AI de Analysator van de de Korrelkwaliteit van de Inspectierijst met Roestvrije 304 Voedselrang

AI van de rijstkwaliteit visuele detector

De AI van de rijstkwaliteit visuele die detector door ons bedrijf wordt ontwikkeld en wordt geproduceerd kan handarbeid vervangen en 7*24-uren van high-precision inspectie van rijstkwaliteit uitvoeren. Ontdek en analyseer de normale korrels, ontkiemde korrels, heterogeene knoppen, graszaden, krijtachtige korrels, insect-gegeten korrels, gibberellakorrels, grote gebroken korrels, kleine gebroken korrels, zwarte kiemkorrels, van tijd tot tijd onzuiverheden, enz. van rijst, en vormstatistische verslagen om Productveiligheid en traceability te verbeteren. De contactdelen tussen het materiaal en de steekproef worden gemaakt van medische rangmaterialen, die, met intelligent ontwerp, eenvoudige verrichting en geschikt onderhoud veilig en hygiënisch zijn.

Zeer belangrijke technologie:

• Automatische binarization: Kan het gebruiks diepe neurale netwerk die de voorgrond en achtergrond van het beeld te segmenteren, met de traditionele binarizationmethode wordt de vergeleken, Automatische binarization op een verscheidenheid van verlichtingsvoorwaarden worden toegepast, en de voordelen van meer vlote rand van de rijstsegmentatie, snel en de robuuste Hoogte hebben.
• De segmentatiealgoritme van de adhesierijst: De verbonden op domein-gebaseerde methode kan adhesie geen rijst segmenteren. Het diepe neurale netwerk wordt gebruikt om de adhesierijst op een instantieniveau te segmenteren, dat een snelheid van lOOOfps kan bereiken en de adhesierijst in realtime kan verwerken.

Het voorbeelddiagram is als volgt

• Rijsteigenschappen erkenningsalgoritme: Het keurt een lichtgewicht neuraal netwerk goed en integreert een semi-gecontroleerde leermethode. Het model kan vaak worden geoptimaliseerd slechts door een kleine hoeveelheid gegevens te merken. Het heeft de voordelen van hoge nauwkeurigheid, snelle snelheid, en geschikte plaatsing.

De detector combineert de traditionele methodes van de beeldverwerking en kunstmatige intelligentiealgoritmen om rijst te analyseren. Eerst, worden de traditionele visuele methodes gebruikt om de rijstkorrels in het videoframe te segmenteren, en dan worden de kunstmatige intelligentiealgoritmen gebruikt om de attributen van de verdeelde rijstkorrels te identificeren en rechter Whether zijn er insecterosie, germinatie, vorm en andere problemen. Tegelijkertijd, werden twee high-resolution camera's gebruikt om de voorzijde en de rug van de rijst te fotograferen, en de eigenschappen van de twee kanten werden geanalyseerd. Door het algoritme, richt de voorzijde en de rug één voor één van de rijst, en combineer hun respectieve eigenschappen om de attributen van een volledige rijst samen te stellen.

Materiaalvoordelen:

1. De hoge nauwkeurigheid, kunstmatige intelligentieai opsporing, wordt de fout gecontroleerd binnen 0,5%;

2. Het hoge rendement, 3 minuten om de test te voltooien, één reeks is gelijkwaardig aan 3 arbeiders;

3. Intelligent, driedimensioneel, gemakkelijk te werken, kunt u het in 3 minuten gebruiken;

4. Nano-zichtbare, high-precision camera globale opsporing 0.04mm erkenningsnauwkeurigheid;

De technologie van materiaaldetails&key

1.Automatic-binarization: Kan het gebruiks diepe neurale netwerk die de voorgrond en achtergrond van het beeld te segmenteren, met de traditionele binarizationmethode wordt de vergeleken, Automatische binarization op een verscheidenheid van verlichtingsvoorwaarden worden toegepast, en de voordelen van meer vlote rand van de rijstsegmentatie, snel en de robuuste Hoogte hebben.

2.Adhesion het algoritme van de rijstsegmentatie: De verbonden op domein-gebaseerde methode kan adhesie geen rijst segmenteren. Het diepe neurale netwerk wordt gebruikt om de adhesierijst op een instantieniveau te segmenteren, dat een snelheid van l000fps kan bereiken en de adhesierijst in realtime kan verwerken.

3.Rice eigenschappen erkenningsalgoritme: Het keurt een lichtgewicht neuraal netwerk goed en integreert een semi-gecontroleerde leermethode. Het model kan vaak worden geoptimaliseerd slechts door een kleine hoeveelheid gegevens te merken. Het heeft de voordelen van hoge nauwkeurigheid, snelle snelheid, en geschikte plaatsing.

Eigenschappen van materiaal

• AI algoritme: hoge stabiliteit, aanpassend aan de milieu en achtergrondstoring; de verschillende tekortsteekproeven kunnen automatisch na opleiding worden geïdentificeerd
• Dataization: De onafhankelijke database, sparen veelvoudige steekproeven, analyseert niet goede producten, en behoudt geschiedenis
• Multi-richtlijn: 360 ° uitvoerig binnen en buiten de steekproeven
• Hoge precisie: de opsporingsnauwkeurigheid kan hoog zijn
• Modularization, kan de opsporingsfunctie volgens klanten daadwerkelijke behoeften buigzaam verhogen of verminderen
• Gemakkelijk te werken: Het is gemakkelijk te werken en gemakkelijk te handhaven
• Veiligheid: Medische rang materiële productie, volledig volgzaam met het milieu van de medische uitrustingenproductie