CN108719424A - 一种基于机器视觉的水产品分类方法及*** - Google Patents
一种基于机器视觉的水产品分类方法及*** Download PDFInfo
- Publication number
- CN108719424A CN108719424A CN201810564167.9A CN201810564167A CN108719424A CN 108719424 A CN108719424 A CN 108719424A CN 201810564167 A CN201810564167 A CN 201810564167A CN 108719424 A CN108719424 A CN 108719424A
- Authority
- CN
- China
- Prior art keywords
- aquatic products
- image
- weight
- machine vision
- current
- 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
Classifications
-
- A—HUMAN NECESSITIES
- A22—BUTCHERING; MEAT TREATMENT; PROCESSING POULTRY OR FISH
- A22C—PROCESSING MEAT, POULTRY, OR FISH
- A22C25/00—Processing fish ; Curing of fish; Stunning of fish by electric current; Investigating fish by optical means
- A22C25/04—Sorting fish; Separating ice from fish packed in ice
-
- A—HUMAN NECESSITIES
- A22—BUTCHERING; MEAT TREATMENT; PROCESSING POULTRY OR FISH
- A22C—PROCESSING MEAT, POULTRY, OR FISH
- A22C29/00—Processing shellfish or bivalves, e.g. oysters, lobsters; Devices therefor, e.g. claw locks, claw crushers, grading devices; Processing lines
- A22C29/005—Grading or classifying shellfish or bivalves
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Food Science & Technology (AREA)
- Sorting Of Articles (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于机器视觉的水产品分类方法及***,用以解决水产品手工分类精度差、效率低的问题,该方法包括:S10:获取水产品的图像信息,对所述图像信息进行图像预处理,得到所述水产品的图像轮廓面积;S20:获取所述水产品的重量数据,根据所述水产品的重量数据及图像轮廓面积建立预测模型;S30:接收分类信号,获取当前水产品的图像轮廓面积,根据所述预测模型,得到当前水产品的预测重量;S40:根据所述当前水产品的预测重量,对所述当前水产品进行分类。采用本发明,通过机器视觉对水产品的大小进行判断,进一步得到重量信息,从而能够对水产品进行自动化分类,提高分类效率以及精度,减少人工成本。
Description
技术领域
本发明涉及机器视觉技术领域,尤其涉及一种基于机器视觉的水产品分类方法及***。
背景技术
水产品主要以淡水或海水中的鱼类为主,在对鱼类进行捕捞之后,需要对鱼类进行分类选筛以适应市场上各种不同的需求,例如,在将大黄鱼从养殖箱中捕捞上岸之后,企业或养殖户会按照大黄鱼的体重、品质进行分类,方便出售以及谋取利润。目前对鱼类进行分级的设备根据其分级原理的不同,主要有称重式、光学原理式、形状式等,称重式分级机采用质量传感器根据鱼体重量进行分级,分级精度高,但需要逐个称重,效率低;光学原理分级机按照光电测距或比色分级,主要用果蔬分选;形状式分级机根据鱼体的几何尺寸大小进行分级,根据选用机械的不同又可以分为转辊式和滚筒式两种产品。转辊式***采用缓慢旋转的辊轮,各辊轮的间隔距离逐渐加宽,以鱼体厚度为依据,从而将不同大小的鱼分开,转辊式分级间隙及转速需手动调节,自动化程度低,分级精度受操作人员主观因素影响大;滚筒分级中,大黄鱼通过料斗流入到滚筒,在其间发生滚转和移动,并在此过程中通过相应的筛孔流出,以达到分级,但会对鱼体会造成二次损伤。除了机器分选之外,还存在手工分选,但是手工分选明显缺乏效率,同时精确度也不高,还增加了人工成本,不利于对体重不同的鱼类进行快速分类。
如公开号为CN105665296A的专利就公开了一种鱼类产品的自动分类装置及分类方法,该装置包括支承架和收料盒,支承架的顶部开设有腰形凹槽,腰形凹槽内设置有链条,链条上固设有若干个底座,底座的一侧设置称重机构,称重机构包括连接块和重量感应单元,连接块背向盒体地设置有旋转臂,旋转臂上固设有翻转盒,支承架上设置有第一电机,连接块内设置有第二电机,支承架上还设置有控制单元和清洗机构,清洗机构包括水箱、水泵和清洗管路。该装置通过其分类方法也可以对鱼类进行分类,但是,在分类时需要对单个的鱼体重量进行称量,分类速度慢,效率低。
发明内容
本发明要解决的技术问题目的在于提供一种基于机器视觉的水产品分类方法及***,用以解决现有手工分类速度慢,精确度低的问题。
为了实现上述目的,本发明采用的技术方案如下:
一种基于机器视觉的水产品分类方法,包括步骤:
S10:获取水产品的图像信息,对所述图像信息进行图像预处理,得到所述水产品的图像轮廓面积;
S20:获取所述水产品的重量数据,根据所述水产品的重量数据及图像轮廓面积建立预测模型;
S30:接收分类信号,获取当前水产品的图像轮廓面积,根据所述预测模型,得到当前水产品的预测重量;
S40:根据所述当前水产品的预测重量,对所述当前水产品进行分类。
进一步的,所述步骤S10之前还包括步骤:
通过图像传感器采集水产品的图像信息,并将所述水产品进行标号。
进一步的,所述步骤S10还包括步骤:
对所述图像信息依次进行图像背景去除、图像灰度处理、图像二值化处理、图像轮廓面积提取。
进一步的,所述步骤S40具体包括步骤:
接收预设重量范围,判断所述预测重量处于预设重量范围内,若是,则发送触发信号至相应的分拣控制器对所述当前水产品进行分拣。
进一步的,所述步骤S20还包括步骤:
根据预设回归方程建立所述预测模型,所述回归方程为:
y=a*xb
上式中,y为水产品的重量,x为水产品的图像轮廓面积,a、b为预设系数。
一种基于机器视觉的水产品分类***,包括:
图像处理模块:用于获取水产品的图像信息,对所述图像信息进行图像预处理,得到所述水产品的图像轮廓面积;
重量采集模块:用于获取所述水产品的重量数据,根据所述水产品的重量数据及图像轮廓面积建立预测模型;
预测模块:用于接收分类信号,获取当前水产品的图像轮廓面积,根据所述预测模型,得到当前水产品的预测重量;
分类模块:用于根据所述当前水产品的预测重量,对所述当前水产品进行分类。
进一步的,所述***还包括:
图像采集单元:用于通过图像传感器采集水产品的图像信息,并将所述水产品进行标号。
进一步的,所述***还包括:
图像处理单元:用于对所述图像信息依次进行图像背景去除、图像灰度处理、图像二值化处理、图像轮廓面积提取。
进一步的,所述分类模块还包括:
范围判断单元:用于接收预设重量范围,判断所述预测重量处于预设重量范围内,若是,则发送触发信号至相应的分拣控制器对所述当前水产品进行分拣。
进一步的,所述***还包括:
模型建立单元:用于根据预设回归方程建立所述预测模型,所述回归方程为:
y=a*xb
上式中,y为水产品的重量,x为水产品的图像轮廓面积,a、b为预设系数。
采用本发明,通过机器视觉获取鱼体的轮廓面积,采用预测模型,根据鱼体的轮廓面积预测鱼类的体重,能够快速的对不同重量的鱼体进行分类筛选,节省人工分类的成本,能够保证鱼体重量分类的精确度,并且避免鱼体在分类过程中受到二次损坏。
附图说明
图1是本发明实施例一提供的一种基于机器视觉的水产品分类方法流程图;
图2是本发明一个实施方式提供的大黄鱼图像在R通道的显示图像;
图3是本发明一个实施方式提供的大黄鱼图像在G通道的显示图像;
图4是本发明一个实施方式提供的大黄鱼图像在B通道的显示图像;
图5是本发明一个实施方式提供的大黄鱼图像二值化处理后的图像;
图6是本发明一个实施方式提供的大黄鱼面积轮廓提取图像;
图7是本发明实施例二提供的一种基于机器视觉的水产品分类方法流程图;
