CN111489329A - 一种基于互联网果园西红柿成熟度图像分析方法和分析*** - Google Patents
一种基于互联网果园西红柿成熟度图像分析方法和分析*** Download PDFInfo
- Publication number
- CN111489329A CN111489329A CN202010173692.5A CN202010173692A CN111489329A CN 111489329 A CN111489329 A CN 111489329A CN 202010173692 A CN202010173692 A CN 202010173692A CN 111489329 A CN111489329 A CN 111489329A
- Authority
- CN
- China
- Prior art keywords
- tomato
- maturity
- picture
- internet
- image analysis
- 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
- 235000007688 Lycopersicon esculentum Nutrition 0.000 title claims abstract description 277
- 240000003768 Solanum lycopersicum Species 0.000 title claims abstract description 277
- 239000002420 orchard Substances 0.000 title claims abstract description 33
- 238000003703 image analysis method Methods 0.000 title claims abstract description 17
- 238000004458 analytical method Methods 0.000 title claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000010191 image analysis Methods 0.000 claims abstract description 14
- 241001522301 Apogonichthyoides nigripinnis Species 0.000 claims description 14
- 239000003086 colorant Substances 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 239000012535 impurity Substances 0.000 claims description 5
- 239000007788 liquid Substances 0.000 claims description 5
- 238000000034 method Methods 0.000 abstract description 14
- 238000012545 processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000012351 Integrated analysis Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Apparatuses For Bulk Treatment Of Fruits And Vegetables And Apparatuses For Preparing Feeds (AREA)
Abstract
本发明提出一种基于互联网果园西红柿成熟度图像分析方法和分析***,涉及大数据图像处理技术领域。该方法包括:通过将拍摄的西红柿图片中各西红柿展露面积的对称中心作为靶心,获取靶心周围的渐变色变化;再根据渐变色变化和预设的曲角计算矩阵,对各西红柿进行立体建模;随后,获取各个西红柿的大小数据和渐变色数据,并将各个西红柿的大小数据和渐变色数据逐个导入至成熟度算法中,从而计算出成熟度;通过图像对比,与第一西红柿图片相似度高于第二预设值的其他西红柿图片的西红柿不进行成熟度分析直接采摘;实现了对西红柿的成熟度进行集体式分析,并根据互联网有效减少了对其他西红柿的成熟度分析。
Description
技术领域
本发明涉及大数据图像处理技术领域,特别是一种基于互联网果园西红柿成熟度图像分析方法和分析***。
