TWI823750B - 自動化水果選別方法 - Google Patents

自動化水果選別方法 Download PDF

Info

Publication number
TWI823750B
TWI823750B TW112101249A TW112101249A TWI823750B TW I823750 B TWI823750 B TW I823750B TW 112101249 A TW112101249 A TW 112101249A TW 112101249 A TW112101249 A TW 112101249A TW I823750 B TWI823750 B TW I823750B
Authority
TW
Taiwan
Prior art keywords
fruit
difference
information
maturity
type
Prior art date
Application number
TW112101249A
Other languages
English (en)
Inventor
林泰弘
王宏生
Original Assignee
訊力科技股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 訊力科技股份有限公司 filed Critical 訊力科技股份有限公司
Priority to TW112101249A priority Critical patent/TWI823750B/zh
Application granted granted Critical
Publication of TWI823750B publication Critical patent/TWI823750B/zh

Links

Landscapes

  • Preparation Of Fruits And Vegetables (AREA)
  • Apparatuses For Bulk Treatment Of Fruits And Vegetables And Apparatuses For Preparing Feeds (AREA)
  • Control And Other Processes For Unpacking Of Materials (AREA)

Abstract

本發明為自動化水果選別方法，其由處理裝置將待測水果之擷取影像進行選別，步驟包括接收擷取影像；利用物件辨識模型模組，將擷取影像輸入到物件辨識模型模組所設之物件辨識模型，辨識擷取影像中對應待測水果的影像區域，並作為水果物件，於水果物件的周圍附加定界框；利用物件型態篩選模組以物件型態篩選模組所設之預定型態遮罩，根據水果物件與預定型態遮罩的重疊區域而產生重疊度，以及根據水果物件的輪廓與預定型態遮罩的輪廓差異而產生型態差值，並根據重疊度及型態差值與物件型態篩選模組所設之篩選條件，產生合格或不合格資訊。