图8是本发明实施例提供的一种基于机器视觉的水产品分类***的***结构图。
具体实施方式
以下是本发明的具体实施例并结合附图,对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
实施例一
参考图1,图1提供了一种基于机器视觉的水产品分类方法,包括步骤:
S10:获取水产品的图像信息,对所述图像信息进行图像预处理,得到所述水产品的图像轮廓面积;
S20:获取所述水产品的重量数据,根据所述水产品的重量数据及图像轮廓面积建立预测模型;
S30:接收分类信号,获取当前水产品的图像轮廓面积,根据所述预测模型,得到当前水产品的预测重量;
S40:根据所述当前水产品的预测重量,对所述当前水产品进行分类。
水产品主要以鱼类为主,鱼类具有光滑的表面,一般的鱼类都具有完整统一的形状,尽管不同的鱼种之间存在差别,但其形状差异不大,方便采集鱼体的大小,从而方便预测该鱼体的体重,进一步对不同体重的鱼体进行分类。
本发明的实施例中,以大黄鱼作为举例对水产品进行说明,大黄鱼在打捞上岸之后,将会通过输送带输送到各个流水线上以进行相应的处理。
首先,在对不同重量的鱼体进行分类之前,需要建立预测模型,步骤S10以及步骤S20通过提取40条大黄鱼的轮廓面积以及鱼体重量,采用不同的模型拟合两者的关系,建立预测模型,从而利用预测模型对后续的大黄鱼的重量进行预测。
步骤S10中,获取水产品的图像信息,对所述图像信息进行图像预处理,得到所述水产品的图像轮廓面积。
大黄鱼的图像信息可以通过相机来进行拍摄,通过在输送带的某个位置点上方设置相机,每有一条大黄鱼通过该位置,相机拍摄一次,得到每一条大黄鱼的图像信息。
在本发明的一个实施方式中,图像预处理为对图像信息依次进行图像背景去除、图像灰度处理、图像二值化处理、图像轮廓面积提取。图像背景去除是去除掉图像的背景,使图像中的前景与背景分类的一种图像处理方法,例如,将背景设置为绿色,在进行背景图像去除时,去除掉图像中的绿色,即达到了背景去除的目的。优选的,本实施例中,由于大黄鱼鱼腹、鱼鳍颜色主要为金黄色,鱼体为淡黄色,鱼背为灰黄色组成,白色背景的反射率高,通过将输送带设置为白色,利用直方图得到RGB三通道颜色分量均值,将各像素做减法去除拍摄到的图像的背景,能够得到清晰的大黄鱼前景,需要了解的是,还可以根据鱼种的不同,选择相应合适的传送带颜色作为背景颜色。如图2至图4所示,图2为大黄鱼图像在R通道时的显示情况,图3为大黄鱼图像在G通道下的显示情况,图4为大黄鱼图像在B通道下的显示情况。
图像灰度处理是将彩色图像转换为灰度图像,拍摄到的大黄鱼由于有金黄色、淡黄色以及灰黄色等不同的颜色,经过灰度处理之后,颜色能够进一步的统一,提高处理速度。
图像二值化处理是将整个图像呈现出明显的黑白效果的过程,使得大黄鱼的轮廓更加清晰,可参考图5,图5为大黄鱼图像经过图像灰度处理以及二值化处理后得到的图像。
最后对二值化处理后的图像进行图像轮廓面积提取,提取出大黄鱼的轮廓,进一步计算得到大黄鱼的轮廓面积,参考图6,图6为大黄鱼的轮廓面积提取图。
步骤S20中,获取所述水产品的重量数据,根据所述水产品的重量数据及图像轮廓面积建立预测模型。
从步骤S10得到大黄鱼的轮廓面积,再获取大黄鱼的重量,建立预测模型,从大量的大黄鱼轮廓面积与重量之间的关系分析,当预测模型的回归方程为
y=a*xb
时,能够得到最准确的拟合度,准确度较高,上式中,y为水产品的重量,x为水产品的图像轮廓面积,a、b为预设系数,即将大黄鱼的轮廓面积作为输入,得到该大黄鱼的预测重量。
优选的,本实施例中,a的数值为1.3406,b的数值为2.943901*10-2。
步骤S30中,接收分类信号,获取当前水产品的图像轮廓面积,根据所述预测模型,得到当前水产品的预测重量。
在步骤S20建立了预测模型之后,进入到步骤S30,分类信号可以是***的启动信号,例如,当需要对大黄鱼进行分类时,则启动***,产生分类信号。
当接收到分类信号之后,可以通过相机拍摄需要分类的当前大黄鱼的图像,并进行步骤S10中的图像处理,得到图像轮廓面积,再根据步骤S20中建立的预测模型,对当前大黄鱼的重量进行预测。
步骤S40中,根据所述当前水产品的预测重量,对所述当前水产品进行分类。不同轮廓面积的大黄鱼的重量各不相同,通过预测重量,对不同重量的大黄鱼进行分类,得到多类不同重量的大黄鱼。
