CN113793314A - 一种石榴成熟度鉴别设备及使用方法 - Google Patents
一种石榴成熟度鉴别设备及使用方法 Download PDFInfo
- Publication number
- CN113793314A CN113793314A CN202111066555.2A CN202111066555A CN113793314A CN 113793314 A CN113793314 A CN 113793314A CN 202111066555 A CN202111066555 A CN 202111066555A CN 113793314 A CN113793314 A CN 113793314A
- Authority
- CN
- China
- Prior art keywords
- pomegranate
- detection image
- mature
- current
- maturity
- 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
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
- G06T7/0012—Biomedical image inspection
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种石榴成熟度鉴别设备及使用方法,包括获取模块和计算机,所述获取模块包括箱体和摄像机,摄像机设置于箱体上壁,箱体内侧下部设置有自动旋转载物台,箱体内上部设置有LED补光灯;所述计算机包括计算模块和训练模块,计算模块分别与摄像机和训练模块电连接;获取模块的摄像机用于获取成熟石榴检测图像,还用于获取当前石榴检测图像;计算模块用于将成熟石榴检测图像以及当前石榴检测图像进行差分融合,以得到融合石榴检测图像;训练模块用于将融合石榴检测图像输入预设神经网络模型,以获得预设神经网络模型输出的石榴成熟程度;本发明提供石榴成熟度鉴别设备及鉴别检测的使用方法,提高石榴成熟度鉴别检测的准确性。
Description
技术领域
本发明属于石榴检测设备技术领域,特别涉及一种石榴成熟度鉴别设备及使用方法。
背景技术
在石榴种植中,石榴的成熟度检测鉴别非常关键,如果成熟度检测鉴别失误,会造成严重的经济损失,对于尚未成熟的石榴进行采摘,会导致采摘到的石榴难以销售,而如果对已经成熟的石榴未能鉴别为成熟,则会耽误最佳的采摘时间段,甚至导致石榴烂在农田里。因此,只有准确鉴别出石榴是否成熟,以最佳的时间段收获农产品,才能保证农业经营部门和农作人员的经济利益。
传统的石榴成熟度鉴别工作依赖于农作人员的历史经验,即凭借肉眼基于其观察到的石榴的颜色和状态来完成鉴别,仅凭借石榴的颜色判断石榴是否成熟,但是这种方式过于依赖有经验的人工、成本较高、风险较大、费时费力、判断效率和准确度也不高。一旦经验判断失误,会导致大面积未成熟的石榴提前上市,造成严重的经济损失。
因此,需要一种石榴成熟度鉴别设备及使用方法,既能替代传统的人工检测鉴别模式、采用电子仪器完成检测,又能提高石榴成熟度鉴别检测的准确性。
发明内容
本发明之目的在于提供一种石榴成熟度鉴别设备及使用方法,提供石榴成熟度鉴别设备及鉴别检测的使用方法,提高石榴成熟度鉴别检测的准确性。
为实现上述目的,本发明提供如下技术方案:一种石榴成熟度鉴别设备,包括获取模块和计算机,所述获取模块包括箱体和摄像机,摄像机设置于箱体上壁,箱体一侧铰接有箱门,箱体内侧下部设置有自动旋转载物台,箱体内上部设置有LED补光灯;所述计算机包括计算模块和训练模块,计算模块分别与摄像机和训练模块电连接;获取模块的摄像机用于获取成熟石榴检测图像,还用于获取当前石榴检测图像;计算模块用于将成熟石榴检测图像以及当前石榴检测图像进行差分融合,以得到融合石榴检测图像;训练模块用于将融合石榴检测图像输入预设神经网络模型,以获得预设神经网络模型输出的石榴成熟程度。
优选的,所述自动旋转载物台包括底板和减速电机,底板和减速电机安装于箱体下壁内侧,底板上侧转动连接有蜗轮,减速电机连接有蜗杆,蜗轮与蜗杆啮合,蜗轮上侧设置有平台,平台与蜗轮之间固定连接有立杆。
本发明还提供一种石榴成熟度鉴别设备的使用方法,包括:获取成熟石榴检测图像;获取当前石榴检测图像;将所述成熟石榴检测图像以及所述当前石榴检测图像进行差分融合,以得到融合石榴检测图像;将所述融合石榴检测图像输入预设神经网络模型,以获得所述预设神经网络模型输出的石榴成熟程度。
优选的,所述获取当前石榴检测图像的步骤之后,所述使用方法包括:获取所述预设神经网络模型设置的图像大小;根据所述图像大小对所述成熟石榴检测图像以及所述当前石榴检测图像进行裁剪;将裁剪后的所述成熟石榴检测图像以及裁剪后的所述当前石榴检测图像进行差分融合,以得到融合石榴检测图像。
优选的,所述根据所述图像大小对所述成熟石榴检测图像以及所述当前石榴检测图像进行裁剪的步骤,包括:采用预设语义分割算法获取所述成熟石榴检测图像以及所述当前石榴检测图像中石榴的位置信息;根据所述位置信息提取所述成熟石榴检测图像中的成熟石榴图像,以及所述当前石榴检测图像中的当前石榴图像。
优选的,采用预设语义分割算法获取所述成熟石榴检测图像中的位置信息,并将所述成熟石榴检测图像中的位置信息同时作为所述当前石榴检测图像中的位置信息;根据所述位置信息提取所述成熟石榴检测图像中的成熟石榴图像,以及所述当前石榴检测图像中的当前石榴图像。
优选的,所述将所述成熟石榴检测图像以及所述当前石榴检测图像进行差分融合,以得到融合石榴检测图像的步骤,包括:获取所述成熟石榴检测图像的像素值,以及所述当前石榴检测图像的像素值;将所述成熟石榴检测图像的像素值和所述当前石榴检测图像的像素值求差,得到所述融合石榴检测图像的像素值。
优选的,所述将所述融合石榴检测图像输入预设神经网络模型,以获得所述预设神经网络模型输出的石榴成熟程度的步骤,包括:将所述融合石榴检测图像输入所述预设神经网络模型,以获取所述预设神经网络模型输出的石榴变化特征;采用预设回归方法对所述石榴变化特征进行计算,以得到石榴成熟程度。
与现有技术相比,本发明的有益效果如下:
本发明获取模块采用密闭的箱体和LED补光灯,避免采集图像色差,保证图像采集的精确度;在密闭箱体内设置自动旋转载物台,便于石榴角度调整,操作方便,采集图像清晰,为实现石榴成熟度精准鉴别检测提供基础;
本发明通过获取模块获取当前石榴检测图像;将成熟石榴检测图像以及当前石榴检测图像进行差分融合,以得到融合石榴检测图像;将融合石榴检测图像输入预设神经网络模型,以获得预设神经网络模型输出的石榴成熟程度。本发明提供的石榴成熟度鉴别设备及使用方法通过图像差分融合的方式,降低鉴别误差,显著提高石榴成熟度鉴别检测的准确性。
附图说明
图1为本发明的结构示意图。
图2为本发明的连接框图。
图3为本发明的箱体内部结构示意图。
图4为本发明的第一实施例的流程示意图。
图5为本发明的第二实施例的流程示意图。
图6为本发明的第三实施例的流程示意图。
图7为本发明的第四实施例的流程示意图。
图中:1、获取模块,2、计算机,11、箱体,12、自动旋转载物台,13、LED补光灯,14、摄像机,15、箱门,121、底板,122、蜗轮,123、减速电机,124、蜗杆,125、平台,126、立杆,21、计算模块,22、训练模块。
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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-7,本发明提供一种石榴成熟度鉴别设备,一种石榴成熟度鉴别设备,包括获取模块1和计算机2,所述获取模块1包括箱体11和摄像机14,摄像机14设置于箱体11上壁,箱体11一侧铰接有箱门15,箱体11内侧下部设置有自动旋转载物台12,箱体11内上部设置有LED补光灯13;所述计算机2包括计算模块21和训练模块22,计算模块21分别与摄像机14和训练模块22电连接。
所述自动旋转载物台12包括底板121和减速电机123,底板121和减速电机123安装于箱体11下壁内侧,底板121上侧转动连接有蜗轮122,减速电机123连接有蜗杆124,蜗轮122与蜗杆124啮合,蜗轮122上侧设置有平台125,平台125与蜗轮122之间固定连接有立杆126。
