JPH04364449A - 果実の欠陥検出装置 - Google Patents
果実の欠陥検出装置Info
- Publication number
- JPH04364449A JPH04364449A JP3165276A JP16527691A JPH04364449A JP H04364449 A JPH04364449 A JP H04364449A JP 3165276 A JP3165276 A JP 3165276A JP 16527691 A JP16527691 A JP 16527691A JP H04364449 A JPH04364449 A JP H04364449A
- Authority
- JP
- Japan
- Prior art keywords
- image
- defect
- processed
- fruit
- neural network
- 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.)
- Withdrawn
Links
- 230000007547 defect Effects 0.000 title claims abstract description 54
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 230000015654 memory Effects 0.000 claims abstract description 13
- 230000002950 deficient Effects 0.000 claims abstract description 9
- 238000003384 imaging method Methods 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 15
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 abstract description 3
- 206010042496 Sunburn Diseases 0.000 abstract description 2
- 239000003086 colorant Substances 0.000 abstract description 2
- 239000000463 material Substances 0.000 abstract 3
- 230000006870 function Effects 0.000 abstract 1
- 230000007935 neutral effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 241000220225 Malus Species 0.000 description 3
- 238000005286 illumination Methods 0.000 description 2
- 235000021016 apples Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000034 method Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【０００１】
【産業上の利用分野】本発明は、リンゴ等の果実のよう
に、複雑な色合いを示す被処理対象物の色合いを判定す
る果実の欠陥検出装置に関する。
に、複雑な色合いを示す被処理対象物の色合いを判定す
る果実の欠陥検出装置に関する。
【０００２】
【従来の技術】従来、果実の欠陥検出装置は、被処理対
象物を撮像する撮像手段と、この撮像手段により撮像さ
れた画像を画素毎に分割し、各画素毎の赤成分、緑成分
、青成分の色合要素の絶対値やそれらの比率をとって各
画素毎に色合を評価し、この評価から全体の色合の総合
評価を行う色合判定処理手段とを有している。（特開昭
６３ー２００２７９号参照）
象物を撮像する撮像手段と、この撮像手段により撮像さ
れた画像を画素毎に分割し、各画素毎の赤成分、緑成分
、青成分の色合要素の絶対値やそれらの比率をとって各
画素毎に色合を評価し、この評価から全体の色合の総合
評価を行う色合判定処理手段とを有している。（特開昭
６３ー２００２７９号参照）
【０００３】また、他の果実の欠陥検出装置としては、
被処理対象物の傷がない部分と傷が付いている部分の温
度差を赤外線カメラで検出する方式がある。
被処理対象物の傷がない部分と傷が付いている部分の温
度差を赤外線カメラで検出する方式がある。
【０００４】
【発明が解決しようとする課題】しかしながら、色合の
総合評価を行う果実の欠陥検出装置においては、果皮の
表面のある平均的な色を評価するものであり、特定色の
抽出は行えないという問題がある。
総合評価を行う果実の欠陥検出装置においては、果皮の
表面のある平均的な色を評価するものであり、特定色の
抽出は行えないという問題がある。
【０００５】また、被処理対象物の傷を赤外線カメラで
検出する装置にあっては、装置が高価になってしまうと
いう問題がある。
検出する装置にあっては、装置が高価になってしまうと
いう問題がある。
【０００６】それ故に本発明の課題は、リンゴ等の被処
理対象物において、傷、日焼けおよび錆等の周囲と異な
る色をもつ被処理対象物の欠陥部分を検出する果実の欠
陥検出装置を提供することにある。
理対象物において、傷、日焼けおよび錆等の周囲と異な
る色をもつ被処理対象物の欠陥部分を検出する果実の欠
陥検出装置を提供することにある。
【０００７】
【課題を解決するための手段】本発明によれば、色合い
の異なる被処理対象物を撮像した画像信号を出力する撮
像手段と、該撮像手段により撮像された画像情報を所定
数の画像から成る領域に分割し、該領域毎にあらかじめ
定められた評価値を算出し該算出値に基づいて前記被処
理対象物における欠陥の有無を判定する処理手段とを含
み、該処理手段は上記画像情報をラッチし記憶させる画
像メモリと、該画像メモリからの情報に基づいて前記評
価値を算出する画像処理手段と、該画像処理手段からの
評価値情報から前記領域がどの欠陥に属するかを判定す
るニューラルネットワークと、前記ニューラルネットワ
ークの判定結果に基づいて前記被処理対象物毎に前記各
欠陥の分布マップを作成し、該分布マップを用いて欠陥
の最終判定手段とを有し、前記ニューラルネットワーク
ははじめての被処理対象物を判定するときに、複数種の
学習用の被処理対象物を用いて前記欠陥部分の特徴を学
習データとして収集するものであることを特徴とする果
実の欠陥検出装置が得られる。
の異なる被処理対象物を撮像した画像信号を出力する撮
像手段と、該撮像手段により撮像された画像情報を所定
数の画像から成る領域に分割し、該領域毎にあらかじめ
定められた評価値を算出し該算出値に基づいて前記被処
理対象物における欠陥の有無を判定する処理手段とを含
み、該処理手段は上記画像情報をラッチし記憶させる画
像メモリと、該画像メモリからの情報に基づいて前記評
価値を算出する画像処理手段と、該画像処理手段からの
評価値情報から前記領域がどの欠陥に属するかを判定す
るニューラルネットワークと、前記ニューラルネットワ
ークの判定結果に基づいて前記被処理対象物毎に前記各
欠陥の分布マップを作成し、該分布マップを用いて欠陥
の最終判定手段とを有し、前記ニューラルネットワーク
ははじめての被処理対象物を判定するときに、複数種の
学習用の被処理対象物を用いて前記欠陥部分の特徴を学
習データとして収集するものであることを特徴とする果
実の欠陥検出装置が得られる。
【０００８】
【作用】果実の欠陥学習時の操作においては、搬送手段
の上に欠陥部分をもつ果実を乗せ、撮像手段の撮像範囲
内に到着する。検出器が搬送手段を検出すると、処理装
置は撮像手段からの撮像を赤画像、緑画像もしくは青画
像の各々別個に画像メモリに入力しラッチする。撮像し
た画像から人手によって欠陥部分の画像を切り出す。切
り出した画像を画素で構成されているサブリージョン毎
に分割し、各々のサブリージョン毎に評価値を計算し、
欠陥の学習データとする。各欠陥について複数個の学習
データが集まるまで操作を繰り返し行う。次に、ニュー
ラルネット回路に学習データを用いて、各欠陥の特徴を
学習させる。この操作を終了したら、次に、果実の判定
時の操作を行う。まず、搬送手段の上に果実を乗せる。 搬送手段が移動して、撮像手段の撮像範囲内に到着する
。この際、検出器は搬送手段を検出するように配置され
ている。検出器が搬送手段を検出すると、処理装置は撮
像手段からの撮像を赤画像、緑画像もしくは青画像の各
々別個に画像メモリに入力し、ラッチする。撮像した画
像を画素で構成されているサブリージョン毎に分割し、
各々のサブリージョン毎に評価値を計算し、その後ニュ
ーラルネット回路にて、各サブリージョンの属性を判定
する。ニューラルネット回路の判定結果に基づき、各欠
陥のマップを作成する。欠陥マップから欠陥マップの大
きさや個数を求め、最終判定を行う。
の上に欠陥部分をもつ果実を乗せ、撮像手段の撮像範囲
内に到着する。検出器が搬送手段を検出すると、処理装
置は撮像手段からの撮像を赤画像、緑画像もしくは青画
像の各々別個に画像メモリに入力しラッチする。撮像し
た画像から人手によって欠陥部分の画像を切り出す。切
り出した画像を画素で構成されているサブリージョン毎
に分割し、各々のサブリージョン毎に評価値を計算し、
欠陥の学習データとする。各欠陥について複数個の学習
データが集まるまで操作を繰り返し行う。次に、ニュー
ラルネット回路に学習データを用いて、各欠陥の特徴を
学習させる。この操作を終了したら、次に、果実の判定
時の操作を行う。まず、搬送手段の上に果実を乗せる。 搬送手段が移動して、撮像手段の撮像範囲内に到着する
。この際、検出器は搬送手段を検出するように配置され
ている。検出器が搬送手段を検出すると、処理装置は撮
像手段からの撮像を赤画像、緑画像もしくは青画像の各
々別個に画像メモリに入力し、ラッチする。撮像した画
像を画素で構成されているサブリージョン毎に分割し、
各々のサブリージョン毎に評価値を計算し、その後ニュ
ーラルネット回路にて、各サブリージョンの属性を判定
する。ニューラルネット回路の判定結果に基づき、各欠
陥のマップを作成する。欠陥マップから欠陥マップの大
きさや個数を求め、最終判定を行う。
【０００９】
【実施例】図１は本発明の果実の欠陥検出装置の一実施
例を示す構成図である。図２は果実の欠陥検出装置に用
いられている処理装置の具体例を示している。なお、こ
の実施例では被処理対象物としてリンゴ等の果実を用い
て説明をする。
例を示す構成図である。図２は果実の欠陥検出装置に用
いられている処理装置の具体例を示している。なお、こ
の実施例では被処理対象物としてリンゴ等の果実を用い
て説明をする。
【００１０】各図を参照して、果実の欠陥検出装置は、
果実を搬送する搬送手段と、この搬送手段により搬送さ
れてくる果実６を撮像する撮像手段とを有している。搬
送手段は果実６を乗せて選果するための選果ラインの上
を移動できるパレット１とを有している。撮像手段はパ
レット１の上の果実６を撮像するカメラ２を有している
。カメラ２はカラーＣＣＤ等、撮像した画像を各画素毎
に赤成分、緑成分もしくは青成分に分割し、赤画像、緑
画像もしくは青画像として後述する処理装置へ伝送する
ものである。また、果実の欠陥検出装置は、パレット１
がカメラ２の範囲内に入ったことを検出する検出器３と
、カメラ２から送られてくる画像情報を基に果実６の表
面にある欠陥部分を検出するための処理装置４とを有し
ている。
果実を搬送する搬送手段と、この搬送手段により搬送さ
れてくる果実６を撮像する撮像手段とを有している。搬
送手段は果実６を乗せて選果するための選果ラインの上
を移動できるパレット１とを有している。撮像手段はパ
レット１の上の果実６を撮像するカメラ２を有している
。カメラ２はカラーＣＣＤ等、撮像した画像を各画素毎
に赤成分、緑成分もしくは青成分に分割し、赤画像、緑
画像もしくは青画像として後述する処理装置へ伝送する
ものである。また、果実の欠陥検出装置は、パレット１
がカメラ２の範囲内に入ったことを検出する検出器３と
、カメラ２から送られてくる画像情報を基に果実６の表
面にある欠陥部分を検出するための処理装置４とを有し
ている。
【００１１】さらに、果実の欠陥検出装置は、カメラ撮
像の照明条件を一定にするために、果実を照らす照明装
置５と、処理データを入出力するための端末機７とを有
している。
像の照明条件を一定にするために、果実を照らす照明装
置５と、処理データを入出力するための端末機７とを有
している。
【００１２】処理装置４はカメラ２から送られてくる赤
画像、緑画像もしくは青画像等の画像情報をデェジタル
情報に変換するための複数のＡ／Ｄ変換器４１と、画像
情報をラッチし記憶させるための画像メモリ４２と、検
出器３からの出力信号により撮像タイミングを出力する
ゲート回路４３とを有している。さらに、処理装置４は
画像メモリ４２の情報が転送されるニューラルネットワ
ーク４４と、このニューラルネットワーク４４の結果に
基づいて最終判定を行う画像処理装置４５とを有してい
る。画像処理装置４５は、例えばマイクロコンピュータ
が用いられている。ニューラルネットワーク４４は画像
処理装置４５の情報によって果実６の欠陥の有無を判定
するものである。また、ニューラルネットワーク４４は
ニューラルネットのアルゴリズムを実行できるものであ
ればマイクロコンピュータを用いても良い。
画像、緑画像もしくは青画像等の画像情報をデェジタル
情報に変換するための複数のＡ／Ｄ変換器４１と、画像
情報をラッチし記憶させるための画像メモリ４２と、検
出器３からの出力信号により撮像タイミングを出力する
ゲート回路４３とを有している。さらに、処理装置４は
画像メモリ４２の情報が転送されるニューラルネットワ
ーク４４と、このニューラルネットワーク４４の結果に
基づいて最終判定を行う画像処理装置４５とを有してい
る。画像処理装置４５は、例えばマイクロコンピュータ
が用いられている。ニューラルネットワーク４４は画像
処理装置４５の情報によって果実６の欠陥の有無を判定
するものである。また、ニューラルネットワーク４４は
ニューラルネットのアルゴリズムを実行できるものであ
ればマイクロコンピュータを用いても良い。
【００１３】次に、果実の欠陥検出装置を用いてはじめ
ての品種の果実６の欠陥を判定する操作を以下に説明す
る。はじめての果実６の欠陥を判定するときには、以下
の「果実の欠陥学習時の操作」に記述した操作を行い、
ニューラルネットに各欠陥部分の特徴を学習させる。
ての品種の果実６の欠陥を判定する操作を以下に説明す
る。はじめての果実６の欠陥を判定するときには、以下
の「果実の欠陥学習時の操作」に記述した操作を行い、
ニューラルネットに各欠陥部分の特徴を学習させる。
【００１４】「果実の欠陥学習時の操作」（１）選果ラ
インのパレット１の上に欠陥部分をもつ果実６を乗せる
。 （２）果実を乗せたパレット１が移動して、カメラ２の
撮像範囲内に到着する。この際、検出器３はパレット１
を検出するように配置されている。 （３）検出器３がパレット１を検出すると、処理装置４
はカメラ２からの撮像を赤画像、緑画像もしくは青画像
の各々別個に画像メモリ４２に入力し、ラッチして記録
する。 （４）撮像した画像から人手によって欠陥部分の画像を
図３に示すように、小さい切り出し領域に切り出す。 （５）切り出した画像をｋ×１（ただし、１≦ｋ≦Ｎ／
２，１≦ｋ≦Ｍ／２：ＮおよびＭはそれぞれ画像メモリ
の縦および横の画像数）画素で構成されているサブリー
ジョン（小さな領域）に分割し、各々のサブリージョン
毎に評価値を計算し、欠陥の学習データとする。評価値
例としては、ＲＧＢそれぞれの平均値や他の色空間での
統計量があげられる。 （６）各欠陥について５〜１０個ほどの学習データが集
まるまで（１）〜（５）の操作を繰り返し行う。 （７）学習データを用いて、ニューラルネット回路に各
欠陥の特徴を学習させる。
インのパレット１の上に欠陥部分をもつ果実６を乗せる
。 （２）果実を乗せたパレット１が移動して、カメラ２の
撮像範囲内に到着する。この際、検出器３はパレット１
を検出するように配置されている。 （３）検出器３がパレット１を検出すると、処理装置４
はカメラ２からの撮像を赤画像、緑画像もしくは青画像
の各々別個に画像メモリ４２に入力し、ラッチして記録
する。 （４）撮像した画像から人手によって欠陥部分の画像を
図３に示すように、小さい切り出し領域に切り出す。 （５）切り出した画像をｋ×１（ただし、１≦ｋ≦Ｎ／
２，１≦ｋ≦Ｍ／２：ＮおよびＭはそれぞれ画像メモリ
の縦および横の画像数）画素で構成されているサブリー
ジョン（小さな領域）に分割し、各々のサブリージョン
毎に評価値を計算し、欠陥の学習データとする。評価値
例としては、ＲＧＢそれぞれの平均値や他の色空間での
統計量があげられる。 （６）各欠陥について５〜１０個ほどの学習データが集
まるまで（１）〜（５）の操作を繰り返し行う。 （７）学習データを用いて、ニューラルネット回路に各
欠陥の特徴を学習させる。
【００１５】上述の「果実の欠陥学習時の操作」が終了
したら、以下の「果実の判定時の操作」を行う。 「果実の判定時の操作」 （１）選果ラインのパレット１の上に果実を乗せる。 （２）果実ラインの上を果実６を乗せたパレット１が移
動して、カメラ２の撮像範囲内に到着する。この際、検
出器３はパレット１を検出するように配置されている。 （３）検出器３がパレット１を検出すると、処理装置４
はカメラ２からの撮像を赤画像、緑画像もしくは青画像
の各々別個に画像メモリに入力し、ラッチする。 （４）撮像した画像を、図４に示すように、ｋ×１（た
だし、１≦ｋ≦Ｎ／２，１≦ｋ≦Ｍ／２ ：Ｎおよび
Ｍはそれぞれ画像メモリ４２の縦および横の画像数）画
素で構成されているサブリージョンに分割し、各々のサ
ブリージョン毎に評価値を計算し、その後ニューラルネ
ットワーク４４にて、各サブリージョンの属性（たとえ
ば、正常な色、傷の色、錆の色等）を判定する。評価値
例としては、ＲＧＢそれぞれの平均値や他の色空間での
統計量があげられる。 （５）ニューラルネットワーク４４の判定結果に基づき
、図５に示すように、各欠陥のマップ５０，５１，５２
を作成する。 （６）これらの欠陥マップ５０，５１，５２から各欠陥
マップ５０，５１，５２の大きさや個数を求め、画像処
理装置４５によって最終判定を行う。
したら、以下の「果実の判定時の操作」を行う。 「果実の判定時の操作」 （１）選果ラインのパレット１の上に果実を乗せる。 （２）果実ラインの上を果実６を乗せたパレット１が移
動して、カメラ２の撮像範囲内に到着する。この際、検
出器３はパレット１を検出するように配置されている。 （３）検出器３がパレット１を検出すると、処理装置４
はカメラ２からの撮像を赤画像、緑画像もしくは青画像
の各々別個に画像メモリに入力し、ラッチする。 （４）撮像した画像を、図４に示すように、ｋ×１（た
だし、１≦ｋ≦Ｎ／２，１≦ｋ≦Ｍ／２ ：Ｎおよび
Ｍはそれぞれ画像メモリ４２の縦および横の画像数）画
素で構成されているサブリージョンに分割し、各々のサ
ブリージョン毎に評価値を計算し、その後ニューラルネ
ットワーク４４にて、各サブリージョンの属性（たとえ
ば、正常な色、傷の色、錆の色等）を判定する。評価値
例としては、ＲＧＢそれぞれの平均値や他の色空間での
統計量があげられる。 （５）ニューラルネットワーク４４の判定結果に基づき
、図５に示すように、各欠陥のマップ５０，５１，５２
を作成する。 （６）これらの欠陥マップ５０，５１，５２から各欠陥
マップ５０，５１，５２の大きさや個数を求め、画像処
理装置４５によって最終判定を行う。
【００１６】なお、上述の実施例においては、果実の色
合判別について説明をしたが、色の違いで区別できるよ
うな欠陥をもつ工業用製品の欠陥検出にも応用できるこ
とはいうまでもない。
合判別について説明をしたが、色の違いで区別できるよ
うな欠陥をもつ工業用製品の欠陥検出にも応用できるこ
とはいうまでもない。
【００１７】
【発明の効果】以上、実施例により説明したように、本
発明の果実の欠陥検出装置によれば、始めての品種の被
処理対象物を判定するときには、いくつかの学習用のサ
ンプル品を用いてニューラルネットに各欠陥の評価値を
学習させるようにしたため、種々の被処理対象物に簡単
に適用できる。
発明の果実の欠陥検出装置によれば、始めての品種の被
処理対象物を判定するときには、いくつかの学習用のサ
ンプル品を用いてニューラルネットに各欠陥の評価値を
学習させるようにしたため、種々の被処理対象物に簡単
に適用できる。
【図１】本発明の果実の欠陥検出装置の一実施例を示す
全体構成図である。
全体構成図である。
【図２】第１図の果実の欠陥検出装置に用いられている
処理装置の構成図である。
処理装置の構成図である。
【図３】第１図の果実の欠陥検出装置において２×２画
素で構成されるサブリージョンに分割した例を示す説明
図である。
素で構成されるサブリージョンに分割した例を示す説明
図である。
【図４】第１図の果実の欠陥検出装置において撮像画像
を分割した状態を示す説明図である。
を分割した状態を示す説明図である。
【図５】第１図の果実の欠陥検出装置においる撮像画像
の判定結果例を示す説明図である。
の判定結果例を示す説明図である。
１ パレット
２ カメラ
３ 検出器
４ 処理装置
７ 端末機
４１ Ａ／Ｄ変換器
４２ 画像メモリ
４４ ニュ−ラルネットワーク
４５ 画像処理装置
５０ 分布マップ
Claims (1)
- 【請求項１】 色合いの異なる被処理対象物を撮像し
た画像信号を出力する撮像手段と、該撮像手段により撮
像された画像情報を所定数の画像から成る領域に分割し
、該領域毎にあらかじめ定められた評価値を算出し該算
出値に基づいて前記被処理対象物における欠陥の有無を
判定する処理手段とを含み、該処理手段は上記画像情報
をラッチし記憶させる画像メモリと、該画像メモリから
の情報に基づいて前記評価値を算出する画像処理手段と
、該画像処理手段からの評価値情報から前記領域がどの
欠陥に属するかを判定するニューラルネットワークと、
前記ニューラルネットワークの判定結果に基づいて前記
被処理対象物毎に前記各欠陥の分布マップを作成し、該
分布マップを用いて欠陥の最終判定手段とを有し、前記
ニューラルネットワークははじめての被処理対象物を判
定するときに、複数種の学習用の被処理対象物を用いて
前記欠陥部分の特徴を学習データとして収集するもので
あることを特徴とする果実の欠陥検出装置。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3165276A JPH04364449A (ja) | 1991-06-11 | 1991-06-11 | 果実の欠陥検出装置 |
| GB9212449A GB2256708A (en) | 1991-06-11 | 1992-06-11 | Object sorter using neural network |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3165276A JPH04364449A (ja) | 1991-06-11 | 1991-06-11 | 果実の欠陥検出装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH04364449A true JPH04364449A (ja) | 1992-12-16 |
Family
ID=15809257
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3165276A Withdrawn JPH04364449A (ja) | 1991-06-11 | 1991-06-11 | 果実の欠陥検出装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH04364449A (ja) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0880475A (ja) * | 1994-05-14 | 1996-03-26 | Maschimpex Gmbh | 製薬工業、製菓工業等における小形製品を形態及び色に応じて分別する自動分別装置 |
| JPH09509247A (ja) * | 1993-05-28 | 1997-09-16 | アクシオム・ビルトフェラルバイツンクスシステメ・ゲーエムベーハー | 自動検査装置 |
| US6819790B2 (en) * | 2002-04-12 | 2004-11-16 | The University Of Chicago | Massive training artificial neural network (MTANN) for detecting abnormalities in medical images |
| CN101153851B (zh) | 2007-06-15 | 2011-06-08 | 中国农业大学 | 一种基于机器视觉的苹果检测分级方法 |
| ITUA20164758A1 (it) * | 2016-06-29 | 2017-12-29 | Ser Mac S R L | Apparato di rilevamento di prodotti ortofrutticoli. |
| CN111435118A (zh) * | 2019-01-14 | 2020-07-21 | 日商登肯股份有限公司 | 检查装置和检查方法 |
| CN114226262A (zh) * | 2020-09-09 | 2022-03-25 | 宜谷京科技实业有限公司 | 瑕疵检测方法、瑕疵分类方法及其系统 |
-
1991
- 1991-06-11 JP JP3165276A patent/JPH04364449A/ja not_active Withdrawn
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09509247A (ja) * | 1993-05-28 | 1997-09-16 | アクシオム・ビルトフェラルバイツンクスシステメ・ゲーエムベーハー | 自動検査装置 |
| JPH0880475A (ja) * | 1994-05-14 | 1996-03-26 | Maschimpex Gmbh | 製薬工業、製菓工業等における小形製品を形態及び色に応じて分別する自動分別装置 |
| US6819790B2 (en) * | 2002-04-12 | 2004-11-16 | The University Of Chicago | Massive training artificial neural network (MTANN) for detecting abnormalities in medical images |
| CN101153851B (zh) | 2007-06-15 | 2011-06-08 | 中国农业大学 | 一种基于机器视觉的苹果检测分级方法 |
| ITUA20164758A1 (it) * | 2016-06-29 | 2017-12-29 | Ser Mac S R L | Apparato di rilevamento di prodotti ortofrutticoli. |
| WO2018002841A1 (en) * | 2016-06-29 | 2018-01-04 | Ser.Mac S.R.L. | An apparatus for detecting damaged fruit and vegetable products |
| CN111435118A (zh) * | 2019-01-14 | 2020-07-21 | 日商登肯股份有限公司 | 检查装置和检查方法 |
| JP2020112456A (ja) * | 2019-01-14 | 2020-07-27 | 株式会社デンケン | 検査装置及び検査方法 |
| CN114226262A (zh) * | 2020-09-09 | 2022-03-25 | 宜谷京科技实业有限公司 | 瑕疵检测方法、瑕疵分类方法及其系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110296997B (zh) | 基于机器视觉的陶瓷瓦的缺陷检测方法及装置 | |
| JP4241361B2 (ja) | キャップ天面の検査方法 | |
| JPH0783851A (ja) | 不良品検出処理方法 | |
| JPH04364449A (ja) | 果実の欠陥検出装置 | |
| JP3614980B2 (ja) | 農産物の外観検査方法及び装置 | |
| JP2012108026A (ja) | 異物混入製品の検出方法 | |
| JPH0520426A (ja) | ニユーラルネツトワークを用いた果実の色合判定装置 | |
| JP2710527B2 (ja) | 周期性パターンの検査装置 | |
| JPH04106460A (ja) | 欠陥検出方法 | |
| JP3311880B2 (ja) | 青果物の傷害自動検出装置 | |
| JP3589756B2 (ja) | 欠点検査における検査設定値入力表示方法とその装置 | |
| JPH05332754A (ja) | 検査装置の検査方法 | |
| JP2728789B2 (ja) | カラー固体撮像素子の検査装置 | |
| JPH04147002A (ja) | 青果物の表面検定装置 | |
| JP4653340B2 (ja) | ３板式ｃｃｄカメラを用いた缶外観検査装置 | |
| JP3985891B2 (ja) | 画像欠陥検出装置および画像欠陥検出方法 | |
| JPH0310107A (ja) | 濃淡パターンマッチングによる検査方法 | |
| JP2886251B2 (ja) | 製品検査装置 | |
| JP4656399B2 (ja) | 農産物の外観検査装置 | |
| JP2696166B2 (ja) | 青果物の検定装置 | |
| JPH052634A (ja) | 視覚認識装置 | |
| JP2756738B2 (ja) | 半導体装置の外観検査装置 | |
| JPH052632A (ja) | 果物表面模様判定装置 | |
| JPS63200279A (ja) | 色合判定装置 | |
| JPH04364448A (ja) | 欠陥検出装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 19980903 |