本实施例中,首先能够通过图像采集装置快速的采集大黄鱼的图像,而不需要对每一条大黄鱼进行称重,避免了大黄鱼在称重过程中受到二次损伤,而采用预测模型能够准确的对大黄鱼的重量进行预测,保证精确度,实现快速的对不同重量的大黄鱼进行分类。
实施例二
参考图7,图7为本实施例提供的一种基于机器视觉的水产品分类方法,包括步骤:
S10:获取水产品的图像信息,对所述图像信息进行图像预处理,得到所述水产品的图像轮廓面积;
S20:获取所述水产品的重量数据,根据所述水产品的重量数据及图像轮廓面积建立预测模型;
S30:接收分类信号,获取当前水产品的图像轮廓面积,根据所述预测模型,得到当前水产品的预测重量;
S401:接收预设重量范围,判断所述预测重量处于预设重量范围内,若是,则发送触发信号至相应的分拣控制器对所述当前水产品进行分拣。
本实施例与实施例一的区别在于,步骤S40具体包括步骤S401。
步骤S401中,接收预设重量范围,判断所述预测重量处于预设重量范围内,若是,则发送触发信号至相应的分拣控制器对所述当前水产品进行分拣。
由于需要根据大黄鱼的不同重量进行分类,每一条大黄鱼的重量都可能存在不同,在本实施例中,可以设置多个重量区间,例如,第一重量区间范围、第二重量区间范围、第三重量区间范围,每一个重量区间范围都设置有一个分拣控制器,当大黄鱼的预测重量落在其中一个重量区间范围时,则发送触发信号控制分拣控制器将该大黄鱼分拣到该重量区间。
通过控制相应的分拣控制器,能够将处于不同重量区间范围的大黄鱼进行区分,同时,还可以设置多个重量区间范围,对分类更加细化。
实施例三
参考图8,本实施例提供了一种基于机器视觉的水产品分类***的***结构图,包括:
图像处理模块81:用于获取水产品的图像信息,对所述图像信息进行图像预处理,得到所述水产品的图像轮廓面积;
重量采集模块82:用于获取所述水产品的重量数据,根据所述水产品的重量数据及图像轮廓面积建立预测模型;
预测模块83:用于接收分类信号,获取当前水产品的图像轮廓面积,根据所述预测模型,得到当前水产品的预测重量;
分类模块84:用于根据所述当前水产品的预测重量,对所述当前水产品进行分类。
该***还包括模型建立单元85,用于根据预设回归方程建立预测模型,回归方程为:
y=a*xb
上式中,y为水产品的重量,x为水产品的图像轮廓面积,a、b为预设系数。
在建立预测模型时,可以通过图像处理模块81以及重量采集模块82获取多条大黄鱼的轮廓面积以及重量数据,从而分析确定预测模型,上式中,a、b的具体数值可以引用实施例一中给出的数值,本实施例也可以通过模型建立单元85分析多条大黄鱼的轮廓面积以及重量数据进行确认,保证预测模型的准确度。
本实施例中,该***还包括图像采集单元80,用于通过图像传感器采集水产品的图像信息,并将所述水产品进行标号。
图像采集单元80可以是相机,通过在相机周围设置光源,保证拍摄的图片的质量,本实施例中,由于大黄鱼在输送带中进行分选,相机可以设置在输送带的最前方的上端,并设置拍摄时间间隔,以拍摄下大黄鱼的图像。
对于输送带上同时输送多条大黄鱼的情况,每拍摄下一条大黄鱼的图像,都需要对大黄鱼进行标号,记录下对应的大黄鱼在输送带中的位置顺序,能够使得分拣控制器对大黄鱼进行识别,防止在分拣时出现混乱,方便后续分拣控制器准确的进行分拣。
图像处理模块81需要与图像采集单元80之间建立数据连接,例如,图像采集单元80直接将拍摄的图像传输到计算机,图像处理模块80可作为计算机内的图像处理软件。
图像处理模块81包括图像处理单元811。
图像处理单元811:用于对所述图像信息依次进行图像背景去除、图像灰度处理、图像二值化处理、图像轮廓面积提取。
在实施例一中已经详细阐述了图像背景去除、图像灰度处理、图像二值化处理以及图像轮廓面积提取的具体操作,本实施例不做阐述,需要了解的是,通过图像处理单元811对图像进行处理之后,能够提取出图像轮廓面积,即大黄鱼的轮廓面积,再将轮廓面积数据发送给预测模块83。
预测模块83可以安装在计算机内,在得到大黄鱼的轮廓面积之后,直接通过预测模型及回归方程
y=a*xb
计算得到大黄鱼的预测重量,上式中,y为水产品的重量,x为水产品的图像轮廓面积,a、b为预设系数。其中,a、b的具体数值可以引用实施例一中给出的数值。
分类模块84还包括范围判断单元841。
范围判断单元841:用于接收预设重量范围,判断所述预测重量是否处于预设重量范围内,若是,则发送触发信号至相应的分拣控制器对所述当前水产品进行分拣。