Description

自動化水果選別方法
本發明有關於自動化選別方法，尤指一種自動化水果選別方法。
習知人工採集水果之大小、成熟度，皆依靠採收者之個人經驗判定，故容易因不同採收者之個人經驗而產生不同判斷結果。而若是因工時過長影響判定標準，則皆會導致判斷果實之大小與成熟度無法一致性與可預測性。
雖然亦可使用重量分級機透過秤重結果推論果實大小，但其精準誤差過大，亦無法透過果實重量得知水果成熟度。
若使用探針插入水果判定水果熟度，則需進行表面侵入式偵測方可得到偵測結果，此方法亦存在成熟度誤差。
故如何透過非侵入式方法得到一致性與可預測性的果實之大小與成熟度判斷結果，乃是目前亟待解決的問題。
有鑑於先前技術的問題，本發明的目的為使用多層次判定，降低偵測誤差造成水果果實大小與果實熟度的判定精準度不夠之問題。
根據本發明之目的，提供一種自動化水果選別方法，由一處理裝置將一影像擷取裝置對一待測水果擷取一擷取影像進行水果選別，步驟包括接收擷取影像。之後利用一物件辨識模型模組，將擷取影像輸入到物件辨識模型模組所設之一物件辨識模型，以辨識出在擷取影像中對應待測水果的影像區域，並作為一水果物件，且在水果物件的周圍附加一定界框。而後利用一物件型態篩選模組以物件型態篩選模組所設之一預定型態遮罩，根據水果物件與預定型態遮罩的重疊區域大小而產生一重疊度，以及根據水果物件的輪廓與預定型態遮罩的輪廓的差異而產生一型態差值，並根據重疊度及型態差值與物件型態篩選模組所設之一篩選條件，而產生一物件型態合格資訊或者一物件型態不合格資訊。
其中， 當產生物件型態合格資訊後，利用一物件尺寸計算模組所設定的一尺寸對照參數，計算出對水果物件的大小而輸出一物件尺寸資訊，並將物件型態資訊輸出到擷取影像的定界框的周圍。
其中，物件尺寸計算模組設定尺寸對照參數的步驟包括：處理裝置接收一比例記號所代表的實際尺寸，以作為尺寸對照參數。且其中，比例記號為預先在影像擷取裝置對待測水果擷取的擷取影像的位置內所劃記的實際尺寸線條。
其中，當產生物件型態合格資訊後，使用一成熟度辨識模組所設之一成熟度條件辨識擷取影像中有關於水果物件的第一色彩資訊，以產生一成熟度資訊，並將成熟度資訊輸出到擷取影像的定界框的周圍。
其中，第一色彩資訊以RGB色彩空間表示，成熟度條件將水果物件的果實部分表示成熟度之色相範圍的像素數量與水果物件的果實部分的全部像素的比例範圍分成複數個成熟度等級，而成熟度辨識模組產生成熟度資訊的步驟，進一步包括：成熟度計算模組利用一色相轉換單元將第一色彩資訊轉換成以HSV色彩空間表示的一第二色彩資訊；物件型態篩選模組以一辨識單元辨識出第二色彩資訊中表示成熟度之色相範圍的像素數量；物件型態篩選模組以一比例計算單元計算成熟度條件將水果物件的果實部分表示成熟度之色相範圍的像素數量與水果物件的果實部分的全部像素數量的比例範圍，並以複數個成熟度等級其中之一作為成熟度資訊。
其中，待測水果為一鳳梨。
其中，色相範圍為HSV色彩空間中表示色相為11度~25度 。
其中，物件型態篩選模組依照下列公式計算產生重疊度：
其中，型態差值為Hu動差(Hu moments)差值，物件型態篩選模組進一步依照依據下列公式產生Hu動差差值： ； ； ； 且其中 表示為Hu動差差值， 表示為預定型態遮罩的Hu動差， 表示為預定型態遮罩的Hu動差的複數個不變量的其中之一個， 為水果物件的Hu動差， 表示為水果物件的Hu動差的複數個不變量的其中之一個。
其中，篩選條件為重疊度大於一重疊度閾值，且Hu動差差值小於一Hu動差差值閾值。
綜上所述，本發明能自動篩選符合規格尺寸大小、規格形狀的水果，且能簡單自動得到估計待測水果的實際尺寸，另能以單一顏色判定標準自動辨識待測水果的成熟度。因此達成自動化篩選符合規格的水果，且自動化估測水果的實際尺寸，另減少不同人的成熟度判定標準不同的問題，並同時達成自動化所致降低成本及降低錯誤率的效果。
以下舉例說明本申請較佳實施方式，並配合圖式說明如後。
本發明之實施例將藉由下文配合相關圖式進一步加以解說。盡可能的，於圖式與說明書中，相同標號係代表相同或相似構件。於圖式中，基於簡化與方便標示，形狀與厚度可能經過誇大表示。可以理解的是，未特別顯示於圖式中或描述於說明書中之元件，為所屬技術領域中具有通常技術者所知之形態。本領域之通常技術者可依據本發明之內容而進行多種之改變與修改。