背景技术
西红柿,又称番茄,西红柿作为果蔬其生长周期时间一般为110天至170天,成熟后必须及时采摘,劳动力短缺、西红柿采摘复杂性和劳动强度已经成为制约西红柿种植业发展的重要因素,为了提高西红柿采摘效率,国内外很多企业或是大学研制出了各种西红柿采摘机械设备,通过西红柿采摘机械设备实现西红柿成熟后的自动采摘;
但目前存在西红柿采摘设备判断西红柿是否成熟阶段存在问题,往往不能准确判断西红柿的成熟情况,导致西红柿采摘设备采摘未成熟的西红柿。
发明内容
本发明实施例为解决的上述技术问题,提供一种基于互联网果园西红柿成熟度图像分析方法和分析***,精准确定西红柿的成熟度,以根据成熟度对西红柿进行采摘,有效的实现了防止西红柿采摘设备对未成熟的西红柿进行采摘的效果。
为了解决上述技术问题,本发明实施例所述的一种基于互联网果园西红柿成熟度图像分析方法和分析***,采用了如下所述的技术方案:
一种基于互联网果园西红柿成熟度图像分析***,包括:
摄像单元,用于获取拍摄的西红柿图片;
色彩单元,用于将所述西红柿图片中各西红柿展露面积的对称中心作为靶心,获取所述靶心周围的渐变色变化;
建模单元,用于根据所述渐变色变化和预设的曲角计算矩阵,对各西红柿进行立体建模;
获取单元,用于根据建模,获取各个西红柿的大小数据和渐变色数据;
计算单元,用于将所述各个西红柿的大小数据和渐变色数据逐个导入至成熟度算法中,计算出各个西红柿的成熟度;
上传单元,用于将所述成熟度高于第一预设值的成熟西红柿图片上传至互联网中;
对比单元,用于通过图像对比,与所述成熟西红柿图片相似度高于第二预设值的其他西红柿图片的西红柿不进行成熟度分析直接采摘。
进一步地,所述分析***还包括:
过滤单元,用于对所述西红柿图片中各西红柿进行杂质颜色和液体颜色的过滤。
进一步地,预设于所述建模单元中的曲角计算矩阵为:
其中,u为高光系数,w为阴影系数,θ为曲角系数,v为靶心周围但不延边的区域面积。
进一步地,预设于计算单元的成熟度算法为:
S=1/2La+1/2Da;
其中,S为成熟度,La为渐变色数据,Da为大小数据。
进一步地,所述摄像单元包括第一摄像模块和第二摄像模块;
通过所述第一摄像模块和第二摄像模块的对立摄像,同时获取所述第一西红柿图片和第二西红柿图片。
本发明还提出一种基于互联网果园西红柿成熟度图像分析方法,包括:
获取拍摄的西红柿图片;
将所述西红柿图片中各西红柿展露面积的对称中心作为靶心,获取所述靶心周围的渐变色变化;
根据所述渐变色变化和预设的曲角计算矩阵,对各西红柿进行立体建模;
根据建模,获取各个西红柿的大小数据和渐变色数据;
将所述各个西红柿的大小数据和渐变色数据逐个导入至成熟度算法中,计算出各个西红柿的成熟度;
将所述成熟度高于第一预设值的成熟西红柿图片上传至互联网中;
通过图像对比,与所述成熟西红柿图片相似度高于第二预设值的其他西红柿图片的西红柿不进行成熟度分析直接采摘。
进一步地,所述获取所述靶心周围的渐变色变化的步骤之前,包括:
对所述西红柿图片中各西红柿进行杂质颜色和液体颜色的过滤。
进一步地,所述曲角计算矩阵为:
其中,u为高光系数,w为阴影系数,θ为曲角系数,v为靶心周围但不延边的区域面积。
进一步地,所述成熟度算法为:
S=1/2La+1/2Da;
其中,S为成熟度,La为渐变色数据,Da为大小数据。
进一步地,所述西红柿图片包括第一西红柿图片和第二西红柿图片,所述获取拍摄的西红柿图片的步骤,包括
对立摄像,同时获取所述第一西红柿图片和第二西红柿图片。
与现有技术相比,本发明实施例主要有以下有益效果:
通过将拍摄的西红柿图片中各西红柿展露面积的对称中心作为靶心,获取靶心周围的渐变色变化;再根据渐变色变化和预设的曲角计算矩阵,对各西红柿进行立体建模;随后,获取各个西红柿的大小数据和渐变色数据,并将各个西红柿的大小数据和渐变色数据逐个导入至成熟度算法中,从而计算出成熟度;将成熟度高于第一预设值的第一西红柿图片上传至互联网中;通过图像对比,与第一西红柿图片相似度高于第二预设值的其他西红柿图片的西红柿不进行成熟度分析直接采摘;通过上述的基于互联网果园西红柿成熟度图像分析方法,实现了对西红柿的成熟度进行集体式分析,并根据互联网有效减少了对其他西红柿的成熟度分析。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中所述基于互联网果园西红柿成熟度图像分析***的一结构框图
图2为本发明实施例中所述基于互联网果园西红柿成熟度图像分析***对标西红柿图片中个西红柿展露面积作为靶心的原理图;