预测重量范围可以根据不同的重量分为多个范围区间,例如第一预测重量范围、第二预测重量范围、第三预测重量范围,每一个范围区间设置有相应的分拣控制器,当大黄鱼的预测重量处于该范围区间时,则控制该范围区间的分拣控制器,将该大黄鱼分拣出来。
分类模块84接收预测模块83发送的大黄鱼预测重量信息,首先对大黄鱼的预测体重进行判断,确认其处于哪一个范围区间,然后控制该范围区间上设置的分拣控制器,分拣控制器将产生分拣动作,将该大黄鱼分拣出输送带,分拣控制器可以直接设置在输送带的一侧,直接将该大黄鱼推出输送带,落入陈放栏。
***中各个模块协同作业,在输送带前端的图像采集单元80采集到大黄鱼的图像之后,能够迅速的通过图像处理模块81、预测模块83预测该条大黄鱼的重量,并根据预测重量,在输送带的后端对该大黄鱼进行分类,该***可以直接在流水线上作业,方便快捷。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种基于机器视觉的水产品分类方法,其特征在于,包括步骤:
S10:获取水产品的图像信息,对所述图像信息进行图像预处理,得到所述水产品的图像轮廓面积;
S20:获取所述水产品的重量数据,根据所述水产品的重量数据及图像轮廓面积建立预测模型;
S30:接收分类信号,获取当前水产品的图像轮廓面积,根据所述预测模型,得到当前水产品的预测重量;
S40:根据所述当前水产品的预测重量,对所述当前水产品进行分类。
2.根据权利要求1所述的一种基于机器视觉的水产品分类方法,其特征在于,所述步骤S10之前还包括步骤:
通过图像传感器采集水产品的图像信息,并将所述水产品进行标号。
3.根据权利要求1所述的一种基于机器视觉的水产品分类方法,其特征在于,所述步骤S10还包括步骤:
对所述图像信息依次进行图像背景去除、图像灰度处理、图像二值化处理、图像轮廓面积提取。
4.根据权利要求1所述的一种基于机器视觉的水产品分类方法,其特征在于,所述步骤S40具体包括步骤:
接收预设重量范围,判断所述预测重量是否处于预设重量范围内,若是,则发送触发信号至相应的分拣控制器对所述当前水产品进行分拣。
5.根据权利要求1所述的一种基于机器视觉的水产品分类方法,其特征在于,所述步骤S20还包括步骤:
根据预设回归方程建立所述预测模型,所述回归方程为:
y=a*xb
上式中,y为水产品的重量,x为水产品的图像轮廓面积,a、b为预设系数。
6.一种基于机器视觉的水产品分类***,其特征在于,包括:
图像处理模块:用于获取水产品的图像信息,对所述图像信息进行图像预处理,得到所述水产品的图像轮廓面积;
重量采集模块:用于获取所述水产品的重量数据,根据所述水产品的重量数据及图像轮廓面积建立预测模型;
预测模块:用于接收分类信号,获取当前水产品的图像轮廓面积,根据所述预测模型,得到当前水产品的预测重量;
分类模块:用于根据所述当前水产品的预测重量,对所述当前水产品进行分类。
7.根据权利要求6所述的一种基于机器视觉的水产品分类***,其特征在于,所述***还包括:
图像采集单元:用于通过图像传感器采集水产品的图像信息,并将所述水产品进行标号。
8.根据权利要求6所述的一种基于机器视觉的水产品分类***,其特征在于,所述***还包括:
图像处理单元:用于对所述图像信息依次进行图像背景去除、图像灰度处理、图像二值化处理、图像轮廓面积提取。
9.根据权利要求6所述的一种基于机器视觉的水产品分类***,其特征在于,所述分类模块还包括:
范围判断单元:用于接收预设重量范围,判断所述预测重量是否处于预设重量范围内,若是,则发送触发信号至相应的分拣控制器对所述当前水产品进行分拣。
10.根据权利要求6所述的一种基于机器视觉的水产品分类***,其特征在于,所述***还包括:
模型建立单元:用于根据预设回归方程建立所述预测模型,所述回归方程为:
y=a*xb
上式中,y为水产品的重量,x为水产品的图像轮廓面积,a、b为预设系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810564167.9A CN108719424A (zh) | 2018-06-04 | 2018-06-04 | 一种基于机器视觉的水产品分类方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810564167.9A CN108719424A (zh) | 2018-06-04 | 2018-06-04 | 一种基于机器视觉的水产品分类方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108719424A true CN108719424A (zh) | 2018-11-02 |