請參閱第1圖，本發明為自動化水果選別方法，由一處理裝置將一影像擷取裝置對一待測水果擷取一擷取影像進行水果選別。本發明的自動化水果選別方法包括下列步驟： (S10) 接收擷取影像； (S11) 利用一物件辨識模型模組，將擷取影像輸入到物件辨識模型模組所設之一物件辨識模型，以辨識出在擷取影像中對應待測水果的影像區域，並作為一水果物件，且在水果物件的周圍附加一定界框； (S12) 利用一物件型態篩選模組以物件型態篩選模組所設之一預定型態遮罩，比對與水果物件的重疊區域大小，而產生一重疊度，以及根據水果物件的輪廓與預定型態遮罩的輪廓的差異，而產生一型態差值，並根據重疊度及型態差值與物件型態篩選模組所設之一篩選條件，而產生一物件型態合格資訊或者一物件型態不合格資訊。
其中，為了在步驟S11及其之後的步驟中不產生複數個水果的影像彼此重疊所導致的錯誤辨識，在一實施例，步驟S10的影像僅有一個水果的影像。
而在步驟S11中，可採用各種卷積神經網路模型作為物件辨識模型而對擷取影像進行辨識。從而辨識出在擷取影像中對應待測水果的影像區域，並作為一水果物件。另外，如第2圖所示，在水果物件的周圍附加一定界框。進一步地，定界框的定界範圍含括水果物件的果實部分，而排除例如根(視水果種類排除)、梗、莖(視水果種類排除)、冠芽等部分。在一實施例中，定界框為一矩形，其長度及寬度恰等於水果物件的長度及寬度。藉此，矩形之定界框可降低後續例如重疊度篩選、物件尺寸計算等所耗用之計算資源、時間等。然而，亦可視需要採用其它種類的定界框，例如，重疊水果物件的果實部分的外周的定界框。
而在步驟S12，預定型態遮罩是由物件型態篩選模組以物件型態篩選模組所提供，預定型態遮罩具有一特定的尺寸，例如水果物件應符合之規格尺寸大小、規格形狀(例如長度與寬度比例)等，以篩選符合條件的水果物件。
詳言之，物件型態篩選模組依照下列公式計算產生重疊度(IoU，Intersection over Union)：
而型態差值為Hu動差(Hu moments, )差值，物件型態篩選模組進一步依照依據下列公式產生Hu動差差值： ； ； ；
其中， 表示為Hu動差差值， 表示為預定型態遮罩的Hu動差， 表示為預定型態遮罩的Hu動差的複數個不變量的其中之一個， 為水果物件的Hu動差， 表示為水果物件的Hu動差的複數個不變量的其中之一個。
而篩選條件為重疊度大於一重疊度閾值( )，且Hu動差差值小於一Hu動差差值閾值( )，並可以下列公式內容表示： 。
其中，重疊度作為大小篩選的標準，Hu動差差值作為形狀篩選的標準。在一實施例，當IoU大於0.65，表示偵測的果實通過大小篩選，而當Hu動差差值小於0.45，表示偵測的果實通過形狀篩選。
如此，本發明能藉由預定型態遮罩與水果物件的重疊度篩選條件而自動篩選符合規格尺寸大小、規格形狀的水果，從而降低人工成本，避免人力疲勞所致的誤判問題。
進一步地，如第1圖所示，本發明還包括以下步驟： (S13) 當產生物件型態合格資訊後，利用一物件尺寸計算模組所設定的一尺寸對照參數，計算出對水果物件的大小而輸出一物件尺寸資訊，並將物件型態資訊輸出到擷取影像的定界框的周圍。其中，具有物件型態資訊之擷取影像如第2圖所示。
值得注意的是，如第3圖所示，在一實施例，步驟S12之後僅進行步驟S13。
詳言之，如第4圖所示，物件尺寸計算模組設定尺寸對照參數的步驟包括： (S130)處理裝置接收一比例記號所代表的實際尺寸，以作為尺寸對照參數；其中，比例記號為預先在影像擷取裝置對待測水果擷取的擷取影像的位置內所劃記的實際尺寸線條。
在一範例中，如第2圖所示，影像擷取裝置對待測水果擷取的擷取影像中包括一尺規，其上或四周標有二點，二點之間相距一距離。或者，在影像擷取裝置對待測水果擷取的擷取影像之前，可在其背景(影像擷取裝置對待測水果擷取的擷取影像的位置內)提供一尺規，其上或四周標有二點，二點之間相距一距離D。
而在影像擷取裝置對待測水果擷取的擷取影像之前，物件尺寸計算模組以此二點劃記的實際尺寸線條作為比例記號，處理裝置接收此比例記號所代表的實際尺寸，例如以輸入此比例記號所代表的實際尺寸的方式，從而以比例記號及其代表的實際尺寸作為尺寸對照參數。在產生物件型態合格資訊後，物件尺寸計算模組計算出對水果物件的大小而輸出一物件尺寸資訊。
