CN111680738A - 一种用于苹果品质检测的筛选装置及其检测方法 - Google Patents

一种用于苹果品质检测的筛选装置及其检测方法 Download PDF

Info

Publication number
CN111680738A
CN111680738A CN202010494774.XA CN202010494774A CN111680738A CN 111680738 A CN111680738 A CN 111680738A CN 202010494774 A CN202010494774 A CN 202010494774A CN 111680738 A CN111680738 A CN 111680738A
Authority
CN
China
Prior art keywords
apple
screening
quality
apples
detection
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.)
Withdrawn
Application number
CN202010494774.XA
Other languages
English (en)
Inventor
王媛媛
石平
吴玉双
梁先龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Zhongqing Inspection And Detection Co ltd
Original Assignee
Anhui Zhongqing Inspection And Detection Co ltd
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 Anhui Zhongqing Inspection And Detection Co ltd filed Critical Anhui Zhongqing Inspection And Detection Co ltd
Priority to CN202010494774.XA priority Critical patent/CN111680738A/zh
Publication of CN111680738A publication Critical patent/CN111680738A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Sorting Of Articles (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种用于苹果品质检测的筛选装置及其检测方法，涉及农产品检测技术领域。本发明包括传送带、架设在传送带上方的筛选箱和云端服务器；传送带的输入端设置有限流装置；限流装置用于让传送带上的苹果依次排列进入到筛选箱中；云端服务器内部搭建有卷积神经网络模型；卷积神经网络模型能够对上传的苹果图像进行苹果品质等级检测，并将检测结果发送至单片机；筛选箱内部装设有多个拨片，拨片安装在传送带正上方，用于向不同方向拨送苹果。本发明通过卷积神经网络对苹果的品质等级进行检测分类，同一类的苹果再次通过对俯视图进行像素采集进行尺寸筛选，实现对苹果品质等级的分类，降低检测费用，节约成本，提高检测效率。