本发明首先采用获取模块1获取石榴图像,打开箱门15,将石榴放在平台125上侧;关闭箱门15、屏蔽外界光源,并打开LED补光灯13,通过摄像机14采集石榴图像;当需要调整石榴角度时,启动减速电机123,减速电机123带动蜗杆124的旋转,蜗杆124带动蜗轮旋转122,蜗轮122带动平台125和石榴旋转,从而实现平台125和石榴的旋转改变角度,之后摄像机14采集石榴图像。
本发明中获取模块1的摄像机14用于获取成熟石榴检测图像,还用于获取当前石榴检测图像;计算模块21用于将成熟石榴检测图像以及当前石榴检测图像进行差分融合,以得到融合石榴检测图像;训练模块22用于将融合石榴检测图像输入预设神经网络模型,以获得预设神经网络模型输出的石榴成熟程度。
实施例1
如图4所示,本实施例提供一种石榴成熟度鉴别设备的使用方法,包括以下步骤:获取成熟石榴检测图像:选取成熟石榴,摄像机14获取成熟石榴检测图像。
获取当前石榴检测图像。将需要检测鉴别的石榴置入箱体11内的平台125上,摄像机14获取当前石榴检测图像。
获取模块1需要减少成熟石榴检测图像的影响,减少了石榴本身颜色深浅不一的影响。
计算模块21对成熟石榴检测图像以及当前石榴检测图像进行预处理,以使成熟石榴检测图像的形状、位置、图像大小以及当前石榴检测图像的形状、位置、图像大小一致,有效提高模型学习的效率和准确性。
计算模块21将成熟石榴检测图像以及当前石榴检测图像进行差分融合,以得到融合石榴检测图像。获取成熟石榴检测图像的像素值以及当前石榴检测图像的像素值,并将成熟石榴检测图像的像素值和当前石榴检测图像的像素值进行求差,得到融合石榴检测图像的像素值。
在获取成熟石榴检测图像的像素值以及当前石榴检测图像的像素值时,可以先判断成熟石榴检测图像的像素值以及当前石榴检测图像的像素值的格式是否一致,若不一致,则根据预设的图像格式进行转化,其中,预设的图像格式可以为RGB颜色格式。
将融合石榴检测图像输入预设神经网络模型,以获得预设神经网络模型输出的石榴成熟程度。
训练模块22将融合石榴检测图像输入预设的深度神经网络模型中,通过深度神经网络模型捕捉到石榴的变化特征后,根据石榴的变化特征进行回归,得到石榴的成熟程度数据。
选择不同时刻的图像差分融合后,输入到深度神经网络模型中去,能够很好地提高石榴成熟度识别方法的准确度。
本实施例通过图像差分融合的方式,减少成熟石榴检测图像对石榴成熟度识别的影响,减少成本。
实施例2
请参阅图5,本实施例提供一种石榴成熟度鉴别设备的使用方法,包括以下步骤:在所述获取当前石榴检测图像的步骤之后:获取预设神经网络模型设置的图像大小。
若将整张石榴检测图像作为神经网络模型的输入,会使得大量的冗余信息干扰模型的学习以及特征的提取。因此,可以获取预设神经网络模型设置的图像大小,作为对后续石榴检测图像处理的条件。
根据图像大小对成熟石榴检测图像以及当前石榴检测图像进行裁剪。
其中,由于在不改变神经网络模型大小的前提下,若预设神经网络模型设置的图像大小小于摄像机14拍摄的石榴检测图像的大小时,如果要输入整张成熟石榴检测图像和/或当前石榴检测图像,则需要整体缩小石榴检测图像的尺寸,从而降低了图像的分辨率。石榴检测图像中关于石榴的细节对于成熟度判断至关重要,因此,本实施例需要根据预设神经网络模型设置的图像大小对成熟石榴检测图像以及当前石榴检测图像进行裁剪。例如,将石榴检测图像中的单个石榴分割出来,则可以以石榴原图本身的分辨率作为输入神经网络模型的分辨率,保证了石榴的具体细节能够输入神经网络模型中,提高石榴成熟度识别方法准确度。
具体地,采用预设的语义分割算法获取成熟石榴检测图像以及当前石榴检测图像中石榴的位置信息,并根据石榴的位置信息提取成熟石榴检测图像中的成熟石榴图像,以及当前石榴检测图像中的当前石榴图像。本实施例采用的预设语义分割算法可以为Mask-RCNN,也可以其他分割算法,在此不再赘述。本申请对获取石榴的位置信息的方法不作限定,方法可以采用预设的语义分割算法将石榴图像从石榴检测图像中分割出来,也可以采用背景差分、目标检测等获取石榴的位置信息等。
在本实施例中,可以先提取成熟石榴检测图像中石榴的位置信息,并将该位置信息作为位置模板,然后直接将该位置模板应用于实时的当前石榴检测图像,从而提取当前石榴检测图像的当前石榴图像。通过这种方式,可以有效减低图像处理负荷,提高识别效率。在其他实施例中,也可以分别单独对成熟石榴检测图像和当前石榴检测图像进行位置信息的提取。
