(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111510664.9 (22)申请日 2021.12.1 1 (65)同一申请的已公布的文献号 申请公布号 CN 114169618 A (43)申请公布日 2022.03.11 (73)专利权人 广东工业大 学 地址 510520 广东省广州市东 风东路729号 (72)发明人 蔡晓权　徐圣兵　王振友　李金漳　 (74)专利代理 机构 南京普睿益思知识产权代理 事务所(普通 合伙) 32475 专利代理师 杜朝霞 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/02(2012.01) G06N 3/08(2006.01)G06N 3/04(2006.01) G06V 10/56(2022.01) G06V 10/82(2022.01) (56)对比文件 TW 20182 2121 A,2018.0 6.16 US 2020057663 A1,2020.02.20 CN 109005933 A,2018.12.18 CN 111650190 A,2020.09.1 1 刘东来.基于机器视觉的烟叶自动分级方 法. 《广东蚕业》 .2020,(第8 期),64-66. 霍迎秋等.高光谱图像结合机 器学习方法无 损检测猕猴桃. 《中国农机化学报》 .2019,(第04 期),全文. 审查员 李文斌 (54)发明名称 基于机器视觉学习的猕猴桃成熟度无损鉴 别预测方法 (57)摘要 本发明涉及水果 成熟度鉴别技术领域， 且公 开了基于机器视觉学习的猕猴桃成熟度无损鉴 别预测方法， 包括以下步骤： S1： 收集猕猴桃数 据， 在3‑6天里， 每天同一时间段分别采集40 ‑80 个猕猴桃的图像， 并在同一位置按压判断猕猴桃 是否成熟， 做好标签记录并按标签保存图像文 件， 得到原始数据集； S2： 提取数据， 提取原始数 据集中猕猴桃表皮的颜色、 纹理； S3： 判断， 使用 经验判断法将样本数据各个时间各个猕猴桃贴 上成熟度标签， 成熟度分为三个阶段——未熟、 微熟和成熟。 本发明排除人主观性干扰， 降低人 力成本， 适合大批量识别操作， 识别正确率远高 于人工经验识别， 避免了识别过程中对猕猴桃造 成损伤， 识别成本低。 权利要求书2页 说明书6页 附图2页 CN 114169618 B 2022.08.09 CN 114169618 B 1.基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法， 其特 征在于， 包括以下步骤： S1： 收集猕猴桃数据， 在3 ‑6天里， 每天同一时间段分别采集40 ‑80个猕猴桃的图像， 并 在同一位置按压判断猕猴桃是否成熟， 做好标签记录并按标签保存图像文件， 得到原始数 据集； S2： 提取数据， 提取原 始数据集中猕猴桃表皮的颜色、 纹 理； S3： 判断， 使用经验判断法将样本数据各个时间各个猕猴桃贴上成熟度 标签， 成熟度分 为三个阶段——未熟、 微熟和成熟， 利用学习算法学习猕猴桃成熟度的阈值θ  ( θ 1 ， θ 2 )  ， 及平均成熟耗时n天； S4： 深度训练学习， 通过提取的猕猴桃表皮的颜色、 纹理， 然后与经验判断法判断的结 果， 学习出猕猴桃表皮颜色、 纹理与成熟度之间的关系， S4中进行训练学习时搭建模型， 搭 建模型时分为 三个模型进行 搭建， 分别为： model‑1——判断水果是否有损伤； model‑2——判断有损伤水果成熟程度； model‑3——判断无损伤水果成熟程度； 将猕猴桃是否损伤分为有损伤和无损伤， 并在程序中编码为1和0， 将水果成熟程度分 为未熟、 微熟和成熟， 并在程序中编码为0、 1和2， 使用python的Tensorflow模块来实现深度 学习； 在训练时判别指标model ‑1为： model‑1输出为 model‑1表示为 model‑2、 model‑3： 由于原数据过于 离散， 现通过拟合进行 数据扩充： 各猕猴桃标签值变化 一个单位平均时间差 Δt： 标签扩充函数为 模型表示 为 S5： 输出结果， 输出 各阶段的猕猴桃成熟度阈值及平均成熟耗时。 2.根据权利要求1所述的基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法， 其特 征在于， 所述S1中在收集猕猴桃数据时应在4 天里， 每天同一时间段分别采集60个猕猴桃的 图像。 3.根据权利要求2所述的基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法， 其特 征在于， 所述S1中在采集猕猴桃图像时猕猴桃包装测试盒必须颜色与猕猴桃颜色反差明 显， 采集猕猴桃信息摄 像头像素必须从猕猴桃包 装盒正上 方采集。 4.根据权利要求1所述的基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法， 其特权　利　要　求　书 1/2 页 2 CN 114169618 B 2征在于， 所述S4中未熟猕猴桃推荐为不能食用， 微熟猕猴桃推荐为未来几天 内可食用， 成熟 猕猴桃推荐为当天内食用。 5.根据权利要求4所述的基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法， 其特 征在于， 所述S4中mo del‑2、 model‑3输出的猕猴桃成熟度为β， 计算出猕猴桃D天后可食用， 方案如下： 当β ＜ θ2时， 则可启动成熟时间预测提 示； 成熟时间预测阈值 k： 预测值为 6.根据权利要求1所述的基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法， 其特 征在于， 所述S1 中包括手持智能终端， 手持智能终端包括图像采集模块， 图像采集模块包括 图像传感器， 所述图像采集模块连接有处 理器、 主控电路、 显示模块、 电源 模块和传输模块。 7.根据权利要求6所述的基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法， 其特 征在于， 所述S4中包括储 存模块和比对 模块， 比对 模块与图像采集模块相连接 。权　利　要　求　书 2/2 页 3 CN 114169618 B 3