Description

一种用于苹果品质检测的筛选装置及其检测方法
技术领域
本发明属于农产品检测技术领域，特别是涉及一种用于苹果品质检测的筛选装置及其检测方法。
背景技术
我国是世界第一苹果生产大国，2015年全国苹果产量达到4300万吨。但我国的苹果在国际市场上大多数档次较低，而国内高档苹果市场也被国外苹果垄断，2015年进口苹果量激增50％，其中一个很重要的原因是我国对苹果分级检测投入不够，难以满足消费者对苹果品质越来越高的要求，导致苹果品种混杂、质量优劣不齐。
提升苹果竞争力需要从一般商品中挑选高品质的苹果。苹果的产后商品化处理有多个步骤，根据大小、成熟度和品性不同进行的分级是其中关键的环节，而正确分级的前提就是对苹果外部品质的高水平检测。
目前我国苹果外部品质检测多采用人工处理，品质的传统检测方法往往采用抽样化学检测，这些方法大多存在分析过程比较复杂、耗时长、检测费用高、技术条件复杂、难于实现即时监控及需要破坏样品等缺点。为实现苹果按照大小、颜色以及糖度等综合品质的快速、准确分级，有效提高消费者的满意度，提高中国苹果产品的附加值，提升我国苹果出口的价格和利润水平提升国际竞争力，急需开发新的苹果品质快速无损检测***。
近红外光谱技术作为一种无损检测手段被广泛用于测定农产品的品质等级，能够同时检测苹果的多个参数，但利用近红外光谱分析技术主要集中于目标局部信息分析，不适合成分不均匀目标检测，要实现整体目标检测要耗费较多时间。因此，现有苹果品质检测***难以同时实现外部图像信息与尺寸信息的检测。
发明内容
本发明的目的在于提供一种用于苹果品质检测的筛选装置及其检测方法，通过卷积神经网络对苹果的品质等级进行检测分类，同一类的苹果再次通过对俯视图进行像素采集进行尺寸筛选，解决了现有的苹果品质检测过程复杂、耗时长、检测费用高、技术条件苛刻的问题。
为解决上述技术问题，本发明是通过以下技术方案实现的：
本发明为一种用于苹果品质检测的筛选装置，包括传送带、架设在传送带上方的筛选箱和云端服务器；
所述传送带的输入端设置有限流装置；所述限流装置用于让传送带上的苹果依次排列进入到筛选箱中；
所述筛选箱内部多个位置均设置有高清摄像头和光源；所述高清摄像头内部设置有通讯模块，所述高清摄像头用于通过通讯模块将拍摄的苹果图像发送至云端服务器进行处理；所述筛选箱内部还设置有单片机；
所述云端服务器内部搭建有卷积神经网络模型；所述卷积神经网络模型能够对上传的苹果图像进行苹果品质等级检测，并将检测结果发送至单片机；所述单片机分别与光源和拨片连接；
所述筛选箱内部装设有多个拨片，所述拨片安装在传送带正上方，用于向不同方向拨送苹果。
进一步地，所述云端服务器包括苹果品质等级划分模块、图像预处理模块、卷积神经网络模型和品质等级匹配模块。
进一步地，所述单片机还与显示器连接；所述显示器固定在筛选箱(2)的外壁上。
一种用于苹果品质检测的筛选装置的检测方法，包括如下步骤：
步骤S1：选择各个品质等级的苹果进行样本图像采集，根据苹果品质等级检测的精度要求依次对苹果等级范围的图片进行类别标记，分别作为训练样本集和测试样本集；
步骤S2：搭建卷积神经网络模型，训练样本集数据训练并测试调整卷积神经网络模型；
步骤S3：传送带上运输需要检测的苹果进入筛选箱中；
步骤S4：高清摄像头进行图像拍摄预处理后，传入至训练好的卷积神经网络模型中；
步骤S5：经过卷积网络模型分类后，得到该图片属于哪个标签，得到该苹果对应的品质等级；
步骤S6：筛选箱接收该苹果品质等级对应的指令，通过单片机控制拨片将对应的苹果播送到对应的轨道。
进一步地，所述步骤S1中，各个品质等级的苹果通过高清摄像头拍摄的图像需要先进行预处理操作，预处理的具体流程如下：
步骤S11：消除苹果图像噪声获得灰度图像；
步骤S12：对二值图像进行直方图均衡处理；
步骤S13：对比度增强图片。
进一步地，所述步骤S2中，卷积神经网络模型依次由输入层、卷积层、池化层、卷积层、池化层、输出层组成；其中，输入层为训练数据,卷积层为特征提取层,池化层位于卷积层后，是一个二次提取的计算层；第二个池化层，即完成了对原始数据的特征提取后,把池化层的特征数据进行向量化，然后连接到分类器,经输出层输出类别结果。
进一步地，所述步骤S6中，相同品质的品质等级的被播送到对应轨道之后，还需要苹果尺寸的筛选，具体尺寸筛选步骤如下：
步骤S61：筛选箱内正上方的摄像头拍摄苹果的俯视图；
步骤S62：获取苹果俯视图中，去最远的两个像素之间的距离；
步骤S63：对俯视图像进行二值化处理，获得苹果的平面投影区域；
步骤S64：有数字图像区域与边缘分析方法计算苹果的几何尺度。
本发明具有以下有益效果：