因此，本發明能藉由與待測水果同背景的尺規而簡單自動得到估計待測水果的實際尺寸，從而降低轉換複雜性及錯誤發生機率，同時降低人工成本，避免人力疲勞所致的量測錯誤問題。
另外，如第1圖所示，本發明還包括以下步驟： (S14) 當產生物件型態合格資訊後，使用一成熟度辨識模組所設之一成熟度條件辨識擷取影像中有關於水果物件的第一色彩資訊，以產生一成熟度資訊，並將成熟度資訊輸出到擷取影像的定界框的周圍。
值得注意的是，如第5圖所示，在一實施例，步驟S12之後僅進行步驟S14。
其中，在一實施例，如第6圖所示，步驟S14的第一色彩資訊以RGB色彩空間表示，成熟度條件將水果物件的果實部分表示成熟度之色相範圍的像素數量與水果物件的果實部分的全部像素的比例範圍分成複數個成熟度等級。而成熟度辨識模組產生成熟度資訊的步驟，進一步包括以下步驟： (S140)成熟度計算模組利用一色相轉換單元將第一色彩資訊轉換成以HSV色彩空間表示的一第二色彩資訊； (S141)物件型態篩選模組以一辨識單元辨識出第二色彩資訊中表示成熟度之色相範圍的像素數量；
(S142)物件型態篩選模組以一比例計算單元計算成熟度條件將水果物件的果實部分表示成熟度之色相範圍的像素數量與水果物件的果實部分的全部像素數量的比例範圍，並以複數個成熟度等級其中之一作為成熟度資訊。
舉例說明並詳言之，若待測水果為一鳳梨，擷取影像中有關於水果物件的第一色彩資訊以RGB色彩空間表示，而成熟度計算模組利用一色相轉換單元將第一色彩資訊轉換成以HSV色彩空間表示的一第二色彩資訊。
接著，物件型態篩選模組以一辨識單元辨識出第二色彩資訊中表示成熟度之色相範圍的像素數量。即以鳳梨為例，用以辨識其成熟度的色相範圍為HSV色彩空間中表示色相為11度~25度的範圍。而辨識單元辨識出第二色彩資訊中落入HSV色彩空間中11度~25度的範圍的像素數量。其中，HSV色彩空間中表示色相為11度~25度的範圍對應一橙色範圍，橙色範圍為鳳梨成熟時果目所表現的顏色範圍。
而後，物件型態篩選模組的一比例計算單元將上述像素數量除以水果物件的果實部分的全部像素數量，再乘以百分之百，從而得到一比例範圍。並以如下表一之複數個成熟度等級其中之一作為成熟度資訊。而成熟度資訊可與物件型態資訊、物件尺寸資訊一併顯示，如第2圖所示。
果實成熟度 LV0 LV1 LV2 LV3 LV4 LV5
0% 1%-20% 21%-40% 41%-60% 61%-80% 81%-100%
表一
在另一種水果的實施例中，例如金煌芒果，其中黃色範圍作為成熟時果實所表現的顏色範圍。LV0表示果實顏色全綠；LV1表示果實輕微轉黃；LV2表示果實顏色小於1/4轉黃；LV3表示果實顏色大於1/4且小於1/2轉黃；LV4表示果實顏色大於1/2且小於3/4轉黃；LV5表示果實顏色全轉黃。
為了使第2圖的物件型態資訊、物件尺寸資訊及成熟度資訊清楚顯示，將第2圖的區域A放大顯示於第7圖中，並將物件型態資訊、物件尺寸資訊及成熟度資訊轉為中文。
藉此，本發明能以單一顏色判定標準自動辨識待測水果的成熟度，從而減少不同人的成熟度判定標準不同的問題，同時降低人工成本，避免人力疲勞所致的判定錯誤問題。
綜上所述，本發明之自動化水果選別方法可藉由預定型態遮罩與水果物件的重疊度篩選條件而自動篩選符合規格尺寸大小、規格形狀的水果，從而降低人工成本，避免人力疲勞所致的誤判問題。另外，藉由與待測水果同背景的尺規，本發明能簡單自動得到估計待測水果的實際尺寸，從而降低轉換複雜性及錯誤發生機率，同時降低人工成本，避免人力疲勞所致的量測錯誤問題。再者，以單一顏色判定標準自動辨識待測水果的成熟度之本發明，能減少不同人的成熟度判定標準不同的問題，同時達成上述自動化所致降低成本及降低錯誤率的效果。
以上所述，僅為舉例說明本發明的較佳實施方式，並非以此限定實施的範圍，凡是依本發明申請專利範圍及專利說明書內容所作的簡單置換及等效變化，皆屬本發明的專利申請範疇。
S10, S11, S12, S13, S130, S14, S140, S141, S142:步驟 D:距離 A:區域
第1圖為本發明之一實施例的流程圖； 第2圖為對辨識水果物件的周圍附加一定界框的示意圖； 第3圖為本發明另一實施例的流程圖； 第4圖為第3圖之進一步實施例的流程圖； 第5圖為本發明另一實施例的流程圖； 第6圖為第5圖之進一步實施例的流程圖； 第7圖為第2圖的區域A的放大示意圖。
S10~S14:步驟

