【技术实现步骤摘要】
本专利技术属于机器视觉，具体涉及一种红椒品质自动识别方法、系统、终端及存储介质。
技术介绍
1、传统的红椒分拣过程长期以来一直依赖于手工操作，这种方法虽然在某些方面体现了人力的灵活性和对细节的把握能力，但同时也暴露出了一系列显著的弊端。首先，人工分拣的效率相对低下，尤其是在面对大规模、高强度的分拣任务时，人力的局限性尤为突出，难以满足现代农业生产中对于高效流转的需求。其次，从成本角度来看，人力成本的持续上升使得传统分拣方式在经济上不再具备竞争力。包括工人的招聘、培训、工资福利以及相关的劳动保障费用，都是一笔不小的开支，给企业带来了不小的经济压力。
2、更为重要的是，人工分拣过程中往往难以保证红椒品质的一致性和稳定性。每个工人的分拣标准可能存在差异，即便是同一工人，在长时间工作后也可能因疲劳导致分拣质量下滑，从而出现误判或遗漏的情况。这不仅影响了红椒的整体质量，还可能因品质不均而导致客户满意度的下降，对品牌形象和市场竞争力造成不利影响。
3、综上所述，传统红椒分拣方法因受限于人工操作的固有缺陷，在效率、成本及品质控制方面均存在明显的不足，迫切需要通过技术创新和智能化升级来寻求解决方案，以实现更高效、经济且稳定的分拣作业。
技术实现思路
1、针对现有技术的上述不足，本专利技术提供一种红椒品质自动识别方法、系统、终端及存储介质，以解决上述技术问题。
2、第一方面，本专利技术提供一种红椒品质自动识别方法，包括：
3、采集红椒样品的图像，利用机
4、采集红椒样品的单体重量；
5、基于预先设置的权重、表面特征和单体重量计算红椒样品的品质分数；
6、基于单个红椒样品的品质分数计算本批次红椒产品的平均品质分数，并基于所述平均品质分数为本批次红椒产品生成品质标签。
7、在一个可选的实施方式中，采集红椒样品的图像，利用机器视觉技术基于所述图像识别红椒样本的表面特征，所述表面特征包括红色区域占比、红椒大小、红椒形状和表面缺陷，包括：
8、将所述图像从rgb颜色空间转换到his颜色空间中，用色调h表示红色，提取色调h符合预设色调阈值的红色区域，并计算红色区域的像素与红椒样品像素的比值，得到红色区域占比；
9、利用轮廓识别技术从所述图像中识别红椒样品轮廓，从红椒样品轮廓中提取特征点数量，所述特征点数量用于表征红椒形状；
10、提取红椒样品轮廓内部的像素值，基于图像分辨率和图像比例尺计算红椒大小；
11、对所述图像进行灰度处理得到灰度图，通过计算灰度值筛选出斑点区域，计算斑点区域数量，所述斑点区域数量用于表征表面缺陷。
12、在一个可选的实施方式中，所述方法还包括：
13、为红色区域占比、红椒大小、红椒形状、表面缺陷和单体重量构建两两比对的权重矩阵；
14、获取历史交易订单，并将历史交易订单转换为结构化数据，所述结构化数据为因素：交易量，其中因素包括红色区域占比、红椒大小、红椒形状、表面缺陷和单体重量；
15、通过统计各因素关联的交易量大小对权重矩阵中的权重元素进行赋值；
16、利用特征值法基于赋值后的权重矩阵计算各元素的权重值。
17、在一个可选的实施方式中，基于单个红椒样品的品质分数计算本批次红椒产品的平均品质分数，并基于所述平均品质分数为本批次红椒产品生成品质标签，包括：
18、红椒样品的产品批次标签，将产品批次标签对应的产品批次码写入检测日志；
19、触发自动运输装置将红椒样品输送至检测点，并将红椒样品的品质分数写入检测日志中与所述产品批次码对应的位置；
20、计算产品批次码对应的所有品质分数的平均数，得到平均品质分数；
21、生成包含产品批次码和平均品质分数的电子品质标签。
22、第二方面，本专利技术提供一种红椒品质自动识别系统，包括：
23、视觉识别模块，用于采集红椒样品的图像，利用机器视觉技术基于所述图像识别红椒样本的表面特征，所述表面特征包括红色区域占比、红椒大小、红椒形状和表面缺陷；
24、重量采集模块，用于采集红椒样品的单体重量；
25、分数计算模块，用于基于预先设置的权重、表面特征和单体重量计算红椒样品的品质分数；
26、批次评估模块，用于基于单个红椒样品的品质分数计算本批次红椒产品的平均品质分数，并基于所述平均品质分数为本批次红椒产品生成品质标签。
27、在一个可选的实施方式中，所述视觉识别模块包括：
28、颜色识别单元，用于将所述图像从rgb颜色空间转换到his颜色空间中，用色调h表示红色，提取色调h符合预设色调阈值的红色区域，并计算红色区域的像素与红椒样品像素的比值，得到红色区域占比；
29、形状识别单元，用于利用轮廓识别技术从所述图像中识别红椒样品轮廓，从红椒样品轮廓中提取特征点数量，所述特征点数量用于表征红椒形状；
30、大小识别单元，用于提取红椒样品轮廓内部的像素值，基于图像分辨率和图像比例尺计算红椒大小；
31、缺陷识别单元，用于对所述图像进行灰度处理得到灰度图，通过计算灰度值筛选出斑点区域，计算斑点区域数量，所述斑点区域数量用于表征表面缺陷。
32、在一个可选的实施方式中，所述系统还包括：
33、矩阵构建模块，用于为红色区域占比、红椒大小、红椒形状、表面缺陷和单体重量构建两两比对的权重矩阵；
34、订单分析模块，用于获取历史交易订单，并将历史交易订单转换为结构化数据，所述结构化数据为因素：交易量，其中因素包括红色区域占比、红椒大小、红椒形状、表面缺陷和单体重量；
35、矩阵赋值模块，用于通过统计各因素关联的交易量大小对权重矩阵中的权重元素进行赋值；
36、权重计算模块，用于利用特征值法基于赋值后的权重矩阵计算各元素的权重值。
37、在一个可选的实施方式中，所述批次评估模块包括：
38、标签识别单元，用于红椒样品的产品批次标签，将产品批次标签对应的产品批次码写入检测日志；
39、日志管理单元，用于触发自动运输装置将红椒样品输送至检测点，并将红椒样品的品质分数写入检测日志中与所述产品批次码对应的位置；
40、平均计算单元，用于计算产品批次码对应的所有品质分数的平均数，得到平均品质分数；
41、标签生成单元，用于生成包含产品批次码和平均品质分数的电子品质标签。
42、第三方面，提供一种终端，包括：
43、存储器，用于存储红椒品质自动识别程序；
44、处理器，用于执行所述红椒品质自动识别程序时实现如第一方面提供的红椒品质自动识别方法的步骤。
45、第四方面，提供了一种计算机可读本文档来自技高网...
【技术保护点】
1.一种红椒品质自动识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，采集红椒样品的图像，利用机器视觉技术基于所述图像识别红椒样本的表面特征，所述表面特征包括红色区域占比、红椒大小、红椒形状和表面缺陷，包括：
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，基于单个红椒样品的品质分数计算本批次红椒产品的平均品质分数，并基于所述平均品质分数为本批次红椒产品生成品质标签，包括：
5.一种红椒品质自动识别系统，其特征在于，包括：
6.根据权利要求5所述的系统，其特征在于，所述视觉识别模块包括：
7.根据权利要求5所述的系统，其特征在于，所述系统还包括：
8.根据权利要求5所述的系统，其特征在于，所述批次评估模块包括：
9.一种终端，其特征在于，包括：
10.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述可读存储介质上存储有红椒品质自动识别程序，所述红椒品质自动识别程序被处理器执行时实现如权利要
...【技术特征摘要】
1.一种红椒品质自动识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，采集红椒样品的图像，利用机器视觉技术基于所述图像识别红椒样本的表面特征，所述表面特征包括红色区域占比、红椒大小、红椒形状和表面缺陷，包括：
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，基于单个红椒样品的品质分数计算本批次红椒产品的平均品质分数，并基于所述平均品质分数为本批次红椒产品生成品质标签，包括：
5.一种红椒品质自...
【专利技术属性】
技术研发人员：刘亭亭，齐光鹏，商广勇，毕研振，张鹏，
申请(专利权)人：浪潮云洲工业互联网有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。