(1)本发明通过采集大量品质等级的苹果作为卷积网络模型的训练样本集和测试样本集来搭建卷积神经网络模型，并在传送带上架设筛选箱来识别进入箱体的苹果，将卷积神经网络识别的结果反馈至单片机，单片机控制拨片将对应的苹果拨送到对应的轨道上，实现对苹果品质等级的分类，降低检测费用，节约成本，提高检测效率；
(2)本发明通过对拨片筛选的同一品质等级的苹果进行二次筛选，利用苹果的俯视图，采集最远的两个像素之间的距离来计算苹果的几何尺寸，来对苹果的品质等级更加精细的分类，提高检测效率。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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为本发明的一种用于苹果品质检测的筛选装置结构示意图；
图2为一种用于苹果品质检测的筛选装置的检测方法步骤图；
附图中，各标号所代表的部件列表如下：
1-传送带，2-筛选箱，3-云端服务器，4-限流装置。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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。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它实施例，都属于本发明保护的范围。
请参阅图1所示，本发明为一种用于苹果品质检测的筛选装置，包括传送带1、架设在传送带上方的筛选箱2和云端服务器3；
传送带1的输入端设置有限流装置4；限流装置4用于让传送带1上的苹果依次排列进入到筛选箱2中；
筛选箱2内部多个位置均设置有高清摄像头和光源；高清摄像头内部设置有通讯模块，高清摄像头用于通过通讯模块将拍摄的苹果图像发送至云端服务器进行处理；筛选箱2内部还设置有单片机；
云端服务器内部搭建有卷积神经网络模型；卷积神经网络模型能够对上传的苹果图像进行苹果品质等级检测，并将检测结果发送至单片机；单片机分别与光源和拨片连接；
筛选箱2内部装设有多个拨片，拨片安装在传送带1正上方，用于向不同方向拨送苹果；每一个拨片都对应一个传送带的支路，当待检测的评估进过该传送带支路口时，单片机会控制支路口的拨片将该苹果拨至到对应的支路上去。
其中，云端服务器包括苹果品质等级划分模块、图像预处理模块、卷积神经网络模型和品质等级匹配模块。
其中，单片机还与显示器连接；显示器固定在筛选箱2的外壁上。
请参阅图2所示，一种用于苹果品质检测的筛选装置的检测方法，包括如下步骤：
步骤S1：选择各个品质等级的苹果进行样本图像采集，根据苹果品质等级检测的精度要求依次对苹果等级范围的图片进行类别标记，分别作为训练样本集和测试样本集；
步骤S2：搭建卷积神经网络模型，训练样本集数据训练并测试调整卷积神经网络模型；
步骤S3：传送带上运输需要检测的苹果进入筛选箱中；
步骤S4：高清摄像头进行图像拍摄预处理后，传入至训练好的卷积神经网络模型中；
步骤S5：经过卷积网络模型分类后，得到该图片属于哪个标签，得到该苹果对应的品质等级；
步骤S6：筛选箱接收该苹果品质等级对应的指令，通过单片机控制拨片将对应的苹果播送到对应的轨道。
其中，步骤S1中，各个品质等级的苹果通过高清摄像头拍摄的图像需要先进行预处理操作，预处理的具体流程如下：
步骤S11：消除苹果图像噪声获得灰度图像；
步骤S12：对二值图像进行直方图均衡处理；
步骤S13：对比度增强图片。
其中，步骤S2中，卷积神经网络模型依次由输入层、卷积层、池化层、卷积层、池化层、输出层组成；其中，输入层为训练数据,卷积层为特征提取层,池化层位于卷积层后，是一个二次提取的计算层；第二个池化层，即完成了对原始数据的特征提取后,把池化层的特征数据进行向量化，然后连接到分类器,经输出层输出类别结果。
其中，步骤S6中，相同品质的品质等级的被播送到对应轨道之后，还需要苹果尺寸的筛选，具体尺寸筛选步骤如下：
步骤S61：筛选箱内正上方的摄像头拍摄苹果的俯视图；
步骤S62：获取苹果俯视图中，去最远的两个像素之间的距离；
步骤S63：对俯视图像进行二值化处理，获得苹果的平面投影区域；
步骤S64：有数字图像区域与边缘分析方法计算苹果的几何尺度；
在相同品质等级的情况下，苹果的个头大小也是影响价值的重要因素，因此，对拨片筛选的同一品质等级的苹果进行二次筛选，利用苹果的俯视图，采集最远的两个像素之间的距离来计算苹果的几何尺寸，来对苹果的品质等级更加精细的分类，提高检测效率的同时，能够最大满足消费者权利。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (7)

