TW201822121A - 水果成熟度與品質優劣辨識系統及方法 - Google Patents
水果成熟度與品質優劣辨識系統及方法 Download PDFInfo
- Publication number
- TW201822121A TW201822121A TW105141200A TW105141200A TW201822121A TW 201822121 A TW201822121 A TW 201822121A TW 105141200 A TW105141200 A TW 105141200A TW 105141200 A TW105141200 A TW 105141200A TW 201822121 A TW201822121 A TW 201822121A
- Authority
- TW
- Taiwan
- Prior art keywords
- fruit
- data
- maturity
- color
- quality
- Prior art date
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本發明係揭露一種水果成熟度與品質優劣辨識系統及方法,其包括影像擷取模組、水果特徵資料庫、資訊處理模組及資訊輸出模組。水果特徵資料庫,建立有水果特徵資料,並於每一水果特徵資料設定有水果種類資料。資訊處理模組於該水果特徵資料庫辨識出與特徵影像之特徵符合的水果特徵資料,並讀取特徵符合的水果特徵資料所設定的水果種類資料後輸出一種水果種類訊號,再對水果所呈現的顏色進行成熟度的辨識與判斷,並依據判斷結果而輸出與水果之成熟度相應的品質辨識訊號,俾能由資訊輸出模組輸出作為使用者購買水果依據的水果品質資訊。
Description
本發明係有關一種水果成熟度與品質優劣辨識系統及方法,尤指一種可以輸出作為使用者購買水果依據之水果品質資訊的影像辨識技術。
按,在水果的成熟過程中,大多會散發出特有的香味。一般而言,此種香味可被視為水果成熟的特徵之一。舉例來說,例如蘋果、香蕉、鳳梨、香瓜以及楊桃等水果,其香氣愈濃則表示水果愈香甜。此外,未成熟的水果大多為綠色,綠色則是代表著水果葉綠素含量偏高所顯示的顏色。隨著成熟的過程,葉綠素會逐漸分解而呈現出黃、橙色的類胡蘿蔔素『如香蕉、柑桔、鳳梨、枇杷、木瓜等水果』;或是呈現出紅、紫色『如蘋果、葡葡、桃子、櫻桃、草莓』等顏色。由於某些水果顏色的深淺與甜度關係密切,顏色愈深表示甜度愈高;但是也有例外,例如綠色系水果(如青蘋果、綠色棗子、釋迦、西瓜、綠色甜瓜、芭樂;或是奇異果等水果)。
一般而言,水果的成熟度與水份含量是決定水果品質的關鍵重要因素。尤其是,當水果的水份含量愈高時,則表示該水果的重量比相同體積的水果顯得為更重,而且品質更好。再者,果實採收、貯藏及流通過程中成熟度決定了消費者的滿意程度,所以對水果成熟度進行檢測及控制就顯得相當的重要。目前水果成熟度檢測技術的研究得到了不斷的發 展,但是習知水果成熟度檢測技術絕大多數仍是採用有損傷的檢測方式,於此,則會使得水果的賣像不佳而影響到水果的價格。
有別於損傷的水果檢測方式,相關技術領域業者已然開發出一種如中國大陸第CN2763804號『水果成熟度檢測儀』所示的專利,其係採用光電方式來測量水果中的葉綠素含量,以判斷水果的成熟度為何?該專利雖說可以實現水果成熟度無損檢測儀應用;該專利並無影像辨識之機能能建置,故無法檢測出水果表面是否有損傷,除此之外,當水果是一種綠色系水果(如青蘋果、綠色棗子或是奇異果)時,則無法檢測出該水果的成熟度,以致造成水果檢測上的不便與困擾。
除此之外,另有一種如本國發明第I493189號『水果瘀傷自動檢視系統』所示的專利,其係以輸送單元運送受測蔬果通過預定之作業區域;並以光源產生單元朝作業區域照射預定波長之螢光激發光;再以影像擷取單元擷取作業區域之蔬果經光源產生單元之螢光激發光照射後的螢光影像;之後,再由影像處理單元接收影像訊號。該專利雖然可透過色彩空間轉換萃取影像亮度值搭配影像處理技術來達到水果瘀傷辨識之功效,惟,該專利並無水果熟成與水份含量辨識等機能建置,故無法檢測出水果的熟成度與水份含量為何,以致較容易誤買到熟成度不佳與水份含量過少的水果,因而造成水果檢測上的不便與困擾的情事產生。
有鑑於此,尚未有一種更為精準檢測水果成熟度與水份含量之技術的專利或論文被提出,而且基於相關產業的迫切需求之下,本發明人等乃經不斷的努力研發之下,終於研發出一套有別於上述習知技術與專利的本發明。
本發明第一目的,在於提供一種水果成熟度與品質優劣辨識系統及方法,主要是藉由影像辨識方式辨識出水果種類、成熟度及品質等資訊,以作為消費者構購買水果的依據。達成本發明第一目的採用之技術手段,係包括影像擷取模組、水果特徵資料庫、資訊處理模組及資訊輸出模組。水果特徵資料庫,建立有水果特徵資料,並於每一水果特徵資料設定有水果種類資料。資訊處理模組於該水果特徵資料庫辨識出與特徵影像之特徵符合的水果特徵資料,並讀取特徵符合的水果特徵資料所設定的水果種類資料後輸出一種水果種類訊號,再對水果所呈現的顏色進行成熟度的辨識與判斷,並依據判斷結果而輸出與水果之成熟度相應的品質辨識訊號。
本發明第二目的,在於提供一種可以更為精準地辨識出水果成熟度與品質的水果成熟度與品質優劣辨識系統及方法,主要是透過判定是否為綠色系水果而選擇以顏色感測或是顏色辨識方式來辨識該水果的成熟度與品質,藉以提升辨識水果成熟度與品質的精準度。達成本發明第二目的採用之技術手段,係包括一影像擷取模組、一水果特徵資料庫、一資訊處理模組、一資訊輸出模組、一與資訊處理模組訊號連結的成熟度特徵資料庫、一與資訊處理模組訊號連結的顏色資料庫及一顏色感測模組等技術特徵。影像擷取模組用以擷取水果的特徵影像。水果特徵資料庫建立有包含複數種不同的水果特徵資料,並於每一水果特徵資料設定有一水果種類資料。資訊處理模組係於水果特徵資料庫辨識出與特徵影像之特徵符合的水果特徵資料,並讀取特徵符合的水果特徵資料所設定的水果種類資料後輸出一種水果種類訊號,再對水果所呈現的顏色進行成熟度的辨識與判斷,並依據判斷結果而輸出與水果之成熟度相應的品質辨識訊號。資訊輸出模組接收水果種類資料訊號及品質辨識訊號後輸出為相應的水果種類 資訊及品質辨識資訊。其中,成熟度特徵資料庫包含複數種不同水果的水果種類子資料庫,每一水果種類子資庫料建立複數顏色特徵資料,並於每一顏色特徵資料設定有一品質辨識資料。當水果種類訊號產生時,資訊處理模組則辨識出水果是否為綠色系水果,水果非為綠色系水果時,資訊處理模組於成熟度特徵資料庫辨識出與特徵影像之顏色特徵符合的該顏色特徵資料,並將與顏色特徵資料對應的品質辨識資料輸出為品質辨識訊號。資訊處理模組訊號連結顏色感測模組,用以感測水果之葉綠素含量而產生顏色感測訊號,每一水果種類子資料庫建立有一顏色比對表,顏色比對表包含複數種顏色值,並於每一顏色值設定有一品質辨識資料;當水果種類訊號產生時,資訊處理模組則辨識出水果是否為綠色系水果,當水果為綠色系水果時,資訊處理模組則解讀顏色感測訊號後產生一相應的顏色值,並於對應水果種類子資料之顏色比對表中比對出與顏色值符合的品質辨識資料,再將品質辨識資料輸出為上述品質辨識訊號。
本發明第三目的,在於提供一種除了可以辨識出水果成熟度之外,並可辨識出水果水份含量以作為品質判斷依據的水果成熟度與品質優劣辨識系統及方法。達成本發明第三目的採用之技術手段,係包括一影像擷取模組、一水果特徵資料庫、一資訊處理模組、一資訊輸出模組、一與資訊處理模組訊號連結的成熟度特徵資料庫、一與資訊處理模組訊號連結的顏色資料庫及一顏色感測模組等技術特徵。影像擷取模組用以擷取水果的特徵影像。水果特徵資料庫建立有包含複數種不同的水果特徵資料,並於每一水果特徵資料設定有一水果種類資料。資訊處理模組係於水果特徵資料庫辨識出與特徵影像之特徵符合的水果特徵資料,並讀取特徵符合的水果特徵資料所設定的水果種類資料後輸出一種水果種類訊號,再對水果所呈現的顏色進行成熟度的辨識與判斷,並依據判斷結果而輸出與水果之成熟度相應的品質辨識訊號。資訊輸出模組接收水果種類資料訊號及 品質辨識訊號後輸出為相應的水果種類資訊及品質辨識資訊。其更包括一可供該影像擷取裝置設置其上的架體、一設於該架體下方的秤重計及一水份含量資料庫;該秤重計用以感測該水果的重量而產生一重量值;該水份含量資料庫建立有複數水份含量辨識資料及一秤重計影像,每一該水份含量辨識資料設定有一體積範圍值及一重量範圍值;該水份含量辨識資料包括高、中及低等至少三個水份含量等級;當該水果種類訊號產生時,該資訊處理模組則以該秤重計影像為體積比對的基準,以辨識出該特徵影像的體積值,再將已知之該重量值與該體積值代入該水份含量資料庫搜尋出符合的該水份含量辨識資料,並輸出相應的該品質辨識訊號至該資訊輸出模組中。
10‧‧‧影像擷取模組
20‧‧‧水果特徵資料庫
21‧‧‧成熟度特徵資料庫
210‧‧‧水果種類子資料庫
22‧‧‧顏色資料庫
23‧‧‧水份含量資料庫
30‧‧‧資訊處理模組
31‧‧‧深度學習模型
32‧‧‧第一藍牙模組
40‧‧‧資訊輸出模組
40a,50‧‧‧可攜式電子裝置
40b‧‧‧第二藍牙模組
60‧‧‧顏色感測模組
70‧‧‧架體
80‧‧‧秤重計
圖1係本發明具體架構的功能方塊示意圖。
圖2係本發明深度學習模型的訓練階段的實施示意圖。
圖3係本發明深度學習模型的運行預測階段的實施示意圖。
圖4係本發明於具體操作的實施示意圖。
圖5係本發明具體運作的另一種實施示意圖。
圖6係本發明具體操作之另一種實施的另一視角示意圖。
圖7係本發明具體運作的又一種實施示意圖。
為讓 貴審查委員能進一步瞭解本發明整體的技術特徵與達成本發明目的之技術手段,玆以具體實施例並配合圖式加以詳細說明:請配合參看圖1、4所示,為達成本發明第一目的之實 施例,係包括影像擷取模組10、水果特徵資料庫20、資訊處理模組30及資訊輸出模組40等技術特徵。影像擷取模組10用以擷取水果的特徵影像。水果特徵資料庫20建立有包含複數種不同的水果特徵資料,並於每一水果特徵資料設定有一水果種類資料。資訊處理模組30係於水果特徵資料庫20辨識出與特徵影像之特徵符合的水果特徵資料,並讀取特徵符合的水果特徵資料所設定的水果種類資料後輸出一種水果種類訊號,再對水果所呈現的顏色進行成熟度的辨識與判斷,並依據判斷結果而輸出與水果之成熟度相應的品質辨識訊號;接著,由資訊輸出模組40將水果種類訊號及品質辨識訊號輸出為相應的水果種類資訊(如香蕉、蘋果、鳳梨等不同的水果)及品質辨識資訊(如品質佳、品質普通以及品質不佳等資訊)。
承上所述,本實施例係以影像辨識分析出經過影像前處理後之特徵影像的特徵值,再於水果特徵資料庫20比對出與特徵值大致符合的(如辨形相似度約百分之七十以上)的特徵資料,並由特徵資料得到對應的水果種類;若是影像辨識成功率不高,則可提升辨形相似度,直到達到所需的影像辨識成功率為止。
請配合參看圖1、5及圖6所示,為達成本發明第二目的之實施例,係包括影像擷取模組10、水果特徵資料庫20、資訊處理模組30、資訊輸出模組40、與資訊處理模組30訊號連結的成熟度特徵資料庫21、與資訊處理模組30訊號連結的顏色資料庫22,及顏色感測模組60等技術特徵。影像擷取模組10用以擷取水果的特徵影像。水果特徵資料庫20建立有包含複數種水果特徵資料,並於每一水果特徵資料設定有一水果種類資料。資訊處理模組30係於水果特徵資料庫20辨識出與特徵影像之特徵符合的水果特徵資料,並讀取特徵符合的水果特徵資料所設定的水果種類資料後輸出一種水果種類訊號,再對水果所呈現的顏色進行成熟度的辨識與判斷,並依據判斷結果而輸出與水果之成熟度相應的品質辨識訊號。 資訊輸出模組40接收水果種類訊號及品質辨識訊號後輸出為相應的水果種類資訊及品質辨識資訊。其中,成熟度特徵資料庫21包含複數種不同水果的水果種類子資料庫210,每一水果種類子資料庫210建立複數顏色特徵資料,並於每一顏色特徵資料設定有一品質辨識資料。當水果種類訊號產生時,資訊處理模組30則辨識出水果是否為綠色系水果(如青蘋果、綠色棗子、釋迦、西瓜、綠色甜瓜、芭樂;或是奇異果等水果),當判斷水果非為綠色系水果時,資訊處理模組30則於成熟度特徵資料庫21辨識出與特徵影像之顏色特徵符合的顏色特徵資料,並讀取顏色特徵符合的顏色特徵資料所設定的品質辨識資料後輸出為上述的品質辨識訊號。
