CN115365162B - 一种基于机器视觉的马铃薯分级装置及形状检测方法 - Google Patents
一种基于机器视觉的马铃薯分级装置及形状检测方法 Download PDFInfo
- Publication number
- CN115365162B CN115365162B CN202211004584.0A CN202211004584A CN115365162B CN 115365162 B CN115365162 B CN 115365162B CN 202211004584 A CN202211004584 A CN 202211004584A CN 115365162 B CN115365162 B CN 115365162B
- Authority
- CN
- China
- Prior art keywords
- potato
- discharging
- kinect camera
- conveyer belt
- mounting plate
- 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.)
- Active
Links
- 244000061456 Solanum tuberosum Species 0.000 title claims abstract description 209
- 235000002595 Solanum tuberosum Nutrition 0.000 title claims abstract description 209
- 238000001514 detection method Methods 0.000 title claims abstract description 78
- 230000007246 mechanism Effects 0.000 claims abstract description 153
- 238000007599 discharging Methods 0.000 claims abstract description 112
- 235000012015 potatoes Nutrition 0.000 claims abstract description 64
- 230000007306 turnover Effects 0.000 claims abstract description 41
- 210000000078 claw Anatomy 0.000 claims abstract description 39
- 238000005192 partition Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- 238000005096 rolling process Methods 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000008439 repair process Effects 0.000 claims description 4
- 230000007547 defect Effects 0.000 claims description 3
- 241000196324 Embryophyta Species 0.000 claims 1
- 238000012216 screening Methods 0.000 abstract description 5
- 239000012535 impurity Substances 0.000 abstract description 3
- 208000028659 discharge Diseases 0.000 description 14
- 238000011068 loading method Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000009434 installation Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 230000007797 corrosion Effects 0.000 description 4
- 238000005260 corrosion Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 244000291564 Allium cepa Species 0.000 description 1
- 235000002732 Allium cepa var. cepa Nutrition 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 241000978092 Cynanchum rostellatum Species 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 244000141359 Malus pumila Species 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000034303 cell budding Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000001963 growth medium Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 239000002609 medium Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/02—Measures preceding sorting, e.g. arranging articles in a stream orientating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/361—Processing or control devices therefor, e.g. escort memory
- B07C5/362—Separating or distributor mechanisms
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/38—Collecting or arranging articles in groups
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C2501/00—Sorting according to a characteristic or feature of the articles or material to be sorted
- B07C2501/009—Sorting of fruit
Landscapes
- Sorting Of Articles (AREA)
Abstract
本发明公开一种基于机器视觉的马铃薯分级装置。本装置包括上料机构、形状和质量检测机构、分拨机构；所述形状检测机构由传送滚轴和二级输送带上下设置，滚轴上方设置两层隔板使马铃薯以三纵列输送；所述滚轴定位安装板上安装有第一Kinect相机、第二Kinect相机；相机之间安装有翻转爪，用于调整下方马铃薯的体态；分拨机构由卸料输送带和分拨器组成，所述卸料输送带的相对两侧边上均设置有长挡板；卸料输送带挡板上开设有卸料槽；所述卸料输送带挡板上安装有以气缸为动力的分拨器。本装置能够实现大批量马铃薯的形状检测以及质量估计，结合图像，筛选准确率高、效率高，同时能够回收脱落的杂质，对马铃薯的损伤小。
Description
技术领域
本发明涉及农业机械领域，具体地说是一种基于机器视觉的马铃薯分级装置及形状检测方法。
背景技术
马铃薯是我国的主要粮食作物之一，种植历史已有几百年，和其它粮食作物相比较，其具有产量高、生长周期短、营养价值丰富等优点。21世纪以来，我国逐步在不同区域建立了马铃薯耕种示范培养基地，不但取得了非常好的经济效益，还推动了农业经济可持续发展，并且对调整农村产业结构，保证增产有着极其重要的作用。基于此，进行马铃薯相关产业的研究对于未来中国农业的发展同样有着尤为重要的作用。
马铃薯加工产业的第一步就是如何筛选出符合某一标准的马铃薯，如设定某一形状要求、设定某一质量区间等等。目前，筛选马铃薯，采用的方法多是人工方法或者利用传统滚杠式滚筒式机械。亟待一种效率高、智能化高、自动化水平高的筛选方法投入市场。机器视觉是用采集装置和计算机来模拟生物视觉，其主要任务就是通过对采集的图片或视频进行处理以获得相应场景的图像信息，就像人类的眼睛可以获取视觉信息传送给大脑，大脑作为控制中心来进行信息的加工和处理，利用机器视觉方法进行此项工作。
发明内容
本发明的一个目的在于提出一种基于机器视觉的马铃薯分级装置，具有自动化程度高，结构简单的有点；本发明的另一个目的在于提出一种基于机器视觉的马铃薯形状和质量检测方法，本方法结合机器视觉技术，可以将马铃薯形状或质量作为标准进行分级，具有分级效率高的优点。
为实现上述目的，本发明所述一种基于机器视觉的马铃薯分级装置，包括上料机构、形状质量检测机构、分拨机构，所述上料机构、形状质量检测机构、分拨机构依次连接；
所述上料机构主要由上料输送带组成；
所述形状质量检测机构主要由传送滚轴和二级输送带组成，所述传送滚轴和二级输送带上下设置，传送滚轴设置于二级输送带的上方；
所述传送滚轴由第一滚轴定位安装板与第二滚轴定位安装板之间安装若干个滚轴组成，滚轴通过皮带连接传送滚轴电机；
所述第一滚轴定位安装板上安装有第一Kinect相机、第二Kinect相机；所述形状质量检测机构延马铃薯的上料输送带至一级卸料输送带与二级卸料输送带方向上，依次设置有第一Kinect相机、第二Kinect相机，所述第一Kinect相机与第二Kinect相机之间安装有翻转爪机构；
所述翻转爪机构上设置有翻转爪，翻转爪由3排紧密排列的爪形结构轴向组成，每排爪间夹角为120°；
所述分拨机构由输送模块和卸料模块组成，输送模块上设置有卸料模块；所述输送模块由一级卸料输送带与二级卸料输送带连接设置；所述卸料模块由气缸和卸料槽组成；卸料槽包括第一卸料槽机构和第二卸料槽机构；
所述一级卸料输送带的相对两侧边上均设置有第一卸料输送带挡板，第一卸料输送带挡板上开设有第一卸料槽机构，第一卸料槽机构对应设置气缸模块，气缸模块包括气缸，及与气缸连接杆，杆的末端设置分拨器，气缸模块收缩带动分拨器向第一卸料槽机构移动；
所述二级卸料输送带的相对两侧边上均设置有第二卸料输送带挡板，第二卸料输送带挡板上开设有第二卸料槽机构，第二卸料槽机构对应设置气缸模块，气缸模块包括气缸，及与气缸连接杆，杆的末端设置分拨器，气缸模块收缩带动分拨器向第二卸料槽机构移动；
所述上料输送带连接传送滚轴，传送滚轴连接一级卸料输送带，一级卸料输送带连接二级卸料输送带。
所述上料输送带的长边两侧均安装有挡板机构，所述上料输送带与上料槽连接。
所述形状质量检测机构为图像检测构件，所述形状质量检测机构还包括工业相机高度调节支架；所述工业相机高度调节支架包括第一Kinect相机支架、第二Kinect相机支架；
所述第一Kinect相机与第一滚轴定位安装板之间依次连接有第一Kinect相机支架、第一Kinect相机支架底座，第一Kinect相机支架为伸缩杆结构，所述第一Kinect相机支架底座与第一滚轴定位安装板固定连接；
所述第二Kinect相机与第一滚轴定位安装板之间依次连接有第二Kinect相机支架、第二Kinect相机支架底座，第二Kinect相机支架为伸缩杆结构，所述第二Kinect相机支架底座与第一滚轴定位安装板固定连接。
所述一种基于机器视觉的马铃薯分级装置，还包括整体支架，所述整体支架包括上料机构支架、形状质量检测机构支架、一级卸料输送带支架、二级卸料输送带支架；上料机构底部设置上料机构支架，形状质量检测机构底部设置形状质量检测机构支架，分拨机构底部设置一级卸料输送带支架、二级卸料输送带支架。
所述滚轴通过轴承安装于第一滚轴定位安装板与第二滚轴定位安装板之间，形状质量检测机构支架与第一滚轴定位安装板、第二滚轴定位安装板之间均安装有定位合页。
所述翻转爪安装于第一滚轴定位安装板、第二滚轴定位安装板之间；
翻转爪的一端通过第一翻转爪支架安装于第一滚轴定位安装板，
翻转爪的另一端通过第二翻转爪支架安装于第二滚轴定位安装板。
所述分拨机构处均安装红外发生器和相对应的接收器，用于检测经过导料槽处的马铃薯。
所述形状质量检测机构通过设置隔板1将其划分为三道路径，一级卸料输送带通过设置隔板2将其划分为三道路径。
所述一级卸料输送带的两侧均设置若干个第一卸料槽机构，所述二级卸料输送带的两侧均设置若干个第二卸料槽机构。
本发明所述一种基于机器视觉的马铃薯形状和质量的检测方法，实现步骤如下：
①第一Kinect相机采集下方三列马铃薯处于该状态下的俯视图像；
②控制端接收第一Kinect相机采集马铃薯俯视图像，处理信息；
③控制端执行原始马铃薯图片的预处理操作，运行分水岭算法标记不同的马铃薯；
执行LOG算子进行马铃薯边缘检测，判断马铃薯边缘是否存在缺失，如有缺失部分，执行图像修补操作，最后结合马铃薯矩形度参数、最小外接矩形长宽比和圆形度参数进行形状检测；
根据采集的马铃薯二位图像和深度图像，结合生成点云图像，历经图像分割、滤波过程，得到马铃薯上半部分点云集；对马铃薯上半部分点云集进行表面三角网格划分，联合内部中心点形成马铃薯上半部分四面椎体模型，根据空间内三维几何体的体积计算方法，乘以马铃薯密度，得到一半马铃薯的质量；
④翻转爪翻转滚轴上的马铃薯，使马铃薯改变朝上的体态；
⑤马铃薯经过翻转机构调整朝上的状态后，第二Kinect相机采集下方三列马铃薯俯视图像，以不同视角采集了同一批马铃薯图像；
⑥控制端接收第二Kinect相机采集下方马铃薯处于改变后状态的俯视图像，处理信息；与第三步相同，进行形状检测与质量估计；
⑦分析第一Kinect相机、第二Kinect相机两部相机的图像处理结果，判断出马铃薯最终形状和最终质量；
⑧控制端发送执行命令到分拨机构执行。
所述分拨器为方形拨片。
所述第一Kinect相机拍摄的马铃薯目标是翻转前的俯视图像，第二Kinect相机拍摄的是将马铃薯翻转后的图像；第一Kinect相机、第二Kinect相机固定，目标翻转，以不同视角拍摄同一批马铃薯不同面。
所述步骤③中执行对批量马铃薯的形状检测，同时修补缺失图像，提高判断准确性；基于机器视觉的质量检测方法，利用马铃薯深度图像进行构建三维模型，对三维模型的关键特征点检测，以关键特征点为节点划分三角网格，进而得出四面椎体模型结构，快速计算体积。
本发明所述一种基于机器视觉的马铃薯分级装置及形状检测方法，其有益效果在于：本方法能够对马铃薯实现智能形状质量筛选，结合同一批马铃薯处于不同体位状态下的两幅不同视角图像，能提高准确率；同时能够回收较容易脱落的杂质；对马铃薯的损伤小；不仅如此，还能够用于苹果、西红柿、洋葱等不同果蔬的分选。
附图说明
图1是马铃薯分级装置的立体示意图；
图2是马铃薯分级装置的俯视视图；
图3是马铃薯分级装置的前视视图；
图4是马铃薯分级装置的右视视图；
图5是相机检测部分局部放大图；
图6是翻转装置部分局部放大图；
图7是分拨器部分局部放大图；
图8是检测部分横截面图；
图9是翻转爪的等轴测图；
图10.1-10.17是检测图像及分析；
图中：图中：1-上料槽、2-上料输送带、3-第一下滑导件、4-第一Kinect相机、5-翻转爪机构、6-第二Kinect相机、7-隔板1、8-第二下滑导件、9-隔板2、10-第一卸料输送带挡板、11-一级卸料输送带、12-二级卸料输送带、13-上料机构支架、14-形状质量检测机构支架、15-控制面板、16-控制箱、17-二级输送带、18-回收桶、19-第一卸料槽机构、20-一级卸料输送带支架、21-二级卸料输送带支架、22-a-第一滚轴定位安装板、22-b-第二滚轴定位安装板、23-第一Kinect相机支架底座、24-第一Kinect相机支架、26-a-第一翻转爪支架、26-b-第二翻转爪支架、27-翻转爪、28-翻转机构定位件、29-定位合页、30-第二卸料输送带挡板、31-分拨器、32-连杆、33-气缸、34-第二卸料槽机构、35-传送滚轴、35-1-滚轴。
具体实施方式
实施例1
本发明所述一种基于机器视觉的马铃薯分级装置，如图1-9所示；包括上料机构、形状质量检测机构、分拨机构，其特征在于：所述上料机构、形状质量检测机构、分拨机构依次连接；
所述上料机构主要由上料输送带2组成；
所述形状质量检测机构主要由传送滚轴35和二级输送带17组成，所述传送滚轴35和二级输送带17上下设置，传送滚轴35设置于二级输送带17的上方；
所述传送滚轴35由第一滚轴定位安装板22-a与第二滚轴定位安装板22-b之间安装若干个滚轴35-1组成，滚轴35-1通过皮带连接传送滚轴电机；
所述第一滚轴定位安装板22-a上安装有第一Kinect相机4、第二Kinect相机6；所述形状质量检测机构延马铃薯的上料输送带2至一级卸料输送带11与二级卸料输送带12方向上，依次设置有第一Kinect相机4、第二Kinect相机6，所述第一Kinect相机4与第二Kinect相机6之间安装有翻转爪机构5；
所述翻转爪机构5上设置有翻转爪27，翻转爪27由3排紧密排列的爪形结构轴向组成，每排爪间夹角为120°；
所述分拨机构由输送模块和卸料模块组成，输送模块上设置有卸料模块；所述输送模块由一级卸料输送带11与二级卸料输送带12连接设置；所述卸料模块由气缸33和卸料槽组成；卸料槽包括第一卸料槽机构19和第二卸料槽机构34；
所述一级卸料输送带11的相对两侧边上均设置有第一卸料输送带挡板10，第一卸料输送带挡板10上开设有第一卸料槽机构19，第一卸料槽机构19对应设置气缸模块，气缸模块包括气缸，及与气缸连接杆，杆的末端设置分拨器，气缸模块收缩带动分拨器向第一卸料槽机构19移动；
所述二级卸料输送带12的相对两侧边上均设置有第二卸料输送带挡板30，第二卸料输送带挡板30上开设有第二卸料槽机构34，第二卸料槽机构34对应设置气缸模块，气缸模块包括气缸，及与气缸连接杆，杆的末端设置分拨器，气缸模块收缩带动分拨器向第二卸料槽机构34移动；
所述上料输送带2连接传送滚轴35，传送滚轴35连接一级卸料输送带11，一级卸料输送带11连接二级卸料输送带12。
所述上料输送带2的长边两侧均安装有挡板机构，所述上料输送带2与上料槽1连接。
所述形状质量检测机构为图像检测构件，所述形状质量检测机构还包括工业相机高度调节支架；所述工业相机高度调节支架包括第一Kinect相机支架24、第二Kinect相机支架；
所述第一Kinect相机4与第一滚轴定位安装板22-a之间依次连接有第一Kinect相机支架24、第一Kinect相机支架底座23，第一Kinect相机支架24为伸缩杆结构，所述第一Kinect相机支架底座23与第一滚轴定位安装板22-a固定连接；
所述第二Kinect相机6与第一滚轴定位安装板22-a之间依次连接有第二Kinect相机支架、第二Kinect相机支架底座，第二Kinect相机支架为伸缩杆结构，所述第二Kinect相机支架底座与第一滚轴定位安装板22-a固定连接。
所述一种基于机器视觉的马铃薯分级装置，还包括整体支架，所述整体支架包括上料机构支架13、形状质量检测机构支架14、一级卸料输送带支架20、二级卸料输送带支架21；上料机构底部设置上料机构支架13，形状质量检测机构底部设置形状质量检测机构支架14，分拨机构底部设置一级卸料输送带支架20、二级卸料输送带支架21。
所述滚轴35通过轴承安装于第一滚轴定位安装板22-a与第二滚轴定位安装板22-b之间，形状质量检测机构支架14与第一滚轴定位安装板22-a、第二滚轴定位安装板22-b之间均安装有定位合页29。
所述翻转爪27安装于第一滚轴定位安装板22-a、第二滚轴定位安装板22-b之间；
翻转爪27的一端通过第一翻转爪支架26-a安装于第一滚轴定位安装板22-a，
翻转爪27的另一端通过第二翻转爪支架26-b安装于第二滚轴定位安装板22-b。
所述分拨机构处均安装红外发生器和相对应的接收器，用于检测经过导料槽处的马铃薯。
所述形状质量检测机构通过设置隔板17将其划分为三道路径，一级卸料输送带11通过设置隔板29将其划分为三道路径。
所述一级卸料输送带11的两侧均设置若干个第一卸料槽机构19，所述二级卸料输送带12的两侧均设置若干个第二卸料槽机构34。
本发明所述一种基于机器视觉的马铃薯形状和质量的检测方法，实现步骤如下：
①第一Kinect相机4采集下方三列马铃薯处于该状态下的俯视图像；
②控制端接收第一Kinect相机4采集马铃薯俯视图像，处理信息；
③控制端执行原始马铃薯图片的预处理操作，运行分水岭算法标记不同的马铃薯；
执行LOG算子进行马铃薯边缘检测，判断马铃薯边缘是否存在缺失，如有缺失部分，执行图像修补操作，最后结合马铃薯矩形度参数、最小外接矩形长宽比和圆形度参数进行形状检测；
根据采集的马铃薯二位图像和深度图像，结合生成点云图像，历经图像分割、滤波过程，得到马铃薯上半部分点云集；对马铃薯上半部分点云集进行表面三角网格划分，联合内部中心点形成马铃薯上半部分四面椎体模型，根据空间内三维几何体的体积计算方法，乘以马铃薯密度，得到一半马铃薯的质量；
④翻转爪27翻转滚轴上的马铃薯，使马铃薯改变朝上的体态；
⑤马铃薯经过翻转机构5调整朝上的状态后，第二Kinect相机6采集下方三列马铃薯俯视图像，以不同视角采集了同一批马铃薯图像；
⑥控制端接收第二Kinect相机6采集下方马铃薯处于改变后状态的俯视图像，处理信息；与第三步相同，进行形状检测与质量估计；
⑦分析第一Kinect相机4、第二Kinect相机6两部相机的图像处理结果，判断出马铃薯最终形状和最终质量；
⑧控制端发送执行命令到分拨机构执行。
所述第一Kinect相机4拍摄的马铃薯目标是翻转前的俯视图像，第二Kinect相机6拍摄的是将马铃薯翻转后的图像；第一Kinect相机4、第二Kinect相机6固定，目标翻转，以不同视角拍摄同一批马铃薯不同面。
所述步骤③中执行对批量马铃薯的形状检测，同时修补缺失图像，提高判断准确性；基于机器视觉的质量检测方法，利用马铃薯深度图像进行构建三维模型，对三维模型的关键特征点检测，以关键特征点为节点划分三角网格，进而得出四面椎体模型结构，快速计算体积。
实施例2
如图1所示，本发明所述一种基于机器视觉的马铃薯分级装置，包括上料机构、形状质量检测机构、分拨机构，所述上料机构、形状质量检测机构、分拨机构依次连接；
所述上料机构主要由上料输送带2组成；上料输送带2上方设置有上料槽1，上料槽1安装在整机支架上，上料槽1开设有方形孔，便于马铃薯下落到上料输送带2上，由上料输送带2运输马铃薯进入形状检测机构，上料输送带2的出口处安装第一下滑导件3，使马铃薯落在传送滚轴35，上料输送带2为低速输送带，上料输送带2由低速电机带动，整机支架内设置有控制箱16，控制器安装于控制箱16，形状和质量检测机构上安装有控制面板15，控制面板15与低速电机连接，控制面板15能够调节低速电机转速，控制面板15与控制箱16电性连接。
如图1、图5、图6所示，马铃薯依次进入检测机构，传送滚轴35由若干个滚轴35-1与相对的第一滚轴定位安装板22-a、第二滚轴定位安装板22-b组成，所述滚轴35-1通过轴承固定于第一滚轴定位安装板22-a与第二滚轴定位安装板22-b之间，第一滚轴定位安装板22-a、第二滚轴定位安装板22-b与形状质量检测机构支架14之间均安装有定位合页29，传送滚轴35由皮带带动，皮带由传送滚轴电机带动，电机由控制面板15控制；
所述检测机构既可作为形状检测构件，也可作为质量检测构件，所述检测机构还包括工业相机高度调节支架；所述工业相机高度调节支架包括第一Kinect相机支架24、第二Kinect相机支架；
所述第一Kinect相机4与第一滚轴定位安装板22-a之间依次连接有第一Kinect相机支架24、第一Kinect相机支架底座23，第一Kinect相机支架24为伸缩杆结构，所述第一Kinect相机支架底座23与第一滚轴定位安装板22-a固定连接，所述第一Kinect相机4与第二Kinect相机6之间安装有翻转爪27；
所述第二Kinect相机6与第一滚轴定位安装板22-a之间依次连接有第二Kinect相机支架、第二Kinect相机支架底座，第二Kinect相机支架为伸缩杆结构，所述第二Kinect相机支架底座与第一滚轴定位安装板22-a固定连接；
所述马铃薯落在传送滚轴35上，先经过第一Kinect相机4，第一Kinect相机4实时采集每秒多帧图像，第一Kinect相机4传输多幅数据到控制箱16，由处理单元根据已编好的程序进行处理，输出结果，交于分拨机构执行；马铃薯经过翻转机构5；所述翻转机构5是由3排紧密排列的爪形结构组成，每排爪间夹角为120°，设置翻转机构5旋转速度与滚轴35旋转速度匹配，经过翻转机构5的马铃薯都会被翻转一下；翻转机构5安装于第一滚轴定位安装板22-a与第二滚轴定位安装板22-b之间，所述第一滚轴定位安装板22-a、第二滚轴定位安装板22-b与翻转机构5之间安装有翻转机构定位件28；第一翻转爪支架26-a与第一滚轴定位安装板22-a的距离可调，第二翻转爪支架26-b与第二滚轴定位安装板22-b的距离可调，使得翻转机构5安装高度可调整，保证对经过的三列马铃薯施加有效的翻转力；
最后马铃薯再次经过第二Kinect相机6，这次即是该马铃薯的另一视角的图像，传输图像到控制箱16，输出结果；比较两次结果，再根据数据集判断最终的马铃薯形状。
如图1、图3、图8所示，传送滚轴35的输送通道下方，安装有二级输送带17，二级输送带17由形状质量检测机构支架14连接，所述二级输送带17对传送滚轴35掉落的泥土等杂质进行运输，进入回收桶18；
如图1、图5所示，第一Kinect相机4与第一滚轴定位安装板22-a之间依次连接有第一Kinect相机支架24、第一Kinect相机支架底座23，第一Kinect相机支架24为伸缩杆结构，所述第一Kinect相机支架底座23与第一滚轴定位安装板22-a固定连接；
如图1、图7所示，所述分拨机构主要两部分输送带组成，第一部分输送带可对最外层两列马铃薯进行下料，最里层马铃薯交由第二部分输送带处理。所述一级卸料输送带11的相对两侧边上均设置有第一卸料输送带挡板10；第一卸料输送带挡板10上开设有第一卸料槽机构19，所述第一卸料输送带挡板10上安装有分拨器31，分拨器31的动力由气缸33传动，第一卸料槽机构19与分拨器31匹配设置；二级卸料输送带12部分结构与此相似；
所述分拨器31通过连杆32与气缸33相连，气缸固定于下料机构挡板10和30上，所述一级卸料输送带11的相对两侧挡板10和30上均设置有分拨器31，分拨器31与气缸机构连接，气缸机构连接控制箱16，气缸机构带动分拨器31运动。当红外检测装置检测到经过每个卸料槽处的马铃薯时，传递信号给控制箱16，控制箱16进行处理，结合检测结果，输出给特定的分拨器执行命令，使分拨器31进行快速直线往返运动，导流符合形状或质量的马铃薯进入对应的卸料槽，完成马铃薯形状或质量分级。
本发明所诉一种基于机器视觉的马铃薯形状检测方法，具体实施步骤为：
(1)第一Kinect相机4采集马铃薯一面的俯视图像；第一Kinect相机4、第二Kinect相机6自带光源发生器，采集传送滚轴35输送通道的马铃薯处于不同体态下的彩色图像；
(2)控制端先接收第一Kinect相机4采集马铃薯俯视图像，处理信息；
①使用加权平均法进行彩色图像的灰度化，根据元素的重要性及其它指标，将R/G/B三个分量以不同的权值进行加权平均，综合，按下式对RGB三分量进行加权平均能得到较合理的灰度图像，如图10.1所示，进而得到对应的灰度直方图，以便于进行滤波；
Gray(i，j)＝0.229*R(i，j)+0.578G(i,j)+0.114*B(i,j) (1.1)
其中,Gray(i，j)表示坐标点(i，j)的灰度值；
R(i，j)表示(i，j)点的R亮度；
G(i，j)表示(i，j)点的G亮度；
B(i，j)表示(i，j)点的B亮度；
②使用中值滤波器，不但可以很好地去除了最常出现的椒盐噪声，并且对复杂的高斯噪声和乘法噪声也有比较好的滤除作用，如下图10.2所示；
③使用迭代法进行马铃薯图像阈值分割，分割出包含马铃薯区域和不包含马铃薯区域，区域间不能联通；
首先计算出图像的平均灰度T0；以平均灰度为界限，可以将图像分为两部分；分别计算出两部分的平均灰度，会存在大于T0的TA和小于T0的TB；再求得TA和TB的平均值设为T1，令T1代替T0，再重复以上过程进行反复迭代k次，结果直到Tk收敛；
具体编写代码实验时，首先能够根据一个原始迭代函数f(x)将马铃薯图像分为前景和后景，在读取第一次图像数据后，以两个景的阈值的平均值作为新阈值，用这个阈值控制函数f(x)再次将马铃薯图像分为前景和后景，并作为新的迭代函数f′(x)；一直进行迭代直至新的迭代函数不再产生，这时分割后的图像前景和后景就是最终的结果了；如图10.3所示；
④通常由于图像存在噪声，马铃薯图像经过阈值分割后所得到的边缘都是很不平滑的，并且内部区域有一些噪声孔，所在其背景区域内还存在着一些杂乱的噪声点；所以可以进行膨胀与腐蚀相结合的多次操作，使图像达到处理的理想效果；使用先腐蚀后膨胀，可以滤除小噪声，在边界处分割马铃薯，使马铃薯边缘平滑化，同时不会较大改变马铃薯区域；使用先膨胀后腐蚀，可以补全马铃薯内细小孔洞，同时平滑边缘修复像素，但是也不会改变区域面积。效果如图10.4所示，可以看出使用先膨胀后腐蚀运算效果较好；
⑤马铃薯图像经过上述操作突出目标物的所在位置后，还要通过不同算子比较提取马铃薯的边缘，因为识别出准确的马铃薯边缘位置信息可以为后续进行马铃薯形状检测判断做出依据；使用拉普拉斯算子Laplacian与高斯算子Gauss相结合的LOG算子进行马铃薯边缘检测，LOG算子中存在平滑滤波方式，可较好地滤除噪声，从而检测效果更好；而Laplacian算子作为一个二阶导数，它在分割图像中主要作用是定位图像点的位置，是在目标物上还是背景上；利用特性搜寻边缘线条位置,它的卷积核心一个是4×4矩阵：
函数f(x，y)的Laplacian算子公式是：
输出函数h(x，y)的LOG算子的运算公式为：
即，
其中，
检测算子的检测结果如图10.5所示；
⑥因为马铃薯体积大小不一，当相机处于马铃薯目标正上方位置，采集滚轴上的多个马铃薯图像时，可能会出现以下等情况，如图10.6所示：个别马铃薯边缘被遮挡或马铃薯边缘出现出芽等损伤现象。这时相机无法准确并全面地拍摄到马铃薯全部边缘，后续边缘检测时在出芽的位置容易缺失边缘，这时在检测马铃薯的形状之前，要进行部分遮挡马铃薯边缘预测补齐处理，以便后续能准确地检测批量马铃薯形状；
首先将分水岭算法应用到多马铃薯的单个目标图像分割上，与图像上的像素变化结合，寻找变化区间加以分割区域；一般来说，图像上目标及目标相邻区域的像素值差别较大，较大概率存在梯度变化和突变，利用此原理，可以搜索出即目标的边缘位置；
使用分水岭算法进行批量马铃薯图像独立区域分割的具体实现过程：
1)对目标图像进行灰度化、二值化、滤波操作、腐蚀或膨胀、边缘检测等预处理过程；
2)求得图像梯度图，找到轮廓并标记，按照标记顺序绘制到分水岭的入参目标图像上相当于标记注水点；
3)执行Watershed分水岭运算；
4)绘制要分离出的区域，可以使用不同颜色标记每个独立的目标以区分不同目标；
5)分离独立目标区域；结果如图10.7所示；
采用根据已知区域进行缺失边缘纹理合成的方法。过程是先计算距图像缺失处最近的马铃薯边缘端点处的曲率，注意是圆弧端点的曲率，因为在某一弧上各点的曲率是不一样的，只能说是此圆弧上某点处的曲率；计算完缺失部位两端点的曲率后求得平均曲率，根据平均曲率、端点1、端点2作弧，这便得到缺失的边缘线；最后对已知区域像素采样，以边缘线为界，移植到缺失部位。结果如图10.8所示；
⑦计算并同时显示出马铃薯目标的矩形度、最小外接矩形长宽比和圆形度参数，并判断形状；绘制马铃薯最小外接矩形方法如下，先以马铃薯形心为原点确立二维直角坐标系，再将物体的边界以每次以一定的角度增量(例如以4°为固定增量)在90°范围内旋转，每旋转一次记录一次其坐标系方向上的外接矩形边界点的最大和最小值；旋转到某一个角度后，外接矩形的面积(或周长)达到最小；取所有矩形中面积最小的外接矩形的参数为主轴意义下的长度和宽度；以宽度和长度比计算矩形拟合因子的值，越细小的马铃薯的值越小；
对于圆形薯，它的矩形度参数维持在0.8附近，并且最小外接矩形的长宽比值接近1，圆形度参数普遍在0.9以上。椭圆形薯的矩形度参数低于0.8，外接矩形长宽比低于1，但是二者的数值不是非常低，而圆形度参数也是低于并远离0.9，可以设定数值下限筛选椭圆形薯；
计算机显示参数结果如图10.9所示，结合数据集综合判断马铃薯形状；
(3)传送滚轴上的马铃薯经过翻转机构，改变朝上的面，第二Kinect相机同样采集图像进行如上处理；
(4)经过对按固定顺序排列的三列马铃薯的两步图像处理，可得到同一批马铃薯不同视角下的相关特征参数。对两视角相关参数进行分析，综合判断形状；
(5)三列马铃薯以固定顺序进入分拨机构，红外检测装置会以先后顺序检测经过每个导料槽的马铃薯，控制箱控制分拨器执行命令；
本发明所诉一种基于机器视觉的马铃薯质量检测估计方法，具体实施步骤为：
(1)第一Kinect相机采集马铃薯一面的深度图像；第一Kinect相机、第二Kinect相机自带光源发生器，采集传送滚轴输送通道的马铃薯处于不同体态下的深度图像，如图10.10所示；
(2)图像传输到控制端进行如下处理：
①将深度图像转化为三维点云图像；原理是利用相机的参数矩阵和坐标系变化计算出图像各像素点的距离深度，将图像映射到点；世界坐标系到像素坐标系的转换如下公式表示：
其中，zc是比例因子，同时也称为有效焦距；
u，v分别是像素坐标系下的对应的点的横坐标和纵坐标；
u0，v0称为图像中心；
fx，fy分别被称为x，y轴上的归一化焦距；
R是旋转矩阵；
T是平移矩阵；
xw，yw，zw分别是点在世界坐标系下的三个坐标值；
设世界坐标系原点位于镜头中心，即与相机坐标系重合，图像点不产生旋转与平移，则，
又因为重合，所以目标在两个坐标系下的距离原点的长度一致，即，
根据上述公式，得出图像上一点(u v)T和世界坐标系上的对应点的转换关系：
根据这个公式可以对点云进行构建，结果如图10.11所示。
由于Kinect相机对深度图采集距离特性，马铃薯俯视点云结果如图10.11(原始点云集)所示，图像中除了目标马铃薯以外，还包含马铃薯周围物体的点云显示。对其它物体的点云去除可以使用基于曲率约束的点云分割算法，以想要的目标为中心，设定合适的X/Y/Z坐标的范围，分割得到如图10.12所示的只含马铃薯目标和单一背景的点云图像；
上述图像已将大部分障碍物体点云去除，下面将背景桌子点云集去除，可以看出，背景点云集就是一个平面区域。以马铃薯背景的最大高度Z为分割条件，将图10.12所示的点云去除背景Zmax以下的点云集，得到如图10.13所示的图像；
要想分割得到的马铃薯上半部分点云图相对于马铃薯的误差较小，以点云集最外边缘的点与其相邻内圈的点的平均距离值为标准去除外部稀疏离群点；
①设目标点云集为P＝{pi|pi∈R3，i＝1，2，3……，n}，检测出包含的任意一点pi的邻近点；
②计算出任意一点pi到其所有邻近点的距离，然后求平均操作，根据距离和平均距离两变量，求出包含点的标准差和方差；而其距离分布图的特性符合高斯分布；
③离群点的判断条件是，根据方差和点对点的平均距离设定一个范围区间，区间以外的点判断为离群点；
④去除标记点；
对处理好的马铃薯上半部分点云集进行三角网格划分；使用基于优化准则的Lawson算法进行逐点插入生成Delaunay三角网，步骤如下：
①在集合中任意取几个相邻的三角形可以组成一个多边形；
②在多边形中的局部一个三角形内任意位置插入新点p,连接三角形三个顶点产生三个新的三角形；
③使用空圆条件、最小角最大化条件和LOP优化准则检查三个新三角形和相邻三角形，删除不符合的某一条边或者交换四边形对角线使之满足条件；如图10.14算法过程示意图；
根据关键特征点建立马铃薯表面三角网，在马铃薯表面平整位置建立少量大型三角网格，而在表面重要特征部位使三角网格尺寸更小、密度更大，这样做既不会在表面重要区域失真，也不会在平坦区域造成数据冗余，很好的反应了马铃薯表面凹凸不平、起伏不定的特征；结果如图10.15所示；
将马铃薯表面三角网格，各顶点与马铃薯上半部模型的点云内部中心点(底部平面位置)进行连线，形成空间内多个相互连接的四面锥体，锥体各个面皆是三角形，如图10.16所示马铃薯锥体模型结构示意图。为了计算马铃薯质量，可以运用物体的质量公式m＝ρV计算；
为了算出马铃薯体积，先计算组成三维模型的各四面锥体体积，如图10.17所示，然后进行求和；关于三维空间内任意一多面体的体积计算，可以应用行列式及矢量理论方法计算；
设马铃薯锥体模型中某一个四面锥体V1的四个顶点坐标分别为O(x0，y0，z0)、A(x1，y1，z1)、B(x2，y2，z2)、C(x3，y3，z3),则该四面锥体体积及马铃薯上半部分总体积计算公式分别是：
V上＝V1+V2+…+Vn (1.12)
(3)马铃薯经过翻转机构调整朝上的面，经过第二Kinect相机拍摄，加之如上处理，可得出马铃薯另一半部分的体积V下；得出总质量约等于：
M＝ρ(V上+V下) (I.13)
(4)控制端得出结论，三列马铃薯之中的每一个在哪一个质量区间内，该导入哪一个卸料槽；当分拨机构的红外检测装置检测到经过的马铃薯时，分拨器启动，拨动特定的马铃薯目标。
Claims (8)
1.一种基于机器视觉的马铃薯分级装置，包括上料机构、形状质量检测机构、分拨机构，其特征在于：所述上料机构、形状质量检测机构、分拨机构依次连接；
所述上料机构由上料输送带（2）组成；
所述形状质量检测机构由传送滚轴（35）和二级输送带（17）组成，所述传送滚轴（35）和二级输送带（17）上下设置，传送滚轴（35）设置于二级输送带（17）的上方；
所述传送滚轴（35）由第一滚轴定位安装板（22-a）与第二滚轴定位安装板（22-b）之间安装若干个滚轴（35-1）组成，滚轴（35-1）通过皮带连接传送滚轴电机；
所述第一滚轴定位安装板（22-a）上安装有第一Kinect相机（4）、第二Kinect相机（6）；所述形状质量检测机构延马铃薯的上料输送带（2）至一级卸料输送带（11）与二级卸料输送带（12）方向上，依次设置有第一Kinect相机（4）、第二Kinect相机（6），所述第一Kinect相机（4）与第二Kinect相机（6）之间安装有翻转爪机构（5）；
所述翻转爪机构（5）上设置有翻转爪（27），翻转爪（27）由3排紧密排列的爪形结构轴向组成，每排爪间夹角为120°；
所述翻转爪（27）安装于第一滚轴定位安装板（22-a）、第二滚轴定位安装板（22-b）之间；
翻转爪（27）的一端通过第一翻转爪支架（26-a）安装于第一滚轴定位安装板（22-a），
翻转爪（27）的另一端通过第二翻转爪支架（26-b）安装于第二滚轴定位安装板（22-b）；
所述分拨机构由输送模块和卸料模块组成，输送模块上设置有卸料模块；所述输送模块由一级卸料输送带（11）与二级卸料输送带（12）连接设置；所述卸料模块由气缸（33）和卸料槽组成；卸料槽包括第一卸料槽机构（19）和第二卸料槽机构（34）；
所述一级卸料输送带（11）的相对两侧边上均设置有第一卸料输送带挡板（10），第一卸料输送带挡板（10）上开设有第一卸料槽机构（19），第一卸料槽机构（19）对应设置气缸模块，气缸模块包括气缸，及与气缸连接杆，杆的末端设置分拨器，气缸模块收缩带动分拨器向第一卸料槽机构（19）移动；
所述二级卸料输送带（12）的相对两侧边上均设置有第二卸料输送带挡板（30），第二卸料输送带挡板（30）上开设有第二卸料槽机构（34），第二卸料槽机构（34）对应设置气缸模块，气缸模块包括气缸，及与气缸连接杆，杆的末端设置分拨器，气缸模块收缩带动分拨器向第二卸料槽机构（34）移动；
所述上料输送带（2）连接传送滚轴（35），传送滚轴（35）连接一级卸料输送带（11），一级卸料输送带（11）连接二级卸料输送带（12）；
所述形状质量检测机构通过设置隔板1（7）将其划分为三道路径，一级卸料输送带（11）通过设置隔板2（9）将其划分为三道路径；
所述分拨机构由两部分输送带组成，一级卸料输送带（11）可对最外层两列马铃薯进行下料，最里层马铃薯交由二级卸料输送带（12）处理。
2.根据权利要求 1 所述一种基于机器视觉的马铃薯分级装置，其特征在于：所述上料输送带（2）的长边两侧均安装有挡板机构，所述上料输送带（2）与上料槽（1）连接。
3.根据权利要求1所述一种基于机器视觉的马铃薯分级装置，其特征在于：所述形状质量检测机构为图像检测构件，所述形状质量检测机构还包括工业相机高度调节支架；所述工业相机高度调节支架包括第一Kinect相机支架（24）、第二Kinect相机支架；
所述第一Kinect相机（4）与第一滚轴定位安装板（22-a）之间依次连接有第一Kinect相机支架（24）、第一Kinect相机支架底座（23），第一Kinect相机支架（24）为伸缩杆结构，所述第一Kinect相机支架底座（23）与第一滚轴定位安装板（22-a）固定连接；
所述第二Kinect相机（6）与第一滚轴定位安装板（22-a）之间依次连接有第二Kinect相机支架、第二Kinect相机支架底座，第二Kinect相机支架为伸缩杆结构，所述第二Kinect相机支架底座与第一滚轴定位安装板（22-a）固定连接。
4.根据权利要求 1 所述一种基于机器视觉的马铃薯分级装置，其特征在于：还包括整体支架，所述整体支架包括上料机构支架（13）、形状质量检测机构支架（14）、一级卸料输送带支架（20）、二级卸料输送带支架（21）；上料机构底部设置上料机构支架（13），形状质量检测机构底部设置形状质量检测机构支架（14），分拨机构底部设置一级卸料输送带支架（20）、二级卸料输送带支架（21）。
5.根据权利要求 1 所述一种基于机器视觉的马铃薯分级装置，其特征在于：所述滚轴（35）通过轴承安装于第一滚轴定位安装板（22-a）与第二滚轴定位安装板（22-b）之间，形状质量检测机构支架（14）与第一滚轴定位安装板（22-a）、第二滚轴定位安装板（22-b）之间均安装有定位合页（29）。
6.根据权利要求 1 所述一种基于机器视觉的马铃薯分级装置，其特征在于：分拨机构处均安装红外发生器和相对应的接收器，用于检测经过导料槽处的马铃薯。
7.根据权利要求 1 所述一种基于机器视觉的马铃薯分级装置，其特征在于：所述一级卸料输送带（11）的两侧均设置若干个第一卸料槽机构（19），所述二级卸料输送带（12）的两侧均设置若干个第二卸料槽机构（34）。
8.一种基于机器视觉的马铃薯形状和质量的检测方法，其特征在于：使用如权利要求1所述基于机器视觉的马铃薯分级装置，实现步骤如下：
①第一Kinect相机（4）采集下方三列马铃薯处于该状态下的俯视图像；
②控制端接收第一Kinect相机（4）采集马铃薯俯视图像，处理信息；
③控制端执行原始马铃薯图片的预处理操作，运行分水岭算法标记不同的马铃薯；
执行LOG算子进行马铃薯边缘检测，判断马铃薯边缘是否存在缺失，如有缺失部分，执行图像修补操作，最后结合马铃薯矩形度参数、最小外接矩形长宽比和圆形度参数进行形状检测；
根据采集的马铃薯二位图像和深度图像，结合生成点云图像，历经图像分割、滤波过程，得到马铃薯上半部分点云集；对马铃薯上半部分点云集进行表面三角网格划分，联合内部中心点形成马铃薯上半部分四面椎体模型，根据空间内三维几何体的体积计算方法，乘以马铃薯密度，得到一半马铃薯的质量；
④翻转爪（27）翻转滚轴上的马铃薯，使马铃薯改变朝上的体态；
⑤马铃薯经过翻转机构（5）调整朝上的状态后，第二Kinect相机（6）采集下方三列马铃薯俯视图像，以不同视角采集了同一批马铃薯图像；
⑥控制端接收第二Kinect相机（6）采集下方马铃薯处于改变后状态的俯视图像，处理信息；与第三步相同，进行形状检测与质量估计；
⑦分析第一Kinect相机（4）、第二Kinect相机（6）两部相机的图像处理结果，判断出马铃薯最终形状和最终质量；
⑧控制端发送执行命令到分拨机构执行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211004584.0A CN115365162B (zh) | 2022-08-22 | 2022-08-22 | 一种基于机器视觉的马铃薯分级装置及形状检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211004584.0A CN115365162B (zh) | 2022-08-22 | 2022-08-22 | 一种基于机器视觉的马铃薯分级装置及形状检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115365162A CN115365162A (zh) | 2022-11-22 |
| CN115365162B true CN115365162B (zh) | 2024-09-17 |
Family
ID=84067544
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211004584.0A Active CN115365162B (zh) | 2022-08-22 | 2022-08-22 | 一种基于机器视觉的马铃薯分级装置及形状检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115365162B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101946966A (zh) * | 2010-09-02 | 2011-01-19 | 石河子大学 | 加工番茄自动除杂分选工艺及专用设备 |
| CN204914572U (zh) * | 2015-08-14 | 2015-12-30 | 东莞快裕达自动化设备有限公司 | 全自动翻转口罩机 |
| CN106896111A (zh) * | 2017-03-28 | 2017-06-27 | 华南农业大学 | 一种基于机器视觉的马铃薯外部品质智能检测系统 |
| CN215068333U (zh) * | 2021-03-19 | 2021-12-07 | 广西机电职业技术学院 | 一种电商物流仓储管理系统 |
Family Cites Families (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE9014768U1 (de) * | 1990-10-26 | 1991-01-10 | Maschinenfabrik Niewöhner GmbH & Co KG, 4830 Gütersloh | Kartoffelerntemaschine |
| KR100748668B1 (ko) * | 2005-12-14 | 2007-08-10 | 현대자동차주식회사 | 자동 변속기 유압 제어시스템의 매뉴얼 밸브 |
| CN101254851B (zh) * | 2007-12-10 | 2011-01-26 | 兰州理工大学 | 振动式非直长筋料自动分拣上料机 |
| CN101234677B (zh) * | 2008-02-19 | 2010-07-28 | 姜广峻 | 货物分拣分装设备及其方法 |
| JP5219614B2 (ja) * | 2008-05-13 | 2013-06-26 | キヤノン株式会社 | 画像形成装置 |
| CN203877031U (zh) * | 2014-04-23 | 2014-10-15 | 青岛莱茵智能装备有限公司 | 一种餐具分拣包装生产线 |
| ES2967306T3 (es) * | 2016-11-30 | 2024-04-29 | Dental Imaging Technologies Corp | Método y sistema para la eliminación de aparatos fijos de la malla de dentición |
| CN207275141U (zh) * | 2017-09-22 | 2018-04-27 | 宁波中物光电杀菌技术有限公司 | 双面杀菌设备 |
| CN108313750A (zh) * | 2018-02-06 | 2018-07-24 | 四川东林矿山运输机械有限公司 | 智能化全覆盖散状物料卸料布料机 |
| CN111715553B (zh) * | 2020-05-18 | 2022-04-01 | 镇江宇诚智能装备科技有限责任公司 | 一种布草自动分拣系统及其控制方法 |
| CN112474379A (zh) * | 2020-11-27 | 2021-03-12 | 广东力生智能有限公司 | 分拣小车及连续输送设备 |
| CN112641158A (zh) * | 2020-12-29 | 2021-04-13 | 安徽三众智能装备有限公司 | 一种口罩机的快速翻面装置 |
| CN215314010U (zh) * | 2021-06-23 | 2021-12-28 | 海邦(江苏)国际物流有限公司 | 一种智能仓储自动分拣设备 |
| CN215695902U (zh) * | 2021-06-24 | 2022-02-01 | 中创博利科技控股有限公司 | 一种物流用物流件分选设备 |
| CN215964874U (zh) * | 2021-08-20 | 2022-03-08 | 东莞市大研自动化设备有限公司 | 一种基于机械手的餐具分拣机 |
| CN216225552U (zh) * | 2021-11-17 | 2022-04-08 | 山东丸美佳食品有限公司 | 一种炭烧鱼豆腐自动分拣设备 |
-
2022
- 2022-08-22 CN CN202211004584.0A patent/CN115365162B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101946966A (zh) * | 2010-09-02 | 2011-01-19 | 石河子大学 | 加工番茄自动除杂分选工艺及专用设备 |
| CN204914572U (zh) * | 2015-08-14 | 2015-12-30 | 东莞快裕达自动化设备有限公司 | 全自动翻转口罩机 |
| CN106896111A (zh) * | 2017-03-28 | 2017-06-27 | 华南农业大学 | 一种基于机器视觉的马铃薯外部品质智能检测系统 |
| CN215068333U (zh) * | 2021-03-19 | 2021-12-07 | 广西机电职业技术学院 | 一种电商物流仓储管理系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于机器视觉的马铃薯等级分类研究;刘艳君;中国优秀硕士学位论文全文数据库农业科技辑;20220115(第1期);B024-512 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115365162A (zh) | 2022-11-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111062915B (zh) | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 | |
| CN104866862B (zh) | 一种带钢表面面积型缺陷识别分类的方法 | |
| CN110163177B (zh) | 一种风电机组叶片无人机自动感知识别方法 | |
| Lu et al. | Design of a winter-jujube grading robot based on machine vision | |
| CN111982910B (zh) | 一种基于人工缺陷仿真的弱监督机器视觉检测方法及系统 | |
| Kalampokas et al. | Grape stem detection using regression convolutional neural networks | |
| Lou et al. | Accurate multi-view stereo 3D reconstruction for cost-effective plant phenotyping | |
| CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
| CN103801520A (zh) | 虾的自动精选分级方法与装置 | |
| CN110766702A (zh) | 一种双孢蘑菇分级判断方法 | |
| CN112233107B (zh) | 基于图像处理技术的葵花籽品级分类方法 | |
| CN111178177A (zh) | 一种基于卷积神经网络的黄瓜病害识别方法 | |
| CN110910350A (zh) | 一种用于风电塔筒的螺母松动检测方法 | |
| CN113313692B (zh) | 一种基于航拍可见光图像的香蕉幼株自动识别与计数方法 | |
| Zhang et al. | YOLO5-spear: A robust and real-time spear tips locator by improving image augmentation and lightweight network for selective harvesting robot of white asparagus | |
| CN116363505A (zh) | 一种基于采摘机器人视觉系统的目标采摘方法 | |
| Montes et al. | Real-time detection of broccoli crops in 3D point clouds for autonomous robotic harvesting | |
| Zhong et al. | Identification and depth localization of clustered pod pepper based on improved Faster R-CNN | |
| CN115365162B (zh) | 一种基于机器视觉的马铃薯分级装置及形状检测方法 | |
| CN112614139B (zh) | 基于深度图的运输带矿石团块筛选方法 | |
| Tian et al. | Research on the application of machine vision in tea autonomous picking | |
| CN102054278B (zh) | 基于网格收缩的对象跟踪方法 | |
| CN117079125A (zh) | 一种基于改进型YOLOv5的猕猴桃授粉花朵识别方法 | |
| CN210847255U (zh) | 一种双孢蘑菇分级系统 | |
| Yang et al. | Research on a Segmentation and Location Algorithm Based on Mask RCNN for Agaricus Bisporus |
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 |