1.一种用于苹果品质检测的筛选装置，包括传送带(1)、架设在传送带上方的筛选箱(2)和云端服务器(3)，其特征在于：
所述传送带(1)的输入端设置有限流装置(4)；所述限流装置(4)用于让传送带(1)上的苹果依次排列进入到筛选箱(2)中；
所述筛选箱(2)内部多个位置均设置有高清摄像头和光源；所述高清摄像头内部设置有通讯模块，所述高清摄像头用于通过通讯模块将拍摄的苹果图像发送至云端服务器进行处理；所述筛选箱(2)内部还设置有单片机；
所述云端服务器内部搭建有卷积神经网络模型；所述卷积神经网络模型能够对上传的苹果图像进行苹果品质等级检测，并将检测结果发送至单片机；所述单片机分别与光源和拨片连接；
所述筛选箱(2)内部装设有多个拨片，所述拨片安装在传送带(1)正上方，用于向不同方向拨送苹果。
2.根据权利要求1所述的一种用于苹果品质检测的筛选装置，其特征在于，所述云端服务器包括苹果品质等级划分模块、图像预处理模块、卷积神经网络模型和品质等级匹配模块。
3.根据权利要求1所述的一种用于苹果品质检测的筛选装置，其特征在于，所述单片机还与显示器连接；所述显示器固定在筛选箱(2)的外壁上。
4.一种用于苹果品质检测的筛选装置的检测方法，其特征在于，包括如下步骤：
步骤S1：选择各个品质等级的苹果进行样本图像采集，根据苹果品质等级检测的精度要求依次对苹果等级范围的图片进行类别标记，分别作为训练样本集和测试样本集；
步骤S2：搭建卷积神经网络模型，训练样本集数据训练并测试调整卷积神经网络模型；
步骤S3：传送带上运输需要检测的苹果进入筛选箱中；
步骤S4：高清摄像头进行图像拍摄预处理后，传入至训练好的卷积神经网络模型中；
步骤S5：经过卷积网络模型分类后，得到该图片属于哪个标签，得到该苹果对应的品质等级；
步骤S6：筛选箱接收该苹果品质等级对应的指令，通过单片机控制拨片将对应的苹果播送到对应的轨道。
5.根据权利要求4所述的一种用于苹果品质检测的筛选装置的检测方法，其特征在于，所述步骤S1中，各个品质等级的苹果通过高清摄像头拍摄的图像需要先进行预处理操作，预处理的具体流程如下：
步骤S11：消除苹果图像噪声获得灰度图像；
步骤S12：对二值图像进行直方图均衡处理；
步骤S13：对比度增强图片。
6.根据权利要求4所述的一种用于苹果品质检测的筛选装置及其检测方法，其特征在于，所述步骤S2中，卷积神经网络模型依次由输入层、卷积层、池化层、卷积层、池化层、输出层组成；其中，输入层为训练数据,卷积层为特征提取层,池化层位于卷积层后，是一个二次提取的计算层；第二个池化层，即完成了对原始数据的特征提取后,把池化层的特征数据进行向量化，然后连接到分类器,经输出层输出类别结果。
7.根据权利要求4所述的一种用于苹果品质检测的筛选装置及其检测方法，其特征在于，所述步骤S6中，相同品质的品质等级的被播送到对应轨道之后，还需要苹果尺寸的筛选，具体尺寸筛选步骤如下：
步骤S61：筛选箱内正上方的摄像头拍摄苹果的俯视图；
步骤S62：获取苹果俯视图中，去最远的两个像素之间的距离；
步骤S63：对俯视图像进行二值化处理，获得苹果的平面投影区域；
步骤S64：有数字图像区域与边缘分析方法计算苹果的几何尺度。
CN202010494774.XA 2020-06-03 2020-06-03 一种用于苹果品质检测的筛选装置及其检测方法 Withdrawn CN111680738A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010494774.XA CN111680738A (zh) 2020-06-03 2020-06-03 一种用于苹果品质检测的筛选装置及其检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010494774.XA CN111680738A (zh) 2020-06-03 2020-06-03 一种用于苹果品质检测的筛选装置及其检测方法