再者,請參看圖1、5及圖6所示的實施例中,影像擷取模組10、水果特徵資料庫20、資訊處理模組30及資訊輸出模組40係預先整合設置在一可攜式電子裝置50(例如智慧型手機;或是平板電腦)中,但是不以此為限;資訊處理模組30訊號連結用以感測水果之葉綠素含量而產生顏色感測訊號的顏色感測模組60(如光電式顏色感測器),於本實施例中,圖5、6所示之顏色感測模組60可以透過智慧型手機或是平板電腦內建的micro USB介面與資訊處理模組30訊號連結;此外,並於每一水果種類子資料庫210建立有一顏色比對表,此顏色比對表包含複數種顏色值,並於每一顏色值設定有一品質辨識資料(如品質佳、品質普通以及品質不佳);當水果種類訊號產生時,資訊處理模組30則辨識出水果是否為綠色系水果,當水果為綠色系水果時,資訊處理模組30則解讀顏色感測訊號後產生一相應的顏色值,並於對應水果種類子資料庫210之顏色比對表中比對出與顏色值符合的品質辨識資料,再將品質辨識資料輸出為上述品質辨識訊號。
請參看圖2~3所示,本發明辨識水果種類除了採用上述傳統影像辨識方式之外,亦可採用深度學習之影像辨識方式。具體來說, 本發明更包含一具備深度學習訓練功能以執行影像辨識的深度學習演算法,執行深度學習演算法則包含下列之步驟:
(a)訓練階段步驟,係建立一深度學習模型31,並於深度學習模型31輸入水果種類資料、顏色值資料、品質辨識資料及巨量的特徵影像,並由深度學習模型31測試影像辨識的正確率,再判斷影像辨識正確率是否足夠,當判斷結果為是,則將辨識結果輸出及儲存;當判斷結果為否,則使深度學習模型31自我修正學習。
(b)運行預測階段步驟,係深度學習模型31於深度學習模型31輸入水果種類資料、顏色值資料、品質辨識資料及即時擷取的特徵影像,並由深度學習模型31進行預測性影像辨識,以得到至少一個辨識結果的水果種類訊號及品質辨識訊號。
較佳的,上述深度學習演算法可以是一種卷積神經網路,係從影像擷取裝置10獲得特徵影像後,經過影像前處理(即預處理)、特徵擷取、特徵選擇,再到推理以及做出預測性辨識。另一方面,卷積神經網路的深度學習實質,是通過構建具有多個隱層的機器學習模型及海量訓練數據,來達到學習更有用的特徵,從而最終提升分類或預測的準確性。卷積神經網路利用海量訓練數據來學習特徵辨識,於此方能刻畫出數據的豐富內在訊息。由於卷積神經網路為一種權值共享的網路結構,所以除了可以降低網路模型的複雜度之外,並可減少權值的數量。此優點在網路的輸入是多維圖像時表現的更為明顯,使圖像可以直接作為網路的輸入,避免了傳統影像辨識演算法中複雜的特徵擷取與數據重建過程。物件分類方式幾乎都是基於統計特徵的,這就意味著在進行分辨前必須提取某些特徵。然而,顯式的特徵擷取並不容易,在一些應用問題中也並非總是可靠的。卷積神經網路可避免顯式的特徵取樣,隱式地從訓練數據中進行學習。這使得卷積神經網路明顯有別於其他基於神經網路的分類器,通過結構重組 和減少權值將特徵擷取功能融合進多層感知器。它可以直接處理灰度圖片,能夠直接用於處理基於圖像的分類。卷積網路較一般神經網路在圖像處理方面有如下優點:輸入圖像與網路的拓撲結構能很好的吻合;特徵擷取與模式分類同時進行,並同時在訓練中產生;權重共享可以減少網路的訓練參數,使神經網路結構變得更為簡單,適應性更強。
請配合參看圖1、7所示,為達成本發明第三目的之實施例,係包括影像擷取模組10、水果特徵資料庫20、資訊處理模組30、資訊輸出模組40、架體70及秤重計80等技術特徵。影像擷取模組10用以擷取水果的特徵影像。水果特徵資料庫20建立有包含複數種不同的水果特徵資料,並於每一水果特徵資料設定有一水果種類資料。資訊處理模組30係於水果特徵資料庫20辨識出與特徵影像之特徵符合的水果特徵資料,並讀取特徵符合的水果特徵資料所設定的水果種類資料後輸出一種水果種類訊號,再對水果所呈現的顏色進行成熟度的辨識與判斷,並依據判斷結果而輸出與水果之成熟度相應的品質辨識訊號,接著,由資訊輸出模組40將水果種類訊號及品質辨識訊號輸出為相應的水果種類資訊(如香蕉、蘋果、鳳梨等不同的水果)及品質辨識資訊(如品質佳、品質普通以及品質不佳)。架體70可供影像擷取模組10設置其上;秤重計80設於架體70下方,用以感測水果的重量而產生一重量值;水果特徵資料庫20包含一水份含量資料庫23,水份含量資料庫23建立有複數水份含量辨識資料及一秤重計影像(可由影像擷取模組預先拍攝),且每一水份含量辨識資料設定有一體積範圍值及一重量範圍值;至於水份含量辨識資料包括高、中及低等至少三個水份含量等級;當水果種類訊號產生時,資訊處理模組則以秤重計影像為體積比對的基準,以辨識出特徵影像的體積值,再將已知之重量值與體積值代入水份含量資料庫23中,以搜尋出符合的水份含量辨識資料,並輸出相應的品質辨識訊號至資訊輸出模組40中。