Claims (9)

  1. 一種自動化水果選別方法，由一處理裝置將一影像擷取裝置對一待測水果擷取一擷取影像進行水果選別，包括下列步驟：接收該擷取影像；利用一物件辨識模型模組，將該擷取影像輸入到該物件辨識模型模組所設之一物件辨識模型，以辨識出在該擷取影像中對應該待測水果的影像區域，並作為一水果物件，且在該水果物件的周圍附加一定界框；及利用一物件型態篩選模組以該物件型態篩選模組所設之一預定型態遮罩，比對與該水果物件的重疊區域大小而產生一重疊度，以及根據該水果物件的輪廓與該預定型態遮罩的輪廓的差異而產生一型態差值，並根據該重疊度及該型態差值與該物件型態篩選模組所設之一篩選條件，而產生一物件型態合格資訊或者一物件型態不合格資訊；其中該物件型態篩選模組依照下列公式計算產生該重疊度：
    Figure 112101249-A0305-02-0013-1
  2. 如請求項1所述的自動化水果選別方法，其中當產生該物件型態合格資訊後，利用一物件尺寸計算模組所設定的一尺寸對照參數，計算出對該水果物件的大小而輸出一物件尺寸資訊，並將該物件型態資訊輸出到該擷取影像的該定界框的周圍。
  3. 如請求項2所述的自動化水果選別方法，其中該物件尺寸計算模組設定該尺寸對照參數的步驟包括：該處理裝置接收一比例記號所代表的實際尺寸，以作為該尺寸對照參數； 其中，該比例記號為預先在該影像擷取裝置對該待測水果擷取該擷取影像的位置內所劃記的實際尺寸線條。
  4. 如請求項1所述的自動化水果選別方法，其中當產生該物件型態合格資訊後，使用一成熟度辨識模組所設之一成熟度條件辨識該擷取影像中有關於該水果物件的第一色彩資訊，以產生一成熟度資訊，並將該成熟度資訊輸出到該擷取影像的該定界框的周圍。
  5. 如請求項4所述的自動化水果選別方法，其中該第一色彩資訊以RGB色彩空間表示，該成熟度條件將該水果物件的果實部分表示成熟度之色相範圍的像素數量與該水果物件的果實部分的全部像素的比例範圍分成複數個成熟度等級，而該成熟度辨識模組產生該成熟度資訊的步驟，進一步包括：該成熟度計算模組利用一色相轉換單元將該第一色彩資訊轉換成以HSV色彩空間表示的一第二色彩資訊；該物件型態篩選模組以一辨識單元辨識出該第二色彩資訊中表示成熟度之色相範圍的像素數量；及該物件型態篩選模組以一比例計算單元計算該成熟度條件將該水果物件的果實部分表示成熟度之色相範圍的像素數量與該水果物件的果實部分的全部像素數量的比例範圍，並以該複數個成熟度等級其中之一作為該成熟度資訊。
  6. 如請求項5所述的自動化水果選別方法，其中該待測水果為一鳳梨。
  7. 如請求項6所述的自動化水果選別方法，其中該色相範圍為HSV色彩空間中表示色相為11度~25度。
  8. 如請求項1所述的自動化水果選別方法，其中該型態差值為Hu動差差值，該物件型態篩選模組進一步依照依據下列公式產生該Hu動差差值：
    Figure 112101249-A0305-02-0015-2
     其中I(A,B)表示為該Hu動差差值，
    Figure 112101249-A0305-02-0015-4
    表示為該預定型態遮罩的Hu動差，
    Figure 112101249-A0305-02-0015-3
    表示為該預定型態遮罩的Hu動差的複數個不變量的其中之一個，
    Figure 112101249-A0305-02-0015-5
    為該水果物件的Hu動差，
    Figure 112101249-A0305-02-0015-6
    表示為該水果物件的Hu動差的複數個不變量的其中之一個。
  9. 如請求項8所述的自動化水果選別方法，其中該篩選條件為該重疊度大於一重疊度閾值，且該Hu動差差值小於一Hu動差差值閾值。
TW112101249A 2023-01-11 2023-01-11 自動化水果選別方法 TWI823750B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW112101249A TWI823750B (zh) 2023-01-11 2023-01-11 自動化水果選別方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW112101249A TWI823750B (zh) 2023-01-11 2023-01-11 自動化水果選別方法