Publications (1)

Publication Number Publication Date
CN111680738A true CN111680738A (zh) 2020-09-18

Family

ID=72434650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010494774.XA Withdrawn CN111680738A (zh) 2020-06-03 2020-06-03 一种用于苹果品质检测的筛选装置及其检测方法

Country Status (1)

Country Link
CN (1) CN111680738A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560896A (zh) * 2020-11-19 2021-03-26 安徽理工大学 一种基于图像处理的水果品质筛选分类***
CN112744439A (zh) * 2021-01-15 2021-05-04 湖南镭目科技有限公司 一种基于深度学习技术的废钢远程监控***
CN113624759A (zh) * 2021-08-09 2021-11-09 西安工程大学 一种基于机器学习的苹果无损检测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560896A (zh) * 2020-11-19 2021-03-26 安徽理工大学 一种基于图像处理的水果品质筛选分类***
CN112744439A (zh) * 2021-01-15 2021-05-04 湖南镭目科技有限公司 一种基于深度学习技术的废钢远程监控***
CN113624759A (zh) * 2021-08-09 2021-11-09 西安工程大学 一种基于机器学习的苹果无损检测方法

Similar Documents

Publication Publication Date Title
CN111680738A (zh) 一种用于苹果品质检测的筛选装置及其检测方法
CN109598715B (zh) 基于机器视觉的物料粒度在线检测方法
CN101661004B (zh) 一种基于支持向量机的电路板焊接质量视觉检测方法
CN109550712A (zh) 一种化纤丝尾丝外观缺陷检测***及方法
WO2023168972A1 (zh) 一种基于线阵相机的铜表面缺陷检测方法及装置
CN111784633A (zh) 一种面向电力巡检视频的绝缘子缺损自动检测算法
CN108680833B (zh) 基于无人机的复合绝缘子缺陷检测***
CN112893159B (zh) 一种基于图像识别的煤矸石分拣方法
CN107121436B (zh) 一种硅料品质的智能鉴别方法及鉴别装置
WO2021208423A1 (zh) 一种基于pca学习的显卡接口机器测试方法
CN106645180A (zh) 检查基板玻璃缺陷的方法、现场终端及服务器
CN110490842A (zh) 一种基于深度学习的带钢表面缺陷检测方法
CN105334224B (zh) 自动化质量检测云平台
CN109142368A (zh) 锂电池极片打皱检测方法及极耳焊接检测***
CN111008641A (zh) 一种基于卷积神经网络的输电线路杆塔外力破坏检测方法
CN112541427B (zh) 一种优质重型废钢的识别和料量评估方法
Puno et al. Quality Assessment of Mangoes using Convolutional Neural Network
CN114359235A (zh) 一种基于改进YOLOv5l网络的木材表面缺陷检测方法
CN112560896A (zh) 一种基于图像处理的水果品质筛选分类***
CN104952754A (zh) 基于机器视觉的镀膜后硅片分选方法
CN117055249A (zh) 一种液晶显示屏组装加工线抽样质检分析***
CN114708584A (zh) 基于大数据的卷烟产品质量缺陷防控学习***及方法
WO2021208424A1 (zh) 一种基于拉普拉斯特征映射学习的显卡接口机器测试方法
CN113487570A (zh) 基于改进的yolov5x网络模型的高温连铸坯表面缺陷检测方法
CN110991469B (zh) 一种水果可溶性固形物在线检测方法及***

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20200918