将裁剪后的成熟石榴检测图像以及裁剪后的当前石榴检测图像进行差分融合,以得到融合石榴检测图像。
实施例3
请继续参阅图6,本实施例提供一种石榴成熟度鉴别设备的使用方法,包括以下步骤:将融合石榴检测图像输入预设神经网络模型,以获取预设神经网络模型输出的石榴变化特征。
训练模块22将上述实施例获取的融合石榴检测图像输入预设神经网络模型中,以通过预设神经网络模型对融合石榴检测图像的石榴特征进行提取。
具体地,根据融合石榴检测图像分析两个对应位置石榴图像直接的颜色纹理变化以及两个对应位置石榴表皮形状变化,有利于关于石榴成熟程度的判断。
采用预设回归方法对石榴变化特征进行计算,以得到石榴成熟程度。
采用预设回归方法对S301提取的石榴变化特征进行计算,从而得到石榴成熟程度。本实施例的石榴成熟程度可以体现为石榴成熟等级,例如石榴成熟等级可以划分为0~9级,共10个等级,石榴成熟等级越高,石榴越趋向成熟。
实施例4
请参阅图7,本实施例提供一种石榴成熟度鉴别设备的使用方法,包括以下步骤:获取成熟石榴检测图像。
获取当前石榴检测图像。
获取预设神经网络模型设置的图像大小。
根据图像大小对成熟石榴检测图像以及当前石榴检测图像进行裁剪。
将裁剪后的成熟石榴检测图像以及裁剪后的当前石榴检测图像进行差分融合,以得到融合石榴检测图像。
将融合石榴检测图像输入预设神经网络模型,以获取预设神经网络模型输出的石榴变化特征。
采用预设回归方法对石榴变化特征进行计算,以得到石榴成熟程度。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种石榴成熟度鉴别设备,包括获取模块和计算机,其特征在于:所述获取模块包括箱体和摄像机,摄像机设置于箱体上壁,箱体一侧铰接有箱门,箱体内侧下部设置有自动旋转载物台,箱体内上部设置有LED补光灯;所述计算机包括计算模块和训练模块,计算模块分别与摄像机和训练模块电连接;获取模块的摄像机用于获取成熟石榴检测图像,还用于获取当前石榴检测图像;计算模块用于将成熟石榴检测图像以及当前石榴检测图像进行差分融合,以得到融合石榴检测图像;训练模块用于将融合石榴检测图像输入预设神经网络模型,以获得预设神经网络模型输出的石榴成熟程度。
2.根据权利要求1所述的石榴成熟度鉴别设备,其特征在于:所述自动旋转载物台包括底板和减速电机,底板和减速电机安装于箱体下壁内侧,底板上侧转动连接有蜗轮,减速电机连接有蜗杆,蜗轮与蜗杆啮合,蜗轮上侧设置有平台,平台与蜗轮之间固定连接有立杆。
3.一种如权利要求1或2所述的石榴成熟度鉴别设备的使用方法,其特征在于,包括:获取成熟石榴检测图像;获取当前石榴检测图像;将所述成熟石榴检测图像以及所述当前石榴检测图像进行差分融合,以得到融合石榴检测图像;将所述融合石榴检测图像输入预设神经网络模型,以获得所述预设神经网络模型输出的石榴成熟程度。
4.根据权利要求3所述的石榴成熟度鉴别设备的使用方法,其特征在于:所述获取当前石榴检测图像的步骤之后,所述使用方法包括:获取所述预设神经网络模型设置的图像大小;根据所述图像大小对所述成熟石榴检测图像以及所述当前石榴检测图像进行裁剪;将裁剪后的所述成熟石榴检测图像以及裁剪后的所述当前石榴检测图像进行差分融合,以得到融合石榴检测图像。
5.根据权利要求4所述的石榴成熟度鉴别设备的使用方法,其特征在于:所述根据所述图像大小对所述成熟石榴检测图像以及所述当前石榴检测图像进行裁剪的步骤,包括:采用预设语义分割算法获取所述成熟石榴检测图像以及所述当前石榴检测图像中石榴的位置信息;根据所述位置信息提取所述成熟石榴检测图像中的成熟石榴图像,以及所述当前石榴检测图像中的当前石榴图像。
6.根据权利要求5所述的石榴成熟度鉴别设备的使用方法,其特征在于:采用预设语义分割算法获取所述成熟石榴检测图像中的位置信息,并将所述成熟石榴检测图像中的位置信息同时作为所述当前石榴检测图像中的位置信息;根据所述位置信息提取所述成熟石榴检测图像中的成熟石榴图像,以及所述当前石榴检测图像中的当前石榴图像。