图3为本发明实施例中所述基于互联网果园西红柿成熟度图像分析***中建模单元3根据预设的曲角计算矩阵进行建模的原理示意图;
图4为本发明实施例中所述基于互联网果园西红柿成熟度图像分析方法的流程示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“包括”、“包含”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。在本发明的权利要求书、说明书以及说明书附图中的术语,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体/操作/对象与另一个实体/操作/对象区分开来,而不一定要求或者暗示这些实体/操作/对象之间存在任何这种实际的关系或者顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其他实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其他实施例相结合。
为了使本技术领域的人员更好地理解本发明的方案,下面将结合本发明实施例中的相关附图,对本发明实施例中的技术方案进行清楚、完整地描述。
参考附图1,为本发明提出的基于互联网果园西红柿成熟度图像分析***的结构框图;
基于互联网果园西红柿成熟度图像分析***,包括:
摄像单元1,用于获取拍摄的西红柿图片;
通过摄像单元1对果园中的西红柿进行拍摄,以获取西红柿图片;可以理解,西红柿图片中至少拍摄有一个西红柿,一般情况下,西红柿图片中拍摄有5~10个西红柿。
在一个优选的实施例中,摄像单元1包括第一摄像模块和第二摄像模块,西红柿图片包括第一西红柿图片和第二西红柿图片;通过第一摄像模块和第二摄像模块的对立摄像,同时获取第一西红柿图片和第二西红柿图片;
上述的第一西红柿图片和第二西红柿图片为对立面拍摄的两张图片,即可以理解是第一西红柿图片是主视图,则第二西红柿图片是后视图,通过第一西红柿图片和第二西红柿图片,为后续的构建西红柿建模提升了精准性。
色彩单元2,用于将西红柿图片中各西红柿展露面积的对称中心作为靶心,获取靶心周围的渐变色变化;
参考附图2,为对标西红柿图片中个西红柿展露面积作为靶心的原理图,色彩单元2通过折叠法确定西红柿图片中个西红柿展露面积的靶心,具体为:
确定西红柿展露面积,可以理解,在一个西红柿图片中具有多个西红柿,不可避免的会存在一个西红柿部分遮挡另一个西红柿的情况,因此色彩单元2确定未被遮挡的西红柿展露面积和完全未被遮挡的西红柿展露面积,若一个西红柿完全被遮挡,则根据上述的第一西红柿图片和第二西红柿图片进行判定,有效解决误判的问题。
对西红柿展露面积的图片分别进行上下折叠和/或左右折叠等多次折叠,确定出一个对称中心的容错范围;
将靶心对标于容错范围中。
在确定好西红柿图片中各西红柿的靶心后,色彩单元2进行渐变色的分析,具体为:
以靶心为渐变起点,分别根据靶心上方、靶心上右方、靶心右方、靶心右下方、靶心下方、靶心下左方、靶心左方和靶心左上方进行渐变色获取,从而获取到八个渐变色变化,既可以理解,上述的靶心周围则是上述的靶心八方向。
建模单元3,用于根据渐变色变化和预设的曲角计算矩阵,对各西红柿进行立体建模;
由上述可知,西红柿图片包括第一西红柿图片和第二西红柿图片,则获取的渐变色变化应包括第一西红柿图片的八个渐变色变化和第二西红柿图片的八个渐变色变换;另外,西红柿图片中存在的一些被遮挡的西红柿大小不好辨认,从而无法准确确认西红柿大小数据。上述的曲角计算矩阵为:
其中,u为高光系数,w为阴影系数,θ为曲角系数,v为靶心周围但不延边的区域面积。
通过高光的亮度与阴影的深度,能够精准的确定转角的角度。
参考附图3,为建模单元3根据预设的曲角计算矩阵进行建模的原理示意图,进行立体建模的过程为:
确定好第一西红柿图片和第二西红柿图片中各西红柿的展露面积,及其对应的靶心,将曲角计算矩阵映射于靶心中,即是v2+(1-v2)cosθ与靶心重合;
根据曲角计算矩阵除v2+(1-v2)cosθ剩余的算法,确定出西红柿边沿的转角角度,从而构建出西红柿立体建模。
获取单元4,用于根据建模,获取各个西红柿的大小数据和渐变色数据;
可以理解,在西红柿的建模完成后,获取单元4简单获取各个西红柿的大小数据和渐变色数据。
计算单元5,用于将各个西红柿的大小数据和渐变色数据逐个导入至成熟度算法中,计算出各个西红柿的成熟度;
预设于计算单元5的成熟度算法为:
S=1/2La+1/2Da;
其中,S为成熟度,La为渐变色数据,Da为大小数据。