Family
ID=63931877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810564167.9A Pending CN108719424A (zh) | 2018-06-04 | 2018-06-04 | 一种基于机器视觉的水产品分类方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108719424A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109625195A (zh) * | 2018-12-10 | 2019-04-16 | 威海海洋职业学院 | 一种智能化船舶储鱼装置 |
CN110378241A (zh) * | 2019-06-25 | 2019-10-25 | 北京百度网讯科技有限公司 | 作物生长状态监控方法、装置、计算机设备及存储介质 |
CN110394785A (zh) * | 2019-07-17 | 2019-11-01 | 浙江海洋大学 | 一种分拣用水产抓取装置 |
CN110969149A (zh) * | 2019-12-30 | 2020-04-07 | 韩山师范学院 | 一种鸡爪称重机的智能图像识别装置及其称重方法 |
CN110991220A (zh) * | 2019-10-15 | 2020-04-10 | 北京海益同展信息科技有限公司 | 禽蛋检测、图像处理方法,装置、电子设备及存储介质 |
CN111480606A (zh) * | 2020-04-23 | 2020-08-04 | 舟山国家远洋渔业基地科技发展有限公司 | 一种远洋捕捞船用海产分级处理*** |
CN114612549A (zh) * | 2022-01-14 | 2022-06-10 | 北京市农林科学院信息技术研究中心 | 出菇采摘最佳时机预测方法及装置 |
CN114680163A (zh) * | 2022-03-23 | 2022-07-01 | 宜宾职业技术学院 | 组合式小龙虾智能分拣装置与分拣方法 |
CN116740473A (zh) * | 2023-08-10 | 2023-09-12 | 中国水产科学研究院南海水产研究所 | 一种基于机器视觉的渔获物自动分拣方法及*** |
CN117592312A (zh) * | 2024-01-18 | 2024-02-23 | 福建东水食品股份有限公司 | 一种基于水产品的电子称量方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2559336A1 (en) * | 2011-08-19 | 2013-02-20 | Asociación Industrial de Óptica, Color e Imagen - AIDO | System and method for automatic classification of fish alevins by means of optical methods |
CN105195438A (zh) * | 2015-09-25 | 2015-12-30 | 广东海洋大学 | 基于图像识别的嵌入式自动珍珠分拣器及分拣方法 |
CN105651776A (zh) * | 2015-12-30 | 2016-06-08 | 中国农业大学 | 基于计算机视觉的牛胴体产肉量自动分级装置与方法 |
CN106140648A (zh) * | 2016-08-19 | 2016-11-23 | 南京农业大学 | 一种基于机器视觉的鸡胴体重量自动分级***及分级方法 |
US20170372126A1 (en) * | 2014-10-14 | 2017-12-28 | Microsoft Technology Licensing, Llc | Depth From Time of Flight Camera |
CN207138317U (zh) * | 2016-12-31 | 2018-03-27 | 青岛有田农业发展有限公司 | 一种改进型胡萝卜计算机视觉精细分级上料与下料装置 |
-
2018
- 2018-06-04 CN CN201810564167.9A patent/CN108719424A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2559336A1 (en) * | 2011-08-19 | 2013-02-20 | Asociación Industrial de Óptica, Color e Imagen - AIDO | System and method for automatic classification of fish alevins by means of optical methods |
US20170372126A1 (en) * | 2014-10-14 | 2017-12-28 | Microsoft Technology Licensing, Llc | Depth From Time of Flight Camera |
CN105195438A (zh) * | 2015-09-25 | 2015-12-30 | 广东海洋大学 | 基于图像识别的嵌入式自动珍珠分拣器及分拣方法 |
CN105651776A (zh) * | 2015-12-30 | 2016-06-08 | 中国农业大学 | 基于计算机视觉的牛胴体产肉量自动分级装置与方法 |
CN106140648A (zh) * | 2016-08-19 | 2016-11-23 | 南京农业大学 | 一种基于机器视觉的鸡胴体重量自动分级***及分级方法 |
CN207138317U (zh) * | 2016-12-31 | 2018-03-27 | 青岛有田农业发展有限公司 | 一种改进型胡萝卜计算机视觉精细分级上料与下料装置 |
Non-Patent Citations (2)
Title |
---|
张志强: "基于机器视觉的淡水鱼品种识别及重量预测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
罗艳: "基于机器视觉技术的对虾规格检测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109625195B (zh) * | 2018-12-10 | 2020-09-08 | 威海海洋职业学院 | 一种智能化船舶储鱼装置 |
CN109625195A (zh) * | 2018-12-10 | 2019-04-16 | 威海海洋职业学院 | 一种智能化船舶储鱼装置 |
CN110378241A (zh) * | 2019-06-25 | 2019-10-25 | 北京百度网讯科技有限公司 | 作物生长状态监控方法、装置、计算机设备及存储介质 |
CN110378241B (zh) * | 2019-06-25 | 2022-04-29 | 北京百度网讯科技有限公司 | 作物生长状态监控方法、装置、计算机设备及存储介质 |
CN110394785A (zh) * | 2019-07-17 | 2019-11-01 | 浙江海洋大学 | 一种分拣用水产抓取装置 |
CN110991220B (zh) * | 2019-10-15 | 2023-11-07 | 京东科技信息技术有限公司 | 禽蛋检测、图像处理方法,装置、电子设备及存储介质 |
CN110991220A (zh) * | 2019-10-15 | 2020-04-10 | 北京海益同展信息科技有限公司 | 禽蛋检测、图像处理方法,装置、电子设备及存储介质 |
CN110969149A (zh) * | 2019-12-30 | 2020-04-07 | 韩山师范学院 | 一种鸡爪称重机的智能图像识别装置及其称重方法 |
CN111480606A (zh) * | 2020-04-23 | 2020-08-04 | 舟山国家远洋渔业基地科技发展有限公司 | 一种远洋捕捞船用海产分级处理*** |
CN114612549A (zh) * | 2022-01-14 | 2022-06-10 | 北京市农林科学院信息技术研究中心 | 出菇采摘最佳时机预测方法及装置 |
CN114612549B (zh) * | 2022-01-14 | 2024-06-07 | 北京市农林科学院信息技术研究中心 | 出菇采摘最佳时机预测方法及装置 |
CN114680163A (zh) * | 2022-03-23 | 2022-07-01 | 宜宾职业技术学院 | 组合式小龙虾智能分拣装置与分拣方法 |
CN116740473A (zh) * | 2023-08-10 | 2023-09-12 | 中国水产科学研究院南海水产研究所 | 一种基于机器视觉的渔获物自动分拣方法及*** |
CN116740473B (zh) * | 2023-08-10 | 2024-01-09 | 中国水产科学研究院南海水产研究所 | 一种基于机器视觉的渔获物自动分拣方法及*** |
CN117592312A (zh) * | 2024-01-18 | 2024-02-23 | 福建东水食品股份有限公司 | 一种基于水产品的电子称量方法及*** |
CN117592312B (zh) * | 2024-01-18 | 2024-04-16 | 福建东水食品股份有限公司 | 一种基于水产品的电子称量方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108719424A (zh) | 一种基于机器视觉的水产品分类方法及*** | |
Kılıç et al. | A classification system for beans using computer vision system and artificial neural networks | |
CN109115785B (zh) | 一种铸件打磨质量检测方法、装置及其使用方法 | |
CN108287010B (zh) | 一种螃蟹多指标分级装置与方法 | |
CN109598715B (zh) | 基于机器视觉的物料粒度在线检测方法 | |
CN101907453B (zh) | 基于机器视觉的块状农产品尺寸在线测量方法与装置 | |
CN104256882B (zh) | 基于计算机视觉的烟丝中再造烟叶比例测定方法 | |
US20140168411A1 (en) | Shrimp processing system and methods | |
CN105009731B (zh) | 玉米考种方法及其*** | |
CN104198325B (zh) | 基于计算机视觉的烟丝中梗丝比例测定方法 | |
CN113145492A (zh) | 一种用于梨外观品质视觉分级方法及分级生产线 | |
CN107993203B (zh) | 一种家禽胴体影像分级方法及其分级*** | |
CN113820325B (zh) | 一种玉米籽粒直收含杂率和破碎率在线检测***及其方法 | |
Roseleena et al. | Assessment of palm oil fresh fruit bunches using photogrammetric grading system. | |
CN106370667A (zh) | 一种玉米籽粒品质视觉检测装置及方法 | |
CN104056789A (zh) | 一种胡萝卜缺陷的图像量化检测方法与分拣装置 | |
WO1998014046A1 (en) | Method and apparatus for the quality assessment of seed | |
JPS61107139A (ja) | 米粒品位測定装置 | |
Thinh et al. | Mango classification system based on machine vision and artificial intelligence | |
CN114378002A (zh) | 一种基于机器视觉的猴头菇分级***及分级方法 | |
Chao et al. | Design of a dual-camera system for poultry carcasses inspection | |
CN113245222B (zh) | 一种三七异物视觉实时检测分拣***及分拣方法 | |
CN115218790A (zh) | 棒材检测方法、装置和*** | |
WO2022041501A1 (zh) | 一种冻鱼分拣装置 | |
CN219460229U (zh) | 一种大黄鱼品质分级及残次品剔除的全自动分拣*** |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181102 |
|
RJ01 | Rejection of invention patent application after publication |