具體來說,當水份含量辨識資料為高等級且成熟度辨識判斷結果為成熟時,資訊處理模組30則輸出一種代表水果品質佳的品質辨識訊號至資訊輸出模組40;當水份含量辨識資料為中等級且成熟度辨識判斷結果為成熟時,資訊處理模組30則輸出一種代表水果品質普通的品質辨識訊號至資訊輸出模組40;當水份含量辨識資料為中等級且成熟度辨識判斷結果為未成熟時,資訊處理模組30則輸出一種代表水果品質不佳的品質辨識訊號至資訊輸出模組40;當水份含量辨識資料為低等級且成熟度辨識判斷結果為成熟;或未成熟時,資訊處理模組30則輸出一種代表水果品質不佳的品質辨識訊號至資訊輸出模組40。
再請配合參看圖1、7所示的實施例中,影像擷取模組10、水果特徵資料庫20及資訊處理模組30係設在架體70上,且資訊處理模組30電性連接一第一藍牙模組32;而資訊輸出模組40係為一種可攜式電子裝置40a(如智慧型手機或是平板電腦),此可攜式電子裝置40a內建有一第二藍牙模組40b;當水果種類訊號及品質辨識訊號產生時,資訊處理模組30則透過第一藍牙模組32將水果種類訊號及品質辨識訊號傳輸出去;另一方面,可攜式電子裝置40a則透過第二藍牙模組40b接收水果種類及品質辨識訊號,並由其顯示模組及音頻模組顯示或輸出為水果種類及品質辨識等資訊,於此,使用者即可透過可攜式電子裝置40a得知該水果的成熟度與品質為何?以作為是否購買水果的依據。
以上所述,僅為本發明之可行實施例,並非用以限定本發明之專利範圍,凡舉依據下列請求項所述之內容、特徵以及其精神而為之其他變化的等效實施,皆應包含於本發明之專利範圍內。本發明所具體界定於請求項之結構特徵,未見於同類物品,且具實用性與進步性,已符合發明專利要件,爰依法具文提出申請,謹請 鈞局依法核予專利,以維護本申請人合法之權益。
Claims (10)
- 一種水果成熟度與品質優劣辨識系統,其包括:至少一影像擷取模組,其用以擷取水果的特徵影像;一水果特徵資料庫,其建立有包含複數種水果特徵資料,並於每一該水果特徵資料設定有一水果種類資料;一資訊處理模組,其係於該水果特徵資料庫辨識出與該特徵影像之特徵符合的該水果特徵資料,並讀取特徵符合的該水果特徵資料所設定的水果種類資料後輸出一種水果種類訊號,再對該水果所呈現的顏色進行成熟度的辨識與判斷,並依據判斷結果而輸出與該水果之成熟度相應的品質辨識訊號;及一資訊輸出模組,其用以將該水果種類資料訊號及該品質辨識訊號後輸出為相應的水果種類資訊及品質辨識資訊。
- 如請求項1所述之水果成熟度與品質優劣辨識系統,其更包含一與該資訊處理模組訊號連結的成熟度特徵資料庫,該成熟度特徵資料庫包含複數水果種類子資料庫,每一該水果種類子資料庫建立有複數顏色特徵資料,並於每一該顏色特徵資料設定有一品質辨識資料。
- 如請求項2所述之水果成熟度與品質優劣辨識系統,其中,當該水果種類訊號產生時,該資訊處理模組則辨識出該水果是否為綠色系水果,當該水果非為綠色系水果時,該資訊處理模組於該成熟度特徵資料庫辨識出與該特徵影像之顏色特徵符合的該顏色特徵資料,並讀取顏色特徵符合的該顏色特徵資料所設定的該品質辨識資料後輸出為該品質辨識訊號。
- 如請求項1所述之水果成熟度與品質優劣辨識系統,其更包含一與該資訊處理模組訊號連結的顏色資料庫,該顏色資料庫包含複數種不同水果的水果種類子資料庫,每一該水果種類子資料庫建立有一顏色比對表, 該顏色比對表包含複數種顏色值,並於每一該顏色值設定有一品質辨識資料。
- 如請求項1所述之水果成熟度與品質優劣辨識系統,其更包含一與該資訊處理模組訊號連結的顏色感測模組,用以感測該水果之葉綠素含量而產生顏色感測訊號;當該水果種類訊號產生時,該資訊處理模組則辨識出該水果是否為綠色系水果,該水果為綠色系水果時,該資訊處理模組則解讀該顏色感測訊號後產生一相應的顏色值,並於對應該水果種類子資料之該顏色比對表中比對出與該顏色值符合的該品質辨識資料,再將該品質辨識資料輸出為該品質辨識訊號。