Publications (1)

Publication Number Publication Date
TWI823750B true TWI823750B (zh) 2023-11-21

Family

ID=89722790

Family Applications (1)

Application Number Title Priority Date Filing Date
TW112101249A TWI823750B (zh) 2023-01-11 2023-01-11 自動化水果選別方法

Country Status (1)

Country Link
TW (1) TWI823750B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107741432A (zh) * 2017-11-16 2018-02-27 天津商业大学 一种基于机器视觉的水果自动分拣机器人系统
CN110383049A (zh) * 2017-03-01 2019-10-25 迈夫农业机器公司 水果或蔬菜的光学分析方法和装置以及自动分拣装置
CN110969090A (zh) * 2019-11-04 2020-04-07 口碑(上海)信息技术有限公司 基于深度神经网络的水果品质识别方法及装置
CN108686978B (zh) * 2018-05-02 2020-12-29 广州慧睿思通信息科技有限公司 基于arm的水果类别和色泽的分拣方法及系统
CN113643287B (zh) * 2021-10-13 2022-03-01 深圳市巨力方视觉技术有限公司 水果的分拣方法、装置和计算机可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110383049A (zh) * 2017-03-01 2019-10-25 迈夫农业机器公司 水果或蔬菜的光学分析方法和装置以及自动分拣装置
CN107741432A (zh) * 2017-11-16 2018-02-27 天津商业大学 一种基于机器视觉的水果自动分拣机器人系统
CN108686978B (zh) * 2018-05-02 2020-12-29 广州慧睿思通信息科技有限公司 基于arm的水果类别和色泽的分拣方法及系统
CN110969090A (zh) * 2019-11-04 2020-04-07 口碑(上海)信息技术有限公司 基于深度神经网络的水果品质识别方法及装置
CN113643287B (zh) * 2021-10-13 2022-03-01 深圳市巨力方视觉技术有限公司 水果的分拣方法、装置和计算机可读存储介质

Similar Documents

Publication Publication Date Title
US8224605B2 (en) Inspection standard setting device, inspection standard setting method and process inspection device
CN112115895B (zh) 指针型仪表读数识别方法、装置、计算机设备及存储介质
WO2019214309A1 (zh) 模型测试的方法及装置
CN107845090A (zh) 一种硅片检测方法和硅片检测装置
CN107229930A (zh) 一种指针式仪表数值智能识别方法及装置
CN108830285A (zh) 一种基于Faster-RCNN的加强学习的目标检测方法
CN106971393B (zh) 一种玉米籽粒的表型测量方法及系统
CN107945184A (zh) 一种基于彩色图像分割和梯度投影定位的贴装元件检测方法
CN106651857B (zh) 一种印刷电路板贴片缺陷检测方法
CN103852034B (zh) 一种电梯导轨垂直度检测方法
CN108186051A (zh) 一种从超声图像中自动测量胎儿双顶径长度的图像处理方法及处理系统
TWI642126B (zh) 半導體晶圓檢測系統及其方法
CN110930390A (zh) 基于半监督深度学习的芯片管脚缺失检测方法
Hoffmaster et al. The Ohio State University seed vigor imaging system (SVIS) for soybean and corn seedlings
CN109490306A (zh) 一种基于色泽和气味数据融合的猪肉新鲜度检测方法
CN111999320A (zh) 一种基于x射线图像分析的食品品质安全智能检测系统
Birla et al. An efficient method for quality analysis of rice using machine vision system
TW201930908A (zh) 電路板瑕疵篩選方法及其裝置與電腦可讀取記錄媒體
CN103394472A (zh) 一种基于机器视觉的绿化马铃薯检测分级方法
CN109115775B (zh) 一种基于机器视觉的槟榔等级检测方法
CN113808153A (zh) 番茄成熟检测方法、装置、计算机设备及存储介质
TWI823750B (zh) 自動化水果選別方法
CN117237747B (zh) 基于人工智能的五金件缺陷分类识别方法
CN105279244B (zh) 甘蔗种芽分类特征数据库的建立方法
CN117351472A (zh) 烟叶信息检测方法、装置及电子设备