本發(fā)明屬于機器視覺，具體涉及一種紅椒品質自動識別方法、系統(tǒng)、終端及存儲介質。

背景技術：

1、傳統(tǒng)的紅椒分揀過程長期以來一直依賴于手工操作，這種方法雖然在某些方面體現了人力的靈活性和對細節(jié)的把握能力，但同時也暴露出了一系列顯著的弊端。首先，人工分揀的效率相對低下，尤其是在面對大規(guī)模、高強度的分揀任務時，人力的局限性尤為突出，難以滿足現代農業(yè)生產中對于高效流轉的需求。其次，從成本角度來看，人力成本的持續(xù)上升使得傳統(tǒng)分揀方式在經濟上不再具備競爭力。包括工人的招聘、培訓、工資福利以及相關的勞動保障費用，都是一筆不小的開支，給企業(yè)帶來了不小的經濟壓力。

2、更為重要的是，人工分揀過程中往往難以保證紅椒品質的一致性和穩(wěn)定性。每個工人的分揀標準可能存在差異，即便是同一工人，在長時間工作后也可能因疲勞導致分揀質量下滑，從而出現誤判或遺漏的情況。這不僅影響了紅椒的整體質量，還可能因品質不均而導致客戶滿意度的下降，對品牌形象和市場競爭力造成不利影響。

3、綜上所述，傳統(tǒng)紅椒分揀方法因受限于人工操作的固有缺陷，在效率、成本及品質控制方面均存在明顯的不足，迫切需要通過技術創(chuàng)新和智能化升級來尋求解決方案，以實現更高效、經濟且穩(wěn)定的分揀作業(yè)。

技術實現思路

1、針對現有技術的上述不足，本發(fā)明提供一種紅椒品質自動識別方法、系統(tǒng)、終端及存儲介質，以解決上述技術問題。

2、第一方面，本發(fā)明提供一種紅椒品質自動識別方法，包括：

3、采集紅椒樣品的圖像，利用機器視覺技術基于所述圖像識別紅椒樣本的表面特征，所述表面特征包括紅色區(qū)域占比、紅椒大小、紅椒形狀和表面缺陷；

4、采集紅椒樣品的單體重量；

5、基于預先設置的權重、表面特征和單體重量計算紅椒樣品的品質分數；

6、基于單個紅椒樣品的品質分數計算本批次紅椒產品的平均品質分數，并基于所述平均品質分數為本批次紅椒產品生成品質標簽。

7、在一個可選的實施方式中，采集紅椒樣品的圖像，利用機器視覺技術基于所述圖像識別紅椒樣本的表面特征，所述表面特征包括紅色區(qū)域占比、紅椒大小、紅椒形狀和表面缺陷，包括：

8、將所述圖像從rgb顏色空間轉換到his顏色空間中，用色調h表示紅色，提取色調h符合預設色調閾值的紅色區(qū)域，并計算紅色區(qū)域的像素與紅椒樣品像素的比值，得到紅色區(qū)域占比；

9、利用輪廓識別技術從所述圖像中識別紅椒樣品輪廓，從紅椒樣品輪廓中提取特征點數量，所述特征點數量用于表征紅椒形狀；

10、提取紅椒樣品輪廓內部的像素值，基于圖像分辨率和圖像比例尺計算紅椒大??；

11、對所述圖像進行灰度處理得到灰度圖，通過計算灰度值篩選出斑點區(qū)域，計算斑點區(qū)域數量，所述斑點區(qū)域數量用于表征表面缺陷。

12、在一個可選的實施方式中，所述方法還包括：

13、為紅色區(qū)域占比、紅椒大小、紅椒形狀、表面缺陷和單體重量構建兩兩比對的權重矩陣；

14、獲取歷史交易訂單，并將歷史交易訂單轉換為結構化數據，所述結構化數據為因素：交易量，其中因素包括紅色區(qū)域占比、紅椒大小、紅椒形狀、表面缺陷和單體重量；

15、通過統(tǒng)計各因素關聯的交易量大小對權重矩陣中的權重元素進行賦值；

16、利用特征值法基于賦值后的權重矩陣計算各元素的權重值。

17、在一個可選的實施方式中，基于單個紅椒樣品的品質分數計算本批次紅椒產品的平均品質分數，并基于所述平均品質分數為本批次紅椒產品生成品質標簽，包括：

18、紅椒樣品的產品批次標簽，將產品批次標簽對應的產品批次碼寫入檢測日志；

19、觸發(fā)自動運輸裝置將紅椒樣品輸送至檢測點，并將紅椒樣品的品質分數寫入檢測日志中與所述產品批次碼對應的位置；

20、計算產品批次碼對應的所有品質分數的平均數，得到平均品質分數；

21、生成包含產品批次碼和平均品質分數的電子品質標簽。

22、第二方面，本發(fā)明提供一種紅椒品質自動識別系統(tǒng)，包括：

23、視覺識別模塊，用于采集紅椒樣品的圖像，利用機器視覺技術基于所述圖像識別紅椒樣本的表面特征，所述表面特征包括紅色區(qū)域占比、紅椒大小、紅椒形狀和表面缺陷；

24、重量采集模塊，用于采集紅椒樣品的單體重量；

25、分數計算模塊，用于基于預先設置的權重、表面特征和單體重量計算紅椒樣品的品質分數；

26、批次評估模塊，用于基于單個紅椒樣品的品質分數計算本批次紅椒產品的平均品質分數，并基于所述平均品質分數為本批次紅椒產品生成品質標簽。

27、在一個可選的實施方式中，所述視覺識別模塊包括：

28、顏色識別單元，用于將所述圖像從rgb顏色空間轉換到his顏色空間中，用色調h表示紅色，提取色調h符合預設色調閾值的紅色區(qū)域，并計算紅色區(qū)域的像素與紅椒樣品像素的比值，得到紅色區(qū)域占比；

29、形狀識別單元，用于利用輪廓識別技術從所述圖像中識別紅椒樣品輪廓，從紅椒樣品輪廓中提取特征點數量，所述特征點數量用于表征紅椒形狀；

30、大小識別單元，用于提取紅椒樣品輪廓內部的像素值，基于圖像分辨率和圖像比例尺計算紅椒大??；

31、缺陷識別單元，用于對所述圖像進行灰度處理得到灰度圖，通過計算灰度值篩選出斑點區(qū)域，計算斑點區(qū)域數量，所述斑點區(qū)域數量用于表征表面缺陷。

32、在一個可選的實施方式中，所述系統(tǒng)還包括：

33、矩陣構建模塊，用于為紅色區(qū)域占比、紅椒大小、紅椒形狀、表面缺陷和單體重量構建兩兩比對的權重矩陣；

34、訂單分析模塊，用于獲取歷史交易訂單，并將歷史交易訂單轉換為結構化數據，所述結構化數據為因素：交易量，其中因素包括紅色區(qū)域占比、紅椒大小、紅椒形狀、表面缺陷和單體重量；

35、矩陣賦值模塊，用于通過統(tǒng)計各因素關聯的交易量大小對權重矩陣中的權重元素進行賦值；

36、權重計算模塊，用于利用特征值法基于賦值后的權重矩陣計算各元素的權重值。

37、在一個可選的實施方式中，所述批次評估模塊包括：

38、標簽識別單元，用于紅椒樣品的產品批次標簽，將產品批次標簽對應的產品批次碼寫入檢測日志；

39、日志管理單元，用于觸發(fā)自動運輸裝置將紅椒樣品輸送至檢測點，并將紅椒樣品的品質分數寫入檢測日志中與所述產品批次碼對應的位置；

40、平均計算單元，用于計算產品批次碼對應的所有品質分數的平均數，得到平均品質分數；

41、標簽生成單元，用于生成包含產品批次碼和平均品質分數的電子品質標簽。

42、第三方面，提供一種終端，包括：

43、存儲器，用于存儲紅椒品質自動識別程序；

44、處理器，用于執(zhí)行所述紅椒品質自動識別程序時實現如第一方面提供的紅椒品質自動識別方法的步驟。

45、第四方面，提供了一種計算機可讀存儲介質，存儲介質上存儲有紅椒品質自動識別程序，紅椒品質自動識別程序被處理器執(zhí)行時實現如第一方面提供的紅椒品質自動識別方法的步驟。

46、本發(fā)明的有益效果在于，本發(fā)明提供的紅椒品質自動識別方法、系統(tǒng)、終端及存儲介質，結合機器視覺技術從紅色區(qū)域占比、紅椒大小、紅椒形狀、表面缺陷、重量五個維度對紅椒品質進行綜合評定，在實現自動化識別的同時保證了品質識別的準確度和客觀性。且通過將識別結果與產品批次碼綁定，并生成電子標簽，實現紅椒品質的全流程可追溯性。

47、此外，本發(fā)明設計原理可靠，結構簡單，具有非常廣泛的應用前景。