- 如請求項1所述之水果成熟度與品質優劣辨識系統,其更包含一具備深度學習訓練功能以執行影像辨識的深度學習演算法,執行該深度學習演算法則包含下列之步驟:一訓練階段步驟,係建立一深度學習模型,並於該深度學習模型輸入水果種類資料、顏色值資料、品質辨識資料及巨量的該特徵影像,並由該深度學習模型測試影像辨識的正確率,再判斷影像辨識正確率是否足夠,當判斷結果為是,則將辨識結果輸出及儲存;當判斷結果為否,則使該深度學習模型自我修正學習;及一運行預測階段步驟,係深度學習模型於該深度學習模型輸入該水果種類資料、該顏色值資料、該品質辨識資料及即時擷取的該特徵影像,並由該深度學習模型進行預測性影像辨識,以得到至少一個辨識結果的該水果種類訊號及該品質辨識訊號。
- 如請求項1所述之水果成熟度與品質優劣辨識系統,其更包括一可供該影像擷取模組設置其上的架體及一設於該架體下方的秤重計,該水果特徵資料庫包含一水份含量資料庫;該秤重計用以感測該水果的重量而產生一重量值;該水份含量資料庫建立有複數水份含量辨識資料及一秤重計 影像,該秤重計影像係以該影像擷取模組預先對該秤重計所擷取的影像;每一該水份含量辨識資料設定有一體積範圍值及一重量範圍值;該水份含量辨識資料包括高、中及低等至少三個水份含量等級;當該水果種類訊號產生時,該資訊處理模組則以該秤重計影像為體積比對的基準,以辨識出該特徵影像的體積值,再將已知之該重量值與該體積值代入該水份含量資料庫搜尋出符合的該水份含量辨識資料,並輸出相應的該品質辨識訊號至該資訊輸出模組中。
- 如請求項7所述之水果成熟度與品質優劣辨識系統,其中,當該水份含量辨識資料為該高等級且成熟度辨識判斷結果為成熟時,則輸出一種代表水果品質佳的該品質辨識訊號至該資訊輸出模組;當該水份含量辨識資料為該中等級且成熟度辨識判斷結果為成熟時,則輸出一種代表水果品質普通的該品質辨識訊號至該資訊輸出模組;當該水份含量辨識資料為該中等級且成熟度辨識判斷結果為未成熟時,則輸出一種代表水果品質不佳的該品質辨識訊號至該資訊輸出模組;當該水份含量辨識資料為該低等級且成熟度辨識判斷結果為成熟;或未成熟時,則輸出一種代表水果品質不佳的該品質辨識訊號至該資訊輸出模組。
- 一種水果成熟度與品質優劣辨識方法,其包括:提供至少一影像擷取模組、一水果特徵資料庫、一資訊處理模組及一資訊輸出模組;以該影像擷取模組擷取水果的特徵影像;於該水果特徵資料庫建立有包含複數種不同的水果特徵資料,並於每一該水果特徵資料設定有一水果種類資料;以該資訊處理模組於該水果特徵資料庫辨識出與該特徵影像之特徵符合的該水果特徵資料,並讀取特徵符合的該水果特徵資料所設定的水果種類資料後輸出一種水果種類訊號,再對該水果所呈現的顏色進行成熟度的 辨識與判斷,並依據判斷結果而輸出與該水果之成熟度相應的品質辨識訊號;及以該資訊輸出模組用以將該水果種類訊號及該品質辨識訊號後輸出為相應的水果種類資訊及品質辨識資訊。
- 如請求項9所述之水果成熟度與品質優劣辨識方法,其更包含一與該資訊處理模組訊號連結的成熟度特徵資料庫,該成熟度特徵資料庫包含複數種不同水果的水果種類子資料庫,每一該水果種類子資料建立複數顏色特徵資料,並於每一該顏色特徵資料設定有一品質辨識資料,當該水果種類訊號產生時,該資訊處理模組則於該成熟度特徵資料庫辨識出與該特徵影像之顏色特徵符合的該顏色特徵資料,並讀取顏色特徵符合的該顏色特徵資料所設定的該品質辨識資料後輸出為該品質辨識訊號。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105141200A TW201822121A (zh) | 2016-12-13 | 2016-12-13 | 水果成熟度與品質優劣辨識系統及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105141200A TW201822121A (zh) | 2016-12-13 | 2016-12-13 | 水果成熟度與品質優劣辨識系統及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW201822121A true TW201822121A (zh) | 2018-06-16 |
Family
ID=63258410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW105141200A TW201822121A (zh) | 2016-12-13 | 2016-12-13 | 水果成熟度與品質優劣辨識系統及方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TW201822121A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242342A (zh) * | 2018-09-29 | 2019-01-18 | 中国农业科学院农产品加工研究所 | 基于苹果原料指标预测苹果鲜食感官品质的方法 |
CN109639888A (zh) * | 2018-11-27 | 2019-04-16 | Oppo广东移动通信有限公司 | 电子装置、信息推送方法及相关产品 |
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 |
CN114169618A (zh) * | 2021-12-11 | 2022-03-11 | 广东工业大学 | 基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法 |
-
2016
- 2016-12-13 TW TW105141200A patent/TW201822121A/zh unknown
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242342A (zh) * | 2018-09-29 | 2019-01-18 | 中国农业科学院农产品加工研究所 | 基于苹果原料指标预测苹果鲜食感官品质的方法 |
CN109639888A (zh) * | 2018-11-27 | 2019-04-16 | Oppo广东移动通信有限公司 | 电子装置、信息推送方法及相关产品 |
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 |
CN114169618A (zh) * | 2021-12-11 | 2022-03-11 | 广东工业大学 | 基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法 |
CN114169618B (zh) * | 2021-12-11 | 2022-08-09 | 广东工业大学 | 基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11443417B2 (en) | System and method for hyperspectral image processing to identify object | |
US20210174495A1 (en) | System and method for hyperspectral image processing to identify foreign object | |
Li et al. | SSC and pH for sweet assessment and maturity classification of harvested cherry fruit based on NIR hyperspectral imaging technology | |
Chopra et al. | Efficient fruit grading system using spectrophotometry and machine learning approaches | |
TW201822121A (zh) | 水果成熟度與品質優劣辨識系統及方法 | |
CN113030001B (zh) | 一种水果糖度检测方法及*** | |
Wismadi et al. | Detecting the ripeness of harvest-ready dragon fruit using smaller VGGNet-like network | |
