申请/专利权人：郑州大学

申请日：2022-03-11

公开（公告）日：2024-01-30

公开（公告）号：CN114570664B

主分类号：B07C5/02

分类号：B07C5/02;B07C5/34;B07C5/342;B07C5/36

优先权：

专利状态码：有效-授权

法律状态：2024.01.30#授权;2022.06.21#实质审查的生效;2022.06.03#公开

摘要：本发明涉及计算机领域，公开了一种基于力觉的水果软硬识别方法、分拣装置及控制方法。一种基于力觉的水果软硬识别方法，包括以下步骤：数据处理、构建压力图片、深度学习、实际应用；一种基于力觉的水果分拣装置包括传送单元、分拣单元、运输单元和控制单元。本发明可以实现基于力觉的水果软硬等级识别，实现了体积小型化，减小了装置的占地空间，极大得降低了人工成本，提高了分拣速度，在保障水果高质量、高效率、高智能化和多类别分拣的同时，解决分拣成本的问题。

主权项：1.一种基于力觉的水果软硬识别方法，其特征在于，包括以下步骤：S1数据处理S11获取水果掉落过程中的压力数据样本，构建样本压力数据集，并对样本压力数据集中的每个样本压力数据按获取顺序添加位置标签；S12对样本压力数据集内的样本压力数据从大到小排序，并记录前n个样本压力数据在样本压力数据集中的位置标签；S13对S12步骤中记录的n个样本压力数据按位置标签进行顺序排列，构建样本顺序数据集；S14对样本压力数据集进行运算，生成样本压力变化速度数据集和样本压力变化加速度数据集，生成样本压力变化速度数据集和样本压力变化加速度数据集的具体步骤为，1将样本压力数据集内的每个样本压力数据减去其前一位样本压力数据，第一位样本压力数据取其原值或取值0，构建与样本压力数据集长度相同的样本压力变化速度数据集；2将样本压力变化速度数据集内的样本压力变化速度数据减去其前一位样本压力变化速度数据，第一位样本压力变化速度数据取其原值或取值0，构建与样本压力数据集长度相同的样本压力变化加速度数据集；S2构建压力图片S21对样本压力数据集、样本压力变化速度数据集和样本压力变化加速度数据集内的数据进行等比例缩小，使其数据范围处于[-255，255]区间，分别得到模型压力数据集、模型压力变化速度数据集、模型压力变化加速度集；S22将顺序数据集中n个样本压力数据对应的模型压力数据集中的模型压力数据依次作为压力图片前n行中心像素位置的R通道值，并以该模型压力数据在模型压力数据集中前后的x个模型压力数据依次作为压力图片该行其它像素位置的R通道值，压力图片前n行像素位置的G通道值、B通道值均取0；S22将顺序数据集中n个样本压力数据对应的模型压力变化速度数据集中的模型压力变化速度数据依次作为压力图片中间n行中心像素位置的G通道值或B通道值，并以该模型压力变化速度数据在模型压力变化速度数据集中前后的x个模型压力变化速度数据依次作为压力图片该行其它像素位置的G通道值或B通道值，若该模型压力变化速度数据为正则赋值给G通道，B通道值取0，若该模型压力变化速度数据为负，则赋值给B通道，G通道值取0，中间n行像素位置的R通道值取0；S23将顺序数据集中n个样本压力数据对应的模型压力变化加速度数据集中的模型压力变化加速度数据依次作为压力图片后n行中心像素位置的G通道值或B通道值，并以该模型压力变化加速度数据在模型压力变化加速度数据集中前后的x个模型压力变化加速度数据依次作为压力图片该行其它像素位置的G通道值或B通道值，若该模型压力变化加速度数据为正则赋值给G通道，B通道值取0，若该模型压力变化加速度数据为负，则赋值给B通道，G通道值取0，后n行像素位置的R通道值取0；S3深度学习S31根据水果软硬等级对S2步骤构建的压力图片进行标注；S32通过深度学习对压力图片进行训练，得到水果软硬等级识别模型；S4实际应用在分拣过程中，通过S3步骤的水果软硬等级识别模型，对水果进行软硬等级分类。

全文数据：

权利要求：

百度查询： 郑州大学 一种基于力觉的水果软硬识别方法、分拣装置及控制方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD