果蔬经过收集、清洗、包装,通过冷链物流配送到各种销售渠道,最终的质量分级和检验决定其价格。
传统上,以往对于水果产后加工,多采用人工分选以及机器分选。
但是采用人工分选主观性强,没有严格评价标准,对分选者经验要求高,目仅凭分选者个人经验误差大,劳动强度大,容易对樱桃造成拐伤。机器分选虽然在人工分选的基础上有所改良,但其对经济要求高,空间体积大,分选效率低,精准度以及准确度低。
随着AI技术的成熟,基于机器视觉的水果分选系统较人工筛选和机械筛选有着无损伤性、稳定性好、可靠性高、重复性高、效率高、精度高和经济效益高等优点。
今天,小矩将为大家分享合作伙伴,运用矩视智能低代码平台完成的“果蔬行业中樱桃缺陷”检测的案例。
樱桃外观缺陷检测案例
樱桃果实一般成近球形,色泽呈鲜红或淡黄色,果肉饱满,多汁味甜,成熟期较早,是国内市场竞争力最强销售量最大的品种。
商家对樱桃的验收标准一般为:果形端正,硬度良好,呈“心”型,果柄未脱落,符合该品种正常特征,果面洁净,新鲜,无皱缩,果柄鲜绿,具有该品种特性风味,气味新鲜、口感良好、无异味。
但由于其肉质较软,果皮较薄,不耐贮运,采收前如遇雨天会出现很多损伤。
主要缺陷果包括自然烂果、采摘伤痕、鸟啄、疤痕、裂果、畸形、点蚀、果柄缺失等情况。
所以,不同种类的樱桃其尺寸、形状、表面缺陷评价方式、分级标准皆有所不同,需有特异性针对性的图像检测与识别方法。
在樱桃分级过程中,表面缺陷检测是其中重要的一项流程,其检测的精确度直接决定了该水果的等级。
1. 传统识别算法难以分辨暗斑与背景颜色,且对硬件和打光要求较高,在进行灰度阈值分割时,容易把不明显的暗斑分割出去,很难保证在高速流水线上实现零缺陷检测的要求;
2. 樱桃的果梗与某些表面缺陷在图像处理后比较相似,传统算法识别很难分辨出缺陷,容易造成漏检、误检等情况,影响检测精度和果蔬分拣质量;
3. 传统外观品质检测主要是使用分级机械,仅支持对大小、重量分级,无法对表面缺陷、纹理、颜色等外观进行分拣。传统算法检测需耗费大量的时间对每个缺陷进行定制化开发,并且无法同时检测出一张图片内的多种不同缺陷。
使用矩视智能低代码平台像素分割功能,分别对樱桃不同缺陷,进行标签分类。根据客户提供样本图片,缺陷类型分为疤痕、裂口、畸形、凹痕、褶皱等。
云平台支持同一模型下,可同时检测一张图片内的多种缺陷,并对其进行分类。
所以,上传图像后根据标签对图像上樱桃的所有缺陷类型进行缺陷特征标注,并利用深度学习技术训练模型,实现对标记特征缺陷的定向识别检测。
第一组:樱桃外观同时存在多种缺陷类型,凹陷/褶皱/裂口等。
第二组:樱桃外观存在单一缺陷类型,如裂口/疤痕/畸形等。
检测效果符合预期,深度学习模型对抗干扰信息的能力很强,对不同大小、不同成熟度的樱桃(颜色有差异)检出率达到98%以上。
矩视智能机器视觉低代码平台是一个面向机器视觉应用的云端协同开发平台,始终秉承0成本、0代码、0门槛、0硬件的产品理念。
平台以人工智能技术为核心,在机器视觉应用开发环节,为开发者提供图像采集、图像标注、算法开发、算法封装和应用集成的一站式完整工具链。覆盖字符识别、缺陷检测、目标定位、尺寸测量、3D测量、视频开发等上百项通用功能,致力于成为全球用户量最多,落地场景最广泛的机器视觉低代码平台。
更多功能正在开发中,最新信息会第一时间在官方公众号进行公布,大家持续关注哦!