Septiarini et al. | Maturity grading of oil palm fresh fruit bunches based on a machine learning approach | |
Rafiq et al. | Application of computer vision system in food processing | |
Tata et al. | Real-time quality assurance of fruits and vegetables with artificial intelligence | |
CN112691939A (zh) | 果蔬品质智能感知分拣机器人*** | |
Ratha et al. | Papaya fruit maturity estimation using wavelet and ConvNET | |
Wang et al. | Extraction and classification of apple defects under uneven illumination based on machine vision | |
US20230143130A1 (en) | System and method for identifying fruit shelf life | |
Legaspi et al. | Tomato Ripeness and Size Classification Using Image Processing | |
Pourdarbani et al. | Comparison of 2D and 3D convolutional neural networks in hyperspectral image analysis of fruits applied to orange bruise detection | |
Sajitha et al. | Smart farming application using knowledge embedded-graph convolutional neural network (KEGCNN) for banana quality detection | |
Putra et al. | Feature Extraction for Quality Modeling of Malang Oranges on an Automatic Fruit Sorting System | |
Song et al. | A Swin transformer and MLP based method for identifying cherry ripeness and decay | |
Marin et al. | Image-based Fruit Recognition and Classification | |
Doan et al. | A Novel Mango Grading System Based on Image Processing and Machine Learning Methods | |
CN117037146A (zh) | 一种基于深度学习的果实品质无损评级方法、***及终端 | |
Manzoor et al. | A Review of Machine Learning and Deep Learning Techniques for Saffron Adulteration Prediction System | |
Yu et al. | Quality detection of watermelons and muskmelons using innovative nondestructive techniques: A comprehensive review of novel trends and applications | |
Thulaseedharan et al. | Camera Based Automated Quality Assessment of Fruits for a Smart Home |