7.根据权利要求6所述的石榴成熟度鉴别设备的使用方法,其特征在于:所述将所述成熟石榴检测图像以及所述当前石榴检测图像进行差分融合,以得到融合石榴检测图像的步骤,包括:获取所述成熟石榴检测图像的像素值,以及所述当前石榴检测图像的像素值;将所述成熟石榴检测图像的像素值和所述当前石榴检测图像的像素值求差,得到所述融合石榴检测图像的像素值。
8.根据权利要求7所述的石榴成熟度鉴别设备的使用方法,其特征在于:所述将所述融合石榴检测图像输入预设神经网络模型,以获得所述预设神经网络模型输出的石榴成熟程度的步骤,包括:将所述融合石榴检测图像输入所述预设神经网络模型,以获取所述预设神经网络模型输出的石榴变化特征;采用预设回归方法对所述石榴变化特征进行计算,以得到石榴成熟程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111066555.2A CN113793314A (zh) | 2021-09-13 | 2021-09-13 | 一种石榴成熟度鉴别设备及使用方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111066555.2A CN113793314A (zh) | 2021-09-13 | 2021-09-13 | 一种石榴成熟度鉴别设备及使用方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113793314A true CN113793314A (zh) | 2021-12-14 |
Family
ID=78879945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111066555.2A Pending CN113793314A (zh) | 2021-09-13 | 2021-09-13 | 一种石榴成熟度鉴别设备及使用方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113793314A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103063585A (zh) * | 2013-01-05 | 2013-04-24 | 石河子大学 | 瓜果成熟度快速无损检测装置及检测***建立方法 |
WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
CN110826574A (zh) * | 2019-09-26 | 2020-02-21 | 青岛海尔智能技术研发有限公司 | 食材成熟度确定的方法、装置、厨电设备及服务器 |
CN110956217A (zh) * | 2019-12-06 | 2020-04-03 | 广东美的白色家电技术创新中心有限公司 | 食物成熟度识别方法、装置以及计算机存储介质 |
CN112418130A (zh) * | 2020-11-30 | 2021-02-26 | 华南农业大学 | 一种基于bp神经网络的香蕉成熟度检测方法及装置 |
CN112808603A (zh) * | 2020-12-22 | 2021-05-18 | 南京林业大学 | 基于RealSense相机的鲜切花分选装置及方法 |
CN112949704A (zh) * | 2021-02-24 | 2021-06-11 | 北京优创新港科技股份有限公司 | 一种基于图像分析的烟叶成熟度状态识别方法及装置 |
CN113192026A (zh) * | 2021-04-28 | 2021-07-30 | 北京林业大学 | 一种基于可见光图像的核桃成熟度检测与预测方法 |
-
2021
- 2021-09-13 CN CN202111066555.2A patent/CN113793314A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103063585A (zh) * | 2013-01-05 | 2013-04-24 | 石河子大学 | 瓜果成熟度快速无损检测装置及检测***建立方法 |
WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
