆篩選機A,可以歸納出本發明咖啡瑕疵豆的篩選方法B,係包含有:一咖啡豆輸送供給步驟(a),係將咖啡豆以一特定速度依序排列於一透明輸送帶;一咖啡豆取像步驟(b),係以相隔特定距離的一第一相機及一第二相機配合一順序匹配演算法針對每顆咖啡豆的反面與正面拍攝影像;一偵豆暨擷取步驟(c),係以一偵豆演算法針對每顆咖啡豆的正面與反面影像偵測並尋找該咖啡豆在影像中的位置且擷取裁切輸出該咖啡豆的合格影像後,再將之正規化以輸入於一CNN模型;一瑕疵豆識別步驟(d),係由該CNN模型針對每顆咖啡豆所擷取的正面、反面影像經過辨識後,分別輸出一類別值;及一分類步驟(e),係以一分選器針對該CNN模型所輸出的類別值來進行
正常豆、瑕疵豆之分類;藉由上述步驟,據以辨識出破裂豆、蟲蛀豆、未熟豆或/及真菌感染豆之瑕疵咖啡豆,如圖12所示者。
特別一提,關於本發明CNN模型63的產生,配合圖13所示,係以偵豆演算法62為工具,在透明帶21的輸送帶運作條件下,取得影像並且透過CNN模型63將訓練與測試影像做分類,以製作出訓練與測試影像集等資料;另外,在像集資料製作過程中可以使用影像增強(Data Augmentation)技術,即將拍攝完成的原始影像框取感興趣的區域,並且裁切成450*450,再將圖片壓縮成224*224(目的是為了將圖片規格變成能輸入CNN模型的規格);裁切完畢後,將一張原始圖像進行4次的90度的翻轉,以及將圖片水平翻轉後再重複旋轉4次的90度的翻轉,可將原本一張原始圖擴張為七種不同的視角的圖像;而所得到一訓練影像數據集(100%),如下述表1所示,其中70%用於一訓練影像總數,其中20%用於一驗證影像總數,剩餘10%則用於一外部測試總數。
另外,本發明CNN模型其外部測試的各種準確度指標值則使用精確率(precision)、召回率(Recall)、準確率(Accuracy)、正反面錯誤率(Error rate)等指標。
由於CNN模型辨識時間越短,可讓本發明篩選機每秒能篩選的咖啡豆數就越多。因此本發明捨棄最近發展繁複的CNN模型,而選擇較簡單,辨識運算時間較短的Alexnet、VGG11與VGG16之三種架構,評估其準確率及其模型運算時間,做為選擇依據;經使用相同訓練與測試影像,如表1所示,並設置相同的訓練參數(Batch Size:每批輸入資料、Epoch:訓練次數、Optimizers:優化器、Learning rate:學習率);經過CNN模型訓練後,得到一各CNN模型訓練驗證成本性能評估表如表2所示:【表1】
如上表2所示,在相同參數與數據的實驗下,Alexnet架構是三種架構最為優秀的,原因可能是本發明影像的變化性較少,而不需要過於龐大的神經網路模型架構;其中關於訓練時間方面:Alexnet架構的訓練時間比VGG11架構、VGG16架構,減少約4.6~8.6倍;關於驗證時間方面:Alexnet架構的驗證時間比VGG11架構、VGG16架構,減少約4.5~8倍;關於儲存空間方面:Alexnet
架構的儲存空間比VGG11架構、VGG16架構,減少約3倍的空間;關於驗證準確率方面:Alexnet架構的驗證準確率比VGG11架構、VGG16架構,高1~2%。
A:咖啡瑕疵豆篩選機
1:供料裝置
11:平推機
2:透明輸送帶組
21:透明帶
22:輪組
3:攝像組
31:第一相機
32:第二相機
4:光源模組
5:分選器
6:控制器
61:順序匹配演算法
62:偵豆演算法
63:CNN模型
Claims (10)
- 一種咖啡瑕疵豆的篩選方法,係包含有:一咖啡豆輸送供給步驟,係將咖啡豆以一特定速度依序排列於一透明輸送帶;一咖啡豆取像步驟,係以相隔特定距離的一第一相機及一第二相機配合一順序匹配演算法針對每顆咖啡豆的反面與正面拍攝影像;一偵豆暨擷取步驟,係以一偵豆演算法針對每顆咖啡豆的正面與反面影像偵測並尋找該咖啡豆在影像中的位置且擷取裁切輸出該咖啡豆的合格影像後,再將之正規化以輸入於一CNN模型;一瑕疵豆識別步驟,係由該CNN模型針對每顆咖啡豆所擷取的正面、反面影像經過辨識後,分別輸出一類別值;及一分類步驟,係以一分選器針對該CNN模型所輸出的類別值來進行正常豆、瑕疵豆之分類;藉由上述步驟,據以辨識出破裂豆、蟲蛀豆、未熟豆或/及真菌感染豆之瑕疵咖啡豆。
- 如請求項1所述咖啡瑕疵豆的篩選方法,其中該咖啡豆取像步驟中,調整該第一相機、該第二相機的取像訊框率,必須讓每顆咖啡豆被拍攝到多張影像,且前後至少一張以上全黑(無豆)影像,即在不同的該透明帶的輸送速度下,運用調整該第一相機、該第二相機的取像訊框率隔開該透明帶上前後顆的咖啡豆,此無須依靠PLC控制咖啡豆輸送的斷續機制,如此可以提升篩選效率。