可以理解,渐变色数据与大小数据各占权重50%;La的值通过比对上述靶心上方、靶心上右方、靶心右方、靶心右下方、靶心下方、靶心下左方、靶心左方和靶心左上方的渐变色以确定;Da的值则以西红柿的一面面积确定;
确定La值的具体方法是:
从各个渐变色中确定出与正红色最接近的一个渐变,视为峰值渐变色;
采用图像识别,将峰值渐变色分别与其他方位的渐变色进行比对,例如,靶心上方比靶心上右方等,从而得到多个相似度,取平均值后得出La。
上传单元6,用于将成熟度高于第一预设值的成熟西红柿图片上传至互联网中;
对比单元7,用于通过图像对比,与成熟西红柿图片相似度高于第二预设值的其他西红柿图片的西红柿不进行成熟度分析直接采摘。
通过上述上传单元6与对比单元7,实现避免分析***进行多次西红柿成熟度分析的效果。
在一个实施例中,分析***还包括:
过滤单元,用于对西红柿图片中各西红柿进行杂质颜色和液体颜色的过滤。
参考附图4,为本发明提出的一种基于互联网果园西红柿成熟度图像分析方法的流程示意图;
基于互联网果园西红柿成熟度图像分析方法,包括:
S1,获取拍摄的西红柿图片;
对果园中的西红柿进行拍摄,以获取西红柿图片;可以理解,西红柿图片中至少拍摄有一个西红柿,一般情况下,西红柿图片中拍摄有5~10个西红柿。
在一个优选的实施例中,西红柿图片包括第一西红柿图片和第二西红柿图片;通过对立摄像,同时获取第一西红柿图片和第二西红柿图片;
上述的第一西红柿图片和第二西红柿图片为对立面拍摄的两张图片,即可以理解是第一西红柿图片是主视图,则第二西红柿图片是后视图,通过第一西红柿图片和第二西红柿图片,为后续的构建西红柿建模提升了精准性。
S2,将西红柿图片中各西红柿展露面积的对称中心作为靶心,获取靶心周围的渐变色变化;
通过折叠法确定西红柿图片中个西红柿展露面积的靶心,具体为:
确定西红柿展露面积,可以理解,在一个西红柿图片中具有多个西红柿,不可避免的会存在一个西红柿部分遮挡另一个西红柿的情况,确定未被遮挡的西红柿展露面积和完全未被遮挡的西红柿展露面积,若一个西红柿完全被遮挡,则根据上述的第一西红柿图片和第二西红柿图片进行判定,有效解决误判的问题。
对西红柿展露面积的图片分别进行上下折叠和/或左右折叠等多次折叠,确定出一个对称中心的容错范围;
将靶心对标于容错范围中。
在确定好西红柿图片中各西红柿的靶心后,进行渐变色的分析,具体为:
以靶心为渐变起点,分别根据靶心上方、靶心上右方、靶心右方、靶心右下方、靶心下方、靶心下左方、靶心左方和靶心左上方进行渐变色获取,从而获取到八个渐变色变化,既可以理解,上述的靶心周围则是上述的靶心八方向。
S3,根据渐变色变化和预设的曲角计算矩阵,对各西红柿进行立体建模;
由上述可知,西红柿图片包括第一西红柿图片和第二西红柿图片,则获取的渐变色变化应包括第一西红柿图片的八个渐变色变化和第二西红柿图片的八个渐变色变换;另外,西红柿图片中存在的一些被遮挡的西红柿大小不好辨认,从而无法准确确认西红柿大小数据。上述的曲角计算矩阵为:
其中,u为高光系数,w为阴影系数,θ为曲角系数,v为靶心周围但不延边的区域面积。
通过高光的亮度与阴影的深度,能够精准的确定转角的角度。
进行立体建模的过程为:
确定好第一西红柿图片和第二西红柿图片中各西红柿的展露面积,及其对应的靶心,将曲角计算矩阵映射于靶心中,即是v2+(1-v2)cosθ与靶心重合;
根据曲角计算矩阵除v2+(1-v2)cosθ剩余的算法,确定出西红柿边沿的转角角度,从而构建出西红柿立体建模。
S4,根据建模,获取各个西红柿的大小数据和渐变色数据;
可以理解,在西红柿的建模完成后,简单获取各个西红柿的大小数据和渐变色数据。
S5,将各个西红柿的大小数据和渐变色数据逐个导入至成熟度算法中,计算出各个西红柿的成熟度;
上述成熟度算法为:
S=1/2La+1/2Da;
其中,S为成熟度,La为渐变色数据,Da为大小数据。
可以理解,渐变色数据与大小数据各占权重50%;La的值通过比对上述靶心上方、靶心上右方、靶心右方、靶心右下方、靶心下方、靶心下左方、靶心左方和靶心左上方的渐变色以确定;Da的值则以西红柿的一面面积确定;
确定La值的具体方法是:
从各个渐变色中确定出与正红色最接近的一个渐变,视为峰值渐变色;
采用图像识别,将峰值渐变色分别与其他方位的渐变色进行比对,例如,靶心上方比靶心上右方等,从而得到多个相似度,取平均值后得出La。
S6,将成熟度高于第一预设值的成熟西红柿图片上传至互联网中;
S7,通过图像对比,与成熟西红柿图片相似度高于第二预设值的其他西红柿图片的西红柿不进行成熟度分析直接采摘。
具体的,通过上述步骤S6和S7,实现避免分析***进行多次西红柿成熟度分析的效果。