CN110826574A (zh) * | 2019-09-26 | 2020-02-21 | 青岛海尔智能技术研发有限公司 | 食材成熟度确定的方法、装置、厨电设备及服务器 |
CN110956217A (zh) * | 2019-12-06 | 2020-04-03 | 广东美的白色家电技术创新中心有限公司 | 食物成熟度识别方法、装置以及计算机存储介质 |
CN112418130A (zh) * | 2020-11-30 | 2021-02-26 | 华南农业大学 | 一种基于bp神经网络的香蕉成熟度检测方法及装置 |
CN112808603A (zh) * | 2020-12-22 | 2021-05-18 | 南京林业大学 | 基于RealSense相机的鲜切花分选装置及方法 |
CN112949704A (zh) * | 2021-02-24 | 2021-06-11 | 北京优创新港科技股份有限公司 | 一种基于图像分析的烟叶成熟度状态识别方法及装置 |
CN113192026A (zh) * | 2021-04-28 | 2021-07-30 | 北京林业大学 | 一种基于可见光图像的核桃成熟度检测与预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103499585B (zh) | 基于机器视觉的非连续性锂电池薄膜缺陷检测方法及其装置 | |
CN104361314B (zh) | 基于红外与可见光图像融合的变电设备定位方法及装置 | |
CN103345617B (zh) | 中药识别的方法及其*** | |
CN107895376A (zh) | 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法 | |
CN108982514A (zh) | 一种铸件表面缺陷仿生视觉检测*** | |
CN106952258A (zh) | 一种基于梯度方向直方图的瓶口缺陷检测方法 | |
CN107748886B (zh) | 一种基于深度相机的轨道式现代标准化果园信息感知*** | |
CN112967285B (zh) | 一种基于深度学习的黄褐斑图像识别方法、***和装置 | |
CN103698341B (zh) | 一种棉花轧工质量检测***及棉花轧工质量图像检测方法 | |
CN110403232A (zh) | 一种基于二级算法的烟支质量检测方法 | |
CN110646425B (zh) | 一种烟叶在线辅助定级方法及*** | |
CN105891233A (zh) | 基于机器视觉的镜片表面缺陷智能检测***及其实现方法 | |
CN112184648A (zh) | 一种基于深度学习的活塞表面缺陷检测方法及*** | |
CN112907519A (zh) | 一种基于深度学习的金属曲面缺陷分析***及方法 | |
CN106483135A (zh) | 基于机器视觉的复杂背景下玉米粒检测识别装置及方法 | |
CN114255334B (zh) | 针对中药的形状特征采集装置、数据库以及鉴定*** | |
CN106841214A (zh) | 一种非接触式风电叶片风沙侵蚀程度检测方法 | |
CN109380146A (zh) | 生猪自动测量装置和方法 | |
CN112560896A (zh) | 一种基于图像处理的水果品质筛选分类*** | |
CN113569922A (zh) | 一种苹果智能无损分拣的方法 | |
CN104048966A (zh) | 一种基于大律法的布面疵点检测及分类方法 | |
CN106886758A (zh) | 基于三维姿态估计的昆虫识别装置及方法 | |
CN102680488B (zh) | 一种基于pca的块状农产品在线识别装置及方法 | |
CN113319013A (zh) | 一种基于机器视觉的苹果智能分拣的方法 | |
CN113793314A (zh) | 一种石榴成熟度鉴别设备及使用方法 |
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 |