- 如請求項1所述咖啡瑕疵豆的篩選方法,其中該偵豆暨擷取步驟中,使用影像增強技術,即將拍攝完成的原始影像框取感興趣的區域,並且裁切成450*450,再將圖片壓縮成224*224;裁切完畢後,將一張原始圖像進行4次的90度的翻轉,以及將圖片水平翻轉後再重複旋轉4次的90度的翻轉,可將原本一張原始圖擴張為七種不同的視角的圖像。
- 如請求項1所述咖啡瑕疵豆的篩選方法,其中該CNN模型的訓練參數設定共有一訓練影像數據集、一訓練影像總數、一驗證影像總數、一外部測試總數,以及一每批輸入資料(Batch Size)、一訓練次數(Epoch)、一優化器(Optimizers)、一學習率(Learning rate)。
- 一種使用如請求項1至4任一項所述篩選方法的咖啡瑕疵豆篩選機,係包含有:一供料裝置,係提供每顆咖啡豆供料的動能;一透明輸送帶組,係接設於該供料裝置的後端,以提供線性輸送每顆咖啡豆;一攝像組,係包含有一第一相機及一第二相機,且該第一相機、該第二相機相隔一距離並分別設於該透明輸送帶的下方處及上方處,據以提供對每顆咖啡豆進行反面、正面拍攝影像;一光源模組,係設於該透明輸送帶組的下方處,且能穿透該透明帶以提供該攝像組的補光作用;一分選器,係接設於該透明輸送帶組的後端,以提供咖啡的正常豆及瑕疵豆之分類,而該分選器設為立式或臥式;及 一控制器,係電性連接該供料裝置、該透明輸送帶組、該攝像組、該光源模組及該分選器,又該控制器內建有該順序匹配演算法、該偵豆演算法及該CNN模型。
- 如請求項5所述咖啡瑕疵豆篩選機,其中該供料裝置、該透明輸送帶組之間銜接有一平推機。
- 如請求項5所述咖啡瑕疵豆篩選機,其中該透明輸送帶組係更包含有一透明帶及一輪組,又該輪組更包含有一驅動輪、一調整輪及數個被動輪,並由該透明帶環繞於該輪組來形成輸送作用。
- 如請求項5所述咖啡瑕疵豆篩選機,其中該光源模組係選用Ra95的LED環形燈,而該CNN模型則選用Alexnet架構。
- 如請求項5所述咖啡瑕疵豆篩選機,其中該立式分選器係由中空穿透狀的一盒體內置一立式篩選板,且該立式篩選板朝上延伸一擋板,又該立式篩選板的周圍佈設有數凹槽。
- 如請求項5所述咖啡瑕疵豆篩選機,其中該臥式分選器係由一盒體內置其周圍佈設有數凹槽的一臥式篩選板,且該盒體的上方處設有一螺旋型入料口,又該臥式篩選板朝該螺旋型入料口延伸一擋板,另在該盒體的下方處設有一分料出口。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111102687A TWI796111B (zh) | 2022-01-21 | 2022-01-21 | 咖啡瑕疵豆篩選機及其篩選方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111102687A TWI796111B (zh) | 2022-01-21 | 2022-01-21 | 咖啡瑕疵豆篩選機及其篩選方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI796111B true TWI796111B (zh) | 2023-03-11 |
TW202330112A TW202330112A (zh) | 2023-08-01 |
Family
ID=86692311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111102687A TWI796111B (zh) | 2022-01-21 | 2022-01-21 | 咖啡瑕疵豆篩選機及其篩選方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI796111B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWM597400U (zh) * | 2019-12-16 | 2020-06-21 | 林貞瑩 | 咖啡豆檢測機 |
TW202042923A (zh) * | 2019-05-17 | 2020-12-01 | 東駒股份有限公司 | 具有轉盤之咖啡豆篩選系統 |
TW202116427A (zh) * | 2019-10-29 | 2021-05-01 | 中華學校財團法人中華科技大學 | 人工智慧深度學習自動化咖啡豆選豆分級系統 |
CN214516060U (zh) * | 2021-03-17 | 2021-10-29 | 上海电机学院 | 一种咖啡豆自动筛选分类装置 |
JP2022008924A (ja) * | 2020-04-30 | 2022-01-14 | 株式会社高井製作所 | 豆腐類検査装置、豆腐類製造システム、豆腐類の検査方法、およびプログラム |
-
2022
- 2022-01-21 TW TW111102687A patent/TWI796111B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW202042923A (zh) * | 2019-05-17 | 2020-12-01 | 東駒股份有限公司 | 具有轉盤之咖啡豆篩選系統 |
TW202116427A (zh) * | 2019-10-29 | 2021-05-01 | 中華學校財團法人中華科技大學 | 人工智慧深度學習自動化咖啡豆選豆分級系統 |
TWM597400U (zh) * | 2019-12-16 | 2020-06-21 | 林貞瑩 | 咖啡豆檢測機 |
JP2022008924A (ja) * | 2020-04-30 | 2022-01-14 | 株式会社高井製作所 | 豆腐類検査装置、豆腐類製造システム、豆腐類の検査方法、およびプログラム |
CN214516060U (zh) * | 2021-03-17 | 2021-10-29 | 上海电机学院 | 一种咖啡豆自动筛选分类装置 |
Also Published As
Publication number | Publication date |
---|---|
TW202330112A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101234381B (zh) | 基于视觉识别的颗粒物料分选分级方法 | |
CN202021164U (zh) | 一种花生外观品质检测和分拣装置 | |
CN109030504A (zh) | 基于虚实成像相结合的全景马铃薯缺陷检测装置及方法 | |
CN105289987B (zh) | 一种条形茶叶的分选定级生产线及风选定级方法 | |
CN111359907B (zh) | 基于嵌入式深度学习的小麦感染赤霉病病粒率实时在线检测系统及方法 | |
TW202103810A (zh) | 基於自我學習技術之移動物品分類系統及方法 | |
CN106697380B (zh) | 一种可以检测苹果完整度和成熟度的苹果自动装箱机 | |
CN114405871A (zh) | 一种油茶籽自动分选装置 | |
CN110584164A (zh) | 一种青梅分选生产线和分选方法 | |
TWI796111B (zh) | 咖啡瑕疵豆篩選機及其篩選方法 | |
CN110586502B (zh) | 一种青梅分选装置和分选方法 | |
CN109675819B (zh) | 基于深度相机的黑果枸杞分选装置及识别与分类算法 | |
CN114522900B (zh) | 一种莲子去心加工疵品分选装置及分选方法 | |
CN205904118U (zh) | 一种颗粒状农产品的自动分拣装置 | |
CN104484653A (zh) | 一种基于图像识别技术的坏玉米粒检测方法 | |
CN101172274A (zh) | 一种枸杞子分级分选装置及其方法 | |
CN209271938U (zh) | 一种红枣挑选机的改进装置 | |
CN210730217U (zh) | 一种青梅分选装置 | |
CN107413674B (zh) | 一种作物种籽在线分拣方法及系统 | |
CN212568453U (zh) | 一种水果成熟度检测装置 | |
CN208449937U (zh) | 基于虚实成像相结合的全景马铃薯缺陷检测装置 | |
CN107742355B (zh) | 自动传送分拣硬币的装置 | |
CN205904119U (zh) | 一种颗粒状农产品的分拣装置 | |
CN214794500U (zh) | 一种小麦外观品质的在线检测装置 | |
CN209792031U (zh) | 基于彩色相机和高光谱成像仪的树木种子品质分选装置 |