综上所述,通过将拍摄的西红柿图片中各西红柿展露面积的对称中心作为靶心,获取靶心周围的渐变色变化;再根据渐变色变化和预设的曲角计算矩阵,对各西红柿进行立体建模;随后,获取各个西红柿的大小数据和渐变色数据,并将各个西红柿的大小数据和渐变色数据逐个导入至成熟度算法中,从而计算出成熟度;将成熟度高于第一预设值的第一西红柿图片上传至互联网中;通过图像对比,与第一西红柿图片相似度高于第二预设值的其他西红柿图片的西红柿不进行成熟度分析直接采摘;通过上述的基于互联网果园西红柿成熟度图像分析方法,实现了对西红柿的成熟度进行集体式分析,并根据互联网有效减少了对其他西红柿的成熟度分析。
显然,以上所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,附图中给出了本发明的较佳实施例,但并不限制本发明的专利范围。本发明可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,以及凡是利用本发明说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本发明专利保护范围之内。
Claims (10)
1.一种基于互联网果园西红柿成熟度图像分析***,其特征在于,包括:
摄像单元,用于获取拍摄的西红柿图片;
色彩单元,用于将所述西红柿图片中各西红柿展露面积的对称中心作为靶心,获取所述靶心周围的渐变色变化;
建模单元,用于根据所述渐变色变化和预设的曲角计算矩阵,对各西红柿进行立体建模;
获取单元,用于根据建模,获取各个西红柿的大小数据和渐变色数据;
计算单元,用于将所述各个西红柿的大小数据和渐变色数据逐个导入至成熟度算法中,计算出各个西红柿的成熟度;
上传单元,用于将所述成熟度高于第一预设值的成熟西红柿图片上传至互联网中;
对比单元,用于通过图像对比,与所述成熟西红柿图片相似度高于第二预设值的其他西红柿图片的西红柿不进行成熟度分析直接采摘。
2.根据权利要求1所述的基于互联网果园西红柿成熟度图像分析***,其特征在于,所述分析***还包括:
过滤单元,用于对所述西红柿图片中各西红柿进行杂质颜色和液体颜色的过滤。
4.根据权利要求1所述的基于互联网果园西红柿成熟度图像分析***,其特征在于,预设于计算单元的成熟度算法为:
S=1/2La+1/2Da;
其中,S为成熟度,La为渐变色数据,Da为大小数据。
5.根据权利要求1所述的基于互联网果园西红柿成熟度图像分析***,其特征在于,所述摄像单元包括第一摄像模块和第二摄像模块,所述西红柿图片包括第一西红柿图片和第二西红柿图片;
通过所述第一摄像模块和第二摄像模块的对立摄像,同时获取所述第一西红柿图片和第二西红柿图片。
6.一种基于互联网果园西红柿成熟度图像分析方法,其特征在于,包括:
获取拍摄的西红柿图片;
将所述西红柿图片中各西红柿展露面积的对称中心作为靶心,获取所述靶心周围的渐变色变化;
根据所述渐变色变化和预设的曲角计算矩阵,对各西红柿进行立体建模;
根据建模,获取各个西红柿的大小数据和渐变色数据;
将所述各个西红柿的大小数据和渐变色数据逐个导入至成熟度算法中,计算出各个西红柿的成熟度;
将所述成熟度高于第一预设值的成熟西红柿图片上传至互联网中;
通过图像对比,与所述成熟西红柿图片相似度高于第二预设值的其他西红柿图片的西红柿不进行成熟度分析直接采摘。
7.根据权利要求6所述的基于互联网果园西红柿成熟度图像分析方法,其特征在于,所述获取所述靶心周围的渐变色变化的步骤之前,包括:
对所述西红柿图片中各西红柿进行杂质颜色和液体颜色的过滤。
9.根据权利要求6所述的基于互联网果园西红柿成熟度图像分析方法,其特征在于,所述成熟度算法为:
S=1/2La+1/2Da;
其中,S为成熟度,La为渐变色数据,Da为大小数据。
10.根据权利要求6所述的基于互联网果园西红柿成熟度图像分析方法,其特征在于,所述西红柿图片包括第一西红柿图片和第二西红柿图片,所述获取拍摄的西红柿图片的步骤,包括
对立摄像,同时获取所述第一西红柿图片和第二西红柿图片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010173692.5A CN111489329B (zh) | 2020-03-13 | 2020-03-13 | 一种基于互联网果园西红柿成熟度图像分析方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010173692.5A CN111489329B (zh) | 2020-03-13 | 2020-03-13 | 一种基于互联网果园西红柿成熟度图像分析方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111489329A true CN111489329A (zh) | 2020-08-04 |
CN111489329B CN111489329B (zh) | 2024-03-22 |
Family
ID=71794387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010173692.5A Active CN111489329B (zh) | 2020-03-13 | 2020-03-13 | 一种基于互联网果园西红柿成熟度图像分析方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111489329B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167780A (zh) * | 2023-04-26 | 2023-05-26 | 浪潮云洲(山东)工业互联网有限公司 | 一种基于工业互联网的茶产品溯源方法、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2401624A2 (es) * | 2011-10-03 | 2013-04-23 | Universidad De Huelva | Dispositivo portatil para el reconocimiento de la madurez de frutos |
CN104597051A (zh) * | 2015-01-24 | 2015-05-06 | 无锡桑尼安科技有限公司 | 基于品种鉴别的西红柿成熟度检测*** |
CN105844264A (zh) * | 2015-05-19 | 2016-08-10 | 北京林业大学 | 一种基于受力的油用牡丹果实图像的识别方法 |
CN106454302A (zh) * | 2016-10-12 | 2017-02-22 | 中国农业大学 | 一种果蔬成熟度检测方法及装置 |
US20180012345A1 (en) * | 2016-07-05 | 2018-01-11 | Sharp Kabushiki Kaisha | Maturity determination device and maturity determination method |
CN109220226A (zh) * | 2018-10-31 | 2019-01-18 | 哈尔滨理工大学 | 果实自动识别分类及采摘的果园智能化*** |
CN109978822A (zh) * | 2019-02-15 | 2019-07-05 | 仲恺农业工程学院 | 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法 |
CN110736709A (zh) * | 2019-10-26 | 2020-01-31 | 苏州大学 | 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 |
-
2020
- 2020-03-13 CN CN202010173692.5A patent/CN111489329B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2401624A2 (es) * | 2011-10-03 | 2013-04-23 | Universidad De Huelva | Dispositivo portatil para el reconocimiento de la madurez de frutos |
CN104597051A (zh) * | 2015-01-24 | 2015-05-06 | 无锡桑尼安科技有限公司 | 基于品种鉴别的西红柿成熟度检测*** |
CN105844264A (zh) * | 2015-05-19 | 2016-08-10 | 北京林业大学 | 一种基于受力的油用牡丹果实图像的识别方法 |
US20180012345A1 (en) * | 2016-07-05 | 2018-01-11 | Sharp Kabushiki Kaisha | Maturity determination device and maturity determination method |
CN106454302A (zh) * | 2016-10-12 | 2017-02-22 | 中国农业大学 | 一种果蔬成熟度检测方法及装置 |
CN109220226A (zh) * | 2018-10-31 | 2019-01-18 | 哈尔滨理工大学 | 果实自动识别分类及采摘的果园智能化*** |
CN109978822A (zh) * | 2019-02-15 | 2019-07-05 | 仲恺农业工程学院 | 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法 |
CN110736709A (zh) * | 2019-10-26 | 2020-01-31 | 苏州大学 | 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 |
Non-Patent Citations (2)
Title |
---|
PENG WAN等: "A methodology for fresh tomato maturity detection using computer vision", pages 43 - 50 * |
郑雯轩: "番茄成熟度检测***研究", no. 10, pages 184 - 186 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167780A (zh) * | 2023-04-26 | 2023-05-26 | 浪潮云洲(山东)工业互联网有限公司 | 一种基于工业互联网的茶产品溯源方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111489329B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bulanon et al. | Development of a real-time machine vision system for the apple harvesting robot | |
CN112102409B (zh) | 目标检测方法、装置、设备及存储介质 | |
CN110119680A (zh) | 一种基于图像识别的电气柜接线自动查错*** | |
CN110008968B (zh) | 一种基于图像视觉的机器人结算自动触发方法 | |
CN105426828A (zh) | 人脸检测方法、装置及*** | |
CN110533654A (zh) | 零部件的异常检测方法及装置 | |
CN115661187B (zh) | 用于中药制剂分析的图像增强方法 | |
CN106971393A (zh) | 一种玉米籽粒的表型测量方法及*** | |
CN108389181A (zh) | 一种基于深度学习和法向图的零件缺陷检测和定位方法 | |
CN108416814A (zh) | 一种菠萝头部的快速定位与识别方法及*** | |
CN108805144A (zh) | 基于形态学矫正的弹孔识别方法及***、报靶设备 | |
CN109191461A (zh) | 一种基于机器视觉技术的土鸡蛋识别方法及识别装置 | |
CN107264570A (zh) | 钢轨光带分布检测装置与方法 | |
CN114519698A (zh) | 暗光环境下的设备漏油检测方法、装置、设备及存储介质 | |
CN113808153A (zh) | 番茄成熟检测方法、装置、计算机设备及存储介质 | |
CN111489329A (zh) | 一种基于互联网果园西红柿成熟度图像分析方法和分析*** | |
CN114529536A (zh) | 一种实木质量检测方法 | |
CN107037056A (zh) | 一种快速局部阈值分割的水果表面缺陷检测方法 | |
CN115108466A (zh) | 一种集装箱吊具智能定位的方法 | |
CN116993733B (zh) | 一种耳机套外形质量检测方法及*** | |
CN109146834A (zh) | 车辆定损方法及装置、计算机可读存储介质、终端 | |
CN111860035A (zh) | 图书封面检测方法、装置及存储介质和电子设备 | |
CN108830238A (zh) | 唇膏颜色自适应选择*** | |
CN114973321A (zh) | 一种生猪体尺视觉测量的特征点选取及测量方法 | |
CN107273804A (zh) | 基于支持向量机和深度特征的行人识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |