传统上，以往对付水果产后加工，多采取人工分选以及机器分选。
但是采取人工分选主不雅观性强，没有严格评价标准，对分选者履历哀求高，目仅凭分选者个人履历偏差大，劳动强度大，随意马虎对樱桃造成拐伤。机器分选虽然在人工分选的根本上有所改良，但其对经济哀求高，空间体历年夜，分选效率低，精准度以及准确度低。
随着AI技能的成熟，基于机器视觉的水果分选系统较人工筛选和机器筛选有着无损伤性、稳定性好、可靠性高、重复性高、效率高、精度高和经济效益高档优点。
本日，小矩将为大家分享互助伙伴，利用矩视智能低代码平台完成的“果蔬行业中樱桃毛病”检测的案例。
樱桃外不雅观毛病检测案例
01
项目背景
樱桃果实一样平常成近球形，光荣呈鲜红或淡黄色，果肉饱满，多汁味甜，成熟期较早，是海内市场竞争力最强发卖量最大的品种。
商家对樱桃的验收标准一样平常为：果形端正，硬度良好，呈“心”型，果柄未脱落，符合该品种正常特色，果面清洁，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，采收前如遇雨天会涌现很多损伤。
紧张毛病果包括自然烂果、采摘伤痕、鸟啄、疤痕、裂果、畸形、点蚀、果柄缺失落等情形。
以是，不同种类的樱桃其尺寸、形状、表面毛病评价办法、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。
02
检测难点
在樱桃分级过程中，表面毛病检测是个中主要的一项流程，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，且对硬件和打光哀求较高，在进行灰度阈值分割时，随意马虎把不明显的暗斑分割出去，很难担保在高速流水线上实现零毛病检测的哀求；
2. 樱桃的果梗与某些表面毛病在图像处理后比较相似，传统算法识别很难分辨有缺点，随意马虎造成漏检、误检等情形，影响检测精度和果蔬分拣质量；
3. 传统外不雅观品质检测紧张是利用分级机器，仅支持对大小、重量分级，无法对表面毛病、纹理、颜色等外不雅观进行分拣。传统算法检测需耗费大量的韶光对每个毛病进行定制化开拓，并且无法同时检测出一张图片内的多种不同毛病。
03
方案设计
利用矩视智能低代码平台像素分割功能，分别对樱桃不同毛病，进行标签分类。根据客户供应样本图片，毛病类型分为疤痕、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毛病，并对其进行分类。
以是，上传图像后根据标签对图像上樱桃的所有缺陷类型进行毛病特色标注，并利用深度学习技能演习模型，实现对标记特色毛病的定向识别检测。
04
检测前后比拟
第一组：樱桃外不雅观同时存在多种毛病类型，凹陷/褶皱/裂口等。
凹痕+褶皱
拍摄原图
测试效果图
裂口+褶皱
拍摄原图
测试效果图
第二组：樱桃外不雅观存在单一毛病类型，如裂口/疤痕/畸形等。
裂口
拍摄原图
测试效果图
疤痕
拍摄原图
测试效果图
畸形
拍摄原图
测试效果图
05
检测效果
检测效果符合预期，深度学习模型对抗滋扰信息的能力很强，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运用的云端协同开拓平台，始终秉承0本钱、0代码、0门槛、0硬件的产品理念。
平台以人工智能技能为核心，在机器视觉运用开拓环节，为开拓者供应图像采集、图像标注、算法开拓、算法封装和运用集成的一站式完全工具链。覆盖字符识别、毛病检测、目标定位、尺寸丈量、3D丈量、视频开拓等上百项通用功能，致力于成为环球用户量最多，落地场景最广泛的机器视觉低代码平台。
更多功能正在开拓中，最新信息会第一韶光在官方公众年夜众号“矩视智能”进行公